Aree di lavoro Microsoft.MachineLearningServices/jobs 2022-02-01-preview

• più recenti
• 2024-07-01-preview
• 2024-04-01
• 2024-04-01-preview
• 2024-01-01-preview
• 2023-10-01
• 2023-08-01-preview
• 2023-06-01-preview
• 2023-04-01
• 2023-04-01-preview
• 2023-02-01-preview
• 2022-12-01-preview
• 2022-10-01
• 2022-10-01-preview
• 2022-06-01-preview
• 2022-05-01
• 2022-02-01-preview
• 2021-03-01-preview

Definizione di risorsa Bicep

Il tipo di risorsa aree di lavoro/processi può essere distribuito con operazioni destinate a:

• gruppi di risorse - Vedere i comandi di distribuzione del gruppo di risorse

Per un elenco delle proprietà modificate in ogni versione dell'API, vedere log delle modifiche.

Formato risorsa

Per creare una risorsa Microsoft.MachineLearningServices/workspaces/jobs, aggiungere il bicep seguente al modello.

resource symbolicname 'Microsoft.MachineLearningServices/workspaces/jobs@2022-02-01-preview' = {
  name: 'string'
  parent: resourceSymbolicName
  properties: {
    computeId: 'string'
    description: 'string'
    displayName: 'string'
    experimentName: 'string'
    identity: {
      identityType: 'string'
      // For remaining properties, see IdentityConfiguration objects
    }
    isArchived: bool
    properties: {
      {customized property}: 'string'
    }
    schedule: {
      endTime: 'string'
      scheduleStatus: 'string'
      startTime: 'string'
      timeZone: 'string'
      scheduleType: 'string'
      // For remaining properties, see ScheduleBase objects
    }
    services: {
      {customized property}: {
        endpoint: 'string'
        jobServiceType: 'string'
        port: int
        properties: {
          {customized property}: 'string'
        }
      }
    }
    tags: {}
    jobType: 'string'
    // For remaining properties, see JobBaseDetails objects
  }
}

Oggetti JobBaseDetails

Impostare la proprietà jobType per specificare il tipo di oggetto.

Per AutoML, usare:

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

Per Comando, usare:

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

Per Pipeline, usare:

  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()

Per Sweep, usare:

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

Oggetti IdentityConfiguration

Impostare la proprietà identityType per specificare il tipo di oggetto.

Per AMLToken, usare:

  identityType: 'AMLToken'

Per gestito, usare:

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

Per UserIdentity, usare:

  identityType: 'UserIdentity'

Oggetti ScheduleBase

Impostare la proprietà scheduleType per specificare il tipo di oggetto.

Per Cron, usare:

  scheduleType: 'Cron'
  expression: 'string'

Per ricorrenza, usare:

  scheduleType: 'Recurrence'
  frequency: 'string'
  interval: int
  pattern: {
    hours: [
      int
    ]
    minutes: [
      int
    ]
    weekdays: [
      'string'
    ]
  }

Oggetti JobOutput

Impostare la proprietà jobOutputType per specificare il tipo di oggetto.

Per CustomModel, usare:

  jobOutputType: 'CustomModel'
  mode: 'string'
  uri: 'string'

Per MLFlowModel, usare:

  jobOutputType: 'MLFlowModel'
  mode: 'string'
  uri: 'string'

Per MLTable, usare:

  jobOutputType: 'MLTable'
  mode: 'string'
  uri: 'string'

Per Model, usare:

  jobOutputType: 'TritonModel'
  mode: 'string'
  uri: 'string'

Per UriFile, usare:

  jobOutputType: 'UriFile'
  mode: 'string'
  uri: 'string'

Per UriFolder, usare:

  jobOutputType: 'UriFolder'
  mode: 'string'
  uri: 'string'

Oggetti AutoMLVertical

Impostare la proprietà taskType per specificare il tipo di oggetto.

Per Classificazione, usare:

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

Per Previsione, usare:

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

Per ImageClassification, usare:

  taskType: 'ImageClassification'
  dataSettings: {
    targetColumnName: 'string'
    testData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      testDataSize: int
    }
    trainingData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
    }
    validationData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      validationDataSize: int
    }
  }
  limitSettings: {
    maxConcurrentTrials: int
    maxTrials: int
    timeout: 'string'
  }
  modelSettings: {
    advancedSettings: 'string'
    amsGradient: bool
    augmentations: 'string'
    beta1: int
    beta2: int
    checkpointDatasetId: 'string'
    checkpointFilename: 'string'
    checkpointFrequency: int
    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
    splitRatio: 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'
      splitRatio: '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
    }
    limits: {
      maxConcurrentTrials: int
      maxTrials: int
    }
    samplingAlgorithm: 'string'
  }

Per ImageClassificationMultilabel, usare:

  taskType: 'ImageClassificationMultilabel'
  dataSettings: {
    targetColumnName: 'string'
    testData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      testDataSize: int
    }
    trainingData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
    }
    validationData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      validationDataSize: int
    }
  }
  limitSettings: {
    maxConcurrentTrials: int
    maxTrials: int
    timeout: 'string'
  }
  modelSettings: {
    advancedSettings: 'string'
    amsGradient: bool
    augmentations: 'string'
    beta1: int
    beta2: int
    checkpointDatasetId: 'string'
    checkpointFilename: 'string'
    checkpointFrequency: int
    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
    splitRatio: 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'
      splitRatio: '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
    }
    limits: {
      maxConcurrentTrials: int
      maxTrials: int
    }
    samplingAlgorithm: 'string'
  }

Per ImageInstanceSegmentation, usare:

  taskType: 'ImageInstanceSegmentation'
  dataSettings: {
    targetColumnName: 'string'
    testData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      testDataSize: int
    }
    trainingData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
    }
    validationData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      validationDataSize: int
    }
  }
  limitSettings: {
    maxConcurrentTrials: int
    maxTrials: int
    timeout: 'string'
  }
  modelSettings: {
    advancedSettings: 'string'
    amsGradient: bool
    augmentations: 'string'
    beta1: int
    beta2: int
    boxDetectionsPerImage: int
    boxScoreThreshold: int
    checkpointDatasetId: 'string'
    checkpointFilename: 'string'
    checkpointFrequency: int
    checkpointRunId: 'string'
    distributed: bool
    earlyStopping: bool
    earlyStoppingDelay: int
    earlyStoppingPatience: int
    enableOnnxNormalization: bool
    evaluationFrequency: int
    gradientAccumulationStep: int
    imageSize: int
    layersToFreeze: int
    learningRate: int
    learningRateScheduler: 'string'
    maxSize: int
    minSize: int
    modelName: 'string'
    modelSize: 'string'
    momentum: int
    multiScale: bool
    nesterov: bool
    nmsIouThreshold: int
    numberOfEpochs: int
    numberOfWorkers: int
    optimizer: 'string'
    randomSeed: int
    splitRatio: 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'
      splitRatio: '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
    }
    limits: {
      maxConcurrentTrials: int
      maxTrials: int
    }
    samplingAlgorithm: 'string'
  }

Per ImageObjectDetection, usare:

  taskType: 'ImageObjectDetection'
  dataSettings: {
    targetColumnName: 'string'
    testData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      testDataSize: int
    }
    trainingData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
    }
    validationData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      validationDataSize: int
    }
  }
  limitSettings: {
    maxConcurrentTrials: int
    maxTrials: int
    timeout: 'string'
  }
  modelSettings: {
    advancedSettings: 'string'
    amsGradient: bool
    augmentations: 'string'
    beta1: int
    beta2: int
    boxDetectionsPerImage: int
    boxScoreThreshold: int
    checkpointDatasetId: 'string'
    checkpointFilename: 'string'
    checkpointFrequency: int
    checkpointRunId: 'string'
    distributed: bool
    earlyStopping: bool
    earlyStoppingDelay: int
    earlyStoppingPatience: int
    enableOnnxNormalization: bool
    evaluationFrequency: int
    gradientAccumulationStep: int
    imageSize: int
    layersToFreeze: int
    learningRate: int
    learningRateScheduler: 'string'
    maxSize: int
    minSize: int
    modelName: 'string'
    modelSize: 'string'
    momentum: int
    multiScale: bool
    nesterov: bool
    nmsIouThreshold: int
    numberOfEpochs: int
    numberOfWorkers: int
    optimizer: 'string'
    randomSeed: int
    splitRatio: 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'
      splitRatio: '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
    }
    limits: {
      maxConcurrentTrials: int
      maxTrials: int
    }
    samplingAlgorithm: 'string'
  }

Per regressione, usare:

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

Per TextClassification, usare:

  taskType: 'TextClassification'
  dataSettings: {
    targetColumnName: 'string'
    testData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      testDataSize: int
    }
    trainingData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
    }
    validationData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      validationDataSize: int
    }
  }
  featurizationSettings: {
    datasetLanguage: 'string'
  }
  limitSettings: {
    maxConcurrentTrials: int
    maxTrials: int
    timeout: 'string'
  }
  primaryMetric: 'string'

Per TextClassificationMultilabel, usare:

  taskType: 'TextClassificationMultilabel'
  dataSettings: {
    targetColumnName: 'string'
    testData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      testDataSize: int
    }
    trainingData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
    }
    validationData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      validationDataSize: int
    }
  }
  featurizationSettings: {
    datasetLanguage: 'string'
  }
  limitSettings: {
    maxConcurrentTrials: int
    maxTrials: int
    timeout: 'string'
  }

Per TextNER, usare:

  taskType: 'TextNER'
  dataSettings: {
    targetColumnName: 'string'
    testData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      testDataSize: int
    }
    trainingData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
    }
    validationData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      validationDataSize: int
    }
  }
  featurizationSettings: {
    datasetLanguage: 'string'
  }
  limitSettings: {
    maxConcurrentTrials: int
    maxTrials: int
    timeout: 'string'
  }

Oggetti NCrossValidations

Impostare la proprietà modalità per specificare il tipo di oggetto.

Per automatico, usare:

  mode: 'Auto'

Per personalizzato, usare:

  mode: 'Custom'
  value: int

Oggetti ForecastHorizon

Impostare la proprietà modalità per specificare il tipo di oggetto.

Per automatico, usare:

  mode: 'Auto'

Per personalizzato, usare:

  mode: 'Custom'
  value: int

Oggetti stagionalità

Impostare la proprietà modalità per specificare il tipo di oggetto.

Per automatico, usare:

  mode: 'Auto'

Per personalizzato, usare:

  mode: 'Custom'
  value: int

Oggetti TargetLags

Impostare la proprietà modalità per specificare il tipo di oggetto.

Per automatico, usare:

  mode: 'Auto'

Per personalizzato, usare:

  mode: 'Custom'
  values: [
    int
  ]

Oggetti TargetRollingWindowSize

Impostare la proprietà modalità per specificare il tipo di oggetto.

Per automatico, usare:

  mode: 'Auto'

Per personalizzato, usare:

  mode: 'Custom'
  value: int

Oggetti EarlyTerminationPolicy

Impostare la proprietà policyType per specificare il tipo di oggetto.

Per Bandit, usare:

  policyType: 'Bandit'
  slackAmount: int
  slackFactor: int

Per MedianStopping, usare:

  policyType: 'MedianStopping'

Per TruncationSelection, usare:

  policyType: 'TruncationSelection'
  truncationPercentage: int

Oggetti DistributionConfiguration

Impostare la proprietà distributionType per specificare il tipo di oggetto.

Per Mpi, usare:

  distributionType: 'Mpi'
  processCountPerInstance: int

Per PyTorch, usare:

  distributionType: 'PyTorch'
  processCountPerInstance: int

Per TensorFlow, usare:

  distributionType: 'TensorFlow'
  parameterServerCount: int
  workerCount: int

Oggetti JobInput

Impostare la proprietà jobInputType per specificare il tipo di oggetto.

Per CustomModel, usare:

  jobInputType: 'CustomModel'
  mode: 'string'
  uri: 'string'

Per valore letterale, usare:

  jobInputType: 'Literal'
  value: 'string'

Per MLFlowModel, usare:

  jobInputType: 'MLFlowModel'
  mode: 'string'
  uri: 'string'

Per MLTable, usare:

  jobInputType: 'MLTable'
  mode: 'string'
  uri: 'string'

Per Model, usare:

  jobInputType: 'TritonModel'
  mode: 'string'
  uri: 'string'

Per UriFile, usare:

  jobInputType: 'UriFile'
  mode: 'string'
  uri: 'string'

Per UriFolder, usare:

  jobInputType: 'UriFolder'
  mode: 'string'
  uri: 'string'

Oggetti SamplingAlgorithm

Impostare la proprietà samplingAlgorithmType per specificare il tipo di oggetto.

Per bayesian, usare:

  samplingAlgorithmType: 'Bayesian'

Per Grid, usare:

  samplingAlgorithmType: 'Grid'

Per casuale, usare:

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

Valori delle proprietà

aree di lavoro/processi

Nome	Descrizione	Valore
nome	Nome della risorsa Vedere come impostare nomi e tipi per le risorse figlio in Bicep.	stringa (obbligatorio)
genitore	In Bicep è possibile specificare la risorsa padre per una risorsa figlio. È necessario aggiungere questa proprietà solo quando la risorsa figlio viene dichiarata all'esterno della risorsa padre. Per altre informazioni, vedere risorsa figlio all'esterno della risorsa padre.	Nome simbolico per la risorsa di tipo: aree di lavoro
proprietà	[Obbligatorio] Attributi aggiuntivi dell'entità.	JobBaseDetails (obbligatorio)

JobBaseDetails

Nome	Descrizione	Valore
computeId	ID risorsa ARM della risorsa di calcolo.	corda
descrizione	Testo della descrizione dell'asset.	corda
displayName	Nome visualizzato del processo.	corda
experimentName	Nome dell'esperimento a cui appartiene il processo. Se non è impostato, il processo viene inserito nell'esperimento "Default".	corda
identità	Configurazione dell'identità. Se impostato, deve essere uno di AmlToken, ManagedIdentity, UserIdentity o Null. L'impostazione predefinita è AmlToken se null.	IdentityConfiguration
isArchived	L'asset è archiviato?	Bool
proprietà	Dizionario delle proprietà dell'asset.	ResourceBaseProperties
Programma	Definizione di pianificazione del processo. Se non viene specificata alcuna pianificazione, il processo viene eseguito una volta e immediatamente dopo l'invio.	ScheduleBase
servizi	Elenco di JobEndpoints. Per i processi locali, un endpoint di processo avrà un valore endpoint di FileStreamObject.	JobBaseServices
Tag	Dizionario tag. I tag possono essere aggiunti, rimossi e aggiornati.	oggetto
jobType	Impostare il tipo di oggetto	AutoML comando pipeline sweep (obbligatorio)

IdentityConfiguration

Nome	Descrizione	Valore
identityType	Impostare il tipo di oggetto	AMLToken gestito UserIdentity (obbligatorio)

AmlToken

Nome	Descrizione	Valore
identityType	[Obbligatorio] Specifica il tipo di framework di gestione delle identità.	'AMLToken' (obbligatorio)

ManagedIdentity

Nome	Descrizione	Valore
identityType	[Obbligatorio] Specifica il tipo di framework di gestione delle identità.	'Managed' (obbligatorio)
clientId	Specifica un'identità assegnata dall'utente in base all'ID client. Per l'assegnazione del sistema, non impostare questo campo.	corda Vincoli: Lunghezza minima = 36 Lunghezza massima = 36 Pattern = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
objectId	Specifica un'identità assegnata dall'utente in base all'ID oggetto. Per l'assegnazione del sistema, non impostare questo campo.	corda Vincoli: Lunghezza minima = 36 Lunghezza massima = 36 Pattern = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
resourceId	Specifica un'identità assegnata dall'utente in base all'ID risorsa arm. Per l'assegnazione del sistema, non impostare questo campo.	corda

UserIdentity

Nome	Descrizione	Valore
identityType	[Obbligatorio] Specifica il tipo di framework di gestione delle identità.	'UserIdentity' (obbligatorio)

ResourceBaseProperties

Nome	Descrizione	Valore
{proprietà personalizzata}		corda

ScheduleBase

Nome	Descrizione	Valore
endTime	Specifica l'ora di fine della pianificazione nel formato ISO 8601. Se non è presente, la pianificazione verrà eseguita per un periodo illimitato	corda
scheduleStatus	Specifica lo stato della pianificazione	'Disabilitato' 'Enabled'
startTime	Specifica l'ora di inizio della pianificazione in formato ISO 8601.	corda
timeZone	Specifica il fuso orario in cui viene eseguita la pianificazione. TimeZone deve seguire il formato del fuso orario di Windows.	corda
scheduleType	Impostare il tipo di oggetto	Cron ricorrenza (obbligatorio)

CronSchedule

Nome	Descrizione	Valore
scheduleType	[Obbligatorio] Specifica il tipo di pianificazione	'Cron' (obbligatorio)
espressione	[Obbligatorio] Specifica l'espressione cron della pianificazione. L'espressione deve seguire il formato NCronTab.	stringa (obbligatorio) Vincoli: Pattern = [a-zA-Z0-9_]

RecurrenceSchedule

Nome	Descrizione	Valore
scheduleType	[Obbligatorio] Specifica il tipo di pianificazione	'Recurrence' (obbligatorio)
frequenza	[Obbligatorio] Specifica la frequenza con cui attivare la pianificazione	'Day' 'Hour' 'Minute' 'Month' 'Week' (obbligatorio)
intervallo	[Obbligatorio] Specifica l'intervallo di pianificazione in combinazione con la frequenza	int (obbligatorio)
modello	Specifica il modello di pianificazione delle ricorrenze	RecurrencePattern

RecurrencePattern

Nome	Descrizione	Valore
orario	[Obbligatorio] Elenco di ore per il modello di pianificazione ricorrenza	int[] (obbligatorio)
verbale	[Obbligatorio] Elenco di minuti per il modello di pianificazione della ricorrenza	int[] (obbligatorio)
giorni feriali	Elenco dei giorni feriali per il modello di pianificazione ricorrenza	Matrice di stringhe contenente uno dei seguenti elementi: 'Friday' 'Monday' 'Saturday' 'Domenica' 'Giovedì' 'Martedì' 'Mercoledì'

JobBaseServices

Nome	Descrizione	Valore
{proprietà personalizzata}		JobService

JobService

Nome	Descrizione	Valore
Endpoint	URL per l'endpoint.	corda
jobServiceType	Tipo di endpoint.	corda
porto	Porta per l'endpoint.	Int
proprietà	Proprietà aggiuntive da impostare nell'endpoint.	JobServiceProperties

JobServiceProperties

Nome	Descrizione	Valore
{proprietà personalizzata}		corda

AutoMLJob

Nome	Descrizione	Valore
jobType	[Obbligatorio] Specifica il tipo di processo.	'AutoML' (obbligatorio)
environmentId	ID risorsa ARM della specifica Ambiente per il processo. Questo è un valore facoltativo da specificare, se non specificato, l'impostazione predefinita di AutoML è la versione dell'ambiente curato per la produzione durante l'esecuzione del processo.	corda
environmentVariables	Variabili di ambiente incluse nel processo.	AutoMLJobEnvironmentVariables
Uscite	Mapping dei data binding di output usati nel processo.	AutoMLJobOutputs
risorse	Configurazione delle risorse di calcolo per il processo.	ResourceConfiguration
taskDetails	[Obbligatorio] Questo scenario rappresenta uno scenario che può essere una delle tabelle/NLP/Image	AutomaticoMLVertical (obbligatorio)

AutoMLJobEnvironmentVariables

Nome	Descrizione	Valore
{proprietà personalizzata}		corda

AutoMLJobOutputs

Nome	Descrizione	Valore
{proprietà personalizzata}		JobOutput

JobOutput

Nome	Descrizione	Valore
descrizione	Descrizione per l'output.	corda
jobOutputType	Impostare il tipo di oggetto	CustomModel MLFlowModel MLTable UriFile UriFolder (obbligatorio)

CustomModelJobOutput

Nome	Descrizione	Valore
jobOutputType	[Obbligatorio] Specifica il tipo di processo.	'CustomModel' (obbligatorio)
modo	Modalità di distribuzione degli asset di output.	'ReadWriteMount' 'Carica'
Uri	URI dell'asset di output.	corda

MLFlowModelJobOutput

Nome	Descrizione	Valore
jobOutputType	[Obbligatorio] Specifica il tipo di processo.	'MLFlowModel' (obbligatorio)
modo	Modalità di distribuzione degli asset di output.	'ReadWriteMount' 'Carica'
Uri	URI dell'asset di output.	corda

MLTableJobOutput

Nome	Descrizione	Valore
jobOutputType	[Obbligatorio] Specifica il tipo di processo.	'MLTable' (obbligatorio)
modo	Modalità di distribuzione degli asset di output.	'ReadWriteMount' 'Carica'
Uri	URI dell'asset di output.	corda

ModelModelJobOutput

Nome	Descrizione	Valore
jobOutputType	[Obbligatorio] Specifica il tipo di processo.	'Model' (obbligatorio)
modo	Modalità di distribuzione degli asset di output.	'ReadWriteMount' 'Carica'
Uri	URI dell'asset di output.	corda

UriFileJobOutput

Nome	Descrizione	Valore
jobOutputType	[Obbligatorio] Specifica il tipo di processo.	'UriFile' (obbligatorio)
modo	Modalità di distribuzione degli asset di output.	'ReadWriteMount' 'Carica'
Uri	URI dell'asset di output.	corda

UriFolderJobOutput

Nome	Descrizione	Valore
jobOutputType	[Obbligatorio] Specifica il tipo di processo.	'UriFolder' (obbligatorio)
modo	Modalità di distribuzione degli asset di output.	'ReadWriteMount' 'Carica'
Uri	URI dell'asset di output.	corda

ResourceConfiguration

Nome	Descrizione	Valore
instanceCount	Numero facoltativo di istanze o nodi usati dalla destinazione di calcolo.	Int
instanceType	Tipo facoltativo di macchina virtuale usato come supportato dalla destinazione di calcolo.	corda
proprietà	Contenitore di proprietà aggiuntive.	ResourceConfigurationProperties

ResourceConfigurationProperties

Nome	Descrizione	Valore
{proprietà personalizzata}		Per Bicep, è possibile usare la funzione any() .

AutoMLVertical

Nome	Descrizione	Valore
logVerbosity	Registrare il livello di dettaglio per il processo.	'Critico' 'Debug' 'Error' 'Info' 'NotSet' 'Avviso'
taskType	Impostare il tipo di oggetto	classificazione previsione ImageClassification ImageClassificationMultilabel ImageInstanceSegmentation imageObjectDetection regressione TextClassification TextClassificationMultilabel TextNER (obbligatorio)

Classificazione

Nome	Descrizione	Valore
taskType	[Obbligatorio] Tipo di attività per AutoMLJob.	'Classification' (obbligatorio)
allowedModels	Modelli consentiti per l'attività di classificazione.	Matrice di stringhe contenente uno dei seguenti elementi: 'BernoulliNaiveBayes' 'DecisionTree' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LightGBM' 'LinearSVM' 'LogisticRegression' 'MultinomialNaiveBayes' 'RandomForest' 'SGD' 'SVM' 'XGBoostClassifier'
blockedModels	Modelli bloccati per l'attività di classificazione.	Matrice di stringhe contenente uno dei seguenti elementi: 'BernoulliNaiveBayes' 'DecisionTree' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LightGBM' 'LinearSVM' 'LogisticRegression' 'MultinomialNaiveBayes' 'RandomForest' 'SGD' 'SVM' 'XGBoostClassifier'
dataSettings	Input di dati per AutoMLJob.	TableVerticalDataSettings
featurizationSettings	Input di definizione delle caratteristiche necessari per il processo AutoML.	TableVerticalFeaturizationSettings
limitSettings	Vincoli di esecuzione per AutoMLJob.	TableVerticalLimitSettings
primaryMetric	Metrica primaria per l'attività.	'AUCWeighted' 'Accuratezza' 'AveragePrecisionScoreWeighted' 'NormMacroRecall' 'PrecisionScoreWeighted'
trainingSettings	Input per la fase di training per un processo AutoML.	TrainingSettings

TableVerticalDataSettings

Nome	Descrizione	Valore
targetColumnName	[Obbligatorio] Nome colonna di destinazione: colonna dei valori di stima. Noto anche come nome di colonna etichetta nel contesto delle attività di classificazione.	stringa (obbligatorio) Vincoli: Pattern = [a-zA-Z0-9_]
testData	Testare l'input dei dati.	testDataSettings
trainingData	[Obbligatorio] Input dei dati di training.	TrainingDataSettings (obbligatorio)
validationData	Input dei dati di convalida.	TableVerticalValidationDataSettings
weightColumnName	Nome della colonna peso campione. Machine Learning automatizzato supporta una colonna ponderata come input, causando il peso delle righe nei dati verso l'alto o verso il basso.	corda

TestDataSettings

Nome	Descrizione	Valore
dati	Eseguire il test di MLTable dei dati.	MLTableJobInput
testDataSize	Frazione del set di dati di test da riservare a scopo di convalida. Valori compresi tra (0,0 , 1,0) Applicato quando non viene fornito il set di dati di convalida.	Int

MLTableJobInput

Nome	Descrizione	Valore
descrizione	Descrizione per l'input.	corda
jobInputType	[Obbligatorio] Specifica il tipo di processo.	'CustomModel' 'Literal' 'MLFlowModel' 'MLTable' 'Model' 'UriFile' 'UriFolder' (obbligatorio)
modo	Modalità di distribuzione degli asset di input.	'Direct' 'Download' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
Uri	[Obbligatorio] URI dell'asset di input.	stringa (obbligatorio) Vincoli: Pattern = [a-zA-Z0-9_]

TrainingDataSettings

Nome	Descrizione	Valore
dati	[Obbligatorio] Training dei dati MLTable.	MLTableJobInput (obbligatorio)

TableVerticalValidationDataSettings

Nome	Descrizione	Valore
cvSplitColumnNames	Colonne da utilizzare per i dati CVSplit.	string[]
dati	MlTable dei dati di convalida.	MLTableJobInput
nCrossValidations	Numero di riduzioni di convalida incrociata da applicare al set di dati di training quando il set di dati di convalida non viene fornito.	NCrossValidations
validationDataSize	Frazione del set di dati di training da riservare a scopo di convalida. Valori compresi tra (0,0 , 1,0) Applicato quando non viene fornito il set di dati di convalida.	Int

NCrossValidations

Nome	Descrizione	Valore
modo	Impostare il tipo di oggetto	automatico personalizzato (obbligatorio)

AutoNCrossValidations

Nome	Descrizione	Valore
modo	[Obbligatorio] Modalità per determinare le convalide tra N.	'Auto' (obbligatorio)

CustomNCrossValidations

Nome	Descrizione	Valore
modo	[Obbligatorio] Modalità per determinare le convalide tra N.	'Custom' (obbligatorio)
valore	[Obbligatorio] Valore delle convalide incrociate N.	int (obbligatorio)

TableVerticalFeaturizationSettings

Nome	Descrizione	Valore
blockedTransformers	Questi trasformatori non devono essere utilizzati nella definizione delle caratteristiche.	string[]
columnNameAndTypes	Dizionario del nome della colonna e del relativo tipo (int, float, string, datetime e così via).	tableVerticalFeaturizationSettingsColumnNameAndTypes
datasetLanguage	Lingua del set di dati, utile per i dati di testo.	corda
dropColumns	Colonne da eliminare dai dati durante la definizione delle caratteristiche.	string[]
enableDnnFeaturization	Determina se utilizzare gli strumenti di funzionalità basati su Dnn per la definizione delle caratteristiche dei dati.	Bool
modo	Modalità di definizione delle caratteristiche: l'utente può mantenere la modalità predefinita "Auto" e AutoML si occuperà della trasformazione necessaria dei dati nella fase di definizione delle caratteristiche. Se l'opzione 'Off' è selezionata, non viene eseguita alcuna definizione di funzionalità. Se l'opzione 'Custom' è selezionata, l'utente può specificare input aggiuntivi per personalizzare la modalità di definizione delle caratteristiche.	'Auto' 'Custom' 'Off'
transformerParams	L'utente può specificare trasformatori aggiuntivi da utilizzare insieme alle colonne a cui verrebbe applicato e parametri per il costruttore del trasformatore.	TableVerticalFeaturizationSettingsTransformerParams

TableVerticalFeaturizationSettingsColumnNameAndTypes

Nome	Descrizione	Valore
{proprietà personalizzata}		corda

TableVerticalFeaturizationSettingsTransformerParams

Nome	Descrizione	Valore
{proprietà personalizzata}		ColumnTransformer []

ColumnTransformer

Nome	Descrizione	Valore
Campi	Campi su cui applicare la logica del trasformatore.	string[]
Parametri	Proprietà diverse da passare al trasformatore. L'input previsto è un dizionario di coppie chiave,valore in formato JSON.	Per Bicep, è possibile usare la funzione any() .

TableVerticalLimitSettings

Nome	Descrizione	Valore
enableEarlyTermination	Abilitare la terminazione anticipata, determina se AutoMLJob terminerà in anticipo se negli ultimi 20 iterazioni non è presente alcun miglioramento del punteggio.	Bool
exitScore	Punteggio di uscita per il processo AutoML.	Int
maxConcurrentTrials	Numero massimo di iterazioni simultanee.	Int
maxCoresPerTrial	Numero massimo di core per iterazione.	Int
maxTrials	Numero di iterazioni.	Int
Timeout	Timeout del processo AutoML.	corda
trialTimeout	Timeout di iterazione.	corda

TrainingSettings

Nome	Descrizione	Valore
enableDnnTraining	Abilitare la raccomandazione dei modelli DNN.	Bool
enableModelExplainability	Flag per attivare la spiegazione sul modello migliore.	Bool
enableOnnxCompatibleModels	Flag per l'abilitazione di modelli compatibili con onnx.	Bool
enableStackEnsemble	Abilitare l'esecuzione dell'insieme dello stack.	Bool
enableVoteEnsemble	Abilitare l'esecuzione dell'ensemble di voto.	Bool
ensembleModelDownloadTimeout	Durante la generazione di modelli VotingEnsemble e StackEnsemble, vengono scaricati più modelli montati dalle esecuzioni figlio precedenti. Configurare questo parametro con un valore superiore a 300 sec, se è necessario più tempo.	corda
stackEnsembleSettings	Impostazioni dell'insieme di stack per l'esecuzione dell'insieme di stack.	StackEnsembleSettings

StackEnsembleSettings

Nome	Descrizione	Valore
stackMetaLearnerKWargs	Parametri facoltativi da passare all'inizializzatore del meta-learner.	Per Bicep, è possibile usare la funzione any() .
stackMetaLearnerTrainPercentage	Specifica la proporzione del set di training (quando si sceglie il tipo di training e di convalida) da riservare per il training del meta-apprendimento. Il valore predefinito è 0,2.	Int
stackMetaLearnerType	Il meta-learner è un modello sottoposto a training sull'output dei singoli modelli eterogenei.	'ElasticNet' 'ElasticNetCV' 'LightGBMClassifier' 'LightGBMRegressor' 'LinearRegression' 'LogisticRegression' 'LogisticRegressionCV' 'Nessuno'

Previsione

Nome	Descrizione	Valore
taskType	[Obbligatorio] Tipo di attività per AutoMLJob.	'Forecasting' (obbligatorio)
allowedModels	Modelli consentiti per l'attività di previsione.	Matrice di stringhe contenente uno dei seguenti elementi: 'Arimax' 'AutoArima' 'Average' 'DecisionTree' 'ElasticNet' 'ExponentialSmoothing' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'Naive' 'Profeta' 'RandomForest' 'SGD' 'SeasonalAverage' 'SeasonalNaive' 'TCNForecaster' 'XGBoostRegressor'
blockedModels	Modelli bloccati per l'attività di previsione.	Matrice di stringhe contenente uno dei seguenti elementi: 'Arimax' 'AutoArima' 'Average' 'DecisionTree' 'ElasticNet' 'ExponentialSmoothing' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'Naive' 'Profeta' 'RandomForest' 'SGD' 'SeasonalAverage' 'SeasonalNaive' 'TCNForecaster' 'XGBoostRegressor'
dataSettings	Input di dati per AutoMLJob.	TableVerticalDataSettings
featurizationSettings	Input di definizione delle caratteristiche necessari per il processo AutoML.	TableVerticalFeaturizationSettings
forecastingSettings	Previsione di input specifici dell'attività.	ForecastingSettings
limitSettings	Vincoli di esecuzione per AutoMLJob.	TableVerticalLimitSettings
primaryMetric	Metrica primaria per l'attività di previsione.	'NormalizedMeanAbsoluteError' 'NormalizedRootMeanSquaredError' 'R2Score' 'SpearmanCorrelation'
trainingSettings	Input per la fase di training per un processo AutoML.	TrainingSettings

ForecastingSettings

Nome	Descrizione	Valore
countryOrRegionForHolidays	Paese o area geografica per le vacanze per le attività di previsione. Devono essere codici PAESE/area geografica ISO 3166, ad esempio 'US' o 'GB'.	corda
cvStepSize	Numero di periodi tra l'ora di origine di una piega cv e la piega successiva. Per ad esempio, se CVStepSize = 3 per i dati giornalieri, l'ora di origine per ogni piega sarà tre giorni a parte.	Int
featureLags	Flag per la generazione di ritardi per le funzionalità numeriche con 'auto' o Null.	'Auto' 'Nessuno'
forecastHorizon	L'orizzonte di previsione massimo desiderato in unità di frequenza delle serie temporali.	ForecastHorizon
frequenza	Durante la previsione, questo parametro rappresenta il periodo con cui si desidera eseguire la previsione, ad esempio giornaliera, settimanale, annuale e così via. La frequenza di previsione è la frequenza del set di dati per impostazione predefinita.	corda
stagionalità	Impostare la stagionalità delle serie temporali come numero intero multiplo della frequenza della serie. Se la stagionalità è impostata su "auto", verrà dedotta.	stagionalità
shortSeriesHandlingConfig	Parametro che definisce come se AutoML deve gestire serie temporali brevi.	'Auto' 'Drop' 'Nessuno' 'Pad'
targetAggregateFunction	Funzione da utilizzare per aggregare la colonna di destinazione della serie temporale in modo che sia conforme a una frequenza specificata dall'utente. Se targetAggregateFunction è impostato, ad esempio non 'None', ma il parametro freq non è impostato, viene generato l'errore. Le possibili funzioni di aggregazione di destinazione sono: "sum", "max", "min" e "mean".	'Max' 'Mean' 'Min' 'Nessuno' 'Sum'
targetLags	Numero di periodi passati di ritardo dalla colonna di destinazione.	TargetLags
targetRollingWindowSize	Numero di periodi passati utilizzati per creare una media della finestra mobile della colonna di destinazione.	TargetRollingWindowSize
timeColumnName	Nome della colonna temporale. Questo parametro è obbligatorio quando si prevede di specificare la colonna datetime nei dati di input usati per compilare la serie temporale e dedurre la relativa frequenza.	corda
timeSeriesIdColumnNames	Nomi delle colonne utilizzate per raggruppare un timeeries. Può essere usato per creare più serie. Se la granularità non è definita, si presuppone che il set di dati sia una serie temporale. Questo parametro viene usato con la previsione del tipo di attività.	string[]
useStl	Configurare la sCOMposizione STL della colonna di destinazione della serie temporale.	'Nessuno' 'Season' 'SeasonTrend'

ForecastHorizon

Nome	Descrizione	Valore
modo	Impostare il tipo di oggetto	automatico personalizzato (obbligatorio)

AutoForecastHorizon

Nome	Descrizione	Valore
modo	[Obbligatorio] Impostare la modalità di selezione del valore dell'orizzonte di previsione.	'Auto' (obbligatorio)

CustomForecastHorizon

Nome	Descrizione	Valore
modo	[Obbligatorio] Impostare la modalità di selezione del valore dell'orizzonte di previsione.	'Custom' (obbligatorio)
valore	[Obbligatorio] Valore dell'orizzonte di previsione.	int (obbligatorio)

Stagionalità

Nome	Descrizione	Valore
modo	Impostare il tipo di oggetto	automatico personalizzato (obbligatorio)

AutoSeasonality

Nome	Descrizione	Valore
modo	[Obbligatorio] Modalità stagionalità.	'Auto' (obbligatorio)

CustomSeasonality

Nome	Descrizione	Valore
modo	[Obbligatorio] Modalità stagionalità.	'Custom' (obbligatorio)
valore	[Obbligatorio] Valore stagionalità.	int (obbligatorio)

TargetLags

Nome	Descrizione	Valore
modo	Impostare il tipo di oggetto	automatico personalizzato (obbligatorio)

AutoTargetLags

Nome	Descrizione	Valore
modo	[Obbligatorio] Impostare la modalità di ritardo di destinazione - Auto/Personalizzato	'Auto' (obbligatorio)

CustomTargetLags

Nome	Descrizione	Valore
modo	[Obbligatorio] Impostare la modalità di ritardo di destinazione - Auto/Personalizzato	'Custom' (obbligatorio)
valori	[Obbligatorio] Impostare i valori di ritardo di destinazione.	int[] (obbligatorio)

TargetRollingWindowSize

Nome	Descrizione	Valore
modo	Impostare il tipo di oggetto	automatico personalizzato (obbligatorio)

AutoTargetRollingWindowSize

Nome	Descrizione	Valore
modo	[Obbligatorio] Modalità di rilevamento TargetRollingWindowSiz.	'Auto' (obbligatorio)

CustomTargetRollingWindowSize

Nome	Descrizione	Valore
modo	[Obbligatorio] Modalità di rilevamento TargetRollingWindowSiz.	'Custom' (obbligatorio)
valore	[Obbligatorio] Valore TargetRollingWindowSize.	int (obbligatorio)

ImageClassification

Nome	Descrizione	Valore
taskType	[Obbligatorio] Tipo di attività per AutoMLJob.	'ImageClassification' (obbligatorio)
dataSettings	[Obbligatorio] Raccolta di ID set di dati tabulari registrati e altre impostazioni di dati necessarie per il training e la convalida dei modelli.	ImageVerticalDataSettings (obbligatorio)
limitSettings	[Obbligatorio] Limitare le impostazioni per il processo AutoML.	ImageLimitSettings (obbligatorio)
modelSettings	Impostazioni usate per il training del modello.	ImageModelSettingsClassification
primaryMetric	Metrica primaria da ottimizzare per questa attività.	'AUCWeighted' 'Accuratezza' 'AveragePrecisionScoreWeighted' 'NormMacroRecall' 'PrecisionScoreWeighted'
searchSpace	Cercare spazio per il campionamento di diverse combinazioni di modelli e dei relativi iperparametri.	ImageModelDistributionSettingsClassification[]
sweepSettings	Sweep del modello e sweep degli iperparametri per le impostazioni correlate.	ImageSweepSettings

ImageVerticalDataSettings

Nome	Descrizione	Valore
targetColumnName	[Obbligatorio] Nome colonna di destinazione: colonna dei valori di stima. Noto anche come nome di colonna etichetta nel contesto delle attività di classificazione.	stringa (obbligatorio) Vincoli: Pattern = [a-zA-Z0-9_]
testData	Testare l'input dei dati.	testDataSettings
trainingData	[Obbligatorio] Input dei dati di training.	TrainingDataSettings (obbligatorio)
validationData	Impostazioni per il set di dati di convalida.	imageVerticalValidationDataSettings

ImageVerticalValidationDataSettings

Nome	Descrizione	Valore
dati	MlTable dei dati di convalida.	MLTableJobInput
validationDataSize	Frazione del set di dati di training da riservare a scopo di convalida. Valori compresi tra (0,0 , 1,0) Applicato quando non viene fornito il set di dati di convalida.	Int

ImageLimitSettings

Nome	Descrizione	Valore
maxConcurrentTrials	Numero massimo di iterazioni AutoML simultanee.	Int
maxTrials	Numero massimo di iterazioni AutoML.	Int
Timeout	Timeout del processo AutoML.	corda

ImageModelSettingsClassification

Nome	Descrizione	Valore
advancedSettings	Impostazioni per scenari avanzati.	corda
amsGradient	Abilitare AMSGrad quando Optimizer è 'adam' o 'adamw'.	Bool
incrementi	Impostazioni per l'uso di Augmentations.	corda
beta1	Valore di 'beta1' quando optimizer è 'adam' o 'adamw'. Deve essere un valore float nell'intervallo [0, 1].	Int
beta2	Valore di 'beta2' quando optimizer è 'adam' o 'adamw'. Deve essere un valore float nell'intervallo [0, 1].	Int
checkpointDatasetId	ID FileDataset per i checkpoint con training preliminare per il training incrementale. Assicurarsi di passare CheckpointFilename insieme a CheckpointDatasetId.	corda
checkpointFilename	Nome file del checkpoint con training preliminare in FileDataset per il training incrementale. Assicurarsi di passare CheckpointDatasetId insieme a CheckpointFilename.	corda
checkpointFrequency	Frequenza per archiviare i checkpoint del modello. Deve essere un numero intero positivo.	Int
checkpointRunId	ID di un'esecuzione precedente con un checkpoint con training preliminare per il training incrementale.	corda
distribuito	Indica se usare il training distribuito.	Bool
earlyStopping	Abilitare la logica di arresto anticipato durante il training.	Bool
earlyStoppingDelay	Numero minimo di periodi o valutazioni di convalida da attendere prima del miglioramento della metrica primaria viene monitorato per l'arresto anticipato. Deve essere un numero intero positivo.	Int
earlyStoppingPatience	Numero minimo di periodi o valutazioni di convalida senza miglioramenti delle metriche primarie prima l'esecuzione viene arrestata. Deve essere un numero intero positivo.	Int
enableOnnxNormalization	Abilitare la normalizzazione durante l'esportazione del modello ONNX.	Bool
evaluationFrequency	Frequenza per valutare il set di dati di convalida per ottenere i punteggi delle metriche. Deve essere un numero intero positivo.	Int
gradientAccumulationStep	L'accumulo di sfumature significa eseguire un numero configurato di passaggi "GradAccumulationStep" senza aggiornamento dei pesi del modello durante l'accumulo delle sfumature di tali passaggi e quindi uso gradienti accumulati per calcolare gli aggiornamenti del peso. Deve essere un numero intero positivo.	Int
layersToFreeze	Numero di livelli da bloccare per il modello. Deve essere un numero intero positivo. Ad esempio, passando 2 come valore per "seresnext" significa livello di congelamento0 e layer1. Per un elenco completo dei modelli supportati e i dettagli sul blocco del livello, vedere see: /azure/machine-learning/how-to-auto-train-image-models.	Int
learningRate	Frequenza di apprendimento iniziale. Deve essere un valore float nell'intervallo [0, 1].	Int
learningRateScheduler	Tipo di utilità di pianificazione della frequenza di apprendimento. Deve essere "warmup_cosine" o "passaggio".	'Nessuno' 'Step' 'WarmupCosine'
modelName	Nome del modello da usare per il training. Per altre informazioni sui modelli disponibili, vedere la documentazione ufficiale: /azure/machine-learning/how-to-auto-train-image-models.	corda
slancio	Valore di momentum quando optimizer è 'sgd'. Deve essere un valore float nell'intervallo [0, 1].	Int
nesterov	Abilitare nesterov quando optimizer è "sgd".	Bool
numberOfEpochs	Numero di periodi di training. Deve essere un numero intero positivo.	Int
numberOfWorkers	Numero di ruoli di lavoro del caricatore di dati. Deve essere un numero intero non negativo.	Int
ottimizzatore	Tipo di ottimizzatore.	'Adam' 'Adamw' 'Nessuno' 'Sgd'
randomSeed	Valore di inizializzazione casuale da usare quando si usa il training deterministico.	Int
splitRatio	Se i dati di convalida non sono definiti, specifica il rapporto di divisione per la suddivisione eseguire il training dei dati in subset di training e convalida casuali. Deve essere un valore float nell'intervallo [0, 1].	Int
stepLRGamma	Il valore gamma quando l'utilità di pianificazione della frequenza di apprendimento è 'step'. Deve essere un valore float nell'intervallo [0, 1].	Int
stepLRStepSize	Valore delle dimensioni del passaggio quando l'utilità di pianificazione della frequenza di apprendimento è "passaggio". Deve essere un numero intero positivo.	Int
trainingBatchSize	Dimensioni batch di training. Deve essere un numero intero positivo.	Int
trainingCropSize	Dimensioni di ritaglio delle immagini che vengono immesse nella rete neurale per il set di dati di training. Deve essere un numero intero positivo.	Int
validationBatchSize	Dimensioni batch di convalida. Deve essere un numero intero positivo.	Int
validationCropSize	Dimensione ritaglio immagine che viene immessa nella rete neurale per il set di dati di convalida. Deve essere un numero intero positivo.	Int
validationResizeSize	Dimensioni dell'immagine in cui ridimensionare prima del ritaglio per il set di dati di convalida. Deve essere un numero intero positivo.	Int
warmupCosineLRCycles	Il valore del ciclo coseno quando l'utilità di pianificazione della frequenza di apprendimento è "warmup_cosine". Deve essere un valore float nell'intervallo [0, 1].	Int
warmupCosineLRWarmupEpochs	Il valore dei periodi di riscaldamento quando l'utilità di pianificazione della frequenza di apprendimento è "warmup_cosine". Deve essere un numero intero positivo.	Int
weightDecay	Valore del decadimento del peso quando optimizer è 'sgd', 'adam' o 'adamw'. Deve essere un valore float nell'intervallo[0, 1].	Int
weightedLoss	Perdita ponderata. I valori accettati sono 0 per nessuna perdita ponderata. 1 per perdita ponderata con sqrt. (class_weights). 2 per perdita ponderata con class_weights. Deve essere 0 o 1 o 2.	Int

ImageModelDistributionSettingsClassification

Nome	Descrizione	Valore
amsGradient	Abilitare AMSGrad quando Optimizer è 'adam' o 'adamw'.	corda
incrementi	Impostazioni per l'uso di Augmentations.	corda
beta1	Valore di 'beta1' quando optimizer è 'adam' o 'adamw'. Deve essere un valore float nell'intervallo [0, 1].	corda
beta2	Valore di 'beta2' quando optimizer è 'adam' o 'adamw'. Deve essere un valore float nell'intervallo [0, 1].	corda
distribuito	Indica se usare il training di distributer.	corda
earlyStopping	Abilitare la logica di arresto anticipato durante il training.	corda
earlyStoppingDelay	Numero minimo di periodi o valutazioni di convalida da attendere prima del miglioramento della metrica primaria viene monitorato per l'arresto anticipato. Deve essere un numero intero positivo.	corda
earlyStoppingPatience	Numero minimo di periodi o valutazioni di convalida senza miglioramenti delle metriche primarie prima l'esecuzione viene arrestata. Deve essere un numero intero positivo.	corda
enableOnnxNormalization	Abilitare la normalizzazione durante l'esportazione del modello ONNX.	corda
evaluationFrequency	Frequenza per valutare il set di dati di convalida per ottenere i punteggi delle metriche. Deve essere un numero intero positivo.	corda
gradientAccumulationStep	L'accumulo di sfumature significa eseguire un numero configurato di passaggi "GradAccumulationStep" senza aggiornamento dei pesi del modello durante l'accumulo delle sfumature di tali passaggi e quindi uso gradienti accumulati per calcolare gli aggiornamenti del peso. Deve essere un numero intero positivo.	corda
layersToFreeze	Numero di livelli da bloccare per il modello. Deve essere un numero intero positivo. Ad esempio, passando 2 come valore per "seresnext" significa livello di congelamento0 e layer1. Per un elenco completo dei modelli supportati e i dettagli sul blocco del livello, vedere see: /azure/machine-learning/how-to-auto-train-image-models.	corda
learningRate	Frequenza di apprendimento iniziale. Deve essere un valore float nell'intervallo [0, 1].	corda
learningRateScheduler	Tipo di utilità di pianificazione della frequenza di apprendimento. Deve essere "warmup_cosine" o "passaggio".	corda
modelName	Nome del modello da usare per il training. Per altre informazioni sui modelli disponibili, vedere la documentazione ufficiale: /azure/machine-learning/how-to-auto-train-image-models.	corda
slancio	Valore di momentum quando optimizer è 'sgd'. Deve essere un valore float nell'intervallo [0, 1].	corda
nesterov	Abilitare nesterov quando optimizer è "sgd".	corda
numberOfEpochs	Numero di periodi di training. Deve essere un numero intero positivo.	corda
numberOfWorkers	Numero di ruoli di lavoro del caricatore di dati. Deve essere un numero intero non negativo.	corda
ottimizzatore	Tipo di ottimizzatore. Deve essere 'sgd', 'adam', o 'adamw'.	corda
randomSeed	Valore di inizializzazione casuale da usare quando si usa il training deterministico.	corda
splitRatio	Se i dati di convalida non sono definiti, specifica il rapporto di divisione per la suddivisione eseguire il training dei dati in subset di training e convalida casuali. Deve essere un valore float nell'intervallo [0, 1].	corda
stepLRGamma	Il valore gamma quando l'utilità di pianificazione della frequenza di apprendimento è 'step'. Deve essere un valore float nell'intervallo [0, 1].	corda
stepLRStepSize	Valore delle dimensioni del passaggio quando l'utilità di pianificazione della frequenza di apprendimento è "passaggio". Deve essere un numero intero positivo.	corda
trainingBatchSize	Dimensioni batch di training. Deve essere un numero intero positivo.	corda
trainingCropSize	Dimensioni di ritaglio delle immagini che vengono immesse nella rete neurale per il set di dati di training. Deve essere un numero intero positivo.	corda
validationBatchSize	Dimensioni batch di convalida. Deve essere un numero intero positivo.	corda
validationCropSize	Dimensione ritaglio immagine che viene immessa nella rete neurale per il set di dati di convalida. Deve essere un numero intero positivo.	corda
validationResizeSize	Dimensioni dell'immagine in cui ridimensionare prima del ritaglio per il set di dati di convalida. Deve essere un numero intero positivo.	corda
warmupCosineLRCycles	Il valore del ciclo coseno quando l'utilità di pianificazione della frequenza di apprendimento è "warmup_cosine". Deve essere un valore float nell'intervallo [0, 1].	corda
warmupCosineLRWarmupEpochs	Il valore dei periodi di riscaldamento quando l'utilità di pianificazione della frequenza di apprendimento è "warmup_cosine". Deve essere un numero intero positivo.	corda
weightDecay	Valore del decadimento del peso quando optimizer è 'sgd', 'adam' o 'adamw'. Deve essere un valore float nell'intervallo[0, 1].	corda
weightedLoss	Perdita ponderata. I valori accettati sono 0 per nessuna perdita ponderata. 1 per perdita ponderata con sqrt. (class_weights). 2 per perdita ponderata con class_weights. Deve essere 0 o 1 o 2.	corda

ImageSweepSettings

Nome	Descrizione	Valore
earlyTermination	Tipo di criteri di terminazione anticipata.	EarlyTerminationPolicy
Limiti	[Obbligatorio] Limitare le impostazioni per lo sweep del modello e lo sweep degli iperparametri.	imageSweepLimitSettings (obbligatorio)
campionamentoAlgorithm	[Obbligatorio] Tipo degli algoritmi di campionamento degli iperparametri.	'Bayesian' 'Grid' 'Random' (obbligatorio)

EarlyTerminationPolicy

Nome	Descrizione	Valore
delayEvaluation	Numero di intervalli in base ai quali ritardare la prima valutazione.	Int
evaluationInterval	Intervallo (numero di esecuzioni) tra le valutazioni dei criteri.	Int
policyType	Impostare il tipo di oggetto	Bandit MedianStopping truncationSelection (obbligatorio)

BanditPolicy

Nome	Descrizione	Valore
policyType	[Obbligatorio] Nome della configurazione dei criteri	'Bandit' (obbligatorio)
slackAmount	Distanza assoluta consentita dalla migliore esecuzione.	Int
slackFactor	Rapporto tra la distanza consentita e l'esecuzione con prestazioni migliori.	Int

MedianStoppingPolicy

Nome	Descrizione	Valore
policyType	[Obbligatorio] Nome della configurazione dei criteri	'MedianStopping' (obbligatorio)

TruncationSelectionPolicy

Nome	Descrizione	Valore
policyType	[Obbligatorio] Nome della configurazione dei criteri	'TruncationSelection' (obbligatorio)
truncationPercentage	Percentuale di esecuzioni da annullare a ogni intervallo di valutazione.	Int

ImageSweepLimitSettings

Nome	Descrizione	Valore
maxConcurrentTrials	Numero massimo di iterazioni simultanee per il processo Sweep sottostante.	Int
maxTrials	Numero massimo di iterazioni per il processo Sweep sottostante.	Int

ImageClassificationMultilabel

Nome	Descrizione	Valore
taskType	[Obbligatorio] Tipo di attività per AutoMLJob.	'ImageClassificationMultilabel' (obbligatorio)
dataSettings	[Obbligatorio] Raccolta di ID set di dati tabulari registrati e altre impostazioni di dati necessarie per il training e la convalida dei modelli.	ImageVerticalDataSettings (obbligatorio)
limitSettings	[Obbligatorio] Limitare le impostazioni per il processo AutoML.	ImageLimitSettings (obbligatorio)
modelSettings	Impostazioni usate per il training del modello.	ImageModelSettingsClassification
primaryMetric	Metrica primaria da ottimizzare per questa attività.	'AUCWeighted' 'Accuratezza' 'AveragePrecisionScoreWeighted' 'IOU' 'NormMacroRecall' 'PrecisionScoreWeighted'
searchSpace	Cercare spazio per il campionamento di diverse combinazioni di modelli e dei relativi iperparametri.	ImageModelDistributionSettingsClassification[]
sweepSettings	Sweep del modello e sweep degli iperparametri per le impostazioni correlate.	ImageSweepSettings

ImageInstanceSegmentation

Nome	Descrizione	Valore
taskType	[Obbligatorio] Tipo di attività per AutoMLJob.	'ImageInstanceSegmentation' (obbligatorio)
dataSettings	[Obbligatorio] Raccolta di ID set di dati tabulari registrati e altre impostazioni di dati necessarie per il training e la convalida dei modelli.	ImageVerticalDataSettings (obbligatorio)
limitSettings	[Obbligatorio] Limitare le impostazioni per il processo AutoML.	ImageLimitSettings (obbligatorio)
modelSettings	Impostazioni usate per il training del modello.	ImageModelSettingsObjectDetection
primaryMetric	Metrica primaria da ottimizzare per questa attività.	'MeanAveragePrecision'
searchSpace	Cercare spazio per il campionamento di diverse combinazioni di modelli e dei relativi iperparametri.	ImageModelDistributionSettingsObjectDetection[]
sweepSettings	Sweep del modello e sweep degli iperparametri per le impostazioni correlate.	ImageSweepSettings

ImageModelSettingsObjectDetection

Nome	Descrizione	Valore
advancedSettings	Impostazioni per scenari avanzati.	corda
amsGradient	Abilitare AMSGrad quando Optimizer è 'adam' o 'adamw'.	Bool
incrementi	Impostazioni per l'uso di Augmentations.	corda
beta1	Valore di 'beta1' quando optimizer è 'adam' o 'adamw'. Deve essere un valore float nell'intervallo [0, 1].	Int
beta2	Valore di 'beta2' quando optimizer è 'adam' o 'adamw'. Deve essere un valore float nell'intervallo [0, 1].	Int
boxDetectionsPerImage	Numero massimo di rilevamenti per immagine, per tutte le classi. Deve essere un numero intero positivo. Nota: queste impostazioni non sono supportate per l'algoritmo "yolov5".	Int
boxScoreThreshold	Durante l'inferenza, restituisce solo proposte con un punteggio di classificazione maggiore di BoxScoreThreshold. Deve essere un valore float nell'intervallo[0, 1].	Int
checkpointDatasetId	ID FileDataset per i checkpoint con training preliminare per il training incrementale. Assicurarsi di passare CheckpointFilename insieme a CheckpointDatasetId.	corda
checkpointFilename	Nome file del checkpoint con training preliminare in FileDataset per il training incrementale. Assicurarsi di passare CheckpointDatasetId insieme a CheckpointFilename.	corda
checkpointFrequency	Frequenza per archiviare i checkpoint del modello. Deve essere un numero intero positivo.	Int
checkpointRunId	ID di un'esecuzione precedente con un checkpoint con training preliminare per il training incrementale.	corda
distribuito	Indica se usare il training distribuito.	Bool
earlyStopping	Abilitare la logica di arresto anticipato durante il training.	Bool
earlyStoppingDelay	Numero minimo di periodi o valutazioni di convalida da attendere prima del miglioramento della metrica primaria viene monitorato per l'arresto anticipato. Deve essere un numero intero positivo.	Int
earlyStoppingPatience	Numero minimo di periodi o valutazioni di convalida senza miglioramenti delle metriche primarie prima l'esecuzione viene arrestata. Deve essere un numero intero positivo.	Int
enableOnnxNormalization	Abilitare la normalizzazione durante l'esportazione del modello ONNX.	Bool
evaluationFrequency	Frequenza per valutare il set di dati di convalida per ottenere i punteggi delle metriche. Deve essere un numero intero positivo.	Int
gradientAccumulationStep	L'accumulo di sfumature significa eseguire un numero configurato di passaggi "GradAccumulationStep" senza aggiornamento dei pesi del modello durante l'accumulo delle sfumature di tali passaggi e quindi uso gradienti accumulati per calcolare gli aggiornamenti del peso. Deve essere un numero intero positivo.	Int
imageSize	Dimensioni dell'immagine per il training e la convalida. Deve essere un numero intero positivo. Nota: l'esecuzione del training può entrare nell'OOM CUDA se le dimensioni sono troppo grandi. Nota: queste impostazioni sono supportate solo per l'algoritmo "yolov5".	Int
layersToFreeze	Numero di livelli da bloccare per il modello. Deve essere un numero intero positivo. Ad esempio, passando 2 come valore per "seresnext" significa livello di congelamento0 e layer1. Per un elenco completo dei modelli supportati e i dettagli sul blocco del livello, vedere see: /azure/machine-learning/how-to-auto-train-image-models.	Int
learningRate	Frequenza di apprendimento iniziale. Deve essere un valore float nell'intervallo [0, 1].	Int
learningRateScheduler	Tipo di utilità di pianificazione della frequenza di apprendimento. Deve essere "warmup_cosine" o "passaggio".	'Nessuno' 'Step' 'WarmupCosine'
maxSize	Dimensioni massime dell'immagine da ridimensionare prima di alimentarla al backbone. Deve essere un numero intero positivo. Nota: l'esecuzione del training può entrare nell'OOM CUDA se le dimensioni sono troppo grandi. Nota: queste impostazioni non sono supportate per l'algoritmo "yolov5".	Int
minSize	Dimensioni minime dell'immagine da ridimensionare prima di alimentarla al backbone. Deve essere un numero intero positivo. Nota: l'esecuzione del training può entrare nell'OOM CUDA se le dimensioni sono troppo grandi. Nota: queste impostazioni non sono supportate per l'algoritmo "yolov5".	Int
modelName	Nome del modello da usare per il training. Per altre informazioni sui modelli disponibili, vedere la documentazione ufficiale: /azure/machine-learning/how-to-auto-train-image-models.	corda
modelSize	Dimensioni del modello. Deve essere "small", "medium", "large" o "xlarge". Nota: se le dimensioni del modello sono troppo grandi, l'esecuzione del training può entrare nell'OOM CUDA. Nota: queste impostazioni sono supportate solo per l'algoritmo "yolov5".	'ExtraLarge' 'Large' 'Medium' 'Nessuno' 'Small'
slancio	Valore di momentum quando optimizer è 'sgd'. Deve essere un valore float nell'intervallo [0, 1].	Int
multiScale	Abilitare l'immagine su più scalabilità variando le dimensioni dell'immagine per +/- 50%. Nota: l'esecuzione del training può entrare nell'OOM CUDA se non è sufficiente memoria GPU. Nota: queste impostazioni sono supportate solo per l'algoritmo "yolov5".	Bool
nesterov	Abilitare nesterov quando optimizer è "sgd".	Bool
nmsIouThreshold	Soglia IOU usata durante l'inferenza in NMS post-elaborazione. Deve essere un valore float nell'intervallo [0, 1].	Int
numberOfEpochs	Numero di periodi di training. Deve essere un numero intero positivo.	Int
numberOfWorkers	Numero di ruoli di lavoro del caricatore di dati. Deve essere un numero intero non negativo.	Int
ottimizzatore	Tipo di ottimizzatore.	'Adam' 'Adamw' 'Nessuno' 'Sgd'
randomSeed	Valore di inizializzazione casuale da usare quando si usa il training deterministico.	Int
splitRatio	Se i dati di convalida non sono definiti, specifica il rapporto di divisione per la suddivisione eseguire il training dei dati in subset di training e convalida casuali. Deve essere un valore float nell'intervallo [0, 1].	Int
stepLRGamma	Il valore gamma quando l'utilità di pianificazione della frequenza di apprendimento è 'step'. Deve essere un valore float nell'intervallo [0, 1].	Int
stepLRStepSize	Valore delle dimensioni del passaggio quando l'utilità di pianificazione della frequenza di apprendimento è "passaggio". Deve essere un numero intero positivo.	Int
tileGridSize	Dimensioni della griglia da usare per collegare ogni immagine. Nota: TileGridSize non deve essere Nessuno per abilitare la logica di rilevamento oggetti di piccole dimensioni. Stringa contenente due numeri interi in formato mxn. Nota: queste impostazioni non sono supportate per l'algoritmo "yolov5".	corda
tileOverlapRatio	Rapporto di sovrapposizione tra riquadri adiacenti in ogni dimensione. Deve essere float nell'intervallo [0, 1). Nota: queste impostazioni non sono supportate per l'algoritmo "yolov5".	Int
tilePredictionsNmsThreshold	Soglia IOU da usare per eseguire NMS durante l'unione di stime da riquadri e immagini. Usato nella convalida/inferenza. Deve essere float nell'intervallo [0, 1]. Nota: queste impostazioni non sono supportate per l'algoritmo "yolov5".	Int
trainingBatchSize	Dimensioni batch di training. Deve essere un numero intero positivo.	Int
validationBatchSize	Dimensioni batch di convalida. Deve essere un numero intero positivo.	Int
validationIouThreshold	Soglia IOU da usare durante il calcolo della metrica di convalida. Deve essere float nell'intervallo [0, 1].	Int
validationMetricType	Metodo di calcolo delle metriche da usare per le metriche di convalida.	'Coco' 'CocoVoc' 'Nessuno' 'Voc'
warmupCosineLRCycles	Il valore del ciclo coseno quando l'utilità di pianificazione della frequenza di apprendimento è "warmup_cosine". Deve essere un valore float nell'intervallo [0, 1].	Int
warmupCosineLRWarmupEpochs	Il valore dei periodi di riscaldamento quando l'utilità di pianificazione della frequenza di apprendimento è "warmup_cosine". Deve essere un numero intero positivo.	Int
weightDecay	Valore del decadimento del peso quando optimizer è 'sgd', 'adam' o 'adamw'. Deve essere un valore float nell'intervallo[0, 1].	Int

ImageModelDistributionSettingsObjectDetection

Nome	Descrizione	Valore
amsGradient	Abilitare AMSGrad quando Optimizer è 'adam' o 'adamw'.	corda
incrementi	Impostazioni per l'uso di Augmentations.	corda
beta1	Valore di 'beta1' quando optimizer è 'adam' o 'adamw'. Deve essere un valore float nell'intervallo [0, 1].	corda
beta2	Valore di 'beta2' quando optimizer è 'adam' o 'adamw'. Deve essere un valore float nell'intervallo [0, 1].	corda
boxDetectionsPerImage	Numero massimo di rilevamenti per immagine, per tutte le classi. Deve essere un numero intero positivo. Nota: queste impostazioni non sono supportate per l'algoritmo "yolov5".	corda
boxScoreThreshold	Durante l'inferenza, restituisce solo proposte con un punteggio di classificazione maggiore di BoxScoreThreshold. Deve essere un valore float nell'intervallo[0, 1].	corda
distribuito	Indica se usare il training di distributer.	corda
earlyStopping	Abilitare la logica di arresto anticipato durante il training.	corda
earlyStoppingDelay	Numero minimo di periodi o valutazioni di convalida da attendere prima del miglioramento della metrica primaria viene monitorato per l'arresto anticipato. Deve essere un numero intero positivo.	corda
earlyStoppingPatience	Numero minimo di periodi o valutazioni di convalida senza miglioramenti delle metriche primarie prima l'esecuzione viene arrestata. Deve essere un numero intero positivo.	corda
enableOnnxNormalization	Abilitare la normalizzazione durante l'esportazione del modello ONNX.	corda
evaluationFrequency	Frequenza per valutare il set di dati di convalida per ottenere i punteggi delle metriche. Deve essere un numero intero positivo.	corda
gradientAccumulationStep	L'accumulo di sfumature significa eseguire un numero configurato di passaggi "GradAccumulationStep" senza aggiornamento dei pesi del modello durante l'accumulo delle sfumature di tali passaggi e quindi uso gradienti accumulati per calcolare gli aggiornamenti del peso. Deve essere un numero intero positivo.	corda
imageSize	Dimensioni dell'immagine per il training e la convalida. Deve essere un numero intero positivo. Nota: l'esecuzione del training può entrare nell'OOM CUDA se le dimensioni sono troppo grandi. Nota: queste impostazioni sono supportate solo per l'algoritmo "yolov5".	corda
layersToFreeze	Numero di livelli da bloccare per il modello. Deve essere un numero intero positivo. Ad esempio, passando 2 come valore per "seresnext" significa livello di congelamento0 e layer1. Per un elenco completo dei modelli supportati e i dettagli sul blocco del livello, vedere see: /azure/machine-learning/how-to-auto-train-image-models.	corda
learningRate	Frequenza di apprendimento iniziale. Deve essere un valore float nell'intervallo [0, 1].	corda
learningRateScheduler	Tipo di utilità di pianificazione della frequenza di apprendimento. Deve essere "warmup_cosine" o "passaggio".	corda
maxSize	Dimensioni massime dell'immagine da ridimensionare prima di alimentarla al backbone. Deve essere un numero intero positivo. Nota: l'esecuzione del training può entrare nell'OOM CUDA se le dimensioni sono troppo grandi. Nota: queste impostazioni non sono supportate per l'algoritmo "yolov5".	corda
minSize	Dimensioni minime dell'immagine da ridimensionare prima di alimentarla al backbone. Deve essere un numero intero positivo. Nota: l'esecuzione del training può entrare nell'OOM CUDA se le dimensioni sono troppo grandi. Nota: queste impostazioni non sono supportate per l'algoritmo "yolov5".	corda
modelName	Nome del modello da usare per il training. Per altre informazioni sui modelli disponibili, vedere la documentazione ufficiale: /azure/machine-learning/how-to-auto-train-image-models.	corda
modelSize	Dimensioni del modello. Deve essere "small", "medium", "large" o "xlarge". Nota: se le dimensioni del modello sono troppo grandi, l'esecuzione del training può entrare nell'OOM CUDA. Nota: queste impostazioni sono supportate solo per l'algoritmo "yolov5".	corda
slancio	Valore di momentum quando optimizer è 'sgd'. Deve essere un valore float nell'intervallo [0, 1].	corda
multiScale	Abilitare l'immagine su più scalabilità variando le dimensioni dell'immagine per +/- 50%. Nota: l'esecuzione del training può entrare nell'OOM CUDA se non è sufficiente memoria GPU. Nota: queste impostazioni sono supportate solo per l'algoritmo "yolov5".	corda
nesterov	Abilitare nesterov quando optimizer è "sgd".	corda
nmsIouThreshold	Soglia IOU usata durante l'inferenza in NMS post-elaborazione. Deve essere float nell'intervallo [0, 1].	corda
numberOfEpochs	Numero di periodi di training. Deve essere un numero intero positivo.	corda
numberOfWorkers	Numero di ruoli di lavoro del caricatore di dati. Deve essere un numero intero non negativo.	corda
ottimizzatore	Tipo di ottimizzatore. Deve essere 'sgd', 'adam', o 'adamw'.	corda
randomSeed	Valore di inizializzazione casuale da usare quando si usa il training deterministico.	corda
splitRatio	Se i dati di convalida non sono definiti, specifica il rapporto di divisione per la suddivisione eseguire il training dei dati in subset di training e convalida casuali. Deve essere un valore float nell'intervallo [0, 1].	corda
stepLRGamma	Il valore gamma quando l'utilità di pianificazione della frequenza di apprendimento è 'step'. Deve essere un valore float nell'intervallo [0, 1].	corda
stepLRStepSize	Valore delle dimensioni del passaggio quando l'utilità di pianificazione della frequenza di apprendimento è "passaggio". Deve essere un numero intero positivo.	corda
tileGridSize	Dimensioni della griglia da usare per collegare ogni immagine. Nota: TileGridSize non deve essere Nessuno per abilitare la logica di rilevamento oggetti di piccole dimensioni. Stringa contenente due numeri interi in formato mxn. Nota: queste impostazioni non sono supportate per l'algoritmo "yolov5".	corda
tileOverlapRatio	Rapporto di sovrapposizione tra riquadri adiacenti in ogni dimensione. Deve essere float nell'intervallo [0, 1). Nota: queste impostazioni non sono supportate per l'algoritmo "yolov5".	corda
tilePredictionsNmsThreshold	Soglia IOU da usare per eseguire NMS durante l'unione di stime da riquadri e immagini. Usato nella convalida/inferenza. Deve essere float nell'intervallo [0, 1]. Nota: queste impostazioni non sono supportate per l'algoritmo "yolov5". NMS: eliminazione non massima	corda
trainingBatchSize	Dimensioni batch di training. Deve essere un numero intero positivo.	corda
validationBatchSize	Dimensioni batch di convalida. Deve essere un numero intero positivo.	corda
validationIouThreshold	Soglia IOU da usare durante il calcolo della metrica di convalida. Deve essere float nell'intervallo [0, 1].	corda
validationMetricType	Metodo di calcolo delle metriche da usare per le metriche di convalida. Deve essere "none", "coco", "voc" o "coco_voc".	corda
warmupCosineLRCycles	Il valore del ciclo coseno quando l'utilità di pianificazione della frequenza di apprendimento è "warmup_cosine". Deve essere un valore float nell'intervallo [0, 1].	corda
warmupCosineLRWarmupEpochs	Il valore dei periodi di riscaldamento quando l'utilità di pianificazione della frequenza di apprendimento è "warmup_cosine". Deve essere un numero intero positivo.	corda
weightDecay	Valore del decadimento del peso quando optimizer è 'sgd', 'adam' o 'adamw'. Deve essere un valore float nell'intervallo[0, 1].	corda

ImageObjectDetection

Nome	Descrizione	Valore
taskType	[Obbligatorio] Tipo di attività per AutoMLJob.	'ImageObjectDetection' (obbligatorio)
dataSettings	[Obbligatorio] Raccolta di ID set di dati tabulari registrati e altre impostazioni di dati necessarie per il training e la convalida dei modelli.	ImageVerticalDataSettings (obbligatorio)
limitSettings	[Obbligatorio] Limitare le impostazioni per il processo AutoML.	ImageLimitSettings (obbligatorio)
modelSettings	Impostazioni usate per il training del modello.	ImageModelSettingsObjectDetection
primaryMetric	Metrica primaria da ottimizzare per questa attività.	'MeanAveragePrecision'
searchSpace	Cercare spazio per il campionamento di diverse combinazioni di modelli e dei relativi iperparametri.	ImageModelDistributionSettingsObjectDetection[]
sweepSettings	Sweep del modello e sweep degli iperparametri per le impostazioni correlate.	ImageSweepSettings

Regressione

Nome	Descrizione	Valore
taskType	[Obbligatorio] Tipo di attività per AutoMLJob.	'Regression' (obbligatorio)
allowedModels	Modelli consentiti per l'attività di regressione.	Matrice di stringhe contenente uno dei seguenti elementi: 'DecisionTree' 'ElasticNet' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'RandomForest' 'SGD' 'XGBoostRegressor'
blockedModels	Modelli bloccati per l'attività di regressione.	Matrice di stringhe contenente uno dei seguenti elementi: 'DecisionTree' 'ElasticNet' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'RandomForest' 'SGD' 'XGBoostRegressor'
dataSettings	Input di dati per AutoMLJob.	TableVerticalDataSettings
featurizationSettings	Input di definizione delle caratteristiche necessari per il processo AutoML.	TableVerticalFeaturizationSettings
limitSettings	Vincoli di esecuzione per AutoMLJob.	TableVerticalLimitSettings
primaryMetric	Metrica primaria per l'attività di regressione.	'NormalizedMeanAbsoluteError' 'NormalizedRootMeanSquaredError' 'R2Score' 'SpearmanCorrelation'
trainingSettings	Input per la fase di training per un processo AutoML.	TrainingSettings

TextClassification

Nome	Descrizione	Valore
taskType	[Obbligatorio] Tipo di attività per AutoMLJob.	'TextClassification' (obbligatorio)
dataSettings	Input di dati per AutoMLJob.	NlpVerticalDataSettings
featurizationSettings	Input di definizione delle caratteristiche necessari per il processo AutoML.	NlpVerticalFeaturizationSettings
limitSettings	Vincoli di esecuzione per AutoMLJob.	NlpVerticalLimitSettings
primaryMetric	Metrica primaria per Text-Classification'attività.	'AUCWeighted' 'Accuratezza' 'AveragePrecisionScoreWeighted' 'NormMacroRecall' 'PrecisionScoreWeighted'

NlpVerticalDataSettings

Nome	Descrizione	Valore
targetColumnName	[Obbligatorio] Nome colonna di destinazione: colonna dei valori di stima. Noto anche come nome di colonna etichetta nel contesto delle attività di classificazione.	stringa (obbligatorio) Vincoli: Pattern = [a-zA-Z0-9_]
testData	Testare l'input dei dati.	testDataSettings
trainingData	[Obbligatorio] Input dei dati di training.	TrainingDataSettings (obbligatorio)
validationData	Input dei dati di convalida.	NlpVerticalValidationDataSettings

NlpVerticalValidationDataSettings

Nome	Descrizione	Valore
dati	MlTable dei dati di convalida.	MLTableJobInput
validationDataSize	Frazione del set di dati di training da riservare a scopo di convalida. Valori compresi tra (0,0 , 1,0) Applicato quando non viene fornito il set di dati di convalida.	Int

NlpVerticalFeaturizationSettings

Nome	Descrizione	Valore
datasetLanguage	Lingua del set di dati, utile per i dati di testo.	corda

NlpVerticalLimitSettings

Nome	Descrizione	Valore
maxConcurrentTrials	Numero massimo di iterazioni AutoML simultanee.	Int
maxTrials	Numero di iterazioni AutoML.	Int
Timeout	Timeout del processo AutoML.	corda

TextClassificationMultilabel

Nome	Descrizione	Valore
taskType	[Obbligatorio] Tipo di attività per AutoMLJob.	'TextClassificationMultilabel' (obbligatorio)
dataSettings	Input di dati per AutoMLJob.	NlpVerticalDataSettings
featurizationSettings	Input di definizione delle caratteristiche necessari per il processo AutoML.	NlpVerticalFeaturizationSettings
limitSettings	Vincoli di esecuzione per AutoMLJob.	NlpVerticalLimitSettings

TextNer

Nome	Descrizione	Valore
taskType	[Obbligatorio] Tipo di attività per AutoMLJob.	'TextNER' (obbligatorio)
dataSettings	Input di dati per AutoMLJob.	NlpVerticalDataSettings
featurizationSettings	Input di definizione delle caratteristiche necessari per il processo AutoML.	NlpVerticalFeaturizationSettings
limitSettings	Vincoli di esecuzione per AutoMLJob.	NlpVerticalLimitSettings

Processo di comando

Nome	Descrizione	Valore
jobType	[Obbligatorio] Specifica il tipo di processo.	'Command' (obbligatorio)
codeId	ID risorsa ARM dell'asset di codice.	corda
comando	[Obbligatorio] Comando da eseguire all'avvio del processo. ad esempio. "python train.py"	stringa (obbligatorio) Vincoli: Lunghezza minima = 1 Pattern = [a-zA-Z0-9_]
distribuzione	Configurazione di distribuzione del processo. Se impostato, deve essere uno dei valori Mpi, Tensorflow, PyTorch o Null.	DistributionConfiguration
environmentId	[Obbligatorio] ID risorsa ARM della specifica Ambiente per il processo.	stringa (obbligatorio) Vincoli: Pattern = [a-zA-Z0-9_]
environmentVariables	Variabili di ambiente incluse nel processo.	CommandJobEnvironmentVariables
Ingressi	Mapping dei data binding di input usati nel processo.	commandJobInputs
Limiti	Limite del processo di comando.	CommandJobLimits
Uscite	Mapping dei data binding di output usati nel processo.	CommandJobOutputs
risorse	Configurazione delle risorse di calcolo per il processo.	ResourceConfiguration

DistributionConfiguration

Nome	Descrizione	Valore
distributionType	Impostare il tipo di oggetto	Mpi PyTorch TensorFlow (obbligatorio)

Mpi

Nome	Descrizione	Valore
distributionType	[Obbligatorio] Specifica il tipo di framework di distribuzione.	'Mpi' (obbligatorio)
processCountPerInstance	Numero di processi per nodo MPI.	Int

PyTorch

Nome	Descrizione	Valore
distributionType	[Obbligatorio] Specifica il tipo di framework di distribuzione.	'PyTorch' (obbligatorio)
processCountPerInstance	Numero di processi per nodo.	Int

TensorFlow

Nome	Descrizione	Valore
distributionType	[Obbligatorio] Specifica il tipo di framework di distribuzione.	'TensorFlow' (obbligatorio)
parameterServerCount	Numero di attività del server dei parametri.	Int
workerCount	Numero di ruoli di lavoro. Se non specificato, per impostazione predefinita verrà impostato il numero di istanze.	Int

CommandJobEnvironmentVariables

Nome	Descrizione	Valore
{proprietà personalizzata}		corda

CommandJobInputs

Nome	Descrizione	Valore
{proprietà personalizzata}		jobInput

JobInput

Nome	Descrizione	Valore
descrizione	Descrizione per l'input.	corda
jobInputType	Impostare il tipo di oggetto	CustomModel letterale MLFlowModel MLTable UriFile UriFolder (obbligatorio)

CustomModelJobInput

Nome	Descrizione	Valore
jobInputType	[Obbligatorio] Specifica il tipo di processo.	'CustomModel' (obbligatorio)
modo	Modalità di distribuzione degli asset di input.	'Direct' 'Download' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
Uri	[Obbligatorio] URI dell'asset di input.	stringa (obbligatorio) Vincoli: Pattern = [a-zA-Z0-9_]

LiteralJobInput

Nome	Descrizione	Valore
jobInputType	[Obbligatorio] Specifica il tipo di processo.	'Literal' (obbligatorio)
valore	[Obbligatorio] Valore letterale per l'input.	stringa (obbligatorio) Vincoli: Pattern = [a-zA-Z0-9_]

MLFlowModelJobInput

Nome	Descrizione	Valore
jobInputType	[Obbligatorio] Specifica il tipo di processo.	'MLFlowModel' (obbligatorio)
modo	Modalità di distribuzione degli asset di input.	'Direct' 'Download' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
Uri	[Obbligatorio] URI dell'asset di input.	stringa (obbligatorio) Vincoli: Pattern = [a-zA-Z0-9_]

ModelModelJobInput

Nome	Descrizione	Valore
jobInputType	[Obbligatorio] Specifica il tipo di processo.	'Model' (obbligatorio)
modo	Modalità di distribuzione degli asset di input.	'Direct' 'Download' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
Uri	[Obbligatorio] URI dell'asset di input.	stringa (obbligatorio) Vincoli: Pattern = [a-zA-Z0-9_]

UriFileJobInput

Nome	Descrizione	Valore
jobInputType	[Obbligatorio] Specifica il tipo di processo.	'UriFile' (obbligatorio)
modo	Modalità di distribuzione degli asset di input.	'Direct' 'Download' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
Uri	[Obbligatorio] URI dell'asset di input.	stringa (obbligatorio) Vincoli: Pattern = [a-zA-Z0-9_]

UriFolderJobInput

Nome	Descrizione	Valore
jobInputType	[Obbligatorio] Specifica il tipo di processo.	'UriFolder' (obbligatorio)
modo	Modalità di distribuzione degli asset di input.	'Direct' 'Download' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
Uri	[Obbligatorio] URI dell'asset di input.	stringa (obbligatorio) Vincoli: Pattern = [a-zA-Z0-9_]

CommandJobLimits

Nome	Descrizione	Valore
jobLimitsType	[Obbligatorio] Tipo JobLimit.	'Command' 'Sweep' (obbligatorio)
Timeout	Durata massima dell'esecuzione in formato ISO 8601, dopo la quale il processo verrà annullato. Supporta solo la durata con precisione inferiore a secondi.	corda

CommandJobOutputs

Nome	Descrizione	Valore
{proprietà personalizzata}		JobOutput

PipelineJob

Nome	Descrizione	Valore
jobType	[Obbligatorio] Specifica il tipo di processo.	'Pipeline' (obbligatorio)
Ingressi	Input per il processo della pipeline.	pipelineJobInputs
Lavori	I processi costruiscono il processo pipeline.	PipelineJobJobs
Uscite	Output per il processo della pipeline	pipelineJobOutputs
Impostazioni	Impostazioni della pipeline, per elementi come ContinueRunOnStepFailure e così via.	Per Bicep, è possibile usare la funzione any() .

PipelineJobInputs

Nome	Descrizione	Valore
{proprietà personalizzata}		jobInput

PipelineJobJobs

Nome	Descrizione	Valore
{proprietà personalizzata}		Per Bicep, è possibile usare la funzione any() .

PipelineJobOutputs

Nome	Descrizione	Valore
{proprietà personalizzata}		JobOutput

SweepJob

Nome	Descrizione	Valore
jobType	[Obbligatorio] Specifica il tipo di processo.	'Sweep' (obbligatorio)
earlyTermination	I criteri di terminazione anticipata consentono di annullare le esecuzioni con prestazioni scarse prima del completamento	EarlyTerminationPolicy
Ingressi	Mapping dei data binding di input usati nel processo.	SweepJobInputs
Limiti	Limite di processi sweep.	SweepJobLimits
obiettivo	[Obbligatorio] Obiettivo di ottimizzazione.	objective (obbligatorio)
Uscite	Mapping dei data binding di output usati nel processo.	SweepJobOutputs
campionamentoAlgorithm	[Obbligatorio] Algoritmo di campionamento degli iperparametri	SamplingAlgorithm (obbligatorio)
searchSpace	[Obbligatorio] Dizionario contenente ogni parametro e la relativa distribuzione. La chiave del dizionario è il nome del parametro	Per Bicep, è possibile usare la funzione any() . (obbligatorio)
prova	[Obbligatorio] Definizione del componente di valutazione.	Di valutazioneComponent (obbligatorio)

SweepJobInputs

Nome	Descrizione	Valore
{proprietà personalizzata}		jobInput

SweepJobLimits

Nome	Descrizione	Valore
jobLimitsType	[Obbligatorio] Tipo JobLimit.	'Command' 'Sweep' (obbligatorio)
maxConcurrentTrials	Sweep Processo max test simultanei.	Int
maxTotalTrials	Sweep Job max total trial.Sweep Job max trial.	Int
Timeout	Durata massima dell'esecuzione in formato ISO 8601, dopo la quale il processo verrà annullato. Supporta solo la durata con precisione inferiore a secondi.	corda
trialTimeout	Valore di timeout della versione di valutazione processo sweep.	corda

Obiettivo

Nome	Descrizione	Valore
traguardo	[Obbligatorio] Definisce gli obiettivi delle metriche supportati per l'ottimizzazione degli iperparametri	'Ingrandisci' 'Riduci a icona' (obbligatorio)
primaryMetric	[Obbligatorio] Nome della metrica da ottimizzare.	stringa (obbligatorio) Vincoli: Pattern = [a-zA-Z0-9_]

SweepJobOutputs

Nome	Descrizione	Valore
{proprietà personalizzata}		JobOutput

CampionamentoAlgorithm

Nome	Descrizione	Valore
samplingAlgorithmType	Impostare il tipo di oggetto	Bayesian griglia di casuali (obbligatorio)

BayesianSamplingAlgorithm

Nome	Descrizione	Valore
samplingAlgorithmType	[Obbligatorio] Algoritmo usato per la generazione di valori degli iperparametri, insieme alle proprietà di configurazione	'Bayesian' (obbligatorio)

GridSamplingAlgorithm

Nome	Descrizione	Valore
samplingAlgorithmType	[Obbligatorio] Algoritmo usato per la generazione di valori degli iperparametri, insieme alle proprietà di configurazione	'Grid' (obbligatorio)

RandomSamplingAlgorithm

Nome	Descrizione	Valore
samplingAlgorithmType	[Obbligatorio] Algoritmo usato per la generazione di valori degli iperparametri, insieme alle proprietà di configurazione	'Random' (obbligatorio)
regola	Tipo specifico di algoritmo casuale	'Casuale' 'Sobol'
seme	Intero facoltativo da usare come valore di inizializzazione per la generazione di numeri casuali	Int

TrialComponent

Nome	Descrizione	Valore
codeId	ID risorsa ARM dell'asset di codice.	corda
comando	[Obbligatorio] Comando da eseguire all'avvio del processo. ad esempio. "python train.py"	stringa (obbligatorio) Vincoli: Lunghezza minima = 1 Pattern = [a-zA-Z0-9_]
distribuzione	Configurazione di distribuzione del processo. Se impostato, deve essere uno dei valori Mpi, Tensorflow, PyTorch o Null.	DistributionConfiguration
environmentId	[Obbligatorio] ID risorsa ARM della specifica Ambiente per il processo.	stringa (obbligatorio) Vincoli: Pattern = [a-zA-Z0-9_]
environmentVariables	Variabili di ambiente incluse nel processo.	TrialComponentEnvironmentVariables
risorse	Configurazione delle risorse di calcolo per il processo.	ResourceConfiguration

TrialComponentEnvironmentVariables

Nome	Descrizione	Valore
{proprietà personalizzata}		corda

Modelli di avvio rapido

I modelli di avvio rapido seguenti distribuiscono questo tipo di risorsa.

Sagoma	Descrizione
Creare un processo di classificazione AutoML di Azure Machine Learning	Questo modello crea un processo di classificazione AutoML di Azure Machine Learning per scoprire il modello migliore per la stima se un cliente sottoscriverà un deposito a termine fisso con un istituto finanziario.
Creare un processo di comando di Azure Machine Learning	Questo modello crea un processo di comando di Azure Machine Learning con uno script di base hello_world
Creare un processo di Sweep di Azure Machine Learning	Questo modello crea un processo di Sweep di Azure Machine Learning per l'ottimizzazione degli iperparametri.

Definizione di risorsa del modello di Resource Manager

Il tipo di risorsa aree di lavoro/processi può essere distribuito con operazioni destinate a:

• gruppi di risorse - Vedere i comandi di distribuzione del gruppo di risorse

Per un elenco delle proprietà modificate in ogni versione dell'API, vedere log delle modifiche.

Formato risorsa

Per creare una risorsa Microsoft.MachineLearningServices/workspaces/jobs, aggiungere il codice JSON seguente al modello.

{
  "type": "Microsoft.MachineLearningServices/workspaces/jobs",
  "apiVersion": "2022-02-01-preview",
  "name": "string",
  "properties": {
    "computeId": "string",
    "description": "string",
    "displayName": "string",
    "experimentName": "string",
    "identity": {
      "identityType": "string"
      // For remaining properties, see IdentityConfiguration objects
    },
    "isArchived": "bool",
    "properties": {
      "{customized property}": "string"
    },
    "schedule": {
      "endTime": "string",
      "scheduleStatus": "string",
      "startTime": "string",
      "timeZone": "string",
      "scheduleType": "string"
      // For remaining properties, see ScheduleBase objects
    },
    "services": {
      "{customized property}": {
        "endpoint": "string",
        "jobServiceType": "string",
        "port": "int",
        "properties": {
          "{customized property}": "string"
        }
      }
    },
    "tags": {},
    "jobType": "string"
    // For remaining properties, see JobBaseDetails objects
  }
}

Oggetti JobBaseDetails

Impostare la proprietà jobType per specificare il tipo di oggetto.

Per AutoML, usare:

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

Per Comando, usare:

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

Per Pipeline, usare:

  "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": {}

Per Sweep, usare:

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

Oggetti IdentityConfiguration

Impostare la proprietà identityType per specificare il tipo di oggetto.

Per AMLToken, usare:

  "identityType": "AMLToken"

Per gestito, usare:

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

Per UserIdentity, usare:

  "identityType": "UserIdentity"

Oggetti ScheduleBase

Impostare la proprietà scheduleType per specificare il tipo di oggetto.

Per Cron, usare:

  "scheduleType": "Cron",
  "expression": "string"

Per ricorrenza, usare:

  "scheduleType": "Recurrence",
  "frequency": "string",
  "interval": "int",
  "pattern": {
    "hours": [ "int" ],
    "minutes": [ "int" ],
    "weekdays": [ "string" ]
  }

Oggetti JobOutput

Impostare la proprietà jobOutputType per specificare il tipo di oggetto.

Per CustomModel, usare:

  "jobOutputType": "CustomModel",
  "mode": "string",
  "uri": "string"

Per MLFlowModel, usare:

  "jobOutputType": "MLFlowModel",
  "mode": "string",
  "uri": "string"

Per MLTable, usare:

  "jobOutputType": "MLTable",
  "mode": "string",
  "uri": "string"

Per Model, usare:

  "jobOutputType": "TritonModel",
  "mode": "string",
  "uri": "string"

Per UriFile, usare:

  "jobOutputType": "UriFile",
  "mode": "string",
  "uri": "string"

Per UriFolder, usare:

  "jobOutputType": "UriFolder",
  "mode": "string",
  "uri": "string"

Oggetti AutoMLVertical

Impostare la proprietà taskType per specificare il tipo di oggetto.

Per Classificazione, usare:

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

Per Previsione, usare:

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

Per ImageClassification, usare:

  "taskType": "ImageClassification",
  "dataSettings": {
    "targetColumnName": "string",
    "testData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "testDataSize": "int"
    },
    "trainingData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      }
    },
    "validationData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "validationDataSize": "int"
    }
  },
  "limitSettings": {
    "maxConcurrentTrials": "int",
    "maxTrials": "int",
    "timeout": "string"
  },
  "modelSettings": {
    "advancedSettings": "string",
    "amsGradient": "bool",
    "augmentations": "string",
    "beta1": "int",
    "beta2": "int",
    "checkpointDatasetId": "string",
    "checkpointFilename": "string",
    "checkpointFrequency": "int",
    "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",
    "splitRatio": "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",
      "splitRatio": "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
    },
    "limits": {
      "maxConcurrentTrials": "int",
      "maxTrials": "int"
    },
    "samplingAlgorithm": "string"
  }

Per ImageClassificationMultilabel, usare:

  "taskType": "ImageClassificationMultilabel",
  "dataSettings": {
    "targetColumnName": "string",
    "testData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "testDataSize": "int"
    },
    "trainingData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      }
    },
    "validationData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "validationDataSize": "int"
    }
  },
  "limitSettings": {
    "maxConcurrentTrials": "int",
    "maxTrials": "int",
    "timeout": "string"
  },
  "modelSettings": {
    "advancedSettings": "string",
    "amsGradient": "bool",
    "augmentations": "string",
    "beta1": "int",
    "beta2": "int",
    "checkpointDatasetId": "string",
    "checkpointFilename": "string",
    "checkpointFrequency": "int",
    "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",
    "splitRatio": "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",
      "splitRatio": "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
    },
    "limits": {
      "maxConcurrentTrials": "int",
      "maxTrials": "int"
    },
    "samplingAlgorithm": "string"
  }

Per ImageInstanceSegmentation, usare:

  "taskType": "ImageInstanceSegmentation",
  "dataSettings": {
    "targetColumnName": "string",
    "testData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "testDataSize": "int"
    },
    "trainingData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      }
    },
    "validationData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "validationDataSize": "int"
    }
  },
  "limitSettings": {
    "maxConcurrentTrials": "int",
    "maxTrials": "int",
    "timeout": "string"
  },
  "modelSettings": {
    "advancedSettings": "string",
    "amsGradient": "bool",
    "augmentations": "string",
    "beta1": "int",
    "beta2": "int",
    "boxDetectionsPerImage": "int",
    "boxScoreThreshold": "int",
    "checkpointDatasetId": "string",
    "checkpointFilename": "string",
    "checkpointFrequency": "int",
    "checkpointRunId": "string",
    "distributed": "bool",
    "earlyStopping": "bool",
    "earlyStoppingDelay": "int",
    "earlyStoppingPatience": "int",
    "enableOnnxNormalization": "bool",
    "evaluationFrequency": "int",
    "gradientAccumulationStep": "int",
    "imageSize": "int",
    "layersToFreeze": "int",
    "learningRate": "int",
    "learningRateScheduler": "string",
    "maxSize": "int",
    "minSize": "int",
    "modelName": "string",
    "modelSize": "string",
    "momentum": "int",
    "multiScale": "bool",
    "nesterov": "bool",
    "nmsIouThreshold": "int",
    "numberOfEpochs": "int",
    "numberOfWorkers": "int",
    "optimizer": "string",
    "randomSeed": "int",
    "splitRatio": "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",
      "splitRatio": "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
    },
    "limits": {
      "maxConcurrentTrials": "int",
      "maxTrials": "int"
    },
    "samplingAlgorithm": "string"
  }

Per ImageObjectDetection, usare:

  "taskType": "ImageObjectDetection",
  "dataSettings": {
    "targetColumnName": "string",
    "testData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "testDataSize": "int"
    },
    "trainingData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      }
    },
    "validationData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "validationDataSize": "int"
    }
  },
  "limitSettings": {
    "maxConcurrentTrials": "int",
    "maxTrials": "int",
    "timeout": "string"
  },
  "modelSettings": {
    "advancedSettings": "string",
    "amsGradient": "bool",
    "augmentations": "string",
    "beta1": "int",
    "beta2": "int",
    "boxDetectionsPerImage": "int",
    "boxScoreThreshold": "int",
    "checkpointDatasetId": "string",
    "checkpointFilename": "string",
    "checkpointFrequency": "int",
    "checkpointRunId": "string",
    "distributed": "bool",
    "earlyStopping": "bool",
    "earlyStoppingDelay": "int",
    "earlyStoppingPatience": "int",
    "enableOnnxNormalization": "bool",
    "evaluationFrequency": "int",
    "gradientAccumulationStep": "int",
    "imageSize": "int",
    "layersToFreeze": "int",
    "learningRate": "int",
    "learningRateScheduler": "string",
    "maxSize": "int",
    "minSize": "int",
    "modelName": "string",
    "modelSize": "string",
    "momentum": "int",
    "multiScale": "bool",
    "nesterov": "bool",
    "nmsIouThreshold": "int",
    "numberOfEpochs": "int",
    "numberOfWorkers": "int",
    "optimizer": "string",
    "randomSeed": "int",
    "splitRatio": "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",
      "splitRatio": "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
    },
    "limits": {
      "maxConcurrentTrials": "int",
      "maxTrials": "int"
    },
    "samplingAlgorithm": "string"
  }

Per regressione, usare:

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

Per TextClassification, usare:

  "taskType": "TextClassification",
  "dataSettings": {
    "targetColumnName": "string",
    "testData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "testDataSize": "int"
    },
    "trainingData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      }
    },
    "validationData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "validationDataSize": "int"
    }
  },
  "featurizationSettings": {
    "datasetLanguage": "string"
  },
  "limitSettings": {
    "maxConcurrentTrials": "int",
    "maxTrials": "int",
    "timeout": "string"
  },
  "primaryMetric": "string"

Per TextClassificationMultilabel, usare:

  "taskType": "TextClassificationMultilabel",
  "dataSettings": {
    "targetColumnName": "string",
    "testData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "testDataSize": "int"
    },
    "trainingData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      }
    },
    "validationData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "validationDataSize": "int"
    }
  },
  "featurizationSettings": {
    "datasetLanguage": "string"
  },
  "limitSettings": {
    "maxConcurrentTrials": "int",
    "maxTrials": "int",
    "timeout": "string"
  }

Per TextNER, usare:

  "taskType": "TextNER",
  "dataSettings": {
    "targetColumnName": "string",
    "testData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "testDataSize": "int"
    },
    "trainingData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      }
    },
    "validationData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "validationDataSize": "int"
    }
  },
  "featurizationSettings": {
    "datasetLanguage": "string"
  },
  "limitSettings": {
    "maxConcurrentTrials": "int",
    "maxTrials": "int",
    "timeout": "string"
  }

Oggetti NCrossValidations

Impostare la proprietà modalità per specificare il tipo di oggetto.

Per automatico, usare:

  "mode": "Auto"

Per personalizzato, usare:

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

Oggetti ForecastHorizon

Impostare la proprietà modalità per specificare il tipo di oggetto.

Per automatico, usare:

  "mode": "Auto"

Per personalizzato, usare:

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

Oggetti stagionalità

Impostare la proprietà modalità per specificare il tipo di oggetto.

Per automatico, usare:

  "mode": "Auto"

Per personalizzato, usare:

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

Oggetti TargetLags

Impostare la proprietà modalità per specificare il tipo di oggetto.

Per automatico, usare:

  "mode": "Auto"

Per personalizzato, usare:

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

Oggetti TargetRollingWindowSize

Impostare la proprietà modalità per specificare il tipo di oggetto.

Per automatico, usare:

  "mode": "Auto"

Per personalizzato, usare:

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

Oggetti EarlyTerminationPolicy

Impostare la proprietà policyType per specificare il tipo di oggetto.

Per Bandit, usare:

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

Per MedianStopping, usare:

  "policyType": "MedianStopping"

Per TruncationSelection, usare:

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

Oggetti DistributionConfiguration

Impostare la proprietà distributionType per specificare il tipo di oggetto.

Per Mpi, usare:

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

Per PyTorch, usare:

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

Per TensorFlow, usare:

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

Oggetti JobInput

Impostare la proprietà jobInputType per specificare il tipo di oggetto.

Per CustomModel, usare:

  "jobInputType": "CustomModel",
  "mode": "string",
  "uri": "string"

Per valore letterale, usare:

  "jobInputType": "Literal",
  "value": "string"

Per MLFlowModel, usare:

  "jobInputType": "MLFlowModel",
  "mode": "string",
  "uri": "string"

Per MLTable, usare:

  "jobInputType": "MLTable",
  "mode": "string",
  "uri": "string"

Per Model, usare:

  "jobInputType": "TritonModel",
  "mode": "string",
  "uri": "string"

Per UriFile, usare:

  "jobInputType": "UriFile",
  "mode": "string",
  "uri": "string"

Per UriFolder, usare:

  "jobInputType": "UriFolder",
  "mode": "string",
  "uri": "string"

Oggetti SamplingAlgorithm

Impostare la proprietà samplingAlgorithmType per specificare il tipo di oggetto.

Per bayesian, usare:

  "samplingAlgorithmType": "Bayesian"

Per Grid, usare:

  "samplingAlgorithmType": "Grid"

Per casuale, usare:

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

Valori delle proprietà

aree di lavoro/processi

Nome	Descrizione	Valore
digitare	Tipo di risorsa	'Microsoft.MachineLearningServices/workspaces/jobs'
apiVersion	Versione dell'API della risorsa	'2022-02-01-preview'
nome	Nome della risorsa Vedere come impostare nomi e tipi per le risorse figlio in modelli DI Resource Manager JSON.	stringa (obbligatorio)
proprietà	[Obbligatorio] Attributi aggiuntivi dell'entità.	JobBaseDetails (obbligatorio)

JobBaseDetails

Nome	Descrizione	Valore
computeId	ID risorsa ARM della risorsa di calcolo.	corda
descrizione	Testo della descrizione dell'asset.	corda
displayName	Nome visualizzato del processo.	corda
experimentName	Nome dell'esperimento a cui appartiene il processo. Se non è impostato, il processo viene inserito nell'esperimento "Default".	corda
identità	Configurazione dell'identità. Se impostato, deve essere uno di AmlToken, ManagedIdentity, UserIdentity o Null. L'impostazione predefinita è AmlToken se null.	IdentityConfiguration
isArchived	L'asset è archiviato?	Bool
proprietà	Dizionario delle proprietà dell'asset.	ResourceBaseProperties
Programma	Definizione di pianificazione del processo. Se non viene specificata alcuna pianificazione, il processo viene eseguito una volta e immediatamente dopo l'invio.	ScheduleBase
servizi	Elenco di JobEndpoints. Per i processi locali, un endpoint di processo avrà un valore endpoint di FileStreamObject.	JobBaseServices
Tag	Dizionario tag. I tag possono essere aggiunti, rimossi e aggiornati.	oggetto
jobType	Impostare il tipo di oggetto	AutoML comando pipeline sweep (obbligatorio)

IdentityConfiguration

Nome	Descrizione	Valore
identityType	Impostare il tipo di oggetto	AMLToken gestito UserIdentity (obbligatorio)

AmlToken

Nome	Descrizione	Valore
identityType	[Obbligatorio] Specifica il tipo di framework di gestione delle identità.	'AMLToken' (obbligatorio)

ManagedIdentity

Nome	Descrizione	Valore
identityType	[Obbligatorio] Specifica il tipo di framework di gestione delle identità.	'Managed' (obbligatorio)
clientId	Specifica un'identità assegnata dall'utente in base all'ID client. Per l'assegnazione del sistema, non impostare questo campo.	corda Vincoli: Lunghezza minima = 36 Lunghezza massima = 36 Pattern = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
objectId	Specifica un'identità assegnata dall'utente in base all'ID oggetto. Per l'assegnazione del sistema, non impostare questo campo.	corda Vincoli: Lunghezza minima = 36 Lunghezza massima = 36 Pattern = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
resourceId	Specifica un'identità assegnata dall'utente in base all'ID risorsa arm. Per l'assegnazione del sistema, non impostare questo campo.	corda

UserIdentity

Nome	Descrizione	Valore
identityType	[Obbligatorio] Specifica il tipo di framework di gestione delle identità.	'UserIdentity' (obbligatorio)

ResourceBaseProperties

Nome	Descrizione	Valore
{proprietà personalizzata}		corda

ScheduleBase

Nome	Descrizione	Valore
endTime	Specifica l'ora di fine della pianificazione nel formato ISO 8601. Se non è presente, la pianificazione verrà eseguita per un periodo illimitato	corda
scheduleStatus	Specifica lo stato della pianificazione	'Disabilitato' 'Enabled'
startTime	Specifica l'ora di inizio della pianificazione in formato ISO 8601.	corda
timeZone	Specifica il fuso orario in cui viene eseguita la pianificazione. TimeZone deve seguire il formato del fuso orario di Windows.	corda
scheduleType	Impostare il tipo di oggetto	Cron ricorrenza (obbligatorio)

CronSchedule

Nome	Descrizione	Valore
scheduleType	[Obbligatorio] Specifica il tipo di pianificazione	'Cron' (obbligatorio)
espressione	[Obbligatorio] Specifica l'espressione cron della pianificazione. L'espressione deve seguire il formato NCronTab.	stringa (obbligatorio) Vincoli: Pattern = [a-zA-Z0-9_]

RecurrenceSchedule

Nome	Descrizione	Valore
scheduleType	[Obbligatorio] Specifica il tipo di pianificazione	'Recurrence' (obbligatorio)
frequenza	[Obbligatorio] Specifica la frequenza con cui attivare la pianificazione	'Day' 'Hour' 'Minute' 'Month' 'Week' (obbligatorio)
intervallo	[Obbligatorio] Specifica l'intervallo di pianificazione in combinazione con la frequenza	int (obbligatorio)
modello	Specifica il modello di pianificazione delle ricorrenze	RecurrencePattern

RecurrencePattern

Nome	Descrizione	Valore
orario	[Obbligatorio] Elenco di ore per il modello di pianificazione ricorrenza	int[] (obbligatorio)
verbale	[Obbligatorio] Elenco di minuti per il modello di pianificazione della ricorrenza	int[] (obbligatorio)
giorni feriali	Elenco dei giorni feriali per il modello di pianificazione ricorrenza	Matrice di stringhe contenente uno dei seguenti elementi: 'Friday' 'Monday' 'Saturday' 'Domenica' 'Giovedì' 'Martedì' 'Mercoledì'

JobBaseServices

Nome	Descrizione	Valore
{proprietà personalizzata}		JobService

JobService

Nome	Descrizione	Valore
Endpoint	URL per l'endpoint.	corda
jobServiceType	Tipo di endpoint.	corda
porto	Porta per l'endpoint.	Int
proprietà	Proprietà aggiuntive da impostare nell'endpoint.	JobServiceProperties

JobServiceProperties

Nome	Descrizione	Valore
{proprietà personalizzata}		corda

AutoMLJob

Nome	Descrizione	Valore
jobType	[Obbligatorio] Specifica il tipo di processo.	'AutoML' (obbligatorio)
environmentId	ID risorsa ARM della specifica Ambiente per il processo. Questo è un valore facoltativo da specificare, se non specificato, l'impostazione predefinita di AutoML è la versione dell'ambiente curato per la produzione durante l'esecuzione del processo.	corda
environmentVariables	Variabili di ambiente incluse nel processo.	AutoMLJobEnvironmentVariables
Uscite	Mapping dei data binding di output usati nel processo.	AutoMLJobOutputs
risorse	Configurazione delle risorse di calcolo per il processo.	ResourceConfiguration
taskDetails	[Obbligatorio] Questo scenario rappresenta uno scenario che può essere una delle tabelle/NLP/Image	AutomaticoMLVertical (obbligatorio)

AutoMLJobEnvironmentVariables

Nome	Descrizione	Valore
{proprietà personalizzata}		corda

AutoMLJobOutputs

Nome	Descrizione	Valore
{proprietà personalizzata}		JobOutput

JobOutput

Nome	Descrizione	Valore
descrizione	Descrizione per l'output.	corda
jobOutputType	Impostare il tipo di oggetto	CustomModel MLFlowModel MLTable UriFile UriFolder (obbligatorio)

CustomModelJobOutput

Nome	Descrizione	Valore
jobOutputType	[Obbligatorio] Specifica il tipo di processo.	'CustomModel' (obbligatorio)
modo	Modalità di distribuzione degli asset di output.	'ReadWriteMount' 'Carica'
Uri	URI dell'asset di output.	corda

MLFlowModelJobOutput

Nome	Descrizione	Valore
jobOutputType	[Obbligatorio] Specifica il tipo di processo.	'MLFlowModel' (obbligatorio)
modo	Modalità di distribuzione degli asset di output.	'ReadWriteMount' 'Carica'
Uri	URI dell'asset di output.	corda

MLTableJobOutput

Nome	Descrizione	Valore
jobOutputType	[Obbligatorio] Specifica il tipo di processo.	'MLTable' (obbligatorio)
modo	Modalità di distribuzione degli asset di output.	'ReadWriteMount' 'Carica'
Uri	URI dell'asset di output.	corda

ModelModelJobOutput

Nome	Descrizione	Valore
jobOutputType	[Obbligatorio] Specifica il tipo di processo.	'Model' (obbligatorio)
modo	Modalità di distribuzione degli asset di output.	'ReadWriteMount' 'Carica'
Uri	URI dell'asset di output.	corda

UriFileJobOutput

Nome	Descrizione	Valore
jobOutputType	[Obbligatorio] Specifica il tipo di processo.	'UriFile' (obbligatorio)
modo	Modalità di distribuzione degli asset di output.	'ReadWriteMount' 'Carica'
Uri	URI dell'asset di output.	corda

UriFolderJobOutput

Nome	Descrizione	Valore
jobOutputType	[Obbligatorio] Specifica il tipo di processo.	'UriFolder' (obbligatorio)
modo	Modalità di distribuzione degli asset di output.	'ReadWriteMount' 'Carica'
Uri	URI dell'asset di output.	corda

ResourceConfiguration

Nome	Descrizione	Valore
instanceCount	Numero facoltativo di istanze o nodi usati dalla destinazione di calcolo.	Int
instanceType	Tipo facoltativo di macchina virtuale usato come supportato dalla destinazione di calcolo.	corda
proprietà	Contenitore di proprietà aggiuntive.	ResourceConfigurationProperties

ResourceConfigurationProperties

Nome	Descrizione	Valore
{proprietà personalizzata}

AutoMLVertical

Nome	Descrizione	Valore
logVerbosity	Registrare il livello di dettaglio per il processo.	'Critico' 'Debug' 'Error' 'Info' 'NotSet' 'Avviso'
taskType	Impostare il tipo di oggetto	classificazione previsione ImageClassification ImageClassificationMultilabel ImageInstanceSegmentation imageObjectDetection regressione TextClassification TextClassificationMultilabel TextNER (obbligatorio)

Classificazione

Nome	Descrizione	Valore
taskType	[Obbligatorio] Tipo di attività per AutoMLJob.	'Classification' (obbligatorio)
allowedModels	Modelli consentiti per l'attività di classificazione.	Matrice di stringhe contenente uno dei seguenti elementi: 'BernoulliNaiveBayes' 'DecisionTree' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LightGBM' 'LinearSVM' 'LogisticRegression' 'MultinomialNaiveBayes' 'RandomForest' 'SGD' 'SVM' 'XGBoostClassifier'
blockedModels	Modelli bloccati per l'attività di classificazione.	Matrice di stringhe contenente uno dei seguenti elementi: 'BernoulliNaiveBayes' 'DecisionTree' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LightGBM' 'LinearSVM' 'LogisticRegression' 'MultinomialNaiveBayes' 'RandomForest' 'SGD' 'SVM' 'XGBoostClassifier'
dataSettings	Input di dati per AutoMLJob.	TableVerticalDataSettings
featurizationSettings	Input di definizione delle caratteristiche necessari per il processo AutoML.	TableVerticalFeaturizationSettings
limitSettings	Vincoli di esecuzione per AutoMLJob.	TableVerticalLimitSettings
primaryMetric	Metrica primaria per l'attività.	'AUCWeighted' 'Accuratezza' 'AveragePrecisionScoreWeighted' 'NormMacroRecall' 'PrecisionScoreWeighted'
trainingSettings	Input per la fase di training per un processo AutoML.	TrainingSettings

TableVerticalDataSettings

Nome	Descrizione	Valore
targetColumnName	[Obbligatorio] Nome colonna di destinazione: colonna dei valori di stima. Noto anche come nome di colonna etichetta nel contesto delle attività di classificazione.	stringa (obbligatorio) Vincoli: Pattern = [a-zA-Z0-9_]
testData	Testare l'input dei dati.	testDataSettings
trainingData	[Obbligatorio] Input dei dati di training.	TrainingDataSettings (obbligatorio)
validationData	Input dei dati di convalida.	TableVerticalValidationDataSettings
weightColumnName	Nome della colonna peso campione. Machine Learning automatizzato supporta una colonna ponderata come input, causando il peso delle righe nei dati verso l'alto o verso il basso.	corda

TestDataSettings

Nome	Descrizione	Valore
dati	Eseguire il test di MLTable dei dati.	MLTableJobInput
testDataSize	Frazione del set di dati di test da riservare a scopo di convalida. Valori compresi tra (0,0 , 1,0) Applicato quando non viene fornito il set di dati di convalida.	Int

MLTableJobInput

Nome	Descrizione	Valore
descrizione	Descrizione per l'input.	corda
jobInputType	[Obbligatorio] Specifica il tipo di processo.	'CustomModel' 'Literal' 'MLFlowModel' 'MLTable' 'Model' 'UriFile' 'UriFolder' (obbligatorio)
modo	Modalità di distribuzione degli asset di input.	'Direct' 'Download' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
Uri	[Obbligatorio] URI dell'asset di input.	stringa (obbligatorio) Vincoli: Pattern = [a-zA-Z0-9_]

TrainingDataSettings

Nome	Descrizione	Valore
dati	[Obbligatorio] Training dei dati MLTable.	MLTableJobInput (obbligatorio)

TableVerticalValidationDataSettings

Nome	Descrizione	Valore
cvSplitColumnNames	Colonne da utilizzare per i dati CVSplit.	string[]
dati	MlTable dei dati di convalida.	MLTableJobInput
nCrossValidations	Numero di riduzioni di convalida incrociata da applicare al set di dati di training quando il set di dati di convalida non viene fornito.	NCrossValidations
validationDataSize	Frazione del set di dati di training da riservare a scopo di convalida. Valori compresi tra (0,0 , 1,0) Applicato quando non viene fornito il set di dati di convalida.	Int

NCrossValidations

Nome	Descrizione	Valore
modo	Impostare il tipo di oggetto	automatico personalizzato (obbligatorio)

AutoNCrossValidations

Nome	Descrizione	Valore
modo	[Obbligatorio] Modalità per determinare le convalide tra N.	'Auto' (obbligatorio)

CustomNCrossValidations

Nome	Descrizione	Valore
modo	[Obbligatorio] Modalità per determinare le convalide tra N.	'Custom' (obbligatorio)
valore	[Obbligatorio] Valore delle convalide incrociate N.	int (obbligatorio)

TableVerticalFeaturizationSettings

Nome	Descrizione	Valore
blockedTransformers	Questi trasformatori non devono essere utilizzati nella definizione delle caratteristiche.	string[]
columnNameAndTypes	Dizionario del nome della colonna e del relativo tipo (int, float, string, datetime e così via).	tableVerticalFeaturizationSettingsColumnNameAndTypes
datasetLanguage	Lingua del set di dati, utile per i dati di testo.	corda
dropColumns	Colonne da eliminare dai dati durante la definizione delle caratteristiche.	string[]
enableDnnFeaturization	Determina se utilizzare gli strumenti di funzionalità basati su Dnn per la definizione delle caratteristiche dei dati.	Bool
modo	Modalità di definizione delle caratteristiche: l'utente può mantenere la modalità predefinita "Auto" e AutoML si occuperà della trasformazione necessaria dei dati nella fase di definizione delle caratteristiche. Se l'opzione 'Off' è selezionata, non viene eseguita alcuna definizione di funzionalità. Se l'opzione 'Custom' è selezionata, l'utente può specificare input aggiuntivi per personalizzare la modalità di definizione delle caratteristiche.	'Auto' 'Custom' 'Off'
transformerParams	L'utente può specificare trasformatori aggiuntivi da utilizzare insieme alle colonne a cui verrebbe applicato e parametri per il costruttore del trasformatore.	TableVerticalFeaturizationSettingsTransformerParams

TableVerticalFeaturizationSettingsColumnNameAndTypes

Nome	Descrizione	Valore
{proprietà personalizzata}		corda

TableVerticalFeaturizationSettingsTransformerParams

Nome	Descrizione	Valore
{proprietà personalizzata}		ColumnTransformer []

ColumnTransformer

Nome	Descrizione	Valore
Campi	Campi su cui applicare la logica del trasformatore.	string[]
Parametri	Proprietà diverse da passare al trasformatore. L'input previsto è un dizionario di coppie chiave,valore in formato JSON.

TableVerticalLimitSettings

Nome	Descrizione	Valore
enableEarlyTermination	Abilitare la terminazione anticipata, determina se AutoMLJob terminerà in anticipo se negli ultimi 20 iterazioni non è presente alcun miglioramento del punteggio.	Bool
exitScore	Punteggio di uscita per il processo AutoML.	Int
maxConcurrentTrials	Numero massimo di iterazioni simultanee.	Int
maxCoresPerTrial	Numero massimo di core per iterazione.	Int
maxTrials	Numero di iterazioni.	Int
Timeout	Timeout del processo AutoML.	corda
trialTimeout	Timeout di iterazione.	corda

TrainingSettings

Nome	Descrizione	Valore
enableDnnTraining	Abilitare la raccomandazione dei modelli DNN.	Bool
enableModelExplainability	Flag per attivare la spiegazione sul modello migliore.	Bool
enableOnnxCompatibleModels	Flag per l'abilitazione di modelli compatibili con onnx.	Bool
enableStackEnsemble	Abilitare l'esecuzione dell'insieme dello stack.	Bool
enableVoteEnsemble	Abilitare l'esecuzione dell'ensemble di voto.	Bool
ensembleModelDownloadTimeout	Durante la generazione di modelli VotingEnsemble e StackEnsemble, vengono scaricati più modelli montati dalle esecuzioni figlio precedenti. Configurare questo parametro con un valore superiore a 300 sec, se è necessario più tempo.	corda
stackEnsembleSettings	Impostazioni dell'insieme di stack per l'esecuzione dell'insieme di stack.	StackEnsembleSettings

StackEnsembleSettings

Nome	Descrizione	Valore
stackMetaLearnerKWargs	Parametri facoltativi da passare all'inizializzatore del meta-learner.
stackMetaLearnerTrainPercentage	Specifica la proporzione del set di training (quando si sceglie il tipo di training e di convalida) da riservare per il training del meta-apprendimento. Il valore predefinito è 0,2.	Int
stackMetaLearnerType	Il meta-learner è un modello sottoposto a training sull'output dei singoli modelli eterogenei.	'ElasticNet' 'ElasticNetCV' 'LightGBMClassifier' 'LightGBMRegressor' 'LinearRegression' 'LogisticRegression' 'LogisticRegressionCV' 'Nessuno'

Previsione

Nome	Descrizione	Valore
taskType	[Obbligatorio] Tipo di attività per AutoMLJob.	'Forecasting' (obbligatorio)
allowedModels	Modelli consentiti per l'attività di previsione.	Matrice di stringhe contenente uno dei seguenti elementi: 'Arimax' 'AutoArima' 'Average' 'DecisionTree' 'ElasticNet' 'ExponentialSmoothing' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'Naive' 'Profeta' 'RandomForest' 'SGD' 'SeasonalAverage' 'SeasonalNaive' 'TCNForecaster' 'XGBoostRegressor'
blockedModels	Modelli bloccati per l'attività di previsione.	Matrice di stringhe contenente uno dei seguenti elementi: 'Arimax' 'AutoArima' 'Average' 'DecisionTree' 'ElasticNet' 'ExponentialSmoothing' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'Naive' 'Profeta' 'RandomForest' 'SGD' 'SeasonalAverage' 'SeasonalNaive' 'TCNForecaster' 'XGBoostRegressor'
dataSettings	Input di dati per AutoMLJob.	TableVerticalDataSettings
featurizationSettings	Input di definizione delle caratteristiche necessari per il processo AutoML.	TableVerticalFeaturizationSettings
forecastingSettings	Previsione di input specifici dell'attività.	ForecastingSettings
limitSettings	Vincoli di esecuzione per AutoMLJob.	TableVerticalLimitSettings
primaryMetric	Metrica primaria per l'attività di previsione.	'NormalizedMeanAbsoluteError' 'NormalizedRootMeanSquaredError' 'R2Score' 'SpearmanCorrelation'
trainingSettings	Input per la fase di training per un processo AutoML.	TrainingSettings

ForecastingSettings

Nome	Descrizione	Valore
countryOrRegionForHolidays	Paese o area geografica per le vacanze per le attività di previsione. Devono essere codici PAESE/area geografica ISO 3166, ad esempio 'US' o 'GB'.	corda
cvStepSize	Numero di periodi tra l'ora di origine di una piega cv e la piega successiva. Per ad esempio, se CVStepSize = 3 per i dati giornalieri, l'ora di origine per ogni piega sarà tre giorni a parte.	Int
featureLags	Flag per la generazione di ritardi per le funzionalità numeriche con 'auto' o Null.	'Auto' 'Nessuno'
forecastHorizon	L'orizzonte di previsione massimo desiderato in unità di frequenza delle serie temporali.	ForecastHorizon
frequenza	Durante la previsione, questo parametro rappresenta il periodo con cui si desidera eseguire la previsione, ad esempio giornaliera, settimanale, annuale e così via. La frequenza di previsione è la frequenza del set di dati per impostazione predefinita.	corda
stagionalità	Impostare la stagionalità delle serie temporali come numero intero multiplo della frequenza della serie. Se la stagionalità è impostata su "auto", verrà dedotta.	stagionalità
shortSeriesHandlingConfig	Parametro che definisce come se AutoML deve gestire serie temporali brevi.	'Auto' 'Drop' 'Nessuno' 'Pad'
targetAggregateFunction	Funzione da utilizzare per aggregare la colonna di destinazione della serie temporale in modo che sia conforme a una frequenza specificata dall'utente. Se targetAggregateFunction è impostato, ad esempio non 'None', ma il parametro freq non è impostato, viene generato l'errore. Le possibili funzioni di aggregazione di destinazione sono: "sum", "max", "min" e "mean".	'Max' 'Mean' 'Min' 'Nessuno' 'Sum'
targetLags	Numero di periodi passati di ritardo dalla colonna di destinazione.	TargetLags
targetRollingWindowSize	Numero di periodi passati utilizzati per creare una media della finestra mobile della colonna di destinazione.	TargetRollingWindowSize
timeColumnName	Nome della colonna temporale. Questo parametro è obbligatorio quando si prevede di specificare la colonna datetime nei dati di input usati per compilare la serie temporale e dedurre la relativa frequenza.	corda
timeSeriesIdColumnNames	Nomi delle colonne utilizzate per raggruppare un timeeries. Può essere usato per creare più serie. Se la granularità non è definita, si presuppone che il set di dati sia una serie temporale. Questo parametro viene usato con la previsione del tipo di attività.	string[]
useStl	Configurare la sCOMposizione STL della colonna di destinazione della serie temporale.	'Nessuno' 'Season' 'SeasonTrend'

ForecastHorizon

Nome	Descrizione	Valore
modo	Impostare il tipo di oggetto	automatico personalizzato (obbligatorio)

AutoForecastHorizon

Nome	Descrizione	Valore
modo	[Obbligatorio] Impostare la modalità di selezione del valore dell'orizzonte di previsione.	'Auto' (obbligatorio)

CustomForecastHorizon

Nome	Descrizione	Valore
modo	[Obbligatorio] Impostare la modalità di selezione del valore dell'orizzonte di previsione.	'Custom' (obbligatorio)
valore	[Obbligatorio] Valore dell'orizzonte di previsione.	int (obbligatorio)

Stagionalità

Nome	Descrizione	Valore
modo	Impostare il tipo di oggetto	automatico personalizzato (obbligatorio)

AutoSeasonality

Nome	Descrizione	Valore
modo	[Obbligatorio] Modalità stagionalità.	'Auto' (obbligatorio)

CustomSeasonality

Nome	Descrizione	Valore
modo	[Obbligatorio] Modalità stagionalità.	'Custom' (obbligatorio)
valore	[Obbligatorio] Valore stagionalità.	int (obbligatorio)

TargetLags

Nome	Descrizione	Valore
modo	Impostare il tipo di oggetto	automatico personalizzato (obbligatorio)

AutoTargetLags

Nome	Descrizione	Valore
modo	[Obbligatorio] Impostare la modalità di ritardo di destinazione - Auto/Personalizzato	'Auto' (obbligatorio)

CustomTargetLags

Nome	Descrizione	Valore
modo	[Obbligatorio] Impostare la modalità di ritardo di destinazione - Auto/Personalizzato	'Custom' (obbligatorio)
valori	[Obbligatorio] Impostare i valori di ritardo di destinazione.	int[] (obbligatorio)

TargetRollingWindowSize

Nome	Descrizione	Valore
modo	Impostare il tipo di oggetto	automatico personalizzato (obbligatorio)

AutoTargetRollingWindowSize

Nome	Descrizione	Valore
modo	[Obbligatorio] Modalità di rilevamento TargetRollingWindowSiz.	'Auto' (obbligatorio)

CustomTargetRollingWindowSize

Nome	Descrizione	Valore
modo	[Obbligatorio] Modalità di rilevamento TargetRollingWindowSiz.	'Custom' (obbligatorio)
valore	[Obbligatorio] Valore TargetRollingWindowSize.	int (obbligatorio)

ImageClassification

Nome	Descrizione	Valore
taskType	[Obbligatorio] Tipo di attività per AutoMLJob.	'ImageClassification' (obbligatorio)
dataSettings	[Obbligatorio] Raccolta di ID set di dati tabulari registrati e altre impostazioni di dati necessarie per il training e la convalida dei modelli.	ImageVerticalDataSettings (obbligatorio)
limitSettings	[Obbligatorio] Limitare le impostazioni per il processo AutoML.	ImageLimitSettings (obbligatorio)
modelSettings	Impostazioni usate per il training del modello.	ImageModelSettingsClassification
primaryMetric	Metrica primaria da ottimizzare per questa attività.	'AUCWeighted' 'Accuratezza' 'AveragePrecisionScoreWeighted' 'NormMacroRecall' 'PrecisionScoreWeighted'
searchSpace	Cercare spazio per il campionamento di diverse combinazioni di modelli e dei relativi iperparametri.	ImageModelDistributionSettingsClassification[]
sweepSettings	Sweep del modello e sweep degli iperparametri per le impostazioni correlate.	ImageSweepSettings

ImageVerticalDataSettings

Nome	Descrizione	Valore
targetColumnName	[Obbligatorio] Nome colonna di destinazione: colonna dei valori di stima. Noto anche come nome di colonna etichetta nel contesto delle attività di classificazione.	stringa (obbligatorio) Vincoli: Pattern = [a-zA-Z0-9_]
testData	Testare l'input dei dati.	testDataSettings
trainingData	[Obbligatorio] Input dei dati di training.	TrainingDataSettings (obbligatorio)
validationData	Impostazioni per il set di dati di convalida.	imageVerticalValidationDataSettings

ImageVerticalValidationDataSettings

Nome	Descrizione	Valore
dati	MlTable dei dati di convalida.	MLTableJobInput
validationDataSize	Frazione del set di dati di training da riservare a scopo di convalida. Valori compresi tra (0,0 , 1,0) Applicato quando non viene fornito il set di dati di convalida.	Int

ImageLimitSettings

Nome	Descrizione	Valore
maxConcurrentTrials	Numero massimo di iterazioni AutoML simultanee.	Int
maxTrials	Numero massimo di iterazioni AutoML.	Int
Timeout	Timeout del processo AutoML.	corda

ImageModelSettingsClassification

Nome	Descrizione	Valore
advancedSettings	Impostazioni per scenari avanzati.	corda
amsGradient	Abilitare AMSGrad quando Optimizer è 'adam' o 'adamw'.	Bool
incrementi	Impostazioni per l'uso di Augmentations.	corda
beta1	Valore di 'beta1' quando optimizer è 'adam' o 'adamw'. Deve essere un valore float nell'intervallo [0, 1].	Int
beta2	Valore di 'beta2' quando optimizer è 'adam' o 'adamw'. Deve essere un valore float nell'intervallo [0, 1].	Int
checkpointDatasetId	ID FileDataset per i checkpoint con training preliminare per il training incrementale. Assicurarsi di passare CheckpointFilename insieme a CheckpointDatasetId.	corda
checkpointFilename	Nome file del checkpoint con training preliminare in FileDataset per il training incrementale. Assicurarsi di passare CheckpointDatasetId insieme a CheckpointFilename.	corda
checkpointFrequency	Frequenza per archiviare i checkpoint del modello. Deve essere un numero intero positivo.	Int
checkpointRunId	ID di un'esecuzione precedente con un checkpoint con training preliminare per il training incrementale.	corda
distribuito	Indica se usare il training distribuito.	Bool
earlyStopping	Abilitare la logica di arresto anticipato durante il training.	Bool
earlyStoppingDelay	Numero minimo di periodi o valutazioni di convalida da attendere prima del miglioramento della metrica primaria viene monitorato per l'arresto anticipato. Deve essere un numero intero positivo.	Int
earlyStoppingPatience	Numero minimo di periodi o valutazioni di convalida senza miglioramenti delle metriche primarie prima l'esecuzione viene arrestata. Deve essere un numero intero positivo.	Int
enableOnnxNormalization	Abilitare la normalizzazione durante l'esportazione del modello ONNX.	Bool
evaluationFrequency	Frequenza per valutare il set di dati di convalida per ottenere i punteggi delle metriche. Deve essere un numero intero positivo.	Int
gradientAccumulationStep	L'accumulo di sfumature significa eseguire un numero configurato di passaggi "GradAccumulationStep" senza aggiornamento dei pesi del modello durante l'accumulo delle sfumature di tali passaggi e quindi uso gradienti accumulati per calcolare gli aggiornamenti del peso. Deve essere un numero intero positivo.	Int
layersToFreeze	Numero di livelli da bloccare per il modello. Deve essere un numero intero positivo. Ad esempio, passando 2 come valore per "seresnext" significa livello di congelamento0 e layer1. Per un elenco completo dei modelli supportati e i dettagli sul blocco del livello, vedere see: /azure/machine-learning/how-to-auto-train-image-models.	Int
learningRate	Frequenza di apprendimento iniziale. Deve essere un valore float nell'intervallo [0, 1].	Int
learningRateScheduler	Tipo di utilità di pianificazione della frequenza di apprendimento. Deve essere "warmup_cosine" o "passaggio".	'Nessuno' 'Step' 'WarmupCosine'
modelName	Nome del modello da usare per il training. Per altre informazioni sui modelli disponibili, vedere la documentazione ufficiale: /azure/machine-learning/how-to-auto-train-image-models.	corda
slancio	Valore di momentum quando optimizer è 'sgd'. Deve essere un valore float nell'intervallo [0, 1].	Int
nesterov	Abilitare nesterov quando optimizer è "sgd".	Bool
numberOfEpochs	Numero di periodi di training. Deve essere un numero intero positivo.	Int
numberOfWorkers	Numero di ruoli di lavoro del caricatore di dati. Deve essere un numero intero non negativo.	Int
ottimizzatore	Tipo di ottimizzatore.	'Adam' 'Adamw' 'Nessuno' 'Sgd'
randomSeed	Valore di inizializzazione casuale da usare quando si usa il training deterministico.	Int
splitRatio	Se i dati di convalida non sono definiti, specifica il rapporto di divisione per la suddivisione eseguire il training dei dati in subset di training e convalida casuali. Deve essere un valore float nell'intervallo [0, 1].	Int
stepLRGamma	Il valore gamma quando l'utilità di pianificazione della frequenza di apprendimento è 'step'. Deve essere un valore float nell'intervallo [0, 1].	Int
stepLRStepSize	Valore delle dimensioni del passaggio quando l'utilità di pianificazione della frequenza di apprendimento è "passaggio". Deve essere un numero intero positivo.	Int
trainingBatchSize	Dimensioni batch di training. Deve essere un numero intero positivo.	Int
trainingCropSize	Dimensioni di ritaglio delle immagini che vengono immesse nella rete neurale per il set di dati di training. Deve essere un numero intero positivo.	Int
validationBatchSize	Dimensioni batch di convalida. Deve essere un numero intero positivo.	Int
validationCropSize	Dimensione ritaglio immagine che viene immessa nella rete neurale per il set di dati di convalida. Deve essere un numero intero positivo.	Int
validationResizeSize	Dimensioni dell'immagine in cui ridimensionare prima del ritaglio per il set di dati di convalida. Deve essere un numero intero positivo.	Int
warmupCosineLRCycles	Il valore del ciclo coseno quando l'utilità di pianificazione della frequenza di apprendimento è "warmup_cosine". Deve essere un valore float nell'intervallo [0, 1].	Int
warmupCosineLRWarmupEpochs	Il valore dei periodi di riscaldamento quando l'utilità di pianificazione della frequenza di apprendimento è "warmup_cosine". Deve essere un numero intero positivo.	Int
weightDecay	Valore del decadimento del peso quando optimizer è 'sgd', 'adam' o 'adamw'. Deve essere un valore float nell'intervallo[0, 1].	Int
weightedLoss	Perdita ponderata. I valori accettati sono 0 per nessuna perdita ponderata. 1 per perdita ponderata con sqrt. (class_weights). 2 per perdita ponderata con class_weights. Deve essere 0 o 1 o 2.	Int

ImageModelDistributionSettingsClassification

Nome	Descrizione	Valore
amsGradient	Abilitare AMSGrad quando Optimizer è 'adam' o 'adamw'.	corda
incrementi	Impostazioni per l'uso di Augmentations.	corda
beta1	Valore di 'beta1' quando optimizer è 'adam' o 'adamw'. Deve essere un valore float nell'intervallo [0, 1].	corda
beta2	Valore di 'beta2' quando optimizer è 'adam' o 'adamw'. Deve essere un valore float nell'intervallo [0, 1].	corda
distribuito	Indica se usare il training di distributer.	corda
earlyStopping	Abilitare la logica di arresto anticipato durante il training.	corda
earlyStoppingDelay	Numero minimo di periodi o valutazioni di convalida da attendere prima del miglioramento della metrica primaria viene monitorato per l'arresto anticipato. Deve essere un numero intero positivo.	corda
earlyStoppingPatience	Numero minimo di periodi o valutazioni di convalida senza miglioramenti delle metriche primarie prima l'esecuzione viene arrestata. Deve essere un numero intero positivo.	corda
enableOnnxNormalization	Abilitare la normalizzazione durante l'esportazione del modello ONNX.	corda
evaluationFrequency	Frequenza per valutare il set di dati di convalida per ottenere i punteggi delle metriche. Deve essere un numero intero positivo.	corda
gradientAccumulationStep	L'accumulo di sfumature significa eseguire un numero configurato di passaggi "GradAccumulationStep" senza aggiornamento dei pesi del modello durante l'accumulo delle sfumature di tali passaggi e quindi uso gradienti accumulati per calcolare gli aggiornamenti del peso. Deve essere un numero intero positivo.	corda
layersToFreeze	Numero di livelli da bloccare per il modello. Deve essere un numero intero positivo. Ad esempio, passando 2 come valore per "seresnext" significa livello di congelamento0 e layer1. Per un elenco completo dei modelli supportati e i dettagli sul blocco del livello, vedere see: /azure/machine-learning/how-to-auto-train-image-models.	corda
learningRate	Frequenza di apprendimento iniziale. Deve essere un valore float nell'intervallo [0, 1].	corda
learningRateScheduler	Tipo di utilità di pianificazione della frequenza di apprendimento. Deve essere "warmup_cosine" o "passaggio".	corda
modelName	Nome del modello da usare per il training. Per altre informazioni sui modelli disponibili, vedere la documentazione ufficiale: /azure/machine-learning/how-to-auto-train-image-models.	corda
slancio	Valore di momentum quando optimizer è 'sgd'. Deve essere un valore float nell'intervallo [0, 1].	corda
nesterov	Abilitare nesterov quando optimizer è "sgd".	corda
numberOfEpochs	Numero di periodi di training. Deve essere un numero intero positivo.	corda
numberOfWorkers	Numero di ruoli di lavoro del caricatore di dati. Deve essere un numero intero non negativo.	corda
ottimizzatore	Tipo di ottimizzatore. Deve essere 'sgd', 'adam', o 'adamw'.	corda
randomSeed	Valore di inizializzazione casuale da usare quando si usa il training deterministico.	corda
splitRatio	Se i dati di convalida non sono definiti, specifica il rapporto di divisione per la suddivisione eseguire il training dei dati in subset di training e convalida casuali. Deve essere un valore float nell'intervallo [0, 1].	corda
stepLRGamma	Il valore gamma quando l'utilità di pianificazione della frequenza di apprendimento è 'step'. Deve essere un valore float nell'intervallo [0, 1].	corda
stepLRStepSize	Valore delle dimensioni del passaggio quando l'utilità di pianificazione della frequenza di apprendimento è "passaggio". Deve essere un numero intero positivo.	corda
trainingBatchSize	Dimensioni batch di training. Deve essere un numero intero positivo.	corda
trainingCropSize	Dimensioni di ritaglio delle immagini che vengono immesse nella rete neurale per il set di dati di training. Deve essere un numero intero positivo.	corda
validationBatchSize	Dimensioni batch di convalida. Deve essere un numero intero positivo.	corda
validationCropSize	Dimensione ritaglio immagine che viene immessa nella rete neurale per il set di dati di convalida. Deve essere un numero intero positivo.	corda
validationResizeSize	Dimensioni dell'immagine in cui ridimensionare prima del ritaglio per il set di dati di convalida. Deve essere un numero intero positivo.	corda
warmupCosineLRCycles	Il valore del ciclo coseno quando l'utilità di pianificazione della frequenza di apprendimento è "warmup_cosine". Deve essere un valore float nell'intervallo [0, 1].	corda
warmupCosineLRWarmupEpochs	Il valore dei periodi di riscaldamento quando l'utilità di pianificazione della frequenza di apprendimento è "warmup_cosine". Deve essere un numero intero positivo.	corda
weightDecay	Valore del decadimento del peso quando optimizer è 'sgd', 'adam' o 'adamw'. Deve essere un valore float nell'intervallo[0, 1].	corda
weightedLoss	Perdita ponderata. I valori accettati sono 0 per nessuna perdita ponderata. 1 per perdita ponderata con sqrt. (class_weights). 2 per perdita ponderata con class_weights. Deve essere 0 o 1 o 2.	corda

ImageSweepSettings

Nome	Descrizione	Valore
earlyTermination	Tipo di criteri di terminazione anticipata.	EarlyTerminationPolicy
Limiti	[Obbligatorio] Limitare le impostazioni per lo sweep del modello e lo sweep degli iperparametri.	imageSweepLimitSettings (obbligatorio)
campionamentoAlgorithm	[Obbligatorio] Tipo degli algoritmi di campionamento degli iperparametri.	'Bayesian' 'Grid' 'Random' (obbligatorio)

EarlyTerminationPolicy

Nome	Descrizione	Valore
delayEvaluation	Numero di intervalli in base ai quali ritardare la prima valutazione.	Int
evaluationInterval	Intervallo (numero di esecuzioni) tra le valutazioni dei criteri.	Int
policyType	Impostare il tipo di oggetto	Bandit MedianStopping truncationSelection (obbligatorio)

BanditPolicy

Nome	Descrizione	Valore
policyType	[Obbligatorio] Nome della configurazione dei criteri	'Bandit' (obbligatorio)
slackAmount	Distanza assoluta consentita dalla migliore esecuzione.	Int
slackFactor	Rapporto tra la distanza consentita e l'esecuzione con prestazioni migliori.	Int

MedianStoppingPolicy

Nome	Descrizione	Valore
policyType	[Obbligatorio] Nome della configurazione dei criteri	'MedianStopping' (obbligatorio)

TruncationSelectionPolicy

Nome	Descrizione	Valore
policyType	[Obbligatorio] Nome della configurazione dei criteri	'TruncationSelection' (obbligatorio)
truncationPercentage	Percentuale di esecuzioni da annullare a ogni intervallo di valutazione.	Int

ImageSweepLimitSettings

Nome	Descrizione	Valore
maxConcurrentTrials	Numero massimo di iterazioni simultanee per il processo Sweep sottostante.	Int
maxTrials	Numero massimo di iterazioni per il processo Sweep sottostante.	Int

ImageClassificationMultilabel

Nome	Descrizione	Valore
taskType	[Obbligatorio] Tipo di attività per AutoMLJob.	'ImageClassificationMultilabel' (obbligatorio)
dataSettings	[Obbligatorio] Raccolta di ID set di dati tabulari registrati e altre impostazioni di dati necessarie per il training e la convalida dei modelli.	ImageVerticalDataSettings (obbligatorio)
limitSettings	[Obbligatorio] Limitare le impostazioni per il processo AutoML.	ImageLimitSettings (obbligatorio)
modelSettings	Impostazioni usate per il training del modello.	ImageModelSettingsClassification
primaryMetric	Metrica primaria da ottimizzare per questa attività.	'AUCWeighted' 'Accuratezza' 'AveragePrecisionScoreWeighted' 'IOU' 'NormMacroRecall' 'PrecisionScoreWeighted'
searchSpace	Cercare spazio per il campionamento di diverse combinazioni di modelli e dei relativi iperparametri.	ImageModelDistributionSettingsClassification[]
sweepSettings	Sweep del modello e sweep degli iperparametri per le impostazioni correlate.	ImageSweepSettings

ImageInstanceSegmentation

Nome	Descrizione	Valore
taskType	[Obbligatorio] Tipo di attività per AutoMLJob.	'ImageInstanceSegmentation' (obbligatorio)
dataSettings	[Obbligatorio] Raccolta di ID set di dati tabulari registrati e altre impostazioni di dati necessarie per il training e la convalida dei modelli.	ImageVerticalDataSettings (obbligatorio)
limitSettings	[Obbligatorio] Limitare le impostazioni per il processo AutoML.	ImageLimitSettings (obbligatorio)
modelSettings	Impostazioni usate per il training del modello.	ImageModelSettingsObjectDetection
primaryMetric	Metrica primaria da ottimizzare per questa attività.	'MeanAveragePrecision'
searchSpace	Cercare spazio per il campionamento di diverse combinazioni di modelli e dei relativi iperparametri.	ImageModelDistributionSettingsObjectDetection[]
sweepSettings	Sweep del modello e sweep degli iperparametri per le impostazioni correlate.	ImageSweepSettings

ImageModelSettingsObjectDetection

Nome	Descrizione	Valore
advancedSettings	Impostazioni per scenari avanzati.	corda
amsGradient	Abilitare AMSGrad quando Optimizer è 'adam' o 'adamw'.	Bool
incrementi	Impostazioni per l'uso di Augmentations.	corda
beta1	Valore di 'beta1' quando optimizer è 'adam' o 'adamw'. Deve essere un valore float nell'intervallo [0, 1].	Int
beta2	Valore di 'beta2' quando optimizer è 'adam' o 'adamw'. Deve essere un valore float nell'intervallo [0, 1].	Int
boxDetectionsPerImage	Numero massimo di rilevamenti per immagine, per tutte le classi. Deve essere un numero intero positivo. Nota: queste impostazioni non sono supportate per l'algoritmo "yolov5".	Int
boxScoreThreshold	Durante l'inferenza, restituisce solo proposte con un punteggio di classificazione maggiore di BoxScoreThreshold. Deve essere un valore float nell'intervallo[0, 1].	Int
checkpointDatasetId	ID FileDataset per i checkpoint con training preliminare per il training incrementale. Assicurarsi di passare CheckpointFilename insieme a CheckpointDatasetId.	corda
checkpointFilename	Nome file del checkpoint con training preliminare in FileDataset per il training incrementale. Assicurarsi di passare CheckpointDatasetId insieme a CheckpointFilename.	corda
checkpointFrequency	Frequenza per archiviare i checkpoint del modello. Deve essere un numero intero positivo.	Int
checkpointRunId	ID di un'esecuzione precedente con un checkpoint con training preliminare per il training incrementale.	corda
distribuito	Indica se usare il training distribuito.	Bool
earlyStopping	Abilitare la logica di arresto anticipato durante il training.	Bool
earlyStoppingDelay	Numero minimo di periodi o valutazioni di convalida da attendere prima del miglioramento della metrica primaria viene monitorato per l'arresto anticipato. Deve essere un numero intero positivo.	Int
earlyStoppingPatience	Numero minimo di periodi o valutazioni di convalida senza miglioramenti delle metriche primarie prima l'esecuzione viene arrestata. Deve essere un numero intero positivo.	Int
enableOnnxNormalization	Abilitare la normalizzazione durante l'esportazione del modello ONNX.	Bool
evaluationFrequency	Frequenza per valutare il set di dati di convalida per ottenere i punteggi delle metriche. Deve essere un numero intero positivo.	Int
gradientAccumulationStep	L'accumulo di sfumature significa eseguire un numero configurato di passaggi "GradAccumulationStep" senza aggiornamento dei pesi del modello durante l'accumulo delle sfumature di tali passaggi e quindi uso gradienti accumulati per calcolare gli aggiornamenti del peso. Deve essere un numero intero positivo.	Int
imageSize	Dimensioni dell'immagine per il training e la convalida. Deve essere un numero intero positivo. Nota: l'esecuzione del training può entrare nell'OOM CUDA se le dimensioni sono troppo grandi. Nota: queste impostazioni sono supportate solo per l'algoritmo "yolov5".	Int
layersToFreeze	Numero di livelli da bloccare per il modello. Deve essere un numero intero positivo. Ad esempio, passando 2 come valore per "seresnext" significa livello di congelamento0 e layer1. Per un elenco completo dei modelli supportati e i dettagli sul blocco del livello, vedere see: /azure/machine-learning/how-to-auto-train-image-models.	Int
learningRate	Frequenza di apprendimento iniziale. Deve essere un valore float nell'intervallo [0, 1].	Int
learningRateScheduler	Tipo di utilità di pianificazione della frequenza di apprendimento. Deve essere "warmup_cosine" o "passaggio".	'Nessuno' 'Step' 'WarmupCosine'
maxSize	Dimensioni massime dell'immagine da ridimensionare prima di alimentarla al backbone. Deve essere un numero intero positivo. Nota: l'esecuzione del training può entrare nell'OOM CUDA se le dimensioni sono troppo grandi. Nota: queste impostazioni non sono supportate per l'algoritmo "yolov5".	Int
minSize	Dimensioni minime dell'immagine da ridimensionare prima di alimentarla al backbone. Deve essere un numero intero positivo. Nota: l'esecuzione del training può entrare nell'OOM CUDA se le dimensioni sono troppo grandi. Nota: queste impostazioni non sono supportate per l'algoritmo "yolov5".	Int
modelName	Nome del modello da usare per il training. Per altre informazioni sui modelli disponibili, vedere la documentazione ufficiale: /azure/machine-learning/how-to-auto-train-image-models.	corda
modelSize	Dimensioni del modello. Deve essere "small", "medium", "large" o "xlarge". Nota: se le dimensioni del modello sono troppo grandi, l'esecuzione del training può entrare nell'OOM CUDA. Nota: queste impostazioni sono supportate solo per l'algoritmo "yolov5".	'ExtraLarge' 'Large' 'Medium' 'Nessuno' 'Small'
slancio	Valore di momentum quando optimizer è 'sgd'. Deve essere un valore float nell'intervallo [0, 1].	Int
multiScale	Abilitare l'immagine su più scalabilità variando le dimensioni dell'immagine per +/- 50%. Nota: l'esecuzione del training può entrare nell'OOM CUDA se non è sufficiente memoria GPU. Nota: queste impostazioni sono supportate solo per l'algoritmo "yolov5".	Bool
nesterov	Abilitare nesterov quando optimizer è "sgd".	Bool
nmsIouThreshold	Soglia IOU usata durante l'inferenza in NMS post-elaborazione. Deve essere un valore float nell'intervallo [0, 1].	Int
numberOfEpochs	Numero di periodi di training. Deve essere un numero intero positivo.	Int
numberOfWorkers	Numero di ruoli di lavoro del caricatore di dati. Deve essere un numero intero non negativo.	Int
ottimizzatore	Tipo di ottimizzatore.	'Adam' 'Adamw' 'Nessuno' 'Sgd'
randomSeed	Valore di inizializzazione casuale da usare quando si usa il training deterministico.	Int
splitRatio	Se i dati di convalida non sono definiti, specifica il rapporto di divisione per la suddivisione eseguire il training dei dati in subset di training e convalida casuali. Deve essere un valore float nell'intervallo [0, 1].	Int
stepLRGamma	Il valore gamma quando l'utilità di pianificazione della frequenza di apprendimento è 'step'. Deve essere un valore float nell'intervallo [0, 1].	Int
stepLRStepSize	Valore delle dimensioni del passaggio quando l'utilità di pianificazione della frequenza di apprendimento è "passaggio". Deve essere un numero intero positivo.	Int
tileGridSize	Dimensioni della griglia da usare per collegare ogni immagine. Nota: TileGridSize non deve essere Nessuno per abilitare la logica di rilevamento oggetti di piccole dimensioni. Stringa contenente due numeri interi in formato mxn. Nota: queste impostazioni non sono supportate per l'algoritmo "yolov5".	corda
tileOverlapRatio	Rapporto di sovrapposizione tra riquadri adiacenti in ogni dimensione. Deve essere float nell'intervallo [0, 1). Nota: queste impostazioni non sono supportate per l'algoritmo "yolov5".	Int
tilePredictionsNmsThreshold	Soglia IOU da usare per eseguire NMS durante l'unione di stime da riquadri e immagini. Usato nella convalida/inferenza. Deve essere float nell'intervallo [0, 1]. Nota: queste impostazioni non sono supportate per l'algoritmo "yolov5".	Int
trainingBatchSize	Dimensioni batch di training. Deve essere un numero intero positivo.	Int
validationBatchSize	Dimensioni batch di convalida. Deve essere un numero intero positivo.	Int
validationIouThreshold	Soglia IOU da usare durante il calcolo della metrica di convalida. Deve essere float nell'intervallo [0, 1].	Int
validationMetricType	Metodo di calcolo delle metriche da usare per le metriche di convalida.	'Coco' 'CocoVoc' 'Nessuno' 'Voc'
warmupCosineLRCycles	Il valore del ciclo coseno quando l'utilità di pianificazione della frequenza di apprendimento è "warmup_cosine". Deve essere un valore float nell'intervallo [0, 1].	Int
warmupCosineLRWarmupEpochs	Il valore dei periodi di riscaldamento quando l'utilità di pianificazione della frequenza di apprendimento è "warmup_cosine". Deve essere un numero intero positivo.	Int
weightDecay	Valore del decadimento del peso quando optimizer è 'sgd', 'adam' o 'adamw'. Deve essere un valore float nell'intervallo[0, 1].	Int

ImageModelDistributionSettingsObjectDetection

Nome	Descrizione	Valore
amsGradient	Abilitare AMSGrad quando Optimizer è 'adam' o 'adamw'.	corda
incrementi	Impostazioni per l'uso di Augmentations.	corda
beta1	Valore di 'beta1' quando optimizer è 'adam' o 'adamw'. Deve essere un valore float nell'intervallo [0, 1].	corda
beta2	Valore di 'beta2' quando optimizer è 'adam' o 'adamw'. Deve essere un valore float nell'intervallo [0, 1].	corda
boxDetectionsPerImage	Numero massimo di rilevamenti per immagine, per tutte le classi. Deve essere un numero intero positivo. Nota: queste impostazioni non sono supportate per l'algoritmo "yolov5".	corda
boxScoreThreshold	Durante l'inferenza, restituisce solo proposte con un punteggio di classificazione maggiore di BoxScoreThreshold. Deve essere un valore float nell'intervallo[0, 1].	corda
distribuito	Indica se usare il training di distributer.	corda
earlyStopping	Abilitare la logica di arresto anticipato durante il training.	corda
earlyStoppingDelay	Numero minimo di periodi o valutazioni di convalida da attendere prima del miglioramento della metrica primaria viene monitorato per l'arresto anticipato. Deve essere un numero intero positivo.	corda
earlyStoppingPatience	Numero minimo di periodi o valutazioni di convalida senza miglioramenti delle metriche primarie prima l'esecuzione viene arrestata. Deve essere un numero intero positivo.	corda
enableOnnxNormalization	Abilitare la normalizzazione durante l'esportazione del modello ONNX.	corda
evaluationFrequency	Frequenza per valutare il set di dati di convalida per ottenere i punteggi delle metriche. Deve essere un numero intero positivo.	corda
gradientAccumulationStep	L'accumulo di sfumature significa eseguire un numero configurato di passaggi "GradAccumulationStep" senza aggiornamento dei pesi del modello durante l'accumulo delle sfumature di tali passaggi e quindi uso gradienti accumulati per calcolare gli aggiornamenti del peso. Deve essere un numero intero positivo.	corda
imageSize	Dimensioni dell'immagine per il training e la convalida. Deve essere un numero intero positivo. Nota: l'esecuzione del training può entrare nell'OOM CUDA se le dimensioni sono troppo grandi. Nota: queste impostazioni sono supportate solo per l'algoritmo "yolov5".	corda
layersToFreeze	Numero di livelli da bloccare per il modello. Deve essere un numero intero positivo. Ad esempio, passando 2 come valore per "seresnext" significa livello di congelamento0 e layer1. Per un elenco completo dei modelli supportati e i dettagli sul blocco del livello, vedere see: /azure/machine-learning/how-to-auto-train-image-models.	corda
learningRate	Frequenza di apprendimento iniziale. Deve essere un valore float nell'intervallo [0, 1].	corda
learningRateScheduler	Tipo di utilità di pianificazione della frequenza di apprendimento. Deve essere "warmup_cosine" o "passaggio".	corda
maxSize	Dimensioni massime dell'immagine da ridimensionare prima di alimentarla al backbone. Deve essere un numero intero positivo. Nota: l'esecuzione del training può entrare nell'OOM CUDA se le dimensioni sono troppo grandi. Nota: queste impostazioni non sono supportate per l'algoritmo "yolov5".	corda
minSize	Dimensioni minime dell'immagine da ridimensionare prima di alimentarla al backbone. Deve essere un numero intero positivo. Nota: l'esecuzione del training può entrare nell'OOM CUDA se le dimensioni sono troppo grandi. Nota: queste impostazioni non sono supportate per l'algoritmo "yolov5".	corda
modelName	Nome del modello da usare per il training. Per altre informazioni sui modelli disponibili, vedere la documentazione ufficiale: /azure/machine-learning/how-to-auto-train-image-models.	corda
modelSize	Dimensioni del modello. Deve essere "small", "medium", "large" o "xlarge". Nota: se le dimensioni del modello sono troppo grandi, l'esecuzione del training può entrare nell'OOM CUDA. Nota: queste impostazioni sono supportate solo per l'algoritmo "yolov5".	corda
slancio	Valore di momentum quando optimizer è 'sgd'. Deve essere un valore float nell'intervallo [0, 1].	corda
multiScale	Abilitare l'immagine su più scalabilità variando le dimensioni dell'immagine per +/- 50%. Nota: l'esecuzione del training può entrare nell'OOM CUDA se non è sufficiente memoria GPU. Nota: queste impostazioni sono supportate solo per l'algoritmo "yolov5".	corda
nesterov	Abilitare nesterov quando optimizer è "sgd".	corda
nmsIouThreshold	Soglia IOU usata durante l'inferenza in NMS post-elaborazione. Deve essere float nell'intervallo [0, 1].	corda
numberOfEpochs	Numero di periodi di training. Deve essere un numero intero positivo.	corda
numberOfWorkers	Numero di ruoli di lavoro del caricatore di dati. Deve essere un numero intero non negativo.	corda
ottimizzatore	Tipo di ottimizzatore. Deve essere 'sgd', 'adam', o 'adamw'.	corda
randomSeed	Valore di inizializzazione casuale da usare quando si usa il training deterministico.	corda
splitRatio	Se i dati di convalida non sono definiti, specifica il rapporto di divisione per la suddivisione eseguire il training dei dati in subset di training e convalida casuali. Deve essere un valore float nell'intervallo [0, 1].	corda
stepLRGamma	Il valore gamma quando l'utilità di pianificazione della frequenza di apprendimento è 'step'. Deve essere un valore float nell'intervallo [0, 1].	corda
stepLRStepSize	Valore delle dimensioni del passaggio quando l'utilità di pianificazione della frequenza di apprendimento è "passaggio". Deve essere un numero intero positivo.	corda
tileGridSize	Dimensioni della griglia da usare per collegare ogni immagine. Nota: TileGridSize non deve essere Nessuno per abilitare la logica di rilevamento oggetti di piccole dimensioni. Stringa contenente due numeri interi in formato mxn. Nota: queste impostazioni non sono supportate per l'algoritmo "yolov5".	corda
tileOverlapRatio	Rapporto di sovrapposizione tra riquadri adiacenti in ogni dimensione. Deve essere float nell'intervallo [0, 1). Nota: queste impostazioni non sono supportate per l'algoritmo "yolov5".	corda
tilePredictionsNmsThreshold	Soglia IOU da usare per eseguire NMS durante l'unione di stime da riquadri e immagini. Usato nella convalida/inferenza. Deve essere float nell'intervallo [0, 1]. Nota: queste impostazioni non sono supportate per l'algoritmo "yolov5". NMS: eliminazione non massima	corda
trainingBatchSize	Dimensioni batch di training. Deve essere un numero intero positivo.	corda
validationBatchSize	Dimensioni batch di convalida. Deve essere un numero intero positivo.	corda
validationIouThreshold	Soglia IOU da usare durante il calcolo della metrica di convalida. Deve essere float nell'intervallo [0, 1].	corda
validationMetricType	Metodo di calcolo delle metriche da usare per le metriche di convalida. Deve essere "none", "coco", "voc" o "coco_voc".	corda
warmupCosineLRCycles	Il valore del ciclo coseno quando l'utilità di pianificazione della frequenza di apprendimento è "warmup_cosine". Deve essere un valore float nell'intervallo [0, 1].	corda
warmupCosineLRWarmupEpochs	Il valore dei periodi di riscaldamento quando l'utilità di pianificazione della frequenza di apprendimento è "warmup_cosine". Deve essere un numero intero positivo.	corda
weightDecay	Valore del decadimento del peso quando optimizer è 'sgd', 'adam' o 'adamw'. Deve essere un valore float nell'intervallo[0, 1].	corda

ImageObjectDetection

Nome	Descrizione	Valore
taskType	[Obbligatorio] Tipo di attività per AutoMLJob.	'ImageObjectDetection' (obbligatorio)
dataSettings	[Obbligatorio] Raccolta di ID set di dati tabulari registrati e altre impostazioni di dati necessarie per il training e la convalida dei modelli.	ImageVerticalDataSettings (obbligatorio)
limitSettings	[Obbligatorio] Limitare le impostazioni per il processo AutoML.	ImageLimitSettings (obbligatorio)
modelSettings	Impostazioni usate per il training del modello.	ImageModelSettingsObjectDetection
primaryMetric	Metrica primaria da ottimizzare per questa attività.	'MeanAveragePrecision'
searchSpace	Cercare spazio per il campionamento di diverse combinazioni di modelli e dei relativi iperparametri.	ImageModelDistributionSettingsObjectDetection[]
sweepSettings	Sweep del modello e sweep degli iperparametri per le impostazioni correlate.	ImageSweepSettings

Regressione

Nome	Descrizione	Valore
taskType	[Obbligatorio] Tipo di attività per AutoMLJob.	'Regression' (obbligatorio)
allowedModels	Modelli consentiti per l'attività di regressione.	Matrice di stringhe contenente uno dei seguenti elementi: 'DecisionTree' 'ElasticNet' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'RandomForest' 'SGD' 'XGBoostRegressor'
blockedModels	Modelli bloccati per l'attività di regressione.	Matrice di stringhe contenente uno dei seguenti elementi: 'DecisionTree' 'ElasticNet' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'RandomForest' 'SGD' 'XGBoostRegressor'
dataSettings	Input di dati per AutoMLJob.	TableVerticalDataSettings
featurizationSettings	Input di definizione delle caratteristiche necessari per il processo AutoML.	TableVerticalFeaturizationSettings
limitSettings	Vincoli di esecuzione per AutoMLJob.	TableVerticalLimitSettings
primaryMetric	Metrica primaria per l'attività di regressione.	'NormalizedMeanAbsoluteError' 'NormalizedRootMeanSquaredError' 'R2Score' 'SpearmanCorrelation'
trainingSettings	Input per la fase di training per un processo AutoML.	TrainingSettings

TextClassification

Nome	Descrizione	Valore
taskType	[Obbligatorio] Tipo di attività per AutoMLJob.	'TextClassification' (obbligatorio)
dataSettings	Input di dati per AutoMLJob.	NlpVerticalDataSettings
featurizationSettings	Input di definizione delle caratteristiche necessari per il processo AutoML.	NlpVerticalFeaturizationSettings
limitSettings	Vincoli di esecuzione per AutoMLJob.	NlpVerticalLimitSettings
primaryMetric	Metrica primaria per Text-Classification'attività.	'AUCWeighted' 'Accuratezza' 'AveragePrecisionScoreWeighted' 'NormMacroRecall' 'PrecisionScoreWeighted'

NlpVerticalDataSettings

Nome	Descrizione	Valore
targetColumnName	[Obbligatorio] Nome colonna di destinazione: colonna dei valori di stima. Noto anche come nome di colonna etichetta nel contesto delle attività di classificazione.	stringa (obbligatorio) Vincoli: Pattern = [a-zA-Z0-9_]
testData	Testare l'input dei dati.	testDataSettings
trainingData	[Obbligatorio] Input dei dati di training.	TrainingDataSettings (obbligatorio)
validationData	Input dei dati di convalida.	NlpVerticalValidationDataSettings

NlpVerticalValidationDataSettings

Nome	Descrizione	Valore
dati	MlTable dei dati di convalida.	MLTableJobInput
validationDataSize	Frazione del set di dati di training da riservare a scopo di convalida. Valori compresi tra (0,0 , 1,0) Applicato quando non viene fornito il set di dati di convalida.	Int

NlpVerticalFeaturizationSettings

Nome	Descrizione	Valore
datasetLanguage	Lingua del set di dati, utile per i dati di testo.	corda

NlpVerticalLimitSettings

Nome	Descrizione	Valore
maxConcurrentTrials	Numero massimo di iterazioni AutoML simultanee.	Int
maxTrials	Numero di iterazioni AutoML.	Int
Timeout	Timeout del processo AutoML.	corda

TextClassificationMultilabel

Nome	Descrizione	Valore
taskType	[Obbligatorio] Tipo di attività per AutoMLJob.	'TextClassificationMultilabel' (obbligatorio)
dataSettings	Input di dati per AutoMLJob.	NlpVerticalDataSettings
featurizationSettings	Input di definizione delle caratteristiche necessari per il processo AutoML.	NlpVerticalFeaturizationSettings
limitSettings	Vincoli di esecuzione per AutoMLJob.	NlpVerticalLimitSettings

TextNer

Nome	Descrizione	Valore
taskType	[Obbligatorio] Tipo di attività per AutoMLJob.	'TextNER' (obbligatorio)
dataSettings	Input di dati per AutoMLJob.	NlpVerticalDataSettings
featurizationSettings	Input di definizione delle caratteristiche necessari per il processo AutoML.	NlpVerticalFeaturizationSettings
limitSettings	Vincoli di esecuzione per AutoMLJob.	NlpVerticalLimitSettings

Processo di comando

Nome	Descrizione	Valore
jobType	[Obbligatorio] Specifica il tipo di processo.	'Command' (obbligatorio)
codeId	ID risorsa ARM dell'asset di codice.	corda
comando	[Obbligatorio] Comando da eseguire all'avvio del processo. ad esempio. "python train.py"	stringa (obbligatorio) Vincoli: Lunghezza minima = 1 Pattern = [a-zA-Z0-9_]
distribuzione	Configurazione di distribuzione del processo. Se impostato, deve essere uno dei valori Mpi, Tensorflow, PyTorch o Null.	DistributionConfiguration
environmentId	[Obbligatorio] ID risorsa ARM della specifica Ambiente per il processo.	stringa (obbligatorio) Vincoli: Pattern = [a-zA-Z0-9_]
environmentVariables	Variabili di ambiente incluse nel processo.	CommandJobEnvironmentVariables
Ingressi	Mapping dei data binding di input usati nel processo.	commandJobInputs
Limiti	Limite del processo di comando.	CommandJobLimits
Uscite	Mapping dei data binding di output usati nel processo.	CommandJobOutputs
risorse	Configurazione delle risorse di calcolo per il processo.	ResourceConfiguration

DistributionConfiguration

Nome	Descrizione	Valore
distributionType	Impostare il tipo di oggetto	Mpi PyTorch TensorFlow (obbligatorio)

Mpi

Nome	Descrizione	Valore
distributionType	[Obbligatorio] Specifica il tipo di framework di distribuzione.	'Mpi' (obbligatorio)
processCountPerInstance	Numero di processi per nodo MPI.	Int

PyTorch

Nome	Descrizione	Valore
distributionType	[Obbligatorio] Specifica il tipo di framework di distribuzione.	'PyTorch' (obbligatorio)
processCountPerInstance	Numero di processi per nodo.	Int

TensorFlow

Nome	Descrizione	Valore
distributionType	[Obbligatorio] Specifica il tipo di framework di distribuzione.	'TensorFlow' (obbligatorio)
parameterServerCount	Numero di attività del server dei parametri.	Int
workerCount	Numero di ruoli di lavoro. Se non specificato, per impostazione predefinita verrà impostato il numero di istanze.	Int

CommandJobEnvironmentVariables

Nome	Descrizione	Valore
{proprietà personalizzata}		corda

CommandJobInputs

Nome	Descrizione	Valore
{proprietà personalizzata}		jobInput

JobInput

Nome	Descrizione	Valore
descrizione	Descrizione per l'input.	corda
jobInputType	Impostare il tipo di oggetto	CustomModel letterale MLFlowModel MLTable UriFile UriFolder (obbligatorio)

CustomModelJobInput

Nome	Descrizione	Valore
jobInputType	[Obbligatorio] Specifica il tipo di processo.	'CustomModel' (obbligatorio)
modo	Modalità di distribuzione degli asset di input.	'Direct' 'Download' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
Uri	[Obbligatorio] URI dell'asset di input.	stringa (obbligatorio) Vincoli: Pattern = [a-zA-Z0-9_]

LiteralJobInput

Nome	Descrizione	Valore
jobInputType	[Obbligatorio] Specifica il tipo di processo.	'Literal' (obbligatorio)
valore	[Obbligatorio] Valore letterale per l'input.	stringa (obbligatorio) Vincoli: Pattern = [a-zA-Z0-9_]

MLFlowModelJobInput

Nome	Descrizione	Valore
jobInputType	[Obbligatorio] Specifica il tipo di processo.	'MLFlowModel' (obbligatorio)
modo	Modalità di distribuzione degli asset di input.	'Direct' 'Download' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
Uri	[Obbligatorio] URI dell'asset di input.	stringa (obbligatorio) Vincoli: Pattern = [a-zA-Z0-9_]

ModelModelJobInput

Nome	Descrizione	Valore
jobInputType	[Obbligatorio] Specifica il tipo di processo.	'Model' (obbligatorio)
modo	Modalità di distribuzione degli asset di input.	'Direct' 'Download' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
Uri	[Obbligatorio] URI dell'asset di input.	stringa (obbligatorio) Vincoli: Pattern = [a-zA-Z0-9_]

UriFileJobInput

Nome	Descrizione	Valore
jobInputType	[Obbligatorio] Specifica il tipo di processo.	'UriFile' (obbligatorio)
modo	Modalità di distribuzione degli asset di input.	'Direct' 'Download' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
Uri	[Obbligatorio] URI dell'asset di input.	stringa (obbligatorio) Vincoli: Pattern = [a-zA-Z0-9_]

UriFolderJobInput

Nome	Descrizione	Valore
jobInputType	[Obbligatorio] Specifica il tipo di processo.	'UriFolder' (obbligatorio)
modo	Modalità di distribuzione degli asset di input.	'Direct' 'Download' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
Uri	[Obbligatorio] URI dell'asset di input.	stringa (obbligatorio) Vincoli: Pattern = [a-zA-Z0-9_]

CommandJobLimits

Nome	Descrizione	Valore
jobLimitsType	[Obbligatorio] Tipo JobLimit.	'Command' 'Sweep' (obbligatorio)
Timeout	Durata massima dell'esecuzione in formato ISO 8601, dopo la quale il processo verrà annullato. Supporta solo la durata con precisione inferiore a secondi.	corda

CommandJobOutputs

Nome	Descrizione	Valore
{proprietà personalizzata}		JobOutput

PipelineJob

Nome	Descrizione	Valore
jobType	[Obbligatorio] Specifica il tipo di processo.	'Pipeline' (obbligatorio)
Ingressi	Input per il processo della pipeline.	pipelineJobInputs
Lavori	I processi costruiscono il processo pipeline.	PipelineJobJobs
Uscite	Output per il processo della pipeline	pipelineJobOutputs
Impostazioni	Impostazioni della pipeline, per elementi come ContinueRunOnStepFailure e così via.

PipelineJobInputs

Nome	Descrizione	Valore
{proprietà personalizzata}		jobInput

PipelineJobJobs

Nome	Descrizione	Valore
{proprietà personalizzata}

PipelineJobOutputs

Nome	Descrizione	Valore
{proprietà personalizzata}		JobOutput

SweepJob

Nome	Descrizione	Valore
jobType	[Obbligatorio] Specifica il tipo di processo.	'Sweep' (obbligatorio)
earlyTermination	I criteri di terminazione anticipata consentono di annullare le esecuzioni con prestazioni scarse prima del completamento	EarlyTerminationPolicy
Ingressi	Mapping dei data binding di input usati nel processo.	SweepJobInputs
Limiti	Limite di processi sweep.	SweepJobLimits
obiettivo	[Obbligatorio] Obiettivo di ottimizzazione.	objective (obbligatorio)
Uscite	Mapping dei data binding di output usati nel processo.	SweepJobOutputs
campionamentoAlgorithm	[Obbligatorio] Algoritmo di campionamento degli iperparametri	SamplingAlgorithm (obbligatorio)
searchSpace	[Obbligatorio] Dizionario contenente ogni parametro e la relativa distribuzione. La chiave del dizionario è il nome del parametro
prova	[Obbligatorio] Definizione del componente di valutazione.	Di valutazioneComponent (obbligatorio)

SweepJobInputs

Nome	Descrizione	Valore
{proprietà personalizzata}		jobInput

SweepJobLimits

Nome	Descrizione	Valore
jobLimitsType	[Obbligatorio] Tipo JobLimit.	'Command' 'Sweep' (obbligatorio)
maxConcurrentTrials	Sweep Processo max test simultanei.	Int
maxTotalTrials	Sweep Job max total trial.Sweep Job max trial.	Int
Timeout	Durata massima dell'esecuzione in formato ISO 8601, dopo la quale il processo verrà annullato. Supporta solo la durata con precisione inferiore a secondi.	corda
trialTimeout	Valore di timeout della versione di valutazione processo sweep.	corda

Obiettivo

Nome	Descrizione	Valore
traguardo	[Obbligatorio] Definisce gli obiettivi delle metriche supportati per l'ottimizzazione degli iperparametri	'Ingrandisci' 'Riduci a icona' (obbligatorio)
primaryMetric	[Obbligatorio] Nome della metrica da ottimizzare.	stringa (obbligatorio) Vincoli: Pattern = [a-zA-Z0-9_]

SweepJobOutputs

Nome	Descrizione	Valore
{proprietà personalizzata}		JobOutput

CampionamentoAlgorithm

Nome	Descrizione	Valore
samplingAlgorithmType	Impostare il tipo di oggetto	Bayesian griglia di casuali (obbligatorio)

BayesianSamplingAlgorithm

Nome	Descrizione	Valore
samplingAlgorithmType	[Obbligatorio] Algoritmo usato per la generazione di valori degli iperparametri, insieme alle proprietà di configurazione	'Bayesian' (obbligatorio)

GridSamplingAlgorithm

Nome	Descrizione	Valore
samplingAlgorithmType	[Obbligatorio] Algoritmo usato per la generazione di valori degli iperparametri, insieme alle proprietà di configurazione	'Grid' (obbligatorio)

RandomSamplingAlgorithm

Nome	Descrizione	Valore
samplingAlgorithmType	[Obbligatorio] Algoritmo usato per la generazione di valori degli iperparametri, insieme alle proprietà di configurazione	'Random' (obbligatorio)
regola	Tipo specifico di algoritmo casuale	'Casuale' 'Sobol'
seme	Intero facoltativo da usare come valore di inizializzazione per la generazione di numeri casuali	Int

TrialComponent

Nome	Descrizione	Valore
codeId	ID risorsa ARM dell'asset di codice.	corda
comando	[Obbligatorio] Comando da eseguire all'avvio del processo. ad esempio. "python train.py"	stringa (obbligatorio) Vincoli: Lunghezza minima = 1 Pattern = [a-zA-Z0-9_]
distribuzione	Configurazione di distribuzione del processo. Se impostato, deve essere uno dei valori Mpi, Tensorflow, PyTorch o Null.	DistributionConfiguration
environmentId	[Obbligatorio] ID risorsa ARM della specifica Ambiente per il processo.	stringa (obbligatorio) Vincoli: Pattern = [a-zA-Z0-9_]
environmentVariables	Variabili di ambiente incluse nel processo.	TrialComponentEnvironmentVariables
risorse	Configurazione delle risorse di calcolo per il processo.	ResourceConfiguration

TrialComponentEnvironmentVariables

Nome	Descrizione	Valore
{proprietà personalizzata}		corda

Modelli di avvio rapido

I modelli di avvio rapido seguenti distribuiscono questo tipo di risorsa.

Sagoma	Descrizione
Creare un processo di classificazione AutoML di Azure Machine Learning	Questo modello crea un processo di classificazione AutoML di Azure Machine Learning per scoprire il modello migliore per la stima se un cliente sottoscriverà un deposito a termine fisso con un istituto finanziario.
Creare un processo di comando di Azure Machine Learning	Questo modello crea un processo di comando di Azure Machine Learning con uno script di base hello_world
Creare un processo di Sweep di Azure Machine Learning	Questo modello crea un processo di Sweep di Azure Machine Learning per l'ottimizzazione degli iperparametri.

Definizione di risorsa Terraform (provider AzAPI)

Il tipo di risorsa aree di lavoro/processi può essere distribuito con operazioni destinate a:

• gruppi di risorse

Per un elenco delle proprietà modificate in ogni versione dell'API, vedere log delle modifiche.

Formato risorsa

Per creare una risorsa Microsoft.MachineLearningServices/workspaces/jobs, aggiungere il codice Terraform seguente al modello.

resource "azapi_resource" "symbolicname" {
  type = "Microsoft.MachineLearningServices/workspaces/jobs@2022-02-01-preview"
  name = "string"
  parent_id = "string"
  body = jsonencode({
    properties = {
      computeId = "string"
      description = "string"
      displayName = "string"
      experimentName = "string"
      identity = {
        identityType = "string"
        // For remaining properties, see IdentityConfiguration objects
      }
      isArchived = bool
      properties = {
        {customized property} = "string"
      }
      schedule = {
        endTime = "string"
        scheduleStatus = "string"
        startTime = "string"
        timeZone = "string"
        scheduleType = "string"
        // For remaining properties, see ScheduleBase objects
      }
      services = {
        {customized property} = {
          endpoint = "string"
          jobServiceType = "string"
          port = int
          properties = {
            {customized property} = "string"
          }
        }
      }
      tags = {}
      jobType = "string"
      // For remaining properties, see JobBaseDetails objects
    }
  })
}

Oggetti JobBaseDetails

Impostare la proprietà jobType per specificare il tipo di oggetto.

Per AutoML, usare:

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

Per Comando, usare:

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

Per Pipeline, usare:

  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
    }
  }

Per Sweep, usare:

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

Oggetti IdentityConfiguration

Impostare la proprietà identityType per specificare il tipo di oggetto.

Per AMLToken, usare:

  identityType = "AMLToken"

Per gestito, usare:

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

Per UserIdentity, usare:

  identityType = "UserIdentity"

Oggetti ScheduleBase

Impostare la proprietà scheduleType per specificare il tipo di oggetto.

Per Cron, usare:

  scheduleType = "Cron"
  expression = "string"

Per ricorrenza, usare:

  scheduleType = "Recurrence"
  frequency = "string"
  interval = int
  pattern = {
    hours = [
      int
    ]
    minutes = [
      int
    ]
    weekdays = [
      "string"
    ]
  }

Oggetti JobOutput

Impostare la proprietà jobOutputType per specificare il tipo di oggetto.

Per CustomModel, usare:

  jobOutputType = "CustomModel"
  mode = "string"
  uri = "string"

Per MLFlowModel, usare:

  jobOutputType = "MLFlowModel"
  mode = "string"
  uri = "string"

Per MLTable, usare:

  jobOutputType = "MLTable"
  mode = "string"
  uri = "string"

Per Model, usare:

  jobOutputType = "TritonModel"
  mode = "string"
  uri = "string"

Per UriFile, usare:

  jobOutputType = "UriFile"
  mode = "string"
  uri = "string"

Per UriFolder, usare:

  jobOutputType = "UriFolder"
  mode = "string"
  uri = "string"

Oggetti AutoMLVertical

Impostare la proprietà taskType per specificare il tipo di oggetto.

Per Classificazione, usare:

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

Per Previsione, usare:

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

Per ImageClassification, usare:

  taskType = "ImageClassification"
  dataSettings = {
    targetColumnName = "string"
    testData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      testDataSize = int
    }
    trainingData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
    }
    validationData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      validationDataSize = int
    }
  }
  limitSettings = {
    maxConcurrentTrials = int
    maxTrials = int
    timeout = "string"
  }
  modelSettings = {
    advancedSettings = "string"
    amsGradient = bool
    augmentations = "string"
    beta1 = int
    beta2 = int
    checkpointDatasetId = "string"
    checkpointFilename = "string"
    checkpointFrequency = int
    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
    splitRatio = 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"
      splitRatio = "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
    }
    limits = {
      maxConcurrentTrials = int
      maxTrials = int
    }
    samplingAlgorithm = "string"
  }

Per ImageClassificationMultilabel, usare:

  taskType = "ImageClassificationMultilabel"
  dataSettings = {
    targetColumnName = "string"
    testData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      testDataSize = int
    }
    trainingData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
    }
    validationData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      validationDataSize = int
    }
  }
  limitSettings = {
    maxConcurrentTrials = int
    maxTrials = int
    timeout = "string"
  }
  modelSettings = {
    advancedSettings = "string"
    amsGradient = bool
    augmentations = "string"
    beta1 = int
    beta2 = int
    checkpointDatasetId = "string"
    checkpointFilename = "string"
    checkpointFrequency = int
    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
    splitRatio = 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"
      splitRatio = "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
    }
    limits = {
      maxConcurrentTrials = int
      maxTrials = int
    }
    samplingAlgorithm = "string"
  }

Per ImageInstanceSegmentation, usare:

  taskType = "ImageInstanceSegmentation"
  dataSettings = {
    targetColumnName = "string"
    testData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      testDataSize = int
    }
    trainingData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
    }
    validationData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      validationDataSize = int
    }
  }
  limitSettings = {
    maxConcurrentTrials = int
    maxTrials = int
    timeout = "string"
  }
  modelSettings = {
    advancedSettings = "string"
    amsGradient = bool
    augmentations = "string"
    beta1 = int
    beta2 = int
    boxDetectionsPerImage = int
    boxScoreThreshold = int
    checkpointDatasetId = "string"
    checkpointFilename = "string"
    checkpointFrequency = int
    checkpointRunId = "string"
    distributed = bool
    earlyStopping = bool
    earlyStoppingDelay = int
    earlyStoppingPatience = int
    enableOnnxNormalization = bool
    evaluationFrequency = int
    gradientAccumulationStep = int
    imageSize = int
    layersToFreeze = int
    learningRate = int
    learningRateScheduler = "string"
    maxSize = int
    minSize = int
    modelName = "string"
    modelSize = "string"
    momentum = int
    multiScale = bool
    nesterov = bool
    nmsIouThreshold = int
    numberOfEpochs = int
    numberOfWorkers = int
    optimizer = "string"
    randomSeed = int
    splitRatio = 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"
      splitRatio = "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
    }
    limits = {
      maxConcurrentTrials = int
      maxTrials = int
    }
    samplingAlgorithm = "string"
  }

Per ImageObjectDetection, usare:

  taskType = "ImageObjectDetection"
  dataSettings = {
    targetColumnName = "string"
    testData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      testDataSize = int
    }
    trainingData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
    }
    validationData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      validationDataSize = int
    }
  }
  limitSettings = {
    maxConcurrentTrials = int
    maxTrials = int
    timeout = "string"
  }
  modelSettings = {
    advancedSettings = "string"
    amsGradient = bool
    augmentations = "string"
    beta1 = int
    beta2 = int
    boxDetectionsPerImage = int
    boxScoreThreshold = int
    checkpointDatasetId = "string"
    checkpointFilename = "string"
    checkpointFrequency = int
    checkpointRunId = "string"
    distributed = bool
    earlyStopping = bool
    earlyStoppingDelay = int
    earlyStoppingPatience = int
    enableOnnxNormalization = bool
    evaluationFrequency = int
    gradientAccumulationStep = int
    imageSize = int
    layersToFreeze = int
    learningRate = int
    learningRateScheduler = "string"
    maxSize = int
    minSize = int
    modelName = "string"
    modelSize = "string"
    momentum = int
    multiScale = bool
    nesterov = bool
    nmsIouThreshold = int
    numberOfEpochs = int
    numberOfWorkers = int
    optimizer = "string"
    randomSeed = int
    splitRatio = 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"
      splitRatio = "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
    }
    limits = {
      maxConcurrentTrials = int
      maxTrials = int
    }
    samplingAlgorithm = "string"
  }

Per regressione, usare:

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

Per TextClassification, usare:

  taskType = "TextClassification"
  dataSettings = {
    targetColumnName = "string"
    testData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      testDataSize = int
    }
    trainingData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
    }
    validationData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      validationDataSize = int
    }
  }
  featurizationSettings = {
    datasetLanguage = "string"
  }
  limitSettings = {
    maxConcurrentTrials = int
    maxTrials = int
    timeout = "string"
  }
  primaryMetric = "string"

Per TextClassificationMultilabel, usare:

  taskType = "TextClassificationMultilabel"
  dataSettings = {
    targetColumnName = "string"
    testData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      testDataSize = int
    }
    trainingData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
    }
    validationData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      validationDataSize = int
    }
  }
  featurizationSettings = {
    datasetLanguage = "string"
  }
  limitSettings = {
    maxConcurrentTrials = int
    maxTrials = int
    timeout = "string"
  }

Per TextNER, usare:

  taskType = "TextNER"
  dataSettings = {
    targetColumnName = "string"
    testData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      testDataSize = int
    }
    trainingData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
    }
    validationData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      validationDataSize = int
    }
  }
  featurizationSettings = {
    datasetLanguage = "string"
  }
  limitSettings = {
    maxConcurrentTrials = int
    maxTrials = int
    timeout = "string"
  }

Oggetti NCrossValidations

Impostare la proprietà modalità per specificare il tipo di oggetto.

Per automatico, usare:

  mode = "Auto"

Per personalizzato, usare:

  mode = "Custom"
  value = int

Oggetti ForecastHorizon

Impostare la proprietà modalità per specificare il tipo di oggetto.

Per automatico, usare:

  mode = "Auto"

Per personalizzato, usare:

  mode = "Custom"
  value = int

Oggetti stagionalità

Impostare la proprietà modalità per specificare il tipo di oggetto.

Per automatico, usare:

  mode = "Auto"

Per personalizzato, usare:

  mode = "Custom"
  value = int

Oggetti TargetLags

Impostare la proprietà modalità per specificare il tipo di oggetto.

Per automatico, usare:

  mode = "Auto"

Per personalizzato, usare:

  mode = "Custom"
  values = [
    int
  ]

Oggetti TargetRollingWindowSize

Impostare la proprietà modalità per specificare il tipo di oggetto.

Per automatico, usare:

  mode = "Auto"

Per personalizzato, usare:

  mode = "Custom"
  value = int

Oggetti EarlyTerminationPolicy

Impostare la proprietà policyType per specificare il tipo di oggetto.

Per Bandit, usare:

  policyType = "Bandit"
  slackAmount = int
  slackFactor = int

Per MedianStopping, usare:

  policyType = "MedianStopping"

Per TruncationSelection, usare:

  policyType = "TruncationSelection"
  truncationPercentage = int

Oggetti DistributionConfiguration

Impostare la proprietà distributionType per specificare il tipo di oggetto.

Per Mpi, usare:

  distributionType = "Mpi"
  processCountPerInstance = int

Per PyTorch, usare:

  distributionType = "PyTorch"
  processCountPerInstance = int

Per TensorFlow, usare:

  distributionType = "TensorFlow"
  parameterServerCount = int
  workerCount = int

Oggetti JobInput

Impostare la proprietà jobInputType per specificare il tipo di oggetto.

Per CustomModel, usare:

  jobInputType = "CustomModel"
  mode = "string"
  uri = "string"

Per valore letterale, usare:

  jobInputType = "Literal"
  value = "string"

Per MLFlowModel, usare:

  jobInputType = "MLFlowModel"
  mode = "string"
  uri = "string"

Per MLTable, usare:

  jobInputType = "MLTable"
  mode = "string"
  uri = "string"

Per Model, usare:

  jobInputType = "TritonModel"
  mode = "string"
  uri = "string"

Per UriFile, usare:

  jobInputType = "UriFile"
  mode = "string"
  uri = "string"

Per UriFolder, usare:

  jobInputType = "UriFolder"
  mode = "string"
  uri = "string"

Oggetti SamplingAlgorithm

Impostare la proprietà samplingAlgorithmType per specificare il tipo di oggetto.

Per bayesian, usare:

  samplingAlgorithmType = "Bayesian"

Per Grid, usare:

  samplingAlgorithmType = "Grid"

Per casuale, usare:

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

Valori delle proprietà

aree di lavoro/processi

Nome	Descrizione	Valore
digitare	Tipo di risorsa	"Microsoft.MachineLearningServices/workspaces/jobs@2022-02-01-preview"
nome	Nome della risorsa	stringa (obbligatorio)
parent_id	ID della risorsa padre per questa risorsa.	ID per la risorsa di tipo: aree di lavoro
proprietà	[Obbligatorio] Attributi aggiuntivi dell'entità.	JobBaseDetails (obbligatorio)

JobBaseDetails

Nome	Descrizione	Valore
computeId	ID risorsa ARM della risorsa di calcolo.	corda
descrizione	Testo della descrizione dell'asset.	corda
displayName	Nome visualizzato del processo.	corda
experimentName	Nome dell'esperimento a cui appartiene il processo. Se non è impostato, il processo viene inserito nell'esperimento "Default".	corda
identità	Configurazione dell'identità. Se impostato, deve essere uno di AmlToken, ManagedIdentity, UserIdentity o Null. L'impostazione predefinita è AmlToken se null.	IdentityConfiguration
isArchived	L'asset è archiviato?	Bool
proprietà	Dizionario delle proprietà dell'asset.	ResourceBaseProperties
Programma	Definizione di pianificazione del processo. Se non viene specificata alcuna pianificazione, il processo viene eseguito una volta e immediatamente dopo l'invio.	ScheduleBase
servizi	Elenco di JobEndpoints. Per i processi locali, un endpoint di processo avrà un valore endpoint di FileStreamObject.	JobBaseServices
Tag	Dizionario tag. I tag possono essere aggiunti, rimossi e aggiornati.	oggetto
jobType	Impostare il tipo di oggetto	AutoML comando pipeline sweep (obbligatorio)

IdentityConfiguration

Nome	Descrizione	Valore
identityType	Impostare il tipo di oggetto	AMLToken gestito UserIdentity (obbligatorio)

AmlToken

Nome	Descrizione	Valore
identityType	[Obbligatorio] Specifica il tipo di framework di gestione delle identità.	"AMLToken" (obbligatorio)

ManagedIdentity

Nome	Descrizione	Valore
identityType	[Obbligatorio] Specifica il tipo di framework di gestione delle identità.	"Gestito" (obbligatorio)
clientId	Specifica un'identità assegnata dall'utente in base all'ID client. Per l'assegnazione del sistema, non impostare questo campo.	corda Vincoli: Lunghezza minima = 36 Lunghezza massima = 36 Pattern = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
objectId	Specifica un'identità assegnata dall'utente in base all'ID oggetto. Per l'assegnazione del sistema, non impostare questo campo.	corda Vincoli: Lunghezza minima = 36 Lunghezza massima = 36 Pattern = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
resourceId	Specifica un'identità assegnata dall'utente in base all'ID risorsa arm. Per l'assegnazione del sistema, non impostare questo campo.	corda

UserIdentity

Nome	Descrizione	Valore
identityType	[Obbligatorio] Specifica il tipo di framework di gestione delle identità.	"UserIdentity" (obbligatorio)

ResourceBaseProperties

Nome	Descrizione	Valore
{proprietà personalizzata}		corda

ScheduleBase

Nome	Descrizione	Valore
endTime	Specifica l'ora di fine della pianificazione nel formato ISO 8601. Se non è presente, la pianificazione verrà eseguita per un periodo illimitato	corda
scheduleStatus	Specifica lo stato della pianificazione	"Disabilitato" "Abilitato"
startTime	Specifica l'ora di inizio della pianificazione in formato ISO 8601.	corda
timeZone	Specifica il fuso orario in cui viene eseguita la pianificazione. TimeZone deve seguire il formato del fuso orario di Windows.	corda
scheduleType	Impostare il tipo di oggetto	Cron ricorrenza (obbligatorio)

CronSchedule

Nome	Descrizione	Valore
scheduleType	[Obbligatorio] Specifica il tipo di pianificazione	"Cron" (obbligatorio)
espressione	[Obbligatorio] Specifica l'espressione cron della pianificazione. L'espressione deve seguire il formato NCronTab.	stringa (obbligatorio) Vincoli: Pattern = [a-zA-Z0-9_]

RecurrenceSchedule

Nome	Descrizione	Valore
scheduleType	[Obbligatorio] Specifica il tipo di pianificazione	"Ricorrenza" (obbligatorio)
frequenza	[Obbligatorio] Specifica la frequenza con cui attivare la pianificazione	"Giorno" "Hour" "Minute" "Mese" "Settimana" (obbligatorio)
intervallo	[Obbligatorio] Specifica l'intervallo di pianificazione in combinazione con la frequenza	int (obbligatorio)
modello	Specifica il modello di pianificazione delle ricorrenze	RecurrencePattern

RecurrencePattern

Nome	Descrizione	Valore
orario	[Obbligatorio] Elenco di ore per il modello di pianificazione ricorrenza	int[] (obbligatorio)
verbale	[Obbligatorio] Elenco di minuti per il modello di pianificazione della ricorrenza	int[] (obbligatorio)
giorni feriali	Elenco dei giorni feriali per il modello di pianificazione ricorrenza	Matrice di stringhe contenente uno dei seguenti elementi: "Venerdì" "Lunedì" "Sabato" "Domenica" "Giovedì" "Martedì" "Mercoledì"

JobBaseServices

Nome	Descrizione	Valore
{proprietà personalizzata}		JobService

JobService

Nome	Descrizione	Valore
Endpoint	URL per l'endpoint.	corda
jobServiceType	Tipo di endpoint.	corda
porto	Porta per l'endpoint.	Int
proprietà	Proprietà aggiuntive da impostare nell'endpoint.	JobServiceProperties

JobServiceProperties

Nome	Descrizione	Valore
{proprietà personalizzata}		corda

AutoMLJob

Nome	Descrizione	Valore
jobType	[Obbligatorio] Specifica il tipo di processo.	"AutoML" (obbligatorio)
environmentId	ID risorsa ARM della specifica Ambiente per il processo. Questo è un valore facoltativo da specificare, se non specificato, l'impostazione predefinita di AutoML è la versione dell'ambiente curato per la produzione durante l'esecuzione del processo.	corda
environmentVariables	Variabili di ambiente incluse nel processo.	AutoMLJobEnvironmentVariables
Uscite	Mapping dei data binding di output usati nel processo.	AutoMLJobOutputs
risorse	Configurazione delle risorse di calcolo per il processo.	ResourceConfiguration
taskDetails	[Obbligatorio] Questo scenario rappresenta uno scenario che può essere una delle tabelle/NLP/Image	AutomaticoMLVertical (obbligatorio)

AutoMLJobEnvironmentVariables

Nome	Descrizione	Valore
{proprietà personalizzata}		corda

AutoMLJobOutputs

Nome	Descrizione	Valore
{proprietà personalizzata}		JobOutput

JobOutput

Nome	Descrizione	Valore
descrizione	Descrizione per l'output.	corda
jobOutputType	Impostare il tipo di oggetto	CustomModel MLFlowModel MLTable UriFile UriFolder (obbligatorio)

CustomModelJobOutput

Nome	Descrizione	Valore
jobOutputType	[Obbligatorio] Specifica il tipo di processo.	"CustomModel" (obbligatorio)
modo	Modalità di distribuzione degli asset di output.	"ReadWriteMount" "Carica"
Uri	URI dell'asset di output.	corda

MLFlowModelJobOutput

Nome	Descrizione	Valore
jobOutputType	[Obbligatorio] Specifica il tipo di processo.	"MLFlowModel" (obbligatorio)
modo	Modalità di distribuzione degli asset di output.	"ReadWriteMount" "Carica"
Uri	URI dell'asset di output.	corda

MLTableJobOutput

Nome	Descrizione	Valore
jobOutputType	[Obbligatorio] Specifica il tipo di processo.	"MLTable" (obbligatorio)
modo	Modalità di distribuzione degli asset di output.	"ReadWriteMount" "Carica"
Uri	URI dell'asset di output.	corda

ModelModelJobOutput

Nome	Descrizione	Valore
jobOutputType	[Obbligatorio] Specifica il tipo di processo.	"ButtonModel" (obbligatorio)
modo	Modalità di distribuzione degli asset di output.	"ReadWriteMount" "Carica"
Uri	URI dell'asset di output.	corda

UriFileJobOutput

Nome	Descrizione	Valore
jobOutputType	[Obbligatorio] Specifica il tipo di processo.	"UriFile" (obbligatorio)
modo	Modalità di distribuzione degli asset di output.	"ReadWriteMount" "Carica"
Uri	URI dell'asset di output.	corda

UriFolderJobOutput

Nome	Descrizione	Valore
jobOutputType	[Obbligatorio] Specifica il tipo di processo.	"UriFolder" (obbligatorio)
modo	Modalità di distribuzione degli asset di output.	"ReadWriteMount" "Carica"
Uri	URI dell'asset di output.	corda

ResourceConfiguration

Nome	Descrizione	Valore
instanceCount	Numero facoltativo di istanze o nodi usati dalla destinazione di calcolo.	Int
instanceType	Tipo facoltativo di macchina virtuale usato come supportato dalla destinazione di calcolo.	corda
proprietà	Contenitore di proprietà aggiuntive.	ResourceConfigurationProperties

ResourceConfigurationProperties

Nome	Descrizione	Valore
{proprietà personalizzata}

AutoMLVertical

Nome	Descrizione	Valore
logVerbosity	Registrare il livello di dettaglio per il processo.	"Critico" "Debug" "Errore" "Info" "NotSet" "Avviso"
taskType	Impostare il tipo di oggetto	classificazione previsione ImageClassification ImageClassificationMultilabel ImageInstanceSegmentation imageObjectDetection regressione TextClassification TextClassificationMultilabel TextNER (obbligatorio)

Classificazione

Nome	Descrizione	Valore
taskType	[Obbligatorio] Tipo di attività per AutoMLJob.	"Classificazione" (obbligatorio)
allowedModels	Modelli consentiti per l'attività di classificazione.	Matrice di stringhe contenente uno dei seguenti elementi: "BernoulliNaiveBayes" "DecisionTree" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LightGBM" "LinearSVM" "LogisticRegression" "MultinomialNaiveBayes" "RandomForest" "SGD" "SVM" "XGBoostClassifier"
blockedModels	Modelli bloccati per l'attività di classificazione.	Matrice di stringhe contenente uno dei seguenti elementi: "BernoulliNaiveBayes" "DecisionTree" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LightGBM" "LinearSVM" "LogisticRegression" "MultinomialNaiveBayes" "RandomForest" "SGD" "SVM" "XGBoostClassifier"
dataSettings	Input di dati per AutoMLJob.	TableVerticalDataSettings
featurizationSettings	Input di definizione delle caratteristiche necessari per il processo AutoML.	TableVerticalFeaturizationSettings
limitSettings	Vincoli di esecuzione per AutoMLJob.	TableVerticalLimitSettings
primaryMetric	Metrica primaria per l'attività.	"AUCWeighted" "Accuratezza" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted"
trainingSettings	Input per la fase di training per un processo AutoML.	TrainingSettings

TableVerticalDataSettings

Nome	Descrizione	Valore
targetColumnName	[Obbligatorio] Nome colonna di destinazione: colonna dei valori di stima. Noto anche come nome di colonna etichetta nel contesto delle attività di classificazione.	stringa (obbligatorio) Vincoli: Pattern = [a-zA-Z0-9_]
testData	Testare l'input dei dati.	testDataSettings
trainingData	[Obbligatorio] Input dei dati di training.	TrainingDataSettings (obbligatorio)
validationData	Input dei dati di convalida.	TableVerticalValidationDataSettings
weightColumnName	Nome della colonna peso campione. Machine Learning automatizzato supporta una colonna ponderata come input, causando il peso delle righe nei dati verso l'alto o verso il basso.	corda

TestDataSettings

Nome	Descrizione	Valore
dati	Eseguire il test di MLTable dei dati.	MLTableJobInput
testDataSize	Frazione del set di dati di test da riservare a scopo di convalida. Valori compresi tra (0,0 , 1,0) Applicato quando non viene fornito il set di dati di convalida.	Int

MLTableJobInput

Nome	Descrizione	Valore
descrizione	Descrizione per l'input.	corda
jobInputType	[Obbligatorio] Specifica il tipo di processo.	"CustomModel" "Letterale" "MLFlowModel" "MLTable" "ButtonModel" "UriFile" "UriFolder" (obbligatorio)
modo	Modalità di distribuzione degli asset di input.	"Diretto" "Download" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
Uri	[Obbligatorio] URI dell'asset di input.	stringa (obbligatorio) Vincoli: Pattern = [a-zA-Z0-9_]

TrainingDataSettings

Nome	Descrizione	Valore
dati	[Obbligatorio] Training dei dati MLTable.	MLTableJobInput (obbligatorio)

TableVerticalValidationDataSettings

Nome	Descrizione	Valore
cvSplitColumnNames	Colonne da utilizzare per i dati CVSplit.	string[]
dati	MlTable dei dati di convalida.	MLTableJobInput
nCrossValidations	Numero di riduzioni di convalida incrociata da applicare al set di dati di training quando il set di dati di convalida non viene fornito.	NCrossValidations
validationDataSize	Frazione del set di dati di training da riservare a scopo di convalida. Valori compresi tra (0,0 , 1,0) Applicato quando non viene fornito il set di dati di convalida.	Int

NCrossValidations

Nome	Descrizione	Valore
modo	Impostare il tipo di oggetto	automatico personalizzato (obbligatorio)

AutoNCrossValidations

Nome	Descrizione	Valore
modo	[Obbligatorio] Modalità per determinare le convalide tra N.	"Auto" (obbligatorio)

CustomNCrossValidations

Nome	Descrizione	Valore
modo	[Obbligatorio] Modalità per determinare le convalide tra N.	"Personalizzato" (obbligatorio)
valore	[Obbligatorio] Valore delle convalide incrociate N.	int (obbligatorio)

TableVerticalFeaturizationSettings

Nome	Descrizione	Valore
blockedTransformers	Questi trasformatori non devono essere utilizzati nella definizione delle caratteristiche.	string[]
columnNameAndTypes	Dizionario del nome della colonna e del relativo tipo (int, float, string, datetime e così via).	tableVerticalFeaturizationSettingsColumnNameAndTypes
datasetLanguage	Lingua del set di dati, utile per i dati di testo.	corda
dropColumns	Colonne da eliminare dai dati durante la definizione delle caratteristiche.	string[]
enableDnnFeaturization	Determina se utilizzare gli strumenti di funzionalità basati su Dnn per la definizione delle caratteristiche dei dati.	Bool
modo	Modalità di definizione delle caratteristiche: l'utente può mantenere la modalità predefinita "Auto" e AutoML si occuperà della trasformazione necessaria dei dati nella fase di definizione delle caratteristiche. Se l'opzione 'Off' è selezionata, non viene eseguita alcuna definizione di funzionalità. Se l'opzione 'Custom' è selezionata, l'utente può specificare input aggiuntivi per personalizzare la modalità di definizione delle caratteristiche.	"Auto" "Personalizzato" "Off"
transformerParams	L'utente può specificare trasformatori aggiuntivi da utilizzare insieme alle colonne a cui verrebbe applicato e parametri per il costruttore del trasformatore.	TableVerticalFeaturizationSettingsTransformerParams

TableVerticalFeaturizationSettingsColumnNameAndTypes

Nome	Descrizione	Valore
{proprietà personalizzata}		corda

TableVerticalFeaturizationSettingsTransformerParams

Nome	Descrizione	Valore
{proprietà personalizzata}		ColumnTransformer []

ColumnTransformer

Nome	Descrizione	Valore
Campi	Campi su cui applicare la logica del trasformatore.	string[]
Parametri	Proprietà diverse da passare al trasformatore. L'input previsto è un dizionario di coppie chiave,valore in formato JSON.

TableVerticalLimitSettings

Nome	Descrizione	Valore
enableEarlyTermination	Abilitare la terminazione anticipata, determina se AutoMLJob terminerà in anticipo se negli ultimi 20 iterazioni non è presente alcun miglioramento del punteggio.	Bool
exitScore	Punteggio di uscita per il processo AutoML.	Int
maxConcurrentTrials	Numero massimo di iterazioni simultanee.	Int
maxCoresPerTrial	Numero massimo di core per iterazione.	Int
maxTrials	Numero di iterazioni.	Int
Timeout	Timeout del processo AutoML.	corda
trialTimeout	Timeout di iterazione.	corda

TrainingSettings

Nome	Descrizione	Valore
enableDnnTraining	Abilitare la raccomandazione dei modelli DNN.	Bool
enableModelExplainability	Flag per attivare la spiegazione sul modello migliore.	Bool
enableOnnxCompatibleModels	Flag per l'abilitazione di modelli compatibili con onnx.	Bool
enableStackEnsemble	Abilitare l'esecuzione dell'insieme dello stack.	Bool
enableVoteEnsemble	Abilitare l'esecuzione dell'ensemble di voto.	Bool
ensembleModelDownloadTimeout	Durante la generazione di modelli VotingEnsemble e StackEnsemble, vengono scaricati più modelli montati dalle esecuzioni figlio precedenti. Configurare questo parametro con un valore superiore a 300 sec, se è necessario più tempo.	corda
stackEnsembleSettings	Impostazioni dell'insieme di stack per l'esecuzione dell'insieme di stack.	StackEnsembleSettings

StackEnsembleSettings

Nome	Descrizione	Valore
stackMetaLearnerKWargs	Parametri facoltativi da passare all'inizializzatore del meta-learner.
stackMetaLearnerTrainPercentage	Specifica la proporzione del set di training (quando si sceglie il tipo di training e di convalida) da riservare per il training del meta-apprendimento. Il valore predefinito è 0,2.	Int
stackMetaLearnerType	Il meta-learner è un modello sottoposto a training sull'output dei singoli modelli eterogenei.	"ElasticNet" "ElasticNetCV" "LightGBMClassifier" "LightGBMRegressor" "LinearRegression" "LogisticRegression" "LogisticRegressionCV" "Nessuno"

Previsione

Nome	Descrizione	Valore
taskType	[Obbligatorio] Tipo di attività per AutoMLJob.	"Previsione" (obbligatorio)
allowedModels	Modelli consentiti per l'attività di previsione.	Matrice di stringhe contenente uno dei seguenti elementi: "Arimax" "AutoArima" "Media" "DecisionTree" "ElasticNet" "EsponenzialeSmoothing" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "Naive" "Profeta" "RandomForest" "SGD" "SeasonalAverage" "StagionaleNaive" "TCNForecaster" "XGBoostRegressor"
blockedModels	Modelli bloccati per l'attività di previsione.	Matrice di stringhe contenente uno dei seguenti elementi: "Arimax" "AutoArima" "Media" "DecisionTree" "ElasticNet" "EsponenzialeSmoothing" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "Naive" "Profeta" "RandomForest" "SGD" "SeasonalAverage" "StagionaleNaive" "TCNForecaster" "XGBoostRegressor"
dataSettings	Input di dati per AutoMLJob.	TableVerticalDataSettings
featurizationSettings	Input di definizione delle caratteristiche necessari per il processo AutoML.	TableVerticalFeaturizationSettings
forecastingSettings	Previsione di input specifici dell'attività.	ForecastingSettings
limitSettings	Vincoli di esecuzione per AutoMLJob.	TableVerticalLimitSettings
primaryMetric	Metrica primaria per l'attività di previsione.	"NormalizedMeanAbsoluteError" "NormalizedRootMeanSquaredError" "R2Score" "SpearmanCorrelation"
trainingSettings	Input per la fase di training per un processo AutoML.	TrainingSettings

ForecastingSettings

Nome	Descrizione	Valore
countryOrRegionForHolidays	Paese o area geografica per le vacanze per le attività di previsione. Devono essere codici PAESE/area geografica ISO 3166, ad esempio 'US' o 'GB'.	corda
cvStepSize	Numero di periodi tra l'ora di origine di una piega cv e la piega successiva. Per ad esempio, se CVStepSize = 3 per i dati giornalieri, l'ora di origine per ogni piega sarà tre giorni a parte.	Int
featureLags	Flag per la generazione di ritardi per le funzionalità numeriche con 'auto' o Null.	"Auto" "Nessuno"
forecastHorizon	L'orizzonte di previsione massimo desiderato in unità di frequenza delle serie temporali.	ForecastHorizon
frequenza	Durante la previsione, questo parametro rappresenta il periodo con cui si desidera eseguire la previsione, ad esempio giornaliera, settimanale, annuale e così via. La frequenza di previsione è la frequenza del set di dati per impostazione predefinita.	corda
stagionalità	Impostare la stagionalità delle serie temporali come numero intero multiplo della frequenza della serie. Se la stagionalità è impostata su "auto", verrà dedotta.	stagionalità
shortSeriesHandlingConfig	Parametro che definisce come se AutoML deve gestire serie temporali brevi.	"Auto" "Drop" "Nessuno" "Pad"
targetAggregateFunction	Funzione da utilizzare per aggregare la colonna di destinazione della serie temporale in modo che sia conforme a una frequenza specificata dall'utente. Se targetAggregateFunction è impostato, ad esempio non 'None', ma il parametro freq non è impostato, viene generato l'errore. Le possibili funzioni di aggregazione di destinazione sono: "sum", "max", "min" e "mean".	"Max" "Mean" "Min" "Nessuno" "Somma"
targetLags	Numero di periodi passati di ritardo dalla colonna di destinazione.	TargetLags
targetRollingWindowSize	Numero di periodi passati utilizzati per creare una media della finestra mobile della colonna di destinazione.	TargetRollingWindowSize
timeColumnName	Nome della colonna temporale. Questo parametro è obbligatorio quando si prevede di specificare la colonna datetime nei dati di input usati per compilare la serie temporale e dedurre la relativa frequenza.	corda
timeSeriesIdColumnNames	Nomi delle colonne utilizzate per raggruppare un timeeries. Può essere usato per creare più serie. Se la granularità non è definita, si presuppone che il set di dati sia una serie temporale. Questo parametro viene usato con la previsione del tipo di attività.	string[]
useStl	Configurare la sCOMposizione STL della colonna di destinazione della serie temporale.	"Nessuno" "Stagione" "SeasonTrend"

ForecastHorizon

Nome	Descrizione	Valore
modo	Impostare il tipo di oggetto	automatico personalizzato (obbligatorio)

AutoForecastHorizon

Nome	Descrizione	Valore
modo	[Obbligatorio] Impostare la modalità di selezione del valore dell'orizzonte di previsione.	"Auto" (obbligatorio)

CustomForecastHorizon

Nome	Descrizione	Valore
modo	[Obbligatorio] Impostare la modalità di selezione del valore dell'orizzonte di previsione.	"Personalizzato" (obbligatorio)
valore	[Obbligatorio] Valore dell'orizzonte di previsione.	int (obbligatorio)

Stagionalità

Nome	Descrizione	Valore
modo	Impostare il tipo di oggetto	automatico personalizzato (obbligatorio)

AutoSeasonality

Nome	Descrizione	Valore
modo	[Obbligatorio] Modalità stagionalità.	"Auto" (obbligatorio)

CustomSeasonality

Nome	Descrizione	Valore
modo	[Obbligatorio] Modalità stagionalità.	"Personalizzato" (obbligatorio)
valore	[Obbligatorio] Valore stagionalità.	int (obbligatorio)

TargetLags

Nome	Descrizione	Valore
modo	Impostare il tipo di oggetto	automatico personalizzato (obbligatorio)

AutoTargetLags

Nome	Descrizione	Valore
modo	[Obbligatorio] Impostare la modalità di ritardo di destinazione - Auto/Personalizzato	"Auto" (obbligatorio)

CustomTargetLags

Nome	Descrizione	Valore
modo	[Obbligatorio] Impostare la modalità di ritardo di destinazione - Auto/Personalizzato	"Personalizzato" (obbligatorio)
valori	[Obbligatorio] Impostare i valori di ritardo di destinazione.	int[] (obbligatorio)

TargetRollingWindowSize

Nome	Descrizione	Valore
modo	Impostare il tipo di oggetto	automatico personalizzato (obbligatorio)

AutoTargetRollingWindowSize

Nome	Descrizione	Valore
modo	[Obbligatorio] Modalità di rilevamento TargetRollingWindowSiz.	"Auto" (obbligatorio)

CustomTargetRollingWindowSize

Nome	Descrizione	Valore
modo	[Obbligatorio] Modalità di rilevamento TargetRollingWindowSiz.	"Personalizzato" (obbligatorio)
valore	[Obbligatorio] Valore TargetRollingWindowSize.	int (obbligatorio)

ImageClassification

Nome	Descrizione	Valore
taskType	[Obbligatorio] Tipo di attività per AutoMLJob.	"ImageClassification" (obbligatorio)
dataSettings	[Obbligatorio] Raccolta di ID set di dati tabulari registrati e altre impostazioni di dati necessarie per il training e la convalida dei modelli.	ImageVerticalDataSettings (obbligatorio)
limitSettings	[Obbligatorio] Limitare le impostazioni per il processo AutoML.	ImageLimitSettings (obbligatorio)
modelSettings	Impostazioni usate per il training del modello.	ImageModelSettingsClassification
primaryMetric	Metrica primaria da ottimizzare per questa attività.	"AUCWeighted" "Accuratezza" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted"
searchSpace	Cercare spazio per il campionamento di diverse combinazioni di modelli e dei relativi iperparametri.	ImageModelDistributionSettingsClassification[]
sweepSettings	Sweep del modello e sweep degli iperparametri per le impostazioni correlate.	ImageSweepSettings

ImageVerticalDataSettings

Nome	Descrizione	Valore
targetColumnName	[Obbligatorio] Nome colonna di destinazione: colonna dei valori di stima. Noto anche come nome di colonna etichetta nel contesto delle attività di classificazione.	stringa (obbligatorio) Vincoli: Pattern = [a-zA-Z0-9_]
testData	Testare l'input dei dati.	testDataSettings
trainingData	[Obbligatorio] Input dei dati di training.	TrainingDataSettings (obbligatorio)
validationData	Impostazioni per il set di dati di convalida.	imageVerticalValidationDataSettings

ImageVerticalValidationDataSettings

Nome	Descrizione	Valore
dati	MlTable dei dati di convalida.	MLTableJobInput
validationDataSize	Frazione del set di dati di training da riservare a scopo di convalida. Valori compresi tra (0,0 , 1,0) Applicato quando non viene fornito il set di dati di convalida.	Int

ImageLimitSettings

Nome	Descrizione	Valore
maxConcurrentTrials	Numero massimo di iterazioni AutoML simultanee.	Int
maxTrials	Numero massimo di iterazioni AutoML.	Int
Timeout	Timeout del processo AutoML.	corda

ImageModelSettingsClassification

Nome	Descrizione	Valore
advancedSettings	Impostazioni per scenari avanzati.	corda
amsGradient	Abilitare AMSGrad quando Optimizer è 'adam' o 'adamw'.	Bool
incrementi	Impostazioni per l'uso di Augmentations.	corda
beta1	Valore di 'beta1' quando optimizer è 'adam' o 'adamw'. Deve essere un valore float nell'intervallo [0, 1].	Int
beta2	Valore di 'beta2' quando optimizer è 'adam' o 'adamw'. Deve essere un valore float nell'intervallo [0, 1].	Int
checkpointDatasetId	ID FileDataset per i checkpoint con training preliminare per il training incrementale. Assicurarsi di passare CheckpointFilename insieme a CheckpointDatasetId.	corda
checkpointFilename	Nome file del checkpoint con training preliminare in FileDataset per il training incrementale. Assicurarsi di passare CheckpointDatasetId insieme a CheckpointFilename.	corda
checkpointFrequency	Frequenza per archiviare i checkpoint del modello. Deve essere un numero intero positivo.	Int
checkpointRunId	ID di un'esecuzione precedente con un checkpoint con training preliminare per il training incrementale.	corda
distribuito	Indica se usare il training distribuito.	Bool
earlyStopping	Abilitare la logica di arresto anticipato durante il training.	Bool
earlyStoppingDelay	Numero minimo di periodi o valutazioni di convalida da attendere prima del miglioramento della metrica primaria viene monitorato per l'arresto anticipato. Deve essere un numero intero positivo.	Int
earlyStoppingPatience	Numero minimo di periodi o valutazioni di convalida senza miglioramenti delle metriche primarie prima l'esecuzione viene arrestata. Deve essere un numero intero positivo.	Int
enableOnnxNormalization	Abilitare la normalizzazione durante l'esportazione del modello ONNX.	Bool
evaluationFrequency	Frequenza per valutare il set di dati di convalida per ottenere i punteggi delle metriche. Deve essere un numero intero positivo.	Int
gradientAccumulationStep	L'accumulo di sfumature significa eseguire un numero configurato di passaggi "GradAccumulationStep" senza aggiornamento dei pesi del modello durante l'accumulo delle sfumature di tali passaggi e quindi uso gradienti accumulati per calcolare gli aggiornamenti del peso. Deve essere un numero intero positivo.	Int
layersToFreeze	Numero di livelli da bloccare per il modello. Deve essere un numero intero positivo. Ad esempio, passando 2 come valore per "seresnext" significa livello di congelamento0 e layer1. Per un elenco completo dei modelli supportati e i dettagli sul blocco del livello, vedere see: /azure/machine-learning/how-to-auto-train-image-models.	Int
learningRate	Frequenza di apprendimento iniziale. Deve essere un valore float nell'intervallo [0, 1].	Int
learningRateScheduler	Tipo di utilità di pianificazione della frequenza di apprendimento. Deve essere "warmup_cosine" o "passaggio".	"Nessuno" "Passaggio" "WarmupCosine"
modelName	Nome del modello da usare per il training. Per altre informazioni sui modelli disponibili, vedere la documentazione ufficiale: /azure/machine-learning/how-to-auto-train-image-models.	corda
slancio	Valore di momentum quando optimizer è 'sgd'. Deve essere un valore float nell'intervallo [0, 1].	Int
nesterov	Abilitare nesterov quando optimizer è "sgd".	Bool
numberOfEpochs	Numero di periodi di training. Deve essere un numero intero positivo.	Int
numberOfWorkers	Numero di ruoli di lavoro del caricatore di dati. Deve essere un numero intero non negativo.	Int
ottimizzatore	Tipo di ottimizzatore.	"Adam" "Adamw" "Nessuno" "Sgd"
randomSeed	Valore di inizializzazione casuale da usare quando si usa il training deterministico.	Int
splitRatio	Se i dati di convalida non sono definiti, specifica il rapporto di divisione per la suddivisione eseguire il training dei dati in subset di training e convalida casuali. Deve essere un valore float nell'intervallo [0, 1].	Int
stepLRGamma	Il valore gamma quando l'utilità di pianificazione della frequenza di apprendimento è 'step'. Deve essere un valore float nell'intervallo [0, 1].	Int
stepLRStepSize	Valore delle dimensioni del passaggio quando l'utilità di pianificazione della frequenza di apprendimento è "passaggio". Deve essere un numero intero positivo.	Int
trainingBatchSize	Dimensioni batch di training. Deve essere un numero intero positivo.	Int
trainingCropSize	Dimensioni di ritaglio delle immagini che vengono immesse nella rete neurale per il set di dati di training. Deve essere un numero intero positivo.	Int
validationBatchSize	Dimensioni batch di convalida. Deve essere un numero intero positivo.	Int
validationCropSize	Dimensione ritaglio immagine che viene immessa nella rete neurale per il set di dati di convalida. Deve essere un numero intero positivo.	Int
validationResizeSize	Dimensioni dell'immagine in cui ridimensionare prima del ritaglio per il set di dati di convalida. Deve essere un numero intero positivo.	Int
warmupCosineLRCycles	Il valore del ciclo coseno quando l'utilità di pianificazione della frequenza di apprendimento è "warmup_cosine". Deve essere un valore float nell'intervallo [0, 1].	Int
warmupCosineLRWarmupEpochs	Il valore dei periodi di riscaldamento quando l'utilità di pianificazione della frequenza di apprendimento è "warmup_cosine". Deve essere un numero intero positivo.	Int
weightDecay	Valore del decadimento del peso quando optimizer è 'sgd', 'adam' o 'adamw'. Deve essere un valore float nell'intervallo[0, 1].	Int
weightedLoss	Perdita ponderata. I valori accettati sono 0 per nessuna perdita ponderata. 1 per perdita ponderata con sqrt. (class_weights). 2 per perdita ponderata con class_weights. Deve essere 0 o 1 o 2.	Int

ImageModelDistributionSettingsClassification

Nome	Descrizione	Valore
amsGradient	Abilitare AMSGrad quando Optimizer è 'adam' o 'adamw'.	corda
incrementi	Impostazioni per l'uso di Augmentations.	corda
beta1	Valore di 'beta1' quando optimizer è 'adam' o 'adamw'. Deve essere un valore float nell'intervallo [0, 1].	corda
beta2	Valore di 'beta2' quando optimizer è 'adam' o 'adamw'. Deve essere un valore float nell'intervallo [0, 1].	corda
distribuito	Indica se usare il training di distributer.	corda
earlyStopping	Abilitare la logica di arresto anticipato durante il training.	corda
earlyStoppingDelay	Numero minimo di periodi o valutazioni di convalida da attendere prima del miglioramento della metrica primaria viene monitorato per l'arresto anticipato. Deve essere un numero intero positivo.	corda
earlyStoppingPatience	Numero minimo di periodi o valutazioni di convalida senza miglioramenti delle metriche primarie prima l'esecuzione viene arrestata. Deve essere un numero intero positivo.	corda
enableOnnxNormalization	Abilitare la normalizzazione durante l'esportazione del modello ONNX.	corda
evaluationFrequency	Frequenza per valutare il set di dati di convalida per ottenere i punteggi delle metriche. Deve essere un numero intero positivo.	corda
gradientAccumulationStep	L'accumulo di sfumature significa eseguire un numero configurato di passaggi "GradAccumulationStep" senza aggiornamento dei pesi del modello durante l'accumulo delle sfumature di tali passaggi e quindi uso gradienti accumulati per calcolare gli aggiornamenti del peso. Deve essere un numero intero positivo.	corda
layersToFreeze	Numero di livelli da bloccare per il modello. Deve essere un numero intero positivo. Ad esempio, passando 2 come valore per "seresnext" significa livello di congelamento0 e layer1. Per un elenco completo dei modelli supportati e i dettagli sul blocco del livello, vedere see: /azure/machine-learning/how-to-auto-train-image-models.	corda
learningRate	Frequenza di apprendimento iniziale. Deve essere un valore float nell'intervallo [0, 1].	corda
learningRateScheduler	Tipo di utilità di pianificazione della frequenza di apprendimento. Deve essere "warmup_cosine" o "passaggio".	corda
modelName	Nome del modello da usare per il training. Per altre informazioni sui modelli disponibili, vedere la documentazione ufficiale: /azure/machine-learning/how-to-auto-train-image-models.	corda
slancio	Valore di momentum quando optimizer è 'sgd'. Deve essere un valore float nell'intervallo [0, 1].	corda
nesterov	Abilitare nesterov quando optimizer è "sgd".	corda
numberOfEpochs	Numero di periodi di training. Deve essere un numero intero positivo.	corda
numberOfWorkers	Numero di ruoli di lavoro del caricatore di dati. Deve essere un numero intero non negativo.	corda
ottimizzatore	Tipo di ottimizzatore. Deve essere 'sgd', 'adam', o 'adamw'.	corda
randomSeed	Valore di inizializzazione casuale da usare quando si usa il training deterministico.	corda
splitRatio	Se i dati di convalida non sono definiti, specifica il rapporto di divisione per la suddivisione eseguire il training dei dati in subset di training e convalida casuali. Deve essere un valore float nell'intervallo [0, 1].	corda
stepLRGamma	Il valore gamma quando l'utilità di pianificazione della frequenza di apprendimento è 'step'. Deve essere un valore float nell'intervallo [0, 1].	corda
stepLRStepSize	Valore delle dimensioni del passaggio quando l'utilità di pianificazione della frequenza di apprendimento è "passaggio". Deve essere un numero intero positivo.	corda
trainingBatchSize	Dimensioni batch di training. Deve essere un numero intero positivo.	corda
trainingCropSize	Dimensioni di ritaglio delle immagini che vengono immesse nella rete neurale per il set di dati di training. Deve essere un numero intero positivo.	corda
validationBatchSize	Dimensioni batch di convalida. Deve essere un numero intero positivo.	corda
validationCropSize	Dimensione ritaglio immagine che viene immessa nella rete neurale per il set di dati di convalida. Deve essere un numero intero positivo.	corda
validationResizeSize	Dimensioni dell'immagine in cui ridimensionare prima del ritaglio per il set di dati di convalida. Deve essere un numero intero positivo.	corda
warmupCosineLRCycles	Il valore del ciclo coseno quando l'utilità di pianificazione della frequenza di apprendimento è "warmup_cosine". Deve essere un valore float nell'intervallo [0, 1].	corda
warmupCosineLRWarmupEpochs	Il valore dei periodi di riscaldamento quando l'utilità di pianificazione della frequenza di apprendimento è "warmup_cosine". Deve essere un numero intero positivo.	corda
weightDecay	Valore del decadimento del peso quando optimizer è 'sgd', 'adam' o 'adamw'. Deve essere un valore float nell'intervallo[0, 1].	corda
weightedLoss	Perdita ponderata. I valori accettati sono 0 per nessuna perdita ponderata. 1 per perdita ponderata con sqrt. (class_weights). 2 per perdita ponderata con class_weights. Deve essere 0 o 1 o 2.	corda

ImageSweepSettings

Nome	Descrizione	Valore
earlyTermination	Tipo di criteri di terminazione anticipata.	EarlyTerminationPolicy
Limiti	[Obbligatorio] Limitare le impostazioni per lo sweep del modello e lo sweep degli iperparametri.	imageSweepLimitSettings (obbligatorio)
campionamentoAlgorithm	[Obbligatorio] Tipo degli algoritmi di campionamento degli iperparametri.	"Bayesian" "Griglia" "Casuale" (obbligatorio)

EarlyTerminationPolicy

Nome	Descrizione	Valore
delayEvaluation	Numero di intervalli in base ai quali ritardare la prima valutazione.	Int
evaluationInterval	Intervallo (numero di esecuzioni) tra le valutazioni dei criteri.	Int
policyType	Impostare il tipo di oggetto	Bandit MedianStopping truncationSelection (obbligatorio)

BanditPolicy

Nome	Descrizione	Valore
policyType	[Obbligatorio] Nome della configurazione dei criteri	"Bandit" (obbligatorio)
slackAmount	Distanza assoluta consentita dalla migliore esecuzione.	Int
slackFactor	Rapporto tra la distanza consentita e l'esecuzione con prestazioni migliori.	Int

MedianStoppingPolicy

Nome	Descrizione	Valore
policyType	[Obbligatorio] Nome della configurazione dei criteri	"MedianStopping" (obbligatorio)

TruncationSelectionPolicy

Nome	Descrizione	Valore
policyType	[Obbligatorio] Nome della configurazione dei criteri	"TruncationSelection" (obbligatorio)
truncationPercentage	Percentuale di esecuzioni da annullare a ogni intervallo di valutazione.	Int

ImageSweepLimitSettings

Nome	Descrizione	Valore
maxConcurrentTrials	Numero massimo di iterazioni simultanee per il processo Sweep sottostante.	Int
maxTrials	Numero massimo di iterazioni per il processo Sweep sottostante.	Int

ImageClassificationMultilabel

Nome	Descrizione	Valore
taskType	[Obbligatorio] Tipo di attività per AutoMLJob.	"ImageClassificationMultilabel" (obbligatorio)
dataSettings	[Obbligatorio] Raccolta di ID set di dati tabulari registrati e altre impostazioni di dati necessarie per il training e la convalida dei modelli.	ImageVerticalDataSettings (obbligatorio)
limitSettings	[Obbligatorio] Limitare le impostazioni per il processo AutoML.	ImageLimitSettings (obbligatorio)
modelSettings	Impostazioni usate per il training del modello.	ImageModelSettingsClassification
primaryMetric	Metrica primaria da ottimizzare per questa attività.	"AUCWeighted" "Accuratezza" "AveragePrecisionScoreWeighted" "IOU" "NormMacroRecall" "PrecisionScoreWeighted"
searchSpace	Cercare spazio per il campionamento di diverse combinazioni di modelli e dei relativi iperparametri.	ImageModelDistributionSettingsClassification[]
sweepSettings	Sweep del modello e sweep degli iperparametri per le impostazioni correlate.	ImageSweepSettings

ImageInstanceSegmentation

Nome	Descrizione	Valore
taskType	[Obbligatorio] Tipo di attività per AutoMLJob.	"ImageInstanceSegmentation" (obbligatorio)
dataSettings	[Obbligatorio] Raccolta di ID set di dati tabulari registrati e altre impostazioni di dati necessarie per il training e la convalida dei modelli.	ImageVerticalDataSettings (obbligatorio)
limitSettings	[Obbligatorio] Limitare le impostazioni per il processo AutoML.	ImageLimitSettings (obbligatorio)
modelSettings	Impostazioni usate per il training del modello.	ImageModelSettingsObjectDetection
primaryMetric	Metrica primaria da ottimizzare per questa attività.	"MeanAveragePrecision"
searchSpace	Cercare spazio per il campionamento di diverse combinazioni di modelli e dei relativi iperparametri.	ImageModelDistributionSettingsObjectDetection[]
sweepSettings	Sweep del modello e sweep degli iperparametri per le impostazioni correlate.	ImageSweepSettings

ImageModelSettingsObjectDetection

Nome	Descrizione	Valore
advancedSettings	Impostazioni per scenari avanzati.	corda
amsGradient	Abilitare AMSGrad quando Optimizer è 'adam' o 'adamw'.	Bool
incrementi	Impostazioni per l'uso di Augmentations.	corda
beta1	Valore di 'beta1' quando optimizer è 'adam' o 'adamw'. Deve essere un valore float nell'intervallo [0, 1].	Int
beta2	Valore di 'beta2' quando optimizer è 'adam' o 'adamw'. Deve essere un valore float nell'intervallo [0, 1].	Int
boxDetectionsPerImage	Numero massimo di rilevamenti per immagine, per tutte le classi. Deve essere un numero intero positivo. Nota: queste impostazioni non sono supportate per l'algoritmo "yolov5".	Int
boxScoreThreshold	Durante l'inferenza, restituisce solo proposte con un punteggio di classificazione maggiore di BoxScoreThreshold. Deve essere un valore float nell'intervallo[0, 1].	Int
checkpointDatasetId	ID FileDataset per i checkpoint con training preliminare per il training incrementale. Assicurarsi di passare CheckpointFilename insieme a CheckpointDatasetId.	corda
checkpointFilename	Nome file del checkpoint con training preliminare in FileDataset per il training incrementale. Assicurarsi di passare CheckpointDatasetId insieme a CheckpointFilename.	corda
checkpointFrequency	Frequenza per archiviare i checkpoint del modello. Deve essere un numero intero positivo.	Int
checkpointRunId	ID di un'esecuzione precedente con un checkpoint con training preliminare per il training incrementale.	corda
distribuito	Indica se usare il training distribuito.	Bool
earlyStopping	Abilitare la logica di arresto anticipato durante il training.	Bool
earlyStoppingDelay	Numero minimo di periodi o valutazioni di convalida da attendere prima del miglioramento della metrica primaria viene monitorato per l'arresto anticipato. Deve essere un numero intero positivo.	Int
earlyStoppingPatience	Numero minimo di periodi o valutazioni di convalida senza miglioramenti delle metriche primarie prima l'esecuzione viene arrestata. Deve essere un numero intero positivo.	Int
enableOnnxNormalization	Abilitare la normalizzazione durante l'esportazione del modello ONNX.	Bool
evaluationFrequency	Frequenza per valutare il set di dati di convalida per ottenere i punteggi delle metriche. Deve essere un numero intero positivo.	Int
gradientAccumulationStep	L'accumulo di sfumature significa eseguire un numero configurato di passaggi "GradAccumulationStep" senza aggiornamento dei pesi del modello durante l'accumulo delle sfumature di tali passaggi e quindi uso gradienti accumulati per calcolare gli aggiornamenti del peso. Deve essere un numero intero positivo.	Int
imageSize	Dimensioni dell'immagine per il training e la convalida. Deve essere un numero intero positivo. Nota: l'esecuzione del training può entrare nell'OOM CUDA se le dimensioni sono troppo grandi. Nota: queste impostazioni sono supportate solo per l'algoritmo "yolov5".	Int
layersToFreeze	Numero di livelli da bloccare per il modello. Deve essere un numero intero positivo. Ad esempio, passando 2 come valore per "seresnext" significa livello di congelamento0 e layer1. Per un elenco completo dei modelli supportati e i dettagli sul blocco del livello, vedere see: /azure/machine-learning/how-to-auto-train-image-models.	Int
learningRate	Frequenza di apprendimento iniziale. Deve essere un valore float nell'intervallo [0, 1].	Int
learningRateScheduler	Tipo di utilità di pianificazione della frequenza di apprendimento. Deve essere "warmup_cosine" o "passaggio".	"Nessuno" "Passaggio" "WarmupCosine"
maxSize	Dimensioni massime dell'immagine da ridimensionare prima di alimentarla al backbone. Deve essere un numero intero positivo. Nota: l'esecuzione del training può entrare nell'OOM CUDA se le dimensioni sono troppo grandi. Nota: queste impostazioni non sono supportate per l'algoritmo "yolov5".	Int
minSize	Dimensioni minime dell'immagine da ridimensionare prima di alimentarla al backbone. Deve essere un numero intero positivo. Nota: l'esecuzione del training può entrare nell'OOM CUDA se le dimensioni sono troppo grandi. Nota: queste impostazioni non sono supportate per l'algoritmo "yolov5".	Int
modelName	Nome del modello da usare per il training. Per altre informazioni sui modelli disponibili, vedere la documentazione ufficiale: /azure/machine-learning/how-to-auto-train-image-models.	corda
modelSize	Dimensioni del modello. Deve essere "small", "medium", "large" o "xlarge". Nota: se le dimensioni del modello sono troppo grandi, l'esecuzione del training può entrare nell'OOM CUDA. Nota: queste impostazioni sono supportate solo per l'algoritmo "yolov5".	"ExtraLarge" "Grande" "Medio" "Nessuno" "Piccolo"
slancio	Valore di momentum quando optimizer è 'sgd'. Deve essere un valore float nell'intervallo [0, 1].	Int
multiScale	Abilitare l'immagine su più scalabilità variando le dimensioni dell'immagine per +/- 50%. Nota: l'esecuzione del training può entrare nell'OOM CUDA se non è sufficiente memoria GPU. Nota: queste impostazioni sono supportate solo per l'algoritmo "yolov5".	Bool
nesterov	Abilitare nesterov quando optimizer è "sgd".	Bool
nmsIouThreshold	Soglia IOU usata durante l'inferenza in NMS post-elaborazione. Deve essere un valore float nell'intervallo [0, 1].	Int
numberOfEpochs	Numero di periodi di training. Deve essere un numero intero positivo.	Int
numberOfWorkers	Numero di ruoli di lavoro del caricatore di dati. Deve essere un numero intero non negativo.	Int
ottimizzatore	Tipo di ottimizzatore.	"Adam" "Adamw" "Nessuno" "Sgd"
randomSeed	Valore di inizializzazione casuale da usare quando si usa il training deterministico.	Int
splitRatio	Se i dati di convalida non sono definiti, specifica il rapporto di divisione per la suddivisione eseguire il training dei dati in subset di training e convalida casuali. Deve essere un valore float nell'intervallo [0, 1].	Int
stepLRGamma	Il valore gamma quando l'utilità di pianificazione della frequenza di apprendimento è 'step'. Deve essere un valore float nell'intervallo [0, 1].	Int
stepLRStepSize	Valore delle dimensioni del passaggio quando l'utilità di pianificazione della frequenza di apprendimento è "passaggio". Deve essere un numero intero positivo.	Int
tileGridSize	Dimensioni della griglia da usare per collegare ogni immagine. Nota: TileGridSize non deve essere Nessuno per abilitare la logica di rilevamento oggetti di piccole dimensioni. Stringa contenente due numeri interi in formato mxn. Nota: queste impostazioni non sono supportate per l'algoritmo "yolov5".	corda
tileOverlapRatio	Rapporto di sovrapposizione tra riquadri adiacenti in ogni dimensione. Deve essere float nell'intervallo [0, 1). Nota: queste impostazioni non sono supportate per l'algoritmo "yolov5".	Int
tilePredictionsNmsThreshold	Soglia IOU da usare per eseguire NMS durante l'unione di stime da riquadri e immagini. Usato nella convalida/inferenza. Deve essere float nell'intervallo [0, 1]. Nota: queste impostazioni non sono supportate per l'algoritmo "yolov5".	Int
trainingBatchSize	Dimensioni batch di training. Deve essere un numero intero positivo.	Int
validationBatchSize	Dimensioni batch di convalida. Deve essere un numero intero positivo.	Int
validationIouThreshold	Soglia IOU da usare durante il calcolo della metrica di convalida. Deve essere float nell'intervallo [0, 1].	Int
validationMetricType	Metodo di calcolo delle metriche da usare per le metriche di convalida.	"Coco" "CocoVoc" "Nessuno" "Voc"
warmupCosineLRCycles	Il valore del ciclo coseno quando l'utilità di pianificazione della frequenza di apprendimento è "warmup_cosine". Deve essere un valore float nell'intervallo [0, 1].	Int
warmupCosineLRWarmupEpochs	Il valore dei periodi di riscaldamento quando l'utilità di pianificazione della frequenza di apprendimento è "warmup_cosine". Deve essere un numero intero positivo.	Int
weightDecay	Valore del decadimento del peso quando optimizer è 'sgd', 'adam' o 'adamw'. Deve essere un valore float nell'intervallo[0, 1].	Int

ImageModelDistributionSettingsObjectDetection

Nome	Descrizione	Valore
amsGradient	Abilitare AMSGrad quando Optimizer è 'adam' o 'adamw'.	corda
incrementi	Impostazioni per l'uso di Augmentations.	corda
beta1	Valore di 'beta1' quando optimizer è 'adam' o 'adamw'. Deve essere un valore float nell'intervallo [0, 1].	corda
beta2	Valore di 'beta2' quando optimizer è 'adam' o 'adamw'. Deve essere un valore float nell'intervallo [0, 1].	corda
boxDetectionsPerImage	Numero massimo di rilevamenti per immagine, per tutte le classi. Deve essere un numero intero positivo. Nota: queste impostazioni non sono supportate per l'algoritmo "yolov5".	corda
boxScoreThreshold	Durante l'inferenza, restituisce solo proposte con un punteggio di classificazione maggiore di BoxScoreThreshold. Deve essere un valore float nell'intervallo[0, 1].	corda
distribuito	Indica se usare il training di distributer.	corda
earlyStopping	Abilitare la logica di arresto anticipato durante il training.	corda
earlyStoppingDelay	Numero minimo di periodi o valutazioni di convalida da attendere prima del miglioramento della metrica primaria viene monitorato per l'arresto anticipato. Deve essere un numero intero positivo.	corda
earlyStoppingPatience	Numero minimo di periodi o valutazioni di convalida senza miglioramenti delle metriche primarie prima l'esecuzione viene arrestata. Deve essere un numero intero positivo.	corda
enableOnnxNormalization	Abilitare la normalizzazione durante l'esportazione del modello ONNX.	corda
evaluationFrequency	Frequenza per valutare il set di dati di convalida per ottenere i punteggi delle metriche. Deve essere un numero intero positivo.	corda
gradientAccumulationStep	L'accumulo di sfumature significa eseguire un numero configurato di passaggi "GradAccumulationStep" senza aggiornamento dei pesi del modello durante l'accumulo delle sfumature di tali passaggi e quindi uso gradienti accumulati per calcolare gli aggiornamenti del peso. Deve essere un numero intero positivo.	corda
imageSize	Dimensioni dell'immagine per il training e la convalida. Deve essere un numero intero positivo. Nota: l'esecuzione del training può entrare nell'OOM CUDA se le dimensioni sono troppo grandi. Nota: queste impostazioni sono supportate solo per l'algoritmo "yolov5".	corda
layersToFreeze	Numero di livelli da bloccare per il modello. Deve essere un numero intero positivo. Ad esempio, passando 2 come valore per "seresnext" significa livello di congelamento0 e layer1. Per un elenco completo dei modelli supportati e i dettagli sul blocco del livello, vedere see: /azure/machine-learning/how-to-auto-train-image-models.	corda
learningRate	Frequenza di apprendimento iniziale. Deve essere un valore float nell'intervallo [0, 1].	corda
learningRateScheduler	Tipo di utilità di pianificazione della frequenza di apprendimento. Deve essere "warmup_cosine" o "passaggio".	corda
maxSize	Dimensioni massime dell'immagine da ridimensionare prima di alimentarla al backbone. Deve essere un numero intero positivo. Nota: l'esecuzione del training può entrare nell'OOM CUDA se le dimensioni sono troppo grandi. Nota: queste impostazioni non sono supportate per l'algoritmo "yolov5".	corda
minSize	Dimensioni minime dell'immagine da ridimensionare prima di alimentarla al backbone. Deve essere un numero intero positivo. Nota: l'esecuzione del training può entrare nell'OOM CUDA se le dimensioni sono troppo grandi. Nota: queste impostazioni non sono supportate per l'algoritmo "yolov5".	corda
modelName	Nome del modello da usare per il training. Per altre informazioni sui modelli disponibili, vedere la documentazione ufficiale: /azure/machine-learning/how-to-auto-train-image-models.	corda
modelSize	Dimensioni del modello. Deve essere "small", "medium", "large" o "xlarge". Nota: se le dimensioni del modello sono troppo grandi, l'esecuzione del training può entrare nell'OOM CUDA. Nota: queste impostazioni sono supportate solo per l'algoritmo "yolov5".	corda
slancio	Valore di momentum quando optimizer è 'sgd'. Deve essere un valore float nell'intervallo [0, 1].	corda
multiScale	Abilitare l'immagine su più scalabilità variando le dimensioni dell'immagine per +/- 50%. Nota: l'esecuzione del training può entrare nell'OOM CUDA se non è sufficiente memoria GPU. Nota: queste impostazioni sono supportate solo per l'algoritmo "yolov5".	corda
nesterov	Abilitare nesterov quando optimizer è "sgd".	corda
nmsIouThreshold	Soglia IOU usata durante l'inferenza in NMS post-elaborazione. Deve essere float nell'intervallo [0, 1].	corda
numberOfEpochs	Numero di periodi di training. Deve essere un numero intero positivo.	corda
numberOfWorkers	Numero di ruoli di lavoro del caricatore di dati. Deve essere un numero intero non negativo.	corda
ottimizzatore	Tipo di ottimizzatore. Deve essere 'sgd', 'adam', o 'adamw'.	corda
randomSeed	Valore di inizializzazione casuale da usare quando si usa il training deterministico.	corda
splitRatio	Se i dati di convalida non sono definiti, specifica il rapporto di divisione per la suddivisione eseguire il training dei dati in subset di training e convalida casuali. Deve essere un valore float nell'intervallo [0, 1].	corda
stepLRGamma	Il valore gamma quando l'utilità di pianificazione della frequenza di apprendimento è 'step'. Deve essere un valore float nell'intervallo [0, 1].	corda
stepLRStepSize	Valore delle dimensioni del passaggio quando l'utilità di pianificazione della frequenza di apprendimento è "passaggio". Deve essere un numero intero positivo.	corda
tileGridSize	Dimensioni della griglia da usare per collegare ogni immagine. Nota: TileGridSize non deve essere Nessuno per abilitare la logica di rilevamento oggetti di piccole dimensioni. Stringa contenente due numeri interi in formato mxn. Nota: queste impostazioni non sono supportate per l'algoritmo "yolov5".	corda
tileOverlapRatio	Rapporto di sovrapposizione tra riquadri adiacenti in ogni dimensione. Deve essere float nell'intervallo [0, 1). Nota: queste impostazioni non sono supportate per l'algoritmo "yolov5".	corda
tilePredictionsNmsThreshold	Soglia IOU da usare per eseguire NMS durante l'unione di stime da riquadri e immagini. Usato nella convalida/inferenza. Deve essere float nell'intervallo [0, 1]. Nota: queste impostazioni non sono supportate per l'algoritmo "yolov5". NMS: eliminazione non massima	corda
trainingBatchSize	Dimensioni batch di training. Deve essere un numero intero positivo.	corda
validationBatchSize	Dimensioni batch di convalida. Deve essere un numero intero positivo.	corda
validationIouThreshold	Soglia IOU da usare durante il calcolo della metrica di convalida. Deve essere float nell'intervallo [0, 1].	corda
validationMetricType	Metodo di calcolo delle metriche da usare per le metriche di convalida. Deve essere "none", "coco", "voc" o "coco_voc".	corda
warmupCosineLRCycles	Il valore del ciclo coseno quando l'utilità di pianificazione della frequenza di apprendimento è "warmup_cosine". Deve essere un valore float nell'intervallo [0, 1].	corda
warmupCosineLRWarmupEpochs	Il valore dei periodi di riscaldamento quando l'utilità di pianificazione della frequenza di apprendimento è "warmup_cosine". Deve essere un numero intero positivo.	corda
weightDecay	Valore del decadimento del peso quando optimizer è 'sgd', 'adam' o 'adamw'. Deve essere un valore float nell'intervallo[0, 1].	corda

ImageObjectDetection

Nome	Descrizione	Valore
taskType	[Obbligatorio] Tipo di attività per AutoMLJob.	"ImageObjectDetection" (obbligatorio)
dataSettings	[Obbligatorio] Raccolta di ID set di dati tabulari registrati e altre impostazioni di dati necessarie per il training e la convalida dei modelli.	ImageVerticalDataSettings (obbligatorio)
limitSettings	[Obbligatorio] Limitare le impostazioni per il processo AutoML.	ImageLimitSettings (obbligatorio)
modelSettings	Impostazioni usate per il training del modello.	ImageModelSettingsObjectDetection
primaryMetric	Metrica primaria da ottimizzare per questa attività.	"MeanAveragePrecision"
searchSpace	Cercare spazio per il campionamento di diverse combinazioni di modelli e dei relativi iperparametri.	ImageModelDistributionSettingsObjectDetection[]
sweepSettings	Sweep del modello e sweep degli iperparametri per le impostazioni correlate.	ImageSweepSettings

Regressione

Nome	Descrizione	Valore
taskType	[Obbligatorio] Tipo di attività per AutoMLJob.	"Regressione" (obbligatorio)
allowedModels	Modelli consentiti per l'attività di regressione.	Matrice di stringhe contenente uno dei seguenti elementi: "DecisionTree" "ElasticNet" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "RandomForest" "SGD" "XGBoostRegressor"
blockedModels	Modelli bloccati per l'attività di regressione.	Matrice di stringhe contenente uno dei seguenti elementi: "DecisionTree" "ElasticNet" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "RandomForest" "SGD" "XGBoostRegressor"
dataSettings	Input di dati per AutoMLJob.	TableVerticalDataSettings
featurizationSettings	Input di definizione delle caratteristiche necessari per il processo AutoML.	TableVerticalFeaturizationSettings
limitSettings	Vincoli di esecuzione per AutoMLJob.	TableVerticalLimitSettings
primaryMetric	Metrica primaria per l'attività di regressione.	"NormalizedMeanAbsoluteError" "NormalizedRootMeanSquaredError" "R2Score" "SpearmanCorrelation"
trainingSettings	Input per la fase di training per un processo AutoML.	TrainingSettings

TextClassification

Nome	Descrizione	Valore
taskType	[Obbligatorio] Tipo di attività per AutoMLJob.	"TextClassification" (obbligatorio)
dataSettings	Input di dati per AutoMLJob.	NlpVerticalDataSettings
featurizationSettings	Input di definizione delle caratteristiche necessari per il processo AutoML.	NlpVerticalFeaturizationSettings
limitSettings	Vincoli di esecuzione per AutoMLJob.	NlpVerticalLimitSettings
primaryMetric	Metrica primaria per Text-Classification'attività.	"AUCWeighted" "Accuratezza" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted"

NlpVerticalDataSettings

Nome	Descrizione	Valore
targetColumnName	[Obbligatorio] Nome colonna di destinazione: colonna dei valori di stima. Noto anche come nome di colonna etichetta nel contesto delle attività di classificazione.	stringa (obbligatorio) Vincoli: Pattern = [a-zA-Z0-9_]
testData	Testare l'input dei dati.	testDataSettings
trainingData	[Obbligatorio] Input dei dati di training.	TrainingDataSettings (obbligatorio)
validationData	Input dei dati di convalida.	NlpVerticalValidationDataSettings

NlpVerticalValidationDataSettings

Nome	Descrizione	Valore
dati	MlTable dei dati di convalida.	MLTableJobInput
validationDataSize	Frazione del set di dati di training da riservare a scopo di convalida. Valori compresi tra (0,0 , 1,0) Applicato quando non viene fornito il set di dati di convalida.	Int

NlpVerticalFeaturizationSettings

Nome	Descrizione	Valore
datasetLanguage	Lingua del set di dati, utile per i dati di testo.	corda

NlpVerticalLimitSettings

Nome	Descrizione	Valore
maxConcurrentTrials	Numero massimo di iterazioni AutoML simultanee.	Int
maxTrials	Numero di iterazioni AutoML.	Int
Timeout	Timeout del processo AutoML.	corda

TextClassificationMultilabel

Nome	Descrizione	Valore
taskType	[Obbligatorio] Tipo di attività per AutoMLJob.	"TextClassificationMultilabel" (obbligatorio)
dataSettings	Input di dati per AutoMLJob.	NlpVerticalDataSettings
featurizationSettings	Input di definizione delle caratteristiche necessari per il processo AutoML.	NlpVerticalFeaturizationSettings
limitSettings	Vincoli di esecuzione per AutoMLJob.	NlpVerticalLimitSettings

TextNer

Nome	Descrizione	Valore
taskType	[Obbligatorio] Tipo di attività per AutoMLJob.	"TextNER" (obbligatorio)
dataSettings	Input di dati per AutoMLJob.	NlpVerticalDataSettings
featurizationSettings	Input di definizione delle caratteristiche necessari per il processo AutoML.	NlpVerticalFeaturizationSettings
limitSettings	Vincoli di esecuzione per AutoMLJob.	NlpVerticalLimitSettings

Processo di comando

Nome	Descrizione	Valore
jobType	[Obbligatorio] Specifica il tipo di processo.	"Comando" (obbligatorio)
codeId	ID risorsa ARM dell'asset di codice.	corda
comando	[Obbligatorio] Comando da eseguire all'avvio del processo. ad esempio. "python train.py"	stringa (obbligatorio) Vincoli: Lunghezza minima = 1 Pattern = [a-zA-Z0-9_]
distribuzione	Configurazione di distribuzione del processo. Se impostato, deve essere uno dei valori Mpi, Tensorflow, PyTorch o Null.	DistributionConfiguration
environmentId	[Obbligatorio] ID risorsa ARM della specifica Ambiente per il processo.	stringa (obbligatorio) Vincoli: Pattern = [a-zA-Z0-9_]
environmentVariables	Variabili di ambiente incluse nel processo.	CommandJobEnvironmentVariables
Ingressi	Mapping dei data binding di input usati nel processo.	commandJobInputs
Limiti	Limite del processo di comando.	CommandJobLimits
Uscite	Mapping dei data binding di output usati nel processo.	CommandJobOutputs
risorse	Configurazione delle risorse di calcolo per il processo.	ResourceConfiguration

DistributionConfiguration

Nome	Descrizione	Valore
distributionType	Impostare il tipo di oggetto	Mpi PyTorch TensorFlow (obbligatorio)

Mpi

Nome	Descrizione	Valore
distributionType	[Obbligatorio] Specifica il tipo di framework di distribuzione.	"Mpi" (obbligatorio)
processCountPerInstance	Numero di processi per nodo MPI.	Int

PyTorch

Nome	Descrizione	Valore
distributionType	[Obbligatorio] Specifica il tipo di framework di distribuzione.	"PyTorch" (obbligatorio)
processCountPerInstance	Numero di processi per nodo.	Int

TensorFlow

Nome	Descrizione	Valore
distributionType	[Obbligatorio] Specifica il tipo di framework di distribuzione.	"TensorFlow" (obbligatorio)
parameterServerCount	Numero di attività del server dei parametri.	Int
workerCount	Numero di ruoli di lavoro. Se non specificato, per impostazione predefinita verrà impostato il numero di istanze.	Int

CommandJobEnvironmentVariables

Nome	Descrizione	Valore
{proprietà personalizzata}		corda

CommandJobInputs

Nome	Descrizione	Valore
{proprietà personalizzata}		jobInput

JobInput

Nome	Descrizione	Valore
descrizione	Descrizione per l'input.	corda
jobInputType	Impostare il tipo di oggetto	CustomModel letterale MLFlowModel MLTable UriFile UriFolder (obbligatorio)

CustomModelJobInput

Nome	Descrizione	Valore
jobInputType	[Obbligatorio] Specifica il tipo di processo.	"CustomModel" (obbligatorio)
modo	Modalità di distribuzione degli asset di input.	"Diretto" "Download" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
Uri	[Obbligatorio] URI dell'asset di input.	stringa (obbligatorio) Vincoli: Pattern = [a-zA-Z0-9_]

LiteralJobInput

Nome	Descrizione	Valore
jobInputType	[Obbligatorio] Specifica il tipo di processo.	"Literal" (obbligatorio)
valore	[Obbligatorio] Valore letterale per l'input.	stringa (obbligatorio) Vincoli: Pattern = [a-zA-Z0-9_]

MLFlowModelJobInput

Nome	Descrizione	Valore
jobInputType	[Obbligatorio] Specifica il tipo di processo.	"MLFlowModel" (obbligatorio)
modo	Modalità di distribuzione degli asset di input.	"Diretto" "Download" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
Uri	[Obbligatorio] URI dell'asset di input.	stringa (obbligatorio) Vincoli: Pattern = [a-zA-Z0-9_]

ModelModelJobInput

Nome	Descrizione	Valore
jobInputType	[Obbligatorio] Specifica il tipo di processo.	"ButtonModel" (obbligatorio)
modo	Modalità di distribuzione degli asset di input.	"Diretto" "Download" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
Uri	[Obbligatorio] URI dell'asset di input.	stringa (obbligatorio) Vincoli: Pattern = [a-zA-Z0-9_]

UriFileJobInput

Nome	Descrizione	Valore
jobInputType	[Obbligatorio] Specifica il tipo di processo.	"UriFile" (obbligatorio)
modo	Modalità di distribuzione degli asset di input.	"Diretto" "Download" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
Uri	[Obbligatorio] URI dell'asset di input.	stringa (obbligatorio) Vincoli: Pattern = [a-zA-Z0-9_]

UriFolderJobInput

Nome	Descrizione	Valore
jobInputType	[Obbligatorio] Specifica il tipo di processo.	"UriFolder" (obbligatorio)
modo	Modalità di distribuzione degli asset di input.	"Diretto" "Download" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
Uri	[Obbligatorio] URI dell'asset di input.	stringa (obbligatorio) Vincoli: Pattern = [a-zA-Z0-9_]

CommandJobLimits

Nome	Descrizione	Valore
jobLimitsType	[Obbligatorio] Tipo JobLimit.	"Comando" "Sweep" (obbligatorio)
Timeout	Durata massima dell'esecuzione in formato ISO 8601, dopo la quale il processo verrà annullato. Supporta solo la durata con precisione inferiore a secondi.	corda

CommandJobOutputs

Nome	Descrizione	Valore
{proprietà personalizzata}		JobOutput

PipelineJob

Nome	Descrizione	Valore
jobType	[Obbligatorio] Specifica il tipo di processo.	"Pipeline" (obbligatorio)
Ingressi	Input per il processo della pipeline.	pipelineJobInputs
Lavori	I processi costruiscono il processo pipeline.	PipelineJobJobs
Uscite	Output per il processo della pipeline	pipelineJobOutputs
Impostazioni	Impostazioni della pipeline, per elementi come ContinueRunOnStepFailure e così via.

PipelineJobInputs

Nome	Descrizione	Valore
{proprietà personalizzata}		jobInput

PipelineJobJobs

Nome	Descrizione	Valore
{proprietà personalizzata}

PipelineJobOutputs

Nome	Descrizione	Valore
{proprietà personalizzata}		JobOutput

SweepJob

Nome	Descrizione	Valore
jobType	[Obbligatorio] Specifica il tipo di processo.	"Sweep" (obbligatorio)
earlyTermination	I criteri di terminazione anticipata consentono di annullare le esecuzioni con prestazioni scarse prima del completamento	EarlyTerminationPolicy
Ingressi	Mapping dei data binding di input usati nel processo.	SweepJobInputs
Limiti	Limite di processi sweep.	SweepJobLimits
obiettivo	[Obbligatorio] Obiettivo di ottimizzazione.	objective (obbligatorio)
Uscite	Mapping dei data binding di output usati nel processo.	SweepJobOutputs
campionamentoAlgorithm	[Obbligatorio] Algoritmo di campionamento degli iperparametri	SamplingAlgorithm (obbligatorio)
searchSpace	[Obbligatorio] Dizionario contenente ogni parametro e la relativa distribuzione. La chiave del dizionario è il nome del parametro
prova	[Obbligatorio] Definizione del componente di valutazione.	Di valutazioneComponent (obbligatorio)

SweepJobInputs

Nome	Descrizione	Valore
{proprietà personalizzata}		jobInput

SweepJobLimits

Nome	Descrizione	Valore
jobLimitsType	[Obbligatorio] Tipo JobLimit.	"Comando" "Sweep" (obbligatorio)
maxConcurrentTrials	Sweep Processo max test simultanei.	Int
maxTotalTrials	Sweep Job max total trial.Sweep Job max trial.	Int
Timeout	Durata massima dell'esecuzione in formato ISO 8601, dopo la quale il processo verrà annullato. Supporta solo la durata con precisione inferiore a secondi.	corda
trialTimeout	Valore di timeout della versione di valutazione processo sweep.	corda

Obiettivo

Nome	Descrizione	Valore
traguardo	[Obbligatorio] Definisce gli obiettivi delle metriche supportati per l'ottimizzazione degli iperparametri	"Ingrandisci" "Riduci a icona" (obbligatorio)
primaryMetric	[Obbligatorio] Nome della metrica da ottimizzare.	stringa (obbligatorio) Vincoli: Pattern = [a-zA-Z0-9_]

SweepJobOutputs

Nome	Descrizione	Valore
{proprietà personalizzata}		JobOutput

CampionamentoAlgorithm

Nome	Descrizione	Valore
samplingAlgorithmType	Impostare il tipo di oggetto	Bayesian griglia di casuali (obbligatorio)

BayesianSamplingAlgorithm

Nome	Descrizione	Valore
samplingAlgorithmType	[Obbligatorio] Algoritmo usato per la generazione di valori degli iperparametri, insieme alle proprietà di configurazione	"Bayesian" (obbligatorio)

GridSamplingAlgorithm

Nome	Descrizione	Valore
samplingAlgorithmType	[Obbligatorio] Algoritmo usato per la generazione di valori degli iperparametri, insieme alle proprietà di configurazione	"Grid" (obbligatorio)

RandomSamplingAlgorithm

Nome	Descrizione	Valore
samplingAlgorithmType	[Obbligatorio] Algoritmo usato per la generazione di valori degli iperparametri, insieme alle proprietà di configurazione	"Casuale" (obbligatorio)
regola	Tipo specifico di algoritmo casuale	"Casuale" "Sobol"
seme	Intero facoltativo da usare come valore di inizializzazione per la generazione di numeri casuali	Int

TrialComponent

Nome	Descrizione	Valore
codeId	ID risorsa ARM dell'asset di codice.	corda
comando	[Obbligatorio] Comando da eseguire all'avvio del processo. ad esempio. "python train.py"	stringa (obbligatorio) Vincoli: Lunghezza minima = 1 Pattern = [a-zA-Z0-9_]
distribuzione	Configurazione di distribuzione del processo. Se impostato, deve essere uno dei valori Mpi, Tensorflow, PyTorch o Null.	DistributionConfiguration
environmentId	[Obbligatorio] ID risorsa ARM della specifica Ambiente per il processo.	stringa (obbligatorio) Vincoli: Pattern = [a-zA-Z0-9_]
environmentVariables	Variabili di ambiente incluse nel processo.	TrialComponentEnvironmentVariables
risorse	Configurazione delle risorse di calcolo per il processo.	ResourceConfiguration

TrialComponentEnvironmentVariables

Nome	Descrizione	Valore
{proprietà personalizzata}		corda