Share via

Ruang kerja/pekerjaan Microsoft.MachineLearningServices 2023-06-01-preview

  • Artikel

Definisi sumber daya Bicep

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

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@2023-06-01-preview' = {
  name: 'string'
  parent: resourceSymbolicName
  properties: {
    componentId: 'string'
    computeId: 'string'
    description: 'string'
    displayName: 'string'
    experimentName: 'string'
    identity: {
      identityType: 'string'
      // For remaining properties, see IdentityConfiguration objects
    }
    isArchived: bool
    notificationSetting: {
      emailOn: [
        'string'
      ]
      emails: [
        'string'
      ]
      webhooks: {
        {customized property}: {
          eventType: 'string'
          webhookType: 'string'
          // For remaining properties, see Webhook objects
        }
      }
    }
    properties: {
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
    }
    secretsConfiguration: {
      {customized property}: {
        uri: 'string'
        workspaceSecretName: 'string'
      }
      {customized property}: {
        uri: 'string'
        workspaceSecretName: 'string'
      }
    }
    services: {
      {customized property}: {
        endpoint: 'string'
        jobServiceType: 'string'
        nodes: {
          nodesValueType: 'string'
          // For remaining properties, see Nodes objects
        }
        port: int
        properties: {
          {customized property}: 'string'
        }
      }
      {customized property}: {
        endpoint: 'string'
        jobServiceType: 'string'
        nodes: {
          nodesValueType: 'string'
          // For remaining properties, see Nodes objects
        }
        port: int
        properties: {
          {customized property}: 'string'
        }
      }
    }
    tags: {
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {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
    }
  }
  queueSettings: {
    jobTier: 'string'
    priority: int
  }
  resources: {
    dockerArgs: 'string'
    instanceCount: int
    instanceType: 'string'
    locations: [
      'string'
    ]
    maxInstanceCount: int
    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'
  autologgerSettings: {
    mlflowAutologger: 'string'
  }
  codeId: 'string'
  command: 'string'
  distribution: {
    distributionType: 'string'
    // For remaining properties, see DistributionConfiguration objects
  }
  environmentId: 'string'
  environmentVariables: {
    {customized property}: 'string'
  }
  inputs: {
    {customized property}: {
      description: 'string'
      jobInputType: 'string'
      // For remaining properties, see JobInput objects
    }
  }
  limits: {
    jobLimitsType: 'string'
    timeout: 'string'
  }
  outputs: {
    {customized property}: {
      description: 'string'
      jobOutputType: 'string'
      // For remaining properties, see JobOutput objects
    }
  }
  queueSettings: {
    jobTier: 'string'
    priority: int
  }
  resources: {
    dockerArgs: 'string'
    instanceCount: int
    instanceType: 'string'
    locations: [
      'string'
    ]
    maxInstanceCount: int
    properties: {
      {customized property}: any()
      {customized property}: any()
    }
    shmSize: 'string'
  }

Untuk Pelabelan, gunakan:

  jobType: 'Labeling'
  dataConfiguration: {
    dataId: 'string'
    incrementalDataRefresh: 'string'
  }
  jobInstructions: {
    uri: 'string'
  }
  labelCategories: {
    {customized property}: {
      classes: {
        {customized property}: {
          displayName: 'string'
          subclasses: {
            {customized property}: {}
        }
      }
      displayName: 'string'
      multiSelect: 'string'
    }
    {customized property}: {
      classes: {
        {customized property}: {
          displayName: 'string'
          subclasses: {
            {customized property}: {}
        }
      }
      displayName: 'string'
      multiSelect: 'string'
    }
  }
  labelingJobMediaProperties: {
    mediaType: 'string'
    // For remaining properties, see LabelingJobMediaProperties objects
  }
  mlAssistConfiguration: {
    mlAssist: 'string'
    // For remaining properties, see MLAssistConfiguration objects
  }

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 Spark, gunakan:

  jobType: 'Spark'
  archives: [
    'string'
  ]
  args: 'string'
  codeId: 'string'
  conf: {
    {customized property}: 'string'
  }
  entry: {
    sparkJobEntryType: 'string'
    // For remaining properties, see SparkJobEntry objects
  }
  environmentId: 'string'
  files: [
    'string'
  ]
  inputs: {
    {customized property}: {
      description: 'string'
      jobInputType: 'string'
      // For remaining properties, see JobInput objects
    }
  }
  jars: [
    'string'
  ]
  outputs: {
    {customized property}: {
      description: 'string'
      jobOutputType: 'string'
      // For remaining properties, see JobOutput objects
    }
  }
  pyFiles: [
    'string'
  ]
  queueSettings: {
    jobTier: 'string'
    priority: int
  }
  resources: {
    instanceType: 'string'
    runtimeVersion: 'string'
  }

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
    }
  }
  queueSettings: {
    jobTier: 'string'
    priority: int
  }
  samplingAlgorithm: {
    samplingAlgorithmType: 'string'
    // For remaining properties, see SamplingAlgorithm objects
  }
  searchSpace: any()
  trial: {
    codeId: 'string'
    command: 'string'
    distribution: {
      distributionType: 'string'
      // For remaining properties, see DistributionConfiguration objects
    }
    environmentId: 'string'
    environmentVariables: {
      {customized property}: 'string'
    }
    resources: {
      dockerArgs: 'string'
      instanceCount: int
      instanceType: 'string'
      locations: [
        'string'
      ]
      maxInstanceCount: int
      properties: {
        {customized property}: any()
        {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 webhook

Atur properti webhookType untuk menentukan tipe objek.

Untuk AzureDevOps, gunakan:

  webhookType: 'AzureDevOps'

Objek simpul

Atur properti nodesValueType untuk menentukan jenis objek.

Untuk Semua, gunakan:

  nodesValueType: 'All'

Objek JobOutput

Atur properti jobOutputType untuk menentukan jenis objek.

Untuk custom_model, gunakan:

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

Untuk mlflow_model, gunakan:

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

Untuk mltable, gunakan:

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

Untuk triton_model, gunakan:

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

Untuk uri_file, gunakan:

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

Untuk uri_folder, gunakan:

  jobOutputType: 'uri_folder'
  assetName: 'string'
  assetVersion: 'string'
  autoDeleteSetting: {
    condition: 'string'
    value: 'string'
  }
  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()
        }
      ]
    }
  }
  fixedParameters: {
    booster: 'string'
    boostingType: 'string'
    growPolicy: 'string'
    learningRate: int
    maxBin: int
    maxDepth: int
    maxLeaves: int
    minDataInLeaf: int
    minSplitGain: int
    modelName: 'string'
    nEstimators: int
    numLeaves: int
    preprocessorName: 'string'
    regAlpha: int
    regLambda: int
    subsample: int
    subsampleFreq: int
    treeMethod: 'string'
    withMean: bool
    withStd: bool
  }
  limitSettings: {
    enableEarlyTermination: bool
    exitScore: int
    maxConcurrentTrials: int
    maxCoresPerTrial: int
    maxNodes: int
    maxTrials: int
    sweepConcurrentTrials: int
    sweepTrials: int
    timeout: 'string'
    trialTimeout: 'string'
  }
  nCrossValidations: {
    mode: 'string'
    // For remaining properties, see NCrossValidations objects
  }
  positiveLabel: 'string'
  primaryMetric: 'string'
  searchSpace: [
    {
      booster: 'string'
      boostingType: 'string'
      growPolicy: 'string'
      learningRate: 'string'
      maxBin: 'string'
      maxDepth: 'string'
      maxLeaves: 'string'
      minDataInLeaf: 'string'
      minSplitGain: 'string'
      modelName: 'string'
      nEstimators: 'string'
      numLeaves: 'string'
      preprocessorName: 'string'
      regAlpha: 'string'
      regLambda: 'string'
      subsample: 'string'
      subsampleFreq: 'string'
      treeMethod: 'string'
      withMean: 'string'
      withStd: 'string'
    }
  ]
  sweepSettings: {
    earlyTermination: {
      delayEvaluation: int
      evaluationInterval: int
      policyType: 'string'
      // For remaining properties, see EarlyTerminationPolicy objects
    }
    samplingAlgorithm: 'string'
  }
  testData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }
  testDataSize: int
  trainingSettings: {
    allowedTrainingAlgorithms: [
      'string'
    ]
    blockedTrainingAlgorithms: [
      'string'
    ]
    enableDnnTraining: bool
    enableModelExplainability: bool
    enableOnnxCompatibleModels: bool
    enableStackEnsemble: bool
    enableVoteEnsemble: bool
    ensembleModelDownloadTimeout: 'string'
    stackEnsembleSettings: {
      stackMetaLearnerKWargs: any()
      stackMetaLearnerTrainPercentage: int
      stackMetaLearnerType: 'string'
    }
    trainingMode: 'string'
  }
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    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()
        }
      ]
    }
  }
  fixedParameters: {
    booster: 'string'
    boostingType: 'string'
    growPolicy: 'string'
    learningRate: int
    maxBin: int
    maxDepth: int
    maxLeaves: int
    minDataInLeaf: int
    minSplitGain: int
    modelName: 'string'
    nEstimators: int
    numLeaves: int
    preprocessorName: 'string'
    regAlpha: int
    regLambda: int
    subsample: int
    subsampleFreq: int
    treeMethod: 'string'
    withMean: bool
    withStd: bool
  }
  forecastingSettings: {
    countryOrRegionForHolidays: 'string'
    cvStepSize: int
    featureLags: 'string'
    featuresUnknownAtForecastTime: [
      'string'
    ]
    forecastHorizon: {
      mode: 'string'
      // For remaining properties, see ForecastHorizon objects
    }
    frequency: 'string'
    seasonality: {
      mode: 'string'
      // For remaining properties, see Seasonality objects
    }
    shortSeriesHandlingConfig: 'string'
    targetAggregateFunction: 'string'
    targetLags: {
      mode: 'string'
      // For remaining properties, see TargetLags objects
    }
    targetRollingWindowSize: {
      mode: 'string'
      // For remaining properties, see TargetRollingWindowSize objects
    }
    timeColumnName: 'string'
    timeSeriesIdColumnNames: [
      'string'
    ]
    useStl: 'string'
  }
  limitSettings: {
    enableEarlyTermination: bool
    exitScore: int
    maxConcurrentTrials: int
    maxCoresPerTrial: int
    maxNodes: int
    maxTrials: int
    sweepConcurrentTrials: int
    sweepTrials: int
    timeout: 'string'
    trialTimeout: 'string'
  }
  nCrossValidations: {
    mode: 'string'
    // For remaining properties, see NCrossValidations objects
  }
  primaryMetric: 'string'
  searchSpace: [
    {
      booster: 'string'
      boostingType: 'string'
      growPolicy: 'string'
      learningRate: 'string'
      maxBin: 'string'
      maxDepth: 'string'
      maxLeaves: 'string'
      minDataInLeaf: 'string'
      minSplitGain: 'string'
      modelName: 'string'
      nEstimators: 'string'
      numLeaves: 'string'
      preprocessorName: 'string'
      regAlpha: 'string'
      regLambda: 'string'
      subsample: 'string'
      subsampleFreq: 'string'
      treeMethod: 'string'
      withMean: 'string'
      withStd: 'string'
    }
  ]
  sweepSettings: {
    earlyTermination: {
      delayEvaluation: int
      evaluationInterval: int
      policyType: 'string'
      // For remaining properties, see EarlyTerminationPolicy objects
    }
    samplingAlgorithm: 'string'
  }
  testData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }
  testDataSize: int
  trainingSettings: {
    allowedTrainingAlgorithms: [
      'string'
    ]
    blockedTrainingAlgorithms: [
      'string'
    ]
    enableDnnTraining: bool
    enableModelExplainability: bool
    enableOnnxCompatibleModels: bool
    enableStackEnsemble: bool
    enableVoteEnsemble: bool
    ensembleModelDownloadTimeout: 'string'
    stackEnsembleSettings: {
      stackMetaLearnerKWargs: any()
      stackMetaLearnerTrainPercentage: int
      stackMetaLearnerType: 'string'
    }
    trainingMode: 'string'
  }
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    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'
    logTrainingMetrics: 'string'
    logValidationLoss: 'string'
    maxSize: int
    minSize: int
    modelName: 'string'
    modelSize: 'string'
    momentum: int
    multiScale: bool
    nesterov: bool
    nmsIouThreshold: int
    numberOfEpochs: int
    numberOfWorkers: int
    optimizer: 'string'
    randomSeed: int
    stepLRGamma: int
    stepLRStepSize: int
    tileGridSize: 'string'
    tileOverlapRatio: int
    tilePredictionsNmsThreshold: int
    trainingBatchSize: int
    validationBatchSize: int
    validationIouThreshold: int
    validationMetricType: 'string'
    warmupCosineLRCycles: int
    warmupCosineLRWarmupEpochs: int
    weightDecay: int
  }
  primaryMetric: 'MeanAveragePrecision'
  searchSpace: [
    {
      amsGradient: 'string'
      augmentations: 'string'
      beta1: 'string'
      beta2: 'string'
      boxDetectionsPerImage: 'string'
      boxScoreThreshold: 'string'
      distributed: 'string'
      earlyStopping: 'string'
      earlyStoppingDelay: 'string'
      earlyStoppingPatience: 'string'
      enableOnnxNormalization: 'string'
      evaluationFrequency: 'string'
      gradientAccumulationStep: 'string'
      imageSize: 'string'
      layersToFreeze: 'string'
      learningRate: 'string'
      learningRateScheduler: 'string'
      maxSize: 'string'
      minSize: 'string'
      modelName: 'string'
      modelSize: 'string'
      momentum: 'string'
      multiScale: 'string'
      nesterov: 'string'
      nmsIouThreshold: 'string'
      numberOfEpochs: 'string'
      numberOfWorkers: 'string'
      optimizer: 'string'
      randomSeed: 'string'
      stepLRGamma: 'string'
      stepLRStepSize: 'string'
      tileGridSize: 'string'
      tileOverlapRatio: 'string'
      tilePredictionsNmsThreshold: 'string'
      trainingBatchSize: 'string'
      validationBatchSize: 'string'
      validationIouThreshold: 'string'
      validationMetricType: 'string'
      warmupCosineLRCycles: 'string'
      warmupCosineLRWarmupEpochs: 'string'
      weightDecay: 'string'
    }
  ]
  sweepSettings: {
    earlyTermination: {
      delayEvaluation: int
      evaluationInterval: int
      policyType: 'string'
      // For remaining properties, see EarlyTerminationPolicy objects
    }
    samplingAlgorithm: 'string'
  }
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    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'
    logTrainingMetrics: 'string'
    logValidationLoss: 'string'
    maxSize: int
    minSize: int
    modelName: 'string'
    modelSize: 'string'
    momentum: int
    multiScale: bool
    nesterov: bool
    nmsIouThreshold: int
    numberOfEpochs: int
    numberOfWorkers: int
    optimizer: 'string'
    randomSeed: int
    stepLRGamma: int
    stepLRStepSize: int
    tileGridSize: 'string'
    tileOverlapRatio: int
    tilePredictionsNmsThreshold: int
    trainingBatchSize: int
    validationBatchSize: int
    validationIouThreshold: int
    validationMetricType: 'string'
    warmupCosineLRCycles: int
    warmupCosineLRWarmupEpochs: int
    weightDecay: int
  }
  primaryMetric: 'MeanAveragePrecision'
  searchSpace: [
    {
      amsGradient: 'string'
      augmentations: 'string'
      beta1: 'string'
      beta2: 'string'
      boxDetectionsPerImage: 'string'
      boxScoreThreshold: 'string'
      distributed: 'string'
      earlyStopping: 'string'
      earlyStoppingDelay: 'string'
      earlyStoppingPatience: 'string'
      enableOnnxNormalization: 'string'
      evaluationFrequency: 'string'
      gradientAccumulationStep: 'string'
      imageSize: 'string'
      layersToFreeze: 'string'
      learningRate: 'string'
      learningRateScheduler: 'string'
      maxSize: 'string'
      minSize: 'string'
      modelName: 'string'
      modelSize: 'string'
      momentum: 'string'
      multiScale: 'string'
      nesterov: 'string'
      nmsIouThreshold: 'string'
      numberOfEpochs: 'string'
      numberOfWorkers: 'string'
      optimizer: 'string'
      randomSeed: 'string'
      stepLRGamma: 'string'
      stepLRStepSize: 'string'
      tileGridSize: 'string'
      tileOverlapRatio: 'string'
      tilePredictionsNmsThreshold: 'string'
      trainingBatchSize: 'string'
      validationBatchSize: 'string'
      validationIouThreshold: 'string'
      validationMetricType: 'string'
      warmupCosineLRCycles: 'string'
      warmupCosineLRWarmupEpochs: 'string'
      weightDecay: 'string'
    }
  ]
  sweepSettings: {
    earlyTermination: {
      delayEvaluation: int
      evaluationInterval: int
      policyType: 'string'
      // For remaining properties, see EarlyTerminationPolicy objects
    }
    samplingAlgorithm: 'string'
  }
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    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()
        }
      ]
    }
  }
  fixedParameters: {
    booster: 'string'
    boostingType: 'string'
    growPolicy: 'string'
    learningRate: int
    maxBin: int
    maxDepth: int
    maxLeaves: int
    minDataInLeaf: int
    minSplitGain: int
    modelName: 'string'
    nEstimators: int
    numLeaves: int
    preprocessorName: 'string'
    regAlpha: int
    regLambda: int
    subsample: int
    subsampleFreq: int
    treeMethod: 'string'
    withMean: bool
    withStd: bool
  }
  limitSettings: {
    enableEarlyTermination: bool
    exitScore: int
    maxConcurrentTrials: int
    maxCoresPerTrial: int
    maxNodes: int
    maxTrials: int
    sweepConcurrentTrials: int
    sweepTrials: int
    timeout: 'string'
    trialTimeout: 'string'
  }
  nCrossValidations: {
    mode: 'string'
    // For remaining properties, see NCrossValidations objects
  }
  primaryMetric: 'string'
  searchSpace: [
    {
      booster: 'string'
      boostingType: 'string'
      growPolicy: 'string'
      learningRate: 'string'
      maxBin: 'string'
      maxDepth: 'string'
      maxLeaves: 'string'
      minDataInLeaf: 'string'
      minSplitGain: 'string'
      modelName: 'string'
      nEstimators: 'string'
      numLeaves: 'string'
      preprocessorName: 'string'
      regAlpha: 'string'
      regLambda: 'string'
      subsample: 'string'
      subsampleFreq: 'string'
      treeMethod: 'string'
      withMean: 'string'
      withStd: 'string'
    }
  ]
  sweepSettings: {
    earlyTermination: {
      delayEvaluation: int
      evaluationInterval: int
      policyType: 'string'
      // For remaining properties, see EarlyTerminationPolicy objects
    }
    samplingAlgorithm: 'string'
  }
  testData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }
  testDataSize: int
  trainingSettings: {
    allowedTrainingAlgorithms: [
      'string'
    ]
    blockedTrainingAlgorithms: [
      'string'
    ]
    enableDnnTraining: bool
    enableModelExplainability: bool
    enableOnnxCompatibleModels: bool
    enableStackEnsemble: bool
    enableVoteEnsemble: bool
    ensembleModelDownloadTimeout: 'string'
    stackEnsembleSettings: {
      stackMetaLearnerKWargs: any()
      stackMetaLearnerTrainPercentage: int
      stackMetaLearnerType: 'string'
    }
    trainingMode: 'string'
  }
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }
  validationDataSize: int
  weightColumnName: 'string'

Untuk TextClassification, gunakan:

  taskType: 'TextClassification'
  featurizationSettings: {
    datasetLanguage: 'string'
  }
  fixedParameters: {
    gradientAccumulationSteps: int
    learningRate: int
    learningRateScheduler: 'string'
    modelName: 'string'
    numberOfEpochs: int
    trainingBatchSize: int
    validationBatchSize: int
    warmupRatio: int
    weightDecay: int
  }
  limitSettings: {
    maxConcurrentTrials: int
    maxNodes: int
    maxTrials: int
    timeout: 'string'
    trialTimeout: 'string'
  }
  primaryMetric: 'string'
  searchSpace: [
    {
      gradientAccumulationSteps: 'string'
      learningRate: 'string'
      learningRateScheduler: 'string'
      modelName: 'string'
      numberOfEpochs: 'string'
      trainingBatchSize: 'string'
      validationBatchSize: 'string'
      warmupRatio: 'string'
      weightDecay: 'string'
    }
  ]
  sweepSettings: {
    earlyTermination: {
      delayEvaluation: int
      evaluationInterval: int
      policyType: 'string'
      // For remaining properties, see EarlyTerminationPolicy objects
    }
    samplingAlgorithm: 'string'
  }
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }

Untuk TextClassificationMultilabel, gunakan:

  taskType: 'TextClassificationMultilabel'
  featurizationSettings: {
    datasetLanguage: 'string'
  }
  fixedParameters: {
    gradientAccumulationSteps: int
    learningRate: int
    learningRateScheduler: 'string'
    modelName: 'string'
    numberOfEpochs: int
    trainingBatchSize: int
    validationBatchSize: int
    warmupRatio: int
    weightDecay: int
  }
  limitSettings: {
    maxConcurrentTrials: int
    maxNodes: int
    maxTrials: int
    timeout: 'string'
    trialTimeout: 'string'
  }
  searchSpace: [
    {
      gradientAccumulationSteps: 'string'
      learningRate: 'string'
      learningRateScheduler: 'string'
      modelName: 'string'
      numberOfEpochs: 'string'
      trainingBatchSize: 'string'
      validationBatchSize: 'string'
      warmupRatio: 'string'
      weightDecay: 'string'
    }
  ]
  sweepSettings: {
    earlyTermination: {
      delayEvaluation: int
      evaluationInterval: int
      policyType: 'string'
      // For remaining properties, see EarlyTerminationPolicy objects
    }
    samplingAlgorithm: 'string'
  }
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }

Untuk TextNER, gunakan:

  taskType: 'TextNER'
  featurizationSettings: {
    datasetLanguage: 'string'
  }
  fixedParameters: {
    gradientAccumulationSteps: int
    learningRate: int
    learningRateScheduler: 'string'
    modelName: 'string'
    numberOfEpochs: int
    trainingBatchSize: int
    validationBatchSize: int
    warmupRatio: int
    weightDecay: int
  }
  limitSettings: {
    maxConcurrentTrials: int
    maxNodes: int
    maxTrials: int
    timeout: 'string'
    trialTimeout: 'string'
  }
  searchSpace: [
    {
      gradientAccumulationSteps: 'string'
      learningRate: 'string'
      learningRateScheduler: 'string'
      modelName: 'string'
      numberOfEpochs: 'string'
      trainingBatchSize: 'string'
      validationBatchSize: 'string'
      warmupRatio: 'string'
      weightDecay: 'string'
    }
  ]
  sweepSettings: {
    earlyTermination: {
      delayEvaluation: int
      evaluationInterval: int
      policyType: 'string'
      // For remaining properties, see EarlyTerminationPolicy objects
    }
    samplingAlgorithm: 'string'
  }
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }

Objek NCrossValidations

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 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 DistributionConfiguration

Atur properti distributionType untuk menentukan jenis objek.

