Microsoft.MachineLearningServices workspaces/jobs 2022-02-01-preview
Definicja zasobu Bicep
Typ zasobu obszary robocze/zadania można wdrożyć z operacjami docelowymi:
- Grupy zasobów — zobacz polecenia wdrażania grupy zasobów
Aby uzyskać listę zmienionych właściwości w każdej wersji interfejsu API, zobacz dziennik 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' = {
name: 'string'
parent: resourceSymbolicName
properties: {
computeId: 'string'
description: 'string'
displayName: 'string'
experimentName: 'string'
identity: {
identityType: 'string'
// For remaining properties, see IdentityConfiguration objects
}
isArchived: bool
properties: {
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
}
schedule: {
endTime: 'string'
scheduleStatus: 'string'
startTime: 'string'
timeZone: 'string'
scheduleType: 'string'
// For remaining properties, see ScheduleBase objects
}
services: {
{customized property}: {
endpoint: 'string'
jobServiceType: 'string'
port: int
properties: {
{customized property}: 'string'
}
}
}
tags: {
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
}
jobType: 'string'
// For remaining properties, see JobBaseDetails objects
}
}
Obiekty JobBaseDetails
Ustaw właściwość jobType , aby określić typ obiektu.
W przypadku rozwiązania AutoML użyj:
jobType: 'AutoML'
environmentId: 'string'
environmentVariables: {
{customized property}: 'string'
}
outputs: {
{customized property}: {
description: 'string'
jobOutputType: 'string'
// For remaining properties, see JobOutput objects
}
}
resources: {
instanceCount: int
instanceType: 'string'
properties: {
{customized property}: any()
}
}
taskDetails: {
logVerbosity: 'string'
taskType: 'string'
// For remaining properties, see AutoMLVertical objects
}
W przypadku polecenia użyj polecenia:
jobType: 'Command'
codeId: 'string'
command: 'string'
distribution: {
distributionType: 'string'
// For remaining properties, see DistributionConfiguration objects
}
environmentId: 'string'
environmentVariables: {
{customized property}: 'string'
}
inputs: {
{customized property}: {
description: 'string'
jobInputType: 'string'
// For remaining properties, see JobInput objects
}
}
limits: {
jobLimitsType: 'string'
timeout: 'string'
}
outputs: {
{customized property}: {
description: 'string'
jobOutputType: 'string'
// For remaining properties, see JobOutput objects
}
}
resources: {
instanceCount: int
instanceType: 'string'
properties: {
{customized property}: any()
}
}
W przypadku potoku użyj:
jobType: 'Pipeline'
inputs: {
{customized property}: {
description: 'string'
jobInputType: 'string'
// For remaining properties, see JobInput objects
}
}
jobs: {
{customized property}: any()
}
outputs: {
{customized property}: {
description: 'string'
jobOutputType: 'string'
// For remaining properties, see JobOutput objects
}
}
settings: any()
W przypadku funkcji Sweep użyj polecenia:
jobType: 'Sweep'
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
inputs: {
{customized property}: {
description: 'string'
jobInputType: 'string'
// For remaining properties, see JobInput objects
}
}
limits: {
jobLimitsType: 'string'
maxConcurrentTrials: int
maxTotalTrials: int
timeout: 'string'
trialTimeout: 'string'
}
objective: {
goal: 'string'
primaryMetric: 'string'
}
outputs: {
{customized property}: {
description: 'string'
jobOutputType: 'string'
// For remaining properties, see JobOutput objects
}
}
samplingAlgorithm: {
samplingAlgorithmType: 'string'
// For remaining properties, see SamplingAlgorithm objects
}
searchSpace: any()
trial: {
codeId: 'string'
command: 'string'
distribution: {
distributionType: 'string'
// For remaining properties, see DistributionConfiguration objects
}
environmentId: 'string'
environmentVariables: {
{customized property}: 'string'
}
resources: {
instanceCount: int
instanceType: 'string'
properties: {
{customized property}: any()
}
}
}
Obiekty IdentityConfiguration
Ustaw właściwość identityType , aby określić typ obiektu.
W przypadku tokenu AMLToken użyj:
identityType: 'AMLToken'
W przypadku opcji Zarządzane użyj:
identityType: 'Managed'
clientId: 'string'
objectId: 'string'
resourceId: 'string'
W przypadku elementu UserIdentity użyj:
identityType: 'UserIdentity'
Obiekty ScheduleBase
Ustaw właściwość scheduleType , aby określić typ obiektu.
W przypadku Cron użyj:
scheduleType: 'Cron'
expression: 'string'
W przypadku cyklu użyj:
scheduleType: 'Recurrence'
frequency: 'string'
interval: int
pattern: {
hours: [
int
]
minutes: [
int
]
weekdays: [
'string'
]
}
Obiekty JobOutput
Ustaw właściwość jobOutputType , aby określić typ obiektu.
W przypadku modelu CustomModel użyj:
jobOutputType: 'CustomModel'
mode: 'string'
uri: 'string'
W przypadku modelu MLFlowModel użyj:
jobOutputType: 'MLFlowModel'
mode: 'string'
uri: 'string'
W przypadku tabeli MLTable użyj:
jobOutputType: 'MLTable'
mode: 'string'
uri: 'string'
W przypadku modelu TritonModel użyj:
jobOutputType: 'TritonModel'
mode: 'string'
uri: 'string'
W przypadku pliku UriFile użyj:
jobOutputType: 'UriFile'
mode: 'string'
uri: 'string'
W przypadku elementu UriFolder użyj:
jobOutputType: 'UriFolder'
mode: 'string'
uri: 'string'
Obiekty autoMLVertical
Ustaw właściwość taskType , aby określić typ obiektu.
W przypadku klasyfikacji użyj:
taskType: 'Classification'
allowedModels: [
'string'
]
blockedModels: [
'string'
]
dataSettings: {
targetColumnName: 'string'
testData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
testDataSize: int
}
trainingData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
}
validationData: {
cvSplitColumnNames: [
'string'
]
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
nCrossValidations: {
mode: 'string'
// For remaining properties, see NCrossValidations objects
}
validationDataSize: int
}
weightColumnName: 'string'
}
featurizationSettings: {
blockedTransformers: [
'string'
]
columnNameAndTypes: {
{customized property}: 'string'
}
datasetLanguage: 'string'
dropColumns: [
'string'
]
enableDnnFeaturization: bool
mode: 'string'
transformerParams: {
{customized property}: [
{
fields: [
'string'
]
parameters: any()
}
]
}
}
limitSettings: {
enableEarlyTermination: bool
exitScore: int
maxConcurrentTrials: int
maxCoresPerTrial: int
maxTrials: int
timeout: 'string'
trialTimeout: 'string'
}
primaryMetric: 'string'
trainingSettings: {
enableDnnTraining: bool
enableModelExplainability: bool
enableOnnxCompatibleModels: bool
enableStackEnsemble: bool
enableVoteEnsemble: bool
ensembleModelDownloadTimeout: 'string'
stackEnsembleSettings: {
stackMetaLearnerKWargs: any()
stackMetaLearnerTrainPercentage: int
stackMetaLearnerType: 'string'
}
}
W przypadku prognozowania użyj:
taskType: 'Forecasting'
allowedModels: [
'string'
]
blockedModels: [
'string'
]
dataSettings: {
targetColumnName: 'string'
testData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
testDataSize: int
}
trainingData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
}
validationData: {
cvSplitColumnNames: [
'string'
]
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
nCrossValidations: {
mode: 'string'
// For remaining properties, see NCrossValidations objects
}
validationDataSize: int
}
weightColumnName: 'string'
}
featurizationSettings: {
blockedTransformers: [
'string'
]
columnNameAndTypes: {
{customized property}: 'string'
}
datasetLanguage: 'string'
dropColumns: [
'string'
]
enableDnnFeaturization: bool
mode: 'string'
transformerParams: {
{customized property}: [
{
fields: [
'string'
]
parameters: any()
}
]
}
}
forecastingSettings: {
countryOrRegionForHolidays: 'string'
cvStepSize: int
featureLags: 'string'
forecastHorizon: {
mode: 'string'
// For remaining properties, see ForecastHorizon objects
}
frequency: 'string'
seasonality: {
mode: 'string'
// For remaining properties, see Seasonality objects
}
shortSeriesHandlingConfig: 'string'
targetAggregateFunction: 'string'
targetLags: {
mode: 'string'
// For remaining properties, see TargetLags objects
}
targetRollingWindowSize: {
mode: 'string'
// For remaining properties, see TargetRollingWindowSize objects
}
timeColumnName: 'string'
timeSeriesIdColumnNames: [
'string'
]
useStl: 'string'
}
limitSettings: {
enableEarlyTermination: bool
exitScore: int
maxConcurrentTrials: int
maxCoresPerTrial: int
maxTrials: int
timeout: 'string'
trialTimeout: 'string'
}
primaryMetric: 'string'
trainingSettings: {
enableDnnTraining: bool
enableModelExplainability: bool
enableOnnxCompatibleModels: bool
enableStackEnsemble: bool
enableVoteEnsemble: bool
ensembleModelDownloadTimeout: 'string'
stackEnsembleSettings: {
stackMetaLearnerKWargs: any()
stackMetaLearnerTrainPercentage: int
stackMetaLearnerType: 'string'
}
}
W przypadku klasyfikacji obrazów użyj:
taskType: 'ImageClassification'
dataSettings: {
targetColumnName: 'string'
testData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
testDataSize: int
}
trainingData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
}
validationData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
}
}
limitSettings: {
maxConcurrentTrials: int
maxTrials: int
timeout: 'string'
}
modelSettings: {
advancedSettings: 'string'
amsGradient: bool
augmentations: 'string'
beta1: int
beta2: int
checkpointDatasetId: 'string'
checkpointFilename: 'string'
checkpointFrequency: int
checkpointRunId: 'string'
distributed: bool
earlyStopping: bool
earlyStoppingDelay: int
earlyStoppingPatience: int
enableOnnxNormalization: bool
evaluationFrequency: int
gradientAccumulationStep: int
layersToFreeze: int
learningRate: int
learningRateScheduler: 'string'
modelName: 'string'
momentum: int
nesterov: bool
numberOfEpochs: int
numberOfWorkers: int
optimizer: 'string'
randomSeed: int
splitRatio: int
stepLRGamma: int
stepLRStepSize: int
trainingBatchSize: int
trainingCropSize: int
validationBatchSize: int
validationCropSize: int
validationResizeSize: int
warmupCosineLRCycles: int
warmupCosineLRWarmupEpochs: int
weightDecay: int
weightedLoss: int
}
primaryMetric: 'string'
searchSpace: [
{
amsGradient: 'string'
augmentations: 'string'
beta1: 'string'
beta2: 'string'
distributed: 'string'
earlyStopping: 'string'
earlyStoppingDelay: 'string'
earlyStoppingPatience: 'string'
enableOnnxNormalization: 'string'
evaluationFrequency: 'string'
gradientAccumulationStep: 'string'
layersToFreeze: 'string'
learningRate: 'string'
learningRateScheduler: 'string'
modelName: 'string'
momentum: 'string'
nesterov: 'string'
numberOfEpochs: 'string'
numberOfWorkers: 'string'
optimizer: 'string'
randomSeed: 'string'
splitRatio: 'string'
stepLRGamma: 'string'
stepLRStepSize: 'string'
trainingBatchSize: 'string'
trainingCropSize: 'string'
validationBatchSize: 'string'
validationCropSize: 'string'
validationResizeSize: 'string'
warmupCosineLRCycles: 'string'
warmupCosineLRWarmupEpochs: 'string'
weightDecay: 'string'
weightedLoss: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
limits: {
maxConcurrentTrials: int
maxTrials: int
}
samplingAlgorithm: 'string'
}
W przypadku elementu ImageClassificationMultilabel użyj:
taskType: 'ImageClassificationMultilabel'
dataSettings: {
targetColumnName: 'string'
testData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
testDataSize: int
}
trainingData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
}
validationData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
}
}
limitSettings: {
maxConcurrentTrials: int
maxTrials: int
timeout: 'string'
}
modelSettings: {
advancedSettings: 'string'
amsGradient: bool
augmentations: 'string'
beta1: int
beta2: int
checkpointDatasetId: 'string'
checkpointFilename: 'string'
checkpointFrequency: int
checkpointRunId: 'string'
distributed: bool
earlyStopping: bool
earlyStoppingDelay: int
earlyStoppingPatience: int
enableOnnxNormalization: bool
evaluationFrequency: int
gradientAccumulationStep: int
layersToFreeze: int
learningRate: int
learningRateScheduler: 'string'
modelName: 'string'
momentum: int
nesterov: bool
numberOfEpochs: int
numberOfWorkers: int
optimizer: 'string'
randomSeed: int
splitRatio: int
stepLRGamma: int
stepLRStepSize: int
trainingBatchSize: int
trainingCropSize: int
validationBatchSize: int
validationCropSize: int
validationResizeSize: int
warmupCosineLRCycles: int
warmupCosineLRWarmupEpochs: int
weightDecay: int
weightedLoss: int
}
primaryMetric: 'string'
searchSpace: [
{
amsGradient: 'string'
augmentations: 'string'
beta1: 'string'
beta2: 'string'
distributed: 'string'
earlyStopping: 'string'
earlyStoppingDelay: 'string'
earlyStoppingPatience: 'string'
enableOnnxNormalization: 'string'
evaluationFrequency: 'string'
gradientAccumulationStep: 'string'
layersToFreeze: 'string'
learningRate: 'string'
learningRateScheduler: 'string'
modelName: 'string'
momentum: 'string'
nesterov: 'string'
numberOfEpochs: 'string'
numberOfWorkers: 'string'
optimizer: 'string'
randomSeed: 'string'
splitRatio: 'string'
stepLRGamma: 'string'
stepLRStepSize: 'string'
trainingBatchSize: 'string'
trainingCropSize: 'string'
validationBatchSize: 'string'
validationCropSize: 'string'
validationResizeSize: 'string'
warmupCosineLRCycles: 'string'
warmupCosineLRWarmupEpochs: 'string'
weightDecay: 'string'
weightedLoss: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
limits: {
maxConcurrentTrials: int
maxTrials: int
}
samplingAlgorithm: 'string'
}
W przypadku elementu ImageInstanceSegmentation użyj:
taskType: 'ImageInstanceSegmentation'
dataSettings: {
targetColumnName: 'string'
testData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
testDataSize: int
}
trainingData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
}
validationData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
}
}
limitSettings: {
maxConcurrentTrials: int
maxTrials: int
timeout: 'string'
}
modelSettings: {
advancedSettings: 'string'
amsGradient: bool
augmentations: 'string'
beta1: int
beta2: int
boxDetectionsPerImage: int
boxScoreThreshold: int
checkpointDatasetId: 'string'
checkpointFilename: 'string'
checkpointFrequency: int
checkpointRunId: 'string'
distributed: bool
earlyStopping: bool
earlyStoppingDelay: int
earlyStoppingPatience: int
enableOnnxNormalization: bool
evaluationFrequency: int
gradientAccumulationStep: int
imageSize: int
layersToFreeze: int
learningRate: int
learningRateScheduler: 'string'
maxSize: int
minSize: int
modelName: 'string'
modelSize: 'string'
momentum: int
multiScale: bool
nesterov: bool
nmsIouThreshold: int
numberOfEpochs: int
numberOfWorkers: int
optimizer: 'string'
randomSeed: int
splitRatio: int
stepLRGamma: int
stepLRStepSize: int
tileGridSize: 'string'
tileOverlapRatio: int
tilePredictionsNmsThreshold: int
trainingBatchSize: int
validationBatchSize: int
validationIouThreshold: int
validationMetricType: 'string'
warmupCosineLRCycles: int
warmupCosineLRWarmupEpochs: int
weightDecay: int
}
primaryMetric: 'MeanAveragePrecision'
searchSpace: [
{
amsGradient: 'string'
augmentations: 'string'
beta1: 'string'
beta2: 'string'
boxDetectionsPerImage: 'string'
boxScoreThreshold: 'string'
distributed: 'string'
earlyStopping: 'string'
earlyStoppingDelay: 'string'
earlyStoppingPatience: 'string'
enableOnnxNormalization: 'string'
evaluationFrequency: 'string'
gradientAccumulationStep: 'string'
imageSize: 'string'
layersToFreeze: 'string'
learningRate: 'string'
learningRateScheduler: 'string'
maxSize: 'string'
minSize: 'string'
modelName: 'string'
modelSize: 'string'
momentum: 'string'
multiScale: 'string'
nesterov: 'string'
nmsIouThreshold: 'string'
numberOfEpochs: 'string'
numberOfWorkers: 'string'
optimizer: 'string'
randomSeed: 'string'
splitRatio: 'string'
stepLRGamma: 'string'
stepLRStepSize: 'string'
tileGridSize: 'string'
tileOverlapRatio: 'string'
tilePredictionsNmsThreshold: 'string'
trainingBatchSize: 'string'
validationBatchSize: 'string'
validationIouThreshold: 'string'
validationMetricType: 'string'
warmupCosineLRCycles: 'string'
warmupCosineLRWarmupEpochs: 'string'
weightDecay: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
limits: {
maxConcurrentTrials: int
maxTrials: int
}
samplingAlgorithm: 'string'
}
W przypadku klasy ImageObjectDetection użyj:
taskType: 'ImageObjectDetection'
dataSettings: {
targetColumnName: 'string'
testData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
testDataSize: int
}
trainingData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
}
validationData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
}
}
limitSettings: {
maxConcurrentTrials: int
maxTrials: int
timeout: 'string'
}
modelSettings: {
advancedSettings: 'string'
amsGradient: bool
augmentations: 'string'
beta1: int
beta2: int
boxDetectionsPerImage: int
boxScoreThreshold: int
checkpointDatasetId: 'string'
checkpointFilename: 'string'
checkpointFrequency: int
checkpointRunId: 'string'
distributed: bool
earlyStopping: bool
earlyStoppingDelay: int
earlyStoppingPatience: int
enableOnnxNormalization: bool
evaluationFrequency: int
gradientAccumulationStep: int
imageSize: int
layersToFreeze: int
learningRate: int
learningRateScheduler: 'string'
maxSize: int
minSize: int
modelName: 'string'
modelSize: 'string'
momentum: int
multiScale: bool
nesterov: bool
nmsIouThreshold: int
numberOfEpochs: int
numberOfWorkers: int
optimizer: 'string'
randomSeed: int
splitRatio: int
stepLRGamma: int
stepLRStepSize: int
tileGridSize: 'string'
tileOverlapRatio: int
tilePredictionsNmsThreshold: int
trainingBatchSize: int
validationBatchSize: int
validationIouThreshold: int
validationMetricType: 'string'
warmupCosineLRCycles: int
warmupCosineLRWarmupEpochs: int
weightDecay: int
}
primaryMetric: 'MeanAveragePrecision'
searchSpace: [
{
amsGradient: 'string'
augmentations: 'string'
beta1: 'string'
beta2: 'string'
boxDetectionsPerImage: 'string'
boxScoreThreshold: 'string'
distributed: 'string'
earlyStopping: 'string'
earlyStoppingDelay: 'string'
earlyStoppingPatience: 'string'
enableOnnxNormalization: 'string'
evaluationFrequency: 'string'
gradientAccumulationStep: 'string'
imageSize: 'string'
layersToFreeze: 'string'
learningRate: 'string'
learningRateScheduler: 'string'
maxSize: 'string'
minSize: 'string'
modelName: 'string'
modelSize: 'string'
momentum: 'string'
multiScale: 'string'
nesterov: 'string'
nmsIouThreshold: 'string'
numberOfEpochs: 'string'
numberOfWorkers: 'string'
optimizer: 'string'
randomSeed: 'string'
splitRatio: 'string'
stepLRGamma: 'string'
stepLRStepSize: 'string'
tileGridSize: 'string'
tileOverlapRatio: 'string'
tilePredictionsNmsThreshold: 'string'
trainingBatchSize: 'string'
validationBatchSize: 'string'
validationIouThreshold: 'string'
validationMetricType: 'string'
warmupCosineLRCycles: 'string'
warmupCosineLRWarmupEpochs: 'string'
weightDecay: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
limits: {
maxConcurrentTrials: int
maxTrials: int
}
samplingAlgorithm: 'string'
}
W przypadku regresji użyj:
taskType: 'Regression'
allowedModels: [
'string'
]
blockedModels: [
'string'
]
dataSettings: {
targetColumnName: 'string'
testData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
testDataSize: int
}
trainingData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
}
validationData: {
cvSplitColumnNames: [
'string'
]
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
nCrossValidations: {
mode: 'string'
// For remaining properties, see NCrossValidations objects
}
validationDataSize: int
}
weightColumnName: 'string'
}
featurizationSettings: {
blockedTransformers: [
'string'
]
columnNameAndTypes: {
{customized property}: 'string'
}
datasetLanguage: 'string'
dropColumns: [
'string'
]
enableDnnFeaturization: bool
mode: 'string'
transformerParams: {
{customized property}: [
{
fields: [
'string'
]
parameters: any()
}
]
}
}
limitSettings: {
enableEarlyTermination: bool
exitScore: int
maxConcurrentTrials: int
maxCoresPerTrial: int
maxTrials: int
timeout: 'string'
trialTimeout: 'string'
}
primaryMetric: 'string'
trainingSettings: {
enableDnnTraining: bool
enableModelExplainability: bool
enableOnnxCompatibleModels: bool
enableStackEnsemble: bool
enableVoteEnsemble: bool
ensembleModelDownloadTimeout: 'string'
stackEnsembleSettings: {
stackMetaLearnerKWargs: any()
stackMetaLearnerTrainPercentage: int
stackMetaLearnerType: 'string'
}
}
W przypadku klasyfikacji tekstu użyj:
taskType: 'TextClassification'
dataSettings: {
targetColumnName: 'string'
testData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
testDataSize: int
}
trainingData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
}
validationData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
}
}
featurizationSettings: {
datasetLanguage: 'string'
}
limitSettings: {
maxConcurrentTrials: int
maxTrials: int
timeout: 'string'
}
primaryMetric: 'string'
W przypadku elementu TextClassificationMultilabel użyj:
taskType: 'TextClassificationMultilabel'
dataSettings: {
targetColumnName: 'string'
testData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
testDataSize: int
}
trainingData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
}
validationData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
}
}
featurizationSettings: {
datasetLanguage: 'string'
}
limitSettings: {
maxConcurrentTrials: int
maxTrials: int
timeout: 'string'
}
W przypadku funkcji TextNER użyj:
taskType: 'TextNER'
dataSettings: {
targetColumnName: 'string'
testData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
testDataSize: int
}
trainingData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
}
validationData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
}
}
featurizationSettings: {
datasetLanguage: 'string'
}
limitSettings: {
maxConcurrentTrials: int
maxTrials: int
timeout: 'string'
}
Obiekty NCrossValidations
Ustaw właściwość mode , aby określić typ obiektu.
W przypadku opcji Automatycznie użyj polecenia:
mode: 'Auto'
W przypadku opcji Niestandardowe użyj:
mode: 'Custom'
value: int
Obiekty ForecastHorizon
Ustaw właściwość mode , aby określić typ obiektu.
W przypadku opcji Automatycznie użyj polecenia:
mode: 'Auto'
W przypadku opcji Niestandardowe użyj:
mode: 'Custom'
value: int
Obiekty sezonowości
Ustaw właściwość mode , aby określić typ obiektu.
W przypadku opcji Automatycznie użyj polecenia:
mode: 'Auto'
W przypadku opcji Niestandardowe użyj:
mode: 'Custom'
value: int
Obiekty TargetLags
Ustaw właściwość mode , aby określić typ obiektu.
W przypadku opcji Automatycznie użyj polecenia:
mode: 'Auto'
W przypadku opcji Niestandardowe użyj:
mode: 'Custom'
values: [
int
]
Obiekty TargetRollingWindowSize
Ustaw właściwość mode , aby określić typ obiektu.
W przypadku opcji Automatycznie użyj polecenia:
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
Obiekty DistributionConfiguration
Ustaw właściwość distributionType , aby określić typ obiektu.
W przypadku interfejsu Mpi użyj:
distributionType: 'Mpi'
processCountPerInstance: int
W przypadku biblioteki PyTorch użyj:
distributionType: 'PyTorch'
processCountPerInstance: int
W przypadku biblioteki TensorFlow użyj:
distributionType: 'TensorFlow'
parameterServerCount: int
workerCount: int
Obiekty JobInput
Ustaw właściwość jobInputType , aby określić typ obiektu.
W przypadku modelu CustomModel użyj:
jobInputType: 'CustomModel'
mode: 'string'
uri: 'string'
W przypadku literału użyj:
jobInputType: 'Literal'
value: 'string'
W przypadku modelu MLFlowModel użyj:
jobInputType: 'MLFlowModel'
mode: 'string'
uri: 'string'
W przypadku tabeli MLTable użyj:
jobInputType: 'MLTable'
mode: 'string'
uri: 'string'
W przypadku modelu TritonModel użyj:
jobInputType: 'TritonModel'
mode: 'string'
uri: 'string'
W przypadku pliku UriFile użyj:
jobInputType: 'UriFile'
mode: 'string'
uri: 'string'
W przypadku elementu UriFolder użyj:
jobInputType: 'UriFolder'
mode: 'string'
uri: 'string'
SamplingAlgorithm, obiekty
Ustaw właściwość samplingAlgorithmType , aby określić typ obiektu.
W przypadku bayesianu użyj:
samplingAlgorithmType: 'Bayesian'
W przypadku usługi Grid użyj:
samplingAlgorithmType: 'Grid'
W przypadku funkcji Losowe użyj:
samplingAlgorithmType: 'Random'
rule: 'string'
seed: int
Wartości właściwości
obszary robocze/zadania
Nazwa | Opis | Wartość |
---|---|---|
name | Nazwa zasobu Zobacz, jak ustawić nazwy i typy dla zasobów podrzędnych w aplikacji Bicep. |
ciąg (wymagany) |
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 |
properties | [Wymagane] Dodatkowe atrybuty jednostki. | JobBaseDetails (wymagane) |
Szczegóły elementu JobBaseDetails
Nazwa | Opis | Wartość |
---|---|---|
computeId | Identyfikator zasobu usługi ARM zasobu obliczeniowego. | ciąg |
description (opis) | Tekst opisu zasobu. | ciąg |
displayName | Nazwa wyświetlana zadania. | ciąg |
experimentName | Nazwa eksperymentu, do którego należy zadanie. Jeśli nie zostanie ustawione, zadanie zostanie umieszczone w eksperymencie "Domyślny". | ciąg |
identity | 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 | Czy zasób jest archiwizowany? | bool |
properties | Słownik właściwości elementu zawartości. | Właściwości bazy danych zasobów |
schedule | Definicja harmonogramu zadania. Jeśli harmonogram nie zostanie podany, zadanie zostanie uruchomione raz i natychmiast po przesłaniu. |
Schedulebase |
services | Lista punktów końcowych zadań. W przypadku zadań lokalnych punkt końcowy zadania będzie miał wartość punktu końcowego FileStreamObject. |
JobBaseServices |
tags | Słownik tagów. Tagi można dodawać, usuwać i aktualizować. | object |
jobType | Ustawianie typu obiektu | AutoML Polecenie Potok Zamiatanie (wymagane) |
Identityconfiguration
Nazwa | Opis | Wartość |
---|---|---|
Identitytype | Ustawianie typu obiektu | Token AML Zarządzany UserIdentity (wymagane) |
Token AmlToken
Nazwa | Opis | Wartość |
---|---|---|
Identitytype | [Wymagane] Określa typ struktury tożsamości. | "AMLToken" (wymagane) |
ManagedIdentity
Nazwa | Opis | Wartość |
---|---|---|
Identitytype | [Wymagane] Określa typ struktury tożsamości. | "Zarządzane" (wymagane) |
clientId | Określa tożsamość przypisaną przez użytkownika według identyfikatora klienta. W przypadku przypisanego przez system pola nie należy ustawiać tego pola. | ciąg Ograniczenia: Minimalna długość = 36 Maksymalna długość = 36 Wzorzec = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$ |
objectId | Określa tożsamość przypisaną przez użytkownika według identyfikatora obiektu. W przypadku przypisanego przez system pola nie należy ustawiać tego pola. | ciąg Ograniczenia: Minimalna długość = 36 Maksymalna długość = 36 Wzorzec = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$ |
resourceId | Określa tożsamość przypisaną przez użytkownika według identyfikatora zasobu usługi ARM. W przypadku przypisanego przez system pola nie należy ustawiać tego pola. | ciąg |
UserIdentity
Nazwa | Opis | Wartość |
---|---|---|
Identitytype | [Wymagane] Określa typ struktury tożsamości. | "UserIdentity" (wymagane) |
Właściwości bazy danych zasobów
Nazwa | Opis | Wartość |
---|---|---|
{niestandardowa właściwość} | ciąg | |
{niestandardowa właściwość} | ciąg | |
{niestandardowa właściwość} | ciąg | |
{niestandardowa właściwość} | ciąg | |
{niestandardowa właściwość} | ciąg | |
{niestandardowa właściwość} | ciąg | |
{niestandardowa właściwość} | ciąg | |
{niestandardowa właściwość} | ciąg | |
{niestandardowa właściwość} | ciąg | |
{niestandardowa właściwość} | ciąg | |
{niestandardowa właściwość} | ciąg | |
{niestandardowa właściwość} | ciąg |
Schedulebase
Nazwa | Opis | Wartość |
---|---|---|
endTime | Określa godzinę zakończenia harmonogramu w formacie ISO 8601. Jeśli nie istnieje, harmonogram będzie uruchamiany w nieskończoność |
ciąg |
scheduleStatus | Określa stan harmonogramu | "Wyłączone" "Włączone" |
startTime | Określa godzinę rozpoczęcia harmonogramu w formacie ISO 8601. | ciąg |
timeZone | Określa strefę czasową, w której jest uruchamiany harmonogram. Strefa czasowa powinna być zgodna z formatem strefy czasowej systemu Windows. |
ciąg |
scheduleType | Ustawianie typu obiektu | Cron Cykl (wymagany) |
CronSchedule
Nazwa | Opis | Wartość |
---|---|---|
scheduleType | [Wymagane] Określa typ harmonogramu | "Cron" (wymagane) |
expression | [Wymagane] Określa wyrażenie cron harmonogramu. Wyrażenie powinno być zgodne z formatem NCronTab. |
ciąg (wymagany) Ograniczenia: Wzorzec = [a-zA-Z0-9_] |
Cyklschedule
Nazwa | Opis | Wartość |
---|---|---|
scheduleType | [Wymagane] Określa typ harmonogramu | "Cykl" (wymagany) |
frequency | [Wymagane] Określa częstotliwość wyzwalania harmonogramu | "Dzień" "Godzina" "Minuta" "Miesiąc" "Tydzień" (wymagany) |
interval | [Wymagane] Określa interwał harmonogramu w połączeniu z częstotliwością | int (wymagane) |
Wzór | Określa wzorzec harmonogramu cyklu | Recurrencepattern |
Recurrencepattern
Nazwa | Opis | Wartość |
---|---|---|
godziny | [Wymagane] Lista godzin wzorca harmonogramu cyklu | int[] (wymagane) |
minutes | [Wymagane] Lista minut dla wzorca harmonogramu cyklu | int[] (wymagane) |
Dni powszednie | Lista dni roboczych dla wzorca harmonogramu cyklu | Tablica ciągów zawierająca dowolną z: "Piątek" "Poniedziałek" "Sobota" "Niedziela" "Czwartek" "Wtorek" "Środa" |
JobBaseServices
Nazwa | Opis | Wartość |
---|---|---|
{niestandardowa właściwość} | JobService |
JobService
Nazwa | Opis | Wartość |
---|---|---|
endpoint | Adres URL punktu końcowego. | ciąg |
jobServiceType | Typ punktu końcowego. | ciąg |
port | Port dla punktu końcowego. | int |
properties | Dodatkowe właściwości do ustawienia w punkcie końcowym. | Właściwości usługi zadań |
Właściwości usługi zadań
Nazwa | Opis | Wartość |
---|---|---|
{niestandardowa właściwość} | ciąg |
AutoMLJob
Nazwa | Opis | Wartość |
---|---|---|
jobType | [Wymagane] Określa typ zadania. | "AutoML" (wymagane) |
environmentId | Identyfikator zasobu usługi ARM specyfikacji środowiska dla zadania. Ta wartość jest opcjonalna, aby podać, jeśli nie zostanie podana, rozwiązanie AutoML spowoduje domyślne ustawienie wersji środowiska wyselekcjonowanych w środowisku produkcyjnym podczas uruchamiania zadania. |
ciąg |
environmentVariables | Zmienne środowiskowe uwzględnione w zadaniu. | AutoMLJobEnvironmentVariables |
Wyjść | Mapowanie powiązań danych wyjściowych używanych w zadaniu. | AutoMLJobOutputs |
zasoby | Konfiguracja zasobów obliczeniowych dla zadania. | Konfiguracja zasobu |
taskDetails | [Wymagane] Reprezentuje scenariusz, który może być jedną z tabel/nlp/obrazu | AutoMLVertical (wymagane) |
AutoMLJobEnvironmentVariables
Nazwa | Opis | Wartość |
---|---|---|
{niestandardowa właściwość} | ciąg |
AutoMLJobOutputs
Nazwa | Opis | Wartość |
---|---|---|
{niestandardowa właściwość} | JobOutput |
JobOutput
Nazwa | Opis | Wartość |
---|---|---|
description (opis) | Opis danych wyjściowych. | ciąg |
jobOutputType | Ustawianie typu obiektu | Model niestandardowy Model MLFlowModel Tabela MLTable TritonModel UriFile UriFolder (wymagany) |
CustomModelJobOutput
Nazwa | Opis | Wartość |
---|---|---|
jobOutputType | [Wymagane] Określa typ zadania. | "CustomModel" (wymagany) |
tryb | Tryb dostarczania elementów zawartości wyjściowej. | "ReadWriteMount" "Przekaż" |
Identyfikator uri | Identyfikator URI elementu zawartości wyjściowej. | ciąg |
MLFlowModelJobOutput
Nazwa | Opis | Wartość |
---|---|---|
jobOutputType | [Wymagane] Określa typ zadania. | "MLFlowModel" (wymagany) |
tryb | Tryb dostarczania elementów zawartości wyjściowej. | "ReadWriteMount" "Przekaż" |
Identyfikator uri | Identyfikator URI elementu zawartości wyjściowej. | ciąg |
MLTableJobOutput
Nazwa | Opis | Wartość |
---|---|---|
jobOutputType | [Wymagane] Określa typ zadania. | "MLTable" (wymagane) |
tryb | Tryb dostarczania elementów zawartości wyjściowej. | "ReadWriteMount" "Przekaż" |
Identyfikator uri | Identyfikator URI elementu zawartości wyjściowej. | ciąg |
TritonModelJobOutput
Nazwa | Opis | Wartość |
---|---|---|
jobOutputType | [Wymagane] Określa typ zadania. | "TritonModel" (wymagane) |
tryb | Tryb dostarczania elementów zawartości wyjściowej. | "ReadWriteMount" "Przekaż" |
Identyfikator uri | Identyfikator URI elementu zawartości wyjściowej. | ciąg |
