Obszary robocze/zadania Microsoft.MachineLearningServices 2022-02-01-preview

2025-07-01

Definicja zasobu Bicep

Typ zasobu obszarów roboczych/zadań można wdrożyć przy użyciu operacji docelowych:

grupy zasobów — zobacz polecenia wdrażania grupy zasobów

Aby uzyskać listę zmienionych właściwości w każdej wersji interfejsu API, zobacz dziennika zmian.

Format zasobu

Aby utworzyć zasób Microsoft.MachineLearningServices/workspaces/jobs, dodaj następujący kod Bicep do szablonu.

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

Obiekty TargetLags

Ustaw właściwość mode , aby określić typ obiektu.

W przypadku opcji Auto użyj:

{
  mode: 'Auto'
}

W przypadku opcji Niestandardowe użyj:

{
  mode: 'Custom'
  values: [
    int
  ]
}

Obiekty sezonowości

Ustaw właściwość mode , aby określić typ obiektu.

W przypadku opcji Auto użyj:

{
  mode: 'Auto'
}

W przypadku opcji Niestandardowe użyj:

{
  mode: 'Custom'
  value: int
}

Obiekty JobOutput

Ustaw właściwość jobOutputType , aby określić typ obiektu.

W przypadku modelu niestandardowego użyj:

{
  jobOutputType: 'CustomModel'
  mode: 'string'
  uri: 'string'
}

W przypadku MLFlowModel użyj:

{
  jobOutputType: 'MLFlowModel'
  mode: 'string'
  uri: 'string'
}

W przypadku MLTable użyj:

{
  jobOutputType: 'MLTable'
  mode: 'string'
  uri: 'string'
}

W przypadku TritonModel użyj:

{
  jobOutputType: 'TritonModel'
  mode: 'string'
  uri: 'string'
}

W przypadku UriFileużyj:

{
  jobOutputType: 'UriFile'
  mode: 'string'
  uri: 'string'
}

W przypadku UriFolder użyj:

{
  jobOutputType: 'UriFolder'
  mode: 'string'
  uri: 'string'
}

Obiekty autoMLVertical

Ustaw właściwość taskType , aby określić typ obiektu.

W przypadku klasyfikacji użyj:

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

W przypadku prognozowania użyj:

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

W przypadku klasyfikacji obrazu użyj:

{
  dataSettings: {
    targetColumnName: 'string'
    testData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      testDataSize: int
    }
    trainingData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
    }
    validationData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      validationDataSize: int
    }
  }
  limitSettings: {
    maxConcurrentTrials: int
    maxTrials: int
    timeout: 'string'
  }
  modelSettings: {
    advancedSettings: 'string'
    amsGradient: bool
    augmentations: 'string'
    beta1: int
    beta2: int
    checkpointDatasetId: 'string'
    checkpointFilename: 'string'
    checkpointFrequency: int
    checkpointRunId: 'string'
    distributed: bool
    earlyStopping: bool
    earlyStoppingDelay: int
    earlyStoppingPatience: int
    enableOnnxNormalization: bool
    evaluationFrequency: int
    gradientAccumulationStep: int
    layersToFreeze: int
    learningRate: int
    learningRateScheduler: 'string'
    modelName: 'string'
    momentum: int
    nesterov: bool
    numberOfEpochs: int
    numberOfWorkers: int
    optimizer: 'string'
    randomSeed: int
    splitRatio: int
    stepLRGamma: int
    stepLRStepSize: int
    trainingBatchSize: int
    trainingCropSize: int
    validationBatchSize: int
    validationCropSize: int
    validationResizeSize: int
    warmupCosineLRCycles: int
    warmupCosineLRWarmupEpochs: int
    weightDecay: int
    weightedLoss: int
  }
  primaryMetric: 'string'
  searchSpace: [
    {
      amsGradient: 'string'
      augmentations: 'string'
      beta1: 'string'
      beta2: 'string'
      distributed: 'string'
      earlyStopping: 'string'
      earlyStoppingDelay: 'string'
      earlyStoppingPatience: 'string'
      enableOnnxNormalization: 'string'
      evaluationFrequency: 'string'
      gradientAccumulationStep: 'string'
      layersToFreeze: 'string'
      learningRate: 'string'
      learningRateScheduler: 'string'
      modelName: 'string'
      momentum: 'string'
      nesterov: 'string'
      numberOfEpochs: 'string'
      numberOfWorkers: 'string'
      optimizer: 'string'
      randomSeed: 'string'
      splitRatio: 'string'
      stepLRGamma: 'string'
      stepLRStepSize: 'string'
      trainingBatchSize: 'string'
      trainingCropSize: 'string'
      validationBatchSize: 'string'
      validationCropSize: 'string'
      validationResizeSize: 'string'
      warmupCosineLRCycles: 'string'
      warmupCosineLRWarmupEpochs: 'string'
      weightDecay: 'string'
      weightedLoss: 'string'
    }
  ]
  sweepSettings: {
    earlyTermination: {
      delayEvaluation: int
      evaluationInterval: int
      policyType: 'string'
      // For remaining properties, see EarlyTerminationPolicy objects
    }
    limits: {
      maxConcurrentTrials: int
      maxTrials: int
    }
    samplingAlgorithm: 'string'
  }
  taskType: 'ImageClassification'
}

W przypadku elementu ImageClassificationMultilabel użyj:

{
  dataSettings: {
    targetColumnName: 'string'
    testData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      testDataSize: int
    }
    trainingData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
    }
    validationData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      validationDataSize: int
    }
  }
  limitSettings: {
    maxConcurrentTrials: int
    maxTrials: int
    timeout: 'string'
  }
  modelSettings: {
    advancedSettings: 'string'
    amsGradient: bool
    augmentations: 'string'
    beta1: int
    beta2: int
    checkpointDatasetId: 'string'
    checkpointFilename: 'string'
    checkpointFrequency: int
    checkpointRunId: 'string'
    distributed: bool
    earlyStopping: bool
    earlyStoppingDelay: int
    earlyStoppingPatience: int
    enableOnnxNormalization: bool
    evaluationFrequency: int
    gradientAccumulationStep: int
    layersToFreeze: int
    learningRate: int
    learningRateScheduler: 'string'
    modelName: 'string'
    momentum: int
    nesterov: bool
    numberOfEpochs: int
    numberOfWorkers: int
    optimizer: 'string'
    randomSeed: int
    splitRatio: int
    stepLRGamma: int
    stepLRStepSize: int
    trainingBatchSize: int
    trainingCropSize: int
    validationBatchSize: int
    validationCropSize: int
    validationResizeSize: int
    warmupCosineLRCycles: int
    warmupCosineLRWarmupEpochs: int
    weightDecay: int
    weightedLoss: int
  }
  primaryMetric: 'string'
  searchSpace: [
    {
      amsGradient: 'string'
      augmentations: 'string'
      beta1: 'string'
      beta2: 'string'
      distributed: 'string'
      earlyStopping: 'string'
      earlyStoppingDelay: 'string'
      earlyStoppingPatience: 'string'
      enableOnnxNormalization: 'string'
      evaluationFrequency: 'string'
      gradientAccumulationStep: 'string'
      layersToFreeze: 'string'
      learningRate: 'string'
      learningRateScheduler: 'string'
      modelName: 'string'
      momentum: 'string'
      nesterov: 'string'
      numberOfEpochs: 'string'
      numberOfWorkers: 'string'
      optimizer: 'string'
      randomSeed: 'string'
      splitRatio: 'string'
      stepLRGamma: 'string'
      stepLRStepSize: 'string'
      trainingBatchSize: 'string'
      trainingCropSize: 'string'
      validationBatchSize: 'string'
      validationCropSize: 'string'
      validationResizeSize: 'string'
      warmupCosineLRCycles: 'string'
      warmupCosineLRWarmupEpochs: 'string'
      weightDecay: 'string'
      weightedLoss: 'string'
    }
  ]
  sweepSettings: {
    earlyTermination: {
      delayEvaluation: int
      evaluationInterval: int
      policyType: 'string'
      // For remaining properties, see EarlyTerminationPolicy objects
    }
    limits: {
      maxConcurrentTrials: int
      maxTrials: int
    }
    samplingAlgorithm: 'string'
  }
  taskType: 'ImageClassificationMultilabel'
}

W przypadku klasy ImageInstanceSegmentation użyj:

{
  dataSettings: {
    targetColumnName: 'string'
    testData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      testDataSize: int
    }
    trainingData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
    }
    validationData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      validationDataSize: int
    }
  }
  limitSettings: {
    maxConcurrentTrials: int
    maxTrials: int
    timeout: 'string'
  }
  modelSettings: {
    advancedSettings: 'string'
    amsGradient: bool
    augmentations: 'string'
    beta1: int
    beta2: int
    boxDetectionsPerImage: int
    boxScoreThreshold: int
    checkpointDatasetId: 'string'
    checkpointFilename: 'string'
    checkpointFrequency: int
    checkpointRunId: 'string'
    distributed: bool
    earlyStopping: bool
    earlyStoppingDelay: int
    earlyStoppingPatience: int
    enableOnnxNormalization: bool
    evaluationFrequency: int
    gradientAccumulationStep: int
    imageSize: int
    layersToFreeze: int
    learningRate: int
    learningRateScheduler: 'string'
    maxSize: int
    minSize: int
    modelName: 'string'
    modelSize: 'string'
    momentum: int
    multiScale: bool
    nesterov: bool
    nmsIouThreshold: int
    numberOfEpochs: int
    numberOfWorkers: int
    optimizer: 'string'
    randomSeed: int
    splitRatio: int
    stepLRGamma: int
    stepLRStepSize: int
    tileGridSize: 'string'
    tileOverlapRatio: int
    tilePredictionsNmsThreshold: int
    trainingBatchSize: int
    validationBatchSize: int
    validationIouThreshold: int
    validationMetricType: 'string'
    warmupCosineLRCycles: int
    warmupCosineLRWarmupEpochs: int
    weightDecay: int
  }
  primaryMetric: 'string'
  searchSpace: [
    {
      amsGradient: 'string'
      augmentations: 'string'
      beta1: 'string'
      beta2: 'string'
      boxDetectionsPerImage: 'string'
      boxScoreThreshold: 'string'
      distributed: 'string'
      earlyStopping: 'string'
      earlyStoppingDelay: 'string'
      earlyStoppingPatience: 'string'
      enableOnnxNormalization: 'string'
      evaluationFrequency: 'string'
      gradientAccumulationStep: 'string'
      imageSize: 'string'
      layersToFreeze: 'string'
      learningRate: 'string'
      learningRateScheduler: 'string'
      maxSize: 'string'
      minSize: 'string'
      modelName: 'string'
      modelSize: 'string'
      momentum: 'string'
      multiScale: 'string'
      nesterov: 'string'
      nmsIouThreshold: 'string'
      numberOfEpochs: 'string'
      numberOfWorkers: 'string'
      optimizer: 'string'
      randomSeed: 'string'
      splitRatio: 'string'
      stepLRGamma: 'string'
      stepLRStepSize: 'string'
      tileGridSize: 'string'
      tileOverlapRatio: 'string'
      tilePredictionsNmsThreshold: 'string'
      trainingBatchSize: 'string'
      validationBatchSize: 'string'
      validationIouThreshold: 'string'
      validationMetricType: 'string'
      warmupCosineLRCycles: 'string'
      warmupCosineLRWarmupEpochs: 'string'
      weightDecay: 'string'
    }
  ]
  sweepSettings: {
    earlyTermination: {
      delayEvaluation: int
      evaluationInterval: int
      policyType: 'string'
      // For remaining properties, see EarlyTerminationPolicy objects
    }
    limits: {
      maxConcurrentTrials: int
      maxTrials: int
    }
    samplingAlgorithm: 'string'
  }
  taskType: 'ImageInstanceSegmentation'
}

W przypadku elementu ImageObjectDetection użyj:

{
  dataSettings: {
    targetColumnName: 'string'
    testData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      testDataSize: int
    }
    trainingData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
    }
    validationData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      validationDataSize: int
    }
  }
  limitSettings: {
    maxConcurrentTrials: int
    maxTrials: int
    timeout: 'string'
  }
  modelSettings: {
    advancedSettings: 'string'
    amsGradient: bool
    augmentations: 'string'
    beta1: int
    beta2: int
    boxDetectionsPerImage: int
    boxScoreThreshold: int
    checkpointDatasetId: 'string'
    checkpointFilename: 'string'
    checkpointFrequency: int
    checkpointRunId: 'string'
    distributed: bool
    earlyStopping: bool
    earlyStoppingDelay: int
    earlyStoppingPatience: int
    enableOnnxNormalization: bool
    evaluationFrequency: int
    gradientAccumulationStep: int
    imageSize: int
    layersToFreeze: int
    learningRate: int
    learningRateScheduler: 'string'
    maxSize: int
    minSize: int
    modelName: 'string'
    modelSize: 'string'
    momentum: int
    multiScale: bool
    nesterov: bool
    nmsIouThreshold: int
    numberOfEpochs: int
    numberOfWorkers: int
    optimizer: 'string'
    randomSeed: int
    splitRatio: int
    stepLRGamma: int
    stepLRStepSize: int
    tileGridSize: 'string'
    tileOverlapRatio: int
    tilePredictionsNmsThreshold: int
    trainingBatchSize: int
    validationBatchSize: int
    validationIouThreshold: int
    validationMetricType: 'string'
    warmupCosineLRCycles: int
    warmupCosineLRWarmupEpochs: int
    weightDecay: int
  }
  primaryMetric: 'string'
  searchSpace: [
    {
      amsGradient: 'string'
      augmentations: 'string'
      beta1: 'string'
      beta2: 'string'
      boxDetectionsPerImage: 'string'
      boxScoreThreshold: 'string'
      distributed: 'string'
      earlyStopping: 'string'
      earlyStoppingDelay: 'string'
      earlyStoppingPatience: 'string'
      enableOnnxNormalization: 'string'
      evaluationFrequency: 'string'
      gradientAccumulationStep: 'string'
      imageSize: 'string'
      layersToFreeze: 'string'
      learningRate: 'string'
      learningRateScheduler: 'string'
      maxSize: 'string'
      minSize: 'string'
      modelName: 'string'
      modelSize: 'string'
      momentum: 'string'
      multiScale: 'string'
      nesterov: 'string'
      nmsIouThreshold: 'string'
      numberOfEpochs: 'string'
      numberOfWorkers: 'string'
      optimizer: 'string'
      randomSeed: 'string'
      splitRatio: 'string'
      stepLRGamma: 'string'
      stepLRStepSize: 'string'
      tileGridSize: 'string'
      tileOverlapRatio: 'string'
      tilePredictionsNmsThreshold: 'string'
      trainingBatchSize: 'string'
      validationBatchSize: 'string'
      validationIouThreshold: 'string'
      validationMetricType: 'string'
      warmupCosineLRCycles: 'string'
      warmupCosineLRWarmupEpochs: 'string'
      weightDecay: 'string'
    }
  ]
  sweepSettings: {
    earlyTermination: {
      delayEvaluation: int
      evaluationInterval: int
      policyType: 'string'
      // For remaining properties, see EarlyTerminationPolicy objects
    }
    limits: {
      maxConcurrentTrials: int
      maxTrials: int
    }
    samplingAlgorithm: 'string'
  }
  taskType: 'ImageObjectDetection'
}

W przypadku regresji użyj:

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

W przypadku klasyfikacji tekstu użyj:

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

W przypadku elementu TextClassificationMultilabel użyj:

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

W przypadku funkcji TextNER użyj:

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

Próbkowanie ObiektówAlgorithm

Ustaw właściwość samplingAlgorithmType , aby określić typ obiektu.

W przypadku bayesianu użyj:

{
  samplingAlgorithmType: 'Bayesian'
}

W przypadku usługi Grid użyj polecenia:

{
  samplingAlgorithmType: 'Grid'
}

W przypadku funkcji Losowe użyj:

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

Obiekty IdentityConfiguration

Ustaw właściwość identityType , aby określić typ obiektu.

W przypadku tokenu AMLToken użyj:

{
  identityType: 'AMLToken'
}

W przypadku funkcji Zarządzane użyj:

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

W przypadku identyfikatora UserIdentity użyj:

{
  identityType: 'UserIdentity'
}

Obiekty TargetRollingWindowSize

Ustaw właściwość mode , aby określić typ obiektu.

W przypadku opcji Auto użyj:

{
  mode: 'Auto'
}

W przypadku opcji Niestandardowe użyj:

{
  mode: 'Custom'
  value: int
}

Obiekty ScheduleBase

Ustaw właściwość scheduleType w celu określenia typu obiektu.

W przypadku Cron użyj:

{
  expression: 'string'
  scheduleType: 'Cron'
}

W przypadku cyklu użyj:

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

Obiekty DistributionConfiguration

Ustaw właściwość distributionType , aby określić typ obiektu.

W przypadku programu Mpi użyj:

{
  distributionType: 'Mpi'
  processCountPerInstance: int
}

W przypadku rozwiązania PyTorch użyj:

{
  distributionType: 'PyTorch'
  processCountPerInstance: int
}

W przypadku biblioteki TensorFlow użyj:

{
  distributionType: 'TensorFlow'
  parameterServerCount: int
  workerCount: int
}

Obiekty JobBaseDetails

Ustaw właściwość jobType , aby określić typ obiektu.

W przypadku rozwiązania AutoML użyj:

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

W przypadku polecenia użyj polecenia:

{
  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
    }
  }
  jobType: 'Command'
  limits: {
    jobLimitsType: 'string'
    timeout: 'string'
  }
  outputs: {
    {customized property}: {
      description: 'string'
      jobOutputType: 'string'
      // For remaining properties, see JobOutput objects
    }
  }
  resources: {
    instanceCount: int
    instanceType: 'string'
    properties: {
      {customized property}: any(...)
    }
  }
}

W przypadku potoku użyj:

{
  inputs: {
    {customized property}: {
      description: 'string'
      jobInputType: 'string'
      // For remaining properties, see JobInput objects
    }
  }
  jobs: {
    {customized property}: any(...)
  }
  jobType: 'Pipeline'
  outputs: {
    {customized property}: {
      description: 'string'
      jobOutputType: 'string'
      // For remaining properties, see JobOutput objects
    }
  }
  settings: any(...)
}

W przypadku zamiatania użyj:

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

Obiekty ForecastHorizon

Ustaw właściwość mode , aby określić typ obiektu.

W przypadku opcji Auto użyj:

{
  mode: 'Auto'
}

W przypadku opcji Niestandardowe użyj:

{
  mode: 'Custom'
  value: int
}

Obiekty JobInput

Ustaw właściwość jobInputType , aby określić typ obiektu.

W przypadku modelu niestandardowego użyj:

{
  jobInputType: 'CustomModel'
  mode: 'string'
  uri: 'string'
}

W przypadku literału użyj:

{
  jobInputType: 'Literal'
  value: 'string'
}

W przypadku MLFlowModel użyj:

{
  jobInputType: 'MLFlowModel'
  mode: 'string'
  uri: 'string'
}

W przypadku MLTable użyj:

{
  jobInputType: 'MLTable'
  mode: 'string'
  uri: 'string'
}

W przypadku TritonModel użyj:

{
  jobInputType: 'TritonModel'
  mode: 'string'
  uri: 'string'
}

W przypadku UriFileużyj:

{
  jobInputType: 'UriFile'
  mode: 'string'
  uri: 'string'
}

W przypadku UriFolder użyj:

{
  jobInputType: 'UriFolder'
  mode: 'string'
  uri: 'string'
}

Obiekty NCrossValidations

Ustaw właściwość mode , aby określić typ obiektu.

W przypadku opcji Auto użyj:

{
  mode: 'Auto'
}

W przypadku opcji Niestandardowe użyj:

{
  mode: 'Custom'
  value: int
}

Obiekty EarlyTerminationPolicy

Ustaw właściwość policyType , aby określić typ obiektu.

W przypadku elementu Bandit użyj:

{
  policyType: 'Bandit'
  slackAmount: int
  slackFactor: int
}

W przypadku medianStopping użyj:

{
  policyType: 'MedianStopping'
}

W przypadku narzędzia TruncationSelection użyj:

{
  policyType: 'TruncationSelection'
  truncationPercentage: int
}

Wartości właściwości

Microsoft.MachineLearningServices/workspaces/jobs

Nazwa	Opis	Wartość
nazwa	Nazwa zasobu	struna Ograniczenia: Wzorzec = `^[a-zA-Z0-9][a-zA-Z0-9\-_]{0,254}$` (wymagane)
nadrzędny	W Bicep można określić zasób nadrzędny dla zasobu podrzędnego. Tę właściwość należy dodać tylko wtedy, gdy zasób podrzędny jest zadeklarowany poza zasobem nadrzędnym. Aby uzyskać więcej informacji, zobacz Zasób podrzędny poza zasobem nadrzędnym.	Nazwa symboliczna zasobu typu: obszary robocze
właściwości	[Wymagane] Dodatkowe atrybuty jednostki.	JobBaseDetails (wymagane)

Token AML

Nazwa	Opis	Wartość
identityType (typ tożsamości)	[Wymagane] Określa typ struktury tożsamości.	"AMLToken" (wymagane)

Horyzont automatycznej prognozy

Nazwa	Opis	Wartość
tryb	[Wymagane] Ustaw tryb wyboru wartości horyzontu prognozy.	"Auto" (wymagane)

AutoMLJob

Nazwa	Opis	Wartość
environmentId (identyfikator środowiska)	Identyfikator zasobu usługi ARM specyfikacji środowiska dla zadania. Ta wartość jest opcjonalna, aby podać, jeśli nie podano, rozwiązanie AutoML spowoduje ustawienie domyślne dla produkcyjnej wersji środowiska wyselekcjonowanych automatycznego uczenia maszynowego podczas uruchamiania zadania.	ciąg
zmienne środowiskowe	Zmienne środowiskowe uwzględnione w zadaniu.	AutoMLJobEnvironmentVariables (Zmienne środowiskowe AutoMLJobEnvironmentVariables)
rodzaj pracy	[Wymagane] Określa typ zadania.	"AutoML" (wymagane)
Wyniki	Mapowanie powiązań danych wyjściowych używanych w zadaniu.	AutoMLJobOutputs (Wyjścia automatyczneMLJobOutputs)
zasoby	Konfiguracja zasobów obliczeniowych dla zadania.	Konfiguracja zasobów
taskDetails (Szczegóły zadania)	[Wymagane] Reprezentuje to scenariusz, który może być jednym z tabel/nlp/obrazu	AutoMLVertical (wymagane)

AutoMLJobEnvironmentVariables (Zmienne środowiskowe AutoMLJobEnvironmentVariables)

Nazwa	Opis	Wartość

AutoMLJobOutputs (Wyjścia automatyczneMLJobOutputs)

Nazwa	Opis	Wartość

AutoMLVertical

Nazwa	Opis	Wartość
logSzczegółowość	Czasownik rejestrowania dla zadania.	"Krytyczne" "Debugowanie" "Błąd" "Informacje" "NotSet" "Ostrzeżenie"
typ zadania	Ustaw wartość "Klasyfikacja" dla typu Klasyfikacja. Ustaw wartość "Prognozowanie" dla typu Prognozowanie. Dla typu ImageClassification ustaw wartość "ImageClassification". Ustaw wartość "ImageClassificationMultilabel" dla typu ImageClassificationMultilabel. Ustaw wartość "ImageInstanceSegmentation" dla typu ImageInstanceSegmentation. Dla typu ImageObjectDetection ustaw wartość "ImageObjectDetection". Ustaw wartość "Regresja" dla regresji typu. Dla typu TextClassification ustaw wartość "TextClassification". Ustaw wartość "TextClassificationMultilabel" dla typu TextClassificationMultilabel. Ustaw wartość "TextNER" dla typu TextNer.	"Klasyfikacja" "Prognozowanie" "ImageClassification" "ImageClassificationMultilabel" "ImageInstanceSegmentation" "ImageObjectDetection" "Regresja" "TextClassification" "TextClassificationMultilabel" "TextNER" (wymagane)

AutoNCrossWalidacje

Nazwa	Opis	Wartość
tryb	[Wymagane] Tryb określania poprawności N-Cross.	"Auto" (wymagane)

Autoseasonity

Nazwa	Opis	Wartość
tryb	[Wymagane] Tryb sezonowości.	"Auto" (wymagane)

Opóźnienia AutoTargetLags

Nazwa	Opis	Wartość
tryb	[Wymagane] Ustawianie trybu opóźnień docelowych — automatyczne/niestandardowe	"Auto" (wymagane)

AutoTargetRollingWindowSize

Nazwa	Opis	Wartość
tryb	[Wymagane] TargetRollingWindowSiz detection mode (Tryb wykrywania TargetRollingWindowSiz).	"Auto" (wymagane)

Polityka bandytów

Nazwa	Opis	Wartość
policyType (typ polityki)	[Wymagane] Nazwa konfiguracji zasad	"Bandit" (wymagany)
Zapas czasu	Bezwzględna odległość dozwolona od najlepiej działającego przebiegu.	int (integer)
Czynnik slackFactor	Współczynnik dozwolonej odległości od najlepszego przebiegu.	int (integer)

Algorytm Bayesowskiego próbkowania

Nazwa	Opis	Wartość
samplingAlgorithmType	[Wymagane] Algorytm używany do generowania wartości hiperparametrów wraz z właściwościami konfiguracji	"Bayesian" (wymagane)

Klasyfikacja

Nazwa	Opis	Wartość
allowedModels (dozwolone modele)	Dozwolone modele dla zadania klasyfikacji.	Tablica ciągów zawierająca dowolną z: "BernoulliNaiveBayes" "DecisionTree" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LightGBM" "LinearSVM" "LogisticsRegression" "MultinomialNaiveBayes" "RandomForest" "SGD" "SVM" "XGBoostClassifier"
blockedModels (zablokowaneModele)	Zablokowane modele dla zadania klasyfikacji.	Tablica ciągów zawierająca dowolną z: "BernoulliNaiveBayes" "DecisionTree" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LightGBM" "LinearSVM" "LogisticsRegression" "MultinomialNaiveBayes" "RandomForest" "SGD" "SVM" "XGBoostClassifier"
dataSettings (Ustawienia danych)	Dane wejściowe dla AutoMLJob.	TableVerticalDataSettings (Ustawienia danych tabeli)
cechowanieUstawienia	Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML.	TableVerticalFeaturizationSettings
limitSettings (ustawienia limitu)	Ograniczenia wykonywania dla zadania AutoMLJob.	TableVerticalLimitSettings (Ustawienia stołu)
primaryMetric (podstawowy)	Podstawowa metryka zadania.	"Dokładność" "AUCWeighted" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted"
typ zadania	[Wymagane] Typ zadania dla zadania AutoMLJob.	"Klasyfikacja" (wymagana)
trainingSettings (ustawienia szkolenia)	Dane wejściowe fazy trenowania zadania automatycznego uczenia maszynowego.	Ustawienia treningu

Kolumnowyprzekształtnik

Nazwa	Opis	Wartość
Pola	Pola do zastosowania logiki przekształcania.	ciąg znakowy[]
Parametry	Różne właściwości, które mają być przekazywane do transformatora. Oczekiwane dane wejściowe to słownik par klucz,wartość w formacie JSON.	jakikolwiek

Zadanie polecenia

Nazwa	Opis	Wartość
codeId (identyfikator kodu)	Identyfikator zasobu usługi ARM zasobu kodu.	ciąg
polecenie	[Wymagane] Polecenie do wykonania podczas uruchamiania zadania. Np. "Python train.py"	struna Ograniczenia: Minimalna długość = 1 Wzorzec = `[a-zA-Z0-9_]` (wymagane)
dystrybucja	Konfiguracja dystrybucji zadania. W przypadku ustawienia powinna to być jedna z wartości Mpi, Tensorflow, PyTorch lub null.	Rozkładkonfiguracja
environmentId (identyfikator środowiska)	[Wymagane] Identyfikator zasobu usługi ARM specyfikacji środowiska dla zadania.	struna Ograniczenia: Wzorzec = `[a-zA-Z0-9_]` (wymagane)
zmienne środowiskowe	Zmienne środowiskowe uwzględnione w zadaniu.	CommandJobEnvironmentVariables
Wejścia	Mapowanie powiązań danych wejściowych używanych w zadaniu.	CommandJobInputs
rodzaj pracy	[Wymagane] Określa typ zadania.	"Polecenie" (wymagane)
limity	Limit zadań poleceń.	CommandJobLimits
Wyniki	Mapowanie powiązań danych wyjściowych używanych w zadaniu.	CommandJobOutputs
zasoby	Konfiguracja zasobów obliczeniowych dla zadania.	Konfiguracja zasobów

CommandJobEnvironmentVariables

Nazwa	Opis	Wartość

CommandJobInputs

Nazwa	Opis	Wartość

CommandJobLimits

Nazwa	Opis	Wartość
jobLimitsType (Typ zadania)	[Wymagane] Typ JobLimit.	"Polecenie" "Zamiatanie" (wymagane)
przerwa czasowa	Maksymalny czas trwania przebiegu w formacie ISO 8601, po którym zadanie zostanie anulowane. Obsługuje tylko czas trwania z dokładnością do sekund.	ciąg

CommandJobOutputs

Nazwa	Opis	Wartość

Harmonogram Crona

Nazwa	Opis	Wartość
wyrażenie	[Wymagane] Określa wyrażenie cron harmonogramu. Wyrażenie powinno być zgodne z formatem NCronTab.	struna Ograniczenia: Wzorzec = `[a-zA-Z0-9_]` (wymagane)
scheduleType (typ harmonogramu)	[Wymagane] Określa typ harmonogramu	"Cron" (wymagane)

Niestandardowy horyzont prognozy

Nazwa	Opis	Wartość
tryb	[Wymagane] Ustaw tryb wyboru wartości horyzontu prognozy.	"Niestandardowy" (wymagany)
wartość	[Wymagane] Wartość horyzontu prognozy.	int (wymagane)

CustomModelJobInput

Nazwa	Opis	Wartość
jobInputType (typ wejścia)	[Wymagane] Określa typ zadania.	"CustomModel" (wymagane)
tryb	Tryb dostarczania zasobów wejściowych.	"Bezpośredni" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
URI	[Wymagane] Identyfikator URI zasobu wejściowego.	struna Ograniczenia: Wzorzec = `[a-zA-Z0-9_]` (wymagane)

CustomModelJobOutput

Nazwa	Opis	Wartość
jobOutputType (Typ zadania)	[Wymagane] Określa typ zadania.	"CustomModel" (wymagane)
tryb	Tryb dostarczania zasobów wyjściowych.	"ReadWriteMount" "Przekaż"
URI	Identyfikator URI elementu zawartości wyjściowej.	ciąg

CustomNCrossValidations (Walidacje niestandardowych dokumentów)

Nazwa	Opis	Wartość
tryb	[Wymagane] Tryb określania poprawności N-Cross.	"Niestandardowy" (wymagany)
wartość	[Wymagane] N-Cross validations wartość.	int (wymagane)

Niestandardowa sezonowość

Nazwa	Opis	Wartość
tryb	[Wymagane] Tryb sezonowości.	"Niestandardowy" (wymagany)
wartość	[Wymagane] Wartość sezonowości.	int (wymagane)

CustomTargetLags (Niestandardowe opóźnienia)

Nazwa	Opis	Wartość
tryb	[Wymagane] Ustawianie trybu opóźnień docelowych — automatyczne/niestandardowe	"Niestandardowy" (wymagany)
Wartości	[Wymagane] Ustaw wartości opóźnień docelowych.	int[] (wymagane)

CustomTargetRollingWindowSize (Niestandardowy rozmiarDocelowegoPrzewijaniaOkna)

Nazwa	Opis	Wartość
tryb	[Wymagane] TargetRollingWindowSiz detection mode (Tryb wykrywania TargetRollingWindowSiz).	"Niestandardowy" (wymagany)
wartość	[Wymagane] Wartość TargetRollingWindowSize.	int (wymagane)

Rozkładkonfiguracja

Nazwa	Opis	Wartość
distributionType (typ dystrybucji)	Ustaw wartość "Mpi" dla typu Mpi. Dla typu PyTorch ustaw wartość "PyTorch". Dla typu TensorFlow ustaw wartość "TensorFlow".	"Mpi" "PyTorch" "TensorFlow" (wymagany)

Polityka Wczesnej Terminacji

Nazwa	Opis	Wartość
delayEvaluation (opóźnienie)	Liczba interwałów, według których należy opóźnić pierwszą ocenę.	int (integer)
Parametr evaluationInterval (interwał oceny)	Interwał (liczba przebiegów) między ocenami zasad.	int (integer)
policyType (typ polityki)	Ustaw wartość "Bandit" dla typu BanditPolicy. Ustaw wartość "MedianStopping" dla typu MedianStoppingPolicy. Ustaw wartość "TruncationSelection" dla typu TruncationSelectionPolicy.	"Bandit" "MedianStopping" "Obcięcie wyboru" (wymagane)

PrognozaHorizon

Nazwa	Opis	Wartość
tryb	Ustaw wartość "Auto" dla typu AutoForecastHorizon. Dla typu CustomForecastHorizon ustaw wartość "CustomForecastHorizon".	"Auto" "Niestandardowy" (wymagany)

Prognozowanie

Nazwa	Opis	Wartość
allowedModels (dozwolone modele)	Dozwolone modele do zadania prognozowania.	Tablica ciągów zawierająca dowolną z: "Arimax" "AutoArima" "Średnia" "DecisionTree" "ElasticNet" "ExponentialSmoothing" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "Naiwny" "Prorok" "RandomForest" "Sezonowa wyrównywacz" "SeasonalNaive" "SGD" "TCNForecaster" "XGBoostRegressor"
blockedModels (zablokowaneModele)	Zablokowane modele do zadania prognozowania.	Tablica ciągów zawierająca dowolną z: "Arimax" "AutoArima" "Średnia" "DecisionTree" "ElasticNet" "ExponentialSmoothing" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "Naiwny" "Prorok" "RandomForest" "Sezonowa wyrównywacz" "SeasonalNaive" "SGD" "TCNForecaster" "XGBoostRegressor"
dataSettings (Ustawienia danych)	Dane wejściowe dla AutoMLJob.	TableVerticalDataSettings (Ustawienia danych tabeli)
cechowanieUstawienia	Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML.	TableVerticalFeaturizationSettings
prognozowanieUstawienia	Prognozowanie danych wejściowych specyficznych dla zadania.	PrognozowanieUstawienia
limitSettings (ustawienia limitu)	Ograniczenia wykonywania dla zadania AutoMLJob.	TableVerticalLimitSettings (Ustawienia stołu)
primaryMetric (podstawowy)	Podstawowa metryka zadania prognozowania.	"NormalizedMeanAbsoluteError" "NormalizedRootMeanSquaredError" "R2Score" "SpearmanCorrelation"
typ zadania	[Wymagane] Typ zadania dla zadania AutoMLJob.	"Prognozowanie" (wymagane)
trainingSettings (ustawienia szkolenia)	Dane wejściowe fazy trenowania zadania automatycznego uczenia maszynowego.	Ustawienia treningu

PrognozowanieUstawienia

Nazwa	Opis	Wartość
countryOrRegionForHolidays	Kraj lub region świąt na potrzeby prognozowania zadań. Powinny to być dwuliterowe kody kraju/regionu ISO 3166, na przykład "USA" lub "GB".	ciąg
cvStepSize (Rozmiar_kroku)	Liczba krosek między godziną początkową jednego składania CV a następnym fałszem. Dla na przykład jeśli `CVStepSize` = 3 dla danych dziennych, czas pochodzenia dla każdego fałdu będzie trzy dni od siebie.	int (integer)
featureLags (Opóźnienia)	Flaga generowania opóźnień dla funkcji liczbowych z wartością "auto" lub null.	"Auto" "Brak"
prognozaHoryzont	Żądany maksymalny horyzont prognozy w jednostkach częstotliwości szeregów czasowych.	PrognozaHorizon
częstotliwość	Podczas prognozowania ten parametr reprezentuje okres, z którym jest wymagana prognoza, na przykład codziennie, co tydzień, co rok itp. Częstotliwość prognozowania to częstotliwość zestawów danych domyślnie.	ciąg
Sezonowości	Ustaw sezonowość szeregów czasowych jako liczbę całkowitą z częstotliwością serii. Jeśli sezonowość jest ustawiona na wartość "auto", zostanie ona wywnioskowana.	Sezonowości
shortSeriesHandlingConfig (konfiguracja krótkiego zestawu)	Parametr definiujący sposób obsługi krótkich szeregów czasowych przez rozwiązanie AutoML.	"Auto" "Upuść" "Brak" "Pad"
targetAggregateFunction (funkcja celu)	Funkcja używana do agregowania kolumny docelowej szeregów czasowych w celu zachowania zgodności z określoną częstotliwością użytkownika. Jeśli parametr TargetAggregateFunction jest ustawiony, tj. nie "Brak", ale parametr freq nie jest ustawiony, zostanie zgłoszony błąd. Możliwe funkcje agregacji docelowej to: "sum", "max", "min" i "mean".	"Max" "Średnia" "Min" "Brak" "Suma"
targetLags (Opóźnienia docelowe)	Liczba poprzednich okresów do opóźnienia z kolumny docelowej.	Opóźnienie docelowe
targetRollingWindowSize (rozmiarOkna toczenia)	Liczba poprzednich okresów użytych do utworzenia średniej okna kroczącego kolumny docelowej.	TargetRollingWindowSize (Rozmiar okna toczącego)
timeColumnName (nazwa_kolumny)	Nazwa kolumny czasowej. Ten parametr jest wymagany podczas prognozowania w celu określenia kolumny datetime w danych wejściowych używanych do tworzenia szeregów czasowych i wnioskowania o jego częstotliwości.	ciąg
timeSeriesIdColumnNames	Nazwy kolumn używanych do grupowania czasowników. Może służyć do tworzenia wielu serii. Jeśli ziarno nie jest zdefiniowane, zakłada się, że zestaw danych jest jednym szeregem czasowym. Ten parametr jest używany z prognozowaniem typu zadania.	ciąg znakowy[]
useStl (Język Angielski)	Skonfiguruj dekompozycję STL kolumny docelowej szeregów czasowych.	"Brak" "Sezon" "SeasonTrend"

Algorytm próbkowania siatki

Nazwa	Opis	Wartość
samplingAlgorithmType	[Wymagane] Algorytm używany do generowania wartości hiperparametrów wraz z właściwościami konfiguracji	"Siatka" (wymagana)

IdentityConfiguration

Nazwa	Opis	Wartość
identityType (typ tożsamości)	Dla typu AmlToken ustaw wartość "AMLToken". Dla typu ManagedIdentity ustaw wartość "Managed". Ustaw wartość "UserIdentity" dla typu UserIdentity.	"AMLToken" "Zarządzane" "UserIdentity" (wymagane)

Klasyfikacja obrazu

Nazwa	Opis	Wartość
dataSettings (Ustawienia danych)	[Wymagane] Zbieranie zarejestrowanych identyfikatorów tabelarycznych zestawów danych i innych ustawień danych wymaganych do trenowania i weryfikowania modeli.	ImageVerticalDataSettings (wymagane)
limitSettings (ustawienia limitu)	[Wymagane] Ogranicz ustawienia zadania automatycznego uczenia maszynowego.	ImageLimitSettings (wymagane)
modelSettings (Ustawienia modelu)	Ustawienia używane do trenowania modelu.	ImageModelSettingsClassification
primaryMetric (podstawowy)	Podstawowa metryka do optymalizacji pod kątem tego zadania.	"Dokładność" "AUCWeighted" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted"
searchPrzestrzeń	Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów.	Klasyfikacja ImageModelDistributionSettings[]
sweepSettings (Ustawienia zamiatania)	Ustawienia związane z zamiatanie modeli i zamiatanie hiperparametrów.	Ustawienia zamiatania obrazu
typ zadania	[Wymagane] Typ zadania dla zadania AutoMLJob.	"ImageClassification" (wymagane)

ImageClassificationMultilabel

Nazwa	Opis	Wartość
dataSettings (Ustawienia danych)	[Wymagane] Zbieranie zarejestrowanych identyfikatorów tabelarycznych zestawów danych i innych ustawień danych wymaganych do trenowania i weryfikowania modeli.	ImageVerticalDataSettings (wymagane)
limitSettings (ustawienia limitu)	[Wymagane] Ogranicz ustawienia zadania automatycznego uczenia maszynowego.	ImageLimitSettings (wymagane)
modelSettings (Ustawienia modelu)	Ustawienia używane do trenowania modelu.	ImageModelSettingsClassification
primaryMetric (podstawowy)	Podstawowa metryka do optymalizacji pod kątem tego zadania.	"Dokładność" "AUCWeighted" "AveragePrecisionScoreWeighted" "IOU" "NormMacroRecall" "PrecisionScoreWeighted"
searchPrzestrzeń	Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów.	Klasyfikacja ImageModelDistributionSettings[]
sweepSettings (Ustawienia zamiatania)	Ustawienia związane z zamiatanie modeli i zamiatanie hiperparametrów.	Ustawienia zamiatania obrazu
typ zadania	[Wymagane] Typ zadania dla zadania AutoMLJob.	"ImageClassificationMultilabel" (wymagane)

Segmentacja ImageInstanceSegmentation

Nazwa	Opis	Wartość
dataSettings (Ustawienia danych)	[Wymagane] Zbieranie zarejestrowanych identyfikatorów tabelarycznych zestawów danych i innych ustawień danych wymaganych do trenowania i weryfikowania modeli.	ImageVerticalDataSettings (wymagane)
limitSettings (ustawienia limitu)	[Wymagane] Ogranicz ustawienia zadania automatycznego uczenia maszynowego.	ImageLimitSettings (wymagane)
modelSettings (Ustawienia modelu)	Ustawienia używane do trenowania modelu.	ImageModelSettingsObjectDetection
primaryMetric (podstawowy)	Podstawowa metryka do optymalizacji pod kątem tego zadania.	"MeanAveragePrecision"
searchPrzestrzeń	Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów.	ImageModelDistributionSettingsObjectDetection[]
sweepSettings (Ustawienia zamiatania)	Ustawienia związane z zamiatanie modeli i zamiatanie hiperparametrów.	Ustawienia zamiatania obrazu
typ zadania	[Wymagane] Typ zadania dla zadania AutoMLJob.	"ImageInstanceSegmentation" (wymagane)

Ustawienia limitu obrazu

Nazwa	Opis	Wartość
maxConcurrentTrials (Próby maksymalne)	Maksymalna liczba współbieżnych iteracji rozwiązania AutoML.	int (integer)
maxTrials (Próby maks.)	Maksymalna liczba iteracji rozwiązania AutoML.	int (integer)
przerwa czasowa	Limit czasu zadania automatycznego uczenia maszynowego.	ciąg

ImageModelDistributionSettingsClassification

Nazwa	Opis	Wartość
amsGradient (Gradient Sieciowy)	Włącz narzędzie AMSGrad, gdy optymalizator ma wartość "adam" lub "adamw".	ciąg
rozszerzenia	Ustawienia dotyczące używania rozszerzeń.	ciąg
Wersja beta1	Wartość "beta1", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie [0, 1].	ciąg
Wersja beta2	Wartość "beta2", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie [0, 1].	ciąg
Rozproszonych	Czy używać trenowania rozproszonego.	ciąg
wczesneZatrzymywanie	Włącz logikę wczesnego zatrzymywania podczas trenowania.	ciąg
wczesneZatrzymanieOpóźnienie	Minimalna liczba epok lub ocen walidacji, które należy zaczekać przed ulepszeniem podstawowej metryki jest śledzony pod kątem wczesnego zatrzymywania. Musi być dodatnią liczbą całkowitą.	ciąg
wczesnyZatrzymanieCierpliwość	Minimalna liczba epok lub ocen poprawności bez podstawowej poprawy metryki przed przebieg zostanie zatrzymany. Musi być dodatnią liczbą całkowitą.	ciąg
enableOnnxNormalization (włącz normalizację)	Włącz normalizację podczas eksportowania modelu ONNX.	ciąg
Częstotliwość oceny	Częstotliwość oceniania zestawu danych weryfikacji w celu uzyskania wyników metryk. Musi być dodatnią liczbą całkowitą.	ciąg
gradientAccumulationKrok	Akumulacja gradientu oznacza uruchomienie skonfigurowanej liczby kroków "GradAccumulationStep" bez aktualizowanie wag modelu podczas gromadzenia gradientów tych kroków, a następnie przy użyciu skumulowane gradienty do obliczenia aktualizacji wagi. Musi być dodatnią liczbą całkowitą.	ciąg
layersToFreeze (warstwyToFreeze)	Liczba warstw, które mają być blokowane dla modelu. Musi być dodatnią liczbą całkowitą. Na przykład przekazanie wartości 2 jako wartości dla "seresnext" oznacza warstwy zamrażania0 i warstwy 1. Aby uzyskać pełną listę obsługiwanych modeli i szczegółowe informacje na temat blokowania warstwy, proszę zobacz: /azure/machine-learning/how-to-auto-train-image-models.	ciąg
learningRate (Stawka nauki)	Początkowa szybkość nauki. Musi być zmiennoprzecinkowym w zakresie [0, 1].	ciąg
learningRateScheduler (Harmonogram lekcji)	Typ harmonogramu szybkości nauki. Musi być "warmup_cosine" lub "krok".	ciąg
nazwa_modelu	Nazwa modelu do użycia na potrzeby trenowania. Aby uzyskać więcej informacji na temat dostępnych modeli, odwiedź oficjalną dokumentację: /azure/machine-learning/how-to-auto-train-image-models.	ciąg
impet	Wartość tempa, gdy optymalizator ma wartość "sgd". Musi być zmiennoprzecinkowym w zakresie [0, 1].	ciąg
Niestierow	Włącz nesterov, gdy optymalizator ma wartość "sgd".	ciąg
liczbaEpok	Liczba epok treningowych. Musi być dodatnią liczbą całkowitą.	ciąg
liczbaPracowników	Liczba procesów roboczych modułu ładującego dane. Musi być nieujemną liczbą całkowitą.	ciąg
Optimizator	Typ optymalizatora. Musi być albo "sgd", "adam" lub "adamw".	ciąg
randomSeed (Ziarno losowe)	Inicjator losowy, który ma być używany podczas korzystania z trenowania deterministycznego.	ciąg
splitRatio (współczynnik podziału)	Jeśli dane walidacji nie są zdefiniowane, określa to współczynnik podziału dla podziału Trenowanie danych w podzbiorach losowego trenowania i walidacji. Musi być zmiennoprzecinkowym w zakresie [0, 1].	ciąg
stepLRGamma	Wartość gamma, gdy harmonogram szybkości nauki to "krok". Musi być zmiennoprzecinkowym w zakresie [0, 1].	ciąg
stepLRStepSize (rozmiar)	Wartość rozmiaru kroku, gdy harmonogram szybkości nauki to "krok". Musi być dodatnią liczbą całkowitą.	ciąg
trainingBatchSize (rozmiar)	Rozmiar partii trenowania. Musi być dodatnią liczbą całkowitą.	ciąg
trainingCropSize (rozmiar uprawy)	Rozmiar przycinania obrazów wejściowy do sieci neuronowej dla zestawu danych trenowania. Musi być dodatnią liczbą całkowitą.	ciąg
validationBatchSize (validationBatchSize)	Sprawdzanie poprawności rozmiaru partii. Musi być dodatnią liczbą całkowitą.	ciąg
validationCropSize (validationCropSize)	Rozmiar przycinania obrazów wejściowy do sieci neuronowej dla zestawu danych weryfikacji. Musi być dodatnią liczbą całkowitą.	ciąg
validationResizeSizeSize	Rozmiar obrazu, którego rozmiar należy zmienić przed przycięciem do zestawu danych weryfikacji. Musi być dodatnią liczbą całkowitą.	ciąg
rozgrzewkaCosineLRCycles	Wartość cyklu cosinusowego, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być zmiennoprzecinkowym w zakresie [0, 1].	ciąg
rozgrzewkaCosinusLRWarmupEpoki	Wartość epok rozgrzewki, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być dodatnią liczbą całkowitą.	ciąg
wagaRozkład	Wartość rozkładu masy, gdy optymalizator ma wartość "sgd", "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie[0, 1].	ciąg
ważoneLoss	Utrata wagi. Akceptowane wartości to 0 dla bez odchudzania. 1 dla odchudzania z sqrt. (class_weights). 2 dla odchudzania z class_weights. Musi mieć wartość 0 lub 1 lub 2.	ciąg

ImageModelDistributionSettingsObjectDetection

Nazwa	Opis	Wartość
amsGradient (Gradient Sieciowy)	Włącz narzędzie AMSGrad, gdy optymalizator ma wartość "adam" lub "adamw".	ciąg
rozszerzenia	Ustawienia dotyczące używania rozszerzeń.	ciąg
Wersja beta1	Wartość "beta1", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie [0, 1].	ciąg
Wersja beta2	Wartość "beta2", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie [0, 1].	ciąg
boxDetectionsPerImage (WykrywanieObrazu)	Maksymalna liczba wykryć na obrazie dla wszystkich klas. Musi być dodatnią liczbą całkowitą. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".	ciąg
boxScoreThreshold (próg wyniku)	Podczas wnioskowania zwracane są tylko propozycje z oceną klasyfikacji większą niż BoxScoreThreshold. Musi być zmiennoprzecinkowym w zakresie[0, 1].	ciąg
Rozproszonych	Czy używać trenowania rozproszonego.	ciąg
wczesneZatrzymywanie	Włącz logikę wczesnego zatrzymywania podczas trenowania.	ciąg
wczesneZatrzymanieOpóźnienie	Minimalna liczba epok lub ocen walidacji, które należy zaczekać przed ulepszeniem podstawowej metryki jest śledzony pod kątem wczesnego zatrzymywania. Musi być dodatnią liczbą całkowitą.	ciąg
wczesnyZatrzymanieCierpliwość	Minimalna liczba epok lub ocen poprawności bez podstawowej poprawy metryki przed przebieg zostanie zatrzymany. Musi być dodatnią liczbą całkowitą.	ciąg
enableOnnxNormalization (włącz normalizację)	Włącz normalizację podczas eksportowania modelu ONNX.	ciąg
Częstotliwość oceny	Częstotliwość oceniania zestawu danych weryfikacji w celu uzyskania wyników metryk. Musi być dodatnią liczbą całkowitą.	ciąg
gradientAccumulationKrok	Akumulacja gradientu oznacza uruchomienie skonfigurowanej liczby kroków "GradAccumulationStep" bez aktualizowanie wag modelu podczas gromadzenia gradientów tych kroków, a następnie przy użyciu skumulowane gradienty do obliczenia aktualizacji wagi. Musi być dodatnią liczbą całkowitą.	ciąg
rozmiarObrazu	Rozmiar obrazu do trenowania i walidacji. Musi być dodatnią liczbą całkowitą. Uwaga: Przebieg trenowania może dostać się do CUDA OOM, jeśli rozmiar jest zbyt duży. Uwaga: te ustawienia są obsługiwane tylko dla algorytmu "yolov5".	ciąg
layersToFreeze (warstwyToFreeze)	Liczba warstw, które mają być blokowane dla modelu. Musi być dodatnią liczbą całkowitą. Na przykład przekazanie wartości 2 jako wartości dla "seresnext" oznacza warstwy zamrażania0 i warstwy 1. Aby uzyskać pełną listę obsługiwanych modeli i szczegółowe informacje na temat blokowania warstwy, proszę zobacz: /azure/machine-learning/how-to-auto-train-image-models.	ciąg
learningRate (Stawka nauki)	Początkowa szybkość nauki. Musi być zmiennoprzecinkowym w zakresie [0, 1].	ciąg
learningRateScheduler (Harmonogram lekcji)	Typ harmonogramu szybkości nauki. Musi być "warmup_cosine" lub "krok".	ciąg
maksymalnyRozmiar	Maksymalny rozmiar obrazu do ponownego skalowania przed przesłaniem go do sieci szkieletowej. Musi być dodatnią liczbą całkowitą. Uwaga: przebieg trenowania może dostać się do CUDA OOM, jeśli rozmiar jest zbyt duży. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".	ciąg
minSize (minimalny rozmiar)	Minimalny rozmiar obrazu do ponownego skalowania przed przesłaniem go do sieci szkieletowej. Musi być dodatnią liczbą całkowitą. Uwaga: przebieg trenowania może dostać się do CUDA OOM, jeśli rozmiar jest zbyt duży. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".	ciąg
nazwa_modelu	Nazwa modelu do użycia na potrzeby trenowania. Aby uzyskać więcej informacji na temat dostępnych modeli, odwiedź oficjalną dokumentację: /azure/machine-learning/how-to-auto-train-image-models.	ciąg
modelSize (Rozmiar modelu)	Rozmiar modelu. Musi być "mały", "średni", "duży" lub "xlarge". Uwaga: przebieg trenowania może dostać się do cudA OOM, jeśli rozmiar modelu jest zbyt duży. Uwaga: te ustawienia są obsługiwane tylko dla algorytmu "yolov5".	ciąg
impet	Wartość tempa, gdy optymalizator ma wartość "sgd". Musi być zmiennoprzecinkowym w zakresie [0, 1].	ciąg
wieloskalowa	Włącz obraz wieloskalowy, zmieniając rozmiar obrazu o +/- 50%. Uwaga: przebieg trenowania może dostać się do funkcji CUDA OOM, jeśli nie ma wystarczającej ilości pamięci procesora GPU. Uwaga: te ustawienia są obsługiwane tylko dla algorytmu "yolov5".	ciąg
Niestierow	Włącz nesterov, gdy optymalizator ma wartość "sgd".	ciąg
nmsIouThreshold (Próg nmsIou)	Próg operacji we/wy używany podczas wnioskowania w procesie przetwarzania końcowego NMS. Musi być zmiennoprzecinkowy w zakresie [0, 1].	ciąg
liczbaEpok	Liczba epok treningowych. Musi być dodatnią liczbą całkowitą.	ciąg
liczbaPracowników	Liczba procesów roboczych modułu ładującego dane. Musi być nieujemną liczbą całkowitą.	ciąg
Optimizator	Typ optymalizatora. Musi być albo "sgd", "adam" lub "adamw".	ciąg
randomSeed (Ziarno losowe)	Inicjator losowy, który ma być używany podczas korzystania z trenowania deterministycznego.	ciąg
splitRatio (współczynnik podziału)	Jeśli dane walidacji nie są zdefiniowane, określa to współczynnik podziału dla podziału Trenowanie danych w podzbiorach losowego trenowania i walidacji. Musi być zmiennoprzecinkowym w zakresie [0, 1].	ciąg
stepLRGamma	Wartość gamma, gdy harmonogram szybkości nauki to "krok". Musi być zmiennoprzecinkowym w zakresie [0, 1].	ciąg
stepLRStepSize (rozmiar)	Wartość rozmiaru kroku, gdy harmonogram szybkości nauki to "krok". Musi być dodatnią liczbą całkowitą.	ciąg
tileGridSize (rozmiar siatki)	Rozmiar siatki do użycia do układania każdego obrazu. Uwaga: TileGridSize nie może być Brak do włączenia małej logiki wykrywania obiektów. Ciąg zawierający dwie liczby całkowite w formacie mxn. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".	ciąg
tileOverlapRatio (współczynnik nakładania się)	Współczynnik nakładania się między sąsiednimi kafelkami w każdym wymiarze. Musi być zmiennoprzecinkowy w zakresie [0, 1). Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".	ciąg
tilePredictionsNmsThreshold	Próg operacji we/wy używany do wykonywania nms podczas scalania przewidywań z kafelków i obrazów. Używany w walidacji/wnioskowaniu. Musi być zmiennoprzecinkowy w zakresie [0, 1]. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5". NMS: brak maksymalnego pomijania	ciąg
trainingBatchSize (rozmiar)	Rozmiar partii trenowania. Musi być dodatnią liczbą całkowitą.	ciąg
validationBatchSize (validationBatchSize)	Sprawdzanie poprawności rozmiaru partii. Musi być dodatnią liczbą całkowitą.	ciąg
validationIouThreshold (próg walidacji)	Próg operacji we/wy do użycia podczas obliczania metryki walidacji. Musi być zmiennoprzecinkowy w zakresie [0, 1].	ciąg
validationMetricType	Metoda obliczeniowa metryki do użycia na potrzeby metryk walidacji. Musi mieć wartość "none", "coco", "voc" lub "coco_voc".	ciąg
rozgrzewkaCosineLRCycles	Wartość cyklu cosinusowego, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być zmiennoprzecinkowym w zakresie [0, 1].	ciąg
rozgrzewkaCosinusLRWarmupEpoki	Wartość epok rozgrzewki, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być dodatnią liczbą całkowitą.	ciąg
wagaRozkład	Wartość rozkładu masy, gdy optymalizator ma wartość "sgd", "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie[0, 1].	ciąg

ImageModelSettingsClassification

Nazwa	Opis	Wartość
zaawansowaneUstawienia	Ustawienia dla zaawansowanych scenariuszy.	ciąg
amsGradient (Gradient Sieciowy)	Włącz narzędzie AMSGrad, gdy optymalizator ma wartość "adam" lub "adamw".	Bool
rozszerzenia	Ustawienia dotyczące używania rozszerzeń.	ciąg
Wersja beta1	Wartość "beta1", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie [0, 1].	int (integer)
Wersja beta2	Wartość "beta2", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie [0, 1].	int (integer)
checkpointDatasetId	Identyfikator zestawu danych FileDataset dla wstępnie wytrenowanych punktów kontrolnych na potrzeby trenowania przyrostowego. Upewnij się, że przekazujesz CheckpointFilename wraz z CheckpointDatasetId.	ciąg
checkpointFilename (nazwa pliku)	Wstępnie wytrenowana nazwa pliku punktu kontrolnego w plikuDataset na potrzeby trenowania przyrostowego. Upewnij się, że przekazujesz CheckpointDatasetId wraz z CheckpointFilename.	ciąg
checkpointCzęstotliwość	Częstotliwość przechowywania punktów kontrolnych modelu. Musi być dodatnią liczbą całkowitą.	int (integer)
checkpointRunId (identyfikator biegu)	Identyfikator poprzedniego przebiegu, który ma wstępnie wytrenowany punkt kontrolny na potrzeby trenowania przyrostowego.	ciąg
Rozproszonych	Czy używać trenowania rozproszonego.	Bool
wczesneZatrzymywanie	Włącz logikę wczesnego zatrzymywania podczas trenowania.	Bool
wczesneZatrzymanieOpóźnienie	Minimalna liczba epok lub ocen walidacji, które należy zaczekać przed ulepszeniem podstawowej metryki jest śledzony pod kątem wczesnego zatrzymywania. Musi być dodatnią liczbą całkowitą.	int (integer)
wczesnyZatrzymanieCierpliwość	Minimalna liczba epok lub ocen poprawności bez podstawowej poprawy metryki przed przebieg zostanie zatrzymany. Musi być dodatnią liczbą całkowitą.	int (integer)
enableOnnxNormalization (włącz normalizację)	Włącz normalizację podczas eksportowania modelu ONNX.	Bool
Częstotliwość oceny	Częstotliwość oceniania zestawu danych weryfikacji w celu uzyskania wyników metryk. Musi być dodatnią liczbą całkowitą.	int (integer)
gradientAccumulationKrok	Akumulacja gradientu oznacza uruchomienie skonfigurowanej liczby kroków "GradAccumulationStep" bez aktualizowanie wag modelu podczas gromadzenia gradientów tych kroków, a następnie przy użyciu skumulowane gradienty do obliczenia aktualizacji wagi. Musi być dodatnią liczbą całkowitą.	int (integer)
layersToFreeze (warstwyToFreeze)	Liczba warstw, które mają być blokowane dla modelu. Musi być dodatnią liczbą całkowitą. Na przykład przekazanie wartości 2 jako wartości dla "seresnext" oznacza warstwy zamrażania0 i warstwy 1. Aby uzyskać pełną listę obsługiwanych modeli i szczegółowe informacje na temat blokowania warstwy, proszę zobacz: /azure/machine-learning/how-to-auto-train-image-models.	int (integer)
learningRate (Stawka nauki)	Początkowa szybkość nauki. Musi być zmiennoprzecinkowym w zakresie [0, 1].	int (integer)
learningRateScheduler (Harmonogram lekcji)	Typ harmonogramu szybkości nauki. Musi być "warmup_cosine" lub "krok".	"Brak" "Krok" "WarmupCosine"
nazwa_modelu	Nazwa modelu do użycia na potrzeby trenowania. Aby uzyskać więcej informacji na temat dostępnych modeli, odwiedź oficjalną dokumentację: /azure/machine-learning/how-to-auto-train-image-models.	ciąg
impet	Wartość tempa, gdy optymalizator ma wartość "sgd". Musi być zmiennoprzecinkowym w zakresie [0, 1].	int (integer)
Niestierow	Włącz nesterov, gdy optymalizator ma wartość "sgd".	Bool
liczbaEpok	Liczba epok treningowych. Musi być dodatnią liczbą całkowitą.	int (integer)
liczbaPracowników	Liczba procesów roboczych modułu ładującego dane. Musi być nieujemną liczbą całkowitą.	int (integer)
Optimizator	Typ optymalizatora.	"Adam" "Adamw" "Brak" "Sgd"
randomSeed (Ziarno losowe)	Inicjator losowy, który ma być używany podczas korzystania z trenowania deterministycznego.	int (integer)
splitRatio (współczynnik podziału)	Jeśli dane walidacji nie są zdefiniowane, określa to współczynnik podziału dla podziału Trenowanie danych w podzbiorach losowego trenowania i walidacji. Musi być zmiennoprzecinkowym w zakresie [0, 1].	int (integer)
stepLRGamma	Wartość gamma, gdy harmonogram szybkości nauki to "krok". Musi być zmiennoprzecinkowym w zakresie [0, 1].	int (integer)
stepLRStepSize (rozmiar)	Wartość rozmiaru kroku, gdy harmonogram szybkości nauki to "krok". Musi być dodatnią liczbą całkowitą.	int (integer)
trainingBatchSize (rozmiar)	Rozmiar partii trenowania. Musi być dodatnią liczbą całkowitą.	int (integer)
trainingCropSize (rozmiar uprawy)	Rozmiar przycinania obrazów wejściowy do sieci neuronowej dla zestawu danych trenowania. Musi być dodatnią liczbą całkowitą.	int (integer)
validationBatchSize (validationBatchSize)	Sprawdzanie poprawności rozmiaru partii. Musi być dodatnią liczbą całkowitą.	int (integer)
validationCropSize (validationCropSize)	Rozmiar przycinania obrazów wejściowy do sieci neuronowej dla zestawu danych weryfikacji. Musi być dodatnią liczbą całkowitą.	int (integer)
validationResizeSizeSize	Rozmiar obrazu, którego rozmiar należy zmienić przed przycięciem do zestawu danych weryfikacji. Musi być dodatnią liczbą całkowitą.	int (integer)
rozgrzewkaCosineLRCycles	Wartość cyklu cosinusowego, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być zmiennoprzecinkowym w zakresie [0, 1].	int (integer)
rozgrzewkaCosinusLRWarmupEpoki	Wartość epok rozgrzewki, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być dodatnią liczbą całkowitą.	int (integer)
wagaRozkład	Wartość rozkładu masy, gdy optymalizator ma wartość "sgd", "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie[0, 1].	int (integer)
ważoneLoss	Utrata wagi. Akceptowane wartości to 0 dla bez odchudzania. 1 dla odchudzania z sqrt. (class_weights). 2 dla odchudzania z class_weights. Musi mieć wartość 0 lub 1 lub 2.	int (integer)

ImageModelSettingsObjectDetection

Nazwa	Opis	Wartość
zaawansowaneUstawienia	Ustawienia dla zaawansowanych scenariuszy.	ciąg
amsGradient (Gradient Sieciowy)	Włącz narzędzie AMSGrad, gdy optymalizator ma wartość "adam" lub "adamw".	Bool
rozszerzenia	Ustawienia dotyczące używania rozszerzeń.	ciąg
Wersja beta1	Wartość "beta1", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie [0, 1].	int (integer)
Wersja beta2	Wartość "beta2", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie [0, 1].	int (integer)
boxDetectionsPerImage (WykrywanieObrazu)	Maksymalna liczba wykryć na obrazie dla wszystkich klas. Musi być dodatnią liczbą całkowitą. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".	int (integer)
boxScoreThreshold (próg wyniku)	Podczas wnioskowania zwracane są tylko propozycje z oceną klasyfikacji większą niż BoxScoreThreshold. Musi być zmiennoprzecinkowym w zakresie[0, 1].	int (integer)
checkpointDatasetId	Identyfikator zestawu danych FileDataset dla wstępnie wytrenowanych punktów kontrolnych na potrzeby trenowania przyrostowego. Upewnij się, że przekazujesz CheckpointFilename wraz z CheckpointDatasetId.	ciąg
checkpointFilename (nazwa pliku)	Wstępnie wytrenowana nazwa pliku punktu kontrolnego w plikuDataset na potrzeby trenowania przyrostowego. Upewnij się, że przekazujesz CheckpointDatasetId wraz z CheckpointFilename.	ciąg
checkpointCzęstotliwość	Częstotliwość przechowywania punktów kontrolnych modelu. Musi być dodatnią liczbą całkowitą.	int (integer)
checkpointRunId (identyfikator biegu)	Identyfikator poprzedniego przebiegu, który ma wstępnie wytrenowany punkt kontrolny na potrzeby trenowania przyrostowego.	ciąg
Rozproszonych	Czy używać trenowania rozproszonego.	Bool
wczesneZatrzymywanie	Włącz logikę wczesnego zatrzymywania podczas trenowania.	Bool
wczesneZatrzymanieOpóźnienie	Minimalna liczba epok lub ocen walidacji, które należy zaczekać przed ulepszeniem podstawowej metryki jest śledzony pod kątem wczesnego zatrzymywania. Musi być dodatnią liczbą całkowitą.	int (integer)
wczesnyZatrzymanieCierpliwość	Minimalna liczba epok lub ocen poprawności bez podstawowej poprawy metryki przed przebieg zostanie zatrzymany. Musi być dodatnią liczbą całkowitą.	int (integer)
enableOnnxNormalization (włącz normalizację)	Włącz normalizację podczas eksportowania modelu ONNX.	Bool
Częstotliwość oceny	Częstotliwość oceniania zestawu danych weryfikacji w celu uzyskania wyników metryk. Musi być dodatnią liczbą całkowitą.	int (integer)
gradientAccumulationKrok	Akumulacja gradientu oznacza uruchomienie skonfigurowanej liczby kroków "GradAccumulationStep" bez aktualizowanie wag modelu podczas gromadzenia gradientów tych kroków, a następnie przy użyciu skumulowane gradienty do obliczenia aktualizacji wagi. Musi być dodatnią liczbą całkowitą.	int (integer)
rozmiarObrazu	Rozmiar obrazu do trenowania i walidacji. Musi być dodatnią liczbą całkowitą. Uwaga: Przebieg trenowania może dostać się do CUDA OOM, jeśli rozmiar jest zbyt duży. Uwaga: te ustawienia są obsługiwane tylko dla algorytmu "yolov5".	int (integer)
layersToFreeze (warstwyToFreeze)	Liczba warstw, które mają być blokowane dla modelu. Musi być dodatnią liczbą całkowitą. Na przykład przekazanie wartości 2 jako wartości dla "seresnext" oznacza warstwy zamrażania0 i warstwy 1. Aby uzyskać pełną listę obsługiwanych modeli i szczegółowe informacje na temat blokowania warstwy, proszę zobacz: /azure/machine-learning/how-to-auto-train-image-models.	int (integer)
learningRate (Stawka nauki)	Początkowa szybkość nauki. Musi być zmiennoprzecinkowym w zakresie [0, 1].	int (integer)
learningRateScheduler (Harmonogram lekcji)	Typ harmonogramu szybkości nauki. Musi być "warmup_cosine" lub "krok".	"Brak" "Krok" "WarmupCosine"
maksymalnyRozmiar	Maksymalny rozmiar obrazu do ponownego skalowania przed przesłaniem go do sieci szkieletowej. Musi być dodatnią liczbą całkowitą. Uwaga: przebieg trenowania może dostać się do CUDA OOM, jeśli rozmiar jest zbyt duży. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".	int (integer)
minSize (minimalny rozmiar)	Minimalny rozmiar obrazu do ponownego skalowania przed przesłaniem go do sieci szkieletowej. Musi być dodatnią liczbą całkowitą. Uwaga: przebieg trenowania może dostać się do CUDA OOM, jeśli rozmiar jest zbyt duży. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".	int (integer)
nazwa_modelu	Nazwa modelu do użycia na potrzeby trenowania. Aby uzyskać więcej informacji na temat dostępnych modeli, odwiedź oficjalną dokumentację: /azure/machine-learning/how-to-auto-train-image-models.	ciąg
modelSize (Rozmiar modelu)	Rozmiar modelu. Musi być "mały", "średni", "duży" lub "xlarge". Uwaga: przebieg trenowania może dostać się do cudA OOM, jeśli rozmiar modelu jest zbyt duży. Uwaga: te ustawienia są obsługiwane tylko dla algorytmu "yolov5".	"ExtraLarge" "Duży" "Średni" "Brak" "Mały"
impet	Wartość tempa, gdy optymalizator ma wartość "sgd". Musi być zmiennoprzecinkowym w zakresie [0, 1].	int (integer)
wieloskalowa	Włącz obraz wieloskalowy, zmieniając rozmiar obrazu o +/- 50%. Uwaga: przebieg trenowania może dostać się do funkcji CUDA OOM, jeśli nie ma wystarczającej ilości pamięci procesora GPU. Uwaga: te ustawienia są obsługiwane tylko dla algorytmu "yolov5".	Bool
Niestierow	Włącz nesterov, gdy optymalizator ma wartość "sgd".	Bool
nmsIouThreshold (Próg nmsIou)	Próg operacji we/wy używany podczas wnioskowania w procesie przetwarzania końcowego NMS. Musi być zmiennoprzecinkowym w zakresie [0, 1].	int (integer)
liczbaEpok	Liczba epok treningowych. Musi być dodatnią liczbą całkowitą.	int (integer)
liczbaPracowników	Liczba procesów roboczych modułu ładującego dane. Musi być nieujemną liczbą całkowitą.	int (integer)
Optimizator	Typ optymalizatora.	"Adam" "Adamw" "Brak" "Sgd"
randomSeed (Ziarno losowe)	Inicjator losowy, który ma być używany podczas korzystania z trenowania deterministycznego.	int (integer)
splitRatio (współczynnik podziału)	Jeśli dane walidacji nie są zdefiniowane, określa to współczynnik podziału dla podziału Trenowanie danych w podzbiorach losowego trenowania i walidacji. Musi być zmiennoprzecinkowym w zakresie [0, 1].	int (integer)
stepLRGamma	Wartość gamma, gdy harmonogram szybkości nauki to "krok". Musi być zmiennoprzecinkowym w zakresie [0, 1].	int (integer)
stepLRStepSize (rozmiar)	Wartość rozmiaru kroku, gdy harmonogram szybkości nauki to "krok". Musi być dodatnią liczbą całkowitą.	int (integer)
tileGridSize (rozmiar siatki)	Rozmiar siatki do użycia do układania każdego obrazu. Uwaga: TileGridSize nie może być Brak do włączenia małej logiki wykrywania obiektów. Ciąg zawierający dwie liczby całkowite w formacie mxn. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".	ciąg
tileOverlapRatio (współczynnik nakładania się)	Współczynnik nakładania się między sąsiednimi kafelkami w każdym wymiarze. Musi być zmiennoprzecinkowy w zakresie [0, 1). Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".	int (integer)
tilePredictionsNmsThreshold	Próg operacji we/wy używany do wykonywania nms podczas scalania przewidywań z kafelków i obrazów. Używany w walidacji/wnioskowaniu. Musi być zmiennoprzecinkowy w zakresie [0, 1]. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".	int (integer)
trainingBatchSize (rozmiar)	Rozmiar partii trenowania. Musi być dodatnią liczbą całkowitą.	int (integer)
validationBatchSize (validationBatchSize)	Sprawdzanie poprawności rozmiaru partii. Musi być dodatnią liczbą całkowitą.	int (integer)
validationIouThreshold (próg walidacji)	Próg operacji we/wy do użycia podczas obliczania metryki walidacji. Musi być zmiennoprzecinkowy w zakresie [0, 1].	int (integer)
validationMetricType	Metoda obliczeniowa metryki do użycia na potrzeby metryk walidacji.	"Coco" "CocoVoc" "Brak" "Voc"
rozgrzewkaCosineLRCycles	Wartość cyklu cosinusowego, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być zmiennoprzecinkowym w zakresie [0, 1].	int (integer)
rozgrzewkaCosinusLRWarmupEpoki	Wartość epok rozgrzewki, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być dodatnią liczbą całkowitą.	int (integer)
wagaRozkład	Wartość rozkładu masy, gdy optymalizator ma wartość "sgd", "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie[0, 1].	int (integer)

ImageObjectDetection

Nazwa	Opis	Wartość
dataSettings (Ustawienia danych)	[Wymagane] Zbieranie zarejestrowanych identyfikatorów tabelarycznych zestawów danych i innych ustawień danych wymaganych do trenowania i weryfikowania modeli.	ImageVerticalDataSettings (wymagane)
limitSettings (ustawienia limitu)	[Wymagane] Ogranicz ustawienia zadania automatycznego uczenia maszynowego.	ImageLimitSettings (wymagane)
modelSettings (Ustawienia modelu)	Ustawienia używane do trenowania modelu.	ImageModelSettingsObjectDetection
primaryMetric (podstawowy)	Podstawowa metryka do optymalizacji pod kątem tego zadania.	"MeanAveragePrecision"
searchPrzestrzeń	Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów.	ImageModelDistributionSettingsObjectDetection[]
sweepSettings (Ustawienia zamiatania)	Ustawienia związane z zamiatanie modeli i zamiatanie hiperparametrów.	Ustawienia zamiatania obrazu
typ zadania	[Wymagane] Typ zadania dla zadania AutoMLJob.	"ImageObjectDetection" (wymagane)

Ustawienia ImageSweepLimitSettings

Nazwa	Opis	Wartość
maxConcurrentTrials (Próby maksymalne)	Maksymalna liczba współbieżnych iteracji dla bazowego zadania zamiatania.	int (integer)
maxTrials (Próby maks.)	Maksymalna liczba iteracji dla bazowego zadania zamiatania.	int (integer)

Ustawienia zamiatania obrazu

Nazwa	Opis	Wartość
wczesneWypowiedzenie	Typ zasad wczesnego kończenia.	Polityka Wczesnej Terminacji
limity	[Wymagane] Ogranicz ustawienia dla zamiatania modeli i zamiatania hiperparametrów.	ImageSweepLimitSettings (wymagane)
próbkowanieAlgorithm	[Wymagane] Typ algorytmów próbkowania hiperparametrów.	"Bayesian" "Siatka" "Losowe" (wymagane)

ImageVerticalDataSettings (Ustawienia danych obrazu)

Nazwa	Opis	Wartość
targetColumnName (nazwa_kolumny)	[Wymagane] Nazwa kolumny docelowej: jest to kolumna wartości przewidywania. Znana również jako nazwa kolumny etykiety w kontekście zadań klasyfikacji.	struna Ograniczenia: Wzorzec = `[a-zA-Z0-9_]` (wymagane)
testData (dane testowe)	Testowanie danych wejściowych.	TestDataSettings
trainingData (dane szkoleniowe)	[Wymagane] Dane wejściowe danych treningowych.	TrainingDataSettings (wymagane)
validationData (Dane walidacji)	Ustawienia zestawu danych walidacji.	ImageVerticalValidationDataSettings

ImageVerticalValidationDataSettings

Nazwa	Opis	Wartość
dane	Dane walidacji MLTable.	MLTableJobInput
validationDataSize (validationDataSize)	Ułamek zestawu danych trenowania, który należy odłożyć na potrzeby walidacji. Wartości z zakresu (0.0, 1.0) Zastosowano, gdy zestaw danych weryfikacji nie został podany.	int (integer)

JobBaseDetails (Szczegóły bazy zadań)

Nazwa	Opis	Wartość
computeId (identyfikator obliczeniowy)	Identyfikator zasobu usługi ARM zasobu obliczeniowego.	ciąg
opis	Tekst opisu zasobu.	ciąg
nazwa wyświetlana	Nazwa wyświetlana zadania.	ciąg
experimentName (nazwa eksperymentu)	Nazwa eksperymentu, do którego należy zadanie. Jeśli nie zostanie ustawione, zadanie zostanie umieszczone w eksperymencie "Domyślny".	ciąg
tożsamość	Konfiguracja tożsamości. W przypadku ustawienia powinna to być jedna z wartości AmlToken, ManagedIdentity, UserIdentity lub null. Wartość domyślna to AmlToken, jeśli ma wartość null.	IdentityConfiguration
isArchived (zarchiwizowany)	Czy zasób jest archiwizowany?	Bool
rodzaj pracy	Ustaw wartość "AutoML" dla typu AutoMLJob. Ustaw wartość "Command" dla typu CommandJob. Dla typu PipelineJob ustaw wartość "Pipeline". Ustaw wartość "Zamiatanie" dla typu SweepJob.	"AutoML" "Polecenie" "Potok" "Zamiatanie" (wymagane)
właściwości	Słownik właściwości elementu zawartości.	Właściwości bazy danych ResourceBase
grafik	Definiowanie harmonogramu pracy. Jeśli harmonogram nie zostanie podany, zadanie zostanie uruchomione raz i natychmiast po przesłaniu.	Baza harmonogramu
usługi	Lista punktów zadań. W przypadku zadań lokalnych punkt końcowy zadania będzie miał wartość punktu końcowego FileStreamObject.	Usługi JobBaseServices
Etykiety	Słownik tagów. Tagi można dodawać, usuwać i aktualizować.	Tagi ResourceBaseTags

Usługi JobBaseServices

Nazwa	Opis	Wartość

JobInput (Wejście zadania)

Nazwa	Opis	Wartość
opis	Opis danych wejściowych.	ciąg
jobInputType (typ wejścia)	Ustaw wartość "CustomModel" dla typu CustomModelJobInput. Ustaw wartość "Literal" dla typu LiteralJobInput. Ustaw wartość "MLFlowModel" dla typu MLFlowModelJobInput. Ustaw wartość "MLTable" dla typu MLTableJobInput. Ustaw wartość "TritonModel" dla typu TritonModelJobInput. Ustaw wartość "UriFile" dla typu UriFileJobInput. Ustaw wartość "UriFolder" dla typu UriFolderJobInput.	"CustomModel" "Dosłownie" "MLFlowModel" "MLTable" "TritonModel" "UriFile" "UriFolder" (wymagany)

Dane wyjściowe zadania

Nazwa	Opis	Wartość
opis	Opis danych wyjściowych.	ciąg
jobOutputType (Typ zadania)	Ustaw wartość "CustomModel" dla typu CustomModelJobOutput. Ustaw wartość "MLFlowModel" dla typu MLFlowModelJobOutput. Ustaw wartość "MLTable" dla typu MLTableJobOutput. Ustaw wartość "TritonModel" dla typu TritonModelJobOutput. Ustaw wartość "UriFile" dla typu UriFileJobOutput. Ustaw wartość "UriFolder" dla typu UriFolderJobOutput.	"CustomModel" "MLFlowModel" "MLTable" "TritonModel" "UriFile" "UriFolder" (wymagany)

Serwis Pracy

Nazwa	Opis	Wartość
punkt końcowy	Adres URL punktu końcowego.	ciąg
jobServiceType (typ usługi)	Typ punktu końcowego.	ciąg
port	Port dla punktu końcowego.	int (integer)
właściwości	Dodatkowe właściwości do ustawienia w punkcie końcowym.	Właściwości usługi zadań

Właściwości usługi zadań

Nazwa	Opis	Wartość

LiterałJobInput

Nazwa	Opis	Wartość
jobInputType (typ wejścia)	[Wymagane] Określa typ zadania.	"Dosłowny" (wymagane)
wartość	[Wymagane] Wartość literału dla danych wejściowych.	struna Ograniczenia: Wzorzec = `[a-zA-Z0-9_]` (wymagane)

Identyfikator zarządzany

Nazwa	Opis	Wartość
clientId (identyfikator klienta)	Określa tożsamość przypisaną przez użytkownika według identyfikatora klienta. W przypadku przypisanego przez system pola nie należy ustawiać tego pola.	struna Ograniczenia: Minimalna długość = 36 Maksymalna długość = 36 Wzorzec = `^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$`
identityType (typ tożsamości)	[Wymagane] Określa typ struktury tożsamości.	"Zarządzane" (wymagane)
objectId (identyfikator obiektu)	Określa tożsamość przypisaną przez użytkownika według identyfikatora obiektu. W przypadku przypisanego przez system pola nie należy ustawiać tego pola.	struna Ograniczenia: Minimalna długość = 36 Maksymalna długość = 36 Wzorzec = `^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$`
identyfikator zasobu	Określa tożsamość przypisaną przez użytkownika według identyfikatora zasobu usługi ARM. W przypadku przypisanego przez system pola nie należy ustawiać tego pola.	ciąg

MedianStoppingPolicy (Polityka MedianStopping)

Nazwa	Opis	Wartość
policyType (typ polityki)	[Wymagane] Nazwa konfiguracji zasad	"MedianStopping" (wymagane)

MLFlowModelJobInput

Nazwa	Opis	Wartość
jobInputType (typ wejścia)	[Wymagane] Określa typ zadania.	"MLFlowModel" (wymagane)
tryb	Tryb dostarczania zasobów wejściowych.	"Bezpośredni" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
URI	[Wymagane] Identyfikator URI zasobu wejściowego.	struna Ograniczenia: Wzorzec = `[a-zA-Z0-9_]` (wymagane)

MLFlowModelJobOutput

Nazwa	Opis	Wartość
jobOutputType (Typ zadania)	[Wymagane] Określa typ zadania.	"MLFlowModel" (wymagane)
tryb	Tryb dostarczania zasobów wyjściowych.	"ReadWriteMount" "Przekaż"
URI	Identyfikator URI elementu zawartości wyjściowej.	ciąg

MLTableJobInput

Nazwa	Opis	Wartość
jobInputType (typ wejścia)	[Wymagane] Określa typ zadania.	"MLTable" (wymagane)
tryb	Tryb dostarczania zasobów wejściowych.	"Bezpośredni" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
URI	[Wymagane] Identyfikator URI zasobu wejściowego.	struna Ograniczenia: Wzorzec = `[a-zA-Z0-9_]` (wymagane)

MLTableJobInput

Nazwa	Opis	Wartość
opis	Opis danych wejściowych.	ciąg
jobInputType (typ wejścia)	[Wymagane] Określa typ zadania.	"CustomModel" "Dosłownie" "MLFlowModel" "MLTable" "TritonModel" "UriFile" "UriFolder" (wymagany)
tryb	Tryb dostarczania zasobów wejściowych.	"Bezpośredni" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
URI	[Wymagane] Identyfikator URI zasobu wejściowego.	struna Ograniczenia: Wzorzec = `[a-zA-Z0-9_]` (wymagane)

MLTableJobOutput

Nazwa	Opis	Wartość
jobOutputType (Typ zadania)	[Wymagane] Określa typ zadania.	"MLTable" (wymagane)
tryb	Tryb dostarczania zasobów wyjściowych.	"ReadWriteMount" "Przekaż"
URI	Identyfikator URI elementu zawartości wyjściowej.	ciąg

Mpi powiedział:

Nazwa	Opis	Wartość
distributionType (typ dystrybucji)	[Wymagane] Określa typ struktury dystrybucji.	"Mpi" (wymagane)
processCountPerInstance	Liczba procesów na węzeł MPI.	int (integer)

NCrossWalidacje

Nazwa	Opis	Wartość
tryb	Dla typu AutoNCrossValidations ustaw wartość "AutoNCrossValidations". Dla typu CustomNCrossValidations ustaw wartość "CustomNCrossValidations".	"Auto" "Niestandardowy" (wymagany)

NlpVerticalDataSettings

Nazwa	Opis	Wartość
targetColumnName (nazwa_kolumny)	[Wymagane] Nazwa kolumny docelowej: jest to kolumna wartości przewidywania. Znana również jako nazwa kolumny etykiety w kontekście zadań klasyfikacji.	struna Ograniczenia: Wzorzec = `[a-zA-Z0-9_]` (wymagane)
testData (dane testowe)	Testowanie danych wejściowych.	TestDataSettings
trainingData (dane szkoleniowe)	[Wymagane] Dane wejściowe danych treningowych.	TrainingDataSettings (wymagane)
validationData (Dane walidacji)	Dane wejściowe danych walidacji.	NlpVerticalValidationDataSettings

NlpVerticalFeaturizationSettings

Nazwa	Opis	Wartość
datasetLanguage (język zestawu danych)	Język zestawu danych przydatny dla danych tekstowych.	ciąg

NlpVerticalLimitSettings (Ustawienia Limitu Pionowego)

Nazwa	Opis	Wartość
maxConcurrentTrials (Próby maksymalne)	Maksymalna liczba iteracji automl współbieżnych.	int (integer)
maxTrials (Próby maks.)	Liczba iteracji rozwiązania AutoML.	int (integer)
przerwa czasowa	Limit czasu zadania automatycznego uczenia maszynowego.	ciąg

NlpVerticalValidationDataSettings

Nazwa	Opis	Wartość
dane	Dane walidacji MLTable.	MLTableJobInput
validationDataSize (validationDataSize)	Ułamek zestawu danych trenowania, który należy odłożyć na potrzeby walidacji. Wartości z zakresu (0.0, 1.0) Zastosowano, gdy zestaw danych weryfikacji nie został podany.	int (integer)

Cel

Nazwa	Opis	Wartość
cel	[Wymagane] Definiuje obsługiwane cele metryk na potrzeby dostrajania hiperparametrów	"Maksymalizuj" "Minimalizuj" (wymagane)
primaryMetric (podstawowy)	[Wymagane] Nazwa metryki do optymalizacji.	struna Ograniczenia: Wzorzec = `[a-zA-Z0-9_]` (wymagane)

PotokJob

Nazwa	Opis	Wartość
Wejścia	Dane wejściowe zadania potoku.	PipelineJobInputs
Zadania	Zadania skonstruować zadanie potoku.	PipelineJobJobs (Zadania potokowe)
rodzaj pracy	[Wymagane] Określa typ zadania.	"Potok" (wymagany)
Wyniki	Dane wyjściowe zadania potoku	PipelineJobOutputs
ustawienia	Ustawienia potoku, np. ContinueRunOnStepFailure itp.	jakikolwiek

PipelineJobInputs

Nazwa	Opis	Wartość

PipelineJobJobs (Zadania potokowe)

Nazwa	Opis	Wartość

PipelineJobOutputs

Nazwa	Opis	Wartość

PyTorch

Nazwa	Opis	Wartość
distributionType (typ dystrybucji)	[Wymagane] Określa typ struktury dystrybucji.	"PyTorch" (wymagane)
processCountPerInstance	Liczba procesów na węzeł.	int (integer)

Algorytm losowego próbkowania

Nazwa	Opis	Wartość
reguła	Określony typ algorytmu losowego	"Losowe" "Sobol"
samplingAlgorithmType	[Wymagane] Algorytm używany do generowania wartości hiperparametrów wraz z właściwościami konfiguracji	"Losowe" (wymagane)
nasienie	Opcjonalna liczba całkowita do użycia jako inicjator generowania liczb losowych	int (integer)

Wzorzec Powtarzania

Nazwa	Opis	Wartość
godziny	[Wymagane] Lista godzin dla wzorca harmonogramu cyklu	int[] (wymagane)
minuty	[Wymagane] Lista minut dla wzorca harmonogramu cyklu	int[] (wymagane)
Dni powszednie	Lista dni tygodnia dla wzorca harmonogramu cyklu	Tablica ciągów zawierająca dowolną z: "Piątek" "Poniedziałek" "Sobota" "Niedziela" "Czwartek" "Wtorek" "Środa"

CyklSchedule

Nazwa	Opis	Wartość
częstotliwość	[Wymagane] Określa częstotliwość, z jaką ma być wyzwalany harmonogram	"Dzień" "Godzina" "Minuta" "Miesiąc" "Tydzień" (wymagany)
interwał	[Wymagane] Określa interwał harmonogramu w połączeniu z częstotliwością	int (wymagane)
wzorzec	Określa wzorzec harmonogramu cyklu	Cyklwpattern
scheduleType (typ harmonogramu)	[Wymagane] Określa typ harmonogramu	"Cykl" (wymagany)

Regresja

Nazwa	Opis	Wartość
allowedModels (dozwolone modele)	Dozwolone modele dla zadania regresji.	Tablica ciągów zawierająca dowolną z: "DecisionTree" "ElasticNet" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "RandomForest" "SGD" "XGBoostRegressor"
blockedModels (zablokowaneModele)	Zablokowane modele dla zadania regresji.	Tablica ciągów zawierająca dowolną z: "DecisionTree" "ElasticNet" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "RandomForest" "SGD" "XGBoostRegressor"
dataSettings (Ustawienia danych)	Dane wejściowe dla AutoMLJob.	TableVerticalDataSettings (Ustawienia danych tabeli)
cechowanieUstawienia	Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML.	TableVerticalFeaturizationSettings
limitSettings (ustawienia limitu)	Ograniczenia wykonywania dla zadania AutoMLJob.	TableVerticalLimitSettings (Ustawienia stołu)
primaryMetric (podstawowy)	Podstawowa metryka zadania regresji.	"NormalizedMeanAbsoluteError" "NormalizedRootMeanSquaredError" "R2Score" "SpearmanCorrelation"
typ zadania	[Wymagane] Typ zadania dla zadania AutoMLJob.	"Regresja" (wymagana)
trainingSettings (ustawienia szkolenia)	Dane wejściowe fazy trenowania zadania automatycznego uczenia maszynowego.	Ustawienia treningu

Właściwości bazy danych ResourceBase

Nazwa	Opis	Wartość

Tagi ResourceBaseTags

Nazwa	Opis	Wartość

Konfiguracja zasobów

Nazwa	Opis	Wartość
instanceCount (liczba wystąpień)	Opcjonalna liczba wystąpień lub węzłów używanych przez docelowy obiekt obliczeniowy.	int (integer)
instanceType (typ instancji)	Opcjonalny typ maszyny wirtualnej używany jako obsługiwany przez docelowy obiekt obliczeniowy.	ciąg
właściwości	Dodatkowa torba właściwości.	Właściwości ResourceConfigurationProperties

Właściwości ResourceConfigurationProperties

Nazwa	Opis	Wartość

PróbkowanieAlgorithm

Nazwa	Opis	Wartość
samplingAlgorithmType	Ustaw wartość "Bayesian" dla typu BayesianSamplingAlgorithm. Ustaw wartość "Grid" dla typu GridSamplingAlgorithm. Ustaw wartość "Losowa" dla typu RandomSamplingAlgorithm.	"Bayesian" "Siatka" "Losowe" (wymagane)

Baza harmonogramu

Nazwa	Opis	Wartość
czas zakończenia	Określa czas zakończenia harmonogramu w formacie ISO 8601. Jeśli nie istnieje, harmonogram będzie uruchamiany na czas nieokreślony	ciąg
scheduleStatus (stan harmonogramu)	Określa stan harmonogramu	"Wyłączone" "Włączone"
scheduleType (typ harmonogramu)	Ustaw wartość "Cron" dla typu CronSchedule. Ustaw wartość "Cykl" dla typu RecurrenceSchedule.	"Cron" "Cykl" (wymagany)
czas rozpoczęcia	Określa godzinę rozpoczęcia harmonogramu w formacie ISO 8601.	ciąg
strefa czasowa	Określa strefę czasową, w której jest uruchamiany harmonogram. Strefa czasowa powinna być zgodna z formatem strefy czasowej systemu Windows.	ciąg

Sezonowości

Nazwa	Opis	Wartość
tryb	Ustaw wartość "Auto" dla typu AutoSeasonity. Dla typu CustomSeasonality ustaw wartość "Custom".	"Auto" "Niestandardowy" (wymagany)

Ustawienia stosu

Nazwa	Opis	Wartość
stosMetaLearnerKWargs	Parametry opcjonalne, które mają być przekazywane do inicjatora metauczeń.	jakikolwiek
stackMetaLearnerTrainPercentage	Określa proporcję zestawu treningowego (podczas wybierania typu trenowania i sprawdzania poprawności trenowania) do zastrzelenia na potrzeby trenowania metauczeń. Wartość domyślna to 0,2.	int (integer)
stackMetaLearnerType	Metauczeń to model trenowany na podstawie danych wyjściowych poszczególnych modeli heterogenicznych.	"ElasticNet" "ElasticNetCV" "LightGBMClassifier" "LightGBMRegressor" "LinearRegression" "LogisticsRegression" "LogisticsRegressionCV" "Brak"

Zamiatanie

Nazwa	Opis	Wartość
wczesneWypowiedzenie	Zasady wczesnego kończenia umożliwiają anulowanie przebiegów o niskiej wydajności przed ich ukończeniem	Polityka Wczesnej Terminacji
Wejścia	Mapowanie powiązań danych wejściowych używanych w zadaniu.	SweepJobInputs (Dane wejściowe SweepJob)
rodzaj pracy	[Wymagane] Określa typ zadania.	"Zamiatanie" (wymagane)
limity	Limit zadań zamiatania.	SweepJobLimits (Limity zamiatania)
cel	[Wymagane] Cel optymalizacji.	Cel (wymagany)
Wyniki	Mapowanie powiązań danych wyjściowych używanych w zadaniu.	SweepJobOutputs (Dane wyjściowe zamiatania)
próbkowanieAlgorithm	[Wymagane] Algorytm próbkowania hiperparametrów	PróbkowanieAlgorithm (wymagane)
searchPrzestrzeń	[Wymagane] Słownik zawierający każdy parametr i jego rozkład. Klucz słownika jest nazwą parametru	dowolna (wymagana)
demo	[Wymagane] Definicja składnika wersji próbnej.	Wersja próbnaComponent (wymagana)

SweepJobInputs (Dane wejściowe SweepJob)

Nazwa	Opis	Wartość

SweepJobLimits (Limity zamiatania)

Nazwa	Opis	Wartość
jobLimitsType (Typ zadania)	[Wymagane] Typ JobLimit.	"Polecenie" "Zamiatanie" (wymagane)
maxConcurrentTrials (Próby maksymalne)	Maksymalna liczba współbieżnych wersji próbnych zadania zamiatania.	int (integer)
maxTotalTrials (Próby maks.)	Zamiatanie zadania — maksymalna łączna liczba prób.	int (integer)
przerwa czasowa	Maksymalny czas trwania przebiegu w formacie ISO 8601, po którym zadanie zostanie anulowane. Obsługuje tylko czas trwania z dokładnością do sekund.	ciąg
Limit czasu próbnego	Zamiatanie wartości limitu czasu wersji próbnej zadania.	ciąg

SweepJobOutputs (Dane wyjściowe zamiatania)

Nazwa	Opis	Wartość

TableVerticalDataSettings (Ustawienia danych tabeli)

Nazwa	Opis	Wartość
targetColumnName (nazwa_kolumny)	[Wymagane] Nazwa kolumny docelowej: jest to kolumna wartości przewidywania. Znana również jako nazwa kolumny etykiety w kontekście zadań klasyfikacji.	struna Ograniczenia: Wzorzec = `[a-zA-Z0-9_]` (wymagane)
testData (dane testowe)	Testowanie danych wejściowych.	TestDataSettings
trainingData (dane szkoleniowe)	[Wymagane] Dane wejściowe danych treningowych.	TrainingDataSettings (wymagane)
validationData (Dane walidacji)	Dane wejściowe danych walidacji.	TableVerticalValidationDataSettings
weightColumnName (nazwa_kolumny)	Nazwa kolumny wagi próbki. Zautomatyzowane uczenie maszynowe obsługuje kolumnę ważoną jako dane wejściowe, co powoduje, że wiersze w danych mają być ważone w górę lub w dół.	ciąg

TableVerticalFeaturizationSettings

Nazwa	Opis	Wartość
blockedTransformers (zablokowaneTransformatory)	Transformatory te nie są stosowane w cechowaniu.	ciąg znakowy[]
columnNameAndTypes (NazwaKolumny)AndTypes	Słownik nazwy kolumny i jego typu (int, float, string, datetime itp.).	TableVerticalFeaturizationSettingsColumnNameAndTypes
datasetLanguage (język zestawu danych)	Język zestawu danych przydatny dla danych tekstowych.	ciąg
usuńKolumny	Kolumny, które mają zostać usunięte z danych podczas cechowania.	ciąg znakowy[]
enableDnnFeaturization (włącz cechowanie sieciowe)	Określa, czy używać cech opartych na Dnn do cechowania danych.	Bool
tryb	Tryb cechowania — użytkownik może zachować domyślny tryb "Auto", a rozwiązanie AutoML zajmie się niezbędnym przekształceniem danych w fazie cechowania. Jeśli wybrano opcję "Wyłączone", nie jest wykonywana cechowanie. Jeśli wybrano opcję "Niestandardowy", użytkownik może określić dodatkowe dane wejściowe, aby dostosować sposób wykonywania cechowania.	"Auto" "Niestandardowy" "Wyłączone"
transformatorParams	Użytkownik może określić dodatkowe transformatory, które mają być używane wraz z kolumnami, do których ma zostać zastosowany, oraz parametry konstruktora transformatora.	TabelaVerticalFeaturizationSettingsTransformerParams

TableVerticalFeaturizationSettingsColumnNameAndTypes

Nazwa	Opis	Wartość

TabelaVerticalFeaturizationSettingsTransformerParams

Nazwa	Opis	Wartość

TableVerticalLimitSettings (Ustawienia stołu)

Nazwa	Opis	Wartość
enableEarlyTermination (włącz opcję WczesneZakończenie)	Włącz wczesne zakończenie, określa, czy funkcja AutoMLJob zakończy się wcześnie, jeśli w ciągu ostatnich 20 iteracji nie będzie poprawa oceny.	Bool
exitScore (wynik wyjścia)	Wynik zakończenia zadania rozwiązania AutoML.	int (integer)
maxConcurrentTrials (Próby maksymalne)	Maksymalna liczba iteracji współbieżnych.	int (integer)
maxCoresPerTrial	Maksymalna liczba rdzeni na iterację.	int (integer)
maxTrials (Próby maks.)	Liczba iteracji.	int (integer)
przerwa czasowa	Limit czasu zadania automatycznego uczenia maszynowego.	ciąg
Limit czasu próbnego	Limit czasu iteracji.	ciąg

TableVerticalValidationDataSettings

Nazwa	Opis	Wartość
cvSplitColumnNames (NazwyKolumn)	Kolumny do użycia dla danych CVSplit.	ciąg znakowy[]
dane	Dane walidacji MLTable.	MLTableJobInput
nCrossWalidacje	Liczba składań krzyżowych do zastosowania w zestawie danych szkoleniowych jeśli zestaw danych sprawdzania poprawności nie jest podany.	NCrossWalidacje
validationDataSize (validationDataSize)	Ułamek zestawu danych trenowania, który należy odłożyć na potrzeby walidacji. Wartości z zakresu (0.0, 1.0) Zastosowano, gdy zestaw danych weryfikacji nie został podany.	int (integer)

Opóźnienie docelowe

Nazwa	Opis	Wartość
tryb	Ustaw wartość "Auto" dla typu AutoTargetLags. Dla typu CustomTargetLags ustaw wartość "CustomTargetLags".	"Auto" "Niestandardowy" (wymagany)

TargetRollingWindowSize (Rozmiar okna toczącego)

Nazwa	Opis	Wartość
tryb	Ustaw wartość "Auto" dla typu AutoTargetRollingWindowSize. Dla typu CustomTargetRollingWindowSize ustaw wartość "CustomTargetRolling".	"Auto" "Niestandardowy" (wymagany)

TensorFlow

Nazwa	Opis	Wartość
distributionType (typ dystrybucji)	[Wymagane] Określa typ struktury dystrybucji.	"TensorFlow" (wymagany)
parametrServerCount	Liczba zadań serwera parametrów.	int (integer)
liczbaPracowników	Liczba pracowników. Jeśli nie zostanie określony, wartość domyślna to liczba wystąpień.	int (integer)

TestDataSettings

Nazwa	Opis	Wartość
dane	Dane testowe MLTable.	MLTableJobInput
testDataSize (rozmiar testu)	Ułamek zestawu danych testowych, który należy odłożyć na potrzeby walidacji. Wartości z zakresu (0.0, 1.0) Zastosowano, gdy zestaw danych weryfikacji nie został podany.	int (integer)

Klasyfikacja tekstu

Nazwa	Opis	Wartość
dataSettings (Ustawienia danych)	Dane wejściowe dla AutoMLJob.	NlpVerticalDataSettings
cechowanieUstawienia	Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML.	NlpVerticalFeaturizationSettings
limitSettings (ustawienia limitu)	Ograniczenia wykonywania dla zadania AutoMLJob.	NlpVerticalLimitSettings (Ustawienia Limitu Pionowego)
primaryMetric (podstawowy)	Podstawowa metryka dla zadania Text-Classification.	"Dokładność" "AUCWeighted" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted"
typ zadania	[Wymagane] Typ zadania dla zadania AutoMLJob.	"TextClassification" (wymagane)

TextClassificationMultilabel

Nazwa	Opis	Wartość
dataSettings (Ustawienia danych)	Dane wejściowe dla AutoMLJob.	NlpVerticalDataSettings
cechowanieUstawienia	Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML.	NlpVerticalFeaturizationSettings
limitSettings (ustawienia limitu)	Ograniczenia wykonywania dla zadania AutoMLJob.	NlpVerticalLimitSettings (Ustawienia Limitu Pionowego)
typ zadania	[Wymagane] Typ zadania dla zadania AutoMLJob.	"TextClassificationMultilabel" (wymagane)

Moduł TextNer

Nazwa	Opis	Wartość
dataSettings (Ustawienia danych)	Dane wejściowe dla AutoMLJob.	NlpVerticalDataSettings
cechowanieUstawienia	Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML.	NlpVerticalFeaturizationSettings
limitSettings (ustawienia limitu)	Ograniczenia wykonywania dla zadania AutoMLJob.	NlpVerticalLimitSettings (Ustawienia Limitu Pionowego)
typ zadania	[Wymagane] Typ zadania dla zadania AutoMLJob.	"TextNER" (wymagane)

TrainingDataSettings

Nazwa	Opis	Wartość
dane	[Wymagane] Dane szkoleniowe MLTable.	MLTableJobInput (wymagane)

Ustawienia treningu

Nazwa	Opis	Wartość
enableDnnTraining (włącz szkolenie Dnn)	Włącz zalecenie dotyczące modeli sieci rozproszonej.	Bool
enableModelExplainability (wytłumaczalność	Flaga włączania możliwości objaśnienia dla najlepszego modelu.	Bool
enableOnnxCompatibleModels (Modele kompatybilne z enable)	Flaga włączania modeli zgodnych z programem onnx.	Bool
enableStackEnsemble (włącz zestaw danych w stosie)	Włącz uruchamianie zespołu stosu.	Bool
enableVoteEnsemble (zespół włączeń)	Włącz uruchamianie zespołu do głosowania.	Bool
ensembleModelDownloadTimeout	Podczas generowania modeli VotingEnsemble i StackEnsemble pobierane są wiele dopasowanych modeli z poprzednich przebiegów podrzędnych. Skonfiguruj ten parametr z wyższą wartością niż 300 sekund, jeśli jest potrzebny więcej czasu.	ciąg
stackEnsembleSettings	Ustawienia zespołu stosu dla przebiegu zespołu stosu.	Ustawienia stosu

Wersja próbnaComponent

Nazwa	Opis	Wartość
codeId (identyfikator kodu)	Identyfikator zasobu usługi ARM zasobu kodu.	ciąg
polecenie	[Wymagane] Polecenie do wykonania podczas uruchamiania zadania. Np. "Python train.py"	struna Ograniczenia: Minimalna długość = 1 Wzorzec = `[a-zA-Z0-9_]` (wymagane)
dystrybucja	Konfiguracja dystrybucji zadania. W przypadku ustawienia powinna to być jedna z wartości Mpi, Tensorflow, PyTorch lub null.	Rozkładkonfiguracja
environmentId (identyfikator środowiska)	[Wymagane] Identyfikator zasobu usługi ARM specyfikacji środowiska dla zadania.	struna Ograniczenia: Wzorzec = `[a-zA-Z0-9_]` (wymagane)
zmienne środowiskowe	Zmienne środowiskowe uwzględnione w zadaniu.	Zmienne środowiskowe TrialComponentEnvironmentVariables
zasoby	Konfiguracja zasobów obliczeniowych dla zadania.	Konfiguracja zasobów

Zmienne środowiskowe TrialComponentEnvironmentVariables

Nazwa	Opis	Wartość

TritonModelJobInput

Nazwa	Opis	Wartość
jobInputType (typ wejścia)	[Wymagane] Określa typ zadania.	"TritonModel" (wymagane)
tryb	Tryb dostarczania zasobów wejściowych.	"Bezpośredni" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
URI	[Wymagane] Identyfikator URI zasobu wejściowego.	struna Ograniczenia: Wzorzec = `[a-zA-Z0-9_]` (wymagane)

TritonModelJobOutput

Nazwa	Opis	Wartość
jobOutputType (Typ zadania)	[Wymagane] Określa typ zadania.	"TritonModel" (wymagane)
tryb	Tryb dostarczania zasobów wyjściowych.	"ReadWriteMount" "Przekaż"
URI	Identyfikator URI elementu zawartości wyjściowej.	ciąg

ObcięcieselectionPolicy

Nazwa	Opis	Wartość
policyType (typ polityki)	[Wymagane] Nazwa konfiguracji zasad	"Obcięcie wyboru" (wymagane)
obcięciepercentage	Procent przebiegów do anulowania w każdym interwale oceny.	int (integer)

UriFileJobInput

Nazwa	Opis	Wartość
jobInputType (typ wejścia)	[Wymagane] Określa typ zadania.	"UriFile" (wymagane)
tryb	Tryb dostarczania zasobów wejściowych.	"Bezpośredni" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
URI	[Wymagane] Identyfikator URI zasobu wejściowego.	struna Ograniczenia: Wzorzec = `[a-zA-Z0-9_]` (wymagane)

UriFileJobOutput

Nazwa	Opis	Wartość
jobOutputType (Typ zadania)	[Wymagane] Określa typ zadania.	"UriFile" (wymagane)
tryb	Tryb dostarczania zasobów wyjściowych.	"ReadWriteMount" "Przekaż"
URI	Identyfikator URI elementu zawartości wyjściowej.	ciąg

UriFolderJobInput

Nazwa	Opis	Wartość
jobInputType (typ wejścia)	[Wymagane] Określa typ zadania.	"UriFolder" (wymagany)
tryb	Tryb dostarczania zasobów wejściowych.	"Bezpośredni" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
URI	[Wymagane] Identyfikator URI zasobu wejściowego.	struna Ograniczenia: Wzorzec = `[a-zA-Z0-9_]` (wymagane)

UriFolderJobOutput

Nazwa	Opis	Wartość
jobOutputType (Typ zadania)	[Wymagane] Określa typ zadania.	"UriFolder" (wymagany)
tryb	Tryb dostarczania zasobów wyjściowych.	"ReadWriteMount" "Przekaż"
URI	Identyfikator URI elementu zawartości wyjściowej.	ciąg

Identyfikator użytkownika

Nazwa	Opis	Wartość
identityType (typ tożsamości)	[Wymagane] Określa typ struktury tożsamości.	"UserIdentity" (wymagane)

Przykłady użycia

Przykłady szybkiego startu platformy Azure

Poniższe szablony szybkiego startu platformy Azure zawierają przykłady Bicep na potrzeby wdrażania tego typu zasobu.

Plik Bicep	Opis
Tworzenie zadania klasyfikacji automatycznego uczenia maszynowego w usłudze Azure Machine Learning	Ten szablon tworzy zadanie klasyfikacji automatycznego uczenia maszynowego w usłudze Azure Machine Learning, aby dowiedzieć się, jak najlepszy model do przewidywania, czy klient zasubskrybuje depozyt na stałe za pomocą instytucji finansowej.
Tworzenie zadania polecenia usługi Azure Machine Learning	Ten szablon tworzy zadanie polecenia usługi Azure Machine Learning za pomocą podstawowego skryptu hello_world
Tworzenie zadania zamiatania usługi Azure Machine Learning	Ten szablon tworzy zadanie zamiatania usługi Azure Machine Learning na potrzeby dostrajania hiperparametrów.

Definicja zasobu szablonu usługi ARM

Typ zasobu obszarów roboczych/zadań można wdrożyć przy użyciu operacji docelowych:

grupy zasobów — zobacz polecenia wdrażania grupy zasobów

Aby uzyskać listę zmienionych właściwości w każdej wersji interfejsu API, zobacz dziennika zmian.

Format zasobu

Aby utworzyć zasób Microsoft.MachineLearningServices/workspaces/jobs, dodaj następujący kod JSON do szablonu.

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

Obiekty TargetLags

Ustaw właściwość mode , aby określić typ obiektu.

W przypadku opcji Auto użyj:

{
  "mode": "Auto"
}

W przypadku opcji Niestandardowe użyj:

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

Obiekty sezonowości

Ustaw właściwość mode , aby określić typ obiektu.

W przypadku opcji Auto użyj:

{
  "mode": "Auto"
}

W przypadku opcji Niestandardowe użyj:

{
  "mode": "Custom",
  "value": "int"
}

Obiekty JobOutput

Ustaw właściwość jobOutputType , aby określić typ obiektu.

W przypadku modelu niestandardowego użyj:

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

W przypadku MLFlowModel użyj:

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

W przypadku MLTable użyj:

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

W przypadku TritonModel użyj:

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

W przypadku UriFileużyj:

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

W przypadku UriFolder użyj:

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

Obiekty autoMLVertical

Ustaw właściwość taskType , aby określić typ obiektu.

W przypadku klasyfikacji użyj:

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

W przypadku prognozowania użyj:

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

W przypadku klasyfikacji obrazu użyj:

{
  "dataSettings": {
    "targetColumnName": "string",
    "testData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "testDataSize": "int"
    },
    "trainingData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      }
    },
    "validationData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "validationDataSize": "int"
    }
  },
  "limitSettings": {
    "maxConcurrentTrials": "int",
    "maxTrials": "int",
    "timeout": "string"
  },
  "modelSettings": {
    "advancedSettings": "string",
    "amsGradient": "bool",
    "augmentations": "string",
    "beta1": "int",
    "beta2": "int",
    "checkpointDatasetId": "string",
    "checkpointFilename": "string",
    "checkpointFrequency": "int",
    "checkpointRunId": "string",
    "distributed": "bool",
    "earlyStopping": "bool",
    "earlyStoppingDelay": "int",
    "earlyStoppingPatience": "int",
    "enableOnnxNormalization": "bool",
    "evaluationFrequency": "int",
    "gradientAccumulationStep": "int",
    "layersToFreeze": "int",
    "learningRate": "int",
    "learningRateScheduler": "string",
    "modelName": "string",
    "momentum": "int",
    "nesterov": "bool",
    "numberOfEpochs": "int",
    "numberOfWorkers": "int",
    "optimizer": "string",
    "randomSeed": "int",
    "splitRatio": "int",
    "stepLRGamma": "int",
    "stepLRStepSize": "int",
    "trainingBatchSize": "int",
    "trainingCropSize": "int",
    "validationBatchSize": "int",
    "validationCropSize": "int",
    "validationResizeSize": "int",
    "warmupCosineLRCycles": "int",
    "warmupCosineLRWarmupEpochs": "int",
    "weightDecay": "int",
    "weightedLoss": "int"
  },
  "primaryMetric": "string",
  "searchSpace": [
    {
      "amsGradient": "string",
      "augmentations": "string",
      "beta1": "string",
      "beta2": "string",
      "distributed": "string",
      "earlyStopping": "string",
      "earlyStoppingDelay": "string",
      "earlyStoppingPatience": "string",
      "enableOnnxNormalization": "string",
      "evaluationFrequency": "string",
      "gradientAccumulationStep": "string",
      "layersToFreeze": "string",
      "learningRate": "string",
      "learningRateScheduler": "string",
      "modelName": "string",
      "momentum": "string",
      "nesterov": "string",
      "numberOfEpochs": "string",
      "numberOfWorkers": "string",
      "optimizer": "string",
      "randomSeed": "string",
      "splitRatio": "string",
      "stepLRGamma": "string",
      "stepLRStepSize": "string",
      "trainingBatchSize": "string",
      "trainingCropSize": "string",
      "validationBatchSize": "string",
      "validationCropSize": "string",
      "validationResizeSize": "string",
      "warmupCosineLRCycles": "string",
      "warmupCosineLRWarmupEpochs": "string",
      "weightDecay": "string",
      "weightedLoss": "string"
    }
  ],
  "sweepSettings": {
    "earlyTermination": {
      "delayEvaluation": "int",
      "evaluationInterval": "int",
      "policyType": "string"
      // For remaining properties, see EarlyTerminationPolicy objects
    },
    "limits": {
      "maxConcurrentTrials": "int",
      "maxTrials": "int"
    },
    "samplingAlgorithm": "string"
  },
  "taskType": "ImageClassification"
}

W przypadku elementu ImageClassificationMultilabel użyj:

{
  "dataSettings": {
    "targetColumnName": "string",
    "testData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "testDataSize": "int"
    },
    "trainingData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      }
    },
    "validationData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "validationDataSize": "int"
    }
  },
  "limitSettings": {
    "maxConcurrentTrials": "int",
    "maxTrials": "int",
    "timeout": "string"
  },
  "modelSettings": {
    "advancedSettings": "string",
    "amsGradient": "bool",
    "augmentations": "string",
    "beta1": "int",
    "beta2": "int",
    "checkpointDatasetId": "string",
    "checkpointFilename": "string",
    "checkpointFrequency": "int",
    "checkpointRunId": "string",
    "distributed": "bool",
    "earlyStopping": "bool",
    "earlyStoppingDelay": "int",
    "earlyStoppingPatience": "int",
    "enableOnnxNormalization": "bool",
    "evaluationFrequency": "int",
    "gradientAccumulationStep": "int",
    "layersToFreeze": "int",
    "learningRate": "int",
    "learningRateScheduler": "string",
    "modelName": "string",
    "momentum": "int",
    "nesterov": "bool",
    "numberOfEpochs": "int",
    "numberOfWorkers": "int",
    "optimizer": "string",
    "randomSeed": "int",
    "splitRatio": "int",
    "stepLRGamma": "int",
    "stepLRStepSize": "int",
    "trainingBatchSize": "int",
    "trainingCropSize": "int",
    "validationBatchSize": "int",
    "validationCropSize": "int",
    "validationResizeSize": "int",
    "warmupCosineLRCycles": "int",
    "warmupCosineLRWarmupEpochs": "int",
    "weightDecay": "int",
    "weightedLoss": "int"
  },
  "primaryMetric": "string",
  "searchSpace": [
    {
      "amsGradient": "string",
      "augmentations": "string",
      "beta1": "string",
      "beta2": "string",
      "distributed": "string",
      "earlyStopping": "string",
      "earlyStoppingDelay": "string",
      "earlyStoppingPatience": "string",
      "enableOnnxNormalization": "string",
      "evaluationFrequency": "string",
      "gradientAccumulationStep": "string",
      "layersToFreeze": "string",
      "learningRate": "string",
      "learningRateScheduler": "string",
      "modelName": "string",
      "momentum": "string",
      "nesterov": "string",
      "numberOfEpochs": "string",
      "numberOfWorkers": "string",
      "optimizer": "string",
      "randomSeed": "string",
      "splitRatio": "string",
      "stepLRGamma": "string",
      "stepLRStepSize": "string",
      "trainingBatchSize": "string",
      "trainingCropSize": "string",
      "validationBatchSize": "string",
      "validationCropSize": "string",
      "validationResizeSize": "string",
      "warmupCosineLRCycles": "string",
      "warmupCosineLRWarmupEpochs": "string",
      "weightDecay": "string",
      "weightedLoss": "string"
    }
  ],
  "sweepSettings": {
    "earlyTermination": {
      "delayEvaluation": "int",
      "evaluationInterval": "int",
      "policyType": "string"
      // For remaining properties, see EarlyTerminationPolicy objects
    },
    "limits": {
      "maxConcurrentTrials": "int",
      "maxTrials": "int"
    },
    "samplingAlgorithm": "string"
  },
  "taskType": "ImageClassificationMultilabel"
}

W przypadku klasy ImageInstanceSegmentation użyj:

{
  "dataSettings": {
    "targetColumnName": "string",
    "testData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "testDataSize": "int"
    },
    "trainingData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      }
    },
    "validationData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "validationDataSize": "int"
    }
  },
  "limitSettings": {
    "maxConcurrentTrials": "int",
    "maxTrials": "int",
    "timeout": "string"
  },
  "modelSettings": {
    "advancedSettings": "string",
    "amsGradient": "bool",
    "augmentations": "string",
    "beta1": "int",
    "beta2": "int",
    "boxDetectionsPerImage": "int",
    "boxScoreThreshold": "int",
    "checkpointDatasetId": "string",
    "checkpointFilename": "string",
    "checkpointFrequency": "int",
    "checkpointRunId": "string",
    "distributed": "bool",
    "earlyStopping": "bool",
    "earlyStoppingDelay": "int",
    "earlyStoppingPatience": "int",
    "enableOnnxNormalization": "bool",
    "evaluationFrequency": "int",
    "gradientAccumulationStep": "int",
    "imageSize": "int",
    "layersToFreeze": "int",
    "learningRate": "int",
    "learningRateScheduler": "string",
    "maxSize": "int",
    "minSize": "int",
    "modelName": "string",
    "modelSize": "string",
    "momentum": "int",
    "multiScale": "bool",
    "nesterov": "bool",
    "nmsIouThreshold": "int",
    "numberOfEpochs": "int",
    "numberOfWorkers": "int",
    "optimizer": "string",
    "randomSeed": "int",
    "splitRatio": "int",
    "stepLRGamma": "int",
    "stepLRStepSize": "int",
    "tileGridSize": "string",
    "tileOverlapRatio": "int",
    "tilePredictionsNmsThreshold": "int",
    "trainingBatchSize": "int",
    "validationBatchSize": "int",
    "validationIouThreshold": "int",
    "validationMetricType": "string",
    "warmupCosineLRCycles": "int",
    "warmupCosineLRWarmupEpochs": "int",
    "weightDecay": "int"
  },
  "primaryMetric": "string",
  "searchSpace": [
    {
      "amsGradient": "string",
      "augmentations": "string",
      "beta1": "string",
      "beta2": "string",
      "boxDetectionsPerImage": "string",
      "boxScoreThreshold": "string",
      "distributed": "string",
      "earlyStopping": "string",
      "earlyStoppingDelay": "string",
      "earlyStoppingPatience": "string",
      "enableOnnxNormalization": "string",
      "evaluationFrequency": "string",
      "gradientAccumulationStep": "string",
      "imageSize": "string",
      "layersToFreeze": "string",
      "learningRate": "string",
      "learningRateScheduler": "string",
      "maxSize": "string",
      "minSize": "string",
      "modelName": "string",
      "modelSize": "string",
      "momentum": "string",
      "multiScale": "string",
      "nesterov": "string",
      "nmsIouThreshold": "string",
      "numberOfEpochs": "string",
      "numberOfWorkers": "string",
      "optimizer": "string",
      "randomSeed": "string",
      "splitRatio": "string",
      "stepLRGamma": "string",
      "stepLRStepSize": "string",
      "tileGridSize": "string",
      "tileOverlapRatio": "string",
      "tilePredictionsNmsThreshold": "string",
      "trainingBatchSize": "string",
      "validationBatchSize": "string",
      "validationIouThreshold": "string",
      "validationMetricType": "string",
      "warmupCosineLRCycles": "string",
      "warmupCosineLRWarmupEpochs": "string",
      "weightDecay": "string"
    }
  ],
  "sweepSettings": {
    "earlyTermination": {
      "delayEvaluation": "int",
      "evaluationInterval": "int",
      "policyType": "string"
      // For remaining properties, see EarlyTerminationPolicy objects
    },
    "limits": {
      "maxConcurrentTrials": "int",
      "maxTrials": "int"
    },
    "samplingAlgorithm": "string"
  },
  "taskType": "ImageInstanceSegmentation"
}

W przypadku elementu ImageObjectDetection użyj:

{
  "dataSettings": {
    "targetColumnName": "string",
    "testData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "testDataSize": "int"
    },
    "trainingData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      }
    },
    "validationData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "validationDataSize": "int"
    }
  },
  "limitSettings": {
    "maxConcurrentTrials": "int",
    "maxTrials": "int",
    "timeout": "string"
  },
  "modelSettings": {
    "advancedSettings": "string",
    "amsGradient": "bool",
    "augmentations": "string",
    "beta1": "int",
    "beta2": "int",
    "boxDetectionsPerImage": "int",
    "boxScoreThreshold": "int",
    "checkpointDatasetId": "string",
    "checkpointFilename": "string",
    "checkpointFrequency": "int",
    "checkpointRunId": "string",
    "distributed": "bool",
    "earlyStopping": "bool",
    "earlyStoppingDelay": "int",
    "earlyStoppingPatience": "int",
    "enableOnnxNormalization": "bool",
    "evaluationFrequency": "int",
    "gradientAccumulationStep": "int",
    "imageSize": "int",
    "layersToFreeze": "int",
    "learningRate": "int",
    "learningRateScheduler": "string",
    "maxSize": "int",
    "minSize": "int",
    "modelName": "string",
    "modelSize": "string",
    "momentum": "int",
    "multiScale": "bool",
    "nesterov": "bool",
    "nmsIouThreshold": "int",
    "numberOfEpochs": "int",
    "numberOfWorkers": "int",
    "optimizer": "string",
    "randomSeed": "int",
    "splitRatio": "int",
    "stepLRGamma": "int",
    "stepLRStepSize": "int",
    "tileGridSize": "string",
    "tileOverlapRatio": "int",
    "tilePredictionsNmsThreshold": "int",
    "trainingBatchSize": "int",
    "validationBatchSize": "int",
    "validationIouThreshold": "int",
    "validationMetricType": "string",
    "warmupCosineLRCycles": "int",
    "warmupCosineLRWarmupEpochs": "int",
    "weightDecay": "int"
  },
  "primaryMetric": "string",
  "searchSpace": [
    {
      "amsGradient": "string",
      "augmentations": "string",
      "beta1": "string",
      "beta2": "string",
      "boxDetectionsPerImage": "string",
      "boxScoreThreshold": "string",
      "distributed": "string",
      "earlyStopping": "string",
      "earlyStoppingDelay": "string",
      "earlyStoppingPatience": "string",
      "enableOnnxNormalization": "string",
      "evaluationFrequency": "string",
      "gradientAccumulationStep": "string",
      "imageSize": "string",
      "layersToFreeze": "string",
      "learningRate": "string",
      "learningRateScheduler": "string",
      "maxSize": "string",
      "minSize": "string",
      "modelName": "string",
      "modelSize": "string",
      "momentum": "string",
      "multiScale": "string",
      "nesterov": "string",
      "nmsIouThreshold": "string",
      "numberOfEpochs": "string",
      "numberOfWorkers": "string",
      "optimizer": "string",
      "randomSeed": "string",
      "splitRatio": "string",
      "stepLRGamma": "string",
      "stepLRStepSize": "string",
      "tileGridSize": "string",
      "tileOverlapRatio": "string",
      "tilePredictionsNmsThreshold": "string",
      "trainingBatchSize": "string",
      "validationBatchSize": "string",
      "validationIouThreshold": "string",
      "validationMetricType": "string",
      "warmupCosineLRCycles": "string",
      "warmupCosineLRWarmupEpochs": "string",
      "weightDecay": "string"
    }
  ],
  "sweepSettings": {
    "earlyTermination": {
      "delayEvaluation": "int",
      "evaluationInterval": "int",
      "policyType": "string"
      // For remaining properties, see EarlyTerminationPolicy objects
    },
    "limits": {
      "maxConcurrentTrials": "int",
      "maxTrials": "int"
    },
    "samplingAlgorithm": "string"
  },
  "taskType": "ImageObjectDetection"
}

W przypadku regresji użyj:

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

W przypadku klasyfikacji tekstu użyj:

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

W przypadku elementu TextClassificationMultilabel użyj:

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

W przypadku funkcji TextNER użyj:

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

Próbkowanie ObiektówAlgorithm

Ustaw właściwość samplingAlgorithmType , aby określić typ obiektu.

W przypadku bayesianu użyj:

{
  "samplingAlgorithmType": "Bayesian"
}

W przypadku usługi Grid użyj polecenia:

{
  "samplingAlgorithmType": "Grid"
}

W przypadku funkcji Losowe użyj:

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

Obiekty IdentityConfiguration

Ustaw właściwość identityType , aby określić typ obiektu.

W przypadku tokenu AMLToken użyj:

{
  "identityType": "AMLToken"
}

W przypadku funkcji Zarządzane użyj:

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

W przypadku identyfikatora UserIdentity użyj:

{
  "identityType": "UserIdentity"
}

Obiekty TargetRollingWindowSize

Ustaw właściwość mode , aby określić typ obiektu.

W przypadku opcji Auto użyj:

{
  "mode": "Auto"
}

W przypadku opcji Niestandardowe użyj:

{
  "mode": "Custom",
  "value": "int"
}

Obiekty ScheduleBase

Ustaw właściwość scheduleType w celu określenia typu obiektu.

W przypadku Cron użyj:

{
  "expression": "string",
  "scheduleType": "Cron"
}

W przypadku cyklu użyj:

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

Obiekty DistributionConfiguration

Ustaw właściwość distributionType , aby określić typ obiektu.

W przypadku programu Mpi użyj:

{
  "distributionType": "Mpi",
  "processCountPerInstance": "int"
}

W przypadku rozwiązania PyTorch użyj:

{
  "distributionType": "PyTorch",
  "processCountPerInstance": "int"
}

W przypadku biblioteki TensorFlow użyj:

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

Obiekty JobBaseDetails

Ustaw właściwość jobType , aby określić typ obiektu.

W przypadku rozwiązania AutoML użyj:

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

W przypadku polecenia użyj polecenia:

{
  "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
    }
  },
  "jobType": "Command",
  "limits": {
    "jobLimitsType": "string",
    "timeout": "string"
  },
  "outputs": {
    "{customized property}": {
      "description": "string",
      "jobOutputType": "string"
      // For remaining properties, see JobOutput objects
    }
  },
  "resources": {
    "instanceCount": "int",
    "instanceType": "string",
    "properties": {
      "{customized property}": {}
    }
  }
}

W przypadku potoku użyj:

{
  "inputs": {
    "{customized property}": {
      "description": "string",
      "jobInputType": "string"
      // For remaining properties, see JobInput objects
    }
  },
  "jobs": {
    "{customized property}": {}
  },
  "jobType": "Pipeline",
  "outputs": {
    "{customized property}": {
      "description": "string",
      "jobOutputType": "string"
      // For remaining properties, see JobOutput objects
    }
  },
  "settings": {}
}

W przypadku zamiatania użyj:

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

Obiekty ForecastHorizon

Ustaw właściwość mode , aby określić typ obiektu.

W przypadku opcji Auto użyj:

{
  "mode": "Auto"
}

W przypadku opcji Niestandardowe użyj:

{
  "mode": "Custom",
  "value": "int"
}

Obiekty JobInput

Ustaw właściwość jobInputType , aby określić typ obiektu.

W przypadku modelu niestandardowego użyj:

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

W przypadku literału użyj:

{
  "jobInputType": "Literal",
  "value": "string"
}

W przypadku MLFlowModel użyj:

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

W przypadku MLTable użyj:

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

W przypadku TritonModel użyj:

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

W przypadku UriFileużyj:

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

W przypadku UriFolder użyj:

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

Obiekty NCrossValidations

Ustaw właściwość mode , aby określić typ obiektu.

W przypadku opcji Auto użyj:

{
  "mode": "Auto"
}

W przypadku opcji Niestandardowe użyj:

{
  "mode": "Custom",
  "value": "int"
}

Obiekty EarlyTerminationPolicy

Ustaw właściwość policyType , aby określić typ obiektu.

W przypadku elementu Bandit użyj:

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

W przypadku medianStopping użyj:

{
  "policyType": "MedianStopping"
}

W przypadku narzędzia TruncationSelection użyj:

{
  "policyType": "TruncationSelection",
  "truncationPercentage": "int"
}

Wartości właściwości

Microsoft.MachineLearningServices/workspaces/jobs

Nazwa	Opis	Wartość
apiVersion (wersja interfejsu api)	Wersja interfejsu API	"2022-02-01-preview"
nazwa	Nazwa zasobu	struna Ograniczenia: Wzorzec = `^[a-zA-Z0-9][a-zA-Z0-9\-_]{0,254}$` (wymagane)
właściwości	[Wymagane] Dodatkowe atrybuty jednostki.	JobBaseDetails (wymagane)
typ	Typ zasobu	"Microsoft.MachineLearningServices/workspaces/jobs"

Token AML

Nazwa	Opis	Wartość
identityType (typ tożsamości)	[Wymagane] Określa typ struktury tożsamości.	"AMLToken" (wymagane)

Horyzont automatycznej prognozy

Nazwa	Opis	Wartość
tryb	[Wymagane] Ustaw tryb wyboru wartości horyzontu prognozy.	"Auto" (wymagane)

AutoMLJob

Nazwa	Opis	Wartość
environmentId (identyfikator środowiska)	Identyfikator zasobu usługi ARM specyfikacji środowiska dla zadania. Ta wartość jest opcjonalna, aby podać, jeśli nie podano, rozwiązanie AutoML spowoduje ustawienie domyślne dla produkcyjnej wersji środowiska wyselekcjonowanych automatycznego uczenia maszynowego podczas uruchamiania zadania.	ciąg
zmienne środowiskowe	Zmienne środowiskowe uwzględnione w zadaniu.	AutoMLJobEnvironmentVariables (Zmienne środowiskowe AutoMLJobEnvironmentVariables)
rodzaj pracy	[Wymagane] Określa typ zadania.	"AutoML" (wymagane)
Wyniki	Mapowanie powiązań danych wyjściowych używanych w zadaniu.	AutoMLJobOutputs (Wyjścia automatyczneMLJobOutputs)
zasoby	Konfiguracja zasobów obliczeniowych dla zadania.	Konfiguracja zasobów
taskDetails (Szczegóły zadania)	[Wymagane] Reprezentuje to scenariusz, który może być jednym z tabel/nlp/obrazu	AutoMLVertical (wymagane)

AutoMLJobEnvironmentVariables (Zmienne środowiskowe AutoMLJobEnvironmentVariables)

Nazwa	Opis	Wartość

AutoMLJobOutputs (Wyjścia automatyczneMLJobOutputs)

Nazwa	Opis	Wartość

AutoMLVertical

Nazwa	Opis	Wartość
logSzczegółowość	Czasownik rejestrowania dla zadania.	"Krytyczne" "Debugowanie" "Błąd" "Informacje" "NotSet" "Ostrzeżenie"
typ zadania	Ustaw wartość "Klasyfikacja" dla typu Klasyfikacja. Ustaw wartość "Prognozowanie" dla typu Prognozowanie. Dla typu ImageClassification ustaw wartość "ImageClassification". Ustaw wartość "ImageClassificationMultilabel" dla typu ImageClassificationMultilabel. Ustaw wartość "ImageInstanceSegmentation" dla typu ImageInstanceSegmentation. Dla typu ImageObjectDetection ustaw wartość "ImageObjectDetection". Ustaw wartość "Regresja" dla regresji typu. Dla typu TextClassification ustaw wartość "TextClassification". Ustaw wartość "TextClassificationMultilabel" dla typu TextClassificationMultilabel. Ustaw wartość "TextNER" dla typu TextNer.	"Klasyfikacja" "Prognozowanie" "ImageClassification" "ImageClassificationMultilabel" "ImageInstanceSegmentation" "ImageObjectDetection" "Regresja" "TextClassification" "TextClassificationMultilabel" "TextNER" (wymagane)

AutoNCrossWalidacje

Nazwa	Opis	Wartość
tryb	[Wymagane] Tryb określania poprawności N-Cross.	"Auto" (wymagane)

Autoseasonity

Nazwa	Opis	Wartość
tryb	[Wymagane] Tryb sezonowości.	"Auto" (wymagane)

Opóźnienia AutoTargetLags

Nazwa	Opis	Wartość
tryb	[Wymagane] Ustawianie trybu opóźnień docelowych — automatyczne/niestandardowe	"Auto" (wymagane)

AutoTargetRollingWindowSize

Nazwa	Opis	Wartość
tryb	[Wymagane] TargetRollingWindowSiz detection mode (Tryb wykrywania TargetRollingWindowSiz).	"Auto" (wymagane)

Polityka bandytów

Nazwa	Opis	Wartość
policyType (typ polityki)	[Wymagane] Nazwa konfiguracji zasad	"Bandit" (wymagany)
Zapas czasu	Bezwzględna odległość dozwolona od najlepiej działającego przebiegu.	int (integer)
Czynnik slackFactor	Współczynnik dozwolonej odległości od najlepszego przebiegu.	int (integer)

Algorytm Bayesowskiego próbkowania

Nazwa	Opis	Wartość
samplingAlgorithmType	[Wymagane] Algorytm używany do generowania wartości hiperparametrów wraz z właściwościami konfiguracji	"Bayesian" (wymagane)

Klasyfikacja

Nazwa	Opis	Wartość
allowedModels (dozwolone modele)	Dozwolone modele dla zadania klasyfikacji.	Tablica ciągów zawierająca dowolną z: "BernoulliNaiveBayes" "DecisionTree" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LightGBM" "LinearSVM" "LogisticsRegression" "MultinomialNaiveBayes" "RandomForest" "SGD" "SVM" "XGBoostClassifier"
blockedModels (zablokowaneModele)	Zablokowane modele dla zadania klasyfikacji.	Tablica ciągów zawierająca dowolną z: "BernoulliNaiveBayes" "DecisionTree" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LightGBM" "LinearSVM" "LogisticsRegression" "MultinomialNaiveBayes" "RandomForest" "SGD" "SVM" "XGBoostClassifier"
dataSettings (Ustawienia danych)	Dane wejściowe dla AutoMLJob.	TableVerticalDataSettings (Ustawienia danych tabeli)
cechowanieUstawienia	Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML.	TableVerticalFeaturizationSettings
limitSettings (ustawienia limitu)	Ograniczenia wykonywania dla zadania AutoMLJob.	TableVerticalLimitSettings (Ustawienia stołu)
primaryMetric (podstawowy)	Podstawowa metryka zadania.	"Dokładność" "AUCWeighted" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted"
typ zadania	[Wymagane] Typ zadania dla zadania AutoMLJob.	"Klasyfikacja" (wymagana)
trainingSettings (ustawienia szkolenia)	Dane wejściowe fazy trenowania zadania automatycznego uczenia maszynowego.	Ustawienia treningu

Kolumnowyprzekształtnik

Nazwa	Opis	Wartość
Pola	Pola do zastosowania logiki przekształcania.	ciąg znakowy[]
Parametry	Różne właściwości, które mają być przekazywane do transformatora. Oczekiwane dane wejściowe to słownik par klucz,wartość w formacie JSON.	jakikolwiek

Zadanie polecenia

Nazwa	Opis	Wartość
codeId (identyfikator kodu)	Identyfikator zasobu usługi ARM zasobu kodu.	ciąg
polecenie	[Wymagane] Polecenie do wykonania podczas uruchamiania zadania. Np. "Python train.py"	struna Ograniczenia: Minimalna długość = 1 Wzorzec = `[a-zA-Z0-9_]` (wymagane)
dystrybucja	Konfiguracja dystrybucji zadania. W przypadku ustawienia powinna to być jedna z wartości Mpi, Tensorflow, PyTorch lub null.	Rozkładkonfiguracja
environmentId (identyfikator środowiska)	[Wymagane] Identyfikator zasobu usługi ARM specyfikacji środowiska dla zadania.	struna Ograniczenia: Wzorzec = `[a-zA-Z0-9_]` (wymagane)
zmienne środowiskowe	Zmienne środowiskowe uwzględnione w zadaniu.	CommandJobEnvironmentVariables
Wejścia	Mapowanie powiązań danych wejściowych używanych w zadaniu.	CommandJobInputs
rodzaj pracy	[Wymagane] Określa typ zadania.	"Polecenie" (wymagane)
limity	Limit zadań poleceń.	CommandJobLimits
Wyniki	Mapowanie powiązań danych wyjściowych używanych w zadaniu.	CommandJobOutputs
zasoby	Konfiguracja zasobów obliczeniowych dla zadania.	Konfiguracja zasobów

CommandJobEnvironmentVariables

Nazwa	Opis	Wartość

CommandJobInputs

Nazwa	Opis	Wartość

CommandJobLimits

Nazwa	Opis	Wartość
jobLimitsType (Typ zadania)	[Wymagane] Typ JobLimit.	"Polecenie" "Zamiatanie" (wymagane)
przerwa czasowa	Maksymalny czas trwania przebiegu w formacie ISO 8601, po którym zadanie zostanie anulowane. Obsługuje tylko czas trwania z dokładnością do sekund.	ciąg

CommandJobOutputs

Nazwa	Opis	Wartość

Harmonogram Crona

Nazwa	Opis	Wartość
wyrażenie	[Wymagane] Określa wyrażenie cron harmonogramu. Wyrażenie powinno być zgodne z formatem NCronTab.	struna Ograniczenia: Wzorzec = `[a-zA-Z0-9_]` (wymagane)
scheduleType (typ harmonogramu)	[Wymagane] Określa typ harmonogramu	"Cron" (wymagane)

Niestandardowy horyzont prognozy

Nazwa	Opis	Wartość
tryb	[Wymagane] Ustaw tryb wyboru wartości horyzontu prognozy.	"Niestandardowy" (wymagany)
wartość	[Wymagane] Wartość horyzontu prognozy.	int (wymagane)

CustomModelJobInput

Nazwa	Opis	Wartość
jobInputType (typ wejścia)	[Wymagane] Określa typ zadania.	"CustomModel" (wymagane)
tryb	Tryb dostarczania zasobów wejściowych.	"Bezpośredni" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
URI	[Wymagane] Identyfikator URI zasobu wejściowego.	struna Ograniczenia: Wzorzec = `[a-zA-Z0-9_]` (wymagane)

CustomModelJobOutput

Nazwa	Opis	Wartość
jobOutputType (Typ zadania)	[Wymagane] Określa typ zadania.	"CustomModel" (wymagane)
tryb	Tryb dostarczania zasobów wyjściowych.	"ReadWriteMount" "Przekaż"
URI	Identyfikator URI elementu zawartości wyjściowej.	ciąg

CustomNCrossValidations (Walidacje niestandardowych dokumentów)

Nazwa	Opis	Wartość
tryb	[Wymagane] Tryb określania poprawności N-Cross.	"Niestandardowy" (wymagany)
wartość	[Wymagane] N-Cross validations wartość.	int (wymagane)

Niestandardowa sezonowość

Nazwa	Opis	Wartość
tryb	[Wymagane] Tryb sezonowości.	"Niestandardowy" (wymagany)
wartość	[Wymagane] Wartość sezonowości.	int (wymagane)

CustomTargetLags (Niestandardowe opóźnienia)

Nazwa	Opis	Wartość
tryb	[Wymagane] Ustawianie trybu opóźnień docelowych — automatyczne/niestandardowe	"Niestandardowy" (wymagany)
Wartości	[Wymagane] Ustaw wartości opóźnień docelowych.	int[] (wymagane)

CustomTargetRollingWindowSize (Niestandardowy rozmiarDocelowegoPrzewijaniaOkna)

Nazwa	Opis	Wartość
tryb	[Wymagane] TargetRollingWindowSiz detection mode (Tryb wykrywania TargetRollingWindowSiz).	"Niestandardowy" (wymagany)
wartość	[Wymagane] Wartość TargetRollingWindowSize.	int (wymagane)

Rozkładkonfiguracja

Nazwa	Opis	Wartość
distributionType (typ dystrybucji)	Ustaw wartość "Mpi" dla typu Mpi. Dla typu PyTorch ustaw wartość "PyTorch". Dla typu TensorFlow ustaw wartość "TensorFlow".	"Mpi" "PyTorch" "TensorFlow" (wymagany)

Polityka Wczesnej Terminacji

Nazwa	Opis	Wartość
delayEvaluation (opóźnienie)	Liczba interwałów, według których należy opóźnić pierwszą ocenę.	int (integer)
Parametr evaluationInterval (interwał oceny)	Interwał (liczba przebiegów) między ocenami zasad.	int (integer)
policyType (typ polityki)	Ustaw wartość "Bandit" dla typu BanditPolicy. Ustaw wartość "MedianStopping" dla typu MedianStoppingPolicy. Ustaw wartość "TruncationSelection" dla typu TruncationSelectionPolicy.	"Bandit" "MedianStopping" "Obcięcie wyboru" (wymagane)

PrognozaHorizon

Nazwa	Opis	Wartość
tryb	Ustaw wartość "Auto" dla typu AutoForecastHorizon. Dla typu CustomForecastHorizon ustaw wartość "CustomForecastHorizon".	"Auto" "Niestandardowy" (wymagany)

Prognozowanie

Nazwa	Opis	Wartość
allowedModels (dozwolone modele)	Dozwolone modele do zadania prognozowania.	Tablica ciągów zawierająca dowolną z: "Arimax" "AutoArima" "Średnia" "DecisionTree" "ElasticNet" "ExponentialSmoothing" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "Naiwny" "Prorok" "RandomForest" "Sezonowa wyrównywacz" "SeasonalNaive" "SGD" "TCNForecaster" "XGBoostRegressor"
blockedModels (zablokowaneModele)	Zablokowane modele do zadania prognozowania.	Tablica ciągów zawierająca dowolną z: "Arimax" "AutoArima" "Średnia" "DecisionTree" "ElasticNet" "ExponentialSmoothing" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "Naiwny" "Prorok" "RandomForest" "Sezonowa wyrównywacz" "SeasonalNaive" "SGD" "TCNForecaster" "XGBoostRegressor"
dataSettings (Ustawienia danych)	Dane wejściowe dla AutoMLJob.	TableVerticalDataSettings (Ustawienia danych tabeli)
cechowanieUstawienia	Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML.	TableVerticalFeaturizationSettings
prognozowanieUstawienia	Prognozowanie danych wejściowych specyficznych dla zadania.	PrognozowanieUstawienia
limitSettings (ustawienia limitu)	Ograniczenia wykonywania dla zadania AutoMLJob.	TableVerticalLimitSettings (Ustawienia stołu)
primaryMetric (podstawowy)	Podstawowa metryka zadania prognozowania.	"NormalizedMeanAbsoluteError" "NormalizedRootMeanSquaredError" "R2Score" "SpearmanCorrelation"
typ zadania	[Wymagane] Typ zadania dla zadania AutoMLJob.	"Prognozowanie" (wymagane)
trainingSettings (ustawienia szkolenia)	Dane wejściowe fazy trenowania zadania automatycznego uczenia maszynowego.	Ustawienia treningu

PrognozowanieUstawienia

Nazwa	Opis	Wartość
countryOrRegionForHolidays	Kraj lub region świąt na potrzeby prognozowania zadań. Powinny to być dwuliterowe kody kraju/regionu ISO 3166, na przykład "USA" lub "GB".	ciąg
cvStepSize (Rozmiar_kroku)	Liczba krosek między godziną początkową jednego składania CV a następnym fałszem. Dla na przykład jeśli `CVStepSize` = 3 dla danych dziennych, czas pochodzenia dla każdego fałdu będzie trzy dni od siebie.	int (integer)
featureLags (Opóźnienia)	Flaga generowania opóźnień dla funkcji liczbowych z wartością "auto" lub null.	"Auto" "Brak"
prognozaHoryzont	Żądany maksymalny horyzont prognozy w jednostkach częstotliwości szeregów czasowych.	PrognozaHorizon
częstotliwość	Podczas prognozowania ten parametr reprezentuje okres, z którym jest wymagana prognoza, na przykład codziennie, co tydzień, co rok itp. Częstotliwość prognozowania to częstotliwość zestawów danych domyślnie.	ciąg
Sezonowości	Ustaw sezonowość szeregów czasowych jako liczbę całkowitą z częstotliwością serii. Jeśli sezonowość jest ustawiona na wartość "auto", zostanie ona wywnioskowana.	Sezonowości
shortSeriesHandlingConfig (konfiguracja krótkiego zestawu)	Parametr definiujący sposób obsługi krótkich szeregów czasowych przez rozwiązanie AutoML.	"Auto" "Upuść" "Brak" "Pad"
targetAggregateFunction (funkcja celu)	Funkcja używana do agregowania kolumny docelowej szeregów czasowych w celu zachowania zgodności z określoną częstotliwością użytkownika. Jeśli parametr TargetAggregateFunction jest ustawiony, tj. nie "Brak", ale parametr freq nie jest ustawiony, zostanie zgłoszony błąd. Możliwe funkcje agregacji docelowej to: "sum", "max", "min" i "mean".	"Max" "Średnia" "Min" "Brak" "Suma"
targetLags (Opóźnienia docelowe)	Liczba poprzednich okresów do opóźnienia z kolumny docelowej.	Opóźnienie docelowe
targetRollingWindowSize (rozmiarOkna toczenia)	Liczba poprzednich okresów użytych do utworzenia średniej okna kroczącego kolumny docelowej.	TargetRollingWindowSize (Rozmiar okna toczącego)
timeColumnName (nazwa_kolumny)	Nazwa kolumny czasowej. Ten parametr jest wymagany podczas prognozowania w celu określenia kolumny datetime w danych wejściowych używanych do tworzenia szeregów czasowych i wnioskowania o jego częstotliwości.	ciąg
timeSeriesIdColumnNames	Nazwy kolumn używanych do grupowania czasowników. Może służyć do tworzenia wielu serii. Jeśli ziarno nie jest zdefiniowane, zakłada się, że zestaw danych jest jednym szeregem czasowym. Ten parametr jest używany z prognozowaniem typu zadania.	ciąg znakowy[]
useStl (Język Angielski)	Skonfiguruj dekompozycję STL kolumny docelowej szeregów czasowych.	"Brak" "Sezon" "SeasonTrend"

Algorytm próbkowania siatki

Nazwa	Opis	Wartość
samplingAlgorithmType	[Wymagane] Algorytm używany do generowania wartości hiperparametrów wraz z właściwościami konfiguracji	"Siatka" (wymagana)

IdentityConfiguration

Nazwa	Opis	Wartość
identityType (typ tożsamości)	Dla typu AmlToken ustaw wartość "AMLToken". Dla typu ManagedIdentity ustaw wartość "Managed". Ustaw wartość "UserIdentity" dla typu UserIdentity.	"AMLToken" "Zarządzane" "UserIdentity" (wymagane)

Klasyfikacja obrazu

Nazwa	Opis	Wartość
dataSettings (Ustawienia danych)	[Wymagane] Zbieranie zarejestrowanych identyfikatorów tabelarycznych zestawów danych i innych ustawień danych wymaganych do trenowania i weryfikowania modeli.	ImageVerticalDataSettings (wymagane)
limitSettings (ustawienia limitu)	[Wymagane] Ogranicz ustawienia zadania automatycznego uczenia maszynowego.	ImageLimitSettings (wymagane)
modelSettings (Ustawienia modelu)	Ustawienia używane do trenowania modelu.	ImageModelSettingsClassification
primaryMetric (podstawowy)	Podstawowa metryka do optymalizacji pod kątem tego zadania.	"Dokładność" "AUCWeighted" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted"
searchPrzestrzeń	Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów.	Klasyfikacja ImageModelDistributionSettings[]
sweepSettings (Ustawienia zamiatania)	Ustawienia związane z zamiatanie modeli i zamiatanie hiperparametrów.	Ustawienia zamiatania obrazu
typ zadania	[Wymagane] Typ zadania dla zadania AutoMLJob.	"ImageClassification" (wymagane)

ImageClassificationMultilabel

Nazwa	Opis	Wartość
dataSettings (Ustawienia danych)	[Wymagane] Zbieranie zarejestrowanych identyfikatorów tabelarycznych zestawów danych i innych ustawień danych wymaganych do trenowania i weryfikowania modeli.	ImageVerticalDataSettings (wymagane)
limitSettings (ustawienia limitu)	[Wymagane] Ogranicz ustawienia zadania automatycznego uczenia maszynowego.	ImageLimitSettings (wymagane)
modelSettings (Ustawienia modelu)	Ustawienia używane do trenowania modelu.	ImageModelSettingsClassification
primaryMetric (podstawowy)	Podstawowa metryka do optymalizacji pod kątem tego zadania.	"Dokładność" "AUCWeighted" "AveragePrecisionScoreWeighted" "IOU" "NormMacroRecall" "PrecisionScoreWeighted"
searchPrzestrzeń	Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów.	Klasyfikacja ImageModelDistributionSettings[]
sweepSettings (Ustawienia zamiatania)	Ustawienia związane z zamiatanie modeli i zamiatanie hiperparametrów.	Ustawienia zamiatania obrazu
typ zadania	[Wymagane] Typ zadania dla zadania AutoMLJob.	"ImageClassificationMultilabel" (wymagane)

Segmentacja ImageInstanceSegmentation

Nazwa	Opis	Wartość
dataSettings (Ustawienia danych)	[Wymagane] Zbieranie zarejestrowanych identyfikatorów tabelarycznych zestawów danych i innych ustawień danych wymaganych do trenowania i weryfikowania modeli.	ImageVerticalDataSettings (wymagane)
limitSettings (ustawienia limitu)	[Wymagane] Ogranicz ustawienia zadania automatycznego uczenia maszynowego.	ImageLimitSettings (wymagane)
modelSettings (Ustawienia modelu)	Ustawienia używane do trenowania modelu.	ImageModelSettingsObjectDetection
primaryMetric (podstawowy)	Podstawowa metryka do optymalizacji pod kątem tego zadania.	"MeanAveragePrecision"
searchPrzestrzeń	Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów.	ImageModelDistributionSettingsObjectDetection[]
sweepSettings (Ustawienia zamiatania)	Ustawienia związane z zamiatanie modeli i zamiatanie hiperparametrów.	Ustawienia zamiatania obrazu
typ zadania	[Wymagane] Typ zadania dla zadania AutoMLJob.	"ImageInstanceSegmentation" (wymagane)

Ustawienia limitu obrazu

Nazwa	Opis	Wartość
maxConcurrentTrials (Próby maksymalne)	Maksymalna liczba współbieżnych iteracji rozwiązania AutoML.	int (integer)
maxTrials (Próby maks.)	Maksymalna liczba iteracji rozwiązania AutoML.	int (integer)
przerwa czasowa	Limit czasu zadania automatycznego uczenia maszynowego.	ciąg

ImageModelDistributionSettingsClassification

Nazwa	Opis	Wartość
amsGradient (Gradient Sieciowy)	Włącz narzędzie AMSGrad, gdy optymalizator ma wartość "adam" lub "adamw".	ciąg
rozszerzenia	Ustawienia dotyczące używania rozszerzeń.	ciąg
Wersja beta1	Wartość "beta1", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie [0, 1].	ciąg
Wersja beta2	Wartość "beta2", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie [0, 1].	ciąg
Rozproszonych	Czy używać trenowania rozproszonego.	ciąg
wczesneZatrzymywanie	Włącz logikę wczesnego zatrzymywania podczas trenowania.	ciąg
wczesneZatrzymanieOpóźnienie	Minimalna liczba epok lub ocen walidacji, które należy zaczekać przed ulepszeniem podstawowej metryki jest śledzony pod kątem wczesnego zatrzymywania. Musi być dodatnią liczbą całkowitą.	ciąg
wczesnyZatrzymanieCierpliwość	Minimalna liczba epok lub ocen poprawności bez podstawowej poprawy metryki przed przebieg zostanie zatrzymany. Musi być dodatnią liczbą całkowitą.	ciąg
enableOnnxNormalization (włącz normalizację)	Włącz normalizację podczas eksportowania modelu ONNX.	ciąg
Częstotliwość oceny	Częstotliwość oceniania zestawu danych weryfikacji w celu uzyskania wyników metryk. Musi być dodatnią liczbą całkowitą.	ciąg
gradientAccumulationKrok	Akumulacja gradientu oznacza uruchomienie skonfigurowanej liczby kroków "GradAccumulationStep" bez aktualizowanie wag modelu podczas gromadzenia gradientów tych kroków, a następnie przy użyciu skumulowane gradienty do obliczenia aktualizacji wagi. Musi być dodatnią liczbą całkowitą.	ciąg
layersToFreeze (warstwyToFreeze)	Liczba warstw, które mają być blokowane dla modelu. Musi być dodatnią liczbą całkowitą. Na przykład przekazanie wartości 2 jako wartości dla "seresnext" oznacza warstwy zamrażania0 i warstwy 1. Aby uzyskać pełną listę obsługiwanych modeli i szczegółowe informacje na temat blokowania warstwy, proszę zobacz: /azure/machine-learning/how-to-auto-train-image-models.	ciąg
learningRate (Stawka nauki)	Początkowa szybkość nauki. Musi być zmiennoprzecinkowym w zakresie [0, 1].	ciąg
learningRateScheduler (Harmonogram lekcji)	Typ harmonogramu szybkości nauki. Musi być "warmup_cosine" lub "krok".	ciąg
nazwa_modelu	Nazwa modelu do użycia na potrzeby trenowania. Aby uzyskać więcej informacji na temat dostępnych modeli, odwiedź oficjalną dokumentację: /azure/machine-learning/how-to-auto-train-image-models.	ciąg
impet	Wartość tempa, gdy optymalizator ma wartość "sgd". Musi być zmiennoprzecinkowym w zakresie [0, 1].	ciąg
Niestierow	Włącz nesterov, gdy optymalizator ma wartość "sgd".	ciąg
liczbaEpok	Liczba epok treningowych. Musi być dodatnią liczbą całkowitą.	ciąg
liczbaPracowników	Liczba procesów roboczych modułu ładującego dane. Musi być nieujemną liczbą całkowitą.	ciąg
Optimizator	Typ optymalizatora. Musi być albo "sgd", "adam" lub "adamw".	ciąg
randomSeed (Ziarno losowe)	Inicjator losowy, który ma być używany podczas korzystania z trenowania deterministycznego.	ciąg
splitRatio (współczynnik podziału)	Jeśli dane walidacji nie są zdefiniowane, określa to współczynnik podziału dla podziału Trenowanie danych w podzbiorach losowego trenowania i walidacji. Musi być zmiennoprzecinkowym w zakresie [0, 1].	ciąg
stepLRGamma	Wartość gamma, gdy harmonogram szybkości nauki to "krok". Musi być zmiennoprzecinkowym w zakresie [0, 1].	ciąg
stepLRStepSize (rozmiar)	Wartość rozmiaru kroku, gdy harmonogram szybkości nauki to "krok". Musi być dodatnią liczbą całkowitą.	ciąg
trainingBatchSize (rozmiar)	Rozmiar partii trenowania. Musi być dodatnią liczbą całkowitą.	ciąg
trainingCropSize (rozmiar uprawy)	Rozmiar przycinania obrazów wejściowy do sieci neuronowej dla zestawu danych trenowania. Musi być dodatnią liczbą całkowitą.	ciąg
validationBatchSize (validationBatchSize)	Sprawdzanie poprawności rozmiaru partii. Musi być dodatnią liczbą całkowitą.	ciąg
validationCropSize (validationCropSize)	Rozmiar przycinania obrazów wejściowy do sieci neuronowej dla zestawu danych weryfikacji. Musi być dodatnią liczbą całkowitą.	ciąg
validationResizeSizeSize	Rozmiar obrazu, którego rozmiar należy zmienić przed przycięciem do zestawu danych weryfikacji. Musi być dodatnią liczbą całkowitą.	ciąg
rozgrzewkaCosineLRCycles	Wartość cyklu cosinusowego, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być zmiennoprzecinkowym w zakresie [0, 1].	ciąg
rozgrzewkaCosinusLRWarmupEpoki	Wartość epok rozgrzewki, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być dodatnią liczbą całkowitą.	ciąg
wagaRozkład	Wartość rozkładu masy, gdy optymalizator ma wartość "sgd", "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie[0, 1].	ciąg
ważoneLoss	Utrata wagi. Akceptowane wartości to 0 dla bez odchudzania. 1 dla odchudzania z sqrt. (class_weights). 2 dla odchudzania z class_weights. Musi mieć wartość 0 lub 1 lub 2.	ciąg

ImageModelDistributionSettingsObjectDetection

Nazwa	Opis	Wartość
amsGradient (Gradient Sieciowy)	Włącz narzędzie AMSGrad, gdy optymalizator ma wartość "adam" lub "adamw".	ciąg
rozszerzenia	Ustawienia dotyczące używania rozszerzeń.	ciąg
Wersja beta1	Wartość "beta1", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie [0, 1].	ciąg
Wersja beta2	Wartość "beta2", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie [0, 1].	ciąg
boxDetectionsPerImage (WykrywanieObrazu)	Maksymalna liczba wykryć na obrazie dla wszystkich klas. Musi być dodatnią liczbą całkowitą. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".	ciąg
boxScoreThreshold (próg wyniku)	Podczas wnioskowania zwracane są tylko propozycje z oceną klasyfikacji większą niż BoxScoreThreshold. Musi być zmiennoprzecinkowym w zakresie[0, 1].	ciąg
Rozproszonych	Czy używać trenowania rozproszonego.	ciąg
wczesneZatrzymywanie	Włącz logikę wczesnego zatrzymywania podczas trenowania.	ciąg
wczesneZatrzymanieOpóźnienie	Minimalna liczba epok lub ocen walidacji, które należy zaczekać przed ulepszeniem podstawowej metryki jest śledzony pod kątem wczesnego zatrzymywania. Musi być dodatnią liczbą całkowitą.	ciąg
wczesnyZatrzymanieCierpliwość	Minimalna liczba epok lub ocen poprawności bez podstawowej poprawy metryki przed przebieg zostanie zatrzymany. Musi być dodatnią liczbą całkowitą.	ciąg
enableOnnxNormalization (włącz normalizację)	Włącz normalizację podczas eksportowania modelu ONNX.	ciąg
Częstotliwość oceny	Częstotliwość oceniania zestawu danych weryfikacji w celu uzyskania wyników metryk. Musi być dodatnią liczbą całkowitą.	ciąg
gradientAccumulationKrok	Akumulacja gradientu oznacza uruchomienie skonfigurowanej liczby kroków "GradAccumulationStep" bez aktualizowanie wag modelu podczas gromadzenia gradientów tych kroków, a następnie przy użyciu skumulowane gradienty do obliczenia aktualizacji wagi. Musi być dodatnią liczbą całkowitą.	ciąg
rozmiarObrazu	Rozmiar obrazu do trenowania i walidacji. Musi być dodatnią liczbą całkowitą. Uwaga: Przebieg trenowania może dostać się do CUDA OOM, jeśli rozmiar jest zbyt duży. Uwaga: te ustawienia są obsługiwane tylko dla algorytmu "yolov5".	ciąg
layersToFreeze (warstwyToFreeze)	Liczba warstw, które mają być blokowane dla modelu. Musi być dodatnią liczbą całkowitą. Na przykład przekazanie wartości 2 jako wartości dla "seresnext" oznacza warstwy zamrażania0 i warstwy 1. Aby uzyskać pełną listę obsługiwanych modeli i szczegółowe informacje na temat blokowania warstwy, proszę zobacz: /azure/machine-learning/how-to-auto-train-image-models.	ciąg
learningRate (Stawka nauki)	Początkowa szybkość nauki. Musi być zmiennoprzecinkowym w zakresie [0, 1].	ciąg
learningRateScheduler (Harmonogram lekcji)	Typ harmonogramu szybkości nauki. Musi być "warmup_cosine" lub "krok".	ciąg
maksymalnyRozmiar	Maksymalny rozmiar obrazu do ponownego skalowania przed przesłaniem go do sieci szkieletowej. Musi być dodatnią liczbą całkowitą. Uwaga: przebieg trenowania może dostać się do CUDA OOM, jeśli rozmiar jest zbyt duży. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".	ciąg
minSize (minimalny rozmiar)	Minimalny rozmiar obrazu do ponownego skalowania przed przesłaniem go do sieci szkieletowej. Musi być dodatnią liczbą całkowitą. Uwaga: przebieg trenowania może dostać się do CUDA OOM, jeśli rozmiar jest zbyt duży. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".	ciąg
nazwa_modelu	Nazwa modelu do użycia na potrzeby trenowania. Aby uzyskać więcej informacji na temat dostępnych modeli, odwiedź oficjalną dokumentację: /azure/machine-learning/how-to-auto-train-image-models.	ciąg
modelSize (Rozmiar modelu)	Rozmiar modelu. Musi być "mały", "średni", "duży" lub "xlarge". Uwaga: przebieg trenowania może dostać się do cudA OOM, jeśli rozmiar modelu jest zbyt duży. Uwaga: te ustawienia są obsługiwane tylko dla algorytmu "yolov5".	ciąg
impet	Wartość tempa, gdy optymalizator ma wartość "sgd". Musi być zmiennoprzecinkowym w zakresie [0, 1].	ciąg
wieloskalowa	Włącz obraz wieloskalowy, zmieniając rozmiar obrazu o +/- 50%. Uwaga: przebieg trenowania może dostać się do funkcji CUDA OOM, jeśli nie ma wystarczającej ilości pamięci procesora GPU. Uwaga: te ustawienia są obsługiwane tylko dla algorytmu "yolov5".	ciąg
Niestierow	Włącz nesterov, gdy optymalizator ma wartość "sgd".	ciąg
nmsIouThreshold (Próg nmsIou)	Próg operacji we/wy używany podczas wnioskowania w procesie przetwarzania końcowego NMS. Musi być zmiennoprzecinkowy w zakresie [0, 1].	ciąg
liczbaEpok	Liczba epok treningowych. Musi być dodatnią liczbą całkowitą.	ciąg
liczbaPracowników	Liczba procesów roboczych modułu ładującego dane. Musi być nieujemną liczbą całkowitą.	ciąg
Optimizator	Typ optymalizatora. Musi być albo "sgd", "adam" lub "adamw".	ciąg
randomSeed (Ziarno losowe)	Inicjator losowy, który ma być używany podczas korzystania z trenowania deterministycznego.	ciąg
splitRatio (współczynnik podziału)	Jeśli dane walidacji nie są zdefiniowane, określa to współczynnik podziału dla podziału Trenowanie danych w podzbiorach losowego trenowania i walidacji. Musi być zmiennoprzecinkowym w zakresie [0, 1].	ciąg
stepLRGamma	Wartość gamma, gdy harmonogram szybkości nauki to "krok". Musi być zmiennoprzecinkowym w zakresie [0, 1].	ciąg
stepLRStepSize (rozmiar)	Wartość rozmiaru kroku, gdy harmonogram szybkości nauki to "krok". Musi być dodatnią liczbą całkowitą.	ciąg
tileGridSize (rozmiar siatki)	Rozmiar siatki do użycia do układania każdego obrazu. Uwaga: TileGridSize nie może być Brak do włączenia małej logiki wykrywania obiektów. Ciąg zawierający dwie liczby całkowite w formacie mxn. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".	ciąg
tileOverlapRatio (współczynnik nakładania się)	Współczynnik nakładania się między sąsiednimi kafelkami w każdym wymiarze. Musi być zmiennoprzecinkowy w zakresie [0, 1). Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".	ciąg
tilePredictionsNmsThreshold	Próg operacji we/wy używany do wykonywania nms podczas scalania przewidywań z kafelków i obrazów. Używany w walidacji/wnioskowaniu. Musi być zmiennoprzecinkowy w zakresie [0, 1]. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5". NMS: brak maksymalnego pomijania	ciąg
trainingBatchSize (rozmiar)	Rozmiar partii trenowania. Musi być dodatnią liczbą całkowitą.	ciąg
validationBatchSize (validationBatchSize)	Sprawdzanie poprawności rozmiaru partii. Musi być dodatnią liczbą całkowitą.	ciąg
validationIouThreshold (próg walidacji)	Próg operacji we/wy do użycia podczas obliczania metryki walidacji. Musi być zmiennoprzecinkowy w zakresie [0, 1].	ciąg
validationMetricType	Metoda obliczeniowa metryki do użycia na potrzeby metryk walidacji. Musi mieć wartość "none", "coco", "voc" lub "coco_voc".	ciąg
rozgrzewkaCosineLRCycles	Wartość cyklu cosinusowego, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być zmiennoprzecinkowym w zakresie [0, 1].	ciąg
rozgrzewkaCosinusLRWarmupEpoki	Wartość epok rozgrzewki, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być dodatnią liczbą całkowitą.	ciąg
wagaRozkład	Wartość rozkładu masy, gdy optymalizator ma wartość "sgd", "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie[0, 1].	ciąg

ImageModelSettingsClassification

Nazwa	Opis	Wartość
zaawansowaneUstawienia	Ustawienia dla zaawansowanych scenariuszy.	ciąg
amsGradient (Gradient Sieciowy)	Włącz narzędzie AMSGrad, gdy optymalizator ma wartość "adam" lub "adamw".	Bool
rozszerzenia	Ustawienia dotyczące używania rozszerzeń.	ciąg
Wersja beta1	Wartość "beta1", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie [0, 1].	int (integer)
Wersja beta2	Wartość "beta2", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie [0, 1].	int (integer)
checkpointDatasetId	Identyfikator zestawu danych FileDataset dla wstępnie wytrenowanych punktów kontrolnych na potrzeby trenowania przyrostowego. Upewnij się, że przekazujesz CheckpointFilename wraz z CheckpointDatasetId.	ciąg
checkpointFilename (nazwa pliku)	Wstępnie wytrenowana nazwa pliku punktu kontrolnego w plikuDataset na potrzeby trenowania przyrostowego. Upewnij się, że przekazujesz CheckpointDatasetId wraz z CheckpointFilename.	ciąg
checkpointCzęstotliwość	Częstotliwość przechowywania punktów kontrolnych modelu. Musi być dodatnią liczbą całkowitą.	int (integer)
checkpointRunId (identyfikator biegu)	Identyfikator poprzedniego przebiegu, który ma wstępnie wytrenowany punkt kontrolny na potrzeby trenowania przyrostowego.	ciąg
Rozproszonych	Czy używać trenowania rozproszonego.	Bool
wczesneZatrzymywanie	Włącz logikę wczesnego zatrzymywania podczas trenowania.	Bool
wczesneZatrzymanieOpóźnienie	Minimalna liczba epok lub ocen walidacji, które należy zaczekać przed ulepszeniem podstawowej metryki jest śledzony pod kątem wczesnego zatrzymywania. Musi być dodatnią liczbą całkowitą.	int (integer)
wczesnyZatrzymanieCierpliwość	Minimalna liczba epok lub ocen poprawności bez podstawowej poprawy metryki przed przebieg zostanie zatrzymany. Musi być dodatnią liczbą całkowitą.	int (integer)
enableOnnxNormalization (włącz normalizację)	Włącz normalizację podczas eksportowania modelu ONNX.	Bool
Częstotliwość oceny	Częstotliwość oceniania zestawu danych weryfikacji w celu uzyskania wyników metryk. Musi być dodatnią liczbą całkowitą.	int (integer)
gradientAccumulationKrok	Akumulacja gradientu oznacza uruchomienie skonfigurowanej liczby kroków "GradAccumulationStep" bez aktualizowanie wag modelu podczas gromadzenia gradientów tych kroków, a następnie przy użyciu skumulowane gradienty do obliczenia aktualizacji wagi. Musi być dodatnią liczbą całkowitą.	int (integer)
layersToFreeze (warstwyToFreeze)	Liczba warstw, które mają być blokowane dla modelu. Musi być dodatnią liczbą całkowitą. Na przykład przekazanie wartości 2 jako wartości dla "seresnext" oznacza warstwy zamrażania0 i warstwy 1. Aby uzyskać pełną listę obsługiwanych modeli i szczegółowe informacje na temat blokowania warstwy, proszę zobacz: /azure/machine-learning/how-to-auto-train-image-models.	int (integer)
learningRate (Stawka nauki)	Początkowa szybkość nauki. Musi być zmiennoprzecinkowym w zakresie [0, 1].	int (integer)
learningRateScheduler (Harmonogram lekcji)	Typ harmonogramu szybkości nauki. Musi być "warmup_cosine" lub "krok".	"Brak" "Krok" "WarmupCosine"
nazwa_modelu	Nazwa modelu do użycia na potrzeby trenowania. Aby uzyskać więcej informacji na temat dostępnych modeli, odwiedź oficjalną dokumentację: /azure/machine-learning/how-to-auto-train-image-models.	ciąg
impet	Wartość tempa, gdy optymalizator ma wartość "sgd". Musi być zmiennoprzecinkowym w zakresie [0, 1].	int (integer)
Niestierow	Włącz nesterov, gdy optymalizator ma wartość "sgd".	Bool
liczbaEpok	Liczba epok treningowych. Musi być dodatnią liczbą całkowitą.	int (integer)
liczbaPracowników	Liczba procesów roboczych modułu ładującego dane. Musi być nieujemną liczbą całkowitą.	int (integer)
Optimizator	Typ optymalizatora.	"Adam" "Adamw" "Brak" "Sgd"
randomSeed (Ziarno losowe)	Inicjator losowy, który ma być używany podczas korzystania z trenowania deterministycznego.	int (integer)
splitRatio (współczynnik podziału)	Jeśli dane walidacji nie są zdefiniowane, określa to współczynnik podziału dla podziału Trenowanie danych w podzbiorach losowego trenowania i walidacji. Musi być zmiennoprzecinkowym w zakresie [0, 1].	int (integer)
stepLRGamma	Wartość gamma, gdy harmonogram szybkości nauki to "krok". Musi być zmiennoprzecinkowym w zakresie [0, 1].	int (integer)
stepLRStepSize (rozmiar)	Wartość rozmiaru kroku, gdy harmonogram szybkości nauki to "krok". Musi być dodatnią liczbą całkowitą.	int (integer)
trainingBatchSize (rozmiar)	Rozmiar partii trenowania. Musi być dodatnią liczbą całkowitą.	int (integer)
trainingCropSize (rozmiar uprawy)	Rozmiar przycinania obrazów wejściowy do sieci neuronowej dla zestawu danych trenowania. Musi być dodatnią liczbą całkowitą.	int (integer)
validationBatchSize (validationBatchSize)	Sprawdzanie poprawności rozmiaru partii. Musi być dodatnią liczbą całkowitą.	int (integer)
validationCropSize (validationCropSize)	Rozmiar przycinania obrazów wejściowy do sieci neuronowej dla zestawu danych weryfikacji. Musi być dodatnią liczbą całkowitą.	int (integer)
validationResizeSizeSize	Rozmiar obrazu, którego rozmiar należy zmienić przed przycięciem do zestawu danych weryfikacji. Musi być dodatnią liczbą całkowitą.	int (integer)
rozgrzewkaCosineLRCycles	Wartość cyklu cosinusowego, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być zmiennoprzecinkowym w zakresie [0, 1].	int (integer)
rozgrzewkaCosinusLRWarmupEpoki	Wartość epok rozgrzewki, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być dodatnią liczbą całkowitą.	int (integer)
wagaRozkład	Wartość rozkładu masy, gdy optymalizator ma wartość "sgd", "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie[0, 1].	int (integer)
ważoneLoss	Utrata wagi. Akceptowane wartości to 0 dla bez odchudzania. 1 dla odchudzania z sqrt. (class_weights). 2 dla odchudzania z class_weights. Musi mieć wartość 0 lub 1 lub 2.	int (integer)

ImageModelSettingsObjectDetection

Nazwa	Opis	Wartość
zaawansowaneUstawienia	Ustawienia dla zaawansowanych scenariuszy.	ciąg
amsGradient (Gradient Sieciowy)	Włącz narzędzie AMSGrad, gdy optymalizator ma wartość "adam" lub "adamw".	Bool
rozszerzenia	Ustawienia dotyczące używania rozszerzeń.	ciąg
Wersja beta1	Wartość "beta1", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie [0, 1].	int (integer)
Wersja beta2	Wartość "beta2", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie [0, 1].	int (integer)
boxDetectionsPerImage (WykrywanieObrazu)	Maksymalna liczba wykryć na obrazie dla wszystkich klas. Musi być dodatnią liczbą całkowitą. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".	int (integer)
boxScoreThreshold (próg wyniku)	Podczas wnioskowania zwracane są tylko propozycje z oceną klasyfikacji większą niż BoxScoreThreshold. Musi być zmiennoprzecinkowym w zakresie[0, 1].	int (integer)
checkpointDatasetId	Identyfikator zestawu danych FileDataset dla wstępnie wytrenowanych punktów kontrolnych na potrzeby trenowania przyrostowego. Upewnij się, że przekazujesz CheckpointFilename wraz z CheckpointDatasetId.	ciąg
checkpointFilename (nazwa pliku)	Wstępnie wytrenowana nazwa pliku punktu kontrolnego w plikuDataset na potrzeby trenowania przyrostowego. Upewnij się, że przekazujesz CheckpointDatasetId wraz z CheckpointFilename.	ciąg
checkpointCzęstotliwość	Częstotliwość przechowywania punktów kontrolnych modelu. Musi być dodatnią liczbą całkowitą.	int (integer)
checkpointRunId (identyfikator biegu)	Identyfikator poprzedniego przebiegu, który ma wstępnie wytrenowany punkt kontrolny na potrzeby trenowania przyrostowego.	ciąg
Rozproszonych	Czy używać trenowania rozproszonego.	Bool
wczesneZatrzymywanie	Włącz logikę wczesnego zatrzymywania podczas trenowania.	Bool
wczesneZatrzymanieOpóźnienie	Minimalna liczba epok lub ocen walidacji, które należy zaczekać przed ulepszeniem podstawowej metryki jest śledzony pod kątem wczesnego zatrzymywania. Musi być dodatnią liczbą całkowitą.	int (integer)
wczesnyZatrzymanieCierpliwość	Minimalna liczba epok lub ocen poprawności bez podstawowej poprawy metryki przed przebieg zostanie zatrzymany. Musi być dodatnią liczbą całkowitą.	int (integer)
enableOnnxNormalization (włącz normalizację)	Włącz normalizację podczas eksportowania modelu ONNX.	Bool
Częstotliwość oceny	Częstotliwość oceniania zestawu danych weryfikacji w celu uzyskania wyników metryk. Musi być dodatnią liczbą całkowitą.	int (integer)
gradientAccumulationKrok	Akumulacja gradientu oznacza uruchomienie skonfigurowanej liczby kroków "GradAccumulationStep" bez aktualizowanie wag modelu podczas gromadzenia gradientów tych kroków, a następnie przy użyciu skumulowane gradienty do obliczenia aktualizacji wagi. Musi być dodatnią liczbą całkowitą.	int (integer)
rozmiarObrazu	Rozmiar obrazu do trenowania i walidacji. Musi być dodatnią liczbą całkowitą. Uwaga: Przebieg trenowania może dostać się do CUDA OOM, jeśli rozmiar jest zbyt duży. Uwaga: te ustawienia są obsługiwane tylko dla algorytmu "yolov5".	int (integer)
layersToFreeze (warstwyToFreeze)	Liczba warstw, które mają być blokowane dla modelu. Musi być dodatnią liczbą całkowitą. Na przykład przekazanie wartości 2 jako wartości dla "seresnext" oznacza warstwy zamrażania0 i warstwy 1. Aby uzyskać pełną listę obsługiwanych modeli i szczegółowe informacje na temat blokowania warstwy, proszę zobacz: /azure/machine-learning/how-to-auto-train-image-models.	int (integer)
learningRate (Stawka nauki)	Początkowa szybkość nauki. Musi być zmiennoprzecinkowym w zakresie [0, 1].	int (integer)
learningRateScheduler (Harmonogram lekcji)	Typ harmonogramu szybkości nauki. Musi być "warmup_cosine" lub "krok".	"Brak" "Krok" "WarmupCosine"
maksymalnyRozmiar	Maksymalny rozmiar obrazu do ponownego skalowania przed przesłaniem go do sieci szkieletowej. Musi być dodatnią liczbą całkowitą. Uwaga: przebieg trenowania może dostać się do CUDA OOM, jeśli rozmiar jest zbyt duży. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".	int (integer)
minSize (minimalny rozmiar)	Minimalny rozmiar obrazu do ponownego skalowania przed przesłaniem go do sieci szkieletowej. Musi być dodatnią liczbą całkowitą. Uwaga: przebieg trenowania może dostać się do CUDA OOM, jeśli rozmiar jest zbyt duży. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".	int (integer)
nazwa_modelu	Nazwa modelu do użycia na potrzeby trenowania. Aby uzyskać więcej informacji na temat dostępnych modeli, odwiedź oficjalną dokumentację: /azure/machine-learning/how-to-auto-train-image-models.	ciąg
modelSize (Rozmiar modelu)	Rozmiar modelu. Musi być "mały", "średni", "duży" lub "xlarge". Uwaga: przebieg trenowania może dostać się do cudA OOM, jeśli rozmiar modelu jest zbyt duży. Uwaga: te ustawienia są obsługiwane tylko dla algorytmu "yolov5".	"ExtraLarge" "Duży" "Średni" "Brak" "Mały"
impet	Wartość tempa, gdy optymalizator ma wartość "sgd". Musi być zmiennoprzecinkowym w zakresie [0, 1].	int (integer)
wieloskalowa	Włącz obraz wieloskalowy, zmieniając rozmiar obrazu o +/- 50%. Uwaga: przebieg trenowania może dostać się do funkcji CUDA OOM, jeśli nie ma wystarczającej ilości pamięci procesora GPU. Uwaga: te ustawienia są obsługiwane tylko dla algorytmu "yolov5".	Bool
Niestierow	Włącz nesterov, gdy optymalizator ma wartość "sgd".	Bool
nmsIouThreshold (Próg nmsIou)	Próg operacji we/wy używany podczas wnioskowania w procesie przetwarzania końcowego NMS. Musi być zmiennoprzecinkowym w zakresie [0, 1].	int (integer)
liczbaEpok	Liczba epok treningowych. Musi być dodatnią liczbą całkowitą.	int (integer)
liczbaPracowników	Liczba procesów roboczych modułu ładującego dane. Musi być nieujemną liczbą całkowitą.	int (integer)
Optimizator	Typ optymalizatora.	"Adam" "Adamw" "Brak" "Sgd"
randomSeed (Ziarno losowe)	Inicjator losowy, który ma być używany podczas korzystania z trenowania deterministycznego.	int (integer)
splitRatio (współczynnik podziału)	Jeśli dane walidacji nie są zdefiniowane, określa to współczynnik podziału dla podziału Trenowanie danych w podzbiorach losowego trenowania i walidacji. Musi być zmiennoprzecinkowym w zakresie [0, 1].	int (integer)
stepLRGamma	Wartość gamma, gdy harmonogram szybkości nauki to "krok". Musi być zmiennoprzecinkowym w zakresie [0, 1].	int (integer)
stepLRStepSize (rozmiar)	Wartość rozmiaru kroku, gdy harmonogram szybkości nauki to "krok". Musi być dodatnią liczbą całkowitą.	int (integer)
tileGridSize (rozmiar siatki)	Rozmiar siatki do użycia do układania każdego obrazu. Uwaga: TileGridSize nie może być Brak do włączenia małej logiki wykrywania obiektów. Ciąg zawierający dwie liczby całkowite w formacie mxn. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".	ciąg
tileOverlapRatio (współczynnik nakładania się)	Współczynnik nakładania się między sąsiednimi kafelkami w każdym wymiarze. Musi być zmiennoprzecinkowy w zakresie [0, 1). Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".	int (integer)
tilePredictionsNmsThreshold	Próg operacji we/wy używany do wykonywania nms podczas scalania przewidywań z kafelków i obrazów. Używany w walidacji/wnioskowaniu. Musi być zmiennoprzecinkowy w zakresie [0, 1]. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".	int (integer)
trainingBatchSize (rozmiar)	Rozmiar partii trenowania. Musi być dodatnią liczbą całkowitą.	int (integer)
validationBatchSize (validationBatchSize)	Sprawdzanie poprawności rozmiaru partii. Musi być dodatnią liczbą całkowitą.	int (integer)
validationIouThreshold (próg walidacji)	Próg operacji we/wy do użycia podczas obliczania metryki walidacji. Musi być zmiennoprzecinkowy w zakresie [0, 1].	int (integer)
validationMetricType	Metoda obliczeniowa metryki do użycia na potrzeby metryk walidacji.	"Coco" "CocoVoc" "Brak" "Voc"
rozgrzewkaCosineLRCycles	Wartość cyklu cosinusowego, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być zmiennoprzecinkowym w zakresie [0, 1].	int (integer)
rozgrzewkaCosinusLRWarmupEpoki	Wartość epok rozgrzewki, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być dodatnią liczbą całkowitą.	int (integer)
wagaRozkład	Wartość rozkładu masy, gdy optymalizator ma wartość "sgd", "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie[0, 1].	int (integer)

ImageObjectDetection

Nazwa	Opis	Wartość
dataSettings (Ustawienia danych)	[Wymagane] Zbieranie zarejestrowanych identyfikatorów tabelarycznych zestawów danych i innych ustawień danych wymaganych do trenowania i weryfikowania modeli.	ImageVerticalDataSettings (wymagane)
limitSettings (ustawienia limitu)	[Wymagane] Ogranicz ustawienia zadania automatycznego uczenia maszynowego.	ImageLimitSettings (wymagane)
modelSettings (Ustawienia modelu)	Ustawienia używane do trenowania modelu.	ImageModelSettingsObjectDetection
primaryMetric (podstawowy)	Podstawowa metryka do optymalizacji pod kątem tego zadania.	"MeanAveragePrecision"
searchPrzestrzeń	Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów.	ImageModelDistributionSettingsObjectDetection[]
sweepSettings (Ustawienia zamiatania)	Ustawienia związane z zamiatanie modeli i zamiatanie hiperparametrów.	Ustawienia zamiatania obrazu
typ zadania	[Wymagane] Typ zadania dla zadania AutoMLJob.	"ImageObjectDetection" (wymagane)

Ustawienia ImageSweepLimitSettings

Nazwa	Opis	Wartość
maxConcurrentTrials (Próby maksymalne)	Maksymalna liczba współbieżnych iteracji dla bazowego zadania zamiatania.	int (integer)
maxTrials (Próby maks.)	Maksymalna liczba iteracji dla bazowego zadania zamiatania.	int (integer)

Ustawienia zamiatania obrazu

Nazwa	Opis	Wartość
wczesneWypowiedzenie	Typ zasad wczesnego kończenia.	Polityka Wczesnej Terminacji
limity	[Wymagane] Ogranicz ustawienia dla zamiatania modeli i zamiatania hiperparametrów.	ImageSweepLimitSettings (wymagane)
próbkowanieAlgorithm	[Wymagane] Typ algorytmów próbkowania hiperparametrów.	"Bayesian" "Siatka" "Losowe" (wymagane)

ImageVerticalDataSettings (Ustawienia danych obrazu)

Nazwa	Opis	Wartość
targetColumnName (nazwa_kolumny)	[Wymagane] Nazwa kolumny docelowej: jest to kolumna wartości przewidywania. Znana również jako nazwa kolumny etykiety w kontekście zadań klasyfikacji.	struna Ograniczenia: Wzorzec = `[a-zA-Z0-9_]` (wymagane)
testData (dane testowe)	Testowanie danych wejściowych.	TestDataSettings
trainingData (dane szkoleniowe)	[Wymagane] Dane wejściowe danych treningowych.	TrainingDataSettings (wymagane)
validationData (Dane walidacji)	Ustawienia zestawu danych walidacji.	ImageVerticalValidationDataSettings

ImageVerticalValidationDataSettings

Nazwa	Opis	Wartość
dane	Dane walidacji MLTable.	MLTableJobInput
validationDataSize (validationDataSize)	Ułamek zestawu danych trenowania, który należy odłożyć na potrzeby walidacji. Wartości z zakresu (0.0, 1.0) Zastosowano, gdy zestaw danych weryfikacji nie został podany.	int (integer)

JobBaseDetails (Szczegóły bazy zadań)

Nazwa	Opis	Wartość
computeId (identyfikator obliczeniowy)	Identyfikator zasobu usługi ARM zasobu obliczeniowego.	ciąg
opis	Tekst opisu zasobu.	ciąg
nazwa wyświetlana	Nazwa wyświetlana zadania.	ciąg
experimentName (nazwa eksperymentu)	Nazwa eksperymentu, do którego należy zadanie. Jeśli nie zostanie ustawione, zadanie zostanie umieszczone w eksperymencie "Domyślny".	ciąg
tożsamość	Konfiguracja tożsamości. W przypadku ustawienia powinna to być jedna z wartości AmlToken, ManagedIdentity, UserIdentity lub null. Wartość domyślna to AmlToken, jeśli ma wartość null.	IdentityConfiguration
isArchived (zarchiwizowany)	Czy zasób jest archiwizowany?	Bool
rodzaj pracy	Ustaw wartość "AutoML" dla typu AutoMLJob. Ustaw wartość "Command" dla typu CommandJob. Dla typu PipelineJob ustaw wartość "Pipeline". Ustaw wartość "Zamiatanie" dla typu SweepJob.	"AutoML" "Polecenie" "Potok" "Zamiatanie" (wymagane)
właściwości	Słownik właściwości elementu zawartości.	Właściwości bazy danych ResourceBase
grafik	Definiowanie harmonogramu pracy. Jeśli harmonogram nie zostanie podany, zadanie zostanie uruchomione raz i natychmiast po przesłaniu.	Baza harmonogramu
usługi	Lista punktów zadań. W przypadku zadań lokalnych punkt końcowy zadania będzie miał wartość punktu końcowego FileStreamObject.	Usługi JobBaseServices
Etykiety	Słownik tagów. Tagi można dodawać, usuwać i aktualizować.	Tagi ResourceBaseTags

Usługi JobBaseServices

Nazwa	Opis	Wartość

JobInput (Wejście zadania)

Nazwa	Opis	Wartość
opis	Opis danych wejściowych.	ciąg
jobInputType (typ wejścia)	Ustaw wartość "CustomModel" dla typu CustomModelJobInput. Ustaw wartość "Literal" dla typu LiteralJobInput. Ustaw wartość "MLFlowModel" dla typu MLFlowModelJobInput. Ustaw wartość "MLTable" dla typu MLTableJobInput. Ustaw wartość "TritonModel" dla typu TritonModelJobInput. Ustaw wartość "UriFile" dla typu UriFileJobInput. Ustaw wartość "UriFolder" dla typu UriFolderJobInput.	"CustomModel" "Dosłownie" "MLFlowModel" "MLTable" "TritonModel" "UriFile" "UriFolder" (wymagany)

Dane wyjściowe zadania

Nazwa	Opis	Wartość
opis	Opis danych wyjściowych.	ciąg
jobOutputType (Typ zadania)	Ustaw wartość "CustomModel" dla typu CustomModelJobOutput. Ustaw wartość "MLFlowModel" dla typu MLFlowModelJobOutput. Ustaw wartość "MLTable" dla typu MLTableJobOutput. Ustaw wartość "TritonModel" dla typu TritonModelJobOutput. Ustaw wartość "UriFile" dla typu UriFileJobOutput. Ustaw wartość "UriFolder" dla typu UriFolderJobOutput.	"CustomModel" "MLFlowModel" "MLTable" "TritonModel" "UriFile" "UriFolder" (wymagany)

Serwis Pracy

Nazwa	Opis	Wartość
punkt końcowy	Adres URL punktu końcowego.	ciąg
jobServiceType (typ usługi)	Typ punktu końcowego.	ciąg
port	Port dla punktu końcowego.	int (integer)
właściwości	Dodatkowe właściwości do ustawienia w punkcie końcowym.	Właściwości usługi zadań

Właściwości usługi zadań

Nazwa	Opis	Wartość

LiterałJobInput

Nazwa	Opis	Wartość
jobInputType (typ wejścia)	[Wymagane] Określa typ zadania.	"Dosłowny" (wymagane)
wartość	[Wymagane] Wartość literału dla danych wejściowych.	struna Ograniczenia: Wzorzec = `[a-zA-Z0-9_]` (wymagane)

Identyfikator zarządzany

Nazwa	Opis	Wartość
clientId (identyfikator klienta)	Określa tożsamość przypisaną przez użytkownika według identyfikatora klienta. W przypadku przypisanego przez system pola nie należy ustawiać tego pola.	struna Ograniczenia: Minimalna długość = 36 Maksymalna długość = 36 Wzorzec = `^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$`
identityType (typ tożsamości)	[Wymagane] Określa typ struktury tożsamości.	"Zarządzane" (wymagane)
objectId (identyfikator obiektu)	Określa tożsamość przypisaną przez użytkownika według identyfikatora obiektu. W przypadku przypisanego przez system pola nie należy ustawiać tego pola.	struna Ograniczenia: Minimalna długość = 36 Maksymalna długość = 36 Wzorzec = `^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$`
identyfikator zasobu	Określa tożsamość przypisaną przez użytkownika według identyfikatora zasobu usługi ARM. W przypadku przypisanego przez system pola nie należy ustawiać tego pola.	ciąg

MedianStoppingPolicy (Polityka MedianStopping)

Nazwa	Opis	Wartość
policyType (typ polityki)	[Wymagane] Nazwa konfiguracji zasad	"MedianStopping" (wymagane)

MLFlowModelJobInput

Nazwa	Opis	Wartość
jobInputType (typ wejścia)	[Wymagane] Określa typ zadania.	"MLFlowModel" (wymagane)
tryb	Tryb dostarczania zasobów wejściowych.	"Bezpośredni" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
URI	[Wymagane] Identyfikator URI zasobu wejściowego.	struna Ograniczenia: Wzorzec = `[a-zA-Z0-9_]` (wymagane)

MLFlowModelJobOutput

Nazwa	Opis	Wartość
jobOutputType (Typ zadania)	[Wymagane] Określa typ zadania.	"MLFlowModel" (wymagane)
tryb	Tryb dostarczania zasobów wyjściowych.	"ReadWriteMount" "Przekaż"
URI	Identyfikator URI elementu zawartości wyjściowej.	ciąg

MLTableJobInput

Nazwa	Opis	Wartość
jobInputType (typ wejścia)	[Wymagane] Określa typ zadania.	"MLTable" (wymagane)
tryb	Tryb dostarczania zasobów wejściowych.	"Bezpośredni" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
URI	[Wymagane] Identyfikator URI zasobu wejściowego.	struna Ograniczenia: Wzorzec = `[a-zA-Z0-9_]` (wymagane)

MLTableJobInput

Nazwa	Opis	Wartość
opis	Opis danych wejściowych.	ciąg
jobInputType (typ wejścia)	[Wymagane] Określa typ zadania.	"CustomModel" "Dosłownie" "MLFlowModel" "MLTable" "TritonModel" "UriFile" "UriFolder" (wymagany)
tryb	Tryb dostarczania zasobów wejściowych.	"Bezpośredni" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
URI	[Wymagane] Identyfikator URI zasobu wejściowego.	struna Ograniczenia: Wzorzec = `[a-zA-Z0-9_]` (wymagane)

MLTableJobOutput

Nazwa	Opis	Wartość
jobOutputType (Typ zadania)	[Wymagane] Określa typ zadania.	"MLTable" (wymagane)
tryb	Tryb dostarczania zasobów wyjściowych.	"ReadWriteMount" "Przekaż"
URI	Identyfikator URI elementu zawartości wyjściowej.	ciąg

Mpi powiedział:

Nazwa	Opis	Wartość
distributionType (typ dystrybucji)	[Wymagane] Określa typ struktury dystrybucji.	"Mpi" (wymagane)
processCountPerInstance	Liczba procesów na węzeł MPI.	int (integer)

NCrossWalidacje

Nazwa	Opis	Wartość
tryb	Dla typu AutoNCrossValidations ustaw wartość "AutoNCrossValidations". Dla typu CustomNCrossValidations ustaw wartość "CustomNCrossValidations".	"Auto" "Niestandardowy" (wymagany)

NlpVerticalDataSettings

Nazwa	Opis	Wartość
targetColumnName (nazwa_kolumny)	[Wymagane] Nazwa kolumny docelowej: jest to kolumna wartości przewidywania. Znana również jako nazwa kolumny etykiety w kontekście zadań klasyfikacji.	struna Ograniczenia: Wzorzec = `[a-zA-Z0-9_]` (wymagane)
testData (dane testowe)	Testowanie danych wejściowych.	TestDataSettings
trainingData (dane szkoleniowe)	[Wymagane] Dane wejściowe danych treningowych.	TrainingDataSettings (wymagane)
validationData (Dane walidacji)	Dane wejściowe danych walidacji.	NlpVerticalValidationDataSettings

NlpVerticalFeaturizationSettings

Nazwa	Opis	Wartość
datasetLanguage (język zestawu danych)	Język zestawu danych przydatny dla danych tekstowych.	ciąg

NlpVerticalLimitSettings (Ustawienia Limitu Pionowego)

Nazwa	Opis	Wartość
maxConcurrentTrials (Próby maksymalne)	Maksymalna liczba iteracji automl współbieżnych.	int (integer)
maxTrials (Próby maks.)	Liczba iteracji rozwiązania AutoML.	int (integer)
przerwa czasowa	Limit czasu zadania automatycznego uczenia maszynowego.	ciąg

NlpVerticalValidationDataSettings

Nazwa	Opis	Wartość
dane	Dane walidacji MLTable.	MLTableJobInput
validationDataSize (validationDataSize)	Ułamek zestawu danych trenowania, który należy odłożyć na potrzeby walidacji. Wartości z zakresu (0.0, 1.0) Zastosowano, gdy zestaw danych weryfikacji nie został podany.	int (integer)

Cel

Nazwa	Opis	Wartość
cel	[Wymagane] Definiuje obsługiwane cele metryk na potrzeby dostrajania hiperparametrów	"Maksymalizuj" "Minimalizuj" (wymagane)
primaryMetric (podstawowy)	[Wymagane] Nazwa metryki do optymalizacji.	struna Ograniczenia: Wzorzec = `[a-zA-Z0-9_]` (wymagane)

PotokJob

Nazwa	Opis	Wartość
Wejścia	Dane wejściowe zadania potoku.	PipelineJobInputs
Zadania	Zadania skonstruować zadanie potoku.	PipelineJobJobs (Zadania potokowe)
rodzaj pracy	[Wymagane] Określa typ zadania.	"Potok" (wymagany)
Wyniki	Dane wyjściowe zadania potoku	PipelineJobOutputs
ustawienia	Ustawienia potoku, np. ContinueRunOnStepFailure itp.	jakikolwiek

PipelineJobInputs

Nazwa	Opis	Wartość

PipelineJobJobs (Zadania potokowe)

Nazwa	Opis	Wartość

PipelineJobOutputs

Nazwa	Opis	Wartość

PyTorch

Nazwa	Opis	Wartość
distributionType (typ dystrybucji)	[Wymagane] Określa typ struktury dystrybucji.	"PyTorch" (wymagane)
processCountPerInstance	Liczba procesów na węzeł.	int (integer)

Algorytm losowego próbkowania

Nazwa	Opis	Wartość
reguła	Określony typ algorytmu losowego	"Losowe" "Sobol"
samplingAlgorithmType	[Wymagane] Algorytm używany do generowania wartości hiperparametrów wraz z właściwościami konfiguracji	"Losowe" (wymagane)
nasienie	Opcjonalna liczba całkowita do użycia jako inicjator generowania liczb losowych	int (integer)

Wzorzec Powtarzania

Nazwa	Opis	Wartość
godziny	[Wymagane] Lista godzin dla wzorca harmonogramu cyklu	int[] (wymagane)
minuty	[Wymagane] Lista minut dla wzorca harmonogramu cyklu	int[] (wymagane)
Dni powszednie	Lista dni tygodnia dla wzorca harmonogramu cyklu	Tablica ciągów zawierająca dowolną z: "Piątek" "Poniedziałek" "Sobota" "Niedziela" "Czwartek" "Wtorek" "Środa"

CyklSchedule

Nazwa	Opis	Wartość
częstotliwość	[Wymagane] Określa częstotliwość, z jaką ma być wyzwalany harmonogram	"Dzień" "Godzina" "Minuta" "Miesiąc" "Tydzień" (wymagany)
interwał	[Wymagane] Określa interwał harmonogramu w połączeniu z częstotliwością	int (wymagane)
wzorzec	Określa wzorzec harmonogramu cyklu	Cyklwpattern
scheduleType (typ harmonogramu)	[Wymagane] Określa typ harmonogramu	"Cykl" (wymagany)

Regresja

Nazwa	Opis	Wartość
allowedModels (dozwolone modele)	Dozwolone modele dla zadania regresji.	Tablica ciągów zawierająca dowolną z: "DecisionTree" "ElasticNet" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "RandomForest" "SGD" "XGBoostRegressor"
blockedModels (zablokowaneModele)	Zablokowane modele dla zadania regresji.	Tablica ciągów zawierająca dowolną z: "DecisionTree" "ElasticNet" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "RandomForest" "SGD" "XGBoostRegressor"
dataSettings (Ustawienia danych)	Dane wejściowe dla AutoMLJob.	TableVerticalDataSettings (Ustawienia danych tabeli)
cechowanieUstawienia	Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML.	TableVerticalFeaturizationSettings
limitSettings (ustawienia limitu)	Ograniczenia wykonywania dla zadania AutoMLJob.	TableVerticalLimitSettings (Ustawienia stołu)
primaryMetric (podstawowy)	Podstawowa metryka zadania regresji.	"NormalizedMeanAbsoluteError" "NormalizedRootMeanSquaredError" "R2Score" "SpearmanCorrelation"
typ zadania	[Wymagane] Typ zadania dla zadania AutoMLJob.	"Regresja" (wymagana)
trainingSettings (ustawienia szkolenia)	Dane wejściowe fazy trenowania zadania automatycznego uczenia maszynowego.	Ustawienia treningu

Właściwości bazy danych ResourceBase

Nazwa	Opis	Wartość

Tagi ResourceBaseTags

Nazwa	Opis	Wartość

Konfiguracja zasobów

Nazwa	Opis	Wartość
instanceCount (liczba wystąpień)	Opcjonalna liczba wystąpień lub węzłów używanych przez docelowy obiekt obliczeniowy.	int (integer)
instanceType (typ instancji)	Opcjonalny typ maszyny wirtualnej używany jako obsługiwany przez docelowy obiekt obliczeniowy.	ciąg
właściwości	Dodatkowa torba właściwości.	Właściwości ResourceConfigurationProperties

Właściwości ResourceConfigurationProperties

Nazwa	Opis	Wartość

PróbkowanieAlgorithm

Nazwa	Opis	Wartość
samplingAlgorithmType	Ustaw wartość "Bayesian" dla typu BayesianSamplingAlgorithm. Ustaw wartość "Grid" dla typu GridSamplingAlgorithm. Ustaw wartość "Losowa" dla typu RandomSamplingAlgorithm.	"Bayesian" "Siatka" "Losowe" (wymagane)

Baza harmonogramu

Nazwa	Opis	Wartość
czas zakończenia	Określa czas zakończenia harmonogramu w formacie ISO 8601. Jeśli nie istnieje, harmonogram będzie uruchamiany na czas nieokreślony	ciąg
scheduleStatus (stan harmonogramu)	Określa stan harmonogramu	"Wyłączone" "Włączone"
scheduleType (typ harmonogramu)	Ustaw wartość "Cron" dla typu CronSchedule. Ustaw wartość "Cykl" dla typu RecurrenceSchedule.	"Cron" "Cykl" (wymagany)
czas rozpoczęcia	Określa godzinę rozpoczęcia harmonogramu w formacie ISO 8601.	ciąg
strefa czasowa	Określa strefę czasową, w której jest uruchamiany harmonogram. Strefa czasowa powinna być zgodna z formatem strefy czasowej systemu Windows.	ciąg

Sezonowości

Nazwa	Opis	Wartość
tryb	Ustaw wartość "Auto" dla typu AutoSeasonity. Dla typu CustomSeasonality ustaw wartość "Custom".	"Auto" "Niestandardowy" (wymagany)

Ustawienia stosu

Nazwa	Opis	Wartość
stosMetaLearnerKWargs	Parametry opcjonalne, które mają być przekazywane do inicjatora metauczeń.	jakikolwiek
stackMetaLearnerTrainPercentage	Określa proporcję zestawu treningowego (podczas wybierania typu trenowania i sprawdzania poprawności trenowania) do zastrzelenia na potrzeby trenowania metauczeń. Wartość domyślna to 0,2.	int (integer)
stackMetaLearnerType	Metauczeń to model trenowany na podstawie danych wyjściowych poszczególnych modeli heterogenicznych.	"ElasticNet" "ElasticNetCV" "LightGBMClassifier" "LightGBMRegressor" "LinearRegression" "LogisticsRegression" "LogisticsRegressionCV" "Brak"

Zamiatanie

Nazwa	Opis	Wartość
wczesneWypowiedzenie	Zasady wczesnego kończenia umożliwiają anulowanie przebiegów o niskiej wydajności przed ich ukończeniem	Polityka Wczesnej Terminacji
Wejścia	Mapowanie powiązań danych wejściowych używanych w zadaniu.	SweepJobInputs (Dane wejściowe SweepJob)
rodzaj pracy	[Wymagane] Określa typ zadania.	"Zamiatanie" (wymagane)
limity	Limit zadań zamiatania.	SweepJobLimits (Limity zamiatania)
cel	[Wymagane] Cel optymalizacji.	Cel (wymagany)
Wyniki	Mapowanie powiązań danych wyjściowych używanych w zadaniu.	SweepJobOutputs (Dane wyjściowe zamiatania)
próbkowanieAlgorithm	[Wymagane] Algorytm próbkowania hiperparametrów	PróbkowanieAlgorithm (wymagane)
searchPrzestrzeń	[Wymagane] Słownik zawierający każdy parametr i jego rozkład. Klucz słownika jest nazwą parametru	dowolna (wymagana)
demo	[Wymagane] Definicja składnika wersji próbnej.	Wersja próbnaComponent (wymagana)

SweepJobInputs (Dane wejściowe SweepJob)

Nazwa	Opis	Wartość

SweepJobLimits (Limity zamiatania)

Nazwa	Opis	Wartość
jobLimitsType (Typ zadania)	[Wymagane] Typ JobLimit.	"Polecenie" "Zamiatanie" (wymagane)
maxConcurrentTrials (Próby maksymalne)	Maksymalna liczba współbieżnych wersji próbnych zadania zamiatania.	int (integer)
maxTotalTrials (Próby maks.)	Zamiatanie zadania — maksymalna łączna liczba prób.	int (integer)
przerwa czasowa	Maksymalny czas trwania przebiegu w formacie ISO 8601, po którym zadanie zostanie anulowane. Obsługuje tylko czas trwania z dokładnością do sekund.	ciąg
Limit czasu próbnego	Zamiatanie wartości limitu czasu wersji próbnej zadania.	ciąg

SweepJobOutputs (Dane wyjściowe zamiatania)

Nazwa	Opis	Wartość

TableVerticalDataSettings (Ustawienia danych tabeli)

Nazwa	Opis	Wartość
targetColumnName (nazwa_kolumny)	[Wymagane] Nazwa kolumny docelowej: jest to kolumna wartości przewidywania. Znana również jako nazwa kolumny etykiety w kontekście zadań klasyfikacji.	struna Ograniczenia: Wzorzec = `[a-zA-Z0-9_]` (wymagane)
testData (dane testowe)	Testowanie danych wejściowych.	TestDataSettings
trainingData (dane szkoleniowe)	[Wymagane] Dane wejściowe danych treningowych.	TrainingDataSettings (wymagane)
validationData (Dane walidacji)	Dane wejściowe danych walidacji.	TableVerticalValidationDataSettings
weightColumnName (nazwa_kolumny)	Nazwa kolumny wagi próbki. Zautomatyzowane uczenie maszynowe obsługuje kolumnę ważoną jako dane wejściowe, co powoduje, że wiersze w danych mają być ważone w górę lub w dół.	ciąg

TableVerticalFeaturizationSettings

Nazwa	Opis	Wartość
blockedTransformers (zablokowaneTransformatory)	Transformatory te nie są stosowane w cechowaniu.	ciąg znakowy[]
columnNameAndTypes (NazwaKolumny)AndTypes	Słownik nazwy kolumny i jego typu (int, float, string, datetime itp.).	TableVerticalFeaturizationSettingsColumnNameAndTypes
datasetLanguage (język zestawu danych)	Język zestawu danych przydatny dla danych tekstowych.	ciąg
usuńKolumny	Kolumny, które mają zostać usunięte z danych podczas cechowania.	ciąg znakowy[]
enableDnnFeaturization (włącz cechowanie sieciowe)	Określa, czy używać cech opartych na Dnn do cechowania danych.	Bool
tryb	Tryb cechowania — użytkownik może zachować domyślny tryb "Auto", a rozwiązanie AutoML zajmie się niezbędnym przekształceniem danych w fazie cechowania. Jeśli wybrano opcję "Wyłączone", nie jest wykonywana cechowanie. Jeśli wybrano opcję "Niestandardowy", użytkownik może określić dodatkowe dane wejściowe, aby dostosować sposób wykonywania cechowania.	"Auto" "Niestandardowy" "Wyłączone"
transformatorParams	Użytkownik może określić dodatkowe transformatory, które mają być używane wraz z kolumnami, do których ma zostać zastosowany, oraz parametry konstruktora transformatora.	TabelaVerticalFeaturizationSettingsTransformerParams

TableVerticalFeaturizationSettingsColumnNameAndTypes

Nazwa	Opis	Wartość

TabelaVerticalFeaturizationSettingsTransformerParams

Nazwa	Opis	Wartość

TableVerticalLimitSettings (Ustawienia stołu)

Nazwa	Opis	Wartość
enableEarlyTermination (włącz opcję WczesneZakończenie)	Włącz wczesne zakończenie, określa, czy funkcja AutoMLJob zakończy się wcześnie, jeśli w ciągu ostatnich 20 iteracji nie będzie poprawa oceny.	Bool
exitScore (wynik wyjścia)	Wynik zakończenia zadania rozwiązania AutoML.	int (integer)
maxConcurrentTrials (Próby maksymalne)	Maksymalna liczba iteracji współbieżnych.	int (integer)
maxCoresPerTrial	Maksymalna liczba rdzeni na iterację.	int (integer)
maxTrials (Próby maks.)	Liczba iteracji.	int (integer)
przerwa czasowa	Limit czasu zadania automatycznego uczenia maszynowego.	ciąg
Limit czasu próbnego	Limit czasu iteracji.	ciąg

TableVerticalValidationDataSettings

Nazwa	Opis	Wartość
cvSplitColumnNames (NazwyKolumn)	Kolumny do użycia dla danych CVSplit.	ciąg znakowy[]
dane	Dane walidacji MLTable.	MLTableJobInput
nCrossWalidacje	Liczba składań krzyżowych do zastosowania w zestawie danych szkoleniowych jeśli zestaw danych sprawdzania poprawności nie jest podany.	NCrossWalidacje
validationDataSize (validationDataSize)	Ułamek zestawu danych trenowania, który należy odłożyć na potrzeby walidacji. Wartości z zakresu (0.0, 1.0) Zastosowano, gdy zestaw danych weryfikacji nie został podany.	int (integer)

Opóźnienie docelowe

Nazwa	Opis	Wartość
tryb	Ustaw wartość "Auto" dla typu AutoTargetLags. Dla typu CustomTargetLags ustaw wartość "CustomTargetLags".	"Auto" "Niestandardowy" (wymagany)

TargetRollingWindowSize (Rozmiar okna toczącego)

Nazwa	Opis	Wartość
tryb	Ustaw wartość "Auto" dla typu AutoTargetRollingWindowSize. Dla typu CustomTargetRollingWindowSize ustaw wartość "CustomTargetRolling".	"Auto" "Niestandardowy" (wymagany)

TensorFlow

Nazwa	Opis	Wartość
distributionType (typ dystrybucji)	[Wymagane] Określa typ struktury dystrybucji.	"TensorFlow" (wymagany)
parametrServerCount	Liczba zadań serwera parametrów.	int (integer)
liczbaPracowników	Liczba pracowników. Jeśli nie zostanie określony, wartość domyślna to liczba wystąpień.	int (integer)

TestDataSettings

Nazwa	Opis	Wartość
dane	Dane testowe MLTable.	MLTableJobInput
testDataSize (rozmiar testu)	Ułamek zestawu danych testowych, który należy odłożyć na potrzeby walidacji. Wartości z zakresu (0.0, 1.0) Zastosowano, gdy zestaw danych weryfikacji nie został podany.	int (integer)

Klasyfikacja tekstu

Nazwa	Opis	Wartość
dataSettings (Ustawienia danych)	Dane wejściowe dla AutoMLJob.	NlpVerticalDataSettings
cechowanieUstawienia	Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML.	NlpVerticalFeaturizationSettings
limitSettings (ustawienia limitu)	Ograniczenia wykonywania dla zadania AutoMLJob.	NlpVerticalLimitSettings (Ustawienia Limitu Pionowego)
primaryMetric (podstawowy)	Podstawowa metryka dla zadania Text-Classification.	"Dokładność" "AUCWeighted" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted"
typ zadania	[Wymagane] Typ zadania dla zadania AutoMLJob.	"TextClassification" (wymagane)

TextClassificationMultilabel

Nazwa	Opis	Wartość
dataSettings (Ustawienia danych)	Dane wejściowe dla AutoMLJob.	NlpVerticalDataSettings
cechowanieUstawienia	Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML.	NlpVerticalFeaturizationSettings
limitSettings (ustawienia limitu)	Ograniczenia wykonywania dla zadania AutoMLJob.	NlpVerticalLimitSettings (Ustawienia Limitu Pionowego)
typ zadania	[Wymagane] Typ zadania dla zadania AutoMLJob.	"TextClassificationMultilabel" (wymagane)

Moduł TextNer

Nazwa	Opis	Wartość
dataSettings (Ustawienia danych)	Dane wejściowe dla AutoMLJob.	NlpVerticalDataSettings
cechowanieUstawienia	Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML.	NlpVerticalFeaturizationSettings
limitSettings (ustawienia limitu)	Ograniczenia wykonywania dla zadania AutoMLJob.	NlpVerticalLimitSettings (Ustawienia Limitu Pionowego)
typ zadania	[Wymagane] Typ zadania dla zadania AutoMLJob.	"TextNER" (wymagane)

TrainingDataSettings

Nazwa	Opis	Wartość
dane	[Wymagane] Dane szkoleniowe MLTable.	MLTableJobInput (wymagane)

Ustawienia treningu

Nazwa	Opis	Wartość
enableDnnTraining (włącz szkolenie Dnn)	Włącz zalecenie dotyczące modeli sieci rozproszonej.	Bool
enableModelExplainability (wytłumaczalność	Flaga włączania możliwości objaśnienia dla najlepszego modelu.	Bool
enableOnnxCompatibleModels (Modele kompatybilne z enable)	Flaga włączania modeli zgodnych z programem onnx.	Bool
enableStackEnsemble (włącz zestaw danych w stosie)	Włącz uruchamianie zespołu stosu.	Bool
enableVoteEnsemble (zespół włączeń)	Włącz uruchamianie zespołu do głosowania.	Bool
ensembleModelDownloadTimeout	Podczas generowania modeli VotingEnsemble i StackEnsemble pobierane są wiele dopasowanych modeli z poprzednich przebiegów podrzędnych. Skonfiguruj ten parametr z wyższą wartością niż 300 sekund, jeśli jest potrzebny więcej czasu.	ciąg
stackEnsembleSettings	Ustawienia zespołu stosu dla przebiegu zespołu stosu.	Ustawienia stosu

Wersja próbnaComponent

Nazwa	Opis	Wartość
codeId (identyfikator kodu)	Identyfikator zasobu usługi ARM zasobu kodu.	ciąg
polecenie	[Wymagane] Polecenie do wykonania podczas uruchamiania zadania. Np. "Python train.py"	struna Ograniczenia: Minimalna długość = 1 Wzorzec = `[a-zA-Z0-9_]` (wymagane)
dystrybucja	Konfiguracja dystrybucji zadania. W przypadku ustawienia powinna to być jedna z wartości Mpi, Tensorflow, PyTorch lub null.	Rozkładkonfiguracja
environmentId (identyfikator środowiska)	[Wymagane] Identyfikator zasobu usługi ARM specyfikacji środowiska dla zadania.	struna Ograniczenia: Wzorzec = `[a-zA-Z0-9_]` (wymagane)
zmienne środowiskowe	Zmienne środowiskowe uwzględnione w zadaniu.	Zmienne środowiskowe TrialComponentEnvironmentVariables
zasoby	Konfiguracja zasobów obliczeniowych dla zadania.	Konfiguracja zasobów

Zmienne środowiskowe TrialComponentEnvironmentVariables

Nazwa	Opis	Wartość

TritonModelJobInput

Nazwa	Opis	Wartość
jobInputType (typ wejścia)	[Wymagane] Określa typ zadania.	"TritonModel" (wymagane)
tryb	Tryb dostarczania zasobów wejściowych.	"Bezpośredni" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
URI	[Wymagane] Identyfikator URI zasobu wejściowego.	struna Ograniczenia: Wzorzec = `[a-zA-Z0-9_]` (wymagane)

TritonModelJobOutput

Nazwa	Opis	Wartość
jobOutputType (Typ zadania)	[Wymagane] Określa typ zadania.	"TritonModel" (wymagane)
tryb	Tryb dostarczania zasobów wyjściowych.	"ReadWriteMount" "Przekaż"
URI	Identyfikator URI elementu zawartości wyjściowej.	ciąg

ObcięcieselectionPolicy

Nazwa	Opis	Wartość
policyType (typ polityki)	[Wymagane] Nazwa konfiguracji zasad	"Obcięcie wyboru" (wymagane)
obcięciepercentage	Procent przebiegów do anulowania w każdym interwale oceny.	int (integer)

UriFileJobInput

Nazwa	Opis	Wartość
jobInputType (typ wejścia)	[Wymagane] Określa typ zadania.	"UriFile" (wymagane)
tryb	Tryb dostarczania zasobów wejściowych.	"Bezpośredni" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
URI	[Wymagane] Identyfikator URI zasobu wejściowego.	struna Ograniczenia: Wzorzec = `[a-zA-Z0-9_]` (wymagane)

UriFileJobOutput

Nazwa	Opis	Wartość
jobOutputType (Typ zadania)	[Wymagane] Określa typ zadania.	"UriFile" (wymagane)
tryb	Tryb dostarczania zasobów wyjściowych.	"ReadWriteMount" "Przekaż"
URI	Identyfikator URI elementu zawartości wyjściowej.	ciąg

UriFolderJobInput

Nazwa	Opis	Wartość
jobInputType (typ wejścia)	[Wymagane] Określa typ zadania.	"UriFolder" (wymagany)
tryb	Tryb dostarczania zasobów wejściowych.	"Bezpośredni" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
URI	[Wymagane] Identyfikator URI zasobu wejściowego.	struna Ograniczenia: Wzorzec = `[a-zA-Z0-9_]` (wymagane)

UriFolderJobOutput

Nazwa	Opis	Wartość
jobOutputType (Typ zadania)	[Wymagane] Określa typ zadania.	"UriFolder" (wymagany)
tryb	Tryb dostarczania zasobów wyjściowych.	"ReadWriteMount" "Przekaż"
URI	Identyfikator URI elementu zawartości wyjściowej.	ciąg

Identyfikator użytkownika

Nazwa	Opis	Wartość
identityType (typ tożsamości)	[Wymagane] Określa typ struktury tożsamości.	"UserIdentity" (wymagane)

Przykłady użycia

Szablony szybkiego startu platformy Azure

Następujące szablony szybkiego startu platformy Azure wdrożyć ten typ zasobu.

Szablon	Opis
Tworzenie zadania klasyfikacji automatycznego uczenia maszynowego w usłudze Azure Machine Learning Wdrażanie do Azure	Ten szablon tworzy zadanie klasyfikacji automatycznego uczenia maszynowego w usłudze Azure Machine Learning, aby dowiedzieć się, jak najlepszy model do przewidywania, czy klient zasubskrybuje depozyt na stałe za pomocą instytucji finansowej.
Tworzenie zadania polecenia usługi Azure Machine Learning Wdrażanie do Azure	Ten szablon tworzy zadanie polecenia usługi Azure Machine Learning za pomocą podstawowego skryptu hello_world
Tworzenie zadania zamiatania usługi Azure Machine Learning Wdrażanie do Azure	Ten szablon tworzy zadanie zamiatania usługi Azure Machine Learning na potrzeby dostrajania hiperparametrów.

Definicja zasobu narzędzia Terraform (dostawcy AzAPI)

Typ zasobu obszarów roboczych/zadań można wdrożyć przy użyciu operacji docelowych:

Grupy zasobów

Aby uzyskać listę zmienionych właściwości w każdej wersji interfejsu API, zobacz dziennika zmian.

Format zasobu

Aby utworzyć zasób Microsoft.MachineLearningServices/workspaces/jobs, dodaj następujący program Terraform do szablonu.

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

Obiekty TargetLags

Ustaw właściwość mode , aby określić typ obiektu.

W przypadku opcji Auto użyj:

{
  mode = "Auto"
}

W przypadku opcji Niestandardowe użyj:

{
  mode = "Custom"
  values = [
    int
  ]
}

Obiekty sezonowości

Ustaw właściwość mode , aby określić typ obiektu.

W przypadku opcji Auto użyj:

{
  mode = "Auto"
}

W przypadku opcji Niestandardowe użyj:

{
  mode = "Custom"
  value = int
}

Obiekty JobOutput

Ustaw właściwość jobOutputType , aby określić typ obiektu.

W przypadku modelu niestandardowego użyj:

{
  jobOutputType = "CustomModel"
  mode = "string"
  uri = "string"
}

W przypadku MLFlowModel użyj:

{
  jobOutputType = "MLFlowModel"
  mode = "string"
  uri = "string"
}

W przypadku MLTable użyj:

{
  jobOutputType = "MLTable"
  mode = "string"
  uri = "string"
}

W przypadku TritonModel użyj:

{
  jobOutputType = "TritonModel"
  mode = "string"
  uri = "string"
}

W przypadku UriFileużyj:

{
  jobOutputType = "UriFile"
  mode = "string"
  uri = "string"
}

W przypadku UriFolder użyj:

{
  jobOutputType = "UriFolder"
  mode = "string"
  uri = "string"
}

Obiekty autoMLVertical

Ustaw właściwość taskType , aby określić typ obiektu.

W przypadku klasyfikacji użyj:

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

W przypadku prognozowania użyj:

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

W przypadku klasyfikacji obrazu użyj:

{
  dataSettings = {
    targetColumnName = "string"
    testData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      testDataSize = int
    }
    trainingData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
    }
    validationData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      validationDataSize = int
    }
  }
  limitSettings = {
    maxConcurrentTrials = int
    maxTrials = int
    timeout = "string"
  }
  modelSettings = {
    advancedSettings = "string"
    amsGradient = bool
    augmentations = "string"
    beta1 = int
    beta2 = int
    checkpointDatasetId = "string"
    checkpointFilename = "string"
    checkpointFrequency = int
    checkpointRunId = "string"
    distributed = bool
    earlyStopping = bool
    earlyStoppingDelay = int
    earlyStoppingPatience = int
    enableOnnxNormalization = bool
    evaluationFrequency = int
    gradientAccumulationStep = int
    layersToFreeze = int
    learningRate = int
    learningRateScheduler = "string"
    modelName = "string"
    momentum = int
    nesterov = bool
    numberOfEpochs = int
    numberOfWorkers = int
    optimizer = "string"
    randomSeed = int
    splitRatio = int
    stepLRGamma = int
    stepLRStepSize = int
    trainingBatchSize = int
    trainingCropSize = int
    validationBatchSize = int
    validationCropSize = int
    validationResizeSize = int
    warmupCosineLRCycles = int
    warmupCosineLRWarmupEpochs = int
    weightDecay = int
    weightedLoss = int
  }
  primaryMetric = "string"
  searchSpace = [
    {
      amsGradient = "string"
      augmentations = "string"
      beta1 = "string"
      beta2 = "string"
      distributed = "string"
      earlyStopping = "string"
      earlyStoppingDelay = "string"
      earlyStoppingPatience = "string"
      enableOnnxNormalization = "string"
      evaluationFrequency = "string"
      gradientAccumulationStep = "string"
      layersToFreeze = "string"
      learningRate = "string"
      learningRateScheduler = "string"
      modelName = "string"
      momentum = "string"
      nesterov = "string"
      numberOfEpochs = "string"
      numberOfWorkers = "string"
      optimizer = "string"
      randomSeed = "string"
      splitRatio = "string"
      stepLRGamma = "string"
      stepLRStepSize = "string"
      trainingBatchSize = "string"
      trainingCropSize = "string"
      validationBatchSize = "string"
      validationCropSize = "string"
      validationResizeSize = "string"
      warmupCosineLRCycles = "string"
      warmupCosineLRWarmupEpochs = "string"
      weightDecay = "string"
      weightedLoss = "string"
    }
  ]
  sweepSettings = {
    earlyTermination = {
      delayEvaluation = int
      evaluationInterval = int
      policyType = "string"
      // For remaining properties, see EarlyTerminationPolicy objects
    }
    limits = {
      maxConcurrentTrials = int
      maxTrials = int
    }
    samplingAlgorithm = "string"
  }
  taskType = "ImageClassification"
}

W przypadku elementu ImageClassificationMultilabel użyj:

{
  dataSettings = {
    targetColumnName = "string"
    testData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      testDataSize = int
    }
    trainingData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
    }
    validationData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      validationDataSize = int
    }
  }
  limitSettings = {
    maxConcurrentTrials = int
    maxTrials = int
    timeout = "string"
  }
  modelSettings = {
    advancedSettings = "string"
    amsGradient = bool
    augmentations = "string"
    beta1 = int
    beta2 = int
    checkpointDatasetId = "string"
    checkpointFilename = "string"
    checkpointFrequency = int
    checkpointRunId = "string"
    distributed = bool
    earlyStopping = bool
    earlyStoppingDelay = int
    earlyStoppingPatience = int
    enableOnnxNormalization = bool
    evaluationFrequency = int
    gradientAccumulationStep = int
    layersToFreeze = int
    learningRate = int
    learningRateScheduler = "string"
    modelName = "string"
    momentum = int
    nesterov = bool
    numberOfEpochs = int
    numberOfWorkers = int
    optimizer = "string"
    randomSeed = int
    splitRatio = int
    stepLRGamma = int
    stepLRStepSize = int
    trainingBatchSize = int
    trainingCropSize = int
    validationBatchSize = int
    validationCropSize = int
    validationResizeSize = int
    warmupCosineLRCycles = int
    warmupCosineLRWarmupEpochs = int
    weightDecay = int
    weightedLoss = int
  }
  primaryMetric = "string"
  searchSpace = [
    {
      amsGradient = "string"
      augmentations = "string"
      beta1 = "string"
      beta2 = "string"
      distributed = "string"
      earlyStopping = "string"
      earlyStoppingDelay = "string"
      earlyStoppingPatience = "string"
      enableOnnxNormalization = "string"
      evaluationFrequency = "string"
      gradientAccumulationStep = "string"
      layersToFreeze = "string"
      learningRate = "string"
      learningRateScheduler = "string"
      modelName = "string"
      momentum = "string"
      nesterov = "string"
      numberOfEpochs = "string"
      numberOfWorkers = "string"
      optimizer = "string"
      randomSeed = "string"
      splitRatio = "string"
      stepLRGamma = "string"
      stepLRStepSize = "string"
      trainingBatchSize = "string"
      trainingCropSize = "string"
      validationBatchSize = "string"
      validationCropSize = "string"
      validationResizeSize = "string"
      warmupCosineLRCycles = "string"
      warmupCosineLRWarmupEpochs = "string"
      weightDecay = "string"
      weightedLoss = "string"
    }
  ]
  sweepSettings = {
    earlyTermination = {
      delayEvaluation = int
      evaluationInterval = int
      policyType = "string"
      // For remaining properties, see EarlyTerminationPolicy objects
    }
    limits = {
      maxConcurrentTrials = int
      maxTrials = int
    }
    samplingAlgorithm = "string"
  }
  taskType = "ImageClassificationMultilabel"
}

W przypadku klasy ImageInstanceSegmentation użyj:

{
  dataSettings = {
    targetColumnName = "string"
    testData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      testDataSize = int
    }
    trainingData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
    }
    validationData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      validationDataSize = int
    }
  }
  limitSettings = {
    maxConcurrentTrials = int
    maxTrials = int
    timeout = "string"
  }
  modelSettings = {
    advancedSettings = "string"
    amsGradient = bool
    augmentations = "string"
    beta1 = int
    beta2 = int
    boxDetectionsPerImage = int
    boxScoreThreshold = int
    checkpointDatasetId = "string"
    checkpointFilename = "string"
    checkpointFrequency = int
    checkpointRunId = "string"
    distributed = bool
    earlyStopping = bool
    earlyStoppingDelay = int
    earlyStoppingPatience = int
    enableOnnxNormalization = bool
    evaluationFrequency = int
    gradientAccumulationStep = int
    imageSize = int
    layersToFreeze = int
    learningRate = int
    learningRateScheduler = "string"
    maxSize = int
    minSize = int
    modelName = "string"
    modelSize = "string"
    momentum = int
    multiScale = bool
    nesterov = bool
    nmsIouThreshold = int
    numberOfEpochs = int
    numberOfWorkers = int
    optimizer = "string"
    randomSeed = int
    splitRatio = int
    stepLRGamma = int
    stepLRStepSize = int
    tileGridSize = "string"
    tileOverlapRatio = int
    tilePredictionsNmsThreshold = int
    trainingBatchSize = int
    validationBatchSize = int
    validationIouThreshold = int
    validationMetricType = "string"
    warmupCosineLRCycles = int
    warmupCosineLRWarmupEpochs = int
    weightDecay = int
  }
  primaryMetric = "string"
  searchSpace = [
    {
      amsGradient = "string"
      augmentations = "string"
      beta1 = "string"
      beta2 = "string"
      boxDetectionsPerImage = "string"
      boxScoreThreshold = "string"
      distributed = "string"
      earlyStopping = "string"
      earlyStoppingDelay = "string"
      earlyStoppingPatience = "string"
      enableOnnxNormalization = "string"
      evaluationFrequency = "string"
      gradientAccumulationStep = "string"
      imageSize = "string"
      layersToFreeze = "string"
      learningRate = "string"
      learningRateScheduler = "string"
      maxSize = "string"
      minSize = "string"
      modelName = "string"
      modelSize = "string"
      momentum = "string"
      multiScale = "string"
      nesterov = "string"
      nmsIouThreshold = "string"
      numberOfEpochs = "string"
      numberOfWorkers = "string"
      optimizer = "string"
      randomSeed = "string"
      splitRatio = "string"
      stepLRGamma = "string"
      stepLRStepSize = "string"
      tileGridSize = "string"
      tileOverlapRatio = "string"
      tilePredictionsNmsThreshold = "string"
      trainingBatchSize = "string"
      validationBatchSize = "string"
      validationIouThreshold = "string"
      validationMetricType = "string"
      warmupCosineLRCycles = "string"
      warmupCosineLRWarmupEpochs = "string"
      weightDecay = "string"
    }
  ]
  sweepSettings = {
    earlyTermination = {
      delayEvaluation = int
      evaluationInterval = int
      policyType = "string"
      // For remaining properties, see EarlyTerminationPolicy objects
    }
    limits = {
      maxConcurrentTrials = int
      maxTrials = int
    }
    samplingAlgorithm = "string"
  }
  taskType = "ImageInstanceSegmentation"
}

W przypadku elementu ImageObjectDetection użyj:

{
  dataSettings = {
    targetColumnName = "string"
    testData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      testDataSize = int
    }
    trainingData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
    }
    validationData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      validationDataSize = int
    }
  }
  limitSettings = {
    maxConcurrentTrials = int
    maxTrials = int
    timeout = "string"
  }
  modelSettings = {
    advancedSettings = "string"
    amsGradient = bool
    augmentations = "string"
    beta1 = int
    beta2 = int
    boxDetectionsPerImage = int
    boxScoreThreshold = int
    checkpointDatasetId = "string"
    checkpointFilename = "string"
    checkpointFrequency = int
    checkpointRunId = "string"
    distributed = bool
    earlyStopping = bool
    earlyStoppingDelay = int
    earlyStoppingPatience = int
    enableOnnxNormalization = bool
    evaluationFrequency = int
    gradientAccumulationStep = int
    imageSize = int
    layersToFreeze = int
    learningRate = int
    learningRateScheduler = "string"
    maxSize = int
    minSize = int
    modelName = "string"
    modelSize = "string"
    momentum = int
    multiScale = bool
    nesterov = bool
    nmsIouThreshold = int
    numberOfEpochs = int
    numberOfWorkers = int
    optimizer = "string"
    randomSeed = int
    splitRatio = int
    stepLRGamma = int
    stepLRStepSize = int
    tileGridSize = "string"
    tileOverlapRatio = int
    tilePredictionsNmsThreshold = int
    trainingBatchSize = int
    validationBatchSize = int
    validationIouThreshold = int
    validationMetricType = "string"
    warmupCosineLRCycles = int
    warmupCosineLRWarmupEpochs = int
    weightDecay = int
  }
  primaryMetric = "string"
  searchSpace = [
    {
      amsGradient = "string"
      augmentations = "string"
      beta1 = "string"
      beta2 = "string"
      boxDetectionsPerImage = "string"
      boxScoreThreshold = "string"
      distributed = "string"
      earlyStopping = "string"
      earlyStoppingDelay = "string"
      earlyStoppingPatience = "string"
      enableOnnxNormalization = "string"
      evaluationFrequency = "string"
      gradientAccumulationStep = "string"
      imageSize = "string"
      layersToFreeze = "string"
      learningRate = "string"
      learningRateScheduler = "string"
      maxSize = "string"
      minSize = "string"
      modelName = "string"
      modelSize = "string"
      momentum = "string"
      multiScale = "string"
      nesterov = "string"
      nmsIouThreshold = "string"
      numberOfEpochs = "string"
      numberOfWorkers = "string"
      optimizer = "string"
      randomSeed = "string"
      splitRatio = "string"
      stepLRGamma = "string"
      stepLRStepSize = "string"
      tileGridSize = "string"
      tileOverlapRatio = "string"
      tilePredictionsNmsThreshold = "string"
      trainingBatchSize = "string"
      validationBatchSize = "string"
      validationIouThreshold = "string"
      validationMetricType = "string"
      warmupCosineLRCycles = "string"
      warmupCosineLRWarmupEpochs = "string"
      weightDecay = "string"
    }
  ]
  sweepSettings = {
    earlyTermination = {
      delayEvaluation = int
      evaluationInterval = int
      policyType = "string"
      // For remaining properties, see EarlyTerminationPolicy objects
    }
    limits = {
      maxConcurrentTrials = int
      maxTrials = int
    }
    samplingAlgorithm = "string"
  }
  taskType = "ImageObjectDetection"
}

W przypadku regresji użyj:

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

W przypadku klasyfikacji tekstu użyj:

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

W przypadku elementu TextClassificationMultilabel użyj:

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

W przypadku funkcji TextNER użyj:

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

Próbkowanie ObiektówAlgorithm

Ustaw właściwość samplingAlgorithmType , aby określić typ obiektu.

W przypadku bayesianu użyj:

{
  samplingAlgorithmType = "Bayesian"
}

W przypadku usługi Grid użyj polecenia:

{
  samplingAlgorithmType = "Grid"
}

W przypadku funkcji Losowe użyj:

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

Obiekty IdentityConfiguration

Ustaw właściwość identityType , aby określić typ obiektu.

W przypadku tokenu AMLToken użyj:

{
  identityType = "AMLToken"
}

W przypadku funkcji Zarządzane użyj:

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

W przypadku identyfikatora UserIdentity użyj:

{
  identityType = "UserIdentity"
}

Obiekty TargetRollingWindowSize

Ustaw właściwość mode , aby określić typ obiektu.

W przypadku opcji Auto użyj:

{
  mode = "Auto"
}

W przypadku opcji Niestandardowe użyj:

{
  mode = "Custom"
  value = int
}

Obiekty ScheduleBase

Ustaw właściwość scheduleType w celu określenia typu obiektu.

W przypadku Cron użyj:

{
  expression = "string"
  scheduleType = "Cron"
}

W przypadku cyklu użyj:

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

Obiekty DistributionConfiguration

Ustaw właściwość distributionType , aby określić typ obiektu.

W przypadku programu Mpi użyj:

{
  distributionType = "Mpi"
  processCountPerInstance = int
}

W przypadku rozwiązania PyTorch użyj:

{
  distributionType = "PyTorch"
  processCountPerInstance = int
}

W przypadku biblioteki TensorFlow użyj:

{
  distributionType = "TensorFlow"
  parameterServerCount = int
  workerCount = int
}

Obiekty JobBaseDetails

Ustaw właściwość jobType , aby określić typ obiektu.

W przypadku rozwiązania AutoML użyj:

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

W przypadku polecenia użyj polecenia:

{
  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
    }
  }
  jobType = "Command"
  limits = {
    jobLimitsType = "string"
    timeout = "string"
  }
  outputs = {
    {customized property} = {
      description = "string"
      jobOutputType = "string"
      // For remaining properties, see JobOutput objects
    }
  }
  resources = {
    instanceCount = int
    instanceType = "string"
    properties = {
      {customized property} = ?
    }
  }
}

W przypadku potoku użyj:

{
  inputs = {
    {customized property} = {
      description = "string"
      jobInputType = "string"
      // For remaining properties, see JobInput objects
    }
  }
  jobs = {
    {customized property} = ?
  }
  jobType = "Pipeline"
  outputs = {
    {customized property} = {
      description = "string"
      jobOutputType = "string"
      // For remaining properties, see JobOutput objects
    }
  }
  settings = ?
}

W przypadku zamiatania użyj:

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

Obiekty ForecastHorizon

Ustaw właściwość mode , aby określić typ obiektu.

W przypadku opcji Auto użyj:

{
  mode = "Auto"
}

W przypadku opcji Niestandardowe użyj:

{
  mode = "Custom"
  value = int
}

Obiekty JobInput

Ustaw właściwość jobInputType , aby określić typ obiektu.

W przypadku modelu niestandardowego użyj:

{
  jobInputType = "CustomModel"
  mode = "string"
  uri = "string"
}

W przypadku literału użyj:

{
  jobInputType = "Literal"
  value = "string"
}

W przypadku MLFlowModel użyj:

{
  jobInputType = "MLFlowModel"
  mode = "string"
  uri = "string"
}

W przypadku MLTable użyj:

{
  jobInputType = "MLTable"
  mode = "string"
  uri = "string"
}

W przypadku TritonModel użyj:

{
  jobInputType = "TritonModel"
  mode = "string"
  uri = "string"
}

W przypadku UriFileużyj:

{
  jobInputType = "UriFile"
  mode = "string"
  uri = "string"
}

W przypadku UriFolder użyj:

{
  jobInputType = "UriFolder"
  mode = "string"
  uri = "string"
}

Obiekty NCrossValidations

Ustaw właściwość mode , aby określić typ obiektu.

W przypadku opcji Auto użyj:

{
  mode = "Auto"
}

W przypadku opcji Niestandardowe użyj:

{
  mode = "Custom"
  value = int
}

Obiekty EarlyTerminationPolicy

Ustaw właściwość policyType , aby określić typ obiektu.

W przypadku elementu Bandit użyj:

{
  policyType = "Bandit"
  slackAmount = int
  slackFactor = int
}

W przypadku medianStopping użyj:

{
  policyType = "MedianStopping"
}

W przypadku narzędzia TruncationSelection użyj:

{
  policyType = "TruncationSelection"
  truncationPercentage = int
}

Wartości właściwości

Microsoft.MachineLearningServices/workspaces/jobs

Nazwa	Opis	Wartość
nazwa	Nazwa zasobu	struna Ograniczenia: Wzorzec = `^[a-zA-Z0-9][a-zA-Z0-9\-_]{0,254}$` (wymagane)
parent_id (identyfikator rodzica)	Identyfikator zasobu, który jest elementem nadrzędnym dla tego zasobu.	Identyfikator zasobu typu: obszary robocze
właściwości	[Wymagane] Dodatkowe atrybuty jednostki.	JobBaseDetails (wymagane)
typ	Typ zasobu	"Microsoft.MachineLearningServices/workspaces/jobs@2022-02-01-preview"

Token AML

Nazwa	Opis	Wartość
identityType (typ tożsamości)	[Wymagane] Określa typ struktury tożsamości.	"AMLToken" (wymagane)

Horyzont automatycznej prognozy

Nazwa	Opis	Wartość
tryb	[Wymagane] Ustaw tryb wyboru wartości horyzontu prognozy.	"Auto" (wymagane)

AutoMLJob

Nazwa	Opis	Wartość
environmentId (identyfikator środowiska)	Identyfikator zasobu usługi ARM specyfikacji środowiska dla zadania. Ta wartość jest opcjonalna, aby podać, jeśli nie podano, rozwiązanie AutoML spowoduje ustawienie domyślne dla produkcyjnej wersji środowiska wyselekcjonowanych automatycznego uczenia maszynowego podczas uruchamiania zadania.	ciąg
zmienne środowiskowe	Zmienne środowiskowe uwzględnione w zadaniu.	AutoMLJobEnvironmentVariables (Zmienne środowiskowe AutoMLJobEnvironmentVariables)
rodzaj pracy	[Wymagane] Określa typ zadania.	"AutoML" (wymagane)
Wyniki	Mapowanie powiązań danych wyjściowych używanych w zadaniu.	AutoMLJobOutputs (Wyjścia automatyczneMLJobOutputs)
zasoby	Konfiguracja zasobów obliczeniowych dla zadania.	Konfiguracja zasobów
taskDetails (Szczegóły zadania)	[Wymagane] Reprezentuje to scenariusz, który może być jednym z tabel/nlp/obrazu	AutoMLVertical (wymagane)

AutoMLJobEnvironmentVariables (Zmienne środowiskowe AutoMLJobEnvironmentVariables)

Nazwa	Opis	Wartość

AutoMLJobOutputs (Wyjścia automatyczneMLJobOutputs)

Nazwa	Opis	Wartość

AutoMLVertical

Nazwa	Opis	Wartość
logSzczegółowość	Czasownik rejestrowania dla zadania.	"Krytyczne" "Debugowanie" "Błąd" "Informacje" "NotSet" "Ostrzeżenie"
typ zadania	Ustaw wartość "Klasyfikacja" dla typu Klasyfikacja. Ustaw wartość "Prognozowanie" dla typu Prognozowanie. Dla typu ImageClassification ustaw wartość "ImageClassification". Ustaw wartość "ImageClassificationMultilabel" dla typu ImageClassificationMultilabel. Ustaw wartość "ImageInstanceSegmentation" dla typu ImageInstanceSegmentation. Dla typu ImageObjectDetection ustaw wartość "ImageObjectDetection". Ustaw wartość "Regresja" dla regresji typu. Dla typu TextClassification ustaw wartość "TextClassification". Ustaw wartość "TextClassificationMultilabel" dla typu TextClassificationMultilabel. Ustaw wartość "TextNER" dla typu TextNer.	"Klasyfikacja" "Prognozowanie" "ImageClassification" "ImageClassificationMultilabel" "ImageInstanceSegmentation" "ImageObjectDetection" "Regresja" "TextClassification" "TextClassificationMultilabel" "TextNER" (wymagane)

AutoNCrossWalidacje

Nazwa	Opis	Wartość
tryb	[Wymagane] Tryb określania poprawności N-Cross.	"Auto" (wymagane)

Autoseasonity

Nazwa	Opis	Wartość
tryb	[Wymagane] Tryb sezonowości.	"Auto" (wymagane)

Opóźnienia AutoTargetLags

Nazwa	Opis	Wartość
tryb	[Wymagane] Ustawianie trybu opóźnień docelowych — automatyczne/niestandardowe	"Auto" (wymagane)

AutoTargetRollingWindowSize

Nazwa	Opis	Wartość
tryb	[Wymagane] TargetRollingWindowSiz detection mode (Tryb wykrywania TargetRollingWindowSiz).	"Auto" (wymagane)

Polityka bandytów

Nazwa	Opis	Wartość
policyType (typ polityki)	[Wymagane] Nazwa konfiguracji zasad	"Bandit" (wymagany)
Zapas czasu	Bezwzględna odległość dozwolona od najlepiej działającego przebiegu.	int (integer)
Czynnik slackFactor	Współczynnik dozwolonej odległości od najlepszego przebiegu.	int (integer)

Algorytm Bayesowskiego próbkowania

Nazwa	Opis	Wartość
samplingAlgorithmType	[Wymagane] Algorytm używany do generowania wartości hiperparametrów wraz z właściwościami konfiguracji	"Bayesian" (wymagane)

Klasyfikacja

Nazwa	Opis	Wartość
allowedModels (dozwolone modele)	Dozwolone modele dla zadania klasyfikacji.	Tablica ciągów zawierająca dowolną z: "BernoulliNaiveBayes" "DecisionTree" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LightGBM" "LinearSVM" "LogisticsRegression" "MultinomialNaiveBayes" "RandomForest" "SGD" "SVM" "XGBoostClassifier"
blockedModels (zablokowaneModele)	Zablokowane modele dla zadania klasyfikacji.	Tablica ciągów zawierająca dowolną z: "BernoulliNaiveBayes" "DecisionTree" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LightGBM" "LinearSVM" "LogisticsRegression" "MultinomialNaiveBayes" "RandomForest" "SGD" "SVM" "XGBoostClassifier"
dataSettings (Ustawienia danych)	Dane wejściowe dla AutoMLJob.	TableVerticalDataSettings (Ustawienia danych tabeli)
cechowanieUstawienia	Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML.	TableVerticalFeaturizationSettings
limitSettings (ustawienia limitu)	Ograniczenia wykonywania dla zadania AutoMLJob.	TableVerticalLimitSettings (Ustawienia stołu)
primaryMetric (podstawowy)	Podstawowa metryka zadania.	"Dokładność" "AUCWeighted" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted"
typ zadania	[Wymagane] Typ zadania dla zadania AutoMLJob.	"Klasyfikacja" (wymagana)
trainingSettings (ustawienia szkolenia)	Dane wejściowe fazy trenowania zadania automatycznego uczenia maszynowego.	Ustawienia treningu

Kolumnowyprzekształtnik

Nazwa	Opis	Wartość
Pola	Pola do zastosowania logiki przekształcania.	ciąg znakowy[]
Parametry	Różne właściwości, które mają być przekazywane do transformatora. Oczekiwane dane wejściowe to słownik par klucz,wartość w formacie JSON.	jakikolwiek

Zadanie polecenia

Nazwa	Opis	Wartość
codeId (identyfikator kodu)	Identyfikator zasobu usługi ARM zasobu kodu.	ciąg
polecenie	[Wymagane] Polecenie do wykonania podczas uruchamiania zadania. Np. "Python train.py"	struna Ograniczenia: Minimalna długość = 1 Wzorzec = `[a-zA-Z0-9_]` (wymagane)
dystrybucja	Konfiguracja dystrybucji zadania. W przypadku ustawienia powinna to być jedna z wartości Mpi, Tensorflow, PyTorch lub null.	Rozkładkonfiguracja
environmentId (identyfikator środowiska)	[Wymagane] Identyfikator zasobu usługi ARM specyfikacji środowiska dla zadania.	struna Ograniczenia: Wzorzec = `[a-zA-Z0-9_]` (wymagane)
zmienne środowiskowe	Zmienne środowiskowe uwzględnione w zadaniu.	CommandJobEnvironmentVariables
Wejścia	Mapowanie powiązań danych wejściowych używanych w zadaniu.	CommandJobInputs
rodzaj pracy	[Wymagane] Określa typ zadania.	"Polecenie" (wymagane)
limity	Limit zadań poleceń.	CommandJobLimits
Wyniki	Mapowanie powiązań danych wyjściowych używanych w zadaniu.	CommandJobOutputs
zasoby	Konfiguracja zasobów obliczeniowych dla zadania.	Konfiguracja zasobów

CommandJobEnvironmentVariables

Nazwa	Opis	Wartość

CommandJobInputs

Nazwa	Opis	Wartość

CommandJobLimits

Nazwa	Opis	Wartość
jobLimitsType (Typ zadania)	[Wymagane] Typ JobLimit.	"Polecenie" "Zamiatanie" (wymagane)
przerwa czasowa	Maksymalny czas trwania przebiegu w formacie ISO 8601, po którym zadanie zostanie anulowane. Obsługuje tylko czas trwania z dokładnością do sekund.	ciąg

CommandJobOutputs

Nazwa	Opis	Wartość

Harmonogram Crona

Nazwa	Opis	Wartość
wyrażenie	[Wymagane] Określa wyrażenie cron harmonogramu. Wyrażenie powinno być zgodne z formatem NCronTab.	struna Ograniczenia: Wzorzec = `[a-zA-Z0-9_]` (wymagane)
scheduleType (typ harmonogramu)	[Wymagane] Określa typ harmonogramu	"Cron" (wymagane)

Niestandardowy horyzont prognozy

Nazwa	Opis	Wartość
tryb	[Wymagane] Ustaw tryb wyboru wartości horyzontu prognozy.	"Niestandardowy" (wymagany)
wartość	[Wymagane] Wartość horyzontu prognozy.	int (wymagane)

CustomModelJobInput

Nazwa	Opis	Wartość
jobInputType (typ wejścia)	[Wymagane] Określa typ zadania.	"CustomModel" (wymagane)
tryb	Tryb dostarczania zasobów wejściowych.	"Bezpośredni" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
URI	[Wymagane] Identyfikator URI zasobu wejściowego.	struna Ograniczenia: Wzorzec = `[a-zA-Z0-9_]` (wymagane)

CustomModelJobOutput

Nazwa	Opis	Wartość
jobOutputType (Typ zadania)	[Wymagane] Określa typ zadania.	"CustomModel" (wymagane)
tryb	Tryb dostarczania zasobów wyjściowych.	"ReadWriteMount" "Przekaż"
URI	Identyfikator URI elementu zawartości wyjściowej.	ciąg

CustomNCrossValidations (Walidacje niestandardowych dokumentów)

Nazwa	Opis	Wartość
tryb	[Wymagane] Tryb określania poprawności N-Cross.	"Niestandardowy" (wymagany)
wartość	[Wymagane] N-Cross validations wartość.	int (wymagane)

Niestandardowa sezonowość

Nazwa	Opis	Wartość
tryb	[Wymagane] Tryb sezonowości.	"Niestandardowy" (wymagany)
wartość	[Wymagane] Wartość sezonowości.	int (wymagane)

CustomTargetLags (Niestandardowe opóźnienia)

Nazwa	Opis	Wartość
tryb	[Wymagane] Ustawianie trybu opóźnień docelowych — automatyczne/niestandardowe	"Niestandardowy" (wymagany)
Wartości	[Wymagane] Ustaw wartości opóźnień docelowych.	int[] (wymagane)

CustomTargetRollingWindowSize (Niestandardowy rozmiarDocelowegoPrzewijaniaOkna)

Nazwa	Opis	Wartość
tryb	[Wymagane] TargetRollingWindowSiz detection mode (Tryb wykrywania TargetRollingWindowSiz).	"Niestandardowy" (wymagany)
wartość	[Wymagane] Wartość TargetRollingWindowSize.	int (wymagane)

Rozkładkonfiguracja

Nazwa	Opis	Wartość
distributionType (typ dystrybucji)	Ustaw wartość "Mpi" dla typu Mpi. Dla typu PyTorch ustaw wartość "PyTorch". Dla typu TensorFlow ustaw wartość "TensorFlow".	"Mpi" "PyTorch" "TensorFlow" (wymagany)

Polityka Wczesnej Terminacji

Nazwa	Opis	Wartość
delayEvaluation (opóźnienie)	Liczba interwałów, według których należy opóźnić pierwszą ocenę.	int (integer)
Parametr evaluationInterval (interwał oceny)	Interwał (liczba przebiegów) między ocenami zasad.	int (integer)
policyType (typ polityki)	Ustaw wartość "Bandit" dla typu BanditPolicy. Ustaw wartość "MedianStopping" dla typu MedianStoppingPolicy. Ustaw wartość "TruncationSelection" dla typu TruncationSelectionPolicy.	"Bandit" "MedianStopping" "Obcięcie wyboru" (wymagane)

PrognozaHorizon

Nazwa	Opis	Wartość
tryb	Ustaw wartość "Auto" dla typu AutoForecastHorizon. Dla typu CustomForecastHorizon ustaw wartość "CustomForecastHorizon".	"Auto" "Niestandardowy" (wymagany)

Prognozowanie

Nazwa	Opis	Wartość
allowedModels (dozwolone modele)	Dozwolone modele do zadania prognozowania.	Tablica ciągów zawierająca dowolną z: "Arimax" "AutoArima" "Średnia" "DecisionTree" "ElasticNet" "ExponentialSmoothing" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "Naiwny" "Prorok" "RandomForest" "Sezonowa wyrównywacz" "SeasonalNaive" "SGD" "TCNForecaster" "XGBoostRegressor"
blockedModels (zablokowaneModele)	Zablokowane modele do zadania prognozowania.	Tablica ciągów zawierająca dowolną z: "Arimax" "AutoArima" "Średnia" "DecisionTree" "ElasticNet" "ExponentialSmoothing" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "Naiwny" "Prorok" "RandomForest" "Sezonowa wyrównywacz" "SeasonalNaive" "SGD" "TCNForecaster" "XGBoostRegressor"
dataSettings (Ustawienia danych)	Dane wejściowe dla AutoMLJob.	TableVerticalDataSettings (Ustawienia danych tabeli)
cechowanieUstawienia	Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML.	TableVerticalFeaturizationSettings
prognozowanieUstawienia	Prognozowanie danych wejściowych specyficznych dla zadania.	PrognozowanieUstawienia
limitSettings (ustawienia limitu)	Ograniczenia wykonywania dla zadania AutoMLJob.	TableVerticalLimitSettings (Ustawienia stołu)
primaryMetric (podstawowy)	Podstawowa metryka zadania prognozowania.	"NormalizedMeanAbsoluteError" "NormalizedRootMeanSquaredError" "R2Score" "SpearmanCorrelation"
typ zadania	[Wymagane] Typ zadania dla zadania AutoMLJob.	"Prognozowanie" (wymagane)
trainingSettings (ustawienia szkolenia)	Dane wejściowe fazy trenowania zadania automatycznego uczenia maszynowego.	Ustawienia treningu

PrognozowanieUstawienia

Nazwa	Opis	Wartość
countryOrRegionForHolidays	Kraj lub region świąt na potrzeby prognozowania zadań. Powinny to być dwuliterowe kody kraju/regionu ISO 3166, na przykład "USA" lub "GB".	ciąg
cvStepSize (Rozmiar_kroku)	Liczba krosek między godziną początkową jednego składania CV a następnym fałszem. Dla na przykład jeśli `CVStepSize` = 3 dla danych dziennych, czas pochodzenia dla każdego fałdu będzie trzy dni od siebie.	int (integer)
featureLags (Opóźnienia)	Flaga generowania opóźnień dla funkcji liczbowych z wartością "auto" lub null.	"Auto" "Brak"
prognozaHoryzont	Żądany maksymalny horyzont prognozy w jednostkach częstotliwości szeregów czasowych.	PrognozaHorizon
częstotliwość	Podczas prognozowania ten parametr reprezentuje okres, z którym jest wymagana prognoza, na przykład codziennie, co tydzień, co rok itp. Częstotliwość prognozowania to częstotliwość zestawów danych domyślnie.	ciąg
Sezonowości	Ustaw sezonowość szeregów czasowych jako liczbę całkowitą z częstotliwością serii. Jeśli sezonowość jest ustawiona na wartość "auto", zostanie ona wywnioskowana.	Sezonowości
shortSeriesHandlingConfig (konfiguracja krótkiego zestawu)	Parametr definiujący sposób obsługi krótkich szeregów czasowych przez rozwiązanie AutoML.	"Auto" "Upuść" "Brak" "Pad"
targetAggregateFunction (funkcja celu)	Funkcja używana do agregowania kolumny docelowej szeregów czasowych w celu zachowania zgodności z określoną częstotliwością użytkownika. Jeśli parametr TargetAggregateFunction jest ustawiony, tj. nie "Brak", ale parametr freq nie jest ustawiony, zostanie zgłoszony błąd. Możliwe funkcje agregacji docelowej to: "sum", "max", "min" i "mean".	"Max" "Średnia" "Min" "Brak" "Suma"
targetLags (Opóźnienia docelowe)	Liczba poprzednich okresów do opóźnienia z kolumny docelowej.	Opóźnienie docelowe
targetRollingWindowSize (rozmiarOkna toczenia)	Liczba poprzednich okresów użytych do utworzenia średniej okna kroczącego kolumny docelowej.	TargetRollingWindowSize (Rozmiar okna toczącego)
timeColumnName (nazwa_kolumny)	Nazwa kolumny czasowej. Ten parametr jest wymagany podczas prognozowania w celu określenia kolumny datetime w danych wejściowych używanych do tworzenia szeregów czasowych i wnioskowania o jego częstotliwości.	ciąg
timeSeriesIdColumnNames	Nazwy kolumn używanych do grupowania czasowników. Może służyć do tworzenia wielu serii. Jeśli ziarno nie jest zdefiniowane, zakłada się, że zestaw danych jest jednym szeregem czasowym. Ten parametr jest używany z prognozowaniem typu zadania.	ciąg znakowy[]
useStl (Język Angielski)	Skonfiguruj dekompozycję STL kolumny docelowej szeregów czasowych.	"Brak" "Sezon" "SeasonTrend"

Algorytm próbkowania siatki

Nazwa	Opis	Wartość
samplingAlgorithmType	[Wymagane] Algorytm używany do generowania wartości hiperparametrów wraz z właściwościami konfiguracji	"Siatka" (wymagana)

IdentityConfiguration

Nazwa	Opis	Wartość
identityType (typ tożsamości)	Dla typu AmlToken ustaw wartość "AMLToken". Dla typu ManagedIdentity ustaw wartość "Managed". Ustaw wartość "UserIdentity" dla typu UserIdentity.	"AMLToken" "Zarządzane" "UserIdentity" (wymagane)

Klasyfikacja obrazu

Nazwa	Opis	Wartość
dataSettings (Ustawienia danych)	[Wymagane] Zbieranie zarejestrowanych identyfikatorów tabelarycznych zestawów danych i innych ustawień danych wymaganych do trenowania i weryfikowania modeli.	ImageVerticalDataSettings (wymagane)
limitSettings (ustawienia limitu)	[Wymagane] Ogranicz ustawienia zadania automatycznego uczenia maszynowego.	ImageLimitSettings (wymagane)
modelSettings (Ustawienia modelu)	Ustawienia używane do trenowania modelu.	ImageModelSettingsClassification
primaryMetric (podstawowy)	Podstawowa metryka do optymalizacji pod kątem tego zadania.	"Dokładność" "AUCWeighted" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted"
searchPrzestrzeń	Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów.	Klasyfikacja ImageModelDistributionSettings[]
sweepSettings (Ustawienia zamiatania)	Ustawienia związane z zamiatanie modeli i zamiatanie hiperparametrów.	Ustawienia zamiatania obrazu
typ zadania	[Wymagane] Typ zadania dla zadania AutoMLJob.	"ImageClassification" (wymagane)

ImageClassificationMultilabel

Nazwa	Opis	Wartość
dataSettings (Ustawienia danych)	[Wymagane] Zbieranie zarejestrowanych identyfikatorów tabelarycznych zestawów danych i innych ustawień danych wymaganych do trenowania i weryfikowania modeli.	ImageVerticalDataSettings (wymagane)
limitSettings (ustawienia limitu)	[Wymagane] Ogranicz ustawienia zadania automatycznego uczenia maszynowego.	ImageLimitSettings (wymagane)
modelSettings (Ustawienia modelu)	Ustawienia używane do trenowania modelu.	ImageModelSettingsClassification
primaryMetric (podstawowy)	Podstawowa metryka do optymalizacji pod kątem tego zadania.	"Dokładność" "AUCWeighted" "AveragePrecisionScoreWeighted" "IOU" "NormMacroRecall" "PrecisionScoreWeighted"
searchPrzestrzeń	Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów.	Klasyfikacja ImageModelDistributionSettings[]
sweepSettings (Ustawienia zamiatania)	Ustawienia związane z zamiatanie modeli i zamiatanie hiperparametrów.	Ustawienia zamiatania obrazu
typ zadania	[Wymagane] Typ zadania dla zadania AutoMLJob.	"ImageClassificationMultilabel" (wymagane)

Segmentacja ImageInstanceSegmentation

Nazwa	Opis	Wartość
dataSettings (Ustawienia danych)	[Wymagane] Zbieranie zarejestrowanych identyfikatorów tabelarycznych zestawów danych i innych ustawień danych wymaganych do trenowania i weryfikowania modeli.	ImageVerticalDataSettings (wymagane)
limitSettings (ustawienia limitu)	[Wymagane] Ogranicz ustawienia zadania automatycznego uczenia maszynowego.	ImageLimitSettings (wymagane)
modelSettings (Ustawienia modelu)	Ustawienia używane do trenowania modelu.	ImageModelSettingsObjectDetection
primaryMetric (podstawowy)	Podstawowa metryka do optymalizacji pod kątem tego zadania.	"MeanAveragePrecision"
searchPrzestrzeń	Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów.	ImageModelDistributionSettingsObjectDetection[]
sweepSettings (Ustawienia zamiatania)	Ustawienia związane z zamiatanie modeli i zamiatanie hiperparametrów.	Ustawienia zamiatania obrazu
typ zadania	[Wymagane] Typ zadania dla zadania AutoMLJob.	"ImageInstanceSegmentation" (wymagane)

Ustawienia limitu obrazu

Nazwa	Opis	Wartość
maxConcurrentTrials (Próby maksymalne)	Maksymalna liczba współbieżnych iteracji rozwiązania AutoML.	int (integer)
maxTrials (Próby maks.)	Maksymalna liczba iteracji rozwiązania AutoML.	int (integer)
przerwa czasowa	Limit czasu zadania automatycznego uczenia maszynowego.	ciąg

ImageModelDistributionSettingsClassification

Nazwa	Opis	Wartość
amsGradient (Gradient Sieciowy)	Włącz narzędzie AMSGrad, gdy optymalizator ma wartość "adam" lub "adamw".	ciąg
rozszerzenia	Ustawienia dotyczące używania rozszerzeń.	ciąg
Wersja beta1	Wartość "beta1", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie [0, 1].	ciąg
Wersja beta2	Wartość "beta2", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie [0, 1].	ciąg
Rozproszonych	Czy używać trenowania rozproszonego.	ciąg
wczesneZatrzymywanie	Włącz logikę wczesnego zatrzymywania podczas trenowania.	ciąg
wczesneZatrzymanieOpóźnienie	Minimalna liczba epok lub ocen walidacji, które należy zaczekać przed ulepszeniem podstawowej metryki jest śledzony pod kątem wczesnego zatrzymywania. Musi być dodatnią liczbą całkowitą.	ciąg
wczesnyZatrzymanieCierpliwość	Minimalna liczba epok lub ocen poprawności bez podstawowej poprawy metryki przed przebieg zostanie zatrzymany. Musi być dodatnią liczbą całkowitą.	ciąg
enableOnnxNormalization (włącz normalizację)	Włącz normalizację podczas eksportowania modelu ONNX.	ciąg
Częstotliwość oceny	Częstotliwość oceniania zestawu danych weryfikacji w celu uzyskania wyników metryk. Musi być dodatnią liczbą całkowitą.	ciąg
gradientAccumulationKrok	Akumulacja gradientu oznacza uruchomienie skonfigurowanej liczby kroków "GradAccumulationStep" bez aktualizowanie wag modelu podczas gromadzenia gradientów tych kroków, a następnie przy użyciu skumulowane gradienty do obliczenia aktualizacji wagi. Musi być dodatnią liczbą całkowitą.	ciąg
layersToFreeze (warstwyToFreeze)	Liczba warstw, które mają być blokowane dla modelu. Musi być dodatnią liczbą całkowitą. Na przykład przekazanie wartości 2 jako wartości dla "seresnext" oznacza warstwy zamrażania0 i warstwy 1. Aby uzyskać pełną listę obsługiwanych modeli i szczegółowe informacje na temat blokowania warstwy, proszę zobacz: /azure/machine-learning/how-to-auto-train-image-models.	ciąg
learningRate (Stawka nauki)	Początkowa szybkość nauki. Musi być zmiennoprzecinkowym w zakresie [0, 1].	ciąg
learningRateScheduler (Harmonogram lekcji)	Typ harmonogramu szybkości nauki. Musi być "warmup_cosine" lub "krok".	ciąg
nazwa_modelu	Nazwa modelu do użycia na potrzeby trenowania. Aby uzyskać więcej informacji na temat dostępnych modeli, odwiedź oficjalną dokumentację: /azure/machine-learning/how-to-auto-train-image-models.	ciąg
impet	Wartość tempa, gdy optymalizator ma wartość "sgd". Musi być zmiennoprzecinkowym w zakresie [0, 1].	ciąg
Niestierow	Włącz nesterov, gdy optymalizator ma wartość "sgd".	ciąg
liczbaEpok	Liczba epok treningowych. Musi być dodatnią liczbą całkowitą.	ciąg
liczbaPracowników	Liczba procesów roboczych modułu ładującego dane. Musi być nieujemną liczbą całkowitą.	ciąg
Optimizator	Typ optymalizatora. Musi być albo "sgd", "adam" lub "adamw".	ciąg
randomSeed (Ziarno losowe)	Inicjator losowy, który ma być używany podczas korzystania z trenowania deterministycznego.	ciąg
splitRatio (współczynnik podziału)	Jeśli dane walidacji nie są zdefiniowane, określa to współczynnik podziału dla podziału Trenowanie danych w podzbiorach losowego trenowania i walidacji. Musi być zmiennoprzecinkowym w zakresie [0, 1].	ciąg
stepLRGamma	Wartość gamma, gdy harmonogram szybkości nauki to "krok". Musi być zmiennoprzecinkowym w zakresie [0, 1].	ciąg
stepLRStepSize (rozmiar)	Wartość rozmiaru kroku, gdy harmonogram szybkości nauki to "krok". Musi być dodatnią liczbą całkowitą.	ciąg
trainingBatchSize (rozmiar)	Rozmiar partii trenowania. Musi być dodatnią liczbą całkowitą.	ciąg
trainingCropSize (rozmiar uprawy)	Rozmiar przycinania obrazów wejściowy do sieci neuronowej dla zestawu danych trenowania. Musi być dodatnią liczbą całkowitą.	ciąg
validationBatchSize (validationBatchSize)	Sprawdzanie poprawności rozmiaru partii. Musi być dodatnią liczbą całkowitą.	ciąg
validationCropSize (validationCropSize)	Rozmiar przycinania obrazów wejściowy do sieci neuronowej dla zestawu danych weryfikacji. Musi być dodatnią liczbą całkowitą.	ciąg
validationResizeSizeSize	Rozmiar obrazu, którego rozmiar należy zmienić przed przycięciem do zestawu danych weryfikacji. Musi być dodatnią liczbą całkowitą.	ciąg
rozgrzewkaCosineLRCycles	Wartość cyklu cosinusowego, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być zmiennoprzecinkowym w zakresie [0, 1].	ciąg
rozgrzewkaCosinusLRWarmupEpoki	Wartość epok rozgrzewki, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być dodatnią liczbą całkowitą.	ciąg
wagaRozkład	Wartość rozkładu masy, gdy optymalizator ma wartość "sgd", "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie[0, 1].	ciąg
ważoneLoss	Utrata wagi. Akceptowane wartości to 0 dla bez odchudzania. 1 dla odchudzania z sqrt. (class_weights). 2 dla odchudzania z class_weights. Musi mieć wartość 0 lub 1 lub 2.	ciąg

ImageModelDistributionSettingsObjectDetection

Nazwa	Opis	Wartość
amsGradient (Gradient Sieciowy)	Włącz narzędzie AMSGrad, gdy optymalizator ma wartość "adam" lub "adamw".	ciąg
rozszerzenia	Ustawienia dotyczące używania rozszerzeń.	ciąg
Wersja beta1	Wartość "beta1", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie [0, 1].	ciąg
Wersja beta2	Wartość "beta2", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie [0, 1].	ciąg
boxDetectionsPerImage (WykrywanieObrazu)	Maksymalna liczba wykryć na obrazie dla wszystkich klas. Musi być dodatnią liczbą całkowitą. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".	ciąg
boxScoreThreshold (próg wyniku)	Podczas wnioskowania zwracane są tylko propozycje z oceną klasyfikacji większą niż BoxScoreThreshold. Musi być zmiennoprzecinkowym w zakresie[0, 1].	ciąg
Rozproszonych	Czy używać trenowania rozproszonego.	ciąg
wczesneZatrzymywanie	Włącz logikę wczesnego zatrzymywania podczas trenowania.	ciąg
wczesneZatrzymanieOpóźnienie	Minimalna liczba epok lub ocen walidacji, które należy zaczekać przed ulepszeniem podstawowej metryki jest śledzony pod kątem wczesnego zatrzymywania. Musi być dodatnią liczbą całkowitą.	ciąg
wczesnyZatrzymanieCierpliwość	Minimalna liczba epok lub ocen poprawności bez podstawowej poprawy metryki przed przebieg zostanie zatrzymany. Musi być dodatnią liczbą całkowitą.	ciąg
enableOnnxNormalization (włącz normalizację)	Włącz normalizację podczas eksportowania modelu ONNX.	ciąg
Częstotliwość oceny	Częstotliwość oceniania zestawu danych weryfikacji w celu uzyskania wyników metryk. Musi być dodatnią liczbą całkowitą.	ciąg
gradientAccumulationKrok	Akumulacja gradientu oznacza uruchomienie skonfigurowanej liczby kroków "GradAccumulationStep" bez aktualizowanie wag modelu podczas gromadzenia gradientów tych kroków, a następnie przy użyciu skumulowane gradienty do obliczenia aktualizacji wagi. Musi być dodatnią liczbą całkowitą.	ciąg
rozmiarObrazu	Rozmiar obrazu do trenowania i walidacji. Musi być dodatnią liczbą całkowitą. Uwaga: Przebieg trenowania może dostać się do CUDA OOM, jeśli rozmiar jest zbyt duży. Uwaga: te ustawienia są obsługiwane tylko dla algorytmu "yolov5".	ciąg
layersToFreeze (warstwyToFreeze)	Liczba warstw, które mają być blokowane dla modelu. Musi być dodatnią liczbą całkowitą. Na przykład przekazanie wartości 2 jako wartości dla "seresnext" oznacza warstwy zamrażania0 i warstwy 1. Aby uzyskać pełną listę obsługiwanych modeli i szczegółowe informacje na temat blokowania warstwy, proszę zobacz: /azure/machine-learning/how-to-auto-train-image-models.	ciąg
learningRate (Stawka nauki)	Początkowa szybkość nauki. Musi być zmiennoprzecinkowym w zakresie [0, 1].	ciąg
learningRateScheduler (Harmonogram lekcji)	Typ harmonogramu szybkości nauki. Musi być "warmup_cosine" lub "krok".	ciąg
maksymalnyRozmiar	Maksymalny rozmiar obrazu do ponownego skalowania przed przesłaniem go do sieci szkieletowej. Musi być dodatnią liczbą całkowitą. Uwaga: przebieg trenowania może dostać się do CUDA OOM, jeśli rozmiar jest zbyt duży. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".	ciąg
minSize (minimalny rozmiar)	Minimalny rozmiar obrazu do ponownego skalowania przed przesłaniem go do sieci szkieletowej. Musi być dodatnią liczbą całkowitą. Uwaga: przebieg trenowania może dostać się do CUDA OOM, jeśli rozmiar jest zbyt duży. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".	ciąg
nazwa_modelu	Nazwa modelu do użycia na potrzeby trenowania. Aby uzyskać więcej informacji na temat dostępnych modeli, odwiedź oficjalną dokumentację: /azure/machine-learning/how-to-auto-train-image-models.	ciąg
modelSize (Rozmiar modelu)	Rozmiar modelu. Musi być "mały", "średni", "duży" lub "xlarge". Uwaga: przebieg trenowania może dostać się do cudA OOM, jeśli rozmiar modelu jest zbyt duży. Uwaga: te ustawienia są obsługiwane tylko dla algorytmu "yolov5".	ciąg
impet	Wartość tempa, gdy optymalizator ma wartość "sgd". Musi być zmiennoprzecinkowym w zakresie [0, 1].	ciąg
wieloskalowa	Włącz obraz wieloskalowy, zmieniając rozmiar obrazu o +/- 50%. Uwaga: przebieg trenowania może dostać się do funkcji CUDA OOM, jeśli nie ma wystarczającej ilości pamięci procesora GPU. Uwaga: te ustawienia są obsługiwane tylko dla algorytmu "yolov5".	ciąg
Niestierow	Włącz nesterov, gdy optymalizator ma wartość "sgd".	ciąg
nmsIouThreshold (Próg nmsIou)	Próg operacji we/wy używany podczas wnioskowania w procesie przetwarzania końcowego NMS. Musi być zmiennoprzecinkowy w zakresie [0, 1].	ciąg
liczbaEpok	Liczba epok treningowych. Musi być dodatnią liczbą całkowitą.	ciąg
liczbaPracowników	Liczba procesów roboczych modułu ładującego dane. Musi być nieujemną liczbą całkowitą.	ciąg
Optimizator	Typ optymalizatora. Musi być albo "sgd", "adam" lub "adamw".	ciąg
randomSeed (Ziarno losowe)	Inicjator losowy, który ma być używany podczas korzystania z trenowania deterministycznego.	ciąg
splitRatio (współczynnik podziału)	Jeśli dane walidacji nie są zdefiniowane, określa to współczynnik podziału dla podziału Trenowanie danych w podzbiorach losowego trenowania i walidacji. Musi być zmiennoprzecinkowym w zakresie [0, 1].	ciąg
stepLRGamma	Wartość gamma, gdy harmonogram szybkości nauki to "krok". Musi być zmiennoprzecinkowym w zakresie [0, 1].	ciąg
stepLRStepSize (rozmiar)	Wartość rozmiaru kroku, gdy harmonogram szybkości nauki to "krok". Musi być dodatnią liczbą całkowitą.	ciąg
tileGridSize (rozmiar siatki)	Rozmiar siatki do użycia do układania każdego obrazu. Uwaga: TileGridSize nie może być Brak do włączenia małej logiki wykrywania obiektów. Ciąg zawierający dwie liczby całkowite w formacie mxn. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".	ciąg
tileOverlapRatio (współczynnik nakładania się)	Współczynnik nakładania się między sąsiednimi kafelkami w każdym wymiarze. Musi być zmiennoprzecinkowy w zakresie [0, 1). Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".	ciąg
tilePredictionsNmsThreshold	Próg operacji we/wy używany do wykonywania nms podczas scalania przewidywań z kafelków i obrazów. Używany w walidacji/wnioskowaniu. Musi być zmiennoprzecinkowy w zakresie [0, 1]. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5". NMS: brak maksymalnego pomijania	ciąg
trainingBatchSize (rozmiar)	Rozmiar partii trenowania. Musi być dodatnią liczbą całkowitą.	ciąg
validationBatchSize (validationBatchSize)	Sprawdzanie poprawności rozmiaru partii. Musi być dodatnią liczbą całkowitą.	ciąg
validationIouThreshold (próg walidacji)	Próg operacji we/wy do użycia podczas obliczania metryki walidacji. Musi być zmiennoprzecinkowy w zakresie [0, 1].	ciąg
validationMetricType	Metoda obliczeniowa metryki do użycia na potrzeby metryk walidacji. Musi mieć wartość "none", "coco", "voc" lub "coco_voc".	ciąg
rozgrzewkaCosineLRCycles	Wartość cyklu cosinusowego, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być zmiennoprzecinkowym w zakresie [0, 1].	ciąg
rozgrzewkaCosinusLRWarmupEpoki	Wartość epok rozgrzewki, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być dodatnią liczbą całkowitą.	ciąg
wagaRozkład	Wartość rozkładu masy, gdy optymalizator ma wartość "sgd", "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie[0, 1].	ciąg

ImageModelSettingsClassification

Nazwa	Opis	Wartość
zaawansowaneUstawienia	Ustawienia dla zaawansowanych scenariuszy.	ciąg
amsGradient (Gradient Sieciowy)	Włącz narzędzie AMSGrad, gdy optymalizator ma wartość "adam" lub "adamw".	Bool
rozszerzenia	Ustawienia dotyczące używania rozszerzeń.	ciąg
Wersja beta1	Wartość "beta1", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie [0, 1].	int (integer)
Wersja beta2	Wartość "beta2", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie [0, 1].	int (integer)
checkpointDatasetId	Identyfikator zestawu danych FileDataset dla wstępnie wytrenowanych punktów kontrolnych na potrzeby trenowania przyrostowego. Upewnij się, że przekazujesz CheckpointFilename wraz z CheckpointDatasetId.	ciąg
checkpointFilename (nazwa pliku)	Wstępnie wytrenowana nazwa pliku punktu kontrolnego w plikuDataset na potrzeby trenowania przyrostowego. Upewnij się, że przekazujesz CheckpointDatasetId wraz z CheckpointFilename.	ciąg
checkpointCzęstotliwość	Częstotliwość przechowywania punktów kontrolnych modelu. Musi być dodatnią liczbą całkowitą.	int (integer)
checkpointRunId (identyfikator biegu)	Identyfikator poprzedniego przebiegu, który ma wstępnie wytrenowany punkt kontrolny na potrzeby trenowania przyrostowego.	ciąg
Rozproszonych	Czy używać trenowania rozproszonego.	Bool
wczesneZatrzymywanie	Włącz logikę wczesnego zatrzymywania podczas trenowania.	Bool
wczesneZatrzymanieOpóźnienie	Minimalna liczba epok lub ocen walidacji, które należy zaczekać przed ulepszeniem podstawowej metryki jest śledzony pod kątem wczesnego zatrzymywania. Musi być dodatnią liczbą całkowitą.	int (integer)
wczesnyZatrzymanieCierpliwość	Minimalna liczba epok lub ocen poprawności bez podstawowej poprawy metryki przed przebieg zostanie zatrzymany. Musi być dodatnią liczbą całkowitą.	int (integer)
enableOnnxNormalization (włącz normalizację)	Włącz normalizację podczas eksportowania modelu ONNX.	Bool
Częstotliwość oceny	Częstotliwość oceniania zestawu danych weryfikacji w celu uzyskania wyników metryk. Musi być dodatnią liczbą całkowitą.	int (integer)
gradientAccumulationKrok	Akumulacja gradientu oznacza uruchomienie skonfigurowanej liczby kroków "GradAccumulationStep" bez aktualizowanie wag modelu podczas gromadzenia gradientów tych kroków, a następnie przy użyciu skumulowane gradienty do obliczenia aktualizacji wagi. Musi być dodatnią liczbą całkowitą.	int (integer)
layersToFreeze (warstwyToFreeze)	Liczba warstw, które mają być blokowane dla modelu. Musi być dodatnią liczbą całkowitą. Na przykład przekazanie wartości 2 jako wartości dla "seresnext" oznacza warstwy zamrażania0 i warstwy 1. Aby uzyskać pełną listę obsługiwanych modeli i szczegółowe informacje na temat blokowania warstwy, proszę zobacz: /azure/machine-learning/how-to-auto-train-image-models.	int (integer)
learningRate (Stawka nauki)	Początkowa szybkość nauki. Musi być zmiennoprzecinkowym w zakresie [0, 1].	int (integer)
learningRateScheduler (Harmonogram lekcji)	Typ harmonogramu szybkości nauki. Musi być "warmup_cosine" lub "krok".	"Brak" "Krok" "WarmupCosine"
nazwa_modelu	Nazwa modelu do użycia na potrzeby trenowania. Aby uzyskać więcej informacji na temat dostępnych modeli, odwiedź oficjalną dokumentację: /azure/machine-learning/how-to-auto-train-image-models.	ciąg
impet	Wartość tempa, gdy optymalizator ma wartość "sgd". Musi być zmiennoprzecinkowym w zakresie [0, 1].	int (integer)
Niestierow	Włącz nesterov, gdy optymalizator ma wartość "sgd".	Bool
liczbaEpok	Liczba epok treningowych. Musi być dodatnią liczbą całkowitą.	int (integer)
liczbaPracowników	Liczba procesów roboczych modułu ładującego dane. Musi być nieujemną liczbą całkowitą.	int (integer)
Optimizator	Typ optymalizatora.	"Adam" "Adamw" "Brak" "Sgd"
randomSeed (Ziarno losowe)	Inicjator losowy, który ma być używany podczas korzystania z trenowania deterministycznego.	int (integer)
splitRatio (współczynnik podziału)	Jeśli dane walidacji nie są zdefiniowane, określa to współczynnik podziału dla podziału Trenowanie danych w podzbiorach losowego trenowania i walidacji. Musi być zmiennoprzecinkowym w zakresie [0, 1].	int (integer)
stepLRGamma	Wartość gamma, gdy harmonogram szybkości nauki to "krok". Musi być zmiennoprzecinkowym w zakresie [0, 1].	int (integer)
stepLRStepSize (rozmiar)	Wartość rozmiaru kroku, gdy harmonogram szybkości nauki to "krok". Musi być dodatnią liczbą całkowitą.	int (integer)
trainingBatchSize (rozmiar)	Rozmiar partii trenowania. Musi być dodatnią liczbą całkowitą.	int (integer)
trainingCropSize (rozmiar uprawy)	Rozmiar przycinania obrazów wejściowy do sieci neuronowej dla zestawu danych trenowania. Musi być dodatnią liczbą całkowitą.	int (integer)
validationBatchSize (validationBatchSize)	Sprawdzanie poprawności rozmiaru partii. Musi być dodatnią liczbą całkowitą.	int (integer)
validationCropSize (validationCropSize)	Rozmiar przycinania obrazów wejściowy do sieci neuronowej dla zestawu danych weryfikacji. Musi być dodatnią liczbą całkowitą.	int (integer)
validationResizeSizeSize	Rozmiar obrazu, którego rozmiar należy zmienić przed przycięciem do zestawu danych weryfikacji. Musi być dodatnią liczbą całkowitą.	int (integer)
rozgrzewkaCosineLRCycles	Wartość cyklu cosinusowego, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być zmiennoprzecinkowym w zakresie [0, 1].	int (integer)
rozgrzewkaCosinusLRWarmupEpoki	Wartość epok rozgrzewki, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być dodatnią liczbą całkowitą.	int (integer)
wagaRozkład	Wartość rozkładu masy, gdy optymalizator ma wartość "sgd", "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie[0, 1].	int (integer)
ważoneLoss	Utrata wagi. Akceptowane wartości to 0 dla bez odchudzania. 1 dla odchudzania z sqrt. (class_weights). 2 dla odchudzania z class_weights. Musi mieć wartość 0 lub 1 lub 2.	int (integer)

ImageModelSettingsObjectDetection

Nazwa	Opis	Wartość
zaawansowaneUstawienia	Ustawienia dla zaawansowanych scenariuszy.	ciąg
amsGradient (Gradient Sieciowy)	Włącz narzędzie AMSGrad, gdy optymalizator ma wartość "adam" lub "adamw".	Bool
rozszerzenia	Ustawienia dotyczące używania rozszerzeń.	ciąg
Wersja beta1	Wartość "beta1", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie [0, 1].	int (integer)
Wersja beta2	Wartość "beta2", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie [0, 1].	int (integer)
boxDetectionsPerImage (WykrywanieObrazu)	Maksymalna liczba wykryć na obrazie dla wszystkich klas. Musi być dodatnią liczbą całkowitą. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".	int (integer)
boxScoreThreshold (próg wyniku)	Podczas wnioskowania zwracane są tylko propozycje z oceną klasyfikacji większą niż BoxScoreThreshold. Musi być zmiennoprzecinkowym w zakresie[0, 1].	int (integer)
checkpointDatasetId	Identyfikator zestawu danych FileDataset dla wstępnie wytrenowanych punktów kontrolnych na potrzeby trenowania przyrostowego. Upewnij się, że przekazujesz CheckpointFilename wraz z CheckpointDatasetId.	ciąg
checkpointFilename (nazwa pliku)	Wstępnie wytrenowana nazwa pliku punktu kontrolnego w plikuDataset na potrzeby trenowania przyrostowego. Upewnij się, że przekazujesz CheckpointDatasetId wraz z CheckpointFilename.	ciąg
checkpointCzęstotliwość	Częstotliwość przechowywania punktów kontrolnych modelu. Musi być dodatnią liczbą całkowitą.	int (integer)
checkpointRunId (identyfikator biegu)	Identyfikator poprzedniego przebiegu, który ma wstępnie wytrenowany punkt kontrolny na potrzeby trenowania przyrostowego.	ciąg
Rozproszonych	Czy używać trenowania rozproszonego.	Bool
wczesneZatrzymywanie	Włącz logikę wczesnego zatrzymywania podczas trenowania.	Bool
wczesneZatrzymanieOpóźnienie	Minimalna liczba epok lub ocen walidacji, które należy zaczekać przed ulepszeniem podstawowej metryki jest śledzony pod kątem wczesnego zatrzymywania. Musi być dodatnią liczbą całkowitą.	int (integer)
wczesnyZatrzymanieCierpliwość	Minimalna liczba epok lub ocen poprawności bez podstawowej poprawy metryki przed przebieg zostanie zatrzymany. Musi być dodatnią liczbą całkowitą.	int (integer)
enableOnnxNormalization (włącz normalizację)	Włącz normalizację podczas eksportowania modelu ONNX.	Bool
Częstotliwość oceny	Częstotliwość oceniania zestawu danych weryfikacji w celu uzyskania wyników metryk. Musi być dodatnią liczbą całkowitą.	int (integer)
gradientAccumulationKrok	Akumulacja gradientu oznacza uruchomienie skonfigurowanej liczby kroków "GradAccumulationStep" bez aktualizowanie wag modelu podczas gromadzenia gradientów tych kroków, a następnie przy użyciu skumulowane gradienty do obliczenia aktualizacji wagi. Musi być dodatnią liczbą całkowitą.	int (integer)
rozmiarObrazu	Rozmiar obrazu do trenowania i walidacji. Musi być dodatnią liczbą całkowitą. Uwaga: Przebieg trenowania może dostać się do CUDA OOM, jeśli rozmiar jest zbyt duży. Uwaga: te ustawienia są obsługiwane tylko dla algorytmu "yolov5".	int (integer)
layersToFreeze (warstwyToFreeze)	Liczba warstw, które mają być blokowane dla modelu. Musi być dodatnią liczbą całkowitą. Na przykład przekazanie wartości 2 jako wartości dla "seresnext" oznacza warstwy zamrażania0 i warstwy 1. Aby uzyskać pełną listę obsługiwanych modeli i szczegółowe informacje na temat blokowania warstwy, proszę zobacz: /azure/machine-learning/how-to-auto-train-image-models.	int (integer)
learningRate (Stawka nauki)	Początkowa szybkość nauki. Musi być zmiennoprzecinkowym w zakresie [0, 1].	int (integer)
learningRateScheduler (Harmonogram lekcji)	Typ harmonogramu szybkości nauki. Musi być "warmup_cosine" lub "krok".	"Brak" "Krok" "WarmupCosine"
maksymalnyRozmiar	Maksymalny rozmiar obrazu do ponownego skalowania przed przesłaniem go do sieci szkieletowej. Musi być dodatnią liczbą całkowitą. Uwaga: przebieg trenowania może dostać się do CUDA OOM, jeśli rozmiar jest zbyt duży. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".	int (integer)
minSize (minimalny rozmiar)	Minimalny rozmiar obrazu do ponownego skalowania przed przesłaniem go do sieci szkieletowej. Musi być dodatnią liczbą całkowitą. Uwaga: przebieg trenowania może dostać się do CUDA OOM, jeśli rozmiar jest zbyt duży. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".	int (integer)
nazwa_modelu	Nazwa modelu do użycia na potrzeby trenowania. Aby uzyskać więcej informacji na temat dostępnych modeli, odwiedź oficjalną dokumentację: /azure/machine-learning/how-to-auto-train-image-models.	ciąg
modelSize (Rozmiar modelu)	Rozmiar modelu. Musi być "mały", "średni", "duży" lub "xlarge". Uwaga: przebieg trenowania może dostać się do cudA OOM, jeśli rozmiar modelu jest zbyt duży. Uwaga: te ustawienia są obsługiwane tylko dla algorytmu "yolov5".	"ExtraLarge" "Duży" "Średni" "Brak" "Mały"
impet	Wartość tempa, gdy optymalizator ma wartość "sgd". Musi być zmiennoprzecinkowym w zakresie [0, 1].	int (integer)
wieloskalowa	Włącz obraz wieloskalowy, zmieniając rozmiar obrazu o +/- 50%. Uwaga: przebieg trenowania może dostać się do funkcji CUDA OOM, jeśli nie ma wystarczającej ilości pamięci procesora GPU. Uwaga: te ustawienia są obsługiwane tylko dla algorytmu "yolov5".	Bool
Niestierow	Włącz nesterov, gdy optymalizator ma wartość "sgd".	Bool
nmsIouThreshold (Próg nmsIou)	Próg operacji we/wy używany podczas wnioskowania w procesie przetwarzania końcowego NMS. Musi być zmiennoprzecinkowym w zakresie [0, 1].	int (integer)
liczbaEpok	Liczba epok treningowych. Musi być dodatnią liczbą całkowitą.	int (integer)
liczbaPracowników	Liczba procesów roboczych modułu ładującego dane. Musi być nieujemną liczbą całkowitą.	int (integer)
Optimizator	Typ optymalizatora.	"Adam" "Adamw" "Brak" "Sgd"
randomSeed (Ziarno losowe)	Inicjator losowy, który ma być używany podczas korzystania z trenowania deterministycznego.	int (integer)
splitRatio (współczynnik podziału)	Jeśli dane walidacji nie są zdefiniowane, określa to współczynnik podziału dla podziału Trenowanie danych w podzbiorach losowego trenowania i walidacji. Musi być zmiennoprzecinkowym w zakresie [0, 1].	int (integer)
stepLRGamma	Wartość gamma, gdy harmonogram szybkości nauki to "krok". Musi być zmiennoprzecinkowym w zakresie [0, 1].	int (integer)
stepLRStepSize (rozmiar)	Wartość rozmiaru kroku, gdy harmonogram szybkości nauki to "krok". Musi być dodatnią liczbą całkowitą.	int (integer)
tileGridSize (rozmiar siatki)	Rozmiar siatki do użycia do układania każdego obrazu. Uwaga: TileGridSize nie może być Brak do włączenia małej logiki wykrywania obiektów. Ciąg zawierający dwie liczby całkowite w formacie mxn. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".	ciąg
tileOverlapRatio (współczynnik nakładania się)	Współczynnik nakładania się między sąsiednimi kafelkami w każdym wymiarze. Musi być zmiennoprzecinkowy w zakresie [0, 1). Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".	int (integer)
tilePredictionsNmsThreshold	Próg operacji we/wy używany do wykonywania nms podczas scalania przewidywań z kafelków i obrazów. Używany w walidacji/wnioskowaniu. Musi być zmiennoprzecinkowy w zakresie [0, 1]. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".	int (integer)
trainingBatchSize (rozmiar)	Rozmiar partii trenowania. Musi być dodatnią liczbą całkowitą.	int (integer)
validationBatchSize (validationBatchSize)	Sprawdzanie poprawności rozmiaru partii. Musi być dodatnią liczbą całkowitą.	int (integer)
validationIouThreshold (próg walidacji)	Próg operacji we/wy do użycia podczas obliczania metryki walidacji. Musi być zmiennoprzecinkowy w zakresie [0, 1].	int (integer)
validationMetricType	Metoda obliczeniowa metryki do użycia na potrzeby metryk walidacji.	"Coco" "CocoVoc" "Brak" "Voc"
rozgrzewkaCosineLRCycles	Wartość cyklu cosinusowego, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być zmiennoprzecinkowym w zakresie [0, 1].	int (integer)
rozgrzewkaCosinusLRWarmupEpoki	Wartość epok rozgrzewki, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być dodatnią liczbą całkowitą.	int (integer)
wagaRozkład	Wartość rozkładu masy, gdy optymalizator ma wartość "sgd", "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie[0, 1].	int (integer)

ImageObjectDetection

Nazwa	Opis	Wartość
dataSettings (Ustawienia danych)	[Wymagane] Zbieranie zarejestrowanych identyfikatorów tabelarycznych zestawów danych i innych ustawień danych wymaganych do trenowania i weryfikowania modeli.	ImageVerticalDataSettings (wymagane)
limitSettings (ustawienia limitu)	[Wymagane] Ogranicz ustawienia zadania automatycznego uczenia maszynowego.	ImageLimitSettings (wymagane)
modelSettings (Ustawienia modelu)	Ustawienia używane do trenowania modelu.	ImageModelSettingsObjectDetection
primaryMetric (podstawowy)	Podstawowa metryka do optymalizacji pod kątem tego zadania.	"MeanAveragePrecision"
searchPrzestrzeń	Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów.	ImageModelDistributionSettingsObjectDetection[]
sweepSettings (Ustawienia zamiatania)	Ustawienia związane z zamiatanie modeli i zamiatanie hiperparametrów.	Ustawienia zamiatania obrazu
typ zadania	[Wymagane] Typ zadania dla zadania AutoMLJob.	"ImageObjectDetection" (wymagane)

Ustawienia ImageSweepLimitSettings

Nazwa	Opis	Wartość
maxConcurrentTrials (Próby maksymalne)	Maksymalna liczba współbieżnych iteracji dla bazowego zadania zamiatania.	int (integer)
maxTrials (Próby maks.)	Maksymalna liczba iteracji dla bazowego zadania zamiatania.	int (integer)

Ustawienia zamiatania obrazu

Nazwa	Opis	Wartość
wczesneWypowiedzenie	Typ zasad wczesnego kończenia.	Polityka Wczesnej Terminacji
limity	[Wymagane] Ogranicz ustawienia dla zamiatania modeli i zamiatania hiperparametrów.	ImageSweepLimitSettings (wymagane)
próbkowanieAlgorithm	[Wymagane] Typ algorytmów próbkowania hiperparametrów.	"Bayesian" "Siatka" "Losowe" (wymagane)

ImageVerticalDataSettings (Ustawienia danych obrazu)

Nazwa	Opis	Wartość
targetColumnName (nazwa_kolumny)	[Wymagane] Nazwa kolumny docelowej: jest to kolumna wartości przewidywania. Znana również jako nazwa kolumny etykiety w kontekście zadań klasyfikacji.	struna Ograniczenia: Wzorzec = `[a-zA-Z0-9_]` (wymagane)
testData (dane testowe)	Testowanie danych wejściowych.	TestDataSettings
trainingData (dane szkoleniowe)	[Wymagane] Dane wejściowe danych treningowych.	TrainingDataSettings (wymagane)
validationData (Dane walidacji)	Ustawienia zestawu danych walidacji.	ImageVerticalValidationDataSettings

ImageVerticalValidationDataSettings

Nazwa	Opis	Wartość
dane	Dane walidacji MLTable.	MLTableJobInput
validationDataSize (validationDataSize)	Ułamek zestawu danych trenowania, który należy odłożyć na potrzeby walidacji. Wartości z zakresu (0.0, 1.0) Zastosowano, gdy zestaw danych weryfikacji nie został podany.	int (integer)

JobBaseDetails (Szczegóły bazy zadań)

Nazwa	Opis	Wartość
computeId (identyfikator obliczeniowy)	Identyfikator zasobu usługi ARM zasobu obliczeniowego.	ciąg
opis	Tekst opisu zasobu.	ciąg
nazwa wyświetlana	Nazwa wyświetlana zadania.	ciąg
experimentName (nazwa eksperymentu)	Nazwa eksperymentu, do którego należy zadanie. Jeśli nie zostanie ustawione, zadanie zostanie umieszczone w eksperymencie "Domyślny".	ciąg
tożsamość	Konfiguracja tożsamości. W przypadku ustawienia powinna to być jedna z wartości AmlToken, ManagedIdentity, UserIdentity lub null. Wartość domyślna to AmlToken, jeśli ma wartość null.	IdentityConfiguration
isArchived (zarchiwizowany)	Czy zasób jest archiwizowany?	Bool
rodzaj pracy	Ustaw wartość "AutoML" dla typu AutoMLJob. Ustaw wartość "Command" dla typu CommandJob. Dla typu PipelineJob ustaw wartość "Pipeline". Ustaw wartość "Zamiatanie" dla typu SweepJob.	"AutoML" "Polecenie" "Potok" "Zamiatanie" (wymagane)
właściwości	Słownik właściwości elementu zawartości.	Właściwości bazy danych ResourceBase
grafik	Definiowanie harmonogramu pracy. Jeśli harmonogram nie zostanie podany, zadanie zostanie uruchomione raz i natychmiast po przesłaniu.	Baza harmonogramu
usługi	Lista punktów zadań. W przypadku zadań lokalnych punkt końcowy zadania będzie miał wartość punktu końcowego FileStreamObject.	Usługi JobBaseServices
Etykiety	Słownik tagów. Tagi można dodawać, usuwać i aktualizować.	Tagi ResourceBaseTags

Usługi JobBaseServices

Nazwa	Opis	Wartość

JobInput (Wejście zadania)

Nazwa	Opis	Wartość
opis	Opis danych wejściowych.	ciąg
jobInputType (typ wejścia)	Ustaw wartość "CustomModel" dla typu CustomModelJobInput. Ustaw wartość "Literal" dla typu LiteralJobInput. Ustaw wartość "MLFlowModel" dla typu MLFlowModelJobInput. Ustaw wartość "MLTable" dla typu MLTableJobInput. Ustaw wartość "TritonModel" dla typu TritonModelJobInput. Ustaw wartość "UriFile" dla typu UriFileJobInput. Ustaw wartość "UriFolder" dla typu UriFolderJobInput.	"CustomModel" "Dosłownie" "MLFlowModel" "MLTable" "TritonModel" "UriFile" "UriFolder" (wymagany)

Dane wyjściowe zadania

Nazwa	Opis	Wartość
opis	Opis danych wyjściowych.	ciąg
jobOutputType (Typ zadania)	Ustaw wartość "CustomModel" dla typu CustomModelJobOutput. Ustaw wartość "MLFlowModel" dla typu MLFlowModelJobOutput. Ustaw wartość "MLTable" dla typu MLTableJobOutput. Ustaw wartość "TritonModel" dla typu TritonModelJobOutput. Ustaw wartość "UriFile" dla typu UriFileJobOutput. Ustaw wartość "UriFolder" dla typu UriFolderJobOutput.	"CustomModel" "MLFlowModel" "MLTable" "TritonModel" "UriFile" "UriFolder" (wymagany)

Serwis Pracy

Nazwa	Opis	Wartość
punkt końcowy	Adres URL punktu końcowego.	ciąg
jobServiceType (typ usługi)	Typ punktu końcowego.	ciąg
port	Port dla punktu końcowego.	int (integer)
właściwości	Dodatkowe właściwości do ustawienia w punkcie końcowym.	Właściwości usługi zadań

Właściwości usługi zadań

Nazwa	Opis	Wartość

LiterałJobInput

Nazwa	Opis	Wartość
jobInputType (typ wejścia)	[Wymagane] Określa typ zadania.	"Dosłowny" (wymagane)
wartość	[Wymagane] Wartość literału dla danych wejściowych.	struna Ograniczenia: Wzorzec = `[a-zA-Z0-9_]` (wymagane)

Identyfikator zarządzany

Nazwa	Opis	Wartość
clientId (identyfikator klienta)	Określa tożsamość przypisaną przez użytkownika według identyfikatora klienta. W przypadku przypisanego przez system pola nie należy ustawiać tego pola.	struna Ograniczenia: Minimalna długość = 36 Maksymalna długość = 36 Wzorzec = `^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$`
identityType (typ tożsamości)	[Wymagane] Określa typ struktury tożsamości.	"Zarządzane" (wymagane)
objectId (identyfikator obiektu)	Określa tożsamość przypisaną przez użytkownika według identyfikatora obiektu. W przypadku przypisanego przez system pola nie należy ustawiać tego pola.	struna Ograniczenia: Minimalna długość = 36 Maksymalna długość = 36 Wzorzec = `^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$`
identyfikator zasobu	Określa tożsamość przypisaną przez użytkownika według identyfikatora zasobu usługi ARM. W przypadku przypisanego przez system pola nie należy ustawiać tego pola.	ciąg

MedianStoppingPolicy (Polityka MedianStopping)

Nazwa	Opis	Wartość
policyType (typ polityki)	[Wymagane] Nazwa konfiguracji zasad	"MedianStopping" (wymagane)

MLFlowModelJobInput

Nazwa	Opis	Wartość
jobInputType (typ wejścia)	[Wymagane] Określa typ zadania.	"MLFlowModel" (wymagane)
tryb	Tryb dostarczania zasobów wejściowych.	"Bezpośredni" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
URI	[Wymagane] Identyfikator URI zasobu wejściowego.	struna Ograniczenia: Wzorzec = `[a-zA-Z0-9_]` (wymagane)

MLFlowModelJobOutput

Nazwa	Opis	Wartość
jobOutputType (Typ zadania)	[Wymagane] Określa typ zadania.	"MLFlowModel" (wymagane)
tryb	Tryb dostarczania zasobów wyjściowych.	"ReadWriteMount" "Przekaż"
URI	Identyfikator URI elementu zawartości wyjściowej.	ciąg

MLTableJobInput

Nazwa	Opis	Wartość
jobInputType (typ wejścia)	[Wymagane] Określa typ zadania.	"MLTable" (wymagane)
tryb	Tryb dostarczania zasobów wejściowych.	"Bezpośredni" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
URI	[Wymagane] Identyfikator URI zasobu wejściowego.	struna Ograniczenia: Wzorzec = `[a-zA-Z0-9_]` (wymagane)

MLTableJobInput

Nazwa	Opis	Wartość
opis	Opis danych wejściowych.	ciąg
jobInputType (typ wejścia)	[Wymagane] Określa typ zadania.	"CustomModel" "Dosłownie" "MLFlowModel" "MLTable" "TritonModel" "UriFile" "UriFolder" (wymagany)
tryb	Tryb dostarczania zasobów wejściowych.	"Bezpośredni" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
URI	[Wymagane] Identyfikator URI zasobu wejściowego.	struna Ograniczenia: Wzorzec = `[a-zA-Z0-9_]` (wymagane)

MLTableJobOutput

Nazwa	Opis	Wartość
jobOutputType (Typ zadania)	[Wymagane] Określa typ zadania.	"MLTable" (wymagane)
tryb	Tryb dostarczania zasobów wyjściowych.	"ReadWriteMount" "Przekaż"
URI	Identyfikator URI elementu zawartości wyjściowej.	ciąg

Mpi powiedział:

Nazwa	Opis	Wartość
distributionType (typ dystrybucji)	[Wymagane] Określa typ struktury dystrybucji.	"Mpi" (wymagane)
processCountPerInstance	Liczba procesów na węzeł MPI.	int (integer)

NCrossWalidacje

Nazwa	Opis	Wartość
tryb	Dla typu AutoNCrossValidations ustaw wartość "AutoNCrossValidations". Dla typu CustomNCrossValidations ustaw wartość "CustomNCrossValidations".	"Auto" "Niestandardowy" (wymagany)

NlpVerticalDataSettings

Nazwa	Opis	Wartość
targetColumnName (nazwa_kolumny)	[Wymagane] Nazwa kolumny docelowej: jest to kolumna wartości przewidywania. Znana również jako nazwa kolumny etykiety w kontekście zadań klasyfikacji.	struna Ograniczenia: Wzorzec = `[a-zA-Z0-9_]` (wymagane)
testData (dane testowe)	Testowanie danych wejściowych.	TestDataSettings
trainingData (dane szkoleniowe)	[Wymagane] Dane wejściowe danych treningowych.	TrainingDataSettings (wymagane)
validationData (Dane walidacji)	Dane wejściowe danych walidacji.	NlpVerticalValidationDataSettings

NlpVerticalFeaturizationSettings

Nazwa	Opis	Wartość
datasetLanguage (język zestawu danych)	Język zestawu danych przydatny dla danych tekstowych.	ciąg

NlpVerticalLimitSettings (Ustawienia Limitu Pionowego)

Nazwa	Opis	Wartość
maxConcurrentTrials (Próby maksymalne)	Maksymalna liczba iteracji automl współbieżnych.	int (integer)
maxTrials (Próby maks.)	Liczba iteracji rozwiązania AutoML.	int (integer)
przerwa czasowa	Limit czasu zadania automatycznego uczenia maszynowego.	ciąg

NlpVerticalValidationDataSettings

Nazwa	Opis	Wartość
dane	Dane walidacji MLTable.	MLTableJobInput
validationDataSize (validationDataSize)	Ułamek zestawu danych trenowania, który należy odłożyć na potrzeby walidacji. Wartości z zakresu (0.0, 1.0) Zastosowano, gdy zestaw danych weryfikacji nie został podany.	int (integer)

Cel

Nazwa	Opis	Wartość
cel	[Wymagane] Definiuje obsługiwane cele metryk na potrzeby dostrajania hiperparametrów	"Maksymalizuj" "Minimalizuj" (wymagane)
primaryMetric (podstawowy)	[Wymagane] Nazwa metryki do optymalizacji.	struna Ograniczenia: Wzorzec = `[a-zA-Z0-9_]` (wymagane)

PotokJob

Nazwa	Opis	Wartość
Wejścia	Dane wejściowe zadania potoku.	PipelineJobInputs
Zadania	Zadania skonstruować zadanie potoku.	PipelineJobJobs (Zadania potokowe)
rodzaj pracy	[Wymagane] Określa typ zadania.	"Potok" (wymagany)
Wyniki	Dane wyjściowe zadania potoku	PipelineJobOutputs
ustawienia	Ustawienia potoku, np. ContinueRunOnStepFailure itp.	jakikolwiek

PipelineJobInputs

Nazwa	Opis	Wartość

PipelineJobJobs (Zadania potokowe)

Nazwa	Opis	Wartość

PipelineJobOutputs

Nazwa	Opis	Wartość

PyTorch

Nazwa	Opis	Wartość
distributionType (typ dystrybucji)	[Wymagane] Określa typ struktury dystrybucji.	"PyTorch" (wymagane)
processCountPerInstance	Liczba procesów na węzeł.	int (integer)

Algorytm losowego próbkowania

Nazwa	Opis	Wartość
reguła	Określony typ algorytmu losowego	"Losowe" "Sobol"
samplingAlgorithmType	[Wymagane] Algorytm używany do generowania wartości hiperparametrów wraz z właściwościami konfiguracji	"Losowe" (wymagane)
nasienie	Opcjonalna liczba całkowita do użycia jako inicjator generowania liczb losowych	int (integer)

Wzorzec Powtarzania

Nazwa	Opis	Wartość
godziny	[Wymagane] Lista godzin dla wzorca harmonogramu cyklu	int[] (wymagane)
minuty	[Wymagane] Lista minut dla wzorca harmonogramu cyklu	int[] (wymagane)
Dni powszednie	Lista dni tygodnia dla wzorca harmonogramu cyklu	Tablica ciągów zawierająca dowolną z: "Piątek" "Poniedziałek" "Sobota" "Niedziela" "Czwartek" "Wtorek" "Środa"

CyklSchedule

Nazwa	Opis	Wartość
częstotliwość	[Wymagane] Określa częstotliwość, z jaką ma być wyzwalany harmonogram	"Dzień" "Godzina" "Minuta" "Miesiąc" "Tydzień" (wymagany)
interwał	[Wymagane] Określa interwał harmonogramu w połączeniu z częstotliwością	int (wymagane)
wzorzec	Określa wzorzec harmonogramu cyklu	Cyklwpattern
scheduleType (typ harmonogramu)	[Wymagane] Określa typ harmonogramu	"Cykl" (wymagany)

Regresja

Nazwa	Opis	Wartość
allowedModels (dozwolone modele)	Dozwolone modele dla zadania regresji.	Tablica ciągów zawierająca dowolną z: "DecisionTree" "ElasticNet" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "RandomForest" "SGD" "XGBoostRegressor"
blockedModels (zablokowaneModele)	Zablokowane modele dla zadania regresji.	Tablica ciągów zawierająca dowolną z: "DecisionTree" "ElasticNet" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "RandomForest" "SGD" "XGBoostRegressor"
dataSettings (Ustawienia danych)	Dane wejściowe dla AutoMLJob.	TableVerticalDataSettings (Ustawienia danych tabeli)
cechowanieUstawienia	Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML.	TableVerticalFeaturizationSettings
limitSettings (ustawienia limitu)	Ograniczenia wykonywania dla zadania AutoMLJob.	TableVerticalLimitSettings (Ustawienia stołu)
primaryMetric (podstawowy)	Podstawowa metryka zadania regresji.	"NormalizedMeanAbsoluteError" "NormalizedRootMeanSquaredError" "R2Score" "SpearmanCorrelation"
typ zadania	[Wymagane] Typ zadania dla zadania AutoMLJob.	"Regresja" (wymagana)
trainingSettings (ustawienia szkolenia)	Dane wejściowe fazy trenowania zadania automatycznego uczenia maszynowego.	Ustawienia treningu

Właściwości bazy danych ResourceBase

Nazwa	Opis	Wartość

Tagi ResourceBaseTags

Nazwa	Opis	Wartość

Konfiguracja zasobów

Nazwa	Opis	Wartość
instanceCount (liczba wystąpień)	Opcjonalna liczba wystąpień lub węzłów używanych przez docelowy obiekt obliczeniowy.	int (integer)
instanceType (typ instancji)	Opcjonalny typ maszyny wirtualnej używany jako obsługiwany przez docelowy obiekt obliczeniowy.	ciąg
właściwości	Dodatkowa torba właściwości.	Właściwości ResourceConfigurationProperties

Właściwości ResourceConfigurationProperties

Nazwa	Opis	Wartość

PróbkowanieAlgorithm

Nazwa	Opis	Wartość
samplingAlgorithmType	Ustaw wartość "Bayesian" dla typu BayesianSamplingAlgorithm. Ustaw wartość "Grid" dla typu GridSamplingAlgorithm. Ustaw wartość "Losowa" dla typu RandomSamplingAlgorithm.	"Bayesian" "Siatka" "Losowe" (wymagane)

Baza harmonogramu

Nazwa	Opis	Wartość
czas zakończenia	Określa czas zakończenia harmonogramu w formacie ISO 8601. Jeśli nie istnieje, harmonogram będzie uruchamiany na czas nieokreślony	ciąg
scheduleStatus (stan harmonogramu)	Określa stan harmonogramu	"Wyłączone" "Włączone"
scheduleType (typ harmonogramu)	Ustaw wartość "Cron" dla typu CronSchedule. Ustaw wartość "Cykl" dla typu RecurrenceSchedule.	"Cron" "Cykl" (wymagany)
czas rozpoczęcia	Określa godzinę rozpoczęcia harmonogramu w formacie ISO 8601.	ciąg
strefa czasowa	Określa strefę czasową, w której jest uruchamiany harmonogram. Strefa czasowa powinna być zgodna z formatem strefy czasowej systemu Windows.	ciąg

Sezonowości

Nazwa	Opis	Wartość
tryb	Ustaw wartość "Auto" dla typu AutoSeasonity. Dla typu CustomSeasonality ustaw wartość "Custom".	"Auto" "Niestandardowy" (wymagany)

Ustawienia stosu

Nazwa	Opis	Wartość
stosMetaLearnerKWargs	Parametry opcjonalne, które mają być przekazywane do inicjatora metauczeń.	jakikolwiek
stackMetaLearnerTrainPercentage	Określa proporcję zestawu treningowego (podczas wybierania typu trenowania i sprawdzania poprawności trenowania) do zastrzelenia na potrzeby trenowania metauczeń. Wartość domyślna to 0,2.	int (integer)
stackMetaLearnerType	Metauczeń to model trenowany na podstawie danych wyjściowych poszczególnych modeli heterogenicznych.	"ElasticNet" "ElasticNetCV" "LightGBMClassifier" "LightGBMRegressor" "LinearRegression" "LogisticsRegression" "LogisticsRegressionCV" "Brak"

Zamiatanie

Nazwa	Opis	Wartość
wczesneWypowiedzenie	Zasady wczesnego kończenia umożliwiają anulowanie przebiegów o niskiej wydajności przed ich ukończeniem	Polityka Wczesnej Terminacji
Wejścia	Mapowanie powiązań danych wejściowych używanych w zadaniu.	SweepJobInputs (Dane wejściowe SweepJob)
rodzaj pracy	[Wymagane] Określa typ zadania.	"Zamiatanie" (wymagane)
limity	Limit zadań zamiatania.	SweepJobLimits (Limity zamiatania)
cel	[Wymagane] Cel optymalizacji.	Cel (wymagany)
Wyniki	Mapowanie powiązań danych wyjściowych używanych w zadaniu.	SweepJobOutputs (Dane wyjściowe zamiatania)
próbkowanieAlgorithm	[Wymagane] Algorytm próbkowania hiperparametrów	PróbkowanieAlgorithm (wymagane)
searchPrzestrzeń	[Wymagane] Słownik zawierający każdy parametr i jego rozkład. Klucz słownika jest nazwą parametru	dowolna (wymagana)
demo	[Wymagane] Definicja składnika wersji próbnej.	Wersja próbnaComponent (wymagana)

SweepJobInputs (Dane wejściowe SweepJob)

Nazwa	Opis	Wartość

SweepJobLimits (Limity zamiatania)

Nazwa	Opis	Wartość
jobLimitsType (Typ zadania)	[Wymagane] Typ JobLimit.	"Polecenie" "Zamiatanie" (wymagane)
maxConcurrentTrials (Próby maksymalne)	Maksymalna liczba współbieżnych wersji próbnych zadania zamiatania.	int (integer)
maxTotalTrials (Próby maks.)	Zamiatanie zadania — maksymalna łączna liczba prób.	int (integer)
przerwa czasowa	Maksymalny czas trwania przebiegu w formacie ISO 8601, po którym zadanie zostanie anulowane. Obsługuje tylko czas trwania z dokładnością do sekund.	ciąg
Limit czasu próbnego	Zamiatanie wartości limitu czasu wersji próbnej zadania.	ciąg

SweepJobOutputs (Dane wyjściowe zamiatania)

Nazwa	Opis	Wartość

TableVerticalDataSettings (Ustawienia danych tabeli)

Nazwa	Opis	Wartość
targetColumnName (nazwa_kolumny)	[Wymagane] Nazwa kolumny docelowej: jest to kolumna wartości przewidywania. Znana również jako nazwa kolumny etykiety w kontekście zadań klasyfikacji.	struna Ograniczenia: Wzorzec = `[a-zA-Z0-9_]` (wymagane)
testData (dane testowe)	Testowanie danych wejściowych.	TestDataSettings
trainingData (dane szkoleniowe)	[Wymagane] Dane wejściowe danych treningowych.	TrainingDataSettings (wymagane)
validationData (Dane walidacji)	Dane wejściowe danych walidacji.	TableVerticalValidationDataSettings
weightColumnName (nazwa_kolumny)	Nazwa kolumny wagi próbki. Zautomatyzowane uczenie maszynowe obsługuje kolumnę ważoną jako dane wejściowe, co powoduje, że wiersze w danych mają być ważone w górę lub w dół.	ciąg

TableVerticalFeaturizationSettings

Nazwa	Opis	Wartość
blockedTransformers (zablokowaneTransformatory)	Transformatory te nie są stosowane w cechowaniu.	ciąg znakowy[]
columnNameAndTypes (NazwaKolumny)AndTypes	Słownik nazwy kolumny i jego typu (int, float, string, datetime itp.).	TableVerticalFeaturizationSettingsColumnNameAndTypes
datasetLanguage (język zestawu danych)	Język zestawu danych przydatny dla danych tekstowych.	ciąg
usuńKolumny	Kolumny, które mają zostać usunięte z danych podczas cechowania.	ciąg znakowy[]
enableDnnFeaturization (włącz cechowanie sieciowe)	Określa, czy używać cech opartych na Dnn do cechowania danych.	Bool
tryb	Tryb cechowania — użytkownik może zachować domyślny tryb "Auto", a rozwiązanie AutoML zajmie się niezbędnym przekształceniem danych w fazie cechowania. Jeśli wybrano opcję "Wyłączone", nie jest wykonywana cechowanie. Jeśli wybrano opcję "Niestandardowy", użytkownik może określić dodatkowe dane wejściowe, aby dostosować sposób wykonywania cechowania.	"Auto" "Niestandardowy" "Wyłączone"
transformatorParams	Użytkownik może określić dodatkowe transformatory, które mają być używane wraz z kolumnami, do których ma zostać zastosowany, oraz parametry konstruktora transformatora.	TabelaVerticalFeaturizationSettingsTransformerParams

TableVerticalFeaturizationSettingsColumnNameAndTypes

Nazwa	Opis	Wartość

TabelaVerticalFeaturizationSettingsTransformerParams

Nazwa	Opis	Wartość

TableVerticalLimitSettings (Ustawienia stołu)

Nazwa	Opis	Wartość
enableEarlyTermination (włącz opcję WczesneZakończenie)	Włącz wczesne zakończenie, określa, czy funkcja AutoMLJob zakończy się wcześnie, jeśli w ciągu ostatnich 20 iteracji nie będzie poprawa oceny.	Bool
exitScore (wynik wyjścia)	Wynik zakończenia zadania rozwiązania AutoML.	int (integer)
maxConcurrentTrials (Próby maksymalne)	Maksymalna liczba iteracji współbieżnych.	int (integer)
maxCoresPerTrial	Maksymalna liczba rdzeni na iterację.	int (integer)
maxTrials (Próby maks.)	Liczba iteracji.	int (integer)
przerwa czasowa	Limit czasu zadania automatycznego uczenia maszynowego.	ciąg
Limit czasu próbnego	Limit czasu iteracji.	ciąg

TableVerticalValidationDataSettings

Nazwa	Opis	Wartość
cvSplitColumnNames (NazwyKolumn)	Kolumny do użycia dla danych CVSplit.	ciąg znakowy[]
dane	Dane walidacji MLTable.	MLTableJobInput
nCrossWalidacje	Liczba składań krzyżowych do zastosowania w zestawie danych szkoleniowych jeśli zestaw danych sprawdzania poprawności nie jest podany.	NCrossWalidacje
validationDataSize (validationDataSize)	Ułamek zestawu danych trenowania, który należy odłożyć na potrzeby walidacji. Wartości z zakresu (0.0, 1.0) Zastosowano, gdy zestaw danych weryfikacji nie został podany.	int (integer)

Opóźnienie docelowe

Nazwa	Opis	Wartość
tryb	Ustaw wartość "Auto" dla typu AutoTargetLags. Dla typu CustomTargetLags ustaw wartość "CustomTargetLags".	"Auto" "Niestandardowy" (wymagany)

TargetRollingWindowSize (Rozmiar okna toczącego)

Nazwa	Opis	Wartość
tryb	Ustaw wartość "Auto" dla typu AutoTargetRollingWindowSize. Dla typu CustomTargetRollingWindowSize ustaw wartość "CustomTargetRolling".	"Auto" "Niestandardowy" (wymagany)

TensorFlow

Nazwa	Opis	Wartość
distributionType (typ dystrybucji)	[Wymagane] Określa typ struktury dystrybucji.	"TensorFlow" (wymagany)
parametrServerCount	Liczba zadań serwera parametrów.	int (integer)
liczbaPracowników	Liczba pracowników. Jeśli nie zostanie określony, wartość domyślna to liczba wystąpień.	int (integer)

TestDataSettings

Nazwa	Opis	Wartość
dane	Dane testowe MLTable.	MLTableJobInput
testDataSize (rozmiar testu)	Ułamek zestawu danych testowych, który należy odłożyć na potrzeby walidacji. Wartości z zakresu (0.0, 1.0) Zastosowano, gdy zestaw danych weryfikacji nie został podany.	int (integer)

Klasyfikacja tekstu

Nazwa	Opis	Wartość
dataSettings (Ustawienia danych)	Dane wejściowe dla AutoMLJob.	NlpVerticalDataSettings
cechowanieUstawienia	Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML.	NlpVerticalFeaturizationSettings
limitSettings (ustawienia limitu)	Ograniczenia wykonywania dla zadania AutoMLJob.	NlpVerticalLimitSettings (Ustawienia Limitu Pionowego)
primaryMetric (podstawowy)	Podstawowa metryka dla zadania Text-Classification.	"Dokładność" "AUCWeighted" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted"
typ zadania	[Wymagane] Typ zadania dla zadania AutoMLJob.	"TextClassification" (wymagane)

TextClassificationMultilabel

Nazwa	Opis	Wartość
dataSettings (Ustawienia danych)	Dane wejściowe dla AutoMLJob.	NlpVerticalDataSettings
cechowanieUstawienia	Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML.	NlpVerticalFeaturizationSettings
limitSettings (ustawienia limitu)	Ograniczenia wykonywania dla zadania AutoMLJob.	NlpVerticalLimitSettings (Ustawienia Limitu Pionowego)
typ zadania	[Wymagane] Typ zadania dla zadania AutoMLJob.	"TextClassificationMultilabel" (wymagane)

Moduł TextNer

Nazwa	Opis	Wartość
dataSettings (Ustawienia danych)	Dane wejściowe dla AutoMLJob.	NlpVerticalDataSettings
cechowanieUstawienia	Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML.	NlpVerticalFeaturizationSettings
limitSettings (ustawienia limitu)	Ograniczenia wykonywania dla zadania AutoMLJob.	NlpVerticalLimitSettings (Ustawienia Limitu Pionowego)
typ zadania	[Wymagane] Typ zadania dla zadania AutoMLJob.	"TextNER" (wymagane)

TrainingDataSettings

Nazwa	Opis	Wartość
dane	[Wymagane] Dane szkoleniowe MLTable.	MLTableJobInput (wymagane)

Ustawienia treningu

Nazwa	Opis	Wartość
enableDnnTraining (włącz szkolenie Dnn)	Włącz zalecenie dotyczące modeli sieci rozproszonej.	Bool
enableModelExplainability (wytłumaczalność	Flaga włączania możliwości objaśnienia dla najlepszego modelu.	Bool
enableOnnxCompatibleModels (Modele kompatybilne z enable)	Flaga włączania modeli zgodnych z programem onnx.	Bool
enableStackEnsemble (włącz zestaw danych w stosie)	Włącz uruchamianie zespołu stosu.	Bool
enableVoteEnsemble (zespół włączeń)	Włącz uruchamianie zespołu do głosowania.	Bool
ensembleModelDownloadTimeout	Podczas generowania modeli VotingEnsemble i StackEnsemble pobierane są wiele dopasowanych modeli z poprzednich przebiegów podrzędnych. Skonfiguruj ten parametr z wyższą wartością niż 300 sekund, jeśli jest potrzebny więcej czasu.	ciąg
stackEnsembleSettings	Ustawienia zespołu stosu dla przebiegu zespołu stosu.	Ustawienia stosu

Wersja próbnaComponent

Nazwa	Opis	Wartość
codeId (identyfikator kodu)	Identyfikator zasobu usługi ARM zasobu kodu.	ciąg
polecenie	[Wymagane] Polecenie do wykonania podczas uruchamiania zadania. Np. "Python train.py"	struna Ograniczenia: Minimalna długość = 1 Wzorzec = `[a-zA-Z0-9_]` (wymagane)
dystrybucja	Konfiguracja dystrybucji zadania. W przypadku ustawienia powinna to być jedna z wartości Mpi, Tensorflow, PyTorch lub null.	Rozkładkonfiguracja
environmentId (identyfikator środowiska)	[Wymagane] Identyfikator zasobu usługi ARM specyfikacji środowiska dla zadania.	struna Ograniczenia: Wzorzec = `[a-zA-Z0-9_]` (wymagane)
zmienne środowiskowe	Zmienne środowiskowe uwzględnione w zadaniu.	Zmienne środowiskowe TrialComponentEnvironmentVariables
zasoby	Konfiguracja zasobów obliczeniowych dla zadania.	Konfiguracja zasobów

Zmienne środowiskowe TrialComponentEnvironmentVariables

Nazwa	Opis	Wartość

TritonModelJobInput

Nazwa	Opis	Wartość
jobInputType (typ wejścia)	[Wymagane] Określa typ zadania.	"TritonModel" (wymagane)
tryb	Tryb dostarczania zasobów wejściowych.	"Bezpośredni" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
URI	[Wymagane] Identyfikator URI zasobu wejściowego.	struna Ograniczenia: Wzorzec = `[a-zA-Z0-9_]` (wymagane)

TritonModelJobOutput

Nazwa	Opis	Wartość
jobOutputType (Typ zadania)	[Wymagane] Określa typ zadania.	"TritonModel" (wymagane)
tryb	Tryb dostarczania zasobów wyjściowych.	"ReadWriteMount" "Przekaż"
URI	Identyfikator URI elementu zawartości wyjściowej.	ciąg

ObcięcieselectionPolicy

Nazwa	Opis	Wartość
policyType (typ polityki)	[Wymagane] Nazwa konfiguracji zasad	"Obcięcie wyboru" (wymagane)
obcięciepercentage	Procent przebiegów do anulowania w każdym interwale oceny.	int (integer)

UriFileJobInput

Nazwa	Opis	Wartość
jobInputType (typ wejścia)	[Wymagane] Określa typ zadania.	"UriFile" (wymagane)
tryb	Tryb dostarczania zasobów wejściowych.	"Bezpośredni" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
URI	[Wymagane] Identyfikator URI zasobu wejściowego.	struna Ograniczenia: Wzorzec = `[a-zA-Z0-9_]` (wymagane)

UriFileJobOutput

Nazwa	Opis	Wartość
jobOutputType (Typ zadania)	[Wymagane] Określa typ zadania.	"UriFile" (wymagane)
tryb	Tryb dostarczania zasobów wyjściowych.	"ReadWriteMount" "Przekaż"
URI	Identyfikator URI elementu zawartości wyjściowej.	ciąg

UriFolderJobInput

Nazwa	Opis	Wartość
jobInputType (typ wejścia)	[Wymagane] Określa typ zadania.	"UriFolder" (wymagany)
tryb	Tryb dostarczania zasobów wejściowych.	"Bezpośredni" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
URI	[Wymagane] Identyfikator URI zasobu wejściowego.	struna Ograniczenia: Wzorzec = `[a-zA-Z0-9_]` (wymagane)

UriFolderJobOutput

Nazwa	Opis	Wartość
jobOutputType (Typ zadania)	[Wymagane] Określa typ zadania.	"UriFolder" (wymagany)
tryb	Tryb dostarczania zasobów wyjściowych.	"ReadWriteMount" "Przekaż"
URI	Identyfikator URI elementu zawartości wyjściowej.	ciąg

Identyfikator użytkownika

Nazwa	Opis	Wartość
identityType (typ tożsamości)	[Wymagane] Określa typ struktury tożsamości.	"UserIdentity" (wymagane)

Udostępnij za pośrednictwem

Obszary robocze/zadania Microsoft.MachineLearningServices 2022-02-01-preview

Definicja zasobu Bicep

Format zasobu

Obiekty TargetLags

Obiekty sezonowości

Obiekty JobOutput

Obiekty autoMLVertical

Próbkowanie ObiektówAlgorithm

Obiekty IdentityConfiguration

Obiekty TargetRollingWindowSize

Obiekty ScheduleBase

Obiekty DistributionConfiguration

Obiekty JobBaseDetails

Obiekty ForecastHorizon

Obiekty JobInput

Obiekty NCrossValidations

Obiekty EarlyTerminationPolicy

Wartości właściwości

Microsoft.MachineLearningServices/workspaces/jobs

Token AML

Horyzont automatycznej prognozy

AutoMLJob

AutoMLJobEnvironmentVariables (Zmienne środowiskowe AutoMLJobEnvironmentVariables)

AutoMLJobOutputs (Wyjścia automatyczneMLJobOutputs)

AutoMLVertical

AutoNCrossWalidacje

Autoseasonity

Opóźnienia AutoTargetLags

AutoTargetRollingWindowSize

Polityka bandytów

Algorytm Bayesowskiego próbkowania

Klasyfikacja

Kolumnowyprzekształtnik

Zadanie polecenia

CommandJobEnvironmentVariables

CommandJobInputs

CommandJobLimits

CommandJobOutputs

Harmonogram Crona

Niestandardowy horyzont prognozy

CustomModelJobInput

CustomModelJobOutput

CustomNCrossValidations (Walidacje niestandardowych dokumentów)

Niestandardowa sezonowość

CustomTargetLags (Niestandardowe opóźnienia)

CustomTargetRollingWindowSize (Niestandardowy rozmiarDocelowegoPrzewijaniaOkna)

Rozkładkonfiguracja

Polityka Wczesnej Terminacji

PrognozaHorizon

Prognozowanie

PrognozowanieUstawienia

Algorytm próbkowania siatki

IdentityConfiguration

Klasyfikacja obrazu

ImageClassificationMultilabel

Segmentacja ImageInstanceSegmentation

Ustawienia limitu obrazu

ImageModelDistributionSettingsClassification

ImageModelDistributionSettingsObjectDetection

ImageModelSettingsClassification

ImageModelSettingsObjectDetection

ImageObjectDetection

Ustawienia ImageSweepLimitSettings

Ustawienia zamiatania obrazu

ImageVerticalDataSettings (Ustawienia danych obrazu)

ImageVerticalValidationDataSettings

JobBaseDetails (Szczegóły bazy zadań)

Usługi JobBaseServices

JobInput (Wejście zadania)

Dane wyjściowe zadania

Serwis Pracy

Właściwości usługi zadań

LiterałJobInput

Identyfikator zarządzany

MedianStoppingPolicy (Polityka MedianStopping)

MLFlowModelJobInput

MLFlowModelJobOutput

MLTableJobInput

MLTableJobInput