Untuk Mpi, gunakan:

  distributionType: 'Mpi'
  processCountPerInstance: int

Untuk PyTorch, gunakan:

  distributionType: 'PyTorch'
  processCountPerInstance: int

Untuk Ray, gunakan:

  distributionType: 'Ray'
  address: 'string'
  dashboardPort: int
  headNodeAdditionalArgs: 'string'
  includeDashboard: bool
  port: int
  workerNodeAdditionalArgs: 'string'

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 LabelingJobMediaProperties

Atur properti mediaType untuk menentukan tipe objek.

Untuk Gambar, gunakan:

  mediaType: 'Image'
  annotationType: 'string'

Untuk Teks, gunakan:

  mediaType: 'Text'
  annotationType: 'string'

Objek MLAssistConfiguration

Atur properti mlAssist untuk menentukan jenis objek.

Untuk Dinonaktifkan, gunakan:

  mlAssist: 'Disabled'

Untuk Diaktifkan, gunakan:

  mlAssist: 'Enabled'
  inferencingComputeBinding: 'string'
  trainingComputeBinding: 'string'

Objek SparkJobEntry

Atur properti sparkJobEntryType untuk menentukan jenis objek.

Untuk SparkJobPythonEntry, gunakan:

  sparkJobEntryType: 'SparkJobPythonEntry'
  file: 'string'

Untuk SparkJobScalaEntry, gunakan:

  sparkJobEntryType: 'SparkJobScalaEntry'
  className: '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'
  logbase: 'string'
  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
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
notificationSetting Pengaturan pemberitahuan untuk pekerjaan NotificationSetting
properti Kamus properti aset. ResourceBaseProperties
secretsConfiguration Konfigurasi agar rahasia tersedia selama runtime. JobBaseSecretsConfiguration
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
Pelabelan
Alur
Spark
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)

NotificationSetting

Nama Deskripsi Nilai
emailOn Mengirim pemberitahuan email ke pengguna pada jenis pemberitahuan tertentu Array string yang berisi salah satu dari:
'JobCancelled'
'JobCompleted'
'JobFailed'
Email Ini adalah daftar penerima email yang memiliki batasan 499 karakter secara total concat dengan pemisah koma string[]
webhook Mengirim panggilan balik webhook ke layanan. Kunci adalah nama yang disediakan pengguna untuk webhook. NotificationSettingWebhooks

NotificationSettingWebhooks

Nama Deskripsi Nilai
{properti yang disesuaikan} Webhook

Webhook

Nama Deskripsi Nilai
eventType Mengirim panggilan balik pada peristiwa pemberitahuan tertentu string
webhookType Mengatur jenis objek AzureDevOps (diperlukan)

AzureDevOpsWebhook

Nama Deskripsi Nilai
webhookType [Diperlukan] Menentukan jenis layanan untuk mengirim panggilan balik 'AzureDevOps' (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
{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

JobBaseSecretsConfiguration

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

SecretConfiguration

Nama Deskripsi Nilai
uri Uri Rahasia.
Sampel Uri : https://myvault.vault.azure.net/secrets/mysecretname/secretversion		 string
workspaceSecretName Nama rahasia di brankas kunci ruang kerja. string

JobBaseServices

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

JobService

Nama Deskripsi Nilai
titik akhir Url untuk titik akhir. string
jobServiceType Jenis titik akhir. string
nodes Simpul yang ingin digunakan pengguna untuk memulai layanan.
Jika Node tidak diatur atau diatur ke null, layanan hanya akan dimulai pada node pemimpin.		 Node
port Port untuk titik akhir yang diatur oleh pengguna. int
properti Properti tambahan untuk diatur pada titik akhir. JobServiceProperties

Node

Nama Deskripsi Nilai
nodesValueType Mengatur jenis objek Semua (diperlukan)

AllNodes

Nama Deskripsi Nilai
nodesValueType [Diperlukan] Jenis nilai Simpul 'Semua' (diperlukan)

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
queueSettings Pengaturan antrean untuk pekerjaan QueueSettings
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)
namaAset Nama Aset Output. string
assetVersion Versi Aset Output. string
autoDeleteSetting Pengaturan penghapusan otomatis aset data output. AutoDeleteSetting
mode Mode Pengiriman Aset Output. 'Langsung'
'ReadWriteMount'
'Unggah'
uri URI Aset Output. string

AutoDeleteSetting

Nama Deskripsi Nilai
kondisi Kapan harus memeriksa apakah aset kedaluwarsa 'CreatedGreaterThan'
'LastAccessedGreaterThan'
nilai Nilai kondisi kedaluwarsa. string

MLFlowModelJobOutput

Nama Deskripsi Nilai
jobOutputType [Diperlukan] Menentukan jenis pekerjaan. 'mlflow_model' (diperlukan)
namaAset Nama Aset Output. string
assetVersion Versi Aset Output. string
autoDeleteSetting Pengaturan penghapusan otomatis aset data output. AutoDeleteSetting
mode Mode Pengiriman Aset Output. 'Langsung'
'ReadWriteMount'
'Unggah'
uri URI Aset Output. string

MLTableJobOutput

Nama Deskripsi Nilai
jobOutputType [Diperlukan] Menentukan jenis pekerjaan. 'mltable' (diperlukan)
namaAset Nama Aset Output. string
assetVersion Versi Aset Output. string
autoDeleteSetting Pengaturan penghapusan otomatis aset data output. AutoDeleteSetting
mode Mode Pengiriman Aset Output. 'Langsung'
'ReadWriteMount'
'Unggah'
uri URI Aset Output. string

TritonModelJobOutput

Nama Deskripsi Nilai
jobOutputType [Diperlukan] Menentukan jenis pekerjaan. 'triton_model' (diperlukan)
namaAset Nama Aset Output. string
assetVersion Versi Aset Output. string
autoDeleteSetting Pengaturan penghapusan otomatis aset data output. AutoDeleteSetting
mode Mode Pengiriman Aset Output. 'Langsung'
'ReadWriteMount'
'Unggah'
uri URI Aset Output. string

UriFileJobOutput

Nama Deskripsi Nilai
jobOutputType [Diperlukan] Menentukan jenis pekerjaan. 'uri_file' (diperlukan)
namaAset Nama Aset Output. string
assetVersion Versi Aset Output. string
autoDeleteSetting Pengaturan penghapusan otomatis aset data output. AutoDeleteSetting
mode Mode Pengiriman Aset Output. 'Langsung'
'ReadWriteMount'
'Unggah'
uri URI Aset Output. string

UriFolderJobOutput

Nama Deskripsi Nilai
jobOutputType [Diperlukan] Menentukan jenis pekerjaan. 'uri_folder' (diperlukan)
namaAset Nama Aset Output. string
assetVersion Versi Aset Output. string
autoDeleteSetting Pengaturan penghapusan otomatis aset data output. AutoDeleteSetting
mode Mode Pengiriman Aset Output. 'Langsung'
'ReadWriteMount'
'Unggah'
uri URI Aset Output. string

QueueSettings

Nama Deskripsi Nilai
jobTier Mengontrol tingkat pekerjaan komputasi 'Dasar'
'Null'
'Premium'
'Spot'
'Standar'
prioritas Mengontrol prioritas pekerjaan pada komputasi. int

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
locations Lokasi tempat pekerjaan dapat berjalan. string[]
maxInstanceCount Jumlah instans atau simpul maksimum opsional yang diizinkan untuk digunakan oleh target komputasi.
Untuk digunakan dengan pelatihan elastis, saat ini hanya didukung oleh jenis distribusi PyTorch.		 int
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:
Panjang min = 1
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
fixedParameters Parameter model/pelatihan yang akan tetap konstan sepanjang pelatihan. TableFixedParameters
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. 'AUCWeighted'
'Akurasi'
'AveragePrecisionScoreWeighted'
'NormMacroRecall'
'PrecisionScoreWeighted'
searchSpace Cari ruang untuk mengambil sampel kombinasi model yang berbeda dan hiperparameternya. TableParameterSubspace[]
sweepSettings Pengaturan untuk menyapu model dan penyetelan hiperparameter. TableSweepSettings
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. 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 akan 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, datetime dll). TableVerticalFeaturizationSettingsColumnNameAndTypes
datasetLanguage Bahasa himpunan data, berguna untuk data teks. string
enableDnnFeaturization Menentukan apakah akan menggunakan featurizer 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().

TableFixedParameters

Nama Deskripsi Nilai
Booster Tentukan jenis peningkatan, misalnya gbdt untuk XGBoost. string
boostingType Tentukan jenis peningkatan, misalnya gbdt untuk LightGBM. string
growPolicy Tentukan kebijakan tumbuh, yang mengontrol cara simpul baru ditambahkan ke pohon. string
learningRate Tingkat pembelajaran untuk prosedur pelatihan. int
maxBin Tentukan Jumlah maksimum bin diskrit untuk menyimpan fitur berkelanjutan . int
maxDepth Tentukan kedalaman maksimum untuk membatasi kedalaman pohon secara eksplisit. int
maxLeaves Tentukan daun maks untuk membatasi daun pohon secara eksplisit. int
minDataInLeaf Jumlah minimum data per daun. int
minSplitGain Pengurangan kerugian minimum yang diperlukan untuk membuat partisi lebih lanjut pada simpul daun pohon. int
modelName Nama model yang akan dilatih. string
nEstimator Tentukan jumlah pohon (atau bulat) dalam model. int
numLeaves Tentukan jumlah daun. int
preprocessorName Nama pra-prosesor yang akan digunakan. string
regAlpha Istilah regularisasi L1 pada bobot. int
regLambda Istilah regularisasi L2 pada berat. int
subsampel Rasio subsampel instans pelatihan. int
subsampleFreq Frekuensi subsampel. int
treeMethod Tentukan metode pohon. string
withMean Jika true, tengahkan sebelum menskalakan data dengan StandardScalar. bool
withStd Jika true, menskalakan data dengan Varians Unit dengan StandardScalar. bool

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
maxNodes Simpul maksimum yang digunakan untuk eksperimen. int
maxTrials Jumlah perulangan. int
sweepConcurrentTrials Jumlah eksekusi sapuan bersamaan yang ingin dipicu pengguna. int
sweepTrials Jumlah eksekusi sapuan yang ingin dipicu pengguna. 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)

TableParameterSubspace

Nama Deskripsi Nilai
Booster Tentukan jenis peningkatan, misalnya gbdt untuk XGBoost. string
boostingType Tentukan jenis peningkatan, misalnya gbdt untuk LightGBM. string
growPolicy Tentukan kebijakan tumbuh, yang mengontrol cara simpul baru ditambahkan ke pohon. string
learningRate Tingkat pembelajaran untuk prosedur pelatihan. string
maxBin Tentukan Jumlah maksimum bin diskrit untuk menyimpan fitur berkelanjutan . string
maxDepth Tentukan kedalaman maksimum untuk membatasi kedalaman pohon secara eksplisit. string
maxLeaves Tentukan daun maks untuk membatasi daun pohon secara eksplisit. string
minDataInLeaf Jumlah minimum data per daun. string
minSplitGain Pengurangan kerugian minimum yang diperlukan untuk membuat partisi lebih lanjut pada simpul daun pohon. string
modelName Nama model yang akan dilatih. string
nEstimator Tentukan jumlah pohon (atau bulat) dalam model. string
numLeaves Tentukan jumlah daun. string
preprocessorName Nama pra-prosesor yang akan digunakan. string
regAlpha Istilah regularisasi L1 pada bobot. string
regLambda Istilah regularisasi L2 pada berat. string
subsampel Rasio subsampel instans pelatihan. string
subsampleFreq Frekuensi subsampel string
treeMethod Tentukan metode pohon. string
withMean Jika true, tengahkan sebelum menskalakan data dengan StandardScalar. string
withStd Jika true, menskalakan data dengan Varians Unit dengan StandardScalar. string

TableSweepSettings

Nama Deskripsi Nilai
earlyTermination Jenis kebijakan penghentian dini untuk pekerjaan sweeping. EarlyTerminationPolicy
samplingAlgorithm [Diperlukan] Jenis algoritma pengambilan sampel. '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

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
trainingMode Mode TrainingMode - Pengaturan ke 'otomatis' sama dengan mengaturnya ke 'non-terdistribusi' untuk saat ini, namun di masa mendatang dapat mengakibatkan pemilihan mode campuran atau mode berbasis heuristik. Defaultnya adalah 'otomatis'.
Jika 'Terdistribusi' maka hanya fiturisasi terdistribusi yang digunakan dan algoritma terdistribusi yang dipilih.
Jika 'Tidak Didistribusikan' maka hanya algoritma yang tidak terdistribusi yang dipilih.
 'Otomatis'
'Terdistribusi'
'Tidak Didistribusikan'

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
fixedParameters Parameter model/pelatihan yang akan tetap konstan sepanjang pelatihan. TableFixedParameters
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'
searchSpace Cari ruang untuk mengambil sampel kombinasi model yang berbeda dan hiperparameternya. TableParameterSubspace[]
sweepSettings Pengaturan untuk menyapu model dan penyetelan hiperparameter. TableSweepSettings
testData Menguji input data. MLTableJobInput
testDataSize Pecahan himpunan data pengujian yang perlu disisihkan untuk tujuan validasi.
Nilai antara (0,0 , 1,0)
Diterapkan saat himpunan data validasi tidak disediakan.		 int
trainingSettings Input untuk fase pelatihan untuk Pekerjaan AutoML. ForecastingTrainingSettings
validationData Input data validasi. MLTableJobInput
validationDataSize Pecahan himpunan data pelatihan yang perlu disisihkan untuk tujuan validasi.
Nilai antara (0,0 , 1,0)
Diterapkan saat himpunan data validasi tidak disediakan.		 int
weightColumnName Nama kolom bobot sampel. ML otomatis mendukung kolom yang diberatkan sebagai input, menyebabkan baris dalam data dinaikkan atau diturunkan. string

ForecastingSettings

Nama Deskripsi Nilai
countryOrRegionForHolidays Negara atau wilayah untuk liburan untuk tugas prakiraan.
Fitur ini harus ISO 3166 dua huruf kode negara/wilayah, misalnya 'AS' atau 'GB'.		 string
cvStepSize Jumlah titik antara waktu asal satu lipatan CV dan lipatan berikutnya. Untuk
contoh, jika CVStepSize = 3 untuk data harian, waktu asal untuk setiap lipatan akan
3 hari terpisah.		 int
featureLags Bendera untuk menghasilkan lag untuk fitur numerik dengan 'otomatis' atau null. 'Otomatis'
'Tidak Ada'
featuresUnknownAtForecastTime Kolom fitur yang tersedia untuk pelatihan tetapi tidak diketahui pada saat prakiraan/inferensi.
Jika features_unknown_at_forecast_time tidak diatur, diasumsikan bahwa semua kolom fitur dalam himpunan data diketahui pada waktu inferensi.		 string[]
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
trainingMode Mode TrainingMode - Mengatur ke 'otomatis' sama dengan mengaturnya ke 'non-terdistribusi' untuk saat ini, namun di masa depan dapat mengakibatkan pemilihan mode campuran atau mode berbasis heuristik. Defaultnya adalah 'otomatis'.
Jika 'Terdistribusi' maka hanya fiturisasi terdistribusi yang digunakan dan algoritma terdistribusi dipilih.
Jika 'Tidak Didistribusikan' maka hanya algoritma yang tidak terdistribusi yang dipilih.
 'Otomatis'
'Terdistribusi'
'Tidak Didistribusikan'

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 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:
Panjang min = 1
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 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)

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 mengembalikan 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: Eksekusi pelatihan 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'
logTrainingMetrics Aktifkan metrik pelatihan komputasi dan pengelogan. 'Nonaktifkan'
'Aktifkan'
logValidationLoss Aktifkan komputasi dan kehilangan validasi pengelogan. 'Nonaktifkan'
'Aktifkan'
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 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
fixedParameters Parameter model/pelatihan yang akan tetap konstan sepanjang pelatihan. TableFixedParameters
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'
searchSpace Cari ruang untuk mengambil sampel kombinasi model yang berbeda dan hiperparameternya. TableParameterSubspace[]
sweepSettings Pengaturan untuk menyapu model dan penyetelan hiperparameter. TableSweepSettings
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
trainingMode Mode TrainingMode - Mengatur ke 'otomatis' sama dengan mengaturnya ke 'non-terdistribusi' untuk saat ini, namun di masa depan dapat mengakibatkan pemilihan mode campuran atau mode berbasis heuristik. Defaultnya adalah 'otomatis'.
Jika 'Terdistribusi' maka hanya fiturisasi terdistribusi yang digunakan dan algoritma terdistribusi dipilih.
Jika 'Tidak Didistribusikan' maka hanya algoritma yang tidak terdistribusi yang dipilih.
 'Otomatis'
'Terdistribusi'
'Tidak Didistribusikan'

TextClassification

Nama Deskripsi Nilai
taskType [Diperlukan] Jenis tugas untuk AutoMLJob. 'TextClassification' (diperlukan)
featurizationSettings Input fiturisasi diperlukan untuk pekerjaan AutoML. NlpVerticalFeaturizationSettings
fixedParameters Parameter model/pelatihan yang akan tetap konstan sepanjang pelatihan. NlpFixedParameters
limitSettings Batasan eksekusi untuk AutoMLJob. NlpVerticalLimitSettings
primaryMetric Metrik utama untuk tugas Text-Classification. 'AUCWeighted'
'Akurasi'
'AveragePrecisionScoreWeighted'
'NormMacroRecall'
'PrecisionScoreWeighted'
searchSpace Cari ruang untuk mengambil sampel kombinasi model yang berbeda dan hiperparameternya. NlpParameterSubspace[]
sweepSettings Pengaturan untuk menyapu model dan penyetelan hiperparameter. NlpSweepSettings
validationData Input data validasi. MLTableJobInput

NlpVerticalFeaturizationSettings

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

NlpFixedParameters

Nama Deskripsi Nilai
gradientAccumulationSteps Jumlah langkah untuk mengakumulasi gradien sebelum menjalankan pass mundur. int
learningRate Tingkat pembelajaran untuk prosedur pelatihan. int
learningRateScheduler Jenis jadwal tingkat pembelajaran yang akan digunakan selama prosedur pelatihan. 'Konstanta'
'ConstantWithWarmup'
'Kosinus'
'CosineWithRestarts'
'Linear'
'Tidak Ada'
'Polinomial'
modelName Nama model yang akan dilatih. string
numberOfEpochs Jumlah epoch pelatihan. int
trainingBatchSize Ukuran batch untuk prosedur pelatihan. int
validationBatchSize Ukuran batch yang akan digunakan selama evaluasi. int
warmupRatio Rasio pemanasan, digunakan bersama LrSchedulerType. int
weightDecay Berat membusuk untuk prosedur pelatihan. int

NlpVerticalLimitSettings

Nama Deskripsi Nilai
maxConcurrentTrials Perulangan AutoML Bersamaan Maksimum. int
maxNodes Simpul maksimum yang digunakan untuk eksperimen. int
maxTrials Jumlah iterasi AutoML. int
waktu habis Batas waktu pekerjaan AutoML. string
trialTimeout Waktu habis untuk uji coba HD individu. string

NlpParameterSubspace

Nama Deskripsi Nilai
gradientAccumulationSteps Jumlah langkah untuk mengakumulasi gradien sebelum menjalankan pass mundur. string
learningRate Tingkat pembelajaran untuk prosedur pelatihan. string
learningRateScheduler Jenis jadwal tingkat pembelajaran yang akan digunakan selama prosedur pelatihan. string
modelName Nama model yang akan dilatih. string
numberOfEpochs Jumlah epoch pelatihan. string
trainingBatchSize Ukuran batch untuk prosedur pelatihan. string
validationBatchSize Ukuran batch yang akan digunakan selama evaluasi. string
warmupRatio Rasio pemanasan, digunakan bersama LrSchedulerType. string
weightDecay Berat membusuk untuk prosedur pelatihan. string

NlpSweepSettings

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

TextClassificationMultilabel

Nama Deskripsi Nilai
taskType [Diperlukan] Jenis tugas untuk AutoMLJob. 'TextClassificationMultilabel' (diperlukan)
featurizationSettings Input fiturisasi diperlukan untuk pekerjaan AutoML. NlpVerticalFeaturizationSettings
fixedParameters Parameter model/pelatihan yang akan tetap konstan sepanjang pelatihan. NlpFixedParameters
limitSettings Batasan eksekusi untuk AutoMLJob. NlpVerticalLimitSettings
searchSpace Cari ruang untuk mengambil sampel kombinasi model yang berbeda dan hiperparameternya. NlpParameterSubspace[]
sweepSettings Pengaturan untuk menyapu model dan penyetelan hiperparameter. NlpSweepSettings
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
fixedParameters Parameter model/pelatihan yang akan tetap konstan sepanjang pelatihan. NlpFixedParameters
limitSettings Batasan eksekusi untuk AutoMLJob. NlpVerticalLimitSettings
searchSpace Cari ruang untuk mengambil sampel kombinasi model yang berbeda dan hiperparameternya. NlpParameterSubspace[]
sweepSettings Pengaturan untuk menyapu model dan penyetelan hiperparameter. NlpSweepSettings
validationData Input data validasi. MLTableJobInput

CommandJob

Nama Deskripsi Nilai
jobType [Diperlukan] Menentukan jenis pekerjaan. 'Perintah' (diperlukan)
autologgerSettings Konfigurasi distribusi pekerjaan. Jika diatur, ini harus salah satu dari Mpi, Tensorflow, PyTorch, atau null. AutologgerSettings
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, Ray, atau null. DistributionConfiguration
environmentId [Diperlukan] ID sumber daya ARM dari spesifikasi Lingkungan untuk pekerjaan tersebut. string (diperlukan)

Batasan:
Panjang min = 1
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
queueSettings Pengaturan antrean untuk pekerjaan QueueSettings
resources Konfigurasi Sumber Daya Komputasi untuk pekerjaan tersebut. JobResourceConfiguration

AutologgerSettings

Nama Deskripsi Nilai
mlflowAutologger [Diperlukan] Menunjukkan apakah autologger mlflow diaktifkan. 'Dinonaktifkan'
'Diaktifkan' (diperlukan)

DistributionConfiguration

Nama Deskripsi Nilai
distributionType Mengatur jenis objek Mpi
PyTorch
Ray
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

Ray

Nama Deskripsi Nilai
distributionType [Diperlukan] Menentukan jenis kerangka kerja distribusi. 'Ray' (diperlukan)
alamat Alamat node kepala Ray. string
dashboardPort Port untuk mengikat server dasbor. int
headNodeAdditionalArgs Argumen tambahan yang diteruskan ke ray dimulai di head node. string
includeDashboard Berikan argumen ini untuk memulai GUI dasbor Ray. bool
port Pelabuhan proses sinar kepala. int
workerNodeAdditionalArgs Argumen tambahan yang diteruskan ke ray dimulai di simpul pekerja. string

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
{customized property} string

CommandJobInputs

Nama Deskripsi Nilai
{customized property} 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] URI Aset Input. string (diperlukan)

Batasan:
Panjang min = 1
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:
Panjang min = 1
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] URI Aset Input. string (diperlukan)

Batasan:
Panjang min = 1
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:
Panjang min = 1
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:
Panjang min = 1
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

LabelingJobProperties

Nama Deskripsi Nilai
componentId ID sumber daya ARM dari sumber daya komponen. string
computeId ID sumber daya ARM dari sumber daya komputasi. string
konfigurasi data Konfigurasi data yang digunakan dalam pekerjaan. PelabelanDataConfiguration
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
jobInstructions Instruksi pelabelan pekerjaan. PelabelanJobInstructions
jobType [Diperlukan] Menentukan jenis pekerjaan. 'AutoML'
'Perintah'
'Pelabelan'
'Alur'
'Spark'
'Sapu' (diperlukan)
labelCategories Kategori label pekerjaan. LabelingJobLabelCategories
pelabelanJobMediaProperties Properti khusus jenis media dalam pekerjaan. PelabelanJobMediaProperties
mlAssistConfiguration Konfigurasi fitur MLAssist dalam pekerjaan. MLAssistConfiguration
notificationSetting Pengaturan pemberitahuan untuk pekerjaan NotificationSetting
properti Kamus properti aset. ResourceBaseProperties
secretsConfiguration Konfigurasi agar rahasia tersedia selama runtime. JobBaseSecretsConfiguration
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

PelabelanDataConfiguration

Nama Deskripsi Nilai
dataId Id sumber daya aset data untuk melakukan pelabelan. string
incrementalDataRefresh Menunjukkan apakah akan mengaktifkan refresh data inkremental. 'Dinonaktifkan'
'Diaktifkan'

PelabelanJobInstructions

Nama Deskripsi Nilai
uri Tautan ke halaman dengan instruksi pelabelan terperinci untuk pelabel. string

LabelingJobLabelCategories

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

LabelCategory

Nama Deskripsi Nilai
classes Kamus kelas label dalam kategori ini. LabelCategoryClasses
displayName Nama tampilan kategori label. string
multiPilih Menunjukkan apakah diizinkan untuk memilih beberapa kelas dalam kategori ini. 'Dinonaktifkan'
'Diaktifkan'

LabelCategoryClasses

Nama Deskripsi Nilai
{properti yang disesuaikan} LabelClass

LabelClass

Nama Deskripsi Nilai
displayName Nama tampilan kelas label. string
subkelas Kamus subkelas kelas label. LabelClassSubclasses

LabelClassSubclasses

Nama Deskripsi Nilai
{properti yang disesuaikan} LabelClass

PelabelanJobMediaProperties

Nama Deskripsi Nilai
mediaType Mengatur jenis objek Gambar
Teks (diperlukan)

LabelingJobImageProperties

Nama Deskripsi Nilai
mediaType [Diperlukan] Jenis media pekerjaan. 'Gambar' (diperlukan)
annotationType Jenis anotasi pekerjaan pelabelan gambar. 'BoundingBox'
'Klasifikasi'
'InstanceSegmentation'

PelabelanJobTextProperties

Nama Deskripsi Nilai
mediaType [Diperlukan] Jenis media pekerjaan. 'Teks' (diperlukan)
annotationType Jenis anotasi pekerjaan pelabelan teks. 'Klasifikasi'
'NamedEntityRecognition'

MLAssistConfiguration

Nama Deskripsi Nilai
mlAssist Mengatur jenis objek Nonaktif
Diaktifkan (diperlukan)

MLAssistConfigurationDisabled

Nama Deskripsi Nilai
mlAssist [Diperlukan] Menunjukkan apakah fitur MLAssist diaktifkan. 'Dinonaktifkan' (diperlukan)

MLAssistConfigurationEnabled

Nama Deskripsi Nilai
mlAssist [Diperlukan] Menunjukkan apakah fitur MLAssist diaktifkan. 'Diaktifkan' (diperlukan)
inferensiComputeBinding [Diperlukan] Pengikatan komputasi AML yang digunakan dalam inferensi. string (diperlukan)

Batasan:
Panjang min = 1
Pola = [a-zA-Z0-9_]
trainingComputeBinding [Diperlukan] Pengikatan komputasi AML yang digunakan dalam pelatihan. string (diperlukan)

Batasan:
Panjang min = 1
Pola = [a-zA-Z0-9_]

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

SparkJob

Nama Deskripsi Nilai
jobType [Diperlukan] Menentukan jenis pekerjaan. 'Spark' (diperlukan)
arsip Arsipkan file yang digunakan dalam pekerjaan. string[]
args Argumen untuk pekerjaan tersebut. string
codeId [Diperlukan] ID sumber daya ARM dari aset kode. string (diperlukan)

Batasan:
Panjang min = 1
Pola = [a-zA-Z0-9_]
conf Properti yang dikonfigurasi Spark. SparkJobConf
entry [Diperlukan] Entri yang akan dijalankan pada startup pekerjaan. SparkJobEntry (diperlukan)
environmentId ID sumber daya ARM dari spesifikasi Lingkungan untuk pekerjaan tersebut. string
file File yang digunakan dalam pekerjaan. string[]
input Pemetaan pengikatan data input yang digunakan dalam pekerjaan. SparkJobInputs
jar File jar yang digunakan dalam pekerjaan. string[]
output Pemetaan pengikatan data output yang digunakan dalam pekerjaan. SparkJobOutputs
pyFile File Python yang digunakan dalam pekerjaan. string[]
queueSettings Pengaturan antrean untuk pekerjaan QueueSettings
resources Konfigurasi Sumber Daya Komputasi untuk pekerjaan tersebut. SparkResourceConfiguration

SparkJobConf

Nama Deskripsi Nilai
{customized property} string

SparkJobEntry

Nama Deskripsi Nilai
sparkJobEntryType Mengatur jenis objek SparkJobPythonEntry
SparkJobScalaEntry (diperlukan)

SparkJobPythonEntry

Nama Deskripsi Nilai
sparkJobEntryType [Diperlukan] Jenis titik masuk pekerjaan. 'SparkJobPythonEntry' (diperlukan)
file [Diperlukan] Jalur file python relatif untuk titik entri pekerjaan. string (diperlukan)

Batasan:
Panjang min = 1
Pola = [a-zA-Z0-9_]

SparkJobScalaEntry

Nama Deskripsi Nilai
sparkJobEntryType [Diperlukan] Jenis titik masuk pekerjaan. 'SparkJobScalaEntry' (diperlukan)
className [Diperlukan] Nama kelas Scala digunakan sebagai titik masuk. string (diperlukan)

Batasan:
Panjang min = 1
Pola = [a-zA-Z0-9_]

SparkJobInputs

Nama Deskripsi Nilai
{customized property} JobInput

SparkJobOutputs

Nama Deskripsi Nilai
{customized property} JobOutput

SparkResourceConfiguration

Nama Deskripsi Nilai
instanceType Jenis VM opsional yang digunakan sebagaimana didukung oleh target komputasi. string
runtimeVersion Versi runtime spark yang digunakan untuk pekerjaan tersebut. string

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
queueSettings Pengaturan antrean untuk pekerjaan QueueSettings
samplingAlgorithm [Diperlukan] Algoritma pengambilan sampel hiperparameter 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:
Panjang min = 1
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)
basis log Angka positif opsional atau e dalam format string yang akan digunakan sebagai dasar untuk pengambilan sampel acak berbasis log string
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 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:
Panjang min = 1
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

Templat Mulai Cepat

Templat mulai cepat berikut menyebarkan jenis sumber daya ini.

Templat Deskripsi
Membuat pekerjaan klasifikasi Azure Machine Learning AutoML

Sebarkan ke Azure		 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

Sebarkan ke Azure		 Templat ini membuat pekerjaan Perintah Azure Machine Learning dengan skrip hello_world dasar
Membuat pekerjaan Pembersihan Azure Machine Learning

Sebarkan ke Azure		 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:

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

Format sumber daya

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

{
  "type": "Microsoft.MachineLearningServices/workspaces/jobs",
  "apiVersion": "2023-06-01-preview",
  "name": "string",
  "properties": {
    "componentId": "string",
    "computeId": "string",
    "description": "string",
    "displayName": "string",
    "experimentName": "string",
    "identity": {
      "identityType": "string"
      // For remaining properties, see IdentityConfiguration objects
    },
    "isArchived": "bool",
    "notificationSetting": {
      "emailOn": [ "string" ],
      "emails": [ "string" ],
      "webhooks": {
        "{customized property}": {
          "eventType": "string",
          "webhookType": "string"
          // For remaining properties, see Webhook objects
        }
      }
    },
    "properties": {
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string"
    },
    "secretsConfiguration": {
      "{customized property}": {
        "uri": "string",
        "workspaceSecretName": "string"
      },
      "{customized property}": {
        "uri": "string",
        "workspaceSecretName": "string"
      }
    },
    "services": {
      "{customized property}": {
        "endpoint": "string",
        "jobServiceType": "string",
        "nodes": {
          "nodesValueType": "string"
          // For remaining properties, see Nodes objects
        },
        "port": "int",
        "properties": {
          "{customized property}": "string"
        }
      },
      "{customized property}": {
        "endpoint": "string",
        "jobServiceType": "string",
        "nodes": {
          "nodesValueType": "string"
          // For remaining properties, see Nodes objects
        },
        "port": "int",
        "properties": {
          "{customized property}": "string"
        }
      }
    },
    "tags": {
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{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
    }
  },
  "queueSettings": {
    "jobTier": "string",
    "priority": "int"
  },
  "resources": {
    "dockerArgs": "string",
    "instanceCount": "int",
    "instanceType": "string",
    "locations": [ "string" ],
    "maxInstanceCount": "int",
    "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",
  "autologgerSettings": {
    "mlflowAutologger": "string"
  },
  "codeId": "string",
  "command": "string",
  "distribution": {
    "distributionType": "string"
    // For remaining properties, see DistributionConfiguration objects
  },
  "environmentId": "string",
  "environmentVariables": {
    "{customized property}": "string"
  },
  "inputs": {
    "{customized property}": {
      "description": "string",
      "jobInputType": "string"
      // For remaining properties, see JobInput objects
    }
  },
  "limits": {
    "jobLimitsType": "string",
    "timeout": "string"
  },
  "outputs": {
    "{customized property}": {
      "description": "string",
      "jobOutputType": "string"
      // For remaining properties, see JobOutput objects
    }
  },
  "queueSettings": {
    "jobTier": "string",
    "priority": "int"
  },
  "resources": {
    "dockerArgs": "string",
    "instanceCount": "int",
    "instanceType": "string",
    "locations": [ "string" ],
    "maxInstanceCount": "int",
    "properties": {
      "{customized property}": {},
      "{customized property}": {}
    },
    "shmSize": "string"
  }

Untuk Pelabelan, gunakan:

  "jobType": "Labeling",
  "dataConfiguration": {
    "dataId": "string",
    "incrementalDataRefresh": "string"
  },
  "jobInstructions": {
    "uri": "string"
  },
  "labelCategories": {
    "{customized property}": {
      "classes": {
        "{customized property}": {
          "displayName": "string",
          "subclasses": {
            "{customized property}": {}
        }
      },
      "displayName": "string",
      "multiSelect": "string"
    },
    "{customized property}": {
      "classes": {
        "{customized property}": {
          "displayName": "string",
          "subclasses": {
            "{customized property}": {}
        }
      },
      "displayName": "string",
      "multiSelect": "string"
    }
  },
  "labelingJobMediaProperties": {
    "mediaType": "string"
    // For remaining properties, see LabelingJobMediaProperties objects
  },
  "mlAssistConfiguration": {
    "mlAssist": "string"
    // For remaining properties, see MLAssistConfiguration objects
  }

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 Spark, gunakan:

  "jobType": "Spark",
  "archives": [ "string" ],
  "args": "string",
  "codeId": "string",
  "conf": {
    "{customized property}": "string"
  },
  "entry": {
    "sparkJobEntryType": "string"
    // For remaining properties, see SparkJobEntry objects
  },
  "environmentId": "string",
  "files": [ "string" ],
  "inputs": {
    "{customized property}": {
      "description": "string",
      "jobInputType": "string"
      // For remaining properties, see JobInput objects
    }
  },
  "jars": [ "string" ],
  "outputs": {
    "{customized property}": {
      "description": "string",
      "jobOutputType": "string"
      // For remaining properties, see JobOutput objects
    }
  },
  "pyFiles": [ "string" ],
  "queueSettings": {
    "jobTier": "string",
    "priority": "int"
  },
  "resources": {
    "instanceType": "string",
    "runtimeVersion": "string"
  }

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
    }
  },
  "queueSettings": {
    "jobTier": "string",
    "priority": "int"
  },
  "samplingAlgorithm": {
    "samplingAlgorithmType": "string"
    // For remaining properties, see SamplingAlgorithm objects
  },
  "searchSpace": {},
  "trial": {
    "codeId": "string",
    "command": "string",
    "distribution": {
      "distributionType": "string"
      // For remaining properties, see DistributionConfiguration objects
    },
    "environmentId": "string",
    "environmentVariables": {
      "{customized property}": "string"
    },
    "resources": {
      "dockerArgs": "string",
      "instanceCount": "int",
      "instanceType": "string",
      "locations": [ "string" ],
      "maxInstanceCount": "int",
      "properties": {
        "{customized property}": {},
        "{customized property}": {}
      },
      "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 webhook

Atur properti webhookType untuk menentukan tipe objek.

Untuk AzureDevOps, gunakan:

  "webhookType": "AzureDevOps"

Objek simpul

Atur properti nodesValueType untuk menentukan jenis objek.

Untuk Semua, gunakan:

  "nodesValueType": "All"

Objek JobOutput

Atur properti jobOutputType untuk menentukan jenis objek.

Untuk custom_model, gunakan:

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

Untuk mlflow_model, gunakan:

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

Untuk mltable, gunakan:

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

Untuk triton_model, gunakan:

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

Untuk uri_file, gunakan:

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

Untuk uri_folder, gunakan:

  "jobOutputType": "uri_folder",
  "assetName": "string",
  "assetVersion": "string",
  "autoDeleteSetting": {
    "condition": "string",
    "value": "string"
  },
  "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": {}
        }
      ]
    }
  },
  "fixedParameters": {
    "booster": "string",
    "boostingType": "string",
    "growPolicy": "string",
    "learningRate": "int",
    "maxBin": "int",
    "maxDepth": "int",
    "maxLeaves": "int",
    "minDataInLeaf": "int",
    "minSplitGain": "int",
    "modelName": "string",
    "nEstimators": "int",
    "numLeaves": "int",
    "preprocessorName": "string",
    "regAlpha": "int",
    "regLambda": "int",
    "subsample": "int",
    "subsampleFreq": "int",
    "treeMethod": "string",
    "withMean": "bool",
    "withStd": "bool"
  },
  "limitSettings": {
    "enableEarlyTermination": "bool",
    "exitScore": "int",
    "maxConcurrentTrials": "int",
    "maxCoresPerTrial": "int",
    "maxNodes": "int",
    "maxTrials": "int",
    "sweepConcurrentTrials": "int",
    "sweepTrials": "int",
    "timeout": "string",
    "trialTimeout": "string"
  },
  "nCrossValidations": {
    "mode": "string"
    // For remaining properties, see NCrossValidations objects
  },
  "positiveLabel": "string",
  "primaryMetric": "string",
  "searchSpace": [
    {
      "booster": "string",
      "boostingType": "string",
      "growPolicy": "string",
      "learningRate": "string",
      "maxBin": "string",
      "maxDepth": "string",
      "maxLeaves": "string",
      "minDataInLeaf": "string",
      "minSplitGain": "string",
      "modelName": "string",
      "nEstimators": "string",
      "numLeaves": "string",
      "preprocessorName": "string",
      "regAlpha": "string",
      "regLambda": "string",
      "subsample": "string",
      "subsampleFreq": "string",
      "treeMethod": "string",
      "withMean": "string",
      "withStd": "string"
    }
  ],
  "sweepSettings": {
    "earlyTermination": {
      "delayEvaluation": "int",
      "evaluationInterval": "int",
      "policyType": "string"
      // For remaining properties, see EarlyTerminationPolicy objects
    },
    "samplingAlgorithm": "string"
  },
  "testData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  },
  "testDataSize": "int",
  "trainingSettings": {
    "allowedTrainingAlgorithms": [ "string" ],
    "blockedTrainingAlgorithms": [ "string" ],
    "enableDnnTraining": "bool",
    "enableModelExplainability": "bool",
    "enableOnnxCompatibleModels": "bool",
    "enableStackEnsemble": "bool",
    "enableVoteEnsemble": "bool",
    "ensembleModelDownloadTimeout": "string",
    "stackEnsembleSettings": {
      "stackMetaLearnerKWargs": {},
      "stackMetaLearnerTrainPercentage": "int",
      "stackMetaLearnerType": "string"
    },
    "trainingMode": "string"
  },
  "validationData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "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": {}
        }
      ]
    }
  },
  "fixedParameters": {
    "booster": "string",
    "boostingType": "string",
    "growPolicy": "string",
    "learningRate": "int",
    "maxBin": "int",
    "maxDepth": "int",
    "maxLeaves": "int",
    "minDataInLeaf": "int",
    "minSplitGain": "int",
    "modelName": "string",
    "nEstimators": "int",
    "numLeaves": "int",
    "preprocessorName": "string",
    "regAlpha": "int",
    "regLambda": "int",
    "subsample": "int",
    "subsampleFreq": "int",
    "treeMethod": "string",
    "withMean": "bool",
    "withStd": "bool"
  },
  "forecastingSettings": {
    "countryOrRegionForHolidays": "string",
    "cvStepSize": "int",
    "featureLags": "string",
    "featuresUnknownAtForecastTime": [ "string" ],
    "forecastHorizon": {
      "mode": "string"
      // For remaining properties, see ForecastHorizon objects
    },
    "frequency": "string",
    "seasonality": {
      "mode": "string"
      // For remaining properties, see Seasonality objects
    },
    "shortSeriesHandlingConfig": "string",
    "targetAggregateFunction": "string",
    "targetLags": {
      "mode": "string"
      // For remaining properties, see TargetLags objects
    },
    "targetRollingWindowSize": {
      "mode": "string"
      // For remaining properties, see TargetRollingWindowSize objects
    },
    "timeColumnName": "string",
    "timeSeriesIdColumnNames": [ "string" ],
    "useStl": "string"
  },
  "limitSettings": {
    "enableEarlyTermination": "bool",
    "exitScore": "int",
    "maxConcurrentTrials": "int",
    "maxCoresPerTrial": "int",
    "maxNodes": "int",
    "maxTrials": "int",
    "sweepConcurrentTrials": "int",
    "sweepTrials": "int",
    "timeout": "string",
    "trialTimeout": "string"
  },
  "nCrossValidations": {
    "mode": "string"
    // For remaining properties, see NCrossValidations objects
  },
  "primaryMetric": "string",
  "searchSpace": [
    {
      "booster": "string",
      "boostingType": "string",
      "growPolicy": "string",
      "learningRate": "string",
      "maxBin": "string",
      "maxDepth": "string",
      "maxLeaves": "string",
      "minDataInLeaf": "string",
      "minSplitGain": "string",
      "modelName": "string",
      "nEstimators": "string",
      "numLeaves": "string",
      "preprocessorName": "string",
      "regAlpha": "string",
      "regLambda": "string",
      "subsample": "string",
      "subsampleFreq": "string",
      "treeMethod": "string",
      "withMean": "string",
      "withStd": "string"
    }
  ],
  "sweepSettings": {
    "earlyTermination": {
      "delayEvaluation": "int",
      "evaluationInterval": "int",
      "policyType": "string"
      // For remaining properties, see EarlyTerminationPolicy objects
    },
    "samplingAlgorithm": "string"
  },
  "testData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  },
  "testDataSize": "int",
  "trainingSettings": {
    "allowedTrainingAlgorithms": [ "string" ],
    "blockedTrainingAlgorithms": [ "string" ],
    "enableDnnTraining": "bool",
    "enableModelExplainability": "bool",
    "enableOnnxCompatibleModels": "bool",
    "enableStackEnsemble": "bool",
    "enableVoteEnsemble": "bool",
    "ensembleModelDownloadTimeout": "string",
    "stackEnsembleSettings": {
      "stackMetaLearnerKWargs": {},
      "stackMetaLearnerTrainPercentage": "int",
      "stackMetaLearnerType": "string"
    },
    "trainingMode": "string"
  },
  "validationData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "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",
    "logTrainingMetrics": "string",
    "logValidationLoss": "string",
    "maxSize": "int",
    "minSize": "int",
    "modelName": "string",
    "modelSize": "string",
    "momentum": "int",
    "multiScale": "bool",
    "nesterov": "bool",
    "nmsIouThreshold": "int",
    "numberOfEpochs": "int",
    "numberOfWorkers": "int",
    "optimizer": "string",
    "randomSeed": "int",
    "stepLRGamma": "int",
    "stepLRStepSize": "int",
    "tileGridSize": "string",
    "tileOverlapRatio": "int",
    "tilePredictionsNmsThreshold": "int",
    "trainingBatchSize": "int",
    "validationBatchSize": "int",
    "validationIouThreshold": "int",
    "validationMetricType": "string",
    "warmupCosineLRCycles": "int",
    "warmupCosineLRWarmupEpochs": "int",
    "weightDecay": "int"
  },
  "primaryMetric": "MeanAveragePrecision",
  "searchSpace": [
    {
      "amsGradient": "string",
      "augmentations": "string",
      "beta1": "string",
      "beta2": "string",
      "boxDetectionsPerImage": "string",
      "boxScoreThreshold": "string",
      "distributed": "string",
      "earlyStopping": "string",
      "earlyStoppingDelay": "string",
      "earlyStoppingPatience": "string",
      "enableOnnxNormalization": "string",
      "evaluationFrequency": "string",
      "gradientAccumulationStep": "string",
      "imageSize": "string",
      "layersToFreeze": "string",
      "learningRate": "string",
      "learningRateScheduler": "string",
      "maxSize": "string",
      "minSize": "string",
      "modelName": "string",
      "modelSize": "string",
      "momentum": "string",
      "multiScale": "string",
      "nesterov": "string",
      "nmsIouThreshold": "string",
      "numberOfEpochs": "string",
      "numberOfWorkers": "string",
      "optimizer": "string",
      "randomSeed": "string",
      "stepLRGamma": "string",
      "stepLRStepSize": "string",
      "tileGridSize": "string",
      "tileOverlapRatio": "string",
      "tilePredictionsNmsThreshold": "string",
      "trainingBatchSize": "string",
      "validationBatchSize": "string",
      "validationIouThreshold": "string",
      "validationMetricType": "string",
      "warmupCosineLRCycles": "string",
      "warmupCosineLRWarmupEpochs": "string",
      "weightDecay": "string"
    }
  ],
  "sweepSettings": {
    "earlyTermination": {
      "delayEvaluation": "int",
      "evaluationInterval": "int",
      "policyType": "string"
      // For remaining properties, see EarlyTerminationPolicy objects
    },
    "samplingAlgorithm": "string"
  },
  "validationData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "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",
    "logTrainingMetrics": "string",
    "logValidationLoss": "string",
    "maxSize": "int",
    "minSize": "int",
    "modelName": "string",
    "modelSize": "string",
    "momentum": "int",
    "multiScale": "bool",
    "nesterov": "bool",
    "nmsIouThreshold": "int",
    "numberOfEpochs": "int",
    "numberOfWorkers": "int",
    "optimizer": "string",
    "randomSeed": "int",
    "stepLRGamma": "int",
    "stepLRStepSize": "int",
    "tileGridSize": "string",
    "tileOverlapRatio": "int",
    "tilePredictionsNmsThreshold": "int",
    "trainingBatchSize": "int",
    "validationBatchSize": "int",
    "validationIouThreshold": "int",
    "validationMetricType": "string",
    "warmupCosineLRCycles": "int",
    "warmupCosineLRWarmupEpochs": "int",
    "weightDecay": "int"
  },
  "primaryMetric": "MeanAveragePrecision",
  "searchSpace": [
    {
      "amsGradient": "string",
      "augmentations": "string",
      "beta1": "string",
      "beta2": "string",
      "boxDetectionsPerImage": "string",
      "boxScoreThreshold": "string",
      "distributed": "string",
      "earlyStopping": "string",
      "earlyStoppingDelay": "string",
      "earlyStoppingPatience": "string",
      "enableOnnxNormalization": "string",
      "evaluationFrequency": "string",
      "gradientAccumulationStep": "string",
      "imageSize": "string",
      "layersToFreeze": "string",
      "learningRate": "string",
      "learningRateScheduler": "string",
      "maxSize": "string",
      "minSize": "string",
      "modelName": "string",
      "modelSize": "string",
      "momentum": "string",
      "multiScale": "string",
      "nesterov": "string",
      "nmsIouThreshold": "string",
      "numberOfEpochs": "string",
      "numberOfWorkers": "string",
      "optimizer": "string",
      "randomSeed": "string",
      "stepLRGamma": "string",
      "stepLRStepSize": "string",
      "tileGridSize": "string",
      "tileOverlapRatio": "string",
      "tilePredictionsNmsThreshold": "string",
      "trainingBatchSize": "string",
      "validationBatchSize": "string",
      "validationIouThreshold": "string",
      "validationMetricType": "string",
      "warmupCosineLRCycles": "string",
      "warmupCosineLRWarmupEpochs": "string",
      "weightDecay": "string"
    }
  ],
  "sweepSettings": {
    "earlyTermination": {
      "delayEvaluation": "int",
      "evaluationInterval": "int",
      "policyType": "string"
      // For remaining properties, see EarlyTerminationPolicy objects
    },
    "samplingAlgorithm": "string"
  },
  "validationData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "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": {}
        }
      ]
    }
  },
  "fixedParameters": {
    "booster": "string",
    "boostingType": "string",
    "growPolicy": "string",
    "learningRate": "int",
    "maxBin": "int",
    "maxDepth": "int",
    "maxLeaves": "int",
    "minDataInLeaf": "int",
    "minSplitGain": "int",
    "modelName": "string",
    "nEstimators": "int",
    "numLeaves": "int",
    "preprocessorName": "string",
    "regAlpha": "int",
    "regLambda": "int",
    "subsample": "int",
    "subsampleFreq": "int",
    "treeMethod": "string",
    "withMean": "bool",
    "withStd": "bool"
  },
  "limitSettings": {
    "enableEarlyTermination": "bool",
    "exitScore": "int",
    "maxConcurrentTrials": "int",
    "maxCoresPerTrial": "int",
    "maxNodes": "int",
    "maxTrials": "int",
    "sweepConcurrentTrials": "int",
    "sweepTrials": "int",
    "timeout": "string",
    "trialTimeout": "string"
  },
  "nCrossValidations": {
    "mode": "string"
    // For remaining properties, see NCrossValidations objects
  },
  "primaryMetric": "string",
  "searchSpace": [
    {
      "booster": "string",
      "boostingType": "string",
      "growPolicy": "string",
      "learningRate": "string",
      "maxBin": "string",
      "maxDepth": "string",
      "maxLeaves": "string",
      "minDataInLeaf": "string",
      "minSplitGain": "string",
      "modelName": "string",
      "nEstimators": "string",
      "numLeaves": "string",
      "preprocessorName": "string",
      "regAlpha": "string",
      "regLambda": "string",
      "subsample": "string",
      "subsampleFreq": "string",
      "treeMethod": "string",
      "withMean": "string",
      "withStd": "string"
    }
  ],
  "sweepSettings": {
    "earlyTermination": {
      "delayEvaluation": "int",
      "evaluationInterval": "int",
      "policyType": "string"
      // For remaining properties, see EarlyTerminationPolicy objects
    },
    "samplingAlgorithm": "string"
  },
  "testData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  },
  "testDataSize": "int",
  "trainingSettings": {
    "allowedTrainingAlgorithms": [ "string" ],
    "blockedTrainingAlgorithms": [ "string" ],
    "enableDnnTraining": "bool",
    "enableModelExplainability": "bool",
    "enableOnnxCompatibleModels": "bool",
    "enableStackEnsemble": "bool",
    "enableVoteEnsemble": "bool",
    "ensembleModelDownloadTimeout": "string",
    "stackEnsembleSettings": {
      "stackMetaLearnerKWargs": {},
      "stackMetaLearnerTrainPercentage": "int",
      "stackMetaLearnerType": "string"
    },
    "trainingMode": "string"
  },
  "validationData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  },
  "validationDataSize": "int",
  "weightColumnName": "string"

Untuk TextClassification, gunakan:

  "taskType": "TextClassification",
  "featurizationSettings": {
    "datasetLanguage": "string"
  },
  "fixedParameters": {
    "gradientAccumulationSteps": "int",
    "learningRate": "int",
    "learningRateScheduler": "string",
    "modelName": "string",
    "numberOfEpochs": "int",
    "trainingBatchSize": "int",
    "validationBatchSize": "int",
    "warmupRatio": "int",
    "weightDecay": "int"
  },
  "limitSettings": {
    "maxConcurrentTrials": "int",
    "maxNodes": "int",
    "maxTrials": "int",
    "timeout": "string",
    "trialTimeout": "string"
  },
  "primaryMetric": "string",
  "searchSpace": [
    {
      "gradientAccumulationSteps": "string",
      "learningRate": "string",
      "learningRateScheduler": "string",
      "modelName": "string",
      "numberOfEpochs": "string",
      "trainingBatchSize": "string",
      "validationBatchSize": "string",
      "warmupRatio": "string",
      "weightDecay": "string"
    }
  ],
  "sweepSettings": {
    "earlyTermination": {
      "delayEvaluation": "int",
      "evaluationInterval": "int",
      "policyType": "string"
      // For remaining properties, see EarlyTerminationPolicy objects
    },
    "samplingAlgorithm": "string"
  },
  "validationData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  }

Untuk TextClassificationMultilabel, gunakan:

  "taskType": "TextClassificationMultilabel",
  "featurizationSettings": {
    "datasetLanguage": "string"
  },
  "fixedParameters": {
    "gradientAccumulationSteps": "int",
    "learningRate": "int",
    "learningRateScheduler": "string",
    "modelName": "string",
    "numberOfEpochs": "int",
    "trainingBatchSize": "int",
    "validationBatchSize": "int",
    "warmupRatio": "int",
    "weightDecay": "int"
  },
  "limitSettings": {
    "maxConcurrentTrials": "int",
    "maxNodes": "int",
    "maxTrials": "int",
    "timeout": "string",
    "trialTimeout": "string"
  },
  "searchSpace": [
    {
      "gradientAccumulationSteps": "string",
      "learningRate": "string",
      "learningRateScheduler": "string",
      "modelName": "string",
      "numberOfEpochs": "string",
      "trainingBatchSize": "string",
      "validationBatchSize": "string",
      "warmupRatio": "string",
      "weightDecay": "string"
    }
  ],
  "sweepSettings": {
    "earlyTermination": {
      "delayEvaluation": "int",
      "evaluationInterval": "int",
      "policyType": "string"
      // For remaining properties, see EarlyTerminationPolicy objects
    },
    "samplingAlgorithm": "string"
  },
  "validationData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  }

Untuk TextNER, gunakan:

  "taskType": "TextNER",
  "featurizationSettings": {
    "datasetLanguage": "string"
  },
  "fixedParameters": {
    "gradientAccumulationSteps": "int",
    "learningRate": "int",
    "learningRateScheduler": "string",
    "modelName": "string",
    "numberOfEpochs": "int",
    "trainingBatchSize": "int",
    "validationBatchSize": "int",
    "warmupRatio": "int",
    "weightDecay": "int"
  },
  "limitSettings": {
    "maxConcurrentTrials": "int",
    "maxNodes": "int",
    "maxTrials": "int",
    "timeout": "string",
    "trialTimeout": "string"
  },
  "searchSpace": [
    {
      "gradientAccumulationSteps": "string",
      "learningRate": "string",
      "learningRateScheduler": "string",
      "modelName": "string",
      "numberOfEpochs": "string",
      "trainingBatchSize": "string",
      "validationBatchSize": "string",
      "warmupRatio": "string",
      "weightDecay": "string"
    }
  ],
  "sweepSettings": {
    "earlyTermination": {
      "delayEvaluation": "int",
      "evaluationInterval": "int",
      "policyType": "string"
      // For remaining properties, see EarlyTerminationPolicy objects
    },
    "samplingAlgorithm": "string"
  },
  "validationData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  }

Objek NCrossValidations

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 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 DistributionConfiguration

Atur properti distributionType untuk menentukan jenis objek.

Untuk Mpi, gunakan:

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

Untuk PyTorch, gunakan:

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

Untuk Ray, gunakan:

  "distributionType": "Ray",
  "address": "string",
  "dashboardPort": "int",
  "headNodeAdditionalArgs": "string",
  "includeDashboard": "bool",
  "port": "int",
  "workerNodeAdditionalArgs": "string"

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 LabelingJobMediaProperties

Atur properti mediaType untuk menentukan tipe objek.

Untuk Gambar, gunakan:

  "mediaType": "Image",
  "annotationType": "string"

Untuk Teks, gunakan:

  "mediaType": "Text",
  "annotationType": "string"

Objek MLAssistConfiguration

Atur properti mlAssist untuk menentukan jenis objek.

Untuk Dinonaktifkan, gunakan:

  "mlAssist": "Disabled"

Untuk Diaktifkan, gunakan:

  "mlAssist": "Enabled",
  "inferencingComputeBinding": "string",
  "trainingComputeBinding": "string"

Objek SparkJobEntry

Atur properti sparkJobEntryType untuk menentukan jenis objek.

