Microsoft.MachineLearningServices-werkruimten/planningen 01-10-2022
Bicep-resourcedefinitie
Het resourcetype werkruimten/planningen 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/schedules wilt maken, voegt u de volgende Bicep toe aan uw sjabloon.
resource symbolicname 'Microsoft.MachineLearningServices/workspaces/schedules@2022-10-01' = {
name: 'string'
parent: resourceSymbolicName
properties: {
action: {
actionType: 'string'
// For remaining properties, see ScheduleActionBase objects
}
description: 'string'
displayName: 'string'
isEnabled: bool
properties: {
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
}
tags: {
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
}
trigger: {
endTime: 'string'
startTime: 'string'
timeZone: 'string'
triggerType: 'string'
// For remaining properties, see TriggerBase objects
}
}
}
ScheduleActionBase-objecten
Stel de eigenschap actionType in om het type object op te geven.
Voor CreateJob gebruikt u:
actionType: 'CreateJob'
jobDefinition: {
componentId: 'string'
computeId: 'string'
description: 'string'
displayName: 'string'
experimentName: 'string'
identity: {
identityType: 'string'
// For remaining properties, see IdentityConfiguration objects
}
isArchived: bool
properties: {
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
}
services: {
{customized property}: {
endpoint: 'string'
jobServiceType: 'string'
port: int
properties: {
{customized property}: 'string'
}
}
}
tags: {
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
}
jobType: 'string'
// For remaining properties, see JobBaseProperties objects
}
Gebruik voor InvokeBatchEndpoint:
actionType: 'InvokeBatchEndpoint'
endpointInvocationDefinition: any()
JobBaseProperties-objecten
Stel de eigenschap jobType in om het type object op te geven.
Voor AutoML gebruikt u:
jobType: 'AutoML'
environmentId: 'string'
environmentVariables: {
{customized property}: 'string'
}
outputs: {
{customized property}: {
description: 'string'
jobOutputType: 'string'
// For remaining properties, see JobOutput objects
}
}
resources: {
dockerArgs: 'string'
instanceCount: int
instanceType: 'string'
properties: {
{customized property}: any()
{customized property}: any()
}
shmSize: 'string'
}
taskDetails: {
logVerbosity: 'string'
targetColumnName: 'string'
trainingData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
taskType: 'string'
// For remaining properties, see AutoMLVertical objects
}
Voor Opdracht gebruikt u:
jobType: 'Command'
codeId: 'string'
command: 'string'
distribution: {
distributionType: 'string'
// For remaining properties, see DistributionConfiguration objects
}
environmentId: 'string'
environmentVariables: {
{customized property}: 'string'
}
inputs: {
{customized property}: {
description: 'string'
jobInputType: 'string'
// For remaining properties, see JobInput objects
}
}
limits: {
jobLimitsType: 'string'
timeout: 'string'
}
outputs: {
{customized property}: {
description: 'string'
jobOutputType: 'string'
// For remaining properties, see JobOutput objects
}
}
resources: {
dockerArgs: 'string'
instanceCount: int
instanceType: 'string'
properties: {
{customized property}: any()
{customized property}: any()
}
shmSize: 'string'
}
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()
sourceJobId: 'string'
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: {
dockerArgs: 'string'
instanceCount: int
instanceType: 'string'
properties: {
{customized property}: any()
{customized property}: any()
}
shmSize: 'string'
}
}
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'
Voor UserIdentity gebruikt u:
identityType: 'UserIdentity'
JobOutput-objecten
Stel de eigenschap jobOutputType in om het type object op te geven.
Gebruik voor custom_model:
jobOutputType: 'custom_model'
mode: 'string'
uri: 'string'
Gebruik voor mlflow_model:
jobOutputType: 'mlflow_model'
mode: 'string'
uri: 'string'
Gebruik voor mltable:
jobOutputType: 'mltable'
mode: 'string'
uri: 'string'
Gebruik voor triton_model:
jobOutputType: 'triton_model'
mode: 'string'
uri: 'string'
Gebruik voor uri_file:
jobOutputType: 'uri_file'
mode: 'string'
uri: 'string'
Gebruik voor uri_folder:
jobOutputType: 'uri_folder'
mode: 'string'
uri: 'string'
AutoMLVertical-objecten
Stel de eigenschap taskType in om het type object op te geven.
Gebruik voor Classificatie:
taskType: 'Classification'
cvSplitColumnNames: [
'string'
]
featurizationSettings: {
blockedTransformers: [
'string'
]
columnNameAndTypes: {
{customized property}: 'string'
}
datasetLanguage: 'string'
enableDnnFeaturization: bool
mode: 'string'
transformerParams: {
{customized property}: [
{
fields: [
'string'
]
parameters: any()
}
]
}
}
limitSettings: {
enableEarlyTermination: bool
exitScore: int
maxConcurrentTrials: int
maxCoresPerTrial: int
maxTrials: int
timeout: 'string'
trialTimeout: 'string'
}
nCrossValidations: {
mode: 'string'
// For remaining properties, see NCrossValidations objects
}
positiveLabel: 'string'
primaryMetric: 'string'
testData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
testDataSize: int
trainingSettings: {
allowedTrainingAlgorithms: [
'string'
]
blockedTrainingAlgorithms: [
'string'
]
enableDnnTraining: bool
enableModelExplainability: bool
enableOnnxCompatibleModels: bool
enableStackEnsemble: bool
enableVoteEnsemble: bool
ensembleModelDownloadTimeout: 'string'
stackEnsembleSettings: {
stackMetaLearnerKWargs: any()
stackMetaLearnerTrainPercentage: int
stackMetaLearnerType: 'string'
}
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
weightColumnName: 'string'
Gebruik voor prognoses:
taskType: 'Forecasting'
cvSplitColumnNames: [
'string'
]
featurizationSettings: {
blockedTransformers: [
'string'
]
columnNameAndTypes: {
{customized property}: 'string'
}
datasetLanguage: 'string'
enableDnnFeaturization: bool
mode: 'string'
transformerParams: {
{customized property}: [
{
fields: [
'string'
]
parameters: any()
}
]
}
}
forecastingSettings: {
countryOrRegionForHolidays: 'string'
cvStepSize: int
featureLags: 'string'
forecastHorizon: {
mode: 'string'
// For remaining properties, see ForecastHorizon objects
}
frequency: 'string'
seasonality: {
mode: 'string'
// For remaining properties, see Seasonality objects
}
shortSeriesHandlingConfig: 'string'
targetAggregateFunction: 'string'
targetLags: {
mode: 'string'
// For remaining properties, see TargetLags objects
}
targetRollingWindowSize: {
mode: 'string'
// For remaining properties, see TargetRollingWindowSize objects
}
timeColumnName: 'string'
timeSeriesIdColumnNames: [
'string'
]
useStl: 'string'
}
limitSettings: {
enableEarlyTermination: bool
exitScore: int
maxConcurrentTrials: int
maxCoresPerTrial: int
maxTrials: int
timeout: 'string'
trialTimeout: 'string'
}
nCrossValidations: {
mode: 'string'
// For remaining properties, see NCrossValidations objects
}
primaryMetric: 'string'
testData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
testDataSize: int
trainingSettings: {
allowedTrainingAlgorithms: [
'string'
]
blockedTrainingAlgorithms: [
'string'
]
enableDnnTraining: bool
enableModelExplainability: bool
enableOnnxCompatibleModels: bool
enableStackEnsemble: bool
enableVoteEnsemble: bool
ensembleModelDownloadTimeout: 'string'
stackEnsembleSettings: {
stackMetaLearnerKWargs: any()
stackMetaLearnerTrainPercentage: int
stackMetaLearnerType: 'string'
}
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
weightColumnName: 'string'
Gebruik voor ImageClassification:
taskType: 'ImageClassification'
limitSettings: {
maxConcurrentTrials: int
maxTrials: int
timeout: 'string'
}
modelSettings: {
advancedSettings: 'string'
amsGradient: bool
augmentations: 'string'
beta1: int
beta2: int
checkpointFrequency: int
checkpointModel: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
checkpointRunId: 'string'
distributed: bool
earlyStopping: bool
earlyStoppingDelay: int
earlyStoppingPatience: int
enableOnnxNormalization: bool
evaluationFrequency: int
gradientAccumulationStep: int
layersToFreeze: int
learningRate: int
learningRateScheduler: 'string'
modelName: 'string'
momentum: int
nesterov: bool
numberOfEpochs: int
numberOfWorkers: int
optimizer: 'string'
randomSeed: int
stepLRGamma: int
stepLRStepSize: int
trainingBatchSize: int
trainingCropSize: int
validationBatchSize: int
validationCropSize: int
validationResizeSize: int
warmupCosineLRCycles: int
warmupCosineLRWarmupEpochs: int
weightDecay: int
weightedLoss: int
}
primaryMetric: 'string'
searchSpace: [
{
amsGradient: 'string'
augmentations: 'string'
beta1: 'string'
beta2: 'string'
distributed: 'string'
earlyStopping: 'string'
earlyStoppingDelay: 'string'
earlyStoppingPatience: 'string'
enableOnnxNormalization: 'string'
evaluationFrequency: 'string'
gradientAccumulationStep: 'string'
layersToFreeze: 'string'
learningRate: 'string'
learningRateScheduler: 'string'
modelName: 'string'
momentum: 'string'
nesterov: 'string'
numberOfEpochs: 'string'
numberOfWorkers: 'string'
optimizer: 'string'
randomSeed: 'string'
stepLRGamma: 'string'
stepLRStepSize: 'string'
trainingBatchSize: 'string'
trainingCropSize: 'string'
validationBatchSize: 'string'
validationCropSize: 'string'
validationResizeSize: 'string'
warmupCosineLRCycles: 'string'
warmupCosineLRWarmupEpochs: 'string'
weightDecay: 'string'
weightedLoss: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm: 'string'
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
Gebruik voor ImageClassificationMultilabel:
taskType: 'ImageClassificationMultilabel'
limitSettings: {
maxConcurrentTrials: int
maxTrials: int
timeout: 'string'
}
modelSettings: {
advancedSettings: 'string'
amsGradient: bool
augmentations: 'string'
beta1: int
beta2: int
checkpointFrequency: int
checkpointModel: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
checkpointRunId: 'string'
distributed: bool
earlyStopping: bool
earlyStoppingDelay: int
earlyStoppingPatience: int
enableOnnxNormalization: bool
evaluationFrequency: int
gradientAccumulationStep: int
layersToFreeze: int
learningRate: int
learningRateScheduler: 'string'
modelName: 'string'
momentum: int
nesterov: bool
numberOfEpochs: int
numberOfWorkers: int
optimizer: 'string'
randomSeed: int
stepLRGamma: int
stepLRStepSize: int
trainingBatchSize: int
trainingCropSize: int
validationBatchSize: int
validationCropSize: int
validationResizeSize: int
warmupCosineLRCycles: int
warmupCosineLRWarmupEpochs: int
weightDecay: int
weightedLoss: int
}
primaryMetric: 'string'
searchSpace: [
{
amsGradient: 'string'
augmentations: 'string'
beta1: 'string'
beta2: 'string'
distributed: 'string'
earlyStopping: 'string'
earlyStoppingDelay: 'string'
earlyStoppingPatience: 'string'
enableOnnxNormalization: 'string'
evaluationFrequency: 'string'
gradientAccumulationStep: 'string'
layersToFreeze: 'string'
learningRate: 'string'
learningRateScheduler: 'string'
modelName: 'string'
momentum: 'string'
nesterov: 'string'
numberOfEpochs: 'string'
numberOfWorkers: 'string'
optimizer: 'string'
randomSeed: 'string'
stepLRGamma: 'string'
stepLRStepSize: 'string'
trainingBatchSize: 'string'
trainingCropSize: 'string'
validationBatchSize: 'string'
validationCropSize: 'string'
validationResizeSize: 'string'
warmupCosineLRCycles: 'string'
warmupCosineLRWarmupEpochs: 'string'
weightDecay: 'string'
weightedLoss: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm: 'string'
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
Gebruik voor ImageInstanceSegmentation:
taskType: 'ImageInstanceSegmentation'
limitSettings: {
maxConcurrentTrials: int
maxTrials: int
timeout: 'string'
}
modelSettings: {
advancedSettings: 'string'
amsGradient: bool
augmentations: 'string'
beta1: int
beta2: int
boxDetectionsPerImage: int
boxScoreThreshold: int
checkpointFrequency: int
checkpointModel: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
checkpointRunId: 'string'
distributed: bool
earlyStopping: bool
earlyStoppingDelay: int
earlyStoppingPatience: int
enableOnnxNormalization: bool
evaluationFrequency: int
gradientAccumulationStep: int
imageSize: int
layersToFreeze: int
learningRate: int
learningRateScheduler: 'string'
maxSize: int
minSize: int
modelName: 'string'
modelSize: 'string'
momentum: int
multiScale: bool
nesterov: bool
nmsIouThreshold: int
numberOfEpochs: int
numberOfWorkers: int
optimizer: 'string'
randomSeed: int
stepLRGamma: int
stepLRStepSize: int
tileGridSize: 'string'
tileOverlapRatio: int
tilePredictionsNmsThreshold: int
trainingBatchSize: int
validationBatchSize: int
validationIouThreshold: int
validationMetricType: 'string'
warmupCosineLRCycles: int
warmupCosineLRWarmupEpochs: int
weightDecay: int
}
primaryMetric: 'MeanAveragePrecision'
searchSpace: [
{
amsGradient: 'string'
augmentations: 'string'
beta1: 'string'
beta2: 'string'
boxDetectionsPerImage: 'string'
boxScoreThreshold: 'string'
distributed: 'string'
earlyStopping: 'string'
earlyStoppingDelay: 'string'
earlyStoppingPatience: 'string'
enableOnnxNormalization: 'string'
evaluationFrequency: 'string'
gradientAccumulationStep: 'string'
imageSize: 'string'
layersToFreeze: 'string'
learningRate: 'string'
learningRateScheduler: 'string'
maxSize: 'string'
minSize: 'string'
modelName: 'string'
modelSize: 'string'
momentum: 'string'
multiScale: 'string'
nesterov: 'string'
nmsIouThreshold: 'string'
numberOfEpochs: 'string'
numberOfWorkers: 'string'
optimizer: 'string'
randomSeed: 'string'
stepLRGamma: 'string'
stepLRStepSize: 'string'
tileGridSize: 'string'
tileOverlapRatio: 'string'
tilePredictionsNmsThreshold: 'string'
trainingBatchSize: 'string'
validationBatchSize: 'string'
validationIouThreshold: 'string'
validationMetricType: 'string'
warmupCosineLRCycles: 'string'
warmupCosineLRWarmupEpochs: 'string'
weightDecay: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm: 'string'
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
Gebruik voor ImageObjectDetection:
taskType: 'ImageObjectDetection'
limitSettings: {
maxConcurrentTrials: int
maxTrials: int
timeout: 'string'
}
modelSettings: {
advancedSettings: 'string'
amsGradient: bool
augmentations: 'string'
beta1: int
beta2: int
boxDetectionsPerImage: int
boxScoreThreshold: int
checkpointFrequency: int
checkpointModel: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
checkpointRunId: 'string'
distributed: bool
earlyStopping: bool
earlyStoppingDelay: int
earlyStoppingPatience: int
enableOnnxNormalization: bool
evaluationFrequency: int
gradientAccumulationStep: int
imageSize: int
layersToFreeze: int
learningRate: int
learningRateScheduler: 'string'
maxSize: int
minSize: int
modelName: 'string'
modelSize: 'string'
momentum: int
multiScale: bool
nesterov: bool
nmsIouThreshold: int
numberOfEpochs: int
numberOfWorkers: int
optimizer: 'string'
randomSeed: int
stepLRGamma: int
stepLRStepSize: int
tileGridSize: 'string'
tileOverlapRatio: int
tilePredictionsNmsThreshold: int
trainingBatchSize: int
validationBatchSize: int
validationIouThreshold: int
validationMetricType: 'string'
warmupCosineLRCycles: int
warmupCosineLRWarmupEpochs: int
weightDecay: int
}
primaryMetric: 'MeanAveragePrecision'
searchSpace: [
{
amsGradient: 'string'
augmentations: 'string'
beta1: 'string'
beta2: 'string'
boxDetectionsPerImage: 'string'
boxScoreThreshold: 'string'
distributed: 'string'
earlyStopping: 'string'
earlyStoppingDelay: 'string'
earlyStoppingPatience: 'string'
enableOnnxNormalization: 'string'
evaluationFrequency: 'string'
gradientAccumulationStep: 'string'
imageSize: 'string'
layersToFreeze: 'string'
learningRate: 'string'
learningRateScheduler: 'string'
maxSize: 'string'
minSize: 'string'
modelName: 'string'
modelSize: 'string'
momentum: 'string'
multiScale: 'string'
nesterov: 'string'
nmsIouThreshold: 'string'
numberOfEpochs: 'string'
numberOfWorkers: 'string'
optimizer: 'string'
randomSeed: 'string'
stepLRGamma: 'string'
stepLRStepSize: 'string'
tileGridSize: 'string'
tileOverlapRatio: 'string'
tilePredictionsNmsThreshold: 'string'
trainingBatchSize: 'string'
validationBatchSize: 'string'
validationIouThreshold: 'string'
validationMetricType: 'string'
warmupCosineLRCycles: 'string'
warmupCosineLRWarmupEpochs: 'string'
weightDecay: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm: 'string'
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
Voor regressie gebruikt u:
taskType: 'Regression'
cvSplitColumnNames: [
'string'
]
featurizationSettings: {
blockedTransformers: [
'string'
]
columnNameAndTypes: {
{customized property}: 'string'
}
datasetLanguage: 'string'
enableDnnFeaturization: bool
mode: 'string'
transformerParams: {
{customized property}: [
{
fields: [
'string'
]
parameters: any()
}
]
}
}
limitSettings: {
enableEarlyTermination: bool
exitScore: int
maxConcurrentTrials: int
maxCoresPerTrial: int
maxTrials: int
timeout: 'string'
trialTimeout: 'string'
}
nCrossValidations: {
mode: 'string'
// For remaining properties, see NCrossValidations objects
}
primaryMetric: 'string'
testData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
testDataSize: int
trainingSettings: {
allowedTrainingAlgorithms: [
'string'
]
blockedTrainingAlgorithms: [
'string'
]
enableDnnTraining: bool
enableModelExplainability: bool
enableOnnxCompatibleModels: bool
enableStackEnsemble: bool
enableVoteEnsemble: bool
ensembleModelDownloadTimeout: 'string'
stackEnsembleSettings: {
stackMetaLearnerKWargs: any()
stackMetaLearnerTrainPercentage: int
stackMetaLearnerType: 'string'
}
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
weightColumnName: 'string'
Gebruik voor TextClassification:
taskType: 'TextClassification'
featurizationSettings: {
datasetLanguage: 'string'
}
limitSettings: {
maxConcurrentTrials: int
maxTrials: int
timeout: 'string'
}
primaryMetric: 'string'
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
Gebruik voor TextClassificationMultilabel:
taskType: 'TextClassificationMultilabel'
featurizationSettings: {
datasetLanguage: 'string'
}
limitSettings: {
maxConcurrentTrials: int
maxTrials: int
timeout: 'string'
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
Gebruik voor TextNER:
taskType: 'TextNER'
featurizationSettings: {
datasetLanguage: 'string'
}
limitSettings: {
maxConcurrentTrials: int
maxTrials: int
timeout: 'string'
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
NCrossValidations-objecten
Stel de eigenschap mode in om het type object op te geven.
Voor Automatisch gebruikt u:
mode: 'Auto'
Voor Aangepast gebruikt u:
mode: 'Custom'
value: int
ForecastHorizon-objecten
Stel de eigenschap mode in om het type object op te geven.
Voor Automatisch gebruikt u:
mode: 'Auto'
Voor Aangepast gebruikt u:
mode: 'Custom'
value: int
Seizoensgebondenheidsobjecten
Stel de eigenschap mode in om het type object op te geven.
Voor Automatisch gebruikt u:
mode: 'Auto'
Voor Aangepast gebruikt u:
mode: 'Custom'
value: int
TargetLags-objecten
Stel de eigenschap mode in om het type object op te geven.
Voor Automatisch gebruikt u:
mode: 'Auto'
Voor Aangepast gebruikt u:
mode: 'Custom'
values: [
int
]
TargetRollingWindowSize-objecten
Stel de eigenschap mode in om het type object op te geven.
Voor Automatisch gebruikt u:
mode: 'Auto'
Voor Aangepast gebruikt u:
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 custom_model:
jobInputType: 'custom_model'
mode: 'string'
uri: 'string'
Gebruik voor letterlijke gegevens:
jobInputType: 'literal'
value: 'string'
Gebruik voor mlflow_model:
jobInputType: 'mlflow_model'
mode: 'string'
uri: 'string'
Gebruik voor mltable:
jobInputType: 'mltable'
mode: 'string'
uri: 'string'
Gebruik voor triton_model:
jobInputType: 'triton_model'
mode: 'string'
uri: 'string'
Gebruik voor uri_file:
jobInputType: 'uri_file'
mode: 'string'
uri: 'string'
Gebruik voor uri_folder:
jobInputType: 'uri_folder'
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
TriggerBase-objecten
Stel de eigenschap triggerType in om het type object op te geven.
Gebruik voor Cron:
triggerType: 'Cron'
expression: 'string'
Gebruik voor Terugkeerpatroon:
triggerType: 'Recurrence'
frequency: 'string'
interval: int
schedule: {
hours: [
int
]
minutes: [
int
]
monthDays: [
int
]
weekDays: [
'string'
]
}
Eigenschapswaarden
werkruimten/planningen
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. | ScheduleProperties (vereist) |
ScheduleProperties
Naam | Description | Waarde |
---|---|---|
action | [Vereist] Hiermee geeft u de actie van de planning op | ScheduleActionBase (vereist) |
beschrijving | De beschrijvingstekst van de asset. | tekenreeks |
displayName | Weergavenaam van planning. | tekenreeks |
isEnabled | Is de planning ingeschakeld? | booleaans |
properties | De woordenlijst met eigenschappen van activa. | ResourceBaseProperties |
tags | Tagwoordenlijst. Tags kunnen worden toegevoegd, verwijderd en bijgewerkt. | object |
activeren | [Vereist] Hiermee geeft u de details van de trigger op | TriggerBase (vereist) |
ScheduleActionBase
Naam | Description | Waarde |
---|---|---|
actionType | Het objecttype instellen | CreateJob InvokeBatchEndpoint (vereist) |
JobScheduleAction
Naam | Description | Waarde |
---|---|---|
actionType | [Vereist] Hiermee geeft u het actietype van de planning op | 'CreateJob' (vereist) |
jobDefinition | [Vereist] Definieert de definitiedetails van de planningsactie. | JobBaseProperties (vereist) |
JobBaseProperties
Naam | Description | Waarde |
---|---|---|
componentId | ARM-resource-id van de onderdeelresource. | tekenreeks |
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 |
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 | |
{aangepaste eigenschap} | tekenreeks |
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. | JobResourceConfiguration |
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 | custom_model mlflow_model mltable triton_model uri_file uri_folder (vereist) |
CustomModelJobOutput
Naam | Description | Waarde |
---|---|---|
jobOutputType | [Vereist] Hiermee geeft u het type taak op. | 'custom_model' (vereist) |
mode | Leveringsmodus van uitvoerasset. | 'ReadWriteMount' Uploaden |
Uri | Uitvoerasset-URI. | tekenreeks |
MLFlowModelJobOutput
Naam | Description | Waarde |
---|---|---|
jobOutputType | [Vereist] Hiermee geeft u het type taak op. | 'mlflow_model' (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 | Uitvoerassetleveringsmodus. | 'ReadWriteMount' Uploaden |
Uri | Uitvoerasset-URI. | tekenreeks |
TritonModelJobOutput
Naam | Description | Waarde |
---|---|---|
jobOutputType | [Vereist] Hiermee geeft u het type taak op. | 'triton_model' (vereist) |
mode | Uitvoerassetleveringsmodus. | 'ReadWriteMount' Uploaden |
Uri | Uitvoerasset-URI. | tekenreeks |
UriFileJobOutput
Naam | Description | Waarde |
---|---|---|
jobOutputType | [Vereist] Hiermee geeft u het type taak op. | 'uri_file' (vereist) |
mode | Uitvoerassetleveringsmodus. | 'ReadWriteMount' Uploaden |
Uri | Uitvoerasset-URI. | tekenreeks |
UriFolderJobOutput
Naam | Description | Waarde |
---|---|---|
jobOutputType | [Vereist] Hiermee geeft u het type taak op. | 'uri_folder' (vereist) |
mode | Uitvoerassetleveringsmodus. | 'ReadWriteMount' Uploaden |
Uri | Uitvoerasset-URI. | tekenreeks |
JobResourceConfiguration
Naam | Description | Waarde |
---|---|---|
dockerArgs | Extra argumenten om door te geven aan de Opdracht Uitvoeren van Docker. Hiermee worden alle parameters overschreven die al zijn ingesteld door het systeem of in deze sectie. Deze parameter wordt alleen ondersteund voor Azure ML-rekentypen. | tekenreeks |
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 |
shmSize | Grootte van het gedeelde geheugenblok van de Docker-container. Dit moet de notatie (getal)(eenheid) hebben, waarbij getal groter is dan 0 en de eenheid een van b(bytes), k(kilobytes), m(megabytes) of g(gigabytes) kan zijn. | tekenreeks Beperkingen: Patroon = \d+[bBkKmMgG] |
ResourceConfigurationProperties
Naam | Description | Waarde |
---|---|---|
{aangepaste eigenschap} | Voor Bicep kunt u de functie any() gebruiken. | |
{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' |
targetColumnName | Naam van doelkolom: dit is de kolom met voorspellingswaarden. Ook wel labelkolomnaam genoemd in de context van classificatietaken. |
tekenreeks |
trainingData | [Vereist] Invoer van trainingsgegevens. | MLTableJobInput (vereist) |
taskType | Het objecttype instellen | Classificatie Prognose ImageClassification ImageClassificationMultilabel ImageInstanceSegmentation ImageObjectDetection Regressie TextClassification TextClassificationMultilabel TextNER (vereist) |
MLTableJobInput
Naam | Description | Waarde |
---|---|---|
beschrijving | Beschrijving voor de invoer. | tekenreeks |
jobInputType | [Vereist] Hiermee geeft u het type taak op. | 'custom_model' 'letterlijk' 'mlflow_model' 'mltable' 'triton_model' 'uri_file' 'uri_folder' (vereist) |
mode | Leveringsmodus voor invoerasset. | 'Direct' 'Downloaden' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
Uri | [Vereist] URI van invoerasset. | tekenreeks (vereist) Beperkingen: Patroon = [a-zA-Z0-9_] |
Classificatie
Naam | Description | Waarde |
---|---|---|
taskType | [Vereist] Taaktype voor AutoMLJob. | 'Classificatie' (vereist) |
cvSplitColumnNames | Kolommen die moeten worden gebruikt voor CVSplit-gegevens. | tekenreeks[] |
featurizationSettings | Featurization-invoer die nodig is voor de AutoML-taak. | TableVerticalFeaturizationSettings |
limitSettings | Uitvoeringsbeperkingen voor AutoMLJob. | TableVerticalLimitSettings |
nCrossValidations | Aantal kruisvalidatievouws dat moet worden toegepast op de trainingsgegevensset wanneer de validatiegegevensset niet is opgegeven. |
NCrossValidations |
positiveLabel | Positief label voor berekening van binaire metrische gegevens. | tekenreeks |
primaryMetric | Primaire metrische gegevens voor de taak. | 'AUCWeighted' 'Nauwkeurigheid' 'AveragePrecisionScoreWeighted' 'NormMacroRecall' 'PrecisionScoreWeighted' |
Testdata | Gegevensinvoer testen. | 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 |
trainingInstellingen | Invoer voor de trainingsfase voor een AutoML-taak. | ClassificationTrainingSettings |
validationData | Invoer van validatiegegevens. | 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 |
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 |
TableVerticalFeaturizationSettings
Naam | Description | Waarde |
---|---|---|
blockedTransformers | Deze transformatoren mogen niet worden gebruikt voor featurization. | Tekenreeksmatrix met een van de volgende: 'CatTargetEncoder' 'CountVectorizer' 'HashOneHotEncoder' 'LabelEncoder' 'NaiveBayes' 'OneHotEncoder' 'TextTargetEncoder' 'TfIdf' 'WoETargetEncoder' 'WordEmbedding' |
columnNameAndTypes | Woordenlijst van kolomnaam en het bijbehorende type (int, float, tekenreeks, datum/tijd, enzovoort). | TableVerticalFeaturizationSettingsColumnNameAndTypes |
datasetLanguage | Gegevenssettaal, handig voor de tekstgegevens. | 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 noodzakelijke transformatie van de gegevens in de featurization-fase. Als 'Uit' is geselecteerd, wordt er geen featurization uitgevoerd. Als 'Aangepast' is geselecteerd, kan de gebruiker aanvullende 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. |
Voor Bicep kunt u de functie any() gebruiken. |
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 |
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) |
ClassificationTrainingSettings
Naam | Description | Waarde |
---|---|---|
allowedTrainingAlgorithms | Toegestane modellen voor classificatietaak. | Tekenreeksmatrix met een van de volgende waarden: 'BernoulliNaiveBayes' 'DecisionTree' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LightGBM' 'LinearSVM' 'LogisticRegression' 'MultinomialNaiveBayes' 'RandomForest' 'SGD' 'SVM' 'XGBoostClassifier' |
blockedTrainingAlgorithms | Geblokkeerde modellen voor classificatietaak. | Tekenreeksmatrix met een van de volgende waarden: 'BernoulliNaiveBayes' 'DecisionTree' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LightGBM' 'LinearSVM' 'LogisticRegression' 'MultinomialNaiveBayes' 'RandomForest' 'SGD' 'SVM' 'XGBoostClassifier' |
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) |
cvSplitColumnNames | Kolommen die moeten worden gebruikt voor CVSplit-gegevens. | tekenreeks[] |
featurizationSettings | Featurization-invoer die nodig is voor de AutoML-taak. | TableVerticalFeaturizationSettings |
forecastingSettings | Taakspecifieke invoer voorspellen. | PrognoseInstellingen |
limitSettings | Uitvoeringsbeperkingen voor AutoMLJob. | TableVerticalLimitSettings |
nCrossValidations | Aantal kruisvalidatievouwen dat moet worden toegepast op de trainingsgegevensset wanneer de validatiegegevensset niet is opgegeven. |
NCrossValidations |
primaryMetric | Primaire metrische waarde voor prognosetaak. | 'NormalizedMeanAbsoluteError' 'NormalizedRootMeanSquaredError' 'R2Score' 'SpearmanCorrelation' |
Testdata | Gegevensinvoer testen. | 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 |
trainingSettings | Invoer voor de trainingsfase voor een AutoML-taak. | PrognosesTrainingSettings |
validationData | Invoer van validatiegegevens. | 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 |
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 |
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. VoorCVStepSize als = 3 voor dagelijkse gegevens, is de oorsprongstijd voor elke vouwdrie 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) |
PrognosesTrainingSettings
Naam | Description | Waarde |
---|---|---|
allowedTrainingAlgorithms | 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' |
blockedTrainingAlgorithms | 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' |
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 |
ImageClassification
Naam | Description | Waarde |
---|---|---|
taskType | [Vereist] Taaktype voor AutoMLJob. | 'ImageClassification' (vereist) |
limitSettings | [Vereist] Instellingen voor de AutoML-taak beperken. | ImageLimitSettings (vereist) |
modelSettings | 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 | Gerelateerde instellingen voor modelveeg- en hyperparameter-sweeping. | ImageSweepSettings |
validationData | Invoer van validatiegegevens. | 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 |
checkpointFrequentie | Frequentie voor het opslaan van modelcontrolepunten. Moet een positief geheel getal zijn. | int |
checkpointModel | Het vooraf getrainde controlepuntmodel voor incrementele training. | MLFlowModelJobInput |
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 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 |
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 |
trainingBatchSize | Grootte van trainingsbatch. Moet een positief geheel getal zijn. | int |
trainingCropSize | Bijsnijdgrootte van afbeelding die wordt ingevoerd voor 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 | Afbeeldingsgrootte waartoe het formaat moet worden gewijzigd voordat u de gegevensset bijsnijd. Moet een positief geheel getal zijn. | int |
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 |
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. |
int |
MLFlowModelJobInput
Naam | Description | Waarde |
---|---|---|
beschrijving | Beschrijving voor de invoer. | tekenreeks |
jobInputType | [Vereist] Hiermee geeft u het type taak op. | 'custom_model' 'letterlijk' 'mlflow_model' 'mltable' 'triton_model' 'uri_file' 'uri_folder' (vereist) |
