Áreas de trabalho/tarefas Microsoft.MachineLearningServices 2022-02-01-preview

  • Artigo

Definição de recurso do Bicep

O tipo de recurso áreas de trabalho/tarefas pode ser implementado com operações que visam:

Para obter uma lista de propriedades alteradas em cada versão da API, veja registo de alterações.

Formato do recurso

Para criar um recurso Microsoft.MachineLearningServices/workspaces/jobs, adicione o seguinte Bicep ao seu modelo.

resource symbolicname 'Microsoft.MachineLearningServices/workspaces/jobs@2022-02-01-preview' = {
  name: 'string'
  parent: resourceSymbolicName
  properties: {
    computeId: 'string'
    description: 'string'
    displayName: 'string'
    experimentName: 'string'
    identity: {
      identityType: 'string'
      // For remaining properties, see IdentityConfiguration objects
    }
    isArchived: bool
    properties: {}
    schedule: {
      endTime: 'string'
      scheduleStatus: 'string'
      startTime: 'string'
      timeZone: 'string'
      scheduleType: 'string'
      // For remaining properties, see ScheduleBase objects
    }
    services: {}
    tags: {}
    jobType: 'string'
    // For remaining properties, see JobBaseDetails objects
  }
}

Objetos JobBaseDetails

Defina a propriedade jobType para especificar o tipo de objeto.

Para AutoML, utilize:

  jobType: 'AutoML'
  environmentId: 'string'
  environmentVariables: {}
  outputs: {}
  resources: {
    instanceCount: int
    instanceType: 'string'
    properties: {}
  }
  taskDetails: {
    logVerbosity: 'string'
    taskType: 'string'
    // For remaining properties, see AutoMLVertical objects
  }

Para Comando, utilize:

  jobType: 'Command'
  codeId: 'string'
  command: 'string'
  distribution: {
    distributionType: 'string'
    // For remaining properties, see DistributionConfiguration objects
  }
  environmentId: 'string'
  environmentVariables: {}
  inputs: {}
  limits: {
    jobLimitsType: 'string'
    timeout: 'string'
  }
  outputs: {}
  resources: {
    instanceCount: int
    instanceType: 'string'
    properties: {}
  }

Para Pipeline, utilize:

  jobType: 'Pipeline'
  inputs: {}
  jobs: {}
  outputs: {}
  settings: any()

Para Varrer, utilize:

  jobType: 'Sweep'
  earlyTermination: {
    delayEvaluation: int
    evaluationInterval: int
    policyType: 'string'
    // For remaining properties, see EarlyTerminationPolicy objects
  }
  inputs: {}
  limits: {
    jobLimitsType: 'string'
    maxConcurrentTrials: int
    maxTotalTrials: int
    timeout: 'string'
    trialTimeout: 'string'
  }
  objective: {
    goal: 'string'
    primaryMetric: 'string'
  }
  outputs: {}
  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: {}
    resources: {
      instanceCount: int
      instanceType: 'string'
      properties: {}
    }
  }

Objetos IdentityConfiguration

Defina a propriedade identityType para especificar o tipo de objeto.

Para AMLToken, utilize:

  identityType: 'AMLToken'

Para Gerido, utilize:

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

Para UserIdentity, utilize:

  identityType: 'UserIdentity'

Objetos ScheduleBase

Defina a propriedade scheduleType para especificar o tipo de objeto.

Para Cron, utilize:

  scheduleType: 'Cron'
  expression: 'string'

Para Periodicidade, utilize:

  scheduleType: 'Recurrence'
  frequency: 'string'
  interval: int
  pattern: {
    hours: [
      int
    ]
    minutes: [
      int
    ]
    weekdays: [
      'string'
    ]
  }

Objetos AutoMLVertical

Defina a propriedade taskType para especificar o tipo de objeto.

Para Classificação, utilize:

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

Para Previsão, utilize:

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

Para ImageClassification, utilize:

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

Para ImageClassificationMultilabel, utilize:

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

Para ImageInstanceSegmentation, utilize:

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

Para ImageObjectDetection, utilize:

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

Para Regressão, utilize:

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

Para TextClassification, utilize:

  taskType: 'TextClassification'
  dataSettings: {
    targetColumnName: 'string'
    testData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      testDataSize: int
    }
    trainingData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
    }
    validationData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      validationDataSize: int
    }
  }
  featurizationSettings: {
    datasetLanguage: 'string'
  }
  limitSettings: {
    maxConcurrentTrials: int
    maxTrials: int
    timeout: 'string'
  }
  primaryMetric: 'string'

Para TextClassificationMultilabel, utilize:

  taskType: 'TextClassificationMultilabel'
  dataSettings: {
    targetColumnName: 'string'
    testData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      testDataSize: int
    }
    trainingData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
    }
    validationData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      validationDataSize: int
    }
  }
  featurizationSettings: {
    datasetLanguage: 'string'
  }
  limitSettings: {
    maxConcurrentTrials: int
    maxTrials: int
    timeout: 'string'
  }

Para TextNER, utilize:

  taskType: 'TextNER'
  dataSettings: {
    targetColumnName: 'string'
    testData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      testDataSize: int
    }
    trainingData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
    }
    validationData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      validationDataSize: int
    }
  }
  featurizationSettings: {
    datasetLanguage: 'string'
  }
  limitSettings: {
    maxConcurrentTrials: int
    maxTrials: int
    timeout: 'string'
  }

Objetos NCrossValidations

Defina a propriedade mode para especificar o tipo de objeto.

Para Automático, utilize:

  mode: 'Auto'

Para Personalizar, utilize:

  mode: 'Custom'
  value: int

Objetos do ForecastHorizon

Defina a propriedade mode para especificar o tipo de objeto.

Para Automático, utilize:

  mode: 'Auto'

Para Personalizar, utilize:

  mode: 'Custom'
  value: int

Objetos de sazonalidade

Defina a propriedade mode para especificar o tipo de objeto.

Para Automático, utilize:

  mode: 'Auto'

Para Personalizar, utilize:

  mode: 'Custom'
  value: int

Objetos TargetLags

Defina a propriedade mode para especificar o tipo de objeto.

Para Automático, utilize:

  mode: 'Auto'

Para Personalizar, utilize:

  mode: 'Custom'
  values: [
    int
  ]

TargetRollingWindowSize objects (Objetos TargetRollingWindowSize)

Defina a propriedade mode para especificar o tipo de objeto.

Para Automático, utilize:

  mode: 'Auto'

Para Personalizar, utilize:

  mode: 'Custom'
  value: int

Objetos EarlyTerminationPolicy

Defina a propriedade policyType para especificar o tipo de objeto.

Para Bandido, utilize:

  policyType: 'Bandit'
  slackAmount: int
  slackFactor: int

Para MedianStopping, utilize:

  policyType: 'MedianStopping'

Para TruncationSelection, utilize:

  policyType: 'TruncationSelection'
  truncationPercentage: int

Objetos DistributionConfiguration

Defina a propriedade distributionType para especificar o tipo de objeto.

Para MPI, utilize:

  distributionType: 'Mpi'
  processCountPerInstance: int

Para o PyTorch, utilize:

  distributionType: 'PyTorch'
  processCountPerInstance: int

Para o TensorFlow, utilize:

  distributionType: 'TensorFlow'
  parameterServerCount: int
  workerCount: int

SamplingAlgorithm objects (Objetos SamplingAlgorithm)

Defina a propriedade samplingAlgorithmType para especificar o tipo de objeto.

Para Bayesian, utilize:

  samplingAlgorithmType: 'Bayesian'

Para Grelha, utilize:

  samplingAlgorithmType: 'Grid'

Para Aleatório, utilize:

  samplingAlgorithmType: 'Random'
  rule: 'string'
  seed: int

Valores de propriedade

áreas de trabalho/tarefas

Nome Descrição Valor
name O nome do recurso

Veja como definir nomes e tipos para recursos subordinados no Bicep.		 cadeia (obrigatório)
principal No Bicep, pode especificar o recurso principal de um recurso subordinado. Só precisa de adicionar esta propriedade quando o recurso subordinado for declarado fora do recurso principal.

Para obter mais informações, veja Recurso subordinado fora do recurso principal.		 Nome simbólico para recurso do tipo: áreas de trabalho
propriedades [Obrigatório] Atributos adicionais da entidade. JobBaseDetails (obrigatório)

JobBaseDetails

Nome Descrição Valor
computeId ID do recurso arm do recurso de computação. string
descrição O texto de descrição do recurso. string
displayName Nome a apresentar da tarefa. string
experimentName O nome da experimentação a que pertence a tarefa. Se não estiver definido, a tarefa é colocada na experimentação "Predefinição". string
identidade Configuração de identidade. Se estiver definido, este deve ser um de AmlToken, ManagedIdentity, UserIdentity ou null.
A predefinição é AmlToken se for nula.		 IdentityConfiguration
isArchived O recurso está arquivado? bool
propriedades O dicionário da propriedade do recurso. objeto
agenda Agendar a definição da tarefa.
Se não for fornecida qualquer agenda, a tarefa é executada uma vez e imediatamente após a submissão.		 ScheduleBase
services Lista de JobEndpoints.
Para tarefas locais, um ponto final de tarefa terá um valor de ponto final de FileStreamObject.		 objeto
etiquetas Dicionário de etiquetas. As etiquetas podem ser adicionadas, removidas e atualizadas. objeto
jobType Definir o tipo de objeto AutoML
Comando
Pipeline
Varrer (obrigatório)

IdentityConfiguration

Nome Descrição Valor
identityType Definir o tipo de objeto AMLToken
Gerido
UserIdentity (obrigatório)

AmlToken

Nome Descrição Valor
identityType [Obrigatório] Especifica o tipo de arquitetura de identidade. "AMLToken" (obrigatório)

ManagedIdentity

Nome Descrição Valor
identityType [Obrigatório] Especifica o tipo de arquitetura de identidade. "Gerido" (obrigatório)
clientId Especifica uma identidade atribuída pelo utilizador pelo ID de cliente. Para a atribuição do sistema, não defina este campo. string

Restrições:
Comprimento mínimo = 36
Comprimento máximo = 36
Padrão = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
objectId Especifica uma identidade atribuída pelo utilizador pelo ID do objeto. Para a atribuição do sistema, não defina este campo. string

Restrições:
Comprimento mínimo = 36
Comprimento máximo = 36
Padrão = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
resourceId Especifica uma identidade atribuída pelo utilizador pelo ID de recurso do ARM. Para a atribuição do sistema, não defina este campo. string

UserIdentity

Nome Descrição Valor
identityType [Obrigatório] Especifica o tipo de arquitetura de identidade. "UserIdentity" (obrigatório)

ScheduleBase

Nome Descrição Valor
endTime Especifica a hora de fim do agendamento no formato ISO 8601.
Se não estiver presente, a agenda será executada indefinidamente		 string
scheduleStatus Especifica o estado da agenda "Desativado"
"Ativado"
startTime Especifica a hora de início do agendamento no formato ISO 8601. string
timeZone Especifica o fuso horário no qual a agenda é executada.
O Fuso Horário deve seguir o formato de fuso horário do Windows.
 string
scheduleType Definir o tipo de objeto Cron
Periodicidade (obrigatório)

CronSchedule

Nome Descrição Valor
scheduleType [Obrigatório] Especifica o tipo de agenda 'Cron' (obrigatório)
expression [Obrigatório] Especifica a expressão cron da agenda.
A expressão deve seguir o formato NCronTab.		 cadeia (obrigatório)

Restrições:
Padrão = [a-zA-Z0-9_]

PeriodicidadeSchedule

Nome Descrição Valor
scheduleType [Obrigatório] Especifica o tipo de agenda "Periodicidade" (obrigatório)
frequência [Obrigatório] Especifica a frequência com a qual acionar agenda 'Dia'
"Hora"
'Minuto'
"Mês"
"Semana" (obrigatório)
interval [Obrigatório] Especifica o intervalo de agendamento em conjunto com a frequência int (obrigatório)
padrão Especifica o padrão de agendamento de periodicidade RecurrencePattern

RecurrencePattern

Nome Descrição Valor
horas [Obrigatório] Lista de horas para o padrão de agendamento de periodicidade int[] (obrigatório)
minutes [Obrigatório] Lista de minutos para o padrão de agendamento de periodicidade int[] (obrigatório)
dias úteis Lista de dias úteis para o padrão de agendamento de periodicidade Matriz de cadeia que contém qualquer um dos seguintes:
'Sexta-feira'
'Segunda-feira'
'Sábado'
'Domingo'
'Quinta-feira'
'Terça-feira'
'Quarta-feira'

AutoMLJob

Nome Descrição Valor
jobType [Obrigatório] Especifica o tipo de tarefa. "AutoML" (obrigatório)
environmentId O ID de recurso do ARM da especificação do Ambiente para a tarefa.
Este é um valor opcional para fornecer, se não for fornecido, o AutoML irá predefini-lo para a versão de ambiente organizado do AutoML de Produção ao executar a tarefa.		 string
environmentVariables Variáveis de ambiente incluídas na tarefa. objeto
saídas Mapeamento de enlaces de dados de saída utilizados na tarefa. objeto
resources Configuração do Recurso de Computação para a tarefa. ResourceConfiguration
taskDetails [Obrigatório] Isto representa um cenário que pode ser uma das Tabelas/NLP/Imagem AutoMLVertical (obrigatório)

ResourceConfiguration

Nome Descrição Valor
instanceCount Número opcional de instâncias ou nós utilizados pelo destino de computação. int
instanceType Tipo opcional de VM utilizado como suportado pelo destino de computação. string
propriedades Saco de propriedades adicionais. objeto

AutoMLVertical

Nome Descrição Valor
logVerbosity Registar verbosidade para a tarefa. "Crítico"
"Depurar"
"Erro"
"Informações"
"NotSet"
"Aviso"
taskType Definir o tipo de objeto Classificação
Previsão
ImageClassification
ImageClassificationMultilabel
ImageInstanceSegmentation
ImageObjectDetection
Regressão
TextClassification
TextClassificationMultilabel
TextNER (obrigatório)

Classificação

Nome Descrição Valor
taskType [Obrigatório] Tipo de tarefa para AutoMLJob. "Classificação" (obrigatório)
allowedModels Modelos permitidos para tarefas de classificação. Matriz de cadeias que contém qualquer um dos seguintes:
'BernoulliNaiveBayes'
'DecisionTree'
'ExtremeRandomTrees'
"GradientBoosting"
'KNN'
"LightGBM"
"LinearSVM"
"LogisticRegression"
"MultinomialNaiveBayes"
"RandomForest"
"SGD"
'SVM'
"XGBoostClassifier"
blockedModels Modelos bloqueados para tarefas de classificação. Matriz de cadeias que contém qualquer um dos seguintes:
'BernoulliNaiveBayes'
'DecisionTree'
'ExtremeRandomTrees'
"GradientBoosting"
'KNN'
"LightGBM"
"LinearSVM"
"LogisticRegression"
"MultinomialNaiveBayes"
"RandomForest"
"SGD"
'SVM'
"XGBoostClassifier"
dataSettings Entradas de dados do AutoMLJob. TableVerticalDataSettings
featurizationSettings Entradas de caracterização necessárias para a tarefa de AutoML. TableVerticalFeaturizationSettings
limitSettings Restrições de execução do AutoMLJob. TableVerticalLimitSettings
primaryMetric Métrica primária da tarefa. "AUCWeighted"
"Precisão"
"AveragePrecisionScoreWeighted"
'NormMacroRecall'
"PrecisionScoreWeighted"
trainingSettings Entradas para a fase de preparação de uma Tarefa autoML. TrainingSettings

TableVerticalDataSettings

Nome Descrição Valor
targetColumnName [Obrigatório] Nome da coluna de destino: esta é a coluna de valores de predição.
Também conhecido como nome da coluna de etiqueta no contexto de tarefas de classificação.		 cadeia (obrigatório)

Restrições:
Padrão = [a-zA-Z0-9_]
testData Testar a entrada de dados. TestDataSettings
trainingData [Obrigatório] Entrada de dados de preparação. TrainingDataSettings (obrigatório)
validationData Entradas de dados de validação. TableVerticalValidationDataSettings
weightColumnName O nome da coluna de peso de exemplo. O ML automatizado suporta uma coluna ponderada como entrada, fazendo com que as linhas nos dados sejam ponderadas para cima ou para baixo. string

TestDataSettings

Nome Descrição Valor
dados Testar dados MLTable. MLTableJobInput
testDataSize A fração do conjunto de dados de teste que tem de ser reservada para fins de validação.
Valores entre (0,0 , 1,0)
Aplicado quando o conjunto de dados de validação não é fornecido.
 int

MLTableJobInput

Nome Descrição Valor
descrição Descrição da entrada. string
jobInputType [Obrigatório] Especifica o tipo de tarefa. "CustomModel"
'Literal'
"MLFlowModel"
"MLTable"
'TritonModel'
"UriFile"
"UriFolder" (obrigatório)
mode Modo de Entrega de Recursos de Entrada. 'Direto'
"Transferir"
"EvalDownload"
"EvalMount"
"ReadOnlyMount"
"ReadWriteMount"
URI [Obrigatório] URI do Recurso de Entrada. cadeia (obrigatório)

Restrições:
Padrão = [a-zA-Z0-9_]

TrainingDataSettings

Nome Descrição Valor
dados [Obrigatório] MLTable de dados de preparação. MLTableJobInput (obrigatório)

TableVerticalValidationDataSettings

Nome Descrição Valor
cvSplitColumnNames Colunas a utilizar para dados CVSplit. string[]
dados Dados de validação MLTable. MLTableJobInput
nCrossValidations Número de pastas de validação cruzada a aplicar no conjunto de dados de preparação
quando o conjunto de dados de validação não é fornecido.		 NCrossValidations
validationDataSize A fração do conjunto de dados de preparação que tem de ser reservada para fins de validação.
Valores entre (0,0 , 1,0)
Aplicado quando o conjunto de dados de validação não é fornecido.
 int

NCrossValidations

Nome Descrição Valor
mode Definir o tipo de objeto Automático
Personalizado (obrigatório)

AutoNCrossValidations

Nome Descrição Valor
mode [Obrigatório] Modo para determinar validações N-Cross. "Automático" (obrigatório)

CustomNCrossValidations

Nome Descrição Valor
mode [Obrigatório] Modo para determinar validações N-Cross. "Personalizado" (obrigatório)
valor [Obrigatório] Valor de validações N-Cross. int (obrigatório)

TableVerticalFeaturizationSettings

Nome Descrição Valor
blockedTransformers Estes transformadores não devem ser utilizados na caracterização. cadeia[]
columnNameAndTypes Dicionário do nome da coluna e do respetivo tipo (int, float, string, datetime, etc.). objeto
datasetLanguage Idioma do conjunto de dados, útil para os dados de texto. string
dropColumns Colunas a serem removidas dos dados durante a caracterização. cadeia[]
enableDnnFeaturization Determina se deve utilizar caracterizadores baseados em Dnn para a caracterização de dados. bool
mode Modo de caracterização – o utilizador pode manter o modo "Automático" predefinido e o AutoML tratará da transformação necessária dos dados na fase de caracterização.
Se "Desativado" estiver selecionado, não é feita qualquer caracterização.
Se "Personalizado" estiver selecionado, o utilizador pode especificar entradas adicionais para personalizar a forma como a caracterização é feita.		 "Automático"
"Personalizado"
'Desligado'
transformerParams O utilizador pode especificar transformadores adicionais a serem utilizados juntamente com as colunas às quais seriam aplicados e parâmetros para o construtor do transformador. objeto

TableVerticalLimitSettings

Nome Descrição Valor
enableEarlyTermination Ative a terminação antecipada, determina se o AutoMLJob terminará mais cedo se não houver melhoria de pontuação nas últimas 20 iterações. bool
exitScore Sair da classificação para a tarefa de AutoML. int
maxConcurrentTrials Máximo de iterações simultâneas. int
maxCoresPerTrial Núcleos máximos por iteração. int
maxTrials Número de iterações. int
tempo limite Tempo limite da tarefa de AutoML. string
trialTimeout Tempo limite da iteração. string

TrainingSettings

Nome Descrição Valor
enableDnnTraining Ative a recomendação de modelos DNN. bool
enableModelExplainability Sinalizar para ativar a explicação no melhor modelo. bool
enableOnnxCompatibleModels Sinalizar para ativar modelos compatíveis com onnx. bool
enableStackEnsemble Ativar a execução do conjunto de pilhas. bool
enableVoteEnsemble Ative a execução do conjunto de votação. bool
ensembleModelDownloadTimeout Durante a geração de modelos VotingEnsemble e StackEnsemble, são transferidos vários modelos ajustados das execuções subordinadas anteriores.
Configure este parâmetro com um valor superior a 300 segundos, se for necessário mais tempo.		 string
stackEnsembleSettings Definições do conjunto de pilhas para a execução do conjunto de pilhas. StackEnsembleSettings

StackEnsembleSettings

Nome Descrição Valor
stackMetaLearnerKWargs Parâmetros opcionais para passar para o inicializador do meta-aluno. Para o Bicep, pode utilizar a função any( ).
stackMetaLearnerTrainPercentage Especifica a proporção do conjunto de preparação (ao escolher o tipo de preparação e de validação) a reservar para a preparação do meta-aluno. O valor predefinido é 0,2. int
stackMetaLearnerType O meta-aprendiz é um modelo preparado para a saída dos modelos heterogéneos individuais. "ElasticNet"
"ElasticNetCV"
"LightGBMClassifier"
"LightGBMRegressor"
"LinearRegression"
"LogisticRegression"
"LogisticRegressionCV"
"Nenhum"

Previsão

Nome Descrição Valor
taskType [Obrigatório] Tipo de tarefa para AutoMLJob. "Previsão" (obrigatório)
allowedModels Modelos permitidos para a tarefa de previsão. Matriz de cadeia que contém qualquer um dos seguintes:
'Arimax'
'AutoArima'
"Média"
'DecisionTree'
"ElasticNet"
"ExponentialSmoothing"
'ExtremeRandomTrees'
"GradientBoosting"
'KNN'
'LassoLars'
'LightGBM'
'Naive'
'Profeta'
"RandomForest"
'SGD'
"SazonalAverage"
"SazonalNaive"
"TCNForecaster"
"XGBoostRegressor"
blockedModels Modelos bloqueados para a tarefa de previsão. Matriz de cadeia que contém qualquer um dos seguintes:
'Arimax'
'AutoArima'
"Média"
'DecisionTree'
"ElasticNet"
"ExponentialSmoothing"
'ExtremeRandomTrees'
"GradientBoosting"
'KNN'
'LassoLars'
'LightGBM'
'Naive'
'Profeta'
"RandomForest"
'SGD'
"SazonalAverage"
"SazonalNaive"
"TCNForecaster"
"XGBoostRegressor"
dataSettings Entradas de dados para o AutoMLJob. TableVerticalDataSettings
featurizationSettings Entradas de caracterização necessárias para a tarefa de AutoML. TableVerticalFeaturizationSettings
forecastingSettings Previsão de entradas específicas de tarefas. PrevisõesDefinições
limitSettings Restrições de execução do AutoMLJob. TableVerticalLimitSettings
primaryMetric Métrica primária para a tarefa de previsão. "NormalizedMeanAbsoluteError"
"NormalizedRootMeanSquaredError"
"R2Score"
'SpearmanCorrelation'
trainingSettings Entradas para a fase de preparação de uma Tarefa de AutoML. TrainingSettings

PrevisõesDefinições

Nome Descrição Valor
countryOrRegionForHolidays País ou região para feriados para tarefas de previsão.
Estes devem ser códigos de país/região ISO 3166 de duas letras, por exemplo "EUA" ou "GB".		 string
cvStepSize Número de períodos entre a hora de origem de uma dobra cv e a dobra seguinte. Para o
por exemplo, se CVStepSize = 3 para dados diários, a hora de origem de cada dobra será
três dias de diferença.		 int
featureLags Sinalizador para gerar atrasos para as funcionalidades numéricas com "automático" ou nulo. 'Auto'
"Nenhum"
forecastHorizon O horizonte de previsão máximo pretendido em unidades de frequência de série temporal. PrevisãoHorizon
frequência Ao prever, este parâmetro representa o período com o qual a previsão é pretendida, por exemplo, diariamente, semanalmente, anualmente, etc. Por predefinição, a frequência de previsão é a frequência do conjunto de dados. string
sazonalidade Defina a sazonalidade da série temporal como um número inteiro múltiplo da frequência da série.
Se a sazonalidade estiver definida como "automática", será inferida.		 Sazonalidade
shortSeriesHandlingConfig O parâmetro que define como se o AutoML deve processar séries de tempo curtos. "Automático"
'Drop'
"Nenhum"
'Pad'
targetAggregateFunction A função a ser utilizada para agregar a coluna de destino da série temporal para estar em conformidade com uma frequência especificada por um utilizador.
Se TargetAggregateFunction estiver definido, ou seja, não "Nenhum", mas o parâmetro freq não estiver definido, o erro será gerado. As possíveis funções de agregação de destino são: "sum", "max", "min" e "mean".		 'Max'
"Média"
'Min'
"Nenhum"
"Soma"
targetLags O número de períodos passados a desfasar da coluna de destino. TargetLags
targetRollingWindowSize O número de períodos anteriores utilizados para criar uma média de janela rolante da coluna de destino. TargetRollingWindowSize
timeColumnName O nome da coluna time. Este parâmetro é necessário ao prever para especificar a coluna datetime nos dados de entrada utilizados para criar a série temporal e inferir a respetiva frequência. string
timeSeriesIdColumnames Os nomes das colunas utilizadas para agrupar uma série de horas. Pode ser utilizado para criar várias séries.
Se o grão não estiver definido, assume-se que o conjunto de dados é uma série temporal. Este parâmetro é utilizado com a previsão do tipo de tarefa.		 cadeia[]
useStl Configure a Decomposição de STL da coluna de destino da série temporal. "Nenhum"
'Temporada'
'SeasonTrend'

PrevisãoHorizon

Nome Descrição Valor
mode Definir o tipo de objeto Automático
Personalizado (obrigatório)

AutoForecastHorizon

Nome Descrição Valor
mode [Obrigatório] Defina o modo de seleção de valor do horizonte de previsão. "Automático" (obrigatório)

CustomForecastHorizon

Nome Descrição Valor
mode [Obrigatório] Defina o modo de seleção de valor do horizonte de previsão. "Personalizado" (obrigatório)
valor [Obrigatório] Valor do horizonte de previsão. int (obrigatório)

Sazonalidade

Nome Descrição Valor
mode Definir o tipo de objeto Automático
Personalizado (obrigatório)

AutoSeasonality

Nome Descrição Valor
mode [Obrigatório] Modo de sazonalidade. "Automático" (obrigatório)

CustomSeasonality

Nome Descrição Valor
mode [Obrigatório] Modo de sazonalidade. "Personalizado" (obrigatório)
valor [Obrigatório] Valor de sazonalidade. int (obrigatório)

TargetLags

Nome Descrição Valor
mode Definir o tipo de objeto Automático
Personalizado (obrigatório)

AutoTargetLags

Nome Descrição Valor
mode [Obrigatório] Definir o modo de atrasos de destino – Automático/Personalizado "Automático" (obrigatório)

CustomTargetLags

Nome Descrição Valor
mode [Obrigatório] Definir o modo de atrasos de destino – Automático/Personalizado "Personalizado" (obrigatório)
values [Obrigatório] Definir valores de desfasamentos de destino. int[] (obrigatório)

TargetRollingWindowSize

Nome Descrição Valor
mode Definir o tipo de objeto Automático
Personalizado (obrigatório)

AutoTargetRollingWindowSize

Nome Descrição Valor
mode [Obrigatório] Modo de deteção TargetRollingWindowSiz. "Automático" (obrigatório)

CustomTargetRollingWindowSize

Nome Descrição Valor
mode [Obrigatório] Modo de deteção TargetRollingWindowSiz. "Personalizado" (obrigatório)
valor [Obrigatório] TargetRollingWindowSize valor. int (obrigatório)

ImageClassification

Nome Descrição Valor
taskType [Obrigatório] Tipo de tarefa para AutoMLJob. "ImageClassification" (obrigatório)
dataSettings [Obrigatório] Coleção de IDs de Conjuntos de Dados Tabulares registados e outras definições de dados necessárias para preparar e validar modelos. ImageVerticalDataSettings (obrigatório)
limitSettings [Obrigatório] Limitar as definições da tarefa autoML. ImageLimitSettings (obrigatório)
modelSettings Definições utilizadas para preparar o modelo. ImageModelSettingsClassification
primaryMetric Métrica primária para otimizar para esta tarefa. "AUCWeighted"
"Precisão"
"AveragePrecisionScoreWeighted"
'NormMacroRecall'
"PrecisionScoreWeighted"
searchSpace Procure espaço de amostragem de diferentes combinações de modelos e respetivos hiperparâmetros. ImageModelDistributionSettingsClassification[]
sweepSettings Definições relacionadas com a limpeza de modelos e hiperparâmetros. ImageSweepSettings

ImageVerticalDataSettings

Nome Descrição Valor
targetColumnName [Obrigatório] Nome da coluna de destino: esta é a coluna de valores de predição.
Também conhecido como nome da coluna de etiqueta no contexto de tarefas de classificação.		 cadeia (obrigatório)

Restrições:
Padrão = [a-zA-Z0-9_]
testData Testar entrada de dados. TestDataSettings
trainingData [Obrigatório] Entrada de dados de preparação. TrainingDataSettings (necessário)
validationData Definições para o conjunto de dados de validação. ImageVerticalValidationDataSettings

ImageVerticalValidationDataSettings

Nome Descrição Valor
dados Dados de validação MLTable. MLTableJobInput
validationDataSize A fração do conjunto de dados de preparação que tem de ser reservada para fins de validação.
Valores entre (0,0 , 1,0)
Aplicado quando o conjunto de dados de validação não é fornecido.
 int

ImageLimitSettings

Nome Descrição Valor
maxConcurrentTrials Número máximo de iterações automáticas simultâneas. int
maxTrials Número máximo de iterações de AutoML. int
tempo limite Tempo limite da tarefa de AutoML. string

ImageModelSettingsClassification

Nome Descrição Valor
advancedSettings Definições para cenários avançados. string
amsGradient Ative o AMSGrad quando o otimizador for "adam" ou "adamw". bool
aumentos Definições para utilizar Aumentos. string
beta1 Valor de "beta1" quando o otimizador é "adão" ou "adamw". Tem de ser um flutuante no intervalo [0, 1]. int
beta2 Valor de "beta2" quando o otimizador é "adão" ou "adamw". Tem de ser um flutuante no intervalo [0, 1]. int
checkpointDatasetId ID fileDataset para pontos de verificação pré-preparados para preparação incremental.
Certifique-se de que transmite CheckpointFilename juntamente com CheckpointDatasetId.		 string
checkpointFilename O nome de ficheiro de ponto de verificação pré-preparado em FileDataset para preparação incremental.
Certifique-se de que transmite CheckpointDatasetId juntamente com CheckpointFilename.		 string
checkpointFrequency Frequência para armazenar pontos de verificação de modelos. Tem de ser um número inteiro positivo. int
checkpointRunId O ID de uma execução anterior que tem um ponto de verificação pré-preparado para preparação incremental. string
distribuído Se pretende utilizar a preparação distribuída. bool
earlyStopping Ative a lógica de paragem antecipada durante a preparação. bool
earlyStoppingDelay Número mínimo de épocas ou avaliações de validação a aguardar antes da melhoria da métrica primária
é controlado para paragem antecipada. Tem de ser um número inteiro positivo.		 int
earlyStoppingPatience Número mínimo de épocas ou avaliações de validação sem melhoria de métricas primárias antes
a execução está parada. Tem de ser um número inteiro positivo.		 int
enableOnnxNormalization Ativar a normalização ao exportar o modelo ONNX. bool
evaluationFrequency Frequência para avaliar o conjunto de dados de validação para obter classificações de métricas. Tem de ser um número inteiro positivo. int
gradientAccumulationStep Acumulação de gradação significa executar um número configurado de passos "GradAccumulationStep" sem
atualizar os pesos do modelo ao acumular as gradações desses passos e, em seguida, utilizar
as gradações acumuladas para calcular as atualizações de peso. Tem de ser um número inteiro positivo.		 int
layersToFreeze Número de camadas a fixar para o modelo. Tem de ser um número inteiro positivo.
Por exemplo, transmitir 2 como valor para "seresnext" significa
camadas de congelação0 e camada1. Para obter uma lista completa dos modelos suportados e detalhes sobre o congelamento de camadas,
veja: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.		 int
learningRate Taxa de aprendizagem inicial. Tem de ser um flutuante no intervalo [0, 1]. int
learningRateScheduler Tipo de agendador de taxa de aprendizagem. Tem de ser "warmup_cosine" ou "passo". "Nenhum"
"Passo"
'WarmupCosine'
modelName Nome do modelo a utilizar para preparação.
Para obter mais informações sobre os modelos disponíveis, visite a documentação oficial:
https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.		 string
momentum Valor do impulso quando o otimizador é "sgd". Tem de ser um flutuante no intervalo [0, 1]. int
nesterov Ative o aninhado quando o otimizador é "sgd". bool
numberOfEpochs Número de épocas de preparação. Tem de ser um número inteiro positivo. int
numberOfWorkers Número de trabalhadores do carregador de dados. Tem de ser um número inteiro não negativo. int
otimizador Tipo de otimizador. 'Adão'
'Adamw'
"Nenhum"
'Sgd'
randomSeed Semente aleatória a utilizar ao utilizar a preparação determinista. int
splitRatio Se os dados de validação não estiverem definidos, esta ação especifica a proporção de divisão para dividir
preparar dados para subconjuntos de preparação e validação aleatórios. Tem de ser um flutuante no intervalo [0, 1].		 int
stepLRGamma Valor da gama quando o programador de taxa de aprendizagem é "passo". Tem de ser um flutuante no intervalo [0, 1]. int
stepLRStepSize Valor do tamanho do passo quando o agendador da taxa de aprendizagem é "passo". Tem de ser um número inteiro positivo. int
trainingBatchSize Tamanho do lote de preparação. Tem de ser um número inteiro positivo. int
trainingCropSize Tamanho do recorte de imagem que é introduzido na rede neural para o conjunto de dados de preparação. Tem de ser um número inteiro positivo. int
validationBatchSize Tamanho do lote de validação. Tem de ser um número inteiro positivo. int
validationCropSize Tamanho do recorte de imagem que é introduzido na rede neural para o conjunto de dados de validação. Tem de ser um número inteiro positivo. int
validationResizeSizeSize Tamanho da imagem para o qual redimensionar antes de recortar para o conjunto de dados de validação. Tem de ser um número inteiro positivo. int
warmupCosineLRCycles Valor do ciclo de cosseno quando o agendador da taxa de aprendizagem é "warmup_cosine". Tem de ser um flutuante no intervalo [0, 1]. int
warmupCosineLRWarmupEpochs Valor das épocas de aquecimento quando o agendador da taxa de aprendizagem é "warmup_cosine". Tem de ser um número inteiro positivo. int
weightDecay Valor da decadência do peso quando o otimizador é "sgd", "adam" ou "adamw". Tem de ser um flutuante no intervalo[0, 1]. int
weightedLoss Perda ponderada. Os valores aceites são 0 sem perda ponderada.
1 para perda ponderada com sqrt. (class_weights). 2 para perda ponderada com class_weights. Tem de ser 0 ou 1 ou 2.
 int

ImageModelDistributionSettingsClassification

Nome Descrição Valor
amsGradient Ative o AMSGrad quando o otimizador for "adam" ou "adamw". string
aumentos Definições para utilizar Aumentos. string
beta1 Valor de "beta1" quando o otimizador é "adam" ou "adamw". Tem de ser um flutuante no intervalo [0, 1]. string
beta2 Valor de "beta2" quando o otimizador é "adam" ou "adamw". Tem de ser um flutuante no intervalo [0, 1]. string
distribuído Se pretende utilizar a preparação do distribuidor. string
earlyStopping Ative a lógica de paragem antecipada durante a preparação. string
earlyStoppingDelay Número mínimo de épocas ou avaliações de validação a aguardar antes da melhoria da métrica primária
é controlado para paragem antecipada. Tem de ser um número inteiro positivo.		 string
earlyStoppingPatience Número mínimo de épocas ou avaliações de validação sem melhoria de métricas primárias antes
a execução está parada. Tem de ser um número inteiro positivo.		 string
enableOnnxNormalization Ativar a normalização ao exportar o modelo ONNX. string
evaluationFrequency Frequência para avaliar o conjunto de dados de validação para obter classificações de métricas. Tem de ser um número inteiro positivo. string
gradientAccumulationStep Acumulação de gradação significa executar um número configurado de passos "GradAccumulationStep" sem
atualizar os pesos do modelo ao acumular as gradações desses passos e, em seguida, utilizar
as gradações acumuladas para calcular as atualizações de peso. Tem de ser um número inteiro positivo.		 string
layersToFreeze Número de camadas a fixar para o modelo. Tem de ser um número inteiro positivo.
Por exemplo, transmitir 2 como valor para "seresnext" significa
camadas de congelação0 e camada1. Para obter uma lista completa dos modelos suportados e detalhes sobre o congelamento de camadas,
veja: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.		 string
learningRate Taxa de aprendizagem inicial. Tem de ser um flutuante no intervalo [0, 1]. string
learningRateScheduler Tipo de agendador de taxa de aprendizagem. Tem de ser "warmup_cosine" ou "passo". string
modelName Nome do modelo a utilizar para preparação.
Para obter mais informações sobre os modelos disponíveis, visite a documentação oficial:
https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.		 string
impulso Valor de impulso quando o otimizador é 'sgd'. Tem de ser um flutuante no intervalo [0, 1]. string
nesterov Ative o aninhado quando o otimizador é "sgd". string
numberOfEpochs Número de épocas de preparação. Tem de ser um número inteiro positivo. string
numberOfWorkers Número de trabalhadores do carregador de dados. Tem de ser um número inteiro não negativo. string
otimizador Tipo de otimizador. Deve ser "sgd", "adão" ou "adão". string
randomSeed Semente aleatória a ser utilizada ao utilizar preparação determinista. string
splitRatio Se os dados de validação não estiverem definidos, especifica a proporção de divisão para a divisão
preparar dados para subconjuntos de preparação e validação aleatórios. Tem de ser um flutuante no intervalo [0, 1].		 string
stepLRGamma Valor da gama quando o programador de taxa de aprendizagem é "passo". Tem de ser um flutuante no intervalo [0, 1]. string
stepLRStepSize Valor do tamanho do passo quando o agendador da taxa de aprendizagem é "passo". Tem de ser um número inteiro positivo. string
trainingBatchSize Tamanho do lote de preparação. Tem de ser um número inteiro positivo. string
trainingCropSize Tamanho do recorte de imagem que é introduzido na rede neural para o conjunto de dados de preparação. Tem de ser um número inteiro positivo. string
validationBatchSize Tamanho do lote de validação. Tem de ser um número inteiro positivo. string
validationCropSize Tamanho do recorte de imagem que é introduzido na rede neural para o conjunto de dados de validação. Tem de ser um número inteiro positivo. string
validationResizeSize Tamanho da imagem para o qual redimensionar antes de recortar para o conjunto de dados de validação. Tem de ser um número inteiro positivo. string
warmupCosineLRCycles Valor do ciclo de cosseno quando o agendador da taxa de aprendizagem é "warmup_cosine". Tem de ser um flutuante no intervalo [0, 1]. string
warmupCosineLRWarmupEpochs Valor das épocas de aquecimento quando o agendador da taxa de aprendizagem é "warmup_cosine". Tem de ser um número inteiro positivo. string
weightDecay Valor da decadência do peso quando o otimizador é "sgd", "adam" ou "adamw". Tem de ser um flutuante no intervalo[0, 1]. string
weightedLoss Perda ponderada. Os valores aceites são 0 sem perda ponderada.
1 para perda ponderada com sqrt. (class_weights). 2 para perda ponderada com class_weights. Tem de ser 0 ou 1 ou 2.
 string

ImageSweepSettings

Nome Descrição Valor
earlyTermination Tipo de política de cessação antecipada. EarlyTerminationPolicy
limites [Obrigatório] Limitar as definições de varrimento de modelos e de varrimento de hiperparâmetros. ImageSweepLimitSettings (obrigatório)
samplingAlgorithm [Obrigatório] Tipo de algoritmos de amostragem de hiperparâmetros. 'Bayesian'
"Grelha"
"Aleatório" (obrigatório)

EarlyTerminationPolicy

Nome Descrição Valor
delayEvaluation Número de intervalos para atrasar a primeira avaliação. int
evaluationInterval Intervalo (número de execuções) entre avaliações de políticas. int
policyType Definir o tipo de objeto Bandido
MedianStopping
TruncationSelection (necessário)

BanditPolicy

Nome Descrição Valor
policyType [Obrigatório] Nome da configuração da política "Bandido" (obrigatório)
slackAmount Distância absoluta permitida a partir da execução com melhor desempenho. int
slackFactor Proporção da distância permitida da execução com melhor desempenho. int

MedianStoppingPolicy

Nome Descrição Valor
policyType [Obrigatório] Nome da configuração da política "MedianStopping" (obrigatório)

TruncationSelectionPolicy

Nome Descrição Valor
policyType [Obrigatório] Nome da configuração da política "TruncationSelection" (obrigatório)
truncationPercentage A percentagem de execuções a cancelar em cada intervalo de avaliação. int

ImageSweepLimitSettings

Nome Descrição Valor
maxConcurrentTrials Número máximo de iterações simultâneas para a tarefa varrimento subjacente. int
maxTrials Número máximo de iterações para a tarefa de Varrimento subjacente. int

ImageClassificationMultilabel

Nome Descrição Valor
taskType [Obrigatório] Tipo de tarefa para AutoMLJob. "ImageClassificationMultilabel" (obrigatório)
dataSettings [Obrigatório] Coleção de IDs de Conjuntos de Dados Tabulares registados e outras definições de dados necessárias para preparar e validar modelos. ImageVerticalDataSettings (obrigatório)
limitSettings [Obrigatório] Limitar as definições da tarefa autoML. ImageLimitSettings (obrigatório)
modelSettings Definições utilizadas para preparar o modelo. ImageModelSettingsClassification
primaryMetric Métrica primária para otimizar para esta tarefa. "AUCWeighted"
"Precisão"
"AveragePrecisionScoreWeighted"
"IOU"
'NormMacroRecall'
"PrecisionScoreWeighted"
searchSpace Procure espaço de amostragem de diferentes combinações de modelos e respetivos hiperparâmetros. ImageModelDistributionSettingsClassification[]
sweepSettings Definições relacionadas com a limpeza de modelos e hiperparâmetros. ImageSweepSettings

ImageInstanceSegmentation

Nome Descrição Valor
taskType [Obrigatório] Tipo de tarefa para AutoMLJob. "ImageInstanceSegmentation" (obrigatório)
dataSettings [Obrigatório] Coleção de IDs de Conjuntos de Dados Tabulares registados e outras definições de dados necessárias para preparar e validar modelos. ImageVerticalDataSettings (obrigatório)
limitSettings [Obrigatório] Limitar as definições da tarefa autoML. ImageLimitSettings (obrigatório)
modelSettings Definições utilizadas para preparar o modelo. ImageModelSettingsObjectDetection
primaryMetric Métrica primária para otimizar para esta tarefa. "MeanAveragePrecision"
searchSpace Procure espaço de amostragem de diferentes combinações de modelos e respetivos hiperparâmetros. ImageModelDistributionSettingsObjectDetection[]
sweepSettings Definições relacionadas com a limpeza de modelos e hiperparâmetros. ImageSweepSettings

ImageModelSettingsObjectDetection

Nome Descrição Valor
advancedSettings Definições para cenários avançados. string
amsGradient Ative o AMSGrad quando o otimizador for "adam" ou "adamw". bool
aumentos Definições para utilizar Aumentos. string
beta1 Valor de "beta1" quando o otimizador é "adam" ou "adamw". Tem de ser um flutuante no intervalo [0, 1]. int
beta2 Valor de "beta2" quando o otimizador é "adam" ou "adamw". Tem de ser um flutuante no intervalo [0, 1]. int
boxDetectionsPerImage Número máximo de deteções por imagem, para todas as classes. Tem de ser um número inteiro positivo.
Nota: estas definições não são suportadas para o algoritmo "yolov5".		 int
boxScoreThreshold Durante a inferência, só devolve propostas com uma classificação superior a
BoxScoreThreshold. Tem de ser um flutuante no intervalo[0, 1].		 int
checkpointDatasetId ID fileDataset para pontos de verificação pré-preparados para preparação incremental.
Certifique-se de que passa CheckpointFilename juntamente com CheckpointDatasetId.		 string
checkpointFilename O nome de ficheiro de ponto de verificação pré-preparado em FileDataset para preparação incremental.
Certifique-se de que passa CheckpointDatasetId juntamente com CheckpointFilename.		 string
checkpointFrequency Frequência para armazenar pontos de verificação de modelos. Tem de ser um número inteiro positivo. int
checkpointRunId O ID de uma execução anterior que tem um ponto de verificação pré-preparado para preparação incremental. string
distribuído Se pretende utilizar a preparação distribuída. bool
earlyStopping Ative a lógica de paragem precoce durante a preparação. bool
earlyStoppingDelay Número mínimo de épocas ou avaliações de validação para aguardar antes da melhoria das métricas primárias
é monitorizado para paragem antecipada. Tem de ser um número inteiro positivo.		 int
earlyStoppingPatience Número mínimo de épocas ou avaliações de validação sem melhoria de métricas primárias antes
a execução está parada. Tem de ser um número inteiro positivo.		 int
enableOnnxNormalization Ativar a normalização ao exportar o modelo ONNX. bool
evaluationFrequency Frequência para avaliar o conjunto de dados de validação para obter classificações de métricas. Tem de ser um número inteiro positivo. int
gradientAccumulationStep Acumulação de gradação significa executar um número configurado de passos "GradAccumulationStep" sem
atualizar os pesos do modelo ao acumular as gradações desses passos e, em seguida, utilizar
as gradações acumuladas para calcular as atualizações de peso. Tem de ser um número inteiro positivo.		 int
imageSize Tamanho da imagem para preparação e validação. Tem de ser um número inteiro positivo.
Nota: a execução de preparação pode entrar no OOM da CUDA se o tamanho for demasiado grande.
Nota: estas definições só são suportadas para o algoritmo "yolov5".		 int
layersToFreeze Número de camadas a fixar para o modelo. Tem de ser um número inteiro positivo.
Por exemplo, transmitir 2 como valor para "seresnext" significa
camadas de congelação0 e camada1. Para obter uma lista completa dos modelos suportados e detalhes sobre o congelamento de camadas,
veja: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.		 int
learningRate Taxa de aprendizagem inicial. Tem de ser um flutuante no intervalo [0, 1]. int
learningRateScheduler Tipo de agendador de taxa de aprendizagem. Tem de ser "warmup_cosine" ou "passo". "Nenhum"
"Passo"
'WarmupCosine'
maxSize Tamanho máximo da imagem a ser redimensionada antes de a alimentar na estrutura principal.
Tem de ser um número inteiro positivo. Nota: a execução de preparação pode entrar no OOM cuda se o tamanho for demasiado grande.
Nota: estas definições não são suportadas para o algoritmo "yolov5".		 int
minSize Tamanho mínimo da imagem a ser redimensionada antes de a alimentar na estrutura principal.
Tem de ser um número inteiro positivo. Nota: a execução de preparação pode entrar no OOM cuda se o tamanho for demasiado grande.
Nota: estas definições não são suportadas para o algoritmo "yolov5".		 int
modelName Nome do modelo a utilizar para preparação.
Para obter mais informações sobre os modelos disponíveis, visite a documentação oficial:
https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.		 string
modelSize Tamanho do modelo. Tem de ser "pequeno", "médio", "grande" ou "xlarge".
Nota: a execução de preparação poderá entrar no OOM cuda se o tamanho do modelo for demasiado grande.
Nota: estas definições só são suportadas para o algoritmo "yolov5".		 'ExtraLarge'
"Grande"
"Médio"
"Nenhum"
"Pequeno"
impulso Valor de impulso quando o otimizador é 'sgd'. Tem de ser um flutuante no intervalo [0, 1]. int
multiescala Ative a imagem em várias escalas ao variar o tamanho da imagem em +/- 50%.
Nota: a execução de preparação pode entrar no OOM CUDA se não houver memória GPU suficiente.
Nota: estas definições só são suportadas para o algoritmo "yolov5".		 bool
nesterov Ative o aninhado quando o otimizador é "sgd". bool
nmsIouThreshold Limiar IOU utilizado durante a inferência no pós-processamento do NMS. Tem de ser um flutuante no intervalo [0, 1]. int
numberOfEpochs Número de épocas de preparação. Tem de ser um número inteiro positivo. int
numberOfWorkers Número de trabalhadores do carregador de dados. Tem de ser um número inteiro não negativo. int
otimizador Tipo de otimizador. 'Adão'
'Adamw'
"Nenhum"
'Sgd'
randomSeed Semente aleatória a ser utilizada ao utilizar preparação determinista. int
splitRatio Se os dados de validação não estiverem definidos, especifica a proporção de divisão para a divisão
preparar dados para subconjuntos de preparação e validação aleatórios. Tem de ser um flutuante no intervalo [0, 1].		 int
stepLRGamma Valor da gama quando o programador de taxa de aprendizagem é "passo". Tem de ser um flutuante no intervalo [0, 1]. int
stepLRStepSize Valor do tamanho do passo quando o agendador da taxa de aprendizagem é "passo". Tem de ser um número inteiro positivo. int
tileGridSize O tamanho da grelha a utilizar para tilar cada imagem. Nota: TileGridSize não pode ser
Nenhuma para ativar a lógica de deteção de objetos pequenos. Uma cadeia que contém dois números inteiros no formato mxn.
Nota: estas definições não são suportadas para o algoritmo "yolov5".		 string
tileOverlapRatio Relação de sobreposição entre mosaicos adjacentes em cada dimensão. Tem de estar a flutuar no intervalo [0, 1).
Nota: estas definições não são suportadas para o algoritmo "yolov5".		 int
tilePredictionsNmsThreshold O limiar de IOU a utilizar para executar o NMS enquanto intercala predições de mosaicos e imagens.
Utilizado na validação/inferência. Tem de estar a flutuar no intervalo [0, 1].
Nota: estas definições não são suportadas para o algoritmo "yolov5".		 int
trainingBatchSize Tamanho do lote de preparação. Tem de ser um número inteiro positivo. int
validationBatchSize Tamanho do lote de validação. Tem de ser um número inteiro positivo. int
validationIouThreshold Limiar de IOU a utilizar ao calcular a métrica de validação. Tem de estar a flutuar no intervalo [0, 1]. int
validationMetricType Método de computação de métricas a utilizar para métricas de validação. 'Coco'
'CocoVoc'
"Nenhum"
'Voc'
warmupCosineLRCycles Valor do ciclo de cosseno quando o agendador da taxa de aprendizagem é "warmup_cosine". Tem de ser um flutuante no intervalo [0, 1]. int
warmupCosineLRWarmupEpochs Valor das épocas de aquecimento quando o agendador de taxa de aprendizagem é "warmup_cosine". Tem de ser um número inteiro positivo. int
espessuraDecay Valor da decadência do peso quando o otimizador é 'sgd', 'adão' ou 'adamw'. Tem de ser um flutuante no intervalo[0, 1]. int

ImageModelDistributionSettingsObjectDetection

Nome Descrição Valor
amsGradient Ative o AMSGrad quando o otimizador for "adam" ou "adamw". string
aumentos Definições para utilizar Aumentos. string
beta1 Valor de "beta1" quando o otimizador é "adão" ou "adamw". Tem de ser um flutuante no intervalo [0, 1]. string
beta2 Valor de "beta2" quando o otimizador é "adão" ou "adamw". Tem de ser um flutuante no intervalo [0, 1]. string
boxDetectionsPerImage Número máximo de deteções por imagem, para todas as classes. Tem de ser um número inteiro positivo.
Nota: estas definições não são suportadas para o algoritmo "yolov5".		 string
boxScoreThreshold Durante a inferência, devolver apenas propostas com uma classificação de classificação superior a
BoxScoreThreshold. Tem de ser um flutuante no intervalo[0, 1].		 string
distribuído Se pretende utilizar a preparação de distribuição. string
earlyStopping Ative a lógica de paragem antecipada durante a preparação. string
earlyStoppingDelay Número mínimo de épocas ou avaliações de validação a aguardar antes da melhoria da métrica primária
é monitorizado para paragem antecipada. Tem de ser um número inteiro positivo.		 string
earlyStoppingPatience Número mínimo de épocas ou avaliações de validação sem melhorias nas métricas primárias antes
a execução está parada. Tem de ser um número inteiro positivo.		 string
enableOnnxNormalization Ativar a normalização ao exportar o modelo ONNX. string
evaluationFrequency Frequência para avaliar o conjunto de dados de validação para obter pontuações de métricas. Tem de ser um número inteiro positivo. string
gradientAccumulationStep Acumulação de gradação significa executar um número configurado de passos "GradAccumulationStep" sem
atualizar os pesos do modelo ao acumular as gradações desses passos e, em seguida, utilizar
as gradações acumuladas para calcular as atualizações de peso. Tem de ser um número inteiro positivo.		 string
imageSize Tamanho da imagem para preparação e validação. Tem de ser um número inteiro positivo.
Nota: a execução de preparação pode entrar no OOM CUDA se o tamanho for demasiado grande.
Nota: estas definições só são suportadas para o algoritmo "yolov5".		 string
layersToFreeze Número de camadas a fixar para o modelo. Tem de ser um número inteiro positivo.
Por exemplo, transmitir 2 como valor para "seresnext" significa
camadas de congelação0 e camada1. Para obter uma lista completa dos modelos suportados e detalhes sobre o congelamento de camadas, por favor
veja: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.		 string
learningRate Taxa de aprendizagem inicial. Tem de ser um flutuante no intervalo [0, 1]. string
learningRateScheduler Tipo de programador de taxa de aprendizagem. Tem de ser "warmup_cosine" ou "passo". string
maxSize Tamanho máximo da imagem a dimensionar antes de a alimentar com a coluna principal.
Tem de ser um número inteiro positivo. Nota: a execução de preparação pode entrar no OOM CUDA se o tamanho for demasiado grande.
Nota: estas definições não são suportadas para o algoritmo "yolov5".		 string
minSize Tamanho mínimo da imagem a dimensionar antes de a alimentar para a coluna principal.
Tem de ser um número inteiro positivo. Nota: a execução de preparação pode entrar no OOM CUDA se o tamanho for demasiado grande.
Nota: estas definições não são suportadas para o algoritmo "yolov5".		 string
modelName Nome do modelo a utilizar para preparação.
Para obter mais informações sobre os modelos disponíveis, visite a documentação oficial:
https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.		 string
modelSize Tamanho do modelo. Tem de ser "pequeno", "médio", "grande" ou "xlarge".
Nota: a execução de preparação pode entrar no OOM CUDA se o tamanho do modelo for demasiado grande.
Nota: estas definições só são suportadas para o algoritmo "yolov5".		 string
momentum Valor do impulso quando o otimizador é "sgd". Tem de ser um flutuante no intervalo [0, 1]. string
multiScale Ative a imagem em várias escalas ao variar o tamanho da imagem em +/- 50%.
Nota: a execução de preparação pode entrar no OOM CUDA se não houver memória GPU suficiente.
Nota: estas definições só são suportadas para o algoritmo "yolov5".		 string
nesterov Ative o aninhado quando o otimizador é "sgd". string
nmsIouThreshold Limiar IOU utilizado durante a inferência no pós-processamento do NMS. Tem de estar a flutuar no intervalo [0, 1]. string
numberOfEpochs Número de épocas de preparação. Tem de ser um número inteiro positivo. string
numberOfWorkers Número de trabalhadores do carregador de dados. Tem de ser um número inteiro não negativo. string
otimizador Tipo de otimizador. Tem de ser "sgd", "adão" ou "adamw". string
randomSeed Semente aleatória a utilizar ao utilizar a preparação determinista. string
splitRatio Se os dados de validação não estiverem definidos, esta ação especifica a proporção de divisão para dividir
preparar dados para subconjuntos de preparação e validação aleatórios. Tem de ser um flutuante no intervalo [0, 1].		 string
stepLRGamma Valor da gama quando o programador de taxa de aprendizagem é "passo". Tem de ser um flutuante no intervalo [0, 1]. string
stepLRStepSize Valor do tamanho do passo quando o agendador da taxa de aprendizagem é "passo". Tem de ser um número inteiro positivo. string
tileGridSize O tamanho da grelha a utilizar para tilar cada imagem. Nota: TileGridSize não pode ser
Nenhuma para ativar a lógica de deteção de objetos pequenos. Uma cadeia que contém dois números inteiros no formato mxn.
Nota: estas definições não são suportadas para o algoritmo "yolov5".		 string
tileOverlapRatio Relação de sobreposição entre mosaicos adjacentes em cada dimensão. Tem de estar a flutuar no intervalo [0, 1).
Nota: estas definições não são suportadas para o algoritmo "yolov5".		 string
tilePredictionsNmsThreshold O limiar de IOU a utilizar para executar o NMS enquanto intercala predições de mosaicos e imagens.
Utilizado na validação/inferência. Tem de estar a flutuar no intervalo [0, 1].
Nota: estas definições não são suportadas para o algoritmo "yolov5".
NMS: Supressão não máxima		 string
trainingBatchSize Tamanho do lote de preparação. Tem de ser um número inteiro positivo. string
validationBatchSize Tamanho do lote de validação. Tem de ser um número inteiro positivo. string
validationIouThreshold Limiar de IOU a utilizar ao calcular a métrica de validação. Tem de estar a flutuar no intervalo [0, 1]. string
validationMetricType Método de computação de métricas a utilizar para métricas de validação. Tem de ser "nenhum", "coco", "voc" ou "coco_voc". string
warmupCosineLRCycles Valor do ciclo de cosseno quando o agendador da taxa de aprendizagem é "warmup_cosine". Tem de ser um flutuante no intervalo [0, 1]. string
warmupCosineLRWarmupEpochs Valor das épocas de aquecimento quando o agendador de taxa de aprendizagem é "warmup_cosine". Tem de ser um número inteiro positivo. string
espessuraDecay Valor da decadência do peso quando o otimizador é 'sgd', 'adão' ou 'adamw'. Tem de ser um flutuante no intervalo[0, 1]. string

ImageObjectDetection

Nome Descrição Valor
taskType [Obrigatório] Tipo de tarefa para AutoMLJob. "ImageObjectDetection" (obrigatório)
dataSettings [Obrigatório] Coleção de IDs de Conjuntos de Dados Tabulares registados e outras definições de dados necessárias para preparar e validar modelos. ImageVerticalDataSettings (obrigatório)
limitSettings [Obrigatório] Limitar as definições da tarefa de AutoML. ImageLimitSettings (obrigatório)
modelDefinições Definições utilizadas para preparar o modelo. ImageModelSettingsObjectDetection
primaryMetric Métrica primária a otimizar para esta tarefa. "MeanAveragePrecision"
searchSpace Espaço de pesquisa para amostragem de diferentes combinações de modelos e respetivos hiperparâmetros. ImageModelDistributionSettingsObjectDetection[]
sweepSettings Definições relacionadas com a limpeza de modelos e a varrimento de hiperparâmetros. ImageSweepSettings

Regressão

Nome Descrição Valor
taskType [Obrigatório] Tipo de tarefa para AutoMLJob. "Regressão" (obrigatório)
allowedModels Modelos permitidos para a tarefa de regressão. Matriz de cadeia que contém qualquer um dos seguintes:
'DecisionTree'
"ElasticNet"
'ExtremeRandomTrees'
"GradientBoosting"
'KNN'
'LassoLars'
'LightGBM'
"RandomForest"
'SGD'
"XGBoostRegressor"
blockedModels Modelos bloqueados para tarefas de regressão. Matriz de cadeias que contém qualquer um dos seguintes:
'DecisionTree'
"ElasticNet"
'ExtremeRandomTrees'
"GradientBoosting"
'KNN'
'LassoLars'
"LightGBM"
"RandomForest"
"SGD"
"XGBoostRegressor"
dataSettings Entradas de dados do AutoMLJob. TableVerticalDataSettings
featurizationSettings Entradas de caracterização necessárias para a tarefa de AutoML. TableVerticalFeaturizationSettings
limitSettings Restrições de execução do AutoMLJob. TableVerticalLimitSettings
primaryMetric Métrica primária da tarefa de regressão. "NormalizedMeanAbsoluteError"
"NormalizedRootMeanSquaredError"
"R2Score"
'SpearmanCorrelation'
trainingSettings Entradas para a fase de preparação de uma Tarefa autoML. TrainingSettings

TextClassification

Nome Descrição Valor
taskType [Obrigatório] Tipo de tarefa para AutoMLJob. "TextClassification" (obrigatório)
dataSettings Entradas de dados do AutoMLJob. NlpVerticalDataSettings
featurizationSettings Entradas de caracterização necessárias para a tarefa de AutoML. NlpVerticalFeaturizationSettings
limitSettings Restrições de execução do AutoMLJob. NlpVerticalLimitSettings
primaryMetric Métrica primária para Text-Classification tarefa. "AUCWeighted"
"Precisão"
"AveragePrecisionScoreWeighted"
'NormMacroRecall'
"PrecisionScoreWeighted"

NlpVerticalDataSettings

Nome Descrição Valor
targetColumnName [Obrigatório] Nome da coluna de destino: esta é a coluna de valores de predição.
Também conhecido como nome da coluna de etiqueta no contexto de tarefas de classificação.		 cadeia (obrigatório)

Restrições:
Padrão = [a-zA-Z0-9_]
testData Testar entrada de dados. TestDataSettings
trainingData [Obrigatório] Entrada de dados de preparação. TrainingDataSettings (necessário)
validationData Entradas de dados de validação. NlpVerticalValidationDataSettings

NlpVerticalValidationDataSettings

Nome Descrição Valor
dados Dados de validação MLTable. MLTableJobInput
validationDataSize A fração do conjunto de dados de preparação que tem de ser reservada para fins de validação.
Valores entre (0,0 , 1.0)
Aplicado quando o conjunto de dados de validação não é fornecido.
 int

NlpVerticalFeaturizationSettings

Nome Descrição Valor
datasetLanguage Idioma do conjunto de dados, útil para os dados de texto. string

NlpVerticalLimitSettings

Nome Descrição Valor
maxConcurrentTrials Máximo de iterações Automáticas Simultâneas. int
maxTrials Número de iterações autoML. int
tempo limite Tempo limite da tarefa de AutoML. string

TextClassificationMultilabel

Nome Descrição Valor
taskType [Obrigatório] Tipo de tarefa para AutoMLJob. "TextClassificationMultilabel" (obrigatório)
dataSettings Entradas de dados do AutoMLJob. NlpVerticalDataSettings
featurizationSettings Entradas de caracterização necessárias para a tarefa de AutoML. NlpVerticalFeaturizationSettings
limitSettings Restrições de execução do AutoMLJob. NlpVerticalLimitSettings

TextNer

Nome Descrição Valor
taskType [Obrigatório] Tipo de tarefa para AutoMLJob. "TextNER" (obrigatório)
dataSettings Entradas de dados do AutoMLJob. NlpVerticalDataSettings
featurizationSettings Entradas de caracterização necessárias para a tarefa de AutoML. NlpVerticalFeaturizationSettings
limitSettings Restrições de execução do AutoMLJob. NlpVerticalLimitSettings

CommandJob

Nome Descrição Valor
jobType [Obrigatório] Especifica o tipo de tarefa. "Comando" (obrigatório)
codeId ID do recurso arm do recurso de código. string
command [Obrigatório] O comando a executar no arranque da tarefa. Por exemplo, "python train.py" cadeia (obrigatório)

Restrições:
Comprimento mínimo = 1
Padrão = [a-zA-Z0-9_]
distribuição Configuração de distribuição da tarefa. Se estiver definido, este deve ser um de Mpi, Tensorflow, PyTorch ou nulo. DistributionConfiguration
environmentId [Obrigatório] O ID de recurso do ARM da especificação ambiente da tarefa. cadeia (obrigatório)

Restrições:
Padrão = [a-zA-Z0-9_]
environmentVariables Variáveis de ambiente incluídas na tarefa. objeto
entradas Mapeamento de enlaces de dados de entrada utilizados na tarefa. objeto
limites Limite da Tarefa de Comando. CommandJobLimits
saídas Mapeamento de enlaces de dados de saída utilizados na tarefa. objeto
resources Configuração do Recurso de Computação para a tarefa. ResourceConfiguration

DistributionConfiguration

Nome Descrição Valor
distributionType Definir o tipo de objeto Mpi
PyTorch
TensorFlow (obrigatório)

Mpi

Nome Descrição Valor
distributionType [Obrigatório] Especifica o tipo de arquitetura de distribuição. "Mpi" (obrigatório)
processCountPerInstance Número de processos por nó MPI. int

PyTorch

Nome Descrição Valor
distributionType [Obrigatório] Especifica o tipo de arquitetura de distribuição. "PyTorch" (obrigatório)
processCountPerInstance Número de processos por nó. int

TensorFlow

Nome Descrição Valor
distributionType [Obrigatório] Especifica o tipo de arquitetura de distribuição. "TensorFlow" (obrigatório)
parameterServerCount Número de tarefas de servidor de parâmetros. int
workerCount Número de trabalhadores. Se não for especificado, a predefinição será a contagem de instâncias. int

CommandJobLimits

Nome Descrição Valor
jobLimitsType [Obrigatório] Tipo jobLimit. "Comando"
"Varrer" (obrigatório)
tempo limite A duração máxima da execução no formato ISO 8601, após a qual a tarefa será cancelada. Suporta apenas a duração com precisão tão baixa como Segundos. string

PipelineJob

Nome Descrição Valor
jobType [Obrigatório] Especifica o tipo de tarefa. "Pipeline" (obrigatório)
entradas Entradas para a tarefa de pipeline. objeto
tarefas As tarefas constroem a Tarefa de Pipeline. objeto
saídas Saídas para a tarefa de pipeline objeto
definições Definições do pipeline, para aspetos como ContinueRunOnStepFailure, etc. Para o Bicep, pode utilizar a função any( ).

SweepJob

Nome Descrição Valor
jobType [Obrigatório] Especifica o tipo de tarefa. "Varrer" (obrigatório)
earlyTermination As políticas de cessação antecipada permitem cancelar execuções de mau desempenho antes de serem concluídas EarlyTerminationPolicy
entradas Mapeamento de enlaces de dados de entrada utilizados na tarefa. objeto
limites Limite de tarefas de varrimento. SweepJobLimits
objetivo [Obrigatório] Objetivo de otimização. Objetivo (obrigatório)
saídas Mapeamento de enlaces de dados de saída utilizados na tarefa. objeto
samplingAlgorithm [Obrigatório] O algoritmo de amostragem de hiperparâmetros SamplingAlgorithm (obrigatório)
searchSpace [Obrigatório] Um dicionário que contém cada parâmetro e a respetiva distribuição. A chave do dicionário é o nome do parâmetro Para o Bicep, pode utilizar a função any( ). (obrigatório)
trial [Obrigatório] Definição do componente de avaliação. TrialComponent (obrigatório)

SweepJobLimits

Nome Descrição Valor
jobLimitsType [Obrigatório] Tipo jobLimit. "Comando"
"Varrer" (obrigatório)
maxConcurrentTrials Varra Tarefa máxima de avaliações simultâneas. int
maxTotalTrials Varra o número máximo de avaliações de tarefas. int
tempo limite A duração máxima da execução no formato ISO 8601, após a qual a tarefa será cancelada. Só suporta a duração com precisão tão baixa como Segundos. string
trialTimeout Valor de tempo limite da Avaliação de Tarefas de Varrimento. string

Objetivo

Nome Descrição Valor
goal [Obrigatório] Define os objetivos de métricas suportados para otimização de hiperparâmetros "Maximizar"
"Minimizar" (obrigatório)
primaryMetric [Obrigatório] Nome da métrica a otimizar. cadeia (obrigatório)

Restrições:
Padrão = [a-zA-Z0-9_]

SamplingAlgorithm

Nome Descrição Valor
samplingAlgorithmType Definir o tipo de objeto Bayesian
Grelha
Aleatório (obrigatório)

BayesianSamplingAlgorithm

Nome Descrição Valor
samplingAlgorithmType [Obrigatório] O algoritmo utilizado para gerar valores de hiperparâmetros, juntamente com as propriedades de configuração 'Bayesian' (obrigatório)

GridSamplingAlgorithm

Nome Descrição Valor
samplingAlgorithmType [Obrigatório] O algoritmo utilizado para gerar valores de hiperparâmetros, juntamente com as propriedades de configuração "Grelha" (obrigatório)

RandomSamplingAlgorithm

Nome Descrição Valor
samplingAlgorithmType [Obrigatório] O algoritmo utilizado para gerar valores de hiperparâmetros, juntamente com as propriedades de configuração "Aleatório" (obrigatório)
regra O tipo específico de algoritmo aleatório "Aleatório"
'Sobol'
seed Um número inteiro opcional para utilizar como seed para geração de números aleatórios int

TrialComponent

Nome Descrição Valor
codeId ID do recurso arm do recurso de código. string
command [Obrigatório] O comando a executar no arranque da tarefa. Por exemplo, "python train.py" cadeia (obrigatório)

Restrições:
Comprimento mínimo = 1
Padrão = [a-zA-Z0-9_]
distribuição Configuração de distribuição da tarefa. Se estiver definido, este deve ser um Mpi, Tensorflow, PyTorch ou nulo. DistributionConfiguration
environmentId [Obrigatório] O ID de recurso do ARM da especificação do Ambiente para a tarefa. cadeia (obrigatório)

Restrições:
Padrão = [a-zA-Z0-9_]
environmentVariables Variáveis de ambiente incluídas na tarefa. objeto
resources Configuração do Recurso de Computação para a tarefa. ResourceConfiguration

Modelos de início rápido

Os seguintes modelos de início rápido implementam este tipo de recurso.

Modelo Description
Criar uma tarefa de classificação de AutoML do Azure Machine Learning

Implementar no Azure		 Este modelo cria uma tarefa de classificação de AutoML do Azure Machine Learning para descobrir o melhor modelo para prever se um cliente subscreverá um depósito a prazo fixo com uma instituição financeira.
Criar uma tarefa do Comando do Azure Machine Learning

Implementar no Azure		 Este modelo cria uma tarefa do Comando do Azure Machine Learning com um script de hello_world básico
Criar uma tarefa de Varrimento do Azure Machine Learning

Implementar no Azure		 Este modelo cria uma tarefa de Varrimento do Azure Machine Learning para otimização de hiperparâmetros.

Definição de recurso do modelo arm

O tipo de recurso áreas de trabalho/tarefas pode ser implementado com operações direcionadas:

Para obter uma lista das propriedades alteradas em cada versão da API, veja Registo de alterações.

Formato do recurso

Para criar um recurso Microsoft.MachineLearningServices/workspaces/jobs, adicione o seguinte JSON ao seu modelo.

{
  "type": "Microsoft.MachineLearningServices/workspaces/jobs",
  "apiVersion": "2022-02-01-preview",
  "name": "string",
  "properties": {
    "computeId": "string",
    "description": "string",
    "displayName": "string",
    "experimentName": "string",
    "identity": {
      "identityType": "string"
      // For remaining properties, see IdentityConfiguration objects
    },
    "isArchived": "bool",
    "properties": {},
    "schedule": {
      "endTime": "string",
      "scheduleStatus": "string",
      "startTime": "string",
      "timeZone": "string",
      "scheduleType": "string"
      // For remaining properties, see ScheduleBase objects
    },
    "services": {},
    "tags": {},
    "jobType": "string"
    // For remaining properties, see JobBaseDetails objects
  }
}

Objetos JobBaseDetails

Defina a propriedade jobType para especificar o tipo de objeto.

Para AutoML, utilize:

  "jobType": "AutoML",
  "environmentId": "string",
  "environmentVariables": {},
  "outputs": {},
  "resources": {
    "instanceCount": "int",
    "instanceType": "string",
    "properties": {}
  },
  "taskDetails": {
    "logVerbosity": "string",
    "taskType": "string"
    // For remaining properties, see AutoMLVertical objects
  }

Para Comando, utilize:

  "jobType": "Command",
  "codeId": "string",
  "command": "string",
  "distribution": {
    "distributionType": "string"
    // For remaining properties, see DistributionConfiguration objects
  },
  "environmentId": "string",
  "environmentVariables": {},
  "inputs": {},
  "limits": {
    "jobLimitsType": "string",
    "timeout": "string"
  },
  "outputs": {},
  "resources": {
    "instanceCount": "int",
    "instanceType": "string",
    "properties": {}
  }

Para Pipeline, utilize:

  "jobType": "Pipeline",
  "inputs": {},
  "jobs": {},
  "outputs": {},
  "settings": {}

Para Varrer, utilize:

  "jobType": "Sweep",
  "earlyTermination": {
    "delayEvaluation": "int",
    "evaluationInterval": "int",
    "policyType": "string"
    // For remaining properties, see EarlyTerminationPolicy objects
  },
  "inputs": {},
  "limits": {
    "jobLimitsType": "string",
    "maxConcurrentTrials": "int",
    "maxTotalTrials": "int",
    "timeout": "string",
    "trialTimeout": "string"
  },
  "objective": {
    "goal": "string",
    "primaryMetric": "string"
  },
  "outputs": {},
  "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": {},
    "resources": {
      "instanceCount": "int",
      "instanceType": "string",
      "properties": {}
    }
  }

Objetos IdentityConfiguration

Defina a propriedade identityType para especificar o tipo de objeto.

Para AMLToken, utilize:

  "identityType": "AMLToken"

Para Gerido, utilize:

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

Para UserIdentity, utilize:

  "identityType": "UserIdentity"

Objetos ScheduleBase

Defina a propriedade scheduleType para especificar o tipo de objeto.

Para Cron, utilize:

  "scheduleType": "Cron",
  "expression": "string"

Para Periodicidade, utilize:

  "scheduleType": "Recurrence",
  "frequency": "string",
  "interval": "int",
  "pattern": {
    "hours": [ "int" ],
    "minutes": [ "int" ],
    "weekdays": [ "string" ]
  }

Objetos AutoMLVertical

Defina a propriedade taskType para especificar o tipo de objeto.

Para Classificação, utilize:

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

Para Previsão, utilize:

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

Para ImageClassification, utilize:

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

Para ImageClassificationMultilabel, utilize:

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

Para ImageInstanceSegmentation, utilize:

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

Para ImageObjectDetection, utilize:

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

Para Regressão, utilize:

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

Para TextClassification, utilize:

  "taskType": "TextClassification",
  "dataSettings": {
    "targetColumnName": "string",
    "testData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "testDataSize": "int"
    },
    "trainingData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      }
    },
    "validationData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "validationDataSize": "int"
    }
  },
  "featurizationSettings": {
    "datasetLanguage": "string"
  },
  "limitSettings": {
    "maxConcurrentTrials": "int",
    "maxTrials": "int",
    "timeout": "string"
  },
  "primaryMetric": "string"

Para TextClassificationMultilabel, utilize:

  "taskType": "TextClassificationMultilabel",
  "dataSettings": {
    "targetColumnName": "string",
    "testData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "testDataSize": "int"
    },
    "trainingData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      }
    },
    "validationData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "validationDataSize": "int"
    }
  },
  "featurizationSettings": {
    "datasetLanguage": "string"
  },
  "limitSettings": {
    "maxConcurrentTrials": "int",
    "maxTrials": "int",
    "timeout": "string"
  }

Para TextNER, utilize:

  "taskType": "TextNER",
  "dataSettings": {
    "targetColumnName": "string",
    "testData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "testDataSize": "int"
    },
    "trainingData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      }
    },
    "validationData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "validationDataSize": "int"
    }
  },
  "featurizationSettings": {
    "datasetLanguage": "string"
  },
  "limitSettings": {
    "maxConcurrentTrials": "int",
    "maxTrials": "int",
    "timeout": "string"
  }

Objetos NCrossValidations

Defina a propriedade mode para especificar o tipo de objeto.

Para Automático, utilize:

  "mode": "Auto"

Para Personalizar, utilize:

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

Objetos do ForecastHorizon

Defina a propriedade mode para especificar o tipo de objeto.

Para Automático, utilize:

  "mode": "Auto"

Para Personalizar, utilize:

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

Objetos de sazonalidade

Defina a propriedade mode para especificar o tipo de objeto.

Para Automático, utilize:

  "mode": "Auto"

Para Personalizar, utilize:

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

Objetos TargetLags

Defina a propriedade mode para especificar o tipo de objeto.

Para Automático, utilize:

  "mode": "Auto"

Para Personalizar, utilize:

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

TargetRollingWindowSize objects (Objetos TargetRollingWindowSize)

Defina a propriedade mode para especificar o tipo de objeto.

Para Automático, utilize:

  "mode": "Auto"

Para Personalizar, utilize:

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

Objetos EarlyTerminationPolicy

Defina a propriedade policyType para especificar o tipo de objeto.

Para Bandido, utilize:

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

Para MedianStopping, utilize:

  "policyType": "MedianStopping"

Para TruncationSelection, utilize:

  "policyType": "TruncationSelection",
  "truncationPercentage": "int"

Objetos DistributionConfiguration

Defina a propriedade distributionType para especificar o tipo de objeto.

Para MPI, utilize:

  "distributionType": "Mpi",
  "processCountPerInstance": "int"

Para PyTorch, utilize:

  "distributionType": "PyTorch",
  "processCountPerInstance": "int"

Para TensorFlow, utilize:

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

Objetos SamplingAlgorithm

Defina a propriedade samplingAlgorithmType para especificar o tipo de objeto.

Para Bayesian, utilize:

  "samplingAlgorithmType": "Bayesian"

Para Grid, utilize:

  "samplingAlgorithmType": "Grid"

Para Aleatório, utilize:

  "samplingAlgorithmType": "Random",
  "rule": "string",
  "seed": "int"

Valores de propriedade

áreas de trabalho/tarefas

Nome Descrição Valor
tipo O tipo de recurso "Microsoft.MachineLearningServices/workspaces/jobs"
apiVersion A versão da API de recursos '2022-02-01-preview'
name O nome do recurso

Veja como definir nomes e tipos para recursos subordinados em modelos arm JSON.		 cadeia (obrigatório)
propriedades [Obrigatório] Atributos adicionais da entidade. JobBaseDetails (obrigatório)

JobBaseDetails

Nome Descrição Valor
computeId ID do recurso arm do recurso de computação. string
descrição O texto de descrição do recurso. string
displayName Nome a apresentar da tarefa. string
experimentName O nome da experimentação a que pertence a tarefa. Se não estiver definido, a tarefa é colocada na experimentação "Predefinição". string
identidade Configuração de identidade. Se estiver definido, este deve ser um de AmlToken, ManagedIdentity, UserIdentity ou nulo.
A predefinição é AmlToken se for nulo.		 IdentityConfiguration
isArchived O elemento está arquivado? bool
propriedades O dicionário da propriedade do recurso. objeto
agenda Agendar definição de tarefa.
Se não for fornecida nenhuma agenda, a tarefa é executada uma vez e imediatamente após a submissão.		 ScheduleBase
services Lista de JobEndpoints.
Para tarefas locais, um ponto final de tarefa terá um valor de ponto final de FileStreamObject.		 objeto
etiquetas Dicionário de etiquetas. As etiquetas podem ser adicionadas, removidas e atualizadas. objeto
jobType Definir o tipo de objeto AutoML
Comando
Pipeline
Varrer (obrigatório)

IdentityConfiguration

Nome Descrição Valor
identityType Definir o tipo de objeto AMLToken
Gerido
UserIdentity (obrigatório)

AmlToken

Nome Descrição Valor
identityType [Obrigatório] Especifica o tipo de arquitetura de identidade. "AMLToken" (obrigatório)

ManagedIdentity

Nome Descrição Valor
identityType [Obrigatório] Especifica o tipo de arquitetura de identidade. "Gerido" (obrigatório)
clientId Especifica uma identidade atribuída pelo utilizador pelo ID de cliente. Para a atribuição do sistema, não defina este campo. string

Restrições:
Comprimento mínimo = 36
Comprimento máximo = 36
Padrão = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
objectId Especifica uma identidade atribuída pelo utilizador por ID de objeto. Para a atribuição do sistema, não defina este campo. string

Restrições:
Comprimento mínimo = 36
Comprimento máximo = 36
Padrão = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
resourceId Especifica uma identidade atribuída pelo utilizador pelo ID de recurso do ARM. Para a atribuição do sistema, não defina este campo. string

UserIdentity

Nome Descrição Valor
identityType [Obrigatório] Especifica o tipo de arquitetura de identidade. "UserIdentity" (obrigatório)

ScheduleBase

Nome Descrição Valor
endTime Especifica a hora de fim do agendamento no formato ISO 8601.
Se não estiver presente, a agenda será executada indefinidamente		 string
scheduleStatus Especifica o estado da agenda "Desativado"
"Ativado"
startTime Especifica a hora de início do agendamento no formato ISO 8601. string
timeZone Especifica o fuso horário no qual a agenda é executada.
O Fuso Horário deve seguir o formato de fuso horário do Windows.
 string
scheduleType Definir o tipo de objeto Cron
Periodicidade (necessária)

CronSchedule

Nome Descrição Valor
scheduleType [Obrigatório] Especifica o tipo de agenda "Cron" (obrigatório)
expression [Obrigatório] Especifica a expressão cron da agenda.
A expressão deve seguir o formato NCronTab.		 cadeia (obrigatório)

Restrições:
Padrão = [a-zA-Z0-9_]

RecurrenceSchedule

Nome Descrição Valor
scheduleType [Obrigatório] Especifica o tipo de agenda "Periodicidade" (obrigatório)
frequência [Obrigatório] Especifica a frequência com que acionar agenda 'Dia'
"Hora"
'Minuto'
"Mês"
"Semana" (obrigatório)
interval [Obrigatório] Especifica o intervalo de agenda em conjunto com a frequência int (obrigatório)
padrão Especifica o padrão de agendamento de periodicidade RecurrencePattern

RecurrencePattern

Nome Descrição Valor
horas [Obrigatório] Lista de horas para o padrão de agendamento de periodicidade int[] (obrigatório)
minutes [Obrigatório] Lista de minutos para o padrão de agendamento de periodicidade int[] (obrigatório)
dias úteis Lista de dias úteis para o padrão de agendamento de periodicidade Matriz de cadeias que contém qualquer um dos seguintes:
'Sexta-feira'
'Segunda-feira'
'Sábado'
'Domingo'
'Quinta-feira'
'Terça-feira'
'Quarta-feira'

AutoMLJob

Nome Descrição Valor
jobType [Obrigatório] Especifica o tipo de tarefa. "AutoML" (obrigatório)
environmentId O ID de recurso do ARM da especificação ambiente da tarefa.
Este é um valor opcional para fornecer, se não for fornecido, que o AutoML irá predefinir esta opção para a versão de ambiente de produção organizada por AutoML ao executar a tarefa.		 string
environmentVariables Variáveis de ambiente incluídas na tarefa. objeto
saídas Mapeamento de enlaces de dados de saída utilizados na tarefa. objeto
resources Configuração do Recurso de Computação para a tarefa. ResourceConfiguration
taskDetails [Obrigatório] Isto representa um cenário que pode ser uma das Tabelas/NLP/Imagem AutoMLVertical (obrigatório)

ResourceConfiguration

Nome Descrição Valor
instanceCount Número opcional de instâncias ou nós utilizados pelo destino de computação. int
instanceType Tipo opcional de VM utilizado como suportado pelo destino de computação. string
propriedades Saco de propriedades adicionais. objeto

AutoMLVertical

Nome Descrição Valor
logVerbosity Registar verbosidade para a tarefa. "Crítico"
"Depurar"
"Erro"
'Informações'
"NotSet"
'Aviso'
taskType Definir o tipo de objeto Classificação
Previsão
ImageClassification
ImageClassificationMultilabel
ImageInstanceSegmentation
ImageObjectDetection
Regressão
TextClassification
TextClassificationMultilabel
TextNER (obrigatório)

Classificação

Nome Descrição Valor
taskType [Obrigatório] Tipo de tarefa para AutoMLJob. "Classificação" (obrigatório)
allowedModels Modelos permitidos para tarefas de classificação. Matriz de cadeia que contém qualquer um dos seguintes:
'BernoulliNaiveBayes'
'DecisionTree'
'ExtremeRandomTrees'
"GradientBoosting"
'KNN'
'LightGBM'
"LinearSVM"
"LogisticRegression"
"MultinomialNaiveBayes"
"RandomForest"
'SGD'
'SVM'
"XGBoostClassifier"
blockedModels Modelos bloqueados para tarefa de classificação. Matriz de cadeia que contém qualquer um dos seguintes:
'BernoulliNaiveBayes'
'DecisionTree'
'ExtremeRandomTrees'
"GradientBoosting"
'KNN'
'LightGBM'
"LinearSVM"
"LogisticRegression"
"MultinomialNaiveBayes"
"RandomForest"
'SGD'
'SVM'
"XGBoostClassifier"
dataSettings Entradas de dados para o AutoMLJob. TableVerticalDataSettings
featurizationSettings Entradas de caracterização necessárias para a tarefa de AutoML. TableVerticalFeaturizationSettings
limitSettings Restrições de execução do AutoMLJob. TableVerticalLimitSettings
primaryMetric Métrica primária da tarefa. "AUCWeighted"
"Precisão"
"AveragePrecisionScoreWeighted"
"NormMacroRecall"
"PrecisionScoreWeighted"
trainingSettings Entradas para a fase de preparação de uma Tarefa de AutoML. TrainingSettings

TableVerticalDataSettings

Nome Descrição Valor
targetColumnName [Obrigatório] Nome da coluna de destino: esta é a coluna de valores de predição.
Também conhecido como nome da coluna de etiqueta no contexto de tarefas de classificação.		 cadeia (obrigatório)

Restrições:
Padrão = [a-zA-Z0-9_]
testData Testar a entrada de dados. TestDataSettings
trainingData [Obrigatório] Entrada de dados de preparação. TrainingDataSettings (obrigatório)
validationData Entradas de dados de validação. TableVerticalValidationDataSettings
weightColumnName O nome da coluna de peso de exemplo. O ML automatizado suporta uma coluna ponderada como entrada, fazendo com que as linhas nos dados sejam ponderadas para cima ou para baixo. string

TestDataSettings

Nome Descrição Valor
dados Testar dados MLTable. MLTableJobInput
testDataSize A fração do conjunto de dados de teste que tem de ser reservada para fins de validação.
Valores entre (0,0 , 1,0)
Aplicado quando o conjunto de dados de validação não é fornecido.
 int

MLTableJobInput

Nome Descrição Valor
descrição Descrição da entrada. string
jobInputType [Obrigatório] Especifica o tipo de tarefa. "CustomModel"
'Literal'
"MLFlowModel"
"MLTable"
'TritonModel'
"UriFile"
"UriFolder" (obrigatório)
mode Modo de Entrega de Recursos de Entrada. 'Direto'
"Transferir"
"EvalDownload"
"EvalMount"
"ReadOnlyMount"
"ReadWriteMount"
URI [Obrigatório] URI do Recurso de Entrada. cadeia (obrigatório)

Restrições:
Padrão = [a-zA-Z0-9_]

TrainingDataSettings

Nome Descrição Valor
dados [Obrigatório] MLTable de dados de preparação. MLTableJobInput (obrigatório)

TableVerticalValidationDataSettings

Nome Descrição Valor
cvSplitColumnNames Colunas a utilizar para dados CVSplit. string[]
dados Dados de validação MLTable. MLTableJobInput
nCrossValidations Número de pastas de validação cruzada a aplicar no conjunto de dados de preparação
quando o conjunto de dados de validação não é fornecido.		 NCrossValidations
validationDataSize A fração do conjunto de dados de preparação que tem de ser reservada para fins de validação.
Valores entre (0,0 , 1,0)
Aplicado quando o conjunto de dados de validação não é fornecido.
 int

NCrossValidations

Nome Descrição Valor
mode Definir o tipo de objeto Automático
Personalizado (obrigatório)

AutoNCrossValidations

Nome Descrição Valor
mode [Obrigatório] Modo para determinar validações N-Cross. "Automático" (obrigatório)

CustomNCrossValidations

Nome Descrição Valor
mode [Obrigatório] Modo para determinar validações N-Cross. "Personalizado" (obrigatório)
valor [Obrigatório] Valor de validações N-Cross. int (obrigatório)

TableVerticalFeaturizationSettings

Nome Descrição Valor
blockedTransformers Estes transformadores não devem ser utilizados na caracterização. string[]
columnNameAndTypes Dicionário do nome da coluna e do respetivo tipo (int, float, string, datetime, etc.). objeto
datasetLanguage Idioma do conjunto de dados, útil para os dados de texto. string
dropColumns Colunas a serem removidas dos dados durante a caracterização. string[]
enableDnnFeaturization Determina se deve utilizar os caracterizadores baseados em Dnn para a caracterização de dados. bool
mode Modo de caracterização – o utilizador pode manter o modo "Automático" predefinido e o AutoML tratará da transformação necessária dos dados na fase de caracterização.
Se "Desativado" estiver selecionado, não será efetuada qualquer caracterização.
Se "Personalizado" estiver selecionado, o utilizador pode especificar entradas adicionais para personalizar a forma como a caracterização é feita.		 'Auto'
"Personalizado"
'Desativado'
transformerParams O utilizador pode especificar transformadores adicionais a serem utilizados juntamente com as colunas às quais seriam aplicados e parâmetros para o construtor do transformador. objeto

TableVerticalLimitSettings

Nome Descrição Valor
enableEarlyTermination Ative a terminação antecipada, determina se o AutoMLJob terminará mais cedo se não houver melhoria de pontuação nas últimas 20 iterações. bool
exitScore Classificação de saída para a tarefa de AutoML. int
maxConcurrentTrials Máximo de iterações simultâneas. int
maxCoresPerTrial Máx. de núcleos por iteração. int
maxTrials Número de iterações. int
tempo limite Tempo limite da tarefa de AutoML. string
trialTimeout Tempo limite da iteração. string

TrainingSettings

Nome Descrição Valor
enableDnnTraining Ative a recomendação de modelos DNN. bool
enableModelExplainability Sinalizar para ativar a explicação no melhor modelo. bool
enableOnnxCompatibleModels Sinalizador para ativar modelos compatíveis com onnx. bool
enableStackEnsemble Ativar a execução do conjunto de pilhas. bool
enableVoteEnsemble Ative a execução do conjunto de votação. bool
ensembleModelDownloadTimeout Durante a geração do modelo VotingEnsemble e StackEnsemble, são transferidos vários modelos ajustados das execuções subordinadas anteriores.
Configure este parâmetro com um valor superior a 300 segundos, se for necessário mais tempo.		 string
stackEnsembleSettings Definições do conjunto de pilhas para a execução do conjunto de pilhas. StackEnsembleSettings

StackEnsembleSettings

Nome Descrição Valor
stackMetaLearnerKWargs Parâmetros opcionais para transmitir para o inicializador do meta-aluno.
stackMetaLearnerTrainPercentage Especifica a proporção do conjunto de preparação (ao escolher o tipo de preparação e validação de preparação) a reservar para a preparação do meta-aluno. O valor predefinido é 0,2. int
stackMetaLearnerType O metadutor é um modelo preparado na saída dos modelos heterogéneos individuais. "ElasticNet"
"ElasticNetCV"
"LightGBMClassifier"
"LightGBMRegressor"
"LinearRegression"
"LogisticRegression"
"LogisticRegressionCV"
"Nenhum"

Previsão

Nome Descrição Valor
taskType [Obrigatório] Tipo de tarefa para AutoMLJob. "Previsão" (obrigatório)
allowedModels Modelos permitidos para a tarefa de previsão. Matriz de cadeias que contém qualquer um dos seguintes:
'Arimax'
'AutoArima'
"Média"
'DecisionTree'
"ElasticNet"
"ExponentialSmoothing"
'ExtremeRandomTrees'
"GradientBoosting"
'KNN'
'LassoLars'
"LightGBM"
'Naive'
'Profeta'
"RandomForest"
"SGD"
"SazonalAverage"
"SazonalNaive"
"TCNForecaster"
"XGBoostRegressor"
blockedModels Modelos bloqueados para a tarefa de previsão. Matriz de cadeias que contém qualquer um dos seguintes:
'Arimax'
'AutoArima'
"Média"
'DecisionTree'
"ElasticNet"
"ExponentialSmoothing"
'ExtremeRandomTrees'
"GradientBoosting"
'KNN'
'LassoLars'
"LightGBM"
'Naive'
'Profeta'
"RandomForest"
"SGD"
"SazonalAverage"
"SazonalNaive"
"TCNForecaster"
"XGBoostRegressor"
dataSettings Entradas de dados do AutoMLJob. TableVerticalDataSettings
featurizationSettings Entradas de caracterização necessárias para a tarefa de AutoML. TableVerticalFeaturizationSettings
forecastingSettings Previsão de entradas específicas da tarefa. PrevisãoDefinições
limitSettings Restrições de execução do AutoMLJob. TableVerticalLimitSettings
primaryMetric Métrica primária para a tarefa de previsão. "NormalizedMeanAbsoluteError"
"NormalizedRootMeanSquaredError"
"R2Score"
'SpearmanCorrelation'
trainingSettings Entradas para a fase de preparação de uma Tarefa autoML. TrainingSettings

PrevisãoDefinições

Nome Descrição Valor
countryOrRegionForHolidays País ou região para feriados para previsão de tarefas.
Estes devem ser códigos iso 3166 país/região de duas letras, por exemplo "E.U.A" ou "GB".		 string
cvStepSize Número de períodos entre a hora de origem de uma dobra de CV e a dobra seguinte. Para o
por exemplo, se CVStepSize = 3 para dados diários, a hora de origem de cada dobra será
três dias de diferença.		 int
featureLags Sinalizar para gerar atrasos para as funcionalidades numéricas com "automático" ou nulo. "Automático"
"Nenhum"
forecastHorizon O horizonte de previsão máximo pretendido em unidades de frequência de série temporal. PrevisãoHorizon
frequência Ao prever, este parâmetro representa o período com o qual a previsão é pretendida, por exemplo, diariamente, semanalmente, anualmente, etc. Por predefinição, a frequência de previsão é a frequência do conjunto de dados. string
sazonalidade Defina a sazonalidade da série temporal como um número inteiro múltiplo da frequência da série.
Se a sazonalidade estiver definida como "automática", será inferida.		 Sazonalidade
shortSeriesHandlingConfig O parâmetro que define como se o AutoML deve processar séries de tempo curtos. "Automático"
'Drop'
"Nenhum"
'Pad'
targetAggregateFunction A função a ser utilizada para agregar a coluna de destino da série temporal para estar em conformidade com uma frequência especificada por um utilizador.
Se TargetAggregateFunction estiver definido, ou seja, não "Nenhum", mas o parâmetro freq não estiver definido, o erro será gerado. As possíveis funções de agregação de destino são: "sum", "max", "min" e "mean".		 'Máx.'
"Média"
'Min'
"Nenhum"
"Soma"
targetLags O número de períodos anteriores a desfasar da coluna de destino. TargetLags
targetRollingWindowSize O número de períodos anteriores utilizados para criar uma média de janela temporal da coluna de destino. TargetRollingWindowSize
timeColumnName O nome da coluna de hora. Este parâmetro é necessário quando se prevê especificar a coluna datetime nos dados de entrada utilizados para criar a série temporal e inferir a respetiva frequência. string
timeSeriesIdColumnNames Os nomes das colunas utilizadas para agrupar uma série de tempo. Pode ser utilizado para criar várias séries.
Se a agregação não estiver definida, assume-se que o conjunto de dados é uma série temporal. Este parâmetro é utilizado com a previsão do tipo de tarefa.		 string[]
useStl Configure a Decomposição de STL da coluna de destino da série temporal. "Nenhum"
'Estação'
'SeasonTrend'

PrevisãoHorizon

Nome Descrição Valor
mode Definir o tipo de objeto Automático
Personalizado (obrigatório)

AutoForecastHorizon

Nome Descrição Valor
mode [Obrigatório] Defina o modo de seleção de valor de horizonte de previsão. "Automático" (obrigatório)

CustomForecastHorizon

Nome Descrição Valor
mode [Obrigatório] Defina o modo de seleção de valor de horizonte de previsão. "Personalizado" (obrigatório)
valor [Obrigatório] Valor de horizonte de previsão. int (obrigatório)

Sazonalidade

Nome Descrição Valor
mode Definir o tipo de objeto Automático
Personalizado (obrigatório)

AutoSeasonality

Nome Descrição Valor
mode [Obrigatório] Modo de sazonalidade. "Automático" (obrigatório)

CustomSeasonality

Nome Descrição Valor
mode [Obrigatório] Modo de sazonalidade. "Personalizado" (obrigatório)
valor [Obrigatório] Valor de sazonalidade. int (obrigatório)

TargetLags

Nome Descrição Valor
mode Definir o tipo de objeto Automático
Personalizado (obrigatório)

AutoTargetLags

Nome Descrição Valor
mode [Obrigatório] Definir o modo de atrasos de destino - Automático/Personalizado "Automático" (obrigatório)

CustomTargetLags

Nome Descrição Valor
mode [Obrigatório] Definir o modo de atrasos de destino - Automático/Personalizado "Personalizado" (obrigatório)
values [Obrigatório] Definir valores de atrasos de destino. int[] (obrigatório)

TargetRollingWindowSize

Nome Descrição Valor
mode Definir o tipo de objeto Automático
Personalizado (obrigatório)

AutoTargetRollingWindowSize

Nome Descrição Valor
mode [Obrigatório] Modo de deteção TargetRollingWindowSiz. "Automático" (obrigatório)

CustomTargetRollingWindowSize

Nome Descrição Valor
mode [Obrigatório] Modo de deteção TargetRollingWindowSiz. "Personalizado" (obrigatório)
valor [Obrigatório] TargetRollingWindowSize valor. int (obrigatório)

ImageClassification

Nome Descrição Valor
taskType [Obrigatório] Tipo de tarefa para AutoMLJob. "ImageClassification" (obrigatório)
dataSettings [Obrigatório] Coleção de IDs de Conjuntos de Dados Tabulares registados e outras definições de dados necessárias para preparar e validar modelos. ImageVerticalDataSettings (obrigatório)
limitSettings [Obrigatório] Limitar as definições da tarefa de AutoML. ImageLimitSettings (obrigatório)
modelDefinições Definições utilizadas para preparar o modelo. ImageModelSettingsClassification
primaryMetric Métrica primária a otimizar para esta tarefa. "AUCWeighted"
"Precisão"
"AveragePrecisionScoreWeighted"
"NormMacroRecall"
"PrecisionScoreWeighted"
searchSpace Espaço de pesquisa para amostragem de diferentes combinações de modelos e respetivos hiperparâmetros. ImageModelDistributionSettingsClassification[]
sweepSettings Definições relacionadas com a limpeza de modelos e a varrimento de hiperparâmetros. ImageSweepSettings

ImageVerticalDataSettings

Nome Descrição Valor
targetColumnName [Obrigatório] Nome da coluna de destino: esta é a coluna de valores de predição.
Também conhecido como nome da coluna de etiqueta no contexto de tarefas de classificação.		 cadeia (obrigatório)

Restrições:
Padrão = [a-zA-Z0-9_]
testData Testar a entrada de dados. TestDataSettings
trainingData [Obrigatório] Entrada de dados de preparação. TrainingDataSettings (obrigatório)
validationData Definições para o conjunto de dados de validação. ImageVerticalValidationDataSettings

ImageVerticalValidationDataSettings

Nome Descrição Valor
dados Dados de validação MLTable. MLTableJobInput
validationDataSize A fração do conjunto de dados de preparação que tem de ser reservada para fins de validação.
Valores entre (0,0 , 1,0)
Aplicado quando o conjunto de dados de validação não é fornecido.
 int

ImageLimitSettings

Nome Descrição Valor
maxConcurrentTrials Número máximo de iterações automáticas simultâneas. int
maxTrials Número máximo de iterações de AutoML. int
tempo limite Tempo limite da tarefa de AutoML. string

ImageModelSettingsClassification

Nome Descrição Valor
advancedSettings Definições para cenários avançados. string
amsGradient Ative o AMSGrad quando o otimizador for "adam" ou "adamw". bool
aumentos Definições para utilizar Aumentos. string
beta1 Valor de "beta1" quando o otimizador é "adão" ou "adamw". Tem de ser um flutuante no intervalo [0, 1]. int
beta2 Valor de "beta2" quando o otimizador é "adão" ou "adamw". Tem de ser um flutuante no intervalo [0, 1]. int
checkpointDatasetId ID fileDataset para pontos de verificação pré-preparados para preparação incremental.
Certifique-se de que transmite CheckpointFilename juntamente com CheckpointDatasetId.		 string
checkpointFilename O nome de ficheiro de ponto de verificação pré-preparado em FileDataset para preparação incremental.
Certifique-se de que transmite CheckpointDatasetId juntamente com CheckpointFilename.		 string
checkpointFrequency Frequência para armazenar pontos de verificação de modelos. Tem de ser um número inteiro positivo. int
checkpointRunId O ID de uma execução anterior que tem um ponto de verificação pré-preparado para preparação incremental. string
distribuído Se pretende utilizar a preparação distribuída. bool
earlyStopping Ative a lógica de paragem antecipada durante a preparação. bool
earlyStoppingDelay Número mínimo de épocas ou avaliações de validação a aguardar antes da melhoria da métrica primária
é controlado para paragem antecipada. Tem de ser um número inteiro positivo.		 int
earlyStoppingPatience Número mínimo de épocas ou avaliações de validação sem melhoria de métricas primárias antes
a execução está parada. Tem de ser um número inteiro positivo.		 int
enableOnnxNormalization Ativar a normalização ao exportar o modelo ONNX. bool
evaluationFrequency Frequência para avaliar o conjunto de dados de validação para obter classificações de métricas. Tem de ser um número inteiro positivo. int
gradientAccumulationStep Acumulação de gradação significa executar um número configurado de passos "GradAccumulationStep" sem
atualizar os pesos do modelo ao acumular as gradações desses passos e, em seguida, utilizar
as gradações acumuladas para calcular as atualizações de peso. Tem de ser um número inteiro positivo.		 int
layersToFreeze Número de camadas a fixar para o modelo. Tem de ser um número inteiro positivo.
Por exemplo, transmitir 2 como valor para "seresnext" significa
camadas de congelação0 e camada1. Para obter uma lista completa dos modelos suportados e detalhes sobre o congelamento de camadas,
veja: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.		 int
learningRate Taxa de aprendizagem inicial. Tem de ser um flutuante no intervalo [0, 1]. int
learningRateScheduler Tipo de agendador de taxa de aprendizagem. Tem de ser "warmup_cosine" ou "passo". "Nenhum"
"Passo"
'WarmupCosine'
modelName Nome do modelo a utilizar para preparação.
Para obter mais informações sobre os modelos disponíveis, visite a documentação oficial:
https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.		 string
impulso Valor de impulso quando o otimizador é 'sgd'. Tem de ser um flutuante no intervalo [0, 1]. int
nesterov Ative o aninhado quando o otimizador é "sgd". bool
numberOfEpochs Número de épocas de preparação. Tem de ser um número inteiro positivo. int
numberOfWorkers Número de trabalhadores do carregador de dados. Tem de ser um número inteiro não negativo. int
otimizador Tipo de otimizador. 'Adão'
'Adamw'
"Nenhum"
'Sgd'
randomSeed Semente aleatória a utilizar ao utilizar a preparação determinista. int
splitRatio Se os dados de validação não estiverem definidos, esta ação especifica a proporção de divisão para dividir
preparar dados para subconjuntos de preparação e validação aleatórios. Tem de ser um flutuante no intervalo [0, 1].		 int
stepLRGamma Valor da gama quando o programador de taxa de aprendizagem é "passo". Tem de ser um flutuante no intervalo [0, 1]. int
stepLRStepSize Valor do tamanho do passo quando o agendador da taxa de aprendizagem é "passo". Tem de ser um número inteiro positivo. int
trainingBatchSize Tamanho do lote de preparação. Tem de ser um número inteiro positivo. int
trainingCropSize Tamanho do recorte de imagem que é introduzido na rede neural para o conjunto de dados de preparação. Tem de ser um número inteiro positivo. int
validationBatchSize Tamanho do lote de validação. Tem de ser um número inteiro positivo. int
validationCropSize Tamanho do recorte de imagem que é introduzido na rede neural para o conjunto de dados de validação. Tem de ser um número inteiro positivo. int
validationResizeSizeSize Tamanho da imagem para o qual redimensionar antes de recortar para o conjunto de dados de validação. Tem de ser um número inteiro positivo. int
warmupCosineLRCycles Valor do ciclo de cosseno quando o agendador da taxa de aprendizagem é "warmup_cosine". Tem de ser um flutuante no intervalo [0, 1]. int
warmupCosineLRWarmupEpochs Valor das épocas de aquecimento quando o agendador da taxa de aprendizagem é "warmup_cosine". Tem de ser um número inteiro positivo. int
weightDecay Valor da decadência do peso quando o otimizador é "sgd", "adam" ou "adamw". Tem de ser um flutuante no intervalo[0, 1]. int
weightedLoss Perda ponderada. Os valores aceites são 0 sem perda ponderada.
1 para perda ponderada com sqrt. (class_weights). 2 para perda ponderada com class_weights. Tem de ser 0 ou 1 ou 2.
 int

ImageModelDistributionSettingsClassification

Nome Descrição Valor
amsGradient Ative o AMSGrad quando o otimizador for "adam" ou "adamw". string
aumentos Definições para utilizar Aumentos. string
beta1 Valor de "beta1" quando o otimizador é "adam" ou "adamw". Tem de ser um flutuante no intervalo [0, 1]. string
beta2 Valor de "beta2" quando o otimizador é "adam" ou "adamw". Tem de ser um flutuante no intervalo [0, 1]. string
distribuído Se pretende utilizar a preparação do distribuidor. string
earlyStopping Ative a lógica de paragem precoce durante a preparação. string
earlyStoppingDelay Número mínimo de épocas ou avaliações de validação para aguardar antes da melhoria das métricas primárias
é monitorizado para paragem antecipada. Tem de ser um número inteiro positivo.		 string
earlyStoppingPatience Número mínimo de épocas ou avaliações de validação sem melhorias nas métricas primárias antes
a execução está parada. Tem de ser um número inteiro positivo.		 string
enableOnnxNormalization Ativar a normalização ao exportar o modelo ONNX. string
evaluationFrequency Frequência para avaliar o conjunto de dados de validação para obter pontuações de métricas. Tem de ser um número inteiro positivo. string
gradientAccumulationStep Acumulação de gradação significa executar um número configurado de passos "GradAccumulationStep" sem
atualizar os pesos do modelo ao acumular as gradações desses passos e, em seguida, utilizar
as gradações acumuladas para calcular as atualizações de peso. Tem de ser um número inteiro positivo.		 string
layersToFreeze Número de camadas a fixar para o modelo. Tem de ser um número inteiro positivo.
Por exemplo, transmitir 2 como valor para "seresnext" significa
camadas de congelação0 e camada1. Para obter uma lista completa dos modelos suportados e detalhes sobre o congelamento de camadas, por favor
veja: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.		 string
learningRate Taxa de aprendizagem inicial. Tem de ser um flutuante no intervalo [0, 1]. string
learningRateScheduler Tipo de programador de taxa de aprendizagem. Tem de ser "warmup_cosine" ou "passo". string
modelName Nome do modelo a utilizar para preparação.
Para obter mais informações sobre os modelos disponíveis, visite a documentação oficial:
https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.		 string
momentum Valor do impulso quando o otimizador é "sgd". Tem de ser um flutuante no intervalo [0, 1]. string
nesterov Ative o aninhado quando o otimizador é "sgd". string
numberOfEpochs Número de épocas de preparação. Tem de ser um número inteiro positivo. string
numberOfWorkers Número de trabalhadores do carregador de dados. Tem de ser um número inteiro não negativo. string
otimizador Tipo de otimizador. Tem de ser "sgd", "adão" ou "adamw". string
randomSeed Semente aleatória a utilizar ao utilizar a preparação determinista. string
splitRatio Se os dados de validação não estiverem definidos, esta ação especifica a proporção de divisão para dividir
preparar dados para subconjuntos de preparação e validação aleatórios. Tem de ser um flutuante no intervalo [0, 1].		 string
stepLRGamma Valor da gama quando o programador de taxa de aprendizagem é "passo". Tem de ser um flutuante no intervalo [0, 1]. string
stepLRStepSize Valor do tamanho do passo quando o agendador da taxa de aprendizagem é "passo". Tem de ser um número inteiro positivo. string
trainingBatchSize Tamanho do lote de preparação. Tem de ser um número inteiro positivo. string
trainingCropSize Tamanho do recorte de imagem que é introduzido na rede neural para o conjunto de dados de preparação. Tem de ser um número inteiro positivo. string
validationBatchSize Tamanho do lote de validação. Tem de ser um número inteiro positivo. string
validationCropSize Tamanho do recorte de imagem que é introduzido na rede neural para o conjunto de dados de validação. Tem de ser um número inteiro positivo. string
validationResizeSizeSize Tamanho da imagem para o qual redimensionar antes de recortar para o conjunto de dados de validação. Tem de ser um número inteiro positivo. string
warmupCosineLRCycles Valor do ciclo de cosseno quando o agendador da taxa de aprendizagem é "warmup_cosine". Tem de ser um flutuante no intervalo [0, 1]. string
warmupCosineLRWarmupEpochs Valor das épocas de aquecimento quando o agendador da taxa de aprendizagem é "warmup_cosine". Tem de ser um número inteiro positivo. string
weightDecay Valor da decadência do peso quando o otimizador é "sgd", "adam" ou "adamw". Tem de ser um flutuante no intervalo[0, 1]. string
weightedLoss Perda ponderada. Os valores aceites são 0 sem perda ponderada.
1 para perda ponderada com sqrt. (class_weights). 2 para perda ponderada com class_weights. Tem de ser 0, 1 ou 2.
 string

ImageSweepSettings

Nome Descrição Valor
earlyTermination Tipo de política de cessação antecipada. EarlyTerminationPolicy
limites [Obrigatório] Limitar as definições de varrimento de modelos e de varrimento de hiperparâmetros. ImageSweepLimitSettings (obrigatório)
samplingAlgorithm [Obrigatório] Tipo de algoritmos de amostragem de hiperparâmetros. 'Bayesian'
"Grelha"
"Aleatório" (obrigatório)

EarlyTerminationPolicy

Nome Descrição Valor
delayEvaluation Número de intervalos para atrasar a primeira avaliação. int
evaluationInterval Intervalo (número de execuções) entre avaliações de políticas. int
policyType Definir o tipo de objeto Bandit
MedianStopping
TruncationSelection (obrigatório)

BanditPolicy

Nome Descrição Valor
policyType [Obrigatório] Nome da configuração da política "Bandit" (obrigatório)
slackAmount Distância absoluta permitida da execução com melhor desempenho. int
slackFactor Proporção da distância permitida da execução com melhor desempenho. int

MedianStoppingPolicy

Nome Descrição Valor
policyType [Obrigatório] Nome da configuração da política "MedianStopping" (obrigatório)

TruncationSelectionPolicy

Nome Descrição Valor
policyType [Obrigatório] Nome da configuração da política "TruncationSelection" (obrigatório)
truncationPercentage A percentagem de execuções a cancelar em cada intervalo de avaliação. int

ImageSweepLimitSettings

Nome Descrição Valor
maxConcurrentTrials Número máximo de iterações simultâneas para a tarefa varrimento subjacente. int
maxTrials Número máximo de iterações para a tarefa varrimento subjacente. int

ImageClassificationMultilabel

Nome Descrição Valor
taskType [Obrigatório] Tipo de tarefa para AutoMLJob. "ImageClassificationMultilabel" (obrigatório)
dataSettings [Obrigatório] Coleção de IDs de Conjuntos de Dados Tabulares registados e outras definições de dados necessárias para preparar e validar modelos. ImageVerticalDataSettings (obrigatório)
limitSettings [Obrigatório] Limitar as definições da tarefa de AutoML. ImageLimitSettings (obrigatório)
modelDefinições Definições utilizadas para preparar o modelo. ImageModelSettingsClassification
primaryMetric Métrica primária a otimizar para esta tarefa. "AUCWeighted"
"Precisão"
"AveragePrecisionScoreWeighted"
'IOU'
"NormMacroRecall"
"PrecisionScoreWeighted"
searchSpace Espaço de pesquisa para amostragem de diferentes combinações de modelos e respetivos hiperparâmetros. ImageModelDistributionSettingsClassification[]
sweepSettings Definições relacionadas com a limpeza de modelos e a varrimento de hiperparâmetros. ImageSweepSettings

ImageInstanceSegmentation

Nome Descrição Valor
taskType [Obrigatório] Tipo de tarefa para AutoMLJob. "ImageInstanceSegmentation" (obrigatório)
dataSettings [Obrigatório] Coleção de IDs de Conjuntos de Dados Tabulares registados e outras definições de dados necessárias para preparar e validar modelos. ImageVerticalDataSettings (obrigatório)
limitSettings [Obrigatório] Limitar as definições da tarefa de AutoML. ImageLimitSettings (obrigatório)
modelDefinições Definições utilizadas para preparar o modelo. ImageModelSettingsObjectDetection
primaryMetric Métrica primária a otimizar para esta tarefa. "MeanAveragePrecision"
searchSpace Espaço de pesquisa para amostragem de diferentes combinações de modelos e respetivos hiperparâmetros. ImageModelDistributionSettingsObjectDetection[]
sweepSettings Definições relacionadas com a limpeza de modelos e a varrimento de hiperparâmetros. ImageSweepSettings

ImageModelSettingsObjectDetection

Nome Descrição Valor
advancedSettings Definições para cenários avançados. string
amsGradient Ative o AMSGrad quando o otimizador for "adam" ou "adamw". bool
aumentos Definições para utilizar Aumentos. string
beta1 Valor de "beta1" quando o otimizador é "adão" ou "adamw". Tem de ser um flutuante no intervalo [0, 1]. int
beta2 Valor de "beta2" quando o otimizador é "adão" ou "adamw". Tem de ser um flutuante no intervalo [0, 1]. int
boxDetectionsPerImage Número máximo de deteções por imagem, para todas as classes. Tem de ser um número inteiro positivo.
Nota: estas definições não são suportadas para o algoritmo "yolov5".		 int
boxScoreThreshold Durante a inferência, devolver apenas propostas com uma classificação de classificação superior a
BoxScoreThreshold. Tem de ser um flutuante no intervalo[0, 1].		 int
checkpointDatasetId ID fileDataset para pontos de verificação pré-preparados para preparação incremental.
Certifique-se de que transmite CheckpointFilename juntamente com CheckpointDatasetId.		 string
checkpointFilename O nome de ficheiro de ponto de verificação pré-preparado em FileDataset para preparação incremental.
Certifique-se de que transmite CheckpointDatasetId juntamente com CheckpointFilename.		 string
checkpointFrequency Frequência para armazenar pontos de verificação de modelos. Tem de ser um número inteiro positivo. int
checkpointRunId O ID de uma execução anterior que tem um ponto de verificação pré-preparado para preparação incremental. string
distribuído Se pretende utilizar a preparação distribuída. bool
earlyStopping Ative a lógica de paragem antecipada durante a preparação. bool
earlyStoppingDelay Número mínimo de épocas ou avaliações de validação a aguardar antes da melhoria da métrica primária
é controlado para paragem antecipada. Tem de ser um número inteiro positivo.		 int
earlyStoppingPatience Número mínimo de épocas ou avaliações de validação sem melhoria de métricas primárias antes
a execução está parada. Tem de ser um número inteiro positivo.		 int
enableOnnxNormalization Ativar a normalização ao exportar o modelo ONNX. bool
evaluationFrequency Frequência para avaliar o conjunto de dados de validação para obter classificações de métricas. Tem de ser um número inteiro positivo. int
gradientAccumulationStep Acumulação de gradação significa executar um número configurado de passos "GradAccumulationStep" sem
atualizar os pesos do modelo ao acumular as gradações desses passos e, em seguida, utilizar
as gradações acumuladas para calcular as atualizações de peso. Tem de ser um número inteiro positivo.		 int
imageSize Tamanho da imagem para preparação e validação. Tem de ser um número inteiro positivo.
Nota: a execução de preparação pode entrar no OOM CUDA se o tamanho for demasiado grande.
Nota: estas definições só são suportadas para o algoritmo "yolov5".		 int
layersToFreeze Número de camadas a fixar para o modelo. Tem de ser um número inteiro positivo.
Por exemplo, transmitir 2 como valor para "seresnext" significa
camadas de congelação0 e camada1. Para obter uma lista completa dos modelos suportados e detalhes sobre o congelamento de camadas, por favor
veja: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.		 int
learningRate Taxa de aprendizagem inicial. Tem de ser um flutuante no intervalo [0, 1]. int
learningRateScheduler Tipo de programador de taxa de aprendizagem. Tem de ser "warmup_cosine" ou "passo". "Nenhum"
"Passo"
'WarmupCosine'
maxSize Tamanho máximo da imagem a dimensionar antes de a alimentar com a coluna principal.
Tem de ser um número inteiro positivo. Nota: a execução de preparação pode entrar no OOM CUDA se o tamanho for demasiado grande.
Nota: estas definições não são suportadas para o algoritmo "yolov5".		 int
minSize Tamanho mínimo da imagem a dimensionar antes de a alimentar para a coluna principal.
Tem de ser um número inteiro positivo. Nota: a execução de preparação pode entrar no OOM CUDA se o tamanho for demasiado grande.
Nota: estas definições não são suportadas para o algoritmo "yolov5".		 int
modelName Nome do modelo a utilizar para preparação.
Para obter mais informações sobre os modelos disponíveis, visite a documentação oficial:
https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.		 string
modelSize Tamanho do modelo. Tem de ser "pequeno", "médio", "grande" ou "xlarge".
Nota: a execução de preparação pode entrar no OOM CUDA se o tamanho do modelo for demasiado grande.
Nota: estas definições só são suportadas para o algoritmo "yolov5".		 'ExtraLarge'
"Grande"
"Médio"
"Nenhum"
'Pequeno'
momentum Valor do impulso quando o otimizador é "sgd". Tem de ser um flutuante no intervalo [0, 1]. int
multiScale Ative a imagem em várias escalas ao variar o tamanho da imagem em +/- 50%.
Nota: a execução de preparação pode entrar no OOM CUDA se não houver memória GPU suficiente.
Nota: estas definições só são suportadas para o algoritmo "yolov5".		 bool
nesterov Ative o aninhado quando o otimizador é "sgd". bool
nmsIouThreshold Limiar IOU utilizado durante a inferência no pós-processamento do NMS. Tem de ser um flutuante no intervalo [0, 1]. int
numberOfEpochs Número de épocas de preparação. Tem de ser um número inteiro positivo. int
numberOfWorkers Número de trabalhadores do carregador de dados. Tem de ser um número inteiro não negativo. int
otimizador Tipo de otimizador. 'Adão'
'Adamw'
"Nenhum"
'Sgd'
randomSeed Semente aleatória a utilizar ao utilizar a preparação determinista. int
splitRatio Se os dados de validação não estiverem definidos, esta ação especifica a proporção de divisão para dividir
preparar dados para subconjuntos de preparação e validação aleatórios. Tem de ser um flutuante no intervalo [0, 1].		 int
stepLRGamma Valor da gama quando o programador de taxa de aprendizagem é "passo". Tem de ser um flutuante no intervalo [0, 1]. int
stepLRStepSize Valor do tamanho do passo quando o agendador da taxa de aprendizagem é "passo". Tem de ser um número inteiro positivo. int
tileGridSize O tamanho da grelha a utilizar para tilar cada imagem. Nota: TileGridSize não pode ser
Nenhuma para ativar a lógica de deteção de objetos pequenos. Uma cadeia que contém dois números inteiros no formato mxn.
Nota: estas definições não são suportadas para o algoritmo "yolov5".		 string
tileOverlapRatio Relação de sobreposição entre mosaicos adjacentes em cada dimensão. Tem de estar a flutuar no intervalo [0, 1).
Nota: estas definições não são suportadas para o algoritmo "yolov5".		 int
tilePredictionsNmsThreshold O limiar de IOU a utilizar para executar o NMS enquanto intercala predições de mosaicos e imagens.
Utilizado na validação/inferência. Tem de estar a flutuar no intervalo [0, 1].
Nota: estas definições não são suportadas para o algoritmo "yolov5".		 int
trainingBatchSize Tamanho do lote de preparação. Tem de ser um número inteiro positivo. int
validationBatchSize Tamanho do lote de validação. Tem de ser um número inteiro positivo. int
validationIouThreshold Limiar de IOU a utilizar ao calcular a métrica de validação. Tem de estar a flutuar no intervalo [0, 1]. int
validationMetricType Método de computação de métricas a utilizar para métricas de validação. 'Coco'
'CocoVoc'
"Nenhum"
'Voc'
warmupCosineLRCycles Valor do ciclo de cosseno quando o agendador da taxa de aprendizagem é "warmup_cosine". Tem de ser um flutuante no intervalo [0, 1]. int
warmupCosineLRWarmupEpochs Valor das épocas de aquecimento quando o agendador de taxa de aprendizagem é "warmup_cosine". Tem de ser um número inteiro positivo. int
espessuraDecay Valor da decadência do peso quando o otimizador é 'sgd', 'adão' ou 'adamw'. Tem de ser um flutuante no intervalo[0, 1]. int

ImageModelDistributionSettingsObjectDetection

Nome Descrição Valor
amsGradient Ative o AMSGrad quando o otimizador for "adam" ou "adamw". string
aumentos Definições para utilizar Aumentos. string
beta1 Valor de "beta1" quando o otimizador é "adão" ou "adamw". Tem de ser um flutuante no intervalo [0, 1]. string
beta2 Valor de "beta2" quando o otimizador é "adão" ou "adamw". Tem de ser um flutuante no intervalo [0, 1]. string
boxDetectionsPerImage Número máximo de deteções por imagem, para todas as classes. Tem de ser um número inteiro positivo.
Nota: estas definições não são suportadas para o algoritmo "yolov5".		 string
boxScoreThreshold Durante a inferência, devolver apenas propostas com uma classificação de classificação superior a
BoxScoreThreshold. Tem de ser um flutuante no intervalo[0, 1].		 string
distribuído Se pretende utilizar a preparação de distribuição. string
earlyStopping Ative a lógica de paragem antecipada durante a preparação. string
earlyStoppingDelay Número mínimo de épocas ou avaliações de validação a aguardar antes da melhoria da métrica primária
é controlado para paragem antecipada. Tem de ser um número inteiro positivo.		 string
earlyStoppingPatience Número mínimo de épocas ou avaliações de validação sem melhoria de métricas primárias antes
a execução está parada. Tem de ser um número inteiro positivo.		 string
enableOnnxNormalization Ativar a normalização ao exportar o modelo ONNX. string
evaluationFrequency Frequência para avaliar o conjunto de dados de validação para obter classificações de métricas. Tem de ser um número inteiro positivo. string
gradientAccumulationStep Acumulação de gradação significa executar um número configurado de passos "GradAccumulationStep" sem
atualizar os pesos do modelo ao acumular as gradações desses passos e, em seguida, utilizar
as gradações acumuladas para calcular as atualizações de peso. Tem de ser um número inteiro positivo.		 string
imageSize Tamanho da imagem para preparação e validação. Tem de ser um número inteiro positivo.
Nota: a execução de preparação pode entrar no OOM CUDA se o tamanho for demasiado grande.
Nota: estas definições só são suportadas para o algoritmo "yolov5".		 string
layersToFreeze Número de camadas a fixar para o modelo. Tem de ser um número inteiro positivo.
Por exemplo, transmitir 2 como valor para "seresnext" significa
camadas de congelação0 e camada1. Para obter uma lista completa dos modelos suportados e detalhes sobre o congelamento de camadas, por favor
veja: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.		 string
learningRate Taxa de aprendizagem inicial. Tem de ser um flutuante no intervalo [0, 1]. string
learningRateScheduler Tipo de programador de taxa de aprendizagem. Tem de ser "warmup_cosine" ou "passo". string
maxSize Tamanho máximo da imagem a dimensionar antes de a alimentar com a coluna principal.
Tem de ser um número inteiro positivo. Nota: a execução de preparação pode entrar no OOM CUDA se o tamanho for demasiado grande.
Nota: estas definições não são suportadas para o algoritmo "yolov5".		 string
minSize Tamanho mínimo da imagem a dimensionar antes de a alimentar para a coluna principal.
Tem de ser um número inteiro positivo. Nota: a execução de preparação pode entrar no OOM CUDA se o tamanho for demasiado grande.
Nota: estas definições não são suportadas para o algoritmo "yolov5".		 string
modelName Nome do modelo a utilizar para preparação.
Para obter mais informações sobre os modelos disponíveis, visite a documentação oficial:
https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.		 string
modelSize Tamanho do modelo. Tem de ser "pequeno", "médio", "grande" ou "xlarge".
Nota: a execução de preparação pode entrar no OOM CUDA se o tamanho do modelo for demasiado grande.
Nota: estas definições só são suportadas para o algoritmo "yolov5".		 string
momentum Valor do impulso quando o otimizador é "sgd". Tem de ser um flutuante no intervalo [0, 1]. string
multiScale Ative a imagem em várias escalas ao variar o tamanho da imagem em +/- 50%.
Nota: a execução de preparação pode entrar no OOM CUDA se não houver memória GPU suficiente.
Nota: estas definições só são suportadas para o algoritmo "yolov5".		 string
nesterov Ative o aninhado quando o otimizador é "sgd". string
nmsIouThreshold Limiar IOU utilizado durante a inferência no pós-processamento do NMS. Tem de estar a flutuar no intervalo [0, 1]. string
numberOfEpochs Número de épocas de preparação. Tem de ser um número inteiro positivo. string
numberOfWorkers Número de trabalhadores do carregador de dados. Tem de ser um número inteiro não negativo. string
otimizador Tipo de otimizador. Tem de ser "sgd", "adão" ou "adamw". string
randomSeed Semente aleatória a utilizar ao utilizar a preparação determinista. string
splitRatio Se os dados de validação não estiverem definidos, esta ação especifica a proporção de divisão para dividir
preparar dados para subconjuntos de preparação e validação aleatórios. Tem de ser um flutuante no intervalo [0, 1].		 string
stepLRGamma Valor da gama quando o programador de taxa de aprendizagem é "passo". Tem de ser um flutuante no intervalo [0, 1]. string
stepLRStepSize Valor do tamanho do passo quando o agendador da taxa de aprendizagem é "passo". Tem de ser um número inteiro positivo. string
tileGridSize O tamanho da grelha a utilizar para tilar cada imagem. Nota: TileGridSize não pode ser
Nenhum para ativar a lógica de deteção de objetos pequenos. Uma cadeia que contém dois números inteiros no formato mxn.
Nota: estas definições não são suportadas para o algoritmo "yolov5".		 string
tileOverlapRatio Proporção entre mosaicos adjacentes em cada dimensão. Tem de estar a flutuar no intervalo [0, 1).
Nota: estas definições não são suportadas para o algoritmo "yolov5".		 string
tilePredictionsNmsThreshold O limiar IOU a utilizar para executar o NMS ao intercalar predições de mosaicos e imagens.
Utilizado na validação/inferência. Tem de estar a flutuar no intervalo [0, 1].
Nota: estas definições não são suportadas para o algoritmo "yolov5".
NMS: Supressão não máxima		 string
trainingBatchSize Tamanho do lote de preparação. Tem de ser um número inteiro positivo. string
validationBatchSize Tamanho do lote de validação. Tem de ser um número inteiro positivo. string
validationIouThreshold Limiar de IOU a utilizar ao calcular a métrica de validação. Tem de estar a flutuar no intervalo [0, 1]. string
validationMetricType Método de computação de métricas a utilizar para métricas de validação. Deve ser "nenhum", "coco", "voc" ou "coco_voc". string
warmupCosineLRCycles Valor do ciclo de cosseno quando o agendador da taxa de aprendizagem é "warmup_cosine". Tem de ser um flutuante no intervalo [0, 1]. string
warmupCosineLRWarmupEpochs Valor das épocas de aquecimento quando o agendador da taxa de aprendizagem é "warmup_cosine". Tem de ser um número inteiro positivo. string
weightDecay Valor da decadência do peso quando o otimizador é "sgd", "adam" ou "adamw". Tem de ser um flutuante no intervalo[0, 1]. string

ImageObjectDetection

Nome Descrição Valor
taskType [Obrigatório] Tipo de tarefa para AutoMLJob. "ImageObjectDetection" (obrigatório)
dataSettings [Obrigatório] Coleção de IDs de Conjuntos de Dados Tabulares registados e outras definições de dados necessárias para preparar e validar modelos. ImageVerticalDataSettings (obrigatório)
limitSettings [Obrigatório] Limitar as definições da tarefa autoML. ImageLimitSettings (obrigatório)
modelSettings Definições utilizadas para preparar o modelo. ImageModelSettingsObjectDetection
primaryMetric Métrica primária para otimizar para esta tarefa. "MeanAveragePrecision"
searchSpace Procure espaço de amostragem de diferentes combinações de modelos e respetivos hiperparâmetros. ImageModelDistributionSettingsObjectDetection[]
sweepSettings Definições relacionadas com a limpeza de modelos e hiperparâmetros. ImageSweepSettings

Regressão

Nome Descrição Valor
taskType [Obrigatório] Tipo de tarefa para AutoMLJob. "Regressão" (obrigatório)
allowedModels Modelos permitidos para tarefas de regressão. Matriz de cadeias que contém qualquer um dos seguintes:
'DecisionTree'
"ElasticNet"
'ExtremeRandomTrees'
"GradientBoosting"
'KNN'
'LassoLars'
"LightGBM"
"RandomForest"
"SGD"
"XGBoostRegressor"
blockedModels Modelos bloqueados para tarefas de regressão. Matriz de cadeias que contém qualquer um dos seguintes:
'DecisionTree'
"ElasticNet"
'ExtremeRandomTrees'
"GradientBoosting"
'KNN'
'LassoLars'
"LightGBM"
"RandomForest"
"SGD"
"XGBoostRegressor"
dataSettings Entradas de dados do AutoMLJob. TableVerticalDataSettings
featurizationSettings Entradas de caracterização necessárias para a tarefa de AutoML. TableVerticalFeaturizationSettings
limitSettings Restrições de execução do AutoMLJob. TableVerticalLimitSettings
primaryMetric Métrica primária da tarefa de regressão. "NormalizedMeanAbsoluteError"
"NormalizedRootMeanSquaredError"
"R2Score"
'SpearmanCorrelation'
trainingSettings Entradas para a fase de preparação de uma Tarefa autoML. TrainingSettings

TextClassification

Nome Descrição Valor
taskType [Obrigatório] Tipo de tarefa para AutoMLJob. "TextClassification" (obrigatório)
dataSettings Entradas de dados do AutoMLJob. NlpVerticalDataSettings
featurizationSettings Entradas de caracterização necessárias para a tarefa de AutoML. NlpVerticalFeaturizationSettings
limitSettings Restrições de execução do AutoMLJob. NlpVerticalLimitSettings
primaryMetric Métrica primária para Text-Classification tarefa. "AUCWeighted"
"Precisão"
"AveragePrecisionScoreWeighted"
'NormMacroRecall'
"PrecisionScoreWeighted"

NlpVerticalDataSettings

Nome Descrição Valor
targetColumnName [Obrigatório] Nome da coluna de destino: esta é a coluna de valores de predição.
Também conhecido como nome da coluna de etiqueta no contexto de tarefas de classificação.		 cadeia (obrigatório)

Restrições:
Padrão = [a-zA-Z0-9_]
testData Testar entrada de dados. TestDataSettings
trainingData [Obrigatório] Entrada de dados de preparação. TrainingDataSettings (necessário)
validationData Entradas de dados de validação. NlpVerticalValidationDataSettings

NlpVerticalValidationDataSettings

Nome Descrição Valor
dados Dados de validação MLTable. MLTableJobInput
validationDataSize A fração do conjunto de dados de preparação que tem de ser reservada para fins de validação.
Valores entre (0,0 , 1.0)
Aplicado quando o conjunto de dados de validação não é fornecido.
 int

NlpVerticalFeaturizationSettings

Nome Descrição Valor
datasetLanguage Idioma do conjunto de dados, útil para os dados de texto. string

NlpVerticalLimitSettings

Nome Descrição Valor
maxConcurrentTrials Máximo de iterações Automáticas Simultâneas. int
maxTrials Número de iterações autoML. int
tempo limite Tempo limite da tarefa de AutoML. string

TextClassificationMultilabel

Nome Descrição Valor
taskType [Obrigatório] Tipo de tarefa para AutoMLJob. "TextClassificationMultilabel" (obrigatório)
dataSettings Entradas de dados do AutoMLJob. NlpVerticalDataSettings
featurizationSettings Entradas de caracterização necessárias para a tarefa de AutoML. NlpVerticalFeaturizationSettings
limitSettings Restrições de execução do AutoMLJob. NlpVerticalLimitSettings

TextNer

Nome Descrição Valor
taskType [Obrigatório] Tipo de tarefa para AutoMLJob. "TextNER" (obrigatório)
dataSettings Entradas de dados para o AutoMLJob. NlpVerticalDataSettings
featurizationSettings Entradas de caracterização necessárias para a tarefa de AutoML. NlpVerticalFeaturizationSettings
limitSettings Restrições de execução do AutoMLJob. NlpVerticalLimitSettings

CommandJob

Nome Descrição Valor
jobType [Obrigatório] Especifica o tipo de tarefa. "Comando" (obrigatório)
codeId ID do recurso arm do recurso de código. string
command [Obrigatório] O comando a executar no arranque da tarefa. Por exemplo, "python train.py" cadeia (obrigatório)

Restrições:
Comprimento mínimo = 1
Padrão = [a-zA-Z0-9_]
distribuição Configuração de distribuição da tarefa. Se estiver definido, este deve ser um Mpi, Tensorflow, PyTorch ou nulo. DistributionConfiguration
environmentId [Obrigatório] O ID de recurso do ARM da especificação do Ambiente para a tarefa. cadeia (obrigatório)

Restrições:
Padrão = [a-zA-Z0-9_]
environmentVariables Variáveis de ambiente incluídas na tarefa. objeto
entradas Mapeamento de enlaces de dados de entrada utilizados na tarefa. objeto
limites Limite de Tarefas de Comando. CommandJobLimits
saídas Mapeamento de enlaces de dados de saída utilizados na tarefa. objeto
resources Configuração do Recurso de Computação para a tarefa. ResourceConfiguration

DistributionConfiguration

Nome Descrição Valor
distributionType Definir o tipo de objeto Mpi
PyTorch
TensorFlow (obrigatório)

Mpi

Nome Descrição Valor
distributionType [Obrigatório] Especifica o tipo de estrutura de distribuição. "Mpi" (obrigatório)
processCountPerInstance Número de processos por nó MPI. int

PyTorch

Nome Descrição Valor
distributionType [Obrigatório] Especifica o tipo de estrutura de distribuição. "PyTorch" (obrigatório)
processCountPerInstance Número de processos por nó. int

TensorFlow

Nome Descrição Valor
distributionType [Obrigatório] Especifica o tipo de estrutura de distribuição. "TensorFlow" (obrigatório)
parameterServerCount Número de tarefas de servidor de parâmetros. int
workerCount Número de trabalhadores. Se não for especificado, a predefinição será a contagem de instâncias. int

CommandJobLimits

Nome Descrição Valor
jobLimitsType [Obrigatório] Tipo jobLimit. "Comando"
"Varrer" (obrigatório)
tempo limite A duração máxima da execução no formato ISO 8601, após a qual a tarefa será cancelada. Suporta apenas a duração com precisão tão baixa como Segundos. string

PipelineJob

Nome Descrição Valor
jobType [Obrigatório] Especifica o tipo de tarefa. "Pipeline" (obrigatório)
entradas Entradas para a tarefa de pipeline. objeto
tarefas As tarefas constroem a Tarefa de Pipeline. objeto
saídas Saídas para a tarefa de pipeline objeto
definições Definições do pipeline, para aspetos como ContinueRunOnStepFailure, etc.

SweepJob

Nome Descrição Valor
jobType [Obrigatório] Especifica o tipo de tarefa. "Varrer" (obrigatório)
earlyTermination As políticas de cessação antecipada permitem cancelar execuções de mau desempenho antes de serem concluídas EarlyTerminationPolicy
entradas Mapeamento de enlaces de dados de entrada utilizados na tarefa. objeto
limites Limite de tarefas de varrimento. SweepJobLimits
objetivo [Obrigatório] Objetivo de otimização. Objetivo (obrigatório)
saídas Mapeamento de enlaces de dados de saída utilizados na tarefa. objeto
samplingAlgorithm [Obrigatório] O algoritmo de amostragem de hiperparâmetros SamplingAlgorithm (obrigatório)
searchSpace [Obrigatório] Um dicionário que contém cada parâmetro e a respetiva distribuição. A chave do dicionário é o nome do parâmetro
trial [Obrigatório] Definição do componente de avaliação. TrialComponent (obrigatório)

SweepJobLimits

Nome Descrição Valor
jobLimitsType [Obrigatório] Tipo jobLimit. "Comando"
"Varrer" (obrigatório)
maxConcurrentTrials Varra Tarefa máxima de avaliações simultâneas. int
maxTotalTrials Varra o número máximo de avaliações de tarefas. int
tempo limite A duração máxima da execução no formato ISO 8601, após a qual a tarefa será cancelada. Suporta apenas a duração com precisão tão baixa como Segundos. string
trialTimeout Valor de tempo limite da Avaliação de Tarefas de Varrimento. string

Objetivo

Nome Descrição Valor
goal [Obrigatório] Define os objetivos de métricas suportados para otimização de hiperparâmetros "Maximizar"
"Minimizar" (necessário)
primaryMetric [Obrigatório] Nome da métrica a otimizar. cadeia (obrigatório)

Restrições:
Padrão = [a-zA-Z0-9_]

SamplingAlgorithm

Nome Descrição Valor
samplingAlgorithmType Definir o tipo de objeto Bayesian
Grelha
Aleatório (obrigatório)

BayesianSamplingAlgorithm

Nome Descrição Valor
samplingAlgorithmType [Obrigatório] O algoritmo utilizado para gerar valores de hiperparâmetros, juntamente com as propriedades de configuração "Bayesian" (obrigatório)

GridSamplingAlgorithm

Nome Descrição Valor
samplingAlgorithmType [Obrigatório] O algoritmo utilizado para gerar valores de hiperparâmetros, juntamente com as propriedades de configuração "Grelha" (obrigatório)

RandomSamplingAlgorithm

Nome Descrição Valor
samplingAlgorithmType [Obrigatório] O algoritmo utilizado para gerar valores de hiperparâmetros, juntamente com as propriedades de configuração "Aleatório" (obrigatório)
regra O tipo específico de algoritmo aleatório "Aleatório"
'Sobol'
seed Um número inteiro opcional a utilizar como seed para geração de números aleatórios int

TrialComponent

Nome Descrição Valor
codeId ID do recurso arm do recurso de código. string
command [Obrigatório] O comando a executar no arranque da tarefa. Por exemplo, "python train.py" cadeia (obrigatório)

Restrições:
Comprimento mínimo = 1
Padrão = [a-zA-Z0-9_]
distribuição Configuração de distribuição da tarefa. Se estiver definido, este deve ser um de Mpi, Tensorflow, PyTorch ou nulo. DistributionConfiguration
environmentId [Obrigatório] O ID de recurso do ARM da especificação ambiente da tarefa. cadeia (obrigatório)

Restrições:
Padrão = [a-zA-Z0-9_]
environmentVariables Variáveis de ambiente incluídas na tarefa. objeto
resources Configuração do Recurso de Computação para a tarefa. ResourceConfiguration

Modelos de início rápido

Os seguintes modelos de início rápido implementam este tipo de recurso.

Modelo Description
Criar uma tarefa de classificação autoML do Azure Machine Learning

Implementar no Azure		 Este modelo cria uma tarefa de classificação autoML do Azure Machine Learning para descobrir o melhor modelo para prever se um cliente subscreverá um depósito a prazo fixo com uma instituição financeira.
Criar uma tarefa do Comando do Azure Machine Learning

Implementar no Azure		 Este modelo cria uma tarefa do Comando do Azure Machine Learning com um script de hello_world básico
Criar uma tarefa do Azure Machine Learning Sweep

Implementar no Azure		 Este modelo cria uma tarefa do Azure Machine Learning Sweep para otimização de hiperparâmetros.

Definição de recurso do Terraform (fornecedor AzAPI)

O tipo de recurso áreas de trabalho/tarefas pode ser implementado com operações que visam:

  • Grupos de recursos

Para obter uma lista de propriedades alteradas em cada versão da API, veja registo de alterações.

Formato do recurso

Para criar um recurso Microsoft.MachineLearningServices/workspaces/jobs, adicione o seguinte Terraform ao seu modelo.

resource "azapi_resource" "symbolicname" {
  type = "Microsoft.MachineLearningServices/workspaces/jobs@2022-02-01-preview"
  name = "string"
  parent_id = "string"
  body = jsonencode({
    properties = {
      computeId = "string"
      description = "string"
      displayName = "string"
      experimentName = "string"
      identity = {
        identityType = "string"
        // For remaining properties, see IdentityConfiguration objects
      }
      isArchived = bool
      properties = {}
      schedule = {
        endTime = "string"
        scheduleStatus = "string"
        startTime = "string"
        timeZone = "string"
        scheduleType = "string"
        // For remaining properties, see ScheduleBase objects
      }
      services = {}
      tags = {}
      jobType = "string"
      // For remaining properties, see JobBaseDetails objects
    }
  })
}

Objetos JobBaseDetails

Defina a propriedade jobType para especificar o tipo de objeto.

Para AutoML, utilize:

  jobType = "AutoML"
  environmentId = "string"
  environmentVariables = {}
  outputs = {}
  resources = {
    instanceCount = int
    instanceType = "string"
    properties = {}
  }
  taskDetails = {
    logVerbosity = "string"
    taskType = "string"
    // For remaining properties, see AutoMLVertical objects
  }

Para Comando, utilize:

  jobType = "Command"
  codeId = "string"
  command = "string"
  distribution = {
    distributionType = "string"
    // For remaining properties, see DistributionConfiguration objects
  }
  environmentId = "string"
  environmentVariables = {}
  inputs = {}
  limits = {
    jobLimitsType = "string"
    timeout = "string"
  }
  outputs = {}
  resources = {
    instanceCount = int
    instanceType = "string"
    properties = {}
  }

Para Pipeline, utilize:

  jobType = "Pipeline"
  inputs = {}
  jobs = {}
  outputs = {}

Para Varrer, utilize:

  jobType = "Sweep"
  earlyTermination = {
    delayEvaluation = int
    evaluationInterval = int
    policyType = "string"
    // For remaining properties, see EarlyTerminationPolicy objects
  }
  inputs = {}
  limits = {
    jobLimitsType = "string"
    maxConcurrentTrials = int
    maxTotalTrials = int
    timeout = "string"
    trialTimeout = "string"
  }
  objective = {
    goal = "string"
    primaryMetric = "string"
  }
  outputs = {}
  samplingAlgorithm = {
    samplingAlgorithmType = "string"
    // For remaining properties, see SamplingAlgorithm objects
  }
  trial = {
    codeId = "string"
    command = "string"
    distribution = {
      distributionType = "string"
      // For remaining properties, see DistributionConfiguration objects
    }
    environmentId = "string"
    environmentVariables = {}
    resources = {
      instanceCount = int
      instanceType = "string"
      properties = {}
    }
  }

Objetos IdentityConfiguration

Defina a propriedade identityType para especificar o tipo de objeto.

Para AMLToken, utilize:

  identityType = "AMLToken"

Para Gerido, utilize:

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

Para UserIdentity, utilize:

  identityType = "UserIdentity"

Objetos ScheduleBase

Defina a propriedade scheduleType para especificar o tipo de objeto.

Para Cron, utilize:

  scheduleType = "Cron"
  expression = "string"

Para Periodicidade, utilize:

  scheduleType = "Recurrence"
  frequency = "string"
  interval = int
  pattern = {
    hours = [
      int
    ]
    minutes = [
      int
    ]
    weekdays = [
      "string"
    ]
  }

Objetos AutoMLVertical

Defina a propriedade taskType para especificar o tipo de objeto.

Para Classificação, utilize:

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

Para Previsão, utilize:

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

Para ImageClassification, utilize:

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

Para ImageClassificationMultilabel, utilize:

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

Para ImageInstanceSegmentation, utilize:

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

Para ImageObjectDetection, utilize:

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

Para Regressão, utilize:

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

Para TextClassification, utilize:

  taskType = "TextClassification"
  dataSettings = {
    targetColumnName = "string"
    testData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      testDataSize = int
    }
    trainingData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
    }
    validationData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      validationDataSize = int
    }
  }
  featurizationSettings = {
    datasetLanguage = "string"
  }
  limitSettings = {
    maxConcurrentTrials = int
    maxTrials = int
    timeout = "string"
  }
  primaryMetric = "string"

Para TextClassificationMultilabel, utilize:

  taskType = "TextClassificationMultilabel"
  dataSettings = {
    targetColumnName = "string"
    testData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      testDataSize = int
    }
    trainingData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
    }
    validationData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      validationDataSize = int
    }
  }
  featurizationSettings = {
    datasetLanguage = "string"
  }
  limitSettings = {
    maxConcurrentTrials = int
    maxTrials = int
    timeout = "string"
  }

Para TextNER, utilize:

  taskType = "TextNER"
  dataSettings = {
    targetColumnName = "string"
    testData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      testDataSize = int
    }
    trainingData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
    }
    validationData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      validationDataSize = int
    }
  }
  featurizationSettings = {
    datasetLanguage = "string"
  }
  limitSettings = {
    maxConcurrentTrials = int
    maxTrials = int
    timeout = "string"
  }

Objetos NCrossValidations

Defina a propriedade mode para especificar o tipo de objeto.

Para Automático, utilize:

  mode = "Auto"

Para Personalizar, utilize:

  mode = "Custom"
  value = int

Objetos do ForecastHorizon

Defina a propriedade mode para especificar o tipo de objeto.

Para Automático, utilize:

  mode = "Auto"

Para Personalizar, utilize:

  mode = "Custom"
  value = int

Objetos de sazonalidade

Defina a propriedade mode para especificar o tipo de objeto.

Para Automático, utilize:

  mode = "Auto"

Para Personalizar, utilize:

  mode = "Custom"
  value = int

Objetos TargetLags

Defina a propriedade mode para especificar o tipo de objeto.

Para Automático, utilize:

  mode = "Auto"

Para Personalizar, utilize:

  mode = "Custom"
  values = [
    int
  ]

TargetRollingWindowSize objects (Objetos TargetRollingWindowSize)

Defina a propriedade mode para especificar o tipo de objeto.

Para Automático, utilize:

  mode = "Auto"

Para Personalizar, utilize:

  mode = "Custom"
  value = int

Objetos EarlyTerminationPolicy

Defina a propriedade policyType para especificar o tipo de objeto.

Para Bandido, utilize:

  policyType = "Bandit"
  slackAmount = int
  slackFactor = int

Para MedianStopping, utilize:

  policyType = "MedianStopping"

Para TruncationSelection, utilize:

  policyType = "TruncationSelection"
  truncationPercentage = int

Objetos DistributionConfiguration

Defina a propriedade distributionType para especificar o tipo de objeto.

Para MPI, utilize:

  distributionType = "Mpi"
  processCountPerInstance = int

Para PyTorch, utilize:

  distributionType = "PyTorch"
  processCountPerInstance = int

Para TensorFlow, utilize:

  distributionType = "TensorFlow"
  parameterServerCount = int
  workerCount = int

Objetos SamplingAlgorithm

Defina a propriedade samplingAlgorithmType para especificar o tipo de objeto.

Para Bayesian, utilize:

  samplingAlgorithmType = "Bayesian"

Para Grid, utilize:

  samplingAlgorithmType = "Grid"

Para Aleatório, utilize:

  samplingAlgorithmType = "Random"
  rule = "string"
  seed = int

Valores de propriedade

áreas de trabalho/tarefas

Nome Descrição Valor
tipo O tipo de recurso "Microsoft.MachineLearningServices/workspaces/jobs@2022-02-01-preview"
name O nome do recurso cadeia (obrigatório)
parent_id O ID do recurso que é o principal para este recurso. ID do recurso do tipo: áreas de trabalho
propriedades [Obrigatório] Atributos adicionais da entidade. JobBaseDetails (obrigatório)

JobBaseDetails

Nome Descrição Valor
computeId ID do recurso arm do recurso de computação. string
descrição O texto de descrição do recurso. string
displayName Nome a apresentar da tarefa. string
experimentName O nome da experimentação a que pertence a tarefa. Se não estiver definido, a tarefa é colocada na experimentação "Predefinição". string
identidade Configuração de identidade. Se estiver definido, este deve ser um de AmlToken, ManagedIdentity, UserIdentity ou nulo.
A predefinição é AmlToken se for nulo.		 IdentityConfiguration
isArchived O elemento está arquivado? bool
propriedades O dicionário da propriedade do recurso. objeto
agenda Agendar definição de tarefa.
Se não for fornecida nenhuma agenda, a tarefa é executada uma vez e imediatamente após a submissão.		 ScheduleBase
services Lista de JobEndpoints.
Para tarefas locais, um ponto final de tarefa terá um valor de ponto final de FileStreamObject.		 objeto
etiquetas Dicionário de etiquetas. As etiquetas podem ser adicionadas, removidas e atualizadas. objeto
jobType Definir o tipo de objeto AutoML
Comando
Pipeline
Varrer (obrigatório)

IdentityConfiguration

Nome Descrição Valor
identityType Definir o tipo de objeto AMLToken
Gerido
UserIdentity (obrigatório)

AmlToken

Nome Descrição Valor
identityType [Obrigatório] Especifica o tipo de arquitetura de identidade. "AMLToken" (obrigatório)

ManagedIdentity

Nome Descrição Valor
identityType [Obrigatório] Especifica o tipo de arquitetura de identidade. "Gerido" (obrigatório)
clientId Especifica uma identidade atribuída pelo utilizador pelo ID de cliente. Para a atribuição do sistema, não defina este campo. string

Restrições:
Comprimento mínimo = 36
Comprimento máximo = 36
Padrão = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
objectId Especifica uma identidade atribuída pelo utilizador pelo ID do objeto. Para a atribuição do sistema, não defina este campo. string

Restrições:
Comprimento mínimo = 36
Comprimento máximo = 36
Padrão = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
resourceId Especifica uma identidade atribuída pelo utilizador pelo ID de recurso do ARM. Para a atribuição do sistema, não defina este campo. string

UserIdentity

Nome Descrição Valor
identityType [Obrigatório] Especifica o tipo de arquitetura de identidade. "UserIdentity" (obrigatório)

ScheduleBase

Nome Descrição Valor
endTime Especifica a hora de fim do agendamento no formato ISO 8601.
Se não estiver presente, a agenda será executada indefinidamente		 string
scheduleStatus Especifica o estado da agenda "Desativado"
"Ativado"
startTime Especifica a hora de início da agenda no formato ISO 8601. string
timeZone Especifica o fuso horário no qual a agenda é executada.
O Fuso Horário deve seguir o formato de fuso horário do Windows.
 string
scheduleType Definir o tipo de objeto Cron
Periodicidade (necessária)

CronSchedule

Nome Descrição Valor
scheduleType [Obrigatório] Especifica o tipo de agenda "Cron" (obrigatório)
expression [Obrigatório] Especifica a expressão cron da agenda.
A expressão deve seguir o formato NCronTab.		 cadeia (obrigatório)

Restrições:
Padrão = [a-zA-Z0-9_]

RecurrenceSchedule

Nome Descrição Valor
scheduleType [Obrigatório] Especifica o tipo de agenda "Periodicidade" (obrigatório)
frequência [Obrigatório] Especifica a frequência com que acionar agenda "Dia"
"Hora"
"Minuto"
"Mês"
"Semana" (obrigatório)
interval [Obrigatório] Especifica o intervalo de agenda em conjunto com a frequência int (obrigatório)
padrão Especifica o padrão de agendamento de periodicidade RecurrencePattern

RecurrencePattern

Nome Descrição Valor
horas [Obrigatório] Lista de horas para o padrão de agendamento de periodicidade int[] (obrigatório)
minutes [Obrigatório] Lista de minutos para o padrão de agendamento de periodicidade int[] (obrigatório)
dias úteis Lista de dias úteis para o padrão de agendamento de periodicidade Matriz de cadeias que contém qualquer um dos seguintes:
"Sexta-feira"
"Segunda-feira"
"Sábado"
"Domingo"
"Quinta-feira"
"Terça-feira"
"Quarta-feira"

AutoMLJob

Nome Descrição Valor
jobType [Obrigatório] Especifica o tipo de tarefa. "AutoML" (obrigatório)
environmentId O ID de recurso do ARM da especificação ambiente da tarefa.
Este é um valor opcional para fornecer, se não for fornecido, que o AutoML irá predefinir esta opção para a versão de ambiente de produção organizada por AutoML ao executar a tarefa.		 string
environmentVariables Variáveis de ambiente incluídas na tarefa. objeto
saídas Mapeamento de enlaces de dados de saída utilizados na tarefa. objeto
resources Configuração do Recurso de Computação para a tarefa. ResourceConfiguration
taskDetails [Obrigatório] Isto representa um cenário que pode ser uma das Tabelas/NLP/Imagem AutoMLVertical (obrigatório)

ResourceConfiguration

Nome Descrição Valor
instanceCount Número opcional de instâncias ou nós utilizados pelo destino de computação. int
instanceType Tipo opcional de VM utilizado como suportado pelo destino de computação. string
propriedades Saco de propriedades adicionais. objeto

AutoMLVertical

Nome Descrição Valor
logVerbosity Registar verbosidade para a tarefa. "Crítico"
"Depurar"
"Erro"
"Informações"
"NotSet"
"Aviso"
taskType Definir o tipo de objeto Classificação
Previsão
ImageClassification
ImageClassificationMultilabel
ImageInstanceSegmentation
ImageObjectDetection
Regressão
TextClassification
TextClassificationMultilabel
TextNER (obrigatório)

Classificação

Nome Descrição Valor
taskType [Obrigatório] Tipo de tarefa para AutoMLJob. "Classificação" (obrigatório)
allowedModels Modelos permitidos para tarefas de classificação. Matriz de cadeia que contém qualquer um dos seguintes:
"BernoulliNaiveBayes"
"DecisionTree"
"ExtremeRandomTrees"
"GradientBoosting"
"KNN"
"LightGBM"
"LinearSVM"
"LogisticRegression"
"MultinomialNaiveBayes"
"RandomForest"
"SGD"
"SVM"
"XGBoostClassifier"
blockedModels Modelos bloqueados para tarefa de classificação. Matriz de cadeia que contém qualquer um dos seguintes:
"BernoulliNaiveBayes"
"DecisionTree"
"ExtremeRandomTrees"
"GradientBoosting"
"KNN"
"LightGBM"
"LinearSVM"
"LogisticRegression"
"MultinomialNaiveBayes"
"RandomForest"
"SGD"
"SVM"
"XGBoostClassifier"
dataSettings Entradas de dados para o AutoMLJob. TableVerticalDataSettings
featurizationSettings Entradas de caracterização necessárias para a tarefa de AutoML. TableVerticalFeaturizationSettings
limitSettings Restrições de execução do AutoMLJob. TableVerticalLimitSettings
primaryMetric Métrica primária da tarefa. "AUCWeighted"
"Precisão"
"AveragePrecisionScoreWeighted"
"NormMacroRecall"
"PrecisionScoreWeighted"
trainingSettings Entradas para a fase de preparação de uma Tarefa de AutoML. TrainingSettings

TableVerticalDataSettings

Nome Descrição Valor
targetColumnName [Obrigatório] Nome da coluna de destino: esta é a coluna de valores de predição.
Também conhecido como nome da coluna de etiqueta no contexto de tarefas de classificação.		 cadeia (obrigatório)

Restrições:
Padrão = [a-zA-Z0-9_]
testData Testar a entrada de dados. TestDataSettings
trainingData [Obrigatório] Entrada de dados de preparação. TrainingDataSettings (obrigatório)
validationData Entradas de dados de validação. TableVerticalValidationDataSettings
weightColumnName O nome da coluna de peso de exemplo. O ML automatizado suporta uma coluna ponderada como entrada, fazendo com que as linhas nos dados sejam ponderadas para cima ou para baixo. string

TestDataSettings

Nome Descrição Valor
dados Testar dados MLTable. MLTableJobInput
testDataSize A fração do conjunto de dados de teste que tem de ser reservada para fins de validação.
Valores entre (0,0 , 1,0)
Aplicado quando o conjunto de dados de validação não é fornecido.
 int

MLTableJobInput

Nome Descrição Valor
descrição Descrição da entrada. string
jobInputType [Obrigatório] Especifica o tipo de tarefa. "CustomModel"
"Literal"
"MLFlowModel"
"MLTable"
"TritonModel"
"UriFile"
"UriFolder" (obrigatório)
mode Modo de Entrega de Recursos de Entrada. "Direto"
"Transferir"
"EvalDownload"
"EvalMount"
"ReadOnlyMount"
"ReadWriteMount"
URI [Obrigatório] URI do Recurso de Entrada. cadeia (obrigatório)

Restrições:
Padrão = [a-zA-Z0-9_]

TrainingDataSettings

Nome Descrição Valor
dados [Obrigatório] MLTable de dados de preparação. MLTableJobInput (obrigatório)

TableVerticalValidationDataSettings

Nome Descrição Valor
cvSplitColumnNames Colunas a utilizar para dados CVSplit. string[]
dados Dados de validação MLTable. MLTableJobInput
nCrossValidations Número de pastas de validação cruzada a aplicar no conjunto de dados de preparação
quando o conjunto de dados de validação não é fornecido.		 NCrossValidations
validationDataSize A fração do conjunto de dados de preparação que tem de ser reservada para fins de validação.
Valores entre (0,0 , 1,0)
Aplicado quando o conjunto de dados de validação não é fornecido.
 int

NCrossValidations

Nome Descrição Valor
mode Definir o tipo de objeto Automático
Personalizado (obrigatório)

AutoNCrossValidations

Nome Descrição Valor
mode [Obrigatório] Modo para determinar validações N-Cross. "Automático" (obrigatório)

CustomNCrossValidations

Nome Descrição Valor
mode [Obrigatório] Modo para determinar validações N-Cross. "Personalizado" (obrigatório)
valor [Obrigatório] Valor de validações N-Cross. int (obrigatório)

TableVerticalFeaturizationSettings

Nome Descrição Valor
blockedTransformers Estes transformadores não devem ser utilizados na caracterização. string[]
columnNameAndTypes Dicionário do nome da coluna e do respetivo tipo (int, float, string, datetime, etc.). objeto
datasetLanguage Idioma do conjunto de dados, útil para os dados de texto. string
dropColumns Colunas a serem removidas dos dados durante a caracterização. string[]
enableDnnFeaturization Determina se deve utilizar os caracterizadores baseados em Dnn para a caracterização de dados. bool
mode Modo de caracterização – o utilizador pode manter o modo "Automático" predefinido e o AutoML tratará da transformação necessária dos dados na fase de caracterização.
Se "Desativado" estiver selecionado, não será efetuada qualquer caracterização.
Se "Personalizado" estiver selecionado, o utilizador pode especificar entradas adicionais para personalizar a forma como a caracterização é feita.		 "Automático"
"Personalizado"
"Desativado"
transformerParams O utilizador pode especificar transformadores adicionais a serem utilizados juntamente com as colunas às quais seriam aplicados e parâmetros para o construtor do transformador. objeto

TableVerticalLimitSettings

Nome Descrição Valor
enableEarlyTermination Ative a terminação antecipada, determina se o AutoMLJob terminará mais cedo se não houver melhoria de pontuação nas últimas 20 iterações. bool
exitScore Classificação de saída para a tarefa de AutoML. int
maxConcurrentTrials Máximo de iterações simultâneas. int
maxCoresPerTrial Máx. de núcleos por iteração. int
maxTrials Número de iterações. int
tempo limite Tempo limite da tarefa de AutoML. string
trialTimeout Tempo limite da iteração. string

TrainingSettings

Nome Descrição Valor
enableDnnTraining Ative a recomendação de modelos DNN. bool
enableModelExplainability Sinalizar para ativar a explicação no melhor modelo. bool
enableOnnxCompatibleModels Sinalizador para ativar modelos compatíveis com onnx. bool
enableStackEnsemble Ativar a execução do conjunto de pilhas. bool
enableVoteEnsemble Ative a execução do conjunto de votação. bool
ensembleModelDownloadTimeout Durante a geração do modelo VotingEnsemble e StackEnsemble, são transferidos vários modelos ajustados das execuções subordinadas anteriores.
Configure este parâmetro com um valor superior a 300 segundos, se for necessário mais tempo.		 string
stackEnsembleSettings Definições do conjunto de pilhas para a execução do conjunto de pilhas. StackEnsembleSettings

StackEnsembleSettings

Nome Descrição Valor
stackMetaLearnerKWargs Parâmetros opcionais para transmitir para o inicializador do meta-aluno.
stackMetaLearnerTrainPercentage Especifica a proporção do conjunto de preparação (ao escolher o tipo de preparação e validação de preparação) a reservar para a preparação do meta-aluno. O valor predefinido é 0,2. int
stackMetaLearnerType O metadutor é um modelo preparado na saída dos modelos heterogéneos individuais. "ElasticNet"
"ElasticNetCV"
"LightGBMClassifier"
"LightGBMRegressor"
"LinearRegression"
"LogisticRegression"
"LogisticRegressionCV"
"Nenhum"

Previsão

Nome Descrição Valor
taskType [Obrigatório] Tipo de tarefa para AutoMLJob. "Previsão" (obrigatório)
allowedModels Modelos permitidos para a tarefa de previsão. Matriz de cadeia que contém qualquer um dos seguintes:
"Arimax"
"Arquivo Automático"
"Média"
"DecisionTree"
"ElasticNet"
"ExponentialSmoothing"
"ExtremeRandomTrees"
"GradientBoosting"
"KNN"
"LassoLars"
"LightGBM"
"Naive"
"Profeta"
"RandomForest"
"SGD"
"SazonalAverage"
"SazonalNaive"
"TCNForecaster"
"XGBoostRegressor"
blockedModels Modelos bloqueados para a tarefa de previsão. Matriz de cadeias que contém qualquer um dos seguintes:
"Arimax"
"Arquivo Automático"
"Média"
"DecisionTree"
"ElasticNet"
"ExponentialSmoothing"
"ExtremeRandomTrees"
"GradientBoosting"
"KNN"
"LassoLars"
"LightGBM"
"Ingenuidade"
"Profeta"
"RandomForest"
"SGD"
"SazonalAverage"
"SazonalNaive"
"TCNForecaster"
"XGBoostRegressor"
dataSettings Entradas de dados do AutoMLJob. TableVerticalDataSettings
featurizationSettings Entradas de caracterização necessárias para a tarefa de AutoML. TableVerticalFeaturizationSettings
forecastingSettings Previsão de entradas específicas da tarefa. PrevisãoDefinições
limitSettings Restrições de execução do AutoMLJob. TableVerticalLimitSettings
primaryMetric Métrica primária para a tarefa de previsão. "NormalizedMeanAbsoluteError"
"NormalizedRootMeanSquaredError"
"R2Score"
"SpearmanCorrelation"
trainingSettings Entradas para a fase de preparação de uma Tarefa autoML. TrainingSettings

PrevisãoDefinições

Nome Descrição Valor
countryOrRegionForHolidays País ou região para feriados para previsão de tarefas.
Estes devem ser códigos iso 3166 país/região de duas letras, por exemplo "E.U.A" ou "GB".		 string
cvStepSize Número de períodos entre a hora de origem de uma dobra de CV e a dobra seguinte. Para o
por exemplo, se CVStepSize = 3 para dados diários, a hora de origem de cada dobra será
três dias de diferença.		 int
featureLags Sinalizar para gerar atrasos para as funcionalidades numéricas com "automático" ou nulo. "Automático"
"Nenhum"
forecastHorizon O horizonte de previsão máximo pretendido em unidades de frequência de série temporal. PrevisãoHorizon
frequência Ao prever, este parâmetro representa o período com o qual a previsão é pretendida, por exemplo, diariamente, semanalmente, anualmente, etc. Por predefinição, a frequência de previsão é a frequência do conjunto de dados. string
sazonalidade Defina a sazonalidade da série temporal como um número inteiro múltiplo da frequência da série.
Se a sazonalidade estiver definida como "automática", será inferida.		 Sazonalidade
shortSeriesHandlingConfig O parâmetro que define como se o AutoML deve processar séries de tempo curtos. "Automático"
"Largar"
"Nenhum"
"Pad"
targetAggregateFunction A função a ser utilizada para agregar a coluna de destino da série temporal para estar em conformidade com uma frequência especificada por um utilizador.
Se TargetAggregateFunction estiver definido, ou seja, não "Nenhum", mas o parâmetro freq não estiver definido, o erro será gerado. As possíveis funções de agregação de destino são: "sum", "max", "min" e "mean".		 "Máximo"
"Média"
"Min"
"Nenhum"
"Soma"
targetLags O número de períodos passados a desfasar da coluna de destino. TargetLags
targetRollingWindowSize O número de períodos anteriores utilizados para criar uma média de janela rolante da coluna de destino. TargetRollingWindowSize
timeColumnName O nome da coluna time. Este parâmetro é necessário ao prever para especificar a coluna datetime nos dados de entrada utilizados para criar a série temporal e inferir a respetiva frequência. string
timeSeriesIdColumnames Os nomes das colunas utilizadas para agrupar uma série de horas. Pode ser utilizado para criar várias séries.
Se o grão não estiver definido, assume-se que o conjunto de dados é uma série temporal. Este parâmetro é utilizado com a previsão do tipo de tarefa.		 cadeia[]
useStl Configure a Decomposição de STL da coluna de destino da série temporal. "Nenhum"
"Temporada"
"SeasonTrend"

PrevisãoHorizon

Nome Descrição Valor
mode Definir o tipo de objeto Automático
Personalizado (obrigatório)

AutoForecastHorizon

Nome Descrição Valor
mode [Obrigatório] Defina o modo de seleção de valor do horizonte de previsão. "Automático" (obrigatório)

CustomForecastHorizon

Nome Descrição Valor
mode [Obrigatório] Defina o modo de seleção de valor do horizonte de previsão. "Personalizado" (obrigatório)
valor [Obrigatório] Valor do horizonte de previsão. int (obrigatório)

Sazonalidade

Nome Descrição Valor
mode Definir o tipo de objeto Automático
Personalizado (obrigatório)

AutoSeasonality

Nome Descrição Valor
mode [Obrigatório] Modo de sazonalidade. "Automático" (obrigatório)

CustomSeasonality

Nome Descrição Valor
mode [Obrigatório] Modo de sazonalidade. "Personalizado" (obrigatório)
valor [Obrigatório] Valor de sazonalidade. int (obrigatório)

TargetLags

Nome Descrição Valor
mode Definir o tipo de objeto Automático
Personalizado (obrigatório)

AutoTargetLags

Nome Descrição Valor
mode [Obrigatório] Definir o modo de atrasos de destino – Automático/Personalizado "Automático" (obrigatório)

CustomTargetLags

Nome Descrição Valor
mode [Obrigatório] Definir o modo de atrasos de destino – Automático/Personalizado "Personalizado" (obrigatório)
values [Obrigatório] Definir valores de desfasamentos de destino. int[] (obrigatório)

TargetRollingWindowSize

Nome Descrição Valor
mode Definir o tipo de objeto Automático
Personalizado (obrigatório)

AutoTargetRollingWindowSize

Nome Descrição Valor
mode [Obrigatório] Modo de deteção TargetRollingWindowSiz. "Automático" (obrigatório)

CustomTargetRollingWindowSize

Nome Descrição Valor
mode [Obrigatório] Modo de deteção TargetRollingWindowSiz. "Personalizado" (obrigatório)
valor [Obrigatório] TargetRollingWindowSize valor. int (obrigatório)

ImageClassification

Nome Descrição Valor
taskType [Obrigatório] Tipo de tarefa para AutoMLJob. "ImageClassification" (obrigatório)
dataSettings [Obrigatório] Coleção de IDs de Conjuntos de Dados Tabulares registados e outras definições de dados necessárias para preparar e validar modelos. ImageVerticalDataSettings (obrigatório)
limitSettings [Obrigatório] Limitar as definições da tarefa de AutoML. ImageLimitSettings (obrigatório)
modelDefinições Definições utilizadas para preparar o modelo. ImageModelSettingsClassification
primaryMetric Métrica primária a otimizar para esta tarefa. "AUCWeighted"
"Precisão"
"AveragePrecisionScoreWeighted"
"NormMacroRecall"
"PrecisionScoreWeighted"
searchSpace Espaço de pesquisa para amostragem de diferentes combinações de modelos e respetivos hiperparâmetros. ImageModelDistributionSettingsClassification[]
sweepSettings Definições relacionadas com a limpeza de modelos e a varrimento de hiperparâmetros. ImageSweepSettings

ImageVerticalDataSettings

Nome Descrição Valor
targetColumnName [Obrigatório] Nome da coluna de destino: esta é a coluna de valores de predição.
Também conhecido como nome da coluna de etiqueta no contexto de tarefas de classificação.		 cadeia (obrigatório)

Restrições:
Padrão = [a-zA-Z0-9_]
testData Testar a entrada de dados. TestDataSettings
trainingData [Obrigatório] Entrada de dados de preparação. TrainingDataSettings (obrigatório)
validationData Definições para o conjunto de dados de validação. ImageVerticalValidationDataSettings

ImageVerticalValidationDataSettings

Nome Descrição Valor
dados Dados de validação MLTable. MLTableJobInput
validationDataSize A fração do conjunto de dados de preparação que tem de ser reservada para fins de validação.
Valores entre (0,0 , 1,0)
Aplicado quando o conjunto de dados de validação não é fornecido.
 int

ImageLimitSettings

Nome Descrição Valor
maxConcurrentTrials Número máximo de iterações automáticas simultâneas. int
maxTrials Número máximo de iterações de AutoML. int
tempo limite Tempo limite da tarefa de AutoML. string

ImageModelSettingsClassification

Nome Descrição Valor
advancedSettings Definições para cenários avançados. string
amsGradient Ative o AMSGrad quando o otimizador for "adam" ou "adamw". bool
aumentos Definições para utilizar Aumentos. string
beta1 Valor de "beta1" quando o otimizador é "adão" ou "adamw". Tem de ser um flutuante no intervalo [0, 1]. int
beta2 Valor de "beta2" quando o otimizador é "adão" ou "adamw". Tem de ser um flutuante no intervalo [0, 1]. int
checkpointDatasetId ID fileDataset para pontos de verificação pré-preparados para preparação incremental.
Certifique-se de que passa CheckpointFilename juntamente com CheckpointDatasetId.		 string
checkpointFilename O nome de ficheiro de ponto de verificação pré-preparado em FileDataset para preparação incremental.
Certifique-se de que passa CheckpointDatasetId juntamente com CheckpointFilename.		 string
checkpointFrequency Frequência para armazenar pontos de verificação de modelos. Tem de ser um número inteiro positivo. int
checkpointRunId O ID de uma execução anterior que tem um ponto de verificação pré-preparado para preparação incremental. string
distribuído Se pretende utilizar a preparação distribuída. bool
earlyStopping Ative a lógica de paragem precoce durante a preparação. bool
earlyStoppingDelay Número mínimo de épocas ou avaliações de validação para aguardar antes da melhoria das métricas primárias
é monitorizado para paragem antecipada. Tem de ser um número inteiro positivo.		 int
earlyStoppingPatience Número mínimo de épocas ou avaliações de validação sem melhorias nas métricas primárias antes
a execução está parada. Tem de ser um número inteiro positivo.		 int
enableOnnxNormalization Ativar a normalização ao exportar o modelo ONNX. bool
evaluationFrequency Frequência para avaliar o conjunto de dados de validação para obter pontuações de métricas. Tem de ser um número inteiro positivo. int
gradientAccumulationStep Acumulação de gradação significa executar um número configurado de passos "GradAccumulationStep" sem
atualizar os pesos do modelo ao acumular as gradações desses passos e, em seguida, utilizar
as gradações acumuladas para calcular as atualizações de peso. Tem de ser um número inteiro positivo.		 int
layersToFreeze Número de camadas a fixar para o modelo. Tem de ser um número inteiro positivo.
Por exemplo, transmitir 2 como valor para "seresnext" significa
camadas de congelação0 e camada1. Para obter uma lista completa dos modelos suportados e detalhes sobre o congelamento de camadas, por favor
veja: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.		 int
learningRate Taxa de aprendizagem inicial. Tem de ser um flutuante no intervalo [0, 1]. int
learningRateScheduler Tipo de programador de taxa de aprendizagem. Tem de ser "warmup_cosine" ou "passo". "Nenhum"
"Passo"
"WarmupCosine"
modelName Nome do modelo a utilizar para preparação.
Para obter mais informações sobre os modelos disponíveis, visite a documentação oficial:
https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.		 string
momentum Valor do impulso quando o otimizador é "sgd". Tem de ser um flutuante no intervalo [0, 1]. int
nesterov Ative o aninhado quando o otimizador é "sgd". bool
numberOfEpochs Número de épocas de preparação. Tem de ser um número inteiro positivo. int
numberOfWorkers Número de trabalhadores do carregador de dados. Tem de ser um número inteiro não negativo. int
otimizador Tipo de otimizador. "Adão"
"Adamw"
"Nenhum"
"Sgd"
randomSeed Semente aleatória a utilizar ao utilizar a preparação determinista. int
splitRatio Se os dados de validação não estiverem definidos, esta ação especifica a proporção de divisão para dividir
preparar dados para subconjuntos de preparação e validação aleatórios. Tem de ser um flutuante no intervalo [0, 1].		 int
stepLRGamma Valor da gama quando o programador de taxa de aprendizagem é "passo". Tem de ser um flutuante no intervalo [0, 1]. int
stepLRStepSize Valor do tamanho do passo quando o agendador da taxa de aprendizagem é "passo". Tem de ser um número inteiro positivo. int
trainingBatchSize Tamanho do lote de preparação. Tem de ser um número inteiro positivo. int
trainingCropSize Tamanho do recorte de imagem que é introduzido na rede neural para o conjunto de dados de preparação. Tem de ser um número inteiro positivo. int
validationBatchSize Tamanho do lote de validação. Tem de ser um número inteiro positivo. int
validationCropSize Tamanho do recorte de imagem que é introduzido na rede neural para o conjunto de dados de validação. Tem de ser um número inteiro positivo. int
validationResizeSize Tamanho da imagem para o qual redimensionar antes de recortar para o conjunto de dados de validação. Tem de ser um número inteiro positivo. int
warmupCosineLRCycles Valor do ciclo de cosseno quando o agendador da taxa de aprendizagem é "warmup_cosine". Tem de ser um flutuante no intervalo [0, 1]. int
warmupCosineLRWarmupEpochs Valor das épocas de aquecimento quando o agendador de taxa de aprendizagem é "warmup_cosine". Tem de ser um número inteiro positivo. int
espessuraDecay Valor da decadência do peso quando o otimizador é 'sgd', 'adão' ou 'adamw'. Tem de ser um flutuante no intervalo[0, 1]. int
weightedLoss Perda ponderada. Os valores aceites são 0 para nenhuma perda ponderada.
1 para perda ponderada com sqrt. (class_weights). 2 para perda ponderada com class_weights. Tem de ser 0, 1 ou 2.
 int

ImageModelDistributionSettingsClassification

Nome Descrição Valor
amsGradient Ative o AMSGrad quando o otimizador for "adam" ou "adamw". string
aumentos Definições para utilizar Aumentos. string
beta1 Valor de "beta1" quando o otimizador é "adão" ou "adamw". Tem de ser um flutuante no intervalo [0, 1]. string
beta2 Valor de "beta2" quando o otimizador é "adão" ou "adamw". Tem de ser um flutuante no intervalo [0, 1]. string
distribuído Se pretende utilizar a preparação de distribuição. string
earlyStopping Ative a lógica de paragem antecipada durante a preparação. string
earlyStoppingDelay Número mínimo de épocas ou avaliações de validação a aguardar antes da melhoria da métrica primária
é controlado para paragem antecipada. Tem de ser um número inteiro positivo.		 string
earlyStoppingPatience Número mínimo de épocas ou avaliações de validação sem melhoria de métricas primárias antes
a execução está parada. Tem de ser um número inteiro positivo.		 string
enableOnnxNormalization Ativar a normalização ao exportar o modelo ONNX. string
evaluationFrequency Frequência para avaliar o conjunto de dados de validação para obter classificações de métricas. Tem de ser um número inteiro positivo. string
gradientAccumulationStep Acumulação de gradação significa executar um número configurado de passos "GradAccumulationStep" sem
atualizar os pesos do modelo ao acumular as gradações desses passos e, em seguida, utilizar
as gradações acumuladas para calcular as atualizações de peso. Tem de ser um número inteiro positivo.		 string
layersToFreeze Número de camadas a fixar para o modelo. Tem de ser um número inteiro positivo.
Por exemplo, transmitir 2 como valor para "seresnext" significa
camadas de congelação0 e camada1. Para obter uma lista completa dos modelos suportados e detalhes sobre o congelamento de camadas,
veja: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.		 string
learningRate Taxa de aprendizagem inicial. Tem de ser um flutuante no intervalo [0, 1]. string
learningRateScheduler Tipo de programador de taxa de aprendizagem. Tem de ser "warmup_cosine" ou "passo". string
modelName Nome do modelo a utilizar para preparação.
Para obter mais informações sobre os modelos disponíveis, visite a documentação oficial:
https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.		 string
momentum Valor do impulso quando o otimizador é "sgd". Tem de ser um flutuante no intervalo [0, 1]. string
nesterov Ative o aninhado quando o otimizador é "sgd". string
numberOfEpochs Número de épocas de preparação. Tem de ser um número inteiro positivo. string
numberOfWorkers Número de trabalhadores do carregador de dados. Tem de ser um número inteiro não negativo. string
otimizador Tipo de otimizador. Tem de ser "sgd", "adão" ou "adamw". string
randomSeed Semente aleatória a utilizar ao utilizar a preparação determinista. string
splitRatio Se os dados de validação não estiverem definidos, esta ação especifica a proporção de divisão para dividir
preparar dados para subconjuntos de preparação e validação aleatórios. Tem de ser um flutuante no intervalo [0, 1].		 string
stepLRGamma Valor da gama quando o programador de taxa de aprendizagem é "passo". Tem de ser um flutuante no intervalo [0, 1]. string
stepLRStepSize Valor do tamanho do passo quando o agendador da taxa de aprendizagem é "passo". Tem de ser um número inteiro positivo. string
trainingBatchSize Tamanho do lote de preparação. Tem de ser um número inteiro positivo. string
trainingCropSize Tamanho do recorte de imagem que é introduzido na rede neural para o conjunto de dados de preparação. Tem de ser um número inteiro positivo. string
validationBatchSize Tamanho do lote de validação. Tem de ser um número inteiro positivo. string
validationCropSize Tamanho do recorte de imagem que é introduzido na rede neural para o conjunto de dados de validação. Tem de ser um número inteiro positivo. string
validationResizeSizeSize Tamanho da imagem para o qual redimensionar antes de recortar para o conjunto de dados de validação. Tem de ser um número inteiro positivo. string
warmupCosineLRCycles Valor do ciclo de cosseno quando o agendador da taxa de aprendizagem é "warmup_cosine". Tem de ser um flutuante no intervalo [0, 1]. string
warmupCosineLRWarmupEpochs Valor das épocas de aquecimento quando o agendador da taxa de aprendizagem é "warmup_cosine". Tem de ser um número inteiro positivo. string
weightDecay Valor da decadência do peso quando o otimizador é "sgd", "adam" ou "adamw". Tem de ser um flutuante no intervalo[0, 1]. string
weightedLoss Perda ponderada. Os valores aceites são 0 sem perda ponderada.
1 para perda ponderada com sqrt. (class_weights). 2 para perda ponderada com class_weights. Tem de ser 0 ou 1 ou 2.
 string

ImageSweepSettings

Nome Descrição Valor
earlyTermination Tipo de política de cessação antecipada. EarlyTerminationPolicy
limites [Obrigatório] Limitar as definições de varrimento de modelos e de varrimento de hiperparâmetros. ImageSweepLimitSettings (obrigatório)
samplingAlgorithm [Obrigatório] Tipo de algoritmos de amostragem de hiperparâmetros. "Bayesian"
"Grelha"
"Aleatório" (obrigatório)

EarlyTerminationPolicy

Nome Descrição Valor
delayEvaluation Número de intervalos para atrasar a primeira avaliação. int
evaluationInterval Intervalo (número de execuções) entre avaliações de políticas. int
policyType Definir o tipo de objeto Bandit
MedianStopping
TruncationSelection (obrigatório)

BanditPolicy

Nome Descrição Valor
policyType [Obrigatório] Nome da configuração da política "Bandit" (obrigatório)
slackAmount Distância absoluta permitida da execução com melhor desempenho. int
slackFactor Proporção da distância permitida da execução com melhor desempenho. int

MedianStoppingPolicy

Nome Descrição Valor
policyType [Obrigatório] Nome da configuração da política "MedianStopping" (obrigatório)

TruncationSelectionPolicy

Nome Descrição Valor
policyType [Obrigatório] Nome da configuração da política "TruncationSelection" (obrigatório)
truncationPercentage A percentagem de execuções a cancelar em cada intervalo de avaliação. int

ImageSweepLimitSettings

Nome Descrição Valor
maxConcurrentTrials Número máximo de iterações simultâneas para a tarefa varrimento subjacente. int
maxTrials Número máximo de iterações para a tarefa varrimento subjacente. int

ImageClassificationMultilabel

Nome Descrição Valor
taskType [Obrigatório] Tipo de tarefa para AutoMLJob. "ImageClassificationMultilabel" (obrigatório)
dataSettings [Obrigatório] Coleção de IDs de Conjuntos de Dados Tabulares registados e outras definições de dados necessárias para preparar e validar modelos. ImageVerticalDataSettings (obrigatório)
limitSettings [Obrigatório] Limitar as definições da tarefa de AutoML. ImageLimitSettings (obrigatório)
modelDefinições Definições utilizadas para preparar o modelo. ImageModelSettingsClassification
primaryMetric Métrica primária a otimizar para esta tarefa. "AUCWeighted"
"Precisão"
"AveragePrecisionScoreWeighted"
"IOU"
"NormMacroRecall"
"PrecisionScoreWeighted"
searchSpace Espaço de pesquisa para amostragem de diferentes combinações de modelos e respetivos hiperparâmetros. ImageModelDistributionSettingsClassification[]
sweepSettings Definições relacionadas com a limpeza de modelos e a varrimento de hiperparâmetros. ImageSweepSettings

ImageInstanceSegmentation

Nome Descrição Valor
taskType [Obrigatório] Tipo de tarefa para AutoMLJob. "ImageInstanceSegmentation" (obrigatório)
dataSettings [Obrigatório] Coleção de IDs de Conjuntos de Dados Tabulares registados e outras definições de dados necessárias para preparar e validar modelos. ImageVerticalDataSettings (obrigatório)
limitSettings [Obrigatório] Limitar as definições da tarefa de AutoML. ImageLimitSettings (obrigatório)
modelDefinições Definições utilizadas para preparar o modelo. ImageModelSettingsObjectDetection
primaryMetric Métrica primária a otimizar para esta tarefa. "MeanAveragePrecision"
searchSpace Espaço de pesquisa para amostragem de diferentes combinações de modelos e respetivos hiperparâmetros. ImageModelDistributionSettingsObjectDetection[]
sweepSettings Definições relacionadas com a limpeza de modelos e a varrimento de hiperparâmetros. ImageSweepSettings

ImageModelSettingsObjectDetection

Nome Descrição Valor
advancedSettings Definições para cenários avançados. string
amsGradient Ative o AMSGrad quando o otimizador for "adam" ou "adamw". bool
aumentos Definições para utilizar Aumentos. string
beta1 Valor de "beta1" quando o otimizador é "adão" ou "adamw". Tem de ser um flutuante no intervalo [0, 1]. int
beta2 Valor de "beta2" quando o otimizador é "adão" ou "adamw". Tem de ser um flutuante no intervalo [0, 1]. int
boxDetectionsPerImage Número máximo de deteções por imagem, para todas as classes. Tem de ser um número inteiro positivo.
Nota: estas definições não são suportadas para o algoritmo "yolov5".		 int
boxScoreThreshold Durante a inferência, devolver apenas propostas com uma classificação de classificação superior a
BoxScoreThreshold. Tem de ser um flutuante no intervalo[0, 1].		 int
checkpointDatasetId ID fileDataset para pontos de verificação pré-preparados para preparação incremental.
Certifique-se de que transmite CheckpointFilename juntamente com CheckpointDatasetId.		 string
checkpointFilename O nome de ficheiro de ponto de verificação pré-preparado em FileDataset para preparação incremental.
Certifique-se de que transmite CheckpointDatasetId juntamente com CheckpointFilename.		 string
checkpointFrequency Frequência para armazenar pontos de verificação de modelos. Tem de ser um número inteiro positivo. int
checkpointRunId O ID de uma execução anterior que tem um ponto de verificação pré-preparado para preparação incremental. string
distribuído Se pretende utilizar a preparação distribuída. bool
earlyStopping Ative a lógica de paragem antecipada durante a preparação. bool
earlyStoppingDelay Número mínimo de épocas ou avaliações de validação a aguardar antes da melhoria da métrica primária
é controlado para paragem antecipada. Tem de ser um número inteiro positivo.		 int
earlyStoppingPatience Número mínimo de épocas ou avaliações de validação sem melhoria de métricas primárias antes
a execução está parada. Tem de ser um número inteiro positivo.		 int
enableOnnxNormalization Ativar a normalização ao exportar o modelo ONNX. bool
evaluationFrequency Frequência para avaliar o conjunto de dados de validação para obter classificações de métricas. Tem de ser um número inteiro positivo. int
gradientAccumulationStep Acumulação de gradação significa executar um número configurado de passos "GradAccumulationStep" sem
atualizar os pesos do modelo ao acumular as gradações desses passos e, em seguida, utilizar
as gradações acumuladas para calcular as atualizações de peso. Tem de ser um número inteiro positivo.		 int
imageSize Tamanho da imagem para preparação e validação. Tem de ser um número inteiro positivo.
Nota: a execução de preparação pode entrar no OOM da CUDA se o tamanho for demasiado grande.
Nota: estas definições só são suportadas para o algoritmo "yolov5".		 int
layersToFreeze Número de camadas a fixar para o modelo. Tem de ser um número inteiro positivo.
Por exemplo, transmitir 2 como valor para "seresnext" significa
camadas de congelação0 e camada1. Para obter uma lista completa dos modelos suportados e detalhes sobre o congelamento de camadas,
veja: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.		 int
learningRate Taxa de aprendizagem inicial. Tem de ser um flutuante no intervalo [0, 1]. int
learningRateScheduler Tipo de programador de taxa de aprendizagem. Tem de ser "warmup_cosine" ou "passo". "Nenhum"
"Passo"
"WarmupCosine"
maxSize Tamanho máximo da imagem a dimensionar antes de a alimentar com a coluna principal.
Tem de ser um número inteiro positivo. Nota: a execução de preparação pode entrar no OOM CUDA se o tamanho for demasiado grande.
Nota: estas definições não são suportadas para o algoritmo "yolov5".		 int
minSize Tamanho mínimo da imagem a dimensionar antes de a alimentar para a coluna principal.
Tem de ser um número inteiro positivo. Nota: a execução de preparação pode entrar no OOM CUDA se o tamanho for demasiado grande.
Nota: estas definições não são suportadas para o algoritmo "yolov5".		 int
modelName Nome do modelo a utilizar para preparação.
Para obter mais informações sobre os modelos disponíveis, visite a documentação oficial:
https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.		 string
modelSize Tamanho do modelo. Tem de ser "pequeno", "médio", "grande" ou "xlarge".
Nota: a execução de preparação pode entrar no OOM CUDA se o tamanho do modelo for demasiado grande.
Nota: estas definições só são suportadas para o algoritmo "yolov5".		 "ExtraLarge"
"Grande"
"Médio"
"Nenhum"
"Pequeno"
momentum Valor do impulso quando o otimizador é "sgd". Tem de ser um flutuante no intervalo [0, 1]. int
multiScale Ative a imagem em várias escalas ao variar o tamanho da imagem em +/- 50%.
Nota: a execução de preparação pode entrar no OOM CUDA se não houver memória GPU suficiente.
Nota: estas definições só são suportadas para o algoritmo "yolov5".		 bool
nesterov Ative o aninhado quando o otimizador é "sgd". bool
nmsIouThreshold Limiar IOU utilizado durante a inferência no pós-processamento do NMS. Tem de ser um flutuante no intervalo [0, 1]. int
numberOfEpochs Número de épocas de preparação. Tem de ser um número inteiro positivo. int
numberOfWorkers Número de trabalhadores do carregador de dados. Tem de ser um número inteiro não negativo. int
otimizador Tipo de otimizador. "Adão"
"Adamw"
"Nenhum"
"Sgd"
randomSeed Semente aleatória a utilizar ao utilizar a preparação determinista. int
splitRatio Se os dados de validação não estiverem definidos, esta ação especifica a proporção de divisão para dividir
preparar dados para subconjuntos de preparação e validação aleatórios. Tem de ser um flutuante no intervalo [0, 1].		 int
stepLRGamma Valor da gama quando o programador de taxa de aprendizagem é "passo". Tem de ser um flutuante no intervalo [0, 1]. int
stepLRStepSize Valor do tamanho do passo quando o agendador da taxa de aprendizagem é "passo". Tem de ser um número inteiro positivo. int
tileGridSize O tamanho da grelha a utilizar para tilar cada imagem. Nota: TileGridSize não pode ser
Nenhum para ativar a lógica de deteção de objetos pequenos. Uma cadeia que contém dois números inteiros no formato mxn.
Nota: estas definições não são suportadas para o algoritmo "yolov5".		 string
tileOverlapRatio Proporção entre mosaicos adjacentes em cada dimensão. Tem de estar a flutuar no intervalo [0, 1).
Nota: estas definições não são suportadas para o algoritmo "yolov5".		 int
tilePredictionsNmsThreshold O limiar IOU a utilizar para executar o NMS ao intercalar predições de mosaicos e imagens.
Utilizado na validação/inferência. Tem de estar a flutuar no intervalo [0, 1].
Nota: estas definições não são suportadas para o algoritmo "yolov5".		 int
trainingBatchSize Tamanho do lote de preparação. Tem de ser um número inteiro positivo. int
validationBatchSize Tamanho do lote de validação. Tem de ser um número inteiro positivo. int
validationIouThreshold Limiar de IