Microsoft.MachineLearningServices workspaces/jobs 2022-10-01-preview
Definicja zasobu Bicep
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 Bicep do szablonu.
resource symbolicname 'Microsoft.MachineLearningServices/workspaces/jobs@2022-10-01-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'
{customized property}: 'string'
}
services: {
{customized property}: {
endpoint: 'string'
jobServiceType: 'string'
nodes: {
nodesValueType: 'string'
// For remaining properties, see Nodes objects
}
port: int
properties: {
{customized property}: 'string'
}
}
{customized property}: {
endpoint: 'string'
jobServiceType: 'string'
nodes: {
nodesValueType: 'string'
// For remaining properties, see Nodes objects
}
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'
{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'
autologgerSettings: {
mlflowAutologger: 'string'
}
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 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: 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 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 węzłów
Ustaw właściwość nodesValueType , aby określić typ obiektu.
W przypadku wszystkich użyj polecenia:
nodesValueType: 'All'
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()
}
]
}
}
fixedParameters: {
booster: 'string'
boostingType: 'string'
growPolicy: 'string'
learningRate: int
maxBin: int
maxDepth: int
maxLeaves: int
minDataInLeaf: int
minSplitGain: int
modelName: 'string'
nEstimators: int
numLeaves: int
preprocessorName: 'string'
regAlpha: int
regLambda: int
subsample: int
subsampleFreq: int
treeMethod: 'string'
withMean: bool
withStd: bool
}
limitSettings: {
enableEarlyTermination: bool
exitScore: int
maxConcurrentTrials: int
maxCoresPerTrial: int
maxTrials: int
sweepConcurrentTrials: int
sweepTrials: int
timeout: 'string'
trialTimeout: 'string'
}
nCrossValidations: {
mode: 'string'
// For remaining properties, see NCrossValidations objects
}
positiveLabel: 'string'
primaryMetric: 'string'
searchSpace: [
{
booster: 'string'
boostingType: 'string'
growPolicy: 'string'
learningRate: 'string'
maxBin: 'string'
maxDepth: 'string'
maxLeaves: 'string'
minDataInLeaf: 'string'
minSplitGain: 'string'
modelName: 'string'
nEstimators: 'string'
numLeaves: 'string'
preprocessorName: 'string'
regAlpha: 'string'
regLambda: 'string'
subsample: 'string'
subsampleFreq: 'string'
treeMethod: 'string'
withMean: 'string'
withStd: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm: '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()
}
]
}
}
fixedParameters: {
booster: 'string'
boostingType: 'string'
growPolicy: 'string'
learningRate: int
maxBin: int
maxDepth: int
maxLeaves: int
minDataInLeaf: int
minSplitGain: int
modelName: 'string'
nEstimators: int
numLeaves: int
preprocessorName: 'string'
regAlpha: int
regLambda: int
subsample: int
subsampleFreq: int
treeMethod: 'string'
withMean: bool
withStd: bool
}
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
sweepConcurrentTrials: int
sweepTrials: int
timeout: 'string'
trialTimeout: 'string'
}
nCrossValidations: {
mode: 'string'
// For remaining properties, see NCrossValidations objects
}
primaryMetric: 'string'
searchSpace: [
{
booster: 'string'
boostingType: 'string'
growPolicy: 'string'
learningRate: 'string'
maxBin: 'string'
maxDepth: 'string'
maxLeaves: 'string'
minDataInLeaf: 'string'
minSplitGain: 'string'
modelName: 'string'
nEstimators: 'string'
numLeaves: 'string'
preprocessorName: 'string'
regAlpha: 'string'
regLambda: 'string'
subsample: 'string'
subsampleFreq: 'string'
treeMethod: 'string'
withMean: 'string'
withStd: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm: '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
}
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
}
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
}
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
}
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()
}
]
}
}
fixedParameters: {
booster: 'string'
boostingType: 'string'
growPolicy: 'string'
learningRate: int
maxBin: int
maxDepth: int
maxLeaves: int
minDataInLeaf: int
minSplitGain: int
modelName: 'string'
nEstimators: int
numLeaves: int
preprocessorName: 'string'
regAlpha: int
regLambda: int
subsample: int
subsampleFreq: int
treeMethod: 'string'
withMean: bool
withStd: bool
}
limitSettings: {
enableEarlyTermination: bool
exitScore: int
maxConcurrentTrials: int
maxCoresPerTrial: int
maxTrials: int
sweepConcurrentTrials: int
sweepTrials: int
timeout: 'string'
trialTimeout: 'string'
}
nCrossValidations: {
mode: 'string'
// For remaining properties, see NCrossValidations objects
}
primaryMetric: 'string'
searchSpace: [
{
booster: 'string'
boostingType: 'string'
growPolicy: 'string'
learningRate: 'string'
maxBin: 'string'
maxDepth: 'string'
maxLeaves: 'string'
minDataInLeaf: 'string'
minSplitGain: 'string'
modelName: 'string'
nEstimators: 'string'
numLeaves: 'string'
preprocessorName: 'string'
regAlpha: 'string'
regLambda: 'string'
subsample: 'string'
subsampleFreq: 'string'
treeMethod: 'string'
withMean: 'string'
withStd: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm: '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'
}
fixedParameters: {
gradientAccumulationSteps: int
learningRate: int
learningRateScheduler: 'string'
modelName: 'string'
numberOfEpochs: int
trainingBatchSize: int
validationBatchSize: int
warmupRatio: int
weightDecay: int
}
limitSettings: {
maxConcurrentTrials: int
maxNodes: int
maxTrials: int
timeout: 'string'
trialTimeout: 'string'
}
primaryMetric: 'string'
searchSpace: [
{
gradientAccumulationSteps: 'string'
learningRate: 'string'
learningRateScheduler: 'string'
modelName: 'string'
numberOfEpochs: 'string'
trainingBatchSize: 'string'
validationBatchSize: 'string'
warmupRatio: 'string'
weightDecay: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm: 'string'
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
W przypadku elementu TextClassificationMultilabel użyj:
taskType: 'TextClassificationMultilabel'
featurizationSettings: {
datasetLanguage: 'string'
}
fixedParameters: {
gradientAccumulationSteps: int
learningRate: int
learningRateScheduler: 'string'
modelName: 'string'
numberOfEpochs: int
trainingBatchSize: int
validationBatchSize: int
warmupRatio: int
weightDecay: int
}
limitSettings: {
maxConcurrentTrials: int
maxNodes: int
maxTrials: int
timeout: 'string'
trialTimeout: 'string'
}
searchSpace: [
{
gradientAccumulationSteps: 'string'
learningRate: 'string'
learningRateScheduler: 'string'
modelName: 'string'
numberOfEpochs: 'string'
trainingBatchSize: 'string'
validationBatchSize: 'string'
warmupRatio: 'string'
weightDecay: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm: 'string'
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
W przypadku funkcji TextNER użyj:
taskType: 'TextNER'
featurizationSettings: {
datasetLanguage: 'string'
}
fixedParameters: {
gradientAccumulationSteps: int
learningRate: int
learningRateScheduler: 'string'
modelName: 'string'
numberOfEpochs: int
trainingBatchSize: int
validationBatchSize: int
warmupRatio: int
weightDecay: int
}
limitSettings: {
maxConcurrentTrials: int
maxNodes: int
maxTrials: int
timeout: 'string'
trialTimeout: 'string'
}
searchSpace: [
{
gradientAccumulationSteps: 'string'
learningRate: 'string'
learningRateScheduler: 'string'
modelName: 'string'
numberOfEpochs: 'string'
trainingBatchSize: 'string'
validationBatchSize: 'string'
warmupRatio: 'string'
weightDecay: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm: 'string'
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
Obiekty NCrossValidations
Ustaw właściwość mode , aby określić typ obiektu.
W przypadku opcji Auto użyj:
mode: 'Auto'
W przypadku opcji Niestandardowe użyj:
mode: 'Custom'
value: int
Obiekty EarlyTerminationPolicy
Ustaw właściwość policyType , aby określić typ obiektu.
W przypadku elementu Bandit użyj:
policyType: 'Bandit'
slackAmount: int
slackFactor: int
W przypadku rozwiązania MedianStopping użyj:
policyType: 'MedianStopping'
W przypadku narzędzia TruncationSelection użyj:
policyType: 'TruncationSelection'
truncationPercentage: 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 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 |
---|---|---|
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) |
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 | |
{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 |
Węzłów | Węzły, na których użytkownik chce uruchomić usługę. Jeśli węzły nie są ustawione lub ustawione na wartość null, usługa zostanie uruchomiona tylko w węźle lidera. |
Węzły |
port | Port dla punktu końcowego ustawionego przez użytkownika. | int |
properties | Dodatkowe właściwości do ustawienia w punkcie końcowym. | Właściwości usługi zadań |
Węzły
Nazwa | Opis | Wartość |
---|---|---|
nodesValueType | Ustawianie typu obiektu | Wszystkie (wymagane) |
Wszystkie węzły
Nazwa | Opis | Wartość |
---|---|---|
nodesValueType | [Wymagane] Typ wartości Węzły | "Wszystkie" (wymagane) |
Właściwości usługi zadań
Nazwa | Opis | Wartość |
---|---|---|
{niestandardowa właściwość} | ciąg |
AutoMLJob
Nazwa | Opis | Wartość |
---|---|---|
jobType | [Wymagane] Określa typ zadania. | "AutoML" (wymagane) |
environmentId | Identyfikator zasobu usługi ARM specyfikacji środowiska dla zadania. Ta wartość jest opcjonalna, aby podać, jeśli nie zostanie podana, rozwiązanie AutoML spowoduje domyślne ustawienie wersji środowiska wyselekcjonowanych w środowisku produkcyjnym podczas uruchamiania zadania. |
ciąg |
environmentVariables | Zmienne środowiskowe uwzględnione w zadaniu. | AutoMLJobEnvironmentVariables |
Wyjść | Mapowanie powiązań danych wyjściowych używanych w zadaniu. | AutoMLJobOutputs |
zasoby | Konfiguracja zasobów obliczeniowych dla zadania. | 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 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. | "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 |
fixedParameters | Parametry modelu/trenowania, które pozostaną stałe podczas trenowania. | TableFixedParameters |
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" |
searchSpace | Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów. | TableParameterSubspace[] |
sweepSettings | Ustawienia zamiatania modelu i dostrajania hiperparametrów. | TableSweepSettings |
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. | ClassificationTrainingSettings |
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 |
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 jej typu (int, float, string, datetime itp.). | TableVerticalFeaturizationSettingsColumnNameAndTypes |
datasetLanguage | Język zestawu danych przydatny w przypadku danych tekstowych. | ciąg |
enableDnnFeaturization | Określa, czy do cechowania danych należy używać cech opartych na Dnn. | bool |
tryb | Tryb cechowania — użytkownik może zachować domyślny tryb "Auto", a rozwiązanie AutoML zajmie się niezbędną transformacją danych w fazie cechowania. Jeśli wybrano opcję "Wył.", nie jest wykonywana żadna cecha. Jeśli wybrano opcję "Niestandardowy", użytkownik może określić dodatkowe dane wejściowe, aby dostosować sposób wykonywania cechowania. |
"Auto" "Niestandardowy" "Wyłączone" |
transformerParams | Użytkownik może określić dodatkowe transformatory, które mają być używane wraz z kolumnami, do których ma zostać zastosowany, oraz parametry konstruktora transformatora. | TableVerticalFeaturizationSettingsTransformerParams |
TableVerticalFeaturizationSettingsColumnNameAndTypes
Nazwa | Opis | Wartość |
---|---|---|
{niestandardowa właściwość} | ciąg |
TableVerticalFeaturizationSettingsTransformerParams
Nazwa | Opis | Wartość |
---|---|---|
{niestandardowa właściwość} | ColumnTransformer[] |
Kolumnowyprzekształtnik
Nazwa | Opis | Wartość |
---|---|---|
fields | Pola do zastosowania logiki przekształcania. | ciąg[] |
parameters | Różne właściwości do przekazania do transformatora. Oczekiwano danych wejściowych to słownik par klucz,wartość w formacie JSON. |
W przypadku funkcji Bicep można użyć funkcji any(). |
TableFixedParameters
Nazwa | Opis | Wartość |
---|---|---|
Booster | Określ typ zwiększający, np. gbdt dla biblioteki XGBoost. | ciąg |
boostingType | Określ typ zwiększania, np. gbdt dla lightGBM. | ciąg |
growPolicy | Określ zasady zwiększania, które sterują sposobem dodawania nowych węzłów do drzewa. | ciąg |
learningRate | Wskaźnik nauki dla procedury szkoleniowej. | int |
maxBin | Określ maksymalną liczbę dyskretnych pojemników do funkcji ciągłych zasobnika. | int |
Maxdepth | Określ maksymalną głębokość, aby jawnie ograniczyć głębokość drzewa. | int |
