Microsoft.MachineLearningServices workspaces/schedules 2023-08-01-preview
Definicja zasobu Bicep
Typ zasobu obszarów roboczych/harmonogramów 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/schedules, dodaj następujący kod Bicep do szablonu.
resource symbolicname 'Microsoft.MachineLearningServices/workspaces/schedules@2023-08-01-preview' = {
name: 'string'
parent: resourceSymbolicName
properties: {
action: {
actionType: 'string'
// For remaining properties, see ScheduleActionBase objects
}
description: 'string'
displayName: 'string'
isEnabled: bool
properties: {
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
}
tags: {
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
}
trigger: {
endTime: 'string'
startTime: 'string'
timeZone: 'string'
triggerType: 'string'
// For remaining properties, see TriggerBase objects
}
}
}
Obiekty ScheduleActionBase
Ustaw właściwość actionType , aby określić typ obiektu.
W przypadku zadania CreateJob użyj:
actionType: 'CreateJob'
jobDefinition: {
componentId: 'string'
computeId: 'string'
description: 'string'
displayName: 'string'
experimentName: 'string'
identity: {
identityType: 'string'
// For remaining properties, see IdentityConfiguration objects
}
isArchived: bool
notificationSetting: {
emailOn: [
'string'
]
emails: [
'string'
]
webhooks: {
{customized property}: {
eventType: 'string'
webhookType: 'string'
// For remaining properties, see Webhook objects
}
}
}
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'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
}
secretsConfiguration: {
{customized property}: {
uri: 'string'
workspaceSecretName: 'string'
}
{customized property}: {
uri: 'string'
workspaceSecretName: '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'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
}
jobType: 'string'
// For remaining properties, see JobBaseProperties objects
}
W przypadku polecenia CreateMonitor użyj:
actionType: 'CreateMonitor'
monitorDefinition: {
alertNotificationSettings: {
emailNotificationSettings: {
emails: [
'string'
]
}
}
computeConfiguration: {
computeType: 'string'
// For remaining properties, see MonitorComputeConfigurationBase objects
}
monitoringTarget: {
deploymentId: 'string'
modelId: 'string'
taskType: 'string'
}
signals: {
{customized property}: {
notificationTypes: [
'string'
]
properties: {
{customized property}: 'string'
}
signalType: 'string'
// For remaining properties, see MonitoringSignalBase objects
}
}
}
W przypadku elementu ImportData użyj:
actionType: 'ImportData'
dataImportDefinition: {
assetName: 'string'
autoDeleteSetting: {
condition: 'string'
value: 'string'
}
dataType: 'string'
dataUri: 'string'
description: 'string'
intellectualProperty: {
protectionLevel: 'string'
publisher: 'string'
}
isAnonymous: bool
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'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
}
source: {
connection: 'string'
sourceType: 'string'
// For remaining properties, see DataImportSource objects
}
stage: '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'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
}
}
W przypadku polecenia InvokeBatchEndpoint użyj:
actionType: 'InvokeBatchEndpoint'
endpointInvocationDefinition: any()
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
}
}
queueSettings: {
jobTier: 'string'
priority: int
}
resources: {
dockerArgs: 'string'
instanceCount: int
instanceType: 'string'
locations: [
'string'
]
maxInstanceCount: int
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
}
}
queueSettings: {
jobTier: 'string'
priority: int
}
resources: {
dockerArgs: 'string'
instanceCount: int
instanceType: 'string'
locations: [
'string'
]
maxInstanceCount: int
properties: {
{customized property}: any()
{customized property}: any()
}
shmSize: 'string'
}
W przypadku etykietowania użyj:
jobType: 'Labeling'
dataConfiguration: {
dataId: 'string'
incrementalDataRefresh: 'string'
}
jobInstructions: {
uri: 'string'
}
labelCategories: {
{customized property}: {
classes: {
{customized property}: {
displayName: 'string'
subclasses: {
{customized property}: {}
}
}
displayName: 'string'
multiSelect: 'string'
}
{customized property}: {
classes: {
{customized property}: {
displayName: 'string'
subclasses: {
{customized property}: {}
}
}
displayName: 'string'
multiSelect: 'string'
}
}
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'
environmentVariables: {
{customized property}: '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'
]
queueSettings: {
jobTier: 'string'
priority: int
}
resources: {
instanceType: 'string'
runtimeVersion: 'string'
}
W przypadku zamiatania użyj:
jobType: 'Sweep'
componentConfiguration: {
pipelineSettings: any()
}
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
}
}
queueSettings: {
jobTier: 'string'
priority: int
}
resources: {
dockerArgs: 'string'
instanceCount: int
instanceType: 'string'
locations: [
'string'
]
maxInstanceCount: int
properties: {
{customized property}: any()
{customized property}: any()
}
shmSize: 'string'
}
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'
locations: [
'string'
]
maxInstanceCount: int
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 elementu webhook
Ustaw właściwość webhookType , aby określić typ obiektu.
W przypadku usługi AzureDevOps użyj:
webhookType: 'AzureDevOps'
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'
assetName: 'string'
assetVersion: 'string'
autoDeleteSetting: {
condition: 'string'
value: 'string'
}
mode: 'string'
uri: 'string'
W przypadku mlflow_model użyj:
jobOutputType: 'mlflow_model'
assetName: 'string'
assetVersion: 'string'
autoDeleteSetting: {
condition: 'string'
value: 'string'
}
mode: 'string'
uri: 'string'
W przypadku metody mltable użyj:
jobOutputType: 'mltable'
assetName: 'string'
assetVersion: 'string'
autoDeleteSetting: {
condition: 'string'
value: 'string'
}
mode: 'string'
uri: 'string'
W przypadku triton_model użyj:
jobOutputType: 'triton_model'
assetName: 'string'
assetVersion: 'string'
autoDeleteSetting: {
condition: 'string'
value: 'string'
}
mode: 'string'
uri: 'string'
W przypadku uri_file użyj:
jobOutputType: 'uri_file'
assetName: 'string'
assetVersion: 'string'
autoDeleteSetting: {
condition: 'string'
value: 'string'
}
mode: 'string'
uri: 'string'
W przypadku uri_folder użyj:
jobOutputType: 'uri_folder'
assetName: 'string'
assetVersion: 'string'
autoDeleteSetting: {
condition: 'string'
value: 'string'
}
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
maxNodes: 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'
}
trainingMode: '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'
featuresUnknownAtForecastTime: [
'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
maxNodes: 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'
}
trainingMode: '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'
logTrainingMetrics: 'string'
logValidationLoss: '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'
logTrainingMetrics: 'string'
logValidationLoss: '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
maxNodes: 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'
}
trainingMode: '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 raya użyj:
distributionType: 'Ray'
address: 'string'
dashboardPort: int
headNodeAdditionalArgs: 'string'
includeDashboard: bool
port: int
workerNodeAdditionalArgs: 'string'
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'
logbase: 'string'
rule: 'string'
seed: int
Obiekty MonitorComputeConfigurationBase
Ustaw właściwość computeType , aby określić typ obiektu.
W przypadku bezserwerowychSpark użyj:
computeType: 'ServerlessSpark'
computeIdentity: {
computeIdentityType: 'string'
// For remaining properties, see MonitorComputeIdentityBase objects
}
instanceType: 'string'
runtimeVersion: 'string'
Obiekty MonitorComputeIdentityBase
Ustaw właściwość computeIdentityType , aby określić typ obiektu.
W przypadku tokenu AmlToken użyj:
computeIdentityType: 'AmlToken'
W przypadku elementu ManagedIdentity użyj:
computeIdentityType: 'ManagedIdentity'
identity: {
type: 'string'
userAssignedIdentities: {
{customized property}: {}
}
}
MonitoringSignalBase , obiekty
Ustaw właściwość signalType , aby określić typ obiektu.
W przypadku opcji Niestandardowe użyj:
signalType: 'Custom'
componentId: 'string'
inputAssets: {
{customized property}: {
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
}
inputs: {
{customized property}: {
description: 'string'
jobInputType: 'string'
// For remaining properties, see JobInput objects
}
}
metricThresholds: [
{
metric: 'string'
threshold: {
value: int
}
}
]
workspaceConnection: {
environmentVariables: {
{customized property}: 'string'
}
secrets: {
{customized property}: 'string'
}
}
W przypadku usługi DataDrift użyj:
signalType: 'DataDrift'
dataSegment: {
feature: 'string'
values: [
'string'
]
}
featureDataTypeOverride: {
{customized property}: 'string'
}
featureImportanceSettings: {
mode: 'string'
targetColumn: 'string'
}
features: {
filterType: 'string'
// For remaining properties, see MonitoringFeatureFilterBase objects
}
metricThresholds: [
{
threshold: {
value: int
}
dataType: 'string'
// For remaining properties, see DataDriftMetricThresholdBase objects
}
]
productionData: {
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
referenceData: {
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
W przypadku wartości DataQuality użyj:
signalType: 'DataQuality'
featureDataTypeOverride: {
{customized property}: 'string'
}
featureImportanceSettings: {
mode: 'string'
targetColumn: 'string'
}
features: {
filterType: 'string'
// For remaining properties, see MonitoringFeatureFilterBase objects
}
metricThresholds: [
{
threshold: {
value: int
}
dataType: 'string'
// For remaining properties, see DataQualityMetricThresholdBase objects
}
]
productionData: {
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
referenceData: {
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
W przypadku elementu FeatureAttributionDrift użyj:
signalType: 'FeatureAttributionDrift'
featureDataTypeOverride: {
{customized property}: 'string'
}
featureImportanceSettings: {
mode: 'string'
targetColumn: 'string'
}
metricThreshold: {
metric: 'NormalizedDiscountedCumulativeGain'
threshold: {
value: int
}
}
productionData: [
{
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
]
referenceData: {
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
W przypadku metody GenerationSafetyQuality użyj:
signalType: 'GenerationSafetyQuality'
metricThresholds: [
{
metric: 'string'
threshold: {
value: int
}
}
]
productionData: [
{
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
]
samplingRate: int
workspaceConnectionId: 'string'
W przypadku funkcji GenerationTokenStatistics użyj:
signalType: 'GenerationTokenStatistics'
metricThresholds: [
{
metric: 'string'
threshold: {
value: int
}
}
]
productionData: [
{
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
]
samplingRate: int
W przypadku modeluPerformance użyj:
signalType: 'ModelPerformance'
dataSegment: {
feature: 'string'
values: [
'string'
]
}
metricThreshold: {
threshold: {
value: int
}
modelType: 'string'
// For remaining properties, see ModelPerformanceMetricThresholdBase objects
}
productionData: [
{
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
]
referenceData: {
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
W przypadku elementu PredictionDrift użyj:
signalType: 'PredictionDrift'
featureDataTypeOverride: {
{customized property}: 'string'
}
metricThresholds: [
{
threshold: {
value: int
}
dataType: 'string'
// For remaining properties, see PredictionDriftMetricThresholdBase objects
}
]
productionData: {
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
referenceData: {
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
Monitorowanie Obiektów MonitoringInputDataBase
Ustaw właściwość inputDataType , aby określić typ obiektu.
W przypadku opcji Naprawiono użyj polecenia:
inputDataType: 'Fixed'
W przypadku rolki użyj:
inputDataType: 'Rolling'
preprocessingComponentId: 'string'
windowOffset: 'string'
windowSize: 'string'
W przypadku funkcji Static użyj:
inputDataType: 'Static'
preprocessingComponentId: 'string'
windowEnd: 'string'
windowStart: 'string'
MonitoringFeatureFilterBase, obiekty
Ustaw właściwość filterType , aby określić typ obiektu.
W przypadku aplikacji AllFeatures użyj:
filterType: 'AllFeatures'
W przypadku elementu FeatureSubset użyj:
filterType: 'FeatureSubset'
features: [
'string'
]
W przypadku elementu TopNByAttribution użyj:
filterType: 'TopNByAttribution'
top: int
Obiekty DataDriftMetricThresholdBase
Ustaw właściwość dataType , aby określić typ obiektu.
W przypadku kategorii użyj:
dataType: 'Categorical'
metric: 'string'
W przypadku funkcji Numeryczne użyj:
dataType: 'Numerical'
metric: 'string'
Obiekty DataQualityMetricThresholdBase
Ustaw właściwość dataType , aby określić typ obiektu.
W przypadku kategorii użyj:
dataType: 'Categorical'
metric: 'string'
W przypadku funkcji Numeryczne użyj:
dataType: 'Numerical'
metric: 'string'
Obiekty ModelPerformanceMetricThresholdBase
Ustaw właściwość modelType , aby określić typ obiektu.
W przypadku klasyfikacji użyj:
modelType: 'Classification'
metric: 'string'
W przypadku regresji użyj:
modelType: 'Regression'
metric: 'string'
PredictionDriftMetricThresholdBase, obiekty
Ustaw właściwość dataType , aby określić typ obiektu.
W przypadku kategorii użyj:
dataType: 'Categorical'
metric: 'string'
W przypadku funkcji Numeryczne użyj:
dataType: 'Numerical'
metric: 'string'
Obiekty DataImportSource
Ustaw właściwość sourceType , aby określić typ obiektu.
W przypadku bazy danych użyj:
sourceType: 'database'
query: 'string'
storedProcedure: 'string'
storedProcedureParams: [
{
{customized property}: 'string'
}
]
tableName: 'string'
W przypadku file_system użyj:
sourceType: 'file_system'
path: 'string'
Obiekty TriggerBase
Ustaw właściwość triggerType , aby określić typ obiektu.
W przypadku Cron użyj:
triggerType: 'Cron'
expression: 'string'
W przypadku cyklu użyj:
triggerType: 'Recurrence'
frequency: 'string'
interval: int
schedule: {
hours: [
int
]
minutes: [
int
]
monthDays: [
int
]
weekDays: [
'string'
]
}
Wartości właściwości
obszary robocze/harmonogramy
| Nazwa | Opis | Wartość |
|---|---|---|
| name | Nazwa zasobu Zobacz, jak ustawić nazwy i typy dla zasobów podrzędnych w aplikacji Bicep. |
ciąg (wymagany) |
| Nadrzędny | W Bicep można określić zasób nadrzędny dla zasobu podrzędnego. Tę właściwość należy dodać tylko wtedy, gdy zasób podrzędny jest zadeklarowany poza zasobem nadrzędnym. Aby uzyskać więcej informacji, zobacz Zasób podrzędny poza zasobem nadrzędnym. |
Nazwa symboliczna zasobu typu: obszary robocze |
| properties | [Wymagane] Dodatkowe atrybuty jednostki. | ScheduleProperties (wymagane) |
Właściwości harmonogramu
| Nazwa | Opis | Wartość |
|---|---|---|
| action | [Wymagane] Określa akcję harmonogramu | ScheduleActionBase (wymagane) |
| description (opis) | Tekst opisu zasobu. | ciąg |
| displayName | Nazwa wyświetlana harmonogramu. | ciąg |
| Isenabled | Czy harmonogram jest włączony? | bool |
| properties | Słownik właściwości elementu zawartości. | ResourceBaseProperties |
| tags | Tag słownika. Tagi można dodawać, usuwać i aktualizować. | object |
| Wyzwalacz | [Wymagane] Określa szczegóły wyzwalacza | TriggerBase (wymagana) |
ScheduleActionBase
| Nazwa | Opis | Wartość |
|---|---|---|
| actionType | Ustawianie typu obiektu | CreateJob CreateMonitor Importdata InvokeBatchEndpoint (wymagane) |
JobScheduleAction
| Nazwa | Opis | Wartość |
|---|---|---|
| actionType | [Wymagane] Określa typ akcji harmonogramu | "CreateJob" (wymagane) |
| jobDefinition | [Wymagane] Definiuje szczegóły definicji akcji harmonogramu. | 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 |
| notificationSetting | Ustawienie powiadomień dla zadania | NotificationSetting |
| properties | Słownik właściwości elementu zawartości. | ResourceBaseProperties |
| secretsConfiguration | Konfiguracja wpisów tajnych, które mają być udostępniane podczas wykonywania. | JobBaseSecretsConfiguration |
| 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" (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) |
NotificationSetting
| Nazwa | Opis | Wartość |
|---|---|---|
| emailOn | Wysyłanie powiadomienia e-mail do użytkownika w określonym typie powiadomienia | Tablica ciągów zawierająca dowolną z: "JobCancelled" "JobCompleted" "JobFailed" |
| Wiadomości e-mail | Jest to lista adresatów wiadomości e-mail, która ma ograniczenie do 499 znaków w sumie współbieżne z separatorem przecinka | ciąg[] |
| elementy webhook | Wysyłanie wywołania zwrotnego elementu webhook do usługi. Klucz to nazwa podana przez użytkownika dla elementu webhook. | NotificationSettingWebhooks |
NotificationSettingWebhooks
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | Element webhook |
Webhook
| Nazwa | Opis | Wartość |
|---|---|---|
| eventType | Wysyłanie wywołania zwrotnego w określonym zdarzeniu powiadomienia | ciąg |
| webhookType | Ustawianie typu obiektu | AzureDevOps (wymagane) |
AzureDevOpsWebhook
| Nazwa | Opis | Wartość |
|---|---|---|
| webhookType | [Wymagane] Określa typ usługi do wysłania wywołania zwrotnego | "AzureDevOps" (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 | |
| {niestandardowa właściwość} | ciąg | |
| {niestandardowa właściwość} | ciąg | |
| {niestandardowa właściwość} | ciąg | |
| {niestandardowa właściwość} | ciąg | |
| {niestandardowa właściwość} | ciąg |
JobBaseSecretsConfiguration
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | Konfiguracja wpisu tajnego | |
| {niestandardowa właściwość} | Konfiguracja wpisu tajnego |
Konfiguracja wpisu tajnego
| Nazwa | Opis | Wartość |
|---|---|---|
| Identyfikator uri | Identyfikator URI wpisu tajnego. Przykładowy identyfikator URI: https://myvault.vault.azure.net/secrets/mysecretname/secretversion |
ciąg |
| workspaceSecretName | Nazwa wpisu tajnego w magazynie kluczy obszaru roboczego. | 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. 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 |
| queueSettings | Ustawienia kolejki dla zadania | QueueSettings |
| 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) |
| assetName | Nazwa elementu zawartości wyjściowej. | ciąg |
| assetVersion | Wersja elementu zawartości wyjściowej. | ciąg |
| autoDeleteSetting | Ustawienie automatycznego usuwania elementu zawartości danych wyjściowych. | AutoDeleteSetting |
| tryb | Tryb dostarczania zasobów wyjściowych. | "Bezpośrednie" "ReadWriteMount" "Przekaż" |
| Identyfikator uri | Identyfikator URI elementu zawartości wyjściowej. | ciąg |
AutoDeleteSetting
| Nazwa | Opis | Wartość |
|---|---|---|
| Warunek | Kiedy sprawdzić, czy zasób wygasł | "CreatedGreaterThan" "LastAccessedGreaterThan" |
| wartość | Wartość warunku wygaśnięcia. | ciąg |
MLFlowModelJobOutput
| Nazwa | Opis | Wartość |
|---|---|---|
| jobOutputType | [Wymagane] Określa typ zadania. | "mlflow_model" (wymagane) |
| assetName | Nazwa elementu zawartości wyjściowej. | ciąg |
| assetVersion | Wersja elementu zawartości wyjściowej. | ciąg |
| autoDeleteSetting | Ustawienie automatycznego usuwania elementu zawartości danych wyjściowych. | AutoDeleteSetting |
| 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) |
| assetName | Nazwa elementu zawartości wyjściowej. | ciąg |
| assetVersion | Wersja elementu zawartości wyjściowej. | ciąg |
| autoDeleteSetting | Ustawienie automatycznego usuwania elementu zawartości danych wyjściowych. | AutoDeleteSetting |
| 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) |
| assetName | Nazwa elementu zawartości wyjściowej. | ciąg |
| assetVersion | Wersja elementu zawartości wyjściowej. | ciąg |
| autoDeleteSetting | Ustawienie automatycznego usuwania elementu zawartości danych wyjściowych. | AutoDeleteSetting |
| 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) |
| assetName | Nazwa elementu zawartości wyjściowej. | ciąg |
| assetVersion | Wersja elementu zawartości wyjściowej. | ciąg |
| autoDeleteSetting | Ustawienie automatycznego usuwania elementu zawartości danych wyjściowych. | AutoDeleteSetting |
| 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) |
| assetName | Nazwa elementu zawartości wyjściowej. | ciąg |
| assetVersion | Wersja elementu zawartości wyjściowej. | ciąg |
| autoDeleteSetting | Ustawienie automatycznego usuwania elementu zawartości danych wyjściowych. | AutoDeleteSetting |
| tryb | Tryb dostarczania elementów zawartości wyjściowej. | "Bezpośredni" "ReadWriteMount" "Przekaż" |
| Identyfikator uri | Identyfikator URI elementu zawartości wyjściowej. | ciąg |
QueueSettings
| Nazwa | Opis | Wartość |
|---|---|---|
| jobTier | Kontroluje warstwę zadań obliczeniowych | "Podstawowa" "Null" "Premium" "Spot" "Standardowa" |
| priority | Określa priorytet zadania obliczeniowego. | int |
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 |
| locations | Lokalizacje, w których można uruchomić zadanie. | ciąg[] |
| maxInstanceCount | Opcjonalna maksymalna dozwolona liczba wystąpień lub węzłów do użycia przez docelowy obiekt obliczeniowy. Do użycia z elastycznym trenowaniem, obecnie obsługiwane tylko przez typ dystrybucji PyTorch. |
int |
| 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: Minimalna długość = 1 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 cechowanie. Jeśli wybrano opcję "Niestandardowe", użytkownik może określić dodatkowe dane wejściowe, aby dostosować sposób wykonywania cech. |
"Auto" "Niestandardowy" "Wyłączone" |
| transformerParams | Użytkownik może określić dodatkowe transformatory, które mają być używane wraz z kolumnami, do których zostanie zastosowana, i parametry konstruktora transformatora. | TableVerticalFeaturizationSettingsTransformerParams |
TableVerticalFeaturizationSettingsColumnNameAndTypes
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | ciąg |
TableVerticalFeaturizationSettingsTransformerParams
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | ColumnTransformer[] |
ColumnTransformer
| Nazwa | Opis | Wartość |
|---|---|---|
| fields | Pola do stosowania logiki przekształcania. | ciąg[] |
| parameters | Różne właściwości, które mają być przekazywane do transformatora. Oczekiwano danych wejściowych to słownik par klucz,wartość w formacie JSON. |
W przypadku Bicep można użyć funkcji any(). |
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 |
| maxNodes | Maksymalna liczba węzłów do użycia w eksperymencie. | 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 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 |
| trainingMode | Tryb TrainingMode — ustawienie wartości "auto" jest takie samo jak ustawienie go na "nieprostrybuowane" na razie, jednak w przyszłości może spowodować wybór trybu mieszanego lub heurystycznego. Wartość domyślna to "auto". Jeśli "Rozproszona" jest używana tylko rozproszona cechowanie i wybierane są algorytmy rozproszone. W przypadku wybrania parametru "NonDistributed" są wybierane tylko algorytmy nie rozproszone. |
"Auto" "Rozproszony" "Niedystrybuowany" |
StackEnsembleSettings
| Nazwa | Opis | Wartość |
|---|---|---|
| stackMetaLearnerKWargs | Parametry opcjonalne, które mają być przekazywane do inicjatora metauczeń. | W przypadku funkcji Bicep można użyć funkcji any(). |
| stackMetaLearnerTrainPercentage | Określa proporcję zestawu treningowego (podczas wybierania typu trenowania i walidacji trenowania) do zarezerwowania na potrzeby trenowania meta-ucznia. Wartość domyślna to 0,2. | int |
| stackMetaLearnerType | Metauczeń to model wytrenowany na podstawie danych wyjściowych poszczególnych modeli heterogenicznych. | "ElasticNet" "ElasticNetCV" "LightGBMClassifier" "LightGBMRegressor" "LinearRegression" "LogisticsRegression" "LogisticsRegressionCV" "Brak" |
Prognozowanie
| Nazwa | Opis | Wartość |
|---|---|---|
| Tasktype | [Wymagane] Typ zadania dla zadania AutoMLJob. | "Prognozowanie" (wymagane) |
| cvSplitColumnNames | Kolumny do użycia dla danych CVSplit. | ciąg[] |
| cechowanieUstawienia | Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML. | TableVerticalFeaturizationSettings |
| 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" |
| featuresUnknownAtForecastTime | Kolumny funkcji, które są dostępne do trenowania, ale nieznane w czasie prognozowania/wnioskowania. Jeśli features_unknown_at_forecast_time nie jest ustawiona, zakłada się, że wszystkie kolumny funkcji w zestawie danych są znane w czasie wnioskowania. |
ciąg[] |
| 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" "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 |
| trainingMode | Tryb TrainingMode — ustawienie wartości "auto" jest takie samo jak ustawienie go na "nieprostrybuowane" na razie, jednak w przyszłości może spowodować wybór trybu mieszanego lub heurystycznego. Wartość domyślna to "auto". Jeśli "Rozproszona" jest używana tylko rozproszona cechowanie i wybierane są algorytmy rozproszone. W przypadku wybrania parametru "NonDistributed" są wybierane tylko algorytmy nie rozproszone. |
"Auto" "Rozproszony" "Niedystrybuowany" |
ImageClassification
| Nazwa | Opis | Wartość |
|---|---|---|
| Tasktype | [Wymagane] Typ zadania dla zadania AutoMLJob. | "ImageClassification" (wymagane) |
| limitSettings | [Wymagane] Ogranicz ustawienia zadania automatycznego uczenia maszynowego. | ImageLimitSettings (wymagane) |
| modelSettings | Ustawienia używane do trenowania modelu. | ImageModelSettingsClassification |
| primaryMetric | Podstawowa metryka do optymalizacji pod kątem tego zadania. | "AUCWeighted" "Dokładność" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted" |
| searchSpace | Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów. | ImageModelDistributionSettingsClassification[] |
| sweepSettings | Ustawienia związane z zamiatanie modelu i zamiatanie hiperparametrów. | ImageSweepSettings |
| validationData | Dane wejściowe danych walidacji. | MLTableJobInput |