UriFileJobOutput
Nazwa | Opis | Wartość |
---|---|---|
jobOutputType | [Wymagane] Określa typ zadania. | "UriFile" (wymagane) |
tryb | Tryb dostarczania elementów zawartości wyjściowej. | "ReadWriteMount" "Przekaż" |
Identyfikator uri | Identyfikator URI elementu zawartości wyjściowej. | ciąg |
UriFolderJobOutput
Nazwa | Opis | Wartość |
---|---|---|
jobOutputType | [Wymagane] Określa typ zadania. | "UriFolder" (wymagany) |
tryb | Tryb dostarczania elementów zawartości wyjściowej. | "ReadWriteMount" "Przekaż" |
Identyfikator uri | Identyfikator URI elementu zawartości wyjściowej. | ciąg |
ResourceConfiguration
Nazwa | Opis | Wartość |
---|---|---|
instanceCount | Opcjonalna liczba wystąpień lub węzłów używanych przez docelowy obiekt obliczeniowy. | int |
Instancetype | Opcjonalny typ maszyny wirtualnej używany jako obsługiwany przez docelowy obiekt obliczeniowy. | ciąg |
properties | Dodatkowa torba właściwości. | ResourceConfigurationProperties |
ResourceConfigurationProperties
Nazwa | Opis | Wartość |
---|---|---|
{niestandardowa właściwość} | W przypadku funkcji Bicep można użyć funkcji any(). |
AutoMLVertical
Nazwa | Opis | Wartość |
---|---|---|
logVerbosity | Rejestrowanie szczegółowości zadania. | "Krytyczne" "Debuguj" "Błąd" "Informacje" "NotSet" "Ostrzeżenie" |
Tasktype | Ustawianie typu obiektu | Klasyfikacji Prognozowanie ImageClassification ImageClassificationMultilabel ImageInstanceSegmentation ImageObjectDetection Regresja TextClassification TextClassificationMultilabel TextNER (wymagane) |
Klasyfikacja
Nazwa | Opis | Wartość |
---|---|---|
Tasktype | [Wymagane] Typ zadania dla zadania AutoMLJob. | "Klasyfikacja" (wymagana) |
allowedModels | Dozwolone modele dla zadania klasyfikacji. | Tablica ciągów zawierająca dowolną z: "BernoulliNaiveBayes" "DecisionTree" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LightGBM" "LinearSVM" "LogisticsRegression" "MultinomialNaiveBayes" "RandomForest" "SGD" "SVM" "XGBoostClassifier" |
blockedModels | Zablokowane modele dla zadania klasyfikacji. | Tablica ciągów zawierająca dowolną z: "BernoulliNaiveBayes" "DecisionTree" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LightGBM" "LinearSVM" "LogisticsRegression" "MultinomialNaiveBayes" "RandomForest" "SGD" "SVM" "XGBoostClassifier" |
dataSettings | Dane wejściowe dla zadania AutoMLJob. | TableVerticalDataSettings |
cechowanieUstawienia | Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML. | TableVerticalFeaturizationSettings |
limitSettings | Ograniczenia wykonywania dla zadania AutoMLJob. | TableVerticalLimitSettings |
primaryMetric | Podstawowa metryka zadania. | "AUCWeighted" "Dokładność" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted" |
trainingSettings | Dane wejściowe fazy trenowania dla zadania zautomatyzowanego uczenia maszynowego. | TrainingSettings |
TableVerticalDataSettings
Nazwa | Opis | Wartość |
---|---|---|
targetColumnName | [Wymagane] Nazwa kolumny docelowej: jest to kolumna wartości przewidywania. Znana również jako nazwa kolumny etykiety w kontekście zadań klasyfikacji. |
ciąg (wymagany) Ograniczenia: Wzorzec = [a-zA-Z0-9_] |
Testdata | Testowanie danych wejściowych. | TestDataSettings |
trainingData | [Wymagane] Dane wejściowe danych szkoleniowych. | TrainingDataSettings (wymagane) |
validationData | Dane wejściowe danych walidacji. | TableVerticalValidationDataSettings |
weightColumnName | Nazwa przykładowej kolumny wagi. Zautomatyzowane uczenie maszynowe obsługuje kolumnę ważoną jako dane wejściowe, co powoduje, że wiersze w danych mają być ważone w górę lub w dół. | ciąg |
TestDataSettings
Nazwa | Opis | Wartość |
---|---|---|
dane | Testowanie danych MLTable. | MlTableJobInput |
testDataSize | Ułamek zestawu danych testowych, który należy odłożyć do celów walidacji. Wartości z zakresu od (0,0, 1,0) Zastosowano, gdy zestaw danych sprawdzania poprawności nie został podany. |
int |
MlTableJobInput
Nazwa | Opis | Wartość |
---|---|---|
description (opis) | Opis danych wejściowych. | ciąg |
jobInputType | [Wymagane] Określa typ zadania. | "CustomModel" "Literał" "MLFlowModel" "MLTable" "TritonModel" "UriFile" "UriFolder" (wymagany) |
tryb | Tryb dostarczania zasobów wejściowych. | "Bezpośrednie" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
Identyfikator uri | [Wymagane] Identyfikator URI zasobu wejściowego. | ciąg (wymagany) Ograniczenia: Wzorzec = [a-zA-Z0-9_] |
TrainingDataSettings
Nazwa | Opis | Wartość |
---|---|---|
dane | [Wymagane] Tabela MLTable danych szkoleniowych. | MLTableJobInput (wymagane) |
TableVerticalValidationDataSettings
Nazwa | Opis | Wartość |
---|---|---|
cvSplitColumnNames | Kolumny do użycia dla danych CVSplit. | ciąg[] |
dane | Tabela MLTable danych weryfikacji. | MlTableJobInput |
nCrossValidations | Liczba składań krzyżowych do zastosowania w zestawie danych szkoleniowych gdy zestaw danych sprawdzania poprawności nie jest podany. |
NCrossValidations |
validationDataSize | Ułamek zestawu danych trenowania, który należy odłożyć do celów walidacji. Wartości z zakresu od (0,0, 1,0) Zastosowano, gdy zestaw danych sprawdzania poprawności nie został podany. |
int |
NCrossValidations
Nazwa | Opis | Wartość |
---|---|---|
tryb | Ustawianie typu obiektu | Automatycznie Niestandardowe (wymagane) |
AutoNCrossValidations
Nazwa | Opis | Wartość |
---|---|---|
tryb | [Wymagane] Tryb określania poprawności N-Cross. | "Auto" (wymagane) |
CustomNCrossValidations
Nazwa | Opis | Wartość |
---|---|---|
tryb | [Wymagane] Tryb określania poprawności N-Cross. | "Niestandardowy" (wymagany) |
wartość | [Wymagane] N-Cross validations wartość. | int (wymagane) |
TableVerticalFeaturizationSettings
Nazwa | Opis | Wartość |
---|---|---|
blockedTransformers | Transformatory te nie są stosowane w cechowaniu. | ciąg[] |
columnNameAndTypes | Słownik nazwy kolumny i jego typu (int, float, string, datetime itp.). | TableVerticalFeaturizationSettingsColumnNameAndTypes |
datasetLanguage | Język zestawu danych, przydatny dla danych tekstowych. | ciąg |
dropColumns | Kolumny, które mają zostać porzucone z danych podczas cechowania. | ciąg[] |
enableDnnFeaturization | 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 niezbędną transformacją danych w fazie cechowania. Jeśli wybrano opcję "Wył.", nie jest wykonywana cechowanie. Jeśli wybrano opcję "Niestandardowe", użytkownik może określić dodatkowe dane wejściowe, aby dostosować sposób wykonywania cech. |
"Auto" "Niestandardowy" "Wyłączone" |
transformerParams | Użytkownik może określić dodatkowe transformatory, które mają być używane wraz z kolumnami, do których zostanie zastosowana, i parametry konstruktora transformatora. | TableVerticalFeaturizationSettingsTransformerParams |
TableVerticalFeaturizationSettingsColumnNameAndTypes
Nazwa | Opis | Wartość |
---|---|---|
{niestandardowa właściwość} | ciąg |
TableVerticalFeaturizationSettingsTransformerParams
Nazwa | Opis | Wartość |
---|---|---|
{niestandardowa właściwość} | ColumnTransformer[] |
ColumnTransformer
Nazwa | Opis | Wartość |
---|---|---|
fields | Pola do stosowania logiki przekształcania. | ciąg[] |
parameters | Różne właściwości, które mają być przekazywane do transformatora. Oczekiwano danych wejściowych to słownik par klucz,wartość w formacie JSON. |
W przypadku Bicep można użyć funkcji any(). |
TableVerticalLimitSettings
Nazwa | Opis | Wartość |
---|---|---|
enableEarlyTermination | Włącz wczesne zakończenie, określa, czy funkcja AutoMLJob zakończy się wcześnie, jeśli w ciągu ostatnich 20 iteracji nie ma poprawy wyników. | bool |
exitScore | Wynik zakończenia zadania rozwiązania AutoML. | int |
maxConcurrentTrials | Maksymalna liczba iteracji współbieżnych. | int |
maxCoresPerTrial | Maksymalna liczba rdzeni na iterację. | int |
maxTrials | Liczba iteracji. | int |
timeout | Limit czasu zadania automatycznego uczenia maszynowego. | ciąg |
trialTimeout | Limit czasu iteracji. | ciąg |
TrainingSettings
Nazwa | Opis | Wartość |
---|---|---|
enableDnnTraining | Włącz rekomendację modeli sieci DNN. | bool |
enableModelExplainability | Flaga włączania objaśnienia dla najlepszego modelu. | bool |
enableOnnxCompatibleModels | Flaga włączania modeli zgodnych z programem onnx. | bool |
enableStackEnsemble | Włącz uruchamianie zespołu stosu. | bool |
enableVoteEnsemble | Włącz uruchamianie zespołu głosowania. | bool |
ensembleModelDownloadTimeout | Podczas generowania modelu VotingEnsemble i StackEnsemble pobierane są wiele dopasowanych modeli z poprzednich przebiegów podrzędnych. Skonfiguruj ten parametr o wyższej wartości niż 300 sekund, jeśli potrzebny jest więcej czasu. |
ciąg |
stackEnsembleSettings | Ustawienia zespołu stosu dla przebiegu zespołu stosu. | StackEnsembleSettings |
StackEnsembleSettings
Nazwa | Opis | Wartość |
---|---|---|
stackMetaLearnerKWargs | Parametry opcjonalne, które mają być przekazywane do inicjatora metauczeń. | W przypadku funkcji Bicep można użyć funkcji any(). |
stackMetaLearnerTrainPercentage | Określa proporcję zestawu treningowego (podczas wybierania typu trenowania i walidacji trenowania) do zarezerwowania na potrzeby trenowania meta-ucznia. Wartość domyślna to 0,2. | int |
stackMetaLearnerType | Metauczeń to model wytrenowany na podstawie danych wyjściowych poszczególnych modeli heterogenicznych. | "ElasticNet" "ElasticNetCV" "LightGBMClassifier" "LightGBMRegressor" "LinearRegression" "LogisticsRegression" "LogisticsRegressionCV" "Brak" |
Prognozowanie
Nazwa | Opis | Wartość |
---|---|---|
Tasktype | [Wymagane] Typ zadania dla zadania AutoMLJob. | "Prognozowanie" (wymagane) |
allowedModels | Dozwolone modele na potrzeby zadania prognozowania. | Tablica ciągów zawierająca dowolną z: "Arimax" "Autoarima" "Średnia" "DecisionTree" "ElasticNet" "ExponentialSmoothing" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "Naiwny" "Prorok" "RandomForest" "SGD" "Sezonowaprzedaż" "SeasonalNaive" "TCNForecaster" "XGBoostRegressor" |
blockedModels | Zablokowane modele do prognozowania zadania. | Tablica ciągów zawierająca dowolną z: "Arimax" "Autoarima" "Średnia" "DecisionTree" "ElasticNet" "ExponentialSmoothing" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "Naiwny" "Prorok" "RandomForest" "SGD" "Sezonowaprzedaż" "SeasonalNaive" "TCNForecaster" "XGBoostRegressor" |
dataSettings | Dane wejściowe dla zadania AutoMLJob. | TableVerticalDataSettings |
cechowanieUstawienia | Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML. | TableVerticalFeaturizationSettings |
forecastingSettings | Dane wejściowe specyficzne dla zadania prognozowania. | Prognozowanieuustawienia |
limitSettings | Ograniczenia wykonywania dla zadania AutoMLJob. | TableVerticalLimitSettings |
primaryMetric | Podstawowa metryka zadania prognozowania. | "NormalizedMeanAbsoluteError" "NormalizedRootMeanSquaredError" "R2Score" "SpearmanCorrelation" |
trainingSettings | Dane wejściowe fazy trenowania dla zadania zautomatyzowanego uczenia maszynowego. | TrainingSettings |
Prognozowanieuustawienia
Nazwa | Opis | Wartość |
---|---|---|
countryOrRegionForHolidays | Kraj lub region na potrzeby świąt na potrzeby zadań prognozowania. Powinny to być dwuliterowe kody kraju/regionu ISO 3166, na przykład "USA" lub "GB". |
ciąg |
cvStepSize | Liczba okresów między czasem pochodzenia jednego składania CV a następną fałdą. W przypadku programu na przykład, jeśli CVStepSize = 3 dla danych dziennych, czas pochodzenia dla każdej krotnie będzietrzy dni od siebie. |
int |
featureLags | Flaga generowania opóźnień dla funkcji liczbowych z wartością "auto" lub null. | "Auto" "Brak" |
forecastHorizon | Żądany maksymalny horyzont prognozy w jednostkach częstotliwości szeregów czasowych. | PrognozaHorizon |
frequency | Podczas prognozowania ten parametr reprezentuje okres, z którym jest wymagana prognoza, na przykład codziennie, co tydzień, co rok itp. Częstotliwość prognozy jest domyślnie częstotliwością zestawu danych. | ciąg |
Sezonowości | Ustaw sezonowość szeregów czasowych jako liczbę całkowitą częstotliwości serii. Jeśli sezonowość jest ustawiona na "auto", zostanie ona wywnioskowana. |
Sezonowości |
shortSeriesHandlingConfig | Parametr definiujący sposób obsługi krótkich szeregów czasowych przez rozwiązanie AutoML. | "Auto" "Upuść" "Brak" "Pad" |
targetAggregateFunction | Funkcja używana do agregowania kolumny docelowej szeregów czasowych w celu zachowania zgodności z określoną częstotliwością użytkownika. Jeśli parametr TargetAggregateFunction jest ustawiony, tj. "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 | Liczba poprzednich okresów do opóźnienia z kolumny docelowej. | TargetLags |
targetRollingWindowSize | Liczba poprzednich okresów użytych do utworzenia średniej okna kroczącego kolumny docelowej. | TargetRollingWindowSize |
timeColumnName | Nazwa kolumny czasowej. Ten parametr jest wymagany podczas prognozowania, aby określić kolumnę datetime w danych wejściowych używanych do kompilowania szeregów czasowych i wnioskowania o jego częstotliwości. | ciąg |
timeSeriesIdColumnNames | Nazwy kolumn używanych do grupowania czasów. 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[] |
useStl | Skonfiguruj dekompozycję STL kolumny docelowej szeregów czasowych. | "Brak" "Sezon" "SeasonTrend" |
PrognozaHorizon
Nazwa | Opis | Wartość |
---|---|---|
tryb | Ustawianie typu obiektu | Automatycznie Niestandardowe (wymagane) |
AutoForecastHorizon
Nazwa | Opis | Wartość |
---|---|---|
tryb | [Wymagane] Ustaw tryb wyboru wartości horyzontu prognozy. | "Auto" (wymagane) |
CustomForecastHorizon
Nazwa | Opis | Wartość |
---|---|---|
tryb | [Wymagane] Ustaw tryb wyboru wartości horyzontu prognozy. | "Niestandardowy" (wymagany) |
wartość | [Wymagane] Wartość horyzontu prognozy. | int (wymagane) |
Sezonowość
Nazwa | Opis | Wartość |
---|---|---|
tryb | Ustawianie typu obiektu | Automatycznie Niestandardowe (wymagane) |
AutoSeasonity
Nazwa | Opis | Wartość |
---|---|---|
tryb | [Wymagane] Tryb sezonowości. | "Auto" (wymagane) |
CustomSeasonality
Nazwa | Opis | Wartość |
---|---|---|
tryb | [Wymagane] Tryb sezonowości. | "Niestandardowy" (wymagany) |
wartość | [Wymagane] Wartość sezonowa. | int (wymagane) |
TargetLags
Nazwa | Opis | Wartość |
---|---|---|
tryb | Ustawianie typu obiektu | Automatycznie Niestandardowe (wymagane) |
AutoTargetLags
Nazwa | Opis | Wartość |
---|---|---|
tryb | [Wymagane] Ustawianie trybu opóźnień docelowych — automatyczne/niestandardowe | "Auto" (wymagane) |
CustomTargetLags
Nazwa | Opis | Wartość |
---|---|---|
tryb | [Wymagane] Ustawianie trybu opóźnień docelowych — automatyczne/niestandardowe | "Niestandardowy" (wymagany) |
values | [Wymagane] Ustaw wartości opóźnień docelowych. | int[] (wymagane) |
TargetRollingWindowSize
Nazwa | Opis | Wartość |
---|---|---|
tryb | Ustawianie typu obiektu | Automatycznie Niestandardowe (wymagane) |
AutoTargetRollingWindowSize
Nazwa | Opis | Wartość |
---|---|---|
tryb | [Wymagane] TargetRollingWindowSiz — tryb wykrywania. | "Auto" (wymagane) |
CustomTargetRollingWindowSize
Nazwa | Opis | Wartość |
---|---|---|
tryb | [Wymagane] TargetRollingWindowSiz — tryb wykrywania. | "Niestandardowy" (wymagany) |
wartość | [Wymagane] Wartość TargetRollingWindowSize. | int (wymagane) |
ImageClassification
Nazwa | Opis | Wartość |
---|---|---|
Tasktype | [Wymagane] Typ zadania dla zadania AutoMLJob. | "ImageClassification" (wymagane) |
dataSettings | [Wymagane] Kolekcja zarejestrowanych identyfikatorów tabelarycznego zestawu danych i innych ustawień danych wymaganych do trenowania i weryfikowania modeli. | ImageVerticalDataSettings (wymagane) |
limitSettings | [Wymagane] Ogranicz ustawienia zadania automatycznego uczenia maszynowego. | ImageLimitSettings (wymagane) |
modelSettings | Ustawienia używane do trenowania modelu. | ImageModelSettingsClassification |
podstawowa metryka | Podstawowa metryka do optymalizacji pod kątem tego zadania. | "AUCWeighted" "Dokładność" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted" |
searchSpace | Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów. | ImageModelDistributionSettingsClassification[] |
sweepSettings | Zamiatanie modelu i hiperparametr zamiatanie powiązanych ustawień. | ImageSweepSettings |
ImageVerticalDataSettings
Nazwa | Opis | Wartość |
---|---|---|
targetColumnName | [Wymagane] Nazwa kolumny docelowej: jest to kolumna wartości przewidywania. Znana również jako nazwa kolumny etykiety w kontekście zadań klasyfikacji. |
ciąg (wymagany) Ograniczenia: Wzorzec = [a-zA-Z0-9_] |
Testdata | Testowanie danych wejściowych. | TestDataSettings |
trainingData | [Wymagane] Dane wejściowe danych szkoleniowych. | TrainingDataSettings (wymagane) |
validationData | Ustawienia zestawu danych sprawdzania poprawności. | ImageVerticalValidationDataSettings |
ImageVerticalValidationDataSettings
Nazwa | Opis | Wartość |
---|---|---|
dane | Tabela MLTable danych weryfikacji. | MlTableJobInput |
validationDataSize | Ułamek zestawu danych trenowania, który należy odłożyć do celów walidacji. Wartości z zakresu od (0,0, 1,0) Zastosowano, gdy zestaw danych sprawdzania poprawności nie został podany. |
int |
ImageLimitSettings
Nazwa | Opis | Wartość |
---|---|---|
maxConcurrentTrials | Maksymalna liczba współbieżnych iteracji rozwiązania AutoML. | int |
maxTrials | Maksymalna liczba iteracji rozwiązania AutoML. | int |
timeout | Limit czasu zadania automatycznego uczenia maszynowego. | ciąg |
ImageModelSettingsClassification
Nazwa | Opis | Wartość |
---|---|---|
advancedSettings | Ustawienia dla zaawansowanych scenariuszy. | ciąg |
amsGradient | Włącz narzędzie AMSGrad, gdy optymalizator ma wartość "adam" lub "adamw". | bool |
rozszerzenia | Ustawienia dotyczące używania rozszerzeń. | ciąg |
beta1 | Wartość "beta1", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkiem w zakresie [0, 1]. | int |
beta2 | Wartość "beta2", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkiem w zakresie [0, 1]. | int |
checkpointDatasetId | FileDataset id dla wstępnie wytrenowanych punktów kontrolnych na potrzeby trenowania przyrostowego. Pamiętaj, aby przekazać wartość CheckpointFilename wraz z elementem CheckpointDatasetId. |
ciąg |
checkpointFilename | Wstępnie wytrenowana nazwa pliku punktu kontrolnego w zestawie plików na potrzeby trenowania przyrostowego. Pamiętaj, aby przekazać wartość CheckpointDatasetId wraz z elementem CheckpointFilename. |
ciąg |
checkpointFrequency | Częstotliwość przechowywania punktów kontrolnych modelu. Musi być dodatnią liczbą całkowitą. | int |
checkpointRunId | Identyfikator poprzedniego przebiegu, który ma wstępnie wytrenowany punkt kontrolny na potrzeby trenowania przyrostowego. | ciąg |
Rozproszonych | Czy należy używać trenowania rozproszonego. | bool |
earlyStopping | Włącz logikę wczesnego zatrzymywania podczas trenowania. | bool |
earlyStoppingDelay | Minimalna liczba epok lub ocen poprawności, które należy zaczekać przed ulepszeniem podstawowej metryki jest śledzony w celu wczesnego zatrzymania. Musi być dodatnią liczbą całkowitą. |
int |
earlyStoppingPatience | Minimalna liczba epok lub ocen poprawności bez podstawowej poprawy metryki przed przebieg zostanie zatrzymany. Musi być dodatnią liczbą całkowitą. |
int |
enableOnnxNormalization | Włącz normalizację podczas eksportowania modelu ONNX. | bool |
evaluationFrequency | Częstotliwość oceniania zestawu danych weryfikacji w celu uzyskania wyników metryk. Musi być dodatnią liczbą całkowitą. | int |
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 |
layersToFreeze | Liczba warstw, które mają być blokowane dla modelu. Musi być dodatnią liczbą całkowitą. Na przykład przekazanie wartości 2 jako wartości dla "seresnext" oznacza warstwy 0 i warstwy 1. Aby uzyskać pełną listę obsługiwanych modeli i szczegóły dotyczące blokowania warstwy, proszę Zobacz: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
int |
learningRate | Początkowa szybkość nauki. Musi być zmiennoprzecinkiem w zakresie [0, 1]. | int |
learningRateScheduler | Typ harmonogramu szybkości nauki. Musi mieć wartość "warmup_cosine" lub "krok". | "Brak" "Krok" "WarmupCosine" |
Modelname | Nazwa modelu, który ma być używany do trenowania. Aby uzyskać więcej informacji na temat dostępnych modeli, odwiedź oficjalną dokumentację: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
ciąg |
Tempa | Wartość tempa, gdy optymalizator ma wartość "sgd". Musi być zmiennoprzecinkiem w zakresie [0, 1]. | int |
nesterov | Włącz nesterov, gdy optymalizator ma wartość "sgd". | bool |
numberOfEpochs | Liczba epok treningowych. Musi być dodatnią liczbą całkowitą. | int |
numberOfWorkers | Liczba procesów roboczych modułu ładującego dane. Musi być nieujemną liczbą całkowitą. | int |
Optymalizator | Typ optymalizatora. | "Adam" "Adamw" "Brak" "Sgd" |
randomSeed | Losowe inicjatory, które mają być używane podczas korzystania z trenowania deterministycznego. | int |
splitRatio | Jeśli dane sprawdzania poprawności nie są zdefiniowane, określa współczynnik podziału dla dzielenia trenowanie danych w podzestawach losowych trenowania i walidacji. Musi być zmiennoprzecinkiem w zakresie [0, 1]. |
int |
stepLRGamma | Wartość gamma podczas uczenia się harmonogramu szybkości jest "krok". Musi być zmiennoprzecinkiem w zakresie [0, 1]. | int |
stepLRStepSize | Wartość rozmiaru kroku, gdy harmonogram szybkości nauki to "krok". Musi być dodatnią liczbą całkowitą. | int |
trainingBatchSize | Rozmiar partii trenowania. Musi być dodatnią liczbą całkowitą. | int |
trainingCropSize | Rozmiar przycinania obrazów, który jest danymi wejściowymi sieci neuronowej dla zestawu danych treningowych. Musi być dodatnią liczbą całkowitą. | int |
validationBatchSize | Rozmiar partii sprawdzania poprawności. Musi być dodatnią liczbą całkowitą. | int |
validationCropSize | Rozmiar przycinania obrazów, który jest danymi wejściowymi dla sieci neuronowej dla zestawu danych weryfikacji. Musi być dodatnią liczbą całkowitą. | int |
validationResizeSizeSize | Rozmiar obrazu, którego rozmiar ma być zmieniany przed przycinaniem zestawu danych weryfikacji. Musi być dodatnią liczbą całkowitą. | int |
warmupCosineLRCycles | Wartość cyklu cosinusowego, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być zmiennoprzecinkiem w zakresie [0, 1]. | int |
warmupCosineLRWarmupEpochs | Wartość epok rozgrzewki, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być dodatnią liczbą całkowitą. | int |
weightDecay | Wartość rozkładu wagi, gdy optymalizator to "sgd", "adam" lub "adamw". Musi być zmiennoprzecinkiem w zakresie[0, 1]. | int |
weightedLoss | Utrata wagi. Akceptowane wartości to 0 bez odchudzania. 1 do odchudzania z sqrt. (class_weights). 2 dla odchudzania z class_weights. Musi mieć wartość 0 lub 1 lub 2. |
int |
ImageModelDistributionSettingsClassification
Nazwa | Opis | Wartość |
---|---|---|
amsGradient | Włącz narzędzie AMSGrad, gdy optymalizator ma wartość "adam" lub "adamw". | ciąg |
rozszerzenia | Ustawienia dotyczące używania rozszerzeń. | ciąg |
beta1 | Wartość "beta1", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkiem w zakresie [0, 1]. | ciąg |
beta2 | Wartość "beta2", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkiem w zakresie [0, 1]. | ciąg |
Rozproszonych | Czy należy używać trenowania rozproszonego. | ciąg |
earlyStopping | Włącz logikę wczesnego zatrzymywania podczas trenowania. | ciąg |
earlyStoppingDelay | Minimalna liczba epok lub ocen poprawności, które należy zaczekać przed ulepszeniem podstawowej metryki jest śledzony w celu wczesnego zatrzymania. Musi być dodatnią liczbą całkowitą. |
ciąg |
earlyStoppingPatience | Minimalna liczba epok lub ocen poprawności bez podstawowej poprawy metryki przed przebieg zostanie zatrzymany. Musi być dodatnią liczbą całkowitą. |
ciąg |
enableOnnxNormalization | Włącz normalizację podczas eksportowania modelu ONNX. | ciąg |
evaluationFrequency | 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 | Liczba warstw, które mają być blokowane dla modelu. Musi być dodatnią liczbą całkowitą. Na przykład przekazanie wartości 2 jako wartości dla "seresnext" oznacza warstwy 0 i warstwy 1. Aby uzyskać pełną listę obsługiwanych modeli i szczegóły dotyczące blokowania warstwy, proszę Zobacz: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
ciąg |
learningRate | Początkowa szybkość nauki. Musi być zmiennoprzecinkiem w zakresie [0, 1]. | ciąg |
learningRateScheduler | Typ harmonogramu szybkości nauki. Musi mieć wartość "warmup_cosine" lub "krok". | ciąg |
Modelname | Nazwa modelu, który ma być używany do trenowania. Aby uzyskać więcej informacji na temat dostępnych modeli, odwiedź oficjalną dokumentację: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
ciąg |
Tempa | Wartość tempa, gdy optymalizator ma wartość "sgd". Musi być zmiennoprzecinkiem w zakresie [0, 1]. | ciąg |
nesterov | Włącz nesterov, gdy optymalizator ma wartość "sgd". | ciąg |
numberOfEpochs | Liczba epok treningowych. Musi być dodatnią liczbą całkowitą. | ciąg |
numberOfWorkers | Liczba procesów roboczych modułu ładującego dane. Musi być nieujemną liczbą całkowitą. | ciąg |
Optymalizator | Typ optymalizatora. Musi być albo "sgd", "adam", lub "adamw". | ciąg |
randomSeed | Losowe inicjatory, które mają być używane podczas korzystania z trenowania deterministycznego. | ciąg |
splitRatio | Jeśli dane sprawdzania poprawności nie są zdefiniowane, określa współczynnik podziału dla dzielenia trenowanie danych w podzestawach losowych trenowania i walidacji. Musi być zmiennoprzecinkiem w zakresie [0, 1]. |
ciąg |
stepLRGamma | Wartość gamma podczas uczenia się harmonogramu szybkości jest "krok". Musi być zmiennoprzecinkiem w zakresie [0, 1]. | ciąg |
stepLRStepSize | Wartość rozmiaru kroku, gdy harmonogram szybkości nauki to "krok". Musi być dodatnią liczbą całkowitą. | ciąg |
trainingBatchSize | Rozmiar partii trenowania. Musi być dodatnią liczbą całkowitą. | ciąg |
trainingCropSize | Rozmiar przycinania obrazów, który jest danymi wejściowymi sieci neuronowej dla zestawu danych treningowych. Musi być dodatnią liczbą całkowitą. | ciąg |
validationBatchSize | Rozmiar partii sprawdzania poprawności. Musi być dodatnią liczbą całkowitą. | ciąg |
validationCropSize | Rozmiar przycinania obrazów, który jest danymi wejściowymi dla sieci neuronowej dla zestawu danych weryfikacji. Musi być dodatnią liczbą całkowitą. | ciąg |
validationResizeSizeSize | Rozmiar obrazu, którego rozmiar ma być zmieniany przed przycinaniem zestawu danych weryfikacji. Musi być dodatnią liczbą całkowitą. | ciąg |
warmupCosineLRCycles | Wartość cyklu cosinusowego, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być zmiennoprzecinkiem w zakresie [0, 1]. | ciąg |
warmupCosineLRWarmupEpochs | Wartość epok rozgrzewki, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być dodatnią liczbą całkowitą. | ciąg |
weightDecay | Wartość rozkładu wagi, gdy optymalizator to "sgd", "adam" lub "adamw". Musi być zmiennoprzecinkiem w zakresie[0, 1]. | ciąg |
weightedLoss | Utrata wagi. Akceptowane wartości to 0 bez odchudzania. 1 do odchudzania z sqrt. (class_weights). 2 dla odchudzania z class_weights. Musi mieć wartość 0 lub 1 lub 2. |
ciąg |
ImageSweepSettings
Nazwa | Opis | Wartość |
---|---|---|
earlyTermination | Typ zasad wczesnego kończenia. | EarlyTerminationPolicy |
Limity | [Wymagane] Ogranicz ustawienia dla zamiatania modelu i zamiatania hiperparametrów. | ImageSweepLimitSettings (wymagane) |
samplingAlgorithm | [Wymagane] Typ algorytmów próbkowania hiperparametrów. | "Bayesian" "Siatka" "Losowe" (wymagane) |
EarlyTerminationPolicy
Nazwa | Opis | Wartość |
---|---|---|
delayEvaluation | Liczba interwałów, według których należy opóźnić pierwszą ocenę. | int |
evaluationInterval | Interwał (liczba przebiegów) między ocenami zasad. | int |
policyType | Ustawianie typu obiektu | Bandyta MedianStopping Obcięcieselection (wymagane) |
BanditPolicy
Nazwa | Opis | Wartość |
---|---|---|
policyType | [Wymagane] Nazwa konfiguracji zasad | "Bandit" (wymagane) |
slackAmount | Odległość bezwzględna dozwolona od najlepiej działającego przebiegu. | int |
SlackFactor | Stosunek dozwolonej odległości od najlepiej działającego przebiegu. | int |
MedianStoppingPolicy
Nazwa | Opis | Wartość |
---|---|---|
policyType | [Wymagane] Nazwa konfiguracji zasad | "MedianStopping" (wymagane) |
ObcięcieselectionPolicy
Nazwa | Opis | Wartość |
---|---|---|
policyType | [Wymagane] Nazwa konfiguracji zasad | "TruncationSelection" (wymagane) |
obcinaniePercentage | Procent przebiegów do anulowania w każdym interwale oceny. | int |
ImageSweepLimitSettings
Nazwa | Opis | Wartość |
---|---|---|
maxConcurrentTrials | Maksymalna liczba współbieżnych iteracji dla bazowego zadania zamiatania. | int |
maxTrials | Maksymalna liczba iteracji dla bazowego zadania zamiatania. | int |
ImageClassificationMultilabel
Nazwa | Opis | Wartość |
---|---|---|
Tasktype | [Wymagane] Typ zadania dla zadania AutoMLJob. | "ImageClassificationMultilabel" (wymagane) |
dataSettings | [Wymagane] Kolekcja zarejestrowanych identyfikatorów tabelarycznego zestawu danych i innych ustawień danych wymaganych do trenowania i walidacji modeli. | ImageVerticalDataSettings (wymagane) |
limitSettings | [Wymagane] Ogranicz ustawienia zadania automatycznego uczenia maszynowego. | ImageLimitSettings (wymagane) |
modelSettings | Ustawienia używane do trenowania modelu. | ImageModelSettingsClassification |
primaryMetric | Podstawowa metryka do optymalizacji pod kątem tego zadania. | "AUCWeighted" "Dokładność" "AveragePrecisionScoreWeighted" "IOU" "NormMacroRecall" "PrecisionScoreWeighted" |
searchSpace | Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów. | ImageModelDistributionSettingsClassification[] |
sweepSettings | Ustawienia związane z zamiatanie modelu i zamiatanie hiperparametrów. | ImageSweepSettings |
ImageInstanceSegmentation
Nazwa | Opis | Wartość |
---|---|---|
Tasktype | [Wymagane] Typ zadania dla zadania AutoMLJob. | "ImageInstanceSegmentation" (wymagane) |
dataSettings | [Wymagane] Kolekcja zarejestrowanych identyfikatorów tabelarycznego zestawu danych i innych ustawień danych wymaganych do trenowania i walidacji modeli. | ImageVerticalDataSettings (wymagane) |
limitSettings | [Wymagane] Ogranicz ustawienia zadania automatycznego uczenia maszynowego. | ImageLimitSettings (wymagane) |
modelSettings | Ustawienia używane do trenowania modelu. | ImageModelSettingsObjectDetection |
primaryMetric | Podstawowa metryka do optymalizacji pod kątem tego zadania. | "MeanAveragePrecision" |
searchSpace | Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów. | ImageModelDistributionSettingsObjectDetection[] |
sweepSettings | Ustawienia związane z zamiatanie modelu i zamiatanie hiperparametrów. | ImageSweepSettings |
ImageModelSettingsObjectDetection
Nazwa | Opis | Wartość |
---|---|---|
advancedSettings | Ustawienia dla zaawansowanych scenariuszy. | ciąg |
amsGradient | Włącz narzędzie AMSGrad, gdy optymalizator ma wartość "adam" lub "adamw". | bool |
rozszerzenia | Ustawienia dotyczące używania rozszerzeń. | ciąg |
beta1 | Wartość "beta1", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkiem w zakresie [0, 1]. | int |
beta2 | Wartość "beta2", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkiem w zakresie [0, 1]. | int |
boxDetectionsPerImage | Maksymalna liczba wykryć na obrazie dla wszystkich klas. Musi być dodatnią liczbą całkowitą. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5". |
int |
boxScoreThreshold | Podczas wnioskowania zwracane są tylko propozycje z oceną klasyfikacji większą niż BoxScoreThreshold. Musi być zmiennoprzecinkiem w zakresie[0, 1]. |
int |
checkpointDatasetId | FileDataset id dla wstępnie wytrenowanych punktów kontrolnych na potrzeby trenowania przyrostowego. Pamiętaj, aby przekazać wartość CheckpointFilename wraz z elementem CheckpointDatasetId. |
ciąg |