maxLeaves | Określ maksymalne liście, aby jawnie ograniczyć liście drzewa. | int |
minDataInLeaf | Minimalna liczba danych na liść. | int |
minSplitGain | Minimalna redukcja strat wymagana do utworzenia kolejnej partycji w węźle liścia drzewa. | int |
Modelname | Nazwa modelu do trenowania. | ciąg |
nEstimators | Określ liczbę drzew (lub zaokrągleń) w modelu. | int |
numLeaves | Określ liczbę liści. | int |
preprocesorName | Nazwa preprocesora do użycia. | ciąg |
regAlpha | Termin regularyzacji L1 na wagi. | int |
regLambda | Termin regularyzacji L2 na wagi. | int |
subsample | Stosunek podprzykładu wystąpienia trenowania. | int |
subsampleFreq | Częstotliwość próbkowania podrzędnego. | int |
treeMethod | Określ metodę drzewa. | ciąg |
withMean | Jeśli ma wartość true, wyśrodkuj przed skalowaniem danych za pomocą standardowego formatu StandardScalar. | bool |
withStd | Jeśli jest to prawda, skalowanie danych przy użyciu wariancji jednostkowej za pomocą warstwy StandardScalar. | bool |
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 |
sweepConcurrentTrials | Liczba współbieżnych przebiegów zamiatania, które użytkownik chce wyzwolić. | int |
sweepTrials | Liczba przebiegów zamiatania, które użytkownik chce wyzwolić. | 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) |
TableParameterSubspace
Nazwa | Opis | Wartość |
---|---|---|
Booster | Określ typ zwiększania, np. gbdt dla biblioteki XGBoost. | ciąg |
boostingType | Określ typ zwiększania, np. gbdt dla lightGBM. | ciąg |
growPolicy | Określ zasady zwiększania, które sterują sposobem dodawania nowych węzłów do drzewa. | ciąg |
learningRate | Kurs szkoleniowy dla procedury szkoleniowej. | ciąg |
maxBin | Określ maksymalną liczbę dyskretnych pojemników do zasobników funkcji ciągłych. | ciąg |
Maxdepth | Określ maksymalną głębokość, aby jawnie ograniczyć głębokość drzewa. | ciąg |
maxLeaves | Określ maksymalne liście, aby jawnie ograniczyć liście drzewa. | ciąg |
minDataInLeaf | Minimalna liczba danych na liść. | ciąg |
minSplitGain | Minimalna redukcja utraty wymagana do wykonania kolejnej partycji w węźle liścia drzewa. | ciąg |
Modelname | Nazwa modelu do trenowania. | ciąg |
nEstimatory | Określ liczbę drzew (lub zaokrągleń) w modelu. | ciąg |
numLeaves | Określ liczbę liści. | ciąg |
preprocesorName | Nazwa preprocesora do użycia. | ciąg |
regAlpha | Termin regularyzacji L1 na wagi. | ciąg |
regLambda | Termin regularyzacji L2 na wagi. | ciąg |
subsample | Stosunek podprzykładu wystąpienia trenowania. | ciąg |
subsampleFreq | Częstotliwość podample | ciąg |
treeMethod | Określ metodę drzewa. | ciąg |
withMean | Jeśli ma wartość true, wyśrodkuj przed skalowaniem danych za pomocą standardowego formatu StandardScalar. | ciąg |
withStd | Jeśli jest to prawda, skalowanie danych przy użyciu wariancji jednostkowej za pomocą warstwy StandardScalar. | ciąg |
TableSweepSettings
Nazwa | Opis | Wartość |
---|---|---|
earlyTermination | Typ zasad wczesnego zakończenia zadania zamiatania. | EarlyTerminationPolicy |
próbkowanieAlgorithm | [Wymagane] Typ algorytmu próbkowania. | "Bayesian" "Siatka" "Losowe" (wymagane) |
EarlyTerminationPolicy
Nazwa | Opis | Wartość |
---|---|---|
delayEvaluation | Liczba interwałów, przez które należy opóźnić pierwszą ocenę. | int |
evaluationInterval | Interwał (liczba przebiegów) między ocenami zasad. | int |
policyType | Ustawianie typu obiektu | Bandyta MedianStopping TruncationSelection (wymagane) |
BanditPolicy
Nazwa | Opis | Wartość |
---|---|---|
policyType | [Wymagane] Nazwa konfiguracji zasad | "Bandit" (wymagany) |
slackAmount | Bezwzględna odległość dozwolona od najlepszego przebiegu. | int |
slackFactor | Stosunek dozwolonej odległości od najlepszego przebiegu. | int |
MedianStoppingPolicy
Nazwa | Opis | Wartość |
---|---|---|
policyType | [Wymagane] Nazwa konfiguracji zasad | "MedianStopping" (wymagane) |
TruncationSelectionPolicy
Nazwa | Opis | Wartość |
---|---|---|
policyType | [Wymagane] Nazwa konfiguracji zasad | "TruncationSelection" (wymagane) |
truncationPercentage | Procent przebiegów do anulowania w każdym interwale oceny. | int |
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. | W przypadku Bicep można użyć funkcji any(). |
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 |
fixedParameters | Parametry modelu/trenowania, które pozostaną stałe podczas trenowania. | TableFixedParameters |
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" |
searchSpace | Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów. | TableParameterSubspace[] |
sweepSettings | Ustawienia dotyczące zamiatania modelu i dostrajania hiperparametrów. | TableSweepSettings |
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 będzietrzy dni od siebie. |
int |
featureLags | Flaga generowania opóźnień dla funkcji liczbowych z wartością "auto" lub null. | "Auto" "Brak" |
forecastHorizon | Żądany maksymalny horyzont prognozy w jednostkach częstotliwości szeregów czasowych. | PrognozaHorizon |
frequency | Podczas prognozowania ten parametr reprezentuje okres, z którym jest wymagana prognoza, na przykład codziennie, co tydzień, co rok itp. Częstotliwość prognozy jest domyślnie częstotliwością zestawu danych. | ciąg |
Sezonowości | Ustaw sezonowość szeregów czasowych jako liczbę całkowitą częstotliwości serii. Jeśli sezonowość jest ustawiona na "auto", zostanie ona wywnioskowana. |
Sezonowości |
shortSeriesHandlingConfig | Parametr definiujący sposób obsługi krótkich szeregów czasowych przez rozwiązanie AutoML. | "Auto" "Upuść" "Brak" "Pad" |
targetAggregateFunction | Funkcja używana do agregowania kolumny docelowej szeregów czasowych w celu zachowania zgodności z określoną częstotliwością użytkownika. Jeśli parametr TargetAggregateFunction jest ustawiony, tj. "Brak", ale parametr freq nie jest ustawiony, zostanie zgłoszony błąd. Możliwe funkcje agregacji docelowej to: "sum", "max", "min" i "mean". |
"Max" "Średnia" "Min" "Brak" "Suma" |
targetLags | Liczba poprzednich okresów do opóźnienia z kolumny docelowej. | TargetLags |
targetRollingWindowSize | Liczba poprzednich okresów użytych do utworzenia średniej okna kroczącego kolumny docelowej. | TargetRollingWindowSize |
timeColumnName | Nazwa kolumny czasowej. Ten parametr jest wymagany podczas prognozowania, aby określić kolumnę datetime w danych wejściowych używanych do kompilowania szeregów czasowych i wnioskowania o jego częstotliwości. | ciąg |
timeSeriesIdColumnNames | Nazwy kolumn używanych do grupowania 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) |
Autoseasonacja
Nazwa | Opis | Wartość |
---|---|---|
tryb | [Wymagane] Tryb sezonowości. | "Auto" (wymagane) |
CustomSeasonality
Nazwa | Opis | Wartość |
---|---|---|
tryb | [Wymagane] Tryb sezonowości. | "Niestandardowy" (wymagany) |
wartość | [Wymagane] Wartość sezonowości. | 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 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 |
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 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 liczbą całkowitą nie ujemną. | ciąg |
Optymalizator | Typ optymalizatora. Musi być "sgd", "adam" lub "adamw". | ciąg |
randomSeed | Losowe nasion do użycia podczas trenowania deterministycznego. | ciąg |
stepLRGamma | Wartość gamma, gdy harmonogram szybkości nauki to "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 |
samplingAlgorithm | [Wymagane] Typ algorytmów próbkowania hiperparametrów. | "Bayesian" "Siatka" "Losowe" (wymagane) |
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 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 | 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. 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 |
fixedParameters | Parametry modelu/trenowania, które pozostaną stałe podczas trenowania. | TableFixedParameters |
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" |
searchSpace | Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów. | TableParameterSubspace[] |
sweepSettings | Ustawienia zamiatania modelu i dostrajania hiperparametrów. | TableSweepSettings |
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 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 |
fixedParameters | Parametry modelu/trenowania, które pozostaną stałe podczas trenowania. | NlpFixedParameters |
limitSettings | Ograniczenia wykonywania dla zadania AutoMLJob. | NlpVerticalLimitSettings |
podstawowa metryka | Podstawowa metryka dla zadania Text-Classification. | "AUCWeighted" "Dokładność" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted" |
searchSpace | Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów. | NlpParameterSubspace[] |
sweepSettings | Ustawienia dotyczące zamiatania modelu i dostrajania hiperparametrów. | NlpSweepSettings |
validationData | Dane wejściowe danych weryfikacji. | MLTableJobInput |
NlpVerticalFeaturizationSettings
Nazwa | Opis | Wartość |
---|---|---|
datasetLanguage | Język zestawu danych, przydatny dla danych tekstowych. | ciąg |
NlpFixedParameters
Nazwa | Opis | Wartość |
---|---|---|
gradientAccumulationSteps | Liczba kroków do gromadzenia gradientów przed uruchomieniem wstecznego przebiegu. | int |
learningRate | Kurs szkoleniowy dla procedury szkoleniowej. | int |
learningRateScheduler | Typ harmonogramu szybkości nauki do użycia podczas procedury trenowania. | "Stała" "ConstantWithWarmup" "Cosine" "CosineWithRestarts" "Liniowy" "Brak" "Wielomianowy" |
Modelname | Nazwa modelu do trenowania. | ciąg |
numberOfEpochs | Liczba epok treningowych. | int |
trainingBatchSize | Rozmiar partii dla procedury trenowania. | int |
validationBatchSize | Rozmiar partii, który ma być używany podczas oceny. | int |
warmupRatio | Stosunek rozgrzewki, używany obok LrSchedulerType. | int |
weightDecay | Rozpad masy ciała dla procedury treningowej. | int |
NlpVerticalLimitSettings
Nazwa | Opis | Wartość |
---|---|---|
maxConcurrentTrials | Maksymalna współbieżna iteracja automatycznego uczenia maszynowego. | int |
maxNodes | Maksymalna liczba węzłów do użycia na potrzeby trenowania w dowolnej pojedynczej wersji próbnej. Steruje trenowaniem rozproszonym w wielu węzłach. | int |
maxTrials | Liczba iteracji rozwiązania AutoML. | int |
timeout | Limit czasu zadania automatycznego uczenia maszynowego. | ciąg |
trialTimeout | Limit czasu dla poszczególnych wersji próbnych usługi HD. | ciąg |
NlpParameterSubspace
Nazwa | Opis | Wartość |
---|---|---|
gradientAccumulationSteps | Liczba kroków do gromadzenia gradientów przed uruchomieniem wstecznego przebiegu. | ciąg |
learningRate | Kurs szkoleniowy dla procedury szkoleniowej. | ciąg |
learningRateScheduler | Typ harmonogramu szybkości nauki do użycia podczas procedury trenowania. | ciąg |
Modelname | Nazwa modelu do trenowania. | ciąg |
numberOfEpochs | Liczba epok treningowych. | ciąg |
trainingBatchSize | Rozmiar partii dla procedury trenowania. | ciąg |
validationBatchSize | Rozmiar partii, który ma być używany podczas oceny. | ciąg |
warmupRatio | Stosunek rozgrzewki, używany obok LrSchedulerType. | ciąg |
weightDecay | Rozpad masy ciała dla procedury treningowej. | ciąg |
NlpSweepSettings
Nazwa | Opis | Wartość |
---|---|---|
earlyTermination | Typ zasad wczesnego zakończenia zadania zamiatania. | EarlyTerminationPolicy |
próbkowanieAlgorithm | [Wymagane] Typ algorytmu próbkowania. | "Bayesian" "Siatka" "Losowe" (wymagane) |
TextClassificationMultilabel
Nazwa | Opis | Wartość |
---|---|---|
Tasktype | [Wymagane] Typ zadania dla zadania AutoMLJob. | "TextClassificationMultilabel" (wymagany) |
featurizationSettings | Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML. | NlpVerticalFeaturizationSettings |
fixedParameters | Parametry modelu/trenowania, które pozostaną stałe podczas trenowania. | NlpFixedParameters |
limitSettings | Ograniczenia wykonywania dla zadania AutoMLJob. | NlpVerticalLimitSettings |
searchSpace | Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów. | NlpParameterSubspace[] |
sweepSettings | Ustawienia dotyczące zamiatania modelu i dostrajania hiperparametrów. | NlpSweepSettings |
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 |
fixedParameters | Parametry modelu/trenowania, które pozostaną stałe podczas trenowania. | NlpFixedParameters |
limitSettings | Ograniczenia wykonywania dla zadania AutoMLJob. | NlpVerticalLimitSettings |
searchSpace | Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów. | NlpParameterSubspace[] |
sweepSettings | Ustawienia dotyczące zamiatania modelu i dostrajania hiperparametrów. | NlpSweepSettings |
validationData | Dane wejściowe danych weryfikacji. | MLTableJobInput |
CommandJob
Nazwa | Opis | Wartość |
---|---|---|
jobType | [Wymagane] Określa typ zadania. | "Polecenie" (wymagane) |
