Microsoft.MachineLearningServices workspaces/jobs 2022-06-01-preview

• Najnowsza
• 2023-10-01
• 2023-08-01-preview
• 2023-06-01-preview
• 2023-04-01
• 2023-04-01-preview
• 2023-02-01-preview
• 2022-12-01-preview
• 2022-10-01
• 2022-10-01-preview
• 2022-06-01-preview
• 2022-05-01
• 2022-02-01-preview
• 2021-03-01-preview

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@2022-06-01-preview' = {
  name: 'string'
  parent: resourceSymbolicName
  properties: {
    componentId: 'string'
    computeId: 'string'
    description: 'string'
    displayName: 'string'
    experimentName: 'string'
    identity: {
      identityType: 'string'
      // For remaining properties, see IdentityConfiguration objects
    }
    isArchived: bool
    properties: {
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
    }
    services: {
      {customized property}: {
        endpoint: 'string'
        jobServiceType: 'string'
        port: int
        properties: {
          {customized property}: 'string'
        }
      }
      {customized property}: {
        endpoint: 'string'
        jobServiceType: 'string'
        port: int
        properties: {
          {customized property}: 'string'
        }
      }
    }
    tags: {
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
    }
    jobType: 'string'
    // For remaining properties, see JobBaseProperties objects
  }
}

Obiekty JobBaseProperties

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: {
    dockerArgs: 'string'
    instanceCount: int
    instanceType: 'string'
    properties: {
      {customized property}: any()
      {customized property}: any()
    }
    shmSize: 'string'
  }
  taskDetails: {
    logVerbosity: 'string'
    targetColumnName: 'string'
    trainingData: {
      description: 'string'
      jobInputType: 'string'
      mode: 'string'
      uri: 'string'
    }
    taskType: 'string'
    // For remaining properties, see AutoMLVertical objects
  }

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: {
    dockerArgs: 'string'
    instanceCount: int
    instanceType: 'string'
    properties: {
      {customized property}: any()
      {customized property}: any()
    }
    shmSize: 'string'
  }

W przypadku etykietowania użyj:

  jobType: 'Labeling'
  dataConfiguration: {
    dataId: 'string'
    incrementalDataRefreshEnabled: bool
  }
  jobInstructions: {
    uri: 'string'
  }
  labelCategories: {
    {customized property}: {
      classes: {
        {customized property}: {
          displayName: 'string'
          subclasses: {
            {customized property}: {}
        }
      }
      displayName: 'string'
      multiSelectEnabled: bool
    }
    {customized property}: {
      classes: {
        {customized property}: {
          displayName: 'string'
          subclasses: {
            {customized property}: {}
        }
      }
      displayName: 'string'
      multiSelectEnabled: bool
    }
  }
  labelingJobMediaProperties: {
    mediaType: 'string'
    // For remaining properties, see LabelingJobMediaProperties objects
  }
  mlAssistConfiguration: {
    mlAssist: 'string'
    // For remaining properties, see MLAssistConfiguration objects
  }

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()
  sourceJobId: 'string'

W przypadku platformy Spark użyj:

  jobType: 'Spark'
  archives: [
    'string'
  ]
  args: 'string'
  codeId: 'string'
  conf: {
    {customized property}: 'string'
  }
  entry: {
    sparkJobEntryType: 'string'
    // For remaining properties, see SparkJobEntry objects
  }
  environmentId: 'string'
  files: [
    'string'
  ]
  inputs: {
    {customized property}: {
      description: 'string'
      jobInputType: 'string'
      // For remaining properties, see JobInput objects
    }
  }
  jars: [
    'string'
  ]
  outputs: {
    {customized property}: {
      description: 'string'
      jobOutputType: 'string'
      // For remaining properties, see JobOutput objects
    }
  }
  pyFiles: [
    'string'
  ]
  resources: {
    instanceType: 'string'
    runtimeVersion: 'string'
  }

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: {
      dockerArgs: 'string'
      instanceCount: int
      instanceType: 'string'
      properties: {
        {customized property}: any()
        {customized property}: any()
      }
      shmSize: 'string'
    }
  }

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 JobOutput

Ustaw właściwość jobOutputType , aby określić typ obiektu.

W przypadku custom_model użyj:

  jobOutputType: 'custom_model'
  mode: 'string'
  uri: 'string'

W przypadku mlflow_model użyj:

  jobOutputType: 'mlflow_model'
  mode: 'string'
  uri: 'string'

W przypadku metody mltable użyj:

  jobOutputType: 'mltable'
  mode: 'string'
  uri: 'string'

W przypadku triton_model użyj:

  jobOutputType: 'triton_model'
  mode: 'string'
  uri: 'string'

W przypadku uri_file użyj:

  jobOutputType: 'uri_file'
  mode: 'string'
  uri: 'string'

W przypadku uri_folder użyj:

  jobOutputType: 'uri_folder'
  mode: 'string'
  uri: 'string'

Obiekty autoMLVertical

Ustaw właściwość taskType , aby określić typ obiektu.

W przypadku klasyfikacji użyj:

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

W przypadku prognozowania użyj:

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

W przypadku klasyfikacji obrazów użyj:

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

W przypadku elementu ImageClassificationMultilabel użyj:

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

W przypadku elementu ImageInstanceSegmentation użyj:

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

W przypadku klasy ImageObjectDetection użyj:

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

W przypadku regresji użyj:

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

W przypadku klasyfikacji tekstu użyj:

  taskType: 'TextClassification'
  featurizationSettings: {
    datasetLanguage: 'string'
  }
  limitSettings: {
    maxConcurrentTrials: int
    maxTrials: int
    timeout: 'string'
  }
  primaryMetric: 'string'
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }

W przypadku elementu TextClassificationMultilabel użyj:

  taskType: 'TextClassificationMultilabel'
  featurizationSettings: {
    datasetLanguage: 'string'
  }
  limitSettings: {
    maxConcurrentTrials: int
    maxTrials: int
    timeout: 'string'
  }
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }

W przypadku funkcji TextNER użyj:

  taskType: 'TextNER'
  featurizationSettings: {
    datasetLanguage: 'string'
  }
  limitSettings: {
    maxConcurrentTrials: int
    maxTrials: int
    timeout: 'string'
  }
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: '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 custom_model użyj:

  jobInputType: 'custom_model'
  mode: 'string'
  uri: 'string'

W przypadku literału użyj:

  jobInputType: 'literal'
  value: 'string'

W przypadku mlflow_model użyj:

  jobInputType: 'mlflow_model'
  mode: 'string'
  uri: 'string'

W przypadku metody mltable użyj:

  jobInputType: 'mltable'
  mode: 'string'
  uri: 'string'

W przypadku triton_model użyj:

  jobInputType: 'triton_model'
  mode: 'string'
  uri: 'string'

W przypadku uri_file użyj:

  jobInputType: 'uri_file'
  mode: 'string'
  uri: 'string'

W przypadku uri_folder użyj:

  jobInputType: 'uri_folder'
  mode: 'string'
  uri: 'string'

LabelingJobMediaProperties, obiekty

Ustaw właściwość mediaType , aby określić typ obiektu.

W przypadku obrazu użyj:

  mediaType: 'Image'
  annotationType: 'string'

W przypadku tekstu użyj polecenia:

  mediaType: 'Text'
  annotationType: 'string'

Obiekty MLAssistConfiguration

Ustaw właściwość mlAssist , aby określić typ obiektu.

W przypadku opcji Wyłączone użyj:

  mlAssist: 'Disabled'

W obszarze Włączone użyj:

  mlAssist: 'Enabled'
  inferencingComputeBinding: 'string'
  trainingComputeBinding: 'string'

Obiekty SparkJobEntry

Ustaw właściwość sparkJobEntryType , aby określić typ obiektu.

W przypadku platformy SparkJobPythonEntry użyj:

  sparkJobEntryType: 'SparkJobPythonEntry'
  file: 'string'

W przypadku elementu SparkJobScalaEntry użyj:

  sparkJobEntryType: 'SparkJobScalaEntry'
  className: 'string'

Próbkowanie obiektówAlgorithm

Ustaw właściwość samplingAlgorithmType , aby określić typ obiektu.

W przypadku bayesianu użyj:

  samplingAlgorithmType: 'Bayesian'

W obszarze Grid użyj:

  samplingAlgorithmType: 'Grid'

W przypadku opcji 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 pliku 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.	Symboliczna nazwa zasobu typu: obszary robocze
properties	[Wymagane] Dodatkowe atrybuty jednostki.	JobBaseProperties (wymagane)

JobBaseProperties

Nazwa	Opis	Wartość
Componentid	Identyfikator zasobu usługi ARM zasobu składnika.	ciąg
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
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 Etykietowania Potok Spark 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
{niestandardowa właściwość}		ciąg
{niestandardowa właściwość}		ciąg

JobBaseServices

Nazwa	Opis	Wartość
{niestandardowa właściwość}		JobService
{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.	JobServiceProperties

JobServiceProperties

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. Jest to opcjonalna wartość, która ma być podana, jeśli nie zostanie podana, rozwiązanie AutoML spowoduje ustawienie domyślnej wersji środowiska wyselekcjonowania produkcyjnego automatycznego uczenia maszynowego podczas uruchamiania zadania.	ciąg
environmentVariables	Zmienne środowiskowe uwzględnione w zadaniu.	AutoMLJobEnvironmentVariables
Wyjść	Mapowanie powiązań danych wyjściowych używanych w zadaniu.	AutoMLJobOutputs
zasoby	Konfiguracja zasobu obliczeniowego dla zadania.	JobResourceConfiguration
taskDetails	[Wymagane] Reprezentuje to scenariusz, który może być jednym 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	custom_model mlflow_model mltable triton_model uri_file uri_folder (wymagane)

CustomModelJobOutput

Nazwa	Opis	Wartość
jobOutputType	[Wymagane] Określa typ zadania.	"custom_model" (wymagane)
tryb	Tryb dostarczania elementów zawartości wyjściowej.	"Bezpośredni" "ReadWriteMount" "Przekaż"
Identyfikator uri	Identyfikator URI elementu zawartości wyjściowej.	ciąg

MLFlowModelJobOutput

Nazwa	Opis	Wartość
jobOutputType	[Wymagane] Określa typ zadania.	"mlflow_model" (wymagane)
tryb	Tryb dostarczania elementów zawartości wyjściowej.	"Bezpośredni" "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.	"Bezpośredni" "ReadWriteMount" "Przekaż"
Identyfikator uri	Identyfikator URI elementu zawartości wyjściowej.	ciąg

TritonModelJobOutput

Nazwa	Opis	Wartość
jobOutputType	[Wymagane] Określa typ zadania.	"triton_model" (wymagane)
tryb	Tryb dostarczania elementów zawartości wyjściowej.	"Bezpośredni" "ReadWriteMount" "Przekaż"
Identyfikator uri	Identyfikator URI elementu zawartości wyjściowej.	ciąg

UriFileJobOutput

Nazwa	Opis	Wartość
jobOutputType	[Wymagane] Określa typ zadania.	"uri_file" (wymagane)
tryb	Tryb dostarczania elementów zawartości wyjściowej.	"Bezpośredni" "ReadWriteMount" "Przekaż"
Identyfikator uri	Identyfikator URI elementu zawartości wyjściowej.	ciąg

UriFolderJobOutput

Nazwa	Opis	Wartość
jobOutputType	[Wymagane] Określa typ zadania.	"uri_folder" (wymagane)
tryb	Tryb dostarczania elementów zawartości wyjściowej.	"Bezpośredni" "ReadWriteMount" "Przekaż"
Identyfikator uri	Identyfikator URI elementu zawartości wyjściowej.	ciąg

JobResourceConfiguration

Nazwa	Opis	Wartość
dockerArgs	Dodatkowe argumenty, które mają zostać przekazane do polecenia uruchamiania platformy Docker. Spowoduje to zastąpienie wszystkich parametrów, które zostały już ustawione przez system lub w tej sekcji. Ten parametr jest obsługiwany tylko w przypadku typów obliczeniowych usługi Azure ML.	ciąg
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
shmSize	Rozmiar bloku pamięci udostępnionej kontenera platformy Docker. Powinno to być w formacie (liczba)(jednostka), gdzie liczba ma być większa niż 0, a jednostka może być jedną z b(bajtów), k(kilobajtów), m(megabajtów) lub g(gigabajtów).	ciąg Ograniczenia: Wzorzec = \d+[bBkKmMgG]

ResourceConfigurationProperties

Nazwa	Opis	Wartość
{niestandardowa właściwość}		W przypadku Bicep można użyć funkcji any().
{niestandardowa właściwość}		W przypadku Bicep można użyć funkcji any().

