Obszary robocze/zadania Microsoft.MachineLearningServices 2024-04-01-preview

• najnowsze
• 2025-04-01
• 2025-04-01-podgląd
• 2025-01-01-podgląd
• 2024-10-01
• 2024-10-01-podgląd
• 2024-07-01-podgląd
• 2024-04-01
• 2024-04-01-podgląd
• 2024-01-01-podgląd
• 2023-10-01
• 2023-08-01-preview
• 2023-06-01-podgląd
• 2023-04-01
• 2023-04-01-podgląd
• 2023-02-01-podgląd
• 2022-12-01-podgląd
• 2022-10-01
• 2022-10-01-podgląd
• 2022-06-01-podgląd
• 2022-05-01
• 2022-02-01-podgląd
• 2021-03-01-podgląd

Definicja zasobu Bicep

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

• grupy zasobów — zobacz polecenia wdrażania grupy zasobów

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

Format zasobu

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

resource symbolicname 'Microsoft.MachineLearningServices/workspaces/jobs@2024-04-01-preview' = {
  parent: resourceSymbolicName
  name: 'string'
  properties: {
    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'
    }
    secretsConfiguration: {
      {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'
        }
      }
    }
    tags: {
      {customized property}: 'string'
    }
    jobType: 'string'
    // For remaining properties, see JobBaseProperties objects
  }
}

Obiekty JobOutput

Ustaw właściwość jobOutputType , aby określić typ obiektu.

W przypadku custom_model użyj:

{
  assetName: 'string'
  assetVersion: 'string'
  autoDeleteSetting: {
    condition: 'string'
    value: 'string'
  }
  jobOutputType: 'custom_model'
  mode: 'string'
  pathOnCompute: 'string'
  uri: 'string'
}

W przypadku mlflow_model użyj:

{
  assetName: 'string'
  assetVersion: 'string'
  autoDeleteSetting: {
    condition: 'string'
    value: 'string'
  }
  jobOutputType: 'mlflow_model'
  mode: 'string'
  pathOnCompute: 'string'
  uri: 'string'
}

W przypadku metody mltable użyj:

{
  assetName: 'string'
  assetVersion: 'string'
  autoDeleteSetting: {
    condition: 'string'
    value: 'string'
  }
  jobOutputType: 'mltable'
  mode: 'string'
  pathOnCompute: 'string'
  uri: 'string'
}

W przypadku triton_model użyj:

{
  assetName: 'string'
  assetVersion: 'string'
  autoDeleteSetting: {
    condition: 'string'
    value: 'string'
  }
  jobOutputType: 'triton_model'
  mode: 'string'
  pathOnCompute: 'string'
  uri: 'string'
}

W przypadku uri_file użyj:

{
  assetName: 'string'
  assetVersion: 'string'
  autoDeleteSetting: {
    condition: 'string'
    value: 'string'
  }
  jobOutputType: 'uri_file'
  mode: 'string'
  pathOnCompute: 'string'
  uri: 'string'
}

W przypadku uri_folder użyj:

{
  assetName: 'string'
  assetVersion: 'string'
  autoDeleteSetting: {
    condition: 'string'
    value: 'string'
  }
  jobOutputType: 'uri_folder'
  mode: 'string'
  pathOnCompute: 'string'
  uri: 'string'
}

Obiekty IdentityConfiguration

Ustaw właściwość identityType , aby określić typ obiektu.

W przypadku tokenu AMLToken użyj:

{
  identityType: 'AMLToken'
}

W przypadku zarządzanychużyj:

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

W przypadku identyfikatora UserIdentity użyj:

{
  identityType: 'UserIdentity'
}

Obiekty TargetRollingWindowSize

Ustaw właściwość mode , aby określić typ obiektu.

W przypadku opcji Auto użyj:

{
  mode: 'Auto'
}

W przypadku opcji Niestandardowe użyj:

{
  mode: 'Custom'
  value: int
}

Próbkowanie ObiektówAlgorithm

Ustaw właściwość samplingAlgorithmType , aby określić typ obiektu.

W przypadku bayesianu użyj:

{
  samplingAlgorithmType: 'Bayesian'
}

W przypadku usługi Grid użyj polecenia:

{
  samplingAlgorithmType: 'Grid'
}

W przypadku funkcji Losowe użyj:

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

Obiekty JobBaseProperties

Ustaw właściwość jobType , aby określić typ obiektu.

W przypadku rozwiązania AutoML użyj:

{
  environmentId: 'string'
  environmentVariables: {
    {customized property}: 'string'
  }
  jobType: 'AutoML'
  outputs: {
    {customized property}: {
      description: 'string'
      jobOutputType: 'string'
      // For remaining properties, see JobOutput objects
    }
  }
  queueSettings: {
    jobTier: 'string'
    priority: int
  }
  resources: {
    dockerArgs: 'string'
    instanceCount: int
    instanceType: 'string'
    locations: [
      'string'
    ]
    maxInstanceCount: int
    properties: {
      {customized property}: any(...)
    }
    shmSize: 'string'
  }
  taskDetails: {
    logVerbosity: 'string'
    targetColumnName: 'string'
    trainingData: {
      description: 'string'
      jobInputType: 'string'
      mode: 'string'
      pathOnCompute: 'string'
      uri: 'string'
    }
    taskType: 'string'
    // For remaining properties, see AutoMLVertical objects
  }
}

W przypadku polecenia użyj polecenia:

{
  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
    }
  }
  jobType: 'Command'
  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(...)
    }
    shmSize: 'string'
  }
}

W przypadku funkcji FineTuning użyj:

{
  fineTuningDetails: {
    model: {
      description: 'string'
      jobInputType: 'string'
      mode: 'string'
      pathOnCompute: 'string'
      uri: 'string'
    }
    taskType: 'string'
    trainingData: {
      description: 'string'
      jobInputType: 'string'
      // For remaining properties, see JobInput objects
    }
    validationData: {
      description: 'string'
      jobInputType: 'string'
      // For remaining properties, see JobInput objects
    }
    modelProvider: 'string'
    // For remaining properties, see FineTuningVertical objects
  }
  jobType: 'FineTuning'
  outputs: {
    {customized property}: {
      description: 'string'
      jobOutputType: 'string'
      // For remaining properties, see JobOutput objects
    }
  }
}

W przypadku etykietowania użyj:

{
  dataConfiguration: {
    dataId: 'string'
    incrementalDataRefresh: 'string'
  }
  jobInstructions: {
    uri: 'string'
  }
  jobType: 'Labeling'
  labelCategories: {
    {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:

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

W przypadku platformy Spark użyj:

{
  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'
  ]
  jobType: 'Spark'
  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:

{
  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
    }
  }
  jobType: 'Sweep'
  limits: {
    jobLimitsType: 'string'
    maxConcurrentTrials: int
    maxTotalTrials: int
    timeout: 'string'
    trialTimeout: 'string'
  }
  objective: {
    goal: 'string'
    primaryMetric: 'string'
  }
  outputs: {
    {customized property}: {
      description: 'string'
      jobOutputType: 'string'
      // For remaining properties, see JobOutput objects
    }
  }
  queueSettings: {
    jobTier: 'string'
    priority: int
  }
  resources: {
    dockerArgs: 'string'
    instanceCount: int
    instanceType: 'string'
    locations: [
      'string'
    ]
    maxInstanceCount: int
    properties: {
      {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(...)
      }
      shmSize: 'string'
    }
  }
}

Obiekty autoMLVertical

Ustaw właściwość taskType , aby określić typ obiektu.

W przypadku klasyfikacji użyj:

{
  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'
  }
  taskType: 'Classification'
  testData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    pathOnCompute: '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'
    pathOnCompute: 'string'
    uri: 'string'
  }
  validationDataSize: int
  weightColumnName: 'string'
}

W przypadku prognozowania użyj:

{
  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'
  }
  taskType: 'Forecasting'
  testData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    pathOnCompute: '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'
    pathOnCompute: 'string'
    uri: 'string'
  }
  validationDataSize: int
  weightColumnName: 'string'
}

W przypadku klasyfikacji obrazu użyj:

{
  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'
      pathOnCompute: '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'
  }
  taskType: 'ImageClassification'
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    pathOnCompute: 'string'
    uri: 'string'
  }
  validationDataSize: int
}

W przypadku elementu ImageClassificationMultilabel użyj:

{
  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'
      pathOnCompute: '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'
  }
  taskType: 'ImageClassificationMultilabel'
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    pathOnCompute: 'string'
    uri: 'string'
  }
  validationDataSize: int
}

W przypadku klasy ImageInstanceSegmentation użyj:

{
  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'
      pathOnCompute: '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: 'string'
  searchSpace: [
    {
      amsGradient: 'string'
      augmentations: 'string'
      beta1: 'string'
      beta2: 'string'
      boxDetectionsPerImage: 'string'
      boxScoreThreshold: 'string'
      distributed: 'string'
      earlyStopping: 'string'
      earlyStoppingDelay: 'string'
      earlyStoppingPatience: 'string'
      enableOnnxNormalization: 'string'
      evaluationFrequency: 'string'
      gradientAccumulationStep: 'string'
      imageSize: 'string'
      layersToFreeze: 'string'
      learningRate: 'string'
      learningRateScheduler: 'string'
      maxSize: 'string'
      minSize: 'string'
      modelName: 'string'
      modelSize: 'string'
      momentum: 'string'
      multiScale: 'string'
      nesterov: 'string'
      nmsIouThreshold: 'string'
      numberOfEpochs: 'string'
      numberOfWorkers: 'string'
      optimizer: 'string'
      randomSeed: 'string'
      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'
  }
  taskType: 'ImageInstanceSegmentation'
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    pathOnCompute: 'string'
    uri: 'string'
  }
  validationDataSize: int
}

W przypadku elementu ImageObjectDetection użyj:

{
  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'
      pathOnCompute: '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: 'string'
  searchSpace: [
    {
      amsGradient: 'string'
      augmentations: 'string'
      beta1: 'string'
      beta2: 'string'
      boxDetectionsPerImage: 'string'
      boxScoreThreshold: 'string'
      distributed: 'string'
      earlyStopping: 'string'
      earlyStoppingDelay: 'string'
      earlyStoppingPatience: 'string'
      enableOnnxNormalization: 'string'
      evaluationFrequency: 'string'
      gradientAccumulationStep: 'string'
      imageSize: 'string'
      layersToFreeze: 'string'
      learningRate: 'string'
      learningRateScheduler: 'string'
      maxSize: 'string'
      minSize: 'string'
      modelName: 'string'
      modelSize: 'string'
      momentum: 'string'
      multiScale: 'string'
      nesterov: 'string'
      nmsIouThreshold: 'string'
      numberOfEpochs: 'string'
      numberOfWorkers: 'string'
      optimizer: 'string'
      randomSeed: 'string'
      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'
  }
  taskType: 'ImageObjectDetection'
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    pathOnCompute: 'string'
    uri: 'string'
  }
  validationDataSize: int
}

W przypadku regresji użyj:

{
  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'
  }
  taskType: 'Regression'
  testData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    pathOnCompute: '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'
    pathOnCompute: 'string'
    uri: 'string'
  }
  validationDataSize: int
  weightColumnName: 'string'
}

W przypadku klasyfikacji tekstu użyj:

{
  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'
  }
  taskType: 'TextClassification'
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    pathOnCompute: 'string'
    uri: 'string'
  }
}

W przypadku elementu TextClassificationMultilabel użyj:

{
  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'
  }
  taskType: 'TextClassificationMultilabel'
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    pathOnCompute: 'string'
    uri: 'string'
  }
}

W przypadku funkcji TextNER użyj:

{
  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'
  }
  taskType: 'TextNER'
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    pathOnCompute: 'string'
    uri: 'string'
  }
}

Obiekty MLAssistConfiguration

Ustaw właściwość mlAssist , aby określić typ obiektu.

W przypadku opcji Wyłączone użyj polecenia:

{
  mlAssist: 'Disabled'
}

W obszarze Włączone użyj polecenia:

{
  inferencingComputeBinding: 'string'
  mlAssist: 'Enabled'
  trainingComputeBinding: 'string'
}

Obiekty DistributionConfiguration

Ustaw właściwość distributionType , aby określić typ obiektu.

W przypadku programu Mpi użyj:

{
  distributionType: 'Mpi'
  processCountPerInstance: int
}

W przypadku rozwiązania PyTorch użyj:

{
  distributionType: 'PyTorch'
  processCountPerInstance: int
}

W przypadku raya użyj:

{
  address: 'string'
  dashboardPort: int
  distributionType: 'Ray'
  headNodeAdditionalArgs: 'string'
  includeDashboard: bool
  port: int
  workerNodeAdditionalArgs: 'string'
}

W przypadku biblioteki TensorFlow użyj:

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

Obiekty SparkJobEntry

Ustaw właściwość sparkJobEntryType , aby określić typ obiektu.

W przypadku platformy SparkJobPythonEntry użyj:

{
  file: 'string'
  sparkJobEntryType: 'SparkJobPythonEntry'
}

W przypadku elementu SparkJobScalaEntry użyj:

{
  className: 'string'
  sparkJobEntryType: 'SparkJobScalaEntry'
}

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
  ]
}

LabelingJobMediaProperties, obiekty

Ustaw właściwość mediaType , aby określić typ obiektu.

W przypadku obrazu użyj:

{
  annotationType: 'string'
  mediaType: 'Image'
}

W obszarze Tekst użyj:

{
  annotationType: 'string'
  mediaType: 'Text'
}

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 elementu webhook

Ustaw właściwość webhookType , aby określić typ obiektu.

W przypadku usługi AzureDevOps użyj:

{
  webhookType: 'AzureDevOps'
}

Obiekty EarlyTerminationPolicy

Ustaw właściwość policyType , aby określić typ obiektu.

W przypadku elementu Bandit użyj:

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

W przypadku medianStopping użyj:

{
  policyType: 'MedianStopping'
}

W przypadku narzędzia TruncationSelection użyj:

{
  policyType: 'TruncationSelection'
  truncationPercentage: int
}

Obiekty JobInput

Ustaw właściwość jobInputType , aby określić typ obiektu.

W przypadku custom_model użyj:

{
  jobInputType: 'custom_model'
  mode: 'string'
  pathOnCompute: 'string'
  uri: 'string'
}

W przypadku literału użyj:

{
  jobInputType: 'literal'
  value: 'string'
}

W przypadku mlflow_model użyj:

{
  jobInputType: 'mlflow_model'
  mode: 'string'
  pathOnCompute: 'string'
  uri: 'string'
}

W przypadku metody mltable użyj:

{
  jobInputType: 'mltable'
  mode: 'string'
  pathOnCompute: 'string'
  uri: 'string'
}

W przypadku triton_model użyj:

{
  jobInputType: 'triton_model'
  mode: 'string'
  pathOnCompute: 'string'
  uri: 'string'
}

W przypadku uri_file użyj:

{
  jobInputType: 'uri_file'
  mode: 'string'
  pathOnCompute: 'string'
  uri: 'string'
}

W przypadku uri_folder użyj:

{
  jobInputType: 'uri_folder'
  mode: 'string'
  pathOnCompute: 'string'
  uri: 'string'
}

FineTuningVertical obiektów

Ustaw właściwość modelProvider , aby określić typ obiektu.

W przypadku interfejsu AzureOpenAI użyj:

{
  hyperParameters: {
    batchSize: int
    learningRateMultiplier: int
    nEpochs: int
  }
  modelProvider: 'AzureOpenAI'
}

W przypadku opcji Niestandardowe użyj:

{
  hyperParameters: {
    {customized property}: 'string'
  }
  modelProvider: 'Custom'
}

Obiekty węzłów

Ustaw właściwość nodesValueType , aby określić typ obiektu.

W przypadku opcji Wszystkie użyj polecenia:

{
  nodesValueType: 'All'
}

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
}

Wartości właściwości

Microsoft.MachineLearningServices/workspaces/jobs

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

Wszystkie węzły

Nazwa	Opis	Wartość
nodesValueType (typ wartości)	[Wymagane] Typ wartości Węzły	"Wszystkie" (wymagane)

Token AML

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

Ustawienie automatycznego usuwania

Nazwa	Opis	Wartość
warunek / stan / kondycja (select according to the specific context)	Kiedy sprawdzić, czy zasób wygasł	"CreatedGreaterThan" "LastAccessedGreaterThan"
wartość	Wartość warunku wygaśnięcia.	ciąg

Horyzont automatycznej prognozy

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

Ustawienia autologgera

Nazwa	Opis	Wartość
mlflowAutologger (Rejestrator Automatyczny)	[Wymagane] Wskazuje, czy jest włączony autologer mlflow.	"Wyłączone" "Włączone" (wymagane)

AutoMLJob

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

AutoMLJobEnvironmentVariables (Zmienne środowiskowe AutoMLJobEnvironmentVariables)

Nazwa	Opis	Wartość

AutoMLJobOutputs (Wyjścia automatyczneMLJobOutputs)

Nazwa	Opis	Wartość

AutoMLVertical

Nazwa	Opis	Wartość
logSzczegółowość	Czasownik rejestrowania dla zadania.	"Krytyczne" "Debugowanie" "Błąd" "Informacje" "NotSet" "Ostrzeżenie"
targetColumnName (nazwa_kolumny)	Nazwa kolumny docelowej: jest to kolumna wartości przewidywania. Znana również jako nazwa kolumny etykiety w kontekście zadań klasyfikacji.	ciąg
typ zadania	Ustaw wartość "Klasyfikacja" dla typu Klasyfikacja. Ustaw wartość "Prognozowanie" dla typu Prognozowanie. Dla typu ImageClassification ustaw wartość "ImageClassification". Ustaw wartość "ImageClassificationMultilabel" dla typu ImageClassificationMultilabel. Ustaw wartość "ImageInstanceSegmentation" dla typu ImageInstanceSegmentation. Dla typu ImageObjectDetection ustaw wartość "ImageObjectDetection". Ustaw wartość "Regresja" dla regresji typu. Dla typu TextClassification ustaw wartość "TextClassification". Ustaw wartość "TextClassificationMultilabel" dla typu TextClassificationMultilabel. Ustaw wartość "TextNER" dla typu TextNer.	"Klasyfikacja" "Prognozowanie" "ImageClassification" "ImageClassificationMultilabel" "ImageInstanceSegmentation" "ImageObjectDetection" "Regresja" "TextClassification" "TextClassificationMultilabel" "TextNER" (wymagane)
trainingData (dane szkoleniowe)	[Wymagane] Dane wejściowe danych treningowych.	MLTableJobInput (wymagane)

AutoNCrossWalidacje

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

Autoseasonity

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

Opóźnienia AutoTargetLags

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

AutoTargetRollingWindowSize

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

AzureDevOpsWebhook

Nazwa	Opis	Wartość
Typ elementu webhook	[Wymagane] Określa typ usługi do wysłania wywołania zwrotnego	"AzureDevOps" (wymagane)

AzureOpenAiFineTuning

Nazwa	Opis	Wartość
hiperparametry	Hiperparametry do precyzyjnego dostrajania modelu azure Open AI.	AzureOpenAiHyperParameters
modelProvider (dostawca modelu)	[Wymagane] Wyliczenie w celu określenia typu dostrajania.	"AzureOpenAI" (wymagane)

AzureOpenAiHyperParameters

Nazwa	Opis	Wartość
batchSize (rozmiar wsadu)	Liczba przykładów w każdej partii. Większy rozmiar partii oznacza, że parametry modelu są aktualizowane rzadziej, ale z niższą wariancją.	int (integer)
learningRateMultiplier (mnożnik stawki)	Współczynnik skalowania dla szybkości nauki. Mniejsze tempo nauki może być przydatne, aby uniknąć nadmiernego dopasowania.	int (integer)
Epoki	Liczba epok treningu dla modelu. Epoka odnosi się do jednego pełnego cyklu przez zestaw danych szkoleniowych.	int (integer)

Polityka bandytów

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

Algorytm Bayesowskiego próbkowania

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

Klasyfikacja

Nazwa	Opis	Wartość
cvSplitColumnNames (NazwyKolumn)	Kolumny do użycia dla danych CVSplit.	ciąg znakowy[]
cechowanieUstawienia	Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML.	TableVerticalFeaturizationSettings
fixedParameters (Parametry stałe)	Parametry modelu/trenowania, które pozostaną stałe podczas trenowania.	TableFixedParameters
limitSettings (ustawienia limitu)	Ograniczenia wykonywania dla zadania AutoMLJob.	TableVerticalLimitSettings (Ustawienia stołu)
nCrossWalidacje	Liczba składań krzyżowych do zastosowania w zestawie danych szkoleniowych jeśli zestaw danych sprawdzania poprawności nie jest podany.	NCrossWalidacje
positiveLabel (pozytywnaEtykieta)	Etykieta dodatnia dla obliczeń metryk binarnych.	ciąg
primaryMetric (podstawowy)	Podstawowa metryka zadania.	"Dokładność" "AUCWeighted" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted"
searchPrzestrzeń	Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów.	TableParameterPodprzestrzeń[]
sweepSettings (Ustawienia zamiatania)	Ustawienia dotyczące zamiatania modelu i dostrajania hiperparametrów.	TableSweepSettings (Ustawienia zamiatania tabeli)
typ zadania	[Wymagane] Typ zadania dla zadania AutoMLJob.	"Klasyfikacja" (wymagana)
testData (dane testowe)	Testowanie danych wejściowych.	MLTableJobInput
testDataSize (rozmiar testu)	Ułamek zestawu danych testowych, który należy odłożyć na potrzeby walidacji. Wartości z zakresu (0.0, 1.0) Zastosowano, gdy zestaw danych weryfikacji nie został podany.	int (integer)
trainingSettings (ustawienia szkolenia)	Dane wejściowe fazy trenowania zadania automatycznego uczenia maszynowego.	ClassificationTrainingSettings
validationData (Dane walidacji)	Dane wejściowe danych walidacji.	MLTableJobInput
validationDataSize (validationDataSize)	Ułamek zestawu danych trenowania, który należy odłożyć na potrzeby walidacji. Wartości z zakresu (0.0, 1.0) Zastosowano, gdy zestaw danych weryfikacji nie został podany.	int (integer)
weightColumnName (nazwa_kolumny)	Nazwa kolumny wagi próbki. Zautomatyzowane uczenie maszynowe obsługuje kolumnę ważoną jako dane wejściowe, co powoduje, że wiersze w danych mają być ważone w górę lub w dół.	ciąg

ClassificationTrainingSettings

Nazwa	Opis	Wartość
allowedTrainingAlgorithms (dozwoloneAlgorytmy szkoleniowe)	Dozwolone modele dla zadania klasyfikacji.	Tablica ciągów zawierająca dowolną z: "BernoulliNaiveBayes" "DecisionTree" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LightGBM" "LinearSVM" "LogisticsRegression" "MultinomialNaiveBayes" "RandomForest" "SGD" "SVM" "XGBoostClassifier"
blockedTrainingAlgorithms (Algorytmy treningowe)	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 szkolenie Dnn)	Włącz zalecenie dotyczące modeli sieci rozproszonej.	Bool
enableModelExplainability (wytłumaczalność	Flaga włączania możliwości objaśnienia dla najlepszego modelu.	Bool
enableOnnxCompatibleModels (Modele kompatybilne z enable)	Flaga włączania modeli zgodnych z programem onnx.	Bool
enableStackEnsemble (włącz zestaw danych w stosie)	Włącz uruchamianie zespołu stosu.	Bool
enableVoteEnsemble (zespół włączeń)	Włącz uruchamianie zespołu do głosowania.	Bool
ensembleModelDownloadTimeout	Podczas generowania modeli VotingEnsemble i StackEnsemble pobierane są wiele dopasowanych modeli z poprzednich przebiegów podrzędnych. Skonfiguruj ten parametr z wyższą wartością niż 300 sekund, jeśli jest potrzebny więcej czasu.	ciąg
stackEnsembleSettings	Ustawienia zespołu stosu dla przebiegu zespołu stosu.	Ustawienia stosu
trainingMode (tryb szkolenia)	Tryb TrainingMode — ustawienie wartości "auto" jest takie samo jak ustawienie go na wartość "nieprostrybuowana" na razie, jednak w przyszłości może spowodować wybór trybu mieszanego lub heurystycznego. Wartość domyślna to "auto". Jeśli wartość "Rozproszona" jest używana tylko rozproszona cecha, a wybierane są algorytmy rozproszone. W przypadku wybrania parametru "NonDistributed" są wybierane tylko nieprodowane algorytmy.	"Auto" "Rozproszony" "NonDistributed"

Kolumnowyprzekształtnik

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

Zadanie polecenia

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

CommandJobEnvironmentVariables

Nazwa	Opis	Wartość

CommandJobInputs

Nazwa	Opis	Wartość

CommandJobLimits

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

CommandJobOutputs

Nazwa	Opis	Wartość

Konfiguracja składnika

Nazwa	Opis	Wartość
pipelineSettings (ustawienia potoku)	Ustawienia potoku, np. ContinueRunOnStepFailure itp.	jakikolwiek

Niestandardowy horyzont prognozy

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

Dostrajanie modelu niestandardowego

Nazwa	Opis	Wartość
hiperparametry	Hiperparametry do dostrajania modelu niestandardowego.	CustomModelFineTuningHyperParameters
modelProvider (dostawca modelu)	[Wymagane] Wyliczenie w celu określenia typu dostrajania.	"Niestandardowy" (wymagany)

CustomModelFineTuningHyperParameters

Nazwa	Opis	Wartość

CustomModelJobInput

Nazwa	Opis	Wartość
jobInputType (typ wejścia)	[Wymagane] Określa typ zadania.	"custom_model" (wymagane)
tryb	Tryb dostarczania zasobów wejściowych.	"Bezpośredni" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
pathOnCompute (ścieżkaOnCompute)	Ścieżka dostarczania elementu zawartości wejściowej.	ciąg
URI	[Wymagane] Identyfikator URI zasobu wejściowego.	struna Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] (wymagane)

CustomModelJobOutput

Nazwa	Opis	Wartość
assetName (nazwa zasobu)	Nazwa zasobu wyjściowego.	ciąg
assetVersion (wersja zasobu)	Wersja elementu zawartości wyjściowej.	ciąg
autoDeleteSetting (ustawienie automatycznego usuwania)	Ustawienie automatycznego usuwania elementu zawartości danych wyjściowych.	Ustawienie automatycznego usuwania
jobOutputType (Typ zadania)	[Wymagane] Określa typ zadania.	"custom_model" (wymagane)
tryb	Tryb dostarczania zasobów wyjściowych.	"Bezpośredni" "ReadWriteMount" "Przekaż"
pathOnCompute (ścieżkaOnCompute)	Ścieżka dostarczania elementu zawartości wyjściowej.	ciąg
URI	Identyfikator URI elementu zawartości wyjściowej.	ciąg

CustomNCrossValidations (Walidacje niestandardowych dokumentów)

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

Niestandardowa sezonowość

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

CustomTargetLags (Niestandardowe opóźnienia)

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

CustomTargetRollingWindowSize (Niestandardowy rozmiarDocelowegoPrzewijaniaOkna)

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

Rozkładkonfiguracja

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

Polityka Wczesnej Terminacji

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

Zadanie dostrajania

Nazwa	Opis	Wartość
fineTuningSzczegóły	[Wymagane]	FineTuningVertical (wymagane)
rodzaj pracy	[Wymagane] Określa typ zadania.	"FineTuning" (wymagane)
Wyniki	[Wymagane]	FineTuningJobOutputs (wymagane)

FineTuningJobOutputs

Nazwa	Opis	Wartość

DostrajaniePionowe

Nazwa	Opis	Wartość
model	[Wymagane] Model wejściowy do dostrajania.	MLFlowModelJobInput (wymagane)
modelProvider (dostawca modelu)	Dla typu AzureOpenAI wpisz AzureOpenAiFineTuning. Dla typu CustomModelFineTuning ustaw wartość "CustomModel".	"AzureOpenAI" "Niestandardowy" (wymagany)
typ zadania	[Wymagane] Dostrajanie typu zadania.	"ChatCompletion" "ImageClassification" "ImageInstanceSegmentation" "ImageObjectDetection" "QuestionAnswering" "TextClassification" "TextCompletion" "TextSummarization" "Tłumaczenie tekstu" "TokenClassification" "VideoMultiObjectTracking" (wymagane)
trainingData (dane szkoleniowe)	[Wymagane] Dane szkoleniowe do dostrajania.	JobInput (wymagane)
validationData (Dane walidacji)	Dane weryfikacji dostrajania.	JobInput (Wejście zadania)