checkpointFilename | Wstępnie wytrenowana nazwa pliku punktu kontrolnego w zestawie plików na potrzeby trenowania przyrostowego. Pamiętaj, aby przekazać wartość CheckpointDatasetId wraz z elementem CheckpointFilename. |
ciąg |
checkpointFrequency | Częstotliwość przechowywania punktów kontrolnych modelu. Musi być dodatnią liczbą całkowitą. | int |
checkpointRunId | Identyfikator poprzedniego przebiegu, który ma wstępnie wytrenowany punkt kontrolny na potrzeby trenowania przyrostowego. | ciąg |
Rozproszonych | Czy używać trenowania rozproszonego. | bool |
earlyStopping | Włącz logikę wczesnego zatrzymywania podczas trenowania. | bool |
earlyStoppingDelay | Minimalna liczba epok lub ocen weryfikacji, które mają czekać przed ulepszeniem podstawowej metryki jest śledzony do wczesnego zatrzymywania. Musi być dodatnią liczbą całkowitą. |
int |
earlyStoppingPatience | Minimalna liczba epok lub ocen weryfikacji bez podstawowej poprawy metryki przed przebieg zostanie zatrzymany. Musi być dodatnią liczbą całkowitą. |
int |
enableOnnxNormalization | Włącz normalizację podczas eksportowania modelu ONNX. | bool |
evaluationFrequency | Częstotliwość oceny zestawu danych weryfikacji w celu uzyskania wyników metryk. Musi być dodatnią liczbą całkowitą. | int |
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 |
Imagesize | 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 |
layersToFreeze | Liczba warstw do zablokowania modelu. Musi być dodatnią liczbą całkowitą. Na przykład przekazanie wartości 2 jako wartości dla wartości "seresnext" oznacza zamrażanie warstwy0 i warstwy 1. Aby uzyskać pełną listę obsługiwanych modeli i szczegółowe informacje na temat blokowania warstwy, zapoznaj się z tematem Zobacz: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
int |
learningRate | Początkowa stawka nauki. Musi być zmiennoprzecinkowym w zakresie [0, 1]. | int |
learningRateScheduler | Typ harmonogramu szybkości nauki. Musi być "warmup_cosine" lub "krok". | "Brak" "Krok" "WarmupCosine" |
Maxsize | Maksymalny rozmiar obrazu do ponownego skalowania przed przesłaniem go do sieci szkieletowej. Musi być dodatnią liczbą całkowitą. Uwaga: uruchomienie treningowe może dostać się do CUDA OOM, jeśli rozmiar jest zbyt duży. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5". |
int |
Minsize | Minimalny rozmiar obrazu do ponownego skalowania przed przesłaniem go do sieci szkieletowej. Musi być dodatnią liczbą całkowitą. Uwaga: uruchomienie treningowe może dostać się do CUDA OOM, jeśli rozmiar jest zbyt duży. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5". |
int |
Modelname | Nazwa modelu do użycia do trenowania. Aby uzyskać więcej informacji na temat dostępnych modeli, odwiedź oficjalną dokumentację: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
ciąg |
modelSize | Rozmiar modelu. Musi być "mały", "średni", "duży" lub "xlarge". Uwaga: uruchomienie trenowania może dostać się do CUDA OOM, jeśli rozmiar modelu jest zbyt duży. Uwaga: te ustawienia są obsługiwane tylko dla algorytmu "yolov5". |
"EkstraLarge" "Duży" "Średni" "Brak" "Mały" |
Tempa | Wartość tempa, gdy optymalizator ma wartość "sgd". Musi być zmiennoprzecinkowym w zakresie [0, 1]. | int |
multiScale | Włącz obraz wieloskalowy, zmieniając rozmiar obrazu o +/- 50%. Uwaga: uruchomienie trenowania może dostać się do cudA OOM, jeśli nie ma wystarczającej pamięci procesora GPU. Uwaga: te ustawienia są obsługiwane tylko dla algorytmu "yolov5". |
bool |
nesterov | Włącz zagnieżdżanie, gdy optymalizator ma wartość "sgd". | bool |
nmsIouThreshold | Próg operacji we/wy używany podczas wnioskowania w procesie przetwarzania końcowego NMS. Musi być zmiennoprzecinkowym w zakresie [0, 1]. | int |
numberOfEpochs | Liczba epok treningowych. Musi być dodatnią liczbą całkowitą. | int |
numberOfWorkers | Liczba procesów roboczych modułu ładującego dane. Musi być liczbą całkowitą nie ujemną. | int |
Optymalizator | Typ optymalizatora. | "Adam" "Adamw" "Brak" "Sgd" |
randomSeed | Losowe nasion do użycia podczas trenowania deterministycznego. | int |
splitRatio | Jeśli dane weryfikacji nie są zdefiniowane, określa współczynnik podziału dla dzielenia trenowanie danych do losowych podzestawów pociągu i walidacji. Musi być zmiennoprzecinkowym w zakresie [0, 1]. |
int |
stepLRGamma | Wartość gamma, gdy harmonogram szybkości nauki to "krok". Musi być zmiennoprzecinkowym w zakresie [0, 1]. | int |
stepLRStepSize | Wartość rozmiaru kroku, gdy harmonogram szybkości nauki to "krok". Musi być dodatnią liczbą całkowitą. | int |
tileGridSize | Rozmiar siatki, który ma być używany do układania każdego obrazu. Uwaga: TileGridSize nie może być Brak w celu włączenia logiki wykrywania małych obiektów. Ciąg zawierający dwie liczby całkowite w formacie mxn. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5". |
ciąg |
tileOverlapRatio | Nakładanie się między sąsiednimi kafelkami w każdym wymiarze. Musi być zmiennoprzecinkowy w zakresie [0, 1). Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5". |
int |
tilePredictionsNmsThreshold | Próg operacji we/wy używany do wykonywania nms podczas scalania przewidywań z kafelków i obrazu. Używane w weryfikacji/wnioskowaniu. Musi być zmiennoprzecinkowy w zakresie [0, 1]. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5". |
int |
trainingBatchSize | Rozmiar partii trenowania. Musi być dodatnią liczbą całkowitą. | int |
validationBatchSize | Walidacja rozmiaru partii. Musi być dodatnią liczbą całkowitą. | int |
validationIouThreshold | Próg operacji we/wy do użycia podczas przetwarzania metryki weryfikacji. Musi być zmiennoprzecinkowy w zakresie [0, 1]. | int |
validationMetricType | Metoda obliczeniowa metryki do użycia na potrzeby metryk weryfikacji. | "Coco" "CocoVoc" "Brak" "Voc" |
warmupCosineLRCycles | Wartość cyklu cosinusowego podczas planowania szybkości nauki to "warmup_cosine". Musi być zmiennoprzecinkowym w zakresie [0, 1]. | int |
warmupCosineLRWarmupEpochs | Wartość epok rozgrzewki, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być dodatnią liczbą całkowitą. | int |
weightDecay | Wartość rozpadu wagi, gdy optymalizator to "sgd", "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie[0, 1]. | int |
ImageModelDistributionSettingsObjectDetection
Nazwa | Opis | Wartość |
---|---|---|
amsGradient | Włącz narzędzie AMSGrad, gdy optymalizator ma wartość "adam" lub "adamw". | ciąg |
rozszerzenia | Ustawienia dotyczące korzystania z rozszerzeń. | ciąg |
beta1 | Wartość "beta1", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie [0, 1]. | ciąg |
beta2 | Wartość "beta2", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie [0, 1]. | ciąg |
boxDetectionsPerImage | Maksymalna liczba wykryć na obrazie dla wszystkich klas. Musi być dodatnią liczbą całkowitą. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5". |
ciąg |
boxScoreThreshold | 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 |
earlyStopping | Włącz logikę wczesnego zatrzymywania podczas trenowania. | ciąg |
earlyStoppingDelay | Minimalna liczba epok lub ocen weryfikacji, które mają czekać przed ulepszeniem podstawowej metryki jest śledzony do wczesnego zatrzymywania. Musi być dodatnią liczbą całkowitą. |
ciąg |
earlyStoppingPatience | Minimalna liczba epok lub ocen weryfikacji bez podstawowej poprawy metryki przed przebieg zostanie zatrzymany. Musi być dodatnią liczbą całkowitą. |
ciąg |
enableOnnxNormalization | Włącz normalizację podczas eksportowania modelu ONNX. | ciąg |
evaluationFrequency | Częstotliwość oceny 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 |
Imagesize | 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 | Liczba warstw do zablokowania modelu. Musi być dodatnią liczbą całkowitą. Na przykład przekazanie wartości 2 jako wartości dla wartości "seresnext" oznacza zamrażanie warstwy0 i warstwy 1. Aby uzyskać pełną listę obsługiwanych modeli i szczegółowe informacje na temat blokowania warstwy, zapoznaj się z tematem Zobacz: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
ciąg |
learningRate | Początkowa stawka nauki. Musi być zmiennoprzecinkowym w zakresie [0, 1]. | ciąg |
learningRateScheduler | Typ harmonogramu szybkości nauki. Musi być "warmup_cosine" lub "krok". | ciąg |
Maxsize | Maksymalny rozmiar obrazu do ponownego skalowania przed przesłaniem go do sieci szkieletowej. Musi być dodatnią liczbą całkowitą. Uwaga: uruchomienie treningowe może dostać się do CUDA OOM, jeśli rozmiar jest zbyt duży. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5". |
ciąg |
Minsize | Minimalny rozmiar obrazu do ponownego skalowania przed przesłaniem go do sieci szkieletowej. Musi być dodatnią liczbą całkowitą. Uwaga: uruchomienie treningowe może dostać się do CUDA OOM, jeśli rozmiar jest zbyt duży. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5". |
ciąg |
Modelname | Nazwa modelu do użycia do trenowania. Aby uzyskać więcej informacji na temat dostępnych modeli, odwiedź oficjalną dokumentację: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
ciąg |
modelSize | Rozmiar modelu. Musi być "mały", "średni", "duży" lub "xlarge". Uwaga: uruchomienie trenowania może dostać się do CUDA OOM, jeśli rozmiar modelu jest zbyt duży. Uwaga: te ustawienia są obsługiwane tylko dla algorytmu "yolov5". |
ciąg |
Tempa | Wartość tempa, gdy optymalizator ma wartość "sgd". Musi być zmiennoprzecinkowym w zakresie [0, 1]. | ciąg |
multiScale | Włącz obraz wieloskalowy, zmieniając rozmiar obrazu o +/- 50%. Uwaga: uruchomienie trenowania może dostać się do cudA OOM, jeśli nie ma wystarczającej pamięci procesora GPU. Uwaga: te ustawienia są obsługiwane tylko dla algorytmu "yolov5". |
ciąg |
nesterov | Włącz zagnieżdżanie, gdy optymalizator ma wartość "sgd". | ciąg |
nmsIouThreshold | Próg operacji we/wy używany podczas wnioskowania w procesie przetwarzania końcowego NMS. Musi być zmiennoprzecinkowy w zakresie [0, 1]. | ciąg |
numberOfEpochs | Liczba epok treningowych. Musi być dodatnią liczbą całkowitą. | ciąg |
numberOfWorkers | Liczba procesów roboczych modułu ładującego dane. Musi być liczbą całkowitą nie ujemną. | ciąg |
Optymalizator | Typ optymalizatora. Musi być "sgd", "adam" lub "adamw". | ciąg |
randomSeed | Losowe nasion do użycia podczas trenowania deterministycznego. | ciąg |
splitRatio | Jeśli dane weryfikacji nie są zdefiniowane, określa współczynnik podziału dla dzielenia trenowanie danych do losowych podzestawów pociągu 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 | Wartość rozmiaru kroku, gdy harmonogram szybkości nauki to "krok". Musi być dodatnią liczbą całkowitą. | ciąg |
tileGridSize | Rozmiar siatki, który ma być używany do układania każdego obrazu. Uwaga: TileGridSize nie może być Brak w celu włączenia logiki wykrywania małych obiektów. Ciąg zawierający dwie liczby całkowite w formacie mxn. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5". |
ciąg |
tileOverlapRatio | Nakładanie 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 obrazu. Używane w weryfikacji/wnioskowaniu. Musi być zmiennoprzecinkowy w zakresie [0, 1]. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5". NMS: brak maksymalnego pomijania |
ciąg |
trainingBatchSize | Rozmiar partii trenowania. Musi być dodatnią liczbą całkowitą. | ciąg |
validationBatchSize | Walidacja rozmiaru partii. Musi być dodatnią liczbą całkowitą. | ciąg |
validationIouThreshold | Próg operacji we/wy do użycia podczas przetwarzania metryki weryfikacji. Musi być zmiennoprzecinkowy w zakresie [0, 1]. | ciąg |
validationMetricType | Metoda obliczeniowa metryki do użycia na potrzeby metryk weryfikacji. Musi być "none", "coco", "voc" lub "coco_voc". | ciąg |
warmupCosineLRCycles | Wartość cyklu cosinusowego podczas planowania szybkości nauki to "warmup_cosine". Musi być zmiennoprzecinkowym w zakresie [0, 1]. | ciąg |
warmupCosineLRWarmupEpochs | Wartość epok rozgrzewki, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być dodatnią liczbą całkowitą. | ciąg |
weightDecay | Wartość rozpadu wagi, gdy optymalizator to "sgd", "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie[0, 1]. | ciąg |
ImageObjectDetection
Nazwa | Opis | Wartość |
---|---|---|
Tasktype | [Wymagane] Typ zadania dla zadania AutoMLJob. | "ImageObjectDetection" (wymagane) |
dataSettings | [Wymagane] Kolekcja zarejestrowanych identyfikatorów tabelarycznego zestawu danych i innych ustawień danych wymaganych do trenowania i weryfikowania modeli. | ImageVerticalDataSettings (wymagane) |
limitSettings | [Wymagane] Ogranicz ustawienia zadania automatycznego uczenia maszynowego. | ImageLimitSettings (wymagane) |
modelSettings | Ustawienia używane do trenowania modelu. | ImageModelSettingsObjectDetection |
podstawowa metryka | Podstawowa metryka do optymalizacji pod kątem tego zadania. | "MeanAveragePrecision" |
searchSpace | Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów. | ImageModelDistributionSettingsObjectDetection[] |
sweepSettings | Zamiatanie modelu i hiperparametr zamiatanie powiązanych ustawień. | ImageSweepSettings |
Regresja
Nazwa | Opis | Wartość |
---|---|---|
Tasktype | [Wymagane] Typ zadania dla zadania AutoMLJob. | "Regresja" (wymagana) |
allowedModels | Dozwolone modele dla zadania regresji. | Tablica ciągów zawierająca dowolną z: "DecisionTree" "ElasticNet" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "RandomForest" "SGD" "XGBoostRegressor" |
blockedModels | Zablokowane modele dla zadania regresji. | Tablica ciągów zawierająca dowolną z: "DecisionTree" "ElasticNet" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "RandomForest" "SGD" "XGBoostRegressor" |
dataSettings | Dane wejściowe dla zadania AutoMLJob. | TableVerticalDataSettings |
featurizationSettings | Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML. | TableVerticalFeaturizationSettings |
limitSettings | Ograniczenia wykonywania dla zadania AutoMLJob. | TableVerticalLimitSettings |
podstawowa metryka | Podstawowa metryka zadania regresji. | "NormalizedMeanAbsoluteError" "NormalizedRootMeanSquaredError" "R2Score" "SpearmanCorrelation" |
trainingSettings | Dane wejściowe fazy trenowania zadania automatycznego uczenia maszynowego. | TrainingSettings |
TextClassification
Nazwa | Opis | Wartość |
---|---|---|
Tasktype | [Wymagane] Typ zadania dla zadania AutoMLJob. | "TextClassification" (wymagane) |
dataSettings | Dane wejściowe dla zadania AutoMLJob. | NlpVerticalDataSettings |
featurizationSettings | Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML. | NlpVerticalFeaturizationSettings |
limitSettings | Ograniczenia wykonywania dla zadania AutoMLJob. | NlpVerticalLimitSettings |
podstawowa metryka | Podstawowa metryka dla zadania Text-Classification. | "AUCWeighted" "Dokładność" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted" |
NlpVerticalDataSettings
Nazwa | Opis | Wartość |
---|---|---|
targetColumnName | [Wymagane] Nazwa kolumny docelowej: jest to kolumna wartości przewidywania. Znana również jako nazwa kolumny etykiety w kontekście zadań klasyfikacji. |
ciąg (wymagany) Ograniczenia: Wzorzec = [a-zA-Z0-9_] |
Testdata | Testowanie danych wejściowych. | TestDataSettings |
trainingData | [Wymagane] Dane wejściowe danych szkoleniowych. | TrainingDataSettings (wymagane) |
validationData | Dane wejściowe danych weryfikacji. | NlpVerticalValidationDataSettings |
NlpVerticalValidationDataSettings
Nazwa | Opis | Wartość |
---|---|---|
dane | Tabela MLTable danych weryfikacji. | MLTableJobInput |
validationDataSize | Ułamek zestawu danych trenowania, który musi zostać odłożone na potrzeby walidacji. Wartości z zakresu (0.0, 1.0) Zastosowano, gdy nie podano zestawu danych weryfikacji. |
int |
NlpVerticalFeaturizationSettings
Nazwa | Opis | Wartość |
---|---|---|
datasetLanguage | Język zestawu danych przydatny w przypadku danych tekstowych. | ciąg |
NlpVerticalLimitSettings
Nazwa | Opis | Wartość |
---|---|---|
maxConcurrentTrials | Maksymalna liczba współbieżnych iteracji automatycznego uczenia maszynowego. | int |
maxTrials | Liczba iteracji rozwiązania AutoML. | int |
timeout | Limit czasu zadania automatycznego uczenia maszynowego. | ciąg |
TextClassificationMultilabel
Nazwa | Opis | Wartość |
---|---|---|
Tasktype | [Wymagane] Typ zadania dla zadania AutoMLJob. | "TextClassificationMultilabel" (wymagane) |
dataSettings | Dane wejściowe dla zadania AutoMLJob. | NlpVerticalDataSettings |
cechowanieUstawienia | Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML. | NlpVerticalFeaturizationSettings |
limitSettings | Ograniczenia wykonywania dla zadania AutoMLJob. | NlpVerticalLimitSettings |
TextNer
Nazwa | Opis | Wartość |
---|---|---|
Tasktype | [Wymagane] Typ zadania dla zadania AutoMLJob. | "TextNER" (wymagane) |
dataSettings | Dane wejściowe dla zadania AutoMLJob. | NlpVerticalDataSettings |
cechowanieUstawienia | Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML. | NlpVerticalFeaturizationSettings |
limitSettings | Ograniczenia wykonywania dla zadania AutoMLJob. | NlpVerticalLimitSettings |
CommandJob
Nazwa | Opis | Wartość |
---|---|---|
jobType | [Wymagane] Określa typ zadania. | "Polecenie" (wymagane) |
codeId | Identyfikator zasobu usługi ARM zasobu kodu. | ciąg |
command | [Wymagane] Polecenie do wykonania podczas uruchamiania zadania. np. "python train.py" | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
Dystrybucji | Konfiguracja dystrybucji zadania. W przypadku ustawienia powinna to być jedna z wartości Mpi, Tensorflow, PyTorch lub null. | Konfiguracja dystrybucji |
environmentId | [Wymagane] Identyfikator zasobu usługi ARM specyfikacji środowiska dla zadania. | ciąg (wymagany) Ograniczenia: Wzorzec = [a-zA-Z0-9_] |
environmentVariables | Zmienne środowiskowe uwzględnione w zadaniu. | CommandJobEnvironmentVariables |
Wejścia | Mapowanie powiązań danych wejściowych używanych w zadaniu. | CommandJobInputs |
Limity | Limit zadań poleceń. | CommandJobLimits |
Wyjść | Mapowanie powiązań danych wyjściowych używanych w zadaniu. | CommandJobOutputs |
zasoby | Konfiguracja zasobów obliczeniowych dla zadania. | Konfiguracja zasobu |
Konfiguracja dystrybucji
Nazwa | Opis | Wartość |
---|---|---|
distributionType | Ustawianie typu obiektu | Mpi PyTorch TensorFlow (wymagany) |
Mpi
Nazwa | Opis | Wartość |
---|---|---|
distributionType | [Wymagane] Określa typ struktury dystrybucji. | "Mpi" (wymagane) |
processCountPerInstance | Liczba procesów na węzeł MPI. | int |
PyTorch
Nazwa | Opis | Wartość |
---|---|---|
distributionType | [Wymagane] Określa typ struktury dystrybucji. | "PyTorch" (wymagane) |
processCountPerInstance | Liczba procesów na węzeł. | int |
TensorFlow
Nazwa | Opis | Wartość |
---|---|---|
distributionType | [Wymagane] Określa typ struktury dystrybucji. | "TensorFlow" (wymagany) |
parametrServerCount | Liczba zadań serwera parametrów. | int |
workerCount | Liczba procesów roboczych. Jeśli nie zostanie określony, wartość domyślna to liczba wystąpień. | int |
CommandJobEnvironmentVariables
Nazwa | Opis | Wartość |
---|---|---|
{niestandardowa właściwość} | ciąg |
CommandJobInputs
Nazwa | Opis | Wartość |
---|---|---|
{niestandardowa właściwość} | JobInput |
JobInput
Nazwa | Opis | Wartość |
---|---|---|
description (opis) | Opis danych wejściowych. | ciąg |
jobInputType | Ustawianie typu obiektu | CustomModel Literał MLFlowModel MLTable TritonModel UriFile UriFolder (wymagany) |
CustomModelJobInput
Nazwa | Opis | Wartość |
---|---|---|
jobInputType | [Wymagane] Określa typ zadania. | "CustomModel" (wymagany) |
tryb | Tryb dostarczania zasobów wejściowych. | "Bezpośredni" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
Identyfikator uri | [Wymagane] Identyfikator URI elementu zawartości wejściowej. | ciąg (wymagany) Ograniczenia: Wzorzec = [a-zA-Z0-9_] |
LiterałJobInput
Nazwa | Opis | Wartość |
---|---|---|
jobInputType | [Wymagane] Określa typ zadania. | "Literał" (wymagany) |
wartość | [Wymagane] Wartość literału dla danych wejściowych. | ciąg (wymagany) Ograniczenia: Wzorzec = [a-zA-Z0-9_] |
MLFlowModelJobInput
Nazwa | Opis | Wartość |
---|---|---|
jobInputType | [Wymagane] Określa typ zadania. | "MLFlowModel" (wymagany) |
tryb | Tryb dostarczania zasobów wejściowych. | "Bezpośredni" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
Identyfikator uri | [Wymagane] Identyfikator URI elementu zawartości wejściowej. | ciąg (wymagany) Ograniczenia: Wzorzec = [a-zA-Z0-9_] |
TritonModelJobInput
Nazwa | Opis | Wartość |
---|---|---|
jobInputType | [Wymagane] Określa typ zadania. | "TritonModel" (wymagane) |
tryb | Tryb dostarczania zasobów wejściowych. | "Bezpośredni" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
Identyfikator uri | [Wymagane] Identyfikator URI elementu zawartości wejściowej. | ciąg (wymagany) Ograniczenia: Wzorzec = [a-zA-Z0-9_] |
UriFileJobInput
Nazwa | Opis | Wartość |
---|---|---|
jobInputType | [Wymagane] Określa typ zadania. | "UriFile" (wymagane) |
tryb | Tryb dostarczania zasobów wejściowych. | "Bezpośredni" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
Identyfikator uri | [Wymagane] Identyfikator URI elementu zawartości wejściowej. | ciąg (wymagany) Ograniczenia: Wzorzec = [a-zA-Z0-9_] |
UriFolderJobInput
Nazwa | Opis | Wartość |
---|---|---|
jobInputType | [Wymagane] Określa typ zadania. | "UriFolder" (wymagany) |
tryb | Tryb dostarczania zasobów wejściowych. | "Bezpośredni" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
Identyfikator uri | [Wymagane] Identyfikator URI elementu zawartości wejściowej. | ciąg (wymagany) Ograniczenia: Wzorzec = [a-zA-Z0-9_] |
CommandJobLimits
Nazwa | Opis | Wartość |
---|---|---|
jobLimitsType | [Wymagane] Typ JobLimit. | "Polecenie" "Zamiatanie" (wymagane) |
timeout | 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 |
---|---|---|
{niestandardowa właściwość} | JobOutput |
PotokJob
Nazwa | Opis | Wartość |
---|---|---|
jobType | [Wymagane] Określa typ zadania. | "Potok" (wymagany) |
Wejścia | Dane wejściowe zadania potoku. | PipelineJobInputs |
Zadania | Zadania skonstruować zadanie potoku. | PipelineJobJobs |
Wyjść | Dane wyjściowe zadania potoku | PipelineJobOutputs |
ustawienia | Ustawienia potoku, takie jak ContinueRunOnStepFailure itp. | W przypadku funkcji Bicep można użyć funkcji any(). |
PipelineJobInputs
Nazwa | Opis | Wartość |
---|---|---|
{niestandardowa właściwość} | JobInput |
PipelineJobJobs
Nazwa | Opis | Wartość |
---|---|---|
{niestandardowa właściwość} | W przypadku funkcji Bicep można użyć funkcji any(). |
PipelineJobOutputs
Nazwa | Opis | Wartość |
---|---|---|
{niestandardowa właściwość} | JobOutput |
SweepJob
Nazwa | Opis | Wartość |
---|---|---|
jobType | [Wymagane] Określa typ zadania. | "Zamiatanie" (wymagane) |
earlyTermination | Zasady wczesnego kończenia umożliwiają anulowanie przebiegów o niskiej wydajności przed ukończeniem | EarlyTerminationPolicy |
Wejścia | Mapowanie powiązań danych wejściowych używanych w zadaniu. | SweepJobInputs |
Limity | Zamiatanie limitu zadań. | SweepJobLimits |
Celem | [Wymagane] Cel optymalizacji. | Cel (wymagany) |
Wyjść | Mapowanie powiązań danych wyjściowych używanych w zadaniu. | SweepJobOutputs |
samplingAlgorithm | [Wymagane] Algorytm próbkowania hiperparametrów | PróbkowanieAlgorithm (wymagane) |
searchSpace | [Wymagane] Słownik zawierający każdy parametr i jego rozkład. Klucz słownika jest nazwą parametru | W przypadku funkcji Bicep można użyć funkcji any(). (wymagane) |
trial | [Wymagane] Definicja składnika wersji próbnej. | Wersja próbnaComponent (wymagana) |
SweepJobInputs
Nazwa | Opis | Wartość |
---|---|---|
{niestandardowa właściwość} | JobInput |
SweepJobLimits
Nazwa | Opis | Wartość |
---|---|---|
jobLimitsType | [Wymagane] Typ JobLimit. | "Polecenie" "Zamiatanie" (wymagane) |
maxConcurrentTrials | Zamiatanie zadania maksymalna liczba współbieżnych wersji próbnych. | int |
maxTotalTrials | Zamiatanie zadania maksymalna łączna liczba prób. | int |
timeout | Maksymalny czas trwania przebiegu w formacie ISO 8601, po którym zadanie zostanie anulowane. Obsługuje tylko czas trwania z dokładnością do sekund. | ciąg |
trialTimeout | Zamiatanie wartości limitu czasu wersji próbnej zadania. | ciąg |
Cel
Nazwa | Opis | Wartość |
---|---|---|
goal | [Wymagane] Definiuje obsługiwane cele metryk na potrzeby dostrajania hiperparametrów | "Maksymalizuj" "Minimalizuj" (wymagane) |
primaryMetric | [Wymagane] Nazwa metryki do optymalizacji. | ciąg (wymagany) Ograniczenia: Wzorzec = [a-zA-Z0-9_] |
SweepJobOutputs
Nazwa | Opis | Wartość |
---|---|---|
{niestandardowa właściwość} | JobOutput |
PróbkowanieAlgorithm
Nazwa | Opis | Wartość |
---|---|---|
samplingAlgorithmType | Ustawianie typu obiektu | Bayesian Siatki Losowe (wymagane) |
BayesianSamplingAlgorithm
Nazwa | Opis | Wartość |
---|---|---|
samplingAlgorithmType | [Wymagane] Algorytm używany do generowania wartości hiperparametrów wraz z właściwościami konfiguracji | "Bayesian" (wymagane) |
GridSamplingAlgorithm
Nazwa | Opis | Wartość |
---|---|---|
samplingAlgorithmType | [Wymagane] Algorytm używany do generowania wartości hiperparametrów wraz z właściwościami konfiguracji | "Grid" (wymagane) |
RandomSamplingAlgorithm
Nazwa | Opis | Wartość |
---|---|---|
samplingAlgorithmType | [Wymagane] Algorytm używany do generowania wartości hiperparametrów wraz z właściwościami konfiguracji | "Losowe" (wymagane) |
Reguły | Określony typ algorytmu losowego | "Losowe" "Sobol" |
Nasion | Opcjonalna liczba całkowita do użycia jako inicjator do generowania liczb losowych | int |
Wersja próbnaComponent
Nazwa | Opis | Wartość |
---|---|---|
codeId | Identyfikator zasobu usługi ARM zasobu kodu. | ciąg |
command | [Wymagane] Polecenie do wykonania podczas uruchamiania zadania. np. "python train.py" | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
Dystrybucji | Konfiguracja dystrybucji zadania. W przypadku ustawienia powinna to być jedna z wartości Mpi, Tensorflow, PyTorch lub null. | Konfiguracja dystrybucji |
environmentId | [Wymagane] Identyfikator zasobu usługi ARM specyfikacji środowiska dla zadania. | ciąg (wymagany) Ograniczenia: Wzorzec = [a-zA-Z0-9_] |
environmentVariables | Zmienne środowiskowe uwzględnione w zadaniu. | TrialComponentEnvironmentVariables |
zasoby | Konfiguracja zasobów obliczeniowych dla zadania. | Konfiguracja zasobu |
TrialComponentEnvironmentVariables
Nazwa | Opis | Wartość |
---|---|---|
{niestandardowa właściwość} | ciąg |
Szablony szybkiego startu
Następujące szablony szybkiego startu wdrażają ten typ zasobu.
Template | 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 najlepszego modelu 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 przy użyciu 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 obszary robocze/zadania można wdrożyć z operacjami docelowymi:
- Grupy zasobów — zobacz polecenia wdrażania grupy zasobów
Aby uzyskać listę zmienionych właściwości w każdej wersji interfejsu API, zobacz dziennik 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",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string"
},
"schedule": {
"endTime": "string",
"scheduleStatus": "string",
"startTime": "string",
"timeZone": "string",
"scheduleType": "string"
// For remaining properties, see ScheduleBase objects
},
"services": {
"{customized property}": {
"endpoint": "string",
"jobServiceType": "string",
"port": "int",
"properties": {
"{customized property}": "string"
}
}
},
"tags": {
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string"
},
"jobType": "string"
// For remaining properties, see JobBaseDetails objects
}
}
Obiekty JobBaseDetails
Ustaw właściwość jobType , aby określić typ obiektu.
W przypadku rozwiązania AutoML użyj:
"jobType": "AutoML",
"environmentId": "string",
"environmentVariables": {
"{customized property}": "string"
},
"outputs": {
"{customized property}": {
"description": "string",
"jobOutputType": "string"
// For remaining properties, see JobOutput objects
}
},
"resources": {
"instanceCount": "int",
"instanceType": "string",
"properties": {
"{customized property}": {}
}
},
"taskDetails": {
"logVerbosity": "string",
"taskType": "string"
// For remaining properties, see AutoMLVertical objects
}
W przypadku polecenia użyj polecenia:
"jobType": "Command",
"codeId": "string",
"command": "string",
"distribution": {
"distributionType": "string"
// For remaining properties, see DistributionConfiguration objects
},
"environmentId": "string",
"environmentVariables": {
"{customized property}": "string"
},
"inputs": {
"{customized property}": {
"description": "string",
"jobInputType": "string"
// For remaining properties, see JobInput objects
}
},
"limits": {
"jobLimitsType": "string",
"timeout": "string"
},
"outputs": {
"{customized property}": {
"description": "string",
"jobOutputType": "string"
// For remaining properties, see JobOutput objects
}
},
"resources": {
"instanceCount": "int",
"instanceType": "string",
"properties": {
"{customized property}": {}
}
}
W przypadku potoku użyj:
"jobType": "Pipeline",
"inputs": {
"{customized property}": {
"description": "string",
"jobInputType": "string"
// For remaining properties, see JobInput objects
}
},
"jobs": {
"{customized property}": {}
},
"outputs": {
"{customized property}": {
"description": "string",
"jobOutputType": "string"
// For remaining properties, see JobOutput objects
}
},
"settings": {}
W przypadku funkcji Sweep użyj polecenia:
"jobType": "Sweep",
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"inputs": {
"{customized property}": {
"description": "string",
"jobInputType": "string"
// For remaining properties, see JobInput objects
}
},
"limits": {
"jobLimitsType": "string",
"maxConcurrentTrials": "int",
"maxTotalTrials": "int",
"timeout": "string",
"trialTimeout": "string"
},
"objective": {
"goal": "string",
"primaryMetric": "string"
},
"outputs": {
"{customized property}": {
"description": "string",
"jobOutputType": "string"
// For remaining properties, see JobOutput objects
}
},
"samplingAlgorithm": {
"samplingAlgorithmType": "string"
// For remaining properties, see SamplingAlgorithm objects
},
"searchSpace": {},
"trial": {
"codeId": "string",
"command": "string",
"distribution": {
"distributionType": "string"
// For remaining properties, see DistributionConfiguration objects
},
"environmentId": "string",
"environmentVariables": {
"{customized property}": "string"
},
"resources": {
"instanceCount": "int",
"instanceType": "string",
"properties": {
"{customized property}": {}
}
}
}
Obiekty IdentityConfiguration
Ustaw właściwość identityType , aby określić typ obiektu.
W przypadku tokenu AMLToken użyj:
"identityType": "AMLToken"
W przypadku opcji Zarządzane użyj:
"identityType": "Managed",
"clientId": "string",
"objectId": "string",
"resourceId": "string"
W przypadku elementu UserIdentity użyj:
"identityType": "UserIdentity"
Obiekty ScheduleBase
Ustaw właściwość scheduleType , aby określić typ obiektu.
W przypadku Cron użyj:
"scheduleType": "Cron",
"expression": "string"
W przypadku cyklu użyj:
"scheduleType": "Recurrence",
"frequency": "string",
"interval": "int",
"pattern": {
"hours": [ "int" ],
"minutes": [ "int" ],
"weekdays": [ "string" ]
}
Obiekty JobOutput
Ustaw właściwość jobOutputType , aby określić typ obiektu.
W przypadku modelu CustomModel użyj:
"jobOutputType": "CustomModel",
"mode": "string",
"uri": "string"
W przypadku modelu MLFlowModel użyj:
"jobOutputType": "MLFlowModel",
"mode": "string",
"uri": "string"
W przypadku tabeli MLTable użyj:
"jobOutputType": "MLTable",
"mode": "string",
"uri": "string"
W przypadku modelu TritonModel użyj:
"jobOutputType": "TritonModel",
"mode": "string",
"uri": "string"
W przypadku pliku UriFile użyj:
"jobOutputType": "UriFile",
"mode": "string",
"uri": "string"
W przypadku elementu UriFolder użyj:
"jobOutputType": "UriFolder",
"mode": "string",
"uri": "string"
Obiekty autoMLVertical
Ustaw właściwość taskType , aby określić typ obiektu.