autologgerSettings | Konfiguracja dystrybucji zadania. W przypadku ustawienia powinna to być jedna z wartości Mpi, Tensorflow, PyTorch lub null. | AutologgerSettings |
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 |
AutologgerSettings
Nazwa | Opis | Wartość |
---|---|---|
mlflowAutologger | [Wymagane] Wskazuje, czy autologer mlflow jest włączony. | "Wyłączone" "Włączone" (wymagane) |
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. | "Bezpośredni" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
Identyfikator uri | [Wymagane] Identyfikator URI elementu zawartości wejściowej. | ciąg (wymagany) Ograniczenia: Wzorzec = [a-zA-Z0-9_] |
LiterałJobInput
Nazwa | Opis | Wartość |
---|---|---|
jobInputType | [Wymagane] Określa typ zadania. | "literał" (wymagany) |
wartość | [Wymagane] Wartość literału dla danych wejściowych. | ciąg (wymagany) Ograniczenia: Wzorzec = [a-zA-Z0-9_] |
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 zarchiwizowane? | bool |
jobInstructions | Instrukcje etykietowania zadania. | LabelingJobInstructions |
jobType | [Wymagane] Określa typ zadania. | "AutoML" "Polecenie" "Etykietowanie" "Potok" "Spark" "Zamiatanie" (wymagane) |
labelCategories | Etykiety kategorii zadania. | LabelingJobLabelCategories |
labelingJobMediaProperties | Typ nośnika określone właściwości w zadaniu. | EtykietowanieJobMediaProperties |
mlAssistConfiguration | Konfiguracja funkcji MLAssist w zadaniu. | MlAssistConfiguration |
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 |
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 |
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 Bicep można użyć funkcji any(). |
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 |
SweepJob
Nazwa | Opis | Wartość |
---|---|---|
jobType | [Wymagane] Określa typ zadania. | "Zamiatanie" (wymagane) |
earlyTermination | Zasady wczesnego kończenia umożliwiają anulowanie przebiegów o niskiej wydajności przed ukończeniem | EarlyTerminationPolicy |
Wejścia | Mapowanie powiązań danych wejściowych używanych w zadaniu. | SweepJobInputs |
Limity | Zamiatanie limitu zadań. | SweepJobLimits |
Celem | [Wymagane] Cel optymalizacji. | Cel (wymagany) |
Wyjść | Mapowanie powiązań danych wyjściowych używanych w zadaniu. | SweepJobOutputs |
samplingAlgorithm | [Wymagane] Algorytm próbkowania hiperparametrów | PróbkowanieAlgorithm (wymagane) |
searchSpace | [Wymagane] Słownik zawierający każdy parametr i jego rozkład. Klucz słownika jest nazwą parametru | W przypadku funkcji Bicep można użyć funkcji any(). (wymagane) |
trial | [Wymagane] Definicja składnika wersji próbnej. | Wersja próbnaComponent (wymagana) |
SweepJobInputs
Nazwa | Opis | Wartość |
---|---|---|
{niestandardowa właściwość} | JobInput |
SweepJobLimits
Nazwa | Opis | Wartość |
---|---|---|
jobLimitsType | [Wymagane] Typ JobLimit. | "Polecenie" "Zamiatanie" (wymagane) |
maxConcurrentTrials | Zamiatanie zadania maksymalna liczba współbieżnych wersji próbnych. | int |
maxTotalTrials | Zamiatanie zadania maksymalna łączna liczba prób. | int |
timeout | Maksymalny czas trwania przebiegu w formacie ISO 8601, po którym zadanie zostanie anulowane. Obsługuje tylko czas trwania z dokładnością do sekund. | ciąg |
trialTimeout | Zamiatanie wartości limitu czasu wersji próbnej zadania. | ciąg |
Cel
Nazwa | Opis | Wartość |
---|---|---|
goal | [Wymagane] Definiuje obsługiwane cele metryk na potrzeby dostrajania hiperparametrów | "Maksymalizuj" "Minimalizuj" (wymagane) |
primaryMetric | [Wymagane] Nazwa metryki do optymalizacji. | ciąg (wymagany) Ograniczenia: Wzorzec = [a-zA-Z0-9_] |
SweepJobOutputs
Nazwa | Opis | Wartość |
---|---|---|
{niestandardowa właściwość} | JobOutput |
PróbkowanieAlgorithm
Nazwa | Opis | Wartość |
---|---|---|
samplingAlgorithmType | Ustawianie typu obiektu | Bayesian Siatki Losowe (wymagane) |
BayesianSamplingAlgorithm
Nazwa | Opis | Wartość |
---|---|---|
samplingAlgorithmType | [Wymagane] Algorytm używany do generowania wartości hiperparametrów wraz z właściwościami konfiguracji | "Bayesian" (wymagane) |
GridSamplingAlgorithm
Nazwa | Opis | Wartość |
---|---|---|
samplingAlgorithmType | [Wymagane] Algorytm używany do generowania wartości hiperparametrów wraz z właściwościami konfiguracji | "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": "2022-10-01-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",
"{customized property}": "string"
},
"services": {
"{customized property}": {
"endpoint": "string",
"jobServiceType": "string",
"nodes": {
"nodesValueType": "string"
// For remaining properties, see Nodes objects
},
"port": "int",
"properties": {
"{customized property}": "string"
}
},
"{customized property}": {
"endpoint": "string",
"jobServiceType": "string",
"nodes": {
"nodesValueType": "string"
// For remaining properties, see Nodes objects
},
"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",
"{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",
"autologgerSettings": {
"mlflowAutologger": "string"
},
"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 węzłów
Ustaw właściwość nodesValueType , aby określić typ obiektu.
W przypadku wszystkich użyj polecenia:
"nodesValueType": "All"
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": {}
}
]
}
},
"fixedParameters": {
"booster": "string",
"boostingType": "string",
"growPolicy": "string",
"learningRate": "int",
"maxBin": "int",
"maxDepth": "int",
"maxLeaves": "int",
"minDataInLeaf": "int",
"minSplitGain": "int",
"modelName": "string",
"nEstimators": "int",
"numLeaves": "int",
"preprocessorName": "string",
"regAlpha": "int",
"regLambda": "int",
"subsample": "int",
"subsampleFreq": "int",
"treeMethod": "string",
"withMean": "bool",
"withStd": "bool"
},
"limitSettings": {
"enableEarlyTermination": "bool",
"exitScore": "int",
"maxConcurrentTrials": "int",
"maxCoresPerTrial": "int",
"maxTrials": "int",
"sweepConcurrentTrials": "int",
"sweepTrials": "int",
"timeout": "string",
"trialTimeout": "string"
},
"nCrossValidations": {
"mode": "string"
// For remaining properties, see NCrossValidations objects
},
"positiveLabel": "string",
"primaryMetric": "string",
"searchSpace": [
{
"booster": "string",
"boostingType": "string",
"growPolicy": "string",
"learningRate": "string",
"maxBin": "string",
"maxDepth": "string",
"maxLeaves": "string",
"minDataInLeaf": "string",
"minSplitGain": "string",
"modelName": "string",
"nEstimators": "string",
"numLeaves": "string",
"preprocessorName": "string",
"regAlpha": "string",
"regLambda": "string",
"subsample": "string",
"subsampleFreq": "string",
"treeMethod": "string",
"withMean": "string",
"withStd": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"samplingAlgorithm": "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": {}
}
]
}
},
"fixedParameters": {
"booster": "string",
"boostingType": "string",
"growPolicy": "string",
"learningRate": "int",
"maxBin": "int",
"maxDepth": "int",
"maxLeaves": "int",
"minDataInLeaf": "int",
"minSplitGain": "int",
"modelName": "string",
"nEstimators": "int",
"numLeaves": "int",
"preprocessorName": "string",
"regAlpha": "int",
"regLambda": "int",
"subsample": "int",
"subsampleFreq": "int",
"treeMethod": "string",
"withMean": "bool",
"withStd": "bool"
},
"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",
"sweepConcurrentTrials": "int",
"sweepTrials": "int",
"timeout": "string",
"trialTimeout": "string"
},
"nCrossValidations": {
"mode": "string"
// For remaining properties, see NCrossValidations objects
},
"primaryMetric": "string",
"searchSpace": [
{
"booster": "string",
"boostingType": "string",
"growPolicy": "string",
"learningRate": "string",
"maxBin": "string",
"maxDepth": "string",
"maxLeaves": "string",
"minDataInLeaf": "string",
"minSplitGain": "string",
"modelName": "string",
"nEstimators": "string",
"numLeaves": "string",
"preprocessorName": "string",
"regAlpha": "string",
"regLambda": "string",
"subsample": "string",
"subsampleFreq": "string",
"treeMethod": "string",
"withMean": "string",
"withStd": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"samplingAlgorithm": "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
},
"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
},
"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
},
"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
},
"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": {}
}
]
}
},
"fixedParameters": {
"booster": "string",
"boostingType": "string",
"growPolicy": "string",
"learningRate": "int",
"maxBin": "int",
"maxDepth": "int",
"maxLeaves": "int",
"minDataInLeaf": "int",
"minSplitGain": "int",
"modelName": "string",
"nEstimators": "int",
"numLeaves": "int",
"preprocessorName": "string",
"regAlpha": "int",
"regLambda": "int",
"subsample": "int",
"subsampleFreq": "int",
"treeMethod": "string",
"withMean": "bool",
"withStd": "bool"
},
"limitSettings": {
"enableEarlyTermination": "bool",
"exitScore": "int",
"maxConcurrentTrials": "int",
"maxCoresPerTrial": "int",
"maxTrials": "int",
"sweepConcurrentTrials": "int",
"sweepTrials": "int",
"timeout": "string",
"trialTimeout": "string"
},
"nCrossValidations": {
"mode": "string"
// For remaining properties, see NCrossValidations objects
},
"primaryMetric": "string",
"searchSpace": [
{
"booster": "string",
"boostingType": "string",
"growPolicy": "string",
"learningRate": "string",
"maxBin": "string",
"maxDepth": "string",
"maxLeaves": "string",
"minDataInLeaf": "string",
"minSplitGain": "string",
"modelName": "string",
"nEstimators": "string",
"numLeaves": "string",
"preprocessorName": "string",
"regAlpha": "string",
"regLambda": "string",
"subsample": "string",
"subsampleFreq": "string",
"treeMethod": "string",
"withMean": "string",
"withStd": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"samplingAlgorithm": "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"
},
"fixedParameters": {
"gradientAccumulationSteps": "int",
"learningRate": "int",
"learningRateScheduler": "string",
"modelName": "string",
"numberOfEpochs": "int",
"trainingBatchSize": "int",
"validationBatchSize": "int",
"warmupRatio": "int",
"weightDecay": "int"
},
"limitSettings": {
"maxConcurrentTrials": "int",
"maxNodes": "int",
"maxTrials": "int",
"timeout": "string",
"trialTimeout": "string"
},
"primaryMetric": "string",
"searchSpace": [
{
"gradientAccumulationSteps": "string",
"learningRate": "string",
"learningRateScheduler": "string",
"modelName": "string",
"numberOfEpochs": "string",
"trainingBatchSize": "string",
"validationBatchSize": "string",
"warmupRatio": "string",
"weightDecay": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"samplingAlgorithm": "string"
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
}
W przypadku elementu TextClassificationMultilabel użyj:
"taskType": "TextClassificationMultilabel",
"featurizationSettings": {
"datasetLanguage": "string"
},
"fixedParameters": {
"gradientAccumulationSteps": "int",
"learningRate": "int",
"learningRateScheduler": "string",
"modelName": "string",
"numberOfEpochs": "int",
"trainingBatchSize": "int",
"validationBatchSize": "int",
"warmupRatio": "int",
"weightDecay": "int"
},
"limitSettings": {
"maxConcurrentTrials": "int",
"maxNodes": "int",
"maxTrials": "int",
"timeout": "string",
"trialTimeout": "string"
},
"searchSpace": [
{
"gradientAccumulationSteps": "string",
"learningRate": "string",
"learningRateScheduler": "string",
"modelName": "string",
"numberOfEpochs": "string",
"trainingBatchSize": "string",
"validationBatchSize": "string",
"warmupRatio": "string",
"weightDecay": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"samplingAlgorithm": "string"
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
}
W przypadku funkcji TextNER użyj:
"taskType": "TextNER",
"featurizationSettings": {
"datasetLanguage": "string"
},
"fixedParameters": {
"gradientAccumulationSteps": "int",
"learningRate": "int",
"learningRateScheduler": "string",
"modelName": "string",
"numberOfEpochs": "int",
"trainingBatchSize": "int",
"validationBatchSize": "int",
"warmupRatio": "int",
"weightDecay": "int"
},
"limitSettings": {
"maxConcurrentTrials": "int",
"maxNodes": "int",
"maxTrials": "int",
"timeout": "string",
"trialTimeout": "string"
},
"searchSpace": [
{
"gradientAccumulationSteps": "string",
"learningRate": "string",
"learningRateScheduler": "string",
"modelName": "string",
"numberOfEpochs": "string",
"trainingBatchSize": "string",
"validationBatchSize": "string",
"warmupRatio": "string",
"weightDecay": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"samplingAlgorithm": "string"
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
}
Obiekty NCrossValidations
Ustaw właściwość mode , aby określić typ obiektu.