PrognozaHorizon

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

Prognozowanie

Nazwa	Opis	Wartość
cvSplitColumnNames (NazwyKolumn)	Kolumny do użycia dla danych CVSplit.	ciąg znakowy[]
cechowanieUstawienia	Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML.	TableVerticalFeaturizationSettings
fixedParameters (Parametry stałe)	Parametry modelu/trenowania, które pozostaną stałe podczas trenowania.	TableFixedParameters
prognozowanieUstawienia	Prognozowanie danych wejściowych specyficznych dla zadania.	PrognozowanieUstawienia
limitSettings (ustawienia limitu)	Ograniczenia wykonywania dla zadania AutoMLJob.	TableVerticalLimitSettings (Ustawienia stołu)
nCrossWalidacje	Liczba składań krzyżowych do zastosowania w zestawie danych szkoleniowych jeśli zestaw danych sprawdzania poprawności nie jest podany.	NCrossWalidacje
primaryMetric (podstawowy)	Podstawowa metryka zadania prognozowania.	"NormalizedMeanAbsoluteError" "NormalizedRootMeanSquaredError" "R2Score" "SpearmanCorrelation"
searchPrzestrzeń	Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów.	TableParameterPodprzestrzeń[]
sweepSettings (Ustawienia zamiatania)	Ustawienia dotyczące zamiatania modelu i dostrajania hiperparametrów.	TableSweepSettings (Ustawienia zamiatania tabeli)
typ zadania	[Wymagane] Typ zadania dla zadania AutoMLJob.	"Prognozowanie" (wymagane)
testData (dane testowe)	Testowanie danych wejściowych.	MLTableJobInput
testDataSize (rozmiar testu)	Ułamek zestawu danych testowych, który należy odłożyć na potrzeby walidacji. Wartości z zakresu (0.0, 1.0) Zastosowano, gdy zestaw danych weryfikacji nie został podany.	int (integer)
trainingSettings (ustawienia szkolenia)	Dane wejściowe fazy trenowania zadania automatycznego uczenia maszynowego.	ForecastingTrainingSettings
validationData (Dane walidacji)	Dane wejściowe danych walidacji.	MLTableJobInput
validationDataSize (validationDataSize)	Ułamek zestawu danych trenowania, który należy odłożyć na potrzeby walidacji. Wartości z zakresu (0.0, 1.0) Zastosowano, gdy zestaw danych weryfikacji nie został podany.	int (integer)
weightColumnName (nazwa_kolumny)	Nazwa kolumny wagi próbki. Zautomatyzowane uczenie maszynowe obsługuje kolumnę ważoną jako dane wejściowe, co powoduje, że wiersze w danych mają być ważone w górę lub w dół.	ciąg

PrognozowanieUstawienia

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

ForecastingTrainingSettings

Nazwa	Opis	Wartość
allowedTrainingAlgorithms (dozwoloneAlgorytmy szkoleniowe)	Dozwolone modele do zadania prognozowania.	Tablica ciągów zawierająca dowolną z: "Arimax" "AutoArima" "Średnia" "DecisionTree" "ElasticNet" "ExponentialSmoothing" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "Naiwny" "Prorok" "RandomForest" "Sezonowa wyrównywacz" "SeasonalNaive" "SGD" "TCNForecaster" "XGBoostRegressor"
blockedTrainingAlgorithms (Algorytmy treningowe)	Zablokowane modele do zadania prognozowania.	Tablica ciągów zawierająca dowolną z: "Arimax" "AutoArima" "Średnia" "DecisionTree" "ElasticNet" "ExponentialSmoothing" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "Naiwny" "Prorok" "RandomForest" "Sezonowa wyrównywacz" "SeasonalNaive" "SGD" "TCNForecaster" "XGBoostRegressor"
enableDnnTraining (włącz szkolenie Dnn)	Włącz zalecenie dotyczące modeli sieci rozproszonej.	Bool
enableModelExplainability (wytłumaczalność	Flaga włączania możliwości objaśnienia dla najlepszego modelu.	Bool
enableOnnxCompatibleModels (Modele kompatybilne z enable)	Flaga włączania modeli zgodnych z programem onnx.	Bool
enableStackEnsemble (włącz zestaw danych w stosie)	Włącz uruchamianie zespołu stosu.	Bool
enableVoteEnsemble (zespół włączeń)	Włącz uruchamianie zespołu do głosowania.	Bool
ensembleModelDownloadTimeout	Podczas generowania modeli VotingEnsemble i StackEnsemble pobierane są wiele dopasowanych modeli z poprzednich przebiegów podrzędnych. Skonfiguruj ten parametr z wyższą wartością niż 300 sekund, jeśli jest potrzebny więcej czasu.	ciąg
stackEnsembleSettings	Ustawienia zespołu stosu dla przebiegu zespołu stosu.	Ustawienia stosu
trainingMode (tryb szkolenia)	Tryb TrainingMode — ustawienie wartości "auto" jest takie samo jak ustawienie go na wartość "nieprostrybuowana" na razie, jednak w przyszłości może spowodować wybór trybu mieszanego lub heurystycznego. Wartość domyślna to "auto". Jeśli wartość "Rozproszona" jest używana tylko rozproszona cecha, a wybierane są algorytmy rozproszone. W przypadku wybrania parametru "NonDistributed" są wybierane tylko nieprodowane algorytmy.	"Auto" "Rozproszony" "NonDistributed"

Algorytm próbkowania siatki

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

IdentityConfiguration

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

Klasyfikacja obrazu

Nazwa	Opis	Wartość
limitSettings (ustawienia limitu)	[Wymagane] Ogranicz ustawienia zadania automatycznego uczenia maszynowego.	ImageLimitSettings (wymagane)
modelSettings (Ustawienia modelu)	Ustawienia używane do trenowania modelu.	ImageModelSettingsClassification
primaryMetric (podstawowy)	Podstawowa metryka do optymalizacji pod kątem tego zadania.	"Dokładność" "AUCWeighted" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted"
searchPrzestrzeń	Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów.	Klasyfikacja ImageModelDistributionSettings[]
sweepSettings (Ustawienia zamiatania)	Ustawienia związane z zamiatanie modeli i zamiatanie hiperparametrów.	Ustawienia zamiatania obrazu
typ zadania	[Wymagane] Typ zadania dla zadania AutoMLJob.	"ImageClassification" (wymagane)
validationData (Dane walidacji)	Dane wejściowe danych walidacji.	MLTableJobInput
validationDataSize (validationDataSize)	Ułamek zestawu danych trenowania, który należy odłożyć na potrzeby walidacji. Wartości z zakresu (0.0, 1.0) Zastosowano, gdy zestaw danych weryfikacji nie został podany.	int (integer)

ImageClassificationMultilabel

Nazwa	Opis	Wartość
limitSettings (ustawienia limitu)	[Wymagane] Ogranicz ustawienia zadania automatycznego uczenia maszynowego.	ImageLimitSettings (wymagane)
modelSettings (Ustawienia modelu)	Ustawienia używane do trenowania modelu.	ImageModelSettingsClassification
primaryMetric (podstawowy)	Podstawowa metryka do optymalizacji pod kątem tego zadania.	"Dokładność" "AUCWeighted" "AveragePrecisionScoreWeighted" "IOU" "NormMacroRecall" "PrecisionScoreWeighted"
searchPrzestrzeń	Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów.	Klasyfikacja ImageModelDistributionSettings[]
sweepSettings (Ustawienia zamiatania)	Ustawienia związane z zamiatanie modeli i zamiatanie hiperparametrów.	Ustawienia zamiatania obrazu
typ zadania	[Wymagane] Typ zadania dla zadania AutoMLJob.	"ImageClassificationMultilabel" (wymagane)
validationData (Dane walidacji)	Dane wejściowe danych walidacji.	MLTableJobInput
validationDataSize (validationDataSize)	Ułamek zestawu danych trenowania, który należy odłożyć na potrzeby walidacji. Wartości z zakresu (0.0, 1.0) Zastosowano, gdy zestaw danych weryfikacji nie został podany.	int (integer)

Segmentacja ImageInstanceSegmentation

Nazwa	Opis	Wartość
limitSettings (ustawienia limitu)	[Wymagane] Ogranicz ustawienia zadania automatycznego uczenia maszynowego.	ImageLimitSettings (wymagane)
modelSettings (Ustawienia modelu)	Ustawienia używane do trenowania modelu.	ImageModelSettingsObjectDetection
primaryMetric (podstawowy)	Podstawowa metryka do optymalizacji pod kątem tego zadania.	"MeanAveragePrecision"
searchPrzestrzeń	Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów.	ImageModelDistributionSettingsObjectDetection[]
sweepSettings (Ustawienia zamiatania)	Ustawienia związane z zamiatanie modeli i zamiatanie hiperparametrów.	Ustawienia zamiatania obrazu
typ zadania	[Wymagane] Typ zadania dla zadania AutoMLJob.	"ImageInstanceSegmentation" (wymagane)
validationData (Dane walidacji)	Dane wejściowe danych walidacji.	MLTableJobInput
validationDataSize (validationDataSize)	Ułamek zestawu danych trenowania, który należy odłożyć na potrzeby walidacji. Wartości z zakresu (0.0, 1.0) Zastosowano, gdy zestaw danych weryfikacji nie został podany.	int (integer)

Ustawienia limitu obrazu

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

ImageModelDistributionSettingsClassification

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

ImageModelDistributionSettingsObjectDetection

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

ImageModelSettingsClassification

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

ImageModelSettingsObjectDetection

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

ImageObjectDetection

Nazwa	Opis	Wartość
limitSettings (ustawienia limitu)	[Wymagane] Ogranicz ustawienia zadania automatycznego uczenia maszynowego.	ImageLimitSettings (wymagane)
modelSettings (Ustawienia modelu)	Ustawienia używane do trenowania modelu.	ImageModelSettingsObjectDetection
primaryMetric (podstawowy)	Podstawowa metryka do optymalizacji pod kątem tego zadania.	"MeanAveragePrecision"
searchPrzestrzeń	Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów.	ImageModelDistributionSettingsObjectDetection[]
sweepSettings (Ustawienia zamiatania)	Ustawienia związane z zamiatanie modeli i zamiatanie hiperparametrów.	Ustawienia zamiatania obrazu
typ zadania	[Wymagane] Typ zadania dla zadania AutoMLJob.	"ImageObjectDetection" (wymagane)
validationData (Dane walidacji)	Dane wejściowe danych walidacji.	MLTableJobInput
validationDataSize (validationDataSize)	Ułamek zestawu danych trenowania, który należy odłożyć na potrzeby walidacji. Wartości z zakresu (0.0, 1.0) Zastosowano, gdy zestaw danych weryfikacji nie został podany.	int (integer)

Ustawienia zamiatania obrazu

Nazwa	Opis	Wartość
wczesneWypowiedzenie	Typ zasad wczesnego kończenia.	Polityka Wczesnej Terminacji
próbkowanieAlgorithm	[Wymagane] Typ algorytmów próbkowania hiperparametrów.	"Bayesian" "Siatka" "Losowe" (wymagane)

Właściwości elementu JobBase

Nazwa	Opis	Wartość
componentId (identyfikator komponentu)	Identyfikator zasobu usługi ARM zasobu składnika.	ciąg
computeId (identyfikator obliczeniowy)	Identyfikator zasobu usługi ARM zasobu obliczeniowego.	ciąg
opis	Tekst opisu zasobu.	ciąg
nazwa wyświetlana	Nazwa wyświetlana zadania.	ciąg
experimentName (nazwa eksperymentu)	Nazwa eksperymentu, do którego należy zadanie. Jeśli nie zostanie ustawione, zadanie zostanie umieszczone w eksperymencie "Domyślny".	ciąg
tożsamość	Konfiguracja tożsamości. W przypadku ustawienia powinna to być jedna z wartości AmlToken, ManagedIdentity, UserIdentity lub null. Wartość domyślna to AmlToken, jeśli ma wartość null.	IdentityConfiguration
isArchived (zarchiwizowany)	Czy zasób jest archiwizowany?	Bool
rodzaj pracy	Ustaw wartość "AutoML" dla typu AutoMLJob. Ustaw wartość "Command" dla typu CommandJob. Dla typu FineTuningJob ustaw wartość "FineTuningJob". Ustaw wartość "Etykietowanie" dla typu LabelingJobProperties. Dla typu PipelineJob ustaw wartość "Pipeline". Ustaw wartość "Spark" dla typu SparkJob. Ustaw wartość "Zamiatanie" dla typu SweepJob.	"AutoML" "Polecenie" "FineTuning" "Etykietowanie" "Potok" "Spark" "Zamiatanie" (wymagane)
notificationSetting (ustawienie powiadomienia)	Ustawienie powiadomienia dla zadania	NotificationSetting (Ustawienie powiadomień)
właściwości	Słownik właściwości elementu zawartości.	Właściwości bazy danych ResourceBase
secretsConfiguration (Konfiguracja wpisów tajnych)	Konfiguracja wpisów tajnych, które mają być udostępniane w czasie wykonywania.	JobBaseSecretsConfiguration
usługi	Lista punktów zadań. W przypadku zadań lokalnych punkt końcowy zadania będzie miał wartość punktu końcowego FileStreamObject.	Usługi JobBaseServices
Etykiety	Słownik tagów. Tagi można dodawać, usuwać i aktualizować.	Tagi ResourceBaseTags

JobBaseSecretsConfiguration

Nazwa	Opis	Wartość

Usługi JobBaseServices

Nazwa	Opis	Wartość

JobInput (Wejście zadania)

Nazwa	Opis	Wartość
opis	Opis danych wejściowych.	ciąg
jobInputType (typ wejścia)	Ustaw wartość "custom_model" dla typu CustomModelJobInput. Ustaw wartość "literał" dla typu LiteralJobInput. Dla typu MLFlowModelJobInput ustaw wartość "mlflow_model". Ustaw wartość "mltable" dla typu MLTableJobInput. Dla typu TritonModelJobInput ustaw wartość "triton_model". Dla typu UriFileJobInput ustaw wartość "uri_file". Ustaw wartość "uri_folder" dla typu UriFolderJobInput.	"custom_model" "literał" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (wymagane)

Dane wyjściowe zadania

Nazwa	Opis	Wartość
opis	Opis danych wyjściowych.	ciąg
jobOutputType (Typ zadania)	Dla typu CustomModelJobOutput ustaw wartość "custom_model". Dla typu MLFlowModelJobOutput ustaw wartość "mlflow_model". Ustaw wartość "mltable" dla typu MLTableJobOutput. Dla typu TritonModelJobOutput ustaw wartość "triton_model". Dla typu UriFileJobOutput ustaw wartość "uri_file". Dla typu UriFolderJobOutput ustaw wartość "uri_folder".	"custom_model" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (wymagane)

JobResourceConfiguration

Nazwa	Opis	Wartość
DockerArgs (Argumenty dockerArgs)	Dodatkowe argumenty do przekazania 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 (liczba wystąpień)	Opcjonalna liczba wystąpień lub węzłów używanych przez docelowy obiekt obliczeniowy.	int (integer)
instanceType (typ instancji)	Opcjonalny typ maszyny wirtualnej używany jako obsługiwany przez docelowy obiekt obliczeniowy.	ciąg
lokalizacje	Lokalizacje, w których można uruchomić zadanie.	ciąg znakowy[]
maxInstanceCount (liczba)	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 (integer)
właściwości	Dodatkowa torba właściwości.	Właściwości ResourceConfigurationProperties
shmSize (Rozmiar shm)	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(megabajtów) lub g(gigabajtów).	struna Ograniczenia: Wzorzec = \d+[bBkKmMgG]

Serwis Pracy

Nazwa	Opis	Wartość
punkt końcowy	Adres URL punktu końcowego.	ciąg
jobServiceType (typ usługi)	Typ punktu końcowego.	ciąg
Węzły	Węzły, na których użytkownik chce uruchomić usługę. Jeśli węzły nie są ustawione lub ustawione na wartość null, usługa zostanie uruchomiona tylko w węźle przywódcy.	Węzły
port	Port dla punktu końcowego ustawionego przez użytkownika.	int (integer)
właściwości	Dodatkowe właściwości do ustawienia w punkcie końcowym.	Właściwości usługi zadań

Właściwości usługi zadań

Nazwa	Opis	Wartość

EtykietaKategoria

Nazwa	Opis	Wartość
Klasy	Słownik klas etykiet w tej kategorii.	LabelCategoryClasses (Klasy etykiet)
nazwa wyświetlana	Nazwa wyświetlana kategorii etykiet.	ciąg
Wybór wielokrotny	Wskazuje, czy można wybrać wiele klas w tej kategorii.	"Wyłączone" "Włączone"

LabelCategoryClasses (Klasy etykiet)

Nazwa	Opis	Wartość

Klasa etykiety

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

Podklasy LabelClassSubclasses

Nazwa	Opis	Wartość

Etykietowanie DataConfiguration

Nazwa	Opis	Wartość
dataId (identyfikator danych)	Identyfikator zasobu danych do wykonania etykietowania.	ciąg
incrementalDataRefresh	Wskazuje, czy włączyć odświeżanie danych przyrostowych.	"Wyłączone" "Włączone"

LabelingJobImageProperties

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

EtykietowanieInstrukcje dotyczące zadań

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

EtykietowanieJobLabelCategories

Nazwa	Opis	Wartość

LabelingJobMediaProperties

Nazwa	Opis	Wartość
typ mediów	Ustaw wartość "Obraz" dla typu LabelingJobImageProperties. Ustaw wartość "Text" dla typu LabelingJobTextProperties.	"Obraz" "Tekst" (wymagany)

LabelingJobProperties

Nazwa	Opis	Wartość
dataConfiguration (konfiguracja danych)	Konfiguracja danych używanych w zadaniu.	Etykietowanie DataConfiguration
jobInstructions (Instrukcje pracy)	Instrukcje etykietowania zadania.	EtykietowanieInstrukcje dotyczące zadań
rodzaj pracy	[Wymagane] Określa typ zadania.	"Etykietowanie" (wymagane)
labelCategories (etykieta)	Etykieta kategorii zadania.	EtykietowanieJobLabelCategories
labelingJobMediaProperties	Właściwości specyficzne dla nośnika w zadaniu.	LabelingJobMediaProperties
mlAssistConfiguration	Konfiguracja funkcji MLAssist w zadaniu.	MlAssistConfiguration

LabelingJobTextProperties

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

LiterałJobInput

Nazwa	Opis	Wartość
jobInputType (typ wejścia)	[Wymagane] Określa typ zadania.	"literał" (wymagany)
wartość	[Wymagane] Wartość literału dla danych wejściowych.	struna Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] (wymagane)

Identyfikator zarządzany

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

MedianStoppingPolicy (Polityka MedianStopping)

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

MlAssistConfiguration

Nazwa	Opis	Wartość
mlAssist (Asystent Języka Angielskiego	Ustaw wartość "Disabled" dla typu MLAssistConfigurationDisabled. Ustaw wartość "Włączone" dla typu MLAssistConfigurationEnabled.	"Wyłączone" "Włączone" (wymagane)

MLAssistConfigurationDisabled

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

MLAssistConfigurationEnabled

Nazwa	Opis	Wartość
wnioskowanieComputeBinding	[Wymagane] Powiązanie obliczeniowe AML używane w wnioskowaniu.	struna Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] (wymagane)
mlAssist (Asystent Języka Angielskiego	[Wymagane] Wskazuje, czy funkcja MLAssist jest włączona.	"Włączone" (wymagane)
trainingComputeBinding	[Wymagane] Powiązanie obliczeniowe AML używane podczas trenowania.	struna Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] (wymagane)

MLFlowModelJobInput

Nazwa	Opis	Wartość
opis	Opis danych wejściowych.	ciąg
jobInputType (typ wejścia)	[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"
pathOnCompute (ścieżkaOnCompute)	Ścieżka dostarczania elementu zawartości wejściowej.	ciąg
URI	[Wymagane] Identyfikator URI zasobu wejściowego.	struna Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] (wymagane)

MLFlowModelJobInput

Nazwa	Opis	Wartość
jobInputType (typ wejścia)	[Wymagane] Określa typ zadania.	"mlflow_model" (wymagane)
tryb	Tryb dostarczania zasobów wejściowych.	"Bezpośredni" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
pathOnCompute (ścieżkaOnCompute)	Ścieżka dostarczania elementu zawartości wejściowej.	ciąg
URI	[Wymagane] Identyfikator URI zasobu wejściowego.	struna Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] (wymagane)

MLFlowModelJobOutput

Nazwa	Opis	Wartość
assetName (nazwa zasobu)	Nazwa zasobu wyjściowego.	ciąg
assetVersion (wersja zasobu)	Wersja elementu zawartości wyjściowej.	ciąg
autoDeleteSetting (ustawienie automatycznego usuwania)	Ustawienie automatycznego usuwania elementu zawartości danych wyjściowych.	Ustawienie automatycznego usuwania
jobOutputType (Typ zadania)	[Wymagane] Określa typ zadania.	"mlflow_model" (wymagane)
tryb	Tryb dostarczania zasobów wyjściowych.	"Bezpośredni" "ReadWriteMount" "Przekaż"
pathOnCompute (ścieżkaOnCompute)	Ścieżka dostarczania elementu zawartości wyjściowej.	ciąg
URI	Identyfikator URI elementu zawartości wyjściowej.	ciąg

MLTableJobInput

Nazwa	Opis	Wartość
opis	Opis danych wejściowych.	ciąg
jobInputType (typ wejścia)	[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"
pathOnCompute (ścieżkaOnCompute)	Ścieżka dostarczania elementu zawartości wejściowej.	ciąg
URI	[Wymagane] Identyfikator URI zasobu wejściowego.	struna Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] (wymagane)

MLTableJobInput

Nazwa	Opis	Wartość
jobInputType (typ wejścia)	[Wymagane] Określa typ zadania.	"mltable" (wymagane)
tryb	Tryb dostarczania zasobów wejściowych.	"Bezpośredni" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
pathOnCompute (ścieżkaOnCompute)	Ścieżka dostarczania elementu zawartości wejściowej.	ciąg
URI	[Wymagane] Identyfikator URI zasobu wejściowego.	struna Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] (wymagane)

MLTableJobOutput

Nazwa	Opis	Wartość
assetName (nazwa zasobu)	Nazwa zasobu wyjściowego.	ciąg
assetVersion (wersja zasobu)	Wersja elementu zawartości wyjściowej.	ciąg
autoDeleteSetting (ustawienie automatycznego usuwania)	Ustawienie automatycznego usuwania elementu zawartości danych wyjściowych.	Ustawienie automatycznego usuwania
jobOutputType (Typ zadania)	[Wymagane] Określa typ zadania.	"mltable" (wymagane)
tryb	Tryb dostarczania zasobów wyjściowych.	"Bezpośredni" "ReadWriteMount" "Przekaż"
pathOnCompute (ścieżkaOnCompute)	Ścieżka dostarczania elementu zawartości wyjściowej.	ciąg
URI	Identyfikator URI elementu zawartości wyjściowej.	ciąg

Mpi powiedział:

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

NCrossWalidacje

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

NlpFixedParameters (Parametry stałe)

Nazwa	Opis	Wartość
gradientAccumulationKroki	Liczba kroków gromadzenia gradientów przed uruchomieniem przejścia wstecznego.	int (integer)
learningRate (Stawka nauki)	Kurs szkoleniowy dla procedury szkoleniowej.	int (integer)
learningRateScheduler (Harmonogram lekcji)	Typ harmonogramu szybkości nauki, który ma być używany podczas procedury trenowania.	"Stała" "ConstantWithWarmup" "Cosine" "CosineWithRestarts" "Liniowy" "Brak" "Wielomianowy"
nazwa_modelu	Nazwa modelu do trenowania.	ciąg
liczbaEpok	Liczba epok treningowych.	int (integer)
trainingBatchSize (rozmiar)	Rozmiar partii dla procedury trenowania.	int (integer)
validationBatchSize (validationBatchSize)	Rozmiar partii do użycia podczas oceny.	int (integer)
Współczynnik rozgrzewki	Stosunek rozgrzewki, używany obok LrSchedulerType.	int (integer)
wagaRozkład	Rozkład masy dla procedury treningowej.	int (integer)

NlpParameterSubspace

Nazwa	Opis	Wartość
gradientAccumulationKroki	Liczba kroków gromadzenia gradientów przed uruchomieniem przejścia wstecznego.	ciąg
learningRate (Stawka nauki)	Kurs szkoleniowy dla procedury szkoleniowej.	ciąg
learningRateScheduler (Harmonogram lekcji)	Typ harmonogramu szybkości nauki, który ma być używany podczas procedury trenowania.	ciąg
nazwa_modelu	Nazwa modelu do trenowania.	ciąg
liczbaEpok	Liczba epok treningowych.	ciąg
trainingBatchSize (rozmiar)	Rozmiar partii dla procedury trenowania.	ciąg
validationBatchSize (validationBatchSize)	Rozmiar partii do użycia podczas oceny.	ciąg
Współczynnik rozgrzewki	Stosunek rozgrzewki, używany obok LrSchedulerType.	ciąg
wagaRozkład	Rozkład masy dla procedury treningowej.	ciąg

NlpSweepSettings (Ustawienia przemiatania)

Nazwa	Opis	Wartość
wczesneWypowiedzenie	Typ zasad wczesnego zakończenia zadania zamiatania.	Polityka Wczesnej Terminacji
próbkowanieAlgorithm	[Wymagane] Typ algorytmu próbkowania.	"Bayesian" "Siatka" "Losowe" (wymagane)

NlpVerticalFeaturizationSettings

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

NlpVerticalLimitSettings (Ustawienia Limitu Pionowego)

Nazwa	Opis	Wartość
maxConcurrentTrials (Próby maksymalne)	Maksymalna liczba iteracji automl współbieżnych.	int (integer)
maxNodes (węzły maxNodes)	Maksymalna liczba węzłów do użycia w eksperymencie.	int (integer)
maxTrials (Próby maks.)	Liczba iteracji rozwiązania AutoML.	int (integer)
przerwa czasowa	Limit czasu zadania automatycznego uczenia maszynowego.	ciąg
Limit czasu próbnego	Limit czasu dla poszczególnych wersji próbnych HD.	ciąg

Węzłów

Nazwa	Opis	Wartość
nodesValueType (typ wartości)	Dla typu AllNodes ustaw wartość "All".	"Wszystkie" (wymagane)

NotificationSetting (Ustawienie powiadomień)

Nazwa	Opis	Wartość
emailWł.	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 499 znaków w sumie concat z separatorem przecinka	ciąg znakowy[]
elementy webhook	Wysyłanie wywołania zwrotnego elementu webhook do usługi. Klucz to nazwa podana przez użytkownika dla elementu webhook.	NotificationSettingWebhooks (PowiadomienieUstawieniaElementy webhook)

NotificationSettingWebhooks (PowiadomienieUstawieniaElementy webhook)

Nazwa	Opis	Wartość

Cel

Nazwa	Opis	Wartość
cel	[Wymagane] Definiuje obsługiwane cele metryk na potrzeby dostrajania hiperparametrów	"Maksymalizuj" "Minimalizuj" (wymagane)
primaryMetric (podstawowy)	[Wymagane] Nazwa metryki do optymalizacji.	struna Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] (wymagane)

PotokJob

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

PipelineJobInputs

Nazwa	Opis	Wartość

PipelineJobJobs (Zadania potokowe)

Nazwa	Opis	Wartość

PipelineJobOutputs

Nazwa	Opis	Wartość

PyTorch

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

Ustawienia kolejki

Nazwa	Opis	Wartość
jobTier (Warstwa zadań)	Steruje warstwą zadania obliczeniowego	"Podstawowa" "Null" "Premium" "Spot" "Standardowa"
priorytet	Określa priorytet zadania obliczeniowego.	int (integer)

Algorytm losowego próbkowania

Nazwa	Opis	Wartość
Baza logów	Opcjonalna liczba dodatnia lub e w formacie ciągu, który ma być używany jako podstawa do próbkowania losowego opartego na dzienniku	ciąg
reguła	Określony typ algorytmu losowego	"Losowe" "Sobol"
samplingAlgorithmType	[Wymagane] Algorytm używany do generowania wartości hiperparametrów wraz z właściwościami konfiguracji	"Losowe" (wymagane)
nasienie	Opcjonalna liczba całkowita do użycia jako inicjator generowania liczb losowych	int (integer)

Promień

Nazwa	Opis	Wartość
adres	Adres węzła głównego Raya.	ciąg
dashboardPort (tablica rozdzielcza	Port, z który ma być powiązany z serwerem pulpitu nawigacyjnego.	int (integer)
distributionType (typ dystrybucji)	[Wymagane] Określa typ struktury dystrybucji.	"Ray" (wymagane)
headNodeAdditionalArgs	Dodatkowe argumenty przekazane do uruchomienia promienia w węźle głównym.	ciąg
includeDashboard (w zestawie)	Podaj ten argument, aby uruchomić graficzny interfejs użytkownika pulpitu nawigacyjnego Ray.	Bool
port	Port procesu promienia głowy.	int (integer)
workerNodeAdditionalArgs	Dodatkowe argumenty przekazane do uruchomienia promienia w węźle procesu roboczego.	ciąg

Regresja

Nazwa	Opis	Wartość
cvSplitColumnNames (NazwyKolumn)	Kolumny do użycia dla danych CVSplit.	ciąg znakowy[]
cechowanieUstawienia	Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML.	TableVerticalFeaturizationSettings
fixedParameters (Parametry stałe)	Parametry modelu/trenowania, które pozostaną stałe podczas trenowania.	TableFixedParameters
limitSettings (ustawienia limitu)	Ograniczenia wykonywania dla zadania AutoMLJob.	TableVerticalLimitSettings (Ustawienia stołu)
nCrossWalidacje	Liczba składań krzyżowych do zastosowania w zestawie danych szkoleniowych jeśli zestaw danych sprawdzania poprawności nie jest podany.	NCrossWalidacje
primaryMetric (podstawowy)	Podstawowa metryka zadania regresji.	"NormalizedMeanAbsoluteError" "NormalizedRootMeanSquaredError" "R2Score" "SpearmanCorrelation"
searchPrzestrzeń	Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów.	TableParameterPodprzestrzeń[]
sweepSettings (Ustawienia zamiatania)	Ustawienia dotyczące zamiatania modelu i dostrajania hiperparametrów.	TableSweepSettings (Ustawienia zamiatania tabeli)
typ zadania	[Wymagane] Typ zadania dla zadania AutoMLJob.	"Regresja" (wymagana)
testData (dane testowe)	Testowanie danych wejściowych.	MLTableJobInput
testDataSize (rozmiar testu)	Ułamek zestawu danych testowych, który należy odłożyć na potrzeby walidacji. Wartości z zakresu (0.0, 1.0) Zastosowano, gdy zestaw danych weryfikacji nie został podany.	int (integer)
trainingSettings (ustawienia szkolenia)	Dane wejściowe fazy trenowania zadania automatycznego uczenia maszynowego.	RegressionTrainingSettings
validationData (Dane walidacji)	Dane wejściowe danych walidacji.	MLTableJobInput
validationDataSize (validationDataSize)	Ułamek zestawu danych trenowania, który należy odłożyć na potrzeby walidacji. Wartości z zakresu (0.0, 1.0) Zastosowano, gdy zestaw danych weryfikacji nie został podany.	int (integer)
weightColumnName (nazwa_kolumny)	Nazwa kolumny wagi próbki. Zautomatyzowane uczenie maszynowe obsługuje kolumnę ważoną jako dane wejściowe, co powoduje, że wiersze w danych mają być ważone w górę lub w dół.	ciąg