| validationDataSize | Ułamek zestawu danych trenowania, który 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: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
ImageModelDistributionSettingsClassification
| Nazwa | Opis | Wartość |
|---|---|---|
| amsGradient | Włącz narzędzie AMSGrad, gdy optymalizator ma wartość "adam" lub "adamw". | ciąg |
| rozszerzenia | Ustawienia dotyczące używania rozszerzeń. | ciąg |
| beta1 | Wartość "beta1", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkiem w zakresie [0, 1]. | ciąg |
| beta2 | Wartość "beta2", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkiem w zakresie [0, 1]. | ciąg |
| Rozproszonych | Czy należy używać trenowania rozproszonego. | ciąg |
| earlyStopping | Włącz logikę wczesnego zatrzymywania podczas trenowania. | ciąg |
| earlyStoppingDelay | Minimalna liczba epok lub ocen poprawności, które należy zaczekać przed ulepszeniem podstawowej metryki jest śledzony w celu wczesnego zatrzymania. Musi być dodatnią liczbą całkowitą. |
ciąg |
| earlyStoppingPatience | Minimalna liczba epok lub ocen poprawności bez podstawowej poprawy metryki przed przebieg zostanie zatrzymany. Musi być dodatnią liczbą całkowitą. |
ciąg |
| enableOnnxNormalization | Włącz normalizację podczas eksportowania modelu ONNX. | ciąg |
| evaluationFrequency | Częstotliwość oceniania zestawu danych weryfikacji w celu uzyskania wyników metryk. Musi być dodatnią liczbą całkowitą. | ciąg |
| gradientAccumulationKrok | Akumulacja gradientu oznacza uruchomienie skonfigurowanej liczby kroków "GradAccumulationStep" bez aktualizowanie wag modelu podczas gromadzenia gradientów tych kroków, a następnie przy użyciu skumulowane gradienty do obliczenia aktualizacji wagi. Musi być dodatnią liczbą całkowitą. |
ciąg |
| layersToFreeze | Liczba warstw, które mają być blokowane dla modelu. Musi być dodatnią liczbą całkowitą. Na przykład przekazanie wartości 2 jako wartości dla "seresnext" oznacza warstwy 0 i warstwy 1. Aby uzyskać pełną listę obsługiwanych modeli i szczegóły dotyczące blokowania warstwy, proszę Zobacz: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
ciąg |
| learningRate | Początkowa szybkość nauki. Musi być zmiennoprzecinkiem w zakresie [0, 1]. | ciąg |
| learningRateScheduler | Typ harmonogramu szybkości nauki. Musi mieć wartość "warmup_cosine" lub "krok". | ciąg |
| Modelname | Nazwa modelu, który ma być używany do trenowania. Aby uzyskać więcej informacji na temat dostępnych modeli, odwiedź oficjalną dokumentację: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
ciąg |
| Tempa | Wartość tempa, gdy optymalizator ma wartość "sgd". Musi być zmiennoprzecinkiem w zakresie [0, 1]. | ciąg |
| nesterov | Włącz nesterov, gdy optymalizator ma wartość "sgd". | ciąg |
| numberOfEpochs | Liczba epok treningowych. Musi być dodatnią liczbą całkowitą. | ciąg |
| numberOfWorkers | Liczba procesów roboczych modułu ładującego dane. Musi być nieujemną liczbą całkowitą. | ciąg |
| Optymalizator | Typ optymalizatora. Musi być albo "sgd", "adam", lub "adamw". | ciąg |
| randomSeed | Losowe inicjatory, które mają być używane podczas korzystania z trenowania deterministycznego. | ciąg |
| stepLRGamma | Wartość gamma podczas uczenia się harmonogramu szybkości jest "krok". Musi być zmiennoprzecinkiem w zakresie [0, 1]. | ciąg |
| stepLRStepSize | Wartość rozmiaru kroku, gdy harmonogram szybkości nauki to "krok". Musi być dodatnią liczbą całkowitą. | ciąg |
| trainingBatchSize | Rozmiar partii trenowania. Musi być dodatnią liczbą całkowitą. | ciąg |
| trainingCropSize | Rozmiar przycinania 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 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 | 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 stawka nauki. Musi być zmiennoprzecinkowym w zakresie [0, 1]. | int |
| learningRateScheduler | Typ harmonogramu szybkości nauki. Musi być "warmup_cosine" lub "krok". | "Brak" "Krok" "WarmupCosine" |
| logTrainingMetrics | Włączanie obliczeń i rejestrowania metryk trenowania. | "Wyłącz" "Włącz" |
| logValidationLoss | Włącz przetwarzanie i rejestrowanie utraty poprawności. | "Wyłącz" "Włącz" |
| 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 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 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 |
| trainingMode | Tryb TrainingMode — ustawienie wartości "auto" jest takie samo jak ustawienie go na "nieprostrybuowane" na razie, jednak w przyszłości może spowodować wybór trybu mieszanego lub heurystycznego. Wartość domyślna to "auto". Jeśli "Rozproszona" jest używana tylko rozproszona cechowanie i wybierane są algorytmy rozproszone. W przypadku wybrania parametru "NonDistributed" są wybierane tylko algorytmy nie rozproszone. |
"Auto" "Rozproszony" "Niedystrybuowany" |
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 do użycia w eksperymencie. | 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 |
| 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, Ray lub null. | Konfiguracja dystrybucji |
| environmentId | [Wymagane] Identyfikator zasobu usługi ARM specyfikacji środowiska dla zadania. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 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 |
| queueSettings | Ustawienia kolejki dla zadania | QueueSettings |
| 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 Ray 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 |
Ray
| Nazwa | Opis | Wartość |
|---|---|---|
| distributionType | [Wymagane] Określa typ struktury dystrybucji. | "Ray" (wymagane) |
| adres | Adres węzła głównego Raya. | ciąg |
| dashboardPort | Port, z który ma być powiązany serwer pulpitu nawigacyjnego. | int |
| headNodeAdditionalArgs | Dodatkowe argumenty przekazywane do uruchomienia promienia w węźle głównym. | ciąg |
| includeDashboard | Podaj ten argument, aby uruchomić graficzny interfejs użytkownika pulpitu nawigacyjnego Ray. | bool |
| port | Port procesu promienia głowy. | int |
| workerNodeAdditionalArgs | Dodatkowe argumenty przekazywane do uruchomienia promienia w węźle procesu roboczego. | ciąg |
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: Minimalna długość = 1 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: Minimalna długość = 1 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: Minimalna długość = 1 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: Minimalna długość = 1 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: Minimalna długość = 1 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 |
| notificationSetting | Ustawienie powiadomień dla zadania | NotificationSetting |
| properties | Słownik właściwości elementu zawartości. | ResourceBaseProperties |
| secretsConfiguration | Konfiguracja wpisów tajnych, które mają być udostępniane podczas wykonywania. | JobBaseSecretsConfiguration |
| 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 |
| incrementalDataRefresh | Wskazuje, czy włączyć odświeżanie danych przyrostowych. | "Wyłączone" "Włączone" |
LabelingJobInstructions
| Nazwa | Opis | Wartość |
|---|---|---|
| Identyfikator uri | Link do strony ze szczegółowymi instrukcjami etykietowania dla etykiet. | ciąg |
LabelingJobLabelCategories
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | EtykietaKategory | |
| {niestandardowa właściwość} | EtykietaKategory |
EtykietaKategory
| Nazwa | Opis | Wartość |
|---|---|---|
| Klasy | Słownik klas etykiet w tej kategorii. | LabelCategoryClasses |
| displayName | Nazwa wyświetlana kategorii etykiet. | ciąg |
| Multiselect | Wskazuje, czy można wybrać wiele klas w tej kategorii. | "Wyłączone" "Włączone" |
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: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
| trainingComputeBinding | [Wymagane] Powiązanie obliczeniowe AML używane podczas trenowania. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
PipelineJob
| Nazwa | Opis | Wartość |
|---|---|---|
| jobType | [Wymagane] Określa typ zadania. | "Potok" (wymagany) |
| Wejścia | Dane wejściowe zadania potoku. | PipelineJobInputs |
| Zadania | Zadania skonstruować zadanie potoku. | PipelineJobJobs |
| Wyjść | Dane wyjściowe zadania potoku | PipelineJobOutputs |
| ustawienia | Ustawienia potoku, takie jak ContinueRunOnStepFailure itp. | W przypadku funkcji Bicep można użyć funkcji any(). |
| sourceJobId | Identyfikator zasobu usługi ARM zadania źródłowego. | ciąg |
PipelineJobInputs
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | JobInput |
PipelineJobJobs
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | W przypadku funkcji Bicep można użyć funkcji any(). |
PipelineJobOutputs
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | JobOutput |
Zadanie SparkJob
| Nazwa | Opis | Wartość |
|---|---|---|
| jobType | [Wymagane] Określa typ zadania. | "Spark" (wymagane) |
| Archiwum | Archiwizuj pliki używane w zadaniu. | ciąg[] |
| args | Argumenty zadania. | ciąg |
| codeId | [Wymagane] Identyfikator zasobu usługi ARM zasobu kodu. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 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 |
| environmentVariables | Zmienne środowiskowe uwzględnione w zadaniu. | SparkJobEnvironmentVariables |
| 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[] |
| queueSettings | Ustawienia kolejki dla zadania | QueueSettings |
| 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_] |
SparkJobEnvironmentVariables
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | ciąg |
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) |
| componentConfiguration | Konfiguracja składnika do zamiatania składnika | ComponentConfiguration |
| 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 |
| queueSettings | Ustawienia kolejki dla zadania | QueueSettings |
| zasoby | Konfiguracja zasobu obliczeniowego dla zadania. | JobResourceConfiguration |
| próbkowanieAlgorithm | [Wymagane] Algorytm próbkowania hiperparametrów | PróbkowanieAlgorithm (wymagane) |
| searchSpace | [Wymagane] Słownik zawierający każdy parametr i jego rozkład. Klucz słownika jest nazwą parametru | W przypadku Bicep można użyć funkcji any(). (wymagane) |
| trial | [Wymagane] Definicja składnika wersji próbnej. | TrialComponent (wymagany) |
ComponentConfiguration
| Nazwa | Opis | Wartość |
|---|---|---|
| pipelineSettings | Ustawienia potoku, takie jak ContinueRunOnStepFailure itp. | W przypadku Bicep można użyć funkcji any(). |
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: Minimalna długość = 1 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) |
| logbase | Opcjonalna liczba dodatnia lub e w formacie ciągu, który ma być używany jako podstawa do próbkowania losowego opartego na dziennikach | ciąg |
| 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: Minimalna długość = 1 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 |
CreateMonitorAction
| Nazwa | Opis | Wartość |
|---|---|---|
| actionType | [Wymagane] Określa typ akcji harmonogramu | "CreateMonitor" (wymagane) |
| monitorDefinition | [Wymagane] Definiuje monitor. | MonitorDefinition (wymagane) |
MonitorDefinition
| Nazwa | Opis | Wartość |
|---|---|---|
| alertNotificationSettings | Ustawienia powiadomień monitora. | MonitorNotificationSettings |
| computeConfiguration | [Wymagane] Identyfikator zasobu usługi ARM zasobu obliczeniowego do uruchomienia zadania monitorowania. | MonitorComputeConfigurationBase (wymagane) |
| monitoringTarget | Identyfikator zasobu usługi ARM modelu lub wdrożenia objętego tym monitorem. | MonitorowanieTarget |
| Sygnały | [Wymagane] Sygnały do monitorowania. | MonitorDefinitionSignals (wymagane) |
MonitorNotificationSettings
| Nazwa | Opis | Wartość |
|---|---|---|
| emailNotificationSettings | Ustawienia wiadomości e-mail z powiadomieniem AML. | MonitorEmailNotificationSettings |
MonitorEmailNotificationSettings
| Nazwa | Opis | Wartość |
|---|---|---|
| Wiadomości e-mail | Jest to lista adresatów wiadomości e-mail, która ma ograniczenie 499 znaków w sumie. | ciąg[] |
MonitorComputeConfigurationBase
| Nazwa | Opis | Wartość |
|---|---|---|
| computeType | Ustawianie typu obiektu | ServerlessSpark (wymagane) |
MonitorServerlessSparkCompute
| Nazwa | Opis | Wartość |
|---|---|---|
| computeType | [Wymagane] Określa typ sygnału do monitorowania. | "ServerlessSpark" (wymagane) |
| computeIdentity | [Wymagane] Schemat tożsamości, do których korzystają zadania platformy Spark uruchomione na bezserwerowej platformie Spark. | MonitorComputeIdentityBase (wymagane) |
| Instancetype | [Wymagane] Typ wystąpienia, w którym uruchomiono zadanie platformy Spark. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
| runtimeVersion | [Wymagane] Wersja środowiska uruchomieniowego platformy Spark. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
MonitorComputeIdentityBase
| Nazwa | Opis | Wartość |
|---|---|---|
| computeIdentityType | Ustawianie typu obiektu | Token AmlToken ManagedIdentity (wymagane) |
AmlTokenComputeIdentity
| Nazwa | Opis | Wartość |
|---|---|---|
| computeIdentityType | [Wymagane] Monitoruj wyliczenie typu tożsamości obliczeniowej. | "AmlToken" (wymagane) |
ManagedComputeIdentity
| Nazwa | Opis | Wartość |
|---|---|---|
| computeIdentityType | [Wymagane] Monitoruj wyliczenie typu tożsamości obliczeniowej. | "ManagedIdentity" (wymagane) |
| identity | Tożsamość usługi zarządzanej (tożsamości przypisane przez system i/lub przypisane przez użytkownika) | ManagedServiceIdentity |
ManagedServiceIdentity
| Nazwa | Opis | Wartość |
|---|---|---|
| typ | Typ tożsamości usługi zarządzanej (gdzie dozwolone są typy SystemAssigned i UserAssigned). | "Brak" "SystemAssigned" "SystemAssigned,UserAssigned" "UserAssigned" (wymagane) |
| userAssignedIdentities | Zestaw tożsamości przypisanych przez użytkownika skojarzonych z zasobem. Klucze słownika userAssignedIdentities będą identyfikatorami zasobów usługi ARM w postaci: "/subscriptions/{subscriptionId}/resourceGroups/{resourceGroupName}/providers/Microsoft.ManagedIdentity/userAssignedIdentities/{identityName}. Wartości słownika mogą być pustymi obiektami ({}) w żądaniach. | UserAssignedIdentities |
UserAssignedIdentities
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | UserAssignedIdentity |
UserAssignedIdentity
Ten obiekt nie zawiera żadnych właściwości do ustawienia podczas wdrażania. Wszystkie właściwości to ReadOnly.
MonitoringTarget
| Nazwa | Opis | Wartość |
|---|---|---|
| identyfikator wdrożenia | Identyfikator zasobu usługi ARM wdrożenia objętego tym monitorem. | ciąg |
| modelId | Identyfikator zasobu usługi ARM dla dowolnego modelu objętego tym monitorem. | ciąg |
| Tasktype | [Wymagane] Typ zadania uczenia maszynowego modelu. | "Klasyfikacja" "QuestionAnswering" "Regresja" (wymagana) |
MonitorDefinitionSignals
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | MonitoringSignalBase |
MonitoringSignalBase
| Nazwa | Opis | Wartość |
|---|---|---|
| notificationTypes | Bieżący tryb powiadomień dla tego sygnału. | Tablica ciągów zawierająca dowolną z: "AmlNotification" "AzureMonitor" |
| properties | Słownik właściwości. Właściwości można dodawać, ale nie usuwać ani zmieniać. | MonitorowanieSignalBaseProperties |
| signalType | Ustawianie typu obiektu | Niestandardowe DataDrift DataQuality FeatureAttributionDrift GenerationSafetyQuality GenerationTokenStatistics ModelPerformance PredictionDrift (wymagane) |
MonitorowanieSignalBaseProperties
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | ciąg |
CustomMonitoringSignal
| Nazwa | Opis | Wartość |
|---|---|---|
| signalType | [Wymagane] Określa typ sygnału do monitorowania. | "Niestandardowy" (wymagany) |
| Componentid | [Wymagane] Identyfikator zasobu usługi ARM zasobu składnika używanego do obliczania metryk niestandardowych. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
| inputAssets | Monitorowanie zasobów do podjęcia jako danych wejściowych. Klucz to nazwa portu wejściowego składnika, wartość to zasób danych. | CustomMonitoringSignalInputAssets |
| Wejścia | Dodatkowe parametry składnika do podjęcia jako dane wejściowe. Klucz to nazwa portu wejściowego literału składnika, wartość jest wartością parametru. | CustomMonitoringSignalInputs |
| metricThresholds | [Wymagane] Lista metryk do obliczenia i skojarzonych z nimi progów. | CustomMetricThreshold[] (wymagane) |
| workspaceConnection | [Wymagane] Lista metryk do obliczenia i skojarzonych z nimi progów. | MonitoringWorkspaceConnection (wymagane) |
CustomMonitoringSignalInputAssets
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | MonitoringInputDataBase |
MonitoringInputDataBase
| Nazwa | Opis | Wartość |
|---|---|---|
| columns | Mapowanie nazw kolumn na specjalne zastosowania. | MonitoringInputDataBaseColumns |
| Datacontext | Metadane kontekstu źródła danych. | ciąg |
| jobInputType | [Wymagane] Określa typ zadania. | "custom_model" "literał" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (wymagane) |
| Identyfikator uri | [Wymagane] Identyfikator URI zasobu wejściowego. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
| inputDataType | Ustawianie typu obiektu | Stały Toczenia Statyczny (wymagany) |
MonitoringInputDataBaseColumns
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | ciąg |
FixedInputData
| Nazwa | Opis | Wartość |
|---|---|---|
| inputDataType | [Wymagane] Określa typ sygnału do monitorowania. | "Naprawiono" (wymagane) |
RollingInputData
| Nazwa | Opis | Wartość |
|---|---|---|
| inputDataType | [Wymagane] Określa typ sygnału do monitorowania. | "Rolling" (wymagane) |
| preprocessingComponentId | Identyfikator zasobu usługi ARM zasobu składnika używanego do wstępnego przetwarzania danych. | ciąg |
| windowOffset | [Wymagane] Przesunięcie czasu między końcem okna danych a bieżącym czasem wykonywania monitora. | ciąg (wymagany) |
| windowSize | [Wymagane] Rozmiar okna danych końcowych. | ciąg (wymagany) |
StaticInputData
| Nazwa | Opis | Wartość |
|---|---|---|
| inputDataType | [Wymagane] Określa typ sygnału do monitorowania. | "Statyczny" (wymagany) |
| preprocessingComponentId | Identyfikator zasobu usługi ARM zasobu składnika używanego do wstępnego przetwarzania danych. | ciąg |
| windowEnd | [Wymagane] Data zakończenia okna danych. | ciąg (wymagany) |
| windowStart | [Wymagane] Data rozpoczęcia okna danych. | ciąg (wymagany) |
CustomMonitoringSignalInputs
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | JobInput |
CustomMetricThreshold
| Nazwa | Opis | Wartość |
|---|---|---|
| Metryka | [Wymagane] Metryka zdefiniowana przez użytkownika do obliczenia. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
| Próg | Wartość progowa. Jeśli wartość null, zostanie ustawiona wartość domyślna w zależności od wybranej metryki. | MonitoringThreshold |
MonitoringThreshold
| Nazwa | Opis | Wartość |
|---|---|---|
| wartość | Wartość progowa. Jeśli wartość null, ustawienie domyślne jest zależne od typu metryki. | int |
MonitoringWorkspaceConnection
| Nazwa | Opis | Wartość |
|---|---|---|
| environmentVariables | Właściwości połączenia usługi obszaru roboczego do przechowywania jako zmiennych środowiskowych w przesłanych zadaniach. Klucz to ścieżka właściwości połączenia obszaru roboczego, nazwa to klucz zmiennej środowiskowej. |
MonitoringWorkspaceConnectionEnvironmentVariables |
| wpisy tajne | Właściwości połączenia usługi obszaru roboczego do przechowywania jako wpisów tajnych w przesłanych zadaniach. Klucz to ścieżka właściwości połączenia obszaru roboczego, nazwa to klucz tajny. |
MonitoringWorkspaceConnectionSecrets |
MonitoringWorkspaceConnectionEnvironmentVariables
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | ciąg |
MonitoringWorkspaceConnectionSecrets
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | ciąg |
DataDriftMonitoringSignal
| Nazwa | Opis | Wartość |
|---|---|---|
| signalType | [Wymagane] Określa typ sygnału do monitorowania. | "DataDrift" (wymagane) |
| dataSegment | Segment danych używany do określania zakresu w podzestawie populacji danych. | MonitoringDataSegment |
| featureDataTypeOverride | Słownik mapujący nazwy funkcji na odpowiednie typy danych. | DataDriftMonitoringSignalFeatureDataTypeOverride |
| featureImportanceSettings | Ustawienia dotyczące znaczenia funkcji przetwarzania. | FeatureImportanceSettings |
| funkcje | Filtr funkcji określający, która funkcja ma obliczyć dryf. | MonitoringFeatureFilterBase |
| metricThresholds | [Wymagane] Lista metryk do obliczenia i skojarzonych z nimi progów. | DataDriftMetricThresholdBase[] (wymagane) |
| productionData | [Wymagane] Dane, dla których będzie obliczany dryf. | MonitoringInputDataBase (wymagane) |
| referenceData | [Wymagane] Dane do obliczenia dryfu względem. | MonitoringInputDataBase (wymagane) |
MonitoringDataSegment
| Nazwa | Opis | Wartość |
|---|---|---|
| funkcja | Funkcja umożliwiająca segmentowanie danych. | ciąg |
| values | Filtruje tylko określone wartości danej funkcji segmentowanej. | ciąg[] |
DataDriftMonitoringSignalFeatureDataTypeOverride
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | "Kategorialne" "Numeryczne" |
FeatureImportanceSettings
| Nazwa | Opis | Wartość |
|---|---|---|
| tryb | Tryb operacji na potrzeby przetwarzania ma znaczenie funkcji. | "Wyłączone" "Włączone" |
| targetColumn | Nazwa kolumny docelowej w zasobie danych wejściowych. | ciąg |
MonitoringFeatureFilterBase
| Nazwa | Opis | Wartość |
|---|---|---|
| Filtertype | Ustawianie typu obiektu | Wszystkiefeatures FeatureSubset TopNByAttribution (wymagane) |
Wszystkiefeatures
| Nazwa | Opis | Wartość |
|---|---|---|
| Filtertype | [Wymagane] Określa filtr funkcji do wykorzystania podczas wybierania funkcji do obliczania metryk. | "AllFeatures" (wymagane) |
FeatureSubset
| Nazwa | Opis | Wartość |
|---|---|---|
| Filtertype | [Wymagane] Określa filtr funkcji do wykorzystania podczas wybierania funkcji do obliczania metryk. | "FeatureSubset" (wymagane) |
| funkcje | [Wymagane] Lista funkcji do uwzględnienia. | string[] (wymagane) |
TopNFeaturesByAttribution
| Nazwa | Opis | Wartość |
|---|---|---|
| Filtertype | [Wymagane] Określa filtr funkcji do wykorzystania podczas wybierania funkcji do obliczania metryk. | "TopNByAttribution" (wymagane) |
| top (pierwsze) | Liczba najważniejszych funkcji do uwzględnienia. | int |
DataDriftMetricThresholdBase
| Nazwa | Opis | Wartość |
|---|---|---|
| Próg | Wartość progowa. Jeśli wartość null, zostanie ustawiona wartość domyślna w zależności od wybranej metryki. | MonitoringThreshold |
| dataType | Ustawianie typu obiektu | Podzielone na kategorie Numeryczne (wymagane) |
CategoryegoricalDataDriftMetricThreshold
| Nazwa | Opis | Wartość |
|---|---|---|
| dataType | [Wymagane] Określa typ danych progu metryki. | "Kategorialne" (wymagane) |
| Metryka | [Wymagane] Metryka dryfu danych kategorii do obliczenia. | "JensenShannonDistance" "PearsonsChiSquaredTest" "PopulationStabilityIndex" (wymagany) |
WartośćnumerycznyDataDriftMetricThreshold
| Nazwa | Opis | Wartość |
|---|---|---|
| dataType | [Wymagane] Określa typ danych progu metryki. | "Numeryczne" (wymagane) |
| Metryka | [Wymagane] Metryka dryfu danych liczbowych do obliczenia. | "JensenShannonDistance" "NormalizedWassersteinDistance" "PopulationStabilityIndex" "TwoSampleKolmogorovSmirnovTest" (wymagane) |
DataQualityMonitoringSignal
| Nazwa | Opis | Wartość |
|---|---|---|
| signalType | [Wymagane] Określa typ sygnału do monitorowania. | "DataQuality" (wymagane) |
| featureDataTypeOverride | Słownik mapujący nazwy funkcji na odpowiednie typy danych. | DataQualityMonitoringSignalFeatureDataTypeOverride |
| featureImportanceSettings | Ustawienia dotyczące znaczenia funkcji przetwarzania. | FeatureImportanceSettings |
| funkcje | Funkcje do obliczenia dryfu. | MonitoringFeatureFilterBase |
| metricThresholds | [Wymagane] Lista metryk do obliczenia i skojarzonych z nimi progów. | DataQualityMetricThresholdBase[] (wymagane) |
| productionData | [Wymagane] Dane generowane przez usługę produkcyjną, dla której będzie obliczany dryf. | MonitoringInputDataBase (wymagane) |
| referenceData | [Wymagane] Dane do obliczenia dryfu względem. | MonitoringInputDataBase (wymagane) |
DataQualityMonitoringSignalFeatureDataTypeOverride
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | "Kategorialne" "Numeryczne" |
DataQualityMetricThresholdBase
| Nazwa | Opis | Wartość |
|---|---|---|
| Próg | Wartość progowa. Jeśli wartość null, zostanie ustawiona wartość domyślna w zależności od wybranej metryki. | MonitoringThreshold |
| dataType | Ustawianie typu obiektu | Podzielone na kategorie Numeryczne (wymagane) |
KategoricalDataQualityMetricThreshold
| Nazwa | Opis | Wartość |
|---|---|---|
| dataType | [Wymagane] Określa typ danych progu metryki. | "Kategoria" (wymagane) |
| Metryka | [Wymagane] Metryka jakości danych kategorii do obliczenia. | "DataTypeErrorRate" "NullValueRate" "OutOfBoundsRate" (wymagane) |
LiczbaDaneQualityMetricThreshold
| Nazwa | Opis | Wartość |
|---|---|---|
| dataType | [Wymagane] Określa typ danych progu metryki. | "Numeryczne" (wymagane) |
| Metryka | [Wymagane] Metryka jakości danych liczbowych do obliczenia. | "DataTypeErrorRate" "NullValueRate" "OutOfBoundsRate" (wymagane) |
FeatureAttributionDriftMonitoringSignal
| Nazwa | Opis | Wartość |
|---|---|---|
| signalType | [Wymagane] Określa typ sygnału do monitorowania. | "FeatureAttributionDrift" (wymagane) |
| featureDataTypeOverride | Słownik mapujący nazwy funkcji na odpowiednie typy danych. | FeatureAttributionDriftMonitoringSignalFeatureDataTy... |
| featureImportanceSettings | Ustawienia dotyczące znaczenia funkcji przetwarzania. | FeatureImportanceSettings |
| metricThreshold | [Wymagane] Lista metryk do obliczenia i skojarzonych z nimi progów. | FeatureAttributionMetricThreshold (wymagane) |
| productionData | [Wymagane] Dane, dla których będzie obliczany dryf. | MonitoringInputDataBase[] (wymagane) |
| referenceData | [Wymagane] Dane do obliczenia dryfu względem. | MonitoringInputDataBase (wymagane) |
FeatureAttributionDriftMonitoringSignalFeatureDataTy...