Untuk SparkJobPythonEntry, gunakan:

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

Untuk SparkJobScalaEntry, gunakan:

  "sparkJobEntryType": "SparkJobScalaEntry",
  "className": "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",
  "logbase": "string",
  "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 '2023-06-01-preview'
nama Nama sumber daya

Lihat cara mengatur nama dan jenis untuk sumber daya anak dalam 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
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
notificationSetting Pengaturan pemberitahuan untuk pekerjaan NotificationSetting
properti Kamus properti aset. ResourceBaseProperties
secretsConfiguration Konfigurasi agar rahasia tersedia selama runtime. JobBaseSecretsConfiguration
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
Pelabelan
Alur
Spark
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)

NotificationSetting

Nama Deskripsi Nilai
emailOn Mengirim pemberitahuan email ke pengguna pada jenis pemberitahuan tertentu Array string yang berisi salah satu dari:
'JobCancelled'
'JobCompleted'
'JobFailed'
Email Ini adalah daftar penerima email yang memiliki batasan 499 karakter secara total concat dengan pemisah koma string[]
webhook Mengirim panggilan balik webhook ke layanan. Kunci adalah nama yang disediakan pengguna untuk webhook. NotificationSettingWebhooks

NotificationSettingWebhooks

Nama Deskripsi Nilai
{customized property} Webhook

Webhook

Nama Deskripsi Nilai
eventType Mengirim panggilan balik pada peristiwa pemberitahuan tertentu string
webhookType Mengatur jenis objek AzureDevOps (diperlukan)

AzureDevOpsWebhook

Nama Deskripsi Nilai
webhookType [Diperlukan] Menentukan jenis layanan untuk mengirim panggilan balik 'AzureDevOps' (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
{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

JobBaseSecretsConfiguration

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

SecretConfiguration

Nama Deskripsi Nilai
uri Uri Rahasia.
Sampel Uri : https://myvault.vault.azure.net/secrets/mysecretname/secretversion		 string
workspaceSecretName Nama rahasia di brankas kunci ruang kerja. string

JobBaseServices

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

JobService

Nama Deskripsi Nilai
titik akhir Url untuk titik akhir. string
jobServiceType Jenis titik akhir. string
nodes Simpul yang ingin digunakan pengguna untuk memulai layanan.
Jika Node tidak diatur atau diatur ke null, layanan hanya akan dimulai pada node pemimpin.		 Node
port Port untuk titik akhir yang diatur oleh pengguna. int
properti Properti tambahan untuk diatur pada titik akhir. JobServiceProperties

Node

Nama Deskripsi Nilai
nodesValueType Mengatur jenis objek Semua (diperlukan)

AllNodes

Nama Deskripsi Nilai
nodesValueType [Diperlukan] Jenis nilai Simpul 'Semua' (diperlukan)

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
queueSettings Pengaturan antrean untuk pekerjaan QueueSettings
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)
namaAset Nama Aset Output. string
assetVersion Versi Aset Output. string
autoDeleteSetting Pengaturan penghapusan otomatis aset data output. AutoDeleteSetting
mode Mode Pengiriman Aset Output. 'Langsung'
'ReadWriteMount'
'Unggah'
uri URI Aset Output. string

AutoDeleteSetting

Nama Deskripsi Nilai
kondisi Kapan harus memeriksa apakah aset kedaluwarsa 'CreatedGreaterThan'
'LastAccessedGreaterThan'
nilai Nilai kondisi kedaluwarsa. string

MLFlowModelJobOutput

Nama Deskripsi Nilai
jobOutputType [Diperlukan] Menentukan jenis pekerjaan. 'mlflow_model' (diperlukan)
namaAset Nama Aset Output. string
assetVersion Versi Aset Output. string
autoDeleteSetting Pengaturan penghapusan otomatis aset data output. AutoDeleteSetting
mode Mode Pengiriman Aset Output. 'Langsung'
'ReadWriteMount'
'Unggah'
uri URI Aset Output. string

MLTableJobOutput

Nama Deskripsi Nilai
jobOutputType [Diperlukan] Menentukan jenis pekerjaan. 'mltable' (diperlukan)
namaAset Nama Aset Output. string
assetVersion Versi Aset Output. string
autoDeleteSetting Pengaturan penghapusan otomatis aset data output. AutoDeleteSetting
mode Mode Pengiriman Aset Output. 'Langsung'
'ReadWriteMount'
'Unggah'
uri URI Aset Output. string

TritonModelJobOutput

Nama Deskripsi Nilai
jobOutputType [Diperlukan] Menentukan jenis pekerjaan. 'triton_model' (diperlukan)
namaAset Nama Aset Output. string
assetVersion Versi Aset Output. string
autoDeleteSetting Pengaturan penghapusan otomatis aset data output. AutoDeleteSetting
mode Mode Pengiriman Aset Output. 'Langsung'
'ReadWriteMount'
'Unggah'
uri URI Aset Output. string

UriFileJobOutput

Nama Deskripsi Nilai
jobOutputType [Diperlukan] Menentukan jenis pekerjaan. 'uri_file' (diperlukan)
namaAset Nama Aset Output. string
assetVersion Versi Aset Output. string
autoDeleteSetting Pengaturan penghapusan otomatis aset data output. AutoDeleteSetting
mode Mode Pengiriman Aset Output. 'Langsung'
'ReadWriteMount'
'Unggah'
uri URI Aset Output. string

UriFolderJobOutput

Nama Deskripsi Nilai
jobOutputType [Diperlukan] Menentukan jenis pekerjaan. 'uri_folder' (diperlukan)
namaAset Nama Aset Output. string
assetVersion Versi Aset Output. string
autoDeleteSetting Pengaturan penghapusan otomatis aset data output. AutoDeleteSetting
mode Mode Pengiriman Aset Output. 'Langsung'
'ReadWriteMount'
'Unggah'
uri URI Aset Output. string

QueueSettings

Nama Deskripsi Nilai
jobTier Mengontrol tingkat pekerjaan komputasi 'Dasar'
'Null'
'Premium'
'Spot'
'Standar'
prioritas Mengontrol prioritas pekerjaan pada komputasi. int

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
locations Lokasi tempat pekerjaan dapat berjalan. string[]
maxInstanceCount Jumlah instans atau simpul maksimum opsional yang diizinkan untuk digunakan oleh target komputasi.
Untuk digunakan dengan pelatihan elastis, saat ini hanya didukung oleh jenis distribusi PyTorch.		 int
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'
'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:
Panjang min = 1
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
fixedParameters Parameter model/pelatihan yang akan tetap konstan sepanjang pelatihan. TableFixedParameters
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'
searchSpace Cari ruang untuk mengambil sampel kombinasi model yang berbeda dan hiperparameternya. TableParameterSubspace[]
sweepSettings Pengaturan untuk menyapu model dan penyetelan hiperparameter. TableSweepSettings
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 akan 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, datetime dll). TableVerticalFeaturizationSettingsColumnNameAndTypes
datasetLanguage Bahasa himpunan data, berguna untuk data teks. string
enableDnnFeaturization Menentukan apakah akan menggunakan featurizer berbasis Dnn untuk fiturisasi data. bool
mode Mode fiturisasi - Pengguna dapat mempertahankan 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 bagaimana 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
{properti yang disesuaikan} string

TableVerticalFeaturizationSettingsTransformerParams

Nama Deskripsi Nilai
{properti yang disesuaikan} 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.

TableFixedParameters

Nama Deskripsi Nilai
Booster Tentukan jenis peningkatan, misalnya gbdt untuk XGBoost. string
boostingType Tentukan jenis peningkatan, misalnya gbdt untuk LightGBM. string
growPolicy Tentukan kebijakan pertumbuhan, yang mengontrol cara simpul baru ditambahkan ke pohon. string
learningRate Tingkat pembelajaran untuk prosedur pelatihan. int
maxBin Tentukan Jumlah maksimum bin diskrit untuk menyimpan fitur berkelanjutan . int
maxDepth Tentukan kedalaman maksimum untuk membatasi kedalaman pohon secara eksplisit. int
maxLeaves Tentukan daun maks untuk membatasi daun pohon secara eksplisit. int
minDataInLeaf Jumlah minimum data per daun. int
minSplitGain Pengurangan kerugian minimum yang diperlukan untuk membuat partisi lebih lanjut pada simpul daun pohon. int
modelName Nama model yang akan dilatih. string
nEstimators Tentukan jumlah pohon (atau bulat) dalam model. int
numLeaves Tentukan jumlah daun. int
preprocessorName Nama pra-prosesor yang akan digunakan. string
regAlpha Istilah regularisasi L1 pada bobot. int
regLambda Istilah regularisasi L2 pada berat. int
subsampel Rasio subsampel instans pelatihan. int
subsampleFreq Frekuensi subsampel. int
treeMethod Tentukan metode pohon. string
withMean Jika true, tengahkan sebelum menskalakan data dengan StandardScalar. bool
withStd Jika true, menskalakan data dengan Varians Unit dengan StandardScalar. bool

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
maxNodes Simpul maksimum yang digunakan untuk eksperimen. int
maxTrials Jumlah perulangan. int
sweepConcurrentTrials Jumlah eksekusi sapuan bersamaan yang ingin dipicu pengguna. int
sweepTrials Jumlah eksekusi sapuan yang ingin dipicu pengguna. 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)

TableParameterSubspace

Nama Deskripsi Nilai
Booster Tentukan jenis peningkatan, misalnya gbdt untuk XGBoost. string
boostingType Tentukan jenis peningkatan, misalnya gbdt untuk LightGBM. string
growPolicy Tentukan kebijakan tumbuh, yang mengontrol cara simpul baru ditambahkan ke pohon. string
learningRate Tingkat pembelajaran untuk prosedur pelatihan. string
maxBin Tentukan Jumlah maksimum bin diskrit untuk menyimpan fitur berkelanjutan . string
maxDepth Tentukan kedalaman maksimum untuk membatasi kedalaman pohon secara eksplisit. string
maxLeaves Tentukan daun maks untuk membatasi daun pohon secara eksplisit. string
minDataInLeaf Jumlah minimum data per daun. string
minSplitGain Pengurangan kerugian minimum yang diperlukan untuk membuat partisi lebih lanjut pada simpul daun pohon. string
modelName Nama model yang akan dilatih. string
nEstimator Tentukan jumlah pohon (atau bulat) dalam model. string
numLeaves Tentukan jumlah daun. string
preprocessorName Nama pra-prosesor yang akan digunakan. string
regAlpha Istilah regularisasi L1 pada bobot. string
regLambda Istilah regularisasi L2 pada berat. string
subsampel Rasio subsampel instans pelatihan. string
subsampleFreq Frekuensi subsampel string
treeMethod Tentukan metode pohon. string
withMean Jika true, tengahkan sebelum menskalakan data dengan StandardScalar. string
withStd Jika true, menskalakan data dengan Varians Unit dengan StandardScalar. string

TableSweepSettings

Nama Deskripsi Nilai
earlyTermination Jenis kebijakan penghentian dini untuk pekerjaan sweeping. EarlyTerminationPolicy
samplingAlgorithm [Diperlukan] Jenis algoritma pengambilan sampel. '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

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
trainingMode Mode TrainingMode - Pengaturan ke 'otomatis' sama dengan mengaturnya ke 'non-terdistribusi' untuk saat ini, namun di masa mendatang dapat mengakibatkan pemilihan mode campuran atau mode berbasis heuristik. Defaultnya adalah 'otomatis'.
Jika 'Terdistribusi' maka hanya fiturisasi terdistribusi yang digunakan dan algoritma terdistribusi yang dipilih.
Jika 'Tidak Didistribusikan' maka hanya algoritma yang tidak terdistribusi yang dipilih.
 'Otomatis'
'Terdistribusi'
'Tidak Didistribusikan'

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
fixedParameters Parameter model/pelatihan yang akan tetap konstan sepanjang pelatihan. TableFixedParameters
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'
searchSpace Cari ruang untuk mengambil sampel kombinasi model yang berbeda dan hiperparameternya. TableParameterSubspace[]
sweepSettings Pengaturan untuk menyapu model dan penyetelan hiperparameter. TableSweepSettings
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 hari libur untuk tugas prakiraan.
Fitur ini harus ISO 3166 dua huruf kode negara/wilayah, misalnya 'AS' atau 'GB'.		 string
cvStepSize Jumlah titik antara waktu asal satu lipatan CV dan lipatan berikutnya. Untuk
contoh, jika CVStepSize = 3 untuk data harian, waktu asal untuk setiap lipatan akan
tiga hari terpisah.		 int
featureLags Bendera untuk menghasilkan lag untuk fitur numerik dengan 'otomatis' atau null. 'Otomatis'
'Tidak Ada'
featuresUnknownAtForecastTime Kolom fitur yang tersedia untuk pelatihan tetapi tidak diketahui pada saat prakiraan/inferensi.
Jika features_unknown_at_forecast_time tidak diatur, diasumsikan bahwa semua kolom fitur dalam himpunan data diketahui pada waktu inferensi.		 string[]
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 'None', tetapi parameter freq tidak diatur, kesalahan akan muncul. Fungsi agregasi target yang memungkinkan adalah: "sum", "max", "min" dan "mean".		 'Maks'
'Mean'
'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
trainingMode Mode TrainingMode - Mengatur ke 'otomatis' sama dengan mengaturnya ke 'non-terdistribusi' untuk saat ini, namun di masa depan dapat mengakibatkan pemilihan mode campuran atau mode berbasis heuristik. Defaultnya adalah 'otomatis'.
Jika 'Terdistribusi' maka hanya fiturisasi terdistribusi yang digunakan dan algoritma terdistribusi dipilih.
Jika 'Tidak Didistribusikan' maka hanya algoritma yang tidak terdistribusi yang dipilih.
 'Otomatis'
'Terdistribusi'
'Tidak Didistribusikan'

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 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 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'
'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:
Panjang min = 1
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)

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 mengembalikan 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'
logTrainingMetrics Aktifkan metrik pelatihan komputasi dan pengelogan. 'Nonaktifkan'
'Aktifkan'
logValidationLoss Aktifkan komputasi dan kehilangan validasi pengelogan. 'Nonaktifkan'
'Aktifkan'
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 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: 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: Supresi 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 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

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 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

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
fixedParameters Parameter model/pelatihan yang akan tetap konstan sepanjang pelatihan. TableFixedParameters
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'
searchSpace Cari ruang untuk mengambil sampel kombinasi model yang berbeda dan hiperparameternya. TableParameterSubspace[]
sweepSettings Pengaturan untuk menyapu model dan penyetelan hiperparameter. TableSweepSettings
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. RegressionTrainingSettings
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

RegressionTrainingSettings

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
trainingMode Mode TrainingMode - Pengaturan ke 'otomatis' sama dengan mengaturnya ke 'non-terdistribusi' untuk saat ini, namun di masa mendatang dapat mengakibatkan pemilihan mode campuran atau mode berbasis heuristik. Defaultnya adalah 'otomatis'.
Jika 'Terdistribusi' maka hanya fiturisasi terdistribusi yang digunakan dan algoritma terdistribusi yang dipilih.
Jika 'Tidak Didistribusikan' maka hanya algoritma yang tidak terdistribusi yang dipilih.
 'Otomatis'
'Terdistribusi'
'Tidak Didistribusikan'

TextClassification

Nama Deskripsi Nilai
taskType [Diperlukan] Jenis tugas untuk AutoMLJob. 'TextClassification' (diperlukan)
featurizationSettings Input fiturisasi diperlukan untuk pekerjaan AutoML. NlpVerticalFeaturizationSettings
fixedParameters Parameter model/pelatihan yang akan tetap konstan sepanjang pelatihan. NlpFixedParameters
limitSettings Batasan eksekusi untuk AutoMLJob. NlpVerticalLimitSettings
primaryMetric Metrik utama untuk tugas Text-Classification. 'AUCWeighted'
'Akurasi'
'AveragePrecisionScoreWeighted'
'NormMacroRecall'
'PresisiScoreWeighted'
searchSpace Cari ruang untuk mengambil sampel kombinasi model yang berbeda dan hiperparameternya. NlpParameterSubspace[]
sweepSettings Pengaturan untuk menyapu model dan penyetelan hiperparameter. NlpSweepSettings
validationData Input data validasi. MLTableJobInput

NlpVerticalFeaturizationSettings

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

NlpFixedParameters

Nama Deskripsi Nilai
gradientAccumulationSteps Jumlah langkah untuk mengakumulasi gradien sebelum menjalankan pass mundur. int
learningRate Tingkat pembelajaran untuk prosedur pelatihan. int
learningRateScheduler Jenis jadwal tingkat pembelajaran yang akan digunakan selama prosedur pelatihan. 'Konstanta'
'ConstantWithWarmup'
'Kosinus'
'CosineWithRestarts'
'Linear'
'Tidak Ada'
'Polinomial'
modelName Nama model yang akan dilatih. string
numberOfEpochs Jumlah epoch pelatihan. int
trainingBatchSize Ukuran batch untuk prosedur pelatihan. int
validationBatchSize Ukuran batch yang akan digunakan selama evaluasi. int
warmupRatio Rasio pemanasan, digunakan bersama LrSchedulerType. int
weightDecay Pemburasan berat badan untuk prosedur pelatihan. int

NlpVerticalLimitSettings

Nama Deskripsi Nilai
maxConcurrentTrials Perulangan AutoML Bersamaan Maksimum. int
maxNodes Simpul maksimum yang digunakan untuk eksperimen. int
maxTrials Jumlah iterasi AutoML. int
waktu habis Batas waktu pekerjaan AutoML. string
trialTimeout Waktu habis untuk uji coba HD individual. string

NlpParameterSubspace

Nama Deskripsi Nilai
gradientAccumulationSteps Jumlah langkah untuk mengakumulasi gradien sebelum menjalankan pass mundur. string
learningRate Tingkat pembelajaran untuk prosedur pelatihan. string
learningRateScheduler Jenis jadwal tingkat pembelajaran yang akan digunakan selama prosedur pelatihan. string
modelName Nama model yang akan dilatih. string
numberOfEpochs Jumlah epoch pelatihan. string
trainingBatchSize Ukuran batch untuk prosedur pelatihan. string
validationBatchSize Ukuran batch yang akan digunakan selama evaluasi. string
warmupRatio Rasio pemanasan, digunakan bersama LrSchedulerType. string
weightDecay Pemburasan berat badan untuk prosedur pelatihan. string

NlpSweepSettings

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

TextClassificationMultilabel

Nama Deskripsi Nilai
taskType [Diperlukan] Jenis tugas untuk AutoMLJob. 'TextClassificationMultilabel' (diperlukan)
featurizationSettings Input fiturisasi diperlukan untuk pekerjaan AutoML. NlpVerticalFeaturizationSettings
fixedParameters Parameter model/pelatihan yang akan tetap konstan sepanjang pelatihan. NlpFixedParameters
limitSettings Batasan eksekusi untuk AutoMLJob. NlpVerticalLimitSettings
searchSpace Cari ruang untuk mengambil sampel kombinasi model yang berbeda dan hiperparameternya. NlpParameterSubspace[]
sweepSettings Pengaturan untuk menyapu model dan penyetelan hiperparameter. NlpSweepSettings
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
fixedParameters Parameter model/pelatihan yang akan tetap konstan sepanjang pelatihan. NlpFixedParameters
limitSettings Batasan eksekusi untuk AutoMLJob. NlpVerticalLimitSettings
searchSpace Cari ruang untuk mengambil sampel kombinasi model yang berbeda dan hiperparameternya. NlpParameterSubspace[]
sweepSettings Pengaturan untuk menyapu model dan penyetelan hiperparameter. NlpSweepSettings
validationData Input data validasi. MLTableJobInput

CommandJob

Nama Deskripsi Nilai
jobType [Diperlukan] Menentukan jenis pekerjaan. 'Perintah' (diperlukan)
autologgerSettings Konfigurasi distribusi pekerjaan. Jika diatur, ini harus salah satu dari Mpi, Tensorflow, PyTorch, atau null. AutologgerSettings
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, Ray, atau null. DistributionConfiguration
environmentId [Diperlukan] ID sumber daya ARM dari spesifikasi Lingkungan untuk pekerjaan tersebut. string (diperlukan)

Batasan:
Panjang min = 1
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
queueSettings Pengaturan antrean untuk pekerjaan QueueSettings
resources Konfigurasi Sumber Daya Komputasi untuk pekerjaan tersebut. JobResourceConfiguration

AutologgerSettings

Nama Deskripsi Nilai
mlflowAutologger [Diperlukan] Menunjukkan apakah autologger mlflow diaktifkan. 'Dinonaktifkan'
'Diaktifkan' (diperlukan)

DistributionConfiguration

Nama Deskripsi Nilai
distributionType Mengatur jenis objek Mpi
PyTorch
Ray
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

Ray

Nama Deskripsi Nilai
distributionType [Diperlukan] Menentukan jenis kerangka kerja distribusi. 'Ray' (diperlukan)
alamat Alamat node kepala Ray. string
dashboardPort Port untuk mengikat server dasbor. int
headNodeAdditionalArgs Argumen tambahan yang diteruskan ke ray dimulai di head node. string
includeDashboard Berikan argumen ini untuk memulai GUI dasbor Ray. bool
port Pelabuhan proses sinar kepala. int
workerNodeAdditionalArgs Argumen tambahan yang diteruskan ke ray dimulai di simpul pekerja. string