RegressionTrainingSettings

Nazwa	Opis	Wartość
allowedTrainingAlgorithms (dozwoloneAlgorytmy szkoleniowe)	Dozwolone modele dla zadania regresji.	Tablica ciągów zawierająca dowolną z: "DecisionTree" "ElasticNet" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "RandomForest" "SGD" "XGBoostRegressor"
blockedTrainingAlgorithms (Algorytmy treningowe)	Zablokowane modele dla zadania regresji.	Tablica ciągów zawierająca dowolną z: "DecisionTree" "ElasticNet" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "RandomForest" "SGD" "XGBoostRegressor"
enableDnnTraining (włącz szkolenie Dnn)	Włącz zalecenie dotyczące modeli sieci rozproszonej.	Bool
enableModelExplainability (wytłumaczalność	Flaga włączania możliwości objaśnienia dla najlepszego modelu.	Bool
enableOnnxCompatibleModels (Modele kompatybilne z enable)	Flaga włączania modeli zgodnych z programem onnx.	Bool
enableStackEnsemble (włącz zestaw danych w stosie)	Włącz uruchamianie zespołu stosu.	Bool
enableVoteEnsemble (zespół włączeń)	Włącz uruchamianie zespołu do głosowania.	Bool
ensembleModelDownloadTimeout	Podczas generowania modeli VotingEnsemble i StackEnsemble pobierane są wiele dopasowanych modeli z poprzednich przebiegów podrzędnych. Skonfiguruj ten parametr z wyższą wartością niż 300 sekund, jeśli jest potrzebny więcej czasu.	ciąg
stackEnsembleSettings	Ustawienia zespołu stosu dla przebiegu zespołu stosu.	Ustawienia stosu
trainingMode (tryb szkolenia)	Tryb TrainingMode — ustawienie wartości "auto" jest takie samo jak ustawienie go na wartość "nieprostrybuowana" na razie, jednak w przyszłości może spowodować wybór trybu mieszanego lub heurystycznego. Wartość domyślna to "auto". Jeśli wartość "Rozproszona" jest używana tylko rozproszona cecha, a wybierane są algorytmy rozproszone. W przypadku wybrania parametru "NonDistributed" są wybierane tylko nieprodowane algorytmy.	"Auto" "Rozproszony" "NonDistributed"

Właściwości bazy danych ResourceBase

Nazwa	Opis	Wartość

Tagi ResourceBaseTags

Nazwa	Opis	Wartość

Właściwości ResourceConfigurationProperties

Nazwa	Opis	Wartość

PróbkowanieAlgorithm

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

Sezonowości

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

Konfiguracja wpisu tajnego

Nazwa	Opis	Wartość
URI	Identyfikator URI wpisu tajnego. Przykładowy identyfikator URI: https://myvault.vault.azure.net/secrets/mysecretname/secretversion	ciąg
workspaceSecretName (nazwa sekretu)	Nazwa wpisu tajnego w magazynie kluczy obszaru roboczego.	ciąg

Zadanie SparkJob

Nazwa	Opis	Wartość
archiwum	Archiwizowanie plików używanych w zadaniu.	ciąg znakowy[]
argumenty	Argumenty zadania.	ciąg
codeId (identyfikator kodu)	[Wymagane] Identyfikator zasobu usługi ARM zasobu kodu.	struna Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] (wymagane)
Conf	Właściwości skonfigurowane przez platformę Spark.	Konferencja SparkJobConf
wpis	[Wymagane] Wpis do wykonania podczas uruchamiania zadania.	SparkJobEntry (wymagane)
environmentId (identyfikator środowiska)	Identyfikator zasobu usługi ARM specyfikacji środowiska dla zadania.	ciąg
zmienne środowiskowe	Zmienne środowiskowe uwzględnione w zadaniu.	SparkJobEnvironmentVariables
Pliki	Pliki używane w zadaniu.	ciąg znakowy[]
Wejścia	Mapowanie powiązań danych wejściowych używanych w zadaniu.	SparkJobInputs
Słoiki	Pliki Jar używane w zadaniu.	ciąg znakowy[]
rodzaj pracy	[Wymagane] Określa typ zadania.	"Spark" (wymagane)
Wyniki	Mapowanie powiązań danych wyjściowych używanych w zadaniu.	SparkJobOutputs
pyFiles (Pliki py)	Pliki języka Python używane w zadaniu.	ciąg znakowy[]
queueSettings (Ustawienia kolejki)	Ustawienia kolejki dla zadania	Ustawienia kolejki
zasoby	Konfiguracja zasobów obliczeniowych dla zadania.	SparkResourceConfiguration

Konferencja SparkJobConf

Nazwa	Opis	Wartość

SparkJobEntry

Nazwa	Opis	Wartość
sparkJobEntryType	Ustaw wartość "SparkJobPythonEntry" dla typu SparkJobPythonEntry. Ustaw wartość "SparkJobScalaEntry" dla typu SparkJobScalaEntry.	"SparkJobPythonEntry" "SparkJobScalaEntry" (wymagane)

SparkJobEnvironmentVariables

Nazwa	Opis	Wartość

SparkJobInputs

Nazwa	Opis	Wartość

SparkJobOutputs

Nazwa	Opis	Wartość

SparkJobPythonEntry

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

SparkJobScalaEntry

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

SparkResourceConfiguration

Nazwa	Opis	Wartość
instanceType (typ instancji)	Opcjonalny typ maszyny wirtualnej używany jako obsługiwany przez docelowy obiekt obliczeniowy.	ciąg
runtimeVersion (wersja uruchomieniowa)	Wersja środowiska uruchomieniowego platformy Spark używana dla zadania.	ciąg

Ustawienia stosu

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

Zamiatanie

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

SweepJobInputs (Dane wejściowe SweepJob)

Nazwa	Opis	Wartość

SweepJobLimits (Limity zamiatania)

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

SweepJobOutputs (Dane wyjściowe zamiatania)

Nazwa	Opis	Wartość

TableFixedParameters

Nazwa	Opis	Wartość
Booster	Określ typ zwiększania, np. gbdt dla biblioteki XGBoost.	ciąg
boostingType (typ wzmocnienia)	Określ typ zwiększania, np. gbdt dla lightGBM.	ciąg
growPolicy (polityka uprawy)	Określ zasady zwiększania, które sterują sposobem dodawania nowych węzłów do drzewa.	ciąg
learningRate (Stawka nauki)	Kurs szkoleniowy dla procedury szkoleniowej.	int (integer)
maxBin (Pojemnik na śmieci)	Określ maksymalną liczbę odrębnych pojemników do zasobnika funkcji ciągłych.	int (integer)
maxDepth (maksymalna głębokość)	Określ maksymalną głębokość, aby jawnie ograniczyć głębokość drzewa.	int (integer)
maxLeaves (Liście maks.)	Określ maksymalne liście, aby jawnie ograniczyć liście drzewa.	int (integer)
minDataInLeaf (Plik minDataInLeaf)	Minimalna liczba danych na liść.	int (integer)
minSplitGain (wzmocnienie minimalne)	Minimalna redukcja strat wymagana do wykonania kolejnej partycji w węźle liścia drzewa.	int (integer)
nazwa_modelu	Nazwa modelu do trenowania.	ciąg
nEstimatory	Określ liczbę drzew (lub rund) w modelu.	int (integer)
numLeaves (liczba)	Określ liczbę liści.	int (integer)
preprocesorName	Nazwa preprocesora do użycia.	ciąg
regAlpha (regAlpha)	L1 termin regularyzacji na wagi.	int (integer)
regLambda (regLambda)	Termin uregulowania L2 na wagi.	int (integer)
podprzykład	Współczynnik próbek podrzędnych wystąpienia trenowania.	int (integer)
podpróbkaFreq	Częstotliwość podprzykładu.	int (integer)
treeMethod (metoda drzewa)	Określ metodę drzewa.	ciąg
withMean	Jeśli wartość true, wyśrodkuj przed skalowaniem danych przy użyciu standardu StandardScalar.	Bool
zStd	Jeśli wartość true, skalowanie danych przy użyciu wariancji jednostkowej przy użyciu standardScalar.	Bool

TableParameterSubspace

Nazwa	Opis	Wartość
Booster	Określ typ zwiększania, np. gbdt dla biblioteki XGBoost.	ciąg
boostingType (typ wzmocnienia)	Określ typ zwiększania, np. gbdt dla lightGBM.	ciąg
growPolicy (polityka uprawy)	Określ zasady zwiększania, które sterują sposobem dodawania nowych węzłów do drzewa.	ciąg
learningRate (Stawka nauki)	Kurs szkoleniowy dla procedury szkoleniowej.	ciąg
maxBin (Pojemnik na śmieci)	Określ maksymalną liczbę odrębnych pojemników do zasobnika funkcji ciągłych.	ciąg
maxDepth (maksymalna głębokość)	Określ maksymalną głębokość, aby jawnie ograniczyć głębokość drzewa.	ciąg
maxLeaves (Liście maks.)	Określ maksymalne liście, aby jawnie ograniczyć liście drzewa.	ciąg
minDataInLeaf (Plik minDataInLeaf)	Minimalna liczba danych na liść.	ciąg
minSplitGain (wzmocnienie minimalne)	Minimalna redukcja strat wymagana do wykonania kolejnej partycji w węźle liścia drzewa.	ciąg
nazwa_modelu	Nazwa modelu do trenowania.	ciąg
nEstimatory	Określ liczbę drzew (lub rund) w modelu.	ciąg
numLeaves (liczba)	Określ liczbę liści.	ciąg
preprocesorName	Nazwa preprocesora do użycia.	ciąg
regAlpha (regAlpha)	L1 termin regularyzacji na wagi.	ciąg
regLambda (regLambda)	Termin uregulowania L2 na wagi.	ciąg
podprzykład	Współczynnik próbek podrzędnych wystąpienia trenowania.	ciąg
podpróbkaFreq	Częstotliwość podprzykładu	ciąg
treeMethod (metoda drzewa)	Określ metodę drzewa.	ciąg
withMean	Jeśli wartość true, wyśrodkuj przed skalowaniem danych przy użyciu standardu StandardScalar.	ciąg
zStd	Jeśli wartość true, skalowanie danych przy użyciu wariancji jednostkowej przy użyciu standardScalar.	ciąg

TableSweepSettings (Ustawienia zamiatania tabeli)

Nazwa	Opis	Wartość
wczesneWypowiedzenie	Typ zasad wczesnego zakończenia zadania zamiatania.	Polityka Wczesnej Terminacji
próbkowanieAlgorithm	[Wymagane] Typ algorytmu próbkowania.	"Bayesian" "Siatka" "Losowe" (wymagane)

TableVerticalFeaturizationSettings

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

TableVerticalFeaturizationSettingsColumnNameAndTypes

Nazwa	Opis	Wartość

TabelaVerticalFeaturizationSettingsTransformerParams

Nazwa	Opis	Wartość

TableVerticalLimitSettings (Ustawienia stołu)

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

Opóźnienie docelowe

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

TargetRollingWindowSize (Rozmiar okna toczącego)

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

TensorFlow

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

Klasyfikacja tekstu

Nazwa	Opis	Wartość
cechowanieUstawienia	Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML.	NlpVerticalFeaturizationSettings
fixedParameters (Parametry stałe)	Parametry modelu/trenowania, które pozostaną stałe podczas trenowania.	NlpFixedParameters (Parametry stałe)
limitSettings (ustawienia limitu)	Ograniczenia wykonywania dla zadania AutoMLJob.	NlpVerticalLimitSettings (Ustawienia Limitu Pionowego)
primaryMetric (podstawowy)	Podstawowa metryka dla zadania Text-Classification.	"Dokładność" "AUCWeighted" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted"
searchPrzestrzeń	Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów.	NlpParameterPodprzestrzeń[]
sweepSettings (Ustawienia zamiatania)	Ustawienia dotyczące zamiatania modelu i dostrajania hiperparametrów.	NlpSweepSettings (Ustawienia przemiatania)
typ zadania	[Wymagane] Typ zadania dla zadania AutoMLJob.	"TextClassification" (wymagane)
validationData (Dane walidacji)	Dane wejściowe danych walidacji.	MLTableJobInput

TextClassificationMultilabel

Nazwa	Opis	Wartość
cechowanieUstawienia	Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML.	NlpVerticalFeaturizationSettings
fixedParameters (Parametry stałe)	Parametry modelu/trenowania, które pozostaną stałe podczas trenowania.	NlpFixedParameters (Parametry stałe)
limitSettings (ustawienia limitu)	Ograniczenia wykonywania dla zadania AutoMLJob.	NlpVerticalLimitSettings (Ustawienia Limitu Pionowego)
searchPrzestrzeń	Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów.	NlpParameterPodprzestrzeń[]
sweepSettings (Ustawienia zamiatania)	Ustawienia dotyczące zamiatania modelu i dostrajania hiperparametrów.	NlpSweepSettings (Ustawienia przemiatania)
typ zadania	[Wymagane] Typ zadania dla zadania AutoMLJob.	"TextClassificationMultilabel" (wymagane)
validationData (Dane walidacji)	Dane wejściowe danych walidacji.	MLTableJobInput

Moduł TextNer

Nazwa	Opis	Wartość
cechowanieUstawienia	Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML.	NlpVerticalFeaturizationSettings
fixedParameters (Parametry stałe)	Parametry modelu/trenowania, które pozostaną stałe podczas trenowania.	NlpFixedParameters (Parametry stałe)
limitSettings (ustawienia limitu)	Ograniczenia wykonywania dla zadania AutoMLJob.	NlpVerticalLimitSettings (Ustawienia Limitu Pionowego)
searchPrzestrzeń	Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów.	NlpParameterPodprzestrzeń[]
sweepSettings (Ustawienia zamiatania)	Ustawienia dotyczące zamiatania modelu i dostrajania hiperparametrów.	NlpSweepSettings (Ustawienia przemiatania)
typ zadania	[Wymagane] Typ zadania dla zadania AutoMLJob.	"TextNER" (wymagane)
validationData (Dane walidacji)	Dane wejściowe danych walidacji.	MLTableJobInput

Wersja próbnaComponent

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

Zmienne środowiskowe TrialComponentEnvironmentVariables

Nazwa	Opis	Wartość

TritonModelJobInput

Nazwa	Opis	Wartość
jobInputType (typ wejścia)	[Wymagane] Określa typ zadania.	"triton_model" (wymagane)
tryb	Tryb dostarczania zasobów wejściowych.	"Bezpośredni" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
pathOnCompute (ścieżkaOnCompute)	Ścieżka dostarczania elementu zawartości wejściowej.	ciąg
URI	[Wymagane] Identyfikator URI zasobu wejściowego.	struna Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] (wymagane)

TritonModelJobOutput

Nazwa	Opis	Wartość
assetName (nazwa zasobu)	Nazwa zasobu wyjściowego.	ciąg
assetVersion (wersja zasobu)	Wersja elementu zawartości wyjściowej.	ciąg
autoDeleteSetting (ustawienie automatycznego usuwania)	Ustawienie automatycznego usuwania elementu zawartości danych wyjściowych.	Ustawienie automatycznego usuwania
jobOutputType (Typ zadania)	[Wymagane] Określa typ zadania.	"triton_model" (wymagane)
tryb	Tryb dostarczania zasobów wyjściowych.	"Bezpośredni" "ReadWriteMount" "Przekaż"
pathOnCompute (ścieżkaOnCompute)	Ścieżka dostarczania elementu zawartości wyjściowej.	ciąg
URI	Identyfikator URI elementu zawartości wyjściowej.	ciąg

ObcięcieselectionPolicy

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

UriFileJobInput

Nazwa	Opis	Wartość
jobInputType (typ wejścia)	[Wymagane] Określa typ zadania.	"uri_file" (wymagane)
tryb	Tryb dostarczania zasobów wejściowych.	"Bezpośredni" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
pathOnCompute (ścieżkaOnCompute)	Ścieżka dostarczania elementu zawartości wejściowej.	ciąg
URI	[Wymagane] Identyfikator URI zasobu wejściowego.	struna Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] (wymagane)

UriFileJobOutput

Nazwa	Opis	Wartość
assetName (nazwa zasobu)	Nazwa zasobu wyjściowego.	ciąg
assetVersion (wersja zasobu)	Wersja elementu zawartości wyjściowej.	ciąg
autoDeleteSetting (ustawienie automatycznego usuwania)	Ustawienie automatycznego usuwania elementu zawartości danych wyjściowych.	Ustawienie automatycznego usuwania
jobOutputType (Typ zadania)	[Wymagane] Określa typ zadania.	"uri_file" (wymagane)
tryb	Tryb dostarczania zasobów wyjściowych.	"Bezpośredni" "ReadWriteMount" "Przekaż"
pathOnCompute (ścieżkaOnCompute)	Ścieżka dostarczania elementu zawartości wyjściowej.	ciąg
URI	Identyfikator URI elementu zawartości wyjściowej.	ciąg

UriFolderJobInput

Nazwa	Opis	Wartość
jobInputType (typ wejścia)	[Wymagane] Określa typ zadania.	"uri_folder" (wymagane)
tryb	Tryb dostarczania zasobów wejściowych.	"Bezpośredni" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
pathOnCompute (ścieżkaOnCompute)	Ścieżka dostarczania elementu zawartości wejściowej.	ciąg
URI	[Wymagane] Identyfikator URI zasobu wejściowego.	struna Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] (wymagane)

UriFolderJobOutput

Nazwa	Opis	Wartość
assetName (nazwa zasobu)	Nazwa zasobu wyjściowego.	ciąg
assetVersion (wersja zasobu)	Wersja elementu zawartości wyjściowej.	ciąg
autoDeleteSetting (ustawienie automatycznego usuwania)	Ustawienie automatycznego usuwania elementu zawartości danych wyjściowych.	Ustawienie automatycznego usuwania
jobOutputType (Typ zadania)	[Wymagane] Określa typ zadania.	"uri_folder" (wymagane)
tryb	Tryb dostarczania zasobów wyjściowych.	"Bezpośredni" "ReadWriteMount" "Przekaż"
pathOnCompute (ścieżkaOnCompute)	Ścieżka dostarczania elementu zawartości wyjściowej.	ciąg
URI	Identyfikator URI elementu zawartości wyjściowej.	ciąg

Identyfikator użytkownika

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

Element webhook

Nazwa	Opis	Wartość
typ zdarzenia	Wysyłanie wywołania zwrotnego w określonym zdarzeniu powiadomienia	ciąg
Typ elementu webhook	Ustaw wartość "AzureDevOps" dla typu AzureDevOpsWebhook.	"AzureDevOps" (wymagane)

Przykłady użycia

Przykłady szybkiego startu platformy Azure

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

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

Definicja zasobu szablonu usługi ARM

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

• grupy zasobów — zobacz polecenia wdrażania grupy zasobów

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

Format zasobu

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

{
  "type": "Microsoft.MachineLearningServices/workspaces/jobs",
  "apiVersion": "2024-04-01-preview",
  "name": "string",
  "properties": {
    "componentId": "string",
    "computeId": "string",
    "description": "string",
    "displayName": "string",
    "experimentName": "string",
    "identity": {
      "identityType": "string"
      // For remaining properties, see IdentityConfiguration objects
    },
    "isArchived": "bool",
    "notificationSetting": {
      "emailOn": [ "string" ],
      "emails": [ "string" ],
      "webhooks": {
        "{customized property}": {
          "eventType": "string",
          "webhookType": "string"
          // For remaining properties, see Webhook objects
        }
      }
    },
    "properties": {
      "{customized property}": "string"
    },
    "secretsConfiguration": {
      "{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"
        }
      }
    },
    "tags": {
      "{customized property}": "string"
    },
    "jobType": "string"
    // For remaining properties, see JobBaseProperties objects
  }
}

Obiekty JobOutput

Ustaw właściwość jobOutputType , aby określić typ obiektu.

W przypadku custom_model użyj:

{
  "assetName": "string",
  "assetVersion": "string",
  "autoDeleteSetting": {
    "condition": "string",
    "value": "string"
  },
  "jobOutputType": "custom_model",
  "mode": "string",
  "pathOnCompute": "string",
  "uri": "string"
}

W przypadku mlflow_model użyj:

{
  "assetName": "string",
  "assetVersion": "string",
  "autoDeleteSetting": {
    "condition": "string",
    "value": "string"
  },
  "jobOutputType": "mlflow_model",
  "mode": "string",
  "pathOnCompute": "string",
  "uri": "string"
}

W przypadku metody mltable użyj:

{
  "assetName": "string",
  "assetVersion": "string",
  "autoDeleteSetting": {
    "condition": "string",
    "value": "string"
  },
  "jobOutputType": "mltable",
  "mode": "string",
  "pathOnCompute": "string",
  "uri": "string"
}

W przypadku triton_model użyj:

{
  "assetName": "string",
  "assetVersion": "string",
  "autoDeleteSetting": {
    "condition": "string",
    "value": "string"
  },
  "jobOutputType": "triton_model",
  "mode": "string",
  "pathOnCompute": "string",
  "uri": "string"
}

W przypadku uri_file użyj:

{
  "assetName": "string",
  "assetVersion": "string",
  "autoDeleteSetting": {
    "condition": "string",
    "value": "string"
  },
  "jobOutputType": "uri_file",
  "mode": "string",
  "pathOnCompute": "string",
  "uri": "string"
}

W przypadku uri_folder użyj:

{
  "assetName": "string",
  "assetVersion": "string",
  "autoDeleteSetting": {
    "condition": "string",
    "value": "string"
  },
  "jobOutputType": "uri_folder",
  "mode": "string",
  "pathOnCompute": "string",
  "uri": "string"
}

Obiekty IdentityConfiguration

Ustaw właściwość identityType , aby określić typ obiektu.

W przypadku tokenu AMLToken użyj:

{
  "identityType": "AMLToken"
}

W przypadku zarządzanychużyj:

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

W przypadku identyfikatora UserIdentity użyj:

{
  "identityType": "UserIdentity"
}

Obiekty TargetRollingWindowSize

Ustaw właściwość mode , aby określić typ obiektu.

W przypadku opcji Auto użyj:

{
  "mode": "Auto"
}

W przypadku opcji Niestandardowe użyj:

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

Próbkowanie ObiektówAlgorithm

Ustaw właściwość samplingAlgorithmType , aby określić typ obiektu.

W przypadku bayesianu użyj:

{
  "samplingAlgorithmType": "Bayesian"
}

W przypadku usługi Grid użyj polecenia:

{
  "samplingAlgorithmType": "Grid"
}

W przypadku funkcji Losowe użyj:

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

Obiekty JobBaseProperties

Ustaw właściwość jobType , aby określić typ obiektu.

W przypadku rozwiązania AutoML użyj:

{
  "environmentId": "string",
  "environmentVariables": {
    "{customized property}": "string"
  },
  "jobType": "AutoML",
  "outputs": {
    "{customized property}": {
      "description": "string",
      "jobOutputType": "string"
      // For remaining properties, see JobOutput objects
    }
  },
  "queueSettings": {
    "jobTier": "string",
    "priority": "int"
  },
  "resources": {
    "dockerArgs": "string",
    "instanceCount": "int",
    "instanceType": "string",
    "locations": [ "string" ],
    "maxInstanceCount": "int",
    "properties": {
      "{customized property}": {}
    },
    "shmSize": "string"
  },
  "taskDetails": {
    "logVerbosity": "string",
    "targetColumnName": "string",
    "trainingData": {
      "description": "string",
      "jobInputType": "string",
      "mode": "string",
      "pathOnCompute": "string",
      "uri": "string"
    },
    "taskType": "string"
    // For remaining properties, see AutoMLVertical objects
  }
}

W przypadku polecenia użyj polecenia:

{
  "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
    }
  },
  "jobType": "Command",
  "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}": {}
    },
    "shmSize": "string"
  }
}

W przypadku funkcji FineTuning użyj:

{
  "fineTuningDetails": {
    "model": {
      "description": "string",
      "jobInputType": "string",
      "mode": "string",
      "pathOnCompute": "string",
      "uri": "string"
    },
    "taskType": "string",
    "trainingData": {
      "description": "string",
      "jobInputType": "string"
      // For remaining properties, see JobInput objects
    },
    "validationData": {
      "description": "string",
      "jobInputType": "string"
      // For remaining properties, see JobInput objects
    },
    "modelProvider": "string"
    // For remaining properties, see FineTuningVertical objects
  },
  "jobType": "FineTuning",
  "outputs": {
    "{customized property}": {
      "description": "string",
      "jobOutputType": "string"
      // For remaining properties, see JobOutput objects
    }
  }
}

W przypadku etykietowania użyj:

{
  "dataConfiguration": {
    "dataId": "string",
    "incrementalDataRefresh": "string"
  },
  "jobInstructions": {
    "uri": "string"
  },
  "jobType": "Labeling",
  "labelCategories": {
    "{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:

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

W przypadku platformy Spark użyj:

{
  "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" ],
  "jobType": "Spark",
  "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:

{
  "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
    }
  },
  "jobType": "Sweep",
  "limits": {
    "jobLimitsType": "string",
    "maxConcurrentTrials": "int",
    "maxTotalTrials": "int",
    "timeout": "string",
    "trialTimeout": "string"
  },
  "objective": {
    "goal": "string",
    "primaryMetric": "string"
  },
  "outputs": {
    "{customized property}": {
      "description": "string",
      "jobOutputType": "string"
      // For remaining properties, see JobOutput objects
    }
  },
  "queueSettings": {
    "jobTier": "string",
    "priority": "int"
  },
  "resources": {
    "dockerArgs": "string",
    "instanceCount": "int",
    "instanceType": "string",
    "locations": [ "string" ],
    "maxInstanceCount": "int",
    "properties": {
      "{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}": {}
      },
      "shmSize": "string"
    }
  }
}

Obiekty autoMLVertical

Ustaw właściwość taskType , aby określić typ obiektu.

W przypadku klasyfikacji użyj:

{
  "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"
  },
  "taskType": "Classification",
  "testData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "pathOnCompute": "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",
    "pathOnCompute": "string",
    "uri": "string"
  },
  "validationDataSize": "int",
  "weightColumnName": "string"
}

W przypadku prognozowania użyj:

{
  "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"
  },
  "taskType": "Forecasting",
  "testData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "pathOnCompute": "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",
    "pathOnCompute": "string",
    "uri": "string"
  },
  "validationDataSize": "int",
  "weightColumnName": "string"
}

W przypadku klasyfikacji obrazu użyj:

{
  "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",
      "pathOnCompute": "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"
  },
  "taskType": "ImageClassification",
  "validationData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "pathOnCompute": "string",
    "uri": "string"
  },
  "validationDataSize": "int"
}

W przypadku elementu ImageClassificationMultilabel użyj:

{
  "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",
      "pathOnCompute": "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"
  },
  "taskType": "ImageClassificationMultilabel",
  "validationData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "pathOnCompute": "string",
    "uri": "string"
  },
  "validationDataSize": "int"
}

W przypadku klasy ImageInstanceSegmentation użyj:

{
  "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",
      "pathOnCompute": "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": "string",
  "searchSpace": [
    {
      "amsGradient": "string",
      "augmentations": "string",
      "beta1": "string",
      "beta2": "string",
      "boxDetectionsPerImage": "string",
      "boxScoreThreshold": "string",
      "distributed": "string",
      "earlyStopping": "string",
      "earlyStoppingDelay": "string",
      "earlyStoppingPatience": "string",
      "enableOnnxNormalization": "string",
      "evaluationFrequency": "string",
      "gradientAccumulationStep": "string",
      "imageSize": "string",
      "layersToFreeze": "string",
      "learningRate": "string",
      "learningRateScheduler": "string",
      "maxSize": "string",
      "minSize": "string",
      "modelName": "string",
      "modelSize": "string",
      "momentum": "string",
      "multiScale": "string",
      "nesterov": "string",
      "nmsIouThreshold": "string",
      "numberOfEpochs": "string",
      "numberOfWorkers": "string",
      "optimizer": "string",
      "randomSeed": "string",
      "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"
  },
  "taskType": "ImageInstanceSegmentation",
  "validationData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "pathOnCompute": "string",
    "uri": "string"
  },
  "validationDataSize": "int"
}

W przypadku elementu ImageObjectDetection użyj:

{
  "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",
      "pathOnCompute": "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": "string",
  "searchSpace": [
    {
      "amsGradient": "string",
      "augmentations": "string",
      "beta1": "string",
      "beta2": "string",
      "boxDetectionsPerImage": "string",
      "boxScoreThreshold": "string",
      "distributed": "string",
      "earlyStopping": "string",
      "earlyStoppingDelay": "string",
      "earlyStoppingPatience": "string",
      "enableOnnxNormalization": "string",
      "evaluationFrequency": "string",
      "gradientAccumulationStep": "string",
      "imageSize": "string",
      "layersToFreeze": "string",
      "learningRate": "string",
      "learningRateScheduler": "string",
      "maxSize": "string",
      "minSize": "string",
      "modelName": "string",
      "modelSize": "string",
      "momentum": "string",
      "multiScale": "string",
      "nesterov": "string",
      "nmsIouThreshold": "string",
      "numberOfEpochs": "string",
      "numberOfWorkers": "string",
      "optimizer": "string",
      "randomSeed": "string",
      "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"
  },
  "taskType": "ImageObjectDetection",
  "validationData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "pathOnCompute": "string",
    "uri": "string"
  },
  "validationDataSize": "int"
}

W przypadku regresji użyj:

{
  "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"
  },
  "taskType": "Regression",
  "testData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "pathOnCompute": "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",
    "pathOnCompute": "string",
    "uri": "string"
  },
  "validationDataSize": "int",
  "weightColumnName": "string"
}

W przypadku klasyfikacji tekstu użyj:

{
  "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"
  },
  "taskType": "TextClassification",
  "validationData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "pathOnCompute": "string",
    "uri": "string"
  }
}

W przypadku elementu TextClassificationMultilabel użyj:

{
  "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"
  },
  "taskType": "TextClassificationMultilabel",
  "validationData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "pathOnCompute": "string",
    "uri": "string"
  }
}

W przypadku funkcji TextNER użyj:

{
  "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"
  },
  "taskType": "TextNER",
  "validationData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "pathOnCompute": "string",
    "uri": "string"
  }
}

Obiekty MLAssistConfiguration

Ustaw właściwość mlAssist , aby określić typ obiektu.