W przypadku opcji Auto użyj:
"mode": "Auto"
W przypadku opcji Niestandardowe użyj:
"mode": "Custom",
"value": "int"
Obiekty EarlyTerminationPolicy
Ustaw właściwość policyType , aby określić typ obiektu.
W przypadku elementu Bandit użyj:
"policyType": "Bandit",
"slackAmount": "int",
"slackFactor": "int"
W przypadku rozwiązania MedianStopping użyj:
"policyType": "MedianStopping"
W przypadku narzędzia TruncationSelection użyj:
"policyType": "TruncationSelection",
"truncationPercentage": "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 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 | "2022-10-01-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 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) |
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 | |
{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 |
Węzłów | Węzły, na których użytkownik chce uruchomić usługę. Jeśli węzły nie są ustawione lub ustawione na wartość null, usługa zostanie uruchomiona tylko w węźle lidera. |
Węzły |
port | Port dla punktu końcowego ustawionego przez użytkownika. | int |
properties | Dodatkowe właściwości do ustawienia w punkcie końcowym. | JobServiceProperties |
Węzły
Nazwa | Opis | Wartość |
---|---|---|
nodesValueType | Ustawianie typu obiektu | Wszystkie (wymagane) |
AllNodes
Nazwa | Opis | Wartość |
---|---|---|
nodesValueType | [Wymagane] Typ wartości Węzły | "Wszystkie" (wymagane) |
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} | ||
{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 |
fixedParameters | Parametry modelu/trenowania, które pozostaną stałe podczas trenowania. | TableFixedParameters |
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" |
searchSpace | Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów. | TableParameterSubspace[] |
sweepSettings | Ustawienia dotyczące zamiatania modelu i dostrajania hiperparametrów. | TableSweepSettings |
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. |
TableFixedParameters
Nazwa | Opis | Wartość |
---|---|---|
Booster | Określ typ zwiększania, np. gbdt dla biblioteki XGBoost. | ciąg |
boostingType | Określ typ zwiększania, np. gbdt dla lightGBM. | ciąg |
growPolicy | Określ zasady zwiększania, które sterują sposobem dodawania nowych węzłów do drzewa. | ciąg |
learningRate | Kurs szkoleniowy dla procedury szkoleniowej. | int |
maxBin | Określ maksymalną liczbę dyskretnych pojemników do zasobników funkcji ciągłych. | int |
Maxdepth | Określ maksymalną głębokość, aby jawnie ograniczyć głębokość drzewa. | int |
maxLeaves | Określ maksymalne liście, aby jawnie ograniczyć liście drzewa. | int |
minDataInLeaf | Minimalna liczba danych na liść. | int |
minSplitGain | Minimalna redukcja utraty wymagana do wykonania kolejnej partycji w węźle liścia drzewa. | int |
Modelname | Nazwa modelu do trenowania. | ciąg |
nEstimatory | Określ liczbę drzew (lub zaokrągleń) w modelu. | int |
numLeaves | Określ liczbę liści. | int |
preprocesorName | Nazwa preprocesora do użycia. | ciąg |
regAlpha | Termin regularyzacji L1 na wagi. | int |
regLambda | Termin regularyzacji L2 na wagi. | int |
subsample | Stosunek podprzykładu wystąpienia trenowania. | int |
subsampleFreq | Częstotliwość próbkowania podrzędnego. | int |
treeMethod | Określ metodę drzewa. | ciąg |
withMean | Jeśli ma wartość true, wyśrodkuj przed skalowaniem danych za pomocą standardowego formatu StandardScalar. | bool |
withStd | Jeśli jest to prawda, skalowanie danych przy użyciu wariancji jednostkowej za pomocą warstwy StandardScalar. | bool |
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 |
sweepConcurrentTrials | Liczba współbieżnych przebiegów zamiatania, które użytkownik chce wyzwolić. | int |
sweepTrials | Liczba przebiegów zamiatania, które użytkownik chce wyzwolić. | 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] N-Cross validations wartość. | int (wymagane) |
TableParameterSubspace
Nazwa | Opis | Wartość |
---|---|---|
Booster | Określ typ zwiększający, np. gbdt dla biblioteki XGBoost. | ciąg |
boostingType | Określ typ zwiększania, np. gbdt dla lightGBM. | ciąg |
growPolicy | Określ zasady zwiększania, które sterują sposobem dodawania nowych węzłów do drzewa. | ciąg |
learningRate | Wskaźnik nauki dla procedury szkoleniowej. | ciąg |
maxBin | Określ maksymalną liczbę dyskretnych pojemników do funkcji ciągłych zasobnika. | ciąg |
Maxdepth | Określ maksymalną głębokość, aby jawnie ograniczyć głębokość drzewa. | ciąg |
maxLeaves | Określ maksymalne liście, aby jawnie ograniczyć liście drzewa. | ciąg |
minDataInLeaf | Minimalna liczba danych na liść. | ciąg |
minSplitGain | Minimalna redukcja strat wymagana do utworzenia kolejnej partycji w węźle liścia drzewa. | ciąg |
Modelname | Nazwa modelu do trenowania. | ciąg |
nEstimators | Określ liczbę drzew (lub rund) w modelu. | ciąg |
numLeaves | Określ liczbę liści. | ciąg |
preprocesorName | Nazwa preprocesora do użycia. | ciąg |
regAlpha | Termin uregulowania L1 na wagi. | ciąg |
regLambda | Termin uregulowania L2 na wagach. | ciąg |
podprzykład | Stosunek próbki podrzędnej wystąpienia trenowania. | ciąg |
subsampleFreq | Częstotliwość podample | ciąg |
treeMethod | Określ metodę drzewa. | ciąg |
withMean | Jeśli wartość true, wyśrodkuj przed skalowaniem danych przy użyciu standardscalar. | ciąg |
withStd | Jeśli wartość true, przeskalowanie danych przy użyciu wariancji jednostkowej za pomocą biblioteki StandardScalar. | ciąg |
TableSweepSettings
Nazwa | Opis | Wartość |
---|---|---|
earlyTermination | Typ zasad wczesnego zakończenia zadania zamiatania. | EarlyTerminationPolicy |
samplingAlgorithm | [Wymagane] Typ algorytmu próbkowania. | "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 |
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 |
fixedParameters | Parametry modelu/trenowania, które pozostaną stałe podczas trenowania. | TableFixedParameters |
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" |
searchSpace | Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów. | TableParameterSubspace[] |
sweepSettings | Ustawienia zamiatania modelu i dostrajania hiperparametrów. | TableSweepSettings |
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 będzietrzy dni od siebie. |
int |
featureLags | Flaga generowania opóźnień dla funkcji liczbowych z wartością "auto" lub null. | "Auto" "Brak" |
forecastHorizon | Żądany maksymalny horyzont prognozy w jednostkach częstotliwości szeregów czasowych. | PrognozaHorizon |
frequency | Podczas prognozowania ten parametr reprezentuje okres, z którym jest wymagana prognoza, na przykład codziennie, co tydzień, co rok itp. Częstotliwość prognozowania jest domyślnie częstotliwością zestawów danych. | ciąg |
Sezonowości | Ustaw sezonowość szeregów czasowych jako liczbę całkowitą częstotliwości serii. Jeśli sezonowość jest ustawiona na wartość "auto", zostanie ona wywnioskowana. |
Sezonowości |
shortSeriesHandlingConfig | Parametr definiujący sposób obsługi krótkich szeregów czasowych przez rozwiązanie AutoML. | "Auto" "Drop" "Brak" "Pad" |
targetAggregateFunction | Funkcja, która ma być używana do agregowania kolumny docelowej szeregów czasowych w celu zachowania zgodności z określoną częstotliwością użytkownika. Jeśli parametr TargetAggregateFunction jest ustawiony, tj. nie "Brak", ale parametr freq nie jest ustawiony, zostanie zgłoszony błąd. Możliwe funkcje agregacji docelowej to: "sum", "max", "min" i "mean". |
"Max" "Średnia" "Min" "Brak" "Suma" |
targetLags | Liczba poprzednich okresów do opóźnienia z kolumny docelowej. | TargetLags |
targetRollingWindowSize | Liczba poprzednich okresów użytych do utworzenia średniej okna kroczącego kolumny docelowej. | TargetRollingWindowSize |
timeColumnName | Nazwa kolumny czasu. Ten parametr jest wymagany podczas prognozowania w celu określenia kolumny datetime w danych wejściowych używanych do tworzenia szeregów czasowych i wnioskowania jego częstotliwości. | ciąg |
timeSeriesIdColumnNames | Nazwy kolumn używanych do grupowania przedziałów czasu. Może służyć do tworzenia wielu serii. Jeśli ziarno nie jest zdefiniowane, zakłada się, że zestaw danych jest jednym szeregem czasowym. Ten parametr jest używany z prognozowaniem typu zadania. |
ciąg[] |
useStl | Skonfiguruj dekompozycję STL kolumny docelowej szeregów czasowych. | "Brak" "Sezon" "SeasonTrend" |
PrognozaHorizon
Nazwa | Opis | Wartość |
---|---|---|
tryb | Ustawianie typu obiektu | Automatycznie Niestandardowe (wymagane) |
AutoForecastHorizon
Nazwa | Opis | Wartość |
---|---|---|
tryb | [Wymagane] Ustaw tryb wyboru wartości horyzontu prognozy. | "Auto" (wymagane) |
CustomForecastHorizon
Nazwa | Opis | Wartość |
---|---|---|
tryb | [Wymagane] Ustaw tryb wyboru wartości horyzontu prognozy. | "Niestandardowy" (wymagany) |
wartość | [Wymagane] Wartość horyzontu prognozy. | int (wymagane) |
Sezonowość
Nazwa | Opis | Wartość |
---|---|---|
tryb | Ustawianie typu obiektu | Automatycznie Niestandardowe (wymagane) |
Autoseasonacja
Nazwa | Opis | Wartość |
---|---|---|
tryb | [Wymagane] Tryb sezonowości. | "Auto" (wymagane) |
CustomSeasonality
Nazwa | Opis | Wartość |
---|---|---|
tryb | [Wymagane] Tryb sezonowości. | "Niestandardowy" (wymagany) |
wartość | [Wymagane] Wartość sezonowości. | 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" "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 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 |
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 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 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 zakończenia. | EarlyTerminationPolicy |
próbkowanieAlgorithm | [Wymagane] Typ algorytmów próbkowania hiperparametrów. | "Bayesian" "Siatka" "Losowe" (wymagane) |
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 |
podstawowa metryka | Podstawowa metryka do optymalizacji pod kątem tego zadania. | "AUCWeighted" "Dokładność" "AveragePrecisionScoreWeighted" "IOU" "NormMacroRecall" "PrecisionScoreWeighted" |
searchSpace | Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów. | ImageModelDistributionSettingsClassification[] |
sweepSettings | Zamiatanie modelu i hiperparametr zamiatanie powiązanych ustawień. | ImageSweepSettings |
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 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 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 być "mały", "średni", "duży" lub "xlarge". Uwaga: uruchomienie trenowania może dostać się do CUDA OOM, jeśli rozmiar modelu jest zbyt duży. Uwaga: te ustawienia są obsługiwane tylko dla algorytmu "yolov5". |
ciąg |
Tempa | Wartość tempa, gdy optymalizator ma wartość "sgd". Musi być zmiennoprzecinkowym w zakresie [0, 1]. | ciąg |
multiScale | Włącz obraz wieloskalowy, zmieniając rozmiar obrazu o +/- 50%. Uwaga: uruchomienie trenowania może dostać się do cudA OOM, jeśli nie ma wystarczającej pamięci procesora GPU. Uwaga: te ustawienia są obsługiwane tylko dla algorytmu "yolov5". |
ciąg |
nesterov | Włącz zagnieżdżanie, gdy optymalizator ma wartość "sgd". | ciąg |
nmsIouThreshold | Próg operacji we/wy używany podczas wnioskowania w procesie przetwarzania końcowego NMS. Musi być zmiennoprzecinkowy w zakresie [0, 1]. | ciąg |
numberOfEpochs | Liczba epok treningowych. Musi być dodatnią liczbą całkowitą. | ciąg |
numberOfWorkers | Liczba procesów roboczych modułu ładującego dane. Musi być liczbą całkowitą nie ujemną. | ciąg |
Optymalizator | Typ optymalizatora. Musi być "sgd", "adam" lub "adamw". | ciąg |
randomSeed | Losowe nasion do użycia podczas trenowania deterministycznego. | ciąg |
stepLRGamma | Wartość gamma, gdy harmonogram szybkości nauki to "krok". Musi być zmiennoprzecinkowym w zakresie [0, 1]. | ciąg |
stepLRStepSize | Wartość rozmiaru kroku, gdy harmonogram szybkości nauki to "krok". Musi być dodatnią liczbą całkowitą. | ciąg |
tileGridSize | Rozmiar siatki, który ma być używany do układania każdego obrazu. Uwaga: TileGridSize nie może być Brak w celu włączenia logiki wykrywania małych obiektów. Ciąg zawierający dwie liczby całkowite w formacie mxn. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5". |
ciąg |
tileOverlapRatio | Nakładanie się między sąsiednimi kafelkami w każdym wymiarze. Musi być zmiennoprzecinkowy w zakresie [0, 1). Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5". |
ciąg |