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
{customized property} string

CommandJobInputs

Nama Deskripsi Nilai
{customized property} 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] URI Aset Input. string (diperlukan)

Batasan:
Panjang min = 1
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:
Panjang min = 1
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] URI Aset Input. string (diperlukan)

Batasan:
Panjang min = 1
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:
Panjang min = 1
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:
Panjang min = 1
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

LabelingJobProperties

Nama Deskripsi Nilai
componentId ID sumber daya ARM dari sumber daya komponen. string
computeId ID sumber daya ARM dari sumber daya komputasi. string
konfigurasi data Konfigurasi data yang digunakan dalam pekerjaan. LabelingDataConfiguration
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
jobInstructions Instruksi pelabelan pekerjaan. PelabelanJobInstructions
jobType [Diperlukan] Menentukan jenis pekerjaan. 'AutoML'
'Perintah'
'Pelabelan'
'Alur'
'Spark'
'Sapu' (diperlukan)
labelCategories Kategori label pekerjaan. LabelingJobLabelCategories
pelabelanJobMediaProperties Properti khusus jenis media dalam pekerjaan. LabelingJobMediaProperties
mlAssistConfiguration Konfigurasi fitur MLAssist dalam pekerjaan. MLAssistConfiguration
notificationSetting Pengaturan pemberitahuan untuk pekerjaan NotificationSetting
properti Kamus properti aset. ResourceBaseProperties
secretsConfiguration Konfigurasi agar rahasia tersedia selama runtime. JobBaseSecretsConfiguration
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

PelabelanDataConfiguration

Nama Deskripsi Nilai
dataId Id sumber daya aset data untuk melakukan pelabelan. string
incrementalDataRefresh Menunjukkan apakah akan mengaktifkan refresh data inkremental. 'Dinonaktifkan'
'Diaktifkan'

PelabelanJobInstructions

Nama Deskripsi Nilai
uri Tautan ke halaman dengan instruksi pelabelan terperinci untuk pelabel. string

LabelingJobLabelCategories

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

LabelCategory

Nama Deskripsi Nilai
classes Kamus kelas label dalam kategori ini. LabelCategoryClasses
displayName Nama tampilan kategori label. string
multiPilih Menunjukkan apakah diizinkan untuk memilih beberapa kelas dalam kategori ini. 'Dinonaktifkan'
'Diaktifkan'

LabelCategoryClasses

Nama Deskripsi Nilai
{properti yang disesuaikan} LabelClass

LabelClass

Nama Deskripsi Nilai
displayName Nama tampilan kelas label. string
subkelas Kamus subkelas kelas label. LabelClassSubclasses

LabelClassSubclasses

Nama Deskripsi Nilai
{properti yang disesuaikan} LabelClass

PelabelanJobMediaProperties

Nama Deskripsi Nilai
mediaType Mengatur jenis objek Gambar
Teks (diperlukan)

LabelingJobImageProperties

Nama Deskripsi Nilai
mediaType [Diperlukan] Jenis media pekerjaan. 'Gambar' (diperlukan)
annotationType Jenis anotasi pekerjaan pelabelan gambar. 'BoundingBox'
'Klasifikasi'
'InstanceSegmentation'

PelabelanJobTextProperties

Nama Deskripsi Nilai
mediaType [Diperlukan] Jenis media pekerjaan. 'Teks' (diperlukan)
annotationType Jenis anotasi pekerjaan pelabelan teks. 'Klasifikasi'
'NamedEntityRecognition'

MLAssistConfiguration

Nama Deskripsi Nilai
mlAssist Mengatur jenis objek Nonaktif
Diaktifkan (diperlukan)

MLAssistConfigurationDisabled

Nama Deskripsi Nilai
mlAssist [Diperlukan] Menunjukkan apakah fitur MLAssist diaktifkan. 'Dinonaktifkan' (diperlukan)

MLAssistConfigurationEnabled

Nama Deskripsi Nilai
mlAssist [Diperlukan] Menunjukkan apakah fitur MLAssist diaktifkan. 'Diaktifkan' (diperlukan)
inferensiComputeBinding [Diperlukan] Pengikatan komputasi AML yang digunakan dalam inferensi. string (diperlukan)

Batasan:
Panjang min = 1
Pola = [a-zA-Z0-9_]
trainingComputeBinding [Diperlukan] Pengikatan komputasi AML yang digunakan dalam pelatihan. string (diperlukan)

Batasan:
Panjang min = 1
Pola = [a-zA-Z0-9_]

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

SparkJob

Nama Deskripsi Nilai
jobType [Diperlukan] Menentukan jenis pekerjaan. 'Spark' (diperlukan)
arsip File arsip yang digunakan dalam pekerjaan. string[]
args Argumen untuk pekerjaan tersebut. string
codeId [Diperlukan] ID sumber daya ARM dari aset kode. string (diperlukan)

Batasan:
Panjang min = 1
Pola = [a-zA-Z0-9_]
conf Properti yang dikonfigurasi Spark. SparkJobConf
entry [Diperlukan] Entri yang akan dijalankan pada startup pekerjaan. SparkJobEntry (diperlukan)
environmentId ID sumber daya ARM dari spesifikasi Lingkungan untuk pekerjaan tersebut. string
file File yang digunakan dalam pekerjaan. string[]
input Pemetaan pengikatan data input yang digunakan dalam pekerjaan. SparkJobInputs
jar File jar yang digunakan dalam pekerjaan. string[]
output Pemetaan pengikatan data output yang digunakan dalam pekerjaan. SparkJobOutputs
pyFile File Python yang digunakan dalam pekerjaan. string[]
queueSettings Pengaturan antrean untuk pekerjaan QueueSettings
resources Konfigurasi Sumber Daya Komputasi untuk pekerjaan tersebut. SparkResourceConfiguration

SparkJobConf

Nama Deskripsi Nilai
{customized property} string

SparkJobEntry

Nama Deskripsi Nilai
sparkJobEntryType Mengatur jenis objek SparkJobPythonEntry
SparkJobScalaEntry (diperlukan)

SparkJobPythonEntry

Nama Deskripsi Nilai
sparkJobEntryType [Diperlukan] Jenis titik masuk pekerjaan. 'SparkJobPythonEntry' (diperlukan)
file [Diperlukan] Jalur file python relatif untuk titik entri pekerjaan. string (diperlukan)

Batasan:
Panjang min = 1
Pola = [a-zA-Z0-9_]

SparkJobScalaEntry

Nama Deskripsi Nilai
sparkJobEntryType [Diperlukan] Jenis titik masuk pekerjaan. 'SparkJobScalaEntry' (diperlukan)
className [Diperlukan] Nama kelas Scala digunakan sebagai titik masuk. string (diperlukan)

Batasan:
Panjang min = 1
Pola = [a-zA-Z0-9_]

SparkJobInputs

Nama Deskripsi Nilai
{customized property} JobInput

SparkJobOutputs

Nama Deskripsi Nilai
{customized property} JobOutput

SparkResourceConfiguration

Nama Deskripsi Nilai
instanceType Jenis VM opsional yang digunakan sebagaimana didukung oleh target komputasi. string
runtimeVersion Versi runtime spark yang digunakan untuk pekerjaan tersebut. string

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
queueSettings Pengaturan antrean untuk pekerjaan QueueSettings
samplingAlgorithm [Diperlukan] Algoritma pengambilan sampel hyperparameter 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
{properti yang disesuaikan} 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 Pembersihan. string

Tujuan

Nama Deskripsi Nilai
tujuan [Diperlukan] Menentukan tujuan metrik yang didukung untuk penyetelan hiperparameter 'Maksimalkan'
'Minimalkan' (diperlukan)
primaryMetric [Diperlukan] Nama metrik untuk dioptimalkan. string (diperlukan)

Batasan:
Panjang min = 1
Pola = [a-zA-Z0-9_]

SweepJobOutputs

Nama Deskripsi Nilai
{properti yang disesuaikan} 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)
basis log Angka positif opsional atau e dalam format string yang akan digunakan sebagai dasar untuk pengambilan sampel acak berbasis log string
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:
Panjang min = 1
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

Sebarkan ke Azure		 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

Sebarkan ke Azure		 Templat ini membuat pekerjaan Perintah Azure Machine Learning dengan skrip hello_world dasar
Membuat pekerjaan Sapuan Azure Machine Learning

Sebarkan ke Azure		 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@2023-06-01-preview"
  name = "string"
  parent_id = "string"
  body = jsonencode({
    properties = {
      componentId = "string"
      computeId = "string"
      description = "string"
      displayName = "string"
      experimentName = "string"
      identity = {
        identityType = "string"
        // For remaining properties, see IdentityConfiguration objects
      }
      isArchived = bool
      notificationSetting = {
        emailOn = [
          "string"
        ]
        emails = [
          "string"
        ]
        webhooks = {
          {customized property} = {
            eventType = "string"
            webhookType = "string"
            // For remaining properties, see Webhook objects
          }
        }
      }
      properties = {
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
      }
      secretsConfiguration = {
        {customized property} = {
          uri = "string"
          workspaceSecretName = "string"
        }
        {customized property} = {
          uri = "string"
          workspaceSecretName = "string"
        }
      }
      services = {
        {customized property} = {
          endpoint = "string"
          jobServiceType = "string"
          nodes = {
            nodesValueType = "string"
            // For remaining properties, see Nodes objects
          }
          port = int
          properties = {
            {customized property} = "string"
          }
        }
        {customized property} = {
          endpoint = "string"
          jobServiceType = "string"
          nodes = {
            nodesValueType = "string"
            // For remaining properties, see Nodes objects
          }
          port = int
          properties = {
            {customized property} = "string"
          }
        }
      }
      tags = {
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {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
    }
  }
  queueSettings = {
    jobTier = "string"
    priority = int
  }
  resources = {
    dockerArgs = "string"
    instanceCount = int
    instanceType = "string"
    locations = [
      "string"
    ]
    maxInstanceCount = int
    properties = {}
    shmSize = "string"
  }
  taskDetails = {
    logVerbosity = "string"
    targetColumnName = "string"
    trainingData = {
      description = "string"
      jobInputType = "string"
      mode = "string"
      uri = "string"
    }
    taskType = "string"
    // For remaining properties, see AutoMLVertical objects
  }

Untuk Command, gunakan:

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

Untuk Pelabelan, gunakan:

  jobType = "Labeling"
  dataConfiguration = {
    dataId = "string"
    incrementalDataRefresh = "string"
  }
  jobInstructions = {
    uri = "string"
  }
  labelCategories = {
    {customized property} = {
      classes = {
        {customized property} = {
          displayName = "string"
          subclasses = {
            {customized property} = {}
        }
      }
      displayName = "string"
      multiSelect = "string"
    }
    {customized property} = {
      classes = {
        {customized property} = {
          displayName = "string"
          subclasses = {
            {customized property} = {}
        }
      }
      displayName = "string"
      multiSelect = "string"
    }
  }
  labelingJobMediaProperties = {
    mediaType = "string"
    // For remaining properties, see LabelingJobMediaProperties objects
  }
  mlAssistConfiguration = {
    mlAssist = "string"
    // For remaining properties, see MLAssistConfiguration objects
  }

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 Spark, gunakan:

  jobType = "Spark"
  archives = [
    "string"
  ]
  args = "string"
  codeId = "string"
  conf = {
    {customized property} = "string"
  }
  entry = {
    sparkJobEntryType = "string"
    // For remaining properties, see SparkJobEntry objects
  }
  environmentId = "string"
  files = [
    "string"
  ]
  inputs = {
    {customized property} = {
      description = "string"
      jobInputType = "string"
      // For remaining properties, see JobInput objects
    }
  }
  jars = [
    "string"
  ]
  outputs = {
    {customized property} = {
      description = "string"
      jobOutputType = "string"
      // For remaining properties, see JobOutput objects
    }
  }
  pyFiles = [
    "string"
  ]
  queueSettings = {
    jobTier = "string"
    priority = int
  }
  resources = {
    instanceType = "string"
    runtimeVersion = "string"
  }

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
    }
  }
  queueSettings = {
    jobTier = "string"
    priority = int
  }
  samplingAlgorithm = {
    samplingAlgorithmType = "string"
    // For remaining properties, see SamplingAlgorithm objects
  }
  trial = {
    codeId = "string"
    command = "string"
    distribution = {
      distributionType = "string"
      // For remaining properties, see DistributionConfiguration objects
    }
    environmentId = "string"
    environmentVariables = {
      {customized property} = "string"
    }
    resources = {
      dockerArgs = "string"
      instanceCount = int
      instanceType = "string"
      locations = [
        "string"
      ]
      maxInstanceCount = int
      properties = {}
      shmSize = "string"
    }
  }

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 webhook

Atur properti webhookType untuk menentukan jenis objek.

Untuk AzureDevOps, gunakan:

  webhookType = "AzureDevOps"

Objek simpul

Atur properti nodesValueType untuk menentukan jenis objek.

Untuk Semua, gunakan:

  nodesValueType = "All"

Objek JobOutput

Atur properti jobOutputType untuk menentukan jenis objek.

Untuk custom_model, gunakan:

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

Untuk mlflow_model, gunakan:

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

Untuk mltable, gunakan:

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

Untuk triton_model, gunakan:

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

Untuk uri_file, gunakan:

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

Untuk uri_folder, gunakan:

  jobOutputType = "uri_folder"
  assetName = "string"
  assetVersion = "string"
  autoDeleteSetting = {
    condition = "string"
    value = "string"
  }
  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"
          ]
        }
      ]
    }
  }
  fixedParameters = {
    booster = "string"
    boostingType = "string"
    growPolicy = "string"
    learningRate = int
    maxBin = int
    maxDepth = int
    maxLeaves = int
    minDataInLeaf = int
    minSplitGain = int
    modelName = "string"
    nEstimators = int
    numLeaves = int
    preprocessorName = "string"
    regAlpha = int
    regLambda = int
    subsample = int
    subsampleFreq = int
    treeMethod = "string"
    withMean = bool
    withStd = bool
  }
  limitSettings = {
    enableEarlyTermination = bool
    exitScore = int
    maxConcurrentTrials = int
    maxCoresPerTrial = int
    maxNodes = int
    maxTrials = int
    sweepConcurrentTrials = int
    sweepTrials = int
    timeout = "string"
    trialTimeout = "string"
  }
  nCrossValidations = {
    mode = "string"
    // For remaining properties, see NCrossValidations objects
  }
  positiveLabel = "string"
  primaryMetric = "string"
  searchSpace = [
    {
      booster = "string"
      boostingType = "string"
      growPolicy = "string"
      learningRate = "string"
      maxBin = "string"
      maxDepth = "string"
      maxLeaves = "string"
      minDataInLeaf = "string"
      minSplitGain = "string"
      modelName = "string"
      nEstimators = "string"
      numLeaves = "string"
      preprocessorName = "string"
      regAlpha = "string"
      regLambda = "string"
      subsample = "string"
      subsampleFreq = "string"
      treeMethod = "string"
      withMean = "string"
      withStd = "string"
    }
  ]
  sweepSettings = {
    earlyTermination = {
      delayEvaluation = int
      evaluationInterval = int
      policyType = "string"
      // For remaining properties, see EarlyTerminationPolicy objects
    }
    samplingAlgorithm = "string"
  }
  testData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    uri = "string"
  }
  testDataSize = int
  trainingSettings = {
    allowedTrainingAlgorithms = [
      "string"
    ]
    blockedTrainingAlgorithms = [
      "string"
    ]
    enableDnnTraining = bool
    enableModelExplainability = bool
    enableOnnxCompatibleModels = bool
    enableStackEnsemble = bool
    enableVoteEnsemble = bool
    ensembleModelDownloadTimeout = "string"
    stackEnsembleSettings = {
      stackMetaLearnerTrainPercentage = int
      stackMetaLearnerType = "string"
    }
    trainingMode = "string"
  }
  validationData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    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"
          ]
        }
      ]
    }
  }
  fixedParameters = {
    booster = "string"
    boostingType = "string"
    growPolicy = "string"
    learningRate = int
    maxBin = int
    maxDepth = int
    maxLeaves = int
    minDataInLeaf = int
    minSplitGain = int
    modelName = "string"
    nEstimators = int
    numLeaves = int
    preprocessorName = "string"
    regAlpha = int
    regLambda = int
    subsample = int
    subsampleFreq = int
    treeMethod = "string"
    withMean = bool
    withStd = bool
  }
  forecastingSettings = {
    countryOrRegionForHolidays = "string"
    cvStepSize = int
    featureLags = "string"
    featuresUnknownAtForecastTime = [
      "string"
    ]
    forecastHorizon = {
      mode = "string"
      // For remaining properties, see ForecastHorizon objects
    }
    frequency = "string"
    seasonality = {
      mode = "string"
      // For remaining properties, see Seasonality objects
    }
    shortSeriesHandlingConfig = "string"
    targetAggregateFunction = "string"
    targetLags = {
      mode = "string"
      // For remaining properties, see TargetLags objects
    }
    targetRollingWindowSize = {
      mode = "string"
      // For remaining properties, see TargetRollingWindowSize objects
    }
    timeColumnName = "string"
    timeSeriesIdColumnNames = [
      "string"
    ]
    useStl = "string"
  }
  limitSettings = {
    enableEarlyTermination = bool
    exitScore = int
    maxConcurrentTrials = int
    maxCoresPerTrial = int
    maxNodes = int
    maxTrials = int
    sweepConcurrentTrials = int
    sweepTrials = int
    timeout = "string"
    trialTimeout = "string"
  }
  nCrossValidations = {
    mode = "string"
    // For remaining properties, see NCrossValidations objects
  }
  primaryMetric = "string"
  searchSpace = [
    {
      booster = "string"
      boostingType = "string"
      growPolicy = "string"
      learningRate = "string"
      maxBin = "string"
      maxDepth = "string"
      maxLeaves = "string"
      minDataInLeaf = "string"
      minSplitGain = "string"
      modelName = "string"
      nEstimators = "string"
      numLeaves = "string"
      preprocessorName = "string"
      regAlpha = "string"
      regLambda = "string"
      subsample = "string"
      subsampleFreq = "string"
      treeMethod = "string"
      withMean = "string"
      withStd = "string"
    }
  ]
  sweepSettings = {
    earlyTermination = {
      delayEvaluation = int
      evaluationInterval = int
      policyType = "string"
      // For remaining properties, see EarlyTerminationPolicy objects
    }
    samplingAlgorithm = "string"
  }
  testData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    uri = "string"
  }
  testDataSize = int
  trainingSettings = {
    allowedTrainingAlgorithms = [
      "string"
    ]
    blockedTrainingAlgorithms = [
      "string"
    ]
    enableDnnTraining = bool
    enableModelExplainability = bool
    enableOnnxCompatibleModels = bool
    enableStackEnsemble = bool
    enableVoteEnsemble = bool
    ensembleModelDownloadTimeout = "string"
    stackEnsembleSettings = {
      stackMetaLearnerTrainPercentage = int
      stackMetaLearnerType = "string"
    }
    trainingMode = "string"
  }
  validationData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    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"
    logTrainingMetrics = "string"
    logValidationLoss = "string"
    maxSize = int
    minSize = int
    modelName = "string"
    modelSize = "string"
    momentum = int
    multiScale = bool
    nesterov = bool
    nmsIouThreshold = int
    numberOfEpochs = int
    numberOfWorkers = int
    optimizer = "string"
    randomSeed = int
    stepLRGamma = int
    stepLRStepSize = int
    tileGridSize = "string"
    tileOverlapRatio = int
    tilePredictionsNmsThreshold = int
    trainingBatchSize = int
    validationBatchSize = int
    validationIouThreshold = int
    validationMetricType = "string"
    warmupCosineLRCycles = int
    warmupCosineLRWarmupEpochs = int
    weightDecay = int
  }
  primaryMetric = "MeanAveragePrecision"
  searchSpace = [
    {
      amsGradient = "string"
      augmentations = "string"
      beta1 = "string"
      beta2 = "string"
      boxDetectionsPerImage = "string"
      boxScoreThreshold = "string"
      distributed = "string"
      earlyStopping = "string"
      earlyStoppingDelay = "string"
      earlyStoppingPatience = "string"
      enableOnnxNormalization = "string"
      evaluationFrequency = "string"
      gradientAccumulationStep = "string"
      imageSize = "string"
      layersToFreeze = "string"
      learningRate = "string"
      learningRateScheduler = "string"
      maxSize = "string"
      minSize = "string"
      modelName = "string"
      modelSize = "string"
      momentum = "string"
      multiScale = "string"
      nesterov = "string"
      nmsIouThreshold = "string"
      numberOfEpochs = "string"
      numberOfWorkers = "string"
      optimizer = "string"
      randomSeed = "string"
      stepLRGamma = "string"
      stepLRStepSize = "string"
      tileGridSize = "string"
      tileOverlapRatio = "string"
      tilePredictionsNmsThreshold = "string"
      trainingBatchSize = "string"
      validationBatchSize = "string"
      validationIouThreshold = "string"
      validationMetricType = "string"
      warmupCosineLRCycles = "string"
      warmupCosineLRWarmupEpochs = "string"
      weightDecay = "string"
    }
  ]
  sweepSettings = {
    earlyTermination = {
      delayEvaluation = int
      evaluationInterval = int
      policyType = "string"
      // For remaining properties, see EarlyTerminationPolicy objects
    }
    samplingAlgorithm = "string"
  }
  validationData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    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"
    logTrainingMetrics = "string"
    logValidationLoss = "string"
    maxSize = int
    minSize = int
    modelName = "string"
    modelSize = "string"
    momentum = int
    multiScale = bool
    nesterov = bool
    nmsIouThreshold = int
    numberOfEpochs = int
    numberOfWorkers = int
    optimizer = "string"
    randomSeed = int
    stepLRGamma = int
    stepLRStepSize = int
    tileGridSize = "string"
    tileOverlapRatio = int
    tilePredictionsNmsThreshold = int
    trainingBatchSize = int
    validationBatchSize = int
    validationIouThreshold = int
    validationMetricType = "string"
    warmupCosineLRCycles = int
    warmupCosineLRWarmupEpochs = int
    weightDecay = int
  }
  primaryMetric = "MeanAveragePrecision"
  searchSpace = [
    {
      amsGradient = "string"
      augmentations = "string"
      beta1 = "string"
      beta2 = "string"
      boxDetectionsPerImage = "string"
      boxScoreThreshold = "string"
      distributed = "string"
      earlyStopping = "string"
      earlyStoppingDelay = "string"
      earlyStoppingPatience = "string"
      enableOnnxNormalization = "string"
      evaluationFrequency = "string"
      gradientAccumulationStep = "string"
      imageSize = "string"
      layersToFreeze = "string"
      learningRate = "string"
      learningRateScheduler = "string"
      maxSize = "string"
      minSize = "string"
      modelName = "string"
      modelSize = "string"
      momentum = "string"
      multiScale = "string"
      nesterov = "string"
      nmsIouThreshold = "string"
      numberOfEpochs = "string"
      numberOfWorkers = "string"
      optimizer = "string"
      randomSeed = "string"
      stepLRGamma = "string"
      stepLRStepSize = "string"
      tileGridSize = "string"
      tileOverlapRatio = "string"
      tilePredictionsNmsThreshold = "string"
      trainingBatchSize = "string"
      validationBatchSize = "string"
      validationIouThreshold = "string"
      validationMetricType = "string"
      warmupCosineLRCycles = "string"
      warmupCosineLRWarmupEpochs = "string"
      weightDecay = "string"
    }
  ]
  sweepSettings = {
    earlyTermination = {
      delayEvaluation = int
      evaluationInterval = int
      policyType = "string"
      // For remaining properties, see EarlyTerminationPolicy objects
    }
    samplingAlgorithm = "string"
  }
  validationData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    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"
          ]
        }
      ]
    }
  }
  fixedParameters = {
    booster = "string"
    boostingType = "string"
    growPolicy = "string"
    learningRate = int
    maxBin = int
    maxDepth = int
    maxLeaves = int
    minDataInLeaf = int
    minSplitGain = int
    modelName = "string"
    nEstimators = int
    numLeaves = int
    preprocessorName = "string"
    regAlpha = int
    regLambda = int
    subsample = int
    subsampleFreq = int
    treeMethod = "string"
    withMean = bool
    withStd = bool
  }
  limitSettings = {
    enableEarlyTermination = bool
    exitScore = int
    maxConcurrentTrials = int
    maxCoresPerTrial = int
    maxNodes = int
    maxTrials = int
    sweepConcurrentTrials = int
    sweepTrials = int
    timeout = "string"
    trialTimeout = "string"
  }
  nCrossValidations = {
    mode = "string"
    // For remaining properties, see NCrossValidations objects
  }
  primaryMetric = "string"
  searchSpace = [
    {
      booster = "string"
      boostingType = "string"
      growPolicy = "string"
      learningRate = "string"
      maxBin = "string"
      maxDepth = "string"
      maxLeaves = "string"
      minDataInLeaf = "string"
      minSplitGain = "string"
      modelName = "string"
      nEstimators = "string"
      numLeaves = "string"
      preprocessorName = "string"
      regAlpha = "string"
      regLambda = "string"
      subsample = "string"
      subsampleFreq = "string"
      treeMethod = "string"
      withMean = "string"
      withStd = "string"
    }
  ]
  sweepSettings = {
    earlyTermination = {
      delayEvaluation = int
      evaluationInterval = int
      policyType = "string"
      // For remaining properties, see EarlyTerminationPolicy objects
    }
    samplingAlgorithm = "string"
  }
  testData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    uri = "string"
  }
  testDataSize = int
  trainingSettings = {
    allowedTrainingAlgorithms = [
      "string"
    ]
    blockedTrainingAlgorithms = [
      "string"
    ]
    enableDnnTraining = bool
    enableModelExplainability = bool
    enableOnnxCompatibleModels = bool
    enableStackEnsemble = bool
    enableVoteEnsemble = bool
    ensembleModelDownloadTimeout = "string"
    stackEnsembleSettings = {
      stackMetaLearnerTrainPercentage = int
      stackMetaLearnerType = "string"
    }
    trainingMode = "string"
  }
  validationData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    uri = "string"
  }
  validationDataSize = int
  weightColumnName = "string"