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | "Kategorialne" "Numeryczne" |
FeatureAttributionMetricThreshold
| Nazwa | Opis | Wartość |
|---|---|---|
| Metryka | [Wymagane] Metryka przypisywania cech do obliczenia. | "NormalizedDiscountedCumulativeGain" (wymagane) |
| Próg | Wartość progowa. Jeśli wartość null, zostanie ustawiona wartość domyślna w zależności od wybranej metryki. | MonitoringThreshold |
GenerationSafetyQualityMonitoringSignal
| Nazwa | Opis | Wartość |
|---|---|---|
| signalType | [Wymagane] Określa typ sygnału do monitorowania. | "GenerationSafetyQuality" (wymagane) |
| metricThresholds | [Wymagane] Pobiera lub ustawia metryki w celu obliczenia i odpowiednich progów. | GenerationSafetyQualityMetricThreshold[] (wymagane) |
| productionData | Pobiera lub ustawia dane produkcyjne dla metryk obliczeniowych. | MonitoringInputDataBase[] |
| samplingRate | [Wymagane] Częstotliwość próbkowania danych produkcyjnych powinna być większa niż 0 i maksymalnie 1. | int (wymagane) |
| workspaceConnectionId | Pobiera lub ustawia identyfikator połączenia obszaru roboczego używany do nawiązywania połączenia z punktem końcowym generowania zawartości. | ciąg |
GenerationSafetyQualityMetricThreshold
| Nazwa | Opis | Wartość |
|---|---|---|
| Metryka | [Wymagane] Pobiera lub ustawia metryki przypisania funkcji do obliczenia. | "AcceptableCoherenceScorePerInstance" "AcceptableFluencyScorePerInstance" "AcceptableGroundednessScorePerInstance" "AcceptableRelevanceScorePerInstance" "AcceptableSimilarityScorePerInstance" "AggregatedCoherencePassRate" "AggregatedFluencyPassRate" "AggregatedGroundednessPassRate" "AggregatedRelevancePassRate" "AggregatedSimilarityPassRate" (wymagane) |
| Próg | Pobiera lub ustawia wartość progową. Jeśli wartość null, zostanie ustawiona wartość domyślna w zależności od wybranej metryki. |
MonitoringThreshold |
GenerationTokenUsageSignal
| Nazwa | Opis | Wartość |
|---|---|---|
| signalType | [Wymagane] Określa typ sygnału do monitorowania. | "GenerationTokenStatistics" (wymagane) |
| metricThresholds | [Wymagane] Pobiera lub ustawia metryki w celu obliczenia i odpowiednich progów. | GenerationTokenUsageMetricThreshold[] (wymagane) |
| productionData | Pobiera lub ustawia dane produkcyjne dla metryk obliczeniowych. | MonitoringInputDataBase[] |
| samplingRate | [Wymagane] Częstotliwość próbkowania danych produkcyjnych powinna być większa niż 0 i maksymalnie 1. | int (wymagane) |
GenerationTokenUsageMetricThreshold
| Nazwa | Opis | Wartość |
|---|---|---|
| Metryka | [Wymagane] Pobiera lub ustawia metryki przypisania funkcji do obliczenia. | "TotalTokenCount" "TotalTokenCountPerGroup" (wymagane) |
| Próg | Pobiera lub ustawia wartość progową. Jeśli wartość null, zostanie ustawiona wartość domyślna w zależności od wybranej metryki. |
MonitoringThreshold |
ModelPerformanceSignal
| Nazwa | Opis | Wartość |
|---|---|---|
| signalType | [Wymagane] Określa typ sygnału do monitorowania. | "ModelPerformance" (wymagane) |
| dataSegment | Segment danych. | MonitoringDataSegment |
| metricThreshold | [Wymagane] Lista metryk do obliczenia i skojarzonych z nimi progów. | ModelPerformanceMetricThresholdBase (wymagane) |
| productionData | [Wymagane] Dane generowane przez usługę produkcyjną, dla których zostanie obliczona wydajność. | MonitoringInputDataBase[] (wymagane) |
| referenceData | [Wymagane] Dane referencyjne używane jako podstawa do obliczania wydajności modelu. | MonitoringInputDataBase (wymagane) |
ModelPerformanceMetricThresholdBase
| Nazwa | Opis | Wartość |
|---|---|---|
| Próg | Wartość progowa. Jeśli wartość null, zostanie ustawiona wartość domyślna w zależności od wybranej metryki. | MonitoringThreshold |
| modelType | Ustawianie typu obiektu | Klasyfikacji Regresja (wymagana ) |
ClassificationModelPerformanceMetricThreshold
| Nazwa | Opis | Wartość |
|---|---|---|
| modelType | [Wymagane] Określa typ danych progu metryki. | "Klasyfikacja" (wymagana) |
| Metryka | [Wymagane] Wydajność modelu klasyfikacji do obliczenia. | "Dokładność" "Precyzja" "Kompletność" (wymagana) |
RegressionModelPerformanceMetricThreshold
| Nazwa | Opis | Wartość |
|---|---|---|
| modelType | [Wymagane] Określa typ danych progu metryki. | "Regresja" (wymagana) |
| Metryka | [Wymagane] Metryka wydajności modelu regresji do obliczenia. | "MeanAbsoluteError" "MeanSquaredError" "RootMeanSquaredError" (wymagane) |
PredictionDriftMonitoringSignal
| Nazwa | Opis | Wartość |
|---|---|---|
| signalType | [Wymagane] Określa typ sygnału do monitorowania. | "PredictionDrift" (wymagane) |
| featureDataTypeOverride | Słownik mapujący nazwy funkcji na odpowiednie typy danych. | PredictionDriftMonitoringSignalFeatureDataTypeOverri... |
| metricThresholds | [Wymagane] Lista metryk do obliczenia i skojarzonych z nimi progów. | PredictionDriftMetricThresholdBase[] (wymagane) |
| productionData | [Wymagane] Dane, dla których będzie obliczany dryf. | MonitoringInputDataBase (wymagane) |
| referenceData | [Wymagane] Dane do obliczenia dryfu względem. | MonitoringInputDataBase (wymagane) |
PredictionDriftMonitoringSignalFeatureDataTypeOverri...
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | "Kategorialne" "Numeryczne" |
PredictionDriftMetricThresholdBase
| Nazwa | Opis | Wartość |
|---|---|---|
| Próg | Wartość progowa. Jeśli wartość null, zostanie ustawiona wartość domyślna w zależności od wybranej metryki. | MonitoringThreshold |
| dataType | Ustawianie typu obiektu | Podzielone na kategorie Numeryczne (wymagane) |
KategoricalPredictionDriftMetricThreshold
| Nazwa | Opis | Wartość |
|---|---|---|
| dataType | [Wymagane] Określa typ danych progu metryki. | "Kategoria" (wymagane) |
| Metryka | [Wymagane] Metryka dryfu przewidywania kategorii do obliczenia. | "JensenShannonDistance" "PearsonsChiSquaredTest" "PopulationStabilityIndex" (wymagany) |
Wartość liczbowaPredictionDriftMetricThreshold
| Nazwa | Opis | Wartość |
|---|---|---|
| dataType | [Wymagane] Określa typ danych progu metryki. | "Numeryczne" (wymagane) |
| Metryka | [Wymagane] Metryka dryfu przewidywania liczbowego do obliczenia. | "JensenShannonDistance" "NormalizedWassersteinDistance" "PopulationStabilityIndex" "TwoSampleKolmogorovSmirnovTest" (wymagane) |
ImportDataAction
| Nazwa | Opis | Wartość |
|---|---|---|
| actionType | [Wymagane] Określa typ akcji harmonogramu | "ImportData" (wymagane) |
| dataImportDefinition | [Wymagane] Definiuje szczegóły definicji akcji harmonogramu. | DataImport (wymagane) |
DaneImportuj
| Nazwa | Opis | Wartość |
|---|---|---|
| assetName | Nazwa zasobu zadania importowania danych do utworzenia | ciąg |
| autoDeleteSetting | Określa ustawienie cyklu życia zarządzanego zasobu danych. | AutoDeleteSetting |
| dataType | [Wymagane] Określa typ danych. | "mltable" "uri_file" "uri_folder" (wymagane) |
| dataUri | [Wymagane] Identyfikator URI danych. Przykład: https://go.microsoft.com/fwlink/?linkid=2202330 |
ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
| description (opis) | Tekst opisu zasobu. | ciąg |
| intellectualProperty | Szczegóły własności intelektualnej. Używane, jeśli dane są własnością intelektualną. | Własność intelektualna |
| Isanonymous | Jeśli wersja nazwy jest generowana przez system (rejestracja anonimowa). W przypadku typów, w których jest definiowany etap, po podaniu etapu zostanie on użyty do wypełnienia isanonymous | bool |
| isArchived | Czy zasób jest zarchiwizowane? W przypadku typów, w których jest definiowany etap, po podaniu etapu zostanie on użyty do wypełnienia elementu IsArchived | bool |
| properties | Słownik właściwości elementu zawartości. | ResourceBaseProperties |
| source | Dane źródłowe elementu zawartości do zaimportowania z | DataImportSource |
| etap | Etap w cyklu życia danych przypisanym do tego zasobu danych | ciąg |
| tags | Tag słownika. Tagi można dodawać, usuwać i aktualizować. | object |
Własność intelektualna
| Nazwa | Opis | Wartość |
|---|---|---|
| Protectionlevel | Poziom ochrony własności intelektualnej. | "Wszystko" "Brak" |
| publisher | [Wymagane] Wydawca własności intelektualnej. Musi być taka sama jak nazwa wydawcy rejestru. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
DataImportSource
| Nazwa | Opis | Wartość |
|---|---|---|
| połączenie | Połączenie obszaru roboczego dla magazynu źródłowego importu danych | ciąg |
| Sourcetype | Ustawianie typu obiektu | Bazy danych file_system (wymagane) |
DatabaseSource
| Nazwa | Opis | Wartość |
|---|---|---|
| Sourcetype | [Wymagane] Określa typ danych. | "baza danych" (wymagana) |
| query | Instrukcja SQL Query dla źródła importu bazy danych | ciąg |
| Storedprocedure | Sql StoredProcedure podczas importowania źródła bazy danych | ciąg |
| storedProcedureParams | Parametry usługi SQL StoredProcedure | DatabaseSourceStoredProcedureParamsItem[] |
| tableName | Nazwa tabeli w źródle importu danych | ciąg |
DatabaseSourceStoredProcedureParamsItem
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | ciąg |
FileSystemSource
| Nazwa | Opis | Wartość |
|---|---|---|
| Sourcetype | [Wymagane] Określa typ danych. | "file_system" (wymagane) |
| path | Ścieżka dotycząca importowania źródła systemu plików | ciąg |
EndpointScheduleAction
| Nazwa | Opis | Wartość |
|---|---|---|
| actionType | [Wymagane] Określa typ akcji harmonogramu | "InvokeBatchEndpoint" (wymagane) |
| endpointInvocationDefinition | [Wymagane] Definiuje szczegóły definicji akcji harmonogramu. {see href="TBD" /} |
W przypadku Bicep można użyć funkcji any(). (wymagane) |
Triggerbase
| Nazwa | Opis | Wartość |
|---|---|---|
| endTime | Określa godzinę zakończenia harmonogramu w formacie ISO 8601, ale bez przesunięcia UTC. Zobacz https://en.wikipedia.org/wiki/ISO_8601.Format ponownego komentarza to "2022-06-01T00:00:01" Jeśli nie istnieje, harmonogram będzie uruchamiany na czas nieokreślony |
ciąg |
| startTime | Określa godzinę rozpoczęcia harmonogramu w formacie ISO 8601, ale bez przesunięcia UTC. | ciąg |
| timeZone | Określa strefę czasową, w której jest uruchamiany harmonogram. Strefa czasowa powinna być zgodna z formatem strefy czasowej systemu Windows. Zapoznaj się z: https://docs.microsoft.com/windows-hardware/manufacture/desktop/default-time-zones /> |
ciąg |
| triggerType | Ustawianie typu obiektu | Cron Cykl (wymagany) |
CronTrigger
| Nazwa | Opis | Wartość |
|---|---|---|
| triggerType | [Wymagane] | "Cron" (wymagane) |
| expression | [Wymagane] Określa wyrażenie cron harmonogramu. Wyrażenie powinno być zgodne z formatem NCronTab. |
ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
CyklTrigger
| Nazwa | Opis | Wartość |
|---|---|---|
| endTime | Określa godzinę zakończenia harmonogramu w formacie ISO 8601, ale bez przesunięcia UTC. Zobacz https://en.wikipedia.org/wiki/ISO_8601.Format ponownego komentarza to "2022-06-01T00:00:01" Jeśli nie istnieje, harmonogram będzie uruchamiany na czas nieokreślony |
ciąg |
| frequency | [Wymagane] Częstotliwość wyzwalania harmonogramu. | "Dzień" "Godzina" "Minuta" "Miesiąc" "Tydzień" (wymagany) |
| interval | [Wymagane] Określa interwał harmonogramu w połączeniu z częstotliwością | int (wymagane) |
| schedule | Harmonogram cyklu. | CyklSchedule |
| startTime | Określa godzinę rozpoczęcia harmonogramu w formacie ISO 8601, ale bez przesunięcia UTC. | ciąg |
| timeZone | Określa strefę czasową, w której jest uruchamiany harmonogram. Strefa czasowa powinna być zgodna z formatem strefy czasowej systemu Windows. Zobacz https://docs.microsoft.com/windows-hardware/manufacture/desktop/default-time-zones |
ciąg |
| triggerType | [Wymagane] | "Cron" "Cykl" (wymagany) |
CyklSchedule
| Nazwa | Opis | Wartość |
|---|---|---|
| godziny | [Wymagane] Lista godzin harmonogramu. | int[] (wymagane) |
| minutes | [Wymagane] Lista minut dla harmonogramu. | int[] (wymagane) |
| monthDays | Lista dni miesiąca dla harmonogramu | int[] |
| weekDays | Lista dni dla harmonogramu. | Tablica ciągów zawierająca dowolną z: "Piątek" "Poniedziałek" "Sobota" "Niedziela" "Czwartek" "Wtorek" "Środa" |
Definicja zasobu szablonu usługi ARM
Typ zasobu obszarów roboczych/harmonogramów 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/schedules, dodaj następujący kod JSON do szablonu.
{
"type": "Microsoft.MachineLearningServices/workspaces/schedules",
"apiVersion": "2023-08-01-preview",
"name": "string",
"properties": {
"action": {
"actionType": "string"
// For remaining properties, see ScheduleActionBase objects
},
"description": "string",
"displayName": "string",
"isEnabled": "bool",
"properties": {
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string"
},
"tags": {
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string"
},
"trigger": {
"endTime": "string",
"startTime": "string",
"timeZone": "string",
"triggerType": "string"
// For remaining properties, see TriggerBase objects
}
}
}
Obiekty ScheduleActionBase
Ustaw właściwość actionType , aby określić typ obiektu.
W przypadku zadania CreateJob użyj:
"actionType": "CreateJob",
"jobDefinition": {
"componentId": "string",
"computeId": "string",
"description": "string",
"displayName": "string",
"experimentName": "string",
"identity": {
"identityType": "string"
// For remaining properties, see IdentityConfiguration objects
},
"isArchived": "bool",
"notificationSetting": {
"emailOn": [ "string" ],
"emails": [ "string" ],
"webhooks": {
"{customized property}": {
"eventType": "string",
"webhookType": "string"
// For remaining properties, see Webhook objects
}
}
},
"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",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string"
},
"secretsConfiguration": {
"{customized property}": {
"uri": "string",
"workspaceSecretName": "string"
},
"{customized property}": {
"uri": "string",
"workspaceSecretName": "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",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string"
},
"jobType": "string"
// For remaining properties, see JobBaseProperties objects
}
W przypadku polecenia CreateMonitor użyj:
"actionType": "CreateMonitor",
"monitorDefinition": {
"alertNotificationSettings": {
"emailNotificationSettings": {
"emails": [ "string" ]
}
},
"computeConfiguration": {
"computeType": "string"
// For remaining properties, see MonitorComputeConfigurationBase objects
},
"monitoringTarget": {
"deploymentId": "string",
"modelId": "string",
"taskType": "string"
},
"signals": {
"{customized property}": {
"notificationTypes": [ "string" ],
"properties": {
"{customized property}": "string"
},
"signalType": "string"
// For remaining properties, see MonitoringSignalBase objects
}
}
}
W przypadku elementu ImportData użyj:
"actionType": "ImportData",
"dataImportDefinition": {
"assetName": "string",
"autoDeleteSetting": {
"condition": "string",
"value": "string"
},
"dataType": "string",
"dataUri": "string",
"description": "string",
"intellectualProperty": {
"protectionLevel": "string",
"publisher": "string"
},
"isAnonymous": "bool",
"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",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string"
},
"source": {
"connection": "string",
"sourceType": "string"
// For remaining properties, see DataImportSource objects
},
"stage": "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",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string"
}
}
W przypadku polecenia InvokeBatchEndpoint użyj:
"actionType": "InvokeBatchEndpoint",
"endpointInvocationDefinition": {}
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
}
},
"queueSettings": {
"jobTier": "string",
"priority": "int"
},
"resources": {
"dockerArgs": "string",
"instanceCount": "int",
"instanceType": "string",
"locations": [ "string" ],
"maxInstanceCount": "int",
"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
}
},
"queueSettings": {
"jobTier": "string",
"priority": "int"
},
"resources": {
"dockerArgs": "string",
"instanceCount": "int",
"instanceType": "string",
"locations": [ "string" ],
"maxInstanceCount": "int",
"properties": {
"{customized property}": {},
"{customized property}": {}
},
"shmSize": "string"
}
W przypadku etykietowania użyj:
"jobType": "Labeling",
"dataConfiguration": {
"dataId": "string",
"incrementalDataRefresh": "string"
},
"jobInstructions": {
"uri": "string"
},
"labelCategories": {
"{customized property}": {
"classes": {
"{customized property}": {
"displayName": "string",
"subclasses": {
"{customized property}": {}
}
},
"displayName": "string",
"multiSelect": "string"
},
"{customized property}": {
"classes": {
"{customized property}": {
"displayName": "string",
"subclasses": {
"{customized property}": {}
}
},
"displayName": "string",
"multiSelect": "string"
}
},
"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",
"environmentVariables": {
"{customized property}": "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" ],
"queueSettings": {
"jobTier": "string",
"priority": "int"
},
"resources": {
"instanceType": "string",
"runtimeVersion": "string"
}
W przypadku zamiatania użyj:
"jobType": "Sweep",
"componentConfiguration": {
"pipelineSettings": {}
},
"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
}
},
"queueSettings": {
"jobTier": "string",
"priority": "int"
},
"resources": {
"dockerArgs": "string",
"instanceCount": "int",
"instanceType": "string",
"locations": [ "string" ],
"maxInstanceCount": "int",
"properties": {
"{customized property}": {},
"{customized property}": {}
},
"shmSize": "string"
},
"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",
"locations": [ "string" ],
"maxInstanceCount": "int",
"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 elementu webhook
Ustaw właściwość webhookType , aby określić typ obiektu.
W przypadku usługi AzureDevOps użyj:
"webhookType": "AzureDevOps"
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",
"assetName": "string",
"assetVersion": "string",
"autoDeleteSetting": {
"condition": "string",
"value": "string"
},
"mode": "string",
"uri": "string"
W przypadku mlflow_model użyj:
"jobOutputType": "mlflow_model",
"assetName": "string",
"assetVersion": "string",
"autoDeleteSetting": {
"condition": "string",
"value": "string"
},
"mode": "string",
"uri": "string"
W przypadku metody mltable użyj:
"jobOutputType": "mltable",
"assetName": "string",
"assetVersion": "string",
"autoDeleteSetting": {
"condition": "string",
"value": "string"
},
"mode": "string",
"uri": "string"
W przypadku triton_model użyj:
"jobOutputType": "triton_model",
"assetName": "string",
"assetVersion": "string",
"autoDeleteSetting": {
"condition": "string",
"value": "string"
},
"mode": "string",
"uri": "string"
W przypadku uri_file użyj:
"jobOutputType": "uri_file",
"assetName": "string",
"assetVersion": "string",
"autoDeleteSetting": {
"condition": "string",
"value": "string"
},
"mode": "string",
"uri": "string"
W przypadku uri_folder użyj:
"jobOutputType": "uri_folder",
"assetName": "string",
"assetVersion": "string",
"autoDeleteSetting": {
"condition": "string",
"value": "string"
},
"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",
"maxNodes": "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"
},
"trainingMode": "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",
"featuresUnknownAtForecastTime": [ "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",
"maxNodes": "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"
},
"trainingMode": "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",
"logTrainingMetrics": "string",
"logValidationLoss": "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",
"logTrainingMetrics": "string",
"logValidationLoss": "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",
"maxNodes": "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"
},
"trainingMode": "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 raya użyj:
"distributionType": "Ray",
"address": "string",
"dashboardPort": "int",
"headNodeAdditionalArgs": "string",
"includeDashboard": "bool",
"port": "int",
"workerNodeAdditionalArgs": "string"
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",
"logbase": "string",
"rule": "string",
"seed": "int"
Obiekty MonitorComputeConfigurationBase
Ustaw właściwość computeType , aby określić typ obiektu.
W przypadku serverlessSpark użyj:
"computeType": "ServerlessSpark",
"computeIdentity": {
"computeIdentityType": "string"
// For remaining properties, see MonitorComputeIdentityBase objects
},
"instanceType": "string",
"runtimeVersion": "string"
Obiekty MonitorComputeIdentityBase
Ustaw właściwość computeIdentityType , aby określić typ obiektu.
W przypadku narzędzia AmlToken użyj:
"computeIdentityType": "AmlToken"
W przypadku funkcji ManagedIdentity użyj:
"computeIdentityType": "ManagedIdentity",
"identity": {
"type": "string",
"userAssignedIdentities": {
"{customized property}": {}
}
}
MonitoringSignalBase, obiekty
Ustaw właściwość signalType , aby określić typ obiektu.
W przypadku opcji Niestandardowe użyj:
"signalType": "Custom",
"componentId": "string",
"inputAssets": {
"{customized property}": {
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
}
},
"inputs": {
"{customized property}": {
"description": "string",
"jobInputType": "string"
// For remaining properties, see JobInput objects
}
},
"metricThresholds": [
{
"metric": "string",
"threshold": {
"value": "int"
}
}
],
"workspaceConnection": {
"environmentVariables": {
"{customized property}": "string"
},
"secrets": {
"{customized property}": "string"
}
}
W przypadku usługi DataDrift użyj:
"signalType": "DataDrift",
"dataSegment": {
"feature": "string",
"values": [ "string" ]
},
"featureDataTypeOverride": {
"{customized property}": "string"
},
"featureImportanceSettings": {
"mode": "string",
"targetColumn": "string"
},
"features": {
"filterType": "string"
// For remaining properties, see MonitoringFeatureFilterBase objects
},
"metricThresholds": [
{
"threshold": {
"value": "int"
},
"dataType": "string"
// For remaining properties, see DataDriftMetricThresholdBase objects
}
],
"productionData": {
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
},
"referenceData": {
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
}
W obszarze DataQuality użyj:
"signalType": "DataQuality",
"featureDataTypeOverride": {
"{customized property}": "string"
},
"featureImportanceSettings": {
"mode": "string",
"targetColumn": "string"
},
"features": {
"filterType": "string"
// For remaining properties, see MonitoringFeatureFilterBase objects
},
"metricThresholds": [
{
"threshold": {
"value": "int"
},
"dataType": "string"
// For remaining properties, see DataQualityMetricThresholdBase objects
}
],
"productionData": {
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
},
"referenceData": {
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
}
W przypadku funkcjiAttributionDrift użyj:
"signalType": "FeatureAttributionDrift",
"featureDataTypeOverride": {
"{customized property}": "string"
},
"featureImportanceSettings": {
"mode": "string",
"targetColumn": "string"
},
"metricThreshold": {
"metric": "NormalizedDiscountedCumulativeGain",
"threshold": {
"value": "int"
}
},
"productionData": [
{
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
}
],
"referenceData": {
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
}
W przypadku metody GenerationSafetyQuality użyj:
"signalType": "GenerationSafetyQuality",
"metricThresholds": [
{
"metric": "string",
"threshold": {
"value": "int"
}
}
],
"productionData": [
{
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
}
],
"samplingRate": "int",
"workspaceConnectionId": "string"
W przypadku funkcji GenerationTokenStatistics użyj:
"signalType": "GenerationTokenStatistics",
"metricThresholds": [
{
"metric": "string",
"threshold": {
"value": "int"
}
}
],
"productionData": [
{
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
}
],
"samplingRate": "int"
W przypadku modeluPerformance użyj:
"signalType": "ModelPerformance",
"dataSegment": {
"feature": "string",
"values": [ "string" ]
},
"metricThreshold": {
"threshold": {
"value": "int"
},
"modelType": "string"
// For remaining properties, see ModelPerformanceMetricThresholdBase objects
},
"productionData": [
{
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
}
],
"referenceData": {
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
}
W przypadku funkcji PredictionDrift użyj:
"signalType": "PredictionDrift",
"featureDataTypeOverride": {
"{customized property}": "string"
},
"metricThresholds": [
{
"threshold": {
"value": "int"
},
"dataType": "string"
// For remaining properties, see PredictionDriftMetricThresholdBase objects
}
],
"productionData": {
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
},
"referenceData": {
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
}
MonitoringInputDataBase obiektów
Ustaw właściwość inputDataType , aby określić typ obiektu.