W przypadku opcji Wyłączone użyj polecenia:

{
  "mlAssist": "Disabled"
}

W obszarze Włączone użyj polecenia:

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

Obiekty DistributionConfiguration

Ustaw właściwość distributionType , aby określić typ obiektu.

W przypadku programu Mpi użyj:

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

W przypadku rozwiązania PyTorch użyj:

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

W przypadku raya użyj:

{
  "address": "string",
  "dashboardPort": "int",
  "distributionType": "Ray",
  "headNodeAdditionalArgs": "string",
  "includeDashboard": "bool",
  "port": "int",
  "workerNodeAdditionalArgs": "string"
}

W przypadku biblioteki TensorFlow użyj:

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

Obiekty SparkJobEntry

Ustaw właściwość sparkJobEntryType , aby określić typ obiektu.

W przypadku platformy SparkJobPythonEntry użyj:

{
  "file": "string",
  "sparkJobEntryType": "SparkJobPythonEntry"
}

W przypadku elementu SparkJobScalaEntry użyj:

{
  "className": "string",
  "sparkJobEntryType": "SparkJobScalaEntry"
}

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" ]
}

LabelingJobMediaProperties, obiekty

Ustaw właściwość mediaType , aby określić typ obiektu.

W przypadku obrazu użyj:

{
  "annotationType": "string",
  "mediaType": "Image"
}

W obszarze Tekst użyj:

{
  "annotationType": "string",
  "mediaType": "Text"
}

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 elementu webhook

Ustaw właściwość webhookType , aby określić typ obiektu.

W przypadku usługi AzureDevOps użyj:

{
  "webhookType": "AzureDevOps"
}

Obiekty EarlyTerminationPolicy

Ustaw właściwość policyType , aby określić typ obiektu.

W przypadku elementu Bandit użyj:

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

W przypadku medianStopping użyj:

{
  "policyType": "MedianStopping"
}

W przypadku narzędzia TruncationSelection użyj:

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

Obiekty JobInput

Ustaw właściwość jobInputType , aby określić typ obiektu.

W przypadku custom_model użyj:

{
  "jobInputType": "custom_model",
  "mode": "string",
  "pathOnCompute": "string",
  "uri": "string"
}

W przypadku literału użyj:

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

W przypadku mlflow_model użyj:

{
  "jobInputType": "mlflow_model",
  "mode": "string",
  "pathOnCompute": "string",
  "uri": "string"
}

W przypadku metody mltable użyj:

{
  "jobInputType": "mltable",
  "mode": "string",
  "pathOnCompute": "string",
  "uri": "string"
}

W przypadku triton_model użyj:

{
  "jobInputType": "triton_model",
  "mode": "string",
  "pathOnCompute": "string",
  "uri": "string"
}

W przypadku uri_file użyj:

{
  "jobInputType": "uri_file",
  "mode": "string",
  "pathOnCompute": "string",
  "uri": "string"
}

W przypadku uri_folder użyj:

{
  "jobInputType": "uri_folder",
  "mode": "string",
  "pathOnCompute": "string",
  "uri": "string"
}

FineTuningVertical obiektów

Ustaw właściwość modelProvider , aby określić typ obiektu.

W przypadku interfejsu AzureOpenAI użyj:

{
  "hyperParameters": {
    "batchSize": "int",
    "learningRateMultiplier": "int",
    "nEpochs": "int"
  },
  "modelProvider": "AzureOpenAI"
}

W przypadku opcji Niestandardowe użyj:

{
  "hyperParameters": {
    "{customized property}": "string"
  },
  "modelProvider": "Custom"
}

Obiekty węzłów

Ustaw właściwość nodesValueType , aby określić typ obiektu.

W przypadku opcji Wszystkie użyj polecenia:

{
  "nodesValueType": "All"
}

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"
}

Wartości właściwości

Microsoft.MachineLearningServices/workspaces/jobs

Nazwa	Opis	Wartość
apiVersion (wersja interfejsu api)	Wersja interfejsu API	"2024-04-01-preview"
nazwa	Nazwa zasobu	struna Ograniczenia: Wzorzec = ^[a-zA-Z0-9][a-zA-Z0-9\-_]{0,254}$ (wymagane)
właściwości	[Wymagane] Dodatkowe atrybuty jednostki.	Właściwości bazy zadań (wymagane)
typ	Typ zasobu	"Microsoft.MachineLearningServices/workspaces/jobs"

Wszystkie węzły

Nazwa	Opis	Wartość
nodesValueType (typ wartości)	[Wymagane] Typ wartości Węzły	"Wszystkie" (wymagane)

Token AML

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

Ustawienie automatycznego usuwania

Nazwa	Opis	Wartość
warunek / stan / kondycja (select according to the specific context)	Kiedy sprawdzić, czy zasób wygasł	"CreatedGreaterThan" "LastAccessedGreaterThan"
wartość	Wartość warunku wygaśnięcia.	ciąg

Horyzont automatycznej prognozy

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

Ustawienia autologgera

Nazwa	Opis	Wartość
mlflowAutologger (Rejestrator Automatyczny)	[Wymagane] Wskazuje, czy jest włączony autologer mlflow.	"Wyłączone" "Włączone" (wymagane)

AutoMLJob

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

AutoMLJobEnvironmentVariables (Zmienne środowiskowe AutoMLJobEnvironmentVariables)

Nazwa	Opis	Wartość

AutoMLJobOutputs (Wyjścia automatyczneMLJobOutputs)

Nazwa	Opis	Wartość

AutoMLVertical

Nazwa	Opis	Wartość
logSzczegółowość	Czasownik rejestrowania dla zadania.	"Krytyczne" "Debugowanie" "Błąd" "Informacje" "NotSet" "Ostrzeżenie"
targetColumnName (nazwa_kolumny)	Nazwa kolumny docelowej: jest to kolumna wartości przewidywania. Znana również jako nazwa kolumny etykiety w kontekście zadań klasyfikacji.	ciąg
typ zadania	Ustaw wartość "Klasyfikacja" dla typu Klasyfikacja. Ustaw wartość "Prognozowanie" dla typu Prognozowanie. Dla typu ImageClassification ustaw wartość "ImageClassification". Ustaw wartość "ImageClassificationMultilabel" dla typu ImageClassificationMultilabel. Ustaw wartość "ImageInstanceSegmentation" dla typu ImageInstanceSegmentation. Dla typu ImageObjectDetection ustaw wartość "ImageObjectDetection". Ustaw wartość "Regresja" dla regresji typu. Dla typu TextClassification ustaw wartość "TextClassification". Ustaw wartość "TextClassificationMultilabel" dla typu TextClassificationMultilabel. Ustaw wartość "TextNER" dla typu TextNer.	"Klasyfikacja" "Prognozowanie" "ImageClassification" "ImageClassificationMultilabel" "ImageInstanceSegmentation" "ImageObjectDetection" "Regresja" "TextClassification" "TextClassificationMultilabel" "TextNER" (wymagane)
trainingData (dane szkoleniowe)	[Wymagane] Dane wejściowe danych treningowych.	MLTableJobInput (wymagane)

AutoNCrossWalidacje

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

Autoseasonity

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

Opóźnienia AutoTargetLags

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

AutoTargetRollingWindowSize

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

AzureDevOpsWebhook

Nazwa	Opis	Wartość
Typ elementu webhook	[Wymagane] Określa typ usługi do wysłania wywołania zwrotnego	"AzureDevOps" (wymagane)

AzureOpenAiFineTuning

Nazwa	Opis	Wartość
hiperparametry	Hiperparametry do precyzyjnego dostrajania modelu azure Open AI.	AzureOpenAiHyperParameters
modelProvider (dostawca modelu)	[Wymagane] Wyliczenie w celu określenia typu dostrajania.	"AzureOpenAI" (wymagane)

AzureOpenAiHyperParameters

Nazwa	Opis	Wartość
batchSize (rozmiar wsadu)	Liczba przykładów w każdej partii. Większy rozmiar partii oznacza, że parametry modelu są aktualizowane rzadziej, ale z niższą wariancją.	int (integer)
learningRateMultiplier (mnożnik stawki)	Współczynnik skalowania dla szybkości nauki. Mniejsze tempo nauki może być przydatne, aby uniknąć nadmiernego dopasowania.	int (integer)
Epoki	Liczba epok treningu dla modelu. Epoka odnosi się do jednego pełnego cyklu przez zestaw danych szkoleniowych.	int (integer)

Polityka bandytów

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

Algorytm Bayesowskiego próbkowania

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

Klasyfikacja

Nazwa	Opis	Wartość
cvSplitColumnNames (NazwyKolumn)	Kolumny do użycia dla danych CVSplit.	ciąg znakowy[]
cechowanieUstawienia	Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML.	TableVerticalFeaturizationSettings
fixedParameters (Parametry stałe)	Parametry modelu/trenowania, które pozostaną stałe podczas trenowania.	TableFixedParameters
limitSettings (ustawienia limitu)	Ograniczenia wykonywania dla zadania AutoMLJob.	TableVerticalLimitSettings (Ustawienia stołu)
nCrossWalidacje	Liczba składań krzyżowych do zastosowania w zestawie danych szkoleniowych jeśli zestaw danych sprawdzania poprawności nie jest podany.	NCrossWalidacje
positiveLabel (pozytywnaEtykieta)	Etykieta dodatnia dla obliczeń metryk binarnych.	ciąg
primaryMetric (podstawowy)	Podstawowa metryka zadania.	"Dokładność" "AUCWeighted" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted"
searchPrzestrzeń	Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów.	TableParameterPodprzestrzeń[]
sweepSettings (Ustawienia zamiatania)	Ustawienia dotyczące zamiatania modelu i dostrajania hiperparametrów.	TableSweepSettings (Ustawienia zamiatania tabeli)
typ zadania	[Wymagane] Typ zadania dla zadania AutoMLJob.	"Klasyfikacja" (wymagana)
testData (dane testowe)	Testowanie danych wejściowych.	MLTableJobInput
testDataSize (rozmiar testu)	Ułamek zestawu danych testowych, który należy odłożyć na potrzeby walidacji. Wartości z zakresu (0.0, 1.0) Zastosowano, gdy zestaw danych weryfikacji nie został podany.	int (integer)
trainingSettings (ustawienia szkolenia)	Dane wejściowe fazy trenowania zadania automatycznego uczenia maszynowego.	ClassificationTrainingSettings
validationData (Dane walidacji)	Dane wejściowe danych walidacji.	MLTableJobInput
validationDataSize (validationDataSize)	Ułamek zestawu danych trenowania, który należy odłożyć na potrzeby walidacji. Wartości z zakresu (0.0, 1.0) Zastosowano, gdy zestaw danych weryfikacji nie został podany.	int (integer)
weightColumnName (nazwa_kolumny)	Nazwa kolumny wagi próbki. Zautomatyzowane uczenie maszynowe obsługuje kolumnę ważoną jako dane wejściowe, co powoduje, że wiersze w danych mają być ważone w górę lub w dół.	ciąg

ClassificationTrainingSettings

Nazwa	Opis	Wartość
allowedTrainingAlgorithms (dozwoloneAlgorytmy szkoleniowe)	Dozwolone modele dla zadania klasyfikacji.	Tablica ciągów zawierająca dowolną z: "BernoulliNaiveBayes" "DecisionTree" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LightGBM" "LinearSVM" "LogisticsRegression" "MultinomialNaiveBayes" "RandomForest" "SGD" "SVM" "XGBoostClassifier"
blockedTrainingAlgorithms (Algorytmy treningowe)	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 szkolenie Dnn)	Włącz zalecenie dotyczące modeli sieci rozproszonej.	Bool
enableModelExplainability (wytłumaczalność	Flaga włączania możliwości objaśnienia dla najlepszego modelu.	Bool
enableOnnxCompatibleModels (Modele kompatybilne z enable)	Flaga włączania modeli zgodnych z programem onnx.	Bool
enableStackEnsemble (włącz zestaw danych w stosie)	Włącz uruchamianie zespołu stosu.	Bool
enableVoteEnsemble (zespół włączeń)	Włącz uruchamianie zespołu do głosowania.	Bool
ensembleModelDownloadTimeout	Podczas generowania modeli VotingEnsemble i StackEnsemble pobierane są wiele dopasowanych modeli z poprzednich przebiegów podrzędnych. Skonfiguruj ten parametr z wyższą wartością niż 300 sekund, jeśli jest potrzebny więcej czasu.	ciąg
stackEnsembleSettings	Ustawienia zespołu stosu dla przebiegu zespołu stosu.	Ustawienia stosu
trainingMode (tryb szkolenia)	Tryb TrainingMode — ustawienie wartości "auto" jest takie samo jak ustawienie go na wartość "nieprostrybuowana" na razie, jednak w przyszłości może spowodować wybór trybu mieszanego lub heurystycznego. Wartość domyślna to "auto". Jeśli wartość "Rozproszona" jest używana tylko rozproszona cecha, a wybierane są algorytmy rozproszone. W przypadku wybrania parametru "NonDistributed" są wybierane tylko nieprodowane algorytmy.	"Auto" "Rozproszony" "NonDistributed"

Kolumnowyprzekształtnik

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

Zadanie polecenia

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

CommandJobEnvironmentVariables

Nazwa	Opis	Wartość

CommandJobInputs

Nazwa	Opis	Wartość

CommandJobLimits

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

CommandJobOutputs

Nazwa	Opis	Wartość

Konfiguracja składnika

Nazwa	Opis	Wartość
pipelineSettings (ustawienia potoku)	Ustawienia potoku, np. ContinueRunOnStepFailure itp.	jakikolwiek

Niestandardowy horyzont prognozy

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

Dostrajanie modelu niestandardowego

Nazwa	Opis	Wartość
hiperparametry	Hiperparametry do dostrajania modelu niestandardowego.	CustomModelFineTuningHyperParameters
modelProvider (dostawca modelu)	[Wymagane] Wyliczenie w celu określenia typu dostrajania.	"Niestandardowy" (wymagany)

CustomModelFineTuningHyperParameters

Nazwa	Opis	Wartość

CustomModelJobInput

Nazwa	Opis	Wartość
jobInputType (typ wejścia)	[Wymagane] Określa typ zadania.	"custom_model" (wymagane)
tryb	Tryb dostarczania zasobów wejściowych.	"Bezpośredni" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
pathOnCompute (ścieżkaOnCompute)	Ścieżka dostarczania elementu zawartości wejściowej.	ciąg
URI	[Wymagane] Identyfikator URI zasobu wejściowego.	struna Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] (wymagane)

CustomModelJobOutput

Nazwa	Opis	Wartość
assetName (nazwa zasobu)	Nazwa zasobu wyjściowego.	ciąg
assetVersion (wersja zasobu)	Wersja elementu zawartości wyjściowej.	ciąg
autoDeleteSetting (ustawienie automatycznego usuwania)	Ustawienie automatycznego usuwania elementu zawartości danych wyjściowych.	Ustawienie automatycznego usuwania
jobOutputType (Typ zadania)	[Wymagane] Określa typ zadania.	"custom_model" (wymagane)
tryb	Tryb dostarczania zasobów wyjściowych.	"Bezpośredni" "ReadWriteMount" "Przekaż"
pathOnCompute (ścieżkaOnCompute)	Ścieżka dostarczania elementu zawartości wyjściowej.	ciąg
URI	Identyfikator URI elementu zawartości wyjściowej.	ciąg

CustomNCrossValidations (Walidacje niestandardowych dokumentów)

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

Niestandardowa sezonowość

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

CustomTargetLags (Niestandardowe opóźnienia)

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

CustomTargetRollingWindowSize (Niestandardowy rozmiarDocelowegoPrzewijaniaOkna)

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

Rozkładkonfiguracja

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

Polityka Wczesnej Terminacji

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

Zadanie dostrajania

Nazwa	Opis	Wartość
fineTuningSzczegóły	[Wymagane]	FineTuningVertical (wymagane)
rodzaj pracy	[Wymagane] Określa typ zadania.	"FineTuning" (wymagane)
Wyniki	[Wymagane]	FineTuningJobOutputs (wymagane)

FineTuningJobOutputs

Nazwa	Opis	Wartość

DostrajaniePionowe

Nazwa	Opis	Wartość
model	[Wymagane] Model wejściowy do dostrajania.	MLFlowModelJobInput (wymagane)
modelProvider (dostawca modelu)	Dla typu AzureOpenAI wpisz AzureOpenAiFineTuning. Dla typu CustomModelFineTuning ustaw wartość "CustomModel".	"AzureOpenAI" "Niestandardowy" (wymagany)
typ zadania	[Wymagane] Dostrajanie typu zadania.	"ChatCompletion" "ImageClassification" "ImageInstanceSegmentation" "ImageObjectDetection" "QuestionAnswering" "TextClassification" "TextCompletion" "TextSummarization" "Tłumaczenie tekstu" "TokenClassification" "VideoMultiObjectTracking" (wymagane)
trainingData (dane szkoleniowe)	[Wymagane] Dane szkoleniowe do dostrajania.	JobInput (wymagane)
validationData (Dane walidacji)	Dane weryfikacji dostrajania.	JobInput (Wejście zadania)

PrognozaHorizon

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

Prognozowanie

Nazwa	Opis	Wartość
cvSplitColumnNames (NazwyKolumn)	Kolumny do użycia dla danych CVSplit.	ciąg znakowy[]
cechowanieUstawienia	Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML.	TableVerticalFeaturizationSettings
fixedParameters (Parametry stałe)	Parametry modelu/trenowania, które pozostaną stałe podczas trenowania.	TableFixedParameters
prognozowanieUstawienia	Prognozowanie danych wejściowych specyficznych dla zadania.	PrognozowanieUstawienia
limitSettings (ustawienia limitu)	Ograniczenia wykonywania dla zadania AutoMLJob.	TableVerticalLimitSettings (Ustawienia stołu)
nCrossWalidacje	Liczba składań krzyżowych do zastosowania w zestawie danych szkoleniowych jeśli zestaw danych sprawdzania poprawności nie jest podany.	NCrossWalidacje
primaryMetric (podstawowy)	Podstawowa metryka zadania prognozowania.	"NormalizedMeanAbsoluteError" "NormalizedRootMeanSquaredError" "R2Score" "SpearmanCorrelation"
searchPrzestrzeń	Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów.	TableParameterPodprzestrzeń[]
sweepSettings (Ustawienia zamiatania)	Ustawienia dotyczące zamiatania modelu i dostrajania hiperparametrów.	TableSweepSettings (Ustawienia zamiatania tabeli)
typ zadania	[Wymagane] Typ zadania dla zadania AutoMLJob.	"Prognozowanie" (wymagane)
testData (dane testowe)	Testowanie danych wejściowych.	MLTableJobInput
testDataSize (rozmiar testu)	Ułamek zestawu danych testowych, który należy odłożyć na potrzeby walidacji. Wartości z zakresu (0.0, 1.0) Zastosowano, gdy zestaw danych weryfikacji nie został podany.	int (integer)
trainingSettings (ustawienia szkolenia)	Dane wejściowe fazy trenowania zadania automatycznego uczenia maszynowego.	ForecastingTrainingSettings
validationData (Dane walidacji)	Dane wejściowe danych walidacji.	MLTableJobInput
validationDataSize (validationDataSize)	Ułamek zestawu danych trenowania, który należy odłożyć na potrzeby walidacji. Wartości z zakresu (0.0, 1.0) Zastosowano, gdy zestaw danych weryfikacji nie został podany.	int (integer)
weightColumnName (nazwa_kolumny)	Nazwa kolumny wagi próbki. Zautomatyzowane uczenie maszynowe obsługuje kolumnę ważoną jako dane wejściowe, co powoduje, że wiersze w danych mają być ważone w górę lub w dół.	ciąg

PrognozowanieUstawienia

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

ForecastingTrainingSettings

Nazwa	Opis	Wartość
allowedTrainingAlgorithms (dozwoloneAlgorytmy szkoleniowe)	Dozwolone modele do zadania prognozowania.	Tablica ciągów zawierająca dowolną z: "Arimax" "AutoArima" "Średnia" "DecisionTree" "ElasticNet" "ExponentialSmoothing" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "Naiwny" "Prorok" "RandomForest" "Sezonowa wyrównywacz" "SeasonalNaive" "SGD" "TCNForecaster" "XGBoostRegressor"
blockedTrainingAlgorithms (Algorytmy treningowe)	Zablokowane modele do zadania prognozowania.	Tablica ciągów zawierająca dowolną z: "Arimax" "AutoArima" "Średnia" "DecisionTree" "ElasticNet" "ExponentialSmoothing" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "Naiwny" "Prorok" "RandomForest" "Sezonowa wyrównywacz" "SeasonalNaive" "SGD" "TCNForecaster" "XGBoostRegressor"
enableDnnTraining (włącz szkolenie Dnn)	Włącz zalecenie dotyczące modeli sieci rozproszonej.	Bool
enableModelExplainability (wytłumaczalność	Flaga włączania możliwości objaśnienia dla najlepszego modelu.	Bool
enableOnnxCompatibleModels (Modele kompatybilne z enable)	Flaga włączania modeli zgodnych z programem onnx.	Bool
enableStackEnsemble (włącz zestaw danych w stosie)	Włącz uruchamianie zespołu stosu.	Bool
enableVoteEnsemble (zespół włączeń)	Włącz uruchamianie zespołu do głosowania.	Bool
ensembleModelDownloadTimeout	Podczas generowania modeli VotingEnsemble i StackEnsemble pobierane są wiele dopasowanych modeli z poprzednich przebiegów podrzędnych. Skonfiguruj ten parametr z wyższą wartością niż 300 sekund, jeśli jest potrzebny więcej czasu.	ciąg
stackEnsembleSettings	Ustawienia zespołu stosu dla przebiegu zespołu stosu.	Ustawienia stosu
trainingMode (tryb szkolenia)	Tryb TrainingMode — ustawienie wartości "auto" jest takie samo jak ustawienie go na wartość "nieprostrybuowana" na razie, jednak w przyszłości może spowodować wybór trybu mieszanego lub heurystycznego. Wartość domyślna to "auto". Jeśli wartość "Rozproszona" jest używana tylko rozproszona cecha, a wybierane są algorytmy rozproszone. W przypadku wybrania parametru "NonDistributed" są wybierane tylko nieprodowane algorytmy.	"Auto" "Rozproszony" "NonDistributed"

Algorytm próbkowania siatki

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

IdentityConfiguration

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

Klasyfikacja obrazu

Nazwa	Opis	Wartość
limitSettings (ustawienia limitu)	[Wymagane] Ogranicz ustawienia zadania automatycznego uczenia maszynowego.	ImageLimitSettings (wymagane)
modelSettings (Ustawienia modelu)	Ustawienia używane do trenowania modelu.	ImageModelSettingsClassification
primaryMetric (podstawowy)	Podstawowa metryka do optymalizacji pod kątem tego zadania.	"Dokładność" "AUCWeighted" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted"
searchPrzestrzeń	Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów.	Klasyfikacja ImageModelDistributionSettings[]
sweepSettings (Ustawienia zamiatania)	Ustawienia związane z zamiatanie modeli i zamiatanie hiperparametrów.	Ustawienia zamiatania obrazu
typ zadania	[Wymagane] Typ zadania dla zadania AutoMLJob.	"ImageClassification" (wymagane)
validationData (Dane walidacji)	Dane wejściowe danych walidacji.	MLTableJobInput
validationDataSize (validationDataSize)	Ułamek zestawu danych trenowania, który należy odłożyć na potrzeby walidacji. Wartości z zakresu (0.0, 1.0) Zastosowano, gdy zestaw danych weryfikacji nie został podany.	int (integer)

ImageClassificationMultilabel

Nazwa	Opis	Wartość
limitSettings (ustawienia limitu)	[Wymagane] Ogranicz ustawienia zadania automatycznego uczenia maszynowego.	ImageLimitSettings (wymagane)
modelSettings (Ustawienia modelu)	Ustawienia używane do trenowania modelu.	ImageModelSettingsClassification
primaryMetric (podstawowy)	Podstawowa metryka do optymalizacji pod kątem tego zadania.	"Dokładność" "AUCWeighted" "AveragePrecisionScoreWeighted" "IOU" "NormMacroRecall" "PrecisionScoreWeighted"
searchPrzestrzeń	Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów.	Klasyfikacja ImageModelDistributionSettings[]
sweepSettings (Ustawienia zamiatania)	Ustawienia związane z zamiatanie modeli i zamiatanie hiperparametrów.	Ustawienia zamiatania obrazu
typ zadania	[Wymagane] Typ zadania dla zadania AutoMLJob.	"ImageClassificationMultilabel" (wymagane)
validationData (Dane walidacji)	Dane wejściowe danych walidacji.	MLTableJobInput
validationDataSize (validationDataSize)	Ułamek zestawu danych trenowania, który należy odłożyć na potrzeby walidacji. Wartości z zakresu (0.0, 1.0) Zastosowano, gdy zestaw danych weryfikacji nie został podany.	int (integer)

Segmentacja ImageInstanceSegmentation

Nazwa	Opis	Wartość
limitSettings (ustawienia limitu)	[Wymagane] Ogranicz ustawienia zadania automatycznego uczenia maszynowego.	ImageLimitSettings (wymagane)
modelSettings (Ustawienia modelu)	Ustawienia używane do trenowania modelu.	ImageModelSettingsObjectDetection
primaryMetric (podstawowy)	Podstawowa metryka do optymalizacji pod kątem tego zadania.	"MeanAveragePrecision"
searchPrzestrzeń	Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów.	ImageModelDistributionSettingsObjectDetection[]
sweepSettings (Ustawienia zamiatania)	Ustawienia związane z zamiatanie modeli i zamiatanie hiperparametrów.	Ustawienia zamiatania obrazu
typ zadania	[Wymagane] Typ zadania dla zadania AutoMLJob.	"ImageInstanceSegmentation" (wymagane)
validationData (Dane walidacji)	Dane wejściowe danych walidacji.	MLTableJobInput
validationDataSize (validationDataSize)	Ułamek zestawu danych trenowania, który należy odłożyć na potrzeby walidacji. Wartości z zakresu (0.0, 1.0) Zastosowano, gdy zestaw danych weryfikacji nie został podany.	int (integer)

Ustawienia limitu obrazu

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

ImageModelDistributionSettingsClassification

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

ImageModelDistributionSettingsObjectDetection

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

ImageModelSettingsClassification

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

ImageModelSettingsObjectDetection

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

ImageObjectDetection

Nazwa	Opis	Wartość
limitSettings (ustawienia limitu)	[Wymagane] Ogranicz ustawienia zadania automatycznego uczenia maszynowego.	ImageLimitSettings (wymagane)
modelSettings (Ustawienia modelu)	Ustawienia używane do trenowania modelu.	ImageModelSettingsObjectDetection
primaryMetric (podstawowy)	Podstawowa metryka do optymalizacji pod kątem tego zadania.	"MeanAveragePrecision"
searchPrzestrzeń	Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów.	ImageModelDistributionSettingsObjectDetection[]
sweepSettings (Ustawienia zamiatania)	Ustawienia związane z zamiatanie modeli i zamiatanie hiperparametrów.	Ustawienia zamiatania obrazu
typ zadania	[Wymagane] Typ zadania dla zadania AutoMLJob.	"ImageObjectDetection" (wymagane)
validationData (Dane walidacji)	Dane wejściowe danych walidacji.	MLTableJobInput
validationDataSize (validationDataSize)	Ułamek zestawu danych trenowania, który należy odłożyć na potrzeby walidacji. Wartości z zakresu (0.0, 1.0) Zastosowano, gdy zestaw danych weryfikacji nie został podany.	int (integer)