tilePredictionsNmsThreshold | Próg operacji we/wy używany do wykonywania nms podczas scalania przewidywań z kafelków i obrazu. Używane w weryfikacji/wnioskowaniu. Musi być zmiennoprzecinkowy w zakresie [0, 1]. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5". NMS: brak maksymalnego pomijania |
ciąg |
trainingBatchSize | Rozmiar partii trenowania. Musi być dodatnią liczbą całkowitą. | ciąg |
validationBatchSize | Walidacja rozmiaru partii. Musi być dodatnią liczbą całkowitą. | ciąg |
validationIouThreshold | Próg operacji we/wy do użycia podczas przetwarzania metryki weryfikacji. Musi być zmiennoprzecinkowy w zakresie [0, 1]. | ciąg |
validationMetricType | Metoda obliczeniowa metryki do użycia na potrzeby metryk weryfikacji. Musi być "none", "coco", "voc" lub "coco_voc". | ciąg |
warmupCosineLRCycles | Wartość cyklu cosinusowego podczas planowania szybkości nauki to "warmup_cosine". Musi być zmiennoprzecinkowym w zakresie [0, 1]. | ciąg |
warmupCosineLRWarmupEpochs | Wartość epok rozgrzewki, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być dodatnią liczbą całkowitą. | ciąg |
weightDecay | Wartość rozpadu wagi, gdy optymalizator to "sgd", "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie[0, 1]. | ciąg |
ImageObjectDetection
Nazwa | Opis | Wartość |
---|---|---|
Tasktype | [Wymagane] Typ zadania dla zadania AutoMLJob. | "ImageObjectDetection" (wymagane) |
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 |
fixedParameters | Parametry modelu/trenowania, które pozostaną stałe podczas trenowania. | TableFixedParameters |
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" |
searchSpace | Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów. | TableParameterSubspace[] |
sweepSettings | Ustawienia dotyczące zamiatania modelu i dostrajania hiperparametrów. | TableSweepSettings |
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 |
fixedParameters | Parametry modelu/trenowania, które pozostaną stałe podczas trenowania. | NlpFixedParameters |
limitSettings | Ograniczenia wykonywania dla zadania AutoMLJob. | NlpVerticalLimitSettings |
podstawowa metryka | Podstawowa metryka dla zadania Text-Classification. | "AUCWeighted" "Dokładność" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted" |
searchSpace | Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów. | NlpParameterSubspace[] |
sweepSettings | Ustawienia dotyczące zamiatania modelu i dostrajania hiperparametrów. | NlpSweepSettings |
validationData | Dane wejściowe danych weryfikacji. | MLTableJobInput |
NlpVerticalFeaturizationSettings
Nazwa | Opis | Wartość |
---|---|---|
datasetLanguage | Język zestawu danych, przydatny dla danych tekstowych. | ciąg |
NlpFixedParameters
Nazwa | Opis | Wartość |
---|---|---|
gradientAccumulationSteps | Liczba kroków do gromadzenia gradientów przed uruchomieniem wstecznego przebiegu. | int |
learningRate | Kurs szkoleniowy dla procedury szkoleniowej. | int |
learningRateScheduler | Typ harmonogramu szybkości nauki do użycia podczas procedury trenowania. | "Stała" "ConstantWithWarmup" "Cosine" "CosineWithRestarts" "Liniowy" "Brak" "Wielomianowy" |
Modelname | Nazwa modelu do trenowania. | ciąg |
numberOfEpochs | Liczba epok treningowych. | int |
trainingBatchSize | Rozmiar partii dla procedury trenowania. | int |
validationBatchSize | Rozmiar partii, który ma być używany podczas oceny. | int |
warmupRatio | Stosunek rozgrzewki, używany obok LrSchedulerType. | int |
weightDecay | Rozpad masy ciała dla procedury treningowej. | int |
NlpVerticalLimitSettings
Nazwa | Opis | Wartość |
---|---|---|
maxConcurrentTrials | Maksymalna współbieżna iteracja automatycznego uczenia maszynowego. | int |
maxNodes | Maksymalna liczba węzłów do użycia na potrzeby trenowania w dowolnej pojedynczej wersji próbnej. Steruje trenowaniem rozproszonym w wielu węzłach. | int |
maxTrials | Liczba iteracji rozwiązania AutoML. | int |
timeout | Limit czasu zadania automatycznego uczenia maszynowego. | ciąg |
trialTimeout | Limit czasu dla poszczególnych wersji próbnych usługi HD. | ciąg |
NlpParameterSubspace
Nazwa | Opis | Wartość |
---|---|---|
gradientAccumulationSteps | Liczba kroków do gromadzenia gradientów przed uruchomieniem wstecznego przebiegu. | ciąg |
learningRate | Kurs szkoleniowy dla procedury szkoleniowej. | ciąg |
learningRateScheduler | Typ harmonogramu szybkości nauki do użycia podczas procedury trenowania. | ciąg |
Modelname | Nazwa modelu do trenowania. | ciąg |
numberOfEpochs | Liczba epok treningowych. | ciąg |
trainingBatchSize | Rozmiar partii dla procedury trenowania. | ciąg |
validationBatchSize | Rozmiar partii, który ma być używany podczas oceny. | ciąg |
warmupRatio | Stosunek rozgrzewki, używany obok LrSchedulerType. | ciąg |
weightDecay | Rozpad masy ciała dla procedury treningowej. | ciąg |
NlpSweepSettings
Nazwa | Opis | Wartość |
---|---|---|
earlyTermination | Typ zasad wczesnego zakończenia zadania zamiatania. | EarlyTerminationPolicy |
próbkowanieAlgorithm | [Wymagane] Typ algorytmu próbkowania. | "Bayesian" "Siatka" "Losowe" (wymagane) |
TextClassificationMultilabel
Nazwa | Opis | Wartość |
---|---|---|
Tasktype | [Wymagane] Typ zadania dla zadania AutoMLJob. | "TextClassificationMultilabel" (wymagany) |
featurizationSettings | Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML. | NlpVerticalFeaturizationSettings |
fixedParameters | Parametry modelu/trenowania, które pozostaną stałe podczas trenowania. | NlpFixedParameters |
limitSettings | Ograniczenia wykonywania dla zadania AutoMLJob. | NlpVerticalLimitSettings |
searchSpace | Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów. | NlpParameterSubspace[] |
sweepSettings | Ustawienia dotyczące zamiatania modelu i dostrajania hiperparametrów. | NlpSweepSettings |
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 |
fixedParameters | Parametry modelu/trenowania, które pozostaną stałe podczas trenowania. | NlpFixedParameters |
limitSettings | Ograniczenia wykonywania dla zadania AutoMLJob. | NlpVerticalLimitSettings |
searchSpace | Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów. | NlpParameterSubspace[] |
sweepSettings | Ustawienia dotyczące zamiatania modelu i dostrajania hiperparametrów. | NlpSweepSettings |
validationData | Dane wejściowe danych walidacji. | MlTableJobInput |
CommandJob
Nazwa | Opis | Wartość |
---|---|---|
jobType | [Wymagane] Określa typ zadania. | "Polecenie" (wymagane) |
autologgerSettings | Konfiguracja dystrybucji zadania. W przypadku ustawienia powinna to być jedna z wartości Mpi, Tensorflow, PyTorch lub null. | AutologgerSettings |
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 |
AutologgerSettings
Nazwa | Opis | Wartość |
---|---|---|
mlflowAutologger | [Wymagane] Wskazuje, czy autologger przepływu mlflow jest włączony. | "Wyłączone" "Włączone" (wymagane) |
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. | "Bezpośredni" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
Identyfikator uri | [Wymagane] Identyfikator URI elementu zawartości wejściowej. | ciąg (wymagany) Ograniczenia: Wzorzec = [a-zA-Z0-9_] |
LiterałJobInput
Nazwa | Opis | Wartość |
---|---|---|
jobInputType | [Wymagane] Określa typ zadania. | "literał" (wymagany) |
wartość | [Wymagane] Wartość literału dla danych wejściowych. | ciąg (wymagany) Ograniczenia: Wzorzec = [a-zA-Z0-9_] |
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 zarchiwizowane? | bool |
jobInstructions | Instrukcje etykietowania zadania. | LabelingJobInstructions |
jobType | [Wymagane] Określa typ zadania. | "AutoML" "Polecenie" "Etykietowanie" "Potok" "Spark" "Zamiatanie" (wymagane) |
labelCategories | Etykiety kategorii zadania. | LabelingJobLabelCategories |
labelingJobMediaProperties | Typ nośnika określone właściwości w zadaniu. | EtykietowanieJobMediaProperties |
mlAssistConfiguration | Konfiguracja funkcji MLAssist w zadaniu. | MlAssistConfiguration |
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 |
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 zasobów obliczeniowych 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@2022-10-01-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"
{customized property} = "string"
}
services = {
{customized property} = {
endpoint = "string"
jobServiceType = "string"
nodes = {
nodesValueType = "string"
// For remaining properties, see Nodes objects
}
port = int
properties = {
{customized property} = "string"
}
}
{customized property} = {
endpoint = "string"
jobServiceType = "string"
nodes = {
nodesValueType = "string"
// For remaining properties, see Nodes objects
}
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"
{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"
autologgerSettings = {
mlflowAutologger = "string"
}
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 węzłów
Ustaw właściwość nodesValueType , aby określić typ obiektu.
W przypadku opcji Wszystkie użyj polecenia:
nodesValueType = "All"
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"
]
}
]
}
}
fixedParameters = {
booster = "string"
boostingType = "string"
growPolicy = "string"
learningRate = int
maxBin = int
maxDepth = int
maxLeaves = int
minDataInLeaf = int
minSplitGain = int
modelName = "string"
nEstimators = int
numLeaves = int
preprocessorName = "string"
regAlpha = int
regLambda = int
subsample = int
subsampleFreq = int
treeMethod = "string"
withMean = bool
withStd = bool
}
limitSettings = {
enableEarlyTermination = bool
exitScore = int
maxConcurrentTrials = int
maxCoresPerTrial = int
maxTrials = int
sweepConcurrentTrials = int
sweepTrials = int
timeout = "string"
trialTimeout = "string"
}
nCrossValidations = {
mode = "string"
// For remaining properties, see NCrossValidations objects
}
positiveLabel = "string"
primaryMetric = "string"
searchSpace = [
{
booster = "string"
boostingType = "string"
growPolicy = "string"
learningRate = "string"
maxBin = "string"
maxDepth = "string"
maxLeaves = "string"
minDataInLeaf = "string"
minSplitGain = "string"
modelName = "string"
nEstimators = "string"
numLeaves = "string"
preprocessorName = "string"
regAlpha = "string"
regLambda = "string"
subsample = "string"
subsampleFreq = "string"
treeMethod = "string"
withMean = "string"
withStd = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm = "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"
]
}
]
}
}
fixedParameters = {
booster = "string"
boostingType = "string"
growPolicy = "string"
learningRate = int
maxBin = int
maxDepth = int
maxLeaves = int
minDataInLeaf = int
minSplitGain = int
modelName = "string"
nEstimators = int
numLeaves = int
preprocessorName = "string"
regAlpha = int
regLambda = int
subsample = int
subsampleFreq = int
treeMethod = "string"
withMean = bool
withStd = bool
}
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
sweepConcurrentTrials = int
sweepTrials = int
timeout = "string"
trialTimeout = "string"
}
nCrossValidations = {
mode = "string"
// For remaining properties, see NCrossValidations objects
}
primaryMetric = "string"
searchSpace = [
{
booster = "string"
boostingType = "string"
growPolicy = "string"
learningRate = "string"
maxBin = "string"
maxDepth = "string"
maxLeaves = "string"
minDataInLeaf = "string"
minSplitGain = "string"
modelName = "string"
nEstimators = "string"
numLeaves = "string"
preprocessorName = "string"
regAlpha = "string"
regLambda = "string"
subsample = "string"
subsampleFreq = "string"
treeMethod = "string"
withMean = "string"
withStd = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm = "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
}
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
}
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
}
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
}
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"
]
}
]
}
}
fixedParameters = {
booster = "string"
boostingType = "string"
growPolicy = "string"
learningRate = int
maxBin = int
maxDepth = int
maxLeaves = int
minDataInLeaf = int
minSplitGain = int
modelName = "string"
nEstimators = int
numLeaves = int
preprocessorName = "string"
regAlpha = int
regLambda = int
subsample = int
subsampleFreq = int
treeMethod = "string"
withMean = bool
withStd = bool
}
limitSettings = {
enableEarlyTermination = bool
exitScore = int
maxConcurrentTrials = int
maxCoresPerTrial = int
maxTrials = int
sweepConcurrentTrials = int