AutoMLVertical

Nazwa	Opis	Wartość
logVerbosity	Rejestrowanie szczegółowości zadania.	"Krytyczne" "Debugowanie" "Błąd" "Informacje" "NotSet" "Ostrzeżenie"
targetColumnName	Nazwa kolumny docelowej: jest to kolumna wartości przewidywania. Znana również jako nazwa kolumny etykiety w kontekście zadań klasyfikacji.	ciąg
trainingData	[Wymagane] Dane wejściowe danych szkoleniowych.	MLTableJobInput (wymagane)
Tasktype	Ustawianie typu obiektu	Klasyfikacji Prognozowanie ImageClassification ImageClassificationMultilabel ImageInstanceSegmentation ImageObjectDetection Regresja TextClassification TextClassificationMultilabel TextNER (wymagane)

MLTableJobInput

Nazwa	Opis	Wartość
description (opis)	Opis danych wejściowych.	ciąg
jobInputType	[Wymagane] Określa typ zadania.	"custom_model" "Literał" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (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_]

Klasyfikacja

Nazwa	Opis	Wartość
Tasktype	[Wymagane] Typ zadania dla zadania AutoMLJob.	"Klasyfikacja" (wymagana)
cvSplitColumnNames	Kolumny do użycia dla danych CVSplit.	ciąg[]
featurizationSettings	Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML.	TableVerticalFeaturizationSettings
limitSettings	Ograniczenia wykonywania dla zadania AutoMLJob.	TableVerticalLimitSettings
nCrossValidations	Liczba składań krzyżowych do zastosowania w zestawie danych szkoleniowych jeśli zestaw danych weryfikacji nie jest podany.	NCrossValidations
positiveLabel	Etykieta dodatnia dla obliczeń metryk binarnych.	ciąg
podstawowa metryka	Podstawowa metryka zadania.	"AUCWeighted" "Dokładność" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted"
Testdata	Testowanie danych wejściowych.	MLTableJobInput
testDataSize	Ułamek zestawu danych testowych, który musi zostać odłożone na potrzeby walidacji. Wartości z zakresu (0.0, 1.0) Zastosowano, gdy nie podano zestawu danych weryfikacji.	int
trainingSettings	Dane wejściowe fazy trenowania zadania automatycznego uczenia maszynowego.	ClassificationTrainingSettings
validationData	Dane wejściowe 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
weightColumnName	Nazwa kolumny wagi próbki. Zautomatyzowane uczenie maszynowe obsługuje kolumnę ważoną jako dane wejściowe, co powoduje, że wiersze w danych mają być ważone w górę lub w dół.	ciąg

TableVerticalFeaturizationSettings

Nazwa	Opis	Wartość
blockedTransformers	Transformatory te nie są stosowane w cechowaniu.	Tablica ciągów zawierająca dowolną z: "CatTargetEncoder" "CountVectorizer" "HashOneHotEncoder" "LabelEncoder" "NaiveBayes" "OneHotEncoder" "TextTargetEncoder" "TfIdf" "WoETargetEncoder" "WordEmbedding"
columnNameAndTypes	Słownik nazwy kolumny i jego typu (int, float, string, datetime itp.).	TableVerticalFeaturizationSettingsColumnNameAndTypes
datasetLanguage	Język zestawu danych, przydatny dla danych tekstowych.	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

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] Wartość N-Cross validations.N-Cross validations (N-Cross validations).	int (wymagane)

ClassificationTrainingSettings

Nazwa	Opis	Wartość
allowedTrainingAlgorithms	Dozwolone modele dla zadania klasyfikacji.	Tablica ciągów zawierająca dowolną z: "BernoulliNaiveBayes" "DecisionTree" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LightGBM" "LinearSVM" "LogisticsRegression" "MultinomialNaiveBayes" "RandomForest" "SGD" "SVM" "XGBoostClassifier"
blockedTrainingAlgorithms	Zablokowane modele dla zadania klasyfikacji.	Tablica ciągów zawierająca dowolną z: "BernoulliNaiveBayes" "DecisionTree" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LightGBM" "LinearSVM" "LogisticsRegression" "MultinomialNaiveBayes" "RandomForest" "SGD" "SVM" "XGBoostClassifier"
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.	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)
cvSplitColumnNames	Kolumny do użycia dla danych CVSplit.	ciąg[]
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
nCrossValidations	Liczba składań krzyżowych do zastosowania w zestawie danych szkoleniowych gdy zestaw danych sprawdzania poprawności nie jest podany.	NCrossValidations
primaryMetric	Podstawowa metryka zadania prognozowania.	"NormalizedMeanAbsoluteError" "NormalizedRootMeanSquaredError" "R2Score" "SpearmanCorrelation"
Testdata	Testowanie danych wejściowych.	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
trainingSettings	Dane wejściowe fazy trenowania zadania automatycznego uczenia maszynowego.	Prognozowanie trenowaniaUstawienia
validationData	Dane wejściowe 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
weightColumnName	Nazwa kolumny wagi próbki. Zautomatyzowane uczenie maszynowe obsługuje kolumnę ważoną jako dane wejściowe, co powoduje, że wiersze w danych mają być ważone w górę lub w dół.	ciąg

PrognozowanieSettings

Nazwa	Opis	Wartość
countryOrRegionForHolidays	Kraj lub region 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 będzie trzy 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)

Prognozowanie trenowaniaUstawienia

Nazwa	Opis	Wartość
allowedTrainingAlgorithms	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" "Sezonowa wyrównywacz" "SeasonalNaive" "TCNForecaster" "XGBoostRegressor"
blockedTrainingAlgorithms	Zablokowane 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" "Sezonowa wyrównywacz" "SeasonalNaive" "TCNForecaster" "XGBoostRegressor"
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

ImageClassification

Nazwa	Opis	Wartość
Tasktype	[Wymagane] Typ zadania dla zadania AutoMLJob.	"ImageClassification" (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
validationData	Dane wejściowe 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 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
checkpointFrequency	Częstotliwość przechowywania punktów kontrolnych modelu. Musi być dodatnią liczbą całkowitą.	int
checkpointModel	Wstępnie wytrenowany model punktu kontrolnego na potrzeby trenowania przyrostowego.	MLFlowModelJobInput
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
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

MLFlowModelJobInput

Nazwa	Opis	Wartość
description (opis)	Opis danych wejściowych.	ciąg
jobInputType	[Wymagane] Określa typ zadania.	"custom_model" "literał" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (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_]

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
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)
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
validationData	Dane wejściowe danych walidacji.	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

ImageInstanceSegmentation

Nazwa	Opis	Wartość
Tasktype	[Wymagane] Typ zadania dla zadania AutoMLJob.	"ImageInstanceSegmentation" (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
validationData	Dane wejściowe danych walidacji.	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

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
checkpointFrequency	Częstotliwość przechowywania punktów kontrolnych modelu. Musi być dodatnią liczbą całkowitą.	int
checkpointModel	Wstępnie wytrenowany model punktu kontrolnego na potrzeby trenowania przyrostowego.	MLFlowModelJobInput
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
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
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)
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
validationData	Dane wejściowe danych walidacji.	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

Regresja

Nazwa	Opis	Wartość
Tasktype	[Wymagane] Typ zadania dla zadania AutoMLJob.	"Regresja" (wymagana)
cvSplitColumnNames	Kolumny do użycia dla danych CVSplit.	ciąg[]
cechowanieUstawienia	Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML.	TableVerticalFeaturizationSettings
limitSettings	Ograniczenia wykonywania dla zadania AutoMLJob.	TableVerticalLimitSettings
nCrossValidations	Liczba składań krzyżowych do zastosowania w zestawie danych szkoleniowych gdy zestaw danych sprawdzania poprawności nie jest podany.	NCrossValidations
primaryMetric	Podstawowa metryka zadania regresji.	"NormalizedMeanAbsoluteError" "NormalizedRootMeanSquaredError" "R2Score" "SpearmanCorrelation"
Testdata	Testowanie danych wejściowych.	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
trainingSettings	Dane wejściowe fazy trenowania dla zadania zautomatyzowanego uczenia maszynowego.	RegressionTrainingSettings
validationData	Dane wejściowe danych walidacji.	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
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

RegressionTrainingSettings

Nazwa	Opis	Wartość
allowedTrainingAlgorithms	Dozwolone modele dla zadania regresji.	Tablica ciągów zawierająca dowolną z: "DecisionTree" "ElasticNet" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "RandomForest" "SGD" "XGBoostRegressor"
blockedTrainingAlgorithms	Zablokowane modele dla zadania regresji.	Tablica ciągów zawierająca dowolną z: "DecisionTree" "ElasticNet" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "RandomForest" "SGD" "XGBoostRegressor"
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

TextClassification

Nazwa	Opis	Wartość
Tasktype	[Wymagane] Typ zadania dla zadania AutoMLJob.	"TextClassification" (wymagane)
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"
validationData	Dane wejściowe danych walidacji.	MlTableJobInput

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)
cechowanieUstawienia	Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML.	NlpVerticalFeaturizationSettings
limitSettings	Ograniczenia wykonywania dla zadania AutoMLJob.	NlpVerticalLimitSettings
validationData	Dane wejściowe danych walidacji.	MlTableJobInput

TextNer

Nazwa	Opis	Wartość
Tasktype	[Wymagane] Typ zadania dla zadania AutoMLJob.	"TextNER" (wymagane)
cechowanieUstawienia	Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML.	NlpVerticalFeaturizationSettings
limitSettings	Ograniczenia wykonywania dla zadania AutoMLJob.	NlpVerticalLimitSettings
validationData	Dane wejściowe danych walidacji.	MlTableJobInput

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.	JobResourceConfiguration

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	custom_model Literału mlflow_model mltable triton_model uri_file uri_folder (wymagane)

CustomModelJobInput

Nazwa	Opis	Wartość
jobInputType	[Wymagane] Określa typ zadania.	"custom_model" (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_]

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_]

TritonModelJobInput

Nazwa	Opis	Wartość
jobInputType	[Wymagane] Określa typ zadania.	"triton_model" (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.	"uri_file" (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.	"uri_folder" (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_]

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

EtykietowanieJobProperties

Nazwa	Opis	Wartość
Componentid	Identyfikator zasobu usługi ARM zasobu składnika.	ciąg
computeId	Identyfikator zasobu obliczeniowego usługi ARM.	ciąg
dataConfiguration	Konfiguracja danych używanych w zadaniu.	LabelingDataConfiguration
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
jobInstructions	Instrukcje dotyczące etykietowania zadania.	LabelingJobInstructions
jobType	[Wymagane] Określa typ zadania.	"AutoML" "Polecenie" "Etykietowanie" "Potok" "Spark" "Zamiatanie" (wymagane)
labelCategories	Etykieta kategorii zadania.	LabelingJobLabelCategories
labelingJobMediaProperties	Właściwości specyficzne dla nośnika w zadaniu.	LabelingJobMediaProperties
mlAssistConfiguration	Konfiguracja funkcji MLAssist w zadaniu.	MlAssistConfiguration
properties	Słownik właściwości elementu zawartości.	Właściwości bazy danych zasobów
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

LabelingDataConfiguration

Nazwa	Opis	Wartość
dataId	Identyfikator zasobu danych do wykonania etykietowania.	ciąg
incrementalDataRefreshEnabled	Wskazuje, czy włączyć odświeżanie danych przyrostowych.	bool

LabelingJobInstructions

Nazwa	Opis	Wartość
Identyfikator uri	Link do strony ze szczegółowymi instrukcjami etykietowania dla etykiet.	ciąg

LabelingJobLabelCategories

Nazwa	Opis	Wartość
{niestandardowa właściwość}		EtykietaKategory
{niestandardowa właściwość}		EtykietaKategory

EtykietaKategory

Nazwa	Opis	Wartość
Klasy	Słownik klas etykiet w tej kategorii.	LabelCategoryClasses
displayName	Nazwa wyświetlana kategorii etykiet.	ciąg
multiSelectEnabled	Wskazuje, czy można wybrać wiele klas w tej kategorii.	bool

LabelCategoryClasses

Nazwa	Opis	Wartość
{niestandardowa właściwość}		LabelClass

LabelClass

Nazwa	Opis	Wartość
displayName	Nazwa wyświetlana klasy label.	ciąg
Podklasy	Słownik podklas klasy label.	LabelClassSubclasses

LabelClassSubclasses

Nazwa	Opis	Wartość
{niestandardowa właściwość}		LabelClass

LabelingJobMediaProperties

Nazwa	Opis	Wartość
Mediatype	Ustawianie typu obiektu	Obraz Tekst (wymagany)

LabelingJobImageProperties

Nazwa	Opis	Wartość
Mediatype	[Wymagane] Typ nośnika zadania.	"Obraz" (wymagany)
annotationType	Typ adnotacji zadania etykietowania obrazów.	"BoundingBox" "Klasyfikacja" "InstanceSegmentation"

LabelingJobTextProperties

Nazwa	Opis	Wartość
Mediatype	[Wymagane] Typ nośnika zadania.	"Tekst" (wymagany)
annotationType	Typ adnotacji zadania etykietowania tekstu.	"Klasyfikacja" "NamedEntityRecognition"

MlAssistConfiguration

Nazwa	Opis	Wartość
mlAssist	Ustawianie typu obiektu	Disabled Włączone (wymagane)

MLAssistConfigurationDisabled

Nazwa	Opis	Wartość
mlAssist	[Wymagane] Wskazuje, czy funkcja MLAssist jest włączona.	"Wyłączone" (wymagane)

MLAssistConfigurationEnabled

Nazwa	Opis	Wartość
mlAssist	[Wymagane] Wskazuje, czy funkcja MLAssist jest włączona.	"Włączone" (wymagane)
inferencingComputeBinding	[Wymagane] Powiązanie obliczeniowe AML używane w wnioskowaniu.	ciąg (wymagany) Ograniczenia: Wzorzec = [a-zA-Z0-9_]
trainingComputeBinding	[Wymagane] Powiązanie obliczeniowe AML używane podczas trenowania.	ciąg (wymagany) Ograniczenia: Wzorzec = [a-zA-Z0-9_]

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.	W przypadku funkcji Bicep można użyć funkcji any().
sourceJobId	Identyfikator zasobu usługi ARM zadania źródłowego.	ciąg

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

Zadanie SparkJob

Nazwa	Opis	Wartość
jobType	[Wymagane] Określa typ zadania.	"Spark" (wymagane)
Archiwum	Archiwizuj pliki używane w zadaniu.	ciąg[]
args	Argumenty zadania.	ciąg
codeId	[Wymagane] Identyfikator zasobu usługi ARM zasobu kodu.	ciąg (wymagany) Ograniczenia: Wzorzec = [a-zA-Z0-9_]
Conf	Właściwości skonfigurowane przez platformę Spark.	SparkJobConf
entry	[Wymagane] Wpis do wykonania podczas uruchamiania zadania.	SparkJobEntry (wymagane)
environmentId	Identyfikator zasobu usługi ARM specyfikacji środowiska dla zadania.	ciąg
files	Pliki używane w zadaniu.	ciąg[]
Wejścia	Mapowanie powiązań danych wejściowych używanych w zadaniu.	SparkJobInputs
Słoiki	Pliki Jar używane w zadaniu.	ciąg[]
Wyjść	Mapowanie powiązań danych wyjściowych używanych w zadaniu.	SparkJobOutputs
pyFiles	Pliki języka Python używane w zadaniu.	ciąg[]
zasoby	Konfiguracja zasobów obliczeniowych dla zadania.	SparkResourceConfiguration

SparkJobConf

Nazwa	Opis	Wartość
{niestandardowa właściwość}		ciąg

SparkJobEntry

Nazwa	Opis	Wartość
sparkJobEntryType	Ustawianie typu obiektu	SparkJobPythonEntry SparkJobScalaEntry (wymagane)

SparkJobPythonEntry

Nazwa	Opis	Wartość
sparkJobEntryType	[Wymagane] Typ punktu wejścia zadania.	"SparkJobPythonEntry" (wymagane)
— plik	[Wymagane] Względna ścieżka pliku języka Python dla punktu wejścia zadania.	ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_]

SparkJobScalaEntry

Nazwa	Opis	Wartość
sparkJobEntryType	[Wymagane] Typ punktu wejścia zadania.	"SparkJobScalaEntry" (wymagane)
Classname	[Wymagane] Nazwa klasy Scala używana jako punkt wejścia.	ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_]

SparkJobInputs

Nazwa	Opis	Wartość
{niestandardowa właściwość}		JobInput

SparkJobOutputs

Nazwa	Opis	Wartość
{niestandardowa właściwość}		JobOutput

SparkResourceConfiguration

Nazwa	Opis	Wartość
Instancetype	Opcjonalny typ maszyny wirtualnej używany jako obsługiwany przez docelowy obiekt obliczeniowy.	ciąg
runtimeVersion	Wersja środowiska uruchomieniowego platformy Spark używana dla zadania.	ciąg

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	W przypadku Bicep można użyć funkcji any(). (wymagane)
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	"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 generowania liczb losowych	int

TrialComponent

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.	JobResourceConfiguration

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 terminy w instytucji finansowej.
Tworzenie zadania polecenia usługi Azure Machine Learning	Ten szablon tworzy zadanie polecenia usługi Azure Machine Learning z podstawowym skryptem hello_world
Tworzenie zadania zamiatania usługi Azure Machine Learning	Ten szablon tworzy zadanie zamiatania usługi Azure Machine Learning na potrzeby dostrajania hiperparametrów.

Definicja zasobu szablonu usługi ARM

Typ zasobu obszarów roboczych/zadań można wdrożyć 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": "2022-06-01-preview",
  "name": "string",
  "properties": {
    "componentId": "string",
    "computeId": "string",
    "description": "string",
    "displayName": "string",
    "experimentName": "string",
    "identity": {
      "identityType": "string"
      // For remaining properties, see IdentityConfiguration objects
    },
    "isArchived": "bool",
    "properties": {
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string"
    },
    "services": {
      "{customized property}": {
        "endpoint": "string",
        "jobServiceType": "string",
        "port": "int",
        "properties": {
          "{customized property}": "string"
        }
      },
      "{customized property}": {
        "endpoint": "string",
        "jobServiceType": "string",
        "port": "int",
        "properties": {
          "{customized property}": "string"
        }
      }
    },
    "tags": {
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string"
    },
    "jobType": "string"
    // For remaining properties, see JobBaseProperties objects
  }
}

Obiekty JobBaseProperties

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": {
    "dockerArgs": "string",
    "instanceCount": "int",
    "instanceType": "string",
    "properties": {
      "{customized property}": {},
      "{customized property}": {}
    },
    "shmSize": "string"
  },
  "taskDetails": {
    "logVerbosity": "string",
    "targetColumnName": "string",
    "trainingData": {
      "description": "string",
      "jobInputType": "string",
      "mode": "string",
      "uri": "string"
    },
    "taskType": "string"
    // For remaining properties, see AutoMLVertical objects
  }

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": {
    "dockerArgs": "string",
    "instanceCount": "int",
    "instanceType": "string",
    "properties": {
      "{customized property}": {},
      "{customized property}": {}
    },
    "shmSize": "string"
  }

W przypadku etykietowania użyj:

  "jobType": "Labeling",
  "dataConfiguration": {
    "dataId": "string",
    "incrementalDataRefreshEnabled": "bool"
  },
  "jobInstructions": {
    "uri": "string"
  },
  "labelCategories": {
    "{customized property}": {
      "classes": {
        "{customized property}": {
          "displayName": "string",
          "subclasses": {
            "{customized property}": {}
        }
      },
      "displayName": "string",
      "multiSelectEnabled": "bool"
    },
    "{customized property}": {
      "classes": {
        "{customized property}": {
          "displayName": "string",
          "subclasses": {
            "{customized property}": {}
        }
      },
      "displayName": "string",
      "multiSelectEnabled": "bool"
    }
  },
  "labelingJobMediaProperties": {
    "mediaType": "string"
    // For remaining properties, see LabelingJobMediaProperties objects
  },
  "mlAssistConfiguration": {
    "mlAssist": "string"
    // For remaining properties, see MLAssistConfiguration objects
  }

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": {},
  "sourceJobId": "string"

W przypadku platformy Spark użyj:

  "jobType": "Spark",
  "archives": [ "string" ],
  "args": "string",
  "codeId": "string",
  "conf": {
    "{customized property}": "string"
  },
  "entry": {
    "sparkJobEntryType": "string"
    // For remaining properties, see SparkJobEntry objects
  },
  "environmentId": "string",
  "files": [ "string" ],
  "inputs": {
    "{customized property}": {
      "description": "string",
      "jobInputType": "string"
      // For remaining properties, see JobInput objects
    }
  },
  "jars": [ "string" ],
  "outputs": {
    "{customized property}": {
      "description": "string",
      "jobOutputType": "string"
      // For remaining properties, see JobOutput objects
    }
  },
  "pyFiles": [ "string" ],
  "resources": {
    "instanceType": "string",
    "runtimeVersion": "string"
  }

W przypadku zamiatania użyj:

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

Obiekty IdentityConfiguration

Ustaw właściwość identityType , aby określić typ obiektu.