Ustawienia zamiatania obrazu

Nazwa	Opis	Wartość
wczesneWypowiedzenie	Typ zasad wczesnego kończenia.	Polityka Wczesnej Terminacji
próbkowanieAlgorithm	[Wymagane] Typ algorytmów próbkowania hiperparametrów.	"Bayesian" "Siatka" "Losowe" (wymagane)

Właściwości elementu JobBase

Nazwa	Opis	Wartość
componentId (identyfikator komponentu)	Identyfikator zasobu usługi ARM zasobu składnika.	ciąg
computeId (identyfikator obliczeniowy)	Identyfikator zasobu usługi ARM zasobu obliczeniowego.	ciąg
opis	Tekst opisu zasobu.	ciąg
nazwa wyświetlana	Nazwa wyświetlana zadania.	ciąg
experimentName (nazwa eksperymentu)	Nazwa eksperymentu, do którego należy zadanie. Jeśli nie zostanie ustawione, zadanie zostanie umieszczone w eksperymencie "Domyślny".	ciąg
tożsamość	Konfiguracja tożsamości. W przypadku ustawienia powinna to być jedna z wartości AmlToken, ManagedIdentity, UserIdentity lub null. Wartość domyślna to AmlToken, jeśli ma wartość null.	IdentityConfiguration
isArchived (zarchiwizowany)	Czy zasób jest archiwizowany?	Bool
rodzaj pracy	Ustaw wartość "AutoML" dla typu AutoMLJob. Ustaw wartość "Command" dla typu CommandJob. Dla typu FineTuningJob ustaw wartość "FineTuningJob". Ustaw wartość "Etykietowanie" dla typu LabelingJobProperties. Dla typu PipelineJob ustaw wartość "Pipeline". Ustaw wartość "Spark" dla typu SparkJob. Ustaw wartość "Zamiatanie" dla typu SweepJob.	"AutoML" "Polecenie" "FineTuning" "Etykietowanie" "Potok" "Spark" "Zamiatanie" (wymagane)
notificationSetting (ustawienie powiadomienia)	Ustawienie powiadomienia dla zadania	NotificationSetting (Ustawienie powiadomień)
właściwości	Słownik właściwości elementu zawartości.	Właściwości bazy danych ResourceBase
secretsConfiguration (Konfiguracja wpisów tajnych)	Konfiguracja wpisów tajnych, które mają być udostępniane w czasie wykonywania.	JobBaseSecretsConfiguration
usługi	Lista punktów zadań. W przypadku zadań lokalnych punkt końcowy zadania będzie miał wartość punktu końcowego FileStreamObject.	Usługi JobBaseServices
Etykiety	Słownik tagów. Tagi można dodawać, usuwać i aktualizować.	Tagi ResourceBaseTags

JobBaseSecretsConfiguration

Nazwa	Opis	Wartość

Usługi JobBaseServices

Nazwa	Opis	Wartość

JobInput (Wejście zadania)

Nazwa	Opis	Wartość
opis	Opis danych wejściowych.	ciąg
jobInputType (typ wejścia)	Ustaw wartość "custom_model" dla typu CustomModelJobInput. Ustaw wartość "literał" dla typu LiteralJobInput. Dla typu MLFlowModelJobInput ustaw wartość "mlflow_model". Ustaw wartość "mltable" dla typu MLTableJobInput. Dla typu TritonModelJobInput ustaw wartość "triton_model". Dla typu UriFileJobInput ustaw wartość "uri_file". Ustaw wartość "uri_folder" dla typu UriFolderJobInput.	"custom_model" "literał" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (wymagane)

Dane wyjściowe zadania

Nazwa	Opis	Wartość
opis	Opis danych wyjściowych.	ciąg
jobOutputType (Typ zadania)	Dla typu CustomModelJobOutput ustaw wartość "custom_model". Dla typu MLFlowModelJobOutput ustaw wartość "mlflow_model". Ustaw wartość "mltable" dla typu MLTableJobOutput. Dla typu TritonModelJobOutput ustaw wartość "triton_model". Dla typu UriFileJobOutput ustaw wartość "uri_file". Dla typu UriFolderJobOutput ustaw wartość "uri_folder".	"custom_model" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (wymagane)

JobResourceConfiguration

Nazwa	Opis	Wartość
DockerArgs (Argumenty dockerArgs)	Dodatkowe argumenty do przekazania 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 (liczba wystąpień)	Opcjonalna liczba wystąpień lub węzłów używanych przez docelowy obiekt obliczeniowy.	int (integer)
instanceType (typ instancji)	Opcjonalny typ maszyny wirtualnej używany jako obsługiwany przez docelowy obiekt obliczeniowy.	ciąg
lokalizacje	Lokalizacje, w których można uruchomić zadanie.	ciąg znakowy[]
maxInstanceCount (liczba)	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 (integer)
właściwości	Dodatkowa torba właściwości.	Właściwości ResourceConfigurationProperties
shmSize (Rozmiar shm)	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(megabajtów) lub g(gigabajtów).	struna Ograniczenia: Wzorzec = \d+[bBkKmMgG]

Serwis Pracy

Nazwa	Opis	Wartość
punkt końcowy	Adres URL punktu końcowego.	ciąg
jobServiceType (typ usługi)	Typ punktu końcowego.	ciąg
Węzły	Węzły, na których użytkownik chce uruchomić usługę. Jeśli węzły nie są ustawione lub ustawione na wartość null, usługa zostanie uruchomiona tylko w węźle przywódcy.	Węzły
port	Port dla punktu końcowego ustawionego przez użytkownika.	int (integer)
właściwości	Dodatkowe właściwości do ustawienia w punkcie końcowym.	Właściwości usługi zadań

Właściwości usługi zadań

Nazwa	Opis	Wartość

EtykietaKategoria

Nazwa	Opis	Wartość
Klasy	Słownik klas etykiet w tej kategorii.	LabelCategoryClasses (Klasy etykiet)
nazwa wyświetlana	Nazwa wyświetlana kategorii etykiet.	ciąg
Wybór wielokrotny	Wskazuje, czy można wybrać wiele klas w tej kategorii.	"Wyłączone" "Włączone"

LabelCategoryClasses (Klasy etykiet)

Nazwa	Opis	Wartość

Klasa etykiety

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

Podklasy LabelClassSubclasses

Nazwa	Opis	Wartość

Etykietowanie DataConfiguration

Nazwa	Opis	Wartość
dataId (identyfikator danych)	Identyfikator zasobu danych do wykonania etykietowania.	ciąg
incrementalDataRefresh	Wskazuje, czy włączyć odświeżanie danych przyrostowych.	"Wyłączone" "Włączone"

LabelingJobImageProperties

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

EtykietowanieInstrukcje dotyczące zadań

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

EtykietowanieJobLabelCategories

Nazwa	Opis	Wartość

LabelingJobMediaProperties

Nazwa	Opis	Wartość
typ mediów	Ustaw wartość "Obraz" dla typu LabelingJobImageProperties. Ustaw wartość "Text" dla typu LabelingJobTextProperties.	"Obraz" "Tekst" (wymagany)

LabelingJobProperties

Nazwa	Opis	Wartość
dataConfiguration (konfiguracja danych)	Konfiguracja danych używanych w zadaniu.	Etykietowanie DataConfiguration
jobInstructions (Instrukcje pracy)	Instrukcje etykietowania zadania.	EtykietowanieInstrukcje dotyczące zadań
rodzaj pracy	[Wymagane] Określa typ zadania.	"Etykietowanie" (wymagane)
labelCategories (etykieta)	Etykieta kategorii zadania.	EtykietowanieJobLabelCategories
labelingJobMediaProperties	Właściwości specyficzne dla nośnika w zadaniu.	LabelingJobMediaProperties
mlAssistConfiguration	Konfiguracja funkcji MLAssist w zadaniu.	MlAssistConfiguration

LabelingJobTextProperties

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

LiterałJobInput

Nazwa	Opis	Wartość
jobInputType (typ wejścia)	[Wymagane] Określa typ zadania.	"literał" (wymagany)
wartość	[Wymagane] Wartość literału dla danych wejściowych.	struna Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] (wymagane)

Identyfikator zarządzany

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

MedianStoppingPolicy (Polityka MedianStopping)

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

MlAssistConfiguration

Nazwa	Opis	Wartość
mlAssist (Asystent Języka Angielskiego	Ustaw wartość "Disabled" dla typu MLAssistConfigurationDisabled. Ustaw wartość "Włączone" dla typu MLAssistConfigurationEnabled.	"Wyłączone" "Włączone" (wymagane)

MLAssistConfigurationDisabled

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

MLAssistConfigurationEnabled

Nazwa	Opis	Wartość
wnioskowanieComputeBinding	[Wymagane] Powiązanie obliczeniowe AML używane w wnioskowaniu.	struna Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] (wymagane)
mlAssist (Asystent Języka Angielskiego	[Wymagane] Wskazuje, czy funkcja MLAssist jest włączona.	"Włączone" (wymagane)
trainingComputeBinding	[Wymagane] Powiązanie obliczeniowe AML używane podczas trenowania.	struna Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] (wymagane)

MLFlowModelJobInput

Nazwa	Opis	Wartość
opis	Opis danych wejściowych.	ciąg
jobInputType (typ wejścia)	[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"
pathOnCompute (ścieżkaOnCompute)	Ścieżka dostarczania elementu zawartości wejściowej.	ciąg
URI	[Wymagane] Identyfikator URI zasobu wejściowego.	struna Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] (wymagane)

MLFlowModelJobInput

Nazwa	Opis	Wartość
jobInputType (typ wejścia)	[Wymagane] Określa typ zadania.	"mlflow_model" (wymagane)
tryb	Tryb dostarczania zasobów wejściowych.	"Bezpośredni" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
pathOnCompute (ścieżkaOnCompute)	Ścieżka dostarczania elementu zawartości wejściowej.	ciąg
URI	[Wymagane] Identyfikator URI zasobu wejściowego.	struna Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] (wymagane)

MLFlowModelJobOutput

Nazwa	Opis	Wartość
assetName (nazwa zasobu)	Nazwa zasobu wyjściowego.	ciąg
assetVersion (wersja zasobu)	Wersja elementu zawartości wyjściowej.	ciąg
autoDeleteSetting (ustawienie automatycznego usuwania)	Ustawienie automatycznego usuwania elementu zawartości danych wyjściowych.	Ustawienie automatycznego usuwania
jobOutputType (Typ zadania)	[Wymagane] Określa typ zadania.	"mlflow_model" (wymagane)
tryb	Tryb dostarczania zasobów wyjściowych.	"Bezpośredni" "ReadWriteMount" "Przekaż"
pathOnCompute (ścieżkaOnCompute)	Ścieżka dostarczania elementu zawartości wyjściowej.	ciąg
URI	Identyfikator URI elementu zawartości wyjściowej.	ciąg

MLTableJobInput

Nazwa	Opis	Wartość
opis	Opis danych wejściowych.	ciąg
jobInputType (typ wejścia)	[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"
pathOnCompute (ścieżkaOnCompute)	Ścieżka dostarczania elementu zawartości wejściowej.	ciąg
URI	[Wymagane] Identyfikator URI zasobu wejściowego.	struna Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] (wymagane)

MLTableJobInput

Nazwa	Opis	Wartość
jobInputType (typ wejścia)	[Wymagane] Określa typ zadania.	"mltable" (wymagane)
tryb	Tryb dostarczania zasobów wejściowych.	"Bezpośredni" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
pathOnCompute (ścieżkaOnCompute)	Ścieżka dostarczania elementu zawartości wejściowej.	ciąg
URI	[Wymagane] Identyfikator URI zasobu wejściowego.	struna Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] (wymagane)

MLTableJobOutput

Nazwa	Opis	Wartość
assetName (nazwa zasobu)	Nazwa zasobu wyjściowego.	ciąg
assetVersion (wersja zasobu)	Wersja elementu zawartości wyjściowej.	ciąg
autoDeleteSetting (ustawienie automatycznego usuwania)	Ustawienie automatycznego usuwania elementu zawartości danych wyjściowych.	Ustawienie automatycznego usuwania
jobOutputType (Typ zadania)	[Wymagane] Określa typ zadania.	"mltable" (wymagane)
tryb	Tryb dostarczania zasobów wyjściowych.	"Bezpośredni" "ReadWriteMount" "Przekaż"
pathOnCompute (ścieżkaOnCompute)	Ścieżka dostarczania elementu zawartości wyjściowej.	ciąg
URI	Identyfikator URI elementu zawartości wyjściowej.	ciąg

Mpi powiedział:

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

NCrossWalidacje

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

NlpFixedParameters (Parametry stałe)

Nazwa	Opis	Wartość
gradientAccumulationKroki	Liczba kroków gromadzenia gradientów przed uruchomieniem przejścia wstecznego.	int (integer)
learningRate (Stawka nauki)	Kurs szkoleniowy dla procedury szkoleniowej.	int (integer)
learningRateScheduler (Harmonogram lekcji)	Typ harmonogramu szybkości nauki, który ma być używany podczas procedury trenowania.	"Stała" "ConstantWithWarmup" "Cosine" "CosineWithRestarts" "Liniowy" "Brak" "Wielomianowy"
nazwa_modelu	Nazwa modelu do trenowania.	ciąg
liczbaEpok	Liczba epok treningowych.	int (integer)
trainingBatchSize (rozmiar)	Rozmiar partii dla procedury trenowania.	int (integer)
validationBatchSize (validationBatchSize)	Rozmiar partii do użycia podczas oceny.	int (integer)
Współczynnik rozgrzewki	Stosunek rozgrzewki, używany obok LrSchedulerType.	int (integer)
wagaRozkład	Rozkład masy dla procedury treningowej.	int (integer)

NlpParameterSubspace

Nazwa	Opis	Wartość
gradientAccumulationKroki	Liczba kroków gromadzenia gradientów przed uruchomieniem przejścia wstecznego.	ciąg
learningRate (Stawka nauki)	Kurs szkoleniowy dla procedury szkoleniowej.	ciąg
learningRateScheduler (Harmonogram lekcji)	Typ harmonogramu szybkości nauki, który ma być używany podczas procedury trenowania.	ciąg
nazwa_modelu	Nazwa modelu do trenowania.	ciąg
liczbaEpok	Liczba epok treningowych.	ciąg
trainingBatchSize (rozmiar)	Rozmiar partii dla procedury trenowania.	ciąg
validationBatchSize (validationBatchSize)	Rozmiar partii do użycia podczas oceny.	ciąg
Współczynnik rozgrzewki	Stosunek rozgrzewki, używany obok LrSchedulerType.	ciąg
wagaRozkład	Rozkład masy dla procedury treningowej.	ciąg

NlpSweepSettings (Ustawienia przemiatania)

Nazwa	Opis	Wartość
wczesneWypowiedzenie	Typ zasad wczesnego zakończenia zadania zamiatania.	Polityka Wczesnej Terminacji
próbkowanieAlgorithm	[Wymagane] Typ algorytmu próbkowania.	"Bayesian" "Siatka" "Losowe" (wymagane)

NlpVerticalFeaturizationSettings

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

NlpVerticalLimitSettings (Ustawienia Limitu Pionowego)

Nazwa	Opis	Wartość
maxConcurrentTrials (Próby maksymalne)	Maksymalna liczba iteracji automl współbieżnych.	int (integer)
maxNodes (węzły maxNodes)	Maksymalna liczba węzłów do użycia w eksperymencie.	int (integer)
maxTrials (Próby maks.)	Liczba iteracji rozwiązania AutoML.	int (integer)
przerwa czasowa	Limit czasu zadania automatycznego uczenia maszynowego.	ciąg
Limit czasu próbnego	Limit czasu dla poszczególnych wersji próbnych HD.	ciąg

Węzłów

Nazwa	Opis	Wartość
nodesValueType (typ wartości)	Dla typu AllNodes ustaw wartość "All".	"Wszystkie" (wymagane)

NotificationSetting (Ustawienie powiadomień)

Nazwa	Opis	Wartość
emailWł.	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 499 znaków w sumie concat z separatorem przecinka	ciąg znakowy[]
elementy webhook	Wysyłanie wywołania zwrotnego elementu webhook do usługi. Klucz to nazwa podana przez użytkownika dla elementu webhook.	NotificationSettingWebhooks (PowiadomienieUstawieniaElementy webhook)

NotificationSettingWebhooks (PowiadomienieUstawieniaElementy webhook)

Nazwa	Opis	Wartość

Cel

Nazwa	Opis	Wartość
cel	[Wymagane] Definiuje obsługiwane cele metryk na potrzeby dostrajania hiperparametrów	"Maksymalizuj" "Minimalizuj" (wymagane)
primaryMetric (podstawowy)	[Wymagane] Nazwa metryki do optymalizacji.	struna Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] (wymagane)

PotokJob

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

PipelineJobInputs

Nazwa	Opis	Wartość

PipelineJobJobs (Zadania potokowe)

Nazwa	Opis	Wartość

PipelineJobOutputs

Nazwa	Opis	Wartość

PyTorch

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

Ustawienia kolejki

Nazwa	Opis	Wartość
jobTier (Warstwa zadań)	Steruje warstwą zadania obliczeniowego	"Podstawowa" "Null" "Premium" "Spot" "Standardowa"
priorytet	Określa priorytet zadania obliczeniowego.	int (integer)

Algorytm losowego próbkowania

Nazwa	Opis	Wartość
Baza logów	Opcjonalna liczba dodatnia lub e w formacie ciągu, który ma być używany jako podstawa do próbkowania losowego opartego na dzienniku	ciąg
reguła	Określony typ algorytmu losowego	"Losowe" "Sobol"
samplingAlgorithmType	[Wymagane] Algorytm używany do generowania wartości hiperparametrów wraz z właściwościami konfiguracji	"Losowe" (wymagane)
nasienie	Opcjonalna liczba całkowita do użycia jako inicjator generowania liczb losowych	int (integer)

Promień

Nazwa	Opis	Wartość
adres	Adres węzła głównego Raya.	ciąg
dashboardPort (tablica rozdzielcza	Port, z który ma być powiązany z serwerem pulpitu nawigacyjnego.	int (integer)
distributionType (typ dystrybucji)	[Wymagane] Określa typ struktury dystrybucji.	"Ray" (wymagane)
headNodeAdditionalArgs	Dodatkowe argumenty przekazane do uruchomienia promienia w węźle głównym.	ciąg
includeDashboard (w zestawie)	Podaj ten argument, aby uruchomić graficzny interfejs użytkownika pulpitu nawigacyjnego Ray.	Bool
port	Port procesu promienia głowy.	int (integer)
workerNodeAdditionalArgs	Dodatkowe argumenty przekazane do uruchomienia promienia w węźle procesu roboczego.	ciąg

Regresja

Nazwa	Opis	Wartość
cvSplitColumnNames (NazwyKolumn)	Kolumny do użycia dla danych CVSplit.	ciąg znakowy[]
cechowanieUstawienia	Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML.	TableVerticalFeaturizationSettings
fixedParameters (Parametry stałe)	Parametry modelu/trenowania, które pozostaną stałe podczas trenowania.	TableFixedParameters
limitSettings (ustawienia limitu)	Ograniczenia wykonywania dla zadania AutoMLJob.	TableVerticalLimitSettings (Ustawienia stołu)
nCrossWalidacje	Liczba składań krzyżowych do zastosowania w zestawie danych szkoleniowych jeśli zestaw danych sprawdzania poprawności nie jest podany.	NCrossWalidacje
primaryMetric (podstawowy)	Podstawowa metryka zadania regresji.	"NormalizedMeanAbsoluteError" "NormalizedRootMeanSquaredError" "R2Score" "SpearmanCorrelation"
searchPrzestrzeń	Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów.	TableParameterPodprzestrzeń[]
sweepSettings (Ustawienia zamiatania)	Ustawienia dotyczące zamiatania modelu i dostrajania hiperparametrów.	TableSweepSettings (Ustawienia zamiatania tabeli)
typ zadania	[Wymagane] Typ zadania dla zadania AutoMLJob.	"Regresja" (wymagana)
testData (dane testowe)	Testowanie danych wejściowych.	MLTableJobInput
testDataSize (rozmiar testu)	Ułamek zestawu danych testowych, który należy odłożyć na potrzeby walidacji. Wartości z zakresu (0.0, 1.0) Zastosowano, gdy zestaw danych weryfikacji nie został podany.	int (integer)
trainingSettings (ustawienia szkolenia)	Dane wejściowe fazy trenowania zadania automatycznego uczenia maszynowego.	RegressionTrainingSettings
validationData (Dane walidacji)	Dane wejściowe danych walidacji.	MLTableJobInput
validationDataSize (validationDataSize)	Ułamek zestawu danych trenowania, który należy odłożyć na potrzeby walidacji. Wartości z zakresu (0.0, 1.0) Zastosowano, gdy zestaw danych weryfikacji nie został podany.	int (integer)
weightColumnName (nazwa_kolumny)	Nazwa kolumny wagi próbki. Zautomatyzowane uczenie maszynowe obsługuje kolumnę ważoną jako dane wejściowe, co powoduje, że wiersze w danych mają być ważone w górę lub w dół.	ciąg

RegressionTrainingSettings

Nazwa	Opis	Wartość
allowedTrainingAlgorithms (dozwoloneAlgorytmy szkoleniowe)	Dozwolone modele dla zadania regresji.	Tablica ciągów zawierająca dowolną z: "DecisionTree" "ElasticNet" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "RandomForest" "SGD" "XGBoostRegressor"
blockedTrainingAlgorithms (Algorytmy treningowe)	Zablokowane modele dla zadania regresji.	Tablica ciągów zawierająca dowolną z: "DecisionTree" "ElasticNet" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "RandomForest" "SGD" "XGBoostRegressor"
enableDnnTraining (włącz szkolenie Dnn)	Włącz zalecenie dotyczące modeli sieci rozproszonej.	Bool
enableModelExplainability (wytłumaczalność	Flaga włączania możliwości objaśnienia dla najlepszego modelu.	Bool
enableOnnxCompatibleModels (Modele kompatybilne z enable)	Flaga włączania modeli zgodnych z programem onnx.	Bool
enableStackEnsemble (włącz zestaw danych w stosie)	Włącz uruchamianie zespołu stosu.	Bool
enableVoteEnsemble (zespół włączeń)	Włącz uruchamianie zespołu do głosowania.	Bool
ensembleModelDownloadTimeout	Podczas generowania modeli VotingEnsemble i StackEnsemble pobierane są wiele dopasowanych modeli z poprzednich przebiegów podrzędnych. Skonfiguruj ten parametr z wyższą wartością niż 300 sekund, jeśli jest potrzebny więcej czasu.	ciąg
stackEnsembleSettings	Ustawienia zespołu stosu dla przebiegu zespołu stosu.	Ustawienia stosu
trainingMode (tryb szkolenia)	Tryb TrainingMode — ustawienie wartości "auto" jest takie samo jak ustawienie go na wartość "nieprostrybuowana" na razie, jednak w przyszłości może spowodować wybór trybu mieszanego lub heurystycznego. Wartość domyślna to "auto". Jeśli wartość "Rozproszona" jest używana tylko rozproszona cecha, a wybierane są algorytmy rozproszone. W przypadku wybrania parametru "NonDistributed" są wybierane tylko nieprodowane algorytmy.	"Auto" "Rozproszony" "NonDistributed"

Właściwości bazy danych ResourceBase

Nazwa	Opis	Wartość

Tagi ResourceBaseTags

Nazwa	Opis	Wartość

Właściwości ResourceConfigurationProperties

Nazwa	Opis	Wartość

PróbkowanieAlgorithm

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

Sezonowości

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

Konfiguracja wpisu tajnego

Nazwa	Opis	Wartość
URI	Identyfikator URI wpisu tajnego. Przykładowy identyfikator URI: https://myvault.vault.azure.net/secrets/mysecretname/secretversion	ciąg
workspaceSecretName (nazwa sekretu)	Nazwa wpisu tajnego w magazynie kluczy obszaru roboczego.	ciąg

Zadanie SparkJob

Nazwa	Opis	Wartość
archiwum	Archiwizowanie plików używanych w zadaniu.	ciąg znakowy[]
argumenty	Argumenty zadania.	ciąg
codeId (identyfikator kodu)	[Wymagane] Identyfikator zasobu usługi ARM zasobu kodu.	struna Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] (wymagane)
Conf	Właściwości skonfigurowane przez platformę Spark.	Konferencja SparkJobConf
wpis	[Wymagane] Wpis do wykonania podczas uruchamiania zadania.	SparkJobEntry (wymagane)
environmentId (identyfikator środowiska)	Identyfikator zasobu usługi ARM specyfikacji środowiska dla zadania.	ciąg
zmienne środowiskowe	Zmienne środowiskowe uwzględnione w zadaniu.	SparkJobEnvironmentVariables
Pliki	Pliki używane w zadaniu.	ciąg znakowy[]
Wejścia	Mapowanie powiązań danych wejściowych używanych w zadaniu.	SparkJobInputs
Słoiki	Pliki Jar używane w zadaniu.	ciąg znakowy[]
rodzaj pracy	[Wymagane] Określa typ zadania.	"Spark" (wymagane)
Wyniki	Mapowanie powiązań danych wyjściowych używanych w zadaniu.	SparkJobOutputs
pyFiles (Pliki py)	Pliki języka Python używane w zadaniu.	ciąg znakowy[]
queueSettings (Ustawienia kolejki)	Ustawienia kolejki dla zadania	Ustawienia kolejki
zasoby	Konfiguracja zasobów obliczeniowych dla zadania.	SparkResourceConfiguration

Konferencja SparkJobConf

Nazwa	Opis	Wartość

SparkJobEntry

Nazwa	Opis	Wartość
sparkJobEntryType	Ustaw wartość "SparkJobPythonEntry" dla typu SparkJobPythonEntry. Ustaw wartość "SparkJobScalaEntry" dla typu SparkJobScalaEntry.	"SparkJobPythonEntry" "SparkJobScalaEntry" (wymagane)

SparkJobEnvironmentVariables

Nazwa	Opis	Wartość

SparkJobInputs

Nazwa	Opis	Wartość

SparkJobOutputs

Nazwa	Opis	Wartość

SparkJobPythonEntry

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

SparkJobScalaEntry

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

SparkResourceConfiguration

Nazwa	Opis	Wartość
instanceType (typ instancji)	Opcjonalny typ maszyny wirtualnej używany jako obsługiwany przez docelowy obiekt obliczeniowy.	ciąg
runtimeVersion (wersja uruchomieniowa)	Wersja środowiska uruchomieniowego platformy Spark używana dla zadania.	ciąg

Ustawienia stosu

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

Zamiatanie

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

SweepJobInputs (Dane wejściowe SweepJob)

Nazwa	Opis	Wartość

SweepJobLimits (Limity zamiatania)

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

SweepJobOutputs (Dane wyjściowe zamiatania)

Nazwa	Opis	Wartość

TableFixedParameters

Nazwa	Opis	Wartość
Booster	Określ typ zwiększania, np. gbdt dla biblioteki XGBoost.	ciąg
boostingType (typ wzmocnienia)	Określ typ zwiększania, np. gbdt dla lightGBM.	ciąg
growPolicy (polityka uprawy)	Określ zasady zwiększania, które sterują sposobem dodawania nowych węzłów do drzewa.	ciąg
learningRate (Stawka nauki)	Kurs szkoleniowy dla procedury szkoleniowej.	int (integer)
maxBin (Pojemnik na śmieci)	Określ maksymalną liczbę odrębnych pojemników do zasobnika funkcji ciągłych.	int (integer)
maxDepth (maksymalna głębokość)	Określ maksymalną głębokość, aby jawnie ograniczyć głębokość drzewa.	int (integer)
maxLeaves (Liście maks.)	Określ maksymalne liście, aby jawnie ograniczyć liście drzewa.	int (integer)
minDataInLeaf (Plik minDataInLeaf)	Minimalna liczba danych na liść.	int (integer)
minSplitGain (wzmocnienie minimalne)	Minimalna redukcja strat wymagana do wykonania kolejnej partycji w węźle liścia drzewa.	int (integer)
nazwa_modelu	Nazwa modelu do trenowania.	ciąg
nEstimatory	Określ liczbę drzew (lub rund) w modelu.	int (integer)
numLeaves (liczba)	Określ liczbę liści.	int (integer)
preprocesorName	Nazwa preprocesora do użycia.	ciąg
regAlpha (regAlpha)	L1 termin regularyzacji na wagi.	int (integer)
regLambda (regLambda)	Termin uregulowania L2 na wagi.	int (integer)
podprzykład	Współczynnik próbek podrzędnych wystąpienia trenowania.	int (integer)
podpróbkaFreq	Częstotliwość podprzykładu.	int (integer)
treeMethod (metoda drzewa)	Określ metodę drzewa.	ciąg
withMean	Jeśli wartość true, wyśrodkuj przed skalowaniem danych przy użyciu standardu StandardScalar.	Bool
zStd	Jeśli wartość true, skalowanie danych przy użyciu wariancji jednostkowej przy użyciu standardScalar.	Bool

TableParameterSubspace

Nazwa	Opis	Wartość
Booster	Określ typ zwiększania, np. gbdt dla biblioteki XGBoost.	ciąg
boostingType (typ wzmocnienia)	Określ typ zwiększania, np. gbdt dla lightGBM.	ciąg
growPolicy (polityka uprawy)	Określ zasady zwiększania, które sterują sposobem dodawania nowych węzłów do drzewa.	ciąg
learningRate (Stawka nauki)	Kurs szkoleniowy dla procedury szkoleniowej.	ciąg
maxBin (Pojemnik na śmieci)	Określ maksymalną liczbę odrębnych pojemników do zasobnika funkcji ciągłych.	ciąg
maxDepth (maksymalna głębokość)	Określ maksymalną głębokość, aby jawnie ograniczyć głębokość drzewa.	ciąg
maxLeaves (Liście maks.)	Określ maksymalne liście, aby jawnie ograniczyć liście drzewa.	ciąg
minDataInLeaf (Plik minDataInLeaf)	Minimalna liczba danych na liść.	ciąg
minSplitGain (wzmocnienie minimalne)	Minimalna redukcja strat wymagana do wykonania kolejnej partycji w węźle liścia drzewa.	ciąg
nazwa_modelu	Nazwa modelu do trenowania.	ciąg
nEstimatory	Określ liczbę drzew (lub rund) w modelu.	ciąg
numLeaves (liczba)	Określ liczbę liści.	ciąg
preprocesorName	Nazwa preprocesora do użycia.	ciąg
regAlpha (regAlpha)	L1 termin regularyzacji na wagi.	ciąg
regLambda (regLambda)	Termin uregulowania L2 na wagi.	ciąg
podprzykład	Współczynnik próbek podrzędnych wystąpienia trenowania.	ciąg
podpróbkaFreq	Częstotliwość podprzykładu	ciąg
treeMethod (metoda drzewa)	Określ metodę drzewa.	ciąg
withMean	Jeśli wartość true, wyśrodkuj przed skalowaniem danych przy użyciu standardu StandardScalar.	ciąg
zStd	Jeśli wartość true, skalowanie danych przy użyciu wariancji jednostkowej przy użyciu standardScalar.	ciąg

TableSweepSettings (Ustawienia zamiatania tabeli)

Nazwa	Opis	Wartość
wczesneWypowiedzenie	Typ zasad wczesnego zakończenia zadania zamiatania.	Polityka Wczesnej Terminacji
próbkowanieAlgorithm	[Wymagane] Typ algorytmu próbkowania.	"Bayesian" "Siatka" "Losowe" (wymagane)

TableVerticalFeaturizationSettings

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

TableVerticalFeaturizationSettingsColumnNameAndTypes

Nazwa	Opis	Wartość

TabelaVerticalFeaturizationSettingsTransformerParams

Nazwa	Opis	Wartość

TableVerticalLimitSettings (Ustawienia stołu)

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

Opóźnienie docelowe

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

TargetRollingWindowSize (Rozmiar okna toczącego)

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

TensorFlow

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

Klasyfikacja tekstu

Nazwa	Opis	Wartość
cechowanieUstawienia	Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML.	NlpVerticalFeaturizationSettings
fixedParameters (Parametry stałe)	Parametry modelu/trenowania, które pozostaną stałe podczas trenowania.	NlpFixedParameters (Parametry stałe)
limitSettings (ustawienia limitu)	Ograniczenia wykonywania dla zadania AutoMLJob.	NlpVerticalLimitSettings (Ustawienia Limitu Pionowego)
primaryMetric (podstawowy)	Podstawowa metryka dla zadania Text-Classification.	"Dokładność" "AUCWeighted" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted"
searchPrzestrzeń	Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów.	NlpParameterPodprzestrzeń[]
sweepSettings (Ustawienia zamiatania)	Ustawienia dotyczące zamiatania modelu i dostrajania hiperparametrów.	NlpSweepSettings (Ustawienia przemiatania)
typ zadania	[Wymagane] Typ zadania dla zadania AutoMLJob.	"TextClassification" (wymagane)
validationData (Dane walidacji)	Dane wejściowe danych walidacji.	MLTableJobInput

TextClassificationMultilabel

Nazwa	Opis	Wartość
cechowanieUstawienia	Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML.	NlpVerticalFeaturizationSettings
fixedParameters (Parametry stałe)	Parametry modelu/trenowania, które pozostaną stałe podczas trenowania.	NlpFixedParameters (Parametry stałe)
limitSettings (ustawienia limitu)	Ograniczenia wykonywania dla zadania AutoMLJob.	NlpVerticalLimitSettings (Ustawienia Limitu Pionowego)
searchPrzestrzeń	Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów.	NlpParameterPodprzestrzeń[]
sweepSettings (Ustawienia zamiatania)	Ustawienia dotyczące zamiatania modelu i dostrajania hiperparametrów.	NlpSweepSettings (Ustawienia przemiatania)
typ zadania	[Wymagane] Typ zadania dla zadania AutoMLJob.	"TextClassificationMultilabel" (wymagane)
validationData (Dane walidacji)	Dane wejściowe danych walidacji.	MLTableJobInput

Moduł TextNer

Nazwa	Opis	Wartość
cechowanieUstawienia	Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML.	NlpVerticalFeaturizationSettings
fixedParameters (Parametry stałe)	Parametry modelu/trenowania, które pozostaną stałe podczas trenowania.	NlpFixedParameters (Parametry stałe)
limitSettings (ustawienia limitu)	Ograniczenia wykonywania dla zadania AutoMLJob.	NlpVerticalLimitSettings (Ustawienia Limitu Pionowego)
searchPrzestrzeń	Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów.	NlpParameterPodprzestrzeń[]
sweepSettings (Ustawienia zamiatania)	Ustawienia dotyczące zamiatania modelu i dostrajania hiperparametrów.	NlpSweepSettings (Ustawienia przemiatania)
typ zadania	[Wymagane] Typ zadania dla zadania AutoMLJob.	"TextNER" (wymagane)
validationData (Dane walidacji)	Dane wejściowe danych walidacji.	MLTableJobInput

Wersja próbnaComponent

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

Zmienne środowiskowe TrialComponentEnvironmentVariables

Nazwa	Opis	Wartość

TritonModelJobInput

Nazwa	Opis	Wartość
jobInputType (typ wejścia)	[Wymagane] Określa typ zadania.	"triton_model" (wymagane)
tryb	Tryb dostarczania zasobów wejściowych.	"Bezpośredni" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
pathOnCompute (ścieżkaOnCompute)	Ścieżka dostarczania elementu zawartości wejściowej.	ciąg
URI	[Wymagane] Identyfikator URI zasobu wejściowego.	struna Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] (wymagane)

TritonModelJobOutput

Nazwa	Opis	Wartość
assetName (nazwa zasobu)	Nazwa zasobu wyjściowego.	ciąg
assetVersion (wersja zasobu)	Wersja elementu zawartości wyjściowej.	ciąg
autoDeleteSetting (ustawienie automatycznego usuwania)	Ustawienie automatycznego usuwania elementu zawartości danych wyjściowych.	Ustawienie automatycznego usuwania
jobOutputType (Typ zadania)	[Wymagane] Określa typ zadania.	"triton_model" (wymagane)
tryb	Tryb dostarczania zasobów wyjściowych.	"Bezpośredni" "ReadWriteMount" "Przekaż"
pathOnCompute (ścieżkaOnCompute)	Ścieżka dostarczania elementu zawartości wyjściowej.	ciąg
URI	Identyfikator URI elementu zawartości wyjściowej.	ciąg

ObcięcieselectionPolicy

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

UriFileJobInput

Nazwa	Opis	Wartość
jobInputType (typ wejścia)	[Wymagane] Określa typ zadania.	"uri_file" (wymagane)
tryb	Tryb dostarczania zasobów wejściowych.	"Bezpośredni" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
pathOnCompute (ścieżkaOnCompute)	Ścieżka dostarczania elementu zawartości wejściowej.	ciąg
URI	[Wymagane] Identyfikator URI zasobu wejściowego.	struna Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] (wymagane)

UriFileJobOutput

Nazwa	Opis	Wartość
assetName (nazwa zasobu)	Nazwa zasobu wyjściowego.	ciąg
assetVersion (wersja zasobu)	Wersja elementu zawartości wyjściowej.	ciąg
autoDeleteSetting (ustawienie automatycznego usuwania)	Ustawienie automatycznego usuwania elementu zawartości danych wyjściowych.	Ustawienie automatycznego usuwania
jobOutputType (Typ zadania)	[Wymagane] Określa typ zadania.	"uri_file" (wymagane)
tryb	Tryb dostarczania zasobów wyjściowych.	"Bezpośredni" "ReadWriteMount" "Przekaż"
pathOnCompute (ścieżkaOnCompute)	Ścieżka dostarczania elementu zawartości wyjściowej.	ciąg
URI	Identyfikator URI elementu zawartości wyjściowej.	ciąg

UriFolderJobInput

Nazwa	Opis	Wartość
jobInputType (typ wejścia)	[Wymagane] Określa typ zadania.	"uri_folder" (wymagane)
tryb	Tryb dostarczania zasobów wejściowych.	"Bezpośredni" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
pathOnCompute (ścieżkaOnCompute)	Ścieżka dostarczania elementu zawartości wejściowej.	ciąg
URI	[Wymagane] Identyfikator URI zasobu wejściowego.	struna Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] (wymagane)

UriFolderJobOutput

Nazwa	Opis	Wartość
assetName (nazwa zasobu)	Nazwa zasobu wyjściowego.	ciąg
assetVersion (wersja zasobu)	Wersja elementu zawartości wyjściowej.	ciąg
autoDeleteSetting (ustawienie automatycznego usuwania)	Ustawienie automatycznego usuwania elementu zawartości danych wyjściowych.	Ustawienie automatycznego usuwania
jobOutputType (Typ zadania)	[Wymagane] Określa typ zadania.	"uri_folder" (wymagane)
tryb	Tryb dostarczania zasobów wyjściowych.	"Bezpośredni" "ReadWriteMount" "Przekaż"
pathOnCompute (ścieżkaOnCompute)	Ścieżka dostarczania elementu zawartości wyjściowej.	ciąg
URI	Identyfikator URI elementu zawartości wyjściowej.	ciąg

Identyfikator użytkownika

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

Element webhook

Nazwa	Opis	Wartość
typ zdarzenia	Wysyłanie wywołania zwrotnego w określonym zdarzeniu powiadomienia	ciąg
Typ elementu webhook	Ustaw wartość "AzureDevOps" dla typu AzureDevOpsWebhook.	"AzureDevOps" (wymagane)

Przykłady użycia

Szablony szybkiego startu platformy Azure

Następujące szablony szybkiego startu platformy Azure wdrożyć ten typ zasobu.

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

Definicja zasobu narzędzia Terraform (dostawcy AzAPI)

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

• Grupy zasobów

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

Format zasobu

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

resource "azapi_resource" "symbolicname" {
  type = "Microsoft.MachineLearningServices/workspaces/jobs@2024-04-01-preview"
  name = "string"
  parent_id = "string"
  body = {
    properties = {
      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"
      }
      secretsConfiguration = {
        {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"
          }
        }
      }
      tags = {
        {customized property} = "string"
      }
      jobType = "string"
      // For remaining properties, see JobBaseProperties objects
    }
  }
}

Obiekty JobOutput

Ustaw właściwość jobOutputType , aby określić typ obiektu.

W przypadku custom_model użyj:

{
  assetName = "string"
  assetVersion = "string"
  autoDeleteSetting = {
    condition = "string"
    value = "string"
  }
  jobOutputType = "custom_model"
  mode = "string"
  pathOnCompute = "string"
  uri = "string"
}

W przypadku mlflow_model użyj:

{
  assetName = "string"
  assetVersion = "string"
  autoDeleteSetting = {
    condition = "string"
    value = "string"
  }
  jobOutputType = "mlflow_model"
  mode = "string"
  pathOnCompute = "string"
  uri = "string"
}

W przypadku metody mltable użyj:

{
  assetName = "string"
  assetVersion = "string"
  autoDeleteSetting = {
    condition = "string"
    value = "string"
  }
  jobOutputType = "mltable"
  mode = "string"
  pathOnCompute = "string"
  uri = "string"
}

W przypadku triton_model użyj:

{
  assetName = "string"
  assetVersion = "string"
  autoDeleteSetting = {
    condition = "string"
    value = "string"
  }
  jobOutputType = "triton_model"
  mode = "string"
  pathOnCompute = "string"
  uri = "string"
}

W przypadku uri_file użyj:

{
  assetName = "string"
  assetVersion = "string"
  autoDeleteSetting = {
    condition = "string"
    value = "string"
  }
  jobOutputType = "uri_file"
  mode = "string"
  pathOnCompute = "string"
  uri = "string"
}

W przypadku uri_folder użyj:

{
  assetName = "string"
  assetVersion = "string"
  autoDeleteSetting = {
    condition = "string"
    value = "string"
  }
  jobOutputType = "uri_folder"
  mode = "string"
  pathOnCompute = "string"
  uri = "string"
}

Obiekty IdentityConfiguration

Ustaw właściwość identityType , aby określić typ obiektu.

W przypadku tokenu AMLToken użyj:

{
  identityType = "AMLToken"
}

W przypadku zarządzanychużyj:

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

W przypadku identyfikatora UserIdentity użyj:

{
  identityType = "UserIdentity"
}

Obiekty TargetRollingWindowSize

Ustaw właściwość mode , aby określić typ obiektu.

W przypadku opcji Auto użyj:

{
  mode = "Auto"
}

W przypadku opcji Niestandardowe użyj:

{
  mode = "Custom"
  value = int
}

Próbkowanie ObiektówAlgorithm

Ustaw właściwość samplingAlgorithmType , aby określić typ obiektu.

W przypadku bayesianu użyj:

{
  samplingAlgorithmType = "Bayesian"
}

W przypadku usługi Grid użyj polecenia:

{
  samplingAlgorithmType = "Grid"
}

W przypadku funkcji Losowe użyj:

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

Obiekty JobBaseProperties

Ustaw właściwość jobType , aby określić typ obiektu.

W przypadku rozwiązania AutoML użyj:

{
  environmentId = "string"
  environmentVariables = {
    {customized property} = "string"
  }
  jobType = "AutoML"
  outputs = {
    {customized property} = {
      description = "string"
      jobOutputType = "string"
      // For remaining properties, see JobOutput objects
    }
  }
  queueSettings = {
    jobTier = "string"
    priority = int
  }
  resources = {
    dockerArgs = "string"
    instanceCount = int
    instanceType = "string"
    locations = [
      "string"
    ]
    maxInstanceCount = int
    properties = {
      {customized property} = ?
    }
    shmSize = "string"
  }
  taskDetails = {
    logVerbosity = "string"
    targetColumnName = "string"
    trainingData = {
      description = "string"
      jobInputType = "string"
      mode = "string"
      pathOnCompute = "string"
      uri = "string"
    }
    taskType = "string"
    // For remaining properties, see AutoMLVertical objects
  }
}

W przypadku polecenia użyj polecenia:

{
  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
    }
  }
  jobType = "Command"
  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} = ?
    }
    shmSize = "string"
  }
}

W przypadku funkcji FineTuning użyj:

{
  fineTuningDetails = {
    model = {
      description = "string"
      jobInputType = "string"
      mode = "string"
      pathOnCompute = "string"
      uri = "string"
    }
    taskType = "string"
    trainingData = {
      description = "string"
      jobInputType = "string"
      // For remaining properties, see JobInput objects
    }
    validationData = {
      description = "string"
      jobInputType = "string"
      // For remaining properties, see JobInput objects
    }
    modelProvider = "string"
    // For remaining properties, see FineTuningVertical objects
  }
  jobType = "FineTuning"
  outputs = {
    {customized property} = {
      description = "string"
      jobOutputType = "string"
      // For remaining properties, see JobOutput objects
    }
  }
}

W przypadku etykietowania użyj:

{
  dataConfiguration = {
    dataId = "string"
    incrementalDataRefresh = "string"
  }
  jobInstructions = {
    uri = "string"
  }
  jobType = "Labeling"
  labelCategories = {
    {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:

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

W przypadku platformy Spark użyj:

{
  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"
  ]
  jobType = "Spark"
  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:

{
  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
    }
  }
  jobType = "Sweep"
  limits = {
    jobLimitsType = "string"
    maxConcurrentTrials = int
    maxTotalTrials = int
    timeout = "string"
    trialTimeout = "string"
  }
  objective = {
    goal = "string"
    primaryMetric = "string"
  }
  outputs = {
    {customized property} = {
      description = "string"
      jobOutputType = "string"
      // For remaining properties, see JobOutput objects
    }
  }
  queueSettings = {
    jobTier = "string"
    priority = int
  }
  resources = {
    dockerArgs = "string"
    instanceCount = int
    instanceType = "string"
    locations = [
      "string"
    ]
    maxInstanceCount = int
    properties = {
      {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} = ?
      }
      shmSize = "string"
    }
  }
}

Obiekty autoMLVertical

Ustaw właściwość taskType , aby określić typ obiektu.

W przypadku klasyfikacji użyj:

{
  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"
  }
  taskType = "Classification"
  testData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    pathOnCompute = "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"
    pathOnCompute = "string"
    uri = "string"
  }
  validationDataSize = int
  weightColumnName = "string"
}

W przypadku prognozowania użyj:

{
  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"
  }
  taskType = "Forecasting"
  testData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    pathOnCompute = "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"
    pathOnCompute = "string"
    uri = "string"
  }
  validationDataSize = int
  weightColumnName = "string"
}

W przypadku klasyfikacji obrazu użyj:

{
  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"
      pathOnCompute = "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"
  }
  taskType = "ImageClassification"
  validationData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    pathOnCompute = "string"
    uri = "string"
  }
  validationDataSize = int
}

W przypadku elementu ImageClassificationMultilabel użyj:

{
  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"
      pathOnCompute = "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"
  }
  taskType = "ImageClassificationMultilabel"
  validationData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    pathOnCompute = "string"
    uri = "string"
  }
  validationDataSize = int
}

W przypadku klasy ImageInstanceSegmentation użyj:

{
  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"
      pathOnCompute = "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 = "string"
  searchSpace = [
    {
      amsGradient = "string"
      augmentations = "string"
      beta1 = "string"
      beta2 = "string"
      boxDetectionsPerImage = "string"
      boxScoreThreshold = "string"
      distributed = "string"
      earlyStopping = "string"
      earlyStoppingDelay = "string"
      earlyStoppingPatience = "string"
      enableOnnxNormalization = "string"
      evaluationFrequency = "string"
      gradientAccumulationStep = "string"
      imageSize = "string"
      layersToFreeze = "string"
      learningRate = "string"
      learningRateScheduler = "string"
      maxSize = "string"
      minSize = "string"
      modelName = "string"
      modelSize = "string"
      momentum = "string"
      multiScale = "string"
      nesterov = "string"
      nmsIouThreshold = "string"
      numberOfEpochs = "string"
      numberOfWorkers = "string"
      optimizer = "string"
      randomSeed = "string"
      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"
  }
  taskType = "ImageInstanceSegmentation"
  validationData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    pathOnCompute = "string"
    uri = "string"
  }
  validationDataSize = int
}

W przypadku elementu ImageObjectDetection użyj:

{
  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"
      pathOnCompute = "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 = "string"
  searchSpace = [
    {
      amsGradient = "string"
      augmentations = "string"
      beta1 = "string"
      beta2 = "string"
      boxDetectionsPerImage = "string"
      boxScoreThreshold = "string"
      distributed = "string"
      earlyStopping = "string"
      earlyStoppingDelay = "string"
      earlyStoppingPatience = "string"
      enableOnnxNormalization = "string"
      evaluationFrequency = "string"
      gradientAccumulationStep = "string"
      imageSize = "string"
      layersToFreeze = "string"
      learningRate = "string"
      learningRateScheduler = "string"
      maxSize = "string"
      minSize = "string"
      modelName = "string"
      modelSize = "string"
      momentum = "string"
      multiScale = "string"
      nesterov = "string"
      nmsIouThreshold = "string"
      numberOfEpochs = "string"
      numberOfWorkers = "string"
      optimizer = "string"
      randomSeed = "string"
      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"
  }
  taskType = "ImageObjectDetection"
  validationData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    pathOnCompute = "string"
    uri = "string"
  }
  validationDataSize = int
}

W przypadku regresji użyj:

{
  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"
  }
  taskType = "Regression"
  testData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    pathOnCompute = "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"
    pathOnCompute = "string"
    uri = "string"
  }
  validationDataSize = int
  weightColumnName = "string"
}

W przypadku klasyfikacji tekstu użyj:

{
  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"
  }
  taskType = "TextClassification"
  validationData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    pathOnCompute = "string"
    uri = "string"
  }
}

W przypadku elementu TextClassificationMultilabel użyj:

{
  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"
  }
  taskType = "TextClassificationMultilabel"
  validationData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    pathOnCompute = "string"
    uri = "string"
  }
}

W przypadku funkcji TextNER użyj:

{
  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"
  }
  taskType = "TextNER"
  validationData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    pathOnCompute = "string"
    uri = "string"
  }
}

Obiekty MLAssistConfiguration

Ustaw właściwość mlAssist , aby określić typ obiektu.

W przypadku opcji Wyłączone użyj polecenia:

{
  mlAssist = "Disabled"
}

W obszarze Włączone użyj polecenia:

{
  inferencingComputeBinding = "string"
  mlAssist = "Enabled"
  trainingComputeBinding = "string"
}

Obiekty DistributionConfiguration

Ustaw właściwość distributionType , aby określić typ obiektu.

W przypadku programu Mpi użyj:

{
  distributionType = "Mpi"
  processCountPerInstance = int
}

W przypadku rozwiązania PyTorch użyj:

{
  distributionType = "PyTorch"
  processCountPerInstance = int
}

W przypadku raya użyj:

{
  address = "string"
  dashboardPort = int
  distributionType = "Ray"
  headNodeAdditionalArgs = "string"
  includeDashboard = bool
  port = int
  workerNodeAdditionalArgs = "string"
}

W przypadku biblioteki TensorFlow użyj:

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

Obiekty SparkJobEntry

Ustaw właściwość sparkJobEntryType , aby określić typ obiektu.

W przypadku platformy SparkJobPythonEntry użyj:

{
  file = "string"
  sparkJobEntryType = "SparkJobPythonEntry"
}

W przypadku elementu SparkJobScalaEntry użyj:

{
  className = "string"
  sparkJobEntryType = "SparkJobScalaEntry"
}

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
  ]
}

LabelingJobMediaProperties, obiekty

Ustaw właściwość mediaType , aby określić typ obiektu.

W przypadku obrazu użyj:

{
  annotationType = "string"
  mediaType = "Image"
}

W obszarze Tekst użyj:

{
  annotationType = "string"
  mediaType = "Text"
}

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 elementu webhook

Ustaw właściwość webhookType , aby określić typ obiektu.

W przypadku usługi AzureDevOps użyj:

{
  webhookType = "AzureDevOps"
}

Obiekty EarlyTerminationPolicy

Ustaw właściwość policyType , aby określić typ obiektu.

W przypadku elementu Bandit użyj:

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

W przypadku medianStopping użyj:

{
  policyType = "MedianStopping"
}

W przypadku narzędzia TruncationSelection użyj:

{
  policyType = "TruncationSelection"
  truncationPercentage = int
}

Obiekty JobInput

Ustaw właściwość jobInputType , aby określić typ obiektu.

W przypadku custom_model użyj:

{
  jobInputType = "custom_model"
  mode = "string"
  pathOnCompute = "string"
  uri = "string"
}

W przypadku literału użyj:

{
  jobInputType = "literal"
  value = "string"
}

W przypadku mlflow_model użyj:

{
  jobInputType = "mlflow_model"
  mode = "string"
  pathOnCompute = "string"
  uri = "string"
}

W przypadku metody mltable użyj:

{
  jobInputType = "mltable"
  mode = "string"
  pathOnCompute = "string"
  uri = "string"
}

W przypadku triton_model użyj:

{
  jobInputType = "triton_model"
  mode = "string"
  pathOnCompute = "string"
  uri = "string"
}

W przypadku uri_file użyj:

{
  jobInputType = "uri_file"
  mode = "string"
  pathOnCompute = "string"
  uri = "string"
}

W przypadku uri_folder użyj:

{
  jobInputType = "uri_folder"
  mode = "string"
  pathOnCompute = "string"
  uri = "string"
}

FineTuningVertical obiektów

Ustaw właściwość modelProvider , aby określić typ obiektu.

W przypadku interfejsu AzureOpenAI użyj:

{
  hyperParameters = {
    batchSize = int
    learningRateMultiplier = int
    nEpochs = int
  }
  modelProvider = "AzureOpenAI"
}

W przypadku opcji Niestandardowe użyj:

{
  hyperParameters = {
    {customized property} = "string"
  }
  modelProvider = "Custom"
}

Obiekty węzłów

Ustaw właściwość nodesValueType , aby określić typ obiektu.

W przypadku opcji Wszystkie użyj polecenia:

{
  nodesValueType = "All"
}

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
}

Wartości właściwości

Microsoft.MachineLearningServices/workspaces/jobs

Nazwa	Opis	Wartość
nazwa	Nazwa zasobu	struna Ograniczenia: Wzorzec = ^[a-zA-Z0-9][a-zA-Z0-9\-_]{0,254}$ (wymagane)
parent_id (identyfikator rodzica)	Identyfikator zasobu, który jest elementem nadrzędnym dla tego zasobu.	Identyfikator zasobu typu: obszary robocze
właściwości	[Wymagane] Dodatkowe atrybuty jednostki.	Właściwości bazy zadań (wymagane)
typ	Typ zasobu	"Microsoft.MachineLearningServices/workspaces/jobs@2024-04-01-preview"

Wszystkie węzły

Nazwa	Opis	Wartość
nodesValueType (typ wartości)	[Wymagane] Typ wartości Węzły	"Wszystkie" (wymagane)

Token AML

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

Ustawienie automatycznego usuwania

Nazwa	Opis	Wartość
warunek / stan / kondycja (select according to the specific context)	Kiedy sprawdzić, czy zasób wygasł	"CreatedGreaterThan" "LastAccessedGreaterThan"
wartość	Wartość warunku wygaśnięcia.	ciąg

Horyzont automatycznej prognozy

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

Ustawienia autologgera

Nazwa	Opis	Wartość
mlflowAutologger (Rejestrator Automatyczny)	[Wymagane] Wskazuje, czy jest włączony autologer mlflow.	"Wyłączone" "Włączone" (wymagane)

AutoMLJob

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

AutoMLJobEnvironmentVariables (Zmienne środowiskowe AutoMLJobEnvironmentVariables)

Nazwa	Opis	Wartość

AutoMLJobOutputs (Wyjścia automatyczneMLJobOutputs)

Nazwa	Opis	Wartość

AutoMLVertical

Nazwa	Opis	Wartość
logSzczegółowość	Czasownik rejestrowania dla zadania.	"Krytyczne" "Debugowanie" "Błąd" "Informacje" "NotSet" "Ostrzeżenie"
targetColumnName (nazwa_kolumny)	Nazwa kolumny docelowej: jest to kolumna wartości przewidywania. Znana również jako nazwa kolumny etykiety w kontekście zadań klasyfikacji.	ciąg
typ zadania	Ustaw wartość "Klasyfikacja" dla typu Klasyfikacja. Ustaw wartość "Prognozowanie" dla typu Prognozowanie. Dla typu ImageClassification ustaw wartość "ImageClassification". Ustaw wartość "ImageClassificationMultilabel" dla typu ImageClassificationMultilabel. Ustaw wartość "ImageInstanceSegmentation" dla typu ImageInstanceSegmentation. Dla typu ImageObjectDetection ustaw wartość "ImageObjectDetection". Ustaw wartość "Regresja" dla regresji typu. Dla typu TextClassification ustaw wartość "TextClassification". Ustaw wartość "TextClassificationMultilabel" dla typu TextClassificationMultilabel. Ustaw wartość "TextNER" dla typu TextNer.	"Klasyfikacja" "Prognozowanie" "ImageClassification" "ImageClassificationMultilabel" "ImageInstanceSegmentation" "ImageObjectDetection" "Regresja" "TextClassification" "TextClassificationMultilabel" "TextNER" (wymagane)
trainingData (dane szkoleniowe)	[Wymagane] Dane wejściowe danych treningowych.	MLTableJobInput (wymagane)

AutoNCrossWalidacje

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

Autoseasonity

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

Opóźnienia AutoTargetLags

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

AutoTargetRollingWindowSize

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

AzureDevOpsWebhook

Nazwa	Opis	Wartość
Typ elementu webhook	[Wymagane] Określa typ usługi do wysłania wywołania zwrotnego	"AzureDevOps" (wymagane)

AzureOpenAiFineTuning

Nazwa	Opis	Wartość
hiperparametry	Hiperparametry do precyzyjnego dostrajania modelu azure Open AI.	AzureOpenAiHyperParameters
modelProvider (dostawca modelu)	[Wymagane] Wyliczenie w celu określenia typu dostrajania.	"AzureOpenAI" (wymagane)

AzureOpenAiHyperParameters

Nazwa	Opis	Wartość
batchSize (rozmiar wsadu)	Liczba przykładów w każdej partii. Większy rozmiar partii oznacza, że parametry modelu są aktualizowane rzadziej, ale z niższą wariancją.	int (integer)
learningRateMultiplier (mnożnik stawki)	Współczynnik skalowania dla szybkości nauki. Mniejsze tempo nauki może być przydatne, aby uniknąć nadmiernego dopasowania.	int (integer)
Epoki	Liczba epok treningu dla modelu. Epoka odnosi się do jednego pełnego cyklu przez zestaw danych szkoleniowych.	int (integer)

Polityka bandytów

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

Algorytm Bayesowskiego próbkowania

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

Klasyfikacja

Nazwa	Opis	Wartość
cvSplitColumnNames (NazwyKolumn)	Kolumny do użycia dla danych CVSplit.	ciąg znakowy[]
cechowanieUstawienia	Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML.	TableVerticalFeaturizationSettings
fixedParameters (Parametry stałe)	Parametry modelu/trenowania, które pozostaną stałe podczas trenowania.	TableFixedParameters
limitSettings (ustawienia limitu)	Ograniczenia wykonywania dla zadania AutoMLJob.	TableVerticalLimitSettings (Ustawienia stołu)
nCrossWalidacje	Liczba składań krzyżowych do zastosowania w zestawie danych szkoleniowych jeśli zestaw danych sprawdzania poprawności nie jest podany.	NCrossWalidacje
positiveLabel (pozytywnaEtykieta)	Etykieta dodatnia dla obliczeń metryk binarnych.	ciąg
primaryMetric (podstawowy)	Podstawowa metryka zadania.	"Dokładność" "AUCWeighted" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted"
searchPrzestrzeń	Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów.	TableParameterPodprzestrzeń[]
sweepSettings (Ustawienia zamiatania)	Ustawienia dotyczące zamiatania modelu i dostrajania hiperparametrów.	TableSweepSettings (Ustawienia zamiatania tabeli)
typ zadania	[Wymagane] Typ zadania dla zadania AutoMLJob.	"Klasyfikacja" (wymagana)
testData (dane testowe)	Testowanie danych wejściowych.	MLTableJobInput
testDataSize (rozmiar testu)	Ułamek zestawu danych testowych, który należy odłożyć na potrzeby walidacji. Wartości z zakresu (0.0, 1.0) Zastosowano, gdy zestaw danych weryfikacji nie został podany.	int (integer)
trainingSettings (ustawienia szkolenia)	Dane wejściowe fazy trenowania zadania automatycznego uczenia maszynowego.	ClassificationTrainingSettings
validationData (Dane walidacji)	Dane wejściowe danych walidacji.	MLTableJobInput
validationDataSize (validationDataSize)	Ułamek zestawu danych trenowania, który należy odłożyć na potrzeby walidacji. Wartości z zakresu (0.0, 1.0) Zastosowano, gdy zestaw danych weryfikacji nie został podany.	int (integer)
weightColumnName (nazwa_kolumny)	Nazwa kolumny wagi próbki. Zautomatyzowane uczenie maszynowe obsługuje kolumnę ważoną jako dane wejściowe, co powoduje, że wiersze w danych mają być ważone w górę lub w dół.	ciąg

ClassificationTrainingSettings

Nazwa	Opis	Wartość
allowedTrainingAlgorithms (dozwoloneAlgorytmy szkoleniowe)	Dozwolone modele dla zadania klasyfikacji.	Tablica ciągów zawierająca dowolną z: "BernoulliNaiveBayes" "DecisionTree" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LightGBM" "LinearSVM" "LogisticsRegression" "MultinomialNaiveBayes" "RandomForest" "SGD" "SVM" "XGBoostClassifier"
blockedTrainingAlgorithms (Algorytmy treningowe)	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 szkolenie Dnn)	Włącz zalecenie dotyczące modeli sieci rozproszonej.	Bool
enableModelExplainability (wytłumaczalność	Flaga włączania możliwości objaśnienia dla najlepszego modelu.	Bool
enableOnnxCompatibleModels (Modele kompatybilne z enable)	Flaga włączania modeli zgodnych z programem onnx.	Bool
enableStackEnsemble (włącz zestaw danych w stosie)	Włącz uruchamianie zespołu stosu.	Bool
enableVoteEnsemble (zespół włączeń)	Włącz uruchamianie zespołu do głosowania.	Bool
ensembleModelDownloadTimeout	Podczas generowania modeli VotingEnsemble i StackEnsemble pobierane są wiele dopasowanych modeli z poprzednich przebiegów podrzędnych. Skonfiguruj ten parametr z wyższą wartością niż 300 sekund, jeśli jest potrzebny więcej czasu.	ciąg
stackEnsembleSettings	Ustawienia zespołu stosu dla przebiegu zespołu stosu.	Ustawienia stosu
trainingMode (tryb szkolenia)	Tryb TrainingMode — ustawienie wartości "auto" jest takie samo jak ustawienie go na wartość "nieprostrybuowana" na razie, jednak w przyszłości może spowodować wybór trybu mieszanego lub heurystycznego. Wartość domyślna to "auto". Jeśli wartość "Rozproszona" jest używana tylko rozproszona cecha, a wybierane są algorytmy rozproszone. W przypadku wybrania parametru "NonDistributed" są wybierane tylko nieprodowane algorytmy.	"Auto" "Rozproszony" "NonDistributed"

Kolumnowyprzekształtnik

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

Zadanie polecenia

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

CommandJobEnvironmentVariables

Nazwa	Opis	Wartość

CommandJobInputs

Nazwa	Opis	Wartość

CommandJobLimits

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

CommandJobOutputs

Nazwa	Opis	Wartość

Konfiguracja składnika

Nazwa	Opis	Wartość
pipelineSettings (ustawienia potoku)	Ustawienia potoku, np. ContinueRunOnStepFailure itp.	jakikolwiek

Niestandardowy horyzont prognozy

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

Dostrajanie modelu niestandardowego

Nazwa	Opis	Wartość
hiperparametry	Hiperparametry do dostrajania modelu niestandardowego.	CustomModelFineTuningHyperParameters
modelProvider (dostawca modelu)	[Wymagane] Wyliczenie w celu określenia typu dostrajania.	"Niestandardowy" (wymagany)

CustomModelFineTuningHyperParameters

Nazwa	Opis	Wartość

CustomModelJobInput

Nazwa	Opis	Wartość
jobInputType (typ wejścia)	[Wymagane] Określa typ zadania.	"custom_model" (wymagane)
tryb	Tryb dostarczania zasobów wejściowych.	"Bezpośredni" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
pathOnCompute (ścieżkaOnCompute)	Ścieżka dostarczania elementu zawartości wejściowej.	ciąg
URI	[Wymagane] Identyfikator URI zasobu wejściowego.	struna Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] (wymagane)

CustomModelJobOutput

Nazwa	Opis	Wartość
assetName (nazwa zasobu)	Nazwa zasobu wyjściowego.	ciąg
assetVersion (wersja zasobu)	Wersja elementu zawartości wyjściowej.	ciąg
autoDeleteSetting (ustawienie automatycznego usuwania)	Ustawienie automatycznego usuwania elementu zawartości danych wyjściowych.	Ustawienie automatycznego usuwania
jobOutputType (Typ zadania)	[Wymagane] Określa typ zadania.	"custom_model" (wymagane)
tryb	Tryb dostarczania zasobów wyjściowych.	"Bezpośredni" "ReadWriteMount" "Przekaż"
pathOnCompute (ścieżkaOnCompute)	Ścieżka dostarczania elementu zawartości wyjściowej.	ciąg
URI	Identyfikator URI elementu zawartości wyjściowej.	ciąg

CustomNCrossValidations (Walidacje niestandardowych dokumentów)

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

Niestandardowa sezonowość

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

CustomTargetLags (Niestandardowe opóźnienia)

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

CustomTargetRollingWindowSize (Niestandardowy rozmiarDocelowegoPrzewijaniaOkna)

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

Rozkładkonfiguracja

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

Polityka Wczesnej Terminacji

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

Zadanie dostrajania

Nazwa	Opis	Wartość
fineTuningSzczegóły	[Wymagane]	FineTuningVertical (wymagane)
rodzaj pracy	[Wymagane] Określa typ zadania.	"FineTuning" (wymagane)
Wyniki	[Wymagane]	FineTuningJobOutputs (wymagane)

FineTuningJobOutputs

Nazwa	Opis	Wartość

DostrajaniePionowe

Nazwa	Opis	Wartość
model	[Wymagane] Model wejściowy do dostrajania.	MLFlowModelJobInput (wymagane)
modelProvider (dostawca modelu)	Dla typu AzureOpenAI wpisz AzureOpenAiFineTuning. Dla typu CustomModelFineTuning ustaw wartość "CustomModel".	"AzureOpenAI" "Niestandardowy" (wymagany)
typ zadania	[Wymagane] Dostrajanie typu zadania.	"ChatCompletion" "ImageClassification" "ImageInstanceSegmentation" "ImageObjectDetection" "QuestionAnswering" "TextClassification" "TextCompletion" "TextSummarization" "Tłumaczenie tekstu" "TokenClassification" "VideoMultiObjectTracking" (wymagane)
trainingData (dane szkoleniowe)	[Wymagane] Dane szkoleniowe do dostrajania.	JobInput (wymagane)
validationData (Dane walidacji)	Dane weryfikacji dostrajania.	JobInput (Wejście zadania)

PrognozaHorizon

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

Prognozowanie

Nazwa	Opis	Wartość
cvSplitColumnNames (NazwyKolumn)	Kolumny do użycia dla danych CVSplit.	ciąg znakowy[]
cechowanieUstawienia	Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML.	TableVerticalFeaturizationSettings
fixedParameters (Parametry stałe)	Parametry modelu/trenowania, które pozostaną stałe podczas trenowania.	TableFixedParameters
prognozowanieUstawienia	Prognozowanie danych wejściowych specyficznych dla zadania.	PrognozowanieUstawienia
limitSettings (ustawienia limitu)	Ograniczenia wykonywania dla zadania AutoMLJob.	TableVerticalLimitSettings (Ustawienia stołu)
nCrossWalidacje	Liczba składań krzyżowych do zastosowania w zestawie danych szkoleniowych jeśli zestaw danych sprawdzania poprawności nie jest podany.	NCrossWalidacje
primaryMetric (podstawowy)	Podstawowa metryka zadania prognozowania.	"NormalizedMeanAbsoluteError" "NormalizedRootMeanSquaredError" "R2Score" "SpearmanCorrelation"
searchPrzestrzeń	Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów.	TableParameterPodprzestrzeń[]
sweepSettings (Ustawienia zamiatania)	Ustawienia dotyczące zamiatania modelu i dostrajania hiperparametrów.	TableSweepSettings (Ustawienia zamiatania tabeli)
typ zadania	[Wymagane] Typ zadania dla zadania AutoMLJob.	"Prognozowanie" (wymagane)
testData (dane testowe)	Testowanie danych wejściowych.	MLTableJobInput
testDataSize (rozmiar testu)	Ułamek zestawu danych testowych, który należy odłożyć na potrzeby walidacji. Wartości z zakresu (0.0, 1.0) Zastosowano, gdy zestaw danych weryfikacji nie został podany.	int (integer)
trainingSettings (ustawienia szkolenia)	Dane wejściowe fazy trenowania zadania automatycznego uczenia maszynowego.	ForecastingTrainingSettings
validationData (Dane walidacji)	Dane wejściowe danych walidacji.	MLTableJobInput
validationDataSize (validationDataSize)	Ułamek zestawu danych trenowania, który należy odłożyć na potrzeby walidacji. Wartości z zakresu (0.0, 1.0) Zastosowano, gdy zestaw danych weryfikacji nie został podany.	int (integer)
weightColumnName (nazwa_kolumny)	Nazwa kolumny wagi próbki. Zautomatyzowane uczenie maszynowe obsługuje kolumnę ważoną jako dane wejściowe, co powoduje, że wiersze w danych mają być ważone w górę lub w dół.	ciąg

PrognozowanieUstawienia

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

ForecastingTrainingSettings

Nazwa	Opis	Wartość
allowedTrainingAlgorithms (dozwoloneAlgorytmy szkoleniowe)	Dozwolone modele do zadania prognozowania.	Tablica ciągów zawierająca dowolną z: "Arimax" "AutoArima" "Średnia" "DecisionTree" "ElasticNet" "ExponentialSmoothing" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "Naiwny" "Prorok" "RandomForest" "Sezonowa wyrównywacz" "SeasonalNaive" "SGD" "TCNForecaster" "XGBoostRegressor"
blockedTrainingAlgorithms (Algorytmy treningowe)	Zablokowane modele do zadania prognozowania.	Tablica ciągów zawierająca dowolną z: "Arimax" "AutoArima" "Średnia" "DecisionTree" "ElasticNet" "ExponentialSmoothing" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "Naiwny" "Prorok" "RandomForest" "Sezonowa wyrównywacz" "SeasonalNaive" "SGD" "TCNForecaster" "XGBoostRegressor"
enableDnnTraining (włącz szkolenie Dnn)	Włącz zalecenie dotyczące modeli sieci rozproszonej.	Bool
enableModelExplainability (wytłumaczalność	Flaga włączania możliwości objaśnienia dla najlepszego modelu.	Bool
enableOnnxCompatibleModels (Modele kompatybilne z enable)	Flaga włączania modeli zgodnych z programem onnx.	Bool
enableStackEnsemble (włącz zestaw danych w stosie)	Włącz uruchamianie zespołu stosu.	Bool
enableVoteEnsemble (zespół włączeń)	Włącz uruchamianie zespołu do głosowania.	Bool
ensembleModelDownloadTimeout	Podczas generowania modeli VotingEnsemble i StackEnsemble pobierane są wiele dopasowanych modeli z poprzednich przebiegów podrzędnych. Skonfiguruj ten parametr z wyższą wartością niż 300 sekund, jeśli jest potrzebny więcej czasu.	ciąg
stackEnsembleSettings	Ustawienia zespołu stosu dla przebiegu zespołu stosu.	Ustawienia stosu
trainingMode (tryb szkolenia)	Tryb TrainingMode — ustawienie wartości "auto" jest takie samo jak ustawienie go na wartość "nieprostrybuowana" na razie, jednak w przyszłości może spowodować wybór trybu mieszanego lub heurystycznego. Wartość domyślna to "auto". Jeśli wartość "Rozproszona" jest używana tylko rozproszona cecha, a wybierane są algorytmy rozproszone. W przypadku wybrania parametru "NonDistributed" są wybierane tylko nieprodowane algorytmy.	"Auto" "Rozproszony" "NonDistributed"

Algorytm próbkowania siatki

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

IdentityConfiguration

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

Klasyfikacja obrazu

Nazwa	Opis	Wartość
limitSettings (ustawienia limitu)	[Wymagane] Ogranicz ustawienia zadania automatycznego uczenia maszynowego.	ImageLimitSettings (wymagane)
modelSettings (Ustawienia modelu)	Ustawienia używane do trenowania modelu.	ImageModelSettingsClassification
primaryMetric (podstawowy)	Podstawowa metryka do optymalizacji pod kątem tego zadania.	"Dokładność" "AUCWeighted" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted"
searchPrzestrzeń	Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów.	Klasyfikacja ImageModelDistributionSettings[]
sweepSettings (Ustawienia zamiatania)	Ustawienia związane z zamiatanie modeli i zamiatanie hiperparametrów.	Ustawienia zamiatania obrazu
typ zadania	[Wymagane] Typ zadania dla zadania AutoMLJob.	"ImageClassification" (wymagane)
validationData (Dane walidacji)	Dane wejściowe danych walidacji.	MLTableJobInput
validationDataSize (validationDataSize)	Ułamek zestawu danych trenowania, który należy odłożyć na potrzeby walidacji. Wartości z zakresu (0.0, 1.0) Zastosowano, gdy zestaw danych weryfikacji nie został podany.	int (integer)

ImageClassificationMultilabel

Nazwa	Opis	Wartość
limitSettings (ustawienia limitu)	[Wymagane] Ogranicz ustawienia zadania automatycznego uczenia maszynowego.	ImageLimitSettings (wymagane)
modelSettings (Ustawienia modelu)	Ustawienia używane do trenowania modelu.	ImageModelSettingsClassification
primaryMetric (podstawowy)	Podstawowa metryka do optymalizacji pod kątem tego zadania.	"Dokładność" "AUCWeighted" "AveragePrecisionScoreWeighted" "IOU" "NormMacroRecall" "PrecisionScoreWeighted"
searchPrzestrzeń	Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów.	Klasyfikacja ImageModelDistributionSettings[]
sweepSettings (Ustawienia zamiatania)	Ustawienia związane z zamiatanie modeli i zamiatanie hiperparametrów.	Ustawienia zamiatania obrazu
typ zadania	[Wymagane] Typ zadania dla zadania AutoMLJob.	"ImageClassificationMultilabel" (wymagane)
validationData (Dane walidacji)	Dane wejściowe danych walidacji.	MLTableJobInput
validationDataSize (validationDataSize)	Ułamek zestawu danych trenowania, który należy odłożyć na potrzeby walidacji. Wartości z zakresu (0.0, 1.0) Zastosowano, gdy zestaw danych weryfikacji nie został podany.	int (integer)

Segmentacja ImageInstanceSegmentation

Nazwa	Opis	Wartość
limitSettings (ustawienia limitu)	[Wymagane] Ogranicz ustawienia zadania automatycznego uczenia maszynowego.	ImageLimitSettings (wymagane)
modelSettings (Ustawienia modelu)	Ustawienia używane do trenowania modelu.	ImageModelSettingsObjectDetection
primaryMetric (podstawowy)	Podstawowa metryka do optymalizacji pod kątem tego zadania.	"MeanAveragePrecision"
searchPrzestrzeń	Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów.	ImageModelDistributionSettingsObjectDetection[]
sweepSettings (Ustawienia zamiatania)	Ustawienia związane z zamiatanie modeli i zamiatanie hiperparametrów.	Ustawienia zamiatania obrazu
typ zadania	[Wymagane] Typ zadania dla zadania AutoMLJob.	"ImageInstanceSegmentation" (wymagane)
validationData (Dane walidacji)	Dane wejściowe danych walidacji.	MLTableJobInput
validationDataSize (validationDataSize)	Ułamek zestawu danych trenowania, który należy odłożyć na potrzeby walidacji. Wartości z zakresu (0.0, 1.0) Zastosowano, gdy zestaw danych weryfikacji nie został podany.	int (integer)

Ustawienia limitu obrazu

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

ImageModelDistributionSettingsClassification

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

ImageModelDistributionSettingsObjectDetection

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

ImageModelSettingsClassification

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

ImageModelSettingsObjectDetection

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

ImageObjectDetection

Nazwa	Opis	Wartość
limitSettings (ustawienia limitu)	[Wymagane] Ogranicz ustawienia zadania automatycznego uczenia maszynowego.	ImageLimitSettings (wymagane)
modelSettings (Ustawienia modelu)	Ustawienia używane do trenowania modelu.	ImageModelSettingsObjectDetection
primaryMetric (podstawowy)	Podstawowa metryka do optymalizacji pod kątem tego zadania.	"MeanAveragePrecision"
searchPrzestrzeń	Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów.	ImageModelDistributionSettingsObjectDetection[]
sweepSettings (Ustawienia zamiatania)	Ustawienia związane z zamiatanie modeli i zamiatanie hiperparametrów.	Ustawienia zamiatania obrazu
typ zadania	[Wymagane] Typ zadania dla zadania AutoMLJob.	"ImageObjectDetection" (wymagane)
validationData (Dane walidacji)	Dane wejściowe danych walidacji.	MLTableJobInput
validationDataSize (validationDataSize)	Ułamek zestawu danych trenowania, który należy odłożyć na potrzeby walidacji. Wartości z zakresu (0.0, 1.0) Zastosowano, gdy zestaw danych weryfikacji nie został podany.	int (integer)

Ustawienia zamiatania obrazu

Nazwa	Opis	Wartość
wczesneWypowiedzenie	Typ zasad wczesnego kończenia.	Polityka Wczesnej Terminacji
próbkowanieAlgorithm	[Wymagane] Typ algorytmów próbkowania hiperparametrów.	"Bayesian" "Siatka" "Losowe" (wymagane)

Właściwości elementu JobBase

Nazwa	Opis	Wartość
componentId (identyfikator komponentu)	Identyfikator zasobu usługi ARM zasobu składnika.	ciąg
computeId (identyfikator obliczeniowy)	Identyfikator zasobu usługi ARM zasobu obliczeniowego.	ciąg
opis	Tekst opisu zasobu.	ciąg
nazwa wyświetlana	Nazwa wyświetlana zadania.	ciąg
experimentName (nazwa eksperymentu)	Nazwa eksperymentu, do którego należy zadanie. Jeśli nie zostanie ustawione, zadanie zostanie umieszczone w eksperymencie "Domyślny".	ciąg
tożsamość	Konfiguracja tożsamości. W przypadku ustawienia powinna to być jedna z wartości AmlToken, ManagedIdentity, UserIdentity lub null. Wartość domyślna to AmlToken, jeśli ma wartość null.	IdentityConfiguration
isArchived (zarchiwizowany)	Czy zasób jest archiwizowany?	Bool
rodzaj pracy	Ustaw wartość "AutoML" dla typu AutoMLJob. Ustaw wartość "Command" dla typu CommandJob. Dla typu FineTuningJob ustaw wartość "FineTuningJob". Ustaw wartość "Etykietowanie" dla typu LabelingJobProperties. Dla typu PipelineJob ustaw wartość "Pipeline". Ustaw wartość "Spark" dla typu SparkJob. Ustaw wartość "Zamiatanie" dla typu SweepJob.	"AutoML" "Polecenie" "FineTuning" "Etykietowanie" "Potok" "Spark" "Zamiatanie" (wymagane)
notificationSetting (ustawienie powiadomienia)	Ustawienie powiadomienia dla zadania	NotificationSetting (Ustawienie powiadomień)
właściwości	Słownik właściwości elementu zawartości.	Właściwości bazy danych ResourceBase
secretsConfiguration (Konfiguracja wpisów tajnych)	Konfiguracja wpisów tajnych, które mają być udostępniane w czasie wykonywania.	JobBaseSecretsConfiguration
usługi	Lista punktów zadań. W przypadku zadań lokalnych punkt końcowy zadania będzie miał wartość punktu końcowego FileStreamObject.	Usługi JobBaseServices
Etykiety	Słownik tagów. Tagi można dodawać, usuwać i aktualizować.	Tagi ResourceBaseTags

JobBaseSecretsConfiguration

Nazwa	Opis	Wartość

Usługi JobBaseServices

Nazwa	Opis	Wartość

JobInput (Wejście zadania)

Nazwa	Opis	Wartość
opis	Opis danych wejściowych.	ciąg
jobInputType (typ wejścia)	Ustaw wartość "custom_model" dla typu CustomModelJobInput. Ustaw wartość "literał" dla typu LiteralJobInput. Dla typu MLFlowModelJobInput ustaw wartość "mlflow_model". Ustaw wartość "mltable" dla typu MLTableJobInput. Dla typu TritonModelJobInput ustaw wartość "triton_model". Dla typu UriFileJobInput ustaw wartość "uri_file". Ustaw wartość "uri_folder" dla typu UriFolderJobInput.	"custom_model" "literał" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (wymagane)

Dane wyjściowe zadania

Nazwa	Opis	Wartość
opis	Opis danych wyjściowych.	ciąg
jobOutputType (Typ zadania)	Dla typu CustomModelJobOutput ustaw wartość "custom_model". Dla typu MLFlowModelJobOutput ustaw wartość "mlflow_model". Ustaw wartość "mltable" dla typu MLTableJobOutput. Dla typu TritonModelJobOutput ustaw wartość "triton_model". Dla typu UriFileJobOutput ustaw wartość "uri_file". Dla typu UriFolderJobOutput ustaw wartość "uri_folder".	"custom_model" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (wymagane)

JobResourceConfiguration

Nazwa	Opis	Wartość
DockerArgs (Argumenty dockerArgs)	Dodatkowe argumenty do przekazania 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 (liczba wystąpień)	Opcjonalna liczba wystąpień lub węzłów używanych przez docelowy obiekt obliczeniowy.	int (integer)
instanceType (typ instancji)	Opcjonalny typ maszyny wirtualnej używany jako obsługiwany przez docelowy obiekt obliczeniowy.	ciąg
lokalizacje	Lokalizacje, w których można uruchomić zadanie.	ciąg znakowy[]
maxInstanceCount (liczba)	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 (integer)
właściwości	Dodatkowa torba właściwości.	Właściwości ResourceConfigurationProperties
shmSize (Rozmiar shm)	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(megabajtów) lub g(gigabajtów).	struna Ograniczenia: Wzorzec = \d+[bBkKmMgG]

Serwis Pracy

Nazwa	Opis	Wartość
punkt końcowy	Adres URL punktu końcowego.	ciąg
jobServiceType (typ usługi)	Typ punktu końcowego.	ciąg
Węzły	Węzły, na których użytkownik chce uruchomić usługę. Jeśli węzły nie są ustawione lub ustawione na wartość null, usługa zostanie uruchomiona tylko w węźle przywódcy.	Węzły
port	Port dla punktu końcowego ustawionego przez użytkownika.	int (integer)
właściwości	Dodatkowe właściwości do ustawienia w punkcie końcowym.	Właściwości usługi zadań

Właściwości usługi zadań

Nazwa	Opis	Wartość

EtykietaKategoria

Nazwa	Opis	Wartość
Klasy	Słownik klas etykiet w tej kategorii.	LabelCategoryClasses (Klasy etykiet)
nazwa wyświetlana	Nazwa wyświetlana kategorii etykiet.	ciąg
Wybór wielokrotny	Wskazuje, czy można wybrać wiele klas w tej kategorii.	"Wyłączone" "Włączone"

LabelCategoryClasses (Klasy etykiet)

Nazwa	Opis	Wartość

Klasa etykiety

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

Podklasy LabelClassSubclasses

Nazwa	Opis	Wartość

Etykietowanie DataConfiguration

Nazwa	Opis	Wartość
dataId (identyfikator danych)	Identyfikator zasobu danych do wykonania etykietowania.	ciąg
incrementalDataRefresh	Wskazuje, czy włączyć odświeżanie danych przyrostowych.	"Wyłączone" "Włączone"

LabelingJobImageProperties

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

EtykietowanieInstrukcje dotyczące zadań

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

EtykietowanieJobLabelCategories

Nazwa	Opis	Wartość

LabelingJobMediaProperties

Nazwa	Opis	Wartość
typ mediów	Ustaw wartość "Obraz" dla typu LabelingJobImageProperties. Ustaw wartość "Text" dla typu LabelingJobTextProperties.	"Obraz" "Tekst" (wymagany)

LabelingJobProperties

Nazwa	Opis	Wartość
dataConfiguration (konfiguracja danych)	Konfiguracja danych używanych w zadaniu.	Etykietowanie DataConfiguration
jobInstructions (Instrukcje pracy)	Instrukcje etykietowania zadania.	EtykietowanieInstrukcje dotyczące zadań
rodzaj pracy	[Wymagane] Określa typ zadania.	"Etykietowanie" (wymagane)
labelCategories (etykieta)	Etykieta kategorii zadania.	EtykietowanieJobLabelCategories
labelingJobMediaProperties	Właściwości specyficzne dla nośnika w zadaniu.	LabelingJobMediaProperties
mlAssistConfiguration	Konfiguracja funkcji MLAssist w zadaniu.	MlAssistConfiguration

LabelingJobTextProperties

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

LiterałJobInput

Nazwa	Opis	Wartość
jobInputType (typ wejścia)	[Wymagane] Określa typ zadania.	"literał" (wymagany)
wartość	[Wymagane] Wartość literału dla danych wejściowych.	struna Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] (wymagane)

Identyfikator zarządzany

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

MedianStoppingPolicy (Polityka MedianStopping)

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

MlAssistConfiguration

Nazwa	Opis	Wartość
mlAssist (Asystent Języka Angielskiego	Ustaw wartość "Disabled" dla typu MLAssistConfigurationDisabled. Ustaw wartość "Włączone" dla typu MLAssistConfigurationEnabled.	"Wyłączone" "Włączone" (wymagane)

MLAssistConfigurationDisabled

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

MLAssistConfigurationEnabled

Nazwa	Opis	Wartość
wnioskowanieComputeBinding	[Wymagane] Powiązanie obliczeniowe AML używane w wnioskowaniu.	struna Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] (wymagane)
mlAssist (Asystent Języka Angielskiego	[Wymagane] Wskazuje, czy funkcja MLAssist jest włączona.	"Włączone" (wymagane)
trainingComputeBinding	[Wymagane] Powiązanie obliczeniowe AML używane podczas trenowania.	struna Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] (wymagane)

MLFlowModelJobInput

Nazwa	Opis	Wartość
opis	Opis danych wejściowych.	ciąg
jobInputType (typ wejścia)	[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"
pathOnCompute (ścieżkaOnCompute)	Ścieżka dostarczania elementu zawartości wejściowej.	ciąg
URI	[Wymagane] Identyfikator URI zasobu wejściowego.	struna Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] (wymagane)

MLFlowModelJobInput

Nazwa	Opis	Wartość
jobInputType (typ wejścia)	[Wymagane] Określa typ zadania.	"mlflow_model" (wymagane)
tryb	Tryb dostarczania zasobów wejściowych.	"Bezpośredni" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
pathOnCompute (ścieżkaOnCompute)	Ścieżka dostarczania elementu zawartości wejściowej.	ciąg
URI	[Wymagane] Identyfikator URI zasobu wejściowego.	struna Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] (wymagane)