Untuk TextClassification, gunakan:

  taskType = "TextClassification"
  featurizationSettings = {
    datasetLanguage = "string"
  }
  fixedParameters = {
    gradientAccumulationSteps = int
    learningRate = int
    learningRateScheduler = "string"
    modelName = "string"
    numberOfEpochs = int
    trainingBatchSize = int
    validationBatchSize = int
    warmupRatio = int
    weightDecay = int
  }
  limitSettings = {
    maxConcurrentTrials = int
    maxNodes = int
    maxTrials = int
    timeout = "string"
    trialTimeout = "string"
  }
  primaryMetric = "string"
  searchSpace = [
    {
      gradientAccumulationSteps = "string"
      learningRate = "string"
      learningRateScheduler = "string"
      modelName = "string"
      numberOfEpochs = "string"
      trainingBatchSize = "string"
      validationBatchSize = "string"
      warmupRatio = "string"
      weightDecay = "string"
    }
  ]
  sweepSettings = {
    earlyTermination = {
      delayEvaluation = int
      evaluationInterval = int
      policyType = "string"
      // For remaining properties, see EarlyTerminationPolicy objects
    }
    samplingAlgorithm = "string"
  }
  validationData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    uri = "string"
  }

Untuk TextClassificationMultilabel, gunakan:

  taskType = "TextClassificationMultilabel"
  featurizationSettings = {
    datasetLanguage = "string"
  }
  fixedParameters = {
    gradientAccumulationSteps = int
    learningRate = int
    learningRateScheduler = "string"
    modelName = "string"
    numberOfEpochs = int
    trainingBatchSize = int
    validationBatchSize = int
    warmupRatio = int
    weightDecay = int
  }
  limitSettings = {
    maxConcurrentTrials = int
    maxNodes = int
    maxTrials = int
    timeout = "string"
    trialTimeout = "string"
  }
  searchSpace = [
    {
      gradientAccumulationSteps = "string"
      learningRate = "string"
      learningRateScheduler = "string"
      modelName = "string"
      numberOfEpochs = "string"
      trainingBatchSize = "string"
      validationBatchSize = "string"
      warmupRatio = "string"
      weightDecay = "string"
    }
  ]
  sweepSettings = {
    earlyTermination = {
      delayEvaluation = int
      evaluationInterval = int
      policyType = "string"
      // For remaining properties, see EarlyTerminationPolicy objects
    }
    samplingAlgorithm = "string"
  }
  validationData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    uri = "string"
  }

Untuk TextNER, gunakan:

  taskType = "TextNER"
  featurizationSettings = {
    datasetLanguage = "string"
  }
  fixedParameters = {
    gradientAccumulationSteps = int
    learningRate = int
    learningRateScheduler = "string"
    modelName = "string"
    numberOfEpochs = int
    trainingBatchSize = int
    validationBatchSize = int
    warmupRatio = int
    weightDecay = int
  }
  limitSettings = {
    maxConcurrentTrials = int
    maxNodes = int
    maxTrials = int
    timeout = "string"
    trialTimeout = "string"
  }
  searchSpace = [
    {
      gradientAccumulationSteps = "string"
      learningRate = "string"
      learningRateScheduler = "string"
      modelName = "string"
      numberOfEpochs = "string"
      trainingBatchSize = "string"
      validationBatchSize = "string"
      warmupRatio = "string"
      weightDecay = "string"
    }
  ]
  sweepSettings = {
    earlyTermination = {
      delayEvaluation = int
      evaluationInterval = int
      policyType = "string"
      // For remaining properties, see EarlyTerminationPolicy objects
    }
    samplingAlgorithm = "string"
  }
  validationData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    uri = "string"
  }

Objek NCrossValidations

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 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 DistributionConfiguration

Atur properti distributionType untuk menentukan jenis objek.

Untuk Mpi, gunakan:

  distributionType = "Mpi"
  processCountPerInstance = int

Untuk PyTorch, gunakan:

  distributionType = "PyTorch"
  processCountPerInstance = int

Untuk Ray, gunakan:

  distributionType = "Ray"
  address = "string"
  dashboardPort = int
  headNodeAdditionalArgs = "string"
  includeDashboard = bool
  port = int
  workerNodeAdditionalArgs = "string"

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 LabelingJobMediaProperties

Atur properti mediaType untuk menentukan tipe objek.

Untuk Gambar, gunakan:

  mediaType = "Image"
  annotationType = "string"

Untuk Teks, gunakan:

  mediaType = "Text"
  annotationType = "string"

Objek MLAssistConfiguration

Atur properti mlAssist untuk menentukan jenis objek.

Untuk Dinonaktifkan, gunakan:

  mlAssist = "Disabled"

Untuk Diaktifkan, gunakan:

  mlAssist = "Enabled"
  inferencingComputeBinding = "string"
  trainingComputeBinding = "string"

Objek SparkJobEntry

Atur properti sparkJobEntryType untuk menentukan jenis objek.

Untuk SparkJobPythonEntry, gunakan:

  sparkJobEntryType = "SparkJobPythonEntry"
  file = "string"

Untuk SparkJobScalaEntry, gunakan:

  sparkJobEntryType = "SparkJobScalaEntry"
  className = "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"
  logbase = "string"
  rule = "string"
  seed = int

Nilai properti

ruang kerja/pekerjaan

Nama Deskripsi Nilai
jenis Jenis sumber daya "Microsoft.MachineLearningServices/workspaces/jobs@2023-06-01-preview"
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
notificationSetting Pengaturan pemberitahuan untuk pekerjaan NotificationSetting
properti Kamus properti aset. ResourceBaseProperties
secretsConfiguration Konfigurasi agar rahasia tersedia selama runtime. JobBaseSecretsConfiguration
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
Pelabelan
Alur
Spark
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)

NotificationSetting

Nama Deskripsi Nilai
emailOn Mengirim pemberitahuan email ke pengguna pada jenis pemberitahuan tertentu Array string yang berisi salah satu dari:
"JobCancelled"
"JobCompleted"
"JobFailed"
Email Ini adalah daftar penerima email yang memiliki batasan 499 karakter secara total concat dengan pemisah koma string[]
webhook Mengirim panggilan balik webhook ke layanan. Kunci adalah nama yang disediakan pengguna untuk webhook. NotificationSettingWebhooks

NotificationSettingWebhooks

Nama Deskripsi Nilai
{customized property} Webhook

Webhook

Nama Deskripsi Nilai
eventType Mengirim panggilan balik pada peristiwa pemberitahuan tertentu string
webhookType Mengatur jenis objek AzureDevOps (diperlukan)

AzureDevOpsWebhook

Nama Deskripsi Nilai
webhookType [Diperlukan] Menentukan jenis layanan untuk mengirim panggilan balik "AzureDevOps" (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
{customized property} string
{customized property} string
{customized property} string
{customized property} string
{customized property} string
{customized property} string
{customized property} string

JobBaseSecretsConfiguration

Nama Deskripsi Nilai
{customized property} SecretConfiguration
{customized property} SecretConfiguration

SecretConfiguration

Nama Deskripsi Nilai
uri Rahasia Uri.
Sampel Uri : https://myvault.vault.azure.net/secrets/mysecretname/secretversion		 string
workspaceSecretName Nama rahasia di brankas kunci ruang kerja. string

JobBaseServices

Nama Deskripsi Nilai
{customized property} JobService
{customized property} JobService

JobService

Nama Deskripsi Nilai
titik akhir Url untuk titik akhir. string
jobServiceType Jenis titik akhir. string
nodes Simpul yang ingin digunakan pengguna untuk memulai layanan.
Jika Node tidak diatur atau diatur ke null, layanan hanya akan dimulai pada simpul pemimpin.		 Node
port Port untuk titik akhir yang diatur oleh pengguna. int
properti Properti tambahan untuk diatur pada titik akhir. JobServiceProperties

Node

Nama Deskripsi Nilai
nodesValueType Mengatur jenis objek Semua (diperlukan)

AllNodes

Nama Deskripsi Nilai
nodesValueType [Diperlukan] Jenis nilai Simpul "Semua" (diperlukan)

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
queueSettings Pengaturan antrean untuk pekerjaan QueueSettings
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)
namaAset Nama Aset Output. string
assetVersion Versi Aset Output. string
autoDeleteSetting Pengaturan penghapusan otomatis aset data output. AutoDeleteSetting
mode Mode Pengiriman Aset Output. "Langsung"
"ReadWriteMount"
"Unggah"
uri URI Aset Output. string

AutoDeleteSetting

Nama Deskripsi Nilai
kondisi Kapan harus memeriksa apakah aset kedaluwarsa "CreatedGreaterThan"
"LastAccessedGreaterThan"
nilai Nilai kondisi kedaluwarsa. string

MLFlowModelJobOutput

Nama Deskripsi Nilai
jobOutputType [Diperlukan] Menentukan jenis pekerjaan. "mlflow_model" (diperlukan)
namaAset Nama Aset Output. string
assetVersion Versi Aset Output. string
autoDeleteSetting Pengaturan penghapusan otomatis aset data output. AutoDeleteSetting
mode Mode Pengiriman Aset Output. "Langsung"
"ReadWriteMount"
"Unggah"
uri URI Aset Output. string

MLTableJobOutput

Nama Deskripsi Nilai
jobOutputType [Diperlukan] Menentukan jenis pekerjaan. "mltable" (diperlukan)
namaAset Nama Aset Output. string
assetVersion Versi Aset Output. string
autoDeleteSetting Pengaturan penghapusan otomatis aset data output. AutoDeleteSetting
mode Mode Pengiriman Aset Output. "Langsung"
"ReadWriteMount"
"Unggah"
uri URI Aset Output. string

TritonModelJobOutput

Nama Deskripsi Nilai
jobOutputType [Diperlukan] Menentukan jenis pekerjaan. "triton_model" (diperlukan)
namaAset Nama Aset Output. string
assetVersion Versi Aset Output. string
autoDeleteSetting Pengaturan penghapusan otomatis aset data output. AutoDeleteSetting
mode Mode Pengiriman Aset Output. "Langsung"
"ReadWriteMount"
"Unggah"
uri URI Aset Output. string

UriFileJobOutput

Nama Deskripsi Nilai
jobOutputType [Diperlukan] Menentukan jenis pekerjaan. "uri_file" (diperlukan)
namaAset Nama Aset Output. string
assetVersion Versi Aset Output. string
autoDeleteSetting Pengaturan penghapusan otomatis aset data output. AutoDeleteSetting
mode Mode Pengiriman Aset Output. "Langsung"
"ReadWriteMount"
"Unggah"
uri URI Aset Output. string

UriFolderJobOutput

Nama Deskripsi Nilai
jobOutputType [Diperlukan] Menentukan jenis pekerjaan. "uri_folder" (diperlukan)
namaAset Nama Aset Output. string
assetVersion Versi Aset Output. string
autoDeleteSetting Pengaturan penghapusan otomatis aset data output. AutoDeleteSetting
mode Mode Pengiriman Aset Output. "Langsung"
"ReadWriteMount"
"Unggah"
uri URI Aset Output. string

QueueSettings

Nama Deskripsi Nilai
jobTier Mengontrol tingkat pekerjaan komputasi "Dasar"
"Null"
"Premium"
"Spot"
"Standar"
prioritas Mengontrol prioritas pekerjaan pada komputasi. int

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
locations Lokasi tempat pekerjaan dapat berjalan. string[]
maxInstanceCount Jumlah instans atau simpul maksimum opsional yang diizinkan untuk digunakan oleh target komputasi.
Untuk digunakan dengan pelatihan elastis, saat ini hanya didukung oleh jenis distribusi PyTorch.		 int
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] Masukkan URI Aset. string (diperlukan)

Batasan:
Panjang min = 1
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
fixedParameters Parameter model/pelatihan yang akan tetap konstan sepanjang pelatihan. TableFixedParameters
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. "AUCWeighted"
"Akurasi"
"AveragePrecisionScoreWeighted"
"NormMacroRecall"
"PrecisionScoreWeighted"
searchSpace Cari ruang untuk mengambil sampel kombinasi model yang berbeda dan hiperparameternya. TableParameterSubspace[]
sweepSettings Pengaturan untuk menyapu model dan penyetelan hiperparameter. TableSweepSettings
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. 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.

TableFixedParameters

Nama Deskripsi Nilai
Booster Tentukan jenis peningkatan, misalnya gbdt untuk XGBoost. string
boostingType Tentukan jenis peningkatan, misalnya gbdt untuk LightGBM. string
growPolicy Tentukan kebijakan tumbuh, yang mengontrol cara simpul baru ditambahkan ke pohon. string
learningRate Tingkat pembelajaran untuk prosedur pelatihan. int
maxBin Tentukan Jumlah maksimum bin diskrit untuk menyimpan fitur berkelanjutan . int
maxDepth Tentukan kedalaman maksimum untuk membatasi kedalaman pohon secara eksplisit. int
maxLeaves Tentukan daun maks untuk membatasi daun pohon secara eksplisit. int
minDataInLeaf Jumlah minimum data per daun. int
minSplitGain Pengurangan kerugian minimum yang diperlukan untuk membuat partisi lebih lanjut pada simpul daun pohon. int
modelName Nama model yang akan dilatih. string
nEstimator Tentukan jumlah pohon (atau bulat) dalam model. int
numLeaves Tentukan jumlah daun. int
preprocessorName Nama pra-prosesor yang akan digunakan. string
regAlpha Istilah regularisasi L1 pada bobot. int
regLambda Istilah regularisasi L2 pada berat. int
subsampel Rasio subsampel instans pelatihan. int
subsampleFreq Frekuensi subsampel. int
treeMethod Tentukan metode pohon. string
withMean Jika true, tengahkan sebelum menskalakan data dengan StandardScalar. bool
withStd Jika true, menskalakan data dengan Varians Unit dengan StandardScalar. bool

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
maxNodes Simpul maksimum yang digunakan untuk eksperimen. int
maxTrials Jumlah perulangan. int
sweepConcurrentTrials Jumlah eksekusi sapuan bersamaan yang ingin dipicu pengguna. int
sweepTrials Jumlah eksekusi sapuan yang ingin dipicu pengguna. 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)

TableParameterSubspace

Nama Deskripsi Nilai
Booster Tentukan jenis peningkatan, misalnya gbdt untuk XGBoost. string
boostingType Tentukan jenis peningkatan, misalnya gbdt untuk LightGBM. string
growPolicy Tentukan kebijakan tumbuh, yang mengontrol cara simpul baru ditambahkan ke pohon. string
learningRate Tingkat pembelajaran untuk prosedur pelatihan. string
maxBin Tentukan Jumlah maksimum bin diskrit untuk menyimpan fitur berkelanjutan . string
maxDepth Tentukan kedalaman maksimum untuk membatasi kedalaman pohon secara eksplisit. string
maxLeaves Tentukan daun maks untuk membatasi daun pohon secara eksplisit. string
minDataInLeaf Jumlah minimum data per daun. string
minSplitGain Pengurangan kerugian minimum yang diperlukan untuk membuat partisi lebih lanjut pada simpul daun pohon. string
modelName Nama model yang akan dilatih. string
nEstimator Tentukan jumlah pohon (atau bulat) dalam model. string
numLeaves Tentukan jumlah daun. string
preprocessorName Nama pra-prosesor yang akan digunakan. string
regAlpha Istilah regularisasi L1 pada bobot. string
regLambda Istilah regularisasi L2 pada berat. string
subsampel Rasio subsampel instans pelatihan. string
subsampleFreq Frekuensi subsampel string
treeMethod Tentukan metode pohon. string
withMean Jika true, tengahkan sebelum menskalakan data dengan StandardScalar. string
withStd Jika true, menskalakan data dengan Varians Unit dengan StandardScalar. string

TableSweepSettings

Nama Deskripsi Nilai
earlyTermination Jenis kebijakan penghentian dini untuk pekerjaan sweeping. EarlyTerminationPolicy
samplingAlgorithm [Diperlukan] Jenis algoritma pengambilan sampel. "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

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
trainingMode Mode TrainingMode - Pengaturan ke 'otomatis' sama dengan mengaturnya ke 'non-terdistribusi' untuk saat ini, namun di masa mendatang dapat mengakibatkan pemilihan mode campuran atau mode berbasis heuristik. Defaultnya adalah 'otomatis'.
Jika 'Terdistribusi' maka hanya fiturisasi terdistribusi yang digunakan dan algoritma terdistribusi yang dipilih.
Jika 'Tidak Didistribusikan' maka hanya algoritma yang tidak terdistribusi yang dipilih.
 "Otomatis"
"Terdistribusi"
"Tidak Didistribusikan"

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
fixedParameters Parameter model/pelatihan yang akan tetap konstan sepanjang pelatihan. TableFixedParameters
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"
searchSpace Cari ruang untuk mengambil sampel kombinasi model yang berbeda dan hiperparameternya. TableParameterSubspace[]
sweepSettings Pengaturan untuk menyapu model dan penyetelan hiperparameter. TableSweepSettings
testData Menguji input data. MLTableJobInput
testDataSize Pecahan himpunan data pengujian yang perlu disisihkan untuk tujuan validasi.
Nilai antara (0,0 , 1,0)
Diterapkan saat himpunan data validasi tidak disediakan.		 int
trainingSettings Input untuk fase pelatihan untuk Pekerjaan AutoML. ForecastingTrainingSettings
validationData Input data validasi. MLTableJobInput
validationDataSize Pecahan himpunan data pelatihan yang perlu disisihkan untuk tujuan validasi.
Nilai antara (0,0 , 1,0)
Diterapkan saat himpunan data validasi tidak disediakan.		 int
weightColumnName Nama kolom bobot sampel. ML otomatis mendukung kolom yang diberatkan sebagai input, menyebabkan baris dalam data dinaikkan atau diturunkan. string

ForecastingSettings

Nama Deskripsi Nilai
countryOrRegionForHolidays Negara atau wilayah untuk liburan untuk tugas prakiraan.
Fitur ini harus ISO 3166 dua huruf kode negara/wilayah, misalnya 'AS' atau 'GB'.		 string
cvStepSize Jumlah titik antara waktu asal satu lipatan CV dan lipatan berikutnya. Untuk
contoh, jika CVStepSize = 3 untuk data harian, waktu asal untuk setiap lipatan akan
3 hari terpisah.		 int
featureLags Bendera untuk menghasilkan lag untuk fitur numerik dengan 'otomatis' atau null. "Otomatis"
"Tidak Ada"
featuresUnknownAtForecastTime Kolom fitur yang tersedia untuk pelatihan tetapi tidak diketahui pada saat prakiraan/inferensi.
Jika features_unknown_at_forecast_time tidak diatur, diasumsikan bahwa semua kolom fitur dalam himpunan data diketahui pada waktu inferensi.		 string[]
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 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
trainingMode Mode TrainingMode - Pengaturan ke 'otomatis' sama dengan mengaturnya ke 'non-terdistribusi' untuk saat ini, namun di masa mendatang dapat mengakibatkan pemilihan mode campuran atau mode berbasis heuristik. Defaultnya adalah 'otomatis'.
Jika 'Terdistribusi' maka hanya fiturisasi terdistribusi yang digunakan dan algoritma terdistribusi yang dipilih.
Jika 'Tidak Didistribusikan' maka hanya algoritma yang tidak terdistribusi yang dipilih.
 "Otomatis"
"Terdistribusi"
"Tidak Didistribusikan"

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:
Panjang min = 1
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)

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"
logTrainingMetrics Aktifkan metrik pelatihan komputasi dan pengelogan. "Nonaktifkan"
"Aktifkan"
logValidationLoss Aktifkan komputasi dan kehilangan validasi pengelogan. "Nonaktifkan"
"Aktifkan"
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
fixedParameters Parameter model/pelatihan yang akan tetap konstan sepanjang pelatihan. TableFixedParameters
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"
searchSpace Cari ruang untuk mengambil sampel kombinasi model yang berbeda dan hiperparameternya. TableParameterSubspace[]
sweepSettings Pengaturan untuk menyapu model dan penyetelan hiperparameter. TableSweepSettings
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. RegressionTrainingSettings
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

RegressionTrainingSettings

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
trainingMode Mode TrainingMode - Pengaturan ke 'otomatis' sama dengan mengaturnya ke 'non-terdistribusi' untuk saat ini, namun di masa mendatang dapat mengakibatkan pemilihan mode campuran atau mode berbasis heuristik. Defaultnya adalah 'otomatis'.
Jika 'Terdistribusi' maka hanya fiturisasi terdistribusi yang digunakan dan algoritma terdistribusi yang dipilih.
Jika 'Tidak Didistribusikan' maka hanya algoritma yang tidak terdistribusi yang dipilih.
 "Otomatis"
"Terdistribusi"
"Tidak Didistribusikan"

TextClassification

Nama Deskripsi Nilai
taskType [Diperlukan] Jenis tugas untuk AutoMLJob. "TextClassification" (diperlukan)
featurizationSettings Input fiturisasi diperlukan untuk pekerjaan AutoML. NlpVerticalFeaturizationSettings
fixedParameters Parameter model/pelatihan yang akan tetap konstan sepanjang pelatihan. NlpFixedParameters
limitSettings Batasan eksekusi untuk AutoMLJob. NlpVerticalLimitSettings
primaryMetric Metrik utama untuk tugas Text-Classification. "AUCWeighted"
"Akurasi"
"AveragePrecisionScoreWeighted"
"NormMacroRecall"
"PresisiScoreWeighted"
searchSpace Cari ruang untuk mengambil sampel kombinasi model yang berbeda dan hiperparameternya. NlpParameterSubspace[]
sweepSettings Pengaturan untuk menyapu model dan penyetelan hiperparameter. NlpSweepSettings
validationData Input data validasi. MLTableJobInput

NlpVerticalFeaturizationSettings

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

NlpFixedParameters

Nama Deskripsi Nilai
gradientAccumulationSteps Jumlah langkah untuk mengakumulasi gradien sebelum menjalankan pass mundur. int
learningRate Tingkat pembelajaran untuk prosedur pelatihan. int
learningRateScheduler Jenis jadwal tingkat pembelajaran yang akan digunakan selama prosedur pelatihan. "Konstanta"
"ConstantWithWarmup"
"Kosinus"
"CosineWithRestarts"
"Linear"
"Tidak Ada"
"Polinomial"
modelName Nama model yang akan dilatih. string
numberOfEpochs Jumlah epoch pelatihan. int
trainingBatchSize Ukuran batch untuk prosedur pelatihan. int
validationBatchSize Ukuran batch yang akan digunakan selama evaluasi. int
warmupRatio Rasio pemanasan, digunakan bersama LrSchedulerType. int
weightDecay Pemburasan berat badan untuk prosedur pelatihan. int

NlpVerticalLimitSettings

Nama Deskripsi Nilai
maxConcurrentTrials Perulangan AutoML Bersamaan Maksimum. int
maxNodes Simpul maksimum yang digunakan untuk eksperimen. int
maxTrials Jumlah iterasi AutoML. int
waktu habis Batas waktu pekerjaan AutoML. string
trialTimeout Waktu habis untuk uji coba HD individu. string

NlpParameterSubspace

Nama Deskripsi Nilai
gradientAccumulationSteps Jumlah langkah untuk mengakumulasi gradien sebelum menjalankan pass mundur. string
learningRate Tingkat pembelajaran untuk prosedur pelatihan. string
learningRateScheduler Jenis jadwal tingkat pembelajaran yang akan digunakan selama prosedur pelatihan. string
modelName Nama model yang akan dilatih. string
numberOfEpochs Jumlah epoch pelatihan. string
trainingBatchSize Ukuran batch untuk prosedur pelatihan. string
validationBatchSize Ukuran batch yang akan digunakan selama evaluasi. string
warmupRatio Rasio pemanasan, digunakan bersama LrSchedulerType. string
weightDecay Berat membusuk untuk prosedur pelatihan. string

NlpSweepSettings

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

TextClassificationMultilabel

Nama Deskripsi Nilai
taskType [Diperlukan] Jenis tugas untuk AutoMLJob. "TextClassificationMultilabel" (diperlukan)
featurizationSettings Input fiturisasi diperlukan untuk pekerjaan AutoML. NlpVerticalFeaturizationSettings
fixedParameters Parameter model/pelatihan yang akan tetap konstan sepanjang pelatihan. NlpFixedParameters
limitSettings Batasan eksekusi untuk AutoMLJob. NlpVerticalLimitSettings
searchSpace Cari ruang untuk mengambil sampel kombinasi model yang berbeda dan hiperparameternya. NlpParameterSubspace[]
sweepSettings Pengaturan untuk menyapu model dan penyetelan hiperparameter. NlpSweepSettings
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
fixedParameters Parameter model/pelatihan yang akan tetap konstan sepanjang pelatihan. NlpFixedParameters
limitSettings Batasan eksekusi untuk AutoMLJob. NlpVerticalLimitSettings
searchSpace Cari ruang untuk mengambil sampel kombinasi model yang berbeda dan hiperparameternya. NlpParameterSubspace[]
sweepSettings Pengaturan untuk menyapu model dan penyetelan hiperparameter. NlpSweepSettings
validationData Input data validasi. MLTableJobInput

CommandJob

Nama Deskripsi Nilai
jobType [Diperlukan] Menentukan jenis pekerjaan. "Perintah" (diperlukan)
autologgerSettings Konfigurasi distribusi pekerjaan. Jika diatur, ini harus salah satu dari Mpi, Tensorflow, PyTorch, atau null. AutologgerSettings
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, Ray, atau null. DistributionConfiguration
environmentId [Diperlukan] ID sumber daya ARM dari spesifikasi Lingkungan untuk pekerjaan tersebut. string (diperlukan)

Batasan:
Panjang min = 1
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
queueSettings Pengaturan antrean untuk pekerjaan QueueSettings
resources Konfigurasi Sumber Daya Komputasi untuk pekerjaan tersebut. JobResourceConfiguration

AutologgerSettings

Nama Deskripsi Nilai
mlflowAutologger [Diperlukan] Menunjukkan apakah autologger mlflow diaktifkan. "Dinonaktifkan"
"Diaktifkan" (diperlukan)

DistributionConfiguration

Nama Deskripsi Nilai
distributionType Mengatur jenis objek Mpi
PyTorch
Ray
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

Ray

Nama Deskripsi Nilai
distributionType [Diperlukan] Menentukan jenis kerangka kerja distribusi. "Ray" (diperlukan)
alamat Alamat node kepala Ray. string
dashboardPort Port untuk mengikat server dasbor. int
headNodeAdditionalArgs Argumen tambahan yang diteruskan ke ray dimulai di head node. string
includeDashboard Berikan argumen ini untuk memulai GUI dasbor Ray. bool
port Pelabuhan proses sinar kepala. int
workerNodeAdditionalArgs Argumen tambahan yang diteruskan ke ray dimulai di simpul pekerja. string

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
{customized property} string

CommandJobInputs

Nama Deskripsi Nilai
{customized property} 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] URI Aset Input. string (diperlukan)

Batasan:
Panjang min = 1
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:
Panjang min = 1
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:
Panjang min = 1
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:
Panjang min = 1
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:
Panjang min = 1
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

LabelingJobProperties

Nama Deskripsi Nilai
componentId ID sumber daya ARM dari sumber daya komponen. string
computeId ID sumber daya ARM dari sumber daya komputasi. string
konfigurasi data Konfigurasi data yang digunakan dalam pekerjaan. PelabelanDataConfiguration
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
jobInstructions Instruksi pelabelan pekerjaan. PelabelanJobInstructions
jobType [Diperlukan] Menentukan jenis pekerjaan. "AutoML"
"Perintah"
"Pelabelan"
"Alur"
"Spark"
"Sapu" (diperlukan)
labelCategories Kategori label pekerjaan. LabelingJobLabelCategories
pelabelanJobMediaProperties Properti khusus jenis media dalam pekerjaan. LabelingJobMediaProperties
mlAssistConfiguration Konfigurasi fitur MLAssist dalam pekerjaan. MLAssistConfiguration
notificationSetting Pengaturan pemberitahuan untuk pekerjaan NotificationSetting
properti Kamus properti aset. ResourceBaseProperties
secretsConfiguration Konfigurasi agar rahasia tersedia selama runtime. JobBaseSecretsConfiguration
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

LabelingDataConfiguration

Nama Deskripsi Nilai
dataId Id sumber daya aset data untuk melakukan pelabelan. string
incrementalDataRefresh Menunjukkan apakah akan mengaktifkan refresh data inkremental. "Dinonaktifkan"
"Diaktifkan"

PelabelanJobInstructions

Nama Deskripsi Nilai
uri Tautan ke halaman dengan instruksi pelabelan terperinci untuk pelabel. string

LabelingJobLabelCategories

Nama Deskripsi Nilai
{customized property} LabelCategory
{customized property} LabelCategory

LabelCategory

Nama Deskripsi Nilai
classes Kamus kelas label dalam kategori ini. LabelCategoryClasses
displayName Nama tampilan kategori label. string
multiPilih Menunjukkan apakah diizinkan untuk memilih beberapa kelas dalam kategori ini. "Dinonaktifkan"
"Diaktifkan"

LabelCategoryClasses

Nama Deskripsi Nilai
{customized property} LabelClass

LabelClass

Nama Deskripsi Nilai
displayName Nama tampilan kelas label. string
subkelas Kamus subkelas kelas label. LabelClassSubclasses

LabelClassSubclasses

Nama Deskripsi Nilai
{customized property} LabelClass

LabelingJobMediaProperties

Nama Deskripsi Nilai
mediaType Mengatur jenis objek Gambar
Teks (diperlukan)

LabelingJobImageProperties

Nama Deskripsi Nilai
mediaType [Diperlukan] Jenis media pekerjaan. "Gambar" (diperlukan)
annotationType Jenis anotasi pekerjaan pelabelan gambar. "BoundingBox"
"Klasifikasi"
"InstanceSegmentation"

LabelingJobTextProperties

Nama Deskripsi Nilai
mediaType [Diperlukan] Jenis media pekerjaan. "Teks" (diperlukan)
annotationType Jenis anotasi pekerjaan pelabelan teks. "Klasifikasi"
"NamedEntityRecognition"

MLAssistConfiguration

Nama Deskripsi Nilai
mlAssist Mengatur jenis objek Nonaktif
Diaktifkan (diperlukan)

MLAssistConfigurationDisabled

Nama Deskripsi Nilai
mlAssist [Diperlukan] Menunjukkan apakah fitur MLAssist diaktifkan. "Dinonaktifkan" (diperlukan)

MLAssistConfigurationEnabled

Nama Deskripsi Nilai
mlAssist [Diperlukan] Menunjukkan apakah fitur MLAssist diaktifkan. "Diaktifkan" (diperlukan)
inferensiComputeBinding [Diperlukan] Pengikatan komputasi AML yang digunakan dalam inferensi. string (diperlukan)

Batasan:
Panjang min = 1
Pola = [a-zA-Z0-9_]
trainingComputeBinding [Diperlukan] Pengikatan komputasi AML yang digunakan dalam pelatihan. string (diperlukan)

Batasan:
Panjang min = 1
Pola = [a-zA-Z0-9_]

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

SparkJob

Nama Deskripsi Nilai
jobType [Diperlukan] Menentukan jenis pekerjaan. "Spark" (diperlukan)
arsip Arsipkan file yang digunakan dalam pekerjaan. string[]
args Argumen untuk pekerjaan tersebut. string
codeId [Diperlukan] ID sumber daya ARM dari aset kode. string (diperlukan)

Batasan:
Panjang min = 1
Pola = [a-zA-Z0-9_]
conf Properti yang dikonfigurasi Spark. SparkJobConf
entry [Diperlukan] Entri yang akan dijalankan pada startup pekerjaan. SparkJobEntry (diperlukan)
environmentId ID sumber daya ARM dari spesifikasi Lingkungan untuk pekerjaan tersebut. string
file File yang digunakan dalam pekerjaan. string[]
input Pemetaan pengikatan data input yang digunakan dalam pekerjaan. SparkJobInputs
jar File jar yang digunakan dalam pekerjaan. string[]
output Pemetaan pengikatan data output yang digunakan dalam pekerjaan. SparkJobOutputs
pyFile File Python yang digunakan dalam pekerjaan. string[]
queueSettings Pengaturan antrean untuk pekerjaan QueueSettings
resources Konfigurasi Sumber Daya Komputasi untuk pekerjaan tersebut. SparkResourceConfiguration

SparkJobConf

Nama Deskripsi Nilai
{properti yang disesuaikan} string

SparkJobEntry

Nama Deskripsi Nilai
sparkJobEntryType Mengatur jenis objek SparkJobPythonEntry
SparkJobScalaEntry (diperlukan)

SparkJobPythonEntry

Nama Deskripsi Nilai
sparkJobEntryType [Diperlukan] Jenis titik masuk pekerjaan. "SparkJobPythonEntry" (diperlukan)
file [Diperlukan] Jalur file python relatif untuk titik entri pekerjaan. string (diperlukan)

Batasan:
Panjang min = 1
Pola = [a-zA-Z0-9_]

SparkJobScalaEntry

Nama Deskripsi Nilai
sparkJobEntryType [Diperlukan] Jenis titik masuk pekerjaan. "SparkJobScalaEntry" (diperlukan)
className [Diperlukan] Nama kelas Scala yang digunakan sebagai titik masuk. string (diperlukan)

Batasan:
Panjang min = 1
Pola = [a-zA-Z0-9_]

SparkJobInputs

Nama Deskripsi Nilai
{properti yang disesuaikan} JobInput

SparkJobOutputs

Nama Deskripsi Nilai
{properti yang disesuaikan} JobOutput

SparkResourceConfiguration

Nama Deskripsi Nilai
instanceType Jenis VM opsional yang digunakan sebagaimana didukung oleh target komputasi. string
runtimeVersion Versi runtime spark yang digunakan untuk pekerjaan tersebut. string

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
queueSettings Pengaturan antrean untuk pekerjaan QueueSettings
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:
Panjang min = 1
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)
basis log Angka positif opsional atau e dalam format string yang akan digunakan sebagai dasar untuk pengambilan sampel acak berbasis log string
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:
Panjang min = 1
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