W przypadku opcji Naprawiono użyj polecenia:
"inputDataType": "Fixed"
W przypadku rolowania użyj:
"inputDataType": "Rolling",
"preprocessingComponentId": "string",
"windowOffset": "string",
"windowSize": "string"
W przypadku funkcji Static użyj:
"inputDataType": "Static",
"preprocessingComponentId": "string",
"windowEnd": "string",
"windowStart": "string"
MonitoringFeatureFilterBase, obiekty
Ustaw właściwość filterType , aby określić typ obiektu.
W przypadku funkcji AllFeatures użyj:
"filterType": "AllFeatures"
W przypadku elementu FeatureSubset użyj:
"filterType": "FeatureSubset",
"features": [ "string" ]
W przypadku elementu TopNByAttribution użyj:
"filterType": "TopNByAttribution",
"top": "int"
Obiekty DataDriftMetricThresholdBase
Ustaw właściwość dataType , aby określić typ obiektu.
W przypadku kategorii użyj:
"dataType": "Categorical",
"metric": "string"
W przypadku wartości liczbowej użyj:
"dataType": "Numerical",
"metric": "string"
Obiekty DataQualityMetricThresholdBase
Ustaw właściwość dataType , aby określić typ obiektu.
W przypadku kategorii użyj:
"dataType": "Categorical",
"metric": "string"
W przypadku wartości liczbowej użyj:
"dataType": "Numerical",
"metric": "string"
Obiekty ModelPerformanceMetricThresholdBase
Ustaw właściwość modelType , aby określić typ obiektu.
W przypadku klasyfikacji użyj:
"modelType": "Classification",
"metric": "string"
W przypadku regresji użyj:
"modelType": "Regression",
"metric": "string"
Obiekty PredictionDriftMetricThresholdBase
Ustaw właściwość dataType , aby określić typ obiektu.
W przypadku kategorii użyj:
"dataType": "Categorical",
"metric": "string"
W przypadku wartości liczbowej użyj:
"dataType": "Numerical",
"metric": "string"
Obiekty DataImportSource
Ustaw właściwość sourceType , aby określić typ obiektu.
W przypadku bazy danych użyj:
"sourceType": "database",
"query": "string",
"storedProcedure": "string",
"storedProcedureParams": [
{
"{customized property}": "string"
}
],
"tableName": "string"
W przypadku file_system użyj:
"sourceType": "file_system",
"path": "string"
Obiekty TriggerBase
Ustaw właściwość triggerType , aby określić typ obiektu.
W przypadku Cron użyj:
"triggerType": "Cron",
"expression": "string"
W przypadku cyklu użyj:
"triggerType": "Recurrence",
"frequency": "string",
"interval": "int",
"schedule": {
"hours": [ "int" ],
"minutes": [ "int" ],
"monthDays": [ "int" ],
"weekDays": [ "string" ]
}
Wartości właściwości
obszary robocze/harmonogramy
| Nazwa | Opis | Wartość |
|---|---|---|
| typ | Typ zasobu | "Microsoft.MachineLearningServices/workspaces/schedules" |
| apiVersion | Wersja interfejsu API zasobów | "2023-08-01-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. | ScheduleProperties (wymagane) |
HarmonogramWłaściwości
| Nazwa | Opis | Wartość |
|---|---|---|
| action | [Wymagane] Określa akcję harmonogramu | ScheduleActionBase (wymagana) |
| description (opis) | Tekst opisu zasobu. | ciąg |
| displayName | Nazwa wyświetlana harmonogramu. | ciąg |
| Isenabled | Czy harmonogram jest włączony? | bool |
| properties | Słownik właściwości elementu zawartości. | ResourceBaseProperties |
| tags | Tag słownika. Tagi można dodawać, usuwać i aktualizować. | object |
| Wyzwalacz | [Wymagane] Określa szczegóły wyzwalacza | TriggerBase (wymagana) |
ScheduleActionBase
| Nazwa | Opis | Wartość |
|---|---|---|
| actionType | Ustawianie typu obiektu | CreateJob CreateMonitor Importdata InvokeBatchEndpoint (wymagane) |
JobScheduleAction
| Nazwa | Opis | Wartość |
|---|---|---|
| actionType | [Wymagane] Określa typ akcji harmonogramu | "CreateJob" (wymagane) |
| jobDefinition | [Wymagane] Definiuje szczegóły definicji akcji harmonogramu. | 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 |
| notificationSetting | Ustawienie powiadomień dla zadania | NotificationSetting |
| properties | Słownik właściwości elementu zawartości. | ResourceBaseProperties |
| secretsConfiguration | Konfiguracja wpisów tajnych, które mają być udostępniane podczas wykonywania. | JobBaseSecretsConfiguration |
| 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 | 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) |
NotificationSetting
| Nazwa | Opis | Wartość |
|---|---|---|
| emailOn | Wysyłanie powiadomienia e-mail do użytkownika w określonym typie powiadomienia | Tablica ciągów zawierająca dowolną z: "JobCancelled" "JobCompleted" "JobFailed" |
| Wiadomości e-mail | Jest to lista adresatów wiadomości e-mail, która ma ograniczenie do 499 znaków w sumie współbieżne z separatorem przecinka | ciąg[] |
| elementy webhook | Wysyłanie wywołania zwrotnego elementu webhook do usługi. Klucz to nazwa podana przez użytkownika dla elementu webhook. | NotificationSettingWebhooks |
NotificationSettingWebhooks
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | Element webhook |
Webhook
| Nazwa | Opis | Wartość |
|---|---|---|
| eventType | Wysyłanie wywołania zwrotnego w określonym zdarzeniu powiadomienia | ciąg |
| webhookType | Ustawianie typu obiektu | AzureDevOps (wymagane) |
AzureDevOpsWebhook
| Nazwa | Opis | Wartość |
|---|---|---|
| webhookType | [Wymagane] Określa typ usługi do wysłania wywołania zwrotnego | "AzureDevOps" (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 | |
| {niestandardowa właściwość} | ciąg | |
| {niestandardowa właściwość} | ciąg | |
| {niestandardowa właściwość} | ciąg | |
| {niestandardowa właściwość} | ciąg | |
| {niestandardowa właściwość} | ciąg |
JobBaseSecretsConfiguration
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | Konfiguracja wpisu tajnego | |
| {niestandardowa właściwość} | Konfiguracja wpisu tajnego |
Konfiguracja wpisu tajnego
| Nazwa | Opis | Wartość |
|---|---|---|
| Identyfikator uri | Identyfikator URI wpisu tajnego. Przykładowy identyfikator URI: https://myvault.vault.azure.net/secrets/mysecretname/secretversion |
ciąg |
| workspaceSecretName | Nazwa wpisu tajnego w magazynie kluczy obszaru roboczego. | 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. 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 |
| queueSettings | Ustawienia kolejki dla zadania | QueueSettings |
| 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) |
| assetName | Nazwa elementu zawartości wyjściowej. | ciąg |
| assetVersion | Wersja elementu zawartości wyjściowej. | ciąg |
| autoDeleteSetting | Ustawienie automatycznego usuwania elementu zawartości danych wyjściowych. | AutoDeleteSetting |
| tryb | Tryb dostarczania zasobów wyjściowych. | "Bezpośrednie" "ReadWriteMount" "Przekaż" |
| Identyfikator uri | Identyfikator URI elementu zawartości wyjściowej. | ciąg |
AutoDeleteSetting
| Nazwa | Opis | Wartość |
|---|---|---|
| Warunek | Kiedy sprawdzić, czy zasób wygasł | "CreatedGreaterThan" "LastAccessedGreaterThan" |
| wartość | Wartość warunku wygaśnięcia. | ciąg |
MLFlowModelJobOutput
| Nazwa | Opis | Wartość |
|---|---|---|
| jobOutputType | [Wymagane] Określa typ zadania. | "mlflow_model" (wymagane) |
| assetName | Nazwa elementu zawartości wyjściowej. | ciąg |
| assetVersion | Wersja elementu zawartości wyjściowej. | ciąg |
| autoDeleteSetting | Ustawienie automatycznego usuwania elementu zawartości danych wyjściowych. | AutoDeleteSetting |
| 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) |
| assetName | Nazwa elementu zawartości wyjściowej. | ciąg |
| assetVersion | Wersja elementu zawartości wyjściowej. | ciąg |
| autoDeleteSetting | Ustawienie automatycznego usuwania elementu zawartości danych wyjściowych. | AutoDeleteSetting |
| 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) |
| assetName | Nazwa elementu zawartości wyjściowej. | ciąg |
| assetVersion | Wersja elementu zawartości wyjściowej. | ciąg |
| autoDeleteSetting | Ustawienie automatycznego usuwania elementu zawartości danych wyjściowych. | AutoDeleteSetting |
| 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) |
| assetName | Nazwa elementu zawartości wyjściowej. | ciąg |
| assetVersion | Wersja elementu zawartości wyjściowej. | ciąg |
| autoDeleteSetting | Ustawienie automatycznego usuwania elementu zawartości danych wyjściowych. | AutoDeleteSetting |
| 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) |
| assetName | Nazwa elementu zawartości wyjściowej. | ciąg |
| assetVersion | Wersja elementu zawartości wyjściowej. | ciąg |
| autoDeleteSetting | Ustawienie automatycznego usuwania elementu zawartości danych wyjściowych. | AutoDeleteSetting |
| tryb | Tryb dostarczania zasobów wyjściowych. | "Bezpośrednie" "ReadWriteMount" "Przekaż" |
| Identyfikator uri | Identyfikator URI elementu zawartości wyjściowej. | ciąg |
QueueSettings
| Nazwa | Opis | Wartość |
|---|---|---|
| jobTier | Steruje warstwą zadań obliczeniowych | "Podstawowa" "Null" "Premium" "Spot" "Standardowa" |
| priority | Steruje priorytetem zadania obliczeniowego. | int |
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 |
| locations | Lokalizacje, w których można uruchomić zadanie. | ciąg[] |
| maxInstanceCount | Opcjonalna maksymalna dozwolona liczba wystąpień lub węzłów, które mają być używane przez docelowy obiekt obliczeniowy. Do użytku z trenowania elastycznego, obecnie obsługiwane tylko przez typ dystrybucji PyTorch. |
int |
| 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: Minimalna długość = 1 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 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 |
| maxNodes | Maksymalna liczba węzłów do użycia w eksperymencie. | 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 |
| 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 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 |
| trainingMode | Tryb TrainingMode — ustawienie na wartość "auto" jest takie samo, jak ustawienie go na wartość "nieprostryzowane" na razie, jednak w przyszłości może spowodować wybór trybu mieszanego lub heurystycznego. Wartość domyślna to "auto". Jeśli opcja "Rozproszona" jest używana tylko rozproszona cechowanie, a wybrane są algorytmy rozproszone. Jeśli wybrano opcję "NonDistributed", wybrane są tylko algorytmy nie rozproszone. |
"Auto" "Rozproszony" "Niedystrybuted" |
StackEnsembleSettings
| Nazwa | Opis | Wartość |
|---|---|---|
| stackMetaLearnerKWargs | Opcjonalne parametry, które mają być przekazywane do inicjatora meta-ucznia. | |
| stackMetaLearnerTrainPercentage | Określa proporcję zestawu treningowego (podczas wybierania typu trenowania i sprawdzania poprawności trenowania), który ma być zarezerwowany do trenowania meta-ucznia. Wartość domyślna to 0,2. | int |
| stackMetaLearnerType | Metauczeń to model wyszkolony na podstawie danych wyjściowych poszczególnych modeli heterogenicznych. | "ElasticNet" "ElasticNetCV" "LightGBMClassifier" "LightGBMRegressor" "LinearRegression" "LogisticsRegression" "LogisticsRegressionCV" "Brak" |
Prognozowanie
| Nazwa | Opis | Wartość |
|---|---|---|
| Tasktype | [Wymagane] Typ zadania dla zadania AutoMLJob. | "Prognozowanie" (wymagane) |
| cvSplitColumnNames | Kolumny do użycia dla danych CVSplit. | ciąg[] |
| featurizationSettings | Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML. | TableVerticalFeaturizationSettings |
| 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" |
| featuresUnknownAtForecastTime | Kolumny funkcji dostępne do trenowania, ale nieznane w momencie prognozowania/wnioskowania. Jeśli features_unknown_at_forecast_time nie jest ustawiona, zakłada się, że wszystkie kolumny funkcji w zestawie danych są znane w czasie wnioskowania. |
ciąg[] |
| forecastHorizon | Żądany maksymalny horyzont prognozy w jednostkach częstotliwości szeregów czasowych. | PrognozaHorizon |
| frequency | Podczas prognozowania ten parametr reprezentuje okres, z którym jest wymagana prognoza, na przykład codziennie, co tydzień, co rok itp. Częstotliwość prognozy jest domyślnie częstotliwością zestawu danych. | ciąg |
| Sezonowości | Ustaw sezonowość szeregów czasowych jako liczbę całkowitą częstotliwości serii. Jeśli sezonowość jest ustawiona na "auto", zostanie ona wywnioskowana. |
Sezonowości |
| shortSeriesHandlingConfig | Parametr definiujący sposób obsługi krótkich szeregów czasowych przez rozwiązanie AutoML. | "Auto" "Upuść" "Brak" "Pad" |
| targetAggregateFunction | Funkcja używana do agregowania kolumny docelowej szeregów czasowych w celu zachowania zgodności z określoną częstotliwością użytkownika. Jeśli parametr TargetAggregateFunction jest ustawiony, tj. "Brak", ale parametr freq nie jest ustawiony, zostanie zgłoszony błąd. Możliwe funkcje agregacji docelowej to: "sum", "max", "min" i "mean". |
"Max" "Średnia" "Min" "Brak" "Suma" |
| targetLags | Liczba poprzednich okresów do opóźnienia z kolumny docelowej. | TargetLags |
| targetRollingWindowSize | Liczba poprzednich okresów użytych do utworzenia średniej okna kroczącego kolumny docelowej. | TargetRollingWindowSize |
| timeColumnName | Nazwa kolumny czasowej. Ten parametr jest wymagany podczas prognozowania, aby określić kolumnę datetime w danych wejściowych używanych do kompilowania szeregów czasowych i wnioskowania o jego częstotliwości. | ciąg |
| timeSeriesIdColumnNames | Nazwy kolumn używanych do grupowania czasów. Może służyć do tworzenia wielu serii. Jeśli ziarno nie jest zdefiniowane, zakłada się, że zestaw danych jest jednym szeregem czasowym. Ten parametr jest używany z prognozowaniem typu zadania. |
ciąg[] |
| useStl | Skonfiguruj dekompozycję STL kolumny docelowej szeregów czasowych. | "Brak" "Sezon" "SeasonTrend" |
PrognozaHorizon
| Nazwa | Opis | Wartość |
|---|---|---|
| tryb | Ustawianie typu obiektu | Automatycznie Niestandardowe (wymagane) |
AutoForecastHorizon
| Nazwa | Opis | Wartość |
|---|---|---|
| tryb | [Wymagane] Ustaw tryb wyboru wartości horyzontu prognozy. | "Auto" (wymagane) |
CustomForecastHorizon
| Nazwa | Opis | Wartość |
|---|---|---|
| tryb | [Wymagane] Ustaw tryb wyboru wartości horyzontu prognozy. | "Niestandardowy" (wymagany) |
| wartość | [Wymagane] Wartość horyzontu prognozy. | int (wymagane) |
Sezonowość
| Nazwa | Opis | Wartość |
|---|---|---|
| tryb | Ustawianie typu obiektu | Automatycznie Niestandardowe (wymagane) |
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 |
| trainingMode | Tryb TrainingMode — ustawienie na wartość "auto" jest takie samo, jak ustawienie go na wartość "nieprostryzowane" na razie, jednak w przyszłości może spowodować wybór trybu mieszanego lub heurystycznego. Wartość domyślna to "auto". Jeśli opcja "Rozproszona" jest używana tylko rozproszona cechowanie, a wybrane są algorytmy rozproszone. Jeśli wybrano opcję "NonDistributed", wybrane są tylko algorytmy nie rozproszone. |
"Auto" "Rozproszony" "Niedystrybuted" |
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 mieć wartość "warmup_cosine" lub "krok". | "Brak" "Krok" "WarmupCosine" |
| Modelname | Nazwa modelu, który ma być używany do trenowania. Aby uzyskać więcej informacji na temat dostępnych modeli, odwiedź oficjalną dokumentację: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
ciąg |
| Tempa | Wartość tempa, gdy optymalizator ma wartość "sgd". Musi być zmiennoprzecinkiem w zakresie [0, 1]. | int |
| nesterov | Włącz nesterov, gdy optymalizator ma wartość "sgd". | bool |
| numberOfEpochs | Liczba epok treningowych. Musi być dodatnią liczbą całkowitą. | int |
| numberOfWorkers | Liczba procesów roboczych modułu ładującego dane. Musi być nieujemną liczbą całkowitą. | int |
| Optymalizator | Typ optymalizatora. | "Adam" "Adamw" "Brak" "Sgd" |
| randomSeed | Losowe inicjatory, które mają być używane podczas korzystania z trenowania deterministycznego. | int |
| stepLRGamma | Wartość gamma podczas uczenia się harmonogramu szybkości jest "krok". Musi być zmiennoprzecinkiem w zakresie [0, 1]. | int |
| stepLRStepSize | Wartość rozmiaru kroku, gdy harmonogram szybkości nauki to "krok". Musi być dodatnią liczbą całkowitą. | int |
| trainingBatchSize | Rozmiar partii trenowania. Musi być dodatnią liczbą całkowitą. | int |
| trainingCropSize | Rozmiar przycinania obrazów, który jest danymi wejściowymi sieci neuronowej dla zestawu danych treningowych. Musi być dodatnią liczbą całkowitą. | int |
| validationBatchSize | Rozmiar partii sprawdzania poprawności. Musi być dodatnią liczbą całkowitą. | int |
| validationCropSize | Rozmiar przycinania obrazów, który jest danymi wejściowymi dla sieci neuronowej dla zestawu danych weryfikacji. Musi być dodatnią liczbą całkowitą. | int |
| validationResizeSizeSize | Rozmiar obrazu, którego rozmiar ma być zmieniany przed przycinaniem zestawu danych weryfikacji. Musi być dodatnią liczbą całkowitą. | int |
| warmupCosineLRCycles | Wartość cyklu cosinusowego, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być zmiennoprzecinkiem w zakresie [0, 1]. | int |
| warmupCosineLRWarmupEpochs | Wartość epok rozgrzewki, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być dodatnią liczbą całkowitą. | int |
| weightDecay | Wartość rozkładu wagi, gdy optymalizator to "sgd", "adam" lub "adamw". Musi być zmiennoprzecinkiem w zakresie[0, 1]. | int |
| weightedLoss | Utrata wagi. Akceptowane wartości to 0 bez odchudzania. 1 do odchudzania z sqrt. (class_weights). 2 dla odchudzania z class_weights. Musi mieć wartość 0 lub 1 lub 2. |
int |
MLFlowModelJobInput
| Nazwa | Opis | Wartość |
|---|---|---|
| description (opis) | Opis danych wejściowych. | ciąg |
| jobInputType | [Wymagane] Określa typ zadania. | "custom_model" "literał" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (wymagane) |
| tryb | Tryb dostarczania zasobów wejściowych. | "Bezpośredni" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
| Identyfikator uri | [Wymagane] Identyfikator URI elementu zawartości wejściowej. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 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 podczas uczenia się harmonogramu szybkości jest "krok". Musi być zmiennoprzecinkiem w zakresie [0, 1]. | ciąg |
| stepLRStepSize | Wartość rozmiaru kroku, gdy harmonogram szybkości nauki to "krok". Musi być dodatnią liczbą całkowitą. | ciąg |
| trainingBatchSize | Rozmiar partii trenowania. Musi być dodatnią liczbą całkowitą. | ciąg |
| trainingCropSize | Rozmiar przycinania obrazów, który jest danymi wejściowymi sieci neuronowej dla zestawu danych treningowych. Musi być dodatnią liczbą całkowitą. | ciąg |
| validationBatchSize | Rozmiar partii sprawdzania poprawności. Musi być dodatnią liczbą całkowitą. | ciąg |
| validationCropSize | Rozmiar przycinania obrazów, który jest danymi wejściowymi dla sieci neuronowej dla zestawu danych weryfikacji. Musi być dodatnią liczbą całkowitą. | ciąg |
| validationResizeSizeSize | Rozmiar obrazu, którego rozmiar ma być zmieniany przed przycinaniem zestawu danych weryfikacji. Musi być dodatnią liczbą całkowitą. | ciąg |
| warmupCosineLRCycles | Wartość cyklu cosinusowego, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być zmiennoprzecinkiem w zakresie [0, 1]. | ciąg |
| warmupCosineLRWarmupEpochs | Wartość epok rozgrzewki, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być dodatnią liczbą całkowitą. | ciąg |
| weightDecay | Wartość rozkładu wagi, gdy optymalizator to "sgd", "adam" lub "adamw". Musi być zmiennoprzecinkiem w zakresie[0, 1]. | ciąg |
| weightedLoss | Utrata wagi. Akceptowane wartości to 0 bez odchudzania. 1 do odchudzania z sqrt. (class_weights). 2 dla odchudzania z class_weights. Musi mieć wartość 0 lub 1 lub 2. |
ciąg |
ImageSweepSettings
| Nazwa | Opis | Wartość |
|---|---|---|
| earlyTermination | Typ zasad wczesnego kończenia. | EarlyTerminationPolicy |
| 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 |
| podstawowa metryka | Podstawowa metryka do optymalizacji pod kątem tego zadania. | "MeanAveragePrecision" |
| searchSpace | Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów. | ImageModelDistributionSettingsObjectDetection[] |
| sweepSettings | Zamiatanie modelu i hiperparametr zamiatanie powiązanych ustawień. | ImageSweepSettings |
| validationData | Dane wejściowe danych weryfikacji. | MLTableJobInput |
| validationDataSize | Ułamek zestawu danych trenowania, który musi zostać odłożone na potrzeby walidacji. Wartości z zakresu (0.0, 1.0) Zastosowano, gdy nie podano zestawu danych weryfikacji. |
int |
ImageModelSettingsObjectDetection
| Nazwa | Opis | Wartość |
|---|---|---|
| advancedSettings | Ustawienia dla zaawansowanych scenariuszy. | ciąg |
| amsGradient | Włącz narzędzie AMSGrad, gdy optymalizator ma wartość "adam" lub "adamw". | bool |
| rozszerzenia | Ustawienia dotyczące korzystania z rozszerzeń. | ciąg |
| beta1 | Wartość "beta1", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie [0, 1]. | int |
| beta2 | Wartość "beta2", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie [0, 1]. | int |
| boxDetectionsPerImage | Maksymalna liczba wykryć na obrazie dla wszystkich klas. Musi być dodatnią liczbą całkowitą. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5". |
int |
| boxScoreThreshold | Podczas wnioskowania zwracane są tylko propozycje z oceną klasyfikacji większą niż BoxScoreThreshold. Musi być zmiennoprzecinkowym w zakresie[0, 1]. |
int |
| checkpointFrequency | Częstotliwość przechowywania punktów kontrolnych modelu. Musi być dodatnią liczbą całkowitą. | int |
| checkpointModel | Wstępnie wytrenowany model punktu kontrolnego na potrzeby trenowania przyrostowego. | MLFlowModelJobInput |
| checkpointRunId | Identyfikator poprzedniego przebiegu, który ma wstępnie wytrenowany punkt kontrolny na potrzeby trenowania przyrostowego. | ciąg |
| Rozproszonych | Czy używać trenowania rozproszonego. | bool |
| earlyStopping | Włącz logikę wczesnego zatrzymywania podczas trenowania. | bool |
| earlyStoppingDelay | Minimalna liczba epok lub ocen weryfikacji, które mają czekać przed ulepszeniem podstawowej metryki jest śledzony do wczesnego zatrzymywania. Musi być dodatnią liczbą całkowitą. |
int |
| earlyStoppingPatience | Minimalna liczba epok lub ocen weryfikacji bez podstawowej poprawy metryki przed przebieg zostanie zatrzymany. Musi być dodatnią liczbą całkowitą. |
int |
| enableOnnxNormalization | Włącz normalizację podczas eksportowania modelu ONNX. | bool |
| evaluationFrequency | Częstotliwość oceny zestawu danych weryfikacji w celu uzyskania wyników metryk. Musi być dodatnią liczbą całkowitą. | int |
| gradientAccumulationKrok | Akumulacja gradientu oznacza uruchomienie skonfigurowanej liczby kroków "GradAccumulationStep" bez aktualizowanie wag modelu podczas gromadzenia gradientów tych kroków, a następnie przy użyciu skumulowane gradienty do obliczenia aktualizacji wagi. Musi być dodatnią liczbą całkowitą. |
int |
| Imagesize | Rozmiar obrazu do trenowania i walidacji. Musi być dodatnią liczbą całkowitą. Uwaga: Przebieg trenowania może dostać się do CUDA OOM, jeśli rozmiar jest zbyt duży. Uwaga: te ustawienia są obsługiwane tylko dla algorytmu "yolov5". |
int |
| layersToFreeze | Liczba warstw, 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" |
| logTrainingMetrics | Włącz metryki trenowania przetwarzania i rejestrowania. | "Wyłącz" "Włącz" |
| logValidationLoss | Włącz przetwarzanie i rejestrowanie utraty walidacji. | "Wyłącz" "Włącz" |
| 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, 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 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 |
| trainingMode | Tryb TrainingMode — ustawienie wartości "auto" jest takie samo jak ustawienie go na "nieprostrybuowane" na razie, jednak w przyszłości może spowodować wybór trybu mieszanego lub heurystycznego. Wartość domyślna to "auto". Jeśli "Rozproszona" jest używana tylko rozproszona cechowanie i wybierane są algorytmy rozproszone. W przypadku wybrania parametru "NonDistributed" są wybierane tylko algorytmy nie rozproszone. |