W przypadku klasyfikacji użyj:
"taskType": "Classification",
"allowedModels": [ "string" ],
"blockedModels": [ "string" ],
"dataSettings": {
"targetColumnName": "string",
"testData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"testDataSize": "int"
},
"trainingData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
}
},
"validationData": {
"cvSplitColumnNames": [ "string" ],
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"nCrossValidations": {
"mode": "string"
// For remaining properties, see NCrossValidations objects
},
"validationDataSize": "int"
},
"weightColumnName": "string"
},
"featurizationSettings": {
"blockedTransformers": [ "string" ],
"columnNameAndTypes": {
"{customized property}": "string"
},
"datasetLanguage": "string",
"dropColumns": [ "string" ],
"enableDnnFeaturization": "bool",
"mode": "string",
"transformerParams": {
"{customized property}": [
{
"fields": [ "string" ],
"parameters": {}
}
]
}
},
"limitSettings": {
"enableEarlyTermination": "bool",
"exitScore": "int",
"maxConcurrentTrials": "int",
"maxCoresPerTrial": "int",
"maxTrials": "int",
"timeout": "string",
"trialTimeout": "string"
},
"primaryMetric": "string",
"trainingSettings": {
"enableDnnTraining": "bool",
"enableModelExplainability": "bool",
"enableOnnxCompatibleModels": "bool",
"enableStackEnsemble": "bool",
"enableVoteEnsemble": "bool",
"ensembleModelDownloadTimeout": "string",
"stackEnsembleSettings": {
"stackMetaLearnerKWargs": {},
"stackMetaLearnerTrainPercentage": "int",
"stackMetaLearnerType": "string"
}
}
W przypadku prognozowania użyj:
"taskType": "Forecasting",
"allowedModels": [ "string" ],
"blockedModels": [ "string" ],
"dataSettings": {
"targetColumnName": "string",
"testData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"testDataSize": "int"
},
"trainingData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
}
},
"validationData": {
"cvSplitColumnNames": [ "string" ],
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"nCrossValidations": {
"mode": "string"
// For remaining properties, see NCrossValidations objects
},
"validationDataSize": "int"
},
"weightColumnName": "string"
},
"featurizationSettings": {
"blockedTransformers": [ "string" ],
"columnNameAndTypes": {
"{customized property}": "string"
},
"datasetLanguage": "string",
"dropColumns": [ "string" ],
"enableDnnFeaturization": "bool",
"mode": "string",
"transformerParams": {
"{customized property}": [
{
"fields": [ "string" ],
"parameters": {}
}
]
}
},
"forecastingSettings": {
"countryOrRegionForHolidays": "string",
"cvStepSize": "int",
"featureLags": "string",
"forecastHorizon": {
"mode": "string"
// For remaining properties, see ForecastHorizon objects
},
"frequency": "string",
"seasonality": {
"mode": "string"
// For remaining properties, see Seasonality objects
},
"shortSeriesHandlingConfig": "string",
"targetAggregateFunction": "string",
"targetLags": {
"mode": "string"
// For remaining properties, see TargetLags objects
},
"targetRollingWindowSize": {
"mode": "string"
// For remaining properties, see TargetRollingWindowSize objects
},
"timeColumnName": "string",
"timeSeriesIdColumnNames": [ "string" ],
"useStl": "string"
},
"limitSettings": {
"enableEarlyTermination": "bool",
"exitScore": "int",
"maxConcurrentTrials": "int",
"maxCoresPerTrial": "int",
"maxTrials": "int",
"timeout": "string",
"trialTimeout": "string"
},
"primaryMetric": "string",
"trainingSettings": {
"enableDnnTraining": "bool",
"enableModelExplainability": "bool",
"enableOnnxCompatibleModels": "bool",
"enableStackEnsemble": "bool",
"enableVoteEnsemble": "bool",
"ensembleModelDownloadTimeout": "string",
"stackEnsembleSettings": {
"stackMetaLearnerKWargs": {},
"stackMetaLearnerTrainPercentage": "int",
"stackMetaLearnerType": "string"
}
}
W przypadku klasyfikacji obrazów użyj:
"taskType": "ImageClassification",
"dataSettings": {
"targetColumnName": "string",
"testData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"testDataSize": "int"
},
"trainingData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
}
},
"validationData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"validationDataSize": "int"
}
},
"limitSettings": {
"maxConcurrentTrials": "int",
"maxTrials": "int",
"timeout": "string"
},
"modelSettings": {
"advancedSettings": "string",
"amsGradient": "bool",
"augmentations": "string",
"beta1": "int",
"beta2": "int",
"checkpointDatasetId": "string",
"checkpointFilename": "string",
"checkpointFrequency": "int",
"checkpointRunId": "string",
"distributed": "bool",
"earlyStopping": "bool",
"earlyStoppingDelay": "int",
"earlyStoppingPatience": "int",
"enableOnnxNormalization": "bool",
"evaluationFrequency": "int",
"gradientAccumulationStep": "int",
"layersToFreeze": "int",
"learningRate": "int",
"learningRateScheduler": "string",
"modelName": "string",
"momentum": "int",
"nesterov": "bool",
"numberOfEpochs": "int",
"numberOfWorkers": "int",
"optimizer": "string",
"randomSeed": "int",
"splitRatio": "int",
"stepLRGamma": "int",
"stepLRStepSize": "int",
"trainingBatchSize": "int",
"trainingCropSize": "int",
"validationBatchSize": "int",
"validationCropSize": "int",
"validationResizeSize": "int",
"warmupCosineLRCycles": "int",
"warmupCosineLRWarmupEpochs": "int",
"weightDecay": "int",
"weightedLoss": "int"
},
"primaryMetric": "string",
"searchSpace": [
{
"amsGradient": "string",
"augmentations": "string",
"beta1": "string",
"beta2": "string",
"distributed": "string",
"earlyStopping": "string",
"earlyStoppingDelay": "string",
"earlyStoppingPatience": "string",
"enableOnnxNormalization": "string",
"evaluationFrequency": "string",
"gradientAccumulationStep": "string",
"layersToFreeze": "string",
"learningRate": "string",
"learningRateScheduler": "string",
"modelName": "string",
"momentum": "string",
"nesterov": "string",
"numberOfEpochs": "string",
"numberOfWorkers": "string",
"optimizer": "string",
"randomSeed": "string",
"splitRatio": "string",
"stepLRGamma": "string",
"stepLRStepSize": "string",
"trainingBatchSize": "string",
"trainingCropSize": "string",
"validationBatchSize": "string",
"validationCropSize": "string",
"validationResizeSize": "string",
"warmupCosineLRCycles": "string",
"warmupCosineLRWarmupEpochs": "string",
"weightDecay": "string",
"weightedLoss": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"limits": {
"maxConcurrentTrials": "int",
"maxTrials": "int"
},
"samplingAlgorithm": "string"
}
W przypadku elementu ImageClassificationMultilabel użyj:
"taskType": "ImageClassificationMultilabel",
"dataSettings": {
"targetColumnName": "string",
"testData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"testDataSize": "int"
},
"trainingData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
}
},
"validationData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"validationDataSize": "int"
}
},
"limitSettings": {
"maxConcurrentTrials": "int",
"maxTrials": "int",
"timeout": "string"
},
"modelSettings": {
"advancedSettings": "string",
"amsGradient": "bool",
"augmentations": "string",
"beta1": "int",
"beta2": "int",
"checkpointDatasetId": "string",
"checkpointFilename": "string",
"checkpointFrequency": "int",
"checkpointRunId": "string",
"distributed": "bool",
"earlyStopping": "bool",
"earlyStoppingDelay": "int",
"earlyStoppingPatience": "int",
"enableOnnxNormalization": "bool",
"evaluationFrequency": "int",
"gradientAccumulationStep": "int",
"layersToFreeze": "int",
"learningRate": "int",
"learningRateScheduler": "string",
"modelName": "string",
"momentum": "int",
"nesterov": "bool",
"numberOfEpochs": "int",
"numberOfWorkers": "int",
"optimizer": "string",
"randomSeed": "int",
"splitRatio": "int",
"stepLRGamma": "int",
"stepLRStepSize": "int",
"trainingBatchSize": "int",
"trainingCropSize": "int",
"validationBatchSize": "int",
"validationCropSize": "int",
"validationResizeSize": "int",
"warmupCosineLRCycles": "int",
"warmupCosineLRWarmupEpochs": "int",
"weightDecay": "int",
"weightedLoss": "int"
},
"primaryMetric": "string",
"searchSpace": [
{
"amsGradient": "string",
"augmentations": "string",
"beta1": "string",
"beta2": "string",
"distributed": "string",
"earlyStopping": "string",
"earlyStoppingDelay": "string",
"earlyStoppingPatience": "string",
"enableOnnxNormalization": "string",
"evaluationFrequency": "string",
"gradientAccumulationStep": "string",
"layersToFreeze": "string",
"learningRate": "string",
"learningRateScheduler": "string",
"modelName": "string",
"momentum": "string",
"nesterov": "string",
"numberOfEpochs": "string",
"numberOfWorkers": "string",
"optimizer": "string",
"randomSeed": "string",
"splitRatio": "string",
"stepLRGamma": "string",
"stepLRStepSize": "string",
"trainingBatchSize": "string",
"trainingCropSize": "string",
"validationBatchSize": "string",
"validationCropSize": "string",
"validationResizeSize": "string",
"warmupCosineLRCycles": "string",
"warmupCosineLRWarmupEpochs": "string",
"weightDecay": "string",
"weightedLoss": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"limits": {
"maxConcurrentTrials": "int",
"maxTrials": "int"
},
"samplingAlgorithm": "string"
}
W przypadku elementu ImageInstanceSegmentation użyj:
"taskType": "ImageInstanceSegmentation",
"dataSettings": {
"targetColumnName": "string",
"testData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"testDataSize": "int"
},
"trainingData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
}
},
"validationData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"validationDataSize": "int"
}
},
"limitSettings": {
"maxConcurrentTrials": "int",
"maxTrials": "int",
"timeout": "string"
},
"modelSettings": {
"advancedSettings": "string",
"amsGradient": "bool",
"augmentations": "string",
"beta1": "int",
"beta2": "int",
"boxDetectionsPerImage": "int",
"boxScoreThreshold": "int",
"checkpointDatasetId": "string",
"checkpointFilename": "string",
"checkpointFrequency": "int",
"checkpointRunId": "string",
"distributed": "bool",
"earlyStopping": "bool",
"earlyStoppingDelay": "int",
"earlyStoppingPatience": "int",
"enableOnnxNormalization": "bool",
"evaluationFrequency": "int",
"gradientAccumulationStep": "int",
"imageSize": "int",
"layersToFreeze": "int",
"learningRate": "int",
"learningRateScheduler": "string",
"maxSize": "int",
"minSize": "int",
"modelName": "string",
"modelSize": "string",
"momentum": "int",
"multiScale": "bool",
"nesterov": "bool",
"nmsIouThreshold": "int",
"numberOfEpochs": "int",
"numberOfWorkers": "int",
"optimizer": "string",
"randomSeed": "int",
"splitRatio": "int",
"stepLRGamma": "int",
"stepLRStepSize": "int",
"tileGridSize": "string",
"tileOverlapRatio": "int",
"tilePredictionsNmsThreshold": "int",
"trainingBatchSize": "int",
"validationBatchSize": "int",
"validationIouThreshold": "int",
"validationMetricType": "string",
"warmupCosineLRCycles": "int",
"warmupCosineLRWarmupEpochs": "int",
"weightDecay": "int"
},
"primaryMetric": "MeanAveragePrecision",
"searchSpace": [
{
"amsGradient": "string",
"augmentations": "string",
"beta1": "string",
"beta2": "string",
"boxDetectionsPerImage": "string",
"boxScoreThreshold": "string",
"distributed": "string",
"earlyStopping": "string",
"earlyStoppingDelay": "string",
"earlyStoppingPatience": "string",
"enableOnnxNormalization": "string",
"evaluationFrequency": "string",
"gradientAccumulationStep": "string",
"imageSize": "string",
"layersToFreeze": "string",
"learningRate": "string",
"learningRateScheduler": "string",
"maxSize": "string",
"minSize": "string",
"modelName": "string",
"modelSize": "string",
"momentum": "string",
"multiScale": "string",
"nesterov": "string",
"nmsIouThreshold": "string",
"numberOfEpochs": "string",
"numberOfWorkers": "string",
"optimizer": "string",
"randomSeed": "string",
"splitRatio": "string",
"stepLRGamma": "string",
"stepLRStepSize": "string",
"tileGridSize": "string",
"tileOverlapRatio": "string",
"tilePredictionsNmsThreshold": "string",
"trainingBatchSize": "string",
"validationBatchSize": "string",
"validationIouThreshold": "string",
"validationMetricType": "string",
"warmupCosineLRCycles": "string",
"warmupCosineLRWarmupEpochs": "string",
"weightDecay": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"limits": {
"maxConcurrentTrials": "int",
"maxTrials": "int"
},
"samplingAlgorithm": "string"
}
W przypadku klasy ImageObjectDetection użyj:
"taskType": "ImageObjectDetection",
"dataSettings": {
"targetColumnName": "string",
"testData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"testDataSize": "int"
},
"trainingData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
}
},
"validationData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"validationDataSize": "int"
}
},
"limitSettings": {
"maxConcurrentTrials": "int",
"maxTrials": "int",
"timeout": "string"
},
"modelSettings": {
"advancedSettings": "string",
"amsGradient": "bool",
"augmentations": "string",
"beta1": "int",
"beta2": "int",
"boxDetectionsPerImage": "int",
"boxScoreThreshold": "int",
"checkpointDatasetId": "string",
"checkpointFilename": "string",
"checkpointFrequency": "int",
"checkpointRunId": "string",
"distributed": "bool",
"earlyStopping": "bool",
"earlyStoppingDelay": "int",
"earlyStoppingPatience": "int",
"enableOnnxNormalization": "bool",
"evaluationFrequency": "int",
"gradientAccumulationStep": "int",
"imageSize": "int",
"layersToFreeze": "int",
"learningRate": "int",
"learningRateScheduler": "string",
"maxSize": "int",
"minSize": "int",
"modelName": "string",
"modelSize": "string",
"momentum": "int",
"multiScale": "bool",
"nesterov": "bool",
"nmsIouThreshold": "int",
"numberOfEpochs": "int",
"numberOfWorkers": "int",
"optimizer": "string",
"randomSeed": "int",
"splitRatio": "int",
"stepLRGamma": "int",
"stepLRStepSize": "int",
"tileGridSize": "string",
"tileOverlapRatio": "int",
"tilePredictionsNmsThreshold": "int",
"trainingBatchSize": "int",
"validationBatchSize": "int",
"validationIouThreshold": "int",
"validationMetricType": "string",
"warmupCosineLRCycles": "int",
"warmupCosineLRWarmupEpochs": "int",
"weightDecay": "int"
},
"primaryMetric": "MeanAveragePrecision",
"searchSpace": [
{
"amsGradient": "string",
"augmentations": "string",
"beta1": "string",
"beta2": "string",
"boxDetectionsPerImage": "string",
"boxScoreThreshold": "string",
"distributed": "string",
"earlyStopping": "string",
"earlyStoppingDelay": "string",
"earlyStoppingPatience": "string",
"enableOnnxNormalization": "string",
"evaluationFrequency": "string",
"gradientAccumulationStep": "string",
"imageSize": "string",
"layersToFreeze": "string",
"learningRate": "string",
"learningRateScheduler": "string",
"maxSize": "string",
"minSize": "string",
"modelName": "string",
"modelSize": "string",
"momentum": "string",
"multiScale": "string",
"nesterov": "string",
"nmsIouThreshold": "string",
"numberOfEpochs": "string",
"numberOfWorkers": "string",
"optimizer": "string",
"randomSeed": "string",
"splitRatio": "string",
"stepLRGamma": "string",
"stepLRStepSize": "string",
"tileGridSize": "string",
"tileOverlapRatio": "string",
"tilePredictionsNmsThreshold": "string",
"trainingBatchSize": "string",
"validationBatchSize": "string",
"validationIouThreshold": "string",
"validationMetricType": "string",
"warmupCosineLRCycles": "string",
"warmupCosineLRWarmupEpochs": "string",
"weightDecay": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"limits": {
"maxConcurrentTrials": "int",
"maxTrials": "int"
},
"samplingAlgorithm": "string"
}
W przypadku regresji użyj:
"taskType": "Regression",
"allowedModels": [ "string" ],
"blockedModels": [ "string" ],
"dataSettings": {
"targetColumnName": "string",
"testData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"testDataSize": "int"
},
"trainingData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
}
},
"validationData": {
"cvSplitColumnNames": [ "string" ],
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"nCrossValidations": {
"mode": "string"
// For remaining properties, see NCrossValidations objects
},
"validationDataSize": "int"
},
"weightColumnName": "string"
},
"featurizationSettings": {
"blockedTransformers": [ "string" ],
"columnNameAndTypes": {
"{customized property}": "string"
},
"datasetLanguage": "string",
"dropColumns": [ "string" ],
"enableDnnFeaturization": "bool",
"mode": "string",
"transformerParams": {
"{customized property}": [
{
"fields": [ "string" ],
"parameters": {}
}
]
}
},
"limitSettings": {
"enableEarlyTermination": "bool",
"exitScore": "int",
"maxConcurrentTrials": "int",
"maxCoresPerTrial": "int",
"maxTrials": "int",
"timeout": "string",
"trialTimeout": "string"
},
"primaryMetric": "string",
"trainingSettings": {
"enableDnnTraining": "bool",
"enableModelExplainability": "bool",
"enableOnnxCompatibleModels": "bool",
"enableStackEnsemble": "bool",
"enableVoteEnsemble": "bool",
"ensembleModelDownloadTimeout": "string",
"stackEnsembleSettings": {
"stackMetaLearnerKWargs": {},
"stackMetaLearnerTrainPercentage": "int",
"stackMetaLearnerType": "string"
}
}
W przypadku klasyfikacji tekstu użyj:
"taskType": "TextClassification",
"dataSettings": {
"targetColumnName": "string",
"testData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"testDataSize": "int"
},
"trainingData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
}
},
"validationData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"validationDataSize": "int"
}
},
"featurizationSettings": {
"datasetLanguage": "string"
},
"limitSettings": {
"maxConcurrentTrials": "int",
"maxTrials": "int",
"timeout": "string"
},
"primaryMetric": "string"
W przypadku elementu TextClassificationMultilabel użyj:
"taskType": "TextClassificationMultilabel",
"dataSettings": {
"targetColumnName": "string",
"testData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"testDataSize": "int"
},
"trainingData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
}
},
"validationData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"validationDataSize": "int"
}
},
"featurizationSettings": {
"datasetLanguage": "string"
},
"limitSettings": {
"maxConcurrentTrials": "int",
"maxTrials": "int",
"timeout": "string"
}
W przypadku funkcji TextNER użyj:
"taskType": "TextNER",
"dataSettings": {
"targetColumnName": "string",
"testData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"testDataSize": "int"
},
"trainingData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
}
},
"validationData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"validationDataSize": "int"
}
},
"featurizationSettings": {
"datasetLanguage": "string"
},
"limitSettings": {
"maxConcurrentTrials": "int",
"maxTrials": "int",
"timeout": "string"
}
Obiekty NCrossValidations
Ustaw właściwość mode , aby określić typ obiektu.
W przypadku opcji Automatycznie użyj polecenia:
"mode": "Auto"
W przypadku opcji Niestandardowe użyj:
"mode": "Custom",
"value": "int"
Obiekty ForecastHorizon
Ustaw właściwość mode , aby określić typ obiektu.
W przypadku opcji Automatycznie użyj polecenia:
"mode": "Auto"
W przypadku opcji Niestandardowe użyj:
"mode": "Custom",
"value": "int"
Obiekty sezonowości
Ustaw właściwość mode , aby określić typ obiektu.
W przypadku opcji Automatycznie użyj polecenia:
"mode": "Auto"
W przypadku opcji Niestandardowe użyj:
"mode": "Custom",
"value": "int"
Obiekty TargetLags
Ustaw właściwość mode , aby określić typ obiektu.
W przypadku opcji Automatycznie użyj polecenia:
"mode": "Auto"
W przypadku opcji Niestandardowe użyj:
"mode": "Custom",
"values": [ "int" ]
Obiekty TargetRollingWindowSize
Ustaw właściwość mode , aby określić typ obiektu.
W przypadku opcji Automatycznie użyj polecenia:
"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"
Obiekty DistributionConfiguration
Ustaw właściwość distributionType , aby określić typ obiektu.
W przypadku interfejsu Mpi użyj:
"distributionType": "Mpi",
"processCountPerInstance": "int"
W przypadku biblioteki PyTorch użyj:
"distributionType": "PyTorch",
"processCountPerInstance": "int"
W przypadku biblioteki TensorFlow użyj:
"distributionType": "TensorFlow",
"parameterServerCount": "int",
"workerCount": "int"
Obiekty JobInput
Ustaw właściwość jobInputType , aby określić typ obiektu.
W przypadku modelu CustomModel użyj:
"jobInputType": "CustomModel",
"mode": "string",
"uri": "string"
W przypadku literału użyj:
"jobInputType": "Literal",
"value": "string"
W przypadku modelu MLFlowModel użyj:
"jobInputType": "MLFlowModel",
"mode": "string",
"uri": "string"
W przypadku tabeli MLTable użyj:
"jobInputType": "MLTable",
"mode": "string",
"uri": "string"
W przypadku modelu TritonModel użyj:
"jobInputType": "TritonModel",
"mode": "string",
"uri": "string"
W przypadku pliku UriFile użyj:
"jobInputType": "UriFile",
"mode": "string",
"uri": "string"
W przypadku elementu UriFolder użyj:
"jobInputType": "UriFolder",
"mode": "string",
"uri": "string"
SamplingAlgorithm, obiekty
Ustaw właściwość samplingAlgorithmType , aby określić typ obiektu.
W przypadku bayesianu użyj:
"samplingAlgorithmType": "Bayesian"
W przypadku usługi Grid użyj:
"samplingAlgorithmType": "Grid"
W przypadku funkcji Losowe użyj:
"samplingAlgorithmType": "Random",
"rule": "string",
"seed": "int"
Wartości właściwości
obszary robocze/zadania
Nazwa | Opis | Wartość |
---|---|---|
typ | Typ zasobu | "Microsoft.MachineLearningServices/workspaces/jobs" |
apiVersion | Wersja interfejsu API zasobów | "2022-02-01-preview" |
name | Nazwa zasobu Zobacz, jak ustawić nazwy i typy dla zasobów podrzędnych w szablonach usługi ARM w formacie JSON. |
ciąg (wymagany) |
properties | [Wymagane] Dodatkowe atrybuty jednostki. | JobBaseDetails (wymagane) |
JobBaseDetails
Nazwa | Opis | Wartość |
---|---|---|
computeId | Identyfikator zasobu obliczeniowego usługi ARM. | ciąg |
description (opis) | Tekst opisu zasobu. | ciąg |
displayName | Nazwa wyświetlana zadania. | ciąg |
experimentName | Nazwa eksperymentu, do którego należy zadanie. Jeśli nie zostanie ustawione, zadanie zostanie umieszczone w eksperymencie "Domyślny". | ciąg |
identity | 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 | Czy zasób jest zarchiwizowane? | bool |
properties | Słownik właściwości elementu zawartości. | ResourceBaseProperties |
schedule | Definicja harmonogramu zadania. Jeśli harmonogram nie zostanie podany, zadanie zostanie uruchomione raz i natychmiast po przesłaniu. |
Schedulebase |
services | Lista punktów zadań. W przypadku zadań lokalnych punkt końcowy zadania będzie miał wartość punktu końcowego obiektu FileStreamObject. |
JobBaseServices |
tags | Tag słownika. Tagi można dodawać, usuwać i aktualizować. | object |
jobType | Ustawianie typu obiektu | AutoML Polecenie Potok Zamiatanie (wymagane) |
Identityconfiguration
Nazwa | Opis | Wartość |
---|---|---|
Identitytype | Ustawianie typu obiektu | AMLToken Zarządzany UserIdentity (wymagane) |
AmlToken
Nazwa | Opis | Wartość |
---|---|---|
Identitytype | [Wymagane] Określa typ struktury tożsamości. | "AMLToken" (wymagany) |
ManagedIdentity
Nazwa | Opis | Wartość |
---|---|---|
Identitytype | [Wymagane] Określa typ struktury tożsamości. | "Zarządzane" (wymagane) |
clientId | Określa tożsamość przypisaną przez użytkownika według identyfikatora klienta. W przypadku przypisanego przez system pola nie należy ustawiać tego pola. | ciąg Ograniczenia: Minimalna długość = 36 Maksymalna długość = 36 Wzorzec = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$ |
objectId | Określa tożsamość przypisaną przez użytkownika według identyfikatora obiektu. W przypadku przypisanego przez system pola nie należy ustawiać tego pola. | ciąg Ograniczenia: Minimalna długość = 36 Maksymalna długość = 36 Wzorzec = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$ |
resourceId | Określa tożsamość przypisaną przez użytkownika według identyfikatora zasobu usługi ARM. W przypadku przypisanego przez system pola nie należy ustawiać tego pola. | ciąg |
UserIdentity
Nazwa | Opis | Wartość |
---|---|---|
Identitytype | [Wymagane] Określa typ struktury tożsamości. | "UserIdentity" (wymagane) |
ResourceBaseProperties
Nazwa | Opis | Wartość |
---|---|---|
{niestandardowa właściwość} | ciąg | |
{niestandardowa właściwość} | ciąg | |
{niestandardowa właściwość} | ciąg | |
{niestandardowa właściwość} | ciąg | |
{niestandardowa właściwość} | ciąg | |
{niestandardowa właściwość} | ciąg | |
{niestandardowa właściwość} | ciąg | |
{niestandardowa właściwość} | ciąg | |
{niestandardowa właściwość} | ciąg | |
{niestandardowa właściwość} | ciąg | |
{niestandardowa właściwość} | ciąg | |
{niestandardowa właściwość} | ciąg |
Schedulebase
Nazwa | Opis | Wartość |
---|---|---|
endTime | Określa godzinę zakończenia harmonogramu w formacie ISO 8601. Jeśli nie istnieje, harmonogram będzie uruchamiany w nieskończoność |
ciąg |
scheduleStatus | Określa stan harmonogramu | "Wyłączone" "Włączone" |
startTime | Określa godzinę rozpoczęcia harmonogramu w formacie ISO 8601. | ciąg |
timeZone | Określa strefę czasową, w której jest uruchamiany harmonogram. Strefa czasowa powinna być zgodna z formatem strefy czasowej systemu Windows. |
ciąg |
scheduleType | Ustawianie typu obiektu | Cron Cykl (wymagany) |
CronSchedule
Nazwa | Opis | Wartość |
---|---|---|
scheduleType | [Wymagane] Określa typ harmonogramu | "Cron" (wymagane) |
expression | [Wymagane] Określa wyrażenie cron harmonogramu. Wyrażenie powinno być zgodne z formatem NCronTab. |
ciąg (wymagany) Ograniczenia: Wzorzec = [a-zA-Z0-9_] |
Cyklschedule
Nazwa | Opis | Wartość |
---|---|---|
scheduleType | [Wymagane] Określa typ harmonogramu | "Cykl" (wymagany) |
frequency | [Wymagane] Określa częstotliwość wyzwalania harmonogramu | "Dzień" "Godzina" "Minuta" "Miesiąc" "Tydzień" (wymagany) |
interval | [Wymagane] Określa interwał harmonogramu w połączeniu z częstotliwością | int (wymagane) |
Wzór | Określa wzorzec harmonogramu cyklu | Recurrencepattern |
Recurrencepattern
Nazwa | Opis | Wartość |
---|---|---|
godziny | [Wymagane] Lista godzin wzorca harmonogramu cyklu | int[] (wymagane) |
minutes | [Wymagane] Lista minut dla wzorca harmonogramu cyklu | int[] (wymagane) |
Dni powszednie | Lista dni roboczych dla wzorca harmonogramu cyklu | Tablica ciągów zawierająca dowolną z: "Piątek" "Poniedziałek" "Sobota" "Niedziela" "Czwartek" "Wtorek" "Środa" |
JobBaseServices
Nazwa | Opis | Wartość |
---|---|---|
{niestandardowa właściwość} | JobService |
JobService
Nazwa | Opis | Wartość |
---|---|---|
endpoint | Adres URL punktu końcowego. | ciąg |
jobServiceType | Typ punktu końcowego. | ciąg |
port | Port dla punktu końcowego. | int |
properties | Dodatkowe właściwości do ustawienia w punkcie końcowym. | Właściwości usługi zadań |
Właściwości usługi zadań
Nazwa | Opis | Wartość |
---|---|---|
{niestandardowa właściwość} | ciąg |
AutoMLJob
Nazwa | Opis | Wartość |
---|---|---|
jobType | [Wymagane] Określa typ zadania. | "AutoML" (wymagane) |
environmentId | Identyfikator zasobu usługi ARM specyfikacji środowiska dla zadania. Ta wartość jest opcjonalna, aby podać, jeśli nie zostanie podana, rozwiązanie AutoML spowoduje domyślne ustawienie wersji środowiska wyselekcjonowanych w środowisku produkcyjnym podczas uruchamiania zadania. |
ciąg |
environmentVariables | Zmienne środowiskowe uwzględnione w zadaniu. | AutoMLJobEnvironmentVariables |
Wyjść | Mapowanie powiązań danych wyjściowych używanych w zadaniu. | AutoMLJobOutputs |
zasoby | Konfiguracja zasobów obliczeniowych dla zadania. | Konfiguracja zasobu |
taskDetails | [Wymagane] Reprezentuje scenariusz, który może być jedną z tabel/nlp/obrazu | AutoMLVertical (wymagane) |
AutoMLJobEnvironmentVariables
Nazwa | Opis | Wartość |
---|---|---|
{niestandardowa właściwość} | ciąg |
AutoMLJobOutputs
Nazwa | Opis | Wartość |
---|---|---|
{niestandardowa właściwość} | JobOutput |
JobOutput
Nazwa | Opis | Wartość |
---|---|---|
description (opis) | Opis danych wyjściowych. | ciąg |
jobOutputType | Ustawianie typu obiektu | Model niestandardowy Model MLFlowModel Tabela MLTable TritonModel UriFile UriFolder (wymagany) |
CustomModelJobOutput
Nazwa | Opis | Wartość |
---|---|---|
jobOutputType | [Wymagane] Określa typ zadania. | "CustomModel" (wymagany) |
tryb | Tryb dostarczania zasobów wyjściowych. | "ReadWriteMount" "Przekaż" |
Identyfikator uri | Identyfikator URI elementu zawartości wyjściowej. | ciąg |
MLFlowModelJobOutput
Nazwa | Opis | Wartość |
---|---|---|
jobOutputType | [Wymagane] Określa typ zadania. | "MLFlowModel" (wymagane) |
tryb | Tryb dostarczania zasobów wyjściowych. | "ReadWriteMount" "Przekaż" |
Identyfikator uri | Identyfikator URI elementu zawartości wyjściowej. | ciąg |
MlTableJobOutput
Nazwa | Opis | Wartość |
---|---|---|
jobOutputType | [Wymagane] Określa typ zadania. | "MLTable" (wymagane) |
tryb | Tryb dostarczania zasobów wyjściowych. | "ReadWriteMount" "Przekaż" |
Identyfikator uri | Identyfikator URI elementu zawartości wyjściowej. | ciąg |
TritonModelJobOutput
Nazwa | Opis | Wartość |
---|---|---|
jobOutputType | [Wymagane] Określa typ zadania. | "TritonModel" (wymagane) |
tryb | Tryb dostarczania zasobów wyjściowych. | "ReadWriteMount" "Przekaż" |
Identyfikator uri | Identyfikator URI elementu zawartości wyjściowej. | ciąg |
UriFileJobOutput
Nazwa | Opis | Wartość |
---|---|---|
jobOutputType | [Wymagane] Określa typ zadania. | "UriFile" (wymagane) |
tryb | Tryb dostarczania zasobów wyjściowych. | "ReadWriteMount" "Przekaż" |
Identyfikator uri | Identyfikator URI elementu zawartości wyjściowej. | ciąg |
UriFolderJobOutput
Nazwa | Opis | Wartość |
---|---|---|
jobOutputType | [Wymagane] Określa typ zadania. | "UriFolder" (wymagany) |
tryb | Tryb dostarczania zasobów wyjściowych. | "ReadWriteMount" "Przekaż" |
Identyfikator uri | Identyfikator URI elementu zawartości wyjściowej. | ciąg |
Konfiguracja zasobu
Nazwa | Opis | Wartość |
---|---|---|
instanceCount | Opcjonalna liczba wystąpień lub węzłów używanych przez docelowy obiekt obliczeniowy. | int |
Instancetype | Opcjonalny typ maszyny wirtualnej używany jako obsługiwany przez docelowy obiekt obliczeniowy. | ciąg |
properties | Dodatkowa torba na właściwości. | ResourceConfigurationProperties |
ResourceConfigurationProperties
Nazwa | Opis | Wartość |
---|---|---|
{niestandardowa właściwość} |
AutoMLVertical
Nazwa | Opis | Wartość |
---|---|---|
logVerbosity | Rejestrowanie szczegółowości zadania. | "Krytyczne" "Debuguj" "Błąd" "Informacje" "NotSet" "Ostrzeżenie" |
Tasktype | Ustawianie typu obiektu | Klasyfikacji Prognozowanie ImageClassification ImageClassificationMultilabel ImageInstanceSegmentation ImageObjectDetection Regresja TextClassification TextClassificationMultilabel TextNER (wymagane) |
Klasyfikacja
Nazwa | Opis | Wartość |
---|---|---|
Tasktype | [Wymagane] Typ zadania dla zadania AutoMLJob. | "Klasyfikacja" (wymagana) |
allowedModels | Dozwolone modele dla zadania klasyfikacji. | Tablica ciągów zawierająca dowolną z: "BernoulliNaiveBayes" "DecisionTree" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LightGBM" "LinearSVM" "LogisticsRegression" "MultinomialNaiveBayes" "RandomForest" "SGD" "SVM" "XGBoostClassifier" |
blockedModels | Zablokowane modele dla zadania klasyfikacji. | Tablica ciągów zawierająca dowolną z: "BernoulliNaiveBayes" "DecisionTree" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LightGBM" "LinearSVM" "LogisticsRegression" "MultinomialNaiveBayes" "RandomForest" "SGD" "SVM" "XGBoostClassifier" |
dataSettings | Dane wejściowe dla zadania AutoMLJob. | TableVerticalDataSettings |
cechowanieUstawienia | Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML. | TableVerticalFeaturizationSettings |
limitSettings | Ograniczenia wykonywania dla zadania AutoMLJob. | TableVerticalLimitSettings |
primaryMetric | Podstawowa metryka zadania. | "AUCWeighted" "Dokładność" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted" |
trainingSettings | Dane wejściowe fazy trenowania dla zadania zautomatyzowanego uczenia maszynowego. | TrainingSettings |
TableVerticalDataSettings
Nazwa | Opis | Wartość |
---|---|---|
targetColumnName | [Wymagane] Nazwa kolumny docelowej: jest to kolumna wartości przewidywania. Znana również jako nazwa kolumny etykiety w kontekście zadań klasyfikacji. |
ciąg (wymagany) Ograniczenia: Wzorzec = [a-zA-Z0-9_] |
Testdata | Testowanie danych wejściowych. | TestDataSettings |
trainingData | [Wymagane] Dane wejściowe danych szkoleniowych. | TrainingDataSettings (wymagane) |
validationData | Dane wejściowe danych walidacji. | TableVerticalValidationDataSettings |
weightColumnName | Nazwa przykładowej kolumny wagi. Zautomatyzowane uczenie maszynowe obsługuje kolumnę ważoną jako dane wejściowe, co powoduje, że wiersze w danych mają być ważone w górę lub w dół. | ciąg |
TestDataSettings
Nazwa | Opis | Wartość |
---|---|---|
dane | Testowanie danych MLTable. | MlTableJobInput |
testDataSize | Ułamek zestawu danych testowych, który należy odłożyć do celów walidacji. Wartości z zakresu od (0,0, 1,0) Zastosowano, gdy zestaw danych sprawdzania poprawności nie został podany. |
int |
MlTableJobInput
Nazwa | Opis | Wartość |
---|---|---|
description (opis) | Opis danych wejściowych. | ciąg |
jobInputType | [Wymagane] Określa typ zadania. | "CustomModel" "Literał" "MLFlowModel" "MLTable" "TritonModel" "UriFile" "UriFolder" (wymagany) |
tryb | Tryb dostarczania zasobów wejściowych. | "Bezpośrednie" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
Identyfikator uri | [Wymagane] Identyfikator URI zasobu wejściowego. | ciąg (wymagany) Ograniczenia: Wzorzec = [a-zA-Z0-9_] |
TrainingDataSettings
Nazwa | Opis | Wartość |
---|---|---|
dane | [Wymagane] Tabela MLTable danych szkoleniowych. | MLTableJobInput (wymagane) |
TableVerticalValidationDataSettings
Nazwa | Opis | Wartość |
---|---|---|
cvSplitColumnNames | Kolumny do użycia dla danych CVSplit. | ciąg[] |
dane | Tabela MLTable danych weryfikacji. | MlTableJobInput |
nCrossValidations | Liczba składań krzyżowych do zastosowania w zestawie danych szkoleniowych gdy zestaw danych sprawdzania poprawności nie jest podany. |
NCrossValidations |
validationDataSize | Ułamek zestawu danych trenowania, który należy odłożyć do celów walidacji. Wartości z zakresu od (0,0, 1,0) Zastosowano, gdy zestaw danych sprawdzania poprawności nie został podany. |
int |
NCrossValidations
Nazwa | Opis | Wartość |
---|---|---|
tryb | Ustawianie typu obiektu | Automatycznie Niestandardowe (wymagane) |
AutoNCrossValidations
Nazwa | Opis | Wartość |
---|---|---|
tryb | [Wymagane] Tryb określania poprawności N-Cross. | "Auto" (wymagane) |
CustomNCrossValidations
Nazwa | Opis | Wartość |
---|---|---|
tryb | [Wymagane] Tryb określania poprawności N-Cross. | "Niestandardowy" (wymagany) |
wartość | [Wymagane] N-Cross validations wartość. | int (wymagane) |
TableVerticalFeaturizationSettings
Nazwa | Opis | Wartość |
---|---|---|
blockedTransformers | Transformatory te nie są stosowane w cechowaniu. | ciąg[] |
columnNameAndTypes | Słownik nazwy kolumny i jej typu (int, float, string, datetime itp.). | TableVerticalFeaturizationSettingsColumnNameAndTypes |
datasetLanguage | Język zestawu danych przydatny w przypadku danych tekstowych. | ciąg |
dropColumns | Kolumny, które mają zostać porzucone z danych podczas cechowania. | ciąg[] |
enableDnnFeaturization | Określa, czy do cechowania danych należy używać cech opartych na Dnn. | bool |
tryb | Tryb cechowania — użytkownik może zachować domyślny tryb "Auto", a rozwiązanie AutoML zajmie się niezbędną transformacją danych w fazie cechowania. Jeśli wybrano opcję "Wył.", nie jest wykonywana żadna cecha. Jeśli wybrano opcję "Niestandardowy", użytkownik może określić dodatkowe dane wejściowe, aby dostosować sposób wykonywania cechowania. |
"Auto" "Niestandardowy" "Wyłączone" |
transformerParams | Użytkownik może określić dodatkowe transformatory, które mają być używane wraz z kolumnami, do których ma zostać zastosowany, oraz parametry konstruktora transformatora. | TableVerticalFeaturizationSettingsTransformerParams |
TableVerticalFeaturizationSettingsColumnNameAndTypes
Nazwa | Opis | Wartość |
---|---|---|
{niestandardowa właściwość} | ciąg |
TableVerticalFeaturizationSettingsTransformerParams
Nazwa | Opis | Wartość |
---|---|---|
{niestandardowa właściwość} | ColumnTransformer[] |
Kolumnowyprzekształtnik
Nazwa | Opis | Wartość |
---|---|---|
fields | Pola do zastosowania logiki przekształcania. | ciąg[] |
parameters | Różne właściwości do przekazania do transformatora. Oczekiwano danych wejściowych to słownik par klucz,wartość w formacie JSON. |
TableVerticalLimitSettings
Nazwa | Opis | Wartość |
---|---|---|
enableEarlyTermination | Włącz wczesne zakończenie, określa, czy funkcja AutoMLJob zakończy się wcześnie, jeśli w ciągu ostatnich 20 iteracji nie ma żadnych ulepszeń oceny. | bool |
exitScore | Wynik zakończenia zadania rozwiązania AutoML. | int |
maxConcurrentTrials | Maksymalna liczba iteracji współbieżnych. | int |
maxCoresPerTrial | Maksymalna liczba rdzeni na iterację. | int |
maxTrials | Liczba iteracji. | int |
timeout | Limit czasu zadania automatycznego uczenia maszynowego. | ciąg |
trialTimeout | Limit czasu iteracji. | ciąg |
TrainingSettings
Nazwa | Opis | Wartość |
---|---|---|
enableDnnTraining | Włącz zalecenie dotyczące modeli sieci rozproszonej. | bool |
enableModelExplainability | Flaga włączania możliwości objaśnienia dla najlepszego modelu. | bool |
enableOnnxCompatibleModels | Flaga włączania modeli zgodnych z protokołem onnx. | bool |
enableStackEnsemble | Włącz uruchamianie zespołu stosu. | bool |
enableVoteEnsemble | Włącz uruchamianie zespołu głosów. | bool |
ensembleModelDownloadTimeout | Podczas generowania modeli VotingEnsemble i StackEnsemble pobiera się 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. | StackEnsembleSettings |
StackEnsembleSettings
Nazwa | Opis | Wartość |
---|---|---|
stackMetaLearnerKWargs | Parametry opcjonalne, które mają być przekazywane do inicjatora metauczeń. | |
stackMetaLearnerTrainPercentage | Określa proporcję zestawu treningowego (podczas wybierania typu trenowania i walidacji trenowania) do zarezerwowania na potrzeby trenowania meta-ucznia. Wartość domyślna to 0,2. | int |
stackMetaLearnerType | Metauczeń to model wytrenowany na podstawie danych wyjściowych poszczególnych modeli heterogenicznych. | "ElasticNet" "ElasticNetCV" "LightGBMClassifier" "LightGBMRegressor" "LinearRegression" "LogisticsRegression" "LogisticsRegressionCV" "Brak" |
Prognozowanie
Nazwa | Opis | Wartość |
---|---|---|
Tasktype | [Wymagane] Typ zadania dla zadania AutoMLJob. | "Prognozowanie" (wymagane) |
allowedModels | Dozwolone modele na potrzeby zadania prognozowania. | Tablica ciągów zawierająca dowolną z: "Arimax" "Autoarima" "Średnia" "DecisionTree" "ElasticNet" "ExponentialSmoothing" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "Naiwny" "Prorok" "RandomForest" "SGD" "Sezonowaprzedaż" "SeasonalNaive" "TCNForecaster" "XGBoostRegressor" |
blockedModels | Zablokowane modele do prognozowania zadania. | Tablica ciągów zawierająca dowolną z: "Arimax" "Autoarima" "Średnia" "DecisionTree" "ElasticNet" "ExponentialSmoothing" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "Naiwny" "Prorok" "RandomForest" "SGD" "Sezonowaprzedaż" "SeasonalNaive" "TCNForecaster" "XGBoostRegressor" |
dataSettings | Dane wejściowe dla zadania AutoMLJob. | TableVerticalDataSettings |
cechowanieUstawienia | Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML. | TableVerticalFeaturizationSettings |
forecastingSettings | Dane wejściowe specyficzne dla zadania prognozowania. | Prognozowanieuustawienia |
limitSettings | Ograniczenia wykonywania dla zadania AutoMLJob. | TableVerticalLimitSettings |
primaryMetric | Podstawowa metryka zadania prognozowania. | "NormalizedMeanAbsoluteError" "NormalizedRootMeanSquaredError" "R2Score" "SpearmanCorrelation" |
trainingSettings | Dane wejściowe fazy trenowania dla zadania zautomatyzowanego uczenia maszynowego. | TrainingSettings |
Prognozowanieuustawienia
Nazwa | Opis | Wartość |
---|---|---|
countryOrRegionForHolidays | Kraj lub region na potrzeby świąt na potrzeby zadań prognozowania. Powinny to być dwuliterowe kody kraju/regionu ISO 3166, na przykład "USA" lub "GB". |
ciąg |
cvStepSize | Liczba okresów między godziną początkową jednej krotnie CV a następną krotą. W przypadku programu na przykład jeśli CVStepSize = 3 dla danych dziennych, czas pochodzenia dla każdej krotnie będzietrzy dni od siebie. |
int |
featureLags | Flaga generowania opóźnień dla funkcji liczbowych z wartością "auto" lub null. | "Auto" "Brak" |
forecastHorizon | Żądany maksymalny horyzont prognozy w jednostkach częstotliwości szeregów czasowych. | PrognozaHorizon |
frequency | Podczas prognozowania ten parametr reprezentuje okres, z którym jest wymagana prognoza, na przykład codziennie, co tydzień, co rok itp. Częstotliwość prognozowania jest domyślnie częstotliwością zestawów danych. | ciąg |
Sezonowości | Ustaw sezonowość szeregów czasowych jako liczbę całkowitą częstotliwości serii. Jeśli sezonowość jest ustawiona na wartość "auto", zostanie ona wywnioskowana. |
Sezonowości |
shortSeriesHandlingConfig | Parametr definiujący sposób obsługi krótkich szeregów czasowych przez rozwiązanie AutoML. | "Auto" "Upuść" "Brak" "Pad" |
targetAggregateFunction | Funkcja używana do agregowania kolumny docelowej szeregów czasowych w celu zachowania zgodności z określoną częstotliwością użytkownika. Jeśli parametr TargetAggregateFunction jest ustawiony, tj. "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 | Liczba poprzednich okresów do opóźnienia z kolumny docelowej. | TargetLags |
targetRollingWindowSize | Liczba poprzednich okresów użytych do utworzenia średniej okna kroczącego kolumny docelowej. | TargetRollingWindowSize |
timeColumnName | Nazwa kolumny czasowej. Ten parametr jest wymagany podczas prognozowania, aby określić kolumnę datetime w danych wejściowych używanych do kompilowania szeregów czasowych i wnioskowania o jego częstotliwości. | ciąg |
timeSeriesIdColumnNames | Nazwy kolumn używanych do grupowania czasów. 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[] |
useStl | Skonfiguruj dekompozycję STL kolumny docelowej szeregów czasowych. | "Brak" "Sezon" "SeasonTrend" |
PrognozaHorizon
Nazwa | Opis | Wartość |
---|---|---|
tryb | Ustawianie typu obiektu | Automatycznie Niestandardowe (wymagane) |
AutoForecastHorizon
Nazwa | Opis | Wartość |
---|---|---|
tryb | [Wymagane] Ustaw tryb wyboru wartości horyzontu prognozy. | "Auto" (wymagane) |
CustomForecastHorizon
Nazwa | Opis | Wartość |
---|---|---|
tryb | [Wymagane] Ustaw tryb wyboru wartości horyzontu prognozy. | "Niestandardowy" (wymagany) |
wartość | [Wymagane] Wartość horyzontu prognozy. | int (wymagane) |
Sezonowość
Nazwa | Opis | Wartość |
---|---|---|
tryb | Ustawianie typu obiektu | Automatycznie Niestandardowe (wymagane) |
AutoSeasonity
Nazwa | Opis | Wartość |
---|---|---|
tryb | [Wymagane] Tryb sezonowości. | "Auto" (wymagane) |
CustomSeasonality
Nazwa | Opis | Wartość |
---|---|---|
tryb | [Wymagane] Tryb sezonowości. | "Niestandardowy" (wymagany) |
wartość | [Wymagane] Wartość sezonowa. | int (wymagane) |
TargetLags
Nazwa | Opis | Wartość |
---|---|---|
tryb | Ustawianie typu obiektu | Automatycznie Niestandardowe (wymagane) |
AutoTargetLags
Nazwa | Opis | Wartość |
---|---|---|
tryb | [Wymagane] Ustawianie trybu opóźnień docelowych — automatyczne/niestandardowe | "Auto" (wymagane) |
CustomTargetLags
Nazwa | Opis | Wartość |
---|---|---|
tryb | [Wymagane] Ustawianie trybu opóźnień docelowych — automatyczne/niestandardowe | "Niestandardowy" (wymagany) |
values | [Wymagane] Ustaw wartości opóźnień docelowych. | int[] (wymagane) |
TargetRollingWindowSize
Nazwa | Opis | Wartość |
---|---|---|
tryb | Ustawianie typu obiektu | Automatycznie Niestandardowe (wymagane) |
AutoTargetRollingWindowSize
Nazwa | Opis | Wartość |
---|---|---|
tryb | [Wymagane] TargetRollingWindowSiz — tryb wykrywania. | "Auto" (wymagane) |
CustomTargetRollingWindowSize
Nazwa | Opis | Wartość |
---|---|---|
tryb | [Wymagane] TargetRollingWindowSiz — tryb wykrywania. | "Niestandardowy" (wymagany) |
wartość | [Wymagane] Wartość TargetRollingWindowSize. | int (wymagane) |
ImageClassification
Nazwa | Opis | Wartość |
---|---|---|
Tasktype | [Wymagane] Typ zadania dla zadania AutoMLJob. | "ImageClassification" (wymagane) |
dataSettings | [Wymagane] Kolekcja zarejestrowanych identyfikatorów tabelarycznego zestawu danych i innych ustawień danych wymaganych do trenowania i weryfikowania modeli. | ImageVerticalDataSettings (wymagane) |
limitSettings | [Wymagane] Ogranicz ustawienia zadania automatycznego uczenia maszynowego. | ImageLimitSettings (wymagane) |
modelSettings | Ustawienia używane do trenowania modelu. | ImageModelSettingsClassification |
podstawowa metryka | Podstawowa metryka do optymalizacji pod kątem tego zadania. | "AUCWeighted" "Dokładność" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted" |
searchSpace | Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów. | ImageModelDistributionSettingsClassification[] |
sweepSettings | Zamiatanie modelu i hiperparametr zamiatanie powiązanych ustawień. | ImageSweepSettings |
ImageVerticalDataSettings
Nazwa | Opis | Wartość |
---|---|---|
targetColumnName | [Wymagane] Nazwa kolumny docelowej: jest to kolumna wartości przewidywania. Znana również jako nazwa kolumny etykiety w kontekście zadań klasyfikacji. |
ciąg (wymagany) Ograniczenia: Wzorzec = [a-zA-Z0-9_] |
Testdata | Testowanie danych wejściowych. | TestDataSettings |
trainingData | [Wymagane] Dane wejściowe danych szkoleniowych. | TrainingDataSettings (wymagane) |
validationData | Ustawienia zestawu danych weryfikacji. | ImageVerticalValidationDataSettings |
ImageVerticalValidationDataSettings
Nazwa | Opis | Wartość |
---|---|---|
dane | Tabela MLTable danych weryfikacji. | MLTableJobInput |
validationDataSize | Ułamek zestawu danych trenowania, który musi zostać odłożone na potrzeby walidacji. Wartości z zakresu (0.0, 1.0) Zastosowano, gdy nie podano zestawu danych weryfikacji. |
int |
ImageLimitSettings
Nazwa | Opis | Wartość |
---|---|---|
maxConcurrentTrials | Maksymalna liczba współbieżnych iteracji rozwiązania AutoML. | int |
maxTrials | Maksymalna liczba iteracji rozwiązania AutoML. | int |
timeout | Limit czasu zadania automatycznego uczenia maszynowego. | ciąg |
ImageModelSettingsClassification
Nazwa | Opis | Wartość |
---|---|---|
advancedSettings | Ustawienia dla zaawansowanych scenariuszy. | ciąg |
amsGradient | Włącz narzędzie AMSGrad, gdy optymalizator ma wartość "adam" lub "adamw". | bool |
rozszerzenia | Ustawienia dotyczące korzystania z rozszerzeń. | ciąg |
beta1 | Wartość "beta1", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie [0, 1]. | int |
beta2 | Wartość "beta2", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie [0, 1]. | int |
checkpointDatasetId | FileDataset id dla wstępnie wytrenowanych punktów kontrolnych na potrzeby trenowania przyrostowego. Pamiętaj, aby przekazać wartość CheckpointFilename wraz z parametrem CheckpointDatasetId. |
ciąg |
checkpointFilename | Wstępnie wytrenowana nazwa punktu kontrolnego w zestawie PlikówDataset na potrzeby trenowania przyrostowego. Pamiętaj, aby przekazać parametr CheckpointDatasetId wraz z polem CheckpointFilename. |
ciąg |
checkpointFrequency | Częstotliwość przechowywania punktów kontrolnych modelu. Musi być dodatnią liczbą całkowitą. | int |
checkpointRunId | Identyfikator poprzedniego przebiegu, który ma wstępnie wytrenowany punkt kontrolny na potrzeby trenowania przyrostowego. | ciąg |
Rozproszonych | Czy używać trenowania rozproszonego. | bool |
earlyStopping | Włącz logikę wczesnego zatrzymywania podczas trenowania. | bool |
earlyStoppingDelay | Minimalna liczba epok lub ocen weryfikacji, które mają czekać przed ulepszeniem podstawowej metryki jest śledzony do wczesnego zatrzymywania. Musi być dodatnią liczbą całkowitą. |
int |
earlyStoppingPatience | Minimalna liczba epok lub ocen weryfikacji bez podstawowej poprawy metryki przed przebieg zostanie zatrzymany. Musi być dodatnią liczbą całkowitą. |
int |
enableOnnxNormalization | Włącz normalizację podczas eksportowania modelu ONNX. | bool |
evaluationFrequency | Częstotliwość oceny zestawu danych weryfikacji w celu uzyskania wyników metryk. Musi być dodatnią liczbą całkowitą. | int |
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 |
layersToFreeze | Liczba warstw do zablokowania modelu. Musi być dodatnią liczbą całkowitą. Na przykład przekazanie wartości 2 jako wartości dla wartości "seresnext" oznacza zamrażanie warstwy0 i warstwy 1. Aby uzyskać pełną listę obsługiwanych modeli i szczegółowe informacje na temat blokowania warstwy, zapoznaj się z tematem Zobacz: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
int |
learningRate | Początkowa stawka nauki. Musi być zmiennoprzecinkowym w zakresie [0, 1]. | int |
learningRateScheduler | Typ harmonogramu szybkości nauki. Musi być "warmup_cosine" lub "krok". | "Brak" "Krok" "WarmupCosine" |
Modelname | Nazwa modelu do użycia do trenowania. Aby uzyskać więcej informacji na temat dostępnych modeli, odwiedź oficjalną dokumentację: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
ciąg |
Tempa | Wartość tempa, gdy optymalizator ma wartość "sgd". Musi być zmiennoprzecinkowym w zakresie [0, 1]. | int |
nesterov | Włącz nesterov, gdy optymalizator ma wartość "sgd". | bool |
numberOfEpochs | Liczba epok treningowych. Musi być dodatnią liczbą całkowitą. | int |
numberOfWorkers | Liczba procesów roboczych modułu ładującego dane. Musi być nieujemną liczbą całkowitą. | int |
Optymalizator | Typ optymalizatora. | "Adam" "Adamw" "Brak" "Sgd" |
randomSeed | Losowe inicjatory, które mają być używane podczas korzystania z trenowania deterministycznego. | int |
splitRatio | Jeśli dane sprawdzania poprawności nie są zdefiniowane, określa współczynnik podziału dla dzielenia trenowanie danych w podzestawach losowych trenowania i walidacji. Musi być zmiennoprzecinkiem w zakresie [0, 1]. |
int |
stepLRGamma | Wartość gamma podczas uczenia się harmonogramu szybkości jest "krok". Musi być zmiennoprzecinkiem w zakresie [0, 1]. | int |
stepLRStepSize | Wartość rozmiaru kroku, gdy harmonogram szybkości nauki to "krok". Musi być dodatnią liczbą całkowitą. | int |
trainingBatchSize | Rozmiar partii trenowania. Musi być dodatnią liczbą całkowitą. | int |
trainingCropSize | Rozmiar przycinania obrazów, który jest danymi wejściowymi sieci neuronowej dla zestawu danych treningowych. Musi być dodatnią liczbą całkowitą. | int |
validationBatchSize | Rozmiar partii sprawdzania poprawności. Musi być dodatnią liczbą całkowitą. | int |
validationCropSize | Rozmiar przycinania obrazów, który jest danymi wejściowymi dla sieci neuronowej dla zestawu danych weryfikacji. Musi być dodatnią liczbą całkowitą. | int |
validationResizeSizeSize | Rozmiar obrazu, którego rozmiar ma być zmieniany przed przycinaniem zestawu danych weryfikacji. Musi być dodatnią liczbą całkowitą. | int |
warmupCosineLRCycles | Wartość cyklu cosinusowego, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być zmiennoprzecinkiem w zakresie [0, 1]. | int |
warmupCosineLRWarmupEpochs | Wartość epok rozgrzewki, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być dodatnią liczbą całkowitą. | int |
weightDecay | Wartość rozkładu wagi, gdy optymalizator to "sgd", "adam" lub "adamw". Musi być zmiennoprzecinkiem w zakresie[0, 1]. | int |
weightedLoss | Utrata wagi. Akceptowane wartości to 0 bez odchudzania. 1 do odchudzania z sqrt. (class_weights). 2 dla odchudzania z class_weights. Musi mieć wartość 0 lub 1 lub 2. |
int |
ImageModelDistributionSettingsClassification
Nazwa | Opis | Wartość |
---|---|---|
amsGradient | Włącz narzędzie AMSGrad, gdy optymalizator ma wartość "adam" lub "adamw". | ciąg |
rozszerzenia | Ustawienia dotyczące używania rozszerzeń. | ciąg |
beta1 | Wartość "beta1", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkiem w zakresie [0, 1]. | ciąg |
beta2 | Wartość "beta2", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkiem w zakresie [0, 1]. | ciąg |
Rozproszonych | Czy należy używać trenowania rozproszonego. | ciąg |
earlyStopping | Włącz logikę wczesnego zatrzymywania podczas trenowania. | ciąg |
earlyStoppingDelay | Minimalna liczba epok lub ocen poprawności, które należy zaczekać przed ulepszeniem podstawowej metryki jest śledzony w celu wczesnego zatrzymania. Musi być dodatnią liczbą całkowitą. |
ciąg |
earlyStoppingPatience | Minimalna liczba epok lub ocen weryfikacji bez podstawowej poprawy metryki przed przebieg zostanie zatrzymany. Musi być dodatnią liczbą całkowitą. |
ciąg |
enableOnnxNormalization | Włącz normalizację podczas eksportowania modelu ONNX. | ciąg |
evaluationFrequency | Częstotliwość oceny 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 | Liczba warstw do zablokowania modelu. Musi być dodatnią liczbą całkowitą. Na przykład przekazanie wartości 2 jako wartości dla wartości "seresnext" oznacza zamrażanie warstwy0 i warstwy 1. Aby uzyskać pełną listę obsługiwanych modeli i szczegółowe informacje na temat blokowania warstwy, zapoznaj się z tematem Zobacz: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
ciąg |
learningRate | Początkowa stawka nauki. Musi być zmiennoprzecinkowym w zakresie [0, 1]. | ciąg |
learningRateScheduler | Typ harmonogramu szybkości nauki. Musi być "warmup_cosine" lub "krok". | ciąg |
Modelname | Nazwa modelu do użycia do trenowania. Aby uzyskać więcej informacji na temat dostępnych modeli, odwiedź oficjalną dokumentację: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
ciąg |
Tempa | Wartość tempa, gdy optymalizator ma wartość "sgd". Musi być zmiennoprzecinkowym w zakresie [0, 1]. | ciąg |
nesterov | Włącz zagnieżdżanie, gdy optymalizator ma wartość "sgd". | ciąg |
numberOfEpochs | Liczba epok treningowych. Musi być dodatnią liczbą całkowitą. | ciąg |
numberOfWorkers | Liczba procesów roboczych modułu ładującego dane. Musi być liczbą całkowitą nie ujemną. | ciąg |
Optymalizator | Typ optymalizatora. Musi być "sgd", "adam" lub "adamw". | ciąg |
randomSeed | Losowe nasion do użycia podczas trenowania deterministycznego. | ciąg |
splitRatio | Jeśli dane weryfikacji nie są zdefiniowane, określa współczynnik podziału dla dzielenia trenowanie danych do losowych podzestawów pociągu 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 | Wartość rozmiaru kroku, gdy harmonogram szybkości nauki to "krok". Musi być dodatnią liczbą całkowitą. | ciąg |
trainingBatchSize | Rozmiar partii trenowania. Musi być dodatnią liczbą całkowitą. | ciąg |
trainingCropSize | Rozmiar przycinania obrazu, który jest wejściowy do sieci neuronowej dla zestawu danych trenowania. Musi być dodatnią liczbą całkowitą. | ciąg |
validationBatchSize | Walidacja rozmiaru partii. Musi być dodatnią liczbą całkowitą. | ciąg |
validationCropSize | Rozmiar przycinania obrazów wejściowy do sieci neuronowej dla zestawu danych weryfikacji. Musi być dodatnią liczbą całkowitą. | ciąg |
validationResizeSizeSize | Rozmiar obrazu, którego rozmiar ma być zmieniany przed przycinaniem zestawu danych weryfikacji. Musi być dodatnią liczbą całkowitą. | ciąg |
warmupCosineLRCycles | Wartość cyklu cosinusowego podczas planowania szybkości nauki to "warmup_cosine". Musi być zmiennoprzecinkowym w zakresie [0, 1]. | ciąg |
warmupCosineLRWarmupEpochs | Wartość epok rozgrzewki, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być dodatnią liczbą całkowitą. | ciąg |
weightDecay | Wartość rozkładu wagi, gdy optymalizator to "sgd", "adam" lub "adamw". Musi być zmiennoprzecinkiem w zakresie[0, 1]. | ciąg |
weightedLoss | Utrata wagi. Akceptowane wartości to 0 bez odchudzania. 1 do odchudzania z sqrt. (class_weights). 2 dla odchudzania z class_weights. Musi mieć wartość 0 lub 1 lub 2. |
ciąg |
ImageSweepSettings
Nazwa | Opis | Wartość |
---|---|---|
earlyTermination | Typ zasad wczesnego kończenia. | EarlyTerminationPolicy |
Limity | [Wymagane] Ogranicz ustawienia dla zamiatania modelu i zamiatania hiperparametrów. | ImageSweepLimitSettings (wymagane) |
samplingAlgorithm | [Wymagane] Typ algorytmów próbkowania hiperparametrów. | "Bayesian" "Siatka" "Losowe" (wymagane) |
EarlyTerminationPolicy
Nazwa | Opis | Wartość |
---|---|---|
delayEvaluation | Liczba interwałów, według których należy opóźnić pierwszą ocenę. | int |
evaluationInterval | Interwał (liczba przebiegów) między ocenami zasad. | int |
policyType | Ustawianie typu obiektu | Bandyta MedianStopping Obcięcieselection (wymagane) |
BanditPolicy
Nazwa | Opis | Wartość |
---|---|---|
policyType | [Wymagane] Nazwa konfiguracji zasad | "Bandit" (wymagane) |
slackAmount | Odległość bezwzględna dozwolona od najlepiej działającego przebiegu. | int |
SlackFactor | Stosunek dozwolonej odległości od najlepiej działającego przebiegu. | int |
MedianStoppingPolicy
Nazwa | Opis | Wartość |
---|---|---|
policyType | [Wymagane] Nazwa konfiguracji zasad | "MedianStopping" (wymagane) |
ObcięcieselectionPolicy
Nazwa | Opis | Wartość |
---|---|---|
policyType | [Wymagane] Nazwa konfiguracji zasad | "TruncationSelection" (wymagane) |
obcinaniePercentage | Procent przebiegów do anulowania w każdym interwale oceny. | int |
ImageSweepLimitSettings
Nazwa | Opis | Wartość |
---|---|---|
maxConcurrentTrials | Maksymalna liczba współbieżnych iteracji dla bazowego zadania zamiatania. | int |
maxTrials | Maksymalna liczba iteracji dla bazowego zadania zamiatania. | int |
ImageClassificationMultilabel
Nazwa | Opis | Wartość |
---|---|---|
Tasktype | [Wymagane] Typ zadania dla zadania AutoMLJob. | "ImageClassificationMultilabel" (wymagane) |
dataSettings | [Wymagane] Kolekcja zarejestrowanych identyfikatorów tabelarycznego zestawu danych i innych ustawień danych wymaganych do trenowania i walidacji modeli. | ImageVerticalDataSettings (wymagane) |
limitSettings | [Wymagane] Ogranicz ustawienia zadania automatycznego uczenia maszynowego. | ImageLimitSettings (wymagane) |
modelSettings | Ustawienia używane do trenowania modelu. | ImageModelSettingsClassification |
primaryMetric | Podstawowa metryka do optymalizacji pod kątem tego zadania. | "AUCWeighted" "Dokładność" "AveragePrecisionScoreWeighted" "IOU" "NormMacroRecall" "PrecisionScoreWeighted" |
searchSpace | Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów. | ImageModelDistributionSettingsClassification[] |
sweepSettings | Ustawienia związane z zamiatanie modelu i zamiatanie hiperparametrów. | ImageSweepSettings |
ImageInstanceSegmentation
Nazwa | Opis | Wartość |
---|---|---|
Tasktype | [Wymagane] Typ zadania dla zadania AutoMLJob. | "ImageInstanceSegmentation" (wymagane) |
dataSettings | [Wymagane] Kolekcja zarejestrowanych identyfikatorów tabelarycznego zestawu danych i innych ustawień danych wymaganych do trenowania i walidacji modeli. | ImageVerticalDataSettings (wymagane) |
limitSettings | [Wymagane] Ogranicz ustawienia zadania automatycznego uczenia maszynowego. | ImageLimitSettings (wymagane) |
modelSettings | Ustawienia używane do trenowania modelu. | ImageModelSettingsObjectDetection |
primaryMetric | Podstawowa metryka do optymalizacji pod kątem tego zadania. | "MeanAveragePrecision" |
searchSpace | Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów. | ImageModelDistributionSettingsObjectDetection[] |
sweepSettings | Ustawienia związane z zamiatanie modelu i zamiatanie hiperparametrów. | ImageSweepSettings |
ImageModelSettingsObjectDetection
Nazwa | Opis | Wartość |
---|---|---|
advancedSettings | Ustawienia dla zaawansowanych scenariuszy. | ciąg |
amsGradient | Włącz narzędzie AMSGrad, gdy optymalizator ma wartość "adam" lub "adamw". | bool |
rozszerzenia | Ustawienia dotyczące używania rozszerzeń. | ciąg |
beta1 | Wartość "beta1", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkiem w zakresie [0, 1]. | int |
beta2 | Wartość "beta2", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkiem w zakresie [0, 1]. | int |
boxDetectionsPerImage | Maksymalna liczba wykryć na obrazie dla wszystkich klas. Musi być dodatnią liczbą całkowitą. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5". |
int |
boxScoreThreshold | Podczas wnioskowania zwracane są tylko propozycje z oceną klasyfikacji większą niż BoxScoreThreshold. Musi być zmiennoprzecinkiem w zakresie[0, 1]. |
int |
checkpointDatasetId | FileDataset id dla wstępnie wytrenowanych punktów kontrolnych na potrzeby trenowania przyrostowego. Pamiętaj, aby przekazać wartość CheckpointFilename wraz z elementem CheckpointDatasetId. |
ciąg |
checkpointFilename | Wstępnie wytrenowana nazwa pliku punktu kontrolnego w zestawie plików na potrzeby trenowania przyrostowego. Pamiętaj, aby przekazać wartość CheckpointDatasetId wraz z elementem CheckpointFilename. |
ciąg |
checkpointFrequency | Częstotliwość przechowywania punktów kontrolnych modelu. Musi być dodatnią liczbą całkowitą. | int |
checkpointRunId | Identyfikator poprzedniego przebiegu, który ma wstępnie wytrenowany punkt kontrolny na potrzeby trenowania przyrostowego. | ciąg |
Rozproszonych | Czy należy używać trenowania rozproszonego. | bool |
earlyStopping | Włącz logikę wczesnego zatrzymywania podczas trenowania. | bool |
earlyStoppingDelay | Minimalna liczba epok lub ocen poprawności, które należy zaczekać przed ulepszeniem podstawowej metryki jest śledzony w celu wczesnego zatrzymania. Musi być dodatnią liczbą całkowitą. |
int |
earlyStoppingPatience | Minimalna liczba epok lub ocen poprawności bez podstawowej poprawy metryki przed przebieg zostanie zatrzymany. Musi być dodatnią liczbą całkowitą. |
int |
enableOnnxNormalization | Włącz normalizację podczas eksportowania modelu ONNX. | bool |
evaluationFrequency | Częstotliwość oceniania zestawu danych weryfikacji w celu uzyskania wyników metryk. Musi być dodatnią liczbą całkowitą. | int |
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 |
Imagesize | 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 |
layersToFreeze | Liczba warstw, które mają być blokowane dla modelu. Musi być dodatnią liczbą całkowitą. Na przykład przekazanie wartości 2 jako wartości dla "seresnext" oznacza warstwy 0 i warstwy 1. Aby uzyskać pełną listę obsługiwanych modeli i szczegóły dotyczące blokowania warstwy, proszę Zobacz: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
int |
learningRate | Początkowa szybkość nauki. Musi być zmiennoprzecinkiem w zakresie [0, 1]. | int |
learningRateScheduler | Typ harmonogramu szybkości nauki. Musi mieć wartość "warmup_cosine" lub "krok". | "Brak" "Krok" "WarmupCosine" |
Maxsize | 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 |
Minsize | 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 |
Modelname | Nazwa modelu, który ma być używany do trenowania. Aby uzyskać więcej informacji na temat dostępnych modeli, odwiedź oficjalną dokumentację: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
ciąg |
modelSize | Rozmiar modelu. Musi mieć wartość "small", "medium", "large" lub "xlarge". Uwaga: przebieg trenowania może dostać się do modelu CUDA OOM, jeśli rozmiar modelu jest zbyt duży. Uwaga: te ustawienia są obsługiwane tylko dla algorytmu "yolov5". |
"ExtraLarge" "Duży" "Średni" "Brak" "Mały" |
Tempa | Wartość tempa, gdy optymalizator ma wartość "sgd". Musi być zmiennoprzecinkiem w zakresie [0, 1]. | int |
multiScale | Włącz obraz wieloskalowy, zmieniając rozmiar obrazu o +/- 50%. Uwaga: przebieg trenowania może dostać się do procesora OOM CUDA, jeśli nie ma wystarczającej ilości pamięci procesora GPU. Uwaga: te ustawienia są obsługiwane tylko dla algorytmu "yolov5". |
bool |
nesterov | Włącz nesterov, gdy optymalizator ma wartość "sgd". | bool |
nmsIouThreshold | Próg operacji we/wy używany podczas wnioskowania w procesie przetwarzania końcowego NMS. Musi być zmiennoprzecinkiem w zakresie [0, 1]. | int |
numberOfEpochs | Liczba epok treningowych. Musi być dodatnią liczbą całkowitą. | int |
numberOfWorkers | Liczba procesów roboczych modułu ładującego dane. Musi być nieujemną liczbą całkowitą. | int |
Optymalizator | Typ optymalizatora. | "Adam" "Adamw" "Brak" "Sgd" |
randomSeed | Losowe inicjatory, które mają być używane podczas korzystania z trenowania deterministycznego. | int |
splitRatio | Jeśli dane sprawdzania poprawności nie są zdefiniowane, określa współczynnik podziału dla dzielenia trenowanie danych w podzestawach losowych trenowania i walidacji. Musi być zmiennoprzecinkiem w zakresie [0, 1]. |
int |
stepLRGamma | Wartość gamma, gdy harmonogram szybkości nauki to "krok". Musi być zmiennoprzecinkowym w zakresie [0, 1]. | int |
stepLRStepSize | Wartość rozmiaru kroku, gdy harmonogram szybkości nauki to "krok". Musi być dodatnią liczbą całkowitą. | int |
tileGridSize | Rozmiar siatki, który ma być używany do układania każdego obrazu. Uwaga: TileGridSize nie może być Brak w celu włączenia logiki wykrywania małych obiektów. Ciąg zawierający dwie liczby całkowite w formacie mxn. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5". |
ciąg |
tileOverlapRatio | Nakładanie się między sąsiednimi kafelkami w każdym wymiarze. Musi być zmiennoprzecinkowy w zakresie [0, 1). Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5". |
int |
tilePredictionsNmsThreshold | Próg operacji we/wy używany do wykonywania nms podczas scalania przewidywań z kafelków i obrazu. Używane w weryfikacji/wnioskowaniu. Musi być zmiennoprzecinkowy w zakresie [0, 1]. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5". |
int |
trainingBatchSize | Rozmiar partii trenowania. Musi być dodatnią liczbą całkowitą. | int |
validationBatchSize | Walidacja rozmiaru partii. Musi być dodatnią liczbą całkowitą. | int |
validationIouThreshold | Próg operacji we/wy do użycia podczas przetwarzania metryki weryfikacji. Musi być zmiennoprzecinkowy w zakresie [0, 1]. | int |
validationMetricType | Metoda obliczeniowa metryki do użycia na potrzeby metryk weryfikacji. | "Coco" "CocoVoc" "Brak" "Voc" |
warmupCosineLRCycles | Wartość cyklu cosinusowego podczas planowania szybkości nauki to "warmup_cosine". Musi być zmiennoprzecinkowym w zakresie [0, 1]. | int |
warmupCosineLRWarmupEpochs | Wartość epok rozgrzewki, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być dodatnią liczbą całkowitą. | int |
weightDecay | Wartość rozpadu wagi, gdy optymalizator to "sgd", "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie[0, 1]. | int |
ImageModelDistributionSettingsObjectDetection
Nazwa | Opis | Wartość |
---|---|---|
amsGradient | Włącz narzędzie AMSGrad, gdy optymalizator ma wartość "adam" lub "adamw". | ciąg |
rozszerzenia | Ustawienia dotyczące korzystania z rozszerzeń. | ciąg |
beta1 | Wartość "beta1", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie [0, 1]. | ciąg |
beta2 | Wartość "beta2", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie [0, 1]. | ciąg |
boxDetectionsPerImage | Maksymalna liczba wykryć na obrazie dla wszystkich klas. Musi być dodatnią liczbą całkowitą. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5". |
ciąg |
boxScoreThreshold | 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 |
earlyStopping | Włącz logikę wczesnego zatrzymywania podczas trenowania. | ciąg |
earlyStoppingDelay | Minimalna liczba epok lub ocen weryfikacji, które mają czekać przed ulepszeniem podstawowej metryki jest śledzony do wczesnego zatrzymywania. Musi być dodatnią liczbą całkowitą. |
ciąg |
earlyStoppingPatience | Minimalna liczba epok lub ocen weryfikacji bez podstawowej poprawy metryki przed przebieg zostanie zatrzymany. Musi być dodatnią liczbą całkowitą. |
ciąg |
enableOnnxNormalization | Włącz normalizację podczas eksportowania modelu ONNX. | ciąg |
evaluationFrequency | 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 |
Imagesize | 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 | Liczba warstw, które mają być blokowane dla modelu. Musi być dodatnią liczbą całkowitą. Na przykład przekazanie wartości 2 jako wartości dla "seresnext" oznacza warstwy 0 i warstwy 1. Aby uzyskać pełną listę obsługiwanych modeli i szczegóły dotyczące blokowania warstwy, proszę Zobacz: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
ciąg |
learningRate | Początkowa szybkość nauki. Musi być zmiennoprzecinkiem w zakresie [0, 1]. | ciąg |
learningRateScheduler | Typ harmonogramu szybkości nauki. Musi mieć wartość "warmup_cosine" lub "krok". | ciąg |
Maxsize | 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 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 |
Modelname | Nazwa modelu, który ma być używany do trenowania. Aby uzyskać więcej informacji na temat dostępnych modeli, odwiedź oficjalną dokumentację: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
ciąg |
modelSize | Rozmiar modelu. Musi mieć wartość "small", "medium", "large" lub "xlarge". Uwaga: przebieg trenowania może dostać się do modelu CUDA OOM, jeśli rozmiar modelu jest zbyt duży. Uwaga: te ustawienia są obsługiwane tylko dla algorytmu "yolov5". |
ciąg |
Tempa | Wartość tempa, gdy optymalizator ma wartość "sgd". Musi być zmiennoprzecinkiem w zakresie [0, 1]. | ciąg |
multiScale | Włącz obraz wieloskalowy, zmieniając rozmiar obrazu o +/- 50%. Uwaga: przebieg trenowania może dostać się do procesora OOM CUDA, jeśli nie ma wystarczającej ilości pamięci procesora GPU. Uwaga: te ustawienia są obsługiwane tylko dla algorytmu "yolov5". |
ciąg |
nesterov | Włącz nesterov, gdy optymalizator ma wartość "sgd". | ciąg |
nmsIouThreshold | Próg operacji we/wy używany podczas wnioskowania w procesie przetwarzania końcowego NMS. Musi być zmiennoprzecinkowa w zakresie [0, 1]. | ciąg |
numberOfEpochs | Liczba epok treningowych. Musi być dodatnią liczbą całkowitą. | ciąg |
numberOfWorkers | Liczba procesów roboczych modułu ładującego dane. Musi być nieujemną liczbą całkowitą. | ciąg |
Optymalizator | Typ optymalizatora. Musi być albo "sgd", "adam", lub "adamw". | ciąg |
randomSeed | Losowe inicjatory, które mają być używane podczas korzystania z trenowania deterministycznego. | ciąg |
splitRatio | Jeśli dane sprawdzania poprawności nie są zdefiniowane, określa współczynnik podziału dla dzielenia trenowanie danych w podzestawach losowych trenowania i walidacji. Musi być zmiennoprzecinkiem w zakresie [0, 1]. |
ciąg |
stepLRGamma | Wartość gamma podczas uczenia się harmonogramu szybkości jest "krok". Musi być zmiennoprzecinkiem w zakresie [0, 1]. | ciąg |
stepLRStepSize | Wartość rozmiaru kroku, gdy harmonogram szybkości nauki to "krok". Musi być dodatnią liczbą całkowitą. | ciąg |
tileGridSize | Rozmiar siatki do użycia na potrzeby układania obrazów. Uwaga: TileGridSize nie może być Brak w celu włączenia logiki wykrywania małych obiektów. Ciąg zawierający dwie liczby całkowite w formacie mxn. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5". |
ciąg |
tileOverlapRatio | Współczynnik nakładania się między sąsiednimi kafelkami w każdym wymiarze. Musi być zmiennoprzecinkowa 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 obrazu. Używany w weryfikacji/wnioskowaniu. Musi być zmiennoprzecinkowa w zakresie [0, 1]. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5". NMS: brak maksymalnego pomijania |
ciąg |
trainingBatchSize | Rozmiar partii trenowania. Musi być dodatnią liczbą całkowitą. | ciąg |
validationBatchSize | Rozmiar partii sprawdzania poprawności. Musi być dodatnią liczbą całkowitą. | ciąg |
validationIouThreshold | Próg operacji we/wy do użycia podczas obliczania metryki walidacji. Musi być zmiennoprzecinkowa w zakresie [0, 1]. | ciąg |
validationMetricType | Metoda obliczania metryki do użycia na potrzeby metryk walidacji. Musi mieć wartość "none", "coco", "voc" lub "coco_voc". | ciąg |
warmupCosineLRCycles | Wartość cyklu cosinusowego, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być zmiennoprzecinkiem w zakresie [0, 1]. | ciąg |
warmupCosineLRWarmupEpochs | Wartość epok rozgrzewki, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być dodatnią liczbą całkowitą. | ciąg |
weightDecay | Wartość rozkładu wagi, gdy optymalizator to "sgd", "adam" lub "adamw". Musi być zmiennoprzecinkiem w zakresie[0, 1]. | ciąg |
ImageObjectDetection
Nazwa | Opis | Wartość |
---|---|---|
Tasktype | [Wymagane] Typ zadania dla zadania AutoMLJob. | "ImageObjectDetection" (wymagane) |
dataSettings | [Wymagane] Kolekcja zarejestrowanych identyfikatorów tabelarycznego zestawu danych i innych ustawień danych wymaganych do trenowania i walidacji modeli. | ImageVerticalDataSettings (wymagane) |
limitSettings | [Wymagane] Ogranicz ustawienia zadania automatycznego uczenia maszynowego. | ImageLimitSettings (wymagane) |
modelSettings | Ustawienia używane do trenowania modelu. | ImageModelSettingsObjectDetection |
primaryMetric | Podstawowa metryka do optymalizacji pod kątem tego zadania. | "MeanAveragePrecision" |
searchSpace | Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów. | ImageModelDistributionSettingsObjectDetection[] |
sweepSettings | Ustawienia związane z zamiatanie modelu i zamiatanie hiperparametrów. | ImageSweepSettings |
Regresja
Nazwa | Opis | Wartość |
---|---|---|
Tasktype | [Wymagane] Typ zadania dla zadania AutoMLJob. | "Regresja" (wymagana) |
allowedModels | Dozwolone modele dla zadania regresji. | Tablica ciągów zawierająca dowolną z: "DecisionTree" "ElasticNet" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "RandomForest" "SGD" "XGBoostRegressor" |
blockedModels | Zablokowane modele dla zadania regresji. | Tablica ciągów zawierająca dowolną z: "DecisionTree" "ElasticNet" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "RandomForest" "SGD" "XGBoostRegressor" |
dataSettings | Dane wejściowe dla zadania AutoMLJob. | TableVerticalDataSettings |
featurizationSettings | Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML. | TableVerticalFeaturizationSettings |
limitSettings | Ograniczenia wykonywania dla zadania AutoMLJob. | TableVerticalLimitSettings |
podstawowa metryka | Podstawowa metryka zadania regresji. | "NormalizedMeanAbsoluteError" "NormalizedRootMeanSquaredError" "R2Score" "SpearmanCorrelation" |
trainingSettings | Dane wejściowe fazy trenowania zadania automatycznego uczenia maszynowego. | TrainingSettings |
TextClassification
Nazwa | Opis | Wartość |
---|---|---|
Tasktype | [Wymagane] Typ zadania dla zadania AutoMLJob. | "TextClassification" (wymagane) |
dataSettings | Dane wejściowe dla zadania AutoMLJob. | NlpVerticalDataSettings |
featurizationSettings | Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML. | NlpVerticalFeaturizationSettings |
limitSettings | Ograniczenia wykonywania dla zadania AutoMLJob. | NlpVerticalLimitSettings |
podstawowa metryka | Podstawowa metryka dla zadania Text-Classification. | "AUCWeighted" "Dokładność" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted" |
NlpVerticalDataSettings
Nazwa | Opis | Wartość |
---|---|---|
targetColumnName | [Wymagane] Nazwa kolumny docelowej: jest to kolumna wartości przewidywania. Znana również jako nazwa kolumny etykiety w kontekście zadań klasyfikacji. |
ciąg (wymagany) Ograniczenia: Wzorzec = [a-zA-Z0-9_] |
Testdata | Testowanie danych wejściowych. | TestDataSettings |
trainingData | [Wymagane] Dane wejściowe danych szkoleniowych. | TrainingDataSettings (wymagane) |
validationData | Dane wejściowe danych weryfikacji. | NlpVerticalValidationDataSettings |
NlpVerticalValidationDataSettings
Nazwa | Opis | Wartość |
---|---|---|
dane | Tabela MLTable danych weryfikacji. | MLTableJobInput |
validationDataSize | Ułamek zestawu danych trenowania, który musi zostać odłożone na potrzeby walidacji. Wartości z zakresu (0.0, 1.0) Zastosowano, gdy nie podano zestawu danych weryfikacji. |
int |
NlpVerticalFeaturizationSettings
Nazwa | Opis | Wartość |
---|---|---|
datasetLanguage | Język zestawu danych, przydatny dla danych tekstowych. | ciąg |
NlpVerticalLimitSettings
Nazwa | Opis | Wartość |
---|---|---|
maxConcurrentTrials | Maksymalna współbieżna iteracja automatycznego uczenia maszynowego. | int |
maxTrials | Liczba iteracji rozwiązania AutoML. | int |
timeout | Limit czasu zadania automatycznego uczenia maszynowego. | ciąg |
TextClassificationMultilabel
Nazwa | Opis | Wartość |
---|---|---|
Tasktype | [Wymagane] Typ zadania dla zadania AutoMLJob. | "TextClassificationMultilabel" (wymagane) |
dataSettings | Dane wejściowe dla zadania AutoMLJob. | NlpVerticalDataSettings |
cechowanieUstawienia | Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML. | NlpVerticalFeaturizationSettings |
limitSettings | Ograniczenia wykonywania dla zadania AutoMLJob. | NlpVerticalLimitSettings |
TextNer
Nazwa | Opis | Wartość |
---|---|---|
Tasktype | [Wymagane] Typ zadania dla zadania AutoMLJob. | "TextNER" (wymagane) |
dataSettings | Dane wejściowe dla zadania AutoMLJob. | NlpVerticalDataSettings |
cechowanieUstawienia | Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML. | NlpVerticalFeaturizationSettings |
limitSettings | Ograniczenia wykonywania dla zadania AutoMLJob. | NlpVerticalLimitSettings |
CommandJob
Nazwa | Opis | Wartość |
---|---|---|
jobType | [Wymagane] Określa typ zadania. | "Polecenie" (wymagane) |
codeId | Identyfikator zasobu usługi ARM zasobu kodu. | ciąg |
command | [Wymagane] Polecenie do wykonania podczas uruchamiania zadania. np. "python train.py" | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
Dystrybucji | Konfiguracja dystrybucji zadania. W przypadku ustawienia powinna to być jedna z wartości Mpi, Tensorflow, PyTorch lub null. | Konfiguracja dystrybucji |
environmentId | [Wymagane] Identyfikator zasobu usługi ARM specyfikacji środowiska dla zadania. | ciąg (wymagany) Ograniczenia: Wzorzec = [a-zA-Z0-9_] |
environmentVariables | Zmienne środowiskowe uwzględnione w zadaniu. | CommandJobEnvironmentVariables |
Wejścia | Mapowanie powiązań danych wejściowych używanych w zadaniu. | CommandJobInputs |
Limity | Limit zadań poleceń. | CommandJobLimits |
Wyjść | Mapowanie powiązań danych wyjściowych używanych w zadaniu. | CommandJobOutputs |
zasoby | Konfiguracja zasobów obliczeniowych dla zadania. | Konfiguracja zasobu |
Konfiguracja dystrybucji
Nazwa | Opis | Wartość |
---|---|---|
distributionType | Ustawianie typu obiektu | Mpi PyTorch TensorFlow (wymagany) |
Mpi
Nazwa | Opis | Wartość |
---|---|---|
distributionType | [Wymagane] Określa typ struktury dystrybucji. | "Mpi" (wymagane) |
processCountPerInstance | Liczba procesów na węzeł MPI. | int |
PyTorch
Nazwa | Opis | Wartość |
---|---|---|
distributionType | [Wymagane] Określa typ struktury dystrybucji. | "PyTorch" (wymagane) |
processCountPerInstance | Liczba procesów na węzeł. | int |
TensorFlow
Nazwa | Opis | Wartość |
---|---|---|
distributionType | [Wymagane] Określa typ struktury dystrybucji. | "TensorFlow" (wymagane) |
parameterServerCount | Liczba zadań serwera parametrów. | int |
liczba procesów roboczych | Liczba procesów roboczych. Jeśli nie zostanie określony, wartość domyślna to liczba wystąpień. | int |
CommandJobEnvironmentVariables
Nazwa | Opis | Wartość |
---|---|---|
{niestandardowa właściwość} | ciąg |
CommandJobInputs
Nazwa | Opis | Wartość |
---|---|---|
{niestandardowa właściwość} | JobInput |
JobInput
Nazwa | Opis | Wartość |
---|---|---|
description (opis) | Opis danych wejściowych. | ciąg |
jobInputType | Ustawianie typu obiektu | Model niestandardowy Literał Model MLFlowModel Tabela MLTable TritonModel UriFile UriFolder (wymagany) |
CustomModelJobInput
Nazwa | Opis | Wartość |
---|---|---|
jobInputType | [Wymagane] Określa typ zadania. | "CustomModel" (wymagany) |
tryb | Tryb dostarczania zasobów wejściowych. | "Bezpośrednie" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
Identyfikator uri | [Wymagane] Identyfikator URI zasobu wejściowego. | ciąg (wymagany) Ograniczenia: Wzorzec = [a-zA-Z0-9_] |
LiterałJobInput
Nazwa | Opis | Wartość |
---|---|---|
jobInputType | [Wymagane] Określa typ zadania. | "Literał" (wymagany) |
wartość | [Wymagane] Wartość literału dla danych wejściowych. | ciąg (wymagany) Ograniczenia: Wzorzec = [a-zA-Z0-9_] |
MLFlowModelJobInput
Nazwa | Opis | Wartość |
---|---|---|
jobInputType | [Wymagane] Określa typ zadania. | "MLFlowModel" (wymagane) |
tryb | Tryb dostarczania zasobów wejściowych. | "Bezpośrednie" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
Identyfikator uri | [Wymagane] Identyfikator URI zasobu wejściowego. | ciąg (wymagany) Ograniczenia: Wzorzec = [a-zA-Z0-9_] |
TritonModelJobInput
Nazwa | Opis | Wartość |
---|---|---|
jobInputType | [Wymagane] Określa typ zadania. | "TritonModel" (wymagane) |
tryb | Tryb dostarczania zasobów wejściowych. | "Bezpośrednie" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
Identyfikator uri | [Wymagane] Identyfikator URI zasobu wejściowego. | ciąg (wymagany) Ograniczenia: Wzorzec = [a-zA-Z0-9_] |
UriFileJobInput
Nazwa | Opis | Wartość |
---|---|---|
jobInputType | [Wymagane] Określa typ zadania. | "UriFile" (wymagane) |
tryb | Tryb dostarczania zasobów wejściowych. | "Bezpośrednie" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
Identyfikator uri | [Wymagane] Identyfikator URI zasobu wejściowego. | ciąg (wymagany) Ograniczenia: Wzorzec = [a-zA-Z0-9_] |
UriFolderJobInput
Nazwa | Opis | Wartość |
---|---|---|
jobInputType | [Wymagane] Określa typ zadania. | "UriFolder" (wymagany) |
tryb | Tryb dostarczania zasobów wejściowych. | "Bezpośrednie" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
Identyfikator uri | [Wymagane] Identyfikator URI zasobu wejściowego. | ciąg (wymagany) Ograniczenia: Wzorzec = [a-zA-Z0-9_] |
CommandJobLimits
Nazwa | Opis | Wartość |
---|---|---|
jobLimitsType | [Wymagane] Typ JobLimit. | "Polecenie" "Zamiatanie" (wymagane) |
timeout | 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 |
---|---|---|
{niestandardowa właściwość} | JobOutput |
PipelineJob
Nazwa | Opis | Wartość |
---|---|---|
jobType | [Wymagane] Określa typ zadania. | "Potok" (wymagany) |
Wejścia | Dane wejściowe zadania potoku. | PipelineJobInputs |
Zadania | Zadania skonstruować zadanie potoku. | PipelineJobJobs |
Wyjść | Dane wyjściowe zadania potoku | PipelineJobOutputs |
ustawienia | Ustawienia potoku, takie jak ContinueRunOnStepFailure itp. |
PipelineJobInputs
Nazwa | Opis | Wartość |
---|---|---|
{niestandardowa właściwość} | JobInput |
PipelineJobJobs
Nazwa | Opis | Wartość |
---|---|---|
{niestandardowa właściwość} |
PipelineJobOutputs
Nazwa | Opis | Wartość |
---|---|---|
{niestandardowa właściwość} | JobOutput |
Zamiatanie
Nazwa | Opis | Wartość |
---|---|---|
jobType | [Wymagane] Określa typ zadania. | "Zamiatanie" (wymagane) |
earlyTermination | Zasady wczesnego zakończenia umożliwiają anulowanie przebiegów o niskiej wydajności przed ich ukończeniem | EarlyTerminationPolicy |
Wejścia | Mapowanie powiązań danych wejściowych używanych w zadaniu. | SweepJobInputs |
Limity | Zamiatanie limitu zadań. | SweepJobLimits |
Celem | [Wymagane] Cel optymalizacji. | Cel (wymagany) |
Wyjść | Mapowanie powiązań danych wyjściowych używanych w zadaniu. | SweepJobOutputs |
próbkowanieAlgorithm | [Wymagane] Algorytm próbkowania hiperparametrów | PróbkowanieAlgorithm (wymagane) |
searchSpace | [Wymagane] Słownik zawierający każdy parametr i jego rozkład. Klucz słownika jest nazwą parametru | |
trial | [Wymagane] Definicja składnika wersji próbnej. | TrialComponent (wymagany) |
SweepJobInputs
Nazwa | Opis | Wartość |
---|---|---|
{niestandardowa właściwość} | JobInput |
SweepJobLimits
Nazwa | Opis | Wartość |
---|---|---|
jobLimitsType | [Wymagane] Typ JobLimit. | "Polecenie" "Zamiatanie" (wymagane) |
maxConcurrentTrials | Zamiatanie zadania maksymalnie współbieżne wersje próbne. | int |
maxTotalTrials | Zamiatanie zadania maksymalna łączna liczba prób. | int |
timeout | Maksymalny czas trwania przebiegu w formacie ISO 8601, po którym zadanie zostanie anulowane. Obsługuje tylko czas trwania z dokładnością do sekund. | ciąg |
trialTimeout | Zamiatanie wartości limitu czasu wersji próbnej zadania. | ciąg |
Cel
Nazwa | Opis | Wartość |
---|---|---|
goal | [Wymagane] Definiuje obsługiwane cele metryk na potrzeby dostrajania hiperparametrów | "Maksymalizuj" "Minimalizuj" (wymagane) |
podstawowa metryka | [Wymagane] Nazwa metryki do optymalizacji. | ciąg (wymagany) Ograniczenia: Wzorzec = [a-zA-Z0-9_] |
SweepJobOutputs
Nazwa | Opis | Wartość |
---|---|---|
{niestandardowa właściwość} | JobOutput |
PróbkowanieAlgorithm
Nazwa | Opis | Wartość |
---|---|---|
samplingAlgorithmType | Ustawianie typu obiektu | Bayesian Siatki Losowe (wymagane) |
BayesianSamplingAlgorithm
Nazwa | Opis | Wartość |
---|---|---|
samplingAlgorithmType | [Wymagane] Algorytm używany do generowania wartości hiperparametrów wraz z właściwościami konfiguracji | "Bayesian" (wymagane) |
GridSamplingAlgorithm
Nazwa | Opis | Wartość |
---|---|---|
samplingAlgorithmType | [Wymagane] Algorytm używany do generowania wartości hiperparametrów wraz z właściwościami konfiguracji | "Grid" (wymagane) |
RandomSamplingAlgorithm
Nazwa | Opis | Wartość |
---|---|---|
samplingAlgorithmType | [Wymagane] Algorytm używany do generowania wartości hiperparametrów wraz z właściwościami konfiguracji | "Losowe" (wymagane) |
Reguły | Określony typ algorytmu losowego | "Losowe" "Sobol" |
Nasion | Opcjonalna liczba całkowita do użycia jako inicjator do generowania liczb losowych | int |
Wersja próbnaComponent
Nazwa | Opis | Wartość |
---|---|---|
codeId | Identyfikator zasobu usługi ARM zasobu kodu. | ciąg |
command | [Wymagane] Polecenie do wykonania podczas uruchamiania zadania. np. "python train.py" | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
Dystrybucji | Konfiguracja dystrybucji zadania. W przypadku ustawienia powinna to być jedna z wartości Mpi, Tensorflow, PyTorch lub null. | Konfiguracja dystrybucji |
environmentId | [Wymagane] Identyfikator zasobu usługi ARM specyfikacji środowiska dla zadania. | ciąg (wymagany) Ograniczenia: Wzorzec = [a-zA-Z0-9_] |
environmentVariables | Zmienne środowiskowe uwzględnione w zadaniu. | TrialComponentEnvironmentVariables |
zasoby | Konfiguracja zasobów obliczeniowych dla zadania. | Konfiguracja zasobu |
TrialComponentEnvironmentVariables
Nazwa | Opis | Wartość |
---|---|---|
{niestandardowa właściwość} | ciąg |
Szablony szybkiego startu
Następujące szablony szybkiego startu wdrażają ten typ zasobu.
Template | 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 najlepszego modelu 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 przy użyciu 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 narzędzia Terraform (dostawcy AzAPI)
Typ zasobu obszary robocze/zadania można wdrożyć z operacjami docelowymi:
- Grupy zasobów
Aby uzyskać listę zmienionych właściwości w każdej wersji interfejsu API, zobacz dziennik 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 = jsonencode({
properties = {
computeId = "string"
description = "string"
displayName = "string"
experimentName = "string"
identity = {
identityType = "string"
// For remaining properties, see IdentityConfiguration objects
}
isArchived = bool
properties = {
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
}
schedule = {
endTime = "string"
scheduleStatus = "string"
startTime = "string"
timeZone = "string"
scheduleType = "string"
// For remaining properties, see ScheduleBase objects
}
services = {
{customized property} = {
endpoint = "string"
jobServiceType = "string"
port = int
properties = {
{customized property} = "string"
}
}
}
tags = {
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
}
jobType = "string"
// For remaining properties, see JobBaseDetails objects
}
})
}
Obiekty JobBaseDetails
Ustaw właściwość jobType , aby określić typ obiektu.
W przypadku rozwiązania AutoML użyj:
jobType = "AutoML"
environmentId = "string"
environmentVariables = {
{customized property} = "string"
}
outputs = {
{customized property} = {
description = "string"
jobOutputType = "string"
// For remaining properties, see JobOutput objects
}
}
resources = {
instanceCount = int
instanceType = "string"
properties = {}
}
taskDetails = {
logVerbosity = "string"
taskType = "string"
// For remaining properties, see AutoMLVertical objects
}
W przypadku polecenia użyj polecenia:
jobType = "Command"
codeId = "string"
command = "string"
distribution = {
distributionType = "string"
// For remaining properties, see DistributionConfiguration objects
}
environmentId = "string"
environmentVariables = {
{customized property} = "string"
}
inputs = {
{customized property} = {
description = "string"
jobInputType = "string"
// For remaining properties, see JobInput objects
}
}
limits = {
jobLimitsType = "string"
timeout = "string"
}
outputs = {
{customized property} = {
description = "string"
jobOutputType = "string"
// For remaining properties, see JobOutput objects
}
}
resources = {
instanceCount = int
instanceType = "string"
properties = {}
}
W przypadku potoku użyj:
jobType = "Pipeline"
inputs = {
{customized property} = {
description = "string"
jobInputType = "string"
// For remaining properties, see JobInput objects
}
}
jobs = {}
outputs = {
{customized property} = {
description = "string"
jobOutputType = "string"
// For remaining properties, see JobOutput objects
}
}
W przypadku funkcji Sweep użyj polecenia:
jobType = "Sweep"
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
inputs = {
{customized property} = {
description = "string"
jobInputType = "string"
// For remaining properties, see JobInput objects
}
}
limits = {
jobLimitsType = "string"
maxConcurrentTrials = int
maxTotalTrials = int
timeout = "string"
trialTimeout = "string"
}
objective = {
goal = "string"
primaryMetric = "string"
}
outputs = {
{customized property} = {
description = "string"
jobOutputType = "string"
// For remaining properties, see JobOutput objects
}
}
samplingAlgorithm = {
samplingAlgorithmType = "string"
// For remaining properties, see SamplingAlgorithm objects
}
trial = {
codeId = "string"
command = "string"
distribution = {
distributionType = "string"
// For remaining properties, see DistributionConfiguration objects
}
environmentId = "string"
environmentVariables = {
{customized property} = "string"
}
resources = {
instanceCount = int
instanceType = "string"
properties = {}
}
}
Obiekty IdentityConfiguration
Ustaw właściwość identityType , aby określić typ obiektu.
W przypadku tokenu AMLToken użyj:
identityType = "AMLToken"
W przypadku opcji Zarządzane użyj:
identityType = "Managed"
clientId = "string"
objectId = "string"
resourceId = "string"
W przypadku elementu UserIdentity użyj:
identityType = "UserIdentity"
Obiekty ScheduleBase
Ustaw właściwość scheduleType , aby określić typ obiektu.
W przypadku Cron użyj:
scheduleType = "Cron"
expression = "string"
W przypadku cyklu użyj:
scheduleType = "Recurrence"
frequency = "string"
interval = int
pattern = {
hours = [
int
]
minutes = [
int
]
weekdays = [
"string"
]
}
Obiekty JobOutput
Ustaw właściwość jobOutputType , aby określić typ obiektu.
W przypadku modelu CustomModel użyj:
jobOutputType = "CustomModel"
mode = "string"
uri = "string"
W przypadku modelu MLFlowModel użyj:
jobOutputType = "MLFlowModel"
mode = "string"
uri = "string"
W przypadku tabeli MLTable użyj:
jobOutputType = "MLTable"
mode = "string"
uri = "string"
W przypadku modelu TritonModel użyj:
jobOutputType = "TritonModel"
mode = "string"
uri = "string"
W przypadku pliku UriFile użyj:
jobOutputType = "UriFile"
mode = "string"
uri = "string"
W przypadku elementu UriFolder użyj:
jobOutputType = "UriFolder"
mode = "string"
uri = "string"
Obiekty autoMLVertical
Ustaw właściwość taskType , aby określić typ obiektu.
W przypadku klasyfikacji użyj:
taskType = "Classification"
allowedModels = [
"string"
]
blockedModels = [
"string"
]
dataSettings = {
targetColumnName = "string"
testData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
testDataSize = int
}
trainingData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
}
validationData = {
cvSplitColumnNames = [
"string"
]
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
nCrossValidations = {
mode = "string"
// For remaining properties, see NCrossValidations objects
}
validationDataSize = int
}
weightColumnName = "string"
}
featurizationSettings = {
blockedTransformers = [
"string"
]
columnNameAndTypes = {
{customized property} = "string"
}
datasetLanguage = "string"
dropColumns = [
"string"
]
enableDnnFeaturization = bool
mode = "string"
transformerParams = {
{customized property} = [
{
fields = [
"string"
]
}
]
}
}
limitSettings = {
enableEarlyTermination = bool
exitScore = int
maxConcurrentTrials = int
maxCoresPerTrial = int
maxTrials = int
timeout = "string"
trialTimeout = "string"
}
primaryMetric = "string"
trainingSettings = {
enableDnnTraining = bool
enableModelExplainability = bool
enableOnnxCompatibleModels = bool
enableStackEnsemble = bool
enableVoteEnsemble = bool
ensembleModelDownloadTimeout = "string"
stackEnsembleSettings = {
stackMetaLearnerTrainPercentage = int
stackMetaLearnerType = "string"
}
}
W przypadku prognozowania użyj:
taskType = "Forecasting"
allowedModels = [
"string"
]
blockedModels = [
"string"
]
dataSettings = {
targetColumnName = "string"
testData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
testDataSize = int
}
trainingData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
}
validationData = {
cvSplitColumnNames = [
"string"
]
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
nCrossValidations = {
mode = "string"
// For remaining properties, see NCrossValidations objects
}
validationDataSize = int
}
weightColumnName = "string"
}
featurizationSettings = {
blockedTransformers = [
"string"
]
columnNameAndTypes = {
{customized property} = "string"
}
datasetLanguage = "string"
dropColumns = [
"string"
]
enableDnnFeaturization = bool
mode = "string"
transformerParams = {
{customized property} = [
{
fields = [
"string"
]
}
]
}
}
forecastingSettings = {
countryOrRegionForHolidays = "string"
cvStepSize = int
featureLags = "string"
forecastHorizon = {
mode = "string"
// For remaining properties, see ForecastHorizon objects
}
frequency = "string"
seasonality = {
mode = "string"
// For remaining properties, see Seasonality objects
}
shortSeriesHandlingConfig = "string"
targetAggregateFunction = "string"
targetLags = {
mode = "string"
// For remaining properties, see TargetLags objects
}
targetRollingWindowSize = {
mode = "string"
// For remaining properties, see TargetRollingWindowSize objects
}
timeColumnName = "string"
timeSeriesIdColumnNames = [
"string"
]
useStl = "string"
}
limitSettings = {
enableEarlyTermination = bool
exitScore = int
maxConcurrentTrials = int
maxCoresPerTrial = int
maxTrials = int
timeout = "string"
trialTimeout = "string"
}
primaryMetric = "string"
trainingSettings = {
enableDnnTraining = bool
enableModelExplainability = bool
enableOnnxCompatibleModels = bool
enableStackEnsemble = bool
enableVoteEnsemble = bool
ensembleModelDownloadTimeout = "string"
stackEnsembleSettings = {
stackMetaLearnerTrainPercentage = int
stackMetaLearnerType = "string"
}
}
W przypadku klasyfikacji obrazów użyj:
taskType = "ImageClassification"
dataSettings = {
targetColumnName = "string"
testData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
testDataSize = int
}
trainingData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
}
validationData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
validationDataSize = int
}
}
limitSettings = {
maxConcurrentTrials = int
maxTrials = int
timeout = "string"
}
modelSettings = {
advancedSettings = "string"
amsGradient = bool
augmentations = "string"
beta1 = int
beta2 = int
checkpointDatasetId = "string"
checkpointFilename = "string"
checkpointFrequency = int
checkpointRunId = "string"
distributed = bool
earlyStopping = bool
earlyStoppingDelay = int
earlyStoppingPatience = int
enableOnnxNormalization = bool
evaluationFrequency = int
gradientAccumulationStep = int
layersToFreeze = int
learningRate = int
learningRateScheduler = "string"
modelName = "string"
momentum = int
nesterov = bool
numberOfEpochs = int
numberOfWorkers = int
optimizer = "string"
randomSeed = int
splitRatio = int
stepLRGamma = int
stepLRStepSize = int
trainingBatchSize = int
trainingCropSize = int
validationBatchSize = int
validationCropSize = int
validationResizeSize = int
warmupCosineLRCycles = int
warmupCosineLRWarmupEpochs = int
weightDecay = int
weightedLoss = int
}
primaryMetric = "string"
searchSpace = [
{
amsGradient = "string"
augmentations = "string"
beta1 = "string"
beta2 = "string"
distributed = "string"
earlyStopping = "string"
earlyStoppingDelay = "string"
earlyStoppingPatience = "string"
enableOnnxNormalization = "string"
evaluationFrequency = "string"
gradientAccumulationStep = "string"
layersToFreeze = "string"
learningRate = "string"
learningRateScheduler = "string"
modelName = "string"
momentum = "string"
nesterov = "string"
numberOfEpochs = "string"
numberOfWorkers = "string"
optimizer = "string"
randomSeed = "string"
splitRatio = "string"
stepLRGamma = "string"
stepLRStepSize = "string"
trainingBatchSize = "string"
trainingCropSize = "string"
validationBatchSize = "string"
validationCropSize = "string"
validationResizeSize = "string"
warmupCosineLRCycles = "string"
warmupCosineLRWarmupEpochs = "string"
weightDecay = "string"
weightedLoss = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
limits = {
maxConcurrentTrials = int
maxTrials = int
}
samplingAlgorithm = "string"
}
W przypadku elementu ImageClassificationMultilabel użyj:
taskType = "ImageClassificationMultilabel"
dataSettings = {
targetColumnName = "string"
testData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
testDataSize = int
}
trainingData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
}
validationData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
validationDataSize = int
}
}
limitSettings = {
maxConcurrentTrials = int
maxTrials = int
timeout = "string"
}
modelSettings = {
advancedSettings = "string"
amsGradient = bool
augmentations = "string"
beta1 = int
beta2 = int
checkpointDatasetId = "string"
checkpointFilename = "string"
checkpointFrequency = int
checkpointRunId = "string"
distributed = bool
earlyStopping = bool
earlyStoppingDelay = int
earlyStoppingPatience = int
enableOnnxNormalization = bool
evaluationFrequency = int
gradientAccumulationStep = int
layersToFreeze = int
learningRate = int
learningRateScheduler = "string"
modelName = "string"
momentum = int
nesterov = bool
numberOfEpochs = int
numberOfWorkers = int
optimizer = "string"
randomSeed = int
splitRatio = int
stepLRGamma = int
stepLRStepSize = int
trainingBatchSize = int
trainingCropSize = int
validationBatchSize = int
validationCropSize = int
validationResizeSize = int
warmupCosineLRCycles = int
warmupCosineLRWarmupEpochs = int
weightDecay = int
weightedLoss = int
}
primaryMetric = "string"
searchSpace = [
{
amsGradient = "string"
augmentations = "string"
beta1 = "string"
beta2 = "string"
distributed = "string"
earlyStopping = "string"
earlyStoppingDelay = "string"
earlyStoppingPatience = "string"
enableOnnxNormalization = "string"
evaluationFrequency = "string"
gradientAccumulationStep = "string"
layersToFreeze = "string"
learningRate = "string"
learningRateScheduler = "string"
modelName = "string"
momentum = "string"
nesterov = "string"
numberOfEpochs = "string"
numberOfWorkers = "string"
optimizer = "string"
randomSeed = "string"
splitRatio = "string"
stepLRGamma = "string"
stepLRStepSize = "string"
trainingBatchSize = "string"
trainingCropSize = "string"
validationBatchSize = "string"
validationCropSize = "string"
validationResizeSize = "string"
warmupCosineLRCycles = "string"
warmupCosineLRWarmupEpochs = "string"
weightDecay = "string"
weightedLoss = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
limits = {
maxConcurrentTrials = int
maxTrials = int
}
samplingAlgorithm = "string"
}
W przypadku elementu ImageInstanceSegmentation użyj:
taskType = "ImageInstanceSegmentation"
dataSettings = {
targetColumnName = "string"
testData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
testDataSize = int
}
trainingData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
}
validationData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
validationDataSize = int
}
}
limitSettings = {
maxConcurrentTrials = int
maxTrials = int
timeout = "string"
}
modelSettings = {
advancedSettings = "string"
amsGradient = bool
augmentations = "string"
beta1 = int
beta2 = int
boxDetectionsPerImage = int
boxScoreThreshold = int
checkpointDatasetId = "string"
checkpointFilename = "string"
checkpointFrequency = int
checkpointRunId = "string"
distributed = bool
earlyStopping = bool
earlyStoppingDelay = int
earlyStoppingPatience = int
enableOnnxNormalization = bool
evaluationFrequency = int
gradientAccumulationStep = int
imageSize = int
layersToFreeze = int
learningRate = int
learningRateScheduler = "string"
maxSize = int
minSize = int
modelName = "string"
modelSize = "string"
momentum = int
multiScale = bool
nesterov = bool
nmsIouThreshold = int
numberOfEpochs = int
numberOfWorkers = int
optimizer = "string"
randomSeed = int
splitRatio = int
stepLRGamma = int
stepLRStepSize = int
tileGridSize = "string"
tileOverlapRatio = int
tilePredictionsNmsThreshold = int
trainingBatchSize = int
validationBatchSize = int
validationIouThreshold = int
validationMetricType = "string"
warmupCosineLRCycles = int
warmupCosineLRWarmupEpochs = int
weightDecay = int
}
primaryMetric = "MeanAveragePrecision"
searchSpace = [
{
amsGradient = "string"
augmentations = "string"
beta1 = "string"
beta2 = "string"
boxDetectionsPerImage = "string"
boxScoreThreshold = "string"
distributed = "string"
earlyStopping = "string"
earlyStoppingDelay = "string"
earlyStoppingPatience = "string"
enableOnnxNormalization = "string"
evaluationFrequency = "string"
gradientAccumulationStep = "string"
imageSize = "string"
layersToFreeze = "string"
learningRate = "string"
learningRateScheduler = "string"
maxSize = "string"
minSize = "string"
modelName = "string"
modelSize = "string"
momentum = "string"
multiScale = "string"
nesterov = "string"
nmsIouThreshold = "string"
numberOfEpochs = "string"
numberOfWorkers = "string"
optimizer = "string"
randomSeed = "string"
splitRatio = "string"
stepLRGamma = "string"
stepLRStepSize = "string"
tileGridSize = "string"
tileOverlapRatio = "string"
tilePredictionsNmsThreshold = "string"
trainingBatchSize = "string"
validationBatchSize = "string"
validationIouThreshold = "string"
validationMetricType = "string"
warmupCosineLRCycles = "string"
warmupCosineLRWarmupEpochs = "string"
weightDecay = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
limits = {
maxConcurrentTrials = int
maxTrials = int
}
samplingAlgorithm = "string"
}
W przypadku klasy ImageObjectDetection użyj:
taskType = "ImageObjectDetection"
dataSettings = {
targetColumnName = "string"
testData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
testDataSize = int
}
trainingData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
}
validationData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
validationDataSize = int
}
}
limitSettings = {
maxConcurrentTrials = int
maxTrials = int
timeout = "string"
}
modelSettings = {
advancedSettings = "string"
amsGradient = bool
augmentations = "string"
beta1 = int
beta2 = int
boxDetectionsPerImage = int
boxScoreThreshold = int
checkpointDatasetId = "string"
checkpointFilename = "string"
checkpointFrequency = int
checkpointRunId = "string"
distributed = bool
earlyStopping = bool
earlyStoppingDelay = int
earlyStoppingPatience = int
enableOnnxNormalization = bool
evaluationFrequency = int
gradientAccumulationStep = int
imageSize = int
layersToFreeze = int
learningRate = int
learningRateScheduler = "string"
maxSize = int
minSize = int
modelName = "string"
modelSize = "string"
momentum = int
multiScale = bool
nesterov = bool
nmsIouThreshold = int
numberOfEpochs = int
numberOfWorkers = int
optimizer = "string"
randomSeed = int
splitRatio = int
stepLRGamma = int
stepLRStepSize = int
tileGridSize = "string"
tileOverlapRatio = int
tilePredictionsNmsThreshold = int
trainingBatchSize = int
validationBatchSize = int
validationIouThreshold = int
validationMetricType = "string"
warmupCosineLRCycles = int
warmupCosineLRWarmupEpochs = int
weightDecay = int
}
primaryMetric = "MeanAveragePrecision"
searchSpace = [
{
amsGradient = "string"
augmentations = "string"
beta1 = "string"
beta2 = "string"
boxDetectionsPerImage = "string"
boxScoreThreshold = "string"
distributed = "string"
earlyStopping = "string"
earlyStoppingDelay = "string"
earlyStoppingPatience = "string"
enableOnnxNormalization = "string"
evaluationFrequency = "string"
gradientAccumulationStep = "string"
imageSize = "string"
layersToFreeze = "string"
learningRate = "string"
learningRateScheduler = "string"
maxSize = "string"
minSize = "string"
modelName = "string"
modelSize = "string"
momentum = "string"
multiScale = "string"
nesterov = "string"
nmsIouThreshold = "string"
numberOfEpochs = "string"
numberOfWorkers = "string"
optimizer = "string"
randomSeed = "string"
splitRatio = "string"
stepLRGamma = "string"
stepLRStepSize = "string"
tileGridSize = "string"
tileOverlapRatio = "string"
tilePredictionsNmsThreshold = "string"
trainingBatchSize = "string"
validationBatchSize = "string"
validationIouThreshold = "string"
validationMetricType = "string"
warmupCosineLRCycles = "string"
warmupCosineLRWarmupEpochs = "string"
weightDecay = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
limits = {
maxConcurrentTrials = int
maxTrials = int
}
samplingAlgorithm = "string"
}
W przypadku regresji użyj:
taskType = "Regression"
allowedModels = [
"string"
]
blockedModels = [
"string"
]
dataSettings = {
targetColumnName = "string"
testData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
testDataSize = int
}
trainingData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
}
validationData = {
cvSplitColumnNames = [
"string"
]
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
nCrossValidations = {
mode = "string"
// For remaining properties, see NCrossValidations objects
}
validationDataSize = int
}
weightColumnName = "string"
}
featurizationSettings = {
blockedTransformers = [
"string"
]
columnNameAndTypes = {
{customized property} = "string"
}
datasetLanguage = "string"
dropColumns = [
"string"
]
enableDnnFeaturization = bool
mode = "string"
transformerParams = {
{customized property} = [
{
fields = [
"string"
]
}
]
}
}
limitSettings = {
enableEarlyTermination = bool
exitScore = int
maxConcurrentTrials = int
maxCoresPerTrial = int
maxTrials = int
timeout = "string"
trialTimeout = "string"
}
primaryMetric = "string"
trainingSettings = {
enableDnnTraining = bool
enableModelExplainability = bool
enableOnnxCompatibleModels = bool
enableStackEnsemble = bool
enableVoteEnsemble = bool
ensembleModelDownloadTimeout = "string"
stackEnsembleSettings = {
stackMetaLearnerTrainPercentage = int
stackMetaLearnerType = "string"
}
}
W przypadku klasyfikacji tekstu użyj:
taskType = "TextClassification"
dataSettings = {
targetColumnName = "string"
testData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
testDataSize = int
}
trainingData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
}
validationData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
validationDataSize = int
}
}
featurizationSettings = {
datasetLanguage = "string"
}
limitSettings = {
maxConcurrentTrials = int
maxTrials = int
timeout = "string"
}
primaryMetric = "string"
W przypadku elementu TextClassificationMultilabel użyj:
taskType = "TextClassificationMultilabel"
dataSettings = {
targetColumnName = "string"
testData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
testDataSize = int
}
trainingData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
}
validationData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
validationDataSize = int
}
}
featurizationSettings = {
datasetLanguage = "string"
}
limitSettings = {
maxConcurrentTrials = int
maxTrials = int
timeout = "string"
}
W przypadku funkcji TextNER użyj:
taskType = "TextNER"
dataSettings = {
targetColumnName = "string"
testData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
testDataSize = int
}
trainingData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
}
validationData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
validationDataSize = int
}
}
featurizationSettings = {
datasetLanguage = "string"
}
limitSettings = {
maxConcurrentTrials = int
maxTrials = int
timeout = "string"
}
Obiekty NCrossValidations
Ustaw właściwość mode , aby określić typ obiektu.
W przypadku opcji Automatycznie użyj polecenia:
mode = "Auto"
W przypadku opcji Niestandardowe użyj:
mode = "Custom"
value = int
Obiekty ForecastHorizon
Ustaw właściwość mode , aby określić typ obiektu.
W przypadku opcji Automatycznie użyj polecenia:
mode = "Auto"
W przypadku opcji Niestandardowe użyj:
mode = "Custom"
value = int
Obiekty sezonowości
Ustaw właściwość mode , aby określić typ obiektu.
W przypadku opcji Automatycznie użyj polecenia:
mode = "Auto"
W przypadku opcji Niestandardowe użyj:
mode = "Custom"
value = int
Obiekty TargetLags
Ustaw właściwość mode , aby określić typ obiektu.
W przypadku opcji Automatycznie użyj polecenia:
mode = "Auto"
W przypadku opcji Niestandardowe użyj:
mode = "Custom"
values = [
int
]
Obiekty TargetRollingWindowSize
Ustaw właściwość mode , aby określić typ obiektu.
W przypadku opcji Automatycznie użyj polecenia:
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
Obiekty DistributionConfiguration
Ustaw właściwość distributionType , aby określić typ obiektu.
W przypadku interfejsu Mpi użyj:
distributionType = "Mpi"
processCountPerInstance = int
W przypadku biblioteki PyTorch użyj:
distributionType = "PyTorch"
processCountPerInstance = int
W przypadku biblioteki TensorFlow użyj:
distributionType = "TensorFlow"
parameterServerCount = int
workerCount = int
Obiekty JobInput
Ustaw właściwość jobInputType , aby określić typ obiektu.
W przypadku modelu CustomModel użyj:
jobInputType = "CustomModel"
mode = "string"
uri = "string"
W przypadku literału użyj:
jobInputType = "Literal"
value = "string"
W przypadku modelu MLFlowModel użyj:
jobInputType = "MLFlowModel"
mode = "string"
uri = "string"
W przypadku tabeli MLTable użyj:
jobInputType = "MLTable"
mode = "string"
uri = "string"
W przypadku modelu TritonModel użyj:
jobInputType = "TritonModel"
mode = "string"
uri = "string"
W przypadku pliku UriFile użyj:
jobInputType = "UriFile"
mode = "string"
uri = "string"
W przypadku elementu UriFolder użyj:
jobInputType = "UriFolder"
mode = "string"
uri = "string"
SamplingAlgorithm, obiekty
Ustaw właściwość samplingAlgorithmType , aby określić typ obiektu.