W przypadku rozwiązania 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 JobOutput

Ustaw właściwość jobOutputType , aby określić typ obiektu.

W przypadku custom_model użyj:

  "jobOutputType": "custom_model",
  "mode": "string",
  "uri": "string"

W przypadku mlflow_model użyj:

  "jobOutputType": "mlflow_model",
  "mode": "string",
  "uri": "string"

W przypadku metody mltable użyj:

  "jobOutputType": "mltable",
  "mode": "string",
  "uri": "string"

W przypadku triton_model użyj:

  "jobOutputType": "triton_model",
  "mode": "string",
  "uri": "string"

W przypadku uri_file użyj:

  "jobOutputType": "uri_file",
  "mode": "string",
  "uri": "string"

W przypadku uri_folder użyj:

  "jobOutputType": "uri_folder",
  "mode": "string",
  "uri": "string"

Obiekty autoMLVertical

Ustaw właściwość taskType , aby określić typ obiektu.

W przypadku klasyfikacji użyj:

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

W przypadku prognozowania użyj:

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

W przypadku klasyfikacji obrazów użyj:

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

W przypadku elementu ImageClassificationMultilabel użyj:

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

W przypadku klasy ImageInstanceSegmentation użyj:

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

W przypadku elementu ImageObjectDetection użyj:

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

W przypadku regresji użyj:

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

W przypadku klasyfikacji tekstu użyj:

  "taskType": "TextClassification",
  "featurizationSettings": {
    "datasetLanguage": "string"
  },
  "limitSettings": {
    "maxConcurrentTrials": "int",
    "maxTrials": "int",
    "timeout": "string"
  },
  "primaryMetric": "string",
  "validationData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  }

W przypadku elementu TextClassificationMultilabel użyj:

  "taskType": "TextClassificationMultilabel",
  "featurizationSettings": {
    "datasetLanguage": "string"
  },
  "limitSettings": {
    "maxConcurrentTrials": "int",
    "maxTrials": "int",
    "timeout": "string"
  },
  "validationData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  }

W przypadku funkcji TextNER użyj:

  "taskType": "TextNER",
  "featurizationSettings": {
    "datasetLanguage": "string"
  },
  "limitSettings": {
    "maxConcurrentTrials": "int",
    "maxTrials": "int",
    "timeout": "string"
  },
  "validationData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  }

Obiekty NCrossValidations

Ustaw właściwość mode , aby określić typ obiektu.

W przypadku opcji Auto użyj:

  "mode": "Auto"

W przypadku opcji Niestandardowe użyj:

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

Obiekty ForecastHorizon

Ustaw właściwość mode , aby określić typ obiektu.

W przypadku opcji Auto użyj:

  "mode": "Auto"

W przypadku opcji Niestandardowe użyj:

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

Obiekty sezonowości

Ustaw właściwość mode , aby określić typ obiektu.

W przypadku opcji Auto użyj:

  "mode": "Auto"

W przypadku opcji Niestandardowe użyj:

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

Obiekty TargetLags

Ustaw właściwość mode , aby określić typ obiektu.

W przypadku opcji Auto użyj:

  "mode": "Auto"

W przypadku opcji Niestandardowe użyj:

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

Obiekty TargetRollingWindowSize

Ustaw właściwość mode , aby określić typ obiektu.

W przypadku opcji Auto użyj:

  "mode": "Auto"

W przypadku opcji Niestandardowe użyj:

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

Obiekty EarlyTerminationPolicy

Ustaw właściwość policyType , aby określić typ obiektu.

W przypadku elementu Bandit użyj:

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

W przypadku rozwiązania 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 narzędzia 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 custom_model użyj:

  "jobInputType": "custom_model",
  "mode": "string",
  "uri": "string"

W przypadku literału użyj:

  "jobInputType": "literal",
  "value": "string"

W przypadku mlflow_model użyj:

  "jobInputType": "mlflow_model",
  "mode": "string",
  "uri": "string"

W przypadku metody mltable użyj:

  "jobInputType": "mltable",
  "mode": "string",
  "uri": "string"

W przypadku triton_model użyj:

  "jobInputType": "triton_model",
  "mode": "string",
  "uri": "string"

W przypadku uri_file użyj:

  "jobInputType": "uri_file",
  "mode": "string",
  "uri": "string"

W przypadku uri_folder użyj:

  "jobInputType": "uri_folder",
  "mode": "string",
  "uri": "string"

LabelingJobMediaProperties obiektów

Ustaw właściwość mediaType , aby określić typ obiektu.

W obszarze Obraz użyj:

  "mediaType": "Image",
  "annotationType": "string"

W obszarze Tekst użyj:

  "mediaType": "Text",
  "annotationType": "string"

Obiekty MLAssistConfiguration

Ustaw właściwość mlAssist , aby określić typ obiektu.

W przypadku opcji Wyłączone użyj:

  "mlAssist": "Disabled"

W obszarze Włączone użyj:

  "mlAssist": "Enabled",
  "inferencingComputeBinding": "string",
  "trainingComputeBinding": "string"

Obiekty SparkJobEntry

Ustaw właściwość sparkJobEntryType , aby określić typ obiektu.

W przypadku platformy SparkJobPythonEntry użyj:

  "sparkJobEntryType": "SparkJobPythonEntry",
  "file": "string"

W przypadku elementu SparkJobScalaEntry użyj:

  "sparkJobEntryType": "SparkJobScalaEntry",
  "className": "string"

Próbkowanie obiektówAlgorithm

Ustaw właściwość samplingAlgorithmType , aby określić typ obiektu.

W przypadku bayesianu użyj:

  "samplingAlgorithmType": "Bayesian"

W obszarze Grid użyj:

  "samplingAlgorithmType": "Grid"

W przypadku opcji 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	"2022-06-01-preview"
name	Nazwa zasobu Zobacz, jak ustawiać nazwy i typy dla zasobów podrzędnych w szablonach usługi ARM JSON.	ciąg (wymagany)
properties	[Wymagane] Dodatkowe atrybuty jednostki.	JobBaseProperties (wymagane)

JobBaseProperties

Nazwa	Opis	Wartość
Componentid	Identyfikator zasobu usługi ARM zasobu składnika.	ciąg
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 archiwizowany?	bool
properties	Słownik właściwości elementu zawartości.	Właściwości bazy danych zasobów
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 Etykietowania Potok Spark 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
{niestandardowa właściwość}		ciąg
{niestandardowa właściwość}		ciąg

JobBaseServices

Nazwa	Opis	Wartość
{niestandardowa właściwość}		JobService
{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.	JobServiceProperties

JobServiceProperties

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. Jest to opcjonalna wartość, która ma być podana, jeśli nie zostanie podana, rozwiązanie AutoML spowoduje ustawienie domyślnej wersji środowiska wyselekcjonowania produkcyjnego automatycznego uczenia maszynowego podczas uruchamiania zadania.	ciąg
environmentVariables	Zmienne środowiskowe uwzględnione w zadaniu.	AutoMLJobEnvironmentVariables
Wyjść	Mapowanie powiązań danych wyjściowych używanych w zadaniu.	AutoMLJobOutputs
zasoby	Konfiguracja zasobu obliczeniowego dla zadania.	JobResourceConfiguration
taskDetails	[Wymagane] Reprezentuje to scenariusz, który może być jednym 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	custom_model mlflow_model mltable triton_model uri_file uri_folder (wymagane)

CustomModelJobOutput

Nazwa	Opis	Wartość
jobOutputType	[Wymagane] Określa typ zadania.	"custom_model" (wymagane)
tryb	Tryb dostarczania elementów zawartości wyjściowej.	"Bezpośrednie" "ReadWriteMount" "Przekaż"
Identyfikator uri	Identyfikator URI elementu zawartości wyjściowej.	ciąg

MLFlowModelJobOutput

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

TritonModelJobOutput

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

UriFileJobOutput

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

UriFolderJobOutput

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

JobResourceConfiguration

Nazwa	Opis	Wartość
dockerArgs	Dodatkowe argumenty do przekazania do polecenia do uruchomienia platformy Docker. Spowoduje to zastąpienie wszystkich parametrów, które zostały już ustawione przez system lub w tej sekcji. Ten parametr jest obsługiwany tylko w przypadku typów obliczeniowych usługi Azure ML.	ciąg
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
shmSize	Rozmiar bloku pamięci udostępnionej kontenera platformy Docker. Powinno to być w formacie (liczba)(jednostka), w którym liczba ma być większa niż 0, a jednostka może być jedną z b(bajtów), k(kilobajtów), m(megabajty) lub g(gigabajty).	ciąg Ograniczenia: Wzorzec = \d+[bBkKmMgG]

ResourceConfigurationProperties

Nazwa	Opis	Wartość
{niestandardowa właściwość}
{niestandardowa właściwość}

AutoMLVertical

Nazwa	Opis	Wartość
logVerbosity	Rejestrowanie szczegółowości zadania.	"Krytyczne" "Debuguj" "Błąd" "Informacje" "NotSet" "Ostrzeżenie"
targetColumnName	Nazwa kolumny docelowej: jest to kolumna wartości przewidywania. Znana również jako nazwa kolumny etykiety w kontekście zadań klasyfikacji.	ciąg
trainingData	[Wymagane] Dane wejściowe danych szkoleniowych.	MLTableJobInput (wymagane)
Tasktype	Ustawianie typu obiektu	Klasyfikacji Prognozowanie ImageClassification ImageClassificationMultilabel ImageInstanceSegmentation ImageObjectDetection Regresja TextClassification TextClassificationMultilabel TextNER (wymagane)

MlTableJobInput

Nazwa	Opis	Wartość
description (opis)	Opis danych wejściowych.	ciąg
jobInputType	[Wymagane] Określa typ zadania.	"custom_model" "literał" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (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_]

Klasyfikacja

Nazwa	Opis	Wartość
Tasktype	[Wymagane] Typ zadania dla zadania AutoMLJob.	"Klasyfikacja" (wymagana)
cvSplitColumnNames	Kolumny do użycia dla danych CVSplit.	ciąg[]
cechowanieUstawienia	Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML.	TableVerticalFeaturizationSettings
limitSettings	Ograniczenia wykonywania dla zadania AutoMLJob.	TableVerticalLimitSettings
nCrossValidations	Liczba składań krzyżowych do zastosowania w zestawie danych szkoleniowych gdy zestaw danych sprawdzania poprawności nie jest podany.	NCrossValidations
positiveLabel	Etykieta dodatnia dla obliczeń metryk binarnych.	ciąg
primaryMetric	Podstawowa metryka zadania.	"AUCWeighted" "Dokładność" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted"
Testdata	Testowanie danych wejściowych.	MLTableJobInput
testDataSize	Ułamek zestawu danych testowych, który musi zostać odłożone na potrzeby walidacji. Wartości z zakresu (0.0, 1.0) Zastosowano, gdy nie podano zestawu danych weryfikacji.	int
trainingSettings	Dane wejściowe fazy trenowania zadania automatycznego uczenia maszynowego.	ClassificationTrainingSettings
validationData	Dane wejściowe 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
weightColumnName	Nazwa kolumny wagi próbki. Zautomatyzowane uczenie maszynowe obsługuje kolumnę ważoną jako dane wejściowe, co powoduje, że wiersze w danych mają być ważone w górę lub w dół.	ciąg

TableVerticalFeaturizationSettings

Nazwa	Opis	Wartość
blockedTransformers	Transformatory te nie są stosowane w cechowaniu.	Tablica ciągów zawierająca dowolną z: "CatTargetEncoder" "CountVectorizer" "HashOneHotEncoder" "LabelEncoder" "NaiveBayes" "OneHotEncoder" "TextTargetEncoder" "TfIdf" "WoETargetEncoder" "WordEmbedding"
columnNameAndTypes	Słownik nazwy kolumny i jego typu (int, float, string, datetime itp.).	TableVerticalFeaturizationSettingsColumnNameAndTypes
datasetLanguage	Język zestawu danych, przydatny dla danych tekstowych.	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.

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

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] Wartość N-Cross validations.N-Cross validations (N-Cross validations).	int (wymagane)

ClassificationTrainingSettings

Nazwa	Opis	Wartość
allowedTrainingAlgorithms	Dozwolone modele dla zadania klasyfikacji.	Tablica ciągów zawierająca dowolną z: "BernoulliNaiveBayes" "DecisionTree" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LightGBM" "LinearSVM" "LogisticsRegression" "MultinomialNaiveBayes" "RandomForest" "SGD" "SVM" "XGBoostClassifier"
blockedTrainingAlgorithms	Zablokowane modele dla zadania klasyfikacji.	Tablica ciągów zawierająca dowolną z: "BernoulliNaiveBayes" "DecisionTree" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LightGBM" "LinearSVM" "LogisticsRegression" "MultinomialNaiveBayes" "RandomForest" "SGD" "SVM" "XGBoostClassifier"
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)
cvSplitColumnNames	Kolumny do użycia dla danych CVSplit.	ciąg[]
featurizationSettings	Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML.	TableVerticalFeaturizationSettings
forecastingSettings	Prognozowanie danych wejściowych specyficznych dla zadania.	PrognozowanieSettings
limitSettings	Ograniczenia wykonywania dla zadania AutoMLJob.	TableVerticalLimitSettings
nCrossValidations	Liczba składań krzyżowych do zastosowania w zestawie danych szkoleniowych jeśli zestaw danych weryfikacji nie jest podany.	NCrossValidations
podstawowa metryka	Podstawowa metryka dla zadania prognozowania.	"NormalizedMeanAbsoluteError" "NormalizedRootMeanSquaredError" "R2Score" "SpearmanCorrelation"
Testdata	Testowanie danych wejściowych.	MLTableJobInput
testDataSize	Ułamek zestawu danych testowych, który musi zostać odłożone na potrzeby walidacji. Wartości z zakresu (0.0, 1.0) Zastosowano, gdy nie podano zestawu danych weryfikacji.	int
trainingSettings	Dane wejściowe fazy trenowania zadania automatycznego uczenia maszynowego.	Prognozowanie trenowaniaUstawienia
validationData	Dane wejściowe 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
weightColumnName	Nazwa kolumny wagi próbki. Zautomatyzowane uczenie maszynowe obsługuje kolumnę ważoną jako dane wejściowe, co powoduje, że wiersze w danych mają być ważone w górę lub w dół.	ciąg

PrognozowanieSettings

Nazwa	Opis	Wartość
countryOrRegionForHolidays	Kraj lub region 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 będzie trzy 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)

PrognozowanietrainingSettings

Nazwa	Opis	Wartość
allowedTrainingAlgorithms	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"
blockedTrainingAlgorithms	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"
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

ImageClassification

Nazwa	Opis	Wartość
Tasktype	[Wymagane] Typ zadania dla zadania AutoMLJob.	"ImageClassification" (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" "NormMacroRecall" "PrecisionScoreWeighted"
searchSpace	Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów.	ImageModelDistributionSettingsClassification[]
sweepSettings	Ustawienia związane z zamiatanie modelu i zamiatanie hiperparametrów.	ImageSweepSettings
validationData	Dane wejściowe danych walidacji.	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
checkpointFrequency	Częstotliwość przechowywania punktów kontrolnych modelu. Musi być dodatnią liczbą całkowitą.	int
checkpointModel	Wstępnie wytrenowany model punktu kontrolnego na potrzeby trenowania przyrostowego.	MLFlowModelJobInput
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 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 zagnieżdżanie, 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 liczbą całkowitą nie ujemną.	int
Optymalizator	Typ optymalizatora.	"Adam" "Adamw" "Brak" "Sgd"
randomSeed	Losowe nasion do użycia podczas trenowania deterministycznego.	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
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

MLFlowModelJobInput

Nazwa	Opis	Wartość
description (opis)	Opis danych wejściowych.	ciąg
jobInputType	[Wymagane] Określa typ zadania.	"custom_model" "Literał" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (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_]

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 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
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)
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
validationData	Dane wejściowe danych walidacji.	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

ImageInstanceSegmentation

Nazwa	Opis	Wartość
Tasktype	[Wymagane] Typ zadania dla zadania AutoMLJob.	"ImageInstanceSegmentation" (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
validationData	Dane wejściowe danych walidacji.	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

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
checkpointFrequency	Częstotliwość przechowywania punktów kontrolnych modelu. Musi być dodatnią liczbą całkowitą.	int
checkpointModel	Wstępnie wytrenowany model punktu kontrolnego na potrzeby trenowania przyrostowego.	MLFlowModelJobInput
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
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 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
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)
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
validationData	Dane wejściowe 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

Regresja

Nazwa	Opis	Wartość
Tasktype	[Wymagane] Typ zadania dla zadania AutoMLJob.	"Regresja" (wymagana)
cvSplitColumnNames	Kolumny do użycia dla danych CVSplit.	ciąg[]
featurizationSettings	Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML.	TableVerticalFeaturizationSettings
limitSettings	Ograniczenia wykonywania dla zadania AutoMLJob.	TableVerticalLimitSettings
nCrossValidations	Liczba składań krzyżowych do zastosowania w zestawie danych szkoleniowych jeśli zestaw danych weryfikacji nie jest podany.	NCrossValidations
podstawowa metryka	Podstawowa metryka zadania regresji.	"NormalizedMeanAbsoluteError" "NormalizedRootMeanSquaredError" "R2Score" "SpearmanCorrelation"
Testdata	Testowanie danych wejściowych.	MLTableJobInput
testDataSize	Ułamek zestawu danych testowych, który musi zostać odłożone na potrzeby walidacji. Wartości z zakresu (0.0, 1.0) Zastosowano, gdy nie podano zestawu danych weryfikacji.	int
trainingSettings	Dane wejściowe fazy trenowania zadania automatycznego uczenia maszynowego.	RegressionTrainingSettings
validationData	Dane wejściowe 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
weightColumnName	Nazwa kolumny wagi próbki. Zautomatyzowane uczenie maszynowe obsługuje kolumnę ważoną jako dane wejściowe, co powoduje, że wiersze w danych mają być ważone w górę lub w dół.	ciąg

RegressionTrainingSettings

Nazwa	Opis	Wartość
allowedTrainingAlgorithms	Dozwolone modele dla zadania regresji.	Tablica ciągów zawierająca dowolną z: "DecisionTree" "ElasticNet" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "RandomForest" "SGD" "XGBoostRegressor"
blockedTrainingAlgorithms	Zablokowane modele dla zadania regresji.	Tablica ciągów zawierająca dowolną z: "DecisionTree" "ElasticNet" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "RandomForest" "SGD" "XGBoostRegressor"
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

TextClassification

Nazwa	Opis	Wartość
Tasktype	[Wymagane] Typ zadania dla zadania AutoMLJob.	"TextClassification" (wymagane)
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"
validationData	Dane wejściowe danych weryfikacji.	MLTableJobInput

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" (wymagany)
featurizationSettings	Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML.	NlpVerticalFeaturizationSettings
limitSettings	Ograniczenia wykonywania dla zadania AutoMLJob.	NlpVerticalLimitSettings
validationData	Dane wejściowe danych weryfikacji.	MLTableJobInput

TextNer

Nazwa	Opis	Wartość
Tasktype	[Wymagane] Typ zadania dla zadania AutoMLJob.	"TextNER" (wymagane)
featurizationSettings	Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML.	NlpVerticalFeaturizationSettings
limitSettings	Ograniczenia wykonywania dla zadania AutoMLJob.	NlpVerticalLimitSettings
validationData	Dane wejściowe danych weryfikacji.	MLTableJobInput

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.	JobResourceConfiguration

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	custom_model Literału mlflow_model mltable triton_model uri_file uri_folder (wymagane)

CustomModelJobInput

Nazwa	Opis	Wartość
jobInputType	[Wymagane] Określa typ zadania.	"custom_model" (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_]

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_]

TritonModelJobInput

Nazwa	Opis	Wartość
jobInputType	[Wymagane] Określa typ zadania.	"triton_model" (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.	"uri_file" (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.	"uri_folder" (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_]

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

LabelingJobProperties

Nazwa	Opis	Wartość
Componentid	Identyfikator zasobu usługi ARM zasobu składnika.	ciąg
computeId	Identyfikator zasobu usługi ARM zasobu obliczeniowego.	ciąg
dataConfiguration	Konfiguracja danych używanych w zadaniu.	LabelingDataConfiguration
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
jobInstructions	Instrukcje dotyczące etykietowania zadania.	LabelingJobInstructions
jobType	[Wymagane] Określa typ zadania.	"AutoML" "Polecenie" "Etykietowanie" "Potok" "Spark" "Zamiatanie" (wymagane)
labelCategories	Etykieta kategorii zadania.	LabelingJobLabelCategories
labelingJobMediaProperties	Właściwości specyficzne dla nośnika w zadaniu.	LabelingJobMediaProperties
mlAssistConfiguration	Konfiguracja funkcji MLAssist w zadaniu.	MlAssistConfiguration
properties	Słownik właściwości elementu zawartości.	Właściwości bazy danych zasobów
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

LabelingDataConfiguration

Nazwa	Opis	Wartość
dataId	Identyfikator zasobu danych do wykonania etykietowania.	ciąg
incrementalDataRefreshEnabled	Wskazuje, czy włączyć odświeżanie danych przyrostowych.	bool

LabelingJobInstructions

Nazwa	Opis	Wartość
Identyfikator uri	Link do strony ze szczegółowymi instrukcjami etykietowania dla etykiet.	ciąg

LabelingJobLabelCategories

Nazwa	Opis	Wartość
{niestandardowa właściwość}		LabelCategory
{niestandardowa właściwość}		LabelCategory

LabelCategory

Nazwa	Opis	Wartość
Klasy	Słownik klas etykiet w tej kategorii.	LabelCategoryClasses
displayName	Nazwa wyświetlana kategorii etykiet.	ciąg
multiSelectEnabled	Wskazuje, czy można wybrać wiele klas w tej kategorii.	bool

LabelCategoryClasses

Nazwa	Opis	Wartość
{niestandardowa właściwość}		LabelClass

LabelClass

Nazwa	Opis	Wartość
displayName	Nazwa wyświetlana klasy label.	ciąg
Podklasy	Słownik podklas klasy label.	LabelClassSubclasses

LabelClassSubclasses

Nazwa	Opis	Wartość
{niestandardowa właściwość}		LabelClass

EtykietowanieJobMediaProperties

Nazwa	Opis	Wartość
Mediatype	Ustawianie typu obiektu	Obraz Tekst (wymagany)

LabelingJobImageProperties

Nazwa	Opis	Wartość
Mediatype	[Wymagane] Typ nośnika zadania.	"Obraz" (wymagany)
adnotacjaType	Typ adnotacji zadania etykietowania obrazów.	"BoundingBox" "Klasyfikacja" "InstanceSegmentation"

LabelingJobTextProperties

Nazwa	Opis	Wartość
Mediatype	[Wymagane] Typ nośnika zadania.	"Tekst" (wymagany)
adnotacjaType	Typ adnotacji zadania etykietowania tekstu.	"Klasyfikacja" "NamedEntityRecognition"

MlAssistConfiguration

Nazwa	Opis	Wartość
mlAssist	Ustawianie typu obiektu	Disabled Włączone (wymagane)

MLAssistConfigurationDisabled

Nazwa	Opis	Wartość
mlAssist	[Wymagane] Wskazuje, czy funkcja MLAssist jest włączona.	"Wyłączone" (wymagane)

MLAssistConfigurationEnabled

Nazwa	Opis	Wartość
mlAssist	[Wymagane] Wskazuje, czy funkcja MLAssist jest włączona.	"Włączone" (wymagane)
wnioskowanieComputeBinding	[Wymagane] Powiązanie obliczeniowe AML używane w wnioskowaniu.	ciąg (wymagany) Ograniczenia: Wzorzec = [a-zA-Z0-9_]
trainingComputeBinding	[Wymagane] Powiązanie obliczeniowe AML używane podczas trenowania.	ciąg (wymagany) Ograniczenia: Wzorzec = [a-zA-Z0-9_]

PotokJob

Nazwa	Opis	Wartość
jobType	[Wymagane] Określa typ zadania.	"Potok" (wymagany)
Wejścia	Dane wejściowe zadania potoku.	PipelineJobInputs
Zadania	Zadania skonstruuj zadanie potoku.	PipelineJobJobs
Wyjść	Dane wyjściowe zadania potoku	PipelineJobOutputs
ustawienia	Ustawienia potoku, takie jak ContinueRunOnStepFailure itp.
sourceJobId	Identyfikator zasobu usługi ARM zadania źródłowego.	ciąg

PipelineJobInputs

Nazwa	Opis	Wartość
{niestandardowa właściwość}		JobInput

PipelineJobJobs

Nazwa	Opis	Wartość
{niestandardowa właściwość}

PipelineJobOutputs

Nazwa	Opis	Wartość
{niestandardowa właściwość}		JobOutput

SparkJob

Nazwa	Opis	Wartość
jobType	[Wymagane] Określa typ zadania.	"Spark" (wymagane)
Archiwum	Archiwizowanie plików używanych w zadaniu.	ciąg[]
args	Argumenty zadania.	ciąg
codeId	[Wymagane] Identyfikator zasobu usługi ARM zasobu kodu.	ciąg (wymagany) Ograniczenia: Wzorzec = [a-zA-Z0-9_]
Conf	Właściwości skonfigurowane przez platformę Spark.	SparkJobConf
entry	[Wymagane] Wpis do wykonania podczas uruchamiania zadania.	SparkJobEntry (wymagane)
environmentId	Identyfikator zasobu usługi ARM specyfikacji środowiska dla zadania.	ciąg
files	Pliki używane w zadaniu.	ciąg[]
Wejścia	Mapowanie powiązań danych wejściowych używanych w zadaniu.	SparkJobInputs
Słoiki	Pliki Jar używane w zadaniu.	ciąg[]
Wyjść	Mapowanie powiązań danych wyjściowych używanych w zadaniu.	SparkJobOutputs
pyFiles	Pliki języka Python używane w zadaniu.	ciąg[]
zasoby	Konfiguracja zasobu obliczeniowego dla zadania.	SparkResourceConfiguration

SparkJobConf

Nazwa	Opis	Wartość
{niestandardowa właściwość}		ciąg

SparkJobEntry

Nazwa	Opis	Wartość
sparkJobEntryType	Ustawianie typu obiektu	SparkJobPythonEntry SparkJobScalaEntry (wymagane)

SparkJobPythonEntry

Nazwa	Opis	Wartość
sparkJobEntryType	[Wymagane] Typ punktu wejścia zadania.	"SparkJobPythonEntry" (wymagane)
— plik	[Wymagane] Względna ścieżka pliku języka Python dla punktu wejścia zadania.	ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_]

SparkJobScalaEntry

Nazwa	Opis	Wartość
sparkJobEntryType	[Wymagane] Typ punktu wejścia zadania.	"SparkJobScalaEntry" (wymagane)
Classname	[Wymagane] Nazwa klasy Scala używana jako punkt wejścia.	ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_]

SparkJobInputs

Nazwa	Opis	Wartość
{niestandardowa właściwość}		JobInput

SparkJobOutputs

Nazwa	Opis	Wartość
{niestandardowa właściwość}		JobOutput

SparkResourceConfiguration

Nazwa	Opis	Wartość
Instancetype	Opcjonalny typ maszyny wirtualnej używany jako obsługiwany przez docelowy obiekt obliczeniowy.	ciąg
runtimeVersion	Wersja środowiska uruchomieniowego platformy Spark używana dla zadania.	ciąg

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	"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 generowania liczb losowych	int

TrialComponent

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.	JobResourceConfiguration

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@2022-06-01-preview"
  name = "string"
  parent_id = "string"
  body = jsonencode({
    properties = {
      componentId = "string"
      computeId = "string"
      description = "string"
      displayName = "string"
      experimentName = "string"
      identity = {
        identityType = "string"
        // For remaining properties, see IdentityConfiguration objects
      }
      isArchived = bool
      properties = {
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
      }
      services = {
        {customized property} = {
          endpoint = "string"
          jobServiceType = "string"
          port = int
          properties = {
            {customized property} = "string"
          }
        }
        {customized property} = {
          endpoint = "string"
          jobServiceType = "string"
          port = int
          properties = {
            {customized property} = "string"
          }
        }
      }
      tags = {
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
      }
      jobType = "string"
      // For remaining properties, see JobBaseProperties objects
    }
  })
}

Obiekty JobBaseProperties

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 = {
    dockerArgs = "string"
    instanceCount = int
    instanceType = "string"
    properties = {}
    shmSize = "string"
  }
  taskDetails = {
    logVerbosity = "string"
    targetColumnName = "string"
    trainingData = {
      description = "string"
      jobInputType = "string"
      mode = "string"
      uri = "string"
    }
    taskType = "string"
    // For remaining properties, see AutoMLVertical objects
  }

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 = {
    dockerArgs = "string"
    instanceCount = int
    instanceType = "string"
    properties = {}
    shmSize = "string"
  }

W przypadku etykietowania użyj:

  jobType = "Labeling"
  dataConfiguration = {
    dataId = "string"
    incrementalDataRefreshEnabled = bool
  }
  jobInstructions = {
    uri = "string"
  }
  labelCategories = {
    {customized property} = {
      classes = {
        {customized property} = {
          displayName = "string"
          subclasses = {
            {customized property} = {}
        }
      }
      displayName = "string"
      multiSelectEnabled = bool
    }
    {customized property} = {
      classes = {
        {customized property} = {
          displayName = "string"
          subclasses = {
            {customized property} = {}
        }
      }
      displayName = "string"
      multiSelectEnabled = bool
    }
  }
  labelingJobMediaProperties = {
    mediaType = "string"
    // For remaining properties, see LabelingJobMediaProperties objects
  }
  mlAssistConfiguration = {
    mlAssist = "string"
    // For remaining properties, see MLAssistConfiguration objects
  }

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
    }
  }
  sourceJobId = "string"

W przypadku platformy Spark użyj:

  jobType = "Spark"
  archives = [
    "string"
  ]
  args = "string"
  codeId = "string"
  conf = {
    {customized property} = "string"
  }
  entry = {
    sparkJobEntryType = "string"
    // For remaining properties, see SparkJobEntry objects
  }
  environmentId = "string"
  files = [
    "string"
  ]
  inputs = {
    {customized property} = {
      description = "string"
      jobInputType = "string"
      // For remaining properties, see JobInput objects
    }
  }
  jars = [
    "string"
  ]
  outputs = {
    {customized property} = {
      description = "string"
      jobOutputType = "string"
      // For remaining properties, see JobOutput objects
    }
  }
  pyFiles = [
    "string"
  ]
  resources = {
    instanceType = "string"
    runtimeVersion = "string"
  }

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 = {
      dockerArgs = "string"
      instanceCount = int
      instanceType = "string"
      properties = {}
      shmSize = "string"
    }
  }

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 JobOutput

Ustaw właściwość jobOutputType , aby określić typ obiektu.

W przypadku custom_model użyj:

  jobOutputType = "custom_model"
  mode = "string"
  uri = "string"

W przypadku mlflow_model użyj:

  jobOutputType = "mlflow_model"
  mode = "string"
  uri = "string"

W przypadku metody mltable użyj:

  jobOutputType = "mltable"
  mode = "string"
  uri = "string"

W przypadku triton_model użyj:

  jobOutputType = "triton_model"
  mode = "string"
  uri = "string"

W przypadku uri_file użyj:

  jobOutputType = "uri_file"
  mode = "string"
  uri = "string"

W przypadku uri_folder użyj:

  jobOutputType = "uri_folder"
  mode = "string"
  uri = "string"

Obiekty autoMLVertical

Ustaw właściwość taskType , aby określić typ obiektu.

W przypadku klasyfikacji użyj:

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

W przypadku prognozowania użyj:

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

W przypadku klasyfikacji obrazów użyj:

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

W przypadku elementu ImageClassificationMultilabel użyj:

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

W przypadku elementu ImageInstanceSegmentation użyj:

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

W przypadku klasy ImageObjectDetection użyj:

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

W przypadku regresji użyj:

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

W przypadku klasyfikacji tekstu użyj:

  taskType = "TextClassification"
  featurizationSettings = {
    datasetLanguage = "string"
  }
  limitSettings = {
    maxConcurrentTrials = int
    maxTrials = int
    timeout = "string"
  }
  primaryMetric = "string"
  validationData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    uri = "string"
  }

W przypadku elementu TextClassificationMultilabel użyj:

  taskType = "TextClassificationMultilabel"
  featurizationSettings = {
    datasetLanguage = "string"
  }
  limitSettings = {
    maxConcurrentTrials = int
    maxTrials = int
    timeout = "string"
  }
  validationData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    uri = "string"
  }

W przypadku funkcji TextNER użyj:

  taskType = "TextNER"
  featurizationSettings = {
    datasetLanguage = "string"
  }
  limitSettings = {
    maxConcurrentTrials = int
    maxTrials = int
    timeout = "string"
  }
  validationData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    uri = "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 custom_model użyj:

  jobInputType = "custom_model"
  mode = "string"
  uri = "string"

W przypadku literału użyj:

  jobInputType = "literal"
  value = "string"

W przypadku mlflow_model użyj:

  jobInputType = "mlflow_model"
  mode = "string"
  uri = "string"

W przypadku metody mltable użyj:

  jobInputType = "mltable"
  mode = "string"
  uri = "string"

W przypadku triton_model użyj:

  jobInputType = "triton_model"
  mode = "string"
  uri = "string"

W przypadku uri_file użyj:

  jobInputType = "uri_file"
  mode = "string"
  uri = "string"

W przypadku uri_folder użyj:

  jobInputType = "uri_folder"
  mode = "string"
  uri = "string"

LabelingJobMediaProperties, obiekty

Ustaw właściwość mediaType , aby określić typ obiektu.

W przypadku obrazu użyj:

  mediaType = "Image"
  annotationType = "string"

W przypadku tekstu użyj polecenia:

  mediaType = "Text"
  annotationType = "string"

Obiekty MLAssistConfiguration

Ustaw właściwość mlAssist , aby określić typ obiektu.

W przypadku opcji Wyłączone użyj polecenia:

  mlAssist = "Disabled"

W obszarze Włączone użyj polecenia:

  mlAssist = "Enabled"
  inferencingComputeBinding = "string"
  trainingComputeBinding = "string"

Obiekty SparkJobEntry

Ustaw właściwość sparkJobEntryType , aby określić typ obiektu.

W przypadku elementu SparkJobPythonEntry użyj:

  sparkJobEntryType = "SparkJobPythonEntry"
  file = "string"

W przypadku elementu SparkJobScalaEntry użyj:

  sparkJobEntryType = "SparkJobScalaEntry"
  className = "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@2022-06-01-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.	Właściwości bazy danych jobbase (wymagane)

Właściwości programu JobBase

Nazwa	Opis	Wartość
Componentid	Identyfikator zasobu usługi ARM zasobu składnika.	ciąg
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
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 Etykietowania Potok Spark 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)

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
{niestandardowa właściwość}		ciąg
{niestandardowa właściwość}		ciąg

JobBaseServices

Nazwa	Opis	Wartość
{niestandardowa właściwość}		JobService
{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.	JobServiceProperties

JobServiceProperties

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. Jest to opcjonalna wartość, która ma być podana, jeśli nie zostanie podana, rozwiązanie AutoML spowoduje ustawienie domyślnej wersji środowiska wyselekcjonowania produkcyjnego automatycznego uczenia maszynowego 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.	JobResourceConfiguration
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	custom_model mlflow_model mltable triton_model uri_file uri_folder (wymagane)

CustomModelJobOutput

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

MLFlowModelJobOutput

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

TritonModelJobOutput

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

UriFileJobOutput

Nazwa	Opis	Wartość
jobOutputType	[Wymagane] Określa typ zadania.	"uri_file" (wymagane)
tryb	Tryb dostarczania elementów zawartości wyjściowej.	"Bezpośredni" "ReadWriteMount" "Przekaż"
Identyfikator uri	Identyfikator URI elementu zawartości wyjściowej.	ciąg

UriFolderJobOutput

Nazwa	Opis	Wartość
jobOutputType	[Wymagane] Określa typ zadania.	"uri_folder" (wymagane)
tryb	Tryb dostarczania elementów zawartości wyjściowej.	"Bezpośredni" "ReadWriteMount" "Przekaż"
Identyfikator uri	Identyfikator URI elementu zawartości wyjściowej.	ciąg

JobResourceConfiguration

Nazwa	Opis	Wartość
dockerArgs	Dodatkowe argumenty, które mają zostać przekazane do polecenia uruchamiania platformy Docker. Spowoduje to zastąpienie wszystkich parametrów, które zostały już ustawione przez system lub w tej sekcji. Ten parametr jest obsługiwany tylko w przypadku typów obliczeniowych usługi Azure ML.	ciąg
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
shmSize	Rozmiar bloku pamięci udostępnionej kontenera platformy Docker. Powinno to być w formacie (liczba)(jednostka), gdzie liczba ma być większa niż 0, a jednostka może być jedną z b(bajtów), k(kilobajtów), m(megabajtów) lub g(gigabajtów).	ciąg Ograniczenia: Wzorzec = \d+[bBkKmMgG]

ResourceConfigurationProperties

Nazwa	Opis	Wartość
{niestandardowa właściwość}
{niestandardowa właściwość}

AutoMLVertical

Nazwa	Opis	Wartość
logVerbosity	Rejestrowanie szczegółowości zadania.	"Krytyczne" "Debugowanie" "Błąd" "Informacje" "NotSet" "Ostrzeżenie"
targetColumnName	Nazwa kolumny docelowej: jest to kolumna wartości przewidywania. Znana również jako nazwa kolumny etykiety w kontekście zadań klasyfikacji.	ciąg
trainingData	[Wymagane] Dane wejściowe danych szkoleniowych.	MLTableJobInput (wymagane)
Tasktype	Ustawianie typu obiektu	Klasyfikacji Prognozowanie ImageClassification ImageClassificationMultilabel ImageInstanceSegmentation ImageObjectDetection Regresja TextClassification TextClassificationMultilabel TextNER (wymagane)

MLTableJobInput

Nazwa	Opis	Wartość
description (opis)	Opis danych wejściowych.	ciąg
jobInputType	[Wymagane] Określa typ zadania.	"custom_model" "literał" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (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_]

Klasyfikacja

Nazwa	Opis	Wartość
Tasktype	[Wymagane] Typ zadania dla zadania AutoMLJob.	"Klasyfikacja" (wymagana)
cvSplitColumnNames	Kolumny do użycia dla danych CVSplit.	ciąg[]
featurizationSettings	Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML.	TableVerticalFeaturizationSettings
limitSettings	Ograniczenia wykonywania dla zadania AutoMLJob.	TableVerticalLimitSettings
nCrossValidations	Liczba składań krzyżowych do zastosowania w zestawie danych szkoleniowych jeśli zestaw danych weryfikacji nie jest podany.	NCrossValidations
positiveLabel	Etykieta dodatnia dla obliczeń metryk binarnych.	ciąg
podstawowa metryka	Podstawowa metryka zadania.	"AUCWeighted" "Dokładność" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted"
Testdata	Testowanie danych wejściowych.	MLTableJobInput
testDataSize	Ułamek zestawu danych testowych, który musi zostać odłożone na potrzeby walidacji. Wartości z zakresu (0.0, 1.0) Zastosowano, gdy nie podano zestawu danych weryfikacji.	int
trainingSettings	Dane wejściowe fazy trenowania zadania automatycznego uczenia maszynowego.	ClassificationTrainingSettings
validationData	Dane wejściowe 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
weightColumnName	Nazwa kolumny wagi próbki. Zautomatyzowane uczenie maszynowe obsługuje kolumnę ważoną jako dane wejściowe, co powoduje, że wiersze w danych mają być ważone w górę lub w dół.	ciąg

TableVerticalFeaturizationSettings

Nazwa	Opis	Wartość
blockedTransformers	Transformatory te nie są stosowane w cechowaniu.	Tablica ciągów zawierająca dowolną z: "CatTargetEncoder" "CountVectorizer" "HashOneHotEncoder" "LabelEncoder" "NaiveBayes" "OneHotEncoder" "TextTargetEncoder" "TfIdf" "WoETargetEncoder" "WordEmbedding"
columnNameAndTypes	Słownik nazwy kolumny i jego typu (int, float, string, datetime itp.).	TableVerticalFeaturizationSettingsColumnNameAndTypes
datasetLanguage	Język zestawu danych, przydatny dla danych tekstowych.	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

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)

ClassificationTrainingSettings

Nazwa	Opis	Wartość
allowedTrainingAlgorithms	Dozwolone modele dla zadania klasyfikacji.	Tablica ciągów zawierająca dowolną z: "BernoulliNaiveBayes" "DecisionTree" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LightGBM" "LinearSVM" "LogisticsRegression" "MultinomialNaiveBayes" "RandomForest" "SGD" "SVM" "XGBoostClassifier"
blockedTrainingAlgorithms	Zablokowane modele dla zadania klasyfikacji.	Tablica ciągów zawierająca dowolną z: "BernoulliNaiveBayes" "DecisionTree" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LightGBM" "LinearSVM" "LogisticsRegression" "MultinomialNaiveBayes" "RandomForest" "SGD" "SVM" "XGBoostClassifier"
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)
cvSplitColumnNames	Kolumny do użycia dla danych CVSplit.	ciąg[]
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
nCrossValidations	Liczba składań krzyżowych do zastosowania w zestawie danych szkoleniowych gdy zestaw danych sprawdzania poprawności nie jest podany.	NCrossValidations
primaryMetric	Podstawowa metryka zadania prognozowania.	"NormalizedMeanAbsoluteError" "NormalizedRootMeanSquaredError" "R2Score" "SpearmanCorrelation"
Testdata	Testowanie danych wejściowych.	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
trainingSettings	Dane wejściowe fazy trenowania dla zadania zautomatyzowanego uczenia maszynowego.	PrognozowanietrainingSettings
validationData	Dane wejściowe danych walidacji.	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
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

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 będzie trzy 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.	"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.	"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)

Prognozowanie trenowaniaUstawienia

Nazwa	Opis	Wartość
allowedTrainingAlgorithms	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"
blockedTrainingAlgorithms	Zablokowane 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"
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

ImageClassification

Nazwa	Opis	Wartość
Tasktype	[Wymagane] Typ zadania dla zadania AutoMLJob.	"ImageClassification" (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" "NormMacroRecall" "PrecisionScoreWeighted"
searchSpace	Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów.	ImageModelDistributionSettingsClassification[]
sweepSettings	Ustawienia związane z zamiatanie modelu i zamiatanie hiperparametrów.	ImageSweepSettings
validationData	Dane wejściowe danych walidacji.	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 zmiennoprzecinkowym w zakresie [0, 1].	int
beta2	Wartość "beta2", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie [0, 1].	int
checkpointFrequency	Częstotliwość przechowywania punktów kontrolnych modelu. Musi być dodatnią liczbą całkowitą.	int
checkpointModel	Wstępnie wytrenowany model punktu kontrolnego na potrzeby trenowania przyrostowego.	MLFlowModelJobInput
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 zagnieżdżanie, 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 liczbą całkowitą nie ujemną.	int
Optymalizator	Typ optymalizatora.	"Adam" "Adamw" "Brak" "Sgd"
randomSeed	Losowe nasion do użycia podczas trenowania deterministycznego.	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
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

MLFlowModelJobInput

Nazwa	Opis	Wartość
description (opis)	Opis danych wejściowych.	ciąg
jobInputType	[Wymagane] Określa typ zadania.	"custom_model" "literał" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (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_]

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
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)
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	Zamiatanie modelu i hiperparametr zamiatanie powiązanych ustawień.	ImageSweepSettings
validationData	Dane wejściowe 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

ImageInstanceSegmentation

Nazwa	Opis	Wartość
Tasktype	[Wymagane] Typ zadania dla zadania AutoMLJob.	"ImageInstanceSegmentation" (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
validationData	Dane wejściowe 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

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
checkpointFrequency	Częstotliwość przechowywania punktów kontrolnych modelu. Musi być dodatnią liczbą całkowitą.	int
checkpointModel	Wstępnie wytrenowany model punktu kontrolnego na potrzeby trenowania przyrostowego.	MLFlowModelJobInput
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".	"ExtraLarge" "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
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 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
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. 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)
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
validationData	Dane wejściowe 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