"Auto" "Rozproszony" "Niedystrybuowany" |
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 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 w eksperymencie. | 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, Ray lub null. | Konfiguracja dystrybucji |
| environmentId | [Wymagane] Identyfikator zasobu usługi ARM specyfikacji środowiska dla zadania. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 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 |
| queueSettings | Ustawienia kolejki dla zadania | QueueSettings |
| 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 Ray 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 |
Ray
| Nazwa | Opis | Wartość |
|---|---|---|
| distributionType | [Wymagane] Określa typ struktury dystrybucji. | "Ray" (wymagany) |
| adres | Adres węzła głównego Raya. | ciąg |
| pulpit nawigacyjnyPort | Port umożliwiający powiązanie serwera pulpitu nawigacyjnego z. | int |
| headNodeAdditionalArgs | Dodatkowe argumenty przekazane do uruchamiania ray w węźle głównym. | ciąg |
| includeDashboard | Podaj ten argument, aby uruchomić graficzny interfejs użytkownika pulpitu nawigacyjnego Ray. | bool |
| port | Port procesu promienia głowy. | int |
| workerNodeAdditionalArgs | Dodatkowe argumenty przekazane do uruchamiania ray w węźle roboczym. | ciąg |
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: Minimalna długość = 1 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: Minimalna długość = 1 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: Minimalna długość = 1 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: Minimalna długość = 1 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: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
CommandJobLimits
| Nazwa | Opis | Wartość |
|---|---|---|
| jobLimitsType | [Wymagane] Typ JobLimit. | "Polecenie" "Zamiatanie" (wymagane) |
| timeout | Maksymalny czas trwania przebiegu w formacie ISO 8601, po którym zadanie zostanie anulowane. Obsługuje tylko czas trwania z dokładnością do sekund. | ciąg |
CommandJobOutputs
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | JobOutput |
LabelingJobProperties
| Nazwa | Opis | Wartość |
|---|---|---|
| Componentid | Identyfikator zasobu usługi ARM zasobu składnika. | ciąg |
| computeId | Identyfikator zasobu usługi ARM zasobu obliczeniowego. | ciąg |
| dataConfiguration | Konfiguracja danych używanych w zadaniu. | LabelingDataConfiguration |
| description (opis) | Tekst opisu zasobu. | ciąg |
| displayName | Nazwa wyświetlana zadania. | ciąg |
| experimentName | Nazwa eksperymentu, do którego należy zadanie. Jeśli nie zostanie ustawione, zadanie zostanie umieszczone w eksperymencie "Domyślny". | ciąg |
| identity | Konfiguracja tożsamości. W przypadku ustawienia powinna to być jedna z wartości AmlToken, ManagedIdentity, UserIdentity lub null. Wartość domyślna to AmlToken, jeśli ma wartość null. |
Identityconfiguration |
| isArchived | Czy zasób jest archiwizowany? | bool |
| jobInstructions | Instrukcje dotyczące etykietowania zadania. | LabelingJobInstructions |
| jobType | [Wymagane] Określa typ zadania. | "AutoML" "Polecenie" "Etykietowanie" "Potok" "Spark" "Zamiatanie" (wymagane) |
| labelCategories | Etykieta kategorii zadania. | LabelingJobLabelCategories |
| labelingJobMediaProperties | Właściwości specyficzne dla nośnika w zadaniu. | LabelingJobMediaProperties |
| mlAssistConfiguration | Konfiguracja funkcji MLAssist w zadaniu. | MlAssistConfiguration |
| notificationSetting | Ustawienie powiadomień dla zadania | NotificationSetting |
| properties | Słownik właściwości elementu zawartości. | Właściwości bazy danych zasobów |
| secretsConfiguration | Konfiguracja wpisów tajnych, które mają być udostępniane w czasie wykonywania. | JobBaseSecretsConfiguration |
| services | Lista punktów końcowych zadań. W przypadku zadań lokalnych punkt końcowy zadania będzie miał wartość punktu końcowego FileStreamObject. |
JobBaseServices |
| tags | Tag słownika. Tagi można dodawać, usuwać i aktualizować. | object |
LabelingDataConfiguration
| Nazwa | Opis | Wartość |
|---|---|---|
| dataId | Identyfikator zasobu danych do wykonania etykietowania. | ciąg |
| incrementalDataRefresh | Wskazuje, czy włączyć odświeżanie danych przyrostowych. | "Wyłączone" "Włączone" |
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 |
| Multiselect | Wskazuje, czy można wybrać wiele klas w tej kategorii. | "Wyłączone" "Włączone" |
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) |
| inferencingComputeBinding | [Wymagane] Powiązanie obliczeniowe AML używane w wnioskowaniu. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
| trainingComputeBinding | [Wymagane] Powiązanie obliczeniowe AML używane podczas trenowania. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 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 |
Zadanie SparkJob
| Nazwa | Opis | Wartość |
|---|---|---|
| jobType | [Wymagane] Określa typ zadania. | "Spark" (wymagane) |
| Archiwum | Archiwizuj pliki używane w zadaniu. | ciąg[] |
| args | Argumenty zadania. | ciąg |
| codeId | [Wymagane] Identyfikator zasobu usługi ARM zasobu kodu. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 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 |
| environmentVariables | Zmienne środowiskowe uwzględnione w zadaniu. | SparkJobEnvironmentVariables |
| 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[] |
| queueSettings | Ustawienia kolejki dla zadania | QueueSettings |
| zasoby | Konfiguracja zasobów obliczeniowych dla zadania. | SparkResourceConfiguration |
SparkJobConf
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | ciąg |
SparkJobEntry
| Nazwa | Opis | Wartość |
|---|---|---|
| sparkJobEntryType | Ustawianie typu obiektu | SparkJobPythonEntry SparkJobScalaEntry (wymagane) |
SparkJobPythonEntry
| Nazwa | Opis | Wartość |
|---|---|---|
| sparkJobEntryType | [Wymagane] Typ punktu wejścia zadania. | "SparkJobPythonEntry" (wymagane) |
| — plik | [Wymagane] Względna ścieżka pliku języka Python dla punktu wejścia zadania. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
SparkJobScalaEntry
| Nazwa | Opis | Wartość |
|---|---|---|
| sparkJobEntryType | [Wymagane] Typ punktu wejścia zadania. | "SparkJobScalaEntry" (wymagane) |
| Classname | [Wymagane] Nazwa klasy Scala używana jako punkt wejścia. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
SparkJobEnvironmentVariables
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | ciąg |
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) |
| componentConfiguration | Konfiguracja składnika do zamiatania składnika | Konfiguracja składnika |
| 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 |
| queueSettings | Ustawienia kolejki dla zadania | QueueSettings |
| zasoby | Konfiguracja zasobów obliczeniowych dla zadania. | JobResourceConfiguration |
| 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) |
Konfiguracja składnika
| Nazwa | Opis | Wartość |
|---|---|---|
| pipelineSettings | Ustawienia potoku, takie jak ContinueRunOnStepFailure itp. |
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: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
SweepJobOutputs
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | JobOutput |
PróbkowanieAlgorithm
| Nazwa | Opis | Wartość |
|---|---|---|
| samplingAlgorithmType | Ustawianie typu obiektu | Bayesian Siatki Losowe (wymagane) |
BayesianSamplingAlgorithm
| Nazwa | Opis | Wartość |
|---|---|---|
| samplingAlgorithmType | [Wymagane] Algorytm używany do generowania wartości hiperparametrów wraz z właściwościami konfiguracji | "Bayesian" (wymagane) |
GridSamplingAlgorithm
| Nazwa | Opis | Wartość |
|---|---|---|
| samplingAlgorithmType | [Wymagane] Algorytm używany do generowania wartości hiperparametrów wraz z właściwościami konfiguracji | "Grid" (wymagane) |
RandomSamplingAlgorithm
| Nazwa | Opis | Wartość |
|---|---|---|
| samplingAlgorithmType | [Wymagane] Algorytm używany do generowania wartości hiperparametrów wraz z właściwościami konfiguracji | "Losowe" (wymagane) |
| logbase | Opcjonalna liczba dodatnia lub e w formacie ciągu, który ma być używany jako podstawa do próbkowania losowego opartego na dzienniku | ciąg |
| 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: Minimalna długość = 1 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 |
CreateMonitorAction
| Nazwa | Opis | Wartość |
|---|---|---|
| actionType | [Wymagane] Określa typ akcji harmonogramu | "CreateMonitor" (wymagane) |
| monitorDefinition | [Wymagane] Definiuje monitor. | MonitorDefinition (wymagane) |
MonitorDefinition
| Nazwa | Opis | Wartość |
|---|---|---|
| alertNotificationSettings | Ustawienia powiadomień monitora. | MonitorNotificationSettings |
| computeConfiguration | [Wymagane] Identyfikator zasobu usługi ARM zasobu obliczeniowego do uruchomienia zadania monitorowania. | MonitorComputeConfigurationBase (wymagane) |
| monitoringTarget | Identyfikator zasobu usługi ARM modelu lub wdrożenia objętego tym monitorem. | MonitoringTarget |
| Sygnały | [Wymagane] Sygnały do monitorowania. | MonitorDefinitionSignals (wymagane) |
MonitorNotificationSettings
| Nazwa | Opis | Wartość |
|---|---|---|
| emailNotificationSettings | Ustawienia poczty e-mail powiadomień usługi AML. | MonitorEmailNotificationSettings |
MonitorEmailNotificationSettings
| Nazwa | Opis | Wartość |
|---|---|---|
| Wiadomości e-mail | Jest to lista adresatów poczty e-mail, która ma łącznie 499 znaków. | ciąg[] |
MonitorComputeConfigurationBase
| Nazwa | Opis | Wartość |
|---|---|---|
| computeType | Ustawianie typu obiektu | ServerlessSpark (wymagane) |
MonitorServerlessSparkCompute
| Nazwa | Opis | Wartość |
|---|---|---|
| computeType | [Wymagane] Określa typ sygnału do monitorowania. | "ServerlessSpark" (wymagane) |
| computeIdentity | [Wymagane] Schemat tożsamości stosowany przez zadania platformy Spark uruchomione na bezserwerowej platformie Spark. | MonitorComputeIdentityBase (wymagane) |
| Instancetype | [Wymagane] Typ wystąpienia, w którym uruchomiono zadanie platformy Spark. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
| runtimeVersion | [Wymagane] Wersja środowiska uruchomieniowego platformy Spark. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
MonitorComputeIdentityBase
| Nazwa | Opis | Wartość |
|---|---|---|
| computeIdentityType | Ustawianie typu obiektu | AmlToken ManagedIdentity (wymagane) |
AmlTokenComputeIdentity
| Nazwa | Opis | Wartość |
|---|---|---|
| computeIdentityType | [Wymagane] Monitorowanie wyliczenia typu tożsamości obliczeniowej. | "AmlToken" (wymagany) |
ManagedComputeIdentity
| Nazwa | Opis | Wartość |
|---|---|---|
| computeIdentityType | [Wymagane] Monitorowanie wyliczenia typu tożsamości obliczeniowej. | "ManagedIdentity" (wymagane) |
| identity | Tożsamość usługi zarządzanej (tożsamości przypisane przez system i/lub przypisane przez użytkownika) | Identyfikator usługi zarządzanej |
Identyfikator usługi zarządzanej
| Nazwa | Opis | Wartość |
|---|---|---|
| typ | Typ tożsamości usługi zarządzanej (gdzie dozwolone są typy SystemAssigned i UserAssigned). | "Brak" "SystemAssigned" "SystemAssigned,UserAssigned" "UserAssigned" (wymagane) |
| userAssignedIdentities | Zestaw tożsamości przypisanych przez użytkownika skojarzonych z zasobem. Klucze słownika userAssignedIdentities będą identyfikatorami zasobów usługi ARM w postaci: '/subscriptions/{subscriptionId}/resourceGroups/{resourceGroupName}/providers/Microsoft.ManagedIdentity/userAssignedIdentities/{identityName}. Wartości słownika mogą być pustymi obiektami ({}) w żądaniach. | UserAssignedIdentities |
UserAssignedIdentities
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | UserAssignedIdentity |
UserAssignedIdentity
Ten obiekt nie zawiera żadnych właściwości do ustawienia podczas wdrażania. Wszystkie właściwości to ReadOnly.
MonitorowanieTarget
| Nazwa | Opis | Wartość |
|---|---|---|
| deploymentId | Identyfikator zasobu usługi ARM wdrożenia objętego tym monitorem. | ciąg |
| modelId | Identyfikator zasobu usługi ARM jednego z modeli przeznaczonych dla tego monitora. | ciąg |
| Tasktype | [Wymagane] Typ zadania uczenia maszynowego modelu. | "Klasyfikacja" "PytanieAnswering" "Regresja" (wymagana) |
MonitorDefinitionSignals
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | MonitoringSignalBase |
MonitoringSignalBase
| Nazwa | Opis | Wartość |
|---|---|---|
| notificationTypes | Bieżący tryb powiadomień dla tego sygnału. | Tablica ciągów zawierająca dowolną z: "AmlNotification" "AzureMonitor" |
| properties | Słownik właściwości. Właściwości można dodawać, ale nie usuwać ani zmieniać. | MonitorowanieSignalBaseProperties |
| signalType | Ustawianie typu obiektu | Niestandardowe DataDrift DataQuality FeatureAttributionDrift GenerationSafetyQuality GenerationTokenStatistics ModelPerformance PredictionDrift (wymagane) |
MonitorowanieSignalBaseProperties
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | ciąg |
CustomMonitoringSignal
| Nazwa | Opis | Wartość |
|---|---|---|
| signalType | [Wymagane] Określa typ sygnału do monitorowania. | "Niestandardowy" (wymagany) |
| Componentid | [Wymagane] Identyfikator zasobu usługi ARM zasobu składnika używanego do obliczania metryk niestandardowych. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
| inputAssets | Monitorowanie zasobów do podjęcia jako danych wejściowych. Klucz to nazwa portu wejściowego składnika, wartość to zasób danych. | CustomMonitoringSignalInputAssets |
| Wejścia | Dodatkowe parametry składnika do podjęcia jako dane wejściowe. Klucz to nazwa portu wejściowego literału składnika, wartość jest wartością parametru. | CustomMonitoringSignalInputs |
| metricThresholds | [Wymagane] Lista metryk do obliczenia i skojarzonych z nimi progów. | CustomMetricThreshold[] (wymagane) |
| workspaceConnection | [Wymagane] Lista metryk do obliczenia i skojarzonych z nimi progów. | MonitoringWorkspaceConnection (wymagane) |
CustomMonitoringSignalInputAssets
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | MonitoringInputDataBase |
MonitoringInputDataBase
| Nazwa | Opis | Wartość |
|---|---|---|
| columns | Mapowanie nazw kolumn na specjalne zastosowania. | MonitoringInputDataBaseColumns |
| Datacontext | Metadane kontekstu źródła danych. | ciąg |
| jobInputType | [Wymagane] Określa typ zadania. | "custom_model" "literał" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (wymagane) |
| Identyfikator uri | [Wymagane] Identyfikator URI zasobu wejściowego. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
| inputDataType | Ustawianie typu obiektu | Stały Toczenia Statyczny (wymagany) |
MonitoringInputDataBaseColumns
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | ciąg |
FixedInputData
| Nazwa | Opis | Wartość |
|---|---|---|
| inputDataType | [Wymagane] Określa typ sygnału do monitorowania. | "Naprawiono" (wymagane) |
RollingInputData
| Nazwa | Opis | Wartość |
|---|---|---|
| inputDataType | [Wymagane] Określa typ sygnału do monitorowania. | "Rolling" (wymagane) |
| preprocessingComponentId | Identyfikator zasobu usługi ARM zasobu składnika używanego do wstępnego przetwarzania danych. | ciąg |
| windowOffset | [Wymagane] Przesunięcie czasu między końcem okna danych a bieżącym czasem wykonywania monitora. | ciąg (wymagany) |
| windowSize | [Wymagane] Rozmiar okna danych końcowych. | ciąg (wymagany) |
StaticInputData
| Nazwa | Opis | Wartość |
|---|---|---|
| inputDataType | [Wymagane] Określa typ sygnału do monitorowania. | "Statyczny" (wymagany) |
| preprocessingComponentId | Identyfikator zasobu usługi ARM zasobu składnika używanego do wstępnego przetwarzania danych. | ciąg |
| windowEnd | [Wymagane] Data zakończenia okna danych. | ciąg (wymagany) |
| windowStart | [Wymagane] Data rozpoczęcia okna danych. | ciąg (wymagany) |
CustomMonitoringSignalInputs
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | JobInput |
CustomMetricThreshold
| Nazwa | Opis | Wartość |
|---|---|---|
| Metryka | [Wymagane] Metryka zdefiniowana przez użytkownika do obliczenia. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
| Próg | Wartość progowa. Jeśli wartość null, zostanie ustawiona wartość domyślna w zależności od wybranej metryki. | MonitoringThreshold |
MonitoringThreshold
| Nazwa | Opis | Wartość |
|---|---|---|
| wartość | Wartość progowa. Jeśli wartość null, ustawienie domyślne jest zależne od typu metryki. | int |
MonitoringWorkspaceConnection
| Nazwa | Opis | Wartość |
|---|---|---|
| environmentVariables | Właściwości połączenia usługi obszaru roboczego do przechowywania jako zmiennych środowiskowych w przesłanych zadaniach. Klucz to ścieżka właściwości połączenia obszaru roboczego, nazwa to klucz zmiennej środowiskowej. |
MonitoringWorkspaceConnectionEnvironmentVariables |
| wpisy tajne | Właściwości połączenia usługi obszaru roboczego do przechowywania jako wpisów tajnych w przesłanych zadaniach. Klucz to ścieżka właściwości połączenia obszaru roboczego, nazwa to klucz tajny. |
MonitoringWorkspaceConnectionSecrets |
MonitoringWorkspaceConnectionEnvironmentVariables
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | ciąg |
MonitoringWorkspaceConnectionSecrets
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | ciąg |
DataDriftMonitoringSignal
| Nazwa | Opis | Wartość |
|---|---|---|
| signalType | [Wymagane] Określa typ sygnału do monitorowania. | "DataDrift" (wymagane) |
| dataSegment | Segment danych używany do określania zakresu w podzestawie populacji danych. | MonitoringDataSegment |
| featureDataTypeOverride | Słownik mapujący nazwy funkcji na odpowiednie typy danych. | DataDriftMonitoringSignalFeatureDataTypeOverride |
| featureImportanceSettings | Ustawienia dotyczące znaczenia funkcji przetwarzania. | FeatureImportanceSettings |
| funkcje | Filtr funkcji określający, która funkcja ma obliczyć dryf. | MonitoringFeatureFilterBase |
| metricThresholds | [Wymagane] Lista metryk do obliczenia i skojarzonych z nimi progów. | DataDriftMetricThresholdBase[] (wymagane) |
| productionData | [Wymagane] Dane, dla których będzie obliczany dryf. | MonitoringInputDataBase (wymagane) |
| referenceData | [Wymagane] Dane do obliczenia dryfu względem. | MonitoringInputDataBase (wymagane) |
MonitoringDataSegment
| Nazwa | Opis | Wartość |
|---|---|---|
| funkcja | Funkcja do segmentowania danych. | ciąg |
| values | Filtruje tylko określone wartości danej funkcji segmentowanej. | ciąg[] |
DataDriftMonitoringSignalFeatureDataTypeOverride
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | "Kategorialne" "Numeryczne" |
FeatureImportanceSettings
| Nazwa | Opis | Wartość |
|---|---|---|
| tryb | Tryb działania dla znaczenia funkcji obliczeniowej. | "Wyłączone" "Włączone" |
| targetColumn | Nazwa kolumny docelowej w zasobie danych wejściowych. | ciąg |
MonitoringFeatureFilterBase
| Nazwa | Opis | Wartość |
|---|---|---|
| Filtertype | Ustawianie typu obiektu | AllFeatures FeatureSubset TopNByAttribution (wymagane) |
AllFeatures
| Nazwa | Opis | Wartość |
|---|---|---|
| Filtertype | [Wymagane] Określa filtr funkcji do wykorzystania podczas wybierania funkcji do obliczania metryk. | "AllFeatures" (wymagane) |
FeatureSubset
| Nazwa | Opis | Wartość |
|---|---|---|
| Filtertype | [Wymagane] Określa filtr funkcji do wykorzystania podczas wybierania funkcji do obliczania metryk. | "FeatureSubset" (wymagane) |
| funkcje | [Wymagane] Lista funkcji do uwzględnienia. | string[] (wymagane) |
TopNFeaturesByAttribution
| Nazwa | Opis | Wartość |
|---|---|---|
| Filtertype | [Wymagane] Określa filtr funkcji do wykorzystania podczas wybierania funkcji do obliczania metryk. | "TopNByAttribution" (wymagane) |
| top (pierwsze) | Liczba najważniejszych funkcji do uwzględnienia. | int |
DataDriftMetricThresholdBase
| Nazwa | Opis | Wartość |
|---|---|---|
| Próg | Wartość progowa. Jeśli wartość null, zostanie ustawiona wartość domyślna w zależności od wybranej metryki. | MonitoringThreshold |
| dataType | Ustawianie typu obiektu | Podzielone na kategorie Numeryczne (wymagane) |
KategoricalDataDriftMetricThreshold
| Nazwa | Opis | Wartość |
|---|---|---|
| dataType | [Wymagane] Określa typ danych progu metryki. | "Kategoria" (wymagane) |
| Metryka | [Wymagane] Metryka dryfu danych kategorii do obliczenia. | "JensenShannonDistance" "PearsonsChiSquaredTest" "PopulationStabilityIndex" (wymagany) |
WartośćnumerycznyDataDriftMetricThreshold
| Nazwa | Opis | Wartość |
|---|---|---|
| dataType | [Wymagane] Określa typ danych progu metryki. | "Numeryczne" (wymagane) |
| Metryka | [Wymagane] Metryka dryfu danych liczbowych do obliczenia. | "JensenShannonDistance" "NormalizedWassersteinDistance" "PopulationStabilityIndex" "TwoSampleKolmogorovSmirnovTest" (wymagane) |
DataQualityMonitoringSignal
| Nazwa | Opis | Wartość |
|---|---|---|
| signalType | [Wymagane] Określa typ sygnału do monitorowania. | "DataQuality" (wymagane) |
| featureDataTypeOverride | Słownik mapujący nazwy funkcji na odpowiednie typy danych. | DataQualityMonitoringSignalFeatureDataTypeOverride |
| featureImportanceSettings | Ustawienia dotyczące znaczenia funkcji przetwarzania. | FeatureImportanceSettings |
| funkcje | Funkcje do obliczania dryfu. | MonitoringFeatureFilterBase |
| metricThresholds | [Wymagane] Lista metryk do obliczenia i skojarzonych z nimi progów. | DataQualityMetricThresholdBase[] (wymagane) |
| productionData | [Wymagane] Dane generowane przez usługę produkcyjną, dla której będzie obliczany dryf. | MonitoringInputDataBase (wymagane) |
| referenceData | [Wymagane] Dane do obliczenia dryfu względem. | MonitoringInputDataBase (wymagane) |
DataQualityMonitoringSignalFeatureDataTypeOverride
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | "Kategorialne" "Numeryczne" |
DataQualityMetricThresholdBase
| Nazwa | Opis | Wartość |
|---|---|---|
| Próg | Wartość progowa. Jeśli wartość null, zostanie ustawiona wartość domyślna w zależności od wybranej metryki. | MonitoringThreshold |
| dataType | Ustawianie typu obiektu | Podzielone na kategorie Numeryczne (wymagane) |
CategoryegoricalDataQualityMetricThreshold
| Nazwa | Opis | Wartość |
|---|---|---|
| dataType | [Wymagane] Określa typ danych progu metryki. | "Kategorialne" (wymagane) |
| Metryka | [Wymagane] Metryka jakości danych kategorii do obliczenia. | "DataTypeErrorRate" "NullValueRate" "OutOfBoundsRate" (wymagane) |
Wartości liczboweDataQualityMetricThreshold
| Nazwa | Opis | Wartość |
|---|---|---|
| dataType | [Wymagane] Określa typ danych progu metryki. | "Numeryczne" (wymagane) |
| Metryka | [Wymagane] Metryka jakości danych liczbowych do obliczenia. | "DataTypeErrorRate" "NullValueRate" "OutOfBoundsRate" (wymagane) |
FeatureAttributionDriftMonitoringSignal
| Nazwa | Opis | Wartość |
|---|---|---|
| signalType | [Wymagane] Określa typ sygnału do monitorowania. | "FeatureAttributionDrift" (wymagane) |
| featureDataTypeOverride | Słownik mapujący nazwy funkcji na odpowiednie typy danych. | FeatureAttributionDriftMonitoringSignalFeatureDataTy... |
| featureImportanceSettings | Ustawienia dotyczące znaczenia funkcji przetwarzania. | FeatureImportanceSettings |
| metricThreshold | [Wymagane] Lista metryk do obliczenia i skojarzonych z nimi progów. | FeatureAttributionMetricThreshold (wymagane) |
| productionData | [Wymagane] Dane, dla których będzie obliczany dryf. | MonitoringInputDataBase[] (wymagane) |
| referenceData | [Wymagane] Dane do obliczenia dryfu względem. | MonitoringInputDataBase (wymagane) |
FeatureAttributionDriftMonitoringSignalFeatureDataTy...
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | "Kategorialne" "Numeryczne" |
FeatureAttributionMetricThreshold
| Nazwa | Opis | Wartość |
|---|---|---|
| Metryka | [Wymagane] Metryka przypisania funkcji do obliczenia. | "NormalizedDiscountedCumulativeGain" (wymagane) |
| Próg | Wartość progowa. Jeśli wartość null, zostanie ustawiona wartość domyślna w zależności od wybranej metryki. | MonitoringThreshold |
GenerationSafetyQualityMonitoringSignal
| Nazwa | Opis | Wartość |
|---|---|---|
| signalType | [Wymagane] Określa typ sygnału do monitorowania. | "GenerationSafetyQuality" (wymagane) |
| metricThresholds | [Wymagane] Pobiera lub ustawia metryki, aby obliczyć i odpowiednie progi. | GenerationSafetyQualityMetricThreshold[] (wymagane) |
| productionData | Pobiera lub ustawia dane produkcyjne dla metryk obliczeniowych. | MonitoringInputDataBase[] |
| próbkowanieRate | [Wymagane] Częstotliwość próbkowania danych produkcyjnych powinna być większa niż 0 i maksymalnie 1. | int (wymagane) |
| workspaceConnectionId | Pobiera lub ustawia identyfikator połączenia obszaru roboczego używany do nawiązywania połączenia z punktem końcowym generowania zawartości. | ciąg |
GenerationSafetyQualityMetricThreshold
| Nazwa | Opis | Wartość |
|---|---|---|
| Metryka | [Wymagane] Pobiera lub ustawia metryki autorstwa funkcji do obliczenia. | "AcceptableCoherenceScorePerInstance" "AcceptableFluencyScorePerInstance" "AcceptableGroundednessScorePerInstance" "AcceptableRelevanceScorePerInstance" "AcceptableSimilarityScorePerInstance" "AggregatedCoherencePassRate" "AggregatedFluencyPassRate" "AggregatedGroundednessPassRate" "AggregatedRelevancePassRate" "AggregatedSimilarityPassRate" (wymagane) |
| Próg | Pobiera lub ustawia wartość progową. Jeśli wartość null, zostanie ustawiona wartość domyślna w zależności od wybranej metryki. |
MonitoringThreshold |
GenerationTokenUsageSignal
| Nazwa | Opis | Wartość |
|---|---|---|
| signalType | [Wymagane] Określa typ sygnału do monitorowania. | "GenerationTokenStatistics" (wymagane) |
| metricThresholds | [Wymagane] Pobiera lub ustawia metryki, aby obliczyć i odpowiednie progi. | GenerationTokenUsageMetricThreshold[] (wymagane) |
| productionData | Pobiera lub ustawia dane produkcyjne dla metryk obliczeniowych. | MonitoringInputDataBase[] |
| próbkowanieRate | [Wymagane] Częstotliwość próbkowania danych produkcyjnych powinna być większa niż 0 i maksymalnie 1. | int (wymagane) |
GenerationTokenUsageMetricThreshold
| Nazwa | Opis | Wartość |
|---|---|---|
| Metryka | [Wymagane] Pobiera lub ustawia metryki autorstwa funkcji do obliczenia. | "TotalTokenCount" "TotalTokenCountPerGroup" (wymagane) |
| Próg | Pobiera lub ustawia wartość progową. Jeśli wartość null, zostanie ustawiona wartość domyślna w zależności od wybranej metryki. |
MonitoringThreshold |
ModelPerformanceSignal
| Nazwa | Opis | Wartość |
|---|---|---|
| signalType | [Wymagane] Określa typ sygnału do monitorowania. | "ModelPerformance" (wymagane) |
| dataSegment | Segment danych. | MonitoringDataSegment |
| metricThreshold | [Wymagane] Lista metryk do obliczenia i skojarzonych z nimi progów. | ModelPerformanceMetricThresholdBase (wymagane) |
| productionData | [Wymagane] Dane generowane przez usługę produkcyjną, dla których zostanie obliczona wydajność. | MonitoringInputDataBase[] (wymagane) |
| referenceData | [Wymagane] Dane referencyjne używane jako podstawa do obliczania wydajności modelu. | MonitoringInputDataBase (wymagane) |
ModelPerformanceMetricThresholdBase
| Nazwa | Opis | Wartość |
|---|---|---|
| Próg | Wartość progowa. Jeśli wartość null, zostanie ustawiona wartość domyślna w zależności od wybranej metryki. | MonitoringThreshold |
| modelType | Ustawianie typu obiektu | Klasyfikacji Regresja (wymagana ) |
ClassificationModelPerformanceMetricThreshold
| Nazwa | Opis | Wartość |
|---|---|---|
| modelType | [Wymagane] Określa typ danych progu metryki. | "Klasyfikacja" (wymagana) |
| Metryka | [Wymagane] Wydajność modelu klasyfikacji do obliczenia. | "Dokładność" "Precyzja" "Odwołaj" (wymagane) |
RegressionModelPerformanceMetricThreshold
| Nazwa | Opis | Wartość |
|---|---|---|
| modelType | [Wymagane] Określa typ danych progu metryki. | "Regresja" (wymagana) |
| Metryka | [Wymagane] Metryka wydajności modelu regresji do obliczenia. | "MeanAbsoluteError" "MeanSquaredError" "RootMeanSquaredError" (wymagane) |
PredictionDriftMonitoringSignal
| Nazwa | Opis | Wartość |
|---|---|---|
| signalType | [Wymagane] Określa typ sygnału do monitorowania. | "PredictionDrift" (wymagane) |
| featureDataTypeOverride | Słownik mapujący nazwy funkcji na odpowiednie typy danych. | PredictionDriftMonitoringSignalFeatureDataTypeOverri... |
| metricThresholds | [Wymagane] Lista metryk do obliczenia i skojarzonych z nimi progów. | PredictionDriftMetricThresholdBase[] (wymagane) |
| productionData | [Wymagane] Dane, dla których będzie obliczany dryf. | MonitoringInputDataBase (wymagane) |
| referenceData | [Wymagane] Dane do obliczenia dryfu względem. | MonitoringInputDataBase (wymagane) |
PredictionDriftMonitoringSignalFeatureDataTypeOverri...
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | "Kategorialne" "Numeryczne" |
PredictionDriftMetricThresholdBase
| Nazwa | Opis | Wartość |
|---|---|---|
| Próg | Wartość progowa. Jeśli wartość null, zostanie ustawiona wartość domyślna w zależności od wybranej metryki. | MonitoringThreshold |
| dataType | Ustawianie typu obiektu | Podzielone na kategorie Numeryczne (wymagane) |
KategorialnyPredictionDriftMetricThreshold
| Nazwa | Opis | Wartość |
|---|---|---|
| dataType | [Wymagane] Określa typ danych progu metryki. | "Kategorialne" (wymagane) |
| Metryka | [Wymagane] Metryka dryfu przewidywania podzielonego na kategorie do obliczenia. | "JensenShannonDistance" "PearsonsChiSquaredTest" "PopulationStabilityIndex" (wymagany) |
WartośćnumerycznyPredictionDriftMetricThreshold
| Nazwa | Opis | Wartość |
|---|---|---|
| dataType | [Wymagane] Określa typ danych progu metryki. | "Numeryczne" (wymagane) |
| Metryka | [Wymagane] Metryka dryfu przewidywania liczbowego do obliczenia. | "JensenShannonDistance" "NormalizedWassersteinDistance" "PopulationStabilityIndex" "TwoSampleKolmogorovSmirnovTest" (wymagane) |
ImportDataAction
| Nazwa | Opis | Wartość |
|---|---|---|
| actionType | [Wymagane] Określa typ akcji harmonogramu | "ImportData" (wymagane) |
| dataImportDefinition | [Wymagane] Definiuje szczegóły definicji akcji harmonogramu. | DataImport (wymagane) |
DataImport (Importowanie danych)
| Nazwa | Opis | Wartość |
|---|---|---|
| assetName | Nazwa zasobu zadania importowania danych do utworzenia | ciąg |
| autoDeleteSetting | Określa ustawienie cyklu życia zarządzanego zasobu danych. | AutoDeleteSetting |
| dataType | [Wymagane] Określa typ danych. | "mltable" "uri_file" "uri_folder" (wymagane) |
| dataUri | [Wymagane] Identyfikator URI danych. Przykład: https://go.microsoft.com/fwlink/?linkid=2202330 |
ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
| description (opis) | Tekst opisu zasobu. | ciąg |
| intellectualProperty | Szczegóły własności intelektualnej. Używane, jeśli dane są własnością intelektualną. | Własność intelektualna |
| Isanonymous | Jeśli wersja nazwy jest generowana przez system (rejestracja anonimowa). W przypadku typów, w których jest definiowany etap, podczas określania etapu będzie on używany do wypełniania isanonymous | bool |
| isArchived | Czy zasób jest archiwizowany? W przypadku typów, w których jest definiowany etap, po podaniu etapu zostanie on użyty do wypełnienia wartości IsArchived | bool |
| properties | Słownik właściwości elementu zawartości. | Właściwości bazy danych zasobów |
| source | Dane źródłowe elementu zawartości do zaimportowania z | DataImportSource |
| etap | Etap w cyklu życia danych przypisanym do tego zasobu danych | ciąg |
| tags | Słownik tagów. Tagi można dodawać, usuwać i aktualizować. | object |
Własność intelektualna
| Nazwa | Opis | Wartość |
|---|---|---|
| Protectionlevel | Poziom ochrony własności intelektualnej. | "Wszystko" "Brak" |
| publisher | [Wymagane] Wydawca własności intelektualnej. Musi być taka sama jak nazwa wydawcy rejestru. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
DataImportSource
| Nazwa | Opis | Wartość |
|---|---|---|
| połączenie | Połączenie obszaru roboczego dla magazynu źródłowego importu danych | ciąg |
| Sourcetype | Ustawianie typu obiektu | Bazy danych file_system (wymagane) |
DatabaseSource
| Nazwa | Opis | Wartość |
|---|---|---|
| Sourcetype | [Wymagane] Określa typ danych. | "baza danych" (wymagana) |
| query | Instrukcja SQL Query dla źródła importu bazy danych | ciąg |
| Storedprocedure | Sql StoredProcedure podczas importowania źródła bazy danych | ciąg |
| storedProcedureParams | Parametry usługi SQL StoredProcedure | DatabaseSourceStoredProcedureParamsItem[] |
| tableName | Nazwa tabeli w źródle importu danych | ciąg |
DatabaseSourceStoredProcedureParamsItem
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | ciąg |
FileSystemSource
| Nazwa | Opis | Wartość |
|---|---|---|
| Sourcetype | [Wymagane] Określa typ danych. | "file_system" (wymagane) |
| path | Ścieżka dotycząca importowania źródła systemu plików | ciąg |
EndpointScheduleAction
| Nazwa | Opis | Wartość |
|---|---|---|
| actionType | [Wymagane] Określa typ akcji harmonogramu | "InvokeBatchEndpoint" (wymagane) |
| endpointInvocationDefinition | [Wymagane] Definiuje szczegóły definicji akcji harmonogramu. {see href="TBD" /} |
Triggerbase
| Nazwa | Opis | Wartość |
|---|---|---|
| endTime | Określa godzinę zakończenia harmonogramu w formacie ISO 8601, ale bez przesunięcia UTC. Zobacz https://en.wikipedia.org/wiki/ISO_8601.Format ponownego komentarza to "2022-06-01T00:00:01" Jeśli nie istnieje, harmonogram będzie uruchamiany na czas nieokreślony |
ciąg |
| startTime | Określa godzinę rozpoczęcia harmonogramu w formacie ISO 8601, ale bez przesunięcia UTC. | ciąg |
| timeZone | Określa strefę czasową, w której jest uruchamiany harmonogram. Strefa czasowa powinna być zgodna z formatem strefy czasowej systemu Windows. Zapoznaj się z: https://docs.microsoft.com/windows-hardware/manufacture/desktop/default-time-zones /> |
ciąg |
| triggerType | Ustawianie typu obiektu | Cron Cykl (wymagany) |
CronTrigger
| Nazwa | Opis | Wartość |
|---|---|---|
| triggerType | [Wymagane] | "Cron" (wymagane) |
| expression | [Wymagane] Określa wyrażenie cron harmonogramu. Wyrażenie powinno być zgodne z formatem NCronTab. |
ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
CyklTrigger
| Nazwa | Opis | Wartość |
|---|---|---|
| endTime | Określa godzinę zakończenia harmonogramu w formacie ISO 8601, ale bez przesunięcia UTC. Zobacz https://en.wikipedia.org/wiki/ISO_8601.Format ponownego komentarza to "2022-06-01T00:00:01" Jeśli nie istnieje, harmonogram będzie uruchamiany na czas nieokreślony |
ciąg |
| frequency | [Wymagane] Częstotliwość wyzwalania harmonogramu. | "Dzień" "Godzina" "Minuta" "Miesiąc" "Tydzień" (wymagany) |
| interval | [Wymagane] Określa interwał harmonogramu w połączeniu z częstotliwością | int (wymagane) |
| schedule | Harmonogram cyklu. | CyklSchedule |
| startTime | Określa godzinę rozpoczęcia harmonogramu w formacie ISO 8601, ale bez przesunięcia UTC. | ciąg |
| timeZone | Określa strefę czasową, w której jest uruchamiany harmonogram. Strefa czasowa powinna być zgodna z formatem strefy czasowej systemu Windows. Zobacz https://docs.microsoft.com/windows-hardware/manufacture/desktop/default-time-zones |
ciąg |
| triggerType | [Wymagane] | "Cron" "Cykl" (wymagany) |
CyklSchedule
| Nazwa | Opis | Wartość |
|---|---|---|
| godziny | [Wymagane] Lista godzin harmonogramu. | int[] (wymagane) |
| minutes | [Wymagane] Lista minut dla harmonogramu. | int[] (wymagane) |
| monthDays | Lista dni miesiąca dla harmonogramu | int[] |
| weekDays | Lista dni dla harmonogramu. | Tablica ciągów zawierająca dowolną z: "Piątek" "Poniedziałek" "Sobota" "Niedziela" "Czwartek" "Wtorek" "Środa" |
Definicja zasobu narzędzia Terraform (dostawcy AzAPI)
Typ zasobu obszarów roboczych/harmonogramów 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/schedules, dodaj następujący program Terraform do szablonu.
resource "azapi_resource" "symbolicname" {
type = "Microsoft.MachineLearningServices/workspaces/schedules@2023-08-01-preview"
name = "string"
parent_id = "string"
body = jsonencode({
properties = {
action = {
actionType = "string"
// For remaining properties, see ScheduleActionBase objects
}
description = "string"
displayName = "string"
isEnabled = bool
properties = {
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
}
tags = {
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
}
trigger = {
endTime = "string"
startTime = "string"
timeZone = "string"
triggerType = "string"
// For remaining properties, see TriggerBase objects
}
}
})
}
Obiekty ScheduleActionBase
Ustaw właściwość actionType , aby określić typ obiektu.
W przypadku zadania CreateJob użyj:
actionType = "CreateJob"
jobDefinition = {
componentId = "string"
computeId = "string"
description = "string"
displayName = "string"
experimentName = "string"
identity {
identityType = "string"
// For remaining properties, see IdentityConfiguration objects
}
isArchived = bool
notificationSetting = {
emailOn = [
"string"
]
emails = [
"string"
]
webhooks = {
{customized property} = {
eventType = "string"
webhookType = "string"
// For remaining properties, see Webhook objects
}
}
}
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"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
}
secretsConfiguration = {
{customized property} = {
uri = "string"
workspaceSecretName = "string"
}
{customized property} = {
uri = "string"
workspaceSecretName = "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"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
}
jobType = "string"
// For remaining properties, see JobBaseProperties objects
}
W przypadku polecenia CreateMonitor użyj:
actionType = "CreateMonitor"
monitorDefinition = {
alertNotificationSettings = {
emailNotificationSettings = {
emails = [
"string"
]
}
}
computeConfiguration = {
computeType = "string"
// For remaining properties, see MonitorComputeConfigurationBase objects
}
monitoringTarget = {
deploymentId = "string"
modelId = "string"
taskType = "string"
}
signals = {
{customized property} = {
notificationTypes = [
"string"
]
properties = {
{customized property} = "string"
}
signalType = "string"
// For remaining properties, see MonitoringSignalBase objects
}
}
}
W przypadku elementu ImportData użyj:
actionType = "ImportData"
dataImportDefinition = {
assetName = "string"
autoDeleteSetting = {
condition = "string"
value = "string"
}
dataType = "string"
dataUri = "string"
description = "string"
intellectualProperty = {
protectionLevel = "string"
publisher = "string"
}
isAnonymous = bool
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"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
}
source = {
connection = "string"
sourceType = "string"
// For remaining properties, see DataImportSource objects
}
stage = "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"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
}
}
W przypadku polecenia InvokeBatchEndpoint użyj:
actionType = "InvokeBatchEndpoint"
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
}
}
queueSettings = {
jobTier = "string"
priority = int
}
resources = {
dockerArgs = "string"
instanceCount = int
instanceType = "string"
locations = [
"string"
]
maxInstanceCount = int
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
}
}
queueSettings = {
jobTier = "string"
priority = int
}
resources = {
dockerArgs = "string"
instanceCount = int
instanceType = "string"
locations = [
"string"
]
maxInstanceCount = int
properties = {}
shmSize = "string"
}
W przypadku etykietowania użyj:
jobType = "Labeling"
dataConfiguration = {
dataId = "string"
incrementalDataRefresh = "string"
}
jobInstructions = {
uri = "string"
}
labelCategories = {
{customized property} = {
classes = {
{customized property} = {
displayName = "string"
subclasses = {
{customized property} = {}
}
}
displayName = "string"
multiSelect = "string"
}
{customized property} = {
classes = {
{customized property} = {
displayName = "string"
subclasses = {
{customized property} = {}
}
}
displayName = "string"
multiSelect = "string"
}
}
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"
environmentVariables = {
{customized property} = "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"
]
queueSettings = {
jobTier = "string"
priority = int
}
resources = {
instanceType = "string"
runtimeVersion = "string"
}
W przypadku zamiatania użyj:
jobType = "Sweep"
componentConfiguration = {}
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
}
}
queueSettings = {
jobTier = "string"
priority = int
}
resources = {
dockerArgs = "string"
instanceCount = int
instanceType = "string"
locations = [
"string"
]
maxInstanceCount = int
properties = {}
shmSize = "string"
}
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"
locations = [
"string"
]
maxInstanceCount = int
properties = {}
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 elementu webhook
Ustaw właściwość webhookType , aby określić typ obiektu.
W przypadku usługi AzureDevOps użyj:
webhookType = "AzureDevOps"
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"
assetName = "string"
assetVersion = "string"
autoDeleteSetting = {
condition = "string"
value = "string"
}
mode = "string"
uri = "string"
W przypadku mlflow_model użyj:
jobOutputType = "mlflow_model"
assetName = "string"
assetVersion = "string"
autoDeleteSetting = {
condition = "string"
value = "string"
}
mode = "string"
uri = "string"
W przypadku metody mltable użyj:
jobOutputType = "mltable"
assetName = "string"
assetVersion = "string"
autoDeleteSetting = {
condition = "string"
value = "string"
}
mode = "string"
uri = "string"
W przypadku triton_model użyj:
jobOutputType = "triton_model"
assetName = "string"
assetVersion = "string"
autoDeleteSetting = {
condition = "string"
value = "string"
}
mode = "string"
uri = "string"
W przypadku uri_file użyj:
jobOutputType = "uri_file"
assetName = "string"
assetVersion = "string"
autoDeleteSetting = {
condition = "string"
value = "string"
}
mode = "string"
uri = "string"
W przypadku uri_folder użyj:
jobOutputType = "uri_folder"
assetName = "string"
assetVersion = "string"
autoDeleteSetting = {
condition = "string"
value = "string"
}
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
maxNodes = 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"
}
trainingMode = "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"
featuresUnknownAtForecastTime = [
"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
maxNodes = 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"
}
trainingMode = "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"
logTrainingMetrics = "string"
logValidationLoss = "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"
logTrainingMetrics = "string"
logValidationLoss = "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
maxNodes = 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"
}
trainingMode = "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 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 rayu użyj:
distributionType = "Ray"
address = "string"
dashboardPort = int
headNodeAdditionalArgs = "string"
includeDashboard = bool
port = int
workerNodeAdditionalArgs = "string"
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"
logbase = "string"
rule = "string"
seed = int
Obiekty MonitorComputeConfigurationBase
Ustaw właściwość computeType , aby określić typ obiektu.
W przypadku bezserwerowychSpark użyj:
computeType = "ServerlessSpark"
computeIdentity = {
computeIdentityType = "string"
// For remaining properties, see MonitorComputeIdentityBase objects
}
instanceType = "string"
runtimeVersion = "string"
Obiekty MonitorComputeIdentityBase
Ustaw właściwość computeIdentityType , aby określić typ obiektu.
W przypadku tokenu AmlToken użyj:
computeIdentityType = "AmlToken"
W przypadku elementu ManagedIdentity użyj:
computeIdentityType = "ManagedIdentity"
identity {
type = "string"
identity_ids = []
}
MonitoringSignalBase , obiekty
Ustaw właściwość signalType , aby określić typ obiektu.
W przypadku opcji Niestandardowe użyj:
signalType = "Custom"
componentId = "string"
inputAssets = {
{customized property} = {
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
}
inputs = {
{customized property} = {
description = "string"
jobInputType = "string"
// For remaining properties, see JobInput objects
}
}
metricThresholds = [
{
metric = "string"
threshold = {
value = int
}
}
]
workspaceConnection = {
environmentVariables = {
{customized property} = "string"
}
secrets = {
{customized property} = "string"
}
}
W przypadku usługi DataDrift użyj:
signalType = "DataDrift"
dataSegment = {
feature = "string"
values = [
"string"
]
}
featureDataTypeOverride = {
{customized property} = "string"
}
featureImportanceSettings = {
mode = "string"
targetColumn = "string"
}
features = {
filterType = "string"
// For remaining properties, see MonitoringFeatureFilterBase objects
}
metricThresholds = [
{
threshold = {
value = int
}
dataType = "string"
// For remaining properties, see DataDriftMetricThresholdBase objects
}
]
productionData = {
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
referenceData = {
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
W przypadku wartości DataQuality użyj:
signalType = "DataQuality"
featureDataTypeOverride = {
{customized property} = "string"
}
featureImportanceSettings = {
mode = "string"
targetColumn = "string"
}
features = {
filterType = "string"
// For remaining properties, see MonitoringFeatureFilterBase objects
}
metricThresholds = [
{
threshold = {
value = int
}
dataType = "string"
// For remaining properties, see DataQualityMetricThresholdBase objects
}
]
productionData = {
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
referenceData = {
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
W przypadku elementu FeatureAttributionDrift użyj:
signalType = "FeatureAttributionDrift"
featureDataTypeOverride = {
{customized property} = "string"
}
featureImportanceSettings = {
mode = "string"
targetColumn = "string"
}
metricThreshold = {
metric = "NormalizedDiscountedCumulativeGain"
threshold = {
value = int
}
}
productionData = [
{
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
]
referenceData = {
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
W przypadku metody GenerationSafetyQuality użyj:
signalType = "GenerationSafetyQuality"
metricThresholds = [
{
metric = "string"
threshold = {
value = int
}
}
]
productionData = [
{
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
]
samplingRate = int
workspaceConnectionId = "string"
W przypadku funkcji GenerationTokenStatistics użyj:
signalType = "GenerationTokenStatistics"
metricThresholds = [
{
metric = "string"
threshold = {
value = int
}
}
]
productionData = [
{
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
]
samplingRate = int
W przypadku modeluPerformance użyj:
signalType = "ModelPerformance"
dataSegment = {
feature = "string"
values = [
"string"
]
}
metricThreshold = {
threshold = {
value = int
}
modelType = "string"
// For remaining properties, see ModelPerformanceMetricThresholdBase objects
}
productionData = [
{
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
]
referenceData = {
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
W przypadku elementu PredictionDrift użyj:
signalType = "PredictionDrift"
featureDataTypeOverride = {
{customized property} = "string"
}
metricThresholds = [
{
threshold = {
value = int
}
dataType = "string"
// For remaining properties, see PredictionDriftMetricThresholdBase objects
}
]
productionData = {
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
referenceData = {
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
Monitorowanie Obiektów MonitoringInputDataBase
Ustaw właściwość inputDataType , aby określić typ obiektu.
W przypadku opcji Naprawiono użyj polecenia:
inputDataType = "Fixed"
W przypadku rolki użyj:
inputDataType = "Rolling"
preprocessingComponentId = "string"
windowOffset = "string"
windowSize = "string"
W przypadku funkcji Static użyj:
inputDataType = "Static"
preprocessingComponentId = "string"
windowEnd = "string"
windowStart = "string"
MonitoringFeatureFilterBase, obiekty
Ustaw właściwość filterType , aby określić typ obiektu.
W przypadku aplikacji AllFeatures użyj:
filterType = "AllFeatures"
W przypadku elementu FeatureSubset użyj:
filterType = "FeatureSubset"
features = [
"string"
]
W przypadku elementu TopNByAttribution użyj:
filterType = "TopNByAttribution"
top = int
Obiekty DataDriftMetricThresholdBase
Ustaw właściwość dataType , aby określić typ obiektu.
W przypadku kategorii użyj:
dataType = "Categorical"
metric = "string"
W przypadku funkcji Numeryczne użyj:
dataType = "Numerical"
metric = "string"
Obiekty DataQualityMetricThresholdBase
Ustaw właściwość dataType , aby określić typ obiektu.
W przypadku kategorii użyj:
dataType = "Categorical"
metric = "string"
W przypadku funkcji Numeryczne użyj:
dataType = "Numerical"
metric = "string"
Obiekty ModelPerformanceMetricThresholdBase
Ustaw właściwość modelType , aby określić typ obiektu.
W przypadku klasyfikacji użyj:
modelType = "Classification"
metric = "string"
W przypadku regresji użyj:
modelType = "Regression"
metric = "string"
PredictionDriftMetricThresholdBase, obiekty
Ustaw właściwość dataType , aby określić typ obiektu.
W przypadku kategorii użyj:
dataType = "Categorical"
metric = "string"
W przypadku funkcji Numeryczne użyj:
dataType = "Numerical"
metric = "string"
Obiekty DataImportSource
Ustaw właściwość sourceType , aby określić typ obiektu.
W przypadku bazy danych użyj:
sourceType = "database"
query = "string"
storedProcedure = "string"
storedProcedureParams = [
{
{customized property} = "string"
}
]
tableName = "string"
W przypadku file_system użyj:
sourceType = "file_system"
path = "string"
Obiekty TriggerBase
Ustaw właściwość triggerType , aby określić typ obiektu.
W przypadku Cron użyj:
triggerType = "Cron"
expression = "string"
W przypadku cyklu użyj:
triggerType = "Recurrence"
frequency = "string"
interval = int
schedule = {
hours = [
int
]
minutes = [
int
]
monthDays = [
int
]
weekDays = [
"string"
]
}
Wartości właściwości
obszary robocze/harmonogramy
| Nazwa | Opis | Wartość |
|---|---|---|
| typ | Typ zasobu | "Microsoft.MachineLearningServices/workspaces/schedules@2023-08-01-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. | ScheduleProperties (wymagane) |
Właściwości harmonogramu
| Nazwa | Opis | Wartość |
|---|---|---|
| action | [Wymagane] Określa akcję harmonogramu | ScheduleActionBase (wymagane) |
| description (opis) | Tekst opisu zasobu. | ciąg |
| displayName | Nazwa wyświetlana harmonogramu. | ciąg |
| Isenabled | Czy harmonogram jest włączony? | bool |
| properties | Słownik właściwości elementu zawartości. | Właściwości bazy danych zasobów |
| tags | Słownik tagów. Tagi można dodawać, usuwać i aktualizować. | object |
| Wyzwalacz | [Wymagane] Określa szczegóły wyzwalacza | TriggerBase (wymagane) |
ScheduleActionBase
| Nazwa | Opis | Wartość |
|---|---|---|
| actionType | Ustawianie typu obiektu | CreateJob UtwórzMonitor Importdata InvokeBatchEndpoint (wymagane) |
JobScheduleAction
| Nazwa | Opis | Wartość |
|---|---|---|
| actionType | [Wymagane] Określa typ akcji harmonogramu | "CreateJob" (wymagane) |
| jobDefinition | [Wymagane] Definiuje szczegóły definicji akcji harmonogramu. | 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 |
| notificationSetting | Ustawienie powiadomień dla zadania | NotificationSetting |
| properties | Słownik właściwości elementu zawartości. | Właściwości bazy danych zasobów |
| secretsConfiguration | Konfiguracja wpisów tajnych, które mają być udostępniane w czasie wykonywania. | JobBaseSecretsConfiguration |
| 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 | AMLToken Zarządzany UserIdentity (wymagane) |
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) |
NotificationSetting
| Nazwa | Opis | Wartość |
|---|---|---|
| emailOn | Wysyłanie powiadomienia e-mail do użytkownika o określonym typie powiadomień | Tablica ciągów zawierająca dowolną z: "JobCancelled" "JobCompleted" "JobFailed" |
| Wiadomości e-mail | Jest to lista adresatów wiadomości e-mail z ograniczeniem wynoszącym 499 znaków w sumie współbieżnością z separatorem przecinka | ciąg[] |
| elementy webhook | Wysyłanie wywołania zwrotnego elementu webhook do usługi. Klucz jest nazwą podaną przez użytkownika dla elementu webhook. | NotificationSettingWebhooks |
NotificationSettingWebhooks
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | Element webhook |
Webhook
| Nazwa | Opis | Wartość |
|---|---|---|
| eventType | Wysyłanie wywołania zwrotnego w określonym zdarzeniu powiadomienia | ciąg |
| webhookType | Ustawianie typu obiektu | AzureDevOps (wymagane) |
AzureDevOpsWebhook
| Nazwa | Opis | Wartość |
|---|---|---|
| webhookType | [Wymagane] Określa typ usługi do wysyłania wywołania zwrotnego | "AzureDevOps" (wymagane) |
ResourceBaseProperties
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | ciąg | |
| {niestandardowa właściwość} | ciąg | |
| {niestandardowa właściwość} | ciąg | |
| {niestandardowa właściwość} | ciąg | |
| {niestandardowa właściwość} | ciąg | |
| {niestandardowa właściwość} | ciąg | |
| {niestandardowa właściwość} | ciąg | |
| {niestandardowa właściwość} | ciąg | |
| {niestandardowa właściwość} | ciąg | |
| {niestandardowa właściwość} | ciąg | |
| {niestandardowa właściwość} | ciąg | |
| {niestandardowa właściwość} | ciąg | |
| {niestandardowa właściwość} | ciąg | |
| {niestandardowa właściwość} | ciąg | |
| {niestandardowa właściwość} | ciąg | |
| {niestandardowa właściwość} | ciąg | |
| {niestandardowa właściwość} | ciąg | |
| {niestandardowa właściwość} | ciąg | |
| {niestandardowa właściwość} | ciąg | |
| {niestandardowa właściwość} | ciąg |
JobBaseSecretsConfiguration
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | Konfiguracja wpisu tajnego | |
| {niestandardowa właściwość} | Konfiguracja wpisu tajnego |
Konfiguracja wpisu tajnego
| Nazwa | Opis | Wartość |
|---|---|---|
| Identyfikator uri | Identyfikator URI wpisu tajnego. Przykładowy identyfikator URI: https://myvault.vault.azure.net/secrets/mysecretname/secretversion |
ciąg |
| workspaceSecretName | Nazwa wpisu tajnego w magazynie kluczy obszaru roboczego. | 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) |
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 |
| queueSettings | Ustawienia kolejki dla zadania | QueueSettings |
| 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) |
| assetName | Nazwa elementu zawartości wyjściowej. | ciąg |
| assetVersion | Wersja elementu zawartości wyjściowej. | ciąg |
| autoDeleteSetting | Ustawienie automatycznego usuwania elementu zawartości danych wyjściowych. | AutoDeleteSetting |
| tryb | Tryb dostarczania zasobów wyjściowych. | "Bezpośrednie" "ReadWriteMount" "Przekaż" |
| Identyfikator uri | Identyfikator URI elementu zawartości wyjściowej. | ciąg |
AutoDeleteSetting
| Nazwa | Opis | Wartość |
|---|---|---|
| Warunek | Kiedy sprawdzić, czy zasób wygasł | "CreatedGreaterThan" "LastAccessedGreaterThan" |
| wartość | Wartość warunku wygaśnięcia. | ciąg |
MLFlowModelJobOutput
| Nazwa | Opis | Wartość |
|---|---|---|
| jobOutputType | [Wymagane] Określa typ zadania. | "mlflow_model" (wymagane) |
| assetName | Nazwa elementu zawartości wyjściowej. | ciąg |
| assetVersion | Wersja elementu zawartości wyjściowej. | ciąg |
| autoDeleteSetting | Ustawienie automatycznego usuwania elementu zawartości danych wyjściowych. | AutoDeleteSetting |
| 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) |
| assetName | Nazwa elementu zawartości wyjściowej. | ciąg |
| assetVersion | Wersja elementu zawartości wyjściowej. | ciąg |
| autoDeleteSetting | Ustawienie automatycznego usuwania elementu zawartości danych wyjściowych. | AutoDeleteSetting |
| 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) |
| assetName | Nazwa elementu zawartości wyjściowej. | ciąg |
| assetVersion | Wersja elementu zawartości wyjściowej. | ciąg |
| autoDeleteSetting | Ustawienie automatycznego usuwania elementu zawartości danych wyjściowych. | AutoDeleteSetting |
| 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) |
| assetName | Nazwa elementu zawartości wyjściowej. | ciąg |
| assetVersion | Wersja elementu zawartości wyjściowej. | ciąg |
| autoDeleteSetting | Ustawienie automatycznego usuwania elementu zawartości danych wyjściowych. | AutoDeleteSetting |
| 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) |
| assetName | Nazwa elementu zawartości wyjściowej. | ciąg |
| assetVersion | Wersja elementu zawartości wyjściowej. | ciąg |
| autoDeleteSetting | Ustawienie automatycznego usuwania elementu zawartości danych wyjściowych. | AutoDeleteSetting |
| tryb | Tryb dostarczania zasobów wyjściowych. | "Bezpośrednie" "ReadWriteMount" "Przekaż" |
| Identyfikator uri | Identyfikator URI elementu zawartości wyjściowej. | ciąg |
QueueSettings
| Nazwa | Opis | Wartość |
|---|---|---|
| jobTier | Steruje warstwą zadań obliczeniowych | "Podstawowa" "Null" "Premium" "Spot" "Standardowa" |
| priority | Steruje priorytetem zadania obliczeniowego. | int |
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 |
| locations | Lokalizacje, w których można uruchomić zadanie. | ciąg[] |
| maxInstanceCount | Opcjonalna maksymalna dozwolona liczba wystąpień lub węzłów, które mają być używane przez docelowy obiekt obliczeniowy. Do użytku z trenowania elastycznego, obecnie obsługiwane tylko przez typ dystrybucji PyTorch. |
int |
| 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: Minimalna długość = 1 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 strat wymagana do utworzenia kolejnej partycji w węźle liścia drzewa. | int |
| Modelname | Nazwa modelu do trenowania. | ciąg |
| nEstimators | Określ liczbę drzew (lub rund) w modelu. | int |
| numLeaves | Określ liczbę liści. | int |
| preprocesorName | Nazwa preprocesora do użycia. | ciąg |
| regAlpha | Termin uregulowania L1 na wagi. | int |
| regLambda | Termin uregulowania L2 na wagach. | int |
| podprzykład | Stosunek próbki podrzędnej 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 |
| maxNodes | Maksymalna liczba węzłów do użycia w eksperymencie. | 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) |
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 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 |
| trainingMode | Tryb TrainingMode — ustawienie wartości "auto" jest takie samo jak ustawienie go na "nieprostrybuowane" na razie, jednak w przyszłości może spowodować wybór trybu mieszanego lub heurystycznego. Wartość domyślna to "auto". Jeśli "Rozproszona" jest używana tylko rozproszona cechowanie i wybierane są algorytmy rozproszone. W przypadku wybrania parametru "NonDistributed" są wybierane tylko algorytmy nie rozproszone. |
"Auto" "Rozproszony" "Niedystrybuowany" |
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" |
| featuresUnknownAtForecastTime | Kolumny funkcji, które są dostępne do trenowania, ale nieznane w czasie prognozowania/wnioskowania. Jeśli features_unknown_at_forecast_time nie jest ustawiona, zakłada się, że wszystkie kolumny funkcji w zestawie danych są znane w czasie wnioskowania. |
ciąg[] |
| 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" "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 |
| trainingMode | Tryb TrainingMode — ustawienie wartości "auto" jest takie samo jak ustawienie go na "nieprostrybuowane" na razie, jednak w przyszłości może spowodować wybór trybu mieszanego lub heurystycznego. Wartość domyślna to "auto". Jeśli "Rozproszona" jest używana tylko rozproszona cechowanie i wybierane są algorytmy rozproszone. W przypadku wybrania parametru "NonDistributed" są wybierane tylko algorytmy nie rozproszone. |
"Auto" "Rozproszony" "Niedystrybuowany" |
ImageClassification
| Nazwa | Opis | Wartość |
|---|---|---|
| Tasktype | [Wymagane] Typ zadania dla zadania AutoMLJob. | "ImageClassification" (wymagane) |
| limitSettings | [Wymagane] Ogranicz ustawienia zadania automatycznego uczenia maszynowego. | ImageLimitSettings (wymagane) |
| modelSettings | Ustawienia używane do trenowania modelu. | ImageModelSettingsClassification |
| primaryMetric | Podstawowa metryka do optymalizacji pod kątem tego zadania. | "AUCWeighted" "Dokładność" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted" |
| searchSpace | Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów. | ImageModelDistributionSettingsClassification[] |
| sweepSettings | Ustawienia związane z zamiatanie modelu i zamiatanie hiperparametrów. | ImageSweepSettings |
| validationData | Dane wejściowe danych walidacji. | MlTableJobInput |
| validationDataSize | Ułamek zestawu danych trenowania, który należy odłożyć do celów walidacji. Wartości z zakresu od (0,0, 1,0) Zastosowano, gdy zestaw danych sprawdzania poprawności nie został podany. |
int |
ImageLimitSettings
| Nazwa | Opis | Wartość |
|---|---|---|
| maxConcurrentTrials | Maksymalna liczba współbieżnych iteracji rozwiązania AutoML. | int |
| maxTrials | Maksymalna liczba iteracji rozwiązania AutoML. | int |
| timeout | Limit czasu zadania automatycznego uczenia maszynowego. | ciąg |
ImageModelSettingsClassification
| Nazwa | Opis | Wartość |
|---|---|---|
| advancedSettings | Ustawienia dla zaawansowanych scenariuszy. | ciąg |
| amsGradient | Włącz narzędzie AMSGrad, gdy optymalizator ma wartość "adam" lub "adamw". | bool |
| rozszerzenia | Ustawienia dotyczące używania rozszerzeń. | ciąg |
| beta1 | Wartość "beta1", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkiem w zakresie [0, 1]. | int |
| beta2 | Wartość "beta2", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkiem w zakresie [0, 1]. | int |
| checkpointFrequency | Częstotliwość przechowywania punktów kontrolnych modelu. Musi być dodatnią liczbą całkowitą. | int |
| checkpointModel | Wstępnie wytrenowany model punktu kontrolnego na potrzeby trenowania przyrostowego. | MLFlowModelJobInput |
| checkpointRunId | Identyfikator poprzedniego przebiegu, który ma wstępnie wytrenowany punkt kontrolny na potrzeby trenowania przyrostowego. | ciąg |
| Rozproszonych | Czy należy używać trenowania rozproszonego. | bool |
| earlyStopping | Włącz logikę wczesnego zatrzymywania podczas trenowania. | bool |
| earlyStoppingDelay | Minimalna liczba epok lub ocen poprawności, które należy zaczekać przed ulepszeniem podstawowej metryki jest śledzony w celu wczesnego zatrzymania. Musi być dodatnią liczbą całkowitą. |
int |
| earlyStoppingPatience | Minimalna liczba epok lub ocen poprawności bez podstawowej poprawy metryki przed przebieg zostanie zatrzymany. Musi być dodatnią liczbą całkowitą. |
int |
| enableOnnxNormalization | Włącz normalizację podczas eksportowania modelu ONNX. | bool |
| evaluationFrequency | Częstotliwość oceniania zestawu danych weryfikacji w celu uzyskania wyników metryk. Musi być dodatnią liczbą całkowitą. | int |
| gradientAccumulationKrok | Akumulacja gradientu oznacza uruchomienie skonfigurowanej liczby kroków "GradAccumulationStep" bez aktualizowanie wag modelu podczas gromadzenia gradientów tych kroków, a następnie przy użyciu skumulowane gradienty do obliczenia aktualizacji wagi. Musi być dodatnią liczbą całkowitą. |
int |
| layersToFreeze | Liczba warstw, 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 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: Minimalna długość = 1 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 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 |
| 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" |
| logTrainingMetrics | Włącz metryki trenowania przetwarzania i rejestrowania. | "Wyłącz" "Włącz" |
| logValidationLoss | Włącz przetwarzanie i rejestrowanie utraty walidacji. | "Wyłącz" "Włącz" |
| 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. 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 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 |
| trainingMode | Tryb TrainingMode — ustawienie na wartość "auto" jest takie samo, jak ustawienie go na wartość "nieprostryzowane" na razie, jednak w przyszłości może spowodować wybór trybu mieszanego lub heurystycznego. Wartość domyślna to "auto". Jeśli opcja "Rozproszona" jest używana tylko rozproszona cechowanie, a wybrane są algorytmy rozproszone. Jeśli wybrano opcję "NonDistributed", wybrane są tylko algorytmy nie rozproszone. |
"Auto" "Rozproszony" "NonDistributed" |
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 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 do użycia w eksperymencie. | 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, Ray lub null. | Konfiguracja dystrybucji |
| environmentId | [Wymagane] Identyfikator zasobu usługi ARM specyfikacji środowiska dla zadania. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 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 |
| queueSettings | Ustawienia kolejki dla zadania | QueueSettings |
| 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 Ray 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 |
Ray
| Nazwa | Opis | Wartość |
|---|---|---|
| distributionType | [Wymagane] Określa typ struktury dystrybucji. | "Ray" (wymagany) |
| adres | Adres węzła głównego Raya. | ciąg |
| pulpit nawigacyjnyPort | Port umożliwiający powiązanie serwera pulpitu nawigacyjnego z. | int |
| headNodeAdditionalArgs | Dodatkowe argumenty przekazane do uruchamiania ray w węźle głównym. | ciąg |
| includeDashboard | Podaj ten argument, aby uruchomić graficzny interfejs użytkownika pulpitu nawigacyjnego Ray. | bool |
| port | Port procesu promienia głowy. | int |
| workerNodeAdditionalArgs | Dodatkowe argumenty przekazane do uruchamiania ray w węźle roboczym. | ciąg |
TensorFlow
| Nazwa | Opis | Wartość |
|---|---|---|
| distributionType | [Wymagane] Określa typ struktury dystrybucji. | "TensorFlow" (wymagany) |
| parametrServerCount | Liczba zadań serwera parametrów. | int |
| workerCount | Liczba procesów roboczych. Jeśli nie zostanie określony, wartość domyślna to liczba wystąpień. | int |
CommandJobEnvironmentVariables
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | ciąg |
CommandJobInputs
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | JobInput |
JobInput
| Nazwa | Opis | Wartość |
|---|---|---|
| description (opis) | Opis danych wejściowych. | ciąg |
| jobInputType | Ustawianie typu obiektu | custom_model Literału mlflow_model mltable triton_model uri_file uri_folder (wymagane) |
CustomModelJobInput
| Nazwa | Opis | Wartość |
|---|---|---|
| jobInputType | [Wymagane] Określa typ zadania. | "custom_model" (wymagane) |
| tryb | Tryb dostarczania zasobów wejściowych. | "Bezpośrednie" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
| Identyfikator uri | [Wymagane] Identyfikator URI zasobu wejściowego. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 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: Minimalna długość = 1 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: Minimalna długość = 1 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: Minimalna długość = 1 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: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
CommandJobLimits
| Nazwa | Opis | Wartość |
|---|---|---|
| jobLimitsType | [Wymagane] Typ JobLimit. | "Polecenie" "Zamiatanie" (wymagane) |
| timeout | Maksymalny czas trwania przebiegu w formacie ISO 8601, po którym zadanie zostanie anulowane. Obsługuje tylko czas trwania z dokładnością do sekund. | ciąg |
CommandJobOutputs
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | JobOutput |
LabelingJobProperties
| Nazwa | Opis | Wartość |
|---|---|---|
| Componentid | Identyfikator zasobu usługi ARM zasobu składnika. | ciąg |
| computeId | Identyfikator zasobu usługi ARM zasobu obliczeniowego. | ciąg |
| dataConfiguration | Konfiguracja danych używanych w zadaniu. | LabelingDataConfiguration |
| description (opis) | Tekst opisu zasobu. | ciąg |
| displayName | Nazwa wyświetlana zadania. | ciąg |
| experimentName | Nazwa eksperymentu, do którego należy zadanie. Jeśli nie zostanie ustawione, zadanie zostanie umieszczone w eksperymencie "Domyślny". | ciąg |
| identity | Konfiguracja tożsamości. W przypadku ustawienia powinna to być jedna z wartości AmlToken, ManagedIdentity, UserIdentity lub null. Wartość domyślna to AmlToken, jeśli ma wartość null. |
Identityconfiguration |
| isArchived | Czy zasób jest archiwizowany? | bool |
| jobInstructions | Instrukcje dotyczące etykietowania zadania. | LabelingJobInstructions |
| jobType | [Wymagane] Określa typ zadania. | "AutoML" "Polecenie" "Etykietowanie" "Potok" "Spark" "Zamiatanie" (wymagane) |
| labelCategories | Etykieta kategorii zadania. | LabelingJobLabelCategories |
| labelingJobMediaProperties | Właściwości specyficzne dla nośnika w zadaniu. | LabelingJobMediaProperties |
| mlAssistConfiguration | Konfiguracja funkcji MLAssist w zadaniu. | MlAssistConfiguration |
| notificationSetting | Ustawienie powiadomień dla zadania | NotificationSetting |
| properties | Słownik właściwości elementu zawartości. | Właściwości bazy danych zasobów |
| secretsConfiguration | Konfiguracja wpisów tajnych, które mają być udostępniane w czasie wykonywania. | JobBaseSecretsConfiguration |
| services | Lista punktów końcowych zadań. W przypadku zadań lokalnych punkt końcowy zadania będzie miał wartość punktu końcowego FileStreamObject. |
JobBaseServices |
| tags | Słownik tagów. Tagi można dodawać, usuwać i aktualizować. | object |
LabelingDataConfiguration
| Nazwa | Opis | Wartość |
|---|---|---|
| dataId | Identyfikator zasobu danych do wykonania etykietowania. | ciąg |
| incrementalDataRefresh | Wskazuje, czy włączyć odświeżanie danych przyrostowych. | "Wyłączone" "Włączone" |
LabelingJobInstructions
| Nazwa | Opis | Wartość |
|---|---|---|
| Identyfikator uri | Link do strony ze szczegółowymi instrukcjami etykietowania dla etykiet. | ciąg |
LabelingJobLabelCategories
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | EtykietaKategory | |
| {niestandardowa właściwość} | EtykietaKategory |
EtykietaKategory
| Nazwa | Opis | Wartość |
|---|---|---|
| Klasy | Słownik klas etykiet w tej kategorii. | LabelCategoryClasses |
| displayName | Nazwa wyświetlana kategorii etykiet. | ciąg |
| Multiselect | Wskazuje, czy można wybrać wiele klas w tej kategorii. | "Wyłączone" "Włączone" |
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: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
| trainingComputeBinding | [Wymagane] Powiązanie obliczeniowe AML używane podczas trenowania. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 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 |
Zadanie SparkJob
| Nazwa | Opis | Wartość |
|---|---|---|
| jobType | [Wymagane] Określa typ zadania. | "Spark" (wymagane) |
| Archiwum | Archiwizuj pliki używane w zadaniu. | ciąg[] |
| args | Argumenty zadania. | ciąg |
| codeId | [Wymagane] Identyfikator zasobu usługi ARM zasobu kodu. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 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 |
| environmentVariables | Zmienne środowiskowe uwzględnione w zadaniu. | SparkJobEnvironmentVariables |
| 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[] |
| queueSettings | Ustawienia kolejki dla zadania | QueueSettings |
| 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_] |
SparkJobEnvironmentVariables
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | ciąg |
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) |
| componentConfiguration | Konfiguracja składnika do zamiatania składnika | Konfiguracja składnika |
| 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 |
| queueSettings | Ustawienia kolejki dla zadania | QueueSettings |
| zasoby | Konfiguracja zasobów obliczeniowych dla zadania. | JobResourceConfiguration |
| 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) |
Konfiguracja składnika
| Nazwa | Opis | Wartość |
|---|---|---|
| pipelineSettings | Ustawienia potoku, takie jak ContinueRunOnStepFailure itp. |
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: Minimalna długość = 1 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) |
| logbase | Opcjonalna liczba dodatnia lub e w formacie ciągu, który ma być używany jako podstawa do próbkowania losowego opartego na dzienniku | ciąg |
| 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: Minimalna długość = 1 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 |
CreateMonitorAction
| Nazwa | Opis | Wartość |
|---|---|---|
| actionType | [Wymagane] Określa typ akcji harmonogramu | "CreateMonitor" (wymagane) |
| monitorDefinition | [Wymagane] Definiuje monitor. | MonitorDefinition (wymagane) |
MonitorDefinition
| Nazwa | Opis | Wartość |
|---|---|---|
| alertNotificationSettings | Ustawienia powiadomień monitora. | MonitorNotificationSettings |
| computeConfiguration | [Wymagane] Identyfikator zasobu usługi ARM zasobu obliczeniowego do uruchomienia zadania monitorowania. | MonitorComputeConfigurationBase (wymagane) |
| monitoringTarget | Identyfikator zasobu usługi ARM modelu lub wdrożenia objętego tym monitorem. | MonitoringTarget |
| Sygnały | [Wymagane] Sygnały do monitorowania. | MonitorDefinitionSignals (wymagane) |
MonitorNotificationSettings
| Nazwa | Opis | Wartość |
|---|---|---|
| emailNotificationSettings | Ustawienia poczty e-mail powiadomień usługi AML. | MonitorEmailNotificationSettings |
MonitorEmailNotificationSettings
| Nazwa | Opis | Wartość |
|---|---|---|
| Wiadomości e-mail | Jest to lista adresatów poczty e-mail, która ma łącznie 499 znaków. | ciąg[] |
MonitorComputeConfigurationBase
| Nazwa | Opis | Wartość |
|---|---|---|
| computeType | Ustawianie typu obiektu | ServerlessSpark (wymagane) |
MonitorServerlessSparkCompute
| Nazwa | Opis | Wartość |
|---|---|---|
| computeType | [Wymagane] Określa typ sygnału do monitorowania. | "ServerlessSpark" (wymagane) |
| computeIdentity | [Wymagane] Schemat tożsamości, do których korzystają zadania platformy Spark uruchomione na bezserwerowej platformie Spark. | MonitorComputeIdentityBase (wymagane) |
| Instancetype | [Wymagane] Typ wystąpienia, w którym uruchomiono zadanie platformy Spark. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
| runtimeVersion | [Wymagane] Wersja środowiska uruchomieniowego platformy Spark. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
MonitorComputeIdentityBase
| Nazwa | Opis | Wartość |
|---|---|---|
| computeIdentityType | Ustawianie typu obiektu | Token AmlToken ManagedIdentity (wymagane) |
AmlTokenComputeIdentity
| Nazwa | Opis | Wartość |
|---|---|---|
| computeIdentityType | [Wymagane] Monitoruj wyliczenie typu tożsamości obliczeniowej. | "AmlToken" (wymagane) |
ManagedComputeIdentity
| Nazwa | Opis | Wartość |
|---|---|---|
| computeIdentityType | [Wymagane] Monitoruj wyliczenie typu tożsamości obliczeniowej. | "ManagedIdentity" (wymagane) |
| identity | Tożsamość usługi zarządzanej (tożsamości przypisane przez system i/lub przypisane przez użytkownika) | ManagedServiceIdentity |
ManagedServiceIdentity
| Nazwa | Opis | Wartość |
|---|---|---|
| typ | Typ tożsamości usługi zarządzanej (gdzie dozwolone są typy SystemAssigned i UserAssigned). | "SystemAssigned" "SystemAssigned,UserAssigned" "UserAssigned" (wymagane) |
| identity_ids | Zestaw tożsamości przypisanych przez użytkownika skojarzonych z zasobem. Klucze słownika userAssignedIdentities będą identyfikatorami zasobów usługi ARM w postaci: "/subscriptions/{subscriptionId}/resourceGroups/{resourceGroupName}/providers/Microsoft.ManagedIdentity/userAssignedIdentities/{identityName}. Wartości słownika mogą być pustymi obiektami ({}) w żądaniach. | Tablica identyfikatorów tożsamości użytkowników. |
UserAssignedIdentities
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | UserAssignedIdentity |
UserAssignedIdentity
Ten obiekt nie zawiera żadnych właściwości do ustawienia podczas wdrażania. Wszystkie właściwości to ReadOnly.
MonitoringTarget
| Nazwa | Opis | Wartość |
|---|---|---|
| identyfikator wdrożenia | Identyfikator zasobu usługi ARM wdrożenia objętego tym monitorem. | ciąg |
| modelId | Identyfikator zasobu usługi ARM dla dowolnego modelu objętego tym monitorem. | ciąg |
| Tasktype | [Wymagane] Typ zadania uczenia maszynowego modelu. | "Klasyfikacja" "QuestionAnswering" "Regresja" (wymagana) |
MonitorDefinitionSignals
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | MonitoringSignalBase |
MonitoringSignalBase
| Nazwa | Opis | Wartość |
|---|---|---|
| notificationTypes | Bieżący tryb powiadomień dla tego sygnału. | Tablica ciągów zawierająca dowolną z: "AmlNotification" "AzureMonitor" |
| properties | Słownik właściwości. Właściwości można dodać, ale nie usuwać ani zmieniać. | MonitoringSignalBaseProperties |
| signalType | Ustawianie typu obiektu | Niestandardowe DataDrift DataQuality FeatureAttributionDrift GenerationSafetyQuality GenerationTokenStatistics ModelPerformance PredictionDrift (wymagane) |
MonitoringSignalBaseProperties
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | ciąg |
CustomMonitoringSignal
| Nazwa | Opis | Wartość |
|---|---|---|
| signalType | [Wymagane] Określa typ sygnału do monitorowania. | "Niestandardowe" (wymagane) |
| Componentid | [Wymagane] Identyfikator zasobu usługi ARM zasobu składnika używanego do obliczania metryk niestandardowych. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
| inputAssets | Monitorowanie zasobów do uwzględnienia jako danych wejściowych. Klucz to nazwa portu wejściowego składnika, wartość to zasób danych. | CustomMonitoringSignalInputAssets |
| Wejścia | Dodatkowe parametry składnika do uwzględnienia jako dane wejściowe. Klucz to nazwa portu wejściowego literału składnika, wartość to wartość parametru. | CustomMonitoringSignalInputs |
| metricThresholds | [Wymagane] Lista metryk do obliczenia i skojarzonych z nimi progów. | CustomMetricThreshold[] (wymagane) |
| workspaceConnection | [Wymagane] Lista metryk do obliczenia i skojarzonych z nimi progów. | MonitoringWorkspaceConnection (wymagane) |
CustomMonitoringSignalInputAssets
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | MonitoringInputDataBase |
MonitoringInputDataBase
| Nazwa | Opis | Wartość |
|---|---|---|
| columns | Mapowanie nazw kolumn na specjalne zastosowania. | MonitoringInputDataBaseColumns |
| Datacontext | Metadane kontekstu źródła danych. | ciąg |
| jobInputType | [Wymagane] Określa typ zadania. | "custom_model" "literał" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (wymagane) |
| Identyfikator uri | [Wymagane] Identyfikator URI elementu zawartości wejściowej. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
| inputDataType | Ustawianie typu obiektu | Stały Toczenia Statyczne (wymagane) |
MonitoringInputDataBaseColumns
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | ciąg |
FixedInputData
| Nazwa | Opis | Wartość |
|---|---|---|
| inputDataType | [Wymagane] Określa typ sygnału do monitorowania. | "Naprawiono" (wymagane) |
RollingInputData
| Nazwa | Opis | Wartość |
|---|---|---|
| inputDataType | [Wymagane] Określa typ sygnału do monitorowania. | "Rolling" (wymagane) |
| preprocessingComponentId | Identyfikator zasobu usługi ARM zasobu składnika używanego do wstępnego przetwarzania danych. | ciąg |
| windowOffset | [Wymagane] Przesunięcie czasu między końcem okna danych a bieżącym czasem wykonywania monitora. | ciąg (wymagany) |
| windowSize | [Wymagane] Rozmiar okna danych końcowych. | ciąg (wymagany) |
StaticInputData
| Nazwa | Opis | Wartość |
|---|---|---|
| inputDataType | [Wymagane] Określa typ sygnału do monitorowania. | "Static" (wymagane) |
| preprocessingComponentId | Identyfikator zasobu usługi ARM zasobu składnika używanego do wstępnego przetwarzania danych. | ciąg |
| windowEnd | [Wymagane] Data zakończenia okna danych. | ciąg (wymagany) |
| oknoStart | [Wymagane] Data rozpoczęcia okna danych. | ciąg (wymagany) |
CustomMonitoringSignalInputs
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | JobInput |
CustomMetricThreshold
| Nazwa | Opis | Wartość |
|---|---|---|
| Metryka | [Wymagane] Metryka zdefiniowana przez użytkownika do obliczenia. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
| Próg | Wartość progowa. Jeśli wartość null, zostanie ustawiona wartość domyślna w zależności od wybranej metryki. | MonitoringThreshold |
MonitoringThreshold
| Nazwa | Opis | Wartość |
|---|---|---|
| wartość | Wartość progowa. Jeśli wartość null, ustawienie domyślne jest zależne od typu metryki. | int |
MonitorowanieWorkspaceConnection
| Nazwa | Opis | Wartość |
|---|---|---|
| environmentVariables | Właściwości połączenia usługi obszaru roboczego do przechowywania jako zmiennych środowiskowych w przesłanych zadaniach. Klucz to ścieżka właściwości połączenia obszaru roboczego, nazwa to klucz zmiennej środowiskowej. |
MonitoringWorkspaceConnectionEnvironmentVariables |
| wpisy tajne | Właściwości połączenia usługi obszaru roboczego do przechowywania jako wpisów tajnych w przesłanych zadaniach. Klucz to ścieżka właściwości połączenia obszaru roboczego, nazwa to klucz tajny. |
MonitoringWorkspaceConnectionSecrets |
MonitoringWorkspaceConnectionEnvironmentVariables
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | ciąg |
MonitoringWorkspaceConnectionSecrets
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | ciąg |
DataDriftMonitoringSignal
| Nazwa | Opis | Wartość |
|---|---|---|
| signalType | [Wymagane] Określa typ sygnału do monitorowania. | "DataDrift" (wymagane) |
| dataSegment | Segment danych używany do określania zakresu w podzestawie populacji danych. | MonitoringDataSegment |
| featureDataTypeOverride | Słownik mapujący nazwy funkcji na odpowiednie typy danych. | DataDriftMonitoringSignalFeatureDataTypeOverride |
| featureImportanceSettings | Ustawienia dotyczące znaczenia funkcji przetwarzania. | FeatureImportanceSettings |
| funkcje | Filtr funkcji określający, która funkcja ma obliczyć dryf. | MonitoringFeatureFilterBase |
| metricThresholds | [Wymagane] Lista metryk do obliczenia i skojarzonych z nimi progów. | DataDriftMetricThresholdBase[] (wymagane) |
| productionData | [Wymagane] Dane, dla których będzie obliczany dryf. | MonitoringInputDataBase (wymagane) |
| referenceData | [Wymagane] Dane do obliczenia dryfu względem. | MonitoringInputDataBase (wymagane) |
MonitoringDataSegment
| Nazwa | Opis | Wartość |
|---|---|---|
| funkcja | Funkcja do segmentowania danych. | ciąg |
| values | Filtruje tylko określone wartości danej funkcji segmentowanej. | ciąg[] |
DataDriftMonitoringSignalFeatureDataTypeOverride
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | "Kategorialne" "Numeryczne" |
FeatureImportanceSettings
| Nazwa | Opis | Wartość |
|---|---|---|
| tryb | Tryb działania dla znaczenia funkcji obliczeniowej. | "Wyłączone" "Włączone" |
| targetColumn | Nazwa kolumny docelowej w zasobie danych wejściowych. | ciąg |
MonitoringFeatureFilterBase
| Nazwa | Opis | Wartość |
|---|---|---|
| Filtertype | Ustawianie typu obiektu | AllFeatures FeatureSubset TopNByAttribution (wymagane) |
AllFeatures
| Nazwa | Opis | Wartość |
|---|---|---|
| Filtertype | [Wymagane] Określa filtr funkcji do wykorzystania podczas wybierania funkcji do obliczania metryk. | "AllFeatures" (wymagane) |
FeatureSubset
| Nazwa | Opis | Wartość |
|---|---|---|
| Filtertype | [Wymagane] Określa filtr funkcji do wykorzystania podczas wybierania funkcji do obliczania metryk. | "FeatureSubset" (wymagane) |
| funkcje | [Wymagane] Lista funkcji do uwzględnienia. | string[] (wymagane) |
TopNFeaturesByAttribution
| Nazwa | Opis | Wartość |
|---|---|---|
| Filtertype | [Wymagane] Określa filtr funkcji do wykorzystania podczas wybierania funkcji do obliczania metryk. | "TopNByAttribution" (wymagane) |
| top (pierwsze) | Liczba najważniejszych funkcji do uwzględnienia. | int |
DataDriftMetricThresholdBase
| Nazwa | Opis | Wartość |
|---|---|---|
| Próg | Wartość progowa. Jeśli wartość null, zostanie ustawiona wartość domyślna w zależności od wybranej metryki. | MonitoringThreshold |
| dataType | Ustawianie typu obiektu | Podzielone na kategorie Numeryczne (wymagane) |
KategoricalDataDriftMetricThreshold
| Nazwa | Opis | Wartość |
|---|---|---|
| dataType | [Wymagane] Określa typ danych progu metryki. | "Kategorialne" (wymagane) |
| Metryka | [Wymagane] Metryka dryfu danych kategorii do obliczenia. | "JensenShannonDistance" "PearsonsChiSquaredTest" "PopulationStabilityIndex" (wymagany) |
WartośćnumerycznyDataDriftMetricThreshold
| Nazwa | Opis | Wartość |
|---|---|---|
| dataType | [Wymagane] Określa typ danych progu metryki. | "Numeryczne" (wymagane) |
| Metryka | [Wymagane] Metryka dryfu danych liczbowych do obliczenia. | "JensenShannonDistance" "NormalizedWassersteinDistance" "PopulationStabilityIndex" "TwoSampleKolmogorovSmirnovTest" (wymagane) |
DataQualityMonitoringSignal
| Nazwa | Opis | Wartość |
|---|---|---|
| signalType | [Wymagane] Określa typ sygnału do monitorowania. | "DataQuality" (wymagane) |
| featureDataTypeOverride | Słownik mapujący nazwy funkcji na odpowiednie typy danych. | DataQualityMonitoringSignalFeatureDataTypeOverride |
| featureImportanceSettings | Ustawienia dotyczące znaczenia funkcji przetwarzania. | FeatureImportanceSettings |
| funkcje | Funkcje do obliczania dryfu. | MonitoringFeatureFilterBase |
| metricThresholds | [Wymagane] Lista metryk do obliczenia i skojarzonych z nimi progów. | DataQualityMetricThresholdBase[] (wymagane) |
| productionData | [Wymagane] Dane generowane przez usługę produkcyjną, dla której będzie obliczany dryf. | MonitoringInputDataBase (wymagane) |
| referenceData | [Wymagane] Dane do obliczenia dryfu względem. | MonitoringInputDataBase (wymagane) |
DataQualityMonitoringSignalFeatureDataTypeOverride
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | "Kategorialne" "Numeryczne" |
DataQualityMetricThresholdBase
| Nazwa | Opis | Wartość |
|---|---|---|
| Próg | Wartość progowa. Jeśli wartość null, zostanie ustawiona wartość domyślna w zależności od wybranej metryki. | MonitoringThreshold |
| dataType | Ustawianie typu obiektu | Podzielone na kategorie Numeryczne (wymagane) |
CategoryegoricalDataQualityMetricThreshold
| Nazwa | Opis | Wartość |
|---|---|---|
| dataType | [Wymagane] Określa typ danych progu metryki. | "Kategorialne" (wymagane) |
| Metryka | [Wymagane] Metryka jakości danych kategorii do obliczenia. | "DataTypeErrorRate" "NullValueRate" "OutOfBoundsRate" (wymagane) |
Wartości liczboweDataQualityMetricThreshold
| Nazwa | Opis | Wartość |
|---|---|---|
| dataType | [Wymagane] Określa typ danych progu metryki. | "Numeryczne" (wymagane) |
| Metryka | [Wymagane] Metryka jakości danych liczbowych do obliczenia. | "DataTypeErrorRate" "NullValueRate" "OutOfBoundsRate" (wymagane) |
FeatureAttributionDriftMonitoringSignal
| Nazwa | Opis | Wartość |
|---|---|---|
| signalType | [Wymagane] Określa typ sygnału do monitorowania. | "FeatureAttributionDrift" (wymagane) |
| featureDataTypeOverride | Słownik mapujący nazwy funkcji na odpowiednie typy danych. | FeatureAttributionDriftMonitoringSignalFeatureDataTy... |
| featureImportanceSettings | Ustawienia dotyczące znaczenia funkcji przetwarzania. | FeatureImportanceSettings |
| metricThreshold | [Wymagane] Lista metryk do obliczenia i skojarzonych z nimi progów. | FeatureAttributionMetricThreshold (wymagane) |
| productionData | [Wymagane] Dane, dla których będzie obliczany dryf. | MonitoringInputDataBase[] (wymagane) |
| referenceData | [Wymagane] Dane do obliczenia dryfu względem. | MonitoringInputDataBase (wymagane) |
FeatureAttributionDriftMonitoringSignalFeatureDataTy...
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | "Kategorialne" "Numeryczne" |
FeatureAttributionMetricThreshold
| Nazwa | Opis | Wartość |
|---|---|---|
| Metryka | [Wymagane] Metryka przypisywania cech do obliczenia. | "NormalizedDiscountedCumulativeGain" (wymagane) |
| Próg | Wartość progowa. Jeśli wartość null, zostanie ustawiona wartość domyślna w zależności od wybranej metryki. | MonitoringThreshold |
GenerationSafetyQualityMonitoringSignal
| Nazwa | Opis | Wartość |
|---|---|---|
| signalType | [Wymagane] Określa typ sygnału do monitorowania. | "GenerationSafetyQuality" (wymagane) |
| metricThresholds | [Wymagane] Pobiera lub ustawia metryki w celu obliczenia i odpowiednich progów. | GenerationSafetyQualityMetricThreshold[] (wymagane) |
| productionData | Pobiera lub ustawia dane produkcyjne dla metryk obliczeniowych. | MonitoringInputDataBase[] |
| samplingRate | [Wymagane] Częstotliwość próbkowania danych produkcyjnych powinna być większa niż 0 i maksymalnie 1. | int (wymagane) |
| workspaceConnectionId | Pobiera lub ustawia identyfikator połączenia obszaru roboczego używany do nawiązywania połączenia z punktem końcowym generowania zawartości. | ciąg |
GenerationSafetyQualityMetricThreshold
| Nazwa | Opis | Wartość |
|---|---|---|
| Metryka | [Wymagane] Pobiera lub ustawia metryki przypisania funkcji do obliczenia. | "AcceptableCoherenceScorePerInstance" "AcceptableFluencyScorePerInstance" "AcceptableGroundednessScorePerInstance" "AcceptableRelevanceScorePerInstance" "AcceptableSimilarityScorePerInstance" "AggregatedCoherencePassRate" "AggregatedFluencyPassRate" "AggregatedGroundednessPassRate" "AggregatedRelevancePassRate" "AggregatedSimilarityPassRate" (wymagane) |
| Próg | Pobiera lub ustawia wartość progową. Jeśli wartość null, zostanie ustawiona wartość domyślna w zależności od wybranej metryki. |
MonitoringThreshold |
GenerationTokenUsageSignal
| Nazwa | Opis | Wartość |
|---|---|---|
| signalType | [Wymagane] Określa typ sygnału do monitorowania. | "GenerationTokenStatistics" (wymagane) |
| metricThresholds | [Wymagane] Pobiera lub ustawia metryki w celu obliczenia i odpowiednich progów. | GenerationTokenUsageMetricThreshold[] (wymagane) |
| productionData | Pobiera lub ustawia dane produkcyjne dla metryk obliczeniowych. | MonitoringInputDataBase[] |
| samplingRate | [Wymagane] Częstotliwość próbkowania danych produkcyjnych powinna być większa niż 0 i maksymalnie 1. | int (wymagane) |
GenerationTokenUsageMetricThreshold
| Nazwa | Opis | Wartość |
|---|---|---|
| Metryka | [Wymagane] Pobiera lub ustawia metryki przypisania funkcji do obliczenia. | "TotalTokenCount" "TotalTokenCountPerGroup" (wymagane) |
| Próg | Pobiera lub ustawia wartość progową. Jeśli wartość null, zostanie ustawiona wartość domyślna w zależności od wybranej metryki. |
MonitoringThreshold |
ModelPerformanceSignal
| Nazwa | Opis | Wartość |
|---|---|---|
| signalType | [Wymagane] Określa typ sygnału do monitorowania. | "ModelPerformance" (wymagane) |
| dataSegment | Segment danych. | MonitoringDataSegment |
| metricThreshold | [Wymagane] Lista metryk do obliczenia i skojarzonych z nimi progów. | ModelPerformanceMetricThresholdBase (wymagane) |
| productionData | [Wymagane] Dane generowane przez usługę produkcyjną, dla których zostanie obliczona wydajność. | MonitoringInputDataBase[] (wymagane) |
| referenceData | [Wymagane] Dane referencyjne używane jako podstawa do obliczania wydajności modelu. | MonitoringInputDataBase (wymagane) |
ModelPerformanceMetricThresholdBase
| Nazwa | Opis | Wartość |
|---|---|---|
| Próg | Wartość progowa. Jeśli wartość null, zostanie ustawiona wartość domyślna w zależności od wybranej metryki. | MonitoringThreshold |
| modelType | Ustawianie typu obiektu | Klasyfikacji Regresja (wymagana ) |
ClassificationModelPerformanceMetricThreshold
| Nazwa | Opis | Wartość |
|---|---|---|
| modelType | [Wymagane] Określa typ danych progu metryki. | "Klasyfikacja" (wymagana) |
| Metryka | [Wymagane] Wydajność modelu klasyfikacji do obliczenia. | "Dokładność" "Precyzja" "Odwołaj" (wymagane) |
RegressionModelPerformanceMetricThreshold
| Nazwa | Opis | Wartość |
|---|---|---|
| modelType | [Wymagane] Określa typ danych progu metryki. | "Regresja" (wymagana) |
| Metryka | [Wymagane] Metryka wydajności modelu regresji do obliczenia. | "MeanAbsoluteError" "MeanSquaredError" "RootMeanSquaredError" (wymagane) |
PredictionDriftMonitoringSignal
| Nazwa | Opis | Wartość |
|---|---|---|
| signalType | [Wymagane] Określa typ sygnału do monitorowania. | "PredictionDrift" (wymagane) |
| featureDataTypeOverride | Słownik mapujący nazwy funkcji na odpowiednie typy danych. | PredictionDriftMonitoringSignalFeatureDataTypeOverri... |
| metricThresholds | [Wymagane] Lista metryk do obliczenia i skojarzonych z nimi progów. | PredictionDriftMetricThresholdBase[] (wymagane) |
| productionData | [Wymagane] Dane, dla których będzie obliczany dryf. | MonitoringInputDataBase (wymagane) |
| referenceData | [Wymagane] Dane do obliczenia dryfu względem. | MonitoringInputDataBase (wymagane) |
PredictionDriftMonitoringSignalFeatureDataTypeOverri...
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | "Kategorialne" "Numeryczne" |
PredictionDriftMetricThresholdBase
| Nazwa | Opis | Wartość |
|---|---|---|
| Próg | Wartość progowa. Jeśli wartość null, zostanie ustawiona wartość domyślna w zależności od wybranej metryki. | MonitoringThreshold |
| dataType | Ustawianie typu obiektu | Podzielone na kategorie Numeryczne (wymagane) |
KategorialnyPredictionDriftMetricThreshold
| Nazwa | Opis | Wartość |
|---|---|---|
| dataType | [Wymagane] Określa typ danych progu metryki. | "Kategorialne" (wymagane) |
| Metryka | [Wymagane] Metryka dryfu przewidywania podzielonego na kategorie do obliczenia. | "JensenShannonDistance" "PearsonsChiSquaredTest" "PopulationStabilityIndex" (wymagany) |
WartośćnumerycznyPredictionDriftMetricThreshold
| Nazwa | Opis | Wartość |
|---|---|---|
| dataType | [Wymagane] Określa typ danych progu metryki. | "Numeryczne" (wymagane) |
| Metryka | [Wymagane] Metryka dryfu przewidywania liczbowego do obliczenia. | "JensenShannonDistance" "NormalizedWassersteinDistance" "PopulationStabilityIndex" "TwoSampleKolmogorovSmirnovTest" (wymagane) |
ImportDataAction
| Nazwa | Opis | Wartość |
|---|---|---|
| actionType | [Wymagane] Określa typ akcji harmonogramu | "ImportData" (wymagane) |
| dataImportDefinition | [Wymagane] Definiuje szczegóły definicji akcji harmonogramu. | DataImport (wymagane) |
DaneImportuj
| Nazwa | Opis | Wartość |
|---|---|---|
| assetName | Nazwa zasobu zadania importowania danych do utworzenia | ciąg |
| autoDeleteSetting | Określa ustawienie cyklu życia zarządzanego zasobu danych. | AutoDeleteSetting |
| dataType | [Wymagane] Określa typ danych. | "mltable" "uri_file" "uri_folder" (wymagane) |
| dataUri | [Wymagane] Identyfikator URI danych. Przykład: https://go.microsoft.com/fwlink/?linkid=2202330 |
ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
| description (opis) | Tekst opisu zasobu. | ciąg |
| intellectualProperty | Szczegóły własności intelektualnej. Używane, jeśli dane są własnością intelektualną. | Własność intelektualna |
| Isanonymous | Jeśli wersja nazwy jest generowana przez system (rejestracja anonimowa). W przypadku typów, w których jest definiowany etap, po podaniu etapu zostanie on użyty do wypełnienia isanonymous | bool |
| isArchived | Czy zasób jest zarchiwizowane? W przypadku typów, w których jest definiowany etap, po podaniu etapu zostanie on użyty do wypełnienia elementu IsArchived | bool |
| properties | Słownik właściwości elementu zawartości. | ResourceBaseProperties |
| source | Dane źródłowe elementu zawartości do zaimportowania z | DataImportSource |
| etap | Etap w cyklu życia danych przypisanym do tego zasobu danych | ciąg |
| tags | Tag słownika. Tagi można dodawać, usuwać i aktualizować. | object |
Własność intelektualna
| Nazwa | Opis | Wartość |
|---|---|---|
| Protectionlevel | Poziom ochrony własności intelektualnej. | "Wszystkie" "Brak" |
| publisher | [Wymagane] Wydawca własności intelektualnej. Musi być taka sama jak nazwa wydawcy rejestru. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
DataImportSource
| Nazwa | Opis | Wartość |
|---|---|---|
| połączenie | Połączenie obszaru roboczego dla magazynu źródłowego importu danych | ciąg |
| Sourcetype | Ustawianie typu obiektu | Bazy danych file_system (wymagane) |
DatabaseSource
| Nazwa | Opis | Wartość |
|---|---|---|
| Sourcetype | [Wymagane] Określa typ danych. | "baza danych" (wymagana) |
| query | Instrukcja SQL Query dla źródła importu danych Database | ciąg |
| Storedprocedure | Sql StoredProcedure w źródle importu danych | ciąg |
| storedProcedureParams | Parametry storedProcedure sql | DatabaseSourceStoredProcedureParamsItem[] |
| tableName | Nazwa tabeli w źródle importu danych | ciąg |
DatabaseSourceStoredProcedureParamsItem
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | ciąg |
FileSystemSource
| Nazwa | Opis | Wartość |
|---|---|---|
| Sourcetype | [Wymagane] Określa typ danych. | "file_system" (wymagane) |
| path | Ścieżka dotycząca źródła importu systemu plików | ciąg |
EndpointScheduleAction
| Nazwa | Opis | Wartość |
|---|---|---|
| actionType | [Wymagane] Określa typ akcji harmonogramu | "InvokeBatchEndpoint" (wymagane) |
| endpointInvocationDefinition | [Wymagane] Definiuje szczegóły definicji akcji harmonogramu. {see href="TBD" /} |
Triggerbase
| Nazwa | Opis | Wartość |
|---|---|---|
| endTime | Określa godzinę zakończenia harmonogramu w iso 8601, ale bez przesunięcia UTC. Zobacz https://en.wikipedia.org/wiki/ISO_8601.Format ponownego komentarza to "2022-06-01T00:00:01" Jeśli nie istnieje, harmonogram będzie uruchamiany w nieskończoność |
ciąg |
| startTime | Określa godzinę rozpoczęcia harmonogramu w formacie ISO 8601, ale bez przesunięcia UTC. | ciąg |
| timeZone | Określa strefę czasową, w której jest uruchamiany harmonogram. Strefa czasowa powinna być zgodna z formatem strefy czasowej systemu Windows. Zapoznaj się z: https://docs.microsoft.com/windows-hardware/manufacture/desktop/default-time-zones /> |
ciąg |
| triggerType | Ustawianie typu obiektu | Cron Cykl (wymagany) |
CronTrigger
| Nazwa | Opis | Wartość |
|---|---|---|
| triggerType | [Wymagane] | "Cron" (wymagane) |
| expression | [Wymagane] Określa wyrażenie cron harmonogramu. Wyrażenie powinno być zgodne z formatem NCronTab. |
ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
RecurrenceTrigger
| Nazwa | Opis | Wartość |
|---|---|---|
| endTime | Określa godzinę zakończenia harmonogramu w iso 8601, ale bez przesunięcia UTC. Zobacz https://en.wikipedia.org/wiki/ISO_8601.Format ponownego komentarza to "2022-06-01T00:00:01" Jeśli nie istnieje, harmonogram będzie uruchamiany w nieskończoność |
ciąg |
| frequency | [Wymagane] Częstotliwość wyzwalania harmonogramu. | "Dzień" "Godzina" "Minuta" "Miesiąc" "Tydzień" (wymagany) |
| interval | [Wymagane] Określa interwał harmonogramu w połączeniu z częstotliwością | int (wymagane) |
| schedule | Harmonogram cyklu. | Cyklschedule |
| startTime | Określa godzinę rozpoczęcia harmonogramu w formacie ISO 8601, ale bez przesunięcia UTC. | ciąg |
| timeZone | Określa strefę czasową, w której jest uruchamiany harmonogram. Strefa czasowa powinna być zgodna z formatem strefy czasowej systemu Windows. Zobacz https://docs.microsoft.com/windows-hardware/manufacture/desktop/default-time-zones |
ciąg |
| triggerType | [Wymagane] | "Cron" "Cykl" (wymagany) |
Cyklschedule
| Nazwa | Opis | Wartość |
|---|---|---|
| godziny | [Wymagane] Lista godzin dla harmonogramu. | int[] (wymagane) |
| minutes | [Wymagane] Lista minut dla harmonogramu. | int[] (wymagane) |
| monthDays | Lista dni miesiąca dla harmonogramu | int[] |
| weekDays | Lista dni dla harmonogramu. | Tablica ciągów zawierająca dowolną z: "Piątek" "Poniedziałek" "Sobota" "Niedziela" "Czwartek" "Wtorek" "Środa" |
Opinia
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: https://aka.ms/ContentUserFeedback.
Prześlij i wyświetl opinię dla