MLFlowModelJobOutput

Nazwa	Opis	Wartość
assetName (nazwa zasobu)	Nazwa zasobu wyjściowego.	ciąg
assetVersion (wersja zasobu)	Wersja elementu zawartości wyjściowej.	ciąg
autoDeleteSetting (ustawienie automatycznego usuwania)	Ustawienie automatycznego usuwania elementu zawartości danych wyjściowych.	Ustawienie automatycznego usuwania
jobOutputType (Typ zadania)	[Wymagane] Określa typ zadania.	"mlflow_model" (wymagane)
tryb	Tryb dostarczania zasobów wyjściowych.	"Bezpośredni" "ReadWriteMount" "Przekaż"
pathOnCompute (ścieżkaOnCompute)	Ścieżka dostarczania elementu zawartości wyjściowej.	ciąg
URI	Identyfikator URI elementu zawartości wyjściowej.	ciąg

MLTableJobInput

Nazwa	Opis	Wartość
opis	Opis danych wejściowych.	ciąg
jobInputType (typ wejścia)	[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"
pathOnCompute (ścieżkaOnCompute)	Ścieżka dostarczania elementu zawartości wejściowej.	ciąg
URI	[Wymagane] Identyfikator URI zasobu wejściowego.	struna Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] (wymagane)

MLTableJobInput

Nazwa	Opis	Wartość
jobInputType (typ wejścia)	[Wymagane] Określa typ zadania.	"mltable" (wymagane)
tryb	Tryb dostarczania zasobów wejściowych.	"Bezpośredni" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
pathOnCompute (ścieżkaOnCompute)	Ścieżka dostarczania elementu zawartości wejściowej.	ciąg
URI	[Wymagane] Identyfikator URI zasobu wejściowego.	struna Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] (wymagane)

MLTableJobOutput

Nazwa	Opis	Wartość
assetName (nazwa zasobu)	Nazwa zasobu wyjściowego.	ciąg
assetVersion (wersja zasobu)	Wersja elementu zawartości wyjściowej.	ciąg
autoDeleteSetting (ustawienie automatycznego usuwania)	Ustawienie automatycznego usuwania elementu zawartości danych wyjściowych.	Ustawienie automatycznego usuwania
jobOutputType (Typ zadania)	[Wymagane] Określa typ zadania.	"mltable" (wymagane)
tryb	Tryb dostarczania zasobów wyjściowych.	"Bezpośredni" "ReadWriteMount" "Przekaż"
pathOnCompute (ścieżkaOnCompute)	Ścieżka dostarczania elementu zawartości wyjściowej.	ciąg
URI	Identyfikator URI elementu zawartości wyjściowej.	ciąg

Mpi powiedział:

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

NCrossWalidacje

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

NlpFixedParameters (Parametry stałe)

Nazwa	Opis	Wartość
gradientAccumulationKroki	Liczba kroków gromadzenia gradientów przed uruchomieniem przejścia wstecznego.	int (integer)
learningRate (Stawka nauki)	Kurs szkoleniowy dla procedury szkoleniowej.	int (integer)
learningRateScheduler (Harmonogram lekcji)	Typ harmonogramu szybkości nauki, który ma być używany podczas procedury trenowania.	"Stała" "ConstantWithWarmup" "Cosine" "CosineWithRestarts" "Liniowy" "Brak" "Wielomianowy"
nazwa_modelu	Nazwa modelu do trenowania.	ciąg
liczbaEpok	Liczba epok treningowych.	int (integer)
trainingBatchSize (rozmiar)	Rozmiar partii dla procedury trenowania.	int (integer)
validationBatchSize (validationBatchSize)	Rozmiar partii do użycia podczas oceny.	int (integer)
Współczynnik rozgrzewki	Stosunek rozgrzewki, używany obok LrSchedulerType.	int (integer)
wagaRozkład	Rozkład masy dla procedury treningowej.	int (integer)

NlpParameterSubspace

Nazwa	Opis	Wartość
gradientAccumulationKroki	Liczba kroków gromadzenia gradientów przed uruchomieniem przejścia wstecznego.	ciąg
learningRate (Stawka nauki)	Kurs szkoleniowy dla procedury szkoleniowej.	ciąg
learningRateScheduler (Harmonogram lekcji)	Typ harmonogramu szybkości nauki, który ma być używany podczas procedury trenowania.	ciąg
nazwa_modelu	Nazwa modelu do trenowania.	ciąg
liczbaEpok	Liczba epok treningowych.	ciąg
trainingBatchSize (rozmiar)	Rozmiar partii dla procedury trenowania.	ciąg
validationBatchSize (validationBatchSize)	Rozmiar partii do użycia podczas oceny.	ciąg
Współczynnik rozgrzewki	Stosunek rozgrzewki, używany obok LrSchedulerType.	ciąg
wagaRozkład	Rozkład masy dla procedury treningowej.	ciąg

NlpSweepSettings (Ustawienia przemiatania)

Nazwa	Opis	Wartość
wczesneWypowiedzenie	Typ zasad wczesnego zakończenia zadania zamiatania.	Polityka Wczesnej Terminacji
próbkowanieAlgorithm	[Wymagane] Typ algorytmu próbkowania.	"Bayesian" "Siatka" "Losowe" (wymagane)

NlpVerticalFeaturizationSettings

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

NlpVerticalLimitSettings (Ustawienia Limitu Pionowego)

Nazwa	Opis	Wartość
maxConcurrentTrials (Próby maksymalne)	Maksymalna liczba iteracji automl współbieżnych.	int (integer)
maxNodes (węzły maxNodes)	Maksymalna liczba węzłów do użycia w eksperymencie.	int (integer)
maxTrials (Próby maks.)	Liczba iteracji rozwiązania AutoML.	int (integer)
przerwa czasowa	Limit czasu zadania automatycznego uczenia maszynowego.	ciąg
Limit czasu próbnego	Limit czasu dla poszczególnych wersji próbnych HD.	ciąg

Węzłów

Nazwa	Opis	Wartość
nodesValueType (typ wartości)	Dla typu AllNodes ustaw wartość "All".	"Wszystkie" (wymagane)

NotificationSetting (Ustawienie powiadomień)

Nazwa	Opis	Wartość
emailWł.	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 499 znaków w sumie concat z separatorem przecinka	ciąg znakowy[]
elementy webhook	Wysyłanie wywołania zwrotnego elementu webhook do usługi. Klucz to nazwa podana przez użytkownika dla elementu webhook.	NotificationSettingWebhooks (PowiadomienieUstawieniaElementy webhook)

NotificationSettingWebhooks (PowiadomienieUstawieniaElementy webhook)

Nazwa	Opis	Wartość

Cel

Nazwa	Opis	Wartość
cel	[Wymagane] Definiuje obsługiwane cele metryk na potrzeby dostrajania hiperparametrów	"Maksymalizuj" "Minimalizuj" (wymagane)
primaryMetric (podstawowy)	[Wymagane] Nazwa metryki do optymalizacji.	struna Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] (wymagane)

PotokJob

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

PipelineJobInputs

Nazwa	Opis	Wartość

PipelineJobJobs (Zadania potokowe)

Nazwa	Opis	Wartość

PipelineJobOutputs

Nazwa	Opis	Wartość

PyTorch

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

Ustawienia kolejki

Nazwa	Opis	Wartość
jobTier (Warstwa zadań)	Steruje warstwą zadania obliczeniowego	"Podstawowa" "Null" "Premium" "Spot" "Standardowa"
priorytet	Określa priorytet zadania obliczeniowego.	int (integer)

Algorytm losowego próbkowania

Nazwa	Opis	Wartość
Baza logów	Opcjonalna liczba dodatnia lub e w formacie ciągu, który ma być używany jako podstawa do próbkowania losowego opartego na dzienniku	ciąg
reguła	Określony typ algorytmu losowego	"Losowe" "Sobol"
samplingAlgorithmType	[Wymagane] Algorytm używany do generowania wartości hiperparametrów wraz z właściwościami konfiguracji	"Losowe" (wymagane)
nasienie	Opcjonalna liczba całkowita do użycia jako inicjator generowania liczb losowych	int (integer)

Promień

Nazwa	Opis	Wartość
adres	Adres węzła głównego Raya.	ciąg
dashboardPort (tablica rozdzielcza	Port, z który ma być powiązany z serwerem pulpitu nawigacyjnego.	int (integer)
distributionType (typ dystrybucji)	[Wymagane] Określa typ struktury dystrybucji.	"Ray" (wymagane)
headNodeAdditionalArgs	Dodatkowe argumenty przekazane do uruchomienia promienia w węźle głównym.	ciąg
includeDashboard (w zestawie)	Podaj ten argument, aby uruchomić graficzny interfejs użytkownika pulpitu nawigacyjnego Ray.	Bool
port	Port procesu promienia głowy.	int (integer)
workerNodeAdditionalArgs	Dodatkowe argumenty przekazane do uruchomienia promienia w węźle procesu roboczego.	ciąg

Regresja

Nazwa	Opis	Wartość
cvSplitColumnNames (NazwyKolumn)	Kolumny do użycia dla danych CVSplit.	ciąg znakowy[]
cechowanieUstawienia	Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML.	TableVerticalFeaturizationSettings
fixedParameters (Parametry stałe)	Parametry modelu/trenowania, które pozostaną stałe podczas trenowania.	TableFixedParameters
limitSettings (ustawienia limitu)	Ograniczenia wykonywania dla zadania AutoMLJob.	TableVerticalLimitSettings (Ustawienia stołu)
nCrossWalidacje	Liczba składań krzyżowych do zastosowania w zestawie danych szkoleniowych jeśli zestaw danych sprawdzania poprawności nie jest podany.	NCrossWalidacje
primaryMetric (podstawowy)	Podstawowa metryka zadania regresji.	"NormalizedMeanAbsoluteError" "NormalizedRootMeanSquaredError" "R2Score" "SpearmanCorrelation"
searchPrzestrzeń	Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów.	TableParameterPodprzestrzeń[]
sweepSettings (Ustawienia zamiatania)	Ustawienia dotyczące zamiatania modelu i dostrajania hiperparametrów.	TableSweepSettings (Ustawienia zamiatania tabeli)
typ zadania	[Wymagane] Typ zadania dla zadania AutoMLJob.	"Regresja" (wymagana)
testData (dane testowe)	Testowanie danych wejściowych.	MLTableJobInput
testDataSize (rozmiar testu)	Ułamek zestawu danych testowych, który należy odłożyć na potrzeby walidacji. Wartości z zakresu (0.0, 1.0) Zastosowano, gdy zestaw danych weryfikacji nie został podany.	int (integer)
trainingSettings (ustawienia szkolenia)	Dane wejściowe fazy trenowania zadania automatycznego uczenia maszynowego.	RegressionTrainingSettings
validationData (Dane walidacji)	Dane wejściowe danych walidacji.	MLTableJobInput
validationDataSize (validationDataSize)	Ułamek zestawu danych trenowania, który należy odłożyć na potrzeby walidacji. Wartości z zakresu (0.0, 1.0) Zastosowano, gdy zestaw danych weryfikacji nie został podany.	int (integer)
weightColumnName (nazwa_kolumny)	Nazwa kolumny wagi próbki. Zautomatyzowane uczenie maszynowe obsługuje kolumnę ważoną jako dane wejściowe, co powoduje, że wiersze w danych mają być ważone w górę lub w dół.	ciąg

RegressionTrainingSettings

Nazwa	Opis	Wartość
allowedTrainingAlgorithms (dozwoloneAlgorytmy szkoleniowe)	Dozwolone modele dla zadania regresji.	Tablica ciągów zawierająca dowolną z: "DecisionTree" "ElasticNet" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "RandomForest" "SGD" "XGBoostRegressor"
blockedTrainingAlgorithms (Algorytmy treningowe)	Zablokowane modele dla zadania regresji.	Tablica ciągów zawierająca dowolną z: "DecisionTree" "ElasticNet" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "RandomForest" "SGD" "XGBoostRegressor"
enableDnnTraining (włącz szkolenie Dnn)	Włącz zalecenie dotyczące modeli sieci rozproszonej.	Bool
enableModelExplainability (wytłumaczalność	Flaga włączania możliwości objaśnienia dla najlepszego modelu.	Bool
enableOnnxCompatibleModels (Modele kompatybilne z enable)	Flaga włączania modeli zgodnych z programem onnx.	Bool
enableStackEnsemble (włącz zestaw danych w stosie)	Włącz uruchamianie zespołu stosu.	Bool
enableVoteEnsemble (zespół włączeń)	Włącz uruchamianie zespołu do głosowania.	Bool
ensembleModelDownloadTimeout	Podczas generowania modeli VotingEnsemble i StackEnsemble pobierane są wiele dopasowanych modeli z poprzednich przebiegów podrzędnych. Skonfiguruj ten parametr z wyższą wartością niż 300 sekund, jeśli jest potrzebny więcej czasu.	ciąg
stackEnsembleSettings	Ustawienia zespołu stosu dla przebiegu zespołu stosu.	Ustawienia stosu
trainingMode (tryb szkolenia)	Tryb TrainingMode — ustawienie wartości "auto" jest takie samo jak ustawienie go na wartość "nieprostrybuowana" na razie, jednak w przyszłości może spowodować wybór trybu mieszanego lub heurystycznego. Wartość domyślna to "auto". Jeśli wartość "Rozproszona" jest używana tylko rozproszona cecha, a wybierane są algorytmy rozproszone. W przypadku wybrania parametru "NonDistributed" są wybierane tylko nieprodowane algorytmy.	"Auto" "Rozproszony" "NonDistributed"

Właściwości bazy danych ResourceBase

Nazwa	Opis	Wartość

Tagi ResourceBaseTags

Nazwa	Opis	Wartość

Właściwości ResourceConfigurationProperties

Nazwa	Opis	Wartość

PróbkowanieAlgorithm

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

Sezonowości

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

Konfiguracja wpisu tajnego

Nazwa	Opis	Wartość
URI	Identyfikator URI wpisu tajnego. Przykładowy identyfikator URI: https://myvault.vault.azure.net/secrets/mysecretname/secretversion	ciąg
workspaceSecretName (nazwa sekretu)	Nazwa wpisu tajnego w magazynie kluczy obszaru roboczego.	ciąg

Zadanie SparkJob

Nazwa	Opis	Wartość
archiwum	Archiwizowanie plików używanych w zadaniu.	ciąg znakowy[]
argumenty	Argumenty zadania.	ciąg
codeId (identyfikator kodu)	[Wymagane] Identyfikator zasobu usługi ARM zasobu kodu.	struna Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] (wymagane)
Conf	Właściwości skonfigurowane przez platformę Spark.	Konferencja SparkJobConf
wpis	[Wymagane] Wpis do wykonania podczas uruchamiania zadania.	SparkJobEntry (wymagane)
environmentId (identyfikator środowiska)	Identyfikator zasobu usługi ARM specyfikacji środowiska dla zadania.	ciąg
zmienne środowiskowe	Zmienne środowiskowe uwzględnione w zadaniu.	SparkJobEnvironmentVariables
Pliki	Pliki używane w zadaniu.	ciąg znakowy[]
Wejścia	Mapowanie powiązań danych wejściowych używanych w zadaniu.	SparkJobInputs
Słoiki	Pliki Jar używane w zadaniu.	ciąg znakowy[]
rodzaj pracy	[Wymagane] Określa typ zadania.	"Spark" (wymagane)
Wyniki	Mapowanie powiązań danych wyjściowych używanych w zadaniu.	SparkJobOutputs
pyFiles (Pliki py)	Pliki języka Python używane w zadaniu.	ciąg znakowy[]
queueSettings (Ustawienia kolejki)	Ustawienia kolejki dla zadania	Ustawienia kolejki
zasoby	Konfiguracja zasobów obliczeniowych dla zadania.	SparkResourceConfiguration

Konferencja SparkJobConf

Nazwa	Opis	Wartość

SparkJobEntry

Nazwa	Opis	Wartość
sparkJobEntryType	Ustaw wartość "SparkJobPythonEntry" dla typu SparkJobPythonEntry. Ustaw wartość "SparkJobScalaEntry" dla typu SparkJobScalaEntry.	"SparkJobPythonEntry" "SparkJobScalaEntry" (wymagane)

SparkJobEnvironmentVariables

Nazwa	Opis	Wartość

SparkJobInputs

Nazwa	Opis	Wartość

SparkJobOutputs

Nazwa	Opis	Wartość

SparkJobPythonEntry

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

SparkJobScalaEntry

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

SparkResourceConfiguration

Nazwa	Opis	Wartość
instanceType (typ instancji)	Opcjonalny typ maszyny wirtualnej używany jako obsługiwany przez docelowy obiekt obliczeniowy.	ciąg
runtimeVersion (wersja uruchomieniowa)	Wersja środowiska uruchomieniowego platformy Spark używana dla zadania.	ciąg

Ustawienia stosu

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

Zamiatanie

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

SweepJobInputs (Dane wejściowe SweepJob)

Nazwa	Opis	Wartość

SweepJobLimits (Limity zamiatania)

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

SweepJobOutputs (Dane wyjściowe zamiatania)

Nazwa	Opis	Wartość

TableFixedParameters

Nazwa	Opis	Wartość
Booster	Określ typ zwiększania, np. gbdt dla biblioteki XGBoost.	ciąg
boostingType (typ wzmocnienia)	Określ typ zwiększania, np. gbdt dla lightGBM.	ciąg
growPolicy (polityka uprawy)	Określ zasady zwiększania, które sterują sposobem dodawania nowych węzłów do drzewa.	ciąg
learningRate (Stawka nauki)	Kurs szkoleniowy dla procedury szkoleniowej.	int (integer)
maxBin (Pojemnik na śmieci)	Określ maksymalną liczbę odrębnych pojemników do zasobnika funkcji ciągłych.	int (integer)
maxDepth (maksymalna głębokość)	Określ maksymalną głębokość, aby jawnie ograniczyć głębokość drzewa.	int (integer)
maxLeaves (Liście maks.)	Określ maksymalne liście, aby jawnie ograniczyć liście drzewa.	int (integer)
minDataInLeaf (Plik minDataInLeaf)	Minimalna liczba danych na liść.	int (integer)
minSplitGain (wzmocnienie minimalne)	Minimalna redukcja strat wymagana do wykonania kolejnej partycji w węźle liścia drzewa.	int (integer)
nazwa_modelu	Nazwa modelu do trenowania.	ciąg
nEstimatory	Określ liczbę drzew (lub rund) w modelu.	int (integer)
numLeaves (liczba)	Określ liczbę liści.	int (integer)
preprocesorName	Nazwa preprocesora do użycia.	ciąg
regAlpha (regAlpha)	L1 termin regularyzacji na wagi.	int (integer)
regLambda (regLambda)	Termin uregulowania L2 na wagi.	int (integer)
podprzykład	Współczynnik próbek podrzędnych wystąpienia trenowania.	int (integer)
podpróbkaFreq	Częstotliwość podprzykładu.	int (integer)
treeMethod (metoda drzewa)	Określ metodę drzewa.	ciąg
withMean	Jeśli wartość true, wyśrodkuj przed skalowaniem danych przy użyciu standardu StandardScalar.	Bool
zStd	Jeśli wartość true, skalowanie danych przy użyciu wariancji jednostkowej przy użyciu standardScalar.	Bool

TableParameterSubspace

Nazwa	Opis	Wartość
Booster	Określ typ zwiększania, np. gbdt dla biblioteki XGBoost.	ciąg
boostingType (typ wzmocnienia)	Określ typ zwiększania, np. gbdt dla lightGBM.	ciąg
growPolicy (polityka uprawy)	Określ zasady zwiększania, które sterują sposobem dodawania nowych węzłów do drzewa.	ciąg
learningRate (Stawka nauki)	Kurs szkoleniowy dla procedury szkoleniowej.	ciąg
maxBin (Pojemnik na śmieci)	Określ maksymalną liczbę odrębnych pojemników do zasobnika funkcji ciągłych.	ciąg
maxDepth (maksymalna głębokość)	Określ maksymalną głębokość, aby jawnie ograniczyć głębokość drzewa.	ciąg
maxLeaves (Liście maks.)	Określ maksymalne liście, aby jawnie ograniczyć liście drzewa.	ciąg
minDataInLeaf (Plik minDataInLeaf)	Minimalna liczba danych na liść.	ciąg
minSplitGain (wzmocnienie minimalne)	Minimalna redukcja strat wymagana do wykonania kolejnej partycji w węźle liścia drzewa.	ciąg
nazwa_modelu	Nazwa modelu do trenowania.	ciąg
nEstimatory	Określ liczbę drzew (lub rund) w modelu.	ciąg
numLeaves (liczba)	Określ liczbę liści.	ciąg
preprocesorName	Nazwa preprocesora do użycia.	ciąg
regAlpha (regAlpha)	L1 termin regularyzacji na wagi.	ciąg
regLambda (regLambda)	Termin uregulowania L2 na wagi.	ciąg
podprzykład	Współczynnik próbek podrzędnych wystąpienia trenowania.	ciąg
podpróbkaFreq	Częstotliwość podprzykładu	ciąg
treeMethod (metoda drzewa)	Określ metodę drzewa.	ciąg
withMean	Jeśli wartość true, wyśrodkuj przed skalowaniem danych przy użyciu standardu StandardScalar.	ciąg
zStd	Jeśli wartość true, skalowanie danych przy użyciu wariancji jednostkowej przy użyciu standardScalar.	ciąg

TableSweepSettings (Ustawienia zamiatania tabeli)

Nazwa	Opis	Wartość
wczesneWypowiedzenie	Typ zasad wczesnego zakończenia zadania zamiatania.	Polityka Wczesnej Terminacji
próbkowanieAlgorithm	[Wymagane] Typ algorytmu próbkowania.	"Bayesian" "Siatka" "Losowe" (wymagane)

TableVerticalFeaturizationSettings

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

TableVerticalFeaturizationSettingsColumnNameAndTypes

Nazwa	Opis	Wartość

TabelaVerticalFeaturizationSettingsTransformerParams

Nazwa	Opis	Wartość

TableVerticalLimitSettings (Ustawienia stołu)

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

Opóźnienie docelowe

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

TargetRollingWindowSize (Rozmiar okna toczącego)

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

TensorFlow

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

Klasyfikacja tekstu

Nazwa	Opis	Wartość
cechowanieUstawienia	Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML.	NlpVerticalFeaturizationSettings
fixedParameters (Parametry stałe)	Parametry modelu/trenowania, które pozostaną stałe podczas trenowania.	NlpFixedParameters (Parametry stałe)
limitSettings (ustawienia limitu)	Ograniczenia wykonywania dla zadania AutoMLJob.	NlpVerticalLimitSettings (Ustawienia Limitu Pionowego)
primaryMetric (podstawowy)	Podstawowa metryka dla zadania Text-Classification.	"Dokładność" "AUCWeighted" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted"
searchPrzestrzeń	Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów.	NlpParameterPodprzestrzeń[]
sweepSettings (Ustawienia zamiatania)	Ustawienia dotyczące zamiatania modelu i dostrajania hiperparametrów.	NlpSweepSettings (Ustawienia przemiatania)
typ zadania	[Wymagane] Typ zadania dla zadania AutoMLJob.	"TextClassification" (wymagane)
validationData (Dane walidacji)	Dane wejściowe danych walidacji.	MLTableJobInput

TextClassificationMultilabel

Nazwa	Opis	Wartość
cechowanieUstawienia	Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML.	NlpVerticalFeaturizationSettings
fixedParameters (Parametry stałe)	Parametry modelu/trenowania, które pozostaną stałe podczas trenowania.	NlpFixedParameters (Parametry stałe)
limitSettings (ustawienia limitu)	Ograniczenia wykonywania dla zadania AutoMLJob.	NlpVerticalLimitSettings (Ustawienia Limitu Pionowego)
searchPrzestrzeń	Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów.	NlpParameterPodprzestrzeń[]
sweepSettings (Ustawienia zamiatania)	Ustawienia dotyczące zamiatania modelu i dostrajania hiperparametrów.	NlpSweepSettings (Ustawienia przemiatania)
typ zadania	[Wymagane] Typ zadania dla zadania AutoMLJob.	"TextClassificationMultilabel" (wymagane)
validationData (Dane walidacji)	Dane wejściowe danych walidacji.	MLTableJobInput

Moduł TextNer

Nazwa	Opis	Wartość
cechowanieUstawienia	Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML.	NlpVerticalFeaturizationSettings
fixedParameters (Parametry stałe)	Parametry modelu/trenowania, które pozostaną stałe podczas trenowania.	NlpFixedParameters (Parametry stałe)
limitSettings (ustawienia limitu)	Ograniczenia wykonywania dla zadania AutoMLJob.	NlpVerticalLimitSettings (Ustawienia Limitu Pionowego)
searchPrzestrzeń	Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów.	NlpParameterPodprzestrzeń[]
sweepSettings (Ustawienia zamiatania)	Ustawienia dotyczące zamiatania modelu i dostrajania hiperparametrów.	NlpSweepSettings (Ustawienia przemiatania)
typ zadania	[Wymagane] Typ zadania dla zadania AutoMLJob.	"TextNER" (wymagane)
validationData (Dane walidacji)	Dane wejściowe danych walidacji.	MLTableJobInput

Wersja próbnaComponent

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

Zmienne środowiskowe TrialComponentEnvironmentVariables

Nazwa	Opis	Wartość

TritonModelJobInput

Nazwa	Opis	Wartość
jobInputType (typ wejścia)	[Wymagane] Określa typ zadania.	"triton_model" (wymagane)
tryb	Tryb dostarczania zasobów wejściowych.	"Bezpośredni" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
pathOnCompute (ścieżkaOnCompute)	Ścieżka dostarczania elementu zawartości wejściowej.	ciąg
URI	[Wymagane] Identyfikator URI zasobu wejściowego.	struna Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] (wymagane)

TritonModelJobOutput

Nazwa	Opis	Wartość
assetName (nazwa zasobu)	Nazwa zasobu wyjściowego.	ciąg
assetVersion (wersja zasobu)	Wersja elementu zawartości wyjściowej.	ciąg
autoDeleteSetting (ustawienie automatycznego usuwania)	Ustawienie automatycznego usuwania elementu zawartości danych wyjściowych.	Ustawienie automatycznego usuwania
jobOutputType (Typ zadania)	[Wymagane] Określa typ zadania.	"triton_model" (wymagane)
tryb	Tryb dostarczania zasobów wyjściowych.	"Bezpośredni" "ReadWriteMount" "Przekaż"
pathOnCompute (ścieżkaOnCompute)	Ścieżka dostarczania elementu zawartości wyjściowej.	ciąg
URI	Identyfikator URI elementu zawartości wyjściowej.	ciąg

ObcięcieselectionPolicy

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

UriFileJobInput

Nazwa	Opis	Wartość
jobInputType (typ wejścia)	[Wymagane] Określa typ zadania.	"uri_file" (wymagane)
tryb	Tryb dostarczania zasobów wejściowych.	"Bezpośredni" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
pathOnCompute (ścieżkaOnCompute)	Ścieżka dostarczania elementu zawartości wejściowej.	ciąg
URI	[Wymagane] Identyfikator URI zasobu wejściowego.	struna Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] (wymagane)

UriFileJobOutput

Nazwa	Opis	Wartość
assetName (nazwa zasobu)	Nazwa zasobu wyjściowego.	ciąg
assetVersion (wersja zasobu)	Wersja elementu zawartości wyjściowej.	ciąg
autoDeleteSetting (ustawienie automatycznego usuwania)	Ustawienie automatycznego usuwania elementu zawartości danych wyjściowych.	Ustawienie automatycznego usuwania
jobOutputType (Typ zadania)	[Wymagane] Określa typ zadania.	"uri_file" (wymagane)
tryb	Tryb dostarczania zasobów wyjściowych.	"Bezpośredni" "ReadWriteMount" "Przekaż"
pathOnCompute (ścieżkaOnCompute)	Ścieżka dostarczania elementu zawartości wyjściowej.	ciąg
URI	Identyfikator URI elementu zawartości wyjściowej.	ciąg

UriFolderJobInput

Nazwa	Opis	Wartość
jobInputType (typ wejścia)	[Wymagane] Określa typ zadania.	"uri_folder" (wymagane)
tryb	Tryb dostarczania zasobów wejściowych.	"Bezpośredni" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
pathOnCompute (ścieżkaOnCompute)	Ścieżka dostarczania elementu zawartości wejściowej.	ciąg
URI	[Wymagane] Identyfikator URI zasobu wejściowego.	struna Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] (wymagane)

UriFolderJobOutput

Nazwa	Opis	Wartość
assetName (nazwa zasobu)	Nazwa zasobu wyjściowego.	ciąg
assetVersion (wersja zasobu)	Wersja elementu zawartości wyjściowej.	ciąg
autoDeleteSetting (ustawienie automatycznego usuwania)	Ustawienie automatycznego usuwania elementu zawartości danych wyjściowych.	Ustawienie automatycznego usuwania
jobOutputType (Typ zadania)	[Wymagane] Określa typ zadania.	"uri_folder" (wymagane)
tryb	Tryb dostarczania zasobów wyjściowych.	"Bezpośredni" "ReadWriteMount" "Przekaż"
pathOnCompute (ścieżkaOnCompute)	Ścieżka dostarczania elementu zawartości wyjściowej.	ciąg
URI	Identyfikator URI elementu zawartości wyjściowej.	ciąg

Identyfikator użytkownika

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

Element webhook

Nazwa	Opis	Wartość
typ zdarzenia	Wysyłanie wywołania zwrotnego w określonym zdarzeniu powiadomienia	ciąg
Typ elementu webhook	Ustaw wartość "AzureDevOps" dla typu AzureDevOpsWebhook.	"AzureDevOps" (wymagane)