W przypadku bayesianu użyj:
samplingAlgorithmType = "Bayesian"
W przypadku usługi Grid użyj:
samplingAlgorithmType = "Grid"
W przypadku funkcji Losowe użyj:
samplingAlgorithmType = "Random"
rule = "string"
seed = int
Wartości właściwości
obszary robocze/zadania
Nazwa | Opis | Wartość |
---|---|---|
typ | Typ zasobu | "Microsoft.MachineLearningServices/workspaces/jobs@2022-02-01-preview" |
name | Nazwa zasobu | ciąg (wymagany) |
parent_id | Identyfikator zasobu, który jest elementem nadrzędnym dla tego zasobu. | Identyfikator zasobu typu: obszary robocze |
properties | [Wymagane] Dodatkowe atrybuty jednostki. | JobBaseDetails (wymagane) |
Szczegóły elementu JobBaseDetails
Nazwa | Opis | Wartość |
---|---|---|
computeId | Identyfikator zasobu usługi ARM zasobu obliczeniowego. | ciąg |
description (opis) | Tekst opisu zasobu. | ciąg |
displayName | Nazwa wyświetlana zadania. | ciąg |
experimentName | Nazwa eksperymentu, do którego należy zadanie. Jeśli nie zostanie ustawione, zadanie zostanie umieszczone w eksperymencie "Domyślny". | ciąg |
identity | 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 | Czy zasób jest archiwizowany? | bool |
properties | Słownik właściwości elementu zawartości. | Właściwości bazy danych zasobów |
schedule | Definicja harmonogramu zadania. Jeśli harmonogram nie zostanie podany, zadanie zostanie uruchomione raz i natychmiast po przesłaniu. |
Schedulebase |
services | Lista punktów końcowych zadań. W przypadku zadań lokalnych punkt końcowy zadania będzie miał wartość punktu końcowego FileStreamObject. |
JobBaseServices |
tags | Słownik tagów. Tagi można dodawać, usuwać i aktualizować. | object |
jobType | Ustawianie typu obiektu | AutoML Polecenie Potok Zamiatanie (wymagane) |
Identityconfiguration
Nazwa | Opis | Wartość |
---|---|---|
Identitytype | Ustawianie typu obiektu | Token AML Zarządzany UserIdentity (wymagane) |
Token AmlToken
Nazwa | Opis | Wartość |
---|---|---|
Identitytype | [Wymagane] Określa typ struktury tożsamości. | "AMLToken" (wymagane) |
ManagedIdentity
Nazwa | Opis | Wartość |
---|---|---|
Identitytype | [Wymagane] Określa typ struktury tożsamości. | "Zarządzane" (wymagane) |
clientId | Określa tożsamość przypisaną przez użytkownika według identyfikatora klienta. W przypadku przypisanego przez system pola nie należy ustawiać tego pola. | ciąg Ograniczenia: Minimalna długość = 36 Maksymalna długość = 36 Wzorzec = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$ |
objectId | Określa tożsamość przypisaną przez użytkownika według identyfikatora obiektu. W przypadku przypisanego przez system pola nie należy ustawiać tego pola. | ciąg Ograniczenia: Minimalna długość = 36 Maksymalna długość = 36 Wzorzec = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$ |
resourceId | Określa tożsamość przypisaną przez użytkownika według identyfikatora zasobu usługi ARM. W przypadku przypisanego przez system pola nie należy ustawiać tego pola. | ciąg |
UserIdentity
Nazwa | Opis | Wartość |
---|---|---|
Identitytype | [Wymagane] Określa typ struktury tożsamości. | "UserIdentity" (wymagane) |
Właściwości bazy danych zasobów
Nazwa | Opis | Wartość |
---|---|---|
{niestandardowa właściwość} | ciąg | |
{niestandardowa właściwość} | ciąg | |
{niestandardowa właściwość} | ciąg | |
{niestandardowa właściwość} | ciąg | |
{niestandardowa właściwość} | ciąg | |
{niestandardowa właściwość} | ciąg | |
{niestandardowa właściwość} | ciąg | |
{niestandardowa właściwość} | ciąg | |
{niestandardowa właściwość} | ciąg | |
{niestandardowa właściwość} | ciąg | |
{niestandardowa właściwość} | ciąg | |
{niestandardowa właściwość} | ciąg |
Schedulebase
Nazwa | Opis | Wartość |
---|---|---|
endTime | Określa godzinę zakończenia harmonogramu w formacie ISO 8601. Jeśli nie istnieje, harmonogram będzie uruchamiany w nieskończoność |
ciąg |
scheduleStatus | Określa stan harmonogramu | "Wyłączone" "Włączone" |
startTime | Określa godzinę rozpoczęcia harmonogramu w formacie ISO 8601. | ciąg |
timeZone | Określa strefę czasową, w której jest uruchamiany harmonogram. Strefa czasowa powinna być zgodna z formatem strefy czasowej systemu Windows. |
ciąg |
scheduleType | Ustawianie typu obiektu | Cron Cykl (wymagany) |
CronSchedule
Nazwa | Opis | Wartość |
---|---|---|
scheduleType | [Wymagane] Określa typ harmonogramu | "Cron" (wymagane) |
expression | [Wymagane] Określa wyrażenie cron harmonogramu. Wyrażenie powinno być zgodne z formatem NCronTab. |
ciąg (wymagany) Ograniczenia: Wzorzec = [a-zA-Z0-9_] |
Cyklschedule
Nazwa | Opis | Wartość |
---|---|---|
scheduleType | [Wymagane] Określa typ harmonogramu | "Cykl" (wymagany) |
frequency | [Wymagane] Określa częstotliwość wyzwalania harmonogramu | "Dzień" "Godzina" "Minuta" "Miesiąc" "Tydzień" (wymagany) |
interval | [Wymagane] Określa interwał harmonogramu w połączeniu z częstotliwością | int (wymagane) |
Wzór | Określa wzorzec harmonogramu cyklu | Recurrencepattern |
Recurrencepattern
Nazwa | Opis | Wartość |
---|---|---|
godziny | [Wymagane] Lista godzin wzorca harmonogramu cyklu | int[] (wymagane) |
minutes | [Wymagane] Lista minut dla wzorca harmonogramu cyklu | int[] (wymagane) |
Dni powszednie | Lista dni roboczych dla wzorca harmonogramu cyklu | Tablica ciągów zawierająca dowolną z: "Piątek" "Poniedziałek" "Sobota" "Niedziela" "Czwartek" "Wtorek" "Środa" |
JobBaseServices
Nazwa | Opis | Wartość |
---|---|---|
{niestandardowa właściwość} | JobService |
JobService
Nazwa | Opis | Wartość |
---|---|---|
endpoint | Adres URL punktu końcowego. | ciąg |
jobServiceType | Typ punktu końcowego. | ciąg |
port | Port dla punktu końcowego. | int |
properties | Dodatkowe właściwości do ustawienia w punkcie końcowym. | Właściwości usługi zadań |
Właściwości usługi zadań
Nazwa | Opis | Wartość |
---|---|---|
{niestandardowa właściwość} | ciąg |
AutoMLJob
Nazwa | Opis | Wartość |
---|---|---|
jobType | [Wymagane] Określa typ zadania. | "AutoML" (wymagane) |
environmentId | Identyfikator zasobu usługi ARM specyfikacji środowiska dla zadania. Ta wartość jest opcjonalna, aby podać, jeśli nie zostanie podana, rozwiązanie AutoML spowoduje domyślne ustawienie wersji środowiska wyselekcjonowanych w środowisku produkcyjnym podczas uruchamiania zadania. |
ciąg |
environmentVariables | Zmienne środowiskowe uwzględnione w zadaniu. | AutoMLJobEnvironmentVariables |
Wyjść | Mapowanie powiązań danych wyjściowych używanych w zadaniu. | AutoMLJobOutputs |
zasoby | Konfiguracja zasobów obliczeniowych dla zadania. | Konfiguracja zasobu |
taskDetails | [Wymagane] Reprezentuje scenariusz, który może być jedną z tabel/nlp/obrazu | AutoMLVertical (wymagane) |
AutoMLJobEnvironmentVariables
Nazwa | Opis | Wartość |
---|---|---|
{niestandardowa właściwość} | ciąg |
AutoMLJobOutputs
Nazwa | Opis | Wartość |
---|---|---|
{niestandardowa właściwość} | JobOutput |
JobOutput
Nazwa | Opis | Wartość |
---|---|---|
description (opis) | Opis danych wyjściowych. | ciąg |
jobOutputType | Ustawianie typu obiektu | Model niestandardowy Model MLFlowModel Tabela MLTable TritonModel UriFile UriFolder (wymagany) |
CustomModelJobOutput
Nazwa | Opis | Wartość |
---|---|---|
jobOutputType | [Wymagane] Określa typ zadania. | "CustomModel" (wymagany) |
tryb | Tryb dostarczania zasobów wyjściowych. | "ReadWriteMount" "Przekaż" |
Identyfikator uri | Identyfikator URI elementu zawartości wyjściowej. | ciąg |
MLFlowModelJobOutput
Nazwa | Opis | Wartość |
---|---|---|
jobOutputType | [Wymagane] Określa typ zadania. | "MLFlowModel" (wymagane) |
tryb | Tryb dostarczania zasobów wyjściowych. | "ReadWriteMount" "Przekaż" |
Identyfikator uri | Identyfikator URI elementu zawartości wyjściowej. | ciąg |
MlTableJobOutput
Nazwa | Opis | Wartość |
---|---|---|
jobOutputType | [Wymagane] Określa typ zadania. | "MLTable" (wymagane) |
tryb | Tryb dostarczania zasobów wyjściowych. | "ReadWriteMount" "Przekaż" |
Identyfikator uri | Identyfikator URI elementu zawartości wyjściowej. | ciąg |
TritonModelJobOutput
Nazwa | Opis | Wartość |
---|---|---|
jobOutputType | [Wymagane] Określa typ zadania. | "TritonModel" (wymagane) |
tryb | Tryb dostarczania zasobów wyjściowych. | "ReadWriteMount" "Przekaż" |
Identyfikator uri | Identyfikator URI elementu zawartości wyjściowej. | ciąg |
UriFileJobOutput
Nazwa | Opis | Wartość |
---|---|---|
jobOutputType | [Wymagane] Określa typ zadania. | "UriFile" (wymagane) |
tryb | Tryb dostarczania zasobów wyjściowych. | "ReadWriteMount" "Przekaż" |
Identyfikator uri | Identyfikator URI elementu zawartości wyjściowej. | ciąg |
UriFolderJobOutput
Nazwa | Opis | Wartość |
---|---|---|
jobOutputType | [Wymagane] Określa typ zadania. | "UriFolder" (wymagany) |
tryb | Tryb dostarczania zasobów wyjściowych. | "ReadWriteMount" "Przekaż" |
Identyfikator uri | Identyfikator URI elementu zawartości wyjściowej. | ciąg |
Konfiguracja zasobu
Nazwa | Opis | Wartość |
---|---|---|
instanceCount | Opcjonalna liczba wystąpień lub węzłów używanych przez docelowy obiekt obliczeniowy. | int |
Instancetype | Opcjonalny typ maszyny wirtualnej używany jako obsługiwany przez docelowy obiekt obliczeniowy. | ciąg |
properties | Dodatkowa torba na właściwości. | ResourceConfigurationProperties |
ResourceConfigurationProperties
Nazwa | Opis | Wartość |
---|---|---|
{niestandardowa właściwość} |
AutoMLVertical
Nazwa | Opis | Wartość |
---|---|---|
logVerbosity | Rejestrowanie szczegółowości zadania. | "Krytyczne" "Debuguj" "Błąd" "Informacje" "NotSet" "Ostrzeżenie" |
Tasktype | Ustawianie typu obiektu | Klasyfikacji Prognozowanie ImageClassification ImageClassificationMultilabel ImageInstanceSegmentation ImageObjectDetection Regresja TextClassification TextClassificationMultilabel TextNER (wymagane) |
Klasyfikacja
Nazwa | Opis | Wartość |
---|---|---|
Tasktype | [Wymagane] Typ zadania dla zadania AutoMLJob. | "Klasyfikacja" (wymagana) |
allowedModels | Dozwolone modele dla zadania klasyfikacji. | Tablica ciągów zawierająca dowolną z: "BernoulliNaiveBayes" "DecisionTree" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LightGBM" "LinearSVM" "LogisticsRegression" "MultinomialNaiveBayes" "RandomForest" "SGD" "SVM" "XGBoostClassifier" |
blockedModels | Zablokowane modele dla zadania klasyfikacji. | Tablica ciągów zawierająca dowolną z: "BernoulliNaiveBayes" "DecisionTree" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LightGBM" "LinearSVM" "LogisticsRegression" "MultinomialNaiveBayes" "RandomForest" "SGD" "SVM" "XGBoostClassifier" |
dataSettings | Dane wejściowe dla zadania AutoMLJob. | TableVerticalDataSettings |
cechowanieUstawienia | Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML. | TableVerticalFeaturizationSettings |
limitSettings | Ograniczenia wykonywania dla zadania AutoMLJob. | TableVerticalLimitSettings |
primaryMetric | Podstawowa metryka zadania. | "AUCWeighted" "Dokładność" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted" |
trainingSettings | Dane wejściowe fazy trenowania dla zadania zautomatyzowanego uczenia maszynowego. | TrainingSettings |
TableVerticalDataSettings
Nazwa | Opis | Wartość |
---|---|---|
targetColumnName | [Wymagane] Nazwa kolumny docelowej: jest to kolumna wartości przewidywania. Znana również jako nazwa kolumny etykiety w kontekście zadań klasyfikacji. |
ciąg (wymagany) Ograniczenia: Wzorzec = [a-zA-Z0-9_] |
Testdata | Testowanie danych wejściowych. | TestDataSettings |
trainingData | [Wymagane] Dane wejściowe danych szkoleniowych. | TrainingDataSettings (wymagane) |
validationData | Dane wejściowe danych walidacji. | TableVerticalValidationDataSettings |
weightColumnName | Nazwa przykładowej kolumny wagi. Zautomatyzowane uczenie maszynowe obsługuje kolumnę ważoną jako dane wejściowe, co powoduje, że wiersze w danych mają być ważone w górę lub w dół. | ciąg |
TestDataSettings
Nazwa | Opis | Wartość |
---|---|---|
dane | Testowanie danych MLTable. | MlTableJobInput |
testDataSize | Ułamek zestawu danych testowych, który należy odłożyć do celów walidacji. Wartości z zakresu od (0,0, 1,0) Zastosowano, gdy zestaw danych sprawdzania poprawności nie został podany. |
int |
MlTableJobInput
Nazwa | Opis | Wartość |
---|---|---|
description (opis) | Opis danych wejściowych. | ciąg |
jobInputType | [Wymagane] Określa typ zadania. | "CustomModel" "Literał" "MLFlowModel" "MLTable" "TritonModel" "UriFile" "UriFolder" (wymagany) |
tryb | Tryb dostarczania zasobów wejściowych. | "Bezpośrednie" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
Identyfikator uri | [Wymagane] Identyfikator URI zasobu wejściowego. | ciąg (wymagany) Ograniczenia: Wzorzec = [a-zA-Z0-9_] |
TrainingDataSettings
Nazwa | Opis | Wartość |
---|---|---|
dane | [Wymagane] Trenowanie danych MLTable. | MLTableJobInput (wymagane) |
TableVerticalValidationDataSettings
Nazwa | Opis | Wartość |
---|---|---|
cvSplitColumnNames | Kolumny do użycia dla danych CVSplit. | ciąg[] |
dane | Tabela MLTable danych weryfikacji. | MLTableJobInput |
nCrossValidations | Liczba składań krzyżowych do zastosowania w zestawie danych szkoleniowych jeśli zestaw danych weryfikacji nie jest podany. |
NCrossValidations |
validationDataSize | Ułamek zestawu danych trenowania, który musi zostać odłożone na potrzeby walidacji. Wartości z zakresu (0.0, 1.0) Zastosowano, gdy nie podano zestawu danych weryfikacji. |
int |
NCrossValidations
Nazwa | Opis | Wartość |
---|---|---|
tryb | Ustawianie typu obiektu | Automatycznie Niestandardowe (wymagane) |
AutoNCrossValidations
Nazwa | Opis | Wartość |
---|---|---|
tryb | [Wymagane] Tryb określania poprawności N-Cross. | "Auto" (wymagane) |
CustomNCrossValidations
Nazwa | Opis | Wartość |
---|---|---|
tryb | [Wymagane] Tryb określania poprawności N-Cross. | "Niestandardowe" (wymagane) |
wartość | [Wymagane] Wartość N-Cross validations.N-Cross validations (N-Cross validations). | int (wymagane) |
TableVerticalFeaturizationSettings
Nazwa | Opis | Wartość |
---|---|---|
blockedTransformers | Transformatory te nie są stosowane w cechowaniu. | ciąg[] |
columnNameAndTypes | Słownik nazwy kolumny i jego typu (int, float, string, datetime itp.). | TableVerticalFeaturizationSettingsColumnNameAndTypes |
datasetLanguage | Język zestawu danych, przydatny dla danych tekstowych. | ciąg |
dropColumns | Kolumny, które mają zostać porzucone z danych podczas cechowania. | ciąg[] |
enableDnnFeaturization | 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 niezbędną transformacją danych w fazie cechowania. Jeśli wybrano opcję "Wył.", nie jest wykonywana cechowanie. Jeśli wybrano opcję "Niestandardowe", użytkownik może określić dodatkowe dane wejściowe, aby dostosować sposób wykonywania cech. |
"Auto" "Niestandardowe" "Wyłączone" |
transformerParams | Użytkownik może określić dodatkowe transformatory, które mają być używane wraz z kolumnami, do których zostanie zastosowana, i parametry konstruktora transformatora. | TableVerticalFeaturizationSettingsTransformerParams |
TableVerticalFeaturizationSettingsColumnNameAndTypes
Nazwa | Opis | Wartość |
---|---|---|
{niestandardowa właściwość} | ciąg |
TableVerticalFeaturizationSettingsTransformerParams
Nazwa | Opis | Wartość |
---|---|---|
{niestandardowa właściwość} | ColumnTransformer[] |
ColumnTransformer
Nazwa | Opis | Wartość |
---|---|---|
fields | Pola do stosowania logiki przekształcania. | ciąg[] |
parameters | Różne właściwości, które mają być przekazywane do transformatora. Oczekiwano danych wejściowych to słownik par klucz,wartość w formacie JSON. |
TableVerticalLimitSettings
Nazwa | Opis | Wartość |
---|---|---|
enableEarlyTermination | Włącz wczesne zakończenie, określa, czy funkcja AutoMLJob zakończy się wcześnie, jeśli w ciągu ostatnich 20 iteracji nie ma poprawy wyników. | bool |
exitScore | Wynik zakończenia zadania rozwiązania AutoML. | int |
maxConcurrentTrials | Maksymalna liczba iteracji współbieżnych. | int |
maxCoresPerTrial | Maksymalna liczba rdzeni na iterację. | int |
maxTrials | Liczba iteracji. | int |
timeout | Limit czasu zadania automatycznego uczenia maszynowego. | ciąg |
trialTimeout | Limit czasu iteracji. | ciąg |
TrainingSettings
Nazwa | Opis | Wartość |
---|---|---|
enableDnnTraining | Włącz rekomendację modeli sieci DNN. | bool |
enableModelExplainability | Flaga włączania objaśnienia dla najlepszego modelu. | bool |
enableOnnxCompatibleModels | Flaga włączania modeli zgodnych z programem onnx. | bool |
enableStackEnsemble | Włącz uruchamianie zespołu stosu. | bool |
enableVoteEnsemble | Włącz uruchamianie zespołu głosowania. | bool |
ensembleModelDownloadTimeout | Podczas generowania modelu VotingEnsemble i StackEnsemble pobierane są wiele dopasowanych modeli z poprzednich przebiegów podrzędnych. Skonfiguruj ten parametr o wyższej wartości niż 300 sekund, jeśli potrzebny jest więcej czasu. |
ciąg |
stackEnsembleSettings | Ustawienia zespołu stosu dla przebiegu zespołu stosu. | StackEnsembleSettings |
StackEnsembleSettings
Nazwa | Opis | Wartość |
---|---|---|
stackMetaLearnerKWargs | Opcjonalne parametry, które mają być przekazywane do inicjatora meta-ucznia. | |
stackMetaLearnerTrainPercentage | Określa proporcję zestawu treningowego (podczas wybierania typu trenowania i sprawdzania poprawności trenowania), który ma być zarezerwowany do trenowania meta-ucznia. Wartość domyślna to 0,2. | int |
stackMetaLearnerType | Metauczeń to model wyszkolony na podstawie danych wyjściowych poszczególnych modeli heterogenicznych. | "ElasticNet" "ElasticNetCV" "LightGBMClassifier" "LightGBMRegressor" "LinearRegression" "LogisticsRegression" "LogisticsRegressionCV" "Brak" |
Prognozowanie
Nazwa | Opis | Wartość |
---|---|---|
Tasktype | [Wymagane] Typ zadania dla zadania AutoMLJob. | "Prognozowanie" (wymagane) |
allowedModels | Dozwolone modele na potrzeby zadania prognozowania. | Tablica ciągów zawierająca dowolną z: "Arimax" "Autoarima" "Średnia" "DecisionTree" "ElasticNet" "ExponentialSmoothing" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "Naiwny" "Prorok" "RandomForest" "SGD" "SeasonalAverage" "SeasonalNaive" "TCNForecaster" "XGBoostRegressor" |
blockedModels | Zablokowane modele do prognozowania zadania. | Tablica ciągów zawierająca dowolną z: "Arimax" "Autoarima" "Średnia" "DecisionTree" "ElasticNet" "ExponentialSmoothing" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "Naiwny" "Prorok" "RandomForest" "SGD" "Sezonowaprzedaż" "SeasonalNaive" "TCNForecaster" "XGBoostRegressor" |
dataSettings | Dane wejściowe dla zadania AutoMLJob. | TableVerticalDataSettings |
cechowanieUstawienia | Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML. | TableVerticalFeaturizationSettings |
forecastingSettings | Dane wejściowe specyficzne dla zadania prognozowania. | Prognozowanieuustawienia |
limitSettings | Ograniczenia wykonywania dla zadania AutoMLJob. | TableVerticalLimitSettings |
primaryMetric | Podstawowa metryka zadania prognozowania. | "NormalizedMeanAbsoluteError" "NormalizedRootMeanSquaredError" "R2Score" "SpearmanCorrelation" |
trainingSettings | Dane wejściowe fazy trenowania dla zadania zautomatyzowanego uczenia maszynowego. | TrainingSettings |
Prognozowanieuustawienia
Nazwa | Opis | Wartość |
---|---|---|
countryOrRegionForHolidays | Kraj lub region na potrzeby świąt na potrzeby zadań prognozowania. Powinny to być dwuliterowe kody kraju/regionu ISO 3166, na przykład "USA" lub "GB". |
ciąg |
cvStepSize | Liczba okresów między godziną początkową jednej krotnie CV a następną krotą. W przypadku programu na przykład jeśli CVStepSize = 3 dla danych dziennych, czas pochodzenia dla każdej krotnie będzietrzy dni od siebie. |
int |
featureLags | Flaga generowania opóźnień dla funkcji liczbowych z wartością "auto" lub null. | "Auto" "Brak" |
forecastHorizon | Żądany maksymalny horyzont prognozy w jednostkach częstotliwości szeregów czasowych. | PrognozaHorizon |
frequency | Podczas prognozowania ten parametr reprezentuje okres, z którym jest wymagana prognoza, na przykład codziennie, co tydzień, co rok itp. Częstotliwość prognozowania jest domyślnie częstotliwością zestawów danych. | ciąg |
Sezonowości | Ustaw sezonowość szeregów czasowych jako liczbę całkowitą częstotliwości serii. Jeśli sezonowość jest ustawiona na wartość "auto", zostanie ona wywnioskowana. |
Sezonowości |
shortSeriesHandlingConfig | Parametr definiujący sposób obsługi krótkich szeregów czasowych przez rozwiązanie AutoML. | "Auto" "Drop" "Brak" "Pad" |
targetAggregateFunction | Funkcja, która ma być 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 | Liczba poprzednich okresów do opóźnienia z kolumny docelowej. | TargetLags |
targetRollingWindowSize | Liczba poprzednich okresów użytych do utworzenia średniej okna kroczącego kolumny docelowej. | TargetRollingWindowSize |
timeColumnName | Nazwa kolumny czasu. Ten parametr jest wymagany podczas prognozowania w celu określenia kolumny datetime w danych wejściowych używanych do tworzenia szeregów czasowych i wnioskowania jego częstotliwości. | ciąg |
timeSeriesIdColumnNames | Nazwy kolumn używanych do grupowania przedziałów czasu. 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[] |
useStl | Skonfiguruj dekompozycję STL kolumny docelowej szeregów czasowych. | "Brak" "Sezon" "SeasonTrend" |
PrognozaHorizon
Nazwa | Opis | Wartość |
---|---|---|
tryb | Ustawianie typu obiektu | Automatycznie Niestandardowe (wymagane) |
AutoForecastHorizon
Nazwa | Opis | Wartość |
---|---|---|
tryb | [Wymagane] Ustaw tryb wyboru wartości horyzontu prognozy. | "Auto" (wymagane) |
CustomForecastHorizon
Nazwa | Opis | Wartość |
---|---|---|
tryb | [Wymagane] Ustaw tryb wyboru wartości horyzontu prognozy. | "Niestandardowe" (wymagane) |
wartość | [Wymagane] Wartość horyzontu prognozy. | int (wymagane) |
Sezonowość
Nazwa | Opis | Wartość |
---|---|---|
tryb | Ustawianie typu obiektu | Automatycznie Niestandardowe (wymagane) |
AutoSeasonity
Nazwa | Opis | Wartość |
---|---|---|
tryb | [Wymagane] Tryb sezonowości. | "Auto" (wymagane) |
CustomSeasonality
Nazwa | Opis | Wartość |
---|---|---|
tryb | [Wymagane] Tryb sezonowości. | "Niestandardowe" (wymagane) |
wartość | [Wymagane] Wartość sezonowa. | int (wymagane) |
TargetLags
Nazwa | Opis | Wartość |
---|---|---|
tryb | Ustawianie typu obiektu | Automatycznie Niestandardowe (wymagane) |
AutoTargetLags
Nazwa | Opis | Wartość |
---|---|---|
tryb | [Wymagane] Ustawianie trybu opóźnień docelowych — automatyczne/niestandardowe | "Auto" (wymagane) |
CustomTargetLags
Nazwa | Opis | Wartość |
---|---|---|
tryb | [Wymagane] Ustawianie trybu opóźnień docelowych — automatyczne/niestandardowe | "Niestandardowe" (wymagane) |
values | [Wymagane] Ustaw wartości opóźnień docelowych. | int[] (wymagane) |
TargetRollingWindowSize
Nazwa | Opis | Wartość |
---|---|---|
tryb | Ustawianie typu obiektu | Automatycznie Niestandardowe (wymagane) |
AutoTargetRollingWindowSize
Nazwa | Opis | Wartość |
---|---|---|
tryb | [Wymagane] TargetRollingWindowSiz — tryb wykrywania. | "Auto" (wymagane) |
CustomTargetRollingWindowSize
Nazwa | Opis | Wartość |
---|---|---|
tryb | [Wymagane] TargetRollingWindowSiz — tryb wykrywania. | "Niestandardowe" (wymagane) |
wartość | [Wymagane] Wartość TargetRollingWindowSize. | int (wymagane) |
ImageClassification
Nazwa | Opis | Wartość |
---|---|---|
Tasktype | [Wymagane] Typ zadania dla zadania AutoMLJob. | "ImageClassification" (wymagane) |
dataSettings | [Wymagane] Kolekcja zarejestrowanych identyfikatorów tabelarycznego zestawu danych i innych ustawień danych wymaganych do trenowania i weryfikowania modeli. | ImageVerticalDataSettings (wymagane) |
limitSettings | [Wymagane] Ogranicz ustawienia zadania automatycznego uczenia maszynowego. | ImageLimitSettings (wymagane) |
modelSettings | Ustawienia używane do trenowania modelu. | ImageModelSettingsClassification |
podstawowa metryka | Podstawowa metryka do optymalizacji pod kątem tego zadania. | "AUCWeighted" "Dokładność" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted" |
searchSpace | Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów. | ImageModelDistributionSettingsClassification[] |
sweepSettings | Zamiatanie modelu i hiperparametr zamiatanie powiązanych ustawień. | ImageSweepSettings |
ImageVerticalDataSettings
Nazwa | Opis | Wartość |
---|---|---|
targetColumnName | [Wymagane] Nazwa kolumny docelowej: jest to kolumna wartości przewidywania. Znana również jako nazwa kolumny etykiety w kontekście zadań klasyfikacji. |
ciąg (wymagany) Ograniczenia: Wzorzec = [a-zA-Z0-9_] |
Testdata | Testowanie danych wejściowych. | TestDataSettings |
trainingData | [Wymagane] Dane wejściowe danych szkoleniowych. | TrainingDataSettings (wymagane) |
validationData | Ustawienia zestawu danych weryfikacji. | ImageVerticalValidationDataSettings |
ImageVerticalValidationDataSettings
Nazwa | Opis | Wartość |
---|---|---|
dane | Tabela MLTable danych weryfikacji. | MLTableJobInput |
validationDataSize | Ułamek zestawu danych trenowania, który musi zostać odłożone na potrzeby walidacji. Wartości z zakresu (0.0, 1.0) Zastosowano, gdy nie podano zestawu danych weryfikacji. |
int |
ImageLimitSettings
Nazwa | Opis | Wartość |
---|---|---|
maxConcurrentTrials | Maksymalna liczba współbieżnych iteracji rozwiązania AutoML. | int |
maxTrials | Maksymalna liczba iteracji rozwiązania AutoML. | int |
timeout | Limit czasu zadania automatycznego uczenia maszynowego. | ciąg |
ImageModelSettingsClassification
Nazwa | Opis | Wartość |
---|---|---|
advancedSettings | Ustawienia dla zaawansowanych scenariuszy. | ciąg |
amsGradient | Włącz narzędzie AMSGrad, gdy optymalizator ma wartość "adam" lub "adamw". | bool |
rozszerzenia | Ustawienia dotyczące korzystania z rozszerzeń. | ciąg |
beta1 | Wartość "beta1", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie [0, 1]. | int |
beta2 | Wartość "beta2", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkiem w zakresie [0, 1]. | int |
checkpointDatasetId | FileDataset id dla wstępnie wytrenowanych punktów kontrolnych na potrzeby trenowania przyrostowego. Pamiętaj, aby przekazać wartość CheckpointFilename wraz z elementem CheckpointDatasetId. |
ciąg |
checkpointFilename | Wstępnie wytrenowana nazwa pliku punktu kontrolnego w zestawie plików na potrzeby trenowania przyrostowego. Pamiętaj, aby przekazać wartość CheckpointDatasetId wraz z elementem CheckpointFilename. |
ciąg |
checkpointFrequency | Częstotliwość przechowywania punktów kontrolnych modelu. Musi być dodatnią liczbą całkowitą. | int |
checkpointRunId | Identyfikator poprzedniego przebiegu, który ma wstępnie wytrenowany punkt kontrolny na potrzeby trenowania przyrostowego. | ciąg |
Rozproszonych | Czy należy używać trenowania rozproszonego. | bool |
earlyStopping | Włącz logikę wczesnego zatrzymywania podczas trenowania. | bool |
earlyStoppingDelay | Minimalna liczba epok lub ocen poprawności, które należy zaczekać przed ulepszeniem podstawowej metryki jest śledzony w celu wczesnego zatrzymania. Musi być dodatnią liczbą całkowitą. |
int |
earlyStoppingPatience | Minimalna liczba epok lub ocen poprawności bez podstawowej poprawy metryki przed przebieg zostanie zatrzymany. Musi być dodatnią liczbą całkowitą. |
int |
enableOnnxNormalization | Włącz normalizację podczas eksportowania modelu ONNX. | bool |
evaluationFrequency | Częstotliwość oceniania zestawu danych weryfikacji w celu uzyskania wyników metryk. Musi być dodatnią liczbą całkowitą. | int |
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 |
layersToFreeze | Liczba warstw, które mają być blokowane dla modelu. Musi być dodatnią liczbą całkowitą. Na przykład przekazanie wartości 2 jako wartości dla "seresnext" oznacza warstwy 0 i warstwy 1. Aby uzyskać pełną listę obsługiwanych modeli i szczegóły dotyczące blokowania warstwy, proszę Zobacz: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
int |
learningRate | Początkowa szybkość nauki. Musi być zmiennoprzecinkiem w zakresie [0, 1]. | int |
learningRateScheduler | Typ harmonogramu szybkości nauki. Musi mieć wartość "warmup_cosine" lub "krok". | "Brak" "Krok" "WarmupCosine" |
Modelname | Nazwa modelu, który ma być używany do trenowania. Aby uzyskać więcej informacji na temat dostępnych modeli, odwiedź oficjalną dokumentację: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
ciąg |
Tempa | Wartość tempa, gdy optymalizator ma wartość "sgd". Musi być zmiennoprzecinkiem w zakresie [0, 1]. | int |
nesterov | Włącz nesterov, gdy optymalizator ma wartość "sgd". | bool |
numberOfEpochs | Liczba epok treningowych. Musi być dodatnią liczbą całkowitą. | int |
numberOfWorkers | Liczba procesów roboczych modułu ładującego dane. Musi być nieujemną liczbą całkowitą. | int |
Optymalizator | Typ optymalizatora. | "Adam" "Adamw" "Brak" "Sgd" |
randomSeed | Losowe inicjatory, które mają być używane podczas korzystania z trenowania deterministycznego. | int |
splitRatio | Jeśli dane sprawdzania poprawności nie są zdefiniowane, określa współczynnik podziału dla dzielenia trenowanie danych w podzestawach losowych trenowania i walidacji. Musi być zmiennoprzecinkiem w zakresie [0, 1]. |
int |
stepLRGamma | Wartość gamma podczas uczenia się harmonogramu szybkości jest "krok". Musi być zmiennoprzecinkiem w zakresie [0, 1]. | int |
stepLRStepSize | Wartość rozmiaru kroku, gdy harmonogram szybkości nauki to "krok". Musi być dodatnią liczbą całkowitą. | int |
trainingBatchSize | Rozmiar partii trenowania. Musi być dodatnią liczbą całkowitą. | int |
trainingCropSize | Rozmiar przycinania obrazu, który jest wejściowy do sieci neuronowej dla zestawu danych trenowania. Musi być dodatnią liczbą całkowitą. | int |
validationBatchSize | Walidacja rozmiaru partii. Musi być dodatnią liczbą całkowitą. | int |
validationCropSize | Rozmiar przycinania obrazów wejściowy do sieci neuronowej dla zestawu danych weryfikacji. Musi być dodatnią liczbą całkowitą. | int |
validationResizeSizeSize | Rozmiar obrazu, którego rozmiar ma być zmieniany przed przycinaniem zestawu danych weryfikacji. Musi być dodatnią liczbą całkowitą. | int |
warmupCosineLRCycles | Wartość cyklu cosinusowego podczas planowania szybkości nauki to "warmup_cosine". Musi być zmiennoprzecinkowym w zakresie [0, 1]. | int |
warmupCosineLRWarmupEpochs | Wartość epok rozgrzewki, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być dodatnią liczbą całkowitą. | int |
weightDecay | Wartość rozpadu wagi, gdy optymalizator to "sgd", "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie[0, 1]. | int |
weightedLoss | Utrata wagi. Akceptowane wartości to 0 bez odchudzania. 1 dla odchudzania z sqrt. (class_weights). 2 dla odchudzania z class_weights. Musi mieć wartość 0 lub 1 lub 2. |
int |
ImageModelDistributionSettingsClassification
Nazwa | Opis | Wartość |
---|---|---|
amsGradient | Włącz narzędzie AMSGrad, gdy optymalizator ma wartość "adam" lub "adamw". | ciąg |
rozszerzenia | Ustawienia dotyczące korzystania z rozszerzeń. | ciąg |
beta1 | Wartość "beta1", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie [0, 1]. | ciąg |
beta2 | Wartość "beta2", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie [0, 1]. | ciąg |
Rozproszonych | Czy używać trenowania rozproszonego. | ciąg |
earlyStopping | Włącz logikę wczesnego zatrzymywania podczas trenowania. | ciąg |
earlyStoppingDelay | Minimalna liczba epok lub ocen weryfikacji, które mają czekać przed ulepszeniem podstawowej metryki jest śledzony do wczesnego zatrzymywania. Musi być dodatnią liczbą całkowitą. |
ciąg |
earlyStoppingPatience | Minimalna liczba epok lub ocen weryfikacji bez podstawowej poprawy metryki przed przebieg zostanie zatrzymany. Musi być dodatnią liczbą całkowitą. |
ciąg |
enableOnnxNormalization | Włącz normalizację podczas eksportowania modelu ONNX. | ciąg |
evaluationFrequency | Częstotliwość oceny 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 | Liczba warstw do zablokowania modelu. Musi być dodatnią liczbą całkowitą. Na przykład przekazanie wartości 2 jako wartości dla wartości "seresnext" oznacza zamrażanie warstwy0 i warstwy 1. Aby uzyskać pełną listę obsługiwanych modeli i szczegółowe informacje na temat blokowania warstwy, zapoznaj się z tematem Zobacz: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
ciąg |
learningRate | Początkowa stawka nauki. Musi być zmiennoprzecinkowym w zakresie [0, 1]. | ciąg |
learningRateScheduler | Typ harmonogramu szybkości nauki. Musi być "warmup_cosine" lub "krok". | ciąg |
Modelname | Nazwa modelu do użycia do trenowania. Aby uzyskać więcej informacji na temat dostępnych modeli, odwiedź oficjalną dokumentację: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
ciąg |
Tempa | Wartość tempa, gdy optymalizator ma wartość "sgd". Musi być zmiennoprzecinkowym w zakresie [0, 1]. | ciąg |
nesterov | Włącz zagnieżdżanie, gdy optymalizator ma wartość "sgd". | ciąg |
numberOfEpochs | Liczba epok treningowych. Musi być dodatnią liczbą całkowitą. | ciąg |