Regresja

Nazwa	Opis	Wartość
Tasktype	[Wymagane] Typ zadania dla zadania AutoMLJob.	"Regresja" (wymagana)
cvSplitColumnNames	Kolumny do użycia dla danych CVSplit.	ciąg[]
featurizationSettings	Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML.	TableVerticalFeaturizationSettings
limitSettings	Ograniczenia wykonywania dla zadania AutoMLJob.	TableVerticalLimitSettings
nCrossValidations	Liczba składań krzyżowych do zastosowania w zestawie danych szkoleniowych jeśli zestaw danych weryfikacji nie jest podany.	NCrossValidations
podstawowa metryka	Podstawowa metryka zadania regresji.	"NormalizedMeanAbsoluteError" "NormalizedRootMeanSquaredError" "R2Score" "SpearmanCorrelation"
Testdata	Testowanie danych wejściowych.	MLTableJobInput
testDataSize	Ułamek zestawu danych testowych, który musi zostać odłożone na potrzeby walidacji. Wartości z zakresu (0.0, 1.0) Zastosowano, gdy nie podano zestawu danych weryfikacji.	int
trainingSettings	Dane wejściowe fazy trenowania zadania automatycznego uczenia maszynowego.	RegressionTrainingSettings
validationData	Dane wejściowe 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
weightColumnName	Nazwa kolumny wagi próbki. Zautomatyzowane uczenie maszynowe obsługuje kolumnę ważoną jako dane wejściowe, co powoduje, że wiersze w danych mają być ważone w górę lub w dół.	ciąg

RegressionTrainingSettings

Nazwa	Opis	Wartość
allowedTrainingAlgorithms	Dozwolone modele dla zadania regresji.	Tablica ciągów zawierająca dowolną z: "DecisionTree" "ElasticNet" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "RandomForest" "SGD" "XGBoostRegressor"
blockedTrainingAlgorithms	Zablokowane modele dla zadania regresji.	Tablica ciągów zawierająca dowolną z: "DecisionTree" "ElasticNet" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "RandomForest" "SGD" "XGBoostRegressor"
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

TextClassification

Nazwa	Opis	Wartość
Tasktype	[Wymagane] Typ zadania dla zadania AutoMLJob.	"TextClassification" (wymagane)
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"
validationData	Dane wejściowe danych weryfikacji.	MLTableJobInput

NlpVerticalFeaturizationSettings

Nazwa	Opis	Wartość
datasetLanguage	Język zestawu danych, przydatny dla 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)
cechowanieUstawienia	Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML.	NlpVerticalFeaturizationSettings
limitSettings	Ograniczenia wykonywania dla zadania AutoMLJob.	NlpVerticalLimitSettings
validationData	Dane wejściowe danych walidacji.	MlTableJobInput

TextNer

Nazwa	Opis	Wartość
Tasktype	[Wymagane] Typ zadania dla zadania AutoMLJob.	"TextNER" (wymagane)
cechowanieUstawienia	Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML.	NlpVerticalFeaturizationSettings
limitSettings	Ograniczenia wykonywania dla zadania AutoMLJob.	NlpVerticalLimitSettings
validationData	Dane wejściowe danych walidacji.	MlTableJobInput

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.	JobResourceConfiguration

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	custom_model Literału mlflow_model mltable triton_model uri_file uri_folder (wymagane)

CustomModelJobInput

Nazwa	Opis	Wartość
jobInputType	[Wymagane] Określa typ zadania.	"custom_model" (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_]

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_]

TritonModelJobInput

Nazwa	Opis	Wartość
jobInputType	[Wymagane] Określa typ zadania.	"triton_model" (wymagane)
tryb	Tryb dostarczania zasobów wejściowych.	"Bezpośrednie" "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.	"uri_file" (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.	"uri_folder" (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_]

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

EtykietowanieJobProperties

Nazwa	Opis	Wartość
Componentid	Identyfikator zasobu usługi ARM zasobu składnika.	ciąg
computeId	Identyfikator zasobu obliczeniowego usługi ARM.	ciąg
dataConfiguration	Konfiguracja danych używanych w zadaniu.	LabelingDataConfiguration
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
jobInstructions	Instrukcje etykietowania zadania.	LabelingJobInstructions
jobType	[Wymagane] Określa typ zadania.	"AutoML" "Polecenie" "Etykietowanie" "Potok" "Spark" "Zamiatanie" (wymagane)
labelCategories	Etykieta kategorii zadania.	LabelingJobLabelCategories
labelingJobMediaProperties	Właściwości specyficzne dla nośnika w zadaniu.	LabelingJobMediaProperties
mlAssistConfiguration	Konfiguracja funkcji MLAssist w zadaniu.	MlAssistConfiguration
properties	Słownik właściwości elementu zawartości.	Właściwości bazy danych zasobów
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

LabelingDataConfiguration

Nazwa	Opis	Wartość
dataId	Identyfikator zasobu danych do wykonania etykietowania.	ciąg
incrementalDataRefreshEnabled	Wskazuje, czy włączyć odświeżanie danych przyrostowych.	bool

LabelingJobInstructions

Nazwa	Opis	Wartość
Identyfikator uri	Link do strony ze szczegółowymi instrukcjami etykietowania dla etykiet.	ciąg

LabelingJobLabelCategories

Nazwa	Opis	Wartość
{niestandardowa właściwość}		EtykietaKategory
{niestandardowa właściwość}		EtykietaKategory

EtykietaKategory

Nazwa	Opis	Wartość
Klasy	Słownik klas etykiet w tej kategorii.	LabelCategoryClasses
displayName	Nazwa wyświetlana kategorii etykiet.	ciąg
multiSelectEnabled	Wskazuje, czy można wybrać wiele klas w tej kategorii.	bool

LabelCategoryClasses

Nazwa	Opis	Wartość
{niestandardowa właściwość}		LabelClass

LabelClass

Nazwa	Opis	Wartość
displayName	Nazwa wyświetlana klasy label.	ciąg
Podklasy	Słownik podklas klasy label.	LabelClassSubclasses

LabelClassSubclasses

Nazwa	Opis	Wartość
{niestandardowa właściwość}		LabelClass

LabelingJobMediaProperties

Nazwa	Opis	Wartość
Mediatype	Ustawianie typu obiektu	Obraz Tekst (wymagany)

LabelingJobImageProperties

Nazwa	Opis	Wartość
Mediatype	[Wymagane] Typ nośnika zadania.	"Obraz" (wymagany)
adnotacjaType	Typ adnotacji zadania etykietowania obrazów.	"BoundingBox" "Klasyfikacja" "InstanceSegmentation"

LabelingJobTextProperties

Nazwa	Opis	Wartość
Mediatype	[Wymagane] Typ nośnika zadania.	"Tekst" (wymagany)
adnotacjaType	Typ adnotacji zadania etykietowania tekstu.	"Klasyfikacja" "NamedEntityRecognition"

MlAssistConfiguration

Nazwa	Opis	Wartość
mlAssist	Ustawianie typu obiektu	Disabled Włączone (wymagane)

MLAssistConfigurationDisabled

Nazwa	Opis	Wartość
mlAssist	[Wymagane] Wskazuje, czy funkcja MLAssist jest włączona.	"Wyłączone" (wymagane)

MLAssistConfigurationEnabled

Nazwa	Opis	Wartość
mlAssist	[Wymagane] Wskazuje, czy funkcja MLAssist jest włączona.	"Włączone" (wymagane)
wnioskowanieComputeBinding	[Wymagane] Powiązanie obliczeniowe AML używane w wnioskowaniu.	ciąg (wymagany) Ograniczenia: Wzorzec = [a-zA-Z0-9_]
trainingComputeBinding	[Wymagane] Powiązanie obliczeniowe AML używane podczas trenowania.	ciąg (wymagany) Ograniczenia: Wzorzec = [a-zA-Z0-9_]

PotokJob

Nazwa	Opis	Wartość
jobType	[Wymagane] Określa typ zadania.	"Potok" (wymagany)
Wejścia	Dane wejściowe zadania potoku.	PipelineJobInputs
Zadania	Zadania skonstruuj zadanie potoku.	PipelineJobJobs
Wyjść	Dane wyjściowe zadania potoku	PipelineJobOutputs
ustawienia	Ustawienia potoku, takie jak ContinueRunOnStepFailure itp.
sourceJobId	Identyfikator zasobu usługi ARM zadania źródłowego.	ciąg

PipelineJobInputs

Nazwa	Opis	Wartość
{niestandardowa właściwość}		JobInput

PipelineJobJobs

Nazwa	Opis	Wartość
{niestandardowa właściwość}

PipelineJobOutputs

Nazwa	Opis	Wartość
{niestandardowa właściwość}		JobOutput

SparkJob

Nazwa	Opis	Wartość
jobType	[Wymagane] Określa typ zadania.	"Spark" (wymagane)
Archiwum	Archiwizowanie plików używanych w zadaniu.	ciąg[]
args	Argumenty zadania.	ciąg
codeId	[Wymagane] Identyfikator zasobu usługi ARM zasobu kodu.	ciąg (wymagany) Ograniczenia: Wzorzec = [a-zA-Z0-9_]
Conf	Właściwości skonfigurowane przez platformę Spark.	SparkJobConf
entry	[Wymagane] Wpis do wykonania podczas uruchamiania zadania.	SparkJobEntry (wymagane)
environmentId	Identyfikator zasobu usługi ARM specyfikacji środowiska dla zadania.	ciąg
files	Pliki używane w zadaniu.	ciąg[]
Wejścia	Mapowanie powiązań danych wejściowych używanych w zadaniu.	SparkJobInputs
Słoiki	Pliki Jar używane w zadaniu.	ciąg[]
Wyjść	Mapowanie powiązań danych wyjściowych używanych w zadaniu.	SparkJobOutputs
pyFiles	Pliki języka Python używane w zadaniu.	ciąg[]
zasoby	Konfiguracja zasobów obliczeniowych dla zadania.	SparkResourceConfiguration

SparkJobConf

Nazwa	Opis	Wartość
{niestandardowa właściwość}		ciąg

SparkJobEntry

Nazwa	Opis	Wartość
sparkJobEntryType	Ustawianie typu obiektu	SparkJobPythonEntry SparkJobScalaEntry (wymagane)

SparkJobPythonEntry

Nazwa	Opis	Wartość
sparkJobEntryType	[Wymagane] Typ punktu wejścia zadania.	"SparkJobPythonEntry" (wymagane)
— plik	[Wymagane] Względna ścieżka pliku języka Python dla punktu wejścia zadania.	ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_]

SparkJobScalaEntry

Nazwa	Opis	Wartość
sparkJobEntryType	[Wymagane] Typ punktu wejścia zadania.	"SparkJobScalaEntry" (wymagane)
Classname	[Wymagane] Nazwa klasy Scala używana jako punkt wejścia.	ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_]

SparkJobInputs

Nazwa	Opis	Wartość
{niestandardowa właściwość}		JobInput

SparkJobOutputs

Nazwa	Opis	Wartość
{niestandardowa właściwość}		JobOutput

SparkResourceConfiguration

Nazwa	Opis	Wartość
Instancetype	Opcjonalny typ maszyny wirtualnej używany jako obsługiwany przez docelowy obiekt obliczeniowy.	ciąg
runtimeVersion	Wersja środowiska uruchomieniowego platformy Spark używana dla zadania.	ciąg

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 generowania liczb losowych	int

TrialComponent

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.	JobResourceConfiguration

TrialComponentEnvironmentVariables

Nazwa	Opis	Wartość
{niestandardowa właściwość}		ciąg