sweepTrials = int
timeout = "string"
trialTimeout = "string"
}
nCrossValidations = {
mode = "string"
// For remaining properties, see NCrossValidations objects
}
primaryMetric = "string"
searchSpace = [
{
booster = "string"
boostingType = "string"
growPolicy = "string"
learningRate = "string"
maxBin = "string"
maxDepth = "string"
maxLeaves = "string"
minDataInLeaf = "string"
minSplitGain = "string"
modelName = "string"
nEstimators = "string"
numLeaves = "string"
preprocessorName = "string"
regAlpha = "string"
regLambda = "string"
subsample = "string"
subsampleFreq = "string"
treeMethod = "string"
withMean = "string"
withStd = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm = "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"
}
fixedParameters = {
gradientAccumulationSteps = int
learningRate = int
learningRateScheduler = "string"
modelName = "string"
numberOfEpochs = int
trainingBatchSize = int
validationBatchSize = int
warmupRatio = int
weightDecay = int
}
limitSettings = {
maxConcurrentTrials = int
maxNodes = int
maxTrials = int
timeout = "string"
trialTimeout = "string"
}
primaryMetric = "string"
searchSpace = [
{
gradientAccumulationSteps = "string"
learningRate = "string"
learningRateScheduler = "string"
modelName = "string"
numberOfEpochs = "string"
trainingBatchSize = "string"
validationBatchSize = "string"
warmupRatio = "string"
weightDecay = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm = "string"
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
W przypadku elementu TextClassificationMultilabel użyj:
taskType = "TextClassificationMultilabel"
featurizationSettings = {
datasetLanguage = "string"
}
fixedParameters = {
gradientAccumulationSteps = int
learningRate = int
learningRateScheduler = "string"
modelName = "string"
numberOfEpochs = int
trainingBatchSize = int
validationBatchSize = int
warmupRatio = int
weightDecay = int
}
limitSettings = {
maxConcurrentTrials = int
maxNodes = int
maxTrials = int
timeout = "string"
trialTimeout = "string"
}
searchSpace = [
{
gradientAccumulationSteps = "string"
learningRate = "string"
learningRateScheduler = "string"
modelName = "string"
numberOfEpochs = "string"
trainingBatchSize = "string"
validationBatchSize = "string"
warmupRatio = "string"
weightDecay = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm = "string"
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
W przypadku funkcji TextNER użyj:
taskType = "TextNER"
featurizationSettings = {
datasetLanguage = "string"
}
fixedParameters = {
gradientAccumulationSteps = int
learningRate = int
learningRateScheduler = "string"
modelName = "string"
numberOfEpochs = int
trainingBatchSize = int
validationBatchSize = int
warmupRatio = int
weightDecay = int
}
limitSettings = {
maxConcurrentTrials = int
maxNodes = int
maxTrials = int
timeout = "string"
trialTimeout = "string"
}
searchSpace = [
{
gradientAccumulationSteps = "string"
learningRate = "string"
learningRateScheduler = "string"
modelName = "string"
numberOfEpochs = "string"
trainingBatchSize = "string"
validationBatchSize = "string"
warmupRatio = "string"
weightDecay = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm = "string"
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
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 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 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 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@2022-10-01-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) |
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 | |
{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 |
Węzłów | Węzły, na których użytkownik chce uruchomić usługę. Jeśli węzły nie są ustawione lub ustawione na wartość null, usługa zostanie uruchomiona tylko w węźle lidera. |
Węzły |
port | Port dla punktu końcowego ustawionego przez użytkownika. | int |
properties | Dodatkowe właściwości do ustawienia w punkcie końcowym. | JobServiceProperties |
Węzły
Nazwa | Opis | Wartość |
---|---|---|
nodesValueType | Ustawianie typu obiektu | Wszystkie (wymagane) |
AllNodes
Nazwa | Opis | Wartość |
---|---|---|
nodesValueType | [Wymagane] Typ wartości Węzły | "Wszystkie" (wymagane) |
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. | "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 |
fixedParameters | Parametry modelu/trenowania, które pozostaną stałe podczas trenowania. | TableFixedParameters |
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" |
searchSpace | Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów. | TableParameterSubspace[] |
sweepSettings | Ustawienia zamiatania modelu i dostrajania hiperparametrów. | TableSweepSettings |
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. | ClassificationTrainingSettings |
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 |
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 jej typu (int, float, string, datetime itp.). | TableVerticalFeaturizationSettingsColumnNameAndTypes |
datasetLanguage | Język zestawu danych przydatny w przypadku danych tekstowych. | ciąg |
enableDnnFeaturization | Określa, czy do cechowania danych należy używać cech opartych na Dnn. | bool |
tryb | Tryb cechowania — użytkownik może zachować domyślny tryb "Auto", a rozwiązanie AutoML zajmie się niezbędną transformacją danych w fazie cechowania. Jeśli wybrano opcję "Wył.", nie jest wykonywana żadna cecha. Jeśli wybrano opcję "Niestandardowy", użytkownik może określić dodatkowe dane wejściowe, aby dostosować sposób wykonywania cechowania. |
"Auto" "Niestandardowy" "Wyłączone" |
transformerParams | Użytkownik może określić dodatkowe transformatory, które mają być używane wraz z kolumnami, do których ma zostać zastosowany, oraz parametry konstruktora transformatora. | TableVerticalFeaturizationSettingsTransformerParams |
TableVerticalFeaturizationSettingsColumnNameAndTypes
Nazwa | Opis | Wartość |
---|---|---|
{niestandardowa właściwość} | ciąg |
TableVerticalFeaturizationSettingsTransformerParams
Nazwa | Opis | Wartość |
---|---|---|
{niestandardowa właściwość} | ColumnTransformer[] |
Kolumnowyprzekształtnik
Nazwa | Opis | Wartość |
---|---|---|
fields | Pola do zastosowania logiki przekształcania. | ciąg[] |
parameters | Różne właściwości do przekazania do transformatora. Oczekiwano danych wejściowych to słownik par klucz,wartość w formacie JSON. |
TableFixedParameters
Nazwa | Opis | Wartość |
---|---|---|
Booster | Określ typ zwiększający, np. gbdt dla biblioteki XGBoost. | ciąg |
boostingType | Określ typ zwiększania, np. gbdt dla lightGBM. | ciąg |
growPolicy | Określ zasady zwiększania, które sterują sposobem dodawania nowych węzłów do drzewa. | ciąg |
learningRate | Wskaźnik nauki dla procedury szkoleniowej. | int |
maxBin | Określ maksymalną liczbę dyskretnych pojemników do funkcji ciągłych zasobnika. | int |
Maxdepth | Określ maksymalną głębokość, aby jawnie ograniczyć głębokość drzewa. | int |
maxLeaves | Określ maksymalne liście, aby jawnie ograniczyć liście drzewa. | int |
minDataInLeaf | Minimalna liczba danych na liść. | int |
minSplitGain | Minimalna redukcja utraty wymagana do wykonania kolejnej partycji w węźle liścia drzewa. | int |
Modelname | Nazwa modelu do trenowania. | ciąg |
nEstimatory | Określ liczbę drzew (lub zaokrągleń) w modelu. | int |
numLeaves | Określ liczbę liści. | int |
preprocesorName | Nazwa preprocesora do użycia. | ciąg |
regAlpha | Termin regularyzacji L1 na wagi. | int |
regLambda | Termin regularyzacji L2 na wagi. | int |
subsample | Stosunek podprzykładu wystąpienia trenowania. | int |
subsampleFreq | Częstotliwość próbkowania podrzędnego. | int |
treeMethod | Określ metodę drzewa. | ciąg |
withMean | Jeśli ma wartość true, wyśrodkuj przed skalowaniem danych za pomocą standardowego formatu StandardScalar. | bool |
withStd | Jeśli jest to prawda, skalowanie danych przy użyciu wariancji jednostkowej za pomocą warstwy StandardScalar. | bool |
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 |
sweepConcurrentTrials | Liczba współbieżnych przebiegów zamiatania, które użytkownik chce wyzwolić. | int |
sweepTrials | Liczba przebiegów zamiatania, które użytkownik chce wyzwolić. | 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) |
TableParameterSubspace
Nazwa | Opis | Wartość |
---|---|---|
Booster | Określ typ zwiększania, np. gbdt dla biblioteki XGBoost. | ciąg |
boostingType | Określ typ zwiększania, np. gbdt dla lightGBM. | ciąg |
growPolicy | Określ zasady zwiększania, które sterują sposobem dodawania nowych węzłów do drzewa. | ciąg |
learningRate | Kurs szkoleniowy dla procedury szkoleniowej. | ciąg |
maxBin | Określ maksymalną liczbę dyskretnych pojemników do zasobników funkcji ciągłych. | ciąg |
Maxdepth | Określ maksymalną głębokość, aby jawnie ograniczyć głębokość drzewa. | ciąg |
maxLeaves | Określ maksymalne liście, aby jawnie ograniczyć liście drzewa. | ciąg |
minDataInLeaf | Minimalna liczba danych na liść. | ciąg |
minSplitGain | Minimalna redukcja utraty wymagana do wykonania kolejnej partycji w węźle liścia drzewa. | ciąg |
Modelname | Nazwa modelu do trenowania. | ciąg |
nEstimatory | Określ liczbę drzew (lub zaokrągleń) w modelu. | ciąg |
numLeaves | Określ liczbę liści. | ciąg |
preprocesorName | Nazwa preprocesora do użycia. | ciąg |
regAlpha | Termin regularyzacji L1 na wagi. | ciąg |
regLambda | Termin regularyzacji L2 na wagi. | ciąg |
subsample | Stosunek podprzykładu wystąpienia trenowania. | ciąg |
subsampleFreq | Częstotliwość podample | ciąg |
treeMethod | Określ metodę drzewa. | ciąg |
withMean | Jeśli ma wartość true, wyśrodkuj przed skalowaniem danych za pomocą standardowego formatu StandardScalar. | ciąg |
withStd | Jeśli jest to prawda, skalowanie danych przy użyciu wariancji jednostkowej za pomocą warstwy StandardScalar. | ciąg |
TableSweepSettings
Nazwa | Opis | Wartość |
---|---|---|
earlyTermination | Typ zasad wczesnego zakończenia zadania zamiatania. | EarlyTerminationPolicy |
próbkowanieAlgorithm | [Wymagane] Typ algorytmu próbkowania. | "Bayesian" "Siatka" "Losowe" (wymagane) |
EarlyTerminationPolicy
Nazwa | Opis | Wartość |
---|---|---|
delayEvaluation | Liczba interwałów, przez które należy opóźnić pierwszą ocenę. | int |
evaluationInterval | Interwał (liczba przebiegów) między ocenami zasad. | int |
policyType | Ustawianie typu obiektu | Bandyta MedianStopping TruncationSelection (wymagane) |
BanditPolicy
Nazwa | Opis | Wartość |
---|---|---|
policyType | [Wymagane] Nazwa konfiguracji zasad | "Bandit" (wymagany) |
slackAmount | Bezwzględna odległość dozwolona od najlepszego przebiegu. | int |
slackFactor | Stosunek dozwolonej odległości od najlepszego przebiegu. | int |
MedianStoppingPolicy
Nazwa | Opis | Wartość |
---|---|---|
policyType | [Wymagane] Nazwa konfiguracji zasad | "MedianStopping" (wymagane) |
ObcięcieselectionPolicy
Nazwa | Opis | Wartość |
---|---|---|
policyType | [Wymagane] Nazwa konfiguracji zasad | "TruncationSelection" (wymagane) |
obcinaniePercentage | Procent przebiegów do anulowania w każdym interwale oceny. | int |
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 |
fixedParameters | Parametry modelu/trenowania, które pozostaną stałe podczas trenowania. | TableFixedParameters |
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" |
searchSpace | Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów. | TableParameterSubspace[] |
sweepSettings | Ustawienia zamiatania modelu i dostrajania hiperparametrów. | TableSweepSettings |
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 będzietrzy dni od siebie. |
int |
featureLags | Flaga generowania opóźnień dla funkcji liczbowych z wartością "auto" lub null. | "Auto" "Brak" |
forecastHorizon | Żądany maksymalny horyzont prognozy w jednostkach częstotliwości szeregów czasowych. | PrognozaHorizon |
frequency | Podczas prognozowania ten parametr reprezentuje okres, z którym jest wymagana prognoza, na przykład codziennie, co tydzień, co rok itp. Częstotliwość prognozowania jest domyślnie częstotliwością zestawów danych. | ciąg |
Sezonowości | Ustaw sezonowość szeregów czasowych jako liczbę całkowitą częstotliwości serii. Jeśli sezonowość jest ustawiona na wartość "auto", zostanie ona wywnioskowana. |
Sezonowości |
shortSeriesHandlingConfig | Parametr definiujący sposób obsługi krótkich szeregów czasowych przez rozwiązanie AutoML. | "Auto" "Drop" "Brak" "Pad" |
targetAggregateFunction | Funkcja, która ma być używana do agregowania kolumny docelowej szeregów czasowych w celu zachowania zgodności z określoną częstotliwością użytkownika. Jeśli parametr TargetAggregateFunction jest ustawiony, tj. nie "Brak", ale parametr freq nie jest ustawiony, zostanie zgłoszony błąd. Możliwe funkcje agregacji docelowej to: "sum", "max", "min" i "mean". |
"Max" "Średnia" "Min" "Brak" "Suma" |
targetLags | Liczba poprzednich okresów do opóźnienia z kolumny docelowej. | TargetLags |
targetRollingWindowSize | Liczba poprzednich okresów użytych do utworzenia średniej okna kroczącego kolumny docelowej. | TargetRollingWindowSize |
timeColumnName | Nazwa kolumny 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. | "Niestandardowe" (wymagane) |
wartość | [Wymagane] Wartość horyzontu prognozy. | int (wymagane) |
Sezonowość
Nazwa | Opis | Wartość |
---|---|---|
tryb | Ustawianie typu obiektu | Automatycznie Niestandardowe (wymagane) |
AutoSeasonity
Nazwa | Opis | Wartość |
---|---|---|
tryb | [Wymagane] Tryb sezonowości. | "Auto" (wymagane) |
CustomSeasonality
Nazwa | Opis | Wartość |
---|---|---|
tryb | [Wymagane] Tryb sezonowości. | "Niestandardowe" (wymagane) |
wartość | [Wymagane] Wartość sezonowa. | int (wymagane) |
TargetLags
Nazwa | Opis | Wartość |
---|---|---|
tryb | Ustawianie typu obiektu | Automatycznie Niestandardowe (wymagane) |
AutoTargetLags
Nazwa | Opis | Wartość |
---|---|---|
tryb | [Wymagane] Ustawianie trybu opóźnień docelowych — automatyczne/niestandardowe | "Auto" (wymagane) |
CustomTargetLags
Nazwa | Opis | Wartość |
---|---|---|
tryb | [Wymagane] Ustawianie trybu opóźnień docelowych — automatyczne/niestandardowe | "Niestandardowe" (wymagane) |
values | [Wymagane] Ustaw wartości opóźnień docelowych. | int[] (wymagane) |
TargetRollingWindowSize
Nazwa | Opis | Wartość |
---|---|---|
tryb | Ustawianie typu obiektu | Automatycznie Niestandardowe (wymagane) |
AutoTargetRollingWindowSize
Nazwa | Opis | Wartość |
---|---|---|
tryb | [Wymagane] TargetRollingWindowSiz — tryb wykrywania. | "Auto" (wymagane) |
CustomTargetRollingWindowSize
Nazwa | Opis | Wartość |
---|---|---|
tryb | [Wymagane] TargetRollingWindowSiz — tryb wykrywania. | "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 |
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 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 |
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 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 liczbą całkowitą nie ujemną. | ciąg |
Optymalizator | Typ optymalizatora. Musi być "sgd", "adam" lub "adamw". | ciąg |
randomSeed | Losowe nasion do użycia podczas trenowania deterministycznego. | ciąg |
stepLRGamma | Wartość gamma, gdy harmonogram szybkości nauki to "krok". Musi być zmiennoprzecinkowym w zakresie [0, 1]. | ciąg |
stepLRStepSize | Wartość rozmiaru kroku, gdy harmonogram szybkości nauki to "krok". Musi być dodatnią liczbą całkowitą. | ciąg |
trainingBatchSize | Rozmiar partii trenowania. Musi być dodatnią liczbą całkowitą. | ciąg |
trainingCropSize | Rozmiar przycinania obrazu, który jest wejściowy do sieci neuronowej dla zestawu danych trenowania. Musi być dodatnią liczbą całkowitą. | ciąg |
validationBatchSize | Walidacja rozmiaru partii. Musi być dodatnią liczbą całkowitą. | ciąg |
validationCropSize | Rozmiar przycinania obrazów wejściowy do sieci neuronowej dla zestawu danych weryfikacji. Musi być dodatnią liczbą całkowitą. | ciąg |
validationResizeSizeSize | Rozmiar obrazu, którego rozmiar ma być zmieniany przed przycinaniem zestawu danych weryfikacji. Musi być dodatnią liczbą całkowitą. | ciąg |
warmupCosineLRCycles | Wartość cyklu cosinusowego podczas planowania szybkości nauki to "warmup_cosine". Musi być zmiennoprzecinkowym w zakresie [0, 1]. | ciąg |
warmupCosineLRWarmupEpochs | Wartość epok rozgrzewki, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być dodatnią liczbą całkowitą. | ciąg |
weightDecay | Wartość rozpadu wagi, gdy optymalizator to "sgd", "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie[0, 1]. | ciąg |
weightedLoss | Utrata wagi. Akceptowane wartości to 0 bez odchudzania. 1 dla odchudzania z sqrt. (class_weights). 2 dla odchudzania z class_weights. Musi mieć wartość 0 lub 1 lub 2. |
ciąg |
ImageSweepSettings
Nazwa | Opis | Wartość |
---|---|---|
earlyTermination | Typ zasad wczesnego zakończenia. | EarlyTerminationPolicy |
próbkowanieAlgorithm | [Wymagane] Typ algorytmów próbkowania hiperparametrów. | "Bayesian" "Siatka" "Losowe" (wymagane) |
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 |
podstawowa metryka | Podstawowa metryka do optymalizacji pod kątem tego zadania. | "AUCWeighted" "Dokładność" "AveragePrecisionScoreWeighted" "IOU" "NormMacroRecall" "PrecisionScoreWeighted" |
searchSpace | Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów. | ImageModelDistributionSettingsClassification[] |
sweepSettings | Zamiatanie modelu i hiperparametr zamiatanie powiązanych ustawień. | ImageSweepSettings |
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 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 podczas uczenia się harmonogramu szybkości jest "krok". Musi być zmiennoprzecinkiem w zakresie [0, 1]. | int |
stepLRStepSize | Wartość rozmiaru kroku, gdy harmonogram szybkości nauki to "krok". Musi być dodatnią liczbą całkowitą. | int |
tileGridSize | Rozmiar siatki do użycia na potrzeby układania obrazów. Uwaga: TileGridSize nie może być Brak w celu włączenia logiki wykrywania małych obiektów. Ciąg zawierający dwie liczby całkowite w formacie mxn. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5". |
ciąg |
tileOverlapRatio | Współczynnik nakładania się między sąsiednimi kafelkami w każdym wymiarze. Musi być zmiennoprzecinkowa w zakresie [0, 1). Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5". |
int |
tilePredictionsNmsThreshold | Próg operacji we/wy używany do wykonywania nmS podczas scalania przewidywań z kafelków i obrazu. Używany w weryfikacji/wnioskowaniu. Musi być zmiennoprzecinkowa w zakresie [0, 1]. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5". |
int |
trainingBatchSize | Rozmiar partii trenowania. Musi być dodatnią liczbą całkowitą. | int |
validationBatchSize | Rozmiar partii sprawdzania poprawności. Musi być dodatnią liczbą całkowitą. | int |
validationIouThreshold | Próg operacji we/wy do użycia podczas obliczania metryki walidacji. Musi być zmiennoprzecinkowa w zakresie [0, 1]. | int |
validationMetricType | Metoda obliczania metryki do użycia na potrzeby metryk walidacji. | "Coco" "CocoVoc" "Brak" "Voc" |
warmupCosineLRCycles | Wartość cyklu cosinusowego, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być zmiennoprzecinkiem w zakresie [0, 1]. | int |
warmupCosineLRWarmupEpochs | Wartość epok rozgrzewki, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być dodatnią liczbą całkowitą. | int |
weightDecay | Wartość rozkładu wagi, gdy optymalizator to "sgd", "adam" lub "adamw". Musi być zmiennoprzecinkiem w zakresie[0, 1]. | int |
ImageModelDistributionSettingsObjectDetection
Nazwa | Opis | Wartość |
---|---|---|
amsGradient | Włącz narzędzie AMSGrad, gdy optymalizator ma wartość "adam" lub "adamw". | ciąg |
rozszerzenia | Ustawienia dotyczące używania rozszerzeń. | ciąg |
beta1 | Wartość "beta1", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkiem w zakresie [0, 1]. | ciąg |
beta2 | Wartość "beta2", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkiem w zakresie [0, 1]. | ciąg |
boxDetectionsPerImage | Maksymalna liczba wykryć na obrazie dla wszystkich klas. Musi być dodatnią liczbą całkowitą. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5". |
ciąg |
boxScoreThreshold | Podczas wnioskowania zwracane są tylko propozycje z oceną klasyfikacji większą niż BoxScoreThreshold. Musi być zmiennoprzecinkiem w zakresie[0, 1]. |
ciąg |
Rozproszonych | Czy należy używać trenowania rozproszonego. | ciąg |
earlyStopping | Włącz logikę wczesnego zatrzymywania podczas trenowania. | ciąg |
earlyStoppingDelay | Minimalna liczba epok lub ocen poprawności, które należy zaczekać przed ulepszeniem podstawowej metryki jest śledzony w celu wczesnego zatrzymania. Musi być dodatnią liczbą całkowitą. |
ciąg |
earlyStoppingPatience | Minimalna liczba epok lub ocen poprawności bez podstawowej poprawy metryki przed przebieg zostanie zatrzymany. Musi być dodatnią liczbą całkowitą. |
ciąg |
enableOnnxNormalization | Włącz normalizację podczas eksportowania modelu ONNX. | ciąg |
evaluationFrequency | Częstotliwość oceniania zestawu danych weryfikacji w celu uzyskania wyników metryk. Musi być dodatnią liczbą całkowitą. | ciąg |
gradientAccumulationKrok | Akumulacja gradientu oznacza uruchomienie skonfigurowanej liczby kroków "GradAccumulationStep" bez aktualizowanie wag modelu podczas gromadzenia gradientów tych kroków, a następnie przy użyciu skumulowane gradienty do obliczenia aktualizacji wagi. Musi być dodatnią liczbą całkowitą. |
ciąg |
Imagesize | Rozmiar obrazu do trenowania i walidacji. Musi być dodatnią liczbą całkowitą. Uwaga: Przebieg trenowania może dostać się do CUDA OOM, jeśli rozmiar jest zbyt duży. Uwaga: te ustawienia są obsługiwane tylko dla algorytmu "yolov5". |
ciąg |
layersToFreeze | Liczba warstw do zablokowania modelu. Musi być dodatnią liczbą całkowitą. Na przykład przekazanie wartości 2 jako wartości dla wartości "seresnext" oznacza zamrażanie warstwy0 i warstwy 1. Aby uzyskać pełną listę obsługiwanych modeli i szczegółowe informacje na temat blokowania warstwy, zapoznaj się z tematem Zobacz: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
ciąg |
learningRate | Początkowa stawka nauki. Musi być zmiennoprzecinkowym w zakresie [0, 1]. | ciąg |
learningRateScheduler | Typ harmonogramu szybkości nauki. Musi być "warmup_cosine" lub "krok". | ciąg |
Maxsize | Maksymalny rozmiar obrazu do ponownego skalowania przed przesłaniem go do sieci szkieletowej. Musi być dodatnią liczbą całkowitą. Uwaga: uruchomienie treningowe może dostać się do CUDA OOM, jeśli rozmiar jest zbyt duży. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5". |
ciąg |
Minsize | Minimalny rozmiar obrazu do ponownego skalowania przed przesłaniem go do sieci szkieletowej. Musi być dodatnią liczbą całkowitą. Uwaga: uruchomienie treningowe może dostać się do CUDA OOM, jeśli rozmiar jest zbyt duży. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5". |
ciąg |
Modelname | Nazwa modelu do użycia do trenowania. Aby uzyskać więcej informacji na temat dostępnych modeli, odwiedź oficjalną dokumentację: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
ciąg |
modelSize | Rozmiar modelu. Musi być "mały", "średni", "duży" lub "xlarge". Uwaga: uruchomienie trenowania może dostać się do CUDA OOM, jeśli rozmiar modelu jest zbyt duży. Uwaga: te ustawienia są obsługiwane tylko dla algorytmu "yolov5". |
ciąg |
Tempa | Wartość tempa, gdy optymalizator ma wartość "sgd". Musi być zmiennoprzecinkowym w zakresie [0, 1]. | ciąg |
multiScale | Włącz obraz wieloskalowy, zmieniając rozmiar obrazu o +/- 50%. Uwaga: uruchomienie trenowania może dostać się do cudA OOM, jeśli nie ma wystarczającej pamięci procesora GPU. Uwaga: te ustawienia są obsługiwane tylko dla algorytmu "yolov5". |
ciąg |
nesterov | Włącz zagnieżdżanie, gdy optymalizator ma wartość "sgd". | ciąg |
nmsIouThreshold | Próg operacji we/wy używany podczas wnioskowania w procesie przetwarzania końcowego NMS. Musi być zmiennoprzecinkowy w zakresie [0, 1]. | ciąg |
numberOfEpochs | Liczba epok treningowych. Musi być dodatnią liczbą całkowitą. | ciąg |
numberOfWorkers | Liczba procesów roboczych modułu ładującego dane. Musi być liczbą całkowitą nie ujemną. | ciąg |
Optymalizator | Typ optymalizatora. Musi być "sgd", "adam" lub "adamw". | ciąg |
randomSeed | Losowe nasion do użycia podczas trenowania deterministycznego. | ciąg |
stepLRGamma | Wartość gamma, gdy harmonogram szybkości nauki to "krok". Musi być zmiennoprzecinkowym w zakresie [0, 1]. | ciąg |
stepLRStepSize | Wartość rozmiaru kroku, gdy harmonogram szybkości nauki to "krok". Musi być dodatnią liczbą całkowitą. | ciąg |
tileGridSize | Rozmiar siatki, który ma być używany do układania każdego obrazu. Uwaga: TileGridSize nie może być Brak w celu włączenia logiki wykrywania małych obiektów. Ciąg zawierający dwie liczby całkowite w formacie mxn. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5". |
ciąg |
tileOverlapRatio | Nakładanie się między sąsiednimi kafelkami w każdym wymiarze. Musi być zmiennoprzecinkowy w zakresie [0, 1). Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5". |
ciąg |
tilePredictionsNmsThreshold | Próg operacji we/wy używany do wykonywania nms podczas scalania przewidywań z kafelków i obrazu. Używane w weryfikacji/wnioskowaniu. Musi być zmiennoprzecinkowy w zakresie [0, 1]. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5". NMS: brak maksymalnego pomijania |
ciąg |
trainingBatchSize | Rozmiar partii trenowania. Musi być dodatnią liczbą całkowitą. | ciąg |
validationBatchSize | Walidacja rozmiaru partii. Musi być dodatnią liczbą całkowitą. | ciąg |
validationIouThreshold | Próg operacji we/wy do użycia podczas przetwarzania metryki weryfikacji. Musi być zmiennoprzecinkowy w zakresie [0, 1]. | ciąg |
validationMetricType | Metoda obliczeniowa metryki do użycia na potrzeby metryk weryfikacji. Musi być "none", "coco", "voc" lub "coco_voc". | ciąg |
warmupCosineLRCycles | Wartość cyklu cosinusowego podczas planowania szybkości nauki to "warmup_cosine". Musi być zmiennoprzecinkowym w zakresie [0, 1]. | ciąg |
warmupCosineLRWarmupEpochs | Wartość epok rozgrzewki, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być dodatnią liczbą całkowitą. | ciąg |
weightDecay | Wartość rozpadu wagi, gdy optymalizator to "sgd", "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie[0, 1]. | ciąg |
ImageObjectDetection
Nazwa | Opis | Wartość |
---|---|---|
Tasktype | [Wymagane] Typ zadania dla zadania AutoMLJob. | "ImageObjectDetection" (wymagane) |
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 |
fixedParameters | Parametry modelu/trenowania, które pozostaną stałe podczas trenowania. | TableFixedParameters |
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" |
searchSpace | Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów. | TableParameterSubspace[] |
sweepSettings | Ustawienia dotyczące zamiatania modelu i dostrajania hiperparametrów. | TableSweepSettings |
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 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 |
fixedParameters | Parametry modelu/trenowania, które pozostaną stałe podczas trenowania. | NlpFixedParameters |
limitSettings | Ograniczenia wykonywania dla zadania AutoMLJob. | NlpVerticalLimitSettings |
primaryMetric | Podstawowa metryka dla zadania Text-Classification. | "AUCWeighted" "Dokładność" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted" |
searchSpace | Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów. | NlpParameterSubspace[] |
sweepSettings | Ustawienia zamiatania modelu i dostrajania hiperparametrów. | NlpSweepSettings |
validationData | Dane wejściowe danych walidacji. | MlTableJobInput |
NlpVerticalFeaturizationSettings
Nazwa | Opis | Wartość |
---|---|---|
datasetLanguage | Język zestawu danych przydatny w przypadku danych tekstowych. | ciąg |
NlpFixedParameters
Nazwa | Opis | Wartość |
---|---|---|
gradientAccumulationKroki | Liczba kroków gromadzenia gradientów przed uruchomieniem przebiegu wstecznego. | int |
learningRate | Wskaźnik nauki dla procedury szkoleniowej. | int |
learningRateScheduler | Typ harmonogramu szybkości nauki, który ma być używany podczas procedury trenowania. | "Stała" "ConstantWithWarmup" "Cosine" "CosineWithRestarts" "Liniowy" "Brak" "Wielomian" |
Modelname | Nazwa modelu do trenowania. | ciąg |
numberOfEpochs | Liczba epok treningowych. | int |
trainingBatchSize | Rozmiar partii dla procedury trenowania. | int |
validationBatchSize | Rozmiar partii, który ma być używany podczas oceny. | int |
warmupRatio | Współczynnik rozgrzewki, używany obok parametru LrSchedulerType. | int |
weightDecay | Rozkład masy dla procedury treningowej. | int |
NlpVerticalLimitSettings
Nazwa | Opis | Wartość |
---|---|---|
maxConcurrentTrials | Maksymalna liczba współbieżnych iteracji automatycznego uczenia maszynowego. | int |
maxNodes | Maksymalna liczba węzłów, które mają być używane do trenowania w ramach jednej wersji próbnej. Steruje trenowanie rozproszone z wieloma węzłami. | int |
maxTrials | Liczba iteracji rozwiązania AutoML. | int |
timeout | Limit czasu zadania automatycznego uczenia maszynowego. | ciąg |
trialTimeout | Limit czasu dla poszczególnych prób usługi HD. | ciąg |
NlpParameterSubspace
Nazwa | Opis | Wartość |
---|---|---|
gradientAccumulationKroki | Liczba kroków gromadzenia gradientów przed uruchomieniem przebiegu wstecznego. | ciąg |
learningRate | Wskaźnik nauki dla procedury szkoleniowej. | ciąg |
learningRateScheduler | Typ harmonogramu szybkości nauki, który ma być używany podczas procedury trenowania. | ciąg |
Modelname | Nazwa modelu do trenowania. | ciąg |
numberOfEpochs | Liczba epok treningowych. | ciąg |
trainingBatchSize | Rozmiar partii dla procedury trenowania. | ciąg |
validationBatchSize | Rozmiar partii, który ma być używany podczas oceny. | ciąg |
warmupRatio | Współczynnik rozgrzewki, używany obok parametru LrSchedulerType. | ciąg |
weightDecay | Rozkład masy dla procedury treningowej. | ciąg |
NlpSweepSettings
Nazwa | Opis | Wartość |
---|---|---|
earlyTermination | Typ zasad wczesnego zakończenia zadania zamiatania. | EarlyTerminationPolicy |
samplingAlgorithm | [Wymagane] Typ algorytmu próbkowania. | "Bayesian" "Siatka" "Losowe" (wymagane) |
TextClassificationMultilabel
Nazwa | Opis | Wartość |
---|---|---|
Tasktype | [Wymagane] Typ zadania dla zadania AutoMLJob. | "TextClassificationMultilabel" (wymagane) |
cechowanieUstawienia | Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML. | NlpVerticalFeaturizationSettings |
fixedParameters | Parametry modelu/trenowania, które pozostaną stałe podczas trenowania. | NlpFixedParameters |
limitSettings | Ograniczenia wykonywania dla zadania AutoMLJob. | NlpVerticalLimitSettings |
searchSpace | Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów. | NlpParameterSubspace[] |
sweepSettings | Ustawienia zamiatania modelu i dostrajania hiperparametrów. | NlpSweepSettings |
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 |
fixedParameters | Parametry modelu/trenowania, które pozostaną stałe podczas trenowania. | NlpFixedParameters |
limitSettings | Ograniczenia wykonywania dla zadania AutoMLJob. | NlpVerticalLimitSettings |
searchSpace | Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów. | NlpParameterSubspace[] |
sweepSettings | Ustawienia zamiatania modelu i dostrajania hiperparametrów. | NlpSweepSettings |
validationData | Dane wejściowe danych walidacji. | MlTableJobInput |
CommandJob
Nazwa | Opis | Wartość |
---|---|---|
jobType | [Wymagane] Określa typ zadania. | "Polecenie" (wymagane) |
autologgerSettings | Konfiguracja dystrybucji zadania. W przypadku ustawienia powinna to być jedna z wartości Mpi, Tensorflow, PyTorch lub null. | AutologgerSettings |
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 |
AutologgerSettings
Nazwa | Opis | Wartość |
---|---|---|
mlflowAutologger | [Wymagane] Wskazuje, czy autologer mlflow jest włączony. | "Wyłączone" "Włączone" (wymagane) |
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. | "Bezpośredni" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
Identyfikator uri | [Wymagane] Identyfikator URI elementu zawartości wejściowej. | ciąg (wymagany) Ograniczenia: Wzorzec = [a-zA-Z0-9_] |
LiterałJobInput
Nazwa | Opis | Wartość |
---|---|---|
jobInputType | [Wymagane] Określa typ zadania. | "literał" (wymagany) |
wartość | [Wymagane] Wartość literału dla danych wejściowych. | ciąg (wymagany) Ograniczenia: Wzorzec = [a-zA-Z0-9_] |
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 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 | Etykiety kategorii zadania. | LabelingJobLabelCategories |
labelingJobMediaProperties | Typ nośnika określone właściwości w zadaniu. | EtykietowanieJobMediaProperties |
mlAssistConfiguration | Konfiguracja funkcji MLAssist w zadaniu. | MlAssistConfiguration |
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 |
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 |
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. | |
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 |
SweepJob
Nazwa | Opis | Wartość |
---|---|---|
jobType | [Wymagane] Określa typ zadania. | "Zamiatanie" (wymagane) |
earlyTermination | Zasady wczesnego kończenia umożliwiają anulowanie przebiegów o niskiej wydajności przed ukończeniem | EarlyTerminationPolicy |
Wejścia | Mapowanie powiązań danych wejściowych używanych w zadaniu. | SweepJobInputs |
Limity | Zamiatanie limitu zadań. | SweepJobLimits |
Celem | [Wymagane] Cel optymalizacji. | Cel (wymagany) |
Wyjść | Mapowanie powiązań danych wyjściowych używanych w zadaniu. | SweepJobOutputs |
samplingAlgorithm | [Wymagane] Algorytm próbkowania hiperparametrów | PróbkowanieAlgorithm (wymagane) |
searchSpace | [Wymagane] Słownik zawierający każdy parametr i jego rozkład. Klucz słownika jest nazwą parametru | |
trial | [Wymagane] Definicja składnika wersji próbnej. | Wersja próbnaComponent (wymagana) |
SweepJobInputs
Nazwa | Opis | Wartość |
---|---|---|
{niestandardowa właściwość} | JobInput |
SweepJobLimits
Nazwa | Opis | Wartość |
---|---|---|
jobLimitsType | [Wymagane] Typ JobLimit. | "Polecenie" "Zamiatanie" (wymagane) |
maxConcurrentTrials | Zamiatanie zadania maksymalna liczba współbieżnych wersji próbnych. | int |
maxTotalTrials | Zamiatanie zadania maksymalna łączna liczba prób. | int |
timeout | Maksymalny czas trwania przebiegu w formacie ISO 8601, po którym zadanie zostanie anulowane. Obsługuje tylko czas trwania z dokładnością do sekund. | ciąg |
trialTimeout | Zamiatanie wartości limitu czasu wersji próbnej zadania. | ciąg |
Cel
Nazwa | Opis | Wartość |
---|---|---|
goal | [Wymagane] Definiuje obsługiwane cele metryk na potrzeby dostrajania hiperparametrów | "Maksymalizuj" "Minimalizuj" (wymagane) |
primaryMetric | [Wymagane] Nazwa metryki do optymalizacji. | ciąg (wymagany) Ograniczenia: Wzorzec = [a-zA-Z0-9_] |
SweepJobOutputs
Nazwa | Opis | Wartość |
---|---|---|
{niestandardowa właściwość} | JobOutput |
PróbkowanieAlgorithm
Nazwa | Opis | Wartość |
---|---|---|
samplingAlgorithmType | Ustawianie typu obiektu | Bayesian Siatki Losowe (wymagane) |
BayesianSamplingAlgorithm
Nazwa | Opis | Wartość |
---|---|---|
samplingAlgorithmType | [Wymagane] Algorytm używany do generowania wartości hiperparametrów wraz z właściwościami konfiguracji | "Bayesian" (wymagane) |
GridSamplingAlgorithm
Nazwa | Opis | Wartość |
---|---|---|
samplingAlgorithmType | [Wymagane] Algorytm używany do generowania wartości hiperparametrów wraz z właściwościami konfiguracji | "Siatka" (wymagana) |
RandomSamplingAlgorithm
Nazwa | Opis | Wartość |
---|---|---|
samplingAlgorithmType | [Wymagane] Algorytm używany do generowania wartości hiperparametrów wraz z właściwościami konfiguracji | "Losowe" (wymagane) |
Reguły | Określony typ algorytmu losowego | "Losowe" "Sobol" |
Nasion | Opcjonalna liczba całkowita do użycia jako inicjator do generowania liczb losowych | int |
Wersja próbnaComponent
Nazwa | Opis | Wartość |
---|---|---|
codeId | Identyfikator zasobu usługi ARM zasobu kodu. | ciąg |
command | [Wymagane] Polecenie do wykonania podczas uruchamiania zadania. np. "python train.py" | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
Dystrybucji | Konfiguracja dystrybucji zadania. W przypadku ustawienia powinna to być jedna z wartości Mpi, Tensorflow, PyTorch lub null. | Konfiguracja dystrybucji |
environmentId | [Wymagane] Identyfikator zasobu usługi ARM specyfikacji środowiska dla zadania. | ciąg (wymagany) Ograniczenia: Wzorzec = [a-zA-Z0-9_] |
environmentVariables | Zmienne środowiskowe uwzględnione w zadaniu. | TrialComponentEnvironmentVariables |
zasoby | Konfiguracja zasobów obliczeniowych dla zadania. | JobResourceConfiguration |
TrialComponentEnvironmentVariables
Nazwa | Opis | Wartość |
---|---|---|
{niestandardowa właściwość} | ciąg |
Opinia
https://aka.ms/ContentUserFeedback.
Dostępne już wkrótce: W 2024 r. będziemy stopniowo wycofywać zgłoszenia z serwisu GitHub jako mechanizm przesyłania opinii na temat zawartości i zastępować go nowym systemem opinii. Aby uzyskać więcej informacji, sprawdź:Prześlij i wyświetl opinię dla