numberOfWorkers | Liczba procesów roboczych modułu ładującego dane. Musi być liczbą całkowitą nie ujemną. | ciąg |
Optymalizator | Typ optymalizatora. Musi być "sgd", "adam" lub "adamw". | ciąg |
randomSeed | Losowe nasion do użycia podczas trenowania deterministycznego. | ciąg |
splitRatio | Jeśli dane weryfikacji nie są zdefiniowane, określa współczynnik podziału dla dzielenia trenowanie danych do losowych podzestawów pociągu 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 | Wartość rozmiaru kroku, gdy harmonogram szybkości nauki to "krok". Musi być dodatnią liczbą całkowitą. | ciąg |
trainingBatchSize | Rozmiar partii trenowania. Musi być dodatnią liczbą całkowitą. | ciąg |
trainingCropSize | Rozmiar przycinania obrazu, który jest wejściowy do sieci neuronowej dla zestawu danych trenowania. Musi być dodatnią liczbą całkowitą. | ciąg |
validationBatchSize | Walidacja rozmiaru partii. Musi być dodatnią liczbą całkowitą. | ciąg |
validationCropSize | Rozmiar przycinania obrazów wejściowy do sieci neuronowej dla zestawu danych weryfikacji. Musi być dodatnią liczbą całkowitą. | ciąg |
validationResizeSizeSize | Rozmiar obrazu, którego rozmiar ma być zmieniany przed przycinaniem zestawu danych weryfikacji. Musi być dodatnią liczbą całkowitą. | ciąg |
warmupCosineLRCycles | Wartość cyklu cosinusowego podczas planowania szybkości nauki to "warmup_cosine". Musi być zmiennoprzecinkowym w zakresie [0, 1]. | ciąg |
warmupCosineLRWarmupEpochs | Wartość epok rozgrzewki, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być dodatnią liczbą całkowitą. | ciąg |
weightDecay | Wartość rozpadu wagi, gdy optymalizator to "sgd", "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie[0, 1]. | ciąg |
weightedLoss | Utrata wagi. Akceptowane wartości to 0 bez odchudzania. 1 dla odchudzania z sqrt. (class_weights). 2 dla odchudzania z class_weights. Musi mieć wartość 0 lub 1 lub 2. |
ciąg |
ImageSweepSettings
Nazwa | Opis | Wartość |
---|---|---|
earlyTermination | Typ zasad wczesnego zakończenia. | EarlyTerminationPolicy |
Limity | [Wymagane] Ogranicz ustawienia dotyczące zamiatania modelu i zamiatania hiperparametrów. | ImageSweepLimitSettings (wymagane) |
próbkowanieAlgorithm | [Wymagane] Typ algorytmów próbkowania hiperparametrów. | "Bayesian" "Siatka" "Losowe" (wymagane) |
EarlyTerminationPolicy
Nazwa | Opis | Wartość |
---|---|---|
delayEvaluation | Liczba interwałów, przez które należy opóźnić pierwszą ocenę. | int |
evaluationInterval | Interwał (liczba przebiegów) między ocenami zasad. | int |
policyType | Ustawianie typu obiektu | Bandyta MedianStopping TruncationSelection (wymagane) |
BanditPolicy
Nazwa | Opis | Wartość |
---|---|---|
policyType | [Wymagane] Nazwa konfiguracji zasad | "Bandit" (wymagany) |
slackAmount | Bezwzględna odległość dozwolona od najlepszego przebiegu. | int |
slackFactor | Stosunek dozwolonej odległości od najlepszego przebiegu. | int |
MedianStoppingPolicy
Nazwa | Opis | Wartość |
---|---|---|
policyType | [Wymagane] Nazwa konfiguracji zasad | "MedianStopping" (wymagane) |
TruncationSelectionPolicy
Nazwa | Opis | Wartość |
---|---|---|
policyType | [Wymagane] Nazwa konfiguracji zasad | "TruncationSelection" (wymagane) |
truncationPercentage | Procent przebiegów do anulowania w każdym interwale oceny. | int |
ImageSweepLimitSettings
Nazwa | Opis | Wartość |
---|---|---|
maxConcurrentTrials | Maksymalna liczba współbieżnych iteracji dla bazowego zadania zamiatania. | int |
maxTrials | Maksymalna liczba iteracji dla bazowego zadania zamiatania. | int |
ImageClassificationMultilabel
Nazwa | Opis | Wartość |
---|---|---|
Tasktype | [Wymagane] Typ zadania dla zadania AutoMLJob. | "ImageClassificationMultilabel" (wymagane) |
dataSettings | [Wymagane] Kolekcja zarejestrowanych identyfikatorów tabelarycznego zestawu danych i innych ustawień danych wymaganych do trenowania i weryfikowania modeli. | ImageVerticalDataSettings (wymagane) |
limitSettings | [Wymagane] Ogranicz ustawienia zadania automatycznego uczenia maszynowego. | ImageLimitSettings (wymagane) |
modelSettings | Ustawienia używane do trenowania modelu. | ImageModelSettingsClassification |
podstawowa metryka | Podstawowa metryka do optymalizacji pod kątem tego zadania. | "AUCWeighted" "Dokładność" "AveragePrecisionScoreWeighted" "IOU" "NormMacroRecall" "PrecisionScoreWeighted" |
searchSpace | Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów. | ImageModelDistributionSettingsClassification[] |
sweepSettings | Zamiatanie modelu i hiperparametr zamiatanie powiązanych ustawień. | ImageSweepSettings |
ImageInstanceSegmentation
Nazwa | Opis | Wartość |
---|---|---|
Tasktype | [Wymagane] Typ zadania dla zadania AutoMLJob. | "ImageInstanceSegmentation" (wymagane) |
dataSettings | [Wymagane] Kolekcja zarejestrowanych identyfikatorów tabelarycznego zestawu danych i innych ustawień danych wymaganych do trenowania i weryfikowania modeli. | ImageVerticalDataSettings (wymagane) |
limitSettings | [Wymagane] Ogranicz ustawienia zadania automatycznego uczenia maszynowego. | ImageLimitSettings (wymagane) |
modelSettings | Ustawienia używane do trenowania modelu. | ImageModelSettingsObjectDetection |
podstawowa metryka | Podstawowa metryka do optymalizacji pod kątem tego zadania. | "MeanAveragePrecision" |
searchSpace | Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów. | ImageModelDistributionSettingsObjectDetection[] |
sweepSettings | Zamiatanie modelu i hiperparametr zamiatanie powiązanych ustawień. | ImageSweepSettings |
ImageModelSettingsObjectDetection
Nazwa | Opis | Wartość |
---|---|---|
advancedSettings | Ustawienia dla zaawansowanych scenariuszy. | ciąg |
amsGradient | Włącz narzędzie AMSGrad, gdy optymalizator ma wartość "adam" lub "adamw". | bool |
rozszerzenia | Ustawienia dotyczące korzystania z rozszerzeń. | ciąg |
beta1 | Wartość "beta1", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie [0, 1]. | int |
beta2 | Wartość "beta2", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie [0, 1]. | int |
boxDetectionsPerImage | Maksymalna liczba wykryć na obrazie dla wszystkich klas. Musi być dodatnią liczbą całkowitą. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5". |
int |
boxScoreThreshold | Podczas wnioskowania zwracane są tylko propozycje z oceną klasyfikacji większą niż BoxScoreThreshold. Musi być zmiennoprzecinkowym w zakresie[0, 1]. |
int |
checkpointDatasetId | FileDataset id dla wstępnie wytrenowanych punktów kontrolnych na potrzeby trenowania przyrostowego. Pamiętaj, aby przekazać wartość CheckpointFilename wraz z parametrem CheckpointDatasetId. |
ciąg |
checkpointFilename | Wstępnie wytrenowana nazwa punktu kontrolnego w zestawie PlikówDataset na potrzeby trenowania przyrostowego. Pamiętaj, aby przekazać parametr CheckpointDatasetId wraz z polem CheckpointFilename. |
ciąg |
checkpointFrequency | Częstotliwość przechowywania punktów kontrolnych modelu. Musi być dodatnią liczbą całkowitą. | int |
checkpointRunId | Identyfikator poprzedniego przebiegu, który ma wstępnie wytrenowany punkt kontrolny na potrzeby trenowania przyrostowego. | ciąg |
Rozproszonych | Czy używać trenowania rozproszonego. | bool |
earlyStopping | Włącz logikę wczesnego zatrzymywania podczas trenowania. | bool |
earlyStoppingDelay | Minimalna liczba epok lub ocen weryfikacji, które mają czekać przed ulepszeniem podstawowej metryki jest śledzony do wczesnego zatrzymywania. Musi być dodatnią liczbą całkowitą. |
int |
earlyStoppingPatience | Minimalna liczba epok lub ocen weryfikacji bez podstawowej poprawy metryki przed przebieg zostanie zatrzymany. Musi być dodatnią liczbą całkowitą. |
int |
enableOnnxNormalization | Włącz normalizację podczas eksportowania modelu ONNX. | bool |
evaluationFrequency | Częstotliwość oceny zestawu danych weryfikacji w celu uzyskania wyników metryk. Musi być dodatnią liczbą całkowitą. | int |
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 |
Imagesize | 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 |
layersToFreeze | Liczba warstw do zablokowania modelu. Musi być dodatnią liczbą całkowitą. Na przykład przekazanie wartości 2 jako wartości dla wartości "seresnext" oznacza zamrażanie warstwy0 i warstwy 1. Aby uzyskać pełną listę obsługiwanych modeli i szczegółowe informacje na temat blokowania warstwy, zapoznaj się z tematem Zobacz: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
int |
learningRate | Początkowa szybkość nauki. Musi być zmiennoprzecinkiem w zakresie [0, 1]. | int |
learningRateScheduler | Typ harmonogramu szybkości nauki. Musi mieć wartość "warmup_cosine" lub "krok". | "Brak" "Krok" "WarmupCosine" |
Maxsize | 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 |
Minsize | 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 |
Modelname | Nazwa modelu, który ma być używany do trenowania. Aby uzyskać więcej informacji na temat dostępnych modeli, odwiedź oficjalną dokumentację: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
ciąg |
modelSize | Rozmiar modelu. Musi mieć wartość "small", "medium", "large" lub "xlarge". Uwaga: przebieg trenowania może dostać się do modelu CUDA OOM, jeśli rozmiar modelu jest zbyt duży. Uwaga: te ustawienia są obsługiwane tylko dla algorytmu "yolov5". |
"ExtraLarge" "Duży" "Średni" "Brak" "Mały" |
Tempa | Wartość tempa, gdy optymalizator ma wartość "sgd". Musi być zmiennoprzecinkiem w zakresie [0, 1]. | int |
multiScale | Włącz obraz wieloskalowy, zmieniając rozmiar obrazu o +/- 50%. Uwaga: przebieg trenowania może dostać się do procesora OOM CUDA, jeśli nie ma wystarczającej ilości pamięci procesora GPU. Uwaga: te ustawienia są obsługiwane tylko dla algorytmu "yolov5". |
bool |
nesterov | Włącz nesterov, gdy optymalizator ma wartość "sgd". | bool |
nmsIouThreshold | Próg operacji we/wy używany podczas wnioskowania w procesie przetwarzania końcowego NMS. Musi być zmiennoprzecinkiem w zakresie [0, 1]. | int |
numberOfEpochs | Liczba epok treningowych. Musi być dodatnią liczbą całkowitą. | int |
numberOfWorkers | Liczba procesów roboczych modułu ładującego dane. Musi być nieujemną liczbą całkowitą. | int |
Optymalizator | Typ optymalizatora. | "Adam" "Adamw" "Brak" "Sgd" |
randomSeed | Losowe inicjatory, które mają być używane podczas korzystania z trenowania deterministycznego. | int |
splitRatio | Jeśli dane sprawdzania poprawności nie są zdefiniowane, określa współczynnik podziału dla dzielenia trenowanie danych w podzestawach losowych trenowania i walidacji. Musi być zmiennoprzecinkiem w zakresie [0, 1]. |
int |
stepLRGamma | Wartość gamma podczas uczenia się harmonogramu szybkości jest "krok". Musi być zmiennoprzecinkiem w zakresie [0, 1]. | int |
stepLRStepSize | Wartość rozmiaru kroku, gdy harmonogram szybkości nauki to "krok". Musi być dodatnią liczbą całkowitą. | int |
tileGridSize | Rozmiar siatki do użycia na potrzeby układania obrazów. Uwaga: TileGridSize nie może być Brak w celu włączenia logiki wykrywania małych obiektów. Ciąg zawierający dwie liczby całkowite w formacie mxn. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5". |
ciąg |
tileOverlapRatio | Współczynnik nakładania się między sąsiednimi kafelkami w każdym wymiarze. Musi być zmiennoprzecinkowa w zakresie [0, 1). Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5". |
int |
tilePredictionsNmsThreshold | Próg operacji we/wy używany do wykonywania nmS podczas scalania przewidywań z kafelków i obrazu. Używany w weryfikacji/wnioskowaniu. Musi być zmiennoprzecinkowa w zakresie [0, 1]. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5". |
int |
trainingBatchSize | Rozmiar partii trenowania. Musi być dodatnią liczbą całkowitą. | int |
validationBatchSize | Rozmiar partii sprawdzania poprawności. Musi być dodatnią liczbą całkowitą. | int |
validationIouThreshold | Próg operacji we/wy do użycia podczas obliczania metryki walidacji. Musi być zmiennoprzecinkowa w zakresie [0, 1]. | int |
validationMetricType | Metoda obliczania metryki do użycia na potrzeby metryk walidacji. | "Coco" "CocoVoc" "Brak" "Voc" |
warmupCosineLRCycles | Wartość cyklu cosinusowego, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być zmiennoprzecinkiem w zakresie [0, 1]. | int |
warmupCosineLRWarmupEpochs | Wartość epok rozgrzewki, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być dodatnią liczbą całkowitą. | int |
weightDecay | Wartość rozkładu wagi, gdy optymalizator to "sgd", "adam" lub "adamw". Musi być zmiennoprzecinkiem w zakresie[0, 1]. | int |
ImageModelDistributionSettingsObjectDetection
Nazwa | Opis | Wartość |
---|---|---|
amsGradient | Włącz narzędzie AMSGrad, gdy optymalizator ma wartość "adam" lub "adamw". | ciąg |
rozszerzenia | Ustawienia dotyczące używania rozszerzeń. | ciąg |
beta1 | Wartość "beta1", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkiem w zakresie [0, 1]. | ciąg |
beta2 | Wartość "beta2", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkiem w zakresie [0, 1]. | ciąg |
boxDetectionsPerImage | Maksymalna liczba wykryć na obrazie dla wszystkich klas. Musi być dodatnią liczbą całkowitą. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5". |
ciąg |
boxScoreThreshold | Podczas wnioskowania zwracane są tylko propozycje z oceną klasyfikacji większą niż BoxScoreThreshold. Musi być zmiennoprzecinkiem w zakresie[0, 1]. |
ciąg |
Rozproszonych | Czy należy używać trenowania rozproszonego. | ciąg |
earlyStopping | Włącz logikę wczesnego zatrzymywania podczas trenowania. | ciąg |
earlyStoppingDelay | Minimalna liczba epok lub ocen poprawności, które należy zaczekać przed ulepszeniem podstawowej metryki jest śledzony w celu wczesnego zatrzymania. Musi być dodatnią liczbą całkowitą. |
ciąg |
earlyStoppingPatience | Minimalna liczba epok lub ocen poprawności bez podstawowej poprawy metryki przed przebieg zostanie zatrzymany. Musi być dodatnią liczbą całkowitą. |
ciąg |
enableOnnxNormalization | Włącz normalizację podczas eksportowania modelu ONNX. | ciąg |
evaluationFrequency | 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 |
Imagesize | 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 | Liczba warstw, które mają być blokowane dla modelu. Musi być dodatnią liczbą całkowitą. Na przykład przekazanie wartości 2 jako wartości dla "seresnext" oznacza warstwy 0 i warstwy 1. Aby uzyskać pełną listę obsługiwanych modeli i szczegóły dotyczące blokowania warstwy, proszę Zobacz: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
ciąg |
learningRate | Początkowa szybkość nauki. Musi być zmiennoprzecinkiem w zakresie [0, 1]. | ciąg |
learningRateScheduler | Typ harmonogramu szybkości nauki. Musi mieć wartość "warmup_cosine" lub "krok". | ciąg |
Maxsize | 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 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 |
Modelname | Nazwa modelu, który ma być używany do trenowania. Aby uzyskać więcej informacji na temat dostępnych modeli, odwiedź oficjalną dokumentację: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
ciąg |
modelSize | Rozmiar modelu. Musi mieć wartość "small", "medium", "large" lub "xlarge". Uwaga: przebieg trenowania może dostać się do modelu CUDA OOM, jeśli rozmiar modelu jest zbyt duży. Uwaga: te ustawienia są obsługiwane tylko dla algorytmu "yolov5". |
ciąg |
Tempa | Wartość tempa, gdy optymalizator ma wartość "sgd". Musi być zmiennoprzecinkiem w zakresie [0, 1]. | ciąg |
multiScale | Włącz obraz wieloskalowy, zmieniając rozmiar obrazu o +/- 50%. Uwaga: przebieg trenowania może dostać się do procesora OOM CUDA, jeśli nie ma wystarczającej ilości pamięci procesora GPU. Uwaga: te ustawienia są obsługiwane tylko dla algorytmu "yolov5". |
ciąg |
nesterov | Włącz nesterov, gdy optymalizator ma wartość "sgd". | ciąg |
nmsIouThreshold | Próg operacji we/wy używany podczas wnioskowania w procesie przetwarzania końcowego NMS. Musi być zmiennoprzecinkowa w zakresie [0, 1]. | ciąg |
numberOfEpochs | Liczba epok treningowych. Musi być dodatnią liczbą całkowitą. | ciąg |
numberOfWorkers | Liczba procesów roboczych modułu ładującego dane. Musi być nieujemną liczbą całkowitą. | ciąg |
Optymalizator | Typ optymalizatora. Musi być albo "sgd", "adam", lub "adamw". | ciąg |
randomSeed | Losowe inicjatory, które mają być używane podczas korzystania z trenowania deterministycznego. | ciąg |
splitRatio | Jeśli dane sprawdzania poprawności nie są zdefiniowane, określa współczynnik podziału dla dzielenia trenowanie danych w podzestawach losowych trenowania i walidacji. Musi być zmiennoprzecinkiem w zakresie [0, 1]. |
ciąg |
stepLRGamma | Wartość gamma podczas uczenia się harmonogramu szybkości jest "krok". Musi być zmiennoprzecinkiem w zakresie [0, 1]. | ciąg |
stepLRStepSize | Wartość rozmiaru kroku, gdy harmonogram szybkości nauki to "krok". Musi być dodatnią liczbą całkowitą. | ciąg |
tileGridSize | Rozmiar siatki do użycia na potrzeby układania obrazów. Uwaga: TileGridSize nie może być Brak w celu włączenia logiki wykrywania małych obiektów. Ciąg zawierający dwie liczby całkowite w formacie mxn. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5". |
ciąg |
tileOverlapRatio | Współczynnik nakładania się między sąsiednimi kafelkami w każdym wymiarze. Musi być zmiennoprzecinkowa 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 obrazu. Używany w weryfikacji/wnioskowaniu. Musi być zmiennoprzecinkowa w zakresie [0, 1]. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5". NMS: brak maksymalnego pomijania |
ciąg |
trainingBatchSize | Rozmiar partii trenowania. Musi być dodatnią liczbą całkowitą. | ciąg |
validationBatchSize | Rozmiar partii sprawdzania poprawności. Musi być dodatnią liczbą całkowitą. | ciąg |
validationIouThreshold | Próg operacji we/wy do użycia podczas przetwarzania metryki weryfikacji. Musi być zmiennoprzecinkowy w zakresie [0, 1]. | ciąg |
validationMetricType | Metoda obliczeniowa metryki do użycia na potrzeby metryk weryfikacji. Musi być "none", "coco", "voc" lub "coco_voc". | ciąg |
warmupCosineLRCycles | Wartość cyklu cosinusowego podczas planowania szybkości nauki to "warmup_cosine". Musi być zmiennoprzecinkowym w zakresie [0, 1]. | ciąg |
warmupCosineLRWarmupEpochs | Wartość epok rozgrzewki, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być dodatnią liczbą całkowitą. | ciąg |
weightDecay | Wartość rozpadu wagi, gdy optymalizator to "sgd", "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie[0, 1]. | ciąg |
ImageObjectDetection
Nazwa | Opis | Wartość |
---|---|---|
Tasktype | [Wymagane] Typ zadania dla zadania AutoMLJob. | "ImageObjectDetection" (wymagane) |
dataSettings | [Wymagane] Kolekcja zarejestrowanych identyfikatorów tabelarycznego zestawu danych i innych ustawień danych wymaganych do trenowania i weryfikowania modeli. | ImageVerticalDataSettings (wymagane) |
limitSettings | [Wymagane] Ogranicz ustawienia zadania automatycznego uczenia maszynowego. | ImageLimitSettings (wymagane) |
modelSettings | Ustawienia używane do trenowania modelu. | ImageModelSettingsObjectDetection |
podstawowa metryka | Podstawowa metryka do optymalizacji pod kątem tego zadania. | "MeanAveragePrecision" |
searchSpace | Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów. | ImageModelDistributionSettingsObjectDetection[] |
sweepSettings | Zamiatanie modelu i hiperparametr zamiatanie powiązanych ustawień. | ImageSweepSettings |
Regresja
Nazwa | Opis | Wartość |
---|---|---|
Tasktype | [Wymagane] Typ zadania dla zadania AutoMLJob. | "Regresja" (wymagana) |
allowedModels | Dozwolone modele dla zadania regresji. | Tablica ciągów zawierająca dowolną z: "DecisionTree" "ElasticNet" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "RandomForest" "SGD" "XGBoostRegressor" |
blockedModels | Zablokowane modele dla zadania regresji. | Tablica ciągów zawierająca dowolną z: "DecisionTree" "ElasticNet" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "RandomForest" "SGD" "XGBoostRegressor" |
dataSettings | Dane wejściowe dla zadania AutoMLJob. | TableVerticalDataSettings |
featurizationSettings | Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML. | TableVerticalFeaturizationSettings |
limitSettings | Ograniczenia wykonywania dla zadania AutoMLJob. | TableVerticalLimitSettings |
podstawowa metryka | Podstawowa metryka zadania regresji. | "NormalizedMeanAbsoluteError" "NormalizedRootMeanSquaredError" "R2Score" "SpearmanCorrelation" |
trainingSettings | Dane wejściowe fazy trenowania zadania automatycznego uczenia maszynowego. | TrainingSettings |
TextClassification
Nazwa | Opis | Wartość |
---|---|---|
Tasktype | [Wymagane] Typ zadania dla zadania AutoMLJob. | "TextClassification" (wymagane) |
dataSettings | Dane wejściowe dla zadania AutoMLJob. | NlpVerticalDataSettings |
cechowanieUstawienia | Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML. | NlpVerticalFeaturizationSettings |
limitSettings | Ograniczenia wykonywania dla zadania AutoMLJob. | NlpVerticalLimitSettings |
primaryMetric | Podstawowa metryka dla zadania Text-Classification. | "AUCWeighted" "Dokładność" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted" |
NlpVerticalDataSettings
Nazwa | Opis | Wartość |
---|---|---|
targetColumnName | [Wymagane] Nazwa kolumny docelowej: jest to kolumna wartości przewidywania. Znana również jako nazwa kolumny etykiety w kontekście zadań klasyfikacji. |
ciąg (wymagany) Ograniczenia: Wzorzec = [a-zA-Z0-9_] |
Testdata | Testowanie danych wejściowych. | TestDataSettings |
trainingData | [Wymagane] Dane wejściowe danych szkoleniowych. | TrainingDataSettings (wymagane) |
validationData | Dane wejściowe danych walidacji. | NlpVerticalValidationDataSettings |
NlpVerticalValidationDataSettings
Nazwa | Opis | Wartość |
---|---|---|
dane | Tabela MLTable danych weryfikacji. | MlTableJobInput |
validationDataSize | Ułamek zestawu danych trenowania, który należy odłożyć do celów walidacji. Wartości z zakresu od (0,0, 1,0) Zastosowano, gdy zestaw danych sprawdzania poprawności nie został podany. |
int |
NlpVerticalFeaturizationSettings
Nazwa | Opis | Wartość |
---|---|---|
datasetLanguage | Język zestawu danych przydatny w przypadku danych tekstowych. | ciąg |
NlpVerticalLimitSettings
Nazwa | Opis | Wartość |
---|---|---|
maxConcurrentTrials | Maksymalna liczba współbieżnych iteracji automatycznego uczenia maszynowego. | int |
maxTrials | Liczba iteracji rozwiązania AutoML. | int |
timeout | Limit czasu zadania automatycznego uczenia maszynowego. | ciąg |
TextClassificationMultilabel
Nazwa | Opis | Wartość |
---|---|---|
Tasktype | [Wymagane] Typ zadania dla zadania AutoMLJob. | "TextClassificationMultilabel" (wymagane) |
dataSettings | Dane wejściowe dla zadania AutoMLJob. | NlpVerticalDataSettings |
cechowanieUstawienia | Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML. | NlpVerticalFeaturizationSettings |
limitSettings | Ograniczenia wykonywania dla zadania AutoMLJob. | NlpVerticalLimitSettings |
TextNer
Nazwa | Opis | Wartość |
---|---|---|
Tasktype | [Wymagane] Typ zadania dla zadania AutoMLJob. | "TextNER" (wymagane) |
dataSettings | Dane wejściowe dla zadania AutoMLJob. | NlpVerticalDataSettings |
cechowanieUstawienia | Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML. | NlpVerticalFeaturizationSettings |
limitSettings | Ograniczenia wykonywania dla zadania AutoMLJob. | NlpVerticalLimitSettings |
CommandJob
Nazwa | Opis | Wartość |
---|---|---|
jobType | [Wymagane] Określa typ zadania. | "Polecenie" (wymagane) |
codeId | Identyfikator zasobu usługi ARM zasobu kodu. | ciąg |
command | [Wymagane] Polecenie do wykonania podczas uruchamiania zadania. np. "python train.py" | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
Dystrybucji | Konfiguracja dystrybucji zadania. W przypadku ustawienia powinna to być jedna z wartości Mpi, Tensorflow, PyTorch lub null. | Konfiguracja dystrybucji |
environmentId | [Wymagane] Identyfikator zasobu usługi ARM specyfikacji środowiska dla zadania. | ciąg (wymagany) Ograniczenia: Wzorzec = [a-zA-Z0-9_] |
environmentVariables | Zmienne środowiskowe uwzględnione w zadaniu. | CommandJobEnvironmentVariables |
Wejścia | Mapowanie powiązań danych wejściowych używanych w zadaniu. | CommandJobInputs |
Limity | Limit zadań poleceń. | CommandJobLimits |
Wyjść | Mapowanie powiązań danych wyjściowych używanych w zadaniu. | CommandJobOutputs |
zasoby | Konfiguracja zasobu obliczeniowego dla zadania. | ResourceConfiguration |
Konfiguracja dystrybucji
Nazwa | Opis | Wartość |
---|---|---|
distributionType | Ustawianie typu obiektu | Mpi PyTorch TensorFlow (wymagany) |
Mpi
Nazwa | Opis | Wartość |
---|---|---|
distributionType | [Wymagane] Określa typ struktury dystrybucji. | "Mpi" (wymagane) |
processCountPerInstance | Liczba procesów na węzeł MPI. | int |
PyTorch
Nazwa | Opis | Wartość |
---|---|---|
distributionType | [Wymagane] Określa typ struktury dystrybucji. | "PyTorch" (wymagane) |
processCountPerInstance | Liczba procesów na węzeł. | int |
TensorFlow
Nazwa | Opis | Wartość |
---|---|---|
distributionType | [Wymagane] Określa typ struktury dystrybucji. | "TensorFlow" (wymagany) |
parametrServerCount | Liczba zadań serwera parametrów. | int |
workerCount | Liczba procesów roboczych. Jeśli nie zostanie określony, wartość domyślna to liczba wystąpień. | int |
CommandJobEnvironmentVariables
Nazwa | Opis | Wartość |
---|---|---|
{niestandardowa właściwość} | ciąg |
CommandJobInputs
Nazwa | Opis | Wartość |
---|---|---|
{niestandardowa właściwość} | JobInput |
JobInput
Nazwa | Opis | Wartość |
---|---|---|
description (opis) | Opis danych wejściowych. | ciąg |
jobInputType | Ustawianie typu obiektu | CustomModel Literał MLFlowModel MLTable TritonModel UriFile UriFolder (wymagany) |
CustomModelJobInput
Nazwa | Opis | Wartość |
---|---|---|
jobInputType | [Wymagane] Określa typ zadania. | "CustomModel" (wymagany) |
tryb | Tryb dostarczania zasobów wejściowych. | "Bezpośredni" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
Identyfikator uri | [Wymagane] Identyfikator URI elementu zawartości wejściowej. | ciąg (wymagany) Ograniczenia: Wzorzec = [a-zA-Z0-9_] |
LiterałJobInput
Nazwa | Opis | Wartość |
---|---|---|
jobInputType | [Wymagane] Określa typ zadania. | "Literał" (wymagany) |
wartość | [Wymagane] Wartość literału dla danych wejściowych. | ciąg (wymagany) Ograniczenia: Wzorzec = [a-zA-Z0-9_] |
MLFlowModelJobInput
Nazwa | Opis | Wartość |
---|---|---|
jobInputType | [Wymagane] Określa typ zadania. | "MLFlowModel" (wymagany) |
tryb | Tryb dostarczania zasobów wejściowych. | "Bezpośredni" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
Identyfikator uri | [Wymagane] Identyfikator URI elementu zawartości wejściowej. | ciąg (wymagany) Ograniczenia: Wzorzec = [a-zA-Z0-9_] |
TritonModelJobInput
Nazwa | Opis | Wartość |
---|---|---|
jobInputType | [Wymagane] Określa typ zadania. | "TritonModel" (wymagane) |
tryb | Tryb dostarczania zasobów wejściowych. | "Bezpośredni" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
Identyfikator uri | [Wymagane] Identyfikator URI elementu zawartości wejściowej. | ciąg (wymagany) Ograniczenia: Wzorzec = [a-zA-Z0-9_] |
UriFileJobInput
Nazwa | Opis | Wartość |
---|---|---|
jobInputType | [Wymagane] Określa typ zadania. | "UriFile" (wymagane) |
tryb | Tryb dostarczania zasobów wejściowych. | "Bezpośredni" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
Identyfikator uri | [Wymagane] Identyfikator URI zasobu wejściowego. | ciąg (wymagany) Ograniczenia: Wzorzec = [a-zA-Z0-9_] |
UriFolderJobInput
Nazwa | Opis | Wartość |
---|---|---|
jobInputType | [Wymagane] Określa typ zadania. | "UriFolder" (wymagany) |
tryb | Tryb dostarczania zasobów wejściowych. | "Bezpośrednie" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
Identyfikator uri | [Wymagane] Identyfikator URI zasobu wejściowego. | ciąg (wymagany) Ograniczenia: Wzorzec = [a-zA-Z0-9_] |
CommandJobLimits
Nazwa | Opis | Wartość |
---|---|---|
jobLimitsType | [Wymagane] Typ JobLimit. | "Polecenie" "Zamiatanie" (wymagane) |
timeout | 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 |
---|---|---|
{niestandardowa właściwość} | JobOutput |
PipelineJob
Nazwa | Opis | Wartość |
---|---|---|
jobType | [Wymagane] Określa typ zadania. | "Potok" (wymagany) |
Wejścia | Dane wejściowe zadania potoku. | PipelineJobInputs |
Zadania | Zadania skonstruować zadanie potoku. | PipelineJobJobs |
Wyjść | Dane wyjściowe zadania potoku | PipelineJobOutputs |
ustawienia | Ustawienia potoku, takie jak ContinueRunOnStepFailure itp. |
PipelineJobInputs
Nazwa | Opis | Wartość |
---|---|---|
{niestandardowa właściwość} | JobInput |
PipelineJobJobs
Nazwa | Opis | Wartość |
---|---|---|
{niestandardowa właściwość} |
PipelineJobOutputs
Nazwa | Opis | Wartość |
---|---|---|
{niestandardowa właściwość} | JobOutput |
SweepJob
Nazwa | Opis | Wartość |
---|---|---|
jobType | [Wymagane] Określa typ zadania. | "Zamiatanie" (wymagane) |
earlyTermination | Zasady wczesnego kończenia umożliwiają anulowanie przebiegów o niskiej wydajności przed ukończeniem | EarlyTerminationPolicy |
Wejścia | Mapowanie powiązań danych wejściowych używanych w zadaniu. | SweepJobInputs |
Limity | Zamiatanie limitu zadań. | SweepJobLimits |
Celem | [Wymagane] Cel optymalizacji. | Cel (wymagany) |
Wyjść | Mapowanie powiązań danych wyjściowych używanych w zadaniu. | SweepJobOutputs |
samplingAlgorithm | [Wymagane] Algorytm próbkowania hiperparametrów | PróbkowanieAlgorithm (wymagane) |
searchSpace | [Wymagane] Słownik zawierający każdy parametr i jego rozkład. Klucz słownika jest nazwą parametru | |
trial | [Wymagane] Definicja składnika wersji próbnej. | Wersja próbnaComponent (wymagana) |
SweepJobInputs
Nazwa | Opis | Wartość |
---|---|---|
{niestandardowa właściwość} | JobInput |
SweepJobLimits
Nazwa | Opis | Wartość |
---|---|---|
jobLimitsType | [Wymagane] Typ JobLimit. | "Polecenie" "Zamiatanie" (wymagane) |
maxConcurrentTrials | Zamiatanie zadania maksymalna liczba współbieżnych wersji próbnych. | int |
maxTotalTrials | Zamiatanie zadania maksymalna łączna liczba prób. | int |
timeout | Maksymalny czas trwania przebiegu w formacie ISO 8601, po którym zadanie zostanie anulowane. Obsługuje tylko czas trwania z dokładnością do sekund. | ciąg |
trialTimeout | Zamiatanie wartości limitu czasu wersji próbnej zadania. | ciąg |
Cel
Nazwa | Opis | Wartość |
---|---|---|
goal | [Wymagane] Definiuje obsługiwane cele metryk na potrzeby dostrajania hiperparametrów | "Maksymalizuj" "Minimalizuj" (wymagane) |
primaryMetric | [Wymagane] Nazwa metryki do optymalizacji. | ciąg (wymagany) Ograniczenia: Wzorzec = [a-zA-Z0-9_] |
SweepJobOutputs
Nazwa | Opis | Wartość |
---|---|---|
{niestandardowa właściwość} | JobOutput |
PróbkowanieAlgorithm
Nazwa | Opis | Wartość |
---|---|---|
samplingAlgorithmType | Ustawianie typu obiektu | Bayesian Siatki Losowe (wymagane) |
BayesianSamplingAlgorithm
Nazwa | Opis | Wartość |
---|---|---|
samplingAlgorithmType | [Wymagane] Algorytm używany do generowania wartości hiperparametrów wraz z właściwościami konfiguracji | "Bayesian" (wymagane) |
GridSamplingAlgorithm
Nazwa | Opis | Wartość |
---|---|---|
samplingAlgorithmType | [Wymagane] Algorytm używany do generowania wartości hiperparametrów wraz z właściwościami konfiguracji | "Siatka" (wymagana) |
RandomSamplingAlgorithm
Nazwa | Opis | Wartość |
---|---|---|
samplingAlgorithmType | [Wymagane] Algorytm używany do generowania wartości hiperparametrów wraz z właściwościami konfiguracji | "Losowe" (wymagane) |
Reguły | Określony typ algorytmu losowego | "Losowe" "Sobol" |
Nasion | Opcjonalna liczba całkowita do użycia jako inicjator do generowania liczb losowych | int |
Wersja próbnaComponent
Nazwa | Opis | Wartość |
---|---|---|
codeId | Identyfikator zasobu usługi ARM zasobu kodu. | ciąg |
command | [Wymagane] Polecenie do wykonania podczas uruchamiania zadania. np. "python train.py" | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
Dystrybucji | Konfiguracja dystrybucji zadania. W przypadku ustawienia powinna to być jedna z wartości Mpi, Tensorflow, PyTorch lub null. | Konfiguracja dystrybucji |
environmentId | [Wymagane] Identyfikator zasobu usługi ARM specyfikacji środowiska dla zadania. | ciąg (wymagany) Ograniczenia: Wzorzec = [a-zA-Z0-9_] |
environmentVariables | Zmienne środowiskowe uwzględnione w zadaniu. | TrialComponentEnvironmentVariables |
zasoby | Konfiguracja zasobu obliczeniowego dla zadania. | ResourceConfiguration |
TrialComponentEnvironmentVariables
Nazwa | Opis | Wartość |
---|---|---|
{niestandardowa właściwość} | ciąg |
Opinia
https://aka.ms/ContentUserFeedback.
Dostępne już wkrótce: W 2024 r. będziemy stopniowo wycofywać zgłoszenia z serwisu GitHub jako mechanizm przesyłania opinii na temat zawartości i zastępować go nowym systemem opinii. Aby uzyskać więcej informacji, sprawdź:Prześlij i wyświetl opinię dla