Microsoft.MachineLearningServices workspaces/jobs 2022-02-01-preview

• Laatste
• 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

Bicep-resourcedefinitie

Het resourcetype werkruimten/taken kan worden geïmplementeerd met bewerkingen die zijn gericht op:

• Resourcegroepen - Zie opdrachten voor resourcegroepimplementatie

Zie wijzigingenlogboek voor een lijst met gewijzigde eigenschappen in elke API-versie.

Resource-indeling

Als u een Resource Microsoft.MachineLearningServices/workspaces/jobs wilt maken, voegt u de volgende Bicep toe aan uw sjabloon.

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'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
    }
    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: {
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
    }
    jobType: 'string'
    // For remaining properties, see JobBaseDetails objects
  }
}

JobBaseDetails-objecten

Stel de eigenschap jobType in om het type object op te geven.

Gebruik voor AutoML:

  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
  }

Gebruik voor Opdracht:

  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()
    }
  }

Gebruik voor Pijplijn:

  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()

Gebruik voor Opruimen:

  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()
      }
    }
  }

IdentityConfiguration-objecten

Stel de eigenschap identityType in om het type object op te geven.

Gebruik voor AMLToken:

  identityType: 'AMLToken'

Gebruik voor Beheerd:

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

Gebruik voor UserIdentity:

  identityType: 'UserIdentity'

ScheduleBase-objecten

Stel de eigenschap scheduleType in om het type object op te geven.

Gebruik voor Cron:

  scheduleType: 'Cron'
  expression: 'string'

Gebruik voor Terugkeerpatroon:

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

JobOutput-objecten

Stel de eigenschap jobOutputType in om het type object op te geven.

Gebruik voor CustomModel:

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

Gebruik voor MLFlowModel:

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

Gebruik voor MLTable:

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

Voor TritonModel gebruikt u:

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

Gebruik voor UriFile:

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

Gebruik voor UriFolder:

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

AutoMLVertical-objecten

Stel de eigenschap taskType in om het type object op te geven.

Gebruik voor Classificatie:

  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'
    }
  }

Gebruik voor prognoses:

  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'
    }
  }

Gebruik voor ImageClassification:

  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'
  }

Gebruik voor ImageClassificationMultilabel:

  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'
  }

Gebruik voor ImageInstanceSegmentation:

  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'
  }

Gebruik voor ImageObjectDetection:

  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'
  }

Gebruik voor regressie:

  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'
    }
  }

Gebruik voor TextClassification:

  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'

Gebruik voor TextClassificationMultilabel:

  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'
  }

Gebruik voor TextNER:

  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'
  }

NCrossValidations-objecten

Stel de eigenschap mode in om het type object op te geven.

Gebruik voor Automatisch:

  mode: 'Auto'

Gebruik voor Aangepast:

  mode: 'Custom'
  value: int

ForecastHorizon-objecten

Stel de eigenschap mode in om het type object op te geven.

Gebruik voor Automatisch:

  mode: 'Auto'

Gebruik voor Aangepast:

  mode: 'Custom'
  value: int

Seizoensgebondenheidsobjecten

Stel de eigenschap mode in om het type object op te geven.

Gebruik voor Automatisch:

  mode: 'Auto'

Gebruik voor Aangepast:

  mode: 'Custom'
  value: int

TargetLags-objecten

Stel de eigenschap mode in om het type object op te geven.

Gebruik voor Automatisch:

  mode: 'Auto'

Gebruik voor Aangepast:

  mode: 'Custom'
  values: [
    int
  ]

TargetRollingWindowSize-objecten

Stel de eigenschap mode in om het type object op te geven.

Gebruik voor Automatisch:

  mode: 'Auto'

Gebruik voor Aangepast:

  mode: 'Custom'
  value: int

EarlyTerminationPolicy-objecten

Stel de eigenschap policyType in om het type object op te geven.

Gebruik voor Bandit:

  policyType: 'Bandit'
  slackAmount: int
  slackFactor: int

Gebruik voor MedianStopping:

  policyType: 'MedianStopping'

Gebruik voor TruncationSelection:

  policyType: 'TruncationSelection'
  truncationPercentage: int

DistributionConfiguration-objecten

Stel de eigenschap distributionType in om het type object op te geven.

Gebruik voor Mpi:

  distributionType: 'Mpi'
  processCountPerInstance: int

Gebruik voor PyTorch:

  distributionType: 'PyTorch'
  processCountPerInstance: int

Gebruik voor TensorFlow:

  distributionType: 'TensorFlow'
  parameterServerCount: int
  workerCount: int

JobInput-objecten

Stel de eigenschap jobInputType in om het type object op te geven.

Gebruik voor CustomModel:

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

Voor Letterlijk gebruikt u:

  jobInputType: 'Literal'
  value: 'string'

Gebruik voor MLFlowModel:

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

Gebruik voor MLTable:

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

Voor TritonModel gebruikt u:

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

Gebruik voor UriFile:

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

Gebruik voor UriFolder:

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

SamplingAlgorithm-objecten

Stel de eigenschap samplingAlgorithmType in om het type object op te geven.

Gebruik voor Bayesian:

  samplingAlgorithmType: 'Bayesian'

Gebruik voor Raster:

  samplingAlgorithmType: 'Grid'

Voor Willekeurig gebruikt u:

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

Eigenschapswaarden

werkruimten/taken

Naam	Description	Waarde
naam	De resourcenaam Meer informatie over het instellen van namen en typen voor onderliggende resources in Bicep.	tekenreeks (vereist)
Bovenliggende	In Bicep kunt u de bovenliggende resource voor een onderliggende resource opgeven. U hoeft deze eigenschap alleen toe te voegen wanneer de onderliggende resource buiten de bovenliggende resource wordt gedeclareerd. Zie Onderliggende resource buiten bovenliggende resource voor meer informatie.	Symbolische naam voor resource van het type: werkruimten
properties	[Vereist] Aanvullende kenmerken van de entiteit.	JobBaseDetails (vereist)

JobBaseDetails

Naam	Description	Waarde
computeId	ARM-resource-id van de rekenresource.	tekenreeks
beschrijving	De tekst van de assetbeschrijving.	tekenreeks
displayName	Weergavenaam van taak.	tekenreeks
experimentName	De naam van het experiment waartoe de taak behoort. Als dit niet is ingesteld, wordt de taak in het experiment 'Standaard' geplaatst.	tekenreeks
identity	Identiteitsconfiguratie. Als dit is ingesteld, moet dit een van AmlToken, ManagedIdentity, UserIdentity of null zijn. De standaardinstelling is AmlToken indien null.	IdentityConfiguration
isArchived	Is de asset gearchiveerd?	booleaans
properties	De woordenlijst met activa-eigenschappen.	ResourceBaseProperties
schedule	Planningsdefinitie van taak. Als er geen planning is opgegeven, wordt de taak eenmaal uitgevoerd en onmiddellijk na het verzenden.	ScheduleBase
services	Lijst met JobEndpoints. Voor lokale taken heeft een taakeindpunt de eindpuntwaarde FileStreamObject.	JobBaseServices
tags	Tagwoordenlijst. Tags kunnen worden toegevoegd, verwijderd en bijgewerkt.	object
jobType	Het objecttype instellen	AutoML Opdracht Pijplijn Opruimen (vereist)

IdentityConfiguration

Naam	Description	Waarde
identityType	Het objecttype instellen	AMLToken Beheerd UserIdentity (vereist)

AmlToken

Naam	Description	Waarde
identityType	[Vereist] Hiermee geeft u het type identiteitsframework op.	'AMLToken' (vereist)

ManagedIdentity

Naam	Description	Waarde
identityType	[Vereist] Hiermee geeft u het type identiteitsframework op.	'Beheerd' (vereist)
clientId	Hiermee geeft u een door de gebruiker toegewezen identiteit op client-id. Stel dit veld niet in voor door het systeem toegewezen.	tekenreeks Beperkingen: Minimale lengte = 36 Maximale lengte = 36 Patroon = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
objectId	Hiermee geeft u een door de gebruiker toegewezen identiteit op object-id. Stel dit veld niet in voor door het systeem toegewezen.	tekenreeks Beperkingen: Minimale lengte = 36 Maximale lengte = 36 Patroon = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
resourceId	Hiermee geeft u een door de gebruiker toegewezen identiteit op basis van ARM-resource-id. Stel dit veld niet in voor door het systeem toegewezen.	tekenreeks

UserIdentity

Naam	Description	Waarde
identityType	[Vereist] Hiermee geeft u het type identiteitsframework op.	'UserIdentity' (vereist)

ResourceBaseProperties

Naam	Description	Waarde
{aangepaste eigenschap}		tekenreeks
{aangepaste eigenschap}		tekenreeks
{aangepaste eigenschap}		tekenreeks
{aangepaste eigenschap}		tekenreeks
{aangepaste eigenschap}		tekenreeks
{aangepaste eigenschap}		tekenreeks
{aangepaste eigenschap}		tekenreeks
{aangepaste eigenschap}		tekenreeks
{aangepaste eigenschap}		tekenreeks
{aangepaste eigenschap}		tekenreeks
{aangepaste eigenschap}		tekenreeks
{aangepaste eigenschap}		tekenreeks

ScheduleBase

Naam	Description	Waarde
endTime	Hiermee geeft u de eindtijd van de planning in ISO 8601-indeling op. Als deze niet aanwezig is, wordt de planning voor onbepaalde tijd uitgevoerd	tekenreeks
scheduleStatus	Hiermee geeft u de status van de planning op	'Uitgeschakeld' Ingeschakeld
startTime	Hiermee geeft u de begintijd van de planning in ISO 8601-indeling op.	tekenreeks
timeZone	Hiermee geeft u de tijdzone op waarin de planning wordt uitgevoerd. Tijdzone moet de indeling van de Windows-tijdzone volgen.	tekenreeks
scheduleType	Het objecttype instellen	Cron Terugkeerpatroon (vereist)

CronSchedule

Naam	Description	Waarde
scheduleType	[Vereist] Hiermee geeft u het schematype op	'Cron' (vereist)
expressie	[Vereist] Hiermee geeft u cron-expressie van planning. De expressie moet de NCronTab-indeling volgen.	tekenreeks (vereist) Beperkingen: Patroon = [a-zA-Z0-9_]

RecurrenceSchedule

Naam	Description	Waarde
scheduleType	[Vereist] Hiermee geeft u het schematype op	Terugkeerpatroon (vereist)
frequency	[Vereist] Hiermee geeft u de frequentie op waarmee schema wordt geactiveerd	'Dag' 'Uur' 'Minuut' 'Maand' 'Week' (vereist)
interval	[Vereist] Hiermee geeft u het schema-interval op in combinatie met de frequentie	int (vereist)
Patroon	Hiermee geeft u het schemapatroon voor terugkeerpatroon op	Recurrencepattern

Recurrencepattern

Naam	Description	Waarde
uur	[Vereist] Lijst met uren voor schemapatroon voor terugkeerpatroon	int[] (vereist)
minutes	[Vereist] Lijst met minuten voor schemapatroon voor terugkeerpatroon	int[] (vereist)
Weekdagen	Lijst met weekdagen voor schemapatroon voor terugkeerpatroon	Tekenreeksmatrix met een van de volgende waarden: 'Vrijdag' 'Maandag' 'Zaterdag' 'Zondag' 'Donderdag' 'Dinsdag' 'Woensdag'

JobBaseServices

Naam	Description	Waarde
{aangepaste eigenschap}		JobService

JobService

Naam	Description	Waarde
endpoint	URL voor eindpunt.	tekenreeks
jobServiceType	Eindpunttype.	tekenreeks
poort	Poort voor eindpunt.	int
properties	Aanvullende eigenschappen die moeten worden ingesteld op het eindpunt.	JobServiceProperties

JobServiceProperties

Naam	Description	Waarde
{aangepaste eigenschap}		tekenreeks

AutoMLJob

Naam	Description	Waarde
jobType	[Vereist] Hiermee geeft u het type taak op.	'AutoML' (vereist)
environmentId	De ARM-resource-id van de omgevingsspecificatie voor de taak. Dit is een optionele waarde die moet worden opgegeven, indien niet opgegeven, wordt deze standaard ingesteld op de gecureerde productieomgevingsversie van AutoML wanneer de taak wordt uitgevoerd.	tekenreeks
environmentVariables	Omgevingsvariabelen die zijn opgenomen in de taak.	AutoMLJobEnvironmentVariables
Uitgangen	Toewijzing van uitvoergegevensbindingen die in de taak worden gebruikt.	AutoMLJobOutputs
resources	Rekenresourceconfiguratie voor de taak.	ResourceConfiguration
taskDetails	[Vereist] Dit vertegenwoordigt een scenario dat een van tabellen/NLP/afbeelding kan zijn	AutoMLVertical (vereist)

AutoMLJobEnvironmentVariables

Naam	Description	Waarde
{aangepaste eigenschap}		tekenreeks

AutoMLJobOutputs

Naam	Description	Waarde
{aangepaste eigenschap}		JobOutput

JobOutput

Naam	Description	Waarde
beschrijving	Beschrijving voor de uitvoer.	tekenreeks
jobOutputType	Het objecttype instellen	CustomModel MLFlowModel MLTable TritonModel UriFile URIFolder (vereist)

CustomModelJobOutput

Naam	Description	Waarde
jobOutputType	[Vereist] Hiermee geeft u het type taak op.	'CustomModel' (vereist)
mode	Uitvoerassetleveringsmodus.	'ReadWriteMount' Uploaden
Uri	Uitvoerasset-URI.	tekenreeks

MLFlowModelJobOutput

Naam	Description	Waarde
jobOutputType	[Vereist] Hiermee geeft u het type taak op.	MLFlowModel (vereist)
mode	Uitvoerassetleveringsmodus.	'ReadWriteMount' Uploaden
Uri	Uitvoerasset-URI.	tekenreeks

MLTableJobOutput

Naam	Description	Waarde
jobOutputType	[Vereist] Hiermee geeft u het type taak op.	'MLTable' (vereist)
mode	Uitvoerassetleveringsmodus.	'ReadWriteMount' Uploaden
Uri	Uitvoerasset-URI.	tekenreeks

TritonModelJobOutput

Naam	Description	Waarde
jobOutputType	[Vereist] Hiermee geeft u het type taak op.	'TritonModel' (vereist)
mode	Uitvoerassetleveringsmodus.	'ReadWriteMount' Uploaden
Uri	Uitvoerasset-URI.	tekenreeks

UriFileJobOutput

Naam	Description	Waarde
jobOutputType	[Vereist] Hiermee geeft u het type taak op.	'UriFile' (vereist)
mode	Uitvoerassetleveringsmodus.	'ReadWriteMount' Uploaden
Uri	Uitvoerasset-URI.	tekenreeks

UriFolderJobOutput

Naam	Description	Waarde
jobOutputType	[Vereist] Hiermee geeft u het type taak op.	'UriFolder' (vereist)
mode	Uitvoerassetleveringsmodus.	'ReadWriteMount' Uploaden
Uri	Uitvoerasset-URI.	tekenreeks

ResourceConfiguration

Naam	Description	Waarde
instanceCount	Optioneel aantal exemplaren of knooppunten dat door het rekendoel wordt gebruikt.	int
instanceType	Optioneel type VM dat wordt gebruikt als ondersteund door het rekendoel.	tekenreeks
properties	Extra eigenschappenverzameling.	ResourceConfigurationProperties

ResourceConfigurationProperties

Naam	Description	Waarde
{aangepaste eigenschap}		Voor Bicep kunt u de functie any() gebruiken.

AutoMLVertical

Naam	Description	Waarde
logVerbosity	Logboek uitgebreidheid voor de taak.	'Kritiek' 'Fouten opsporen' 'Fout' 'Info' 'NotSet' 'Waarschuwing'
taskType	Het objecttype instellen	Classificatie Prognose ImageClassification ImageClassificationMultilabel ImageInstanceSegmentation ImageObjectDetection Regressie TextClassification TextClassificationMultilabel TextNER (vereist)

Classificatie

Naam	Description	Waarde
taskType	[Vereist] Taaktype voor AutoMLJob.	'Classificatie' (vereist)
allowedModels	Toegestane modellen voor classificatietaak.	Tekenreeksmatrix met een van de volgende waarden: 'BernoulliNaiveBayes' 'DecisionTree' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LightGBM' 'LinearSVM' 'LogisticRegression' 'MultinomialNaiveBayes' 'RandomForest' 'SGD' 'SVM' 'XGBoostClassifier'
blockedModels	Geblokkeerde modellen voor classificatietaak.	Tekenreeksmatrix met een van de volgende waarden: 'BernoulliNaiveBayes' 'DecisionTree' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LightGBM' 'LinearSVM' 'LogisticRegression' 'MultinomialNaiveBayes' 'RandomForest' 'SGD' 'SVM' 'XGBoostClassifier'
dataSettings	Gegevensinvoer voor AutoMLJob.	TableVerticalDataSettings
featurizationSettings	Featurization-invoer die nodig is voor de AutoML-taak.	TableVerticalFeaturizationSettings
limitSettings	Uitvoeringsbeperkingen voor AutoMLJob.	TableVerticalLimitSettings
primaryMetric	Primaire metrische gegevens voor de taak.	'AUCWeighted' 'Nauwkeurigheid' 'AveragePrecisionScoreWeighted' 'NormMacroRecall' 'PrecisionScoreWeighted'
trainingInstellingen	Invoer voor de trainingsfase voor een AutoML-taak.	TrainingSettings

TableVerticalDataSettings

Naam	Description	Waarde
targetColumnName	[Vereist] Naam van doelkolom: dit is de kolom met voorspellingswaarden. Ook wel labelkolomnaam genoemd in de context van classificatietaken.	tekenreeks (vereist) Beperkingen: Patroon = [a-zA-Z0-9_]
Testdata	Gegevensinvoer testen.	TestDataSettings
trainingData	[Vereist] Invoer van trainingsgegevens.	TrainingDataSettings (vereist)
validationData	Invoer van validatiegegevens.	TableVerticalValidationDataSettings
weightColumnName	De naam van de kolom met het gewicht van het voorbeeld. Geautomatiseerde ML ondersteunt een gewogen kolom als invoer, waardoor rijen in de gegevens omhoog of omlaag worden gewogen.	tekenreeks

TestDataSettings

Naam	Description	Waarde
gegevens	Testgegevens MLTable.	MLTableJobInput
testDataSize	Het deel van de testgegevensset dat moet worden gereserveerd voor validatiedoeleinden. Waarden tussen (0,0 , 1,0) Toegepast wanneer de validatiegegevensset niet is opgegeven.	int

MLTableJobInput

Naam	Description	Waarde
beschrijving	Beschrijving voor de invoer.	tekenreeks
jobInputType	[Vereist] Hiermee geeft u het type taak op.	'CustomModel' 'Letterlijk' 'MLFlowModel' 'MLTable' 'TritonModel' 'UriFile' 'UriFolder' (vereist)
mode	Leveringsmodus voor invoerasset.	'Direct' 'Downloaden' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
Uri	[Vereist] URI van invoerasset.	tekenreeks (vereist) Beperkingen: Patroon = [a-zA-Z0-9_]

TrainingDataSettings

Naam	Description	Waarde
gegevens	[Vereist] Trainingsgegevens MLTable.	MLTableJobInput (vereist)

TableVerticalValidationDataSettings

Naam	Description	Waarde
cvSplitColumnNames	Kolommen die moeten worden gebruikt voor CVSplit-gegevens.	tekenreeks[]
gegevens	Validatiegegevens MLTable.	MLTableJobInput
nCrossValidations	Aantal kruisvalidatievouws dat moet worden toegepast op de trainingsgegevensset wanneer de validatiegegevensset niet is opgegeven.	NCrossValidations
validationDataSize	Het deel van de trainingsgegevensset dat moet worden gereserveerd voor validatiedoeleinden. Waarden tussen (0,0 , 1,0) Toegepast wanneer de validatiegegevensset niet is opgegeven.	int

NCrossValidations

Naam	Description	Waarde
mode	Het objecttype instellen	Automatisch Aangepast (vereist)

AutoNCrossValidations

Naam	Description	Waarde
mode	[Vereist] Modus voor het bepalen van N-Cross-validaties.	'Auto' (vereist)

CustomNCrossValidations

Naam	Description	Waarde
mode	[Vereist] Modus voor het bepalen van N-Cross-validaties.	'Aangepast' (vereist)
waarde	[Vereist] Waarde voor N-Kruisvalidaties.	int (vereist)

TableVerticalFeaturizationSettings

Naam	Description	Waarde
blockedTransformers	Deze transformatoren mogen niet worden gebruikt in featurization.	tekenreeks[]
columnNameAndTypes	Woordenlijst van de kolomnaam en het bijbehorende type (int, float, tekenreeks, datum/tijd, enzovoort).	TableVerticalFeaturizationSettingsColumnNameAndTypes
datasetLanguage	Gegevenssettaal, handig voor de tekstgegevens.	tekenreeks
dropColumns	Kolommen die tijdens de featurization uit gegevens moeten worden verwijderd.	tekenreeks[]
enableDnnFeaturization	Bepaalt of op Dnn gebaseerde featurizers moeten worden gebruikt voor gegevens featurization.	booleaans
mode	Featurization-modus: de gebruiker kan de standaardmodus 'Auto' behouden en AutoML zorgt voor de benodigde transformatie van de gegevens in de featurization-fase. Als 'Uit' is geselecteerd, wordt er geen featurization uitgevoerd. Als 'Aangepast' is geselecteerd, kan de gebruiker extra invoer opgeven om aan te passen hoe featurization wordt uitgevoerd.	'Auto' 'Aangepast' 'Uit'
transformerParams	De gebruiker kan extra transformatoren opgeven die moeten worden gebruikt, samen met de kolommen waarop deze worden toegepast en parameters voor de constructor van de transformator.	TableVerticalFeaturizationSettingsTransformerParams

TableVerticalFeaturizationSettingsColumnNameAndTypes

Naam	Description	Waarde
{aangepaste eigenschap}		tekenreeks

TableVerticalFeaturizationSettingsTransformerParams

Naam	Description	Waarde
{aangepaste eigenschap}		ColumnTransformer[]

ColumnTransformer

Naam	Description	Waarde
fields	Velden waarop transformatielogica moet worden toegepast.	tekenreeks[]
parameters	Verschillende eigenschappen die moeten worden doorgegeven aan de transformator. Invoer wordt verwacht is woordenlijst van sleutel-,waardeparen in JSON-indeling.	Voor Bicep kunt u de functie any() gebruiken.

TableVerticalLimitSettings

Naam	Description	Waarde
enableEarlyTermination	Vroegtijdige beëindiging inschakelen, bepaalt of AutoMLJob vroegtijdig wordt beëindigd als er geen scoreverbetering is in de laatste 20 iteraties.	booleaans
exitScore	Afsluitscore voor de AutoML-taak.	int
maxConcurrentTrials	Maximum aantal gelijktijdige iteraties.	int
maxCoresPerTrial	Maximum aantal kernen per iteratie.	int
maxTrials	Aantal iteraties.	int
timeout	Time-out van AutoML-taak.	tekenreeks
trialTimeout	Time-out voor iteratie.	tekenreeks

TrainingSettings

Naam	Description	Waarde
enableDnnTraining	Schakel de aanbeveling van DNN-modellen in.	booleaans
enableModelExplainability	Vlag om uitleg in te schakelen voor het beste model.	booleaans
enableOnnxCompatibleModels	Vlag voor het inschakelen van onnx-compatibele modellen.	booleaans
enableStackEnsemble	Stack Ensemble run inschakelen.	booleaans
enableVoteEnsemble	Stemensemblerun inschakelen.	booleaans
ensembleModelDownloadTimeout	Tijdens het genereren van votingEnsemble- en StackEnsemble-modellen worden meerdere aangepaste modellen uit de vorige onderliggende uitvoeringen gedownload. Configureer deze parameter met een hogere waarde dan 300 seconden, als er meer tijd nodig is.	tekenreeks
stackEnsembleSettings	Stack-ensembleinstellingen voor stack-ensembleuitvoering.	StackEnsembleSettings

StackEnsembleSettings

Naam	Description	Waarde
stackMetaLearnerKWargs	Optionele parameters die moeten worden doorgegeven aan de initialisatiefunctie van de meta-learner.	Voor Bicep kunt u de functie any() gebruiken.
stackMetaLearnerTrainPercentage	Hiermee geeft u het aandeel van de trainingsset (bij het kiezen van het type training en validatie) dat moet worden gereserveerd voor het trainen van de meta-cursist. De standaardwaarde is 0,2.	int
stackMetaLearnerType	De meta-learner is een model dat is getraind op de uitvoer van de afzonderlijke heterogene modellen.	'ElasticNet' 'ElasticNetCV' 'LightGBMClassifier' 'LightGBMRegressor' LinearRegression 'LogisticRegression' 'LogisticRegressionCV' 'Geen'

Prognose

Naam	Description	Waarde
taskType	[Vereist] Taaktype voor AutoMLJob.	'Prognoses' (vereist)
allowedModels	Toegestane modellen voor prognosetaak.	Tekenreeksmatrix met een van de volgende waarden: 'Arimax' 'AutoArima' 'Gemiddeld' 'DecisionTree' 'ElasticNet' 'Exponentiële verzacht' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'Naïef' 'Profeet' 'RandomForest' 'SGD' 'SeasonalAverage' 'SeasonalNaive' 'TCNForecaster' 'XGBoostRegressor'
blockedModels	Geblokkeerde modellen voor prognosetaak.	Tekenreeksmatrix met een van de volgende waarden: 'Arimax' 'AutoArima' 'Gemiddeld' 'DecisionTree' 'ElasticNet' 'Exponentiële verzacht' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'Naïef' 'Profeet' 'RandomForest' 'SGD' 'SeasonalAverage' 'SeasonalNaive' 'TCNForecaster' 'XGBoostRegressor'
dataSettings	Gegevensinvoer voor AutoMLJob.	TableVerticalDataSettings
featurizationSettings	Featurization-invoer die nodig is voor de AutoML-taak.	TableVerticalFeaturizationSettings
forecastingSettings	Taakspecifieke invoer voorspellen.	ForecastingSettings
limitSettings	Uitvoeringsbeperkingen voor AutoMLJob.	TableVerticalLimitSettings
primaryMetric	Primaire metrische gegevens voor prognosetaak.	'NormalizedMeanAbsoluteError' 'NormalizedRootMeanSquaredError' 'R2Score' SpearmanCorrelation
trainingInstellingen	Invoer voor de trainingsfase voor een AutoML-taak.	TrainingSettings

ForecastingSettings

Naam	Description	Waarde
countryOrRegionForHolidays	Land of regio voor feestdagen voor prognosetaken. Dit moeten ISO 3166 land-/regiocodes van twee letters zijn, bijvoorbeeld 'US' of 'GB'.	tekenreeks
cvStepSize	Aantal perioden tussen de begintijd van de ene CV-vouw en de volgende. Voor als CVStepSize = 3 voor dagelijkse gegevens, is de oorsprongstijd voor elke vouw drie dagen uit elkaar.	int
featureLags	Vlag voor het genereren van vertragingen voor de numerieke functies met 'auto' of null.	'Auto' 'Geen'
forecastHorizon	De gewenste maximale prognoseperiode in eenheden van de tijdreeksfrequentie.	ForecastHorizon
frequency	Bij het maken van prognoses geeft deze parameter de periode aan waarmee de prognose wordt gewenst, bijvoorbeeld dagelijks, wekelijks, jaarlijks, enzovoort. De prognosefrequentie is standaard de frequentie van de gegevensset.	tekenreeks
Seizoensgebonden	Stel de seizoensgebondenheid van tijdreeksen in als een geheel getal van de reeksfrequentie. Als seizoensgebondenheid is ingesteld op 'auto', wordt dit afgeleid.	Seizoensgebonden
shortSeriesHandlingConfig	De parameter die definieert hoe autoML korte tijdreeksen moet verwerken.	'Auto' 'Neerzetten' 'Geen' 'Pad'
targetAggregateFunction	De functie die moet worden gebruikt om de doelkolom van de tijdreeks te aggregeren om te voldoen aan een door de gebruiker opgegeven frequentie. Als de TargetAggregateFunction is ingesteld, dus niet 'Geen', maar de freq-parameter niet is ingesteld, treedt de fout op. De mogelijke doelaggregatiefuncties zijn: 'sum', 'max', 'min' en 'mean'.	Max. 'Gemiddeld' 'Min' 'Geen' 'Som'
targetLags	Het aantal eerdere perioden dat uit de doelkolom moet worden achtergelopen.	TargetLags
targetRollingWindowSize	Het aantal afgelopen perioden dat is gebruikt om een voortschrijdend venster van de doelkolom te maken.	TargetRollingWindowSize
timeColumnName	De naam van de tijdkolom. Deze parameter is vereist bij het voorspellen van de datum/tijd-kolom in de invoergegevens die worden gebruikt voor het samenstellen van de tijdreeks en het afleiden van de frequentie.	tekenreeks
timeSeriesIdColumnNames	De namen van kolommen die worden gebruikt om een tijdreeks te groepeert. Het kan worden gebruikt om meerdere reeksen te maken. Als korrel niet is gedefinieerd, wordt ervan uitgegaan dat de gegevensset één tijdreeks is. Deze parameter wordt gebruikt met taaktypeprognoses.	tekenreeks[]
useStl	STL-ontleding van de doelkolom van de tijdreeks configureren.	'Geen' 'Seizoen' 'SeasonTrend'

ForecastHorizon

Naam	Description	Waarde
mode	Het objecttype instellen	Automatisch Aangepast (vereist)

AutoForecastHorizon

Naam	Description	Waarde
mode	[Vereist] De waardeselectiemodus voor de prognosehorizorizon instellen.	'Auto' (vereist)

CustomForecastHorizon

Naam	Description	Waarde
mode	[Vereist] De waardeselectiemodus voor de prognosehorizorizon instellen.	'Aangepast' (vereist)
waarde	[Vereist] Waarde van de horizon voorspellen.	int (vereist)

Seizoensgebonden

Naam	Description	Waarde
mode	Het objecttype instellen	Automatisch Aangepast (vereist)

AutoSeasonality

Naam	Description	Waarde
mode	[Vereist] Seizoensgebondenheidsmodus.	'Auto' (vereist)

CustomSeasonality

Naam	Description	Waarde
mode	[Vereist] Seizoensgebondenheidsmodus.	'Aangepast' (vereist)
waarde	[Vereist] Seizoensgebondenheidswaarde.	int (vereist)

TargetLags

Naam	Description	Waarde
mode	Het objecttype instellen	Automatisch Aangepast (vereist)

AutoTargetLags

Naam	Description	Waarde
mode	[Vereist] Doelvertragingsmodus instellen - Auto/Aangepast	'Auto' (vereist)

CustomTargetLags

Naam	Description	Waarde
mode	[Vereist] Doelvertragingsmodus instellen - Auto/Aangepast	'Aangepast' (vereist)
values	[Vereist] Stel waarden voor doelvertragingen in.	int[] (vereist)

TargetRollingWindowSize

Naam	Description	Waarde
mode	Het objecttype instellen	Automatisch Aangepast (vereist)

AutoTargetRollingWindowSize

Naam	Description	Waarde
mode	[Vereist] TargetRollingWindowSiz-detectiemodus.	'Auto' (vereist)

CustomTargetRollingWindowSize

Naam	Description	Waarde
mode	[Vereist] TargetRollingWindowSiz-detectiemodus.	'Aangepast' (vereist)
waarde	[Vereist] TargetRollingWindowSize-waarde.	int (vereist)

ImageClassification

Naam	Description	Waarde
taskType	[Vereist] Taaktype voor AutoMLJob.	'ImageClassification' (vereist)
dataSettings	[Vereist] Verzameling van geregistreerde tabelgegevensset-id's en andere gegevensinstellingen die vereist zijn voor het trainen en valideren van modellen.	ImageVerticalDataSettings (vereist)
limitSettings	[Vereist] Limietinstellingen voor de AutoML-taak.	ImageLimitSettings (vereist)
modelInstellingen	Instellingen die worden gebruikt voor het trainen van het model.	ImageModelSettingsClassification
primaryMetric	Primaire metrische gegevens om te optimaliseren voor deze taak.	'AUCWeighted' 'Nauwkeurigheid' 'AveragePrecisionScoreWeighted' 'NormMacroRecall' 'PrecisionScoreWeighted'
searchSpace	Zoek ruimte voor het nemen van steekproeven van verschillende combinaties van modellen en hun hyperparameters.	ImageModelDistributionSettingsClassification[]
sweepSettings	Model opruimen en hyperparameter opruimen gerelateerde instellingen.	ImageSweepSettings

ImageVerticalDataSettings

Naam	Description	Waarde
targetColumnName	[Vereist] Naam van doelkolom: dit is de kolom met voorspellingswaarden. Ook wel labelkolomnaam genoemd in de context van classificatietaken.	tekenreeks (vereist) Beperkingen: Patroon = [a-zA-Z0-9_]
Testdata	Gegevensinvoer testen.	TestDataSettings
trainingData	[Vereist] Invoer van trainingsgegevens.	TrainingDataSettings (vereist)
validationData	Instellingen voor de validatiegegevensset.	ImageVerticalValidationDataSettings

ImageVerticalValidationDataSettings

Naam	Description	Waarde
gegevens	Validatiegegevens MLTable.	MLTableJobInput
validationDataSize	Het deel van de trainingsgegevensset dat moet worden gereserveerd voor validatiedoeleinden. Waarden tussen (0,0 , 1,0) Toegepast wanneer de validatiegegevensset niet is opgegeven.	int

ImageLimitSettings

Naam	Description	Waarde
maxConcurrentTrials	Maximum aantal gelijktijdige AutoML-iteraties.	int
maxTrials	Maximum aantal AutoML-iteraties.	int
timeout	Time-out van AutoML-taak.	tekenreeks

ImageModelSettingsClassification

Naam	Description	Waarde
advancedSettings	Instellingen voor geavanceerde scenario's.	tekenreeks
amsGradient	Schakel AMSGrad in wanneer de optimizer 'adam' of 'adamw' is.	booleaans
vergrotingen	Instellingen voor het gebruik van augmentations.	tekenreeks
beta1	Waarde van 'beta1' wanneer optimizer 'adam' of 'adamw' is. Moet een float in het bereik [0, 1] zijn.	int
beta2	Waarde van 'beta2' wanneer optimizer 'adam' of 'adamw' is. Moet een float in het bereik [0, 1] zijn.	int
checkpointDatasetId	FileDataset-id voor vooraf getrainde controlepunten voor incrementele training. Zorg ervoor dat u CheckpointFilename en CheckpointDatasetId doorgeeft.	tekenreeks
controlepuntBestandsnaam	De vooraf getrainde bestandsnaam van het controlepunt in FileDataset voor incrementele training. Zorg ervoor dat u CheckpointDatasetId samen met CheckpointFilename doorgeeft.	tekenreeks
checkpointFrequentie	Frequentie voor het opslaan van modelcontrolepunten. Moet een positief geheel getal zijn.	int
checkpointRunId	De id van een vorige uitvoering met een vooraf getraind controlepunt voor incrementele training.	tekenreeks
Gedistribueerd	Of gedistribueerde training moet worden gebruikt.	booleaans
earlyStopping	Schakel vroege stoplogica in tijdens de training.	booleaans
earlyStoppingDelay	Minimaal aantal tijdvakken of validatie-evaluaties dat moet worden gewacht voordat de primaire metrische gegevens worden verbeterd wordt bijgehouden voor een vroege stop. Moet een positief geheel getal zijn.	int
earlyStoppingPatience	Minimum aantal tijdvakken of validatie-evaluaties zonder primaire metrische verbetering vóór de uitvoering is gestopt. Moet een positief geheel getal zijn.	int
enableOnnxNormalization	Normalisatie inschakelen bij het exporteren van het ONNX-model.	booleaans
evaluationFrequency	Frequentie voor het evalueren van de validatiegegevensset om metrische scores op te halen. Moet een positief geheel getal zijn.	int
gradientAccumulationStep	Accumulatie van kleurovergangen betekent het uitvoeren van een geconfigureerd aantal stappen voor GradAccumulationStep zonder het bijwerken van de modelgewichten tijdens het accumuleren van de kleurovergangen van deze stappen en vervolgens het gebruik van de geaccumuleerde kleurovergangen om de gewichtsupdates te berekenen. Moet een positief geheel getal zijn.	int
layersToFreeze	Het aantal lagen dat voor het model moet worden geblokkeerd. Moet een positief geheel getal zijn. Bijvoorbeeld, het doorgeven van 2 als waarde voor 'seresnext' betekent vrieslaag0 en laag1. Voor een volledige lijst met ondersteunde modellen en details over het blokkeren van lagen, raadpleegt u Zie: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.	int
learningRate	Initiële leersnelheid. Moet een float in het bereik [0, 1] zijn.	int
learningRateScheduler	Type leerfrequentieplanner. Moet 'warmup_cosine' of 'stap' zijn.	'Geen' 'Stap' 'WarmupCosine'
modelName	Naam van het model dat moet worden gebruikt voor training. Raadpleeg de officiële documentatie voor meer informatie over de beschikbare modellen: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.	tekenreeks
Momentum	Waarde van momentum wanneer optimizer 'sgd' is. Moet een float in het bereik [0, 1] zijn.	int
Nesterov	Schakel nesterov in wanneer het optimalisatieprogramma 'sgd' is.	booleaans
numberOfEpochs	Aantal trainingstijdvakken. Moet een positief geheel getal zijn.	int
numberOfWorkers	Aantal werkrollen voor gegevenslaadprogramma's. Moet een niet-negatief geheel getal zijn.	int
Optimizer	Type optimalisatieprogramma.	'Adam' 'Adamw' 'Geen' 'Sgd'
randomSeed	Willekeurig zaad dat moet worden gebruikt bij het gebruik van deterministische training.	int
splitRatio	Als er geen validatiegegevens zijn gedefinieerd, wordt hiermee de splitsverhouding voor splitsen opgegeven gegevens trainen in subsets voor willekeurige training en validatie. Moet een float in het bereik [0, 1] zijn.	int
stepLRGamma	Waarde van gamma wanneer learning rate scheduler 'step' is. Moet een float in het bereik [0, 1] zijn.	int
stepLRStepSize	Waarde van stapgrootte wanneer learning rate scheduler 'step' is. Moet een positief geheel getal zijn.	int
trainingBatchSize	Grootte van de trainingsbatch. Moet een positief geheel getal zijn.	int
trainingCropSize	Bijsnijdgrootte van afbeelding die wordt ingevoerd in het neurale netwerk voor de trainingsgegevensset. Moet een positief geheel getal zijn.	int
validationBatchSize	Grootte van validatiebatch. Moet een positief geheel getal zijn.	int
validationCropSize	Bijsnijdgrootte van afbeelding die wordt ingevoerd voor het neurale netwerk voor de validatiegegevensset. Moet een positief geheel getal zijn.	int
validationResizeSize	Grootte van afbeelding waarmee u het formaat moet wijzigen voordat u de validatiegegevensset bijsnijd. Moet een positief geheel getal zijn.	int
warmupCosineLRCycles	De waarde van de cosinuscyclus wanneer de leerfrequentieplanner 'warmup_cosine' is. Moet een float in het bereik [0, 1] zijn.	int
warmupCosineLRWarmupEpochs	Waarde van opwarmtijdvakken wanneer learning rate scheduler 'warmup_cosine' is. Moet een positief geheel getal zijn.	int
weightDecay	Waarde van gewichtsverval wanneer optimizer 'sgd', 'adam' of 'adamw' is. Moet een vlotter in het bereik[0, 1] zijn.	int
weightedLoss	Gewogen verlies. De geaccepteerde waarden zijn 0 voor geen gewogen verlies. 1 voor gewogen verlies met sqrt. (class_weights). 2 voor gewogen verlies met class_weights. Moet 0, 1 of 2 zijn.	int

ImageModelDistributionSettingsClassification

Naam	Description	Waarde
amsGradient	Schakel AMSGrad in wanneer de optimizer 'adam' of 'adamw' is.	tekenreeks
vergrotingen	Instellingen voor het gebruik van augmentations.	tekenreeks
beta1	Waarde van 'beta1' wanneer optimizer 'adam' of 'adamw' is. Moet een float in het bereik [0, 1] zijn.	tekenreeks
beta2	Waarde van 'beta2' wanneer optimizer 'adam' of 'adamw' is. Moet een float in het bereik [0, 1] zijn.	tekenreeks
Gedistribueerd	Of u distributietraining moet gebruiken.	tekenreeks
earlyStopping	Schakel vroege stoplogica in tijdens de training.	tekenreeks
earlyStoppingDelay	Minimaal aantal tijdvakken of validatie-evaluaties dat moet worden gewacht voordat de primaire metrische gegevens worden verbeterd wordt bijgehouden voor een vroege stop. Moet een positief geheel getal zijn.	tekenreeks
earlyStoppingPatience	Minimum aantal tijdvakken of validatie-evaluaties zonder primaire metrische verbetering vóór de uitvoering is gestopt. Moet een positief geheel getal zijn.	tekenreeks
enableOnnxNormalization	Normalisatie inschakelen bij het exporteren van het ONNX-model.	tekenreeks
evaluationFrequency	Frequentie voor het evalueren van de validatiegegevensset om metrische scores op te halen. Moet een positief geheel getal zijn.	tekenreeks
gradientAccumulationStep	Accumulatie van kleurovergangen betekent het uitvoeren van een geconfigureerd aantal stappen voor GradAccumulationStep zonder het bijwerken van de modelgewichten tijdens het accumuleren van de kleurovergangen van deze stappen en vervolgens het gebruik van de geaccumuleerde kleurovergangen om de gewichtsupdates te berekenen. Moet een positief geheel getal zijn.	tekenreeks
layersToFreeze	Het aantal lagen dat voor het model moet worden geblokkeerd. Moet een positief geheel getal zijn. Bijvoorbeeld, het doorgeven van 2 als waarde voor 'seresnext' betekent vrieslaag0 en laag1. Voor een volledige lijst met ondersteunde modellen en details over het blokkeren van lagen, raadpleegt u Zie: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.	tekenreeks
learningRate	Initiële leersnelheid. Moet een float in het bereik [0, 1] zijn.	tekenreeks
learningRateScheduler	Type leerfrequentieplanner. Moet 'warmup_cosine' of 'stap' zijn.	tekenreeks
modelName	Naam van het model dat moet worden gebruikt voor training. Raadpleeg de officiële documentatie voor meer informatie over de beschikbare modellen: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.	tekenreeks
Momentum	Waarde van momentum wanneer optimizer 'sgd' is. Moet een float in het bereik [0, 1] zijn.	tekenreeks
Nesterov	Schakel nesterov in wanneer het optimalisatieprogramma 'sgd' is.	tekenreeks
numberOfEpochs	Aantal trainingstijdvakken. Moet een positief geheel getal zijn.	tekenreeks
numberOfWorkers	Aantal werkrollen voor gegevenslaadprogramma's. Moet een niet-negatief geheel getal zijn.	tekenreeks
Optimizer	Type optimalisatieprogramma. Moet 'sgd', 'adam' of 'adamw' zijn.	tekenreeks
randomSeed	Willekeurig zaad dat moet worden gebruikt bij het gebruik van deterministische training.	tekenreeks
splitRatio	Als er geen validatiegegevens zijn gedefinieerd, wordt hiermee de splitsverhouding voor splitsen opgegeven gegevens trainen in subsets voor willekeurige training en validatie. Moet een float in het bereik [0, 1] zijn.	tekenreeks
stepLRGamma	Waarde van gamma wanneer learning rate scheduler 'step' is. Moet een float in het bereik [0, 1] zijn.	tekenreeks
stepLRStepSize	Waarde van stapgrootte wanneer learning rate scheduler 'step' is. Moet een positief geheel getal zijn.	tekenreeks
trainingBatchSize	Grootte van de trainingsbatch. Moet een positief geheel getal zijn.	tekenreeks
trainingCropSize	Bijsnijdgrootte van afbeelding die wordt ingevoerd voor het neurale netwerk voor de trainingsgegevensset. Moet een positief geheel getal zijn.	tekenreeks
validationBatchSize	Grootte van validatiebatch. Moet een positief geheel getal zijn.	tekenreeks
validationCropSize	Bijsnijdgrootte van afbeelding die wordt ingevoerd voor het neurale netwerk voor de validatiegegevensset. Moet een positief geheel getal zijn.	tekenreeks
validationResizeSize	Afbeeldingsgrootte waartoe het formaat moet worden gewijzigd voordat u de gegevensset bijsnijd. Moet een positief geheel getal zijn.	tekenreeks
warmupCosineLRCycles	Waarde van de cosinuscyclus wanneer de leerfrequentieplanner 'warmup_cosine' is. Moet een vlotter zijn binnen het bereik [0, 1].	tekenreeks
warmupCosineLRWarmupEpochs	Waarde van opwarmtijdvakken wanneer leerfrequentieplanner 'warmup_cosine' is. Moet een positief geheel getal zijn.	tekenreeks
weightDecay	Waarde van gewichtsverval wanneer optimizer 'sgd', 'adam' of 'adamw' is. Moet een vlotter zijn binnen het bereik[0, 1].	tekenreeks
weightedLoss	Gewogen verlies. De geaccepteerde waarden zijn 0 voor geen gewogen verlies. 1 voor gewogen verlies met sqrt. (class_weights). 2 voor gewogen verlies met class_weights. Moet 0 of 1 of 2 zijn.	tekenreeks

ImageSweepSettings

Naam	Description	Waarde
earlyTermination	Type beleid voor vroegtijdige beëindiging.	EarlyTerminationPolicy
Grenzen	[Vereist] Limietinstellingen voor model opruimen en hyperparameter opruimen.	ImageSweepLimitSettings (vereist)
samplingAlgorithm	[Vereist] Type van de algoritmen voor het nemen van hyperparameters.	'Bayesian' 'Raster' 'Willekeurig' (vereist)

EarlyTerminationPolicy

Naam	Description	Waarde
delayEvalue	Het aantal intervallen waarmee de eerste evaluatie moet worden vertraagd.	int
evaluationInterval	Interval (aantal uitvoeringen) tussen beleidsevaluaties.	int
policyType	Het objecttype instellen	Bandit MedianStopping AfkappingSelection (vereist)

BanditPolicy

Naam	Description	Waarde
policyType	[Vereist] Naam van beleidsconfiguratie	'Bandit' (vereist)
slackAmount	Absolute afstand toegestaan vanaf de best presterende run.	int
slackFactor	Verhouding van de toegestane afstand tot de best presterende run.	int

MedianStoppingPolicy

Naam	Description	Waarde
policyType	[Vereist] Naam van beleidsconfiguratie	MedianStopping (vereist)

TruncationSelectionPolicy

Naam	Description	Waarde
policyType	[Vereist] Naam van beleidsconfiguratie	'TruncationSelection' (vereist)
afkappingSpercentage	Het percentage uitvoeringen dat moet worden geannuleerd bij elk evaluatie-interval.	int

ImageSweepLimitSettings

Naam	Description	Waarde
maxConcurrentTrials	Maximum aantal gelijktijdige iteraties voor de onderliggende sweep-taak.	int
maxTrials	Maximum aantal iteraties voor de onderliggende Sweep-taak.	int

ImageClassificationMultilabel

Naam	Description	Waarde
taskType	[Vereist] Taaktype voor AutoMLJob.	'ImageClassificationMultilabel' (vereist)
dataSettings	[Vereist] Verzameling van geregistreerde tabelgegevensset-id's en andere gegevensinstellingen die vereist zijn voor het trainen en valideren van modellen.	ImageVerticalDataSettings (vereist)
limitSettings	[Vereist] Limietinstellingen voor de AutoML-taak.	ImageLimitSettings (vereist)
modelInstellingen	Instellingen die worden gebruikt voor het trainen van het model.	ImageModelSettingsClassification
primaryMetric	Primaire metrische gegevens om te optimaliseren voor deze taak.	'AUCWeighted' 'Nauwkeurigheid' 'AveragePrecisionScoreWeighted' "IOU" 'NormMacroRecall' 'PrecisionScoreWeighted'
searchSpace	Zoek ruimte voor het nemen van steekproeven van verschillende combinaties van modellen en hun hyperparameters.	ImageModelDistributionSettingsClassification[]
sweepSettings	Model opruimen en hyperparameter opruimen gerelateerde instellingen.	ImageSweepSettings

ImageInstanceSegmentation

Naam	Description	Waarde
taskType	[Vereist] Taaktype voor AutoMLJob.	'ImageInstanceSegmentation' (vereist)
dataSettings	[Vereist] Verzameling van geregistreerde tabelgegevensset-id's en andere gegevensinstellingen die vereist zijn voor het trainen en valideren van modellen.	ImageVerticalDataSettings (vereist)
limitSettings	[Vereist] Limietinstellingen voor de AutoML-taak.	ImageLimitSettings (vereist)
modelInstellingen	Instellingen die worden gebruikt voor het trainen van het model.	ImageModelSettingsObjectDetection
primaryMetric	Primaire metrische gegevens om te optimaliseren voor deze taak.	'MeanAveragePrecision'
searchSpace	Zoek ruimte voor het nemen van steekproeven van verschillende combinaties van modellen en hun hyperparameters.	ImageModelDistributionSettingsObjectDetection[]
sweepSettings	Model opruimen en hyperparameter opruimen gerelateerde instellingen.	ImageSweepSettings

ImageModelSettingsObjectDetection

Naam	Description	Waarde
advancedSettings	Instellingen voor geavanceerde scenario's.	tekenreeks
amsGradient	Schakel AMSGrad in wanneer de optimizer 'adam' of 'adamw' is.	booleaans
vergrotingen	Instellingen voor het gebruik van vergrotingen.	tekenreeks
beta1	Waarde van 'beta1' wanneer optimizer 'adam' of 'adamw' is. Moet een vlotter zijn binnen het bereik [0, 1].	int
beta2	Waarde van 'beta2' wanneer optimizer 'adam' of 'adamw' is. Moet een vlotter zijn binnen het bereik [0, 1].	int
boxDetectionsPerImage	Maximum aantal detecties per afbeelding, voor alle klassen. Moet een positief geheel getal zijn. Opmerking: deze instellingen worden niet ondersteund voor het algoritme 'yolov5'.	int
boxScoreThreshold	Tijdens deductie alleen voorstellen retourneren met een classificatiescore die groter is dan BoxScoreThreshold. Moet een vlotter zijn binnen het bereik[0, 1].	int
checkpointDatasetId	FileDataset-id voor vooraf getrainde controlepunten voor incrementele training. Zorg ervoor dat u CheckpointFilename en CheckpointDatasetId doorgeeft.	tekenreeks
checkpointFilename	De vooraf getrainde bestandsnaam van het controlepunt in FileDataset voor incrementele training. Zorg ervoor dat u CheckpointDatasetId en CheckpointFilename doorgeeft.	tekenreeks
checkpointFrequency	Frequentie voor het opslaan van modelcontrolepunten. Moet een positief geheel getal zijn.	int
checkpointRunId	De id van een vorige uitvoering met een vooraf getraind controlepunt voor incrementele training.	tekenreeks
Gedistribueerd	Of u gedistribueerde training wilt gebruiken.	booleaans
earlyStopping	Schakel vroege stoplogica in tijdens de training.	booleaans
earlyStoppingDelay	Minimaal aantal tijdvakken of validatie-evaluaties dat moet worden gewacht voordat de primaire metrische gegevens worden verbeterd wordt bijgehouden voor vroegtijdig stoppen. Moet een positief geheel getal zijn.	int
earlyStoppingPatience	Minimaal aantal tijdperken of validatie-evaluaties zonder primaire metrische verbeteringen vóór de uitvoering is gestopt. Moet een positief geheel getal zijn.	int
enableOnnxNormalization	Normalisatie inschakelen bij het exporteren van een ONNX-model.	booleaans
evaluationFrequency	Frequentie voor het evalueren van de validatiegegevensset om metrische scores op te halen. Moet een positief geheel getal zijn.	int
gradientAccumulationStep	Accumulatie van kleurovergangen betekent het uitvoeren van een geconfigureerd aantal 'GradAccumulationStep'-stappen zonder het bijwerken van de modelgewichten tijdens het accumuleren van de kleurovergangen van deze stappen en vervolgens het gebruik van de verzamelde kleurovergangen om de gewichtsupdates te berekenen. Moet een positief geheel getal zijn.	int
imageSize	Afbeeldingsgrootte voor trainen en valideren. Moet een positief geheel getal zijn. Opmerking: de trainingsuitvoering kan in CUDA OOM komen als de grootte te groot is. Opmerking: deze instellingen worden alleen ondersteund voor het algoritme 'yolov5'.	int
layersToFreeze	Het aantal lagen dat moet worden geblokkeerd voor het model. Moet een positief geheel getal zijn. Het doorgeven van 2 als waarde voor 'seresnext' betekent bijvoorbeeld vrieslaag0 en laag1. Voor een volledige lijst met ondersteunde modellen en details over het blokkeren van lagen, raadpleegt u Zie: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.	int
learningRate	Initiële leersnelheid. Moet een vlotter zijn binnen het bereik [0, 1].	int
learningRateScheduler	Type leerfrequentieplanner. Moet 'warmup_cosine' of 'stap' zijn.	'Geen' 'Stap' 'WarmupCosine'
maxSize	Maximale grootte van de afbeelding die opnieuw moet worden geschaald voordat deze naar de backbone wordt verzonden. Moet een positief geheel getal zijn. Opmerking: de trainingsuitvoering kan in CUDA OOM komen als de grootte te groot is. Opmerking: deze instellingen worden niet ondersteund voor het algoritme 'yolov5'.	int
minSize	Minimale grootte van de afbeelding die opnieuw moet worden geschaald voordat deze aan de backbone wordt verzonden. Moet een positief geheel getal zijn. Opmerking: de trainingsuitvoering kan in CUDA OOM komen als de grootte te groot is. Opmerking: deze instellingen worden niet ondersteund voor het algoritme 'yolov5'.	int
modelName	Naam van het model dat moet worden gebruikt voor training. Voor meer informatie over de beschikbare modellen raadpleegt u de officiële documentatie: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.	tekenreeks
modelGrootte	Modelgrootte. Moet 'small', 'medium', 'large' of 'xlarge' zijn. Opmerking: de uitvoering van de training kan in CUDA OOM komen als de modelgrootte te groot is. Opmerking: deze instellingen worden alleen ondersteund voor het algoritme 'yolov5'.	'ExtraLarge' 'Groot' 'Gemiddeld' 'Geen' 'Klein'
Momentum	Waarde van momentum wanneer optimizer 'sgd' is. Moet een vlotter zijn binnen het bereik [0, 1].	int
multiscale	Schakel een afbeelding op meerdere schaal in door de grootte van de afbeelding te variëren met +/- 50%. Opmerking: de uitvoering van de training kan in CUDA OOM komen als er onvoldoende GPU-geheugen is. Opmerking: deze instellingen worden alleen ondersteund voor het algoritme 'yolov5'.	booleaans
Nesterov	Schakel nesterov in wanneer optimizer 'sgd' is.	booleaans
nmsIouThreshold	IOU-drempelwaarde die wordt gebruikt tijdens deductie in NMS-naverwerking. Moet een vlotter zijn binnen het bereik [0, 1].	int
numberOfEpochs	Aantal trainingstijdvakken. Moet een positief geheel getal zijn.	int
numberOfWorkers	Aantal werkrollen voor gegevenslaadprogramma's. Moet een niet-negatief geheel getal zijn.	int
Optimizer	Type optimizer.	'Adam' 'Adamw' 'Geen' 'Sgd'
randomSeed	Willekeurig zaad dat moet worden gebruikt bij het gebruik van deterministische training.	int
splitRatio	Als er geen validatiegegevens zijn gedefinieerd, geeft dit de splitsingsverhouding voor splitsen op gegevens trainen in subsets voor willekeurige training en validatie. Moet een vlotter zijn binnen het bereik [0, 1].	int
stepLRGamma	Waarde van gamma wanneer learning rate scheduler 'step' is. Moet een vlotter zijn binnen het bereik [0, 1].	int
stepLRStepSize	Waarde van stapgrootte wanneer leerfrequentieplanner 'stap' is. Moet een positief geheel getal zijn.	int
tileGridSize	De rastergrootte die moet worden gebruikt voor het tegelen van elke afbeelding. Opmerking: TileGridSize mag niet Geen om logica voor de detectie van kleine objecten in te schakelen. Een tekenreeks met twee gehele getallen in mxn-indeling. Opmerking: deze instellingen worden niet ondersteund voor het algoritme 'yolov5'.	tekenreeks
tileOverlapRatio	Overlapverhouding tussen aangrenzende tegels in elke dimensie. Moet zwevend zijn in het bereik [0, 1). Opmerking: deze instellingen worden niet ondersteund voor het algoritme 'yolov5'.	int
tilePredictionsNmsThreshold	De IOU-drempelwaarde die moet worden gebruikt om NMS uit te voeren tijdens het samenvoegen van voorspellingen van tegels en afbeeldingen. Gebruikt in validatie/deductie. Moet zwevend zijn in het bereik [0, 1]. Opmerking: deze instellingen worden niet ondersteund voor het algoritme 'yolov5'.	int
trainingBatchSize	Grootte van trainingsbatch. Moet een positief geheel getal zijn.	int
validationBatchSize	Grootte van validatiebatch. Moet een positief geheel getal zijn.	int
validationIouThreshold	IOU-drempelwaarde die moet worden gebruikt bij het berekenen van de metrische validatiegegevens. Moet zwevend zijn in het bereik [0, 1].	int
validationMetricType	Berekeningsmethode voor metrische gegevens die moeten worden gebruikt voor validatie van metrische gegevens.	'Coco' 'CocoVoc' 'Geen' 'Voc'
warmupCosineLRCycles	Waarde van de cosinuscyclus wanneer de leerfrequentieplanner 'warmup_cosine' is. Moet een vlotter zijn binnen het bereik [0, 1].	int
warmupCosineLRWarmupEpochs	Waarde van opwarmtijdvakken wanneer leerfrequentieplanner 'warmup_cosine' is. Moet een positief geheel getal zijn.	int
weightDecay	Waarde van gewichtsverval wanneer optimizer 'sgd', 'adam' of 'adamw' is. Moet een vlotter zijn binnen het bereik[0, 1].	int

ImageModelDistributionSettingsObjectDetection

Naam	Description	Waarde
amsGradient	Schakel AMSGrad in wanneer de optimizer 'adam' of 'adamw' is.	tekenreeks
vergrotingen	Instellingen voor het gebruik van vergrotingen.	tekenreeks
beta1	Waarde van 'beta1' wanneer optimizer 'adam' of 'adamw' is. Moet een vlotter zijn binnen het bereik [0, 1].	tekenreeks
beta2	Waarde van 'beta2' wanneer optimizer 'adam' of 'adamw' is. Moet een vlotter zijn binnen het bereik [0, 1].	tekenreeks
boxDetectionsPerImage	Maximum aantal detecties per afbeelding, voor alle klassen. Moet een positief geheel getal zijn. Opmerking: deze instellingen worden niet ondersteund voor het algoritme 'yolov5'.	tekenreeks
boxScoreThreshold	Tijdens deductie retourneert u alleen voorstellen met een classificatiescore die groter is dan BoxScoreThreshold. Moet een vlotter in het bereik[0, 1] zijn.	tekenreeks
Gedistribueerd	Of u distributietraining moet gebruiken.	tekenreeks
earlyStopping	Schakel vroege stoplogica in tijdens de training.	tekenreeks
earlyStoppingDelay	Minimaal aantal tijdvakken of validatie-evaluaties dat moet worden gewacht voordat de primaire metrische gegevens worden verbeterd wordt bijgehouden voor een vroege stop. Moet een positief geheel getal zijn.	tekenreeks
earlyStoppingPatience	Minimum aantal tijdvakken of validatie-evaluaties zonder primaire metrische verbetering vóór de uitvoering is gestopt. Moet een positief geheel getal zijn.	tekenreeks
enableOnnxNormalization	Normalisatie inschakelen bij het exporteren van het ONNX-model.	tekenreeks
evaluationFrequency	Frequentie voor het evalueren van de validatiegegevensset om metrische scores op te halen. Moet een positief geheel getal zijn.	tekenreeks
gradientAccumulationStep	Accumulatie van kleurovergangen betekent het uitvoeren van een geconfigureerd aantal stappen voor GradAccumulationStep zonder het bijwerken van de modelgewichten tijdens het accumuleren van de kleurovergangen van deze stappen en vervolgens het gebruik van de geaccumuleerde kleurovergangen om de gewichtsupdates te berekenen. Moet een positief geheel getal zijn.	tekenreeks
imageSize	Afbeeldingsgrootte voor trainen en valideren. Moet een positief geheel getal zijn. Opmerking: de trainingsuitvoering kan in CUDA OOM komen als de grootte te groot is. Opmerking: deze instellingen worden alleen ondersteund voor het algoritme 'yolov5'.	tekenreeks
layersToFreeze	Het aantal lagen dat voor het model moet worden geblokkeerd. Moet een positief geheel getal zijn. Bijvoorbeeld, het doorgeven van 2 als waarde voor 'seresnext' betekent vrieslaag0 en laag1. Voor een volledige lijst met ondersteunde modellen en details over het blokkeren van lagen, raadpleegt u Zie: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.	tekenreeks
learningRate	Initiële leersnelheid. Moet een float in het bereik [0, 1] zijn.	tekenreeks
learningRateScheduler	Type leerfrequentieplanner. Moet 'warmup_cosine' of 'stap' zijn.	tekenreeks
maxSize	Maximale grootte van de afbeelding die opnieuw moet worden geschaald voordat deze aan de backbone wordt verzonden. Moet een positief geheel getal zijn. Opmerking: trainingsuitvoering kan in CUDA OOM komen als de grootte te groot is. Opmerking: deze instellingen worden niet ondersteund voor het algoritme 'yolov5'.	tekenreeks
minSize	Minimale grootte van de afbeelding die opnieuw moet worden geschaald voordat deze aan de backbone wordt verzonden. Moet een positief geheel getal zijn. Opmerking: trainingsuitvoering kan in CUDA OOM komen als de grootte te groot is. Opmerking: deze instellingen worden niet ondersteund voor het algoritme 'yolov5'.	tekenreeks
modelName	Naam van het model dat moet worden gebruikt voor training. Raadpleeg de officiële documentatie voor meer informatie over de beschikbare modellen: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.	tekenreeks
modelSize	Modelgrootte. Moet 'small', 'medium', 'large' of 'xlarge' zijn. Opmerking: de uitvoering van de training kan in CUDA OOM komen als de modelgrootte te groot is. Opmerking: deze instellingen worden alleen ondersteund voor het algoritme 'yolov5'.	tekenreeks
Momentum	Waarde van momentum wanneer optimizer 'sgd' is. Moet een float in het bereik [0, 1] zijn.	tekenreeks
multiScale	Schakel afbeeldingen op meerdere schaal in door de grootte van de afbeelding te variëren met +/- 50%. Opmerking: de trainingsuitvoering kan in CUDA OOM komen als er onvoldoende GPU-geheugen is. Opmerking: deze instellingen worden alleen ondersteund voor het algoritme 'yolov5'.	tekenreeks
Nesterov	Schakel nesterov in wanneer het optimalisatieprogramma 'sgd' is.	tekenreeks
nmsIouThreshold	IOU-drempelwaarde die wordt gebruikt tijdens deductie in NMS na verwerking. Moet zwevend zijn in het bereik [0, 1].	tekenreeks
numberOfEpochs	Aantal trainingstijdvakken. Moet een positief geheel getal zijn.	tekenreeks
numberOfWorkers	Aantal werkrollen voor gegevenslaadprogramma's. Moet een niet-negatief geheel getal zijn.	tekenreeks
Optimizer	Type optimizer. Moet 'sgd', 'adam' of 'adamw' zijn.	tekenreeks
randomSeed	Willekeurig zaad dat moet worden gebruikt bij het gebruik van deterministische training.	tekenreeks
splitRatio	Als er geen validatiegegevens zijn gedefinieerd, geeft dit de splitsingsverhouding voor splitsen op gegevens trainen in subsets voor willekeurige training en validatie. Moet een vlotter zijn binnen het bereik [0, 1].	tekenreeks
stepLRGamma	Waarde van gamma wanneer learning rate scheduler 'step' is. Moet een vlotter zijn binnen het bereik [0, 1].	tekenreeks
stepLRStepSize	Waarde van stapgrootte wanneer leerfrequentieplanner 'stap' is. Moet een positief geheel getal zijn.	tekenreeks
tileGridSize	De rastergrootte die moet worden gebruikt voor het tegelen van elke afbeelding. Opmerking: TileGridSize mag niet Geen om logica voor de detectie van kleine objecten in te schakelen. Een tekenreeks met twee gehele getallen in mxn-indeling. Opmerking: deze instellingen worden niet ondersteund voor het algoritme 'yolov5'.	tekenreeks
tileOverlapRatio	Overlapverhouding tussen aangrenzende tegels in elke dimensie. Moet zwevend zijn in het bereik [0, 1). Opmerking: deze instellingen worden niet ondersteund voor het algoritme 'yolov5'.	tekenreeks
tilePredictionsNmsThreshold	De IOU-drempelwaarde die moet worden gebruikt om NMS uit te voeren tijdens het samenvoegen van voorspellingen van tegels en afbeeldingen. Gebruikt in validatie/deductie. Moet zwevend zijn in het bereik [0, 1]. Opmerking: deze instellingen worden niet ondersteund voor het algoritme 'yolov5'. NMS: Niet-maximale onderdrukking	tekenreeks
trainingBatchSize	Grootte van trainingsbatch. Moet een positief geheel getal zijn.	tekenreeks
validationBatchSize	Grootte van validatiebatch. Moet een positief geheel getal zijn.	tekenreeks
validationIouThreshold	IOU-drempelwaarde die moet worden gebruikt bij het berekenen van de metrische validatiegegevens. Moet zwevend zijn in het bereik [0, 1].	tekenreeks
validationMetricType	Berekeningsmethode voor metrische gegevens die moeten worden gebruikt voor validatie van metrische gegevens. Moet 'none', 'coco', 'voc' of 'coco_voc' zijn.	tekenreeks
warmupCosineLRCycles	Waarde van de cosinuscyclus wanneer de leerfrequentieplanner 'warmup_cosine' is. Moet een vlotter zijn binnen het bereik [0, 1].	tekenreeks
warmupCosineLRWarmupEpochs	Waarde van opwarmtijdvakken wanneer leerfrequentieplanner 'warmup_cosine' is. Moet een positief geheel getal zijn.	tekenreeks
weightDecay	Waarde van gewichtsverval wanneer optimizer 'sgd', 'adam' of 'adamw' is. Moet een vlotter zijn binnen het bereik[0, 1].	tekenreeks

ImageObjectDetection

Naam	Description	Waarde
taskType	[Vereist] Taaktype voor AutoMLJob.	'ImageObjectDetection' (vereist)
dataSettings	[Vereist] Verzameling van geregistreerde tabelgegevensset-id's en andere gegevensinstellingen die vereist zijn voor het trainen en valideren van modellen.	ImageVerticalDataSettings (vereist)
limitSettings	[Vereist] Limietinstellingen voor de AutoML-taak.	ImageLimitSettings (vereist)
modelInstellingen	Instellingen die worden gebruikt voor het trainen van het model.	ImageModelSettingsObjectDetection
primaryMetric	Primaire metrische gegevens om te optimaliseren voor deze taak.	'MeanAveragePrecision'
searchSpace	Zoek ruimte voor het nemen van steekproeven van verschillende combinaties van modellen en hun hyperparameters.	ImageModelDistributionSettingsObjectDetection[]
sweepSettings	Model opruimen en hyperparameter opruimen gerelateerde instellingen.	ImageSweepSettings

Regressie

Naam	Description	Waarde
taskType	[Vereist] Taaktype voor AutoMLJob.	'Regressie' (vereist)
allowedModels	Toegestane modellen voor regressietaak.	Tekenreeksmatrix met een van de volgende: 'DecisionTree' 'ElasticNet' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'RandomForest' 'SGD' 'XGBoostRegressor'
blockedModels	Geblokkeerde modellen voor regressietaak.	Tekenreeksmatrix met een van de volgende: 'DecisionTree' 'ElasticNet' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'RandomForest' 'SGD' 'XGBoostRegressor'
dataSettings	Gegevensinvoer voor AutoMLJob.	TableVerticalDataSettings
featurizationSettings	Featurization-invoer die nodig is voor de AutoML-taak.	TableVerticalFeaturizationSettings
limitSettings	Uitvoeringsbeperkingen voor AutoMLJob.	TableVerticalLimitSettings
primaryMetric	Primaire metrische waarde voor regressietaak.	'NormalizedMeanAbsoluteError' 'NormalizedRootMeanSquaredError' 'R2Score' 'SpearmanCorrelation'
trainingSettings	Invoer voor de trainingsfase voor een AutoML-taak.	TrainingSettings

TextClassification

Naam	Description	Waarde
taskType	[Vereist] Taaktype voor AutoMLJob.	'TextClassification' (vereist)
dataSettings	Gegevensinvoer voor AutoMLJob.	NlpVerticalDataSettings
featurizationSettings	Featurization-invoer die nodig is voor de AutoML-taak.	NlpVerticalFeaturizationSettings
limitSettings	Uitvoeringsbeperkingen voor AutoMLJob.	NlpVerticalLimitSettings
primaryMetric	Primaire metrische waarde voor Text-Classification taak.	'AUCWeighted' 'Nauwkeurigheid' 'AveragePrecisionScoreWeighted' 'NormMacroRecall' 'PrecisionScoreWeighted'

NlpVerticalDataSettings

Naam	Description	Waarde
targetColumnName	[Vereist] Naam van doelkolom: dit is de kolom met voorspellingswaarden. Ook wel labelkolomnaam genoemd in de context van classificatietaken.	tekenreeks (vereist) Beperkingen: Patroon = [a-zA-Z0-9_]
Testdata	Gegevensinvoer testen.	TestDataSettings
trainingData	[Vereist] Invoer van trainingsgegevens.	TrainingDataSettings (vereist)
validationData	Invoer van validatiegegevens.	NlpVerticalValidationDataSettings

NlpVerticalValidationDataSettings

Naam	Description	Waarde
gegevens	Validatiegegevens MLTable.	MLTableJobInput
validationDataSize	Het deel van de trainingsgegevensset dat moet worden gereserveerd voor validatiedoeleinden. Waarden tussen (0,0 , 1,0) Toegepast wanneer de validatiegegevensset niet is opgegeven.	int

NlpVerticalFeaturizationSettings

Naam	Description	Waarde
datasetLanguage	Gegevenssettaal, handig voor de tekstgegevens.	tekenreeks

NlpVerticalLimitSettings

Naam	Description	Waarde
maxConcurrentTrials	Maximum aantal gelijktijdige AutoML-iteraties.	int
maxTrials	Aantal AutoML-iteraties.	int
timeout	Time-out van AutoML-taak.	tekenreeks

TextClassificationMultilabel

Naam	Description	Waarde
taskType	[Vereist] Taaktype voor AutoMLJob.	'TextClassificationMultilabel' (vereist)
dataSettings	Gegevensinvoer voor AutoMLJob.	NlpVerticalDataSettings
featurizationSettings	Featurization-invoer die nodig is voor de AutoML-taak.	NlpVerticalFeaturizationSettings
limitSettings	Uitvoeringsbeperkingen voor AutoMLJob.	NlpVerticalLimitSettings

TextNer

Naam	Description	Waarde
taskType	[Vereist] Taaktype voor AutoMLJob.	'TextNER' (vereist)
dataSettings	Gegevensinvoer voor AutoMLJob.	NlpVerticalDataSettings
featurizationSettings	Featurization-invoer die nodig is voor de AutoML-taak.	NlpVerticalFeaturizationSettings
limitSettings	Uitvoeringsbeperkingen voor AutoMLJob.	NlpVerticalLimitSettings

CommandJob

Naam	Description	Waarde
jobType	[Vereist] Hiermee geeft u het type taak op.	Opdracht (vereist)
codeId	ARM-resource-id van de code-asset.	tekenreeks
command	[Vereist] De opdracht die moet worden uitgevoerd bij het opstarten van de taak. bijvoorbeeld "python train.py"	tekenreeks (vereist) Beperkingen: Minimale lengte = 1 Patroon = [a-zA-Z0-9_]
Distributie	Distributieconfiguratie van de taak. Als dit is ingesteld, moet dit een van Mpi, Tensorflow, PyTorch of null zijn.	DistributionConfiguration
environmentId	[Vereist] De ARM-resource-id van de omgevingsspecificatie voor de taak.	tekenreeks (vereist) Beperkingen: Patroon = [a-zA-Z0-9_]
environmentVariables	Omgevingsvariabelen die zijn opgenomen in de taak.	CommandJobEnvironmentVariables
Ingangen	Toewijzing van invoergegevensbindingen die in de taak worden gebruikt.	CommandJobInputs
Grenzen	Opdrachttaaklimiet.	CommandJobLimits
Uitgangen	Toewijzing van uitvoergegevensbindingen die in de taak worden gebruikt.	CommandJobOutputs
resources	Rekenresourceconfiguratie voor de taak.	ResourceConfiguration

DistributionConfiguration

Naam	Description	Waarde
distributionType	Het objecttype instellen	Mpi PyTorch TensorFlow (vereist)

Mpi

Naam	Description	Waarde
distributionType	[Vereist] Hiermee geeft u het type distributieframework op.	Mpi (vereist)
processCountPerInstance	Aantal processen per MPI-knooppunt.	int

PyTorch

Naam	Description	Waarde
distributionType	[Vereist] Hiermee geeft u het type distributieframework op.	'PyTorch' (vereist)
processCountPerInstance	Aantal processen per knooppunt.	int

TensorFlow

Naam	Description	Waarde
distributionType	[Vereist] Hiermee geeft u het type distributieframework op.	'TensorFlow' (vereist)
parameterServerCount	Aantal parameterservertaken.	int
workerCount	Aantal werkrollen. Als dit niet is opgegeven, wordt standaard het aantal exemplaren gebruikt.	int

CommandJobEnvironmentVariables

Naam	Description	Waarde
{aangepaste eigenschap}		tekenreeks

CommandJobInputs

Naam	Description	Waarde
{aangepaste eigenschap}		JobInput

JobInput

Naam	Description	Waarde
beschrijving	Beschrijving voor de invoer.	tekenreeks
jobInputType	Het objecttype instellen	CustomModel Letterlijke MLFlowModel MLTable TritonModel UriFile URIFolder (vereist)

CustomModelJobInput

Naam	Description	Waarde
jobInputType	[Vereist] Hiermee geeft u het type taak op.	'CustomModel' (vereist)
mode	Leveringsmodus voor invoerasset.	'Direct' 'Downloaden' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
Uri	[Vereist] URI van invoerasset.	tekenreeks (vereist) Beperkingen: Patroon = [a-zA-Z0-9_]

LiteralJobInput

Naam	Description	Waarde
jobInputType	[Vereist] Hiermee geeft u het type taak op.	'Letterlijk' (vereist)
waarde	[Vereist] Letterlijke waarde voor de invoer.	tekenreeks (vereist) Beperkingen: Patroon = [a-zA-Z0-9_]

MLFlowModelJobInput

Naam	Description	Waarde
jobInputType	[Vereist] Hiermee geeft u het type taak op.	MLFlowModel (vereist)
mode	Leveringsmodus voor invoerasset.	'Direct' 'Downloaden' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
Uri	[Vereist] URI van invoerasset.	tekenreeks (vereist) Beperkingen: Patroon = [a-zA-Z0-9_]

TritonModelJobInput

Naam	Description	Waarde
jobInputType	[Vereist] Hiermee geeft u het type taak op.	'TritonModel' (vereist)
mode	Leveringsmodus voor invoerasset.	'Direct' 'Downloaden' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
Uri	[Vereist] URI van invoerasset.	tekenreeks (vereist) Beperkingen: Patroon = [a-zA-Z0-9_]

UriFileJobInput

Naam	Description	Waarde
jobInputType	[Vereist] Hiermee geeft u het type taak op.	'UriFile' (vereist)
mode	Leveringsmodus voor invoerasset.	'Direct' 'Downloaden' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
Uri	[Vereist] URI van invoerasset.	tekenreeks (vereist) Beperkingen: Patroon = [a-zA-Z0-9_]

UriFolderJobInput

Naam	Description	Waarde
jobInputType	[Vereist] Hiermee geeft u het type taak op.	'UriFolder' (vereist)
mode	Leveringsmodus voor invoerasset.	'Direct' 'Downloaden' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
Uri	[Vereist] URI van invoerasset.	tekenreeks (vereist) Beperkingen: Patroon = [a-zA-Z0-9_]

CommandJobLimits

Naam	Description	Waarde
jobLimitsType	[Vereist] Type JobLimit.	'Opdracht' 'Opruimen' (vereist)
timeout	De maximale uitvoeringsduur in ISO 8601-indeling, waarna de taak wordt geannuleerd. Alleen ondersteuning voor duur met een nauwkeurigheid van slechts seconden.	tekenreeks

CommandJobOutputs

Naam	Description	Waarde
{aangepaste eigenschap}		JobOutput

Pijplijntaak

Naam	Description	Waarde
jobType	[Vereist] Hiermee geeft u het type taak op.	'Pijplijn' (vereist)
Ingangen	Invoer voor de pijplijntaak.	PipelineJobInputs
Banen	Taken maken de pijplijntaak.	PipelineJobJobs
Uitgangen	Uitvoer voor de pijplijntaak	PipelineJobOutputs
instellingen	Pijplijninstellingen, voor zaken als ContinueRunOnStepFailure, enzovoort.	Voor Bicep kunt u de functie any() gebruiken.

PipelineJobInputs

Naam	Description	Waarde
{aangepaste eigenschap}		JobInput

PipelineJobJobs

Naam	Description	Waarde
{aangepaste eigenschap}		Voor Bicep kunt u de functie any() gebruiken.

PipelineJobOutputs

Naam	Description	Waarde
{aangepaste eigenschap}		JobOutput

SweepJob

Naam	Description	Waarde
jobType	[Vereist] Hiermee geeft u het type taak op.	'Opruimen' (vereist)
earlyTermination	Beleidsregels voor vroegtijdige beëindiging maken het annuleren van slecht presterende uitvoeringen mogelijk voordat ze zijn voltooid	EarlyTerminationPolicy
Ingangen	Toewijzing van invoergegevensbindingen die in de taak worden gebruikt.	SweepJobInputs
Grenzen	Taaklimiet opruimen.	SweepJobLimits
Doelstelling	[Vereist] Optimalisatiedoelstelling.	Doelstelling (vereist)
Uitgangen	Toewijzing van uitvoergegevensbindingen die in de taak worden gebruikt.	SweepJobOutputs
samplingAlgorithm	[Vereist] Het algoritme voor hyperparametersampling	SamplingAlgorithm (vereist)
searchSpace	[Vereist] Een woordenlijst met elke parameter en de bijbehorende distributie. De woordenlijstsleutel is de naam van de parameter	Voor Bicep kunt u de functie any() gebruiken. (vereist)
trial	[Vereist] Definitie van evaluatieonderdeel.	TrialComponent (vereist)

SweepJobInputs

Naam	Description	Waarde
{aangepaste eigenschap}		JobInput

SweepJobLimits

Naam	Description	Waarde
jobLimitsType	[Vereist] Type JobLimit.	'Opdracht' 'Opruimen' (vereist)
maxConcurrentTrials	Sweep Job max gelijktijdige proefversies.	int
maxTotalTrials	Sweep Job max totaal aantal proefversies.	int
timeout	De maximale uitvoeringsduur in ISO 8601-indeling, waarna de taak wordt geannuleerd. Alleen ondersteuning voor duur met precisie zo laag als seconden.	tekenreeks
trialTimeout	Time-outwaarde voor de proefversie van de taak opruimen.	tekenreeks

Doelstelling

Naam	Description	Waarde
doel	[Vereist] Definieert ondersteunde metrische doelen voor het afstemmen van hyperparameters	'Maximaliseren' 'Minimaliseren' (vereist)
primaryMetric	[Vereist] Naam van de te optimaliseren metrische waarde.	tekenreeks (vereist) Beperkingen: Patroon = [a-zA-Z0-9_]

SweepJobOutputs

Naam	Description	Waarde
{aangepaste eigenschap}		JobOutput

SamplingAlgorithm

Naam	Description	Waarde
samplingAlgorithmType	Het objecttype instellen	Bayesian Raster Willekeurig (vereist)

BayesianSamplingAlgorithm

Naam	Description	Waarde
samplingAlgorithmType	[Vereist] Het algoritme dat wordt gebruikt voor het genereren van hyperparameterwaarden, samen met configuratie-eigenschappen	'Bayesian' (vereist)

GridSamplingAlgorithm

Naam	Description	Waarde
samplingAlgorithmType	[Vereist] Het algoritme dat wordt gebruikt voor het genereren van hyperparameterwaarden, samen met configuratie-eigenschappen	Raster (vereist)

RandomSamplingAlgorithm

Naam	Description	Waarde
samplingAlgorithmType	[Vereist] Het algoritme dat wordt gebruikt voor het genereren van hyperparameterwaarden, samen met configuratie-eigenschappen	'Willekeurig' (vereist)
Regel	Het specifieke type willekeurig algoritme	'Willekeurig' 'Sobol'
seed	Een optioneel geheel getal dat moet worden gebruikt als seed voor het genereren van willekeurige getallen	int

TrialComponent

Naam	Description	Waarde
codeId	ARM-resource-id van de code-asset.	tekenreeks
command	[Vereist] De opdracht die moet worden uitgevoerd bij het opstarten van de taak. bijvoorbeeld "python train.py"	tekenreeks (vereist) Beperkingen: Minimale lengte = 1 Patroon = [a-zA-Z0-9_]
Distributie	Distributieconfiguratie van de taak. Als dit is ingesteld, moet dit een van Mpi, Tensorflow, PyTorch of null zijn.	DistributionConfiguration
environmentId	[Vereist] De ARM-resource-id van de omgevingsspecificatie voor de taak.	tekenreeks (vereist) Beperkingen: Patroon = [a-zA-Z0-9_]
environmentVariables	Omgevingsvariabelen die zijn opgenomen in de taak.	TrialComponentEnvironmentVariables
resources	Rekenresourceconfiguratie voor de taak.	ResourceConfiguration

TrialComponentEnvironmentVariables

Naam	Description	Waarde
{aangepaste eigenschap}		tekenreeks

Snelstartsjablonen

Met de volgende quickstart-sjablonen wordt dit resourcetype geïmplementeerd.

Template	Beschrijving
Een Azure Machine Learning AutoML-classificatietaak maken	Met deze sjabloon maakt u een Azure Machine Learning AutoML-classificatietaak om het beste model te vinden om te voorspellen of een klant zich zal abonneren op een termijndeposito bij een financiële instelling.
Een Azure Machine Learning-opdrachttaak maken	Met deze sjabloon maakt u een Azure Machine Learning-opdrachttaak met een eenvoudig hello_world-script
Een Azure Machine Learning Sweep-taak maken	Met deze sjabloon maakt u een Azure Machine Learning Sweep-taak voor het afstemmen van hyperparameters.

Resourcedefinitie van ARM-sjabloon

Het resourcetype werkruimten/taken kan worden geïmplementeerd met bewerkingen die zijn gericht op:

• Resourcegroepen - Zie opdrachten voor resourcegroepimplementatie

Zie wijzigingenlogboek voor een lijst met gewijzigde eigenschappen in elke API-versie.

Resource-indeling

Als u een Resource Microsoft.MachineLearningServices/workspaces/jobs wilt maken, voegt u de volgende JSON toe aan uw sjabloon.

{
  "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",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string"
    },
    "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": {
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string"
    },
    "jobType": "string"
    // For remaining properties, see JobBaseDetails objects
  }
}

JobBaseDetails-objecten

Stel de eigenschap jobType in om het type object op te geven.

Gebruik voor AutoML:

  "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
  }

Gebruik voor Opdracht:

  "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}": {}
    }
  }

Gebruik voor Pijplijn:

  "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": {}

Gebruik voor Opruimen:

  "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}": {}
      }
    }
  }

IdentityConfiguration-objecten

Stel de eigenschap identityType in om het type object op te geven.

Gebruik voor AMLToken:

  "identityType": "AMLToken"

Gebruik voor Beheerd:

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

Gebruik voor UserIdentity:

  "identityType": "UserIdentity"

ScheduleBase-objecten

Stel de eigenschap scheduleType in om het type object op te geven.

Gebruik voor Cron:

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

Gebruik voor Terugkeerpatroon:

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

JobOutput-objecten

Stel de eigenschap jobOutputType in om het type object op te geven.

Gebruik voor CustomModel:

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

Gebruik voor MLFlowModel:

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

Gebruik voor MLTable:

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

Voor TritonModel gebruikt u:

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

Gebruik voor UriFile:

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

Gebruik voor UriFolder:

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

AutoMLVertical-objecten

Stel de eigenschap taskType in om het type object op te geven.

Gebruik voor Classificatie:

  "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"
    }
  }

Gebruik voor prognoses:

  "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"
    }
  }

Gebruik voor ImageClassification:

  "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"
  }

Gebruik voor ImageClassificationMultilabel:

  "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"
  }

Gebruik voor ImageInstanceSegmentation:

  "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"
  }

Gebruik voor ImageObjectDetection:

  "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"
  }

Gebruik voor regressie:

  "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"
    }
  }

Gebruik voor TextClassification:

  "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"

Gebruik voor TextClassificationMultilabel:

  "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"
  }

Gebruik voor TextNER:

  "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"
  }

NCrossValidations-objecten

Stel de eigenschap mode in om het type object op te geven.

Gebruik voor Automatisch:

  "mode": "Auto"

Gebruik voor Aangepast:

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

ForecastHorizon-objecten

Stel de eigenschap mode in om het type object op te geven.

Gebruik voor Automatisch:

  "mode": "Auto"

Gebruik voor Aangepast:

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

Seizoensgebondenheidsobjecten

Stel de eigenschap mode in om het type object op te geven.

Gebruik voor Automatisch:

  "mode": "Auto"

Gebruik voor Aangepast:

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

TargetLags-objecten

Stel de eigenschap mode in om het type object op te geven.

Gebruik voor Automatisch:

  "mode": "Auto"

Gebruik voor Aangepast:

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

TargetRollingWindowSize-objecten

Stel de eigenschap mode in om het type object op te geven.

Gebruik voor Automatisch:

  "mode": "Auto"

Gebruik voor Aangepast:

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

EarlyTerminationPolicy-objecten

Stel de eigenschap policyType in om het type object op te geven.

Gebruik voor Bandit:

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

Gebruik voor MedianStopping:

  "policyType": "MedianStopping"

Gebruik voor TruncationSelection:

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

DistributionConfiguration-objecten

Stel de eigenschap distributionType in om het type object op te geven.

Gebruik voor Mpi:

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

Gebruik voor PyTorch:

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

Gebruik voor TensorFlow:

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

JobInput-objecten

Stel de eigenschap jobInputType in om het type object op te geven.

Gebruik voor CustomModel:

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

Voor Letterlijk gebruikt u:

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

Gebruik voor MLFlowModel:

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

Gebruik voor MLTable:

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

Voor TritonModel gebruikt u:

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

Gebruik voor UriFile:

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

Gebruik voor UriFolder:

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

SamplingAlgorithm-objecten

Stel de eigenschap samplingAlgorithmType in om het type object op te geven.

Gebruik voor Bayesian:

  "samplingAlgorithmType": "Bayesian"

Gebruik voor Grid:

  "samplingAlgorithmType": "Grid"

Gebruik voor Willekeurig:

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

Eigenschapswaarden

werkruimten/taken

Naam	Description	Waarde
type	Het resourcetype	'Microsoft.MachineLearningServices/workspaces/jobs'
apiVersion	De resource-API-versie	'2022-02-01-preview'
naam	De resourcenaam Meer informatie over het instellen van namen en typen voor onderliggende resources in JSON ARM-sjablonen.	tekenreeks (vereist)
properties	[Vereist] Aanvullende kenmerken van de entiteit.	JobBaseDetails (vereist)

JobBaseDetails

Naam	Description	Waarde
computeId	ARM-resource-id van de rekenresource.	tekenreeks
beschrijving	De tekst van de assetbeschrijving.	tekenreeks
displayName	Weergavenaam van taak.	tekenreeks
experimentName	De naam van het experiment waartoe de taak behoort. Als dit niet is ingesteld, wordt de taak in het experiment 'Standaard' geplaatst.	tekenreeks
identity	Identiteitsconfiguratie. Als dit is ingesteld, moet dit een van AmlToken, ManagedIdentity, UserIdentity of null zijn. De standaardinstelling is AmlToken indien null.	IdentityConfiguration
isArchived	Is de asset gearchiveerd?	booleaans
properties	De woordenlijst met activa-eigenschappen.	ResourceBaseProperties
schedule	Planningsdefinitie van taak. Als er geen planning is opgegeven, wordt de taak eenmaal uitgevoerd en onmiddellijk na het verzenden.	ScheduleBase
services	Lijst met JobEndpoints. Voor lokale taken heeft een taakeindpunt de eindpuntwaarde FileStreamObject.	JobBaseServices
tags	Tagwoordenlijst. Tags kunnen worden toegevoegd, verwijderd en bijgewerkt.	object
jobType	Het objecttype instellen	AutoML Opdracht Pijplijn Opruimen (vereist)

IdentityConfiguration

Naam	Description	Waarde
identityType	Het objecttype instellen	AMLToken Beheerd UserIdentity (vereist)

AmlToken

Naam	Description	Waarde
identityType	[Vereist] Hiermee geeft u het type identiteitsframework op.	'AMLToken' (vereist)

ManagedIdentity

Naam	Description	Waarde
identityType	[Vereist] Hiermee geeft u het type identiteitsframework op.	'Beheerd' (vereist)
clientId	Hiermee geeft u een door de gebruiker toegewezen identiteit op client-id. Stel dit veld niet in voor door het systeem toegewezen.	tekenreeks Beperkingen: Minimale lengte = 36 Maximale lengte = 36 Patroon = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
objectId	Hiermee geeft u een door de gebruiker toegewezen identiteit op object-id. Stel dit veld niet in voor door het systeem toegewezen.	tekenreeks Beperkingen: Minimale lengte = 36 Maximale lengte = 36 Patroon = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
resourceId	Hiermee geeft u een door de gebruiker toegewezen identiteit op basis van ARM-resource-id. Stel dit veld niet in voor door het systeem toegewezen.	tekenreeks

UserIdentity

Naam	Description	Waarde
identityType	[Vereist] Hiermee geeft u het type identiteitsframework op.	'UserIdentity' (vereist)

ResourceBaseProperties

Naam	Description	Waarde
{aangepaste eigenschap}		tekenreeks
{aangepaste eigenschap}		tekenreeks
{aangepaste eigenschap}		tekenreeks
{aangepaste eigenschap}		tekenreeks
{aangepaste eigenschap}		tekenreeks
{aangepaste eigenschap}		tekenreeks
{aangepaste eigenschap}		tekenreeks
{aangepaste eigenschap}		tekenreeks
{aangepaste eigenschap}		tekenreeks
{aangepaste eigenschap}		tekenreeks
{aangepaste eigenschap}		tekenreeks
{aangepaste eigenschap}		tekenreeks

ScheduleBase

Naam	Description	Waarde
endTime	Hiermee geeft u de eindtijd van de planning in ISO 8601-indeling op. Als deze niet aanwezig is, wordt de planning voor onbepaalde tijd uitgevoerd	tekenreeks
scheduleStatus	Hiermee geeft u de status van de planning op	'Uitgeschakeld' Ingeschakeld
startTime	Hiermee geeft u de begintijd van de planning in ISO 8601-indeling op.	tekenreeks
timeZone	Hiermee geeft u de tijdzone op waarin de planning wordt uitgevoerd. Tijdzone moet de indeling van de Windows-tijdzone volgen.	tekenreeks
scheduleType	Het objecttype instellen	Cron Terugkeerpatroon (vereist)

CronSchedule

Naam	Description	Waarde
scheduleType	[Vereist] Hiermee geeft u het schematype op	'Cron' (vereist)
expressie	[Vereist] Hiermee geeft u cron-expressie van planning. De expressie moet de NCronTab-indeling volgen.	tekenreeks (vereist) Beperkingen: Patroon = [a-zA-Z0-9_]

RecurrenceSchedule

Naam	Description	Waarde
scheduleType	[Vereist] Hiermee geeft u het schematype op	Terugkeerpatroon (vereist)
frequency	[Vereist] Hiermee geeft u de frequentie op waarmee schema wordt geactiveerd	'Dag' 'Uur' 'Minuut' 'Maand' 'Week' (vereist)
interval	[Vereist] Hiermee geeft u het schema-interval op in combinatie met de frequentie	int (vereist)
Patroon	Hiermee geeft u het schemapatroon voor terugkeerpatroon op	Recurrencepattern

Recurrencepattern

Naam	Description	Waarde
uur	[Vereist] Lijst met uren voor schemapatroon voor terugkeerpatroon	int[] (vereist)
minutes	[Vereist] Lijst met minuten voor schemapatroon voor terugkeerpatroon	int[] (vereist)
Weekdagen	Lijst met weekdagen voor schemapatroon voor terugkeerpatroon	Tekenreeksmatrix met een van de volgende: 'Vrijdag' 'Maandag' 'Zaterdag' 'Zondag' 'Donderdag' 'Dinsdag' 'Woensdag'

JobBaseServices

Naam	Description	Waarde
{aangepaste eigenschap}		JobService

JobService

Naam	Description	Waarde
endpoint	URL voor eindpunt.	tekenreeks
jobServiceType	Eindpunttype.	tekenreeks
poort	Poort voor eindpunt.	int
properties	Aanvullende eigenschappen die moeten worden ingesteld op het eindpunt.	JobServiceProperties

JobServiceProperties

Naam	Description	Waarde
{aangepaste eigenschap}		tekenreeks

AutoMLJob

Naam	Description	Waarde
jobType	[Vereist] Hiermee geeft u het type taak op.	'AutoML' (vereist)
environmentId	De ARM-resource-id van de omgevingsspecificatie voor de taak. Dit is een optionele waarde die moet worden opgegeven, indien niet opgegeven, wordt deze standaard ingesteld op de gecureerde productieomgevingsversie van AutoML wanneer de taak wordt uitgevoerd.	tekenreeks
environmentVariables	Omgevingsvariabelen die zijn opgenomen in de taak.	AutoMLJobEnvironmentVariables
Uitgangen	Toewijzing van uitvoergegevensbindingen die in de taak worden gebruikt.	AutoMLJobOutputs
resources	Rekenresourceconfiguratie voor de taak.	ResourceConfiguration
taskDetails	[Vereist] Dit vertegenwoordigt een scenario dat een van tabellen/NLP/afbeelding kan zijn	AutoMLVertical (vereist)

AutoMLJobEnvironmentVariables

Naam	Description	Waarde
{aangepaste eigenschap}		tekenreeks

AutoMLJobOutputs

Naam	Description	Waarde
{aangepaste eigenschap}		JobOutput

JobOutput

Naam	Description	Waarde
beschrijving	Beschrijving voor de uitvoer.	tekenreeks
jobOutputType	Het objecttype instellen	CustomModel MLFlowModel MLTable TritonModel UriFile URIFolder (vereist)

CustomModelJobOutput

Naam	Description	Waarde
jobOutputType	[Vereist] Hiermee geeft u het type taak op.	'CustomModel' (vereist)
mode	Uitvoerassetleveringsmodus.	'ReadWriteMount' Uploaden
Uri	Uitvoerasset-URI.	tekenreeks

MLFlowModelJobOutput

Naam	Description	Waarde
jobOutputType	[Vereist] Hiermee geeft u het type taak op.	MLFlowModel (vereist)
mode	Uitvoerassetleveringsmodus.	'ReadWriteMount' Uploaden
Uri	Uitvoerasset-URI.	tekenreeks

MLTableJobOutput

Naam	Description	Waarde
jobOutputType	[Vereist] Hiermee geeft u het type taak op.	'MLTable' (vereist)
mode	Uitvoerassetleveringsmodus.	'ReadWriteMount' Uploaden
Uri	Uitvoerasset-URI.	tekenreeks

TritonModelJobOutput

Naam	Description	Waarde
jobOutputType	[Vereist] Hiermee geeft u het type taak op.	'TritonModel' (vereist)
mode	Uitvoerassetleveringsmodus.	'ReadWriteMount' Uploaden
Uri	Uitvoerasset-URI.	tekenreeks

UriFileJobOutput

Naam	Description	Waarde
jobOutputType	[Vereist] Hiermee geeft u het type taak op.	'UriFile' (vereist)
mode	Uitvoerassetleveringsmodus.	'ReadWriteMount' Uploaden
Uri	Uitvoerasset-URI.	tekenreeks

UriFolderJobOutput

Naam	Description	Waarde
jobOutputType	[Vereist] Hiermee geeft u het type taak op.	'UriFolder' (vereist)
mode	Uitvoerassetleveringsmodus.	'ReadWriteMount' Uploaden
Uri	Uitvoerasset-URI.	tekenreeks

ResourceConfiguration

Naam	Description	Waarde
instanceCount	Optioneel aantal exemplaren of knooppunten dat door het rekendoel wordt gebruikt.	int
instanceType	Optioneel type VM dat wordt gebruikt als ondersteund door het rekendoel.	tekenreeks
properties	Extra eigenschappenverzameling.	ResourceConfigurationProperties

ResourceConfigurationProperties

Naam	Description	Waarde
{aangepaste eigenschap}

AutoMLVertical

Naam	Description	Waarde
logVerbosity	Logboek uitgebreidheid voor de taak.	'Kritiek' 'Fouten opsporen' 'Fout' 'Info' 'NotSet' 'Waarschuwing'
taskType	Het objecttype instellen	Classificatie Prognose ImageClassification ImageClassificationMultilabel ImageInstanceSegmentation ImageObjectDetection Regressie TextClassification TextClassificationMultilabel TextNER (vereist)

Classificatie

Naam	Description	Waarde
taskType	[Vereist] Taaktype voor AutoMLJob.	'Classificatie' (vereist)
allowedModels	Toegestane modellen voor classificatietaak.	Tekenreeksmatrix met een van de volgende: 'BernoulliNaiveBayes' 'DecisionTree' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LightGBM' 'LinearSVM' 'LogisticRegression' 'MultinomialNaiveBayes' 'RandomForest' 'SGD' 'SVM' 'XGBoostClassifier'
blockedModels	Geblokkeerde modellen voor classificatietaak.	Tekenreeksmatrix met een van de volgende: 'BernoulliNaiveBayes' 'DecisionTree' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LightGBM' 'LinearSVM' 'LogisticRegression' 'MultinomialNaiveBayes' 'RandomForest' 'SGD' 'SVM' 'XGBoostClassifier'
dataSettings	Gegevensinvoer voor AutoMLJob.	TableVerticalDataSettings
featurizationSettings	Featurization-invoer die nodig is voor de AutoML-taak.	TableVerticalFeaturizationSettings
limitSettings	Uitvoeringsbeperkingen voor AutoMLJob.	TableVerticalLimitSettings
primaryMetric	Primaire metrische waarde voor de taak.	'AUCWeighted' 'Nauwkeurigheid' 'AveragePrecisionScoreWeighted' 'NormMacroRecall' 'PrecisionScoreWeighted'
trainingSettings	Invoer voor de trainingsfase voor een AutoML-taak.	TrainingSettings

TableVerticalDataSettings

Naam	Description	Waarde
targetColumnName	[Vereist] Naam van doelkolom: dit is de kolom met voorspellingswaarden. Ook wel labelkolomnaam genoemd in de context van classificatietaken.	tekenreeks (vereist) Beperkingen: Patroon = [a-zA-Z0-9_]
Testdata	Gegevensinvoer testen.	TestDataSettings
trainingData	[Vereist] Invoer van trainingsgegevens.	TrainingDataSettings (vereist)
validationData	Invoer van validatiegegevens.	TableVerticalValidationDataSettings
weightColumnName	De naam van de kolom met het gewicht van het voorbeeld. Geautomatiseerde ML ondersteunt een gewogen kolom als invoer, waardoor rijen in de gegevens omhoog of omlaag worden gewogen.	tekenreeks

TestDataSettings

Naam	Description	Waarde
gegevens	Testgegevens MLTable.	MLTableJobInput
testDataSize	Het deel van de testgegevensset dat moet worden gereserveerd voor validatiedoeleinden. Waarden tussen (0,0 , 1,0) Toegepast wanneer de validatiegegevensset niet is opgegeven.	int

MLTableJobInput

Naam	Description	Waarde
beschrijving	Beschrijving voor de invoer.	tekenreeks
jobInputType	[Vereist] Hiermee geeft u het type taak op.	'CustomModel' 'Letterlijk' 'MLFlowModel' 'MLTable' 'TritonModel' 'UriFile' 'UriFolder' (vereist)
mode	Leveringsmodus voor invoerasset.	'Direct' 'Downloaden' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
Uri	[Vereist] URI van invoerasset.	tekenreeks (vereist) Beperkingen: Patroon = [a-zA-Z0-9_]

TrainingDataSettings

Naam	Description	Waarde
gegevens	[Vereist] Trainingsgegevens MLTable.	MLTableJobInput (vereist)

TableVerticalValidationDataSettings

Naam	Description	Waarde
cvSplitColumnNames	Kolommen die moeten worden gebruikt voor CVSplit-gegevens.	tekenreeks[]
gegevens	Validatiegegevens MLTable.	MLTableJobInput
nCrossValidations	Aantal kruisvalidatievouws dat moet worden toegepast op de trainingsgegevensset wanneer de validatiegegevensset niet is opgegeven.	NCrossValidations
validationDataSize	Het deel van de trainingsgegevensset dat moet worden gereserveerd voor validatiedoeleinden. Waarden tussen (0,0 , 1,0) Toegepast wanneer de validatiegegevensset niet is opgegeven.	int

NCrossValidations

Naam	Description	Waarde
mode	Het objecttype instellen	Automatisch Aangepast (vereist)

AutoNCrossValidations

Naam	Description	Waarde
mode	[Vereist] Modus voor het bepalen van N-Cross-validaties.	'Auto' (vereist)

CustomNCrossValidations

Naam	Description	Waarde
mode	[Vereist] Modus voor het bepalen van N-Cross-validaties.	'Aangepast' (vereist)
waarde	[Vereist] Waarde voor N-Kruisvalidaties.	int (vereist)

TableVerticalFeaturizationSettings

Naam	Description	Waarde
blockedTransformers	Deze transformatoren mogen niet worden gebruikt in featurization.	tekenreeks[]
columnNameAndTypes	Woordenlijst van de kolomnaam en het bijbehorende type (int, float, tekenreeks, datum/tijd, enzovoort).	TableVerticalFeaturizationSettingsColumnNameAndTypes
datasetLanguage	Gegevenssettaal, handig voor de tekstgegevens.	tekenreeks
dropColumns	Kolommen die tijdens de featurization uit gegevens moeten worden verwijderd.	tekenreeks[]
enableDnnFeaturization	Bepaalt of op Dnn gebaseerde featurizers moeten worden gebruikt voor gegevens featurization.	booleaans
mode	Featurization-modus: de gebruiker kan de standaardmodus 'Auto' behouden en AutoML zorgt voor de benodigde transformatie van de gegevens in de featurization-fase. Als 'Uit' is geselecteerd, wordt er geen featurization uitgevoerd. Als 'Aangepast' is geselecteerd, kan de gebruiker extra invoer opgeven om aan te passen hoe featurization wordt uitgevoerd.	'Auto' 'Aangepast' 'Uit'
transformerParams	De gebruiker kan extra transformatoren opgeven die moeten worden gebruikt, samen met de kolommen waarop het moet worden toegepast en parameters voor de constructor van de transformator.	TableVerticalFeaturizationSettingsTransformerParams

TableVerticalFeaturizationSettingsColumnNameAndTypes

Naam	Description	Waarde
{aangepaste eigenschap}		tekenreeks

TableVerticalFeaturizationSettingsTransformerParams

Naam	Description	Waarde
{aangepaste eigenschap}		ColumnTransformer[]

ColumnTransformer

Naam	Description	Waarde
fields	Velden waarop transformatielogica moet worden toegepast.	tekenreeks[]
parameters	Verschillende eigenschappen die moeten worden doorgegeven aan de transformator. Invoer wordt verwacht is een woordenlijst van sleutel-,waardeparen in JSON-indeling.

TableVerticalLimitSettings

Naam	Description	Waarde
enableEarlyTermination	Schakel vroegtijdige beëindiging in, bepaalt of AutoMLJob vroegtijdig wordt beëindigd als er geen scoreverbetering is in de afgelopen 20 iteraties.	booleaans
exitScore	Afsluitscore voor de AutoML-taak.	int
maxConcurrentTrials	Maximum aantal gelijktijdige iteraties.	int
maxCoresPerTrial	Maximum aantal kernen per iteratie.	int
maxTrials	Aantal iteraties.	int
timeout	Time-out van AutoML-taak.	tekenreeks
trialTimeout	Time-out van iteratie.	tekenreeks

TrainingSettings

Naam	Description	Waarde
enableDnnTraining	Aanbeveling van DNN-modellen inschakelen.	booleaans
enableModelExplainability	Vlag om uitlegbaarheid in te schakelen voor het beste model.	booleaans
enableOnnxCompatibleModels	Vlag voor het inschakelen van onnx-compatibele modellen.	booleaans
enableStackEnsemble	Schakel stack-ensembleuitvoering in.	booleaans
enableVoteEnsemble	Stem-ensembleuitvoering inschakelen.	booleaans
ensembleModelDownloadTimeout	Tijdens het genereren van het VotingEnsemble- en StackEnsemble-model worden meerdere aangepaste modellen uit de vorige onderliggende uitvoeringen gedownload. Configureer deze parameter met een hogere waarde dan 300 seconden, als er meer tijd nodig is.	tekenreeks
stackEnsembleSettings	Stack-ensembleinstellingen voor stack-ensembleuitvoering.	StackEnsembleSettings

StackEnsembleSettings

Naam	Description	Waarde
stackMetaLearnerKWargs	Optionele parameters die moeten worden doorgegeven aan de initialisatiefunctie van de meta-learner.
stackMetaLearnerTrainPercentage	Hiermee geeft u het aandeel van de trainingsset op (bij het kiezen van het type training en validatie) dat moet worden gereserveerd voor het trainen van de meta-cursist. De standaardwaarde is 0,2.	int
stackMetaLearnerType	De meta-learner is een model dat is getraind op de uitvoer van de afzonderlijke heterogene modellen.	'ElasticNet' 'ElasticNetCV' 'LightGBMClassifier' 'LightGBMRegressor' 'LinearRegression' 'LogisticRegression' 'LogisticRegressionCV' 'Geen'

Prognose

Naam	Description	Waarde
taskType	[Vereist] Taaktype voor AutoMLJob.	'Prognoses' (vereist)
allowedModels	Toegestane modellen voor prognosetaak.	Tekenreeksmatrix met een van de volgende: 'Arimax' 'AutoArima' 'Gemiddeld' 'DecisionTree' 'ElasticNet' 'Exponentialsmoothing' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'Naïef' 'Profeet' 'RandomForest' 'SGD' 'SeasonalAverage' 'SeasonalNaive' 'TCNForecaster' 'XGBoostRegressor'
blockedModels	Geblokkeerde modellen voor het voorspellen van taken.	Tekenreeksmatrix met een van de volgende: 'Arimax' 'AutoArima' 'Gemiddeld' 'DecisionTree' 'ElasticNet' 'Exponentialsmoothing' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'Naïef' 'Profeet' 'RandomForest' 'SGD' 'SeasonalAverage' 'SeasonalNaive' 'TCNForecaster' 'XGBoostRegressor'
dataSettings	Gegevensinvoer voor AutoMLJob.	TableVerticalDataSettings
featurizationSettings	Featurization-invoer die nodig is voor de AutoML-taak.	TableVerticalFeaturizationSettings
forecastingSettings	Taakspecifieke invoer voorspellen.	PrognoseInstellingen
limitSettings	Uitvoeringsbeperkingen voor AutoMLJob.	TableVerticalLimitSettings
primaryMetric	Primaire metrische waarde voor prognosetaak.	'NormalizedMeanAbsoluteError' 'NormalizedRootMeanSquaredError' 'R2Score' 'SpearmanCorrelation'
trainingSettings	Invoer voor de trainingsfase voor een AutoML-taak.	TrainingSettings

PrognoseInstellingen

Naam	Description	Waarde
countryOrRegionForHolidays	Land of regio voor feestdagen voor het voorspellen van taken. Deze moeten ISO 3166 tweeletterige land-/regiocodes zijn, bijvoorbeeld 'VS' of 'GB'.	tekenreeks
cvStepSize	Aantal perioden tussen de oorsprongstijd van de ene CV-vouw en de volgende vouw. Voor CVStepSize als = 3 voor dagelijkse gegevens, is de oorsprongstijd voor elke vouw drie dagen uit elkaar.	int
featureLags	Vlag voor het genereren van vertragingen voor de numerieke functies met 'auto' of null.	'Auto' 'Geen'
forecastHorizon	De gewenste maximale voorspellingshorizon in eenheden van tijdreeksfrequentie.	ForecastHorizon
frequency	Bij het maken van prognoses geeft deze parameter de periode aan waarmee de prognose wordt gewenst, bijvoorbeeld dagelijks, wekelijks, jaarlijks, enzovoort. De prognosefrequentie is standaard de frequentie van de gegevensset.	tekenreeks
Seizoensgebonden	Stel de seizoensgebondenheid van tijdreeksen in als een veelvoud van een geheel getal van de reeksfrequentie. Als seizoensgebondenheid is ingesteld op 'automatisch', wordt dit afgeleid.	Seizoensgebonden
shortSeriesHandlingConfig	De parameter die definieert hoe autoML korte tijdreeksen moet verwerken.	'Auto' 'Neerzetten' 'Geen' 'Pad'
targetAggregateFunction	De functie die moet worden gebruikt om de tijdreeksdoelkolom te aggregeren om te voldoen aan een door de gebruiker opgegeven frequentie. Als de TargetAggregateFunction is ingesteld, dus niet 'Geen', maar de freq-parameter niet is ingesteld, wordt de fout gegenereerd. De mogelijke doelaggregatiefuncties zijn: 'som', 'max', 'min' en 'gemiddelde'.	'Max' 'Gemiddelde' 'Min' 'Geen' 'Som'
targetLags	Het aantal eerdere perioden voor vertraging van de doelkolom.	TargetLags
targetRollingWindowSize	Het aantal eerdere perioden dat is gebruikt voor het maken van een voortschrijdend venster gemiddelde van de doelkolom.	TargetRollingWindowSize
timeColumnName	De naam van de tijdkolom. Deze parameter is vereist bij het voorspellen van de datum/tijd-kolom in de invoergegevens die worden gebruikt voor het samenstellen van de tijdreeks en het afleiden van de frequentie.	tekenreeks
timeSeriesIdColumnNames	De namen van kolommen die worden gebruikt om een tijdreeks te groepeert. Het kan worden gebruikt om meerdere reeksen te maken. Als korrel niet is gedefinieerd, wordt ervan uitgegaan dat de gegevensset één tijdreeks is. Deze parameter wordt gebruikt voor taaktypeprognoses.	tekenreeks[]
useStl	Configureer STL-ontleding van de doelkolom van de tijdreeks.	'Geen' 'Seizoen' 'SeasonTrend'

ForecastHorizon

Naam	Description	Waarde
mode	Het objecttype instellen	Automatisch Aangepast (vereist)

AutoForecastHorizon

Naam	Description	Waarde
mode	[Vereist] Instellen van waardeselectiemodus voor voorspellingshorizon.	'Auto' (vereist)

CustomForecastHorizon

Naam	Description	Waarde
mode	[Vereist] Instellen van waardeselectiemodus voor voorspellingshorizon.	'Aangepast' (vereist)
waarde	[Vereist] De waarde van de horizon voorspellen.	int (vereist)

Seizoensgebonden

Naam	Description	Waarde
mode	Het objecttype instellen	Automatisch Aangepast (vereist)

AutoSeasonaliteit

Naam	Description	Waarde
mode	[Vereist] Seizoensgebondenheidsmodus.	'Auto' (vereist)

CustomSeasonality

Naam	Description	Waarde
mode	[Vereist] Seizoensgebondenheidsmodus.	'Aangepast' (vereist)
waarde	[Vereist] Seizoensgebondenheidswaarde.	int (vereist)

TargetLags

Naam	Description	Waarde
mode	Het objecttype instellen	Automatisch Aangepast (vereist)

AutoTargetLags

Naam	Description	Waarde
mode	[Vereist] Doelvertragingsmodus instellen - Automatisch/Aangepast	'Auto' (vereist)

CustomTargetLags

Naam	Description	Waarde
mode	[Vereist] Doelvertragingsmodus instellen - Auto/Aangepast	'Aangepast' (vereist)
values	[Vereist] Stel waarden voor doelvertragingen in.	int[] (vereist)

TargetRollingWindowSize

Naam	Description	Waarde
mode	Het objecttype instellen	Automatisch Aangepast (vereist)

AutoTargetRollingWindowSize

Naam	Description	Waarde
mode	[Vereist] TargetRollingWindowSiz-detectiemodus.	'Auto' (vereist)

CustomTargetRollingWindowSize

Naam	Description	Waarde
mode	[Vereist] TargetRollingWindowSiz-detectiemodus.	'Aangepast' (vereist)
waarde	[Vereist] TargetRollingWindowSize-waarde.	int (vereist)

ImageClassification

Naam	Description	Waarde
taskType	[Vereist] Taaktype voor AutoMLJob.	'ImageClassification' (vereist)
dataSettings	[Vereist] Verzameling van geregistreerde tabelgegevensset-id's en andere gegevensinstellingen die vereist zijn voor het trainen en valideren van modellen.	ImageVerticalDataSettings (vereist)
limitSettings	[Vereist] Limietinstellingen voor de AutoML-taak.	ImageLimitSettings (vereist)
modelInstellingen	Instellingen die worden gebruikt voor het trainen van het model.	ImageModelSettingsClassification
primaryMetric	Primaire metrische gegevens om te optimaliseren voor deze taak.	'AUCWeighted' 'Nauwkeurigheid' 'AveragePrecisionScoreWeighted' 'NormMacroRecall' 'PrecisionScoreWeighted'
searchSpace	Zoek ruimte voor het nemen van steekproeven van verschillende combinaties van modellen en hun hyperparameters.	ImageModelDistributionSettingsClassification[]
sweepSettings	Model opruimen en hyperparameter opruimen gerelateerde instellingen.	ImageSweepSettings

ImageVerticalDataSettings

Naam	Description	Waarde
targetColumnName	[Vereist] Naam van doelkolom: dit is de kolom met voorspellingswaarden. Ook wel labelkolomnaam genoemd in de context van classificatietaken.	tekenreeks (vereist) Beperkingen: Patroon = [a-zA-Z0-9_]
Testdata	Gegevensinvoer testen.	TestDataSettings
trainingData	[Vereist] Invoer van trainingsgegevens.	TrainingDataSettings (vereist)
validationData	Instellingen voor de validatiegegevensset.	ImageVerticalValidationDataSettings

ImageVerticalValidationDataSettings

Naam	Description	Waarde
gegevens	Validatiegegevens MLTable.	MLTableJobInput
validationDataSize	Het deel van de trainingsgegevensset dat moet worden gereserveerd voor validatiedoeleinden. Waarden tussen (0,0 , 1,0) Toegepast wanneer de validatiegegevensset niet is opgegeven.	int

ImageLimitSettings

Naam	Description	Waarde
maxConcurrentTrials	Maximum aantal gelijktijdige AutoML-iteraties.	int
maxTrials	Maximum aantal AutoML-iteraties.	int
timeout	Time-out van AutoML-taak.	tekenreeks

ImageModelSettingsClassification

Naam	Description	Waarde
advancedSettings	Instellingen voor geavanceerde scenario's.	tekenreeks
amsGradient	Schakel AMSGrad in wanneer de optimizer 'adam' of 'adamw' is.	booleaans
vergrotingen	Instellingen voor het gebruik van vergrotingen.	tekenreeks
beta1	Waarde van 'beta1' wanneer optimizer 'adam' of 'adamw' is. Moet een vlotter zijn binnen het bereik [0, 1].	int
beta2	Waarde van 'beta2' wanneer optimizer 'adam' of 'adamw' is. Moet een vlotter zijn binnen het bereik [0, 1].	int
checkpointDatasetId	FileDataset-id voor vooraf getrainde controlepunten voor incrementele training. Zorg ervoor dat u CheckpointFilename en CheckpointDatasetId doorgeeft.	tekenreeks
checkpointFilename	De vooraf getrainde bestandsnaam van het controlepunt in FileDataset voor incrementele training. Zorg ervoor dat u CheckpointDatasetId en CheckpointFilename doorgeeft.	tekenreeks
checkpointFrequency	Frequentie voor het opslaan van modelcontrolepunten. Moet een positief geheel getal zijn.	int
checkpointRunId	De id van een vorige uitvoering met een vooraf getraind controlepunt voor incrementele training.	tekenreeks
Gedistribueerd	Of u gedistribueerde training wilt gebruiken.	booleaans
earlyStopping	Schakel vroege stoplogica in tijdens de training.	booleaans
earlyStoppingDelay	Minimaal aantal tijdvakken of validatie-evaluaties dat moet worden gewacht voordat de primaire metrische gegevens worden verbeterd wordt bijgehouden voor vroegtijdig stoppen. Moet een positief geheel getal zijn.	int
earlyStoppingPatience	Minimaal aantal tijdperken of validatie-evaluaties zonder primaire metrische verbeteringen vóór de uitvoering is gestopt. Moet een positief geheel getal zijn.	int
enableOnnxNormalization	Normalisatie inschakelen bij het exporteren van een ONNX-model.	booleaans
evaluationFrequency	Frequentie voor het evalueren van de validatiegegevensset om metrische scores op te halen. Moet een positief geheel getal zijn.	int
gradientAccumulationStep	Accumulatie van kleurovergangen betekent het uitvoeren van een geconfigureerd aantal 'GradAccumulationStep'-stappen zonder het bijwerken van de modelgewichten tijdens het accumuleren van de kleurovergangen van deze stappen en vervolgens het gebruik van de verzamelde kleurovergangen om de gewichtsupdates te berekenen. Moet een positief geheel getal zijn.	int
layersToFreeze	Het aantal lagen dat moet worden geblokkeerd voor het model. Moet een positief geheel getal zijn. Het doorgeven van 2 als waarde voor 'seresnext' betekent bijvoorbeeld vrieslaag0 en laag1. Voor een volledige lijst met ondersteunde modellen en details over het blokkeren van lagen, raadpleegt u Zie: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.	int
learningRate	Initiële leersnelheid. Moet een vlotter zijn binnen het bereik [0, 1].	int
learningRateScheduler	Type leerfrequentieplanner. Moet 'warmup_cosine' of 'stap' zijn.	'Geen' 'Stap' 'WarmupCosine'
modelName	Naam van het model dat moet worden gebruikt voor training. Voor meer informatie over de beschikbare modellen raadpleegt u de officiële documentatie: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.	tekenreeks
Momentum	Waarde van momentum wanneer optimizer 'sgd' is. Moet een vlotter zijn binnen het bereik [0, 1].	int
Nesterov	Schakel nesterov in wanneer het optimalisatieprogramma 'sgd' is.	booleaans
numberOfEpochs	Aantal trainingstijdvakken. Moet een positief geheel getal zijn.	int
numberOfWorkers	Aantal werkrollen voor gegevenslaadprogramma's. Moet een niet-negatief geheel getal zijn.	int
Optimizer	Type optimalisatieprogramma.	'Adam' 'Adamw' 'Geen' 'Sgd'
randomSeed	Willekeurig zaad dat moet worden gebruikt bij het gebruik van deterministische training.	int
splitRatio	Als er geen validatiegegevens zijn gedefinieerd, wordt hiermee de splitsverhouding voor splitsen opgegeven gegevens trainen in subsets voor willekeurige training en validatie. Moet een float in het bereik [0, 1] zijn.	int
stepLRGamma	Waarde van gamma wanneer learning rate scheduler 'step' is. Moet een float in het bereik [0, 1] zijn.	int
stepLRStepSize	Waarde van stapgrootte wanneer learning rate scheduler 'step' is. Moet een positief geheel getal zijn.	int
trainingBatchSize	Grootte van de trainingsbatch. Moet een positief geheel getal zijn.	int
trainingCropSize	Bijsnijdgrootte van afbeelding die wordt ingevoerd in het neurale netwerk voor de trainingsgegevensset. Moet een positief geheel getal zijn.	int
validationBatchSize	Grootte van validatiebatch. Moet een positief geheel getal zijn.	int
validationCropSize	Bijsnijdgrootte van afbeelding die wordt ingevoerd voor het neurale netwerk voor de validatiegegevensset. Moet een positief geheel getal zijn.	int
validationResizeSize	Grootte van afbeelding waarmee u het formaat moet wijzigen voordat u de validatiegegevensset bijsnijd. Moet een positief geheel getal zijn.	int
warmupCosineLRCycles	De waarde van de cosinuscyclus wanneer de leerfrequentieplanner 'warmup_cosine' is. Moet een float in het bereik [0, 1] zijn.	int
warmupCosineLRWarmupEpochs	Waarde van opwarmtijdvakken wanneer learning rate scheduler 'warmup_cosine' is. Moet een positief geheel getal zijn.	int
weightDecay	Waarde van gewichtsverval wanneer optimizer 'sgd', 'adam' of 'adamw' is. Moet een vlotter in het bereik[0, 1] zijn.	int
weightedLoss	Gewogen verlies. De geaccepteerde waarden zijn 0 voor geen gewogen verlies. 1 voor gewogen verlies met sqrt. (class_weights). 2 voor gewogen verlies met class_weights. Moet 0, 1 of 2 zijn.	int

ImageModelDistributionSettingsClassification

Naam	Description	Waarde
amsGradient	Schakel AMSGrad in wanneer de optimizer 'adam' of 'adamw' is.	tekenreeks
vergrotingen	Instellingen voor het gebruik van augmentations.	tekenreeks
beta1	Waarde van 'beta1' wanneer optimizer 'adam' of 'adamw' is. Moet een float in het bereik [0, 1] zijn.	tekenreeks
beta2	Waarde van 'beta2' wanneer optimizer 'adam' of 'adamw' is. Moet een float in het bereik [0, 1] zijn.	tekenreeks
Gedistribueerd	Of u distributietraining moet gebruiken.	tekenreeks
earlyStopping	Schakel vroege stoplogica in tijdens de training.	tekenreeks
earlyStoppingDelay	Minimaal aantal tijdvakken of validatie-evaluaties dat moet worden gewacht voordat de primaire metrische gegevens worden verbeterd wordt bijgehouden voor een vroege stop. Moet een positief geheel getal zijn.	tekenreeks
earlyStoppingPatience	Minimaal aantal tijdperken of validatie-evaluaties zonder primaire metrische verbeteringen vóór de uitvoering is gestopt. Moet een positief geheel getal zijn.	tekenreeks
enableOnnxNormalization	Normalisatie inschakelen bij het exporteren van een ONNX-model.	tekenreeks
evaluationFrequency	Frequentie voor het evalueren van de validatiegegevensset om metrische scores op te halen. Moet een positief geheel getal zijn.	tekenreeks
gradientAccumulationStep	Accumulatie van kleurovergangen betekent het uitvoeren van een geconfigureerd aantal 'GradAccumulationStep'-stappen zonder het bijwerken van de modelgewichten tijdens het accumuleren van de kleurovergangen van deze stappen en vervolgens het gebruik van de verzamelde kleurovergangen om de gewichtsupdates te berekenen. Moet een positief geheel getal zijn.	tekenreeks
layersToFreeze	Het aantal lagen dat moet worden geblokkeerd voor het model. Moet een positief geheel getal zijn. Het doorgeven van 2 als waarde voor 'seresnext' betekent bijvoorbeeld vrieslaag0 en laag1. Voor een volledige lijst met ondersteunde modellen en details over het blokkeren van lagen, raadpleegt u Zie: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.	tekenreeks
learningRate	Initiële leersnelheid. Moet een vlotter zijn binnen het bereik [0, 1].	tekenreeks
learningRateScheduler	Type leerfrequentieplanner. Moet 'warmup_cosine' of 'stap' zijn.	tekenreeks
modelName	Naam van het model dat moet worden gebruikt voor training. Voor meer informatie over de beschikbare modellen raadpleegt u de officiële documentatie: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.	tekenreeks
Momentum	Waarde van momentum wanneer optimizer 'sgd' is. Moet een vlotter zijn binnen het bereik [0, 1].	tekenreeks
Nesterov	Schakel nesterov in wanneer optimizer 'sgd' is.	tekenreeks
numberOfEpochs	Aantal trainingstijdvakken. Moet een positief geheel getal zijn.	tekenreeks
numberOfWorkers	Aantal werkrollen voor gegevenslaadprogramma's. Moet een niet-negatief geheel getal zijn.	tekenreeks
Optimizer	Type optimizer. Moet 'sgd', 'adam' of 'adamw' zijn.	tekenreeks
randomSeed	Willekeurig zaad dat moet worden gebruikt bij het gebruik van deterministische training.	tekenreeks
splitRatio	Als er geen validatiegegevens zijn gedefinieerd, geeft dit de splitsingsverhouding voor splitsen op gegevens trainen in subsets voor willekeurige training en validatie. Moet een vlotter zijn binnen het bereik [0, 1].	tekenreeks
stepLRGamma	Waarde van gamma wanneer learning rate scheduler 'step' is. Moet een vlotter zijn binnen het bereik [0, 1].	tekenreeks
stepLRStepSize	Waarde van stapgrootte wanneer leerfrequentieplanner 'stap' is. Moet een positief geheel getal zijn.	tekenreeks
trainingBatchSize	Grootte van trainingsbatch. Moet een positief geheel getal zijn.	tekenreeks
trainingCropSize	Bijsnijdgrootte van afbeelding die wordt ingevoerd voor het neurale netwerk voor de trainingsgegevensset. Moet een positief geheel getal zijn.	tekenreeks
validationBatchSize	Grootte van validatiebatch. Moet een positief geheel getal zijn.	tekenreeks
validationCropSize	Bijsnijdgrootte van afbeelding die wordt ingevoerd voor het neurale netwerk voor de validatiegegevensset. Moet een positief geheel getal zijn.	tekenreeks
validationResizeSize	Afbeeldingsgrootte waartoe het formaat moet worden gewijzigd voordat u de gegevensset bijsnijd. Moet een positief geheel getal zijn.	tekenreeks
warmupCosineLRCycles	Waarde van de cosinuscyclus wanneer de leerfrequentieplanner 'warmup_cosine' is. Moet een vlotter zijn binnen het bereik [0, 1].	tekenreeks
warmupCosineLRWarmupEpochs	Waarde van opwarmtijdvakken wanneer leerfrequentieplanner 'warmup_cosine' is. Moet een positief geheel getal zijn.	tekenreeks
weightDecay	Waarde van gewichtsverval wanneer optimizer 'sgd', 'adam' of 'adamw' is. Moet een vlotter zijn binnen het bereik[0, 1].	tekenreeks
weightedLoss	Gewogen verlies. De geaccepteerde waarden zijn 0 voor geen gewogen verlies. 1 voor gewogen verlies met sqrt. (class_weights). 2 voor gewogen verlies met class_weights. Moet 0 of 1 of 2 zijn.	tekenreeks

ImageSweepSettings

Naam	Description	Waarde
earlyTermination	Type beleid voor vroegtijdige beëindiging.	EarlyTerminationPolicy
Grenzen	[Vereist] Limietinstellingen voor model opruimen en hyperparameter opruimen.	ImageSweepLimitSettings (vereist)
samplingAlgorithm	[Vereist] Type van de algoritmen voor het nemen van hyperparameters.	'Bayesian' 'Raster' 'Willekeurig' (vereist)

EarlyTerminationPolicy

Naam	Description	Waarde
delayEvalue	Het aantal intervallen waarmee de eerste evaluatie moet worden vertraagd.	int
evaluationInterval	Interval (aantal uitvoeringen) tussen beleidsevaluaties.	int
policyType	Het objecttype instellen	Bandit MedianStopping AfkappingSelection (vereist)

BanditPolicy

Naam	Description	Waarde
policyType	[Vereist] Naam van beleidsconfiguratie	'Bandit' (vereist)
slackAmount	Absolute afstand toegestaan vanaf de best presterende run.	int
slackFactor	Verhouding van de toegestane afstand tot de best presterende run.	int

MedianStoppingPolicy

Naam	Description	Waarde
policyType	[Vereist] Naam van beleidsconfiguratie	MedianStopping (vereist)

TruncationSelectionPolicy

Naam	Description	Waarde
policyType	[Vereist] Naam van beleidsconfiguratie	'TruncationSelection' (vereist)
afkappingSpercentage	Het percentage uitvoeringen dat moet worden geannuleerd bij elk evaluatie-interval.	int

ImageSweepLimitSettings

Naam	Description	Waarde
maxConcurrentTrials	Maximum aantal gelijktijdige iteraties voor de onderliggende sweep-taak.	int
maxTrials	Maximum aantal iteraties voor de onderliggende Sweep-taak.	int

ImageClassificationMultilabel

Naam	Description	Waarde
taskType	[Vereist] Taaktype voor AutoMLJob.	'ImageClassificationMultilabel' (vereist)
dataSettings	[Vereist] Verzameling van geregistreerde tabelgegevensset-id's en andere gegevensinstellingen die vereist zijn voor het trainen en valideren van modellen.	ImageVerticalDataSettings (vereist)
limitSettings	[Vereist] Limietinstellingen voor de AutoML-taak.	ImageLimitSettings (vereist)
modelInstellingen	Instellingen die worden gebruikt voor het trainen van het model.	ImageModelSettingsClassification
primaryMetric	Primaire metrische gegevens om te optimaliseren voor deze taak.	'AUCWeighted' 'Nauwkeurigheid' 'AveragePrecisionScoreWeighted' "IOU" 'NormMacroRecall' 'PrecisionScoreWeighted'
searchSpace	Zoek ruimte voor het nemen van steekproeven van verschillende combinaties van modellen en hun hyperparameters.	ImageModelDistributionSettingsClassification[]
sweepSettings	Model opruimen en hyperparameter opruimen gerelateerde instellingen.	ImageSweepSettings

ImageInstanceSegmentation

Naam	Description	Waarde
taskType	[Vereist] Taaktype voor AutoMLJob.	'ImageInstanceSegmentation' (vereist)
dataSettings	[Vereist] Verzameling van geregistreerde tabelgegevensset-id's en andere gegevensinstellingen die vereist zijn voor het trainen en valideren van modellen.	ImageVerticalDataSettings (vereist)
limitSettings	[Vereist] Limietinstellingen voor de AutoML-taak.	ImageLimitSettings (vereist)
modelInstellingen	Instellingen die worden gebruikt voor het trainen van het model.	ImageModelSettingsObjectDetection
primaryMetric	Primaire metrische gegevens om te optimaliseren voor deze taak.	'MeanAveragePrecision'
searchSpace	Zoek ruimte voor het nemen van steekproeven van verschillende combinaties van modellen en hun hyperparameters.	ImageModelDistributionSettingsObjectDetection[]
sweepSettings	Model opruimen en hyperparameter opruimen gerelateerde instellingen.	ImageSweepSettings

ImageModelSettingsObjectDetection

Naam	Description	Waarde
advancedSettings	Instellingen voor geavanceerde scenario's.	tekenreeks
amsGradient	Schakel AMSGrad in wanneer de optimizer 'adam' of 'adamw' is.	booleaans
vergrotingen	Instellingen voor het gebruik van vergrotingen.	tekenreeks
beta1	Waarde van 'beta1' wanneer optimizer 'adam' of 'adamw' is. Moet een vlotter zijn binnen het bereik [0, 1].	int
beta2	Waarde van 'beta2' wanneer optimizer 'adam' of 'adamw' is. Moet een vlotter zijn binnen het bereik [0, 1].	int
boxDetectionsPerImage	Maximum aantal detecties per afbeelding, voor alle klassen. Moet een positief geheel getal zijn. Opmerking: deze instellingen worden niet ondersteund voor het algoritme 'yolov5'.	int
boxScoreThreshold	Tijdens deductie alleen voorstellen retourneren met een classificatiescore die groter is dan BoxScoreThreshold. Moet een vlotter zijn binnen het bereik[0, 1].	int
checkpointDatasetId	FileDataset-id voor vooraf getrainde controlepunten voor incrementele training. Zorg ervoor dat u CheckpointFilename en CheckpointDatasetId doorgeeft.	tekenreeks
checkpointFilename	De vooraf getrainde bestandsnaam van het controlepunt in FileDataset voor incrementele training. Zorg ervoor dat u CheckpointDatasetId en CheckpointFilename doorgeeft.	tekenreeks
checkpointFrequency	Frequentie voor het opslaan van modelcontrolepunten. Moet een positief geheel getal zijn.	int
checkpointRunId	De id van een vorige uitvoering met een vooraf getraind controlepunt voor incrementele training.	tekenreeks
Gedistribueerd	Of u gedistribueerde training wilt gebruiken.	booleaans
earlyStopping	Schakel vroege stoplogica in tijdens de training.	booleaans
earlyStoppingDelay	Minimaal aantal tijdvakken of validatie-evaluaties dat moet worden gewacht voordat de primaire metrische gegevens worden verbeterd wordt bijgehouden voor vroegtijdig stoppen. Moet een positief geheel getal zijn.	int
earlyStoppingPatience	Minimaal aantal tijdperken of validatie-evaluaties zonder primaire metrische verbeteringen vóór de uitvoering is gestopt. Moet een positief geheel getal zijn.	int
enableOnnxNormalization	Normalisatie inschakelen bij het exporteren van een ONNX-model.	booleaans
evaluationFrequency	Frequentie voor het evalueren van de validatiegegevensset om metrische scores op te halen. Moet een positief geheel getal zijn.	int
gradientAccumulationStep	Accumulatie van kleurovergangen betekent het uitvoeren van een geconfigureerd aantal 'GradAccumulationStep'-stappen zonder het bijwerken van de modelgewichten tijdens het accumuleren van de kleurovergangen van deze stappen en vervolgens het gebruik van de verzamelde kleurovergangen om de gewichtsupdates te berekenen. Moet een positief geheel getal zijn.	int
imageSize	Afbeeldingsgrootte voor trainen en valideren. Moet een positief geheel getal zijn. Opmerking: de trainingsuitvoering kan in CUDA OOM komen als de grootte te groot is. Opmerking: deze instellingen worden alleen ondersteund voor het algoritme 'yolov5'.	int
layersToFreeze	Het aantal lagen dat moet worden geblokkeerd voor het model. Moet een positief geheel getal zijn. Het doorgeven van 2 als waarde voor 'seresnext' betekent bijvoorbeeld vrieslaag0 en laag1. Voor een volledige lijst met ondersteunde modellen en details over het blokkeren van lagen, raadpleegt u Zie: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.	int
learningRate	Initiële leersnelheid. Moet een vlotter zijn binnen het bereik [0, 1].	int
learningRateScheduler	Type leerfrequentieplanner. Moet 'warmup_cosine' of 'stap' zijn.	'Geen' 'Stap' 'WarmupCosine'
maxSize	Maximale grootte van de afbeelding die opnieuw moet worden geschaald voordat deze naar de backbone wordt verzonden. Moet een positief geheel getal zijn. Opmerking: de trainingsuitvoering kan in CUDA OOM komen als de grootte te groot is. Opmerking: deze instellingen worden niet ondersteund voor het algoritme 'yolov5'.	int
minSize	Minimale grootte van de afbeelding die opnieuw moet worden geschaald voordat deze aan de backbone wordt verzonden. Moet een positief geheel getal zijn. Opmerking: de trainingsuitvoering kan in CUDA OOM komen als de grootte te groot is. Opmerking: deze instellingen worden niet ondersteund voor het algoritme 'yolov5'.	int
modelName	Naam van het model dat moet worden gebruikt voor training. Voor meer informatie over de beschikbare modellen raadpleegt u de officiële documentatie: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.	tekenreeks
modelGrootte	Modelgrootte. Moet 'small', 'medium', 'large' of 'xlarge' zijn. Opmerking: de uitvoering van de training kan in CUDA OOM komen als de modelgrootte te groot is. Opmerking: deze instellingen worden alleen ondersteund voor het algoritme 'yolov5'.	'ExtraLarge' 'Groot' 'Gemiddeld' 'Geen' 'Klein'
Momentum	Waarde van momentum wanneer optimizer 'sgd' is. Moet een vlotter zijn binnen het bereik [0, 1].	int
multiscale	Schakel een afbeelding op meerdere schaal in door de grootte van de afbeelding te variëren met +/- 50%. Opmerking: de uitvoering van de training kan in CUDA OOM komen als er onvoldoende GPU-geheugen is. Opmerking: deze instellingen worden alleen ondersteund voor het algoritme 'yolov5'.	booleaans
Nesterov	Schakel nesterov in wanneer optimizer 'sgd' is.	booleaans
nmsIouThreshold	IOU-drempelwaarde die wordt gebruikt tijdens deductie in NMS-naverwerking. Moet een vlotter zijn binnen het bereik [0, 1].	int
numberOfEpochs	Aantal trainingstijdvakken. Moet een positief geheel getal zijn.	int
numberOfWorkers	Aantal werkrollen voor gegevenslaadprogramma's. Moet een niet-negatief geheel getal zijn.	int
Optimizer	Type optimizer.	'Adam' 'Adamw' 'Geen' 'Sgd'
randomSeed	Willekeurig zaad dat moet worden gebruikt bij het gebruik van deterministische training.	int
splitRatio	Als er geen validatiegegevens zijn gedefinieerd, geeft dit de splitsingsverhouding voor splitsen op gegevens trainen in subsets voor willekeurige training en validatie. Moet een vlotter zijn binnen het bereik [0, 1].	int
stepLRGamma	Waarde van gamma wanneer learning rate scheduler 'step' is. Moet een float in het bereik [0, 1] zijn.	int
stepLRStepSize	Waarde van stapgrootte wanneer learning rate scheduler 'step' is. Moet een positief geheel getal zijn.	int
tileGridSize	De rastergrootte die moet worden gebruikt voor het tegelen van elke afbeelding. Opmerking: TileGridSize mag niet Geen om logica voor kleine objectdetectie in te schakelen. Een tekenreeks met twee gehele getallen in mxn-indeling. Opmerking: deze instellingen worden niet ondersteund voor het algoritme 'yolov5'.	tekenreeks
tileOverlapRatio	Overlapverhouding tussen aangrenzende tegels in elke dimensie. Moet zwevend zijn in het bereik [0, 1). Opmerking: deze instellingen worden niet ondersteund voor het algoritme 'yolov5'.	int
tilePredictionsNmsThreshold	De IOU-drempelwaarde die moet worden gebruikt om NMS uit te voeren tijdens het samenvoegen van voorspellingen van tegels en afbeeldingen. Wordt gebruikt in validatie/deductie. Moet zwevend zijn in het bereik [0, 1]. Opmerking: deze instellingen worden niet ondersteund voor het algoritme 'yolov5'.	int
trainingBatchSize	Grootte van de trainingsbatch. Moet een positief geheel getal zijn.	int
validationBatchSize	Grootte van validatiebatch. Moet een positief geheel getal zijn.	int
validationIouThreshold	IOU-drempelwaarde die moet worden gebruikt bij het berekenen van de metrische validatiegegevens. Moet zwevend zijn in het bereik [0, 1].	int
validationMetricType	Metrische berekeningsmethode die moet worden gebruikt voor metrische validatiegegevens.	'Coco' 'CocoVoc' 'Geen' 'Voc'
warmupCosineLRCycles	De waarde van de cosinuscyclus wanneer de leerfrequentieplanner 'warmup_cosine' is. Moet een float in het bereik [0, 1] zijn.	int
warmupCosineLRWarmupEpochs	Waarde van opwarmtijdvakken wanneer learning rate scheduler 'warmup_cosine' is. Moet een positief geheel getal zijn.	int
weightDecay	Waarde van gewichtsverval wanneer optimizer 'sgd', 'adam' of 'adamw' is. Moet een vlotter in het bereik[0, 1] zijn.	int

ImageModelDistributionSettingsObjectDetection

Naam	Description	Waarde
amsGradient	Schakel AMSGrad in wanneer de optimizer 'adam' of 'adamw' is.	tekenreeks
vergrotingen	Instellingen voor het gebruik van augmentations.	tekenreeks
beta1	Waarde van 'beta1' wanneer optimizer 'adam' of 'adamw' is. Moet een float in het bereik [0, 1] zijn.	tekenreeks
beta2	Waarde van 'beta2' wanneer optimizer 'adam' of 'adamw' is. Moet een float in het bereik [0, 1] zijn.	tekenreeks
boxDetectionsPerImage	Maximum aantal detecties per afbeelding, voor alle klassen. Moet een positief geheel getal zijn. Opmerking: deze instellingen worden niet ondersteund voor het algoritme 'yolov5'.	tekenreeks
boxScoreThreshold	Tijdens deductie retourneert u alleen voorstellen met een classificatiescore die groter is dan BoxScoreThreshold. Moet een vlotter in het bereik[0, 1] zijn.	tekenreeks
Gedistribueerd	Of u distributietraining moet gebruiken.	tekenreeks
earlyStopping	Schakel vroege stoplogica in tijdens de training.	tekenreeks
earlyStoppingDelay	Minimaal aantal tijdvakken of validatie-evaluaties dat moet worden gewacht voordat de primaire metrische gegevens worden verbeterd wordt bijgehouden voor een vroege stop. Moet een positief geheel getal zijn.	tekenreeks
earlyStoppingPatience	Minimum aantal tijdvakken of validatie-evaluaties zonder primaire metrische verbetering vóór de uitvoering is gestopt. Moet een positief geheel getal zijn.	tekenreeks
enableOnnxNormalization	Normalisatie inschakelen bij het exporteren van het ONNX-model.	tekenreeks
evaluationFrequency	Frequentie voor het evalueren van de validatiegegevensset om metrische scores op te halen. Moet een positief geheel getal zijn.	tekenreeks
gradientAccumulationStep	Accumulatie van kleurovergangen betekent het uitvoeren van een geconfigureerd aantal stappen voor GradAccumulationStep zonder het bijwerken van de modelgewichten tijdens het accumuleren van de kleurovergangen van deze stappen en vervolgens het gebruik van de geaccumuleerde kleurovergangen om de gewichtsupdates te berekenen. Moet een positief geheel getal zijn.	tekenreeks
imageSize	Afbeeldingsgrootte voor trainen en valideren. Moet een positief geheel getal zijn. Opmerking: de trainingsuitvoering kan in CUDA OOM komen als de grootte te groot is. Opmerking: deze instellingen worden alleen ondersteund voor het algoritme 'yolov5'.	tekenreeks
layersToFreeze	Het aantal lagen dat voor het model moet worden geblokkeerd. Moet een positief geheel getal zijn. Bijvoorbeeld, het doorgeven van 2 als waarde voor 'seresnext' betekent vrieslaag0 en laag1. Voor een volledige lijst met ondersteunde modellen en details over het blokkeren van lagen, raadpleegt u Zie: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.	tekenreeks
learningRate	Initiële leersnelheid. Moet een float in het bereik [0, 1] zijn.	tekenreeks
learningRateScheduler	Type leerfrequentieplanner. Moet 'warmup_cosine' of 'stap' zijn.	tekenreeks
maxSize	Maximale grootte van de afbeelding die opnieuw moet worden geschaald voordat deze aan de backbone wordt verzonden. Moet een positief geheel getal zijn. Opmerking: trainingsuitvoering kan in CUDA OOM komen als de grootte te groot is. Opmerking: deze instellingen worden niet ondersteund voor het algoritme 'yolov5'.	tekenreeks
minSize	Minimale grootte van de afbeelding die opnieuw moet worden geschaald voordat deze aan de backbone wordt verzonden. Moet een positief geheel getal zijn. Opmerking: trainingsuitvoering kan in CUDA OOM komen als de grootte te groot is. Opmerking: deze instellingen worden niet ondersteund voor het algoritme 'yolov5'.	tekenreeks
modelName	Naam van het model dat moet worden gebruikt voor training. Raadpleeg de officiële documentatie voor meer informatie over de beschikbare modellen: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.	tekenreeks
modelSize	Modelgrootte. Moet 'small', 'medium', 'large' of 'xlarge' zijn. Opmerking: de uitvoering van de training kan in CUDA OOM komen als de modelgrootte te groot is. Opmerking: deze instellingen worden alleen ondersteund voor het algoritme 'yolov5'.	tekenreeks
Momentum	Waarde van momentum wanneer optimizer 'sgd' is. Moet een float in het bereik [0, 1] zijn.	tekenreeks
multiScale	Schakel afbeeldingen op meerdere schaal in door de grootte van de afbeelding te variëren met +/- 50%. Opmerking: de trainingsuitvoering kan in CUDA OOM komen als er onvoldoende GPU-geheugen is. Opmerking: deze instellingen worden alleen ondersteund voor het algoritme 'yolov5'.	tekenreeks
Nesterov	Schakel nesterov in wanneer het optimalisatieprogramma 'sgd' is.	tekenreeks
nmsIouThreshold	IOU-drempelwaarde die wordt gebruikt tijdens deductie in NMS na verwerking. Moet zwevend zijn in het bereik [0, 1].	tekenreeks
numberOfEpochs	Aantal trainingstijdvakken. Moet een positief geheel getal zijn.	tekenreeks
numberOfWorkers	Aantal werkrollen voor gegevenslaadprogramma's. Moet een niet-negatief geheel getal zijn.	tekenreeks
Optimizer	Type optimalisatieprogramma. Moet 'sgd', 'adam' of 'adamw' zijn.	tekenreeks
randomSeed	Willekeurig zaad dat moet worden gebruikt bij het gebruik van deterministische training.	tekenreeks
splitRatio	Als er geen validatiegegevens zijn gedefinieerd, wordt hiermee de splitsverhouding voor splitsen opgegeven gegevens trainen in subsets voor willekeurige training en validatie. Moet een float in het bereik [0, 1] zijn.	tekenreeks
stepLRGamma	Waarde van gamma wanneer learning rate scheduler 'step' is. Moet een float in het bereik [0, 1] zijn.	tekenreeks
stepLRStepSize	Waarde van stapgrootte wanneer learning rate scheduler 'step' is. Moet een positief geheel getal zijn.	tekenreeks
tileGridSize	De rastergrootte die moet worden gebruikt voor het tegelen van elke afbeelding. Opmerking: TileGridSize mag niet Geen om logica voor de detectie van kleine objecten in te schakelen. Een tekenreeks met twee gehele getallen in mxn-indeling. Opmerking: deze instellingen worden niet ondersteund voor het algoritme 'yolov5'.	tekenreeks
tileOverlapRatio	Overlapverhouding tussen aangrenzende tegels in elke dimensie. Moet zwevend zijn in het bereik [0, 1). Opmerking: deze instellingen worden niet ondersteund voor het algoritme 'yolov5'.	tekenreeks
tilePredictionsNmsThreshold	De IOU-drempelwaarde die moet worden gebruikt om NMS uit te voeren tijdens het samenvoegen van voorspellingen van tegels en afbeeldingen. Gebruikt in validatie/deductie. Moet zwevend zijn in het bereik [0, 1]. Opmerking: deze instellingen worden niet ondersteund voor het algoritme 'yolov5'. NMS: Niet-maximale onderdrukking	tekenreeks
trainingBatchSize	Grootte van trainingsbatch. Moet een positief geheel getal zijn.	tekenreeks
validationBatchSize	Grootte van validatiebatch. Moet een positief geheel getal zijn.	tekenreeks
validationIouThreshold	IOU-drempelwaarde die moet worden gebruikt bij het berekenen van de metrische validatiegegevens. Moet zwevend zijn in het bereik [0, 1].	tekenreeks
validationMetricType	Berekeningsmethode voor metrische gegevens die moeten worden gebruikt voor validatie van metrische gegevens. Moet 'none', 'coco', 'voc' of 'coco_voc' zijn.	tekenreeks
warmupCosineLRCycles	Waarde van de cosinuscyclus wanneer de leerfrequentieplanner 'warmup_cosine' is. Moet een vlotter zijn binnen het bereik [0, 1].	tekenreeks
warmupCosineLRWarmupEpochs	Waarde van opwarmtijdvakken wanneer leerfrequentieplanner 'warmup_cosine' is. Moet een positief geheel getal zijn.	tekenreeks
weightDecay	Waarde van gewichtsverval wanneer optimizer 'sgd', 'adam' of 'adamw' is. Moet een vlotter zijn binnen het bereik[0, 1].	tekenreeks

ImageObjectDetection

Naam	Description	Waarde
taskType	[Vereist] Taaktype voor AutoMLJob.	'ImageObjectDetection' (vereist)
dataSettings	[Vereist] Verzameling van geregistreerde tabelgegevensset-id's en andere gegevensinstellingen die vereist zijn voor het trainen en valideren van modellen.	ImageVerticalDataSettings (vereist)
limitSettings	[Vereist] Limietinstellingen voor de AutoML-taak.	ImageLimitSettings (vereist)
modelInstellingen	Instellingen die worden gebruikt voor het trainen van het model.	ImageModelSettingsObjectDetection
primaryMetric	Primaire metrische gegevens om te optimaliseren voor deze taak.	'MeanAveragePrecision'
searchSpace	Zoek ruimte voor het nemen van steekproeven van verschillende combinaties van modellen en hun hyperparameters.	ImageModelDistributionSettingsObjectDetection[]
sweepSettings	Model opruimen en hyperparameter opruimen gerelateerde instellingen.	ImageSweepSettings

Regressie

Naam	Description	Waarde
taskType	[Vereist] Taaktype voor AutoMLJob.	'Regressie' (vereist)
allowedModels	Toegestane modellen voor regressietaak.	Tekenreeksmatrix met een van de volgende waarden: 'DecisionTree' 'ElasticNet' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'RandomForest' 'SGD' 'XGBoostRegressor'
blockedModels	Geblokkeerde modellen voor regressietaak.	Tekenreeksmatrix met een van de volgende waarden: 'DecisionTree' 'ElasticNet' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'RandomForest' 'SGD' 'XGBoostRegressor'
dataSettings	Gegevensinvoer voor AutoMLJob.	TableVerticalDataSettings
featurizationSettings	Featurization-invoer die nodig is voor de AutoML-taak.	TableVerticalFeaturizationSettings
limitSettings	Uitvoeringsbeperkingen voor AutoMLJob.	TableVerticalLimitSettings
primaryMetric	Primaire metrische gegevens voor regressietaak.	'NormalizedMeanAbsoluteError' 'NormalizedRootMeanSquaredError' 'R2Score' SpearmanCorrelation
trainingInstellingen	Invoer voor de trainingsfase voor een AutoML-taak.	TrainingSettings

TextClassification

Naam	Description	Waarde
taskType	[Vereist] Taaktype voor AutoMLJob.	'TextClassification' (vereist)
dataSettings	Gegevensinvoer voor AutoMLJob.	NlpVerticalDataSettings
featurizationSettings	Featurization-invoer die nodig is voor de AutoML-taak.	NlpVerticalFeaturizationSettings
limitSettings	Uitvoeringsbeperkingen voor AutoMLJob.	NlpVerticalLimitSettings
primaryMetric	Primaire metrische gegevens voor Text-Classification taak.	'AUCWeighted' 'Nauwkeurigheid' 'AveragePrecisionScoreWeighted' 'NormMacroRecall' 'PrecisionScoreWeighted'

NlpVerticalDataSettings

Naam	Description	Waarde
targetColumnName	[Vereist] Naam van doelkolom: dit is de kolom met voorspellingswaarden. Ook wel labelkolomnaam genoemd in de context van classificatietaken.	tekenreeks (vereist) Beperkingen: Patroon = [a-zA-Z0-9_]
Testdata	Gegevensinvoer testen.	TestDataSettings
trainingData	[Vereist] Invoer van trainingsgegevens.	TrainingDataSettings (vereist)
validationData	Invoer van validatiegegevens.	NlpVerticalValidationDataSettings

NlpVerticalValidationDataSettings

Naam	Description	Waarde
gegevens	Validatiegegevens MLTable.	MLTableJobInput
validationDataSize	Het deel van de trainingsgegevensset dat moet worden gereserveerd voor validatiedoeleinden. Waarden tussen (0,0 , 1,0) Toegepast wanneer de validatiegegevensset niet is opgegeven.	int

NlpVerticalFeaturizationSettings

Naam	Description	Waarde
datasetLanguage	Gegevenssettaal, handig voor de tekstgegevens.	tekenreeks

NlpVerticalLimitSettings

Naam	Description	Waarde
maxConcurrentTrials	Maximum aantal gelijktijdige AutoML-iteraties.	int
maxTrials	Aantal AutoML-iteraties.	int
timeout	Time-out van AutoML-taak.	tekenreeks

TextClassificationMultilabel

Naam	Description	Waarde
taskType	[Vereist] Taaktype voor AutoMLJob.	'TextClassificationMultilabel' (vereist)
dataSettings	Gegevensinvoer voor AutoMLJob.	NlpVerticalDataSettings
featurizationSettings	Featurization-invoer die nodig is voor de AutoML-taak.	NlpVerticalFeaturizationSettings
limitSettings	Uitvoeringsbeperkingen voor AutoMLJob.	NlpVerticalLimitSettings

TextNer

Naam	Description	Waarde
taskType	[Vereist] Taaktype voor AutoMLJob.	'TextNER' (vereist)
dataSettings	Gegevensinvoer voor AutoMLJob.	NlpVerticalDataSettings
featurizationSettings	Featurization-invoer die nodig is voor de AutoML-taak.	NlpVerticalFeaturizationSettings
limitSettings	Uitvoeringsbeperkingen voor AutoMLJob.	NlpVerticalLimitSettings

CommandJob

Naam	Description	Waarde
jobType	[Vereist] Hiermee geeft u het type taak op.	Opdracht (vereist)
codeId	ARM-resource-id van de code-asset.	tekenreeks
command	[Vereist] De opdracht die moet worden uitgevoerd bij het opstarten van de taak. bijvoorbeeld "python train.py"	tekenreeks (vereist) Beperkingen: Minimale lengte = 1 Patroon = [a-zA-Z0-9_]
Distributie	Distributieconfiguratie van de taak. Indien ingesteld, moet dit een van Mpi, Tensorflow, PyTorch of null zijn.	DistributionConfiguration
environmentId	[Vereist] De ARM-resource-id van de omgevingsspecificatie voor de taak.	tekenreeks (vereist) Beperkingen: Patroon = [a-zA-Z0-9_]
environmentVariables	Omgevingsvariabelen die zijn opgenomen in de taak.	CommandJobEnvironmentVariables
Ingangen	Toewijzing van invoergegevensbindingen die in de taak worden gebruikt.	CommandJobInputs
Grenzen	Opdrachttaaklimiet.	CommandJobLimits
Uitgangen	Toewijzing van uitvoergegevensbindingen die in de taak worden gebruikt.	CommandJobOutputs
resources	Rekenresourceconfiguratie voor de taak.	ResourceConfiguration

DistributionConfiguration

Naam	Description	Waarde
distributionType	Het objecttype instellen	Mpi PyTorch TensorFlow (vereist)

Mpi

Naam	Description	Waarde
distributionType	[Vereist] Hiermee geeft u het type distributieframework op.	Mpi (vereist)
processCountPerInstance	Aantal processen per MPI-knooppunt.	int

PyTorch

Naam	Description	Waarde
distributionType	[Vereist] Hiermee geeft u het type distributieframework op.	'PyTorch' (vereist)
processCountPerInstance	Aantal processen per knooppunt.	int

TensorFlow

Naam	Description	Waarde
distributionType	[Vereist] Hiermee geeft u het type distributieframework op.	'TensorFlow' (vereist)
parameterServerCount	Aantal parameterservertaken.	int
workerCount	Aantal werkrollen. Als dit niet is opgegeven, wordt standaard het aantal exemplaren gebruikt.	int

CommandJobEnvironmentVariables

Naam	Description	Waarde
{aangepaste eigenschap}		tekenreeks

CommandJobInputs

Naam	Description	Waarde
{aangepaste eigenschap}		JobInput

JobInput

Naam	Description	Waarde
beschrijving	Beschrijving voor de invoer.	tekenreeks
jobInputType	Het objecttype instellen	CustomModel Letterlijke MLFlowModel MLTable TritonModel UriFile URIFolder (vereist)

CustomModelJobInput

Naam	Description	Waarde
jobInputType	[Vereist] Hiermee geeft u het type taak op.	'CustomModel' (vereist)
mode	Leveringsmodus voor invoerasset.	'Direct' 'Downloaden' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
Uri	[Vereist] URI van invoerasset.	tekenreeks (vereist) Beperkingen: Patroon = [a-zA-Z0-9_]

LiteralJobInput

Naam	Description	Waarde
jobInputType	[Vereist] Hiermee geeft u het type taak op.	'Letterlijk' (vereist)
waarde	[Vereist] Letterlijke waarde voor de invoer.	tekenreeks (vereist) Beperkingen: Patroon = [a-zA-Z0-9_]

MLFlowModelJobInput

Naam	Description	Waarde
jobInputType	[Vereist] Hiermee geeft u het type taak op.	MLFlowModel (vereist)
mode	Leveringsmodus voor invoerasset.	'Direct' 'Downloaden' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
Uri	[Vereist] URI van invoerasset.	tekenreeks (vereist) Beperkingen: Patroon = [a-zA-Z0-9_]

TritonModelJobInput

Naam	Description	Waarde
jobInputType	[Vereist] Hiermee geeft u het type taak op.	'TritonModel' (vereist)
mode	Leveringsmodus voor invoerasset.	'Direct' 'Downloaden' 'EvalDownloaden' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
Uri	[Vereist] URI voor invoerasset.	tekenreeks (vereist) Beperkingen: Patroon = [a-zA-Z0-9_]

UriFileJobInput

Naam	Description	Waarde
jobInputType	[Vereist] Hiermee geeft u het type taak op.	'UriFile' (vereist)
mode	Leveringsmodus voor invoerasset.	'Direct' 'Downloaden' 'EvalDownloaden' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
Uri	[Vereist] URI voor invoerasset.	tekenreeks (vereist) Beperkingen: Patroon = [a-zA-Z0-9_]

UriFolderJobInput

Naam	Description	Waarde
jobInputType	[Vereist] Hiermee geeft u het type taak op.	'UriFolder' (vereist)
mode	Leveringsmodus voor invoerasset.	'Direct' 'Downloaden' 'EvalDownloaden' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
Uri	[Vereist] URI voor invoerasset.	tekenreeks (vereist) Beperkingen: Patroon = [a-zA-Z0-9_]

CommandJobLimits

Naam	Description	Waarde
jobLimitsType	[Vereist] Type JobLimit.	'Opdracht' 'Opruimen' (vereist)
timeout	De maximale uitvoeringsduur in ISO 8601-indeling, waarna de taak wordt geannuleerd. Alleen ondersteuning voor duur met precisie zo laag als seconden.	tekenreeks

CommandJobOutputs

Naam	Description	Waarde
{aangepaste eigenschap}		JobOutput

Pijplijntaak

Naam	Description	Waarde
jobType	[Vereist] Hiermee geeft u het type taak op.	'Pijplijn' (vereist)
Ingangen	Invoer voor de pijplijntaak.	PipelineJobInputs
Banen	Taken maken de pijplijntaak.	PipelineJobJobs
Uitgangen	Uitvoer voor de pijplijntaak	PipelineJobOutputs
instellingen	Pijplijninstellingen, voor zaken als ContinueRunOnStepFailure, enzovoort.

PipelineJobInputs

Naam	Description	Waarde
{aangepaste eigenschap}		JobInput

PipelineJobJobs

Naam	Description	Waarde
{aangepaste eigenschap}

PipelineJobOutputs

Naam	Description	Waarde
{aangepaste eigenschap}		JobOutput

SweepJob

Naam	Description	Waarde
jobType	[Vereist] Hiermee geeft u het type taak op.	'Opruimen' (vereist)
earlyTermination	Beleidsregels voor vroegtijdige beëindiging maken het annuleren van slecht presterende uitvoeringen mogelijk voordat ze zijn voltooid	EarlyTerminationPolicy
Ingangen	Toewijzing van invoergegevensbindingen die in de taak worden gebruikt.	SweepJobInputs
Grenzen	Taaklimiet opruimen.	SweepJobLimits
Doelstelling	[Vereist] Optimalisatiedoelstelling.	Doelstelling (vereist)
Uitgangen	Toewijzing van uitvoergegevensbindingen die in de taak worden gebruikt.	SweepJobOutputs
samplingAlgorithm	[Vereist] Het algoritme voor hyperparametersampling	SamplingAlgorithm (vereist)
searchSpace	[Vereist] Een woordenlijst met elke parameter en de bijbehorende distributie. De woordenlijstsleutel is de naam van de parameter
trial	[Vereist] Definitie van evaluatieonderdeel.	TrialComponent (vereist)

SweepJobInputs

Naam	Description	Waarde
{aangepaste eigenschap}		JobInput

SweepJobLimits

Naam	Description	Waarde
jobLimitsType	[Vereist] Type JobLimit.	'Opdracht' 'Opruimen' (vereist)
maxConcurrentTrials	Sweep Job max gelijktijdige proefversies.	int
maxTotalTrials	Sweep Job max totaal aantal proefversies.	int
timeout	De maximale uitvoeringsduur in ISO 8601-indeling, waarna de taak wordt geannuleerd. Alleen ondersteuning voor duur met precisie zo laag als seconden.	tekenreeks
trialTimeout	Time-outwaarde voor de proefversie van de taak opruimen.	tekenreeks

Doelstelling

Naam	Description	Waarde
doel	[Vereist] Definieert ondersteunde metrische doelen voor het afstemmen van hyperparameters	'Maximaliseren' 'Minimaliseren' (vereist)
primaryMetric	[Vereist] Naam van de te optimaliseren metrische waarde.	tekenreeks (vereist) Beperkingen: Patroon = [a-zA-Z0-9_]

SweepJobOutputs

Naam	Description	Waarde
{aangepaste eigenschap}		JobOutput

SamplingAlgorithm

Naam	Description	Waarde
samplingAlgorithmType	Het objecttype instellen	Bayesian Raster Willekeurig (vereist)

BayesianSamplingAlgorithm

Naam	Description	Waarde
samplingAlgorithmType	[Vereist] Het algoritme dat wordt gebruikt voor het genereren van hyperparameterwaarden, samen met configuratie-eigenschappen	'Bayesisch' (vereist)

GridSamplingAlgorithm

Naam	Description	Waarde
samplingAlgorithmType	[Vereist] Het algoritme dat wordt gebruikt voor het genereren van hyperparameterwaarden, samen met configuratie-eigenschappen	'Raster' (vereist)

RandomSamplingAlgorithm

Naam	Description	Waarde
samplingAlgorithmType	[Vereist] Het algoritme dat wordt gebruikt voor het genereren van hyperparameterwaarden, samen met configuratie-eigenschappen	'Willekeurig' (vereist)
Regel	Het specifieke type willekeurige algoritme	'Willekeurig' 'Sobol'
seed	Een optioneel geheel getal dat moet worden gebruikt als seed voor het genereren van willekeurige getallen	int

TrialComponent

Naam	Description	Waarde
codeId	ARM-resource-id van de code-asset.	tekenreeks
command	[Vereist] De opdracht die moet worden uitgevoerd bij het opstarten van de taak. bijvoorbeeld "python train.py"	tekenreeks (vereist) Beperkingen: Minimale lengte = 1 Patroon = [a-zA-Z0-9_]
Distributie	Distributieconfiguratie van de taak. Indien ingesteld, moet dit een van Mpi, Tensorflow, PyTorch of null zijn.	DistributionConfiguration
environmentId	[Vereist] De ARM-resource-id van de omgevingsspecificatie voor de taak.	tekenreeks (vereist) Beperkingen: Patroon = [a-zA-Z0-9_]
environmentVariables	Omgevingsvariabelen die zijn opgenomen in de taak.	TrialComponentEnvironmentVariables
resources	Rekenresourceconfiguratie voor de taak.	ResourceConfiguration

TrialComponentEnvironmentVariables

Naam	Description	Waarde
{aangepaste eigenschap}		tekenreeks

Snelstartsjablonen

Met de volgende snelstartsjablonen wordt dit resourcetype geïmplementeerd.

Template	Beschrijving
Een Azure Machine Learning AutoML-classificatietaak maken	Met deze sjabloon maakt u een Azure Machine Learning AutoML-classificatietaak om het beste model te vinden om te voorspellen of een klant zich zal abonneren op een termijndeposito bij een financiële instelling.
Een Azure Machine Learning-opdrachttaak maken	Met deze sjabloon maakt u een Azure Machine Learning-opdrachttaak met een eenvoudig hello_world-script
Een Azure Machine Learning Sweep-taak maken	Met deze sjabloon maakt u een Azure Machine Learning Sweep-taak voor het afstemmen van hyperparameters.

Terraform-resourcedefinitie (AzAPI-provider)

Het resourcetype werkruimten/taken kan worden geïmplementeerd met bewerkingen die zijn gericht op:

• Resourcegroepen

Zie wijzigingenlogboek voor een lijst met gewijzigde eigenschappen in elke API-versie.

Resource-indeling

Als u een Resource Microsoft.MachineLearningServices/workspaces/jobs wilt maken, voegt u de volgende Terraform toe aan uw sjabloon.

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"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
      }
      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 = {
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
      }
      jobType = "string"
      // For remaining properties, see JobBaseDetails objects
    }
  })
}

JobBaseDetails-objecten

Stel de eigenschap jobType in om het type object op te geven.

Gebruik voor AutoML:

  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
  }

Gebruik voor Opdracht:

  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 = {}
  }

Gebruik voor Pijplijn:

  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
    }
  }

Gebruik voor Opruimen:

  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 = {}
    }
  }

IdentityConfiguration-objecten

Stel de eigenschap identityType in om het type object op te geven.

Gebruik voor AMLToken:

  identityType = "AMLToken"

Gebruik voor Beheerd:

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

Gebruik voor UserIdentity:

  identityType = "UserIdentity"

ScheduleBase-objecten

Stel de eigenschap scheduleType in om het type object op te geven.

Gebruik voor Cron:

  scheduleType = "Cron"
  expression = "string"

Gebruik voor Terugkeerpatroon:

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

JobOutput-objecten

Stel de eigenschap jobOutputType in om het type object op te geven.

Gebruik voor CustomModel:

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

Gebruik voor MLFlowModel:

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

Gebruik voor MLTable:

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

Voor TritonModel gebruikt u:

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

Gebruik voor UriFile:

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

Gebruik voor UriFolder:

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

AutoMLVertical-objecten

Stel de eigenschap taskType in om het type object op te geven.

Gebruik voor Classificatie:

  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"
    }
  }

Gebruik voor prognoses:

  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"
    }
  }

Gebruik voor ImageClassification:

  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"
  }

Gebruik voor ImageClassificationMultilabel:

  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"
  }

Gebruik voor ImageInstanceSegmentation:

  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"
  }

Gebruik voor ImageObjectDetection:

  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"
  }

Gebruik voor regressie:

  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"
    }
  }

Gebruik voor TextClassification:

  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"

Gebruik voor TextClassificationMultilabel:

  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"
  }

Gebruik voor TextNER:

  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"
  }

NCrossValidations-objecten

Stel de eigenschap mode in om het type object op te geven.

Gebruik voor Automatisch:

  mode = "Auto"

Gebruik voor Aangepast:

  mode = "Custom"
  value = int

ForecastHorizon-objecten

Stel de eigenschap mode in om het type object op te geven.

Gebruik voor Automatisch:

  mode = "Auto"

Gebruik voor Aangepast:

  mode = "Custom"
  value = int

Seizoensgebondenheidsobjecten

Stel de eigenschap mode in om het type object op te geven.

Gebruik voor Automatisch:

  mode = "Auto"

Gebruik voor Aangepast:

  mode = "Custom"
  value = int

TargetLags-objecten

Stel de eigenschap mode in om het type object op te geven.

Gebruik voor Automatisch:

  mode = "Auto"

Gebruik voor Aangepast:

  mode = "Custom"
  values = [
    int
  ]

TargetRollingWindowSize-objecten

Stel de eigenschap mode in om het type object op te geven.

Gebruik voor Automatisch:

  mode = "Auto"

Gebruik voor Aangepast:

  mode = "Custom"
  value = int

EarlyTerminationPolicy-objecten

Stel de eigenschap policyType in om het type object op te geven.

Gebruik voor Bandit:

  policyType = "Bandit"
  slackAmount = int
  slackFactor = int

Gebruik voor MedianStopping:

  policyType = "MedianStopping"

Gebruik voor TruncationSelection:

  policyType = "TruncationSelection"
  truncationPercentage = int

DistributionConfiguration-objecten

Stel de eigenschap distributionType in om het type object op te geven.

Gebruik voor Mpi:

  distributionType = "Mpi"
  processCountPerInstance = int

Gebruik voor PyTorch:

  distributionType = "PyTorch"
  processCountPerInstance = int

Gebruik voor TensorFlow:

  distributionType = "TensorFlow"
  parameterServerCount = int
  workerCount = int

JobInput-objecten

Stel de eigenschap jobInputType in om het type object op te geven.

Gebruik voor CustomModel:

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

Voor Letterlijk gebruikt u:

  jobInputType = "Literal"
  value = "string"

Gebruik voor MLFlowModel:

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

Gebruik voor MLTable:

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

Voor TritonModel gebruikt u:

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

Gebruik voor UriFile:

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

Gebruik voor UriFolder:

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

SamplingAlgorithm-objecten

Stel de eigenschap samplingAlgorithmType in om het type object op te geven.

Gebruik voor Bayesian:

  samplingAlgorithmType = "Bayesian"

Gebruik voor Grid:

  samplingAlgorithmType = "Grid"

Gebruik voor Willekeurig:

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

Eigenschapswaarden

werkruimten/taken

Naam	Description	Waarde
type	Het resourcetype	"Microsoft.MachineLearningServices/workspaces/jobs@2022-02-01-preview"
naam	De resourcenaam	tekenreeks (vereist)
parent_id	De id van de resource die het bovenliggende item voor deze resource is.	Id voor resource van type: werkruimten
properties	[Vereist] Aanvullende kenmerken van de entiteit.	JobBaseDetails (vereist)

JobBaseDetails

Naam	Description	Waarde
computeId	ARM-resource-id van de rekenresource.	tekenreeks
beschrijving	De beschrijvingstekst van de asset.	tekenreeks
displayName	Weergavenaam van taak.	tekenreeks
experimentName	De naam van het experiment waartoe de taak behoort. Als deze niet is ingesteld, wordt de taak in het experiment 'Standaard' geplaatst.	tekenreeks
identity	Identiteitsconfiguratie. Indien ingesteld, moet dit een van AmlToken, ManagedIdentity, UserIdentity of null zijn. De standaardinstelling is AmlToken indien null.	IdentityConfiguration
isArchived	Is de asset gearchiveerd?	booleaans
properties	De woordenlijst met eigenschappen van activa.	ResourceBaseProperties
schedule	Planningsdefinitie van taak. Als er geen planning is opgegeven, wordt de taak eenmaal uitgevoerd en onmiddellijk na het verzenden.	ScheduleBase
services	Lijst met JobEndpoints. Voor lokale taken heeft een taakeindpunt de eindpuntwaarde FileStreamObject.	JobBaseServices
tags	Tagwoordenlijst. Tags kunnen worden toegevoegd, verwijderd en bijgewerkt.	object
jobType	Het objecttype instellen	AutoML Opdracht Pijplijn Opruimen (vereist)

IdentityConfiguration

Naam	Description	Waarde
identityType	Het objecttype instellen	AMLToken Beheerd UserIdentity (vereist)

AmlToken

Naam	Description	Waarde
identityType	[Vereist] Hiermee geeft u het type identiteitsframework op.	'AMLToken' (vereist)

ManagedIdentity

Naam	Description	Waarde
identityType	[Vereist] Hiermee geeft u het type identiteitsframework op.	'Beheerd' (vereist)
clientId	Hiermee geeft u een door de gebruiker toegewezen identiteit op client-id. Stel dit veld niet in voor door het systeem toegewezen.	tekenreeks Beperkingen: Minimale lengte = 36 Maximale lengte = 36 Patroon = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
objectId	Hiermee geeft u een door de gebruiker toegewezen identiteit op object-id. Stel dit veld niet in voor door het systeem toegewezen.	tekenreeks Beperkingen: Minimale lengte = 36 Maximale lengte = 36 Patroon = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
resourceId	Hiermee geeft u een door de gebruiker toegewezen identiteit op basis van ARM-resource-id. Stel dit veld niet in voor door het systeem toegewezen.	tekenreeks

UserIdentity

Naam	Description	Waarde
identityType	[Vereist] Hiermee geeft u het type identiteitsframework op.	"UserIdentity" (vereist)

ResourceBaseProperties

Naam	Description	Waarde
{aangepaste eigenschap}		tekenreeks
{aangepaste eigenschap}		tekenreeks
{aangepaste eigenschap}		tekenreeks
{aangepaste eigenschap}		tekenreeks
{aangepaste eigenschap}		tekenreeks
{aangepaste eigenschap}		tekenreeks
{aangepaste eigenschap}		tekenreeks
{aangepaste eigenschap}		tekenreeks
{aangepaste eigenschap}		tekenreeks
{aangepaste eigenschap}		tekenreeks
{aangepaste eigenschap}		tekenreeks
{aangepaste eigenschap}		tekenreeks

ScheduleBase

Naam	Description	Waarde
endTime	Hiermee geeft u de eindtijd van de planning in ISO 8601-indeling op. Als deze niet aanwezig is, wordt de planning voor onbepaalde tijd uitgevoerd	tekenreeks
scheduleStatus	Hiermee geeft u de status van de planning op	"Uitgeschakeld" "Ingeschakeld"
startTime	Hiermee geeft u de begintijd van de planning in ISO 8601-indeling op.	tekenreeks
timeZone	Hiermee geeft u de tijdzone op waarin de planning wordt uitgevoerd. Tijdzone moet de indeling van de Windows-tijdzone volgen.	tekenreeks
scheduleType	Het objecttype instellen	Cron Terugkeerpatroon (vereist)

CronSchedule

Naam	Description	Waarde
scheduleType	[Vereist] Hiermee geeft u het schematype op	"Cron" (vereist)
expressie	[Vereist] Hiermee geeft u cron-expressie van planning. De expressie moet de NCronTab-indeling volgen.	tekenreeks (vereist) Beperkingen: Patroon = [a-zA-Z0-9_]

RecurrenceSchedule

Naam	Description	Waarde
scheduleType	[Vereist] Hiermee geeft u het schematype op	Terugkeerpatroon (vereist)
frequency	[Vereist] Hiermee geeft u de frequentie op waarmee schema wordt geactiveerd	"Dag" "Uur" "Minuut" "Maand" "Week" (vereist)
interval	[Vereist] Hiermee geeft u het schema-interval op in combinatie met de frequentie	int (vereist)
Patroon	Hiermee geeft u het schemapatroon voor terugkeerpatroon op	Recurrencepattern

Recurrencepattern

Naam	Description	Waarde
uur	[Vereist] Lijst met uren voor schemapatroon voor terugkeerpatroon	int[] (vereist)
minutes	[Vereist] Lijst met minuten voor schemapatroon voor terugkeerpatroon	int[] (vereist)
Weekdagen	Lijst met weekdagen voor schemapatroon voor terugkeerpatroon	Tekenreeksmatrix met een van de volgende: "Vrijdag" "Maandag" "Zaterdag" "Zondag" "Donderdag" "Dinsdag" "Woensdag"

JobBaseServices

Naam	Description	Waarde
{aangepaste eigenschap}		JobService

JobService

Naam	Description	Waarde
endpoint	URL voor eindpunt.	tekenreeks
jobServiceType	Eindpunttype.	tekenreeks
poort	Poort voor eindpunt.	int
properties	Aanvullende eigenschappen die moeten worden ingesteld op het eindpunt.	JobServiceProperties

JobServiceProperties

Naam	Description	Waarde
{aangepaste eigenschap}		tekenreeks

AutoMLJob

Naam	Description	Waarde
jobType	[Vereist] Hiermee geeft u het type taak op.	'AutoML' (vereist)
environmentId	De ARM-resource-id van de omgevingsspecificatie voor de taak. Dit is een optionele waarde die moet worden opgegeven. Als deze niet wordt opgegeven, wordt deze standaard ingesteld op de gecureerde productieomgevingsversie van AutoML bij het uitvoeren van de taak.	tekenreeks
environmentVariables	Omgevingsvariabelen die zijn opgenomen in de taak.	AutoMLJobEnvironmentVariables
Uitgangen	Toewijzing van uitvoergegevensbindingen die in de taak worden gebruikt.	AutoMLJobOutputs
resources	Rekenresourceconfiguratie voor de taak.	ResourceConfiguration
taskDetails	[Vereist] Dit vertegenwoordigt een scenario dat een van tabellen/NLP/afbeelding kan zijn	AutoMLVertical (vereist)

AutoMLJobEnvironmentVariables

Naam	Description	Waarde
{aangepaste eigenschap}		tekenreeks

AutoMLJobOutputs

Naam	Description	Waarde
{aangepaste eigenschap}		JobOutput

JobOutput

Naam	Description	Waarde
beschrijving	Beschrijving voor de uitvoer.	tekenreeks
jobOutputType	Het objecttype instellen	CustomModel MLFlowModel MLTable TritonModel UriFile UriFolder (vereist)

CustomModelJobOutput

Naam	Description	Waarde
jobOutputType	[Vereist] Hiermee geeft u het type taak op.	"CustomModel" (vereist)
mode	Leveringsmodus van uitvoerasset.	"ReadWriteMount" "Uploaden"
Uri	Uitvoerasset-URI.	tekenreeks

MLFlowModelJobOutput

Naam	Description	Waarde
jobOutputType	[Vereist] Hiermee geeft u het type taak op.	MLFlowModel (vereist)
mode	Leveringsmodus van uitvoerasset.	"ReadWriteMount" "Uploaden"
Uri	Uitvoerasset-URI.	tekenreeks

MLTableJobOutput

Naam	Description	Waarde
jobOutputType	[Vereist] Hiermee geeft u het type taak op.	'MLTable' (vereist)
mode	Leveringsmodus van uitvoerasset.	"ReadWriteMount" "Uploaden"
Uri	Uitvoerasset-URI.	tekenreeks

TritonModelJobOutput

Naam	Description	Waarde
jobOutputType	[Vereist] Hiermee geeft u het type taak op.	"TritonModel" (vereist)
mode	Leveringsmodus van uitvoerasset.	"ReadWriteMount" "Uploaden"
Uri	Uitvoerasset-URI.	tekenreeks

UriFileJobOutput

Naam	Description	Waarde
jobOutputType	[Vereist] Hiermee geeft u het type taak op.	"UriFile" (vereist)
mode	Leveringsmodus van uitvoerasset.	"ReadWriteMount" "Uploaden"
Uri	Uitvoerasset-URI.	tekenreeks

UriFolderJobOutput

Naam	Description	Waarde
jobOutputType	[Vereist] Hiermee geeft u het type taak op.	"UriFolder" (vereist)
mode	Leveringsmodus van uitvoerasset.	"ReadWriteMount" "Uploaden"
Uri	Uitvoerasset-URI.	tekenreeks

ResourceConfiguration

Naam	Description	Waarde
instanceCount	Optioneel aantal exemplaren of knooppunten dat door het rekendoel wordt gebruikt.	int
instanceType	Optioneel type VM dat wordt gebruikt als ondersteund door het rekendoel.	tekenreeks
properties	Extra eigenschappenverzameling.	ResourceConfigurationProperties

ResourceConfigurationProperties

Naam	Description	Waarde
{aangepaste eigenschap}

AutoMLVertical

Naam	Description	Waarde
logVerbosity	Uitgebreidheid voor de taak vastleggen.	"Kritiek" "Fouten opsporen" "Fout" "Info" "NotSet" "Waarschuwing"
taskType	Het objecttype instellen	Classificatie Prognose ImageClassification ImageClassificationMultilabel ImageInstanceSegmentation ImageObjectDetection Regressie TextClassification TextClassificationMultilabel TextNER (vereist)

Classificatie

Naam	Description	Waarde
taskType	[Vereist] Taaktype voor AutoMLJob.	"Classificatie" (vereist)
allowedModels	Toegestane modellen voor classificatietaak.	Tekenreeksmatrix met een van de volgende: "BernoulliNaiveBayes" "Beslissingsstructuur" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LightGBM" "LinearSVM" "LogisticRegression" "MultinomialNaiveBayes" "RandomForest" "SGD" "SVM" "XGBoostClassifier"
blockedModels	Geblokkeerde modellen voor classificatietaak.	Tekenreeksmatrix met een van de volgende waarden: "BernoulliNaiveBayes" "DecisionTree" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LightGBM" "LinearSVM" "LogisticRegression" "MultinomialNaiveBayes" "RandomForest" "SGD" "SVM" "XGBoostClassifier"
dataSettings	Gegevensinvoer voor AutoMLJob.	TableVerticalDataSettings
featurizationSettings	Featurization-invoer die nodig is voor de AutoML-taak.	TableVerticalFeaturizationSettings
limitSettings	Uitvoeringsbeperkingen voor AutoMLJob.	TableVerticalLimitSettings
primaryMetric	Primaire metrische gegevens voor de taak.	"AUCWeighted" "Nauwkeurigheid" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted"
trainingInstellingen	Invoer voor de trainingsfase voor een AutoML-taak.	TrainingSettings

TableVerticalDataSettings

Naam	Description	Waarde
targetColumnName	[Vereist] Naam van doelkolom: dit is de kolom met voorspellingswaarden. Ook wel labelkolomnaam genoemd in de context van classificatietaken.	tekenreeks (vereist) Beperkingen: Patroon = [a-zA-Z0-9_]
Testdata	Gegevensinvoer testen.	TestDataSettings
trainingData	[Vereist] Invoer van trainingsgegevens.	TrainingDataSettings (vereist)
validationData	Invoer van validatiegegevens.	TableVerticalValidationDataSettings
weightColumnName	De naam van de kolom met het gewicht van het voorbeeld. Geautomatiseerde ML ondersteunt een gewogen kolom als invoer, waardoor rijen in de gegevens omhoog of omlaag worden gewogen.	tekenreeks

TestDataSettings

Naam	Description	Waarde
gegevens	Testgegevens MLTable.	MLTableJobInput
testDataSize	Het deel van de testgegevensset dat moet worden gereserveerd voor validatiedoeleinden. Waarden tussen (0,0 , 1,0) Toegepast wanneer de validatiegegevensset niet is opgegeven.	int

MLTableJobInput

Naam	Description	Waarde
beschrijving	Beschrijving voor de invoer.	tekenreeks
jobInputType	[Vereist] Hiermee geeft u het type taak op.	"CustomModel" "Letterlijk" "MLFlowModel" "MLTable" "TritonModel" "UriFile" "UriFolder" (vereist)
mode	Leveringsmodus voor invoerasset.	"Direct" "Downloaden" "EvalDownloaden" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
Uri	[Vereist] URI van invoerasset.	tekenreeks (vereist) Beperkingen: Patroon = [a-zA-Z0-9_]

TrainingDataSettings

Naam	Description	Waarde
gegevens	[Vereist] Trainingsgegevens MLTable.	MLTableJobInput (vereist)

TableVerticalValidationDataSettings

Naam	Description	Waarde
cvSplitColumnNames	Kolommen die moeten worden gebruikt voor CVSplit-gegevens.	tekenreeks[]
gegevens	Validatiegegevens MLTable.	MLTableJobInput
nCrossValidations	Aantal kruisvalidatievouws dat moet worden toegepast op de trainingsgegevensset wanneer de validatiegegevensset niet is opgegeven.	NCrossValidations
validationDataSize	Het deel van de trainingsgegevensset dat moet worden gereserveerd voor validatiedoeleinden. Waarden tussen (0,0 , 1,0) Toegepast wanneer de validatiegegevensset niet is opgegeven.	int

NCrossValidations

Naam	Description	Waarde
mode	Het objecttype instellen	Automatisch Aangepast (vereist)

AutoNCrossValidations

Naam	Description	Waarde
mode	[Vereist] Modus voor het bepalen van N-Cross-validaties.	'Auto' (vereist)

CustomNCrossValidations

Naam	Description	Waarde
mode	[Vereist] Modus voor het bepalen van N-Cross-validaties.	'Aangepast' (vereist)
waarde	[Vereist] Waarde voor N-Kruisvalidaties.	int (vereist)

TableVerticalFeaturizationSettings

Naam	Description	Waarde
blockedTransformers	Deze transformatoren mogen niet worden gebruikt in featurization.	tekenreeks[]
columnNameAndTypes	Woordenlijst van de kolomnaam en het bijbehorende type (int, float, tekenreeks, datum/tijd, enzovoort).	TableVerticalFeaturizationSettingsColumnNameAndTypes
datasetLanguage	Gegevenssettaal, handig voor de tekstgegevens.	tekenreeks
dropColumns	Kolommen die tijdens de featurization uit gegevens moeten worden verwijderd.	tekenreeks[]
enableDnnFeaturization	Bepaalt of op Dnn gebaseerde featurizers moeten worden gebruikt voor gegevens featurization.	booleaans
mode	Featurization-modus: de gebruiker kan de standaardmodus 'Auto' behouden en AutoML zorgt voor de benodigde transformatie van de gegevens in de featurization-fase. Als 'Uit' is geselecteerd, wordt er geen featurization uitgevoerd. Als 'Aangepast' is geselecteerd, kan de gebruiker extra invoer opgeven om aan te passen hoe featurization wordt uitgevoerd.	"Auto" "Aangepast" "Uit"
transformerParams	De gebruiker kan extra transformatoren opgeven die moeten worden gebruikt, samen met de kolommen waarop deze worden toegepast en parameters voor de constructor van de transformator.	TableVerticalFeaturizationSettingsTransformerParams

TableVerticalFeaturizationSettingsColumnNameAndTypes

Naam	Description	Waarde
{aangepaste eigenschap}		tekenreeks

TableVerticalFeaturizationSettingsTransformerParams

Naam	Description	Waarde
{aangepaste eigenschap}		ColumnTransformer[]

ColumnTransformer

Naam	Description	Waarde
fields	Velden waarop transformatielogica moet worden toegepast.	tekenreeks[]
parameters	Verschillende eigenschappen die moeten worden doorgegeven aan de transformator. Invoer wordt verwacht is woordenlijst van sleutel-,waardeparen in JSON-indeling.

TableVerticalLimitSettings

Naam	Description	Waarde
enableEarlyTermination	Vroegtijdige beëindiging inschakelen, bepaalt of AutoMLJob vroegtijdig wordt beëindigd als er geen scoreverbetering is in de laatste 20 iteraties.	booleaans
exitScore	Afsluitscore voor de AutoML-taak.	int
maxConcurrentTrials	Maximum aantal gelijktijdige iteraties.	int
maxCoresPerTrial	Maximum aantal kernen per iteratie.	int
maxTrials	Aantal iteraties.	int
timeout	Time-out van AutoML-taak.	tekenreeks
trialTimeout	Time-out voor iteratie.	tekenreeks

TrainingSettings

Naam	Description	Waarde
enableDnnTraining	Schakel de aanbeveling van DNN-modellen in.	booleaans
enableModelExplainability	Vlag om uitleg in te schakelen voor het beste model.	booleaans
enableOnnxCompatibleModels	Vlag voor het inschakelen van onnx-compatibele modellen.	booleaans
enableStackEnsemble	Stack Ensemble run inschakelen.	booleaans
enableVoteEnsemble	Stemensemblerun inschakelen.	booleaans
ensembleModelDownloadTimeout	Tijdens het genereren van votingEnsemble- en StackEnsemble-modellen worden meerdere aangepaste modellen uit de vorige onderliggende uitvoeringen gedownload. Configureer deze parameter met een hogere waarde dan 300 seconden, als er meer tijd nodig is.	tekenreeks
stackEnsembleSettings	Stack-ensembleinstellingen voor stack-ensembleuitvoering.	StackEnsembleSettings

StackEnsembleSettings

Naam	Description	Waarde
stackMetaLearnerKWargs	Optionele parameters die moeten worden doorgegeven aan de initialisatiefunctie van de meta-learner.
stackMetaLearnerTrainPercentage	Hiermee geeft u het aandeel van de trainingsset (bij het kiezen van het type training en validatie) dat moet worden gereserveerd voor het trainen van de meta-cursist. De standaardwaarde is 0,2.	int
stackMetaLearnerType	De meta-learner is een model dat is getraind op de uitvoer van de afzonderlijke heterogene modellen.	"ElasticNet" "ElasticNetCV" "LightGBMClassifier" "LightGBMRegressor" "LinearRegression" "LogisticRegression" "LogisticRegressionCV" "Geen"

Prognose

Naam	Description	Waarde
taskType	[Vereist] Taaktype voor AutoMLJob.	'Prognoses' (vereist)
allowedModels	Toegestane modellen voor prognosetaak.	Tekenreeksmatrix met een van de volgende waarden: "Arimax" "AutoArima" "Gemiddeld" "DecisionTree" "ElasticNet" "Exponentiële verzachting" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "Naïef" "Profeet" "RandomForest" "SGD" "SeasonalAverage" "SeasonalNaive" "TCNForecaster" "XGBoostRegressor"
blockedModels	Geblokkeerde modellen voor het voorspellen van taken.	Tekenreeksmatrix met een van de volgende: "Arimax" "AutoArima" "Gemiddeld" "Beslissingsstructuur" "ElasticNet" "Exponentiële verzacht" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "Naïef" "Profeet" "RandomForest" "SGD" "SeasonalAverage" "SeasonalNaive" "TCNForecaster" "XGBoostRegressor"
dataSettings	Gegevensinvoer voor AutoMLJob.	TableVerticalDataSettings
featurizationSettings	Featurization-invoer die nodig is voor de AutoML-taak.	TableVerticalFeaturizationSettings
forecastingSettings	Taakspecifieke invoer voorspellen.	PrognoseInstellingen
limitSettings	Uitvoeringsbeperkingen voor AutoMLJob.	TableVerticalLimitSettings
primaryMetric	Primaire metrische waarde voor prognosetaak.	"NormalizedMeanAbsoluteError" "NormalizedRootMeanSquaredError" "R2Score" "SpearmanCorrelation"
trainingSettings	Invoer voor de trainingsfase voor een AutoML-taak.	TrainingSettings

PrognoseInstellingen

Naam	Description	Waarde
countryOrRegionForHolidays	Land of regio voor feestdagen voor het voorspellen van taken. Deze moeten ISO 3166 tweeletterige land-/regiocodes zijn, bijvoorbeeld 'VS' of 'GB'.	tekenreeks
cvStepSize	Aantal perioden tussen de oorsprongstijd van de ene CV-vouw en de volgende vouw. Voor CVStepSize als = 3 voor dagelijkse gegevens, is de oorsprongstijd voor elke vouw drie dagen uit elkaar.	int
featureLags	Vlag voor het genereren van vertragingen voor de numerieke functies met 'auto' of null.	"Auto" "Geen"
forecastHorizon	De gewenste maximale voorspellingshorizon in eenheden van tijdreeksfrequentie.	ForecastHorizon
frequency	Bij het maken van prognoses geeft deze parameter de periode aan waarmee de prognose wordt gewenst, bijvoorbeeld dagelijks, wekelijks, jaarlijks, enzovoort. De prognosefrequentie is standaard de frequentie van de gegevensset.	tekenreeks
Seizoensgebonden	Stel de seizoensgebondenheid van tijdreeksen in als een veelvoud van een geheel getal van de reeksfrequentie. Als seizoensgebondenheid is ingesteld op 'automatisch', wordt dit afgeleid.	Seizoensgebonden
shortSeriesHandlingConfig	De parameter die definieert hoe autoML korte tijdreeksen moet verwerken.	"Auto" "Neerzetten" "Geen" "Pad"
targetAggregateFunction	De functie die moet worden gebruikt om de tijdreeksdoelkolom te aggregeren om te voldoen aan een door de gebruiker opgegeven frequentie. Als de TargetAggregateFunction is ingesteld, dus niet 'Geen', maar de freq-parameter niet is ingesteld, wordt de fout gegenereerd. De mogelijke doelaggregatiefuncties zijn: 'som', 'max', 'min' en 'gemiddelde'.	"Max" "Gemiddelde" "Min" "Geen" "Som"
targetLags	Het aantal eerdere perioden voor vertraging van de doelkolom.	TargetLags
targetRollingWindowSize	Het aantal eerdere perioden dat is gebruikt voor het maken van een voortschrijdend venster gemiddelde van de doelkolom.	TargetRollingWindowSize
timeColumnName	De naam van de tijdkolom. Deze parameter is vereist bij het voorspellen van de datum/tijd-kolom in de invoergegevens die worden gebruikt voor het samenstellen van de tijdreeks en het afleiden van de frequentie.	tekenreeks
timeSeriesIdColumnNames	De namen van kolommen die worden gebruikt om een tijdreeks te groepeert. Het kan worden gebruikt om meerdere reeksen te maken. Als korrel niet is gedefinieerd, wordt ervan uitgegaan dat de gegevensset één tijdreeks is. Deze parameter wordt gebruikt voor taaktypeprognoses.	tekenreeks[]
useStl	Configureer STL-ontleding van de doelkolom van de tijdreeks.	"Geen" "Seizoen" "SeasonTrend"

ForecastHorizon

Naam	Description	Waarde
mode	Het objecttype instellen	Automatisch Aangepast (vereist)

AutoForecastHorizon

Naam	Description	Waarde
mode	[Vereist] Instellen van waardeselectiemodus voor voorspellingshorizon.	'Auto' (vereist)

CustomForecastHorizon

Naam	Description	Waarde
mode	[Vereist] Instellen van waardeselectiemodus voor voorspellingshorizon.	'Aangepast' (vereist)
waarde	[Vereist] De waarde van de horizon voorspellen.	int (vereist)

Seizoensgebonden

Naam	Description	Waarde
mode	Het objecttype instellen	Automatisch Aangepast (vereist)

AutoSeasonaliteit

Naam	Description	Waarde
mode	[Vereist] Seizoensgebondenheidsmodus.	'Auto' (vereist)

CustomSeasonality

Naam	Description	Waarde
mode	[Vereist] Seizoensgebondenheidsmodus.	'Aangepast' (vereist)
waarde	[Vereist] Seizoensgebondenheidswaarde.	int (vereist)

TargetLags

Naam	Description	Waarde
mode	Het objecttype instellen	Automatisch Aangepast (vereist)

AutoTargetLags

Naam	Description	Waarde
mode	[Vereist] Doelvertragingsmodus instellen - Automatisch/Aangepast	'Auto' (vereist)

CustomTargetLags

Naam	Description	Waarde
mode	[Vereist] Doelvertragingsmodus instellen - Automatisch/Aangepast	'Aangepast' (vereist)
values	[Vereist] Stel waarden voor doelvertragingen in.	int[] (vereist)

TargetRollingWindowSize

Naam	Description	Waarde
mode	Het objecttype instellen	Automatisch Aangepast (vereist)

AutoTargetRollingWindowSize

Naam	Description	Waarde
mode	[Vereist] TargetRollingWindowSiz-detectiemodus.	'Auto' (vereist)

CustomTargetRollingWindowSize

Naam	Description	Waarde
mode	[Vereist] TargetRollingWindowSiz-detectiemodus.	'Aangepast' (vereist)
waarde	[Vereist] TargetRollingWindowSize-waarde.	int (vereist)

ImageClassification

Naam	Description	Waarde
taskType	[Vereist] Taaktype voor AutoMLJob.	"ImageClassification" (vereist)
dataSettings	[Vereist] Verzameling van geregistreerde tabelgegevensset-id's en andere gegevensinstellingen die vereist zijn voor het trainen en valideren van modellen.	ImageVerticalDataSettings (vereist)
limitSettings	[Vereist] Limietinstellingen voor de AutoML-taak.	ImageLimitSettings (vereist)
modelInstellingen	Instellingen die worden gebruikt voor het trainen van het model.	ImageModelSettingsClassification
primaryMetric	Primaire metrische gegevens om te optimaliseren voor deze taak.	"AUCWeighted" "Nauwkeurigheid" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted"
searchSpace	Zoek ruimte voor het nemen van steekproeven van verschillende combinaties van modellen en hun hyperparameters.	ImageModelDistributionSettingsClassification[]
sweepSettings	Model opruimen en hyperparameter opruimen gerelateerde instellingen.	ImageSweepSettings

ImageVerticalDataSettings

Naam	Description	Waarde
targetColumnName	[Vereist] Naam van doelkolom: dit is de kolom met voorspellingswaarden. Ook wel labelkolomnaam genoemd in de context van classificatietaken.	tekenreeks (vereist) Beperkingen: Patroon = [a-zA-Z0-9_]
Testdata	Gegevensinvoer testen.	TestDataSettings
trainingData	[Vereist] Invoer van trainingsgegevens.	TrainingDataSettings (vereist)
validationData	Instellingen voor de validatiegegevensset.	ImageVerticalValidationDataSettings

ImageVerticalValidationDataSettings

Naam	Description	Waarde
gegevens	Validatiegegevens MLTable.	MLTableJobInput
validationDataSize	Het deel van de trainingsgegevensset dat moet worden gereserveerd voor validatiedoeleinden. Waarden tussen (0,0 , 1,0) Toegepast wanneer de validatiegegevensset niet is opgegeven.	int

ImageLimitSettings

Naam	Description	Waarde
maxConcurrentTrials	Maximum aantal gelijktijdige AutoML-iteraties.	int
maxTrials	Maximum aantal AutoML-iteraties.	int
timeout	Time-out van AutoML-taak.	tekenreeks

ImageModelSettingsClassification

Naam	Description	Waarde
advancedSettings	Instellingen voor geavanceerde scenario's.	tekenreeks
amsGradient	Schakel AMSGrad in wanneer de optimizer 'adam' of 'adamw' is.	booleaans
vergrotingen	Instellingen voor het gebruik van vergrotingen.	tekenreeks
beta1	Waarde van 'beta1' wanneer optimizer 'adam' of 'adamw' is. Moet een vlotter zijn binnen het bereik [0, 1].	int
beta2	Waarde van 'beta2' wanneer optimizer 'adam' of 'adamw' is. Moet een vlotter zijn binnen het bereik [0, 1].	int
checkpointDatasetId	FileDataset-id voor vooraf getrainde controlepunten voor incrementele training. Zorg ervoor dat u CheckpointFilename en CheckpointDatasetId doorgeeft.	tekenreeks
checkpointFilename	De vooraf getrainde bestandsnaam van het controlepunt in FileDataset voor incrementele training. Zorg ervoor dat u CheckpointDatasetId en CheckpointFilename doorgeeft.	tekenreeks
checkpointFrequency	Frequentie voor het opslaan van modelcontrolepunten. Moet een positief geheel getal zijn.	int
checkpointRunId	De id van een vorige uitvoering met een vooraf getraind controlepunt voor incrementele training.	tekenreeks
Gedistribueerd	Of u gedistribueerde training wilt gebruiken.	booleaans
earlyStopping	Schakel vroege stoplogica in tijdens de training.	booleaans
earlyStoppingDelay	Minimaal aantal tijdvakken of validatie-evaluaties dat moet worden gewacht voordat de primaire metrische gegevens worden verbeterd wordt bijgehouden voor vroegtijdig stoppen. Moet een positief geheel getal zijn.	int
earlyStoppingPatience	Minimaal aantal tijdperken of validatie-evaluaties zonder primaire metrische verbeteringen vóór de uitvoering is gestopt. Moet een positief geheel getal zijn.	int
enableOnnxNormalization	Normalisatie inschakelen bij het exporteren van een ONNX-model.	booleaans
evaluationFrequency	Frequentie voor het evalueren van de validatiegegevensset om metrische scores op te halen. Moet een positief geheel getal zijn.	int
gradientAccumulationStep	Accumulatie van kleurovergangen betekent het uitvoeren van een geconfigureerd aantal 'GradAccumulationStep'-stappen zonder het bijwerken van de modelgewichten tijdens het accumuleren van de kleurovergangen van deze stappen en vervolgens het gebruik van de verzamelde kleurovergangen om de gewichtsupdates te berekenen. Moet een positief geheel getal zijn.	int
layersToFreeze	Het aantal lagen dat moet worden geblokkeerd voor het model. Moet een positief geheel getal zijn. Het doorgeven van 2 als waarde voor 'seresnext' betekent bijvoorbeeld vrieslaag0 en laag1. Voor een volledige lijst met ondersteunde modellen en details over het blokkeren van lagen, raadpleegt u Zie: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.	int
learningRate	Initiële leersnelheid. Moet een vlotter zijn binnen het bereik [0, 1].	int
learningRateScheduler	Type leerfrequentieplanner. Moet 'warmup_cosine' of 'stap' zijn.	"Geen" "Stap" "WarmupCosine"
modelName	Naam van het model dat moet worden gebruikt voor training. Voor meer informatie over de beschikbare modellen raadpleegt u de officiële documentatie: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.	tekenreeks
Momentum	Waarde van momentum wanneer optimizer 'sgd' is. Moet een vlotter zijn binnen het bereik [0, 1].	int
Nesterov	Schakel nesterov in wanneer optimizer 'sgd' is.	booleaans
numberOfEpochs	Aantal trainingstijdvakken. Moet een positief geheel getal zijn.	int
numberOfWorkers	Aantal werkrollen voor gegevenslaadprogramma's. Moet een niet-negatief geheel getal zijn.	int
Optimizer	Type optimizer.	"Adam" "Adamw" "Geen" "Sgd"
randomSeed	Willekeurig zaad dat moet worden gebruikt bij het gebruik van deterministische training.	int
splitRatio	Als er geen validatiegegevens zijn gedefinieerd, geeft dit de splitsingsverhouding voor splitsen op gegevens trainen in subsets voor willekeurige training en validatie. Moet een vlotter zijn binnen het bereik [0, 1].	int
stepLRGamma	Waarde van gamma wanneer learning rate scheduler 'step' is. Moet een vlotter zijn binnen het bereik [0, 1].	int
stepLRStepSize	Waarde van stapgrootte wanneer learning rate scheduler 'step' is. Moet een positief geheel getal zijn.	int
trainingBatchSize	Grootte van de trainingsbatch. Moet een positief geheel getal zijn.	int
trainingCropSize	Bijsnijdgrootte van afbeelding die wordt ingevoerd in het neurale netwerk voor de trainingsgegevensset. Moet een positief geheel getal zijn.	int
validationBatchSize	Grootte van validatiebatch. Moet een positief geheel getal zijn.	int
validationCropSize	Bijsnijdgrootte van afbeelding die wordt ingevoerd voor het neurale netwerk voor de validatiegegevensset. Moet een positief geheel getal zijn.	int
validationResizeSize	Grootte van afbeelding waarmee u het formaat moet wijzigen voordat u de validatiegegevensset bijsnijd. Moet een positief geheel getal zijn.	int
warmupCosineLRCycles	De waarde van de cosinuscyclus wanneer de leerfrequentieplanner 'warmup_cosine' is. Moet een float in het bereik [0, 1] zijn.	int
warmupCosineLRWarmupEpochs	Waarde van opwarmtijdvakken wanneer learning rate scheduler 'warmup_cosine' is. Moet een positief geheel getal zijn.	int
weightDecay	Waarde van gewichtsverval wanneer optimizer 'sgd', 'adam' of 'adamw' is. Moet een vlotter in het bereik[0, 1] zijn.	int
weightedLoss	Gewogen verlies. De geaccepteerde waarden zijn 0 voor geen gewogen verlies. 1 voor gewogen verlies met sqrt. (class_weights). 2 voor gewogen verlies met class_weights. Moet 0, 1 of 2 zijn.	int

ImageModelDistributionSettingsClassification

Naam	Description	Waarde
amsGradient	Schakel AMSGrad in wanneer de optimizer 'adam' of 'adamw' is.	tekenreeks
vergrotingen	Instellingen voor het gebruik van augmentations.	tekenreeks
beta1	Waarde van 'beta1' wanneer optimizer 'adam' of 'adamw' is. Moet een float in het bereik [0, 1] zijn.	tekenreeks
beta2	Waarde van 'beta2' wanneer optimizer 'adam' of 'adamw' is. Moet een float in het bereik [0, 1] zijn.	tekenreeks
Gedistribueerd	Of u distributietraining moet gebruiken.	tekenreeks
earlyStopping	Schakel vroege stoplogica in tijdens de training.	tekenreeks
earlyStoppingDelay	Minimaal aantal tijdvakken of validatie-evaluaties dat moet worden gewacht voordat de primaire metrische gegevens worden verbeterd wordt bijgehouden voor een vroege stop. Moet een positief geheel getal zijn.	tekenreeks
earlyStoppingPatience	Minimum aantal tijdvakken of validatie-evaluaties zonder primaire metrische verbetering vóór de uitvoering is gestopt. Moet een positief geheel getal zijn.	tekenreeks
enableOnnxNormalization	Normalisatie inschakelen bij het exporteren van het ONNX-model.	tekenreeks
evaluationFrequency	Frequentie voor het evalueren van de validatiegegevensset om metrische scores op te halen. Moet een positief geheel getal zijn.	tekenreeks
gradientAccumulationStep	Accumulatie van kleurovergangen betekent het uitvoeren van een geconfigureerd aantal stappen voor GradAccumulationStep zonder het bijwerken van de modelgewichten tijdens het accumuleren van de kleurovergangen van deze stappen en vervolgens het gebruik van de geaccumuleerde kleurovergangen om de gewichtsupdates te berekenen. Moet een positief geheel getal zijn.	tekenreeks
layersToFreeze	Het aantal lagen dat voor het model moet worden geblokkeerd. Moet een positief geheel getal zijn. Bijvoorbeeld, het doorgeven van 2 als waarde voor 'seresnext' betekent vrieslaag0 en laag1. Voor een volledige lijst met ondersteunde modellen en details over het blokkeren van lagen, raadpleegt u Zie: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.	tekenreeks
learningRate	Initiële leersnelheid. Moet een vlotter zijn binnen het bereik [0, 1].	tekenreeks
learningRateScheduler	Type leerfrequentieplanner. Moet 'warmup_cosine' of 'stap' zijn.	tekenreeks
modelName	Naam van het model dat moet worden gebruikt voor training. Voor meer informatie over de beschikbare modellen raadpleegt u de officiële documentatie: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.	tekenreeks
Momentum	Waarde van momentum wanneer optimizer 'sgd' is. Moet een vlotter zijn binnen het bereik [0, 1].	tekenreeks
Nesterov	Schakel nesterov in wanneer optimizer 'sgd' is.	tekenreeks
numberOfEpochs	Aantal trainingstijdvakken. Moet een positief geheel getal zijn.	tekenreeks
numberOfWorkers	Aantal werkrollen voor gegevenslaadprogramma's. Moet een niet-negatief geheel getal zijn.	tekenreeks
Optimizer	Type optimizer. Moet 'sgd', 'adam' of 'adamw' zijn.	tekenreeks
randomSeed	Willekeurig zaad dat moet worden gebruikt bij het gebruik van deterministische training.	tekenreeks
splitRatio	Als er geen validatiegegevens zijn gedefinieerd, geeft dit de splitsingsverhouding voor splitsen op gegevens trainen in subsets voor willekeurige training en validatie. Moet een vlotter zijn binnen het bereik [0, 1].	tekenreeks
stepLRGamma	Waarde van gamma wanneer learning rate scheduler 'step' is. Moet een vlotter zijn binnen het bereik [0, 1].	tekenreeks
stepLRStepSize	Waarde van stapgrootte wanneer leerfrequentieplanner 'stap' is. Moet een positief geheel getal zijn.	tekenreeks
trainingBatchSize	Grootte van trainingsbatch. Moet een positief geheel getal zijn.	tekenreeks
trainingCropSize	Bijsnijdgrootte van afbeelding die wordt ingevoerd voor het neurale netwerk voor de trainingsgegevensset. Moet een positief geheel getal zijn.	tekenreeks
validationBatchSize	Grootte van validatiebatch. Moet een positief geheel getal zijn.	tekenreeks
validationCropSize	Bijsnijdgrootte van afbeelding die wordt ingevoerd voor het neurale netwerk voor de validatiegegevensset. Moet een positief geheel getal zijn.	tekenreeks
validationResizeSize	Afbeeldingsgrootte waartoe het formaat moet worden gewijzigd voordat u de gegevensset bijsnijd. Moet een positief geheel getal zijn.	tekenreeks
warmupCosineLRCycles	Waarde van de cosinuscyclus wanneer de leerfrequentieplanner 'warmup_cosine' is. Moet een vlotter zijn binnen het bereik [0, 1].	tekenreeks
warmupCosineLRWarmupEpochs	Waarde van opwarmtijdvakken wanneer leerfrequentieplanner 'warmup_cosine' is. Moet een positief geheel getal zijn.	tekenreeks
weightDecay	Waarde van gewichtsverval wanneer optimizer 'sgd', 'adam' of 'adamw' is. Moet een vlotter zijn binnen het bereik[0, 1].	tekenreeks
weightedLoss	Gewogen verlies. De geaccepteerde waarden zijn 0 voor geen gewogen verlies. 1 voor gewogen verlies met sqrt. (class_weights). 2 voor gewogen verlies met class_weights. Moet 0 of 1 of 2 zijn.	tekenreeks

ImageSweepSettings

Naam	Description	Waarde
earlyTermination	Type beleid voor vroegtijdige beëindiging.	EarlyTerminationPolicy
Grenzen	[Vereist] Limietinstellingen voor model opruimen en hyperparameter opruimen.	ImageSweepLimitSettings (vereist)
samplingAlgorithm	[Vereist] Type van de algoritmen voor het nemen van hyperparameters.	"Bayesian" "Raster" 'Willekeurig' (vereist)

EarlyTerminationPolicy

Naam	Description	Waarde
delayEvalue	Het aantal intervallen waarmee de eerste evaluatie moet worden vertraagd.	int
evaluationInterval	Interval (aantal uitvoeringen) tussen beleidsevaluaties.	int
policyType	Het objecttype instellen	Bandit MedianStopping AfkappingSelection (vereist)

BanditPolicy

Naam	Description	Waarde
policyType	[Vereist] Naam van beleidsconfiguratie	"Bandit" (vereist)
slackAmount	Absolute afstand toegestaan vanaf de best presterende run.	int
slackFactor	Verhouding van de toegestane afstand tot de best presterende run.	int

MedianStoppingPolicy

Naam	Description	Waarde
policyType	[Vereist] Naam van beleidsconfiguratie	'MedianStopping' (vereist)

TruncationSelectionPolicy

Naam	Description	Waarde
policyType	[Vereist] Naam van beleidsconfiguratie	"TruncationSelection" (vereist)
afkappingSpercentage	Het percentage uitvoeringen dat moet worden geannuleerd bij elk evaluatie-interval.	int

ImageSweepLimitSettings

Naam	Description	Waarde
maxConcurrentTrials	Maximum aantal gelijktijdige iteraties voor de onderliggende sweep-taak.	int
maxTrials	Maximum aantal iteraties voor de onderliggende Sweep-taak.	int

ImageClassificationMultilabel

Naam	Description	Waarde
taskType	[Vereist] Taaktype voor AutoMLJob.	"ImageClassificationMultilabel" (vereist)
dataSettings	[Vereist] Verzameling van geregistreerde tabelgegevensset-id's en andere gegevensinstellingen die vereist zijn voor het trainen en valideren van modellen.	ImageVerticalDataSettings (vereist)
limitSettings	[Vereist] Limietinstellingen voor de AutoML-taak.	ImageLimitSettings (vereist)
modelInstellingen	Instellingen die worden gebruikt voor het trainen van het model.	ImageModelSettingsClassification
primaryMetric	Primaire metrische gegevens om te optimaliseren voor deze taak.	"AUCWeighted" "Nauwkeurigheid" "AveragePrecisionScoreWeighted" "IOU" "NormMacroRecall" "PrecisionScoreWeighted"
searchSpace	Zoek ruimte voor het nemen van steekproeven van verschillende combinaties van modellen en hun hyperparameters.	ImageModelDistributionSettingsClassification[]
sweepSettings	Model opruimen en hyperparameter opruimen gerelateerde instellingen.	ImageSweepSettings

ImageInstanceSegmentation

Naam	Description	Waarde
taskType	[Vereist] Taaktype voor AutoMLJob.	"ImageInstanceSegmentation" (vereist)
dataSettings	[Vereist] Verzameling van geregistreerde tabelgegevensset-id's en andere gegevensinstellingen die vereist zijn voor het trainen en valideren van modellen.	ImageVerticalDataSettings (vereist)
limitSettings	[Vereist] Limietinstellingen voor de AutoML-taak.	ImageLimitSettings (vereist)
modelInstellingen	Instellingen die worden gebruikt voor het trainen van het model.	ImageModelSettingsObjectDetection
primaryMetric	Primaire metrische gegevens om te optimaliseren voor deze taak.	"MeanAveragePrecision"
searchSpace	Zoek ruimte voor het nemen van steekproeven van verschillende combinaties van modellen en hun hyperparameters.	ImageModelDistributionSettingsObjectDetection[]
sweepSettings	Gerelateerde instellingen voor modelveeg- en hyperparameter-sweeping.	ImageSweepSettings

ImageModelSettingsObjectDetection

Naam	Description	Waarde
advancedSettings	Instellingen voor geavanceerde scenario's.	tekenreeks
amsGradient	Schakel AMSGrad in wanneer de optimizer 'adam' of 'adamw' is.	booleaans
vergrotingen	Instellingen voor het gebruik van augmentations.	tekenreeks
beta1	Waarde van 'beta1' wanneer optimizer 'adam' of 'adamw' is. Moet een float in het bereik [0, 1] zijn.	int
beta2	Waarde van 'beta2' wanneer optimizer 'adam' of 'adamw' is. Moet een float in het bereik [0, 1] zijn.	int
boxDetectionsPerImage	Maximum aantal detecties per afbeelding, voor alle klassen. Moet een positief geheel getal zijn. Opmerking: deze instellingen worden niet ondersteund voor het algoritme 'yolov5'.	int
boxScoreThreshold	Tijdens deductie retourneert u alleen voorstellen met een classificatiescore die groter is dan BoxScoreThreshold. Moet een vlotter in het bereik[0, 1] zijn.	int
checkpointDatasetId	FileDataset-id voor vooraf getrainde controlepunten voor incrementele training. Zorg ervoor dat u CheckpointFilename en CheckpointDatasetId doorgeeft.	tekenreeks
controlepuntBestandsnaam	De vooraf getrainde bestandsnaam van het controlepunt in FileDataset voor incrementele training. Zorg ervoor dat u CheckpointDatasetId samen met CheckpointFilename doorgeeft.	tekenreeks
checkpointFrequentie	Frequentie voor het opslaan van modelcontrolepunten. Moet een positief geheel getal zijn.	int
checkpointRunId	De id van een vorige uitvoering met een vooraf getraind controlepunt voor incrementele training.	tekenreeks
Gedistribueerd	Of gedistribueerde training moet worden gebruikt.	booleaans
earlyStopping	Schakel vroege stoplogica in tijdens de training.	booleaans
earlyStoppingDelay	Minimaal aantal tijdvakken of validatie-evaluaties dat moet worden gewacht voordat de primaire metrische gegevens worden verbeterd wordt bijgehouden voor een vroege stop. Moet een positief geheel getal zijn.	int
earlyStoppingPatience	Minimum aantal tijdvakken of validatie-evaluaties zonder primaire metrische verbetering vóór de uitvoering is gestopt. Moet een positief geheel getal zijn.	int
enableOnnxNormalization	Normalisatie inschakelen bij het exporteren van het ONNX-model.	booleaans
evaluationFrequency	Frequentie voor het evalueren van de validatiegegevensset om metrische scores op te halen. Moet een positief geheel getal zijn.	int
gradientAccumulationStep	Accumulatie van kleurovergangen betekent het uitvoeren van een geconfigureerd aantal stappen voor GradAccumulationStep zonder het bijwerken van de modelgewichten tijdens het accumuleren van de kleurovergangen van deze stappen en vervolgens het gebruik van de geaccumuleerde kleurovergangen om de gewichtsupdates te berekenen. Moet een positief geheel getal zijn.	int
imageSize	Afbeeldingsgrootte voor trainen en valideren. Moet een positief geheel getal zijn. Opmerking: de trainingsuitvoering kan in CUDA OOM komen als de grootte te groot is. Opmerking: deze instellingen worden alleen ondersteund voor het algoritme 'yolov5'.	int
layersToFreeze	Het aantal lagen dat voor het model moet worden geblokkeerd. Moet een positief geheel getal zijn. Bijvoorbeeld, het doorgeven van 2 als waarde voor 'seresnext' betekent vrieslaag0 en laag1. Voor een volledige lijst met ondersteunde modellen en details over het blokkeren van lagen, raadpleegt u Zie: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.	int
learningRate	Initiële leersnelheid. Moet een float in het bereik [0, 1] zijn.	int
learningRateScheduler	Type leerfrequentieplanner. Moet 'warmup_cosine' of 'stap' zijn.	"Geen" "Stap" "WarmupCosine"
maxSize	Maximale grootte van de afbeelding die opnieuw moet worden geschaald voordat deze aan de backbone wordt verzonden. Moet een positief geheel getal zijn. Opmerking: trainingsuitvoering kan in CUDA OOM komen als de grootte te groot is. Opmerking: deze instellingen worden niet ondersteund voor het algoritme 'yolov5'.	int
minSize	Minimale grootte van de afbeelding die opnieuw moet worden geschaald voordat deze aan de backbone wordt verzonden. Moet een positief geheel getal zijn. Opmerking: trainingsuitvoering kan in CUDA OOM komen als de grootte te groot is. Opmerking: deze instellingen worden niet ondersteund voor het algoritme 'yolov5'.	int
modelName	Naam van het model dat moet worden gebruikt voor training. Raadpleeg de officiële documentatie voor meer informatie over de beschikbare modellen: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.	tekenreeks
modelSize	Modelgrootte. Moet 'small', 'medium', 'large' of 'xlarge' zijn. Opmerking: de uitvoering van de training kan in CUDA OOM komen als de modelgrootte te groot is. Opmerking: deze instellingen worden alleen ondersteund voor het algoritme 'yolov5'.	"ExtraLarge" "Groot" "Gemiddeld" "Geen" "Klein"
Momentum	Waarde van momentum wanneer optimizer 'sgd' is. Moet een float in het bereik [0, 1] zijn.	int
multiScale	Schakel afbeeldingen op meerdere schaal in door de grootte van de afbeelding te variëren met +/- 50%. Opmerking: de trainingsuitvoering kan in CUDA OOM komen als er onvoldoende GPU-geheugen is. Opmerking: deze instellingen worden alleen ondersteund voor het algoritme 'yolov5'.	booleaans
Nesterov	Schakel nesterov in wanneer het optimalisatieprogramma 'sgd' is.	booleaans
nmsIouThreshold	IOU-drempelwaarde die wordt gebruikt tijdens deductie in NMS na verwerking. Moet een float in het bereik [0, 1] zijn.	int
numberOfEpochs	Aantal trainingstijdvakken. Moet een positief geheel getal zijn.	int
numberOfWorkers	Aantal werkrollen voor gegevenslaadprogramma's. Moet een niet-negatief geheel getal zijn.	int
Optimizer	Type optimalisatieprogramma.	"Adam" "Adamw" "Geen" "Sgd"
randomSeed	Willekeurig zaad dat moet worden gebruikt bij het gebruik van deterministische training.	int
splitRatio	Als er geen validatiegegevens zijn gedefinieerd, wordt hiermee de splitsverhouding voor splitsen opgegeven gegevens trainen in subsets voor willekeurige training en validatie. Moet een float in het bereik [0, 1] zijn.	int
stepLRGamma	Waarde van gamma wanneer learning rate scheduler 'step' is. Moet een float in het bereik [0, 1] zijn.	int
stepLRStepSize	Waarde van stapgrootte wanneer learning rate scheduler 'step' is. Moet een positief geheel getal zijn.	int
tileGridSize	De rastergrootte die moet worden gebruikt voor het tegelen van elke afbeelding. Opmerking: TileGridSize mag niet Geen om logica voor kleine objectdetectie in te schakelen. Een tekenreeks met twee gehele getallen in mxn-indeling. Opmerking: deze instellingen worden niet ondersteund voor het algoritme 'yolov5'.	tekenreeks
tileOverlapRatio	Overlapverhouding tussen aangrenzende tegels in elke dimensie. Moet zwevend zijn in het bereik [0, 1). Opmerking: deze instellingen worden niet ondersteund voor het algoritme 'yolov5'.	int
tilePredictionsNmsThreshold	De IOU-drempelwaarde die moet worden gebruikt om NMS uit te voeren tijdens het samenvoegen van voorspellingen van tegels en afbeeldingen. Wordt gebruikt in validatie/deductie. Moet zwevend zijn in het bereik [0, 1]. Opmerking: deze instellingen worden niet ondersteund voor het algoritme 'yolov5'.	int
trainingBatchSize	Grootte van de trainingsbatch. Moet een positief geheel getal zijn.	int
validationBatchSize	Grootte van validatiebatch. Moet een positief geheel getal zijn.	int
validationIouThreshold	IOU-drempelwaarde die moet worden gebruikt bij het berekenen van de metrische validatiegegevens. Moet zwevend zijn in het bereik [0, 1].	int
validationMetricType	Metrische berekeningsmethode die moet worden gebruikt voor metrische validatiegegevens.	"Coco" "CocoVoc" "Geen" "Voc"
warmupCosineLRCycles	De waarde van de cosinuscyclus wanneer de leerfrequentieplanner 'warmup_cosine' is. Moet een float in het bereik [0, 1] zijn.	int
warmupCosineLRWarmupEpochs	Waarde van opwarmtijdvakken wanneer learning rate scheduler 'warmup_cosine' is. Moet een positief geheel getal zijn.	int
weightDecay	Waarde van gewichtsverval wanneer optimizer 'sgd', 'adam' of 'adamw' is. Moet een vlotter in het bereik[0, 1] zijn.	int

ImageModelDistributionSettingsObjectDetection

Naam	Description	Waarde
amsGradient	Schakel AMSGrad in wanneer de optimizer 'adam' of 'adamw' is.	tekenreeks
vergrotingen	Instellingen voor het gebruik van augmentations.	tekenreeks
beta1	Waarde van 'beta1' wanneer optimizer 'adam' of 'adamw' is. Moet een float in het bereik [0, 1] zijn.	tekenreeks
beta2	Waarde van 'beta2' wanneer optimizer 'adam' of 'adamw' is. Moet een float in het bereik [0, 1] zijn.	tekenreeks
boxDetectionsPerImage	Maximum aantal detecties per afbeelding, voor alle klassen. Moet een positief geheel getal zijn. Opmerking: deze instellingen worden niet ondersteund voor het algoritme 'yolov5'.	tekenreeks
boxScoreThreshold	Tijdens deductie retourneert u alleen voorstellen met een classificatiescore die groter is dan BoxScoreThreshold. Moet een vlotter in het bereik[0, 1] zijn.	tekenreeks
Gedistribueerd	Of u distributietraining moet gebruiken.	tekenreeks
earlyStopping	Schakel vroege stoplogica in tijdens de training.	tekenreeks
earlyStoppingDelay	Minimaal aantal tijdvakken of validatie-evaluaties dat moet worden gewacht voordat de primaire metrische gegevens worden verbeterd wordt bijgehouden voor een vroege stop. Moet een positief geheel getal zijn.	tekenreeks
earlyStoppingPatience	Minimum aantal tijdvakken of validatie-evaluaties zonder primaire metrische verbetering vóór de uitvoering is gestopt. Moet een positief geheel getal zijn.	tekenreeks
enableOnnxNormalization	Normalisatie inschakelen bij het exporteren van het ONNX-model.	tekenreeks
evaluationFrequency	Frequentie voor het evalueren van de validatiegegevensset om metrische scores op te halen. Moet een positief geheel getal zijn.	tekenreeks
gradientAccumulationStep	Accumulatie van kleurovergangen betekent het uitvoeren van een geconfigureerd aantal stappen voor GradAccumulationStep zonder het bijwerken van de modelgewichten tijdens het accumuleren van de kleurovergangen van deze stappen en vervolgens het gebruik van de geaccumuleerde kleurovergangen om de gewichtsupdates te berekenen. Moet een positief geheel getal zijn.	tekenreeks
imageSize	Afbeeldingsgrootte voor trainen en valideren. Moet een positief geheel getal zijn. Opmerking: de trainingsuitvoering kan in CUDA OOM komen als de grootte te groot is. Opmerking: deze instellingen worden alleen ondersteund voor het algoritme 'yolov5'.	tekenreeks
layersToFreeze	Het aantal lagen dat voor het model moet worden geblokkeerd. Moet een positief geheel getal zijn. Bijvoorbeeld, het doorgeven van 2 als waarde voor 'seresnext' betekent vrieslaag0 en laag1. Voor een volledige lijst met ondersteunde modellen en details over het blokkeren van lagen, raadpleegt u Zie: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.	tekenreeks
learningRate	Initiële leersnelheid. Moet een float in het bereik [0, 1] zijn.	tekenreeks
learningRateScheduler	Type leerfrequentieplanner. Moet 'warmup_cosine' of 'stap' zijn.	tekenreeks
maxSize	Maximale grootte van de afbeelding die opnieuw moet worden geschaald voordat deze aan de backbone wordt verzonden. Moet een positief geheel getal zijn. Opmerking: trainingsuitvoering kan in CUDA OOM komen als de grootte te groot is. Opmerking: deze instellingen worden niet ondersteund voor het algoritme 'yolov5'.	tekenreeks
minSize	Minimale grootte van de afbeelding die opnieuw moet worden geschaald voordat deze aan de backbone wordt verzonden. Moet een positief geheel getal zijn. Opmerking: trainingsuitvoering kan in CUDA OOM komen als de grootte te groot is. Opmerking: deze instellingen worden niet ondersteund voor het algoritme 'yolov5'.	tekenreeks
modelName	Naam van het model dat moet worden gebruikt voor training. Raadpleeg de officiële documentatie voor meer informatie over de beschikbare modellen: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.	tekenreeks
modelSize	Modelgrootte. Moet 'small', 'medium', 'large' of 'xlarge' zijn. Opmerking: de uitvoering van de training kan in CUDA OOM komen als de modelgrootte te groot is. Opmerking: deze instellingen worden alleen ondersteund voor het algoritme 'yolov5'.	tekenreeks
Momentum	Waarde van momentum wanneer optimizer 'sgd' is. Moet een float in het bereik [0, 1] zijn.	tekenreeks
multiScale	Schakel afbeeldingen op meerdere schaal in door de grootte van de afbeelding te variëren met +/- 50%. Opmerking: de trainingsuitvoering kan in CUDA OOM komen als er onvoldoende GPU-geheugen is. Opmerking: deze instellingen worden alleen ondersteund voor het algoritme 'yolov5'.	tekenreeks
Nesterov	Schakel nesterov in wanneer het optimalisatieprogramma 'sgd' is.	tekenreeks
nmsIouThreshold	IOU-drempelwaarde die wordt gebruikt tijdens deductie in NMS na verwerking. Moet zwevend zijn in het bereik [0, 1].	tekenreeks
numberOfEpochs	Aantal trainingstijdvakken. Moet een positief geheel getal zijn.	tekenreeks
numberOfWorkers	Aantal werkrollen voor gegevenslaadprogramma's. Moet een niet-negatief geheel getal zijn.	tekenreeks
Optimizer	Type optimalisatieprogramma. Moet 'sgd', 'adam' of 'adamw' zijn.	tekenreeks
randomSeed	Willekeurig zaad dat moet worden gebruikt bij het gebruik van deterministische training.	tekenreeks
splitRatio	Als er geen validatiegegevens zijn gedefinieerd, wordt hiermee de splitsverhouding voor splitsen opgegeven gegevens trainen in subsets voor willekeurige training en validatie. Moet een float in het bereik [0, 1] zijn.	tekenreeks
stepLRGamma	Waarde van gamma wanneer learning rate scheduler 'step' is. Moet een float in het bereik [0, 1] zijn.	tekenreeks
stepLRStepSize	Waarde van stapgrootte wanneer learning rate scheduler 'step' is. Moet een positief geheel getal zijn.	tekenreeks
tileGridSize	De rastergrootte die moet worden gebruikt voor het tegelen van elke afbeelding. Opmerking: TileGridSize mag niet Geen om logica voor kleine objectdetectie in te schakelen. Een tekenreeks met twee gehele getallen in mxn-indeling. Opmerking: deze instellingen worden niet ondersteund voor het algoritme 'yolov5'.	tekenreeks
tileOverlapRatio	Overlapverhouding tussen aangrenzende tegels in elke dimensie. Moet zwevend zijn in het bereik [0, 1). Opmerking: deze instellingen worden niet ondersteund voor het algoritme 'yolov5'.	tekenreeks
tilePredictionsNmsThreshold	De IOU-drempelwaarde die moet worden gebruikt om NMS uit te voeren tijdens het samenvoegen van voorspellingen van tegels en afbeeldingen. Wordt gebruikt in validatie/deductie. Moet zwevend zijn in het bereik [0, 1]. Opmerking: deze instellingen worden niet ondersteund voor het algoritme 'yolov5'. NMS: Niet-maximale onderdrukking	tekenreeks
trainingBatchSize	Grootte van de trainingsbatch. Moet een positief geheel getal zijn.	tekenreeks
validationBatchSize	Grootte van validatiebatch. Moet een positief geheel getal zijn.	tekenreeks
validationIouThreshold	IOU-drempelwaarde die moet worden gebruikt bij het berekenen van de metrische validatiegegevens. Moet zwevend zijn in het bereik [0, 1].	tekenreeks
validationMetricType	Metrische berekeningsmethode die moet worden gebruikt voor metrische validatiegegevens. Moet 'none', 'coco', 'voc' of 'coco_voc' zijn.	tekenreeks
warmupCosineLRCycles	De waarde van de cosinuscyclus wanneer de leerfrequentieplanner 'warmup_cosine' is. Moet een float in het bereik [0, 1] zijn.	tekenreeks
warmupCosineLRWarmupEpochs	Waarde van opwarmtijdvakken wanneer learning rate scheduler 'warmup_cosine' is. Moet een positief geheel getal zijn.	tekenreeks
weightDecay	Waarde van gewichtsverval wanneer optimizer 'sgd', 'adam' of 'adamw' is. Moet een vlotter in het bereik[0, 1] zijn.	tekenreeks

ImageObjectDetection

Naam	Description	Waarde
taskType	[Vereist] Taaktype voor AutoMLJob.	"ImageObjectDetection" (vereist)
dataSettings	[Vereist] Verzameling van geregistreerde tabelgegevensset-id's en andere gegevensinstellingen die vereist zijn voor het trainen en valideren van modellen.	ImageVerticalDataSettings (vereist)
limitSettings	[Vereist] Instellingen voor de AutoML-taak beperken.	ImageLimitSettings (vereist)
modelSettings	Instellingen die worden gebruikt voor het trainen van het model.	ImageModelSettingsObjectDetection
primaryMetric	Primaire metrische gegevens om te optimaliseren voor deze taak.	"MeanAveragePrecision"
searchSpace	Zoek ruimte voor het nemen van steekproeven van verschillende combinaties van modellen en hun hyperparameters.	ImageModelDistributionSettingsObjectDetection[]
sweepSettings	Gerelateerde instellingen voor modelveeg- en hyperparameter-sweeping.	ImageSweepSettings

Regressie

Naam	Description	Waarde
taskType	[Vereist] Taaktype voor AutoMLJob.	'Regressie' (vereist)
allowedModels	Toegestane modellen voor regressietaak.	Tekenreeksmatrix met een van de volgende: "Beslissingsstructuur" "ElasticNet" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "RandomForest" "SGD" "XGBoostRegressor"
blockedModels	Geblokkeerde modellen voor regressietaak.	Tekenreeksmatrix met een van de volgende: "Beslissingsstructuur" "ElasticNet" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "RandomForest" "SGD" "XGBoostRegressor"
dataSettings	Gegevensinvoer voor AutoMLJob.	TableVerticalDataSettings
featurizationSettings	Featurization-invoer die nodig is voor de AutoML-taak.	TableVerticalFeaturizationSettings
limitSettings	Uitvoeringsbeperkingen voor AutoMLJob.	TableVerticalLimitSettings
primaryMetric	Primaire metrische waarde voor regressietaak.	"NormalizedMeanAbsoluteError" "NormalizedRootMeanSquaredError" "R2Score" "SpearmanCorrelation"
trainingSettings	Invoer voor de trainingsfase voor een AutoML-taak.	TrainingSettings

TextClassification

Naam	Description	Waarde
taskType	[Vereist] Taaktype voor AutoMLJob.	"TextClassification" (vereist)
dataSettings	Gegevensinvoer voor AutoMLJob.	NlpVerticalDataSettings
featurizationSettings	Featurization-invoer die nodig is voor de AutoML-taak.	NlpVerticalFeaturizationSettings
limitSettings	Uitvoeringsbeperkingen voor AutoMLJob.	NlpVerticalLimitSettings
primaryMetric	Primaire metrische waarde voor Text-Classification taak.	"AUCWeighted" "Nauwkeurigheid" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted"

NlpVerticalDataSettings

Naam	Description	Waarde
targetColumnName	[Vereist] Naam van doelkolom: dit is de kolom met voorspellingswaarden. Ook wel labelkolomnaam genoemd in de context van classificatietaken.	tekenreeks (vereist) Beperkingen: Patroon = [a-zA-Z0-9_]
Testdata	Gegevensinvoer testen.	TestDataSettings
trainingData	[Vereist] Invoer van trainingsgegevens.	TrainingDataSettings (vereist)
validationData	Invoer van validatiegegevens.	NlpVerticalValidationDataSettings

NlpVerticalValidationDataSettings

Naam	Description	Waarde
gegevens	Validatiegegevens MLTable.	MLTableJobInput
validationDataSize	Het deel van de trainingsgegevensset dat moet worden gereserveerd voor validatiedoeleinden. Waarden tussen (0,0 , 1,0) Toegepast wanneer de validatiegegevensset niet is opgegeven.	int

NlpVerticalFeaturizationSettings

Naam	Description	Waarde
datasetLanguage	Gegevenssettaal, handig voor de tekstgegevens.	tekenreeks

NlpVerticalLimitSettings

Naam	Description	Waarde
maxConcurrentTrials	Maximum aantal gelijktijdige AutoML-iteraties.	int
maxTrials	Aantal AutoML-iteraties.	int
timeout	Time-out van AutoML-taak.	tekenreeks

TextClassificationMultilabel

Naam	Description	Waarde
taskType	[Vereist] Taaktype voor AutoMLJob.	"TextClassificationMultilabel" (vereist)
dataSettings	Gegevensinvoer voor AutoMLJob.	NlpVerticalDataSettings
featurizationSettings	Featurization-invoer die nodig is voor de AutoML-taak.	NlpVerticalFeaturizationSettings
limitSettings	Uitvoeringsbeperkingen voor AutoMLJob.	NlpVerticalLimitSettings

TextNer

Naam	Description	Waarde
taskType	[Vereist] Taaktype voor AutoMLJob.	"TextNER" (vereist)
dataSettings	Gegevensinvoer voor AutoMLJob.	NlpVerticalDataSettings
featurizationSettings	Featurization-invoer die nodig is voor de AutoML-taak.	NlpVerticalFeaturizationSettings
limitSettings	Uitvoeringsbeperkingen voor AutoMLJob.	NlpVerticalLimitSettings

CommandJob

Naam	Description	Waarde
jobType	[Vereist] Hiermee geeft u het type taak op.	Opdracht (vereist)
codeId	ARM-resource-id van de code-asset.	tekenreeks
command	[Vereist] De opdracht die moet worden uitgevoerd bij het opstarten van de taak. bijvoorbeeld "python train.py"	tekenreeks (vereist) Beperkingen: Minimale lengte = 1 Patroon = [a-zA-Z0-9_]
Distributie	Distributieconfiguratie van de taak. Als dit is ingesteld, moet dit een van Mpi, Tensorflow, PyTorch of null zijn.	DistributionConfiguration
environmentId	[Vereist] De ARM-resource-id van de omgevingsspecificatie voor de taak.	tekenreeks (vereist) Beperkingen: Patroon = [a-zA-Z0-9_]
environmentVariables	Omgevingsvariabelen die zijn opgenomen in de taak.	CommandJobEnvironmentVariables
Ingangen	Toewijzing van invoergegevensbindingen die in de taak worden gebruikt.	CommandJobInputs
Grenzen	Opdrachttaaklimiet.	CommandJobLimits
Uitgangen	Toewijzing van uitvoergegevensbindingen die in de taak worden gebruikt.	CommandJobOutputs
resources	Rekenresourceconfiguratie voor de taak.	ResourceConfiguration

DistributionConfiguration

Naam	Description	Waarde
distributionType	Het objecttype instellen	Mpi PyTorch TensorFlow (vereist)

Mpi

Naam	Description	Waarde
distributionType	[Vereist] Hiermee geeft u het type distributieframework op.	Mpi (vereist)
processCountPerInstance	Aantal processen per MPI-knooppunt.	int

PyTorch

Naam	Description	Waarde
distributionType	[Vereist] Hiermee geeft u het type distributieframework op.	"PyTorch" (vereist)
processCountPerInstance	Aantal processen per knooppunt.	int

TensorFlow

Naam	Description	Waarde
distributionType	[Vereist] Hiermee geeft u het type distributieframework op.	'TensorFlow' (vereist)
parameterServerCount	Aantal parameterservertaken.	int
workerCount	Aantal werkrollen. Als dit niet is opgegeven, wordt standaard het aantal exemplaren gebruikt.	int

CommandJobEnvironmentVariables

Naam	Description	Waarde
{aangepaste eigenschap}		tekenreeks

CommandJobInputs

Naam	Description	Waarde
{aangepaste eigenschap}		JobInput

JobInput

Naam	Description	Waarde
beschrijving	Beschrijving voor de invoer.	tekenreeks
jobInputType	Het objecttype instellen	CustomModel Letterlijke MLFlowModel MLTable TritonModel UriFile UriFolder (vereist)

CustomModelJobInput

Naam	Description	Waarde
jobInputType	[Vereist] Hiermee geeft u het type taak op.	"CustomModel" (vereist)
mode	Leveringsmodus voor invoerasset.	"Direct" "Downloaden" "EvalDownloaden" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
Uri	[Vereist] URI voor invoerasset.	tekenreeks (vereist) Beperkingen: Patroon = [a-zA-Z0-9_]

LiteralJobInput

Naam	Description	Waarde
jobInputType	[Vereist] Hiermee geeft u het type taak op.	'Letterlijk' (vereist)
waarde	[Vereist] Letterlijke waarde voor de invoer.	tekenreeks (vereist) Beperkingen: Patroon = [a-zA-Z0-9_]

MLFlowModelJobInput

Naam	Description	Waarde
jobInputType	[Vereist] Hiermee geeft u het type taak op.	MLFlowModel (vereist)
mode	Leveringsmodus voor invoerasset.	"Direct" "Downloaden" "EvalDownloaden" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
Uri	[Vereist] URI voor invoerasset.	tekenreeks (vereist) Beperkingen: Patroon = [a-zA-Z0-9_]

TritonModelJobInput

Naam	Description	Waarde
jobInputType	[Vereist] Hiermee geeft u het type taak op.	"TritonModel" (vereist)
mode	Leveringsmodus voor invoerasset.	"Direct" "Downloaden" "EvalDownloaden" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
Uri	[Vereist] URI voor invoerasset.	tekenreeks (vereist) Beperkingen: Patroon = [a-zA-Z0-9_]

UriFileJobInput

Naam	Description	Waarde
jobInputType	[Vereist] Hiermee geeft u het type taak op.	"UriFile" (vereist)
mode	Leveringsmodus voor invoerasset.	"Direct" "Downloaden" "EvalDownloaden" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
Uri	[Vereist] URI van invoerasset.	tekenreeks (vereist) Beperkingen: Patroon = [a-zA-Z0-9_]

UriFolderJobInput

Naam	Description	Waarde
jobInputType	[Vereist] Hiermee geeft u het type taak op.	"UriFolder" (vereist)
mode	Leveringsmodus voor invoerasset.	"Direct" "Downloaden" "EvalDownloaden" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
Uri	[Vereist] URI van invoerasset.	tekenreeks (vereist) Beperkingen: Patroon = [a-zA-Z0-9_]

CommandJobLimits

Naam	Description	Waarde
jobLimitsType	[Vereist] Type JobLimit.	"Opdracht" 'Opruimen' (vereist)
timeout	De maximale uitvoeringsduur in ISO 8601-indeling, waarna de taak wordt geannuleerd. Alleen ondersteuning voor duur met een nauwkeurigheid van slechts seconden.	tekenreeks

CommandJobOutputs

Naam	Description	Waarde
{aangepaste eigenschap}		JobOutput

Pijplijntaak

Naam	Description	Waarde
jobType	[Vereist] Hiermee geeft u het type taak op.	'Pijplijn' (vereist)
Ingangen	Invoer voor de pijplijntaak.	PipelineJobInputs
Banen	Taken maken de pijplijntaak.	PipelineJobJobs
Uitgangen	Uitvoer voor de pijplijntaak	PipelineJobOutputs
instellingen	Pijplijninstellingen voor zaken als ContinueRunOnStepFailure, enzovoort.

PipelineJobInputs

Naam	Description	Waarde
{aangepaste eigenschap}		JobInput

PipelineJobJobs

Naam	Description	Waarde
{aangepaste eigenschap}

PipelineJobOutputs

Naam	Description	Waarde
{aangepaste eigenschap}		JobOutput

SweepJob

Naam	Description	Waarde
jobType	[Vereist] Hiermee geeft u het type taak op.	'Opruimen' (vereist)
earlyTermination	Beleidsregels voor vroegtijdige beëindiging maken het annuleren van slecht presterende uitvoeringen mogelijk voordat ze zijn voltooid	EarlyTerminationPolicy
Ingangen	Toewijzing van invoergegevensbindingen die in de taak worden gebruikt.	SweepJobInputs
Grenzen	Taaklimiet opruimen.	SweepJobLimits
Doelstelling	[Vereist] Optimalisatiedoelstelling.	Doelstelling (vereist)
Uitgangen	Toewijzing van uitvoergegevensbindingen die in de taak worden gebruikt.	SweepJobOutputs
samplingAlgorithm	[Vereist] Het algoritme voor hyperparametersampling	SamplingAlgorithm (vereist)
searchSpace	[Vereist] Een woordenlijst met elke parameter en de bijbehorende distributie. De woordenlijstsleutel is de naam van de parameter
trial	[Vereist] Definitie van evaluatieonderdeel.	TrialComponent (vereist)

SweepJobInputs

Naam	Description	Waarde
{aangepaste eigenschap}		JobInput

SweepJobLimits

Naam	Description	Waarde
jobLimitsType	[Vereist] Type JobLimit.	"Opdracht" 'Opruimen' (vereist)
maxConcurrentTrials	Sweep Job max gelijktijdige proefversies.	int
maxTotalTrials	Sweep Taak maximaal totaal aantal proefversies.	int
timeout	De maximale uitvoeringsduur in ISO 8601-indeling, waarna de taak wordt geannuleerd. Alleen ondersteuning voor duur met een nauwkeurigheid van slechts seconden.	tekenreeks
trialTimeout	Time-outwaarde voor taaktest opschonen.	tekenreeks

Doelstelling

Naam	Description	Waarde
doel	[Vereist] Definieert ondersteunde metrische doelen voor het afstemmen van hyperparameters	"Maximaliseren" 'Minimaliseren' (vereist)
primaryMetric	[Vereist] Naam van de te optimaliseren metrische waarde.	tekenreeks (vereist) Beperkingen: Patroon = [a-zA-Z0-9_]

SweepJobOutputs

Naam	Description	Waarde
{aangepaste eigenschap}		JobOutput

SamplingAlgorithm

Naam	Description	Waarde
samplingAlgorithmType	Het objecttype instellen	Bayesian Raster Willekeurig (vereist)

BayesianSamplingAlgorithm

Naam	Description	Waarde
samplingAlgorithmType	[Vereist] Het algoritme dat wordt gebruikt voor het genereren van hyperparameterwaarden, samen met configuratie-eigenschappen	"Bayesian" (vereist)

GridSamplingAlgorithm

Naam	Description	Waarde
samplingAlgorithmType	[Vereist] Het algoritme dat wordt gebruikt voor het genereren van hyperparameterwaarden, samen met configuratie-eigenschappen	'Raster' (vereist)

RandomSamplingAlgorithm

Naam	Description	Waarde
samplingAlgorithmType	[Vereist] Het algoritme dat wordt gebruikt voor het genereren van hyperparameterwaarden, samen met configuratie-eigenschappen	'Willekeurig' (vereist)
Regel	Het specifieke type willekeurig algoritme	"Willekeurig" "Sobol"
seed	Een optioneel geheel getal dat moet worden gebruikt als seed voor het genereren van willekeurige getallen	int

TrialComponent

Naam	Description	Waarde
codeId	ARM-resource-id van de code-asset.	tekenreeks
command	[Vereist] De opdracht die moet worden uitgevoerd bij het opstarten van de taak. bijvoorbeeld "python train.py"	tekenreeks (vereist) Beperkingen: Minimale lengte = 1 Patroon = [a-zA-Z0-9_]
Distributie	Distributieconfiguratie van de taak. Indien ingesteld, moet dit een van Mpi, Tensorflow, PyTorch of null zijn.	DistributionConfiguration
environmentId	[Vereist] De ARM-resource-id van de omgevingsspecificatie voor de taak.	tekenreeks (vereist) Beperkingen: Patroon = [a-zA-Z0-9_]
environmentVariables	Omgevingsvariabelen die zijn opgenomen in de taak.	TrialComponentEnvironmentVariables
resources	Rekenresourceconfiguratie voor de taak.	ResourceConfiguration

TrialComponentEnvironmentVariables

Naam	Description	Waarde
{aangepaste eigenschap}		tekenreeks