mode | Leveringsmodus voor invoerasset. | 'Direct' 'Downloaden' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
Uri | [Vereist] URI van invoerasset. | tekenreeks (vereist) Beperkingen: Patroon = [a-zA-Z0-9_] |
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 |
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 in 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 | Grootte van afbeelding waarmee u het formaat moet wijzigen voordat u de validatiegegevensset bijsnijd. Moet een positief geheel getal 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 |
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. |
tekenreeks |
ImageSweepSettings
Naam | Description | Waarde |
---|---|---|
earlyTermination | Type beleid voor vroegtijdige beëindiging. | EarlyTerminationPolicy |
samplingAlgorithm | [Vereist] Type van de algoritmen voor het nemen van hyperparameters. | 'Bayesisch' 'Raster' 'Willekeurig' (vereist) |
EarlyTerminationPolicy
Naam | Description | Waarde |
---|---|---|
delayEvalue | Het aantal intervallen waarmee de eerste evaluatie moet worden uitgesteld. | int |
evaluationInterval | Interval (aantal uitvoeringen) tussen beleidsevaluaties. | int |
policyType | Het objecttype instellen | Bandit MedianStopping TruncationSelection (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 uitvoering. | 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 |
ImageClassificationMultilabel
Naam | Description | Waarde |
---|---|---|
taskType | [Vereist] Taaktype voor AutoMLJob. | 'ImageClassificationMultilabel' (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 |
validationData | Invoer van validatiegegevens. | 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 |
ImageInstanceSegmentation
Naam | Description | Waarde |
---|---|---|
taskType | [Vereist] Taaktype voor AutoMLJob. | 'ImageInstanceSegmentation' (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 |
validationData | Invoer van validatiegegevens. | 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 |
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 |
checkpointFrequency | Frequentie voor het opslaan van modelcontrolepunten. Moet een positief geheel getal zijn. | int |
checkpointModel | Het vooraf getrainde controlepuntmodel voor incrementele training. | MLFlowModelJobInput |
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 |
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 vroegtijdig stoppen. 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 |
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 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 |
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'. |
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: de 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. 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'. |
tekenreeks |
Momentum | Waarde van momentum wanneer optimizer 'sgd' is. Moet een vlotter zijn binnen het bereik [0, 1]. | tekenreeks |
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'. |
tekenreeks |
Nesterov | Schakel nesterov in wanneer optimizer 'sgd' is. | tekenreeks |
nmsIouThreshold | IOU-drempelwaarde die wordt gebruikt tijdens deductie in NMS-naverwerking. 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 |
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) |
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 |
validationData | Invoer van validatiegegevens. | 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 |
Regressie
Naam | Description | Waarde |
---|---|---|
taskType | [Vereist] Taaktype voor AutoMLJob. | 'Regressie' (vereist) |
cvSplitColumnNames | Kolommen die moeten worden gebruikt voor CVSplit-gegevens. | tekenreeks[] |
featurizationSettings | Featurization-invoer die nodig is voor de AutoML-taak. | TableVerticalFeaturizationSettings |
limitSettings | Uitvoeringsbeperkingen voor AutoMLJob. | TableVerticalLimitSettings |
nCrossValidations | Aantal kruisvalidatievouwen dat moet worden toegepast op de trainingsgegevensset wanneer de validatiegegevensset niet is opgegeven. |
NCrossValidations |
primaryMetric | Primaire metrische waarde voor regressietaak. | 'NormalizedMeanAbsoluteError' 'NormalizedRootMeanSquaredError' 'R2Score' 'SpearmanCorrelation' |
Testdata | Gegevensinvoer testen. | 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 |
trainingSettings | Invoer voor de trainingsfase voor een AutoML-taak. | RegressionTrainingSettings |
validationData | Invoer van validatiegegevens. | 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 |
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 |
RegressionTrainingSettings
Naam | Description | Waarde |
---|---|---|
allowedTrainingAlgorithms | Toegestane modellen voor regressietaak. | Tekenreeksmatrix met een van de volgende: 'DecisionTree' 'ElasticNet' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'RandomForest' 'SGD' 'XGBoostRegressor' |
blockedTrainingAlgorithms | Geblokkeerde modellen voor regressietaak. | Tekenreeksmatrix met een van de volgende: 'DecisionTree' 'ElasticNet' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'RandomForest' 'SGD' 'XGBoostRegressor' |
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 |
TextClassification
Naam | Description | Waarde |
---|---|---|
taskType | [Vereist] Taaktype voor AutoMLJob. | 'TextClassification' (vereist) |
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' |
validationData | Invoer van validatiegegevens. | MLTableJobInput |
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) |
featurizationSettings | Featurization-invoer die nodig is voor de AutoML-taak. | NlpVerticalFeaturizationSettings |
limitSettings | Uitvoeringsbeperkingen voor AutoMLJob. | NlpVerticalLimitSettings |
validationData | Invoer van validatiegegevens. | MLTableJobInput |
TextNer
Naam | Description | Waarde |
---|---|---|
taskType | [Vereist] Taaktype voor AutoMLJob. | 'TextNER' (vereist) |
featurizationSettings | Featurization-invoer die nodig is voor de AutoML-taak. | NlpVerticalFeaturizationSettings |
limitSettings | Uitvoeringsbeperkingen voor AutoMLJob. | NlpVerticalLimitSettings |
validationData | Invoer van validatiegegevens. | MLTableJobInput |
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. | JobResourceConfiguration |
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 | custom_model Letterlijke mlflow_model mltable triton_model uri_file uri_folder (vereist) |
CustomModelJobInput
Naam | Description | Waarde |
---|---|---|
jobInputType | [Vereist] Hiermee geeft u het type taak op. | 'custom_model' (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_] |
TritonModelJobInput
Naam | Description | Waarde |
---|---|---|
jobInputType | [Vereist] Hiermee geeft u het type taak op. | 'triton_model' (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. | 'uri_file' (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. | 'uri_folder' (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. | Voor Bicep kunt u de functie any() gebruiken. |
sourceJobId | ARM-resource-id van brontaak. | tekenreeks |
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. | JobResourceConfiguration |
TrialComponentEnvironmentVariables
Naam | Description | Waarde |
---|---|---|
{aangepaste eigenschap} | tekenreeks |
EndpointScheduleAction
Naam | Description | Waarde |
---|---|---|
actionType | [Vereist] Hiermee geeft u het actietype van de planning op | InvokeBatchEndpoint (vereist) |
endpointInvocationDefinition | [Vereist] Definieert details van de definitie van de planningsactie. {see href="TBD" /} |
Voor Bicep kunt u de functie any() gebruiken. (vereist) |
TriggerBase
Naam | Description | Waarde |
---|---|---|
endTime | Hiermee geeft u de eindtijd van de planning in ISO 8601 op, maar zonder een UTC-offset. Raadpleeg https://en.wikipedia.org/wiki/ISO_8601. Aanbevolen indeling is 2022-06-01T00:00:01 Als deze niet aanwezig is, wordt de planning voor onbepaalde tijd uitgevoerd |
tekenreeks |
startTime | Hiermee geeft u de begintijd van de planning in ISO 8601-indeling op, maar zonder een UTC-offset. | tekenreeks |
timeZone | Hiermee geeft u de tijdzone op waarin de planning wordt uitgevoerd. Tijdzone moet de indeling van de Windows-tijdzone volgen. Raadpleeg: https://docs.microsoft.com/windows-hardware/manufacture/desktop/default-time-zones /> |
tekenreeks |
triggerType | Het objecttype instellen | Cron Terugkeerpatroon (vereist) |
CronTrigger
Naam | Description | Waarde |
---|---|---|
triggerType | [Vereist] | '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_] |
RecurrenceTrigger
Naam | Description | Waarde |
---|---|---|
triggerType | [Vereist] | Terugkeerpatroon (vereist) |
frequency | [Vereist] De frequentie om het schema te activeren. | 'Dag' 'Uur' 'Minuut' 'Maand' 'Week' (vereist) |
interval | [Vereist] Hiermee geeft u het schema-interval op in combinatie met de frequentie | int (vereist) |
schedule | Het terugkeerschema. | RecurrenceSchedule |
RecurrenceSchedule
Naam | Description | Waarde |
---|---|---|
uur | [Vereist] Lijst met uren voor de planning. | int[] (vereist) |
minutes | [Vereist] Lijst met minuten voor de planning. | int[] (vereist) |
monthDays | Lijst met maanddagen voor de planning | int[] |
weekDays | Lijst met dagen voor de planning. | Tekenreeksmatrix met een van de volgende: 'Vrijdag' 'Maandag' 'Zaterdag' 'Zondag' 'Donderdag' 'Dinsdag' 'Woensdag' |
Resourcedefinitie van ARM-sjabloon
Het resourcetype werkruimten/planningen 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/schedules wilt maken, voegt u de volgende JSON toe aan uw sjabloon.
{
"type": "Microsoft.MachineLearningServices/workspaces/schedules",
"apiVersion": "2022-10-01",
"name": "string",
"properties": {
"action": {
"actionType": "string"
// For remaining properties, see ScheduleActionBase objects
},
"description": "string",
"displayName": "string",
"isEnabled": "bool",
"properties": {
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string"
},
"tags": {
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string"
},
"trigger": {
"endTime": "string",
"startTime": "string",
"timeZone": "string",
"triggerType": "string"
// For remaining properties, see TriggerBase objects
}
}
}
ScheduleActionBase-objecten
Stel de eigenschap actionType in om het type object op te geven.
Gebruik voor CreateJob:
"actionType": "CreateJob",
"jobDefinition": {
"componentId": "string",
"computeId": "string",
"description": "string",
"displayName": "string",
"experimentName": "string",
"identity": {
"identityType": "string"
// For remaining properties, see IdentityConfiguration objects
},
"isArchived": "bool",
"properties": {
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string"
},
"services": {
"{customized property}": {
"endpoint": "string",
"jobServiceType": "string",
"port": "int",
"properties": {
"{customized property}": "string"
}
}
},
"tags": {
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string"
},
"jobType": "string"
// For remaining properties, see JobBaseProperties objects
}
Gebruik voor InvokeBatchEndpoint:
"actionType": "InvokeBatchEndpoint",
"endpointInvocationDefinition": {}
JobBaseProperties-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": {
"dockerArgs": "string",
"instanceCount": "int",
"instanceType": "string",
"properties": {
"{customized property}": {},
"{customized property}": {}
},
"shmSize": "string"
},
"taskDetails": {
"logVerbosity": "string",
"targetColumnName": "string",
"trainingData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"taskType": "string"
// For remaining properties, see AutoMLVertical objects
}
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": {
"dockerArgs": "string",
"instanceCount": "int",
"instanceType": "string",
"properties": {
"{customized property}": {},
"{customized property}": {}
},
"shmSize": "string"
}
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": {},
"sourceJobId": "string"
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": {
"dockerArgs": "string",
"instanceCount": "int",
"instanceType": "string",
"properties": {
"{customized property}": {},
"{customized property}": {}
},
"shmSize": "string"
}
}
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"
JobOutput-objecten
Stel de eigenschap jobOutputType in om het type object op te geven.
Gebruik voor custom_model:
"jobOutputType": "custom_model",
"mode": "string",
"uri": "string"
Gebruik voor mlflow_model:
"jobOutputType": "mlflow_model",
"mode": "string",
"uri": "string"
Gebruik voor mltable:
"jobOutputType": "mltable",
"mode": "string",
"uri": "string"
Gebruik voor triton_model:
"jobOutputType": "triton_model",
"mode": "string",
"uri": "string"
Gebruik voor uri_file:
"jobOutputType": "uri_file",
"mode": "string",
"uri": "string"
Gebruik voor uri_folder:
"jobOutputType": "uri_folder",
"mode": "string",
"uri": "string"
AutoMLVertical-objecten
Stel de eigenschap taskType in om het type object op te geven.
Gebruik voor Classificatie:
"taskType": "Classification",
"cvSplitColumnNames": [ "string" ],
"featurizationSettings": {
"blockedTransformers": [ "string" ],
"columnNameAndTypes": {
"{customized property}": "string"
},
"datasetLanguage": "string",
"enableDnnFeaturization": "bool",
"mode": "string",
"transformerParams": {
"{customized property}": [
{
"fields": [ "string" ],
"parameters": {}
}
]
}
},
"limitSettings": {
"enableEarlyTermination": "bool",
"exitScore": "int",
"maxConcurrentTrials": "int",
"maxCoresPerTrial": "int",
"maxTrials": "int",
"timeout": "string",
"trialTimeout": "string"
},
"nCrossValidations": {
"mode": "string"
// For remaining properties, see NCrossValidations objects
},
"positiveLabel": "string",
"primaryMetric": "string",
"testData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"testDataSize": "int",
"trainingSettings": {
"allowedTrainingAlgorithms": [ "string" ],
"blockedTrainingAlgorithms": [ "string" ],
"enableDnnTraining": "bool",
"enableModelExplainability": "bool",
"enableOnnxCompatibleModels": "bool",
"enableStackEnsemble": "bool",
"enableVoteEnsemble": "bool",
"ensembleModelDownloadTimeout": "string",
"stackEnsembleSettings": {
"stackMetaLearnerKWargs": {},
"stackMetaLearnerTrainPercentage": "int",
"stackMetaLearnerType": "string"
}
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"validationDataSize": "int",
"weightColumnName": "string"
Gebruik voor prognoses:
"taskType": "Forecasting",
"cvSplitColumnNames": [ "string" ],
"featurizationSettings": {
"blockedTransformers": [ "string" ],
"columnNameAndTypes": {
"{customized property}": "string"
},
"datasetLanguage": "string",
"enableDnnFeaturization": "bool",
"mode": "string",
"transformerParams": {
"{customized property}": [
{
"fields": [ "string" ],
"parameters": {}
}
]
}
},
"forecastingSettings": {
"countryOrRegionForHolidays": "string",
"cvStepSize": "int",
"featureLags": "string",
"forecastHorizon": {
"mode": "string"
// For remaining properties, see ForecastHorizon objects
},
"frequency": "string",
"seasonality": {
"mode": "string"
// For remaining properties, see Seasonality objects
},
"shortSeriesHandlingConfig": "string",
"targetAggregateFunction": "string",
"targetLags": {
"mode": "string"
// For remaining properties, see TargetLags objects
},
"targetRollingWindowSize": {
"mode": "string"
// For remaining properties, see TargetRollingWindowSize objects
},
"timeColumnName": "string",
"timeSeriesIdColumnNames": [ "string" ],
"useStl": "string"
},
"limitSettings": {
"enableEarlyTermination": "bool",
"exitScore": "int",
"maxConcurrentTrials": "int",
"maxCoresPerTrial": "int",
"maxTrials": "int",
"timeout": "string",
"trialTimeout": "string"
},
"nCrossValidations": {
"mode": "string"
// For remaining properties, see NCrossValidations objects
},
"primaryMetric": "string",
"testData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"testDataSize": "int",
"trainingSettings": {
"allowedTrainingAlgorithms": [ "string" ],
"blockedTrainingAlgorithms": [ "string" ],
"enableDnnTraining": "bool",
"enableModelExplainability": "bool",
"enableOnnxCompatibleModels": "bool",
"enableStackEnsemble": "bool",
"enableVoteEnsemble": "bool",
"ensembleModelDownloadTimeout": "string",
"stackEnsembleSettings": {
"stackMetaLearnerKWargs": {},
"stackMetaLearnerTrainPercentage": "int",
"stackMetaLearnerType": "string"
}
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"validationDataSize": "int",
"weightColumnName": "string"
Gebruik voor ImageClassification:
"taskType": "ImageClassification",
"limitSettings": {
"maxConcurrentTrials": "int",
"maxTrials": "int",
"timeout": "string"
},
"modelSettings": {
"advancedSettings": "string",
"amsGradient": "bool",
"augmentations": "string",
"beta1": "int",
"beta2": "int",
"checkpointFrequency": "int",
"checkpointModel": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"checkpointRunId": "string",
"distributed": "bool",
"earlyStopping": "bool",
"earlyStoppingDelay": "int",
"earlyStoppingPatience": "int",
"enableOnnxNormalization": "bool",
"evaluationFrequency": "int",
"gradientAccumulationStep": "int",
"layersToFreeze": "int",
"learningRate": "int",
"learningRateScheduler": "string",
"modelName": "string",
"momentum": "int",
"nesterov": "bool",
"numberOfEpochs": "int",
"numberOfWorkers": "int",
"optimizer": "string",
"randomSeed": "int",
"stepLRGamma": "int",
"stepLRStepSize": "int",
"trainingBatchSize": "int",
"trainingCropSize": "int",
"validationBatchSize": "int",
"validationCropSize": "int",
"validationResizeSize": "int",
"warmupCosineLRCycles": "int",
"warmupCosineLRWarmupEpochs": "int",
"weightDecay": "int",
"weightedLoss": "int"
},
"primaryMetric": "string",
"searchSpace": [
{
"amsGradient": "string",
"augmentations": "string",
"beta1": "string",
"beta2": "string",
"distributed": "string",
"earlyStopping": "string",
"earlyStoppingDelay": "string",
"earlyStoppingPatience": "string",
"enableOnnxNormalization": "string",
"evaluationFrequency": "string",
"gradientAccumulationStep": "string",
"layersToFreeze": "string",
"learningRate": "string",
"learningRateScheduler": "string",
"modelName": "string",
"momentum": "string",
"nesterov": "string",
"numberOfEpochs": "string",
"numberOfWorkers": "string",
"optimizer": "string",
"randomSeed": "string",
"stepLRGamma": "string",
"stepLRStepSize": "string",
"trainingBatchSize": "string",
"trainingCropSize": "string",
"validationBatchSize": "string",
"validationCropSize": "string",
"validationResizeSize": "string",
"warmupCosineLRCycles": "string",
"warmupCosineLRWarmupEpochs": "string",
"weightDecay": "string",
"weightedLoss": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"samplingAlgorithm": "string"
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"validationDataSize": "int"
Gebruik voor ImageClassificationMultilabel:
"taskType": "ImageClassificationMultilabel",
"limitSettings": {
"maxConcurrentTrials": "int",
"maxTrials": "int",
"timeout": "string"
},
"modelSettings": {
"advancedSettings": "string",
"amsGradient": "bool",
"augmentations": "string",
"beta1": "int",
"beta2": "int",
"checkpointFrequency": "int",
"checkpointModel": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"checkpointRunId": "string",
"distributed": "bool",
"earlyStopping": "bool",
"earlyStoppingDelay": "int",
"earlyStoppingPatience": "int",
"enableOnnxNormalization": "bool",
"evaluationFrequency": "int",
"gradientAccumulationStep": "int",
"layersToFreeze": "int",
"learningRate": "int",
"learningRateScheduler": "string",
"modelName": "string",
"momentum": "int",
"nesterov": "bool",
"numberOfEpochs": "int",
"numberOfWorkers": "int",
"optimizer": "string",
"randomSeed": "int",
"stepLRGamma": "int",
"stepLRStepSize": "int",
"trainingBatchSize": "int",
"trainingCropSize": "int",
"validationBatchSize": "int",
"validationCropSize": "int",
"validationResizeSize": "int",
"warmupCosineLRCycles": "int",
"warmupCosineLRWarmupEpochs": "int",
"weightDecay": "int",
"weightedLoss": "int"
},
"primaryMetric": "string",
"searchSpace": [
{
"amsGradient": "string",
"augmentations": "string",
"beta1": "string",
"beta2": "string",
"distributed": "string",
"earlyStopping": "string",
"earlyStoppingDelay": "string",
"earlyStoppingPatience": "string",
"enableOnnxNormalization": "string",
"evaluationFrequency": "string",
"gradientAccumulationStep": "string",
"layersToFreeze": "string",
"learningRate": "string",
"learningRateScheduler": "string",
"modelName": "string",
"momentum": "string",
"nesterov": "string",
"numberOfEpochs": "string",
"numberOfWorkers": "string",
"optimizer": "string",
"randomSeed": "string",
"stepLRGamma": "string",
"stepLRStepSize": "string",
"trainingBatchSize": "string",
"trainingCropSize": "string",
"validationBatchSize": "string",
"validationCropSize": "string",
"validationResizeSize": "string",
"warmupCosineLRCycles": "string",
"warmupCosineLRWarmupEpochs": "string",
"weightDecay": "string",
"weightedLoss": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"samplingAlgorithm": "string"
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"validationDataSize": "int"
Gebruik voor ImageInstanceSegmentation:
"taskType": "ImageInstanceSegmentation",
"limitSettings": {
"maxConcurrentTrials": "int",
"maxTrials": "int",
"timeout": "string"
},
"modelSettings": {
"advancedSettings": "string",
"amsGradient": "bool",
"augmentations": "string",
"beta1": "int",
"beta2": "int",
"boxDetectionsPerImage": "int",
"boxScoreThreshold": "int",
"checkpointFrequency": "int",
"checkpointModel": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"checkpointRunId": "string",
"distributed": "bool",
"earlyStopping": "bool",
"earlyStoppingDelay": "int",
"earlyStoppingPatience": "int",
"enableOnnxNormalization": "bool",
"evaluationFrequency": "int",
"gradientAccumulationStep": "int",
"imageSize": "int",
"layersToFreeze": "int",
"learningRate": "int",
"learningRateScheduler": "string",
"maxSize": "int",
"minSize": "int",
"modelName": "string",
"modelSize": "string",
"momentum": "int",
"multiScale": "bool",
"nesterov": "bool",
"nmsIouThreshold": "int",
"numberOfEpochs": "int",
"numberOfWorkers": "int",
"optimizer": "string",
"randomSeed": "int",
"stepLRGamma": "int",
"stepLRStepSize": "int",
"tileGridSize": "string",
"tileOverlapRatio": "int",
"tilePredictionsNmsThreshold": "int",
"trainingBatchSize": "int",
"validationBatchSize": "int",
"validationIouThreshold": "int",
"validationMetricType": "string",
"warmupCosineLRCycles": "int",
"warmupCosineLRWarmupEpochs": "int",
"weightDecay": "int"
},
"primaryMetric": "MeanAveragePrecision",
"searchSpace": [
{
"amsGradient": "string",
"augmentations": "string",
"beta1": "string",
"beta2": "string",
"boxDetectionsPerImage": "string",
"boxScoreThreshold": "string",
"distributed": "string",
"earlyStopping": "string",
"earlyStoppingDelay": "string",
"earlyStoppingPatience": "string",
"enableOnnxNormalization": "string",
"evaluationFrequency": "string",
"gradientAccumulationStep": "string",
"imageSize": "string",
"layersToFreeze": "string",
"learningRate": "string",
"learningRateScheduler": "string",
"maxSize": "string",
"minSize": "string",
"modelName": "string",
"modelSize": "string",
"momentum": "string",
"multiScale": "string",
"nesterov": "string",
"nmsIouThreshold": "string",
"numberOfEpochs": "string",
"numberOfWorkers": "string",
"optimizer": "string",
"randomSeed": "string",
"stepLRGamma": "string",
"stepLRStepSize": "string",
"tileGridSize": "string",
"tileOverlapRatio": "string",
"tilePredictionsNmsThreshold": "string",
"trainingBatchSize": "string",
"validationBatchSize": "string",
"validationIouThreshold": "string",
"validationMetricType": "string",
"warmupCosineLRCycles": "string",
"warmupCosineLRWarmupEpochs": "string",
"weightDecay": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"samplingAlgorithm": "string"
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"validationDataSize": "int"
Gebruik voor ImageObjectDetection:
"taskType": "ImageObjectDetection",
"limitSettings": {
"maxConcurrentTrials": "int",
"maxTrials": "int",
"timeout": "string"
},
"modelSettings": {
"advancedSettings": "string",
"amsGradient": "bool",
"augmentations": "string",
"beta1": "int",
"beta2": "int",
"boxDetectionsPerImage": "int",
"boxScoreThreshold": "int",
"checkpointFrequency": "int",
"checkpointModel": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"checkpointRunId": "string",
"distributed": "bool",
"earlyStopping": "bool",
"earlyStoppingDelay": "int",
"earlyStoppingPatience": "int",
"enableOnnxNormalization": "bool",
"evaluationFrequency": "int",
"gradientAccumulationStep": "int",
"imageSize": "int",
"layersToFreeze": "int",
"learningRate": "int",
"learningRateScheduler": "string",
"maxSize": "int",
"minSize": "int",
"modelName": "string",
"modelSize": "string",
"momentum": "int",
"multiScale": "bool",
"nesterov": "bool",
"nmsIouThreshold": "int",
"numberOfEpochs": "int",
"numberOfWorkers": "int",
"optimizer": "string",
"randomSeed": "int",
"stepLRGamma": "int",
"stepLRStepSize": "int",
"tileGridSize": "string",
"tileOverlapRatio": "int",
"tilePredictionsNmsThreshold": "int",
"trainingBatchSize": "int",
"validationBatchSize": "int",
"validationIouThreshold": "int",
"validationMetricType": "string",
"warmupCosineLRCycles": "int",
"warmupCosineLRWarmupEpochs": "int",
"weightDecay": "int"
},
"primaryMetric": "MeanAveragePrecision",
"searchSpace": [
{
"amsGradient": "string",
"augmentations": "string",
"beta1": "string",
"beta2": "string",
"boxDetectionsPerImage": "string",
"boxScoreThreshold": "string",
"distributed": "string",
"earlyStopping": "string",
"earlyStoppingDelay": "string",
"earlyStoppingPatience": "string",
"enableOnnxNormalization": "string",
"evaluationFrequency": "string",
"gradientAccumulationStep": "string",
"imageSize": "string",
"layersToFreeze": "string",
"learningRate": "string",
"learningRateScheduler": "string",
"maxSize": "string",
"minSize": "string",
"modelName": "string",
"modelSize": "string",
"momentum": "string",
"multiScale": "string",
"nesterov": "string",
"nmsIouThreshold": "string",
"numberOfEpochs": "string",
"numberOfWorkers": "string",
"optimizer": "string",
"randomSeed": "string",
"stepLRGamma": "string",
"stepLRStepSize": "string",
"tileGridSize": "string",
"tileOverlapRatio": "string",
"tilePredictionsNmsThreshold": "string",
"trainingBatchSize": "string",
"validationBatchSize": "string",
"validationIouThreshold": "string",
"validationMetricType": "string",
"warmupCosineLRCycles": "string",
"warmupCosineLRWarmupEpochs": "string",
"weightDecay": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"samplingAlgorithm": "string"
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"validationDataSize": "int"
Voor regressie gebruikt u:
"taskType": "Regression",
"cvSplitColumnNames": [ "string" ],
"featurizationSettings": {
"blockedTransformers": [ "string" ],
"columnNameAndTypes": {
"{customized property}": "string"
},
"datasetLanguage": "string",
"enableDnnFeaturization": "bool",
"mode": "string",
"transformerParams": {
"{customized property}": [
{
"fields": [ "string" ],
"parameters": {}
}
]
}
},
"limitSettings": {
"enableEarlyTermination": "bool",
"exitScore": "int",
"maxConcurrentTrials": "int",
"maxCoresPerTrial": "int",
"maxTrials": "int",
"timeout": "string",
"trialTimeout": "string"
},
"nCrossValidations": {
"mode": "string"
// For remaining properties, see NCrossValidations objects
},
"primaryMetric": "string",
"testData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"testDataSize": "int",
"trainingSettings": {
"allowedTrainingAlgorithms": [ "string" ],
"blockedTrainingAlgorithms": [ "string" ],
"enableDnnTraining": "bool",
"enableModelExplainability": "bool",
"enableOnnxCompatibleModels": "bool",
"enableStackEnsemble": "bool",
"enableVoteEnsemble": "bool",
"ensembleModelDownloadTimeout": "string",
"stackEnsembleSettings": {
"stackMetaLearnerKWargs": {},
"stackMetaLearnerTrainPercentage": "int",
"stackMetaLearnerType": "string"
}
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"validationDataSize": "int",
"weightColumnName": "string"
Gebruik voor TextClassification:
"taskType": "TextClassification",
"featurizationSettings": {
"datasetLanguage": "string"
},
"limitSettings": {
"maxConcurrentTrials": "int",
"maxTrials": "int",
"timeout": "string"
},
"primaryMetric": "string",
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
}
Gebruik voor TextClassificationMultilabel:
"taskType": "TextClassificationMultilabel",
"featurizationSettings": {
"datasetLanguage": "string"
},
"limitSettings": {
"maxConcurrentTrials": "int",
"maxTrials": "int",
"timeout": "string"
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
}
Gebruik voor TextNER:
"taskType": "TextNER",
"featurizationSettings": {
"datasetLanguage": "string"
},
"limitSettings": {
"maxConcurrentTrials": "int",
"maxTrials": "int",
"timeout": "string"
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
}
NCrossValidations-objecten
Stel de eigenschap mode in om het type object op te geven.
Voor Automatisch gebruikt u:
"mode": "Auto"
Voor Aangepast gebruikt u:
"mode": "Custom",
"value": "int"
ForecastHorizon-objecten
Stel de eigenschap mode in om het type object op te geven.
Voor Automatisch gebruikt u:
"mode": "Auto"
Voor Aangepast gebruikt u:
"mode": "Custom",
"value": "int"
Seizoensgebondenheidsobjecten
Stel de eigenschap mode in om het type object op te geven.
Voor Automatisch gebruikt u:
"mode": "Auto"
Voor Aangepast gebruikt u:
"mode": "Custom",
"value": "int"
TargetLags-objecten
Stel de eigenschap mode in om het type object op te geven.
Voor Automatisch gebruikt u:
"mode": "Auto"
Voor Aangepast gebruikt u:
"mode": "Custom",
"values": [ "int" ]
TargetRollingWindowSize-objecten
Stel de eigenschap mode in om het type object op te geven.
Voor Automatisch gebruikt u:
"mode": "Auto"
Voor Aangepast gebruikt u:
"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 custom_model:
"jobInputType": "custom_model",
"mode": "string",
"uri": "string"
Gebruik voor letterlijke gegevens:
"jobInputType": "literal",
"value": "string"
Gebruik voor mlflow_model:
"jobInputType": "mlflow_model",
"mode": "string",
"uri": "string"
Gebruik voor mltable:
"jobInputType": "mltable",
"mode": "string",
"uri": "string"
Gebruik voor triton_model:
"jobInputType": "triton_model",
"mode": "string",
"uri": "string"
Gebruik voor uri_file:
"jobInputType": "uri_file",
"mode": "string",
"uri": "string"
Gebruik voor uri_folder:
"jobInputType": "uri_folder",
"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"
TriggerBase-objecten
Stel de eigenschap triggerType in om het type object op te geven.
Gebruik voor Cron:
"triggerType": "Cron",
"expression": "string"
Gebruik voor Terugkeerpatroon:
"triggerType": "Recurrence",
"frequency": "string",
"interval": "int",
"schedule": {
"hours": [ "int" ],
"minutes": [ "int" ],
"monthDays": [ "int" ],
"weekDays": [ "string" ]
}
Eigenschapswaarden
werkruimten/planningen
Naam | Description | Waarde |
---|---|---|
type | Het resourcetype | 'Microsoft.MachineLearningServices/workspaces/schedules' |
apiVersion | De resource-API-versie | '2022-10-01' |
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. | ScheduleProperties (vereist) |
ScheduleProperties
Naam | Description | Waarde |
---|---|---|
action | [Vereist] Hiermee geeft u de actie van de planning op | ScheduleActionBase (vereist) |
beschrijving | De tekst van de assetbeschrijving. | tekenreeks |
displayName | Weergavenaam van planning. | tekenreeks |
isEnabled | Is de planning ingeschakeld? | booleaans |
properties | De woordenlijst met activa-eigenschappen. | ResourceBaseProperties |
tags | Tagwoordenlijst. Tags kunnen worden toegevoegd, verwijderd en bijgewerkt. | object |
activeren | [Vereist] Hiermee geeft u de details van de trigger op | TriggerBase (vereist) |
ScheduleActionBase
Naam | Description | Waarde |
---|---|---|
actionType | Het objecttype instellen | CreateJob InvokeBatchEndpoint (vereist) |
JobScheduleAction
Naam | Description | Waarde |
---|---|---|
actionType | [Vereist] Hiermee geeft u het actietype van de planning op | 'CreateJob' (vereist) |
jobDefinition | [Vereist] Definieert details van de definitie van de planningsactie. | JobBaseProperties (vereist) |
JobBaseProperties
Naam | Description | Waarde |
---|---|---|
componentId | ARM-resource-id van de onderdeelresource. | tekenreeks |
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 |
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 | |
{aangepaste eigenschap} | tekenreeks |
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. | JobResourceConfiguration |
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 | custom_model mlflow_model mltable triton_model uri_file uri_folder (vereist) |
CustomModelJobOutput
Naam | Description | Waarde |
---|---|---|
jobOutputType | [Vereist] Hiermee geeft u het type taak op. | 'custom_model' (vereist) |
mode | Leveringsmodus van uitvoerasset. | 'ReadWriteMount' Uploaden |
Uri | Uitvoerasset-URI. | tekenreeks |
MLFlowModelJobOutput
Naam | Description | Waarde |
---|---|---|
jobOutputType | [Vereist] Hiermee geeft u het type taak op. | 'mlflow_model' (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. | 'triton_model' (vereist) |
mode | Leveringsmodus van uitvoerasset. | 'ReadWriteMount' Uploaden |
Uri | Uitvoerasset-URI. | tekenreeks |
UriFileJobOutput
Naam | Description | Waarde |
---|---|---|
jobOutputType | [Vereist] Hiermee geeft u het type taak op. | 'uri_file' (vereist) |
mode | Leveringsmodus van uitvoerasset. | 'ReadWriteMount' Uploaden |
Uri | Uitvoerasset-URI. | tekenreeks |
UriFolderJobOutput
Naam | Description | Waarde |
---|---|---|
jobOutputType | [Vereist] Hiermee geeft u het type taak op. | 'uri_folder' (vereist) |
mode | Leveringsmodus van uitvoerasset. | 'ReadWriteMount' Uploaden |
Uri | Uitvoerasset-URI. | tekenreeks |
JobResourceConfiguration
Naam | Description | Waarde |
---|---|---|
dockerArgs | Extra argumenten om door te geven aan de Opdracht Uitvoeren van Docker. Hiermee worden alle parameters overschreven die al zijn ingesteld door het systeem of in deze sectie. Deze parameter wordt alleen ondersteund voor Azure ML-rekentypen. | tekenreeks |
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 |
shmSize | Grootte van het gedeelde geheugenblok van de Docker-container. Dit moet de notatie (getal)(eenheid) hebben, waarbij getal groter is dan 0 en de eenheid een van b(bytes), k(kilobytes), m(megabytes) of g(gigabytes) kan zijn. | tekenreeks Beperkingen: Patroon = \d+[bBkKmMgG] |
ResourceConfigurationProperties
Naam | Description | Waarde |
---|---|---|
{aangepaste eigenschap} | ||
{aangepaste eigenschap} |
AutoMLVertical
Naam | Description | Waarde |
---|---|---|
logVerbosity | Logboek uitgebreidheid voor de taak. | 'Kritiek' 'Fouten opsporen' 'Fout' 'Info' 'NotSet' 'Waarschuwing' |
targetColumnName | Naam van doelkolom: dit is de kolom met voorspellingswaarden. Ook wel labelkolomnaam genoemd in de context van classificatietaken. |
tekenreeks |
trainingData | [Vereist] Invoer van trainingsgegevens. | MLTableJobInput (vereist) |
taskType | Het objecttype instellen | Classificatie Prognose ImageClassification ImageClassificationMultilabel ImageInstanceSegmentation ImageObjectDetection Regressie TextClassification TextClassificationMultilabel TextNER (vereist) |
MLTableJobInput
Naam | Description | Waarde |
---|---|---|
beschrijving | Beschrijving voor de invoer. | tekenreeks |
jobInputType | [Vereist] Hiermee geeft u het type taak op. | 'custom_model' 'letterlijk' 'mlflow_model' 'mltable' 'triton_model' 'uri_file' 'uri_folder' (vereist) |
mode | Leveringsmodus voor invoerasset. | 'Direct' 'Downloaden' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
Uri | [Vereist] URI van invoerasset. | tekenreeks (vereist) Beperkingen: Patroon = [a-zA-Z0-9_] |
Classificatie
Naam | Description | Waarde |
---|---|---|
taskType | [Vereist] Taaktype voor AutoMLJob. | 'Classificatie' (vereist) |
cvSplitColumnNames | Kolommen die moeten worden gebruikt voor CVSplit-gegevens. | tekenreeks[] |
featurizationSettings | Featurization-invoer die nodig is voor de AutoML-taak. | TableVerticalFeaturizationSettings |
limitSettings | Uitvoeringsbeperkingen voor AutoMLJob. | TableVerticalLimitSettings |
nCrossValidations | Aantal kruisvalidatievouws dat moet worden toegepast op de trainingsgegevensset wanneer de validatiegegevensset niet is opgegeven. |
NCrossValidations |
positiveLabel | Positief label voor berekening van binaire metrische gegevens. | tekenreeks |
primaryMetric | Primaire metrische gegevens voor de taak. | 'AUCWeighted' 'Nauwkeurigheid' 'AveragePrecisionScoreWeighted' 'NormMacroRecall' 'PrecisionScoreWeighted' |
Testdata | Gegevensinvoer testen. | 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 |
trainingInstellingen | Invoer voor de trainingsfase voor een AutoML-taak. | ClassificationTrainingSettings |
validationData | Invoer van validatiegegevens. | 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 |
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 |
TableVerticalFeaturizationSettings
Naam | Description | Waarde |
---|---|---|
blockedTransformers | Deze transformatoren mogen niet worden gebruikt in featurization. | Tekenreeksmatrix met een van de volgende waarden: 'CatTargetEncoder' 'CountVectorizer' 'HashOneHotEncoder' 'LabelEncoder' 'NaiveBayes' 'OneHotEncoder' 'TextTargetEncoder' 'TfIdf' 'WoETargetEncoder' 'WordEmbedding' |
columnNameAndTypes | Woordenlijst van de kolomnaam en het bijbehorende type (int, float, tekenreeks, datum/tijd, enzovoort). | TableVerticalFeaturizationSettingsColumnNameAndTypes |
datasetLanguage | Gegevenssettaal, handig voor de tekstgegevens. | 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 |
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) |
ClassificationTrainingSettings
Naam | Description | Waarde |
---|---|---|
allowedTrainingAlgorithms | Toegestane modellen voor classificatietaak. | Tekenreeksmatrix met een van de volgende waarden: 'BernoulliNaiveBayes' 'DecisionTree' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LightGBM' 'LinearSVM' 'LogisticRegression' 'MultinomialNaiveBayes' 'RandomForest' 'SGD' 'SVM' 'XGBoostClassifier' |
blockedTrainingAlgorithms | Geblokkeerde modellen voor classificatietaak. | Tekenreeksmatrix met een van de volgende waarden: 'BernoulliNaiveBayes' 'DecisionTree' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LightGBM' 'LinearSVM' 'LogisticRegression' 'MultinomialNaiveBayes' 'RandomForest' 'SGD' 'SVM' 'XGBoostClassifier' |
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 | 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) |
cvSplitColumnNames | Kolommen die moeten worden gebruikt voor CVSplit-gegevens. | tekenreeks[] |
featurizationSettings | Featurization-invoer die nodig is voor de AutoML-taak. | TableVerticalFeaturizationSettings |
forecastingSettings | Taakspecifieke invoer voorspellen. | PrognoseInstellingen |
limitSettings | Uitvoeringsbeperkingen voor AutoMLJob. | TableVerticalLimitSettings |
nCrossValidations | Aantal kruisvalidatievouwen dat moet worden toegepast op de trainingsgegevensset wanneer de validatiegegevensset niet is opgegeven. |
NCrossValidations |
primaryMetric | Primaire metrische waarde voor prognosetaak. | 'NormalizedMeanAbsoluteError' 'NormalizedRootMeanSquaredError' 'R2Score' 'SpearmanCorrelation' |
Testdata | Gegevensinvoer testen. | 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 |
trainingSettings | Invoer voor de trainingsfase voor een AutoML-taak. | PrognosesTrainingSettings |
validationData | Invoer van validatiegegevens. | 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 |
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 |
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. VoorCVStepSize als = 3 voor dagelijkse gegevens, is de oorsprongstijd voor elke vouwdrie 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) |
PrognosesTrainingSettings
Naam | Description | Waarde |
---|---|---|
allowedTrainingAlgorithms | 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' |
blockedTrainingAlgorithms | 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' |
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 | 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 |
ImageClassification
Naam | Description | Waarde |
---|---|---|
taskType | [Vereist] Taaktype voor AutoMLJob. | 'ImageClassification' (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 |
validationData | Invoer van validatiegegevens. | 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 |
checkpointFrequency | Frequentie voor het opslaan van modelcontrolepunten. Moet een positief geheel getal zijn. | int |
checkpointModel | Het vooraf getrainde controlepuntmodel voor incrementele training. | MLFlowModelJobInput |
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 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 |
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 |
MLFlowModelJobInput
Naam | Description | Waarde |
---|---|---|
beschrijving | Beschrijving voor de invoer. | tekenreeks |
jobInputType | [Vereist] Hiermee geeft u het type taak op. | 'custom_model' 'letterlijk' 'mlflow_model' 'mltable' 'triton_model' 'uri_file' 'uri_folder' (vereist) |
mode | Leveringsmodus voor invoerasset. | 'Direct' 'Downloaden' 'EvalDownloaden' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
Uri | [Vereist] URI voor invoerasset. | tekenreeks (vereist) Beperkingen: Patroon = [a-zA-Z0-9_] |
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 |
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 in 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 | Grootte van afbeelding waarmee u het formaat moet wijzigen voordat u de validatiegegevensset bijsnijd. Moet een positief geheel getal 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 |
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. |
tekenreeks |
ImageSweepSettings
Naam | Description | Waarde |
---|---|---|
earlyTermination | Type beleid voor vroegtijdige beëindiging. | EarlyTerminationPolicy |
samplingAlgorithm | [Vereist] Type van de algoritmen voor het nemen van hyperparameters. | 'Bayesisch' 'Raster' 'Willekeurig' (vereist) |
EarlyTerminationPolicy
Naam | Description | Waarde |
---|---|---|
delayEvalue | Het aantal intervallen waarmee de eerste evaluatie moet worden uitgesteld. | 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 |
ImageClassificationMultilabel
Naam | Description | Waarde |
---|---|---|
taskType | [Vereist] Taaktype voor AutoMLJob. | 'ImageClassificationMultilabel' (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 |
validationData | Invoer van validatiegegevens. | 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 |
ImageInstanceSegmentation
Naam | Description | Waarde |
---|---|---|
taskType | [Vereist] Taaktype voor AutoMLJob. | 'ImageInstanceSegmentation' (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 |
validationData | Invoer van validatiegegevens. | 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 |
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 |
checkpointFrequentie | Frequentie voor het opslaan van modelcontrolepunten. Moet een positief geheel getal zijn. | int |
checkpointModel | Het vooraf getrainde controlepuntmodel voor incrementele training. | MLFlowModelJobInput |
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 |
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: de 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. 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'. |
tekenreeks |
Momentum | Waarde van momentum wanneer optimizer 'sgd' is. Moet een vlotter zijn binnen het bereik [0, 1]. | tekenreeks |
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'. |
tekenreeks |
Nesterov | Schakel nesterov in wanneer optimizer 'sgd' is. | tekenreeks |
nmsIouThreshold | IOU-drempelwaarde die wordt gebruikt tijdens deductie in NMS-naverwerking. 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 |
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) |
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 |
validationData | Invoer van validatiegegevens. | 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 |
Regressie
Naam | Description | Waarde |
---|---|---|
taskType | [Vereist] Taaktype voor AutoMLJob. | 'Regressie' (vereist) |
cvSplitColumnNames | Kolommen die moeten worden gebruikt voor CVSplit-gegevens. | tekenreeks[] |
featurizationSettings | Featurization-invoer die nodig is voor de AutoML-taak. | TableVerticalFeaturizationSettings |
limitSettings | Uitvoeringsbeperkingen voor AutoMLJob. | TableVerticalLimitSettings |
nCrossValidations | Aantal kruisvalidatievouwen dat moet worden toegepast op de trainingsgegevensset wanneer de validatiegegevensset niet is opgegeven. |
NCrossValidations |
primaryMetric | Primaire metrische waarde voor regressietaak. | 'NormalizedMeanAbsoluteError' 'NormalizedRootMeanSquaredError' 'R2Score' 'SpearmanCorrelation' |
Testdata | Gegevensinvoer testen. | 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 |
trainingSettings | Invoer voor de trainingsfase voor een AutoML-taak. | RegressionTrainingSettings |
validationData | Invoer van validatiegegevens. | 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 |
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 |
RegressionTrainingSettings
Naam | Description | Waarde |
---|---|---|
allowedTrainingAlgorithms | Toegestane modellen voor regressietaak. | Tekenreeksmatrix met een van de volgende: 'DecisionTree' 'ElasticNet' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'RandomForest' 'SGD' 'XGBoostRegressor' |
blockedTrainingAlgorithms | Geblokkeerde modellen voor regressietaak. | Tekenreeksmatrix met een van de volgende: 'DecisionTree' 'ElasticNet' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'RandomForest' 'SGD' 'XGBoostRegressor' |
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 |
TextClassification
Naam | Description | Waarde |
---|---|---|
taskType | [Vereist] Taaktype voor AutoMLJob. | 'TextClassification' (vereist) |
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' |
validationData | Invoer van validatiegegevens. | MLTableJobInput |
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) |
featurizationSettings | Featurization-invoer die nodig is voor de AutoML-taak. | NlpVerticalFeaturizationSettings |
limitSettings | Uitvoeringsbeperkingen voor AutoMLJob. | NlpVerticalLimitSettings |
validationData | Invoer van validatiegegevens. | MLTableJobInput |
TextNer
Naam | Description | Waarde |
---|---|---|
taskType | [Vereist] Taaktype voor AutoMLJob. | 'TextNER' (vereist) |
featurizationSettings | Featurization-invoer die nodig is voor de AutoML-taak. | NlpVerticalFeaturizationSettings |
limitSettings | Uitvoeringsbeperkingen voor AutoMLJob. | NlpVerticalLimitSettings |
validationData | Invoer van validatiegegevens. | MLTableJobInput |
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. | JobResourceConfiguration |
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 | custom_model Letterlijke mlflow_model mltable triton_model uri_file uri_folder (vereist) |
CustomModelJobInput
Naam | Description | Waarde |
---|---|---|
jobInputType | [Vereist] Hiermee geeft u het type taak op. | 'custom_model' (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. | 'literal' (vereist) |
waarde | [Vereist] Letterlijke waarde voor de invoer. | tekenreeks (vereist) Beperkingen: Patroon = [a-zA-Z0-9_] |
TritonModelJobInput
Naam | Description | Waarde |
---|---|---|
jobInputType | [Vereist] Hiermee geeft u het type taak op. | 'triton_model' (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. | 'uri_file' (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. | 'uri_folder' (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. | |
sourceJobId | ARM-resource-id van brontaak. | tekenreeks |
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. 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. | JobResourceConfiguration |
TrialComponentEnvironmentVariables
Naam | Description | Waarde |
---|---|---|
{aangepaste eigenschap} | tekenreeks |
EndpointScheduleAction
Naam | Description | Waarde |
---|---|---|
actionType | [Vereist] Hiermee geeft u het actietype van de planning op | InvokeBatchEndpoint (vereist) |
endpointInvocationDefinition | [Vereist] Definieert de definitiedetails van de planningsactie. {see href="TBD" /} |
TriggerBase
Naam | Description | Waarde |
---|---|---|
endTime | Hiermee geeft u de eindtijd van de planning in ISO 8601 op, maar zonder EEN UTC-verschuiving. Raadpleeg https://en.wikipedia.org/wiki/ISO_8601. Aanbevolen indeling is 2022-06-01T00:00:01 Als deze niet aanwezig is, wordt de planning voor onbepaalde tijd uitgevoerd |
tekenreeks |
startTime | Hiermee geeft u de begintijd van de planning op in ISO 8601-indeling, maar zonder UTC-offset. | tekenreeks |
timeZone | Hiermee geeft u de tijdzone op waarin de planning wordt uitgevoerd. Tijdzone moet de indeling van de Windows-tijdzone volgen. Raadpleeg: https://docs.microsoft.com/windows-hardware/manufacture/desktop/default-time-zones /> |
tekenreeks |
triggerType | Het objecttype instellen | Cron Terugkeerpatroon (vereist) |
CronTrigger
Naam | Description | Waarde |
---|---|---|
triggerType | [Vereist] | '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_] |
RecurrenceTrigger
Naam | Description | Waarde |
---|---|---|
triggerType | [Vereist] | Terugkeerpatroon (vereist) |
frequency | [Vereist] De frequentie om het schema te activeren. | 'Dag' 'Uur' 'Minuut' 'Maand' 'Week' (vereist) |
interval | [Vereist] Hiermee geeft u het schema-interval op in combinatie met de frequentie | int (vereist) |
schedule | Het terugkeerschema. | RecurrenceSchedule |
RecurrenceSchedule
Naam | Description | Waarde |
---|---|---|
uur | [Vereist] Lijst met uren voor de planning. | int[] (vereist) |
minutes | [Vereist] Lijst met minuten voor de planning. | int[] (vereist) |
monthDays | Lijst met maanddagen voor de planning | int[] |
weekDays | Lijst met dagen voor de planning. | Tekenreeksmatrix met een van de volgende: 'Vrijdag' 'Maandag' 'Zaterdag' 'Zondag' 'Donderdag' 'Dinsdag' 'Woensdag' |
Resourcedefinitie van Terraform (AzAPI-provider)
Het resourcetype werkruimten/planningen 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/schedules wilt maken, voegt u de volgende Terraform toe aan uw sjabloon.
resource "azapi_resource" "symbolicname" {
type = "Microsoft.MachineLearningServices/workspaces/schedules@2022-10-01"
name = "string"
parent_id = "string"
body = jsonencode({
properties = {
action = {
actionType = "string"
// For remaining properties, see ScheduleActionBase objects
}
description = "string"
displayName = "string"
isEnabled = bool
properties = {
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
}
tags = {
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
}
trigger = {
endTime = "string"
startTime = "string"
timeZone = "string"
triggerType = "string"
// For remaining properties, see TriggerBase objects
}
}
})
}
ScheduleActionBase-objecten
Stel de eigenschap actionType in om het type object op te geven.
Voor CreateJob gebruikt u:
actionType = "CreateJob"
jobDefinition = {
componentId = "string"
computeId = "string"
description = "string"
displayName = "string"
experimentName = "string"
identity {
identityType = "string"
// For remaining properties, see IdentityConfiguration objects
}
isArchived = bool
properties = {
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
}
services = {
{customized property} = {
endpoint = "string"
jobServiceType = "string"
port = int
properties = {
{customized property} = "string"
}
}
}
tags = {
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
}
jobType = "string"
// For remaining properties, see JobBaseProperties objects
}
Gebruik voor InvokeBatchEndpoint:
actionType = "InvokeBatchEndpoint"
JobBaseProperties-objecten
Stel de eigenschap jobType in om het type object op te geven.
Voor AutoML gebruikt u:
jobType = "AutoML"
environmentId = "string"
environmentVariables = {
{customized property} = "string"
}
outputs = {
{customized property} = {
description = "string"
jobOutputType = "string"
// For remaining properties, see JobOutput objects
}
}
resources = {
dockerArgs = "string"
instanceCount = int
instanceType = "string"
properties = {}
shmSize = "string"
}
taskDetails = {
logVerbosity = "string"
targetColumnName = "string"
trainingData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
taskType = "string"
// For remaining properties, see AutoMLVertical objects
}
Voor Opdracht gebruikt u:
jobType = "Command"
codeId = "string"
command = "string"
distribution = {
distributionType = "string"
// For remaining properties, see DistributionConfiguration objects
}
environmentId = "string"
environmentVariables = {
{customized property} = "string"
}
inputs = {
{customized property} = {
description = "string"
jobInputType = "string"
// For remaining properties, see JobInput objects
}
}
limits = {
jobLimitsType = "string"
timeout = "string"
}
outputs = {
{customized property} = {
description = "string"
jobOutputType = "string"
// For remaining properties, see JobOutput objects
}
}
resources = {
dockerArgs = "string"
instanceCount = int
instanceType = "string"
properties = {}
shmSize = "string"
}
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
}
}
sourceJobId = "string"
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 = {
dockerArgs = "string"
instanceCount = int
instanceType = "string"
properties = {}
shmSize = "string"
}
}
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"
Voor UserIdentity gebruikt u:
identityType = "UserIdentity"
JobOutput-objecten
Stel de eigenschap jobOutputType in om het type object op te geven.
Gebruik voor custom_model:
jobOutputType = "custom_model"
mode = "string"
uri = "string"
Gebruik voor mlflow_model:
jobOutputType = "mlflow_model"
mode = "string"
uri = "string"
Gebruik voor mltable:
jobOutputType = "mltable"
mode = "string"
uri = "string"
Gebruik voor triton_model:
jobOutputType = "triton_model"
mode = "string"
uri = "string"
Gebruik voor uri_file:
jobOutputType = "uri_file"
mode = "string"
uri = "string"
Gebruik voor uri_folder:
jobOutputType = "uri_folder"
mode = "string"
uri = "string"
AutoMLVertical-objecten
Stel de eigenschap taskType in om het type object op te geven.
Gebruik voor Classificatie:
taskType = "Classification"
cvSplitColumnNames = [
"string"
]
featurizationSettings = {
blockedTransformers = [
"string"
]
columnNameAndTypes = {
{customized property} = "string"
}
datasetLanguage = "string"
enableDnnFeaturization = bool
mode = "string"
transformerParams = {
{customized property} = [
{
fields = [
"string"
]
}
]
}
}
limitSettings = {
enableEarlyTermination = bool
exitScore = int
maxConcurrentTrials = int
maxCoresPerTrial = int
maxTrials = int
timeout = "string"
trialTimeout = "string"
}
nCrossValidations = {
mode = "string"
// For remaining properties, see NCrossValidations objects
}
positiveLabel = "string"
primaryMetric = "string"
testData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
testDataSize = int
trainingSettings = {
allowedTrainingAlgorithms = [
"string"
]
blockedTrainingAlgorithms = [
"string"
]
enableDnnTraining = bool
enableModelExplainability = bool
enableOnnxCompatibleModels = bool
enableStackEnsemble = bool
enableVoteEnsemble = bool
ensembleModelDownloadTimeout = "string"
stackEnsembleSettings = {
stackMetaLearnerTrainPercentage = int
stackMetaLearnerType = "string"
}
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
validationDataSize = int
weightColumnName = "string"
Gebruik voor prognoses:
taskType = "Forecasting"
cvSplitColumnNames = [
"string"
]
featurizationSettings = {
blockedTransformers = [
"string"
]
columnNameAndTypes = {
{customized property} = "string"
}
datasetLanguage = "string"
enableDnnFeaturization = bool
mode = "string"
transformerParams = {
{customized property} = [
{
fields = [
"string"
]
}
]
}
}
forecastingSettings = {
countryOrRegionForHolidays = "string"
cvStepSize = int
featureLags = "string"
forecastHorizon = {
mode = "string"
// For remaining properties, see ForecastHorizon objects
}
frequency = "string"
seasonality = {
mode = "string"
// For remaining properties, see Seasonality objects
}
shortSeriesHandlingConfig = "string"
targetAggregateFunction = "string"
targetLags = {
mode = "string"
// For remaining properties, see TargetLags objects
}
targetRollingWindowSize = {
mode = "string"
// For remaining properties, see TargetRollingWindowSize objects
}
timeColumnName = "string"
timeSeriesIdColumnNames = [
"string"
]
useStl = "string"
}
limitSettings = {
enableEarlyTermination = bool
exitScore = int
maxConcurrentTrials = int
maxCoresPerTrial = int
maxTrials = int
timeout = "string"
trialTimeout = "string"
}
nCrossValidations = {
mode = "string"
// For remaining properties, see NCrossValidations objects
}
primaryMetric = "string"
testData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
testDataSize = int
trainingSettings = {
allowedTrainingAlgorithms = [
"string"
]
blockedTrainingAlgorithms = [
"string"
]
enableDnnTraining = bool
enableModelExplainability = bool
enableOnnxCompatibleModels = bool
enableStackEnsemble = bool
enableVoteEnsemble = bool
ensembleModelDownloadTimeout = "string"
stackEnsembleSettings = {
stackMetaLearnerTrainPercentage = int
stackMetaLearnerType = "string"
}
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
validationDataSize = int
weightColumnName = "string"
Gebruik voor ImageClassification:
taskType = "ImageClassification"
limitSettings = {
maxConcurrentTrials = int
maxTrials = int
timeout = "string"
}
modelSettings = {
advancedSettings = "string"
amsGradient = bool
augmentations = "string"
beta1 = int
beta2 = int
checkpointFrequency = int
checkpointModel = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
checkpointRunId = "string"
distributed = bool
earlyStopping = bool
earlyStoppingDelay = int
earlyStoppingPatience = int
enableOnnxNormalization = bool
evaluationFrequency = int
gradientAccumulationStep = int
layersToFreeze = int
learningRate = int
learningRateScheduler = "string"
modelName = "string"
momentum = int
nesterov = bool
numberOfEpochs = int
numberOfWorkers = int
optimizer = "string"
randomSeed = int
stepLRGamma = int
stepLRStepSize = int
trainingBatchSize = int
trainingCropSize = int
validationBatchSize = int
validationCropSize = int
validationResizeSize = int
warmupCosineLRCycles = int
warmupCosineLRWarmupEpochs = int
weightDecay = int
weightedLoss = int
}
primaryMetric = "string"
searchSpace = [
{
amsGradient = "string"
augmentations = "string"
beta1 = "string"
beta2 = "string"
distributed = "string"
earlyStopping = "string"
earlyStoppingDelay = "string"
earlyStoppingPatience = "string"
enableOnnxNormalization = "string"
evaluationFrequency = "string"
gradientAccumulationStep = "string"
layersToFreeze = "string"
learningRate = "string"
learningRateScheduler = "string"
modelName = "string"
momentum = "string"
nesterov = "string"
numberOfEpochs = "string"
numberOfWorkers = "string"
optimizer = "string"
randomSeed = "string"
stepLRGamma = "string"
stepLRStepSize = "string"
trainingBatchSize = "string"
trainingCropSize = "string"
validationBatchSize = "string"
validationCropSize = "string"
validationResizeSize = "string"
warmupCosineLRCycles = "string"
warmupCosineLRWarmupEpochs = "string"
weightDecay = "string"
weightedLoss = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm = "string"
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
validationDataSize = int
Gebruik voor ImageClassificationMultilabel:
taskType = "ImageClassificationMultilabel"
limitSettings = {
maxConcurrentTrials = int
maxTrials = int
timeout = "string"
}
modelSettings = {
advancedSettings = "string"
amsGradient = bool
augmentations = "string"
beta1 = int
beta2 = int
checkpointFrequency = int
checkpointModel = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
checkpointRunId = "string"
distributed = bool
earlyStopping = bool
earlyStoppingDelay = int
earlyStoppingPatience = int
enableOnnxNormalization = bool
evaluationFrequency = int
gradientAccumulationStep = int
layersToFreeze = int
learningRate = int
learningRateScheduler = "string"
modelName = "string"
momentum = int
nesterov = bool
numberOfEpochs = int
numberOfWorkers = int
optimizer = "string"
randomSeed = int
stepLRGamma = int
stepLRStepSize = int
trainingBatchSize = int
trainingCropSize = int
validationBatchSize = int
validationCropSize = int
validationResizeSize = int
warmupCosineLRCycles = int
warmupCosineLRWarmupEpochs = int
weightDecay = int
weightedLoss = int
}
primaryMetric = "string"
searchSpace = [
{
amsGradient = "string"
augmentations = "string"
beta1 = "string"
beta2 = "string"
distributed = "string"
earlyStopping = "string"
earlyStoppingDelay = "string"
earlyStoppingPatience = "string"
enableOnnxNormalization = "string"
evaluationFrequency = "string"
gradientAccumulationStep = "string"
layersToFreeze = "string"
learningRate = "string"
learningRateScheduler = "string"
modelName = "string"
momentum = "string"
nesterov = "string"
numberOfEpochs = "string"
numberOfWorkers = "string"
optimizer = "string"
randomSeed = "string"
stepLRGamma = "string"
stepLRStepSize = "string"
trainingBatchSize = "string"
trainingCropSize = "string"
validationBatchSize = "string"
validationCropSize = "string"
validationResizeSize = "string"
warmupCosineLRCycles = "string"
warmupCosineLRWarmupEpochs = "string"
weightDecay = "string"
weightedLoss = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm = "string"
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
validationDataSize = int
Gebruik voor ImageInstanceSegmentation:
taskType = "ImageInstanceSegmentation"
limitSettings = {
maxConcurrentTrials = int
maxTrials = int
timeout = "string"
}
modelSettings = {
advancedSettings = "string"
amsGradient = bool
augmentations = "string"
beta1 = int
beta2 = int
boxDetectionsPerImage = int
boxScoreThreshold = int
checkpointFrequency = int
checkpointModel = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
checkpointRunId = "string"
distributed = bool
earlyStopping = bool
earlyStoppingDelay = int
earlyStoppingPatience = int
enableOnnxNormalization = bool
evaluationFrequency = int
gradientAccumulationStep = int
imageSize = int
layersToFreeze = int
learningRate = int
learningRateScheduler = "string"
maxSize = int
minSize = int
modelName = "string"
modelSize = "string"
momentum = int
multiScale = bool
nesterov = bool
nmsIouThreshold = int
numberOfEpochs = int
numberOfWorkers = int
optimizer = "string"
randomSeed = int
stepLRGamma = int
stepLRStepSize = int
tileGridSize = "string"
tileOverlapRatio = int
tilePredictionsNmsThreshold = int
trainingBatchSize = int
validationBatchSize = int
validationIouThreshold = int
validationMetricType = "string"
warmupCosineLRCycles = int
warmupCosineLRWarmupEpochs = int
weightDecay = int
}
primaryMetric = "MeanAveragePrecision"
searchSpace = [
{
amsGradient = "string"
augmentations = "string"
beta1 = "string"
beta2 = "string"
boxDetectionsPerImage = "string"
boxScoreThreshold = "string"
distributed = "string"
earlyStopping = "string"
earlyStoppingDelay = "string"
earlyStoppingPatience = "string"
enableOnnxNormalization = "string"
evaluationFrequency = "string"
gradientAccumulationStep = "string"
imageSize = "string"
layersToFreeze = "string"
learningRate = "string"
learningRateScheduler = "string"
maxSize = "string"
minSize = "string"
modelName = "string"
modelSize = "string"
momentum = "string"
multiScale = "string"
nesterov = "string"
nmsIouThreshold = "string"
numberOfEpochs = "string"
numberOfWorkers = "string"
optimizer = "string"
randomSeed = "string"
stepLRGamma = "string"
stepLRStepSize = "string"
tileGridSize = "string"
tileOverlapRatio = "string"
tilePredictionsNmsThreshold = "string"
trainingBatchSize = "string"
validationBatchSize = "string"
validationIouThreshold = "string"
validationMetricType = "string"
warmupCosineLRCycles = "string"
warmupCosineLRWarmupEpochs = "string"
weightDecay = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm = "string"
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
validationDataSize = int
Gebruik voor ImageObjectDetection:
taskType = "ImageObjectDetection"
limitSettings = {
maxConcurrentTrials = int
maxTrials = int
timeout = "string"
}
modelSettings = {
advancedSettings = "string"
amsGradient = bool
augmentations = "string"
beta1 = int
beta2 = int
boxDetectionsPerImage = int
boxScoreThreshold = int
checkpointFrequency = int
checkpointModel = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
checkpointRunId = "string"
distributed = bool
earlyStopping = bool
earlyStoppingDelay = int
earlyStoppingPatience = int
enableOnnxNormalization = bool
evaluationFrequency = int
gradientAccumulationStep = int
imageSize = int
layersToFreeze = int
learningRate = int
learningRateScheduler = "string"
maxSize = int
minSize = int
modelName = "string"
modelSize = "string"
momentum = int
multiScale = bool
nesterov = bool
nmsIouThreshold = int
numberOfEpochs = int
numberOfWorkers = int
optimizer = "string"
randomSeed = int
stepLRGamma = int
stepLRStepSize = int
tileGridSize = "string"
tileOverlapRatio = int
tilePredictionsNmsThreshold = int
trainingBatchSize = int
validationBatchSize = int
validationIouThreshold = int
validationMetricType = "string"
warmupCosineLRCycles = int
warmupCosineLRWarmupEpochs = int
weightDecay = int
}
primaryMetric = "MeanAveragePrecision"
searchSpace = [
{
amsGradient = "string"
augmentations = "string"
beta1 = "string"
beta2 = "string"
boxDetectionsPerImage = "string"
boxScoreThreshold = "string"
distributed = "string"
earlyStopping = "string"
earlyStoppingDelay = "string"
earlyStoppingPatience = "string"
enableOnnxNormalization = "string"
evaluationFrequency = "string"
gradientAccumulationStep = "string"
imageSize = "string"
layersToFreeze = "string"
learningRate = "string"
learningRateScheduler = "string"
maxSize = "string"
minSize = "string"
modelName = "string"
modelSize = "string"
momentum = "string"
multiScale = "string"
nesterov = "string"
nmsIouThreshold = "string"
numberOfEpochs = "string"
numberOfWorkers = "string"
optimizer = "string"
randomSeed = "string"
stepLRGamma = "string"
stepLRStepSize = "string"
tileGridSize = "string"
tileOverlapRatio = "string"
tilePredictionsNmsThreshold = "string"
trainingBatchSize = "string"
validationBatchSize = "string"
validationIouThreshold = "string"
validationMetricType = "string"
warmupCosineLRCycles = "string"
warmupCosineLRWarmupEpochs = "string"
weightDecay = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm = "string"
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
validationDataSize = int
Voor regressie gebruikt u:
taskType = "Regression"
cvSplitColumnNames = [
"string"
]
featurizationSettings = {
blockedTransformers = [
"string"
]
columnNameAndTypes = {
{customized property} = "string"
}
datasetLanguage = "string"
enableDnnFeaturization = bool
mode = "string"
transformerParams = {
{customized property} = [
{
fields = [
"string"
]
}
]
}
}
limitSettings = {
enableEarlyTermination = bool
exitScore = int
maxConcurrentTrials = int
maxCoresPerTrial = int
maxTrials = int
timeout = "string"
trialTimeout = "string"
}
nCrossValidations = {
mode = "string"
// For remaining properties, see NCrossValidations objects
}
primaryMetric = "string"
testData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
testDataSize = int
trainingSettings = {
allowedTrainingAlgorithms = [
"string"
]
blockedTrainingAlgorithms = [
"string"
]
enableDnnTraining = bool
enableModelExplainability = bool
enableOnnxCompatibleModels = bool
enableStackEnsemble = bool
enableVoteEnsemble = bool
ensembleModelDownloadTimeout = "string"
stackEnsembleSettings = {
stackMetaLearnerTrainPercentage = int
stackMetaLearnerType = "string"
}
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
validationDataSize = int
weightColumnName = "string"
Gebruik voor TextClassification:
taskType = "TextClassification"
featurizationSettings = {
datasetLanguage = "string"
}
limitSettings = {
maxConcurrentTrials = int
maxTrials = int
timeout = "string"
}
primaryMetric = "string"
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
Gebruik voor TextClassificationMultilabel:
taskType = "TextClassificationMultilabel"
featurizationSettings = {
datasetLanguage = "string"
}
limitSettings = {
maxConcurrentTrials = int
maxTrials = int
timeout = "string"
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
Gebruik voor TextNER:
taskType = "TextNER"
featurizationSettings = {
datasetLanguage = "string"
}
limitSettings = {
maxConcurrentTrials = int
maxTrials = int
timeout = "string"
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
NCrossValidations-objecten
Stel de eigenschap mode in om het type object op te geven.
Voor Automatisch gebruikt u:
mode = "Auto"
Voor Aangepast gebruikt u:
mode = "Custom"
value = int
ForecastHorizon-objecten
Stel de eigenschap mode in om het type object op te geven.
Voor Automatisch gebruikt u:
mode = "Auto"
Voor Aangepast gebruikt u:
mode = "Custom"
value = int
Seizoensgebondenheidsobjecten
Stel de eigenschap mode in om het type object op te geven.
Voor Automatisch gebruikt u:
mode = "Auto"
Voor Aangepast gebruikt u:
mode = "Custom"
value = int
TargetLags-objecten
Stel de eigenschap mode in om het type object op te geven.
Voor Automatisch gebruikt u:
mode = "Auto"
Voor Aangepast gebruikt u:
mode = "Custom"
values = [
int
]
TargetRollingWindowSize-objecten
Stel de eigenschap mode in om het type object op te geven.
Voor Automatisch gebruikt u:
mode = "Auto"
Voor Aangepast gebruikt u:
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 custom_model:
jobInputType = "custom_model"
mode = "string"
uri = "string"
Gebruik voor letterlijke gegevens:
jobInputType = "literal"
value = "string"
Gebruik voor mlflow_model:
jobInputType = "mlflow_model"
mode = "string"
uri = "string"
Gebruik voor mltable:
jobInputType = "mltable"
mode = "string"
uri = "string"
Gebruik voor triton_model:
jobInputType = "triton_model"
mode = "string"
uri = "string"
Gebruik voor uri_file:
jobInputType = "uri_file"
mode = "string"
uri = "string"
Gebruik voor uri_folder:
jobInputType = "uri_folder"
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
TriggerBase-objecten
Stel de eigenschap triggerType in om het type object op te geven.
Gebruik voor Cron:
triggerType = "Cron"
expression = "string"
Gebruik voor Terugkeerpatroon:
triggerType = "Recurrence"
frequency = "string"
interval = int
schedule = {
hours = [
int
]
minutes = [
int
]
monthDays = [
int
]
weekDays = [
"string"
]
}
Eigenschapswaarden
werkruimten/planningen
Naam | Description | Waarde |
---|---|---|
type | Het resourcetype | "Microsoft.MachineLearningServices/workspaces/schedules@2022-10-01" |
naam | De resourcenaam | tekenreeks (vereist) |
parent_id | De id van de resource die het bovenliggende item voor deze resource is. | Id voor resource van het type: werkruimten |
properties | [Vereist] Aanvullende kenmerken van de entiteit. | ScheduleProperties (vereist) |
ScheduleProperties
Naam | Description | Waarde |
---|---|---|
action | [Vereist] Hiermee geeft u de actie van de planning op | ScheduleActionBase (vereist) |
beschrijving | De tekst van de assetbeschrijving. | tekenreeks |
displayName | Weergavenaam van planning. | tekenreeks |
isEnabled | Is de planning ingeschakeld? | booleaans |
properties | De woordenlijst met activa-eigenschappen. | ResourceBaseProperties |
tags | Tagwoordenlijst. Tags kunnen worden toegevoegd, verwijderd en bijgewerkt. | object |
activeren | [Vereist] Hiermee geeft u de details van de trigger op | TriggerBase (vereist) |
ScheduleActionBase
Naam | Description | Waarde |
---|---|---|
actionType | Het objecttype instellen | CreateJob InvokeBatchEndpoint (vereist) |
JobScheduleAction
Naam | Description | Waarde |
---|---|---|
actionType | [Vereist] Hiermee geeft u het actietype van de planning op | "CreateJob" (vereist) |
jobDefinition | [Vereist] Definieert details van de definitie van de planningsactie. | JobBaseProperties (vereist) |
JobBaseProperties
Naam | Description | Waarde |
---|---|---|
componentId | ARM-resource-id van de onderdeelresource. | tekenreeks |
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 |
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 | |
{aangepaste eigenschap} | tekenreeks |
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. | JobResourceConfiguration |
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 | custom_model mlflow_model mltable triton_model uri_file uri_folder (vereist) |
CustomModelJobOutput
Naam | Description | Waarde |
---|---|---|
jobOutputType | [Vereist] Hiermee geeft u het type taak op. | 'custom_model' (vereist) |
mode | Uitvoerassetleveringsmodus. | "ReadWriteMount" "Uploaden" |
Uri | Uitvoerasset-URI. | tekenreeks |
MLFlowModelJobOutput
Naam | Description | Waarde |
---|---|---|
jobOutputType | [Vereist] Hiermee geeft u het type taak op. | "mlflow_model" (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. | 'triton_model' (vereist) |
mode | Uitvoerassetleveringsmodus. | "ReadWriteMount" "Uploaden" |
Uri | Uitvoerasset-URI. | tekenreeks |
UriFileJobOutput
Naam | Description | Waarde |
---|---|---|
jobOutputType | [Vereist] Hiermee geeft u het type taak op. | "uri_file" (vereist) |
mode | Uitvoerassetleveringsmodus. | "ReadWriteMount" "Uploaden" |
Uri | Uitvoerasset-URI. | tekenreeks |
UriFolderJobOutput
Naam | Description | Waarde |
---|---|---|
jobOutputType | [Vereist] Hiermee geeft u het type taak op. | 'uri_folder' (vereist) |
mode | Uitvoerassetleveringsmodus. | "ReadWriteMount" "Uploaden" |
Uri | Uitvoerasset-URI. | tekenreeks |
JobResourceConfiguration
Naam | Description | Waarde |
---|---|---|
dockerArgs | Extra argumenten om door te geven aan de Opdracht Uitvoeren van Docker. Hiermee worden alle parameters overschreven die al zijn ingesteld door het systeem of in deze sectie. Deze parameter wordt alleen ondersteund voor Azure ML-rekentypen. | tekenreeks |
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 |
shmSize | Grootte van het gedeelde geheugenblok van de Docker-container. Dit moet de notatie (getal)(eenheid) hebben, waarbij getal groter is dan 0 en de eenheid een van b(bytes), k(kilobytes), m(megabytes) of g(gigabytes) kan zijn. | tekenreeks Beperkingen: Patroon = \d+[bBkKmMgG] |
ResourceConfigurationProperties
Naam | Description | Waarde |
---|---|---|
{aangepaste eigenschap} | ||
{aangepaste eigenschap} |
AutoMLVertical
Naam | Description | Waarde |
---|---|---|
logVerbosity | Logboek uitgebreidheid voor de taak. | "Kritiek" "Fouten opsporen" "Fout" "Info" "NotSet" "Waarschuwing" |
targetColumnName | Naam van doelkolom: dit is de kolom met voorspellingswaarden. Ook wel labelkolomnaam genoemd in de context van classificatietaken. |
tekenreeks |
trainingData | [Vereist] Invoer van trainingsgegevens. | MLTableJobInput (vereist) |
taskType | Het objecttype instellen | Classificatie Prognose ImageClassification ImageClassificationMultilabel ImageInstanceSegmentation ImageObjectDetection Regressie TextClassification TextClassificationMultilabel TextNER (vereist) |
MLTableJobInput
Naam | Description | Waarde |
---|---|---|
beschrijving | Beschrijving voor de invoer. | tekenreeks |
jobInputType | [Vereist] Hiermee geeft u het type taak op. | "custom_model" "letterlijk" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (vereist) |
mode | Leveringsmodus voor invoerasset. | "Direct" "Downloaden" "EvalDownloaden" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
Uri | [Vereist] URI voor invoerasset. | tekenreeks (vereist) Beperkingen: Patroon = [a-zA-Z0-9_] |
Classificatie
Naam | Description | Waarde |
---|---|---|
taskType | [Vereist] Taaktype voor AutoMLJob. | "Classificatie" (vereist) |
cvSplitColumnNames | Kolommen die moeten worden gebruikt voor CVSplit-gegevens. | tekenreeks[] |
featurizationSettings | Featurization-invoer die nodig is voor de AutoML-taak. | TableVerticalFeaturizationSettings |
limitSettings | Uitvoeringsbeperkingen voor AutoMLJob. | TableVerticalLimitSettings |
nCrossValidations | Aantal kruisvalidatievouwen dat moet worden toegepast op de trainingsgegevensset wanneer de validatiegegevensset niet is opgegeven. |
NCrossValidations |
positiveLabel | Positief label voor berekening van binaire metrische gegevens. | tekenreeks |
primaryMetric | Primaire metrische waarde voor de taak. | "AUCWeighted" "Nauwkeurigheid" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted" |
Testdata | Gegevensinvoer testen. | 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 |
trainingSettings | Invoer voor de trainingsfase voor een AutoML-taak. | ClassificationTrainingSettings |
validationData | Invoer van validatiegegevens. | 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 |
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 |
TableVerticalFeaturizationSettings
Naam | Description | Waarde |
---|---|---|
blockedTransformers | Deze transformatoren mogen niet worden gebruikt voor featurization. | Tekenreeksmatrix met een van de volgende: "CatTargetEncoder" "CountVectorizer" "HashOneHotEncoder" "LabelEncoder" "NaiveBayes" "OneHotEncoder" "TextTargetEncoder" "TfIdf" "WoETargetEncoder" "WordEmbedding" |
columnNameAndTypes | Woordenlijst van kolomnaam en het bijbehorende type (int, float, tekenreeks, datum/tijd, enzovoort). | TableVerticalFeaturizationSettingsColumnNameAndTypes |
datasetLanguage | Gegevenssettaal, handig voor de tekstgegevens. | 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 noodzakelijke transformatie van de gegevens in de featurization-fase. Als 'Uit' is geselecteerd, wordt er geen featurization uitgevoerd. Als 'Aangepast' is geselecteerd, kan de gebruiker aanvullende 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 |
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) |
ClassificationTrainingSettings
Naam | Description | Waarde |
---|---|---|
allowedTrainingAlgorithms | Toegestane modellen voor classificatietaak. | Tekenreeksmatrix met een van de volgende: "BernoulliNaiveBayes" "DecisionTree" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LightGBM" "LinearSVM" "LogisticRegression" "MultinomialNaiveBayes" "RandomForest" "SGD" "SVM" "XGBoostClassifier" |
blockedTrainingAlgorithms | Geblokkeerde modellen voor classificatietaak. | Tekenreeksmatrix met een van de volgende waarden: "BernoulliNaiveBayes" "DecisionTree" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LightGBM" "LinearSVM" "LogisticRegression" "MultinomialNaiveBayes" "RandomForest" "SGD" "SVM" "XGBoostClassifier" |
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) |
cvSplitColumnNames | Kolommen die moeten worden gebruikt voor CVSplit-gegevens. | tekenreeks[] |
featurizationSettings | Featurization-invoer die nodig is voor de AutoML-taak. | TableVerticalFeaturizationSettings |
forecastingSettings | Taakspecifieke invoer voorspellen. | ForecastingSettings |
limitSettings | Uitvoeringsbeperkingen voor AutoMLJob. | TableVerticalLimitSettings |
nCrossValidations | Aantal kruisvalidatievouws dat moet worden toegepast op de trainingsgegevensset wanneer de validatiegegevensset niet is opgegeven. |
NCrossValidations |
primaryMetric | Primaire metrische gegevens voor prognosetaak. | "NormalizedMeanAbsoluteError" "NormalizedRootMeanSquaredError" "R2Score" "SpearmanCorrelation" |
Testdata | Gegevensinvoer testen. | 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 |
trainingSettings | Invoer voor de trainingsfase voor een AutoML-taak. | PrognosesTrainingSettings |
validationData | Invoer van validatiegegevens. | 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 |
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 |
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. VoorCVStepSize als = 3 voor dagelijkse gegevens, is de oorsprongstijd voor elke vouwdrie 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) |
PrognosesTrainingSettings
Naam | Description | Waarde |
---|---|---|
allowedTrainingAlgorithms | Toegestane modellen voor prognosetaak. | 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" |
blockedTrainingAlgorithms | Geblokkeerde 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" |
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 |
ImageClassification
Naam | Description | Waarde |
---|---|---|
taskType | [Vereist] Taaktype voor AutoMLJob. | "ImageClassification" (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 |
validationData | Invoer van validatiegegevens. | 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 |
checkpointFrequency | Frequentie voor het opslaan van modelcontrolepunten. Moet een positief geheel getal zijn. | int |
checkpointModel | Het vooraf getrainde controlepuntmodel voor incrementele training. | MLFlowModelJobInput |
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 |
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 |
trainingBatchSize | Grootte van trainingsbatch. Moet een positief geheel getal zijn. | int |
trainingCropSize | Bijsnijdgrootte van afbeelding die wordt ingevoerd voor 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 | Afbeeldingsgrootte waartoe het formaat moet worden gewijzigd voordat u de gegevensset bijsnijd. Moet een positief geheel getal zijn. | int |
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 |
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. |
int |
MLFlowModelJobInput
Naam | Description | Waarde |
---|---|---|
beschrijving | Beschrijving voor de invoer. | tekenreeks |
jobInputType | [Vereist] Hiermee geeft u het type taak op. | "custom_model" "letterlijk" "mlflow_model" "mltable" "triton_model" "uri_file" 'uri_folder' (vereist) |
mode | Leveringsmodus voor invoerasset. | "Direct" "Downloaden" "EvalDownloaden" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
Uri | [Vereist] URI van invoerasset. | tekenreeks (vereist) Beperkingen: Patroon = [a-zA-Z0-9_] |
ImageModelDistributionSettingsClassification
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 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 |
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 in 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 | Grootte van afbeelding waarmee u het formaat moet wijzigen voordat u de validatiegegevensset bijsnijd. Moet een positief geheel getal 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 |
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. |
tekenreeks |
ImageSweepSettings
Naam | Description | Waarde |
---|---|---|
earlyTermination | Type beleid voor vroegtijdige beëindiging. | EarlyTerminationPolicy |
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 uitgesteld. | int |
evaluationInterval | Interval (aantal uitvoeringen) tussen beleidsevaluaties. | int |
policyType | Het objecttype instellen | Bandit MedianStopping TruncationSelection (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 uitvoering. | 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 |
ImageClassificationMultilabel
Naam | Description | Waarde |
---|---|---|
taskType | [Vereist] Taaktype voor AutoMLJob. | "ImageClassificationMultilabel" (vereist) |
limitSettings | [Vereist] Instellingen voor de AutoML-taak beperken. | ImageLimitSettings (vereist) |
modelSettings | 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 | Gerelateerde instellingen voor modelveeg- en hyperparameter-sweeping. | ImageSweepSettings |
validationData | Invoer van validatiegegevens. | 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 |
ImageInstanceSegmentation
Naam | Description | Waarde |
---|---|---|
taskType | [Vereist] Taaktype voor AutoMLJob. | "ImageInstanceSegmentation" (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 |
validationData | Invoer van validatiegegevens. | 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 |
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 |
checkpointFrequentie | Frequentie voor het opslaan van modelcontrolepunten. Moet een positief geheel getal zijn. | int |
checkpointModel | Het vooraf getrainde controlepuntmodel voor incrementele training. | MLFlowModelJobInput |
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 |
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 '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 |
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 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 |
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'. |
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: de 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. 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'. |
tekenreeks |
Momentum | Waarde van momentum wanneer optimizer 'sgd' is. Moet een vlotter zijn binnen het bereik [0, 1]. | tekenreeks |
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'. |
tekenreeks |
Nesterov | Schakel nesterov in wanneer optimizer 'sgd' is. | tekenreeks |
nmsIouThreshold | IOU-drempelwaarde die wordt gebruikt tijdens deductie in NMS-naverwerking. 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 |
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) |
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 |
validationData | Invoer van validatiegegevens. | 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 |
Regressie
Naam | Description | Waarde |
---|---|---|
taskType | [Vereist] Taaktype voor AutoMLJob. | 'Regressie' (vereist) |
cvSplitColumnNames | Kolommen die moeten worden gebruikt voor CVSplit-gegevens. | tekenreeks[] |
featurizationSettings | Featurization-invoer die nodig is voor de AutoML-taak. | TableVerticalFeaturizationSettings |
limitSettings | Uitvoeringsbeperkingen voor AutoMLJob. | TableVerticalLimitSettings |
nCrossValidations | Aantal kruisvalidatievouws dat moet worden toegepast op de trainingsgegevensset wanneer de validatiegegevensset niet is opgegeven. |
NCrossValidations |
primaryMetric | Primaire metrische gegevens voor regressietaak. | "NormalizedMeanAbsoluteError" "NormalizedRootMeanSquaredError" "R2Score" "SpearmanCorrelation" |
Testdata | Gegevensinvoer testen. | 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 |
trainingSettings | Invoer voor de trainingsfase voor een AutoML-taak. | RegressionTrainingSettings |
validationData | Invoer van validatiegegevens. | 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 |
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 |
RegressionTrainingSettings
Naam | Description | Waarde |
---|---|---|
allowedTrainingAlgorithms | Toegestane modellen voor regressietaak. | Tekenreeksmatrix met een van de volgende: "Beslissingsstructuur" "ElasticNet" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "RandomForest" "SGD" "XGBoostRegressor" |
blockedTrainingAlgorithms | Geblokkeerde modellen voor regressietaak. | Tekenreeksmatrix met een van de volgende: "Beslissingsstructuur" "ElasticNet" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "RandomForest" "SGD" "XGBoostRegressor" |
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 |
TextClassification
Naam | Description | Waarde |
---|---|---|
taskType | [Vereist] Taaktype voor AutoMLJob. | "TextClassification" (vereist) |
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" |
validationData | Invoer van validatiegegevens. | MLTableJobInput |
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) |
featurizationSettings | Featurization-invoer die nodig is voor de AutoML-taak. | NlpVerticalFeaturizationSettings |
limitSettings | Uitvoeringsbeperkingen voor AutoMLJob. | NlpVerticalLimitSettings |
validationData | Invoer van validatiegegevens. | MLTableJobInput |
TextNer
Naam | Description | Waarde |
---|---|---|
taskType | [Vereist] Taaktype voor AutoMLJob. | "TextNER" (vereist) |
featurizationSettings | Featurization-invoer die nodig is voor de AutoML-taak. | NlpVerticalFeaturizationSettings |
limitSettings | Uitvoeringsbeperkingen voor AutoMLJob. | NlpVerticalLimitSettings |
validationData | Invoer van validatiegegevens. | MLTableJobInput |
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. | JobResourceConfiguration |
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 | custom_model Letterlijke mlflow_model mltable triton_model uri_file uri_folder (vereist) |
CustomModelJobInput
Naam | Description | Waarde |
---|---|---|
jobInputType | [Vereist] Hiermee geeft u het type taak op. | 'custom_model' (vereist) |
mode | Leveringsmodus voor invoerasset. | "Direct" "Downloaden" "EvalDownloaden" "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. | "literal" (vereist) |
waarde | [Vereist] Letterlijke waarde voor de invoer. | tekenreeks (vereist) Beperkingen: Patroon = [a-zA-Z0-9_] |
TritonModelJobInput
Naam | Description | Waarde |
---|---|---|
jobInputType | [Vereist] Hiermee geeft u het type taak op. | 'triton_model' (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. | "uri_file" (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. | "uri_folder" (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. | |
sourceJobId | ARM-resource-id van brontaak. | tekenreeks |
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 | "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. | JobResourceConfiguration |
TrialComponentEnvironmentVariables
Naam | Description | Waarde |
---|---|---|
{aangepaste eigenschap} | tekenreeks |
EndpointScheduleAction
Naam | Description | Waarde |
---|---|---|
actionType | [Vereist] Hiermee geeft u het actietype van de planning op | "InvokeBatchEndpoint" (vereist) |
endpointInvocationDefinition | [Vereist] Definieert details van de definitie van de planningsactie. {see href="TBD" /} |
TriggerBase
Naam | Description | Waarde |
---|---|---|
endTime | Hiermee geeft u de eindtijd van de planning in ISO 8601 op, maar zonder een UTC-offset. Raadpleeg https://en.wikipedia.org/wiki/ISO_8601. Aanbevolen indeling is 2022-06-01T00:00:01 Als deze niet aanwezig is, wordt de planning voor onbepaalde tijd uitgevoerd |
tekenreeks |
startTime | Hiermee geeft u de begintijd van de planning in ISO 8601-indeling op, maar zonder een UTC-offset. | tekenreeks |
timeZone | Hiermee geeft u de tijdzone op waarin de planning wordt uitgevoerd. Tijdzone moet de Windows-tijdzoneindeling volgen. Raadpleeg: https://docs.microsoft.com/windows-hardware/manufacture/desktop/default-time-zones /> |
tekenreeks |
triggerType | Het objecttype instellen | Cron Terugkeerpatroon (vereist) |
CronTrigger
Naam | Description | Waarde |
---|---|---|
triggerType | [Vereist] | "Cron" (vereist) |
expressie | [Vereist] Hiermee geeft u de cron-expressie van de planning op. De expressie moet de NCronTab-indeling volgen. |
tekenreeks (vereist) Beperkingen: Patroon = [a-zA-Z0-9_] |
RecurrenceTrigger
Naam | Description | Waarde |
---|---|---|
triggerType | [Vereist] | Terugkeerpatroon (vereist) |
frequency | [Vereist] De frequentie om het schema te activeren. | "Dag" "Uur" "Minuut" "Maand" "Week" (vereist) |
interval | [Vereist] Hiermee geeft u het schema-interval op in combinatie met de frequentie | int (vereist) |
schedule | Het terugkeerschema. | RecurrenceSchedule |
RecurrenceSchedule
Naam | Description | Waarde |
---|---|---|
uur | [Vereist] Lijst met uren voor de planning. | int[] (vereist) |
minutes | [Vereist] Lijst met minuten voor de planning. | int[] (vereist) |
monthDays | Lijst met maanddagen voor de planning | int[] |
weekDays | Lijst met dagen voor de planning. | Tekenreeksmatrix met een van de volgende: "Vrijdag" "Maandag" "Zaterdag" "Zondag" "Donderdag" "Dinsdag" "Woensdag" |
Feedback
https://aka.ms/ContentUserFeedback.
Binnenkort beschikbaar: In de loop van 2024 zullen we GitHub-problemen geleidelijk uitfaseren als het feedbackmechanisme voor inhoud en deze vervangen door een nieuw feedbacksysteem. Zie voor meer informatie:Feedback verzenden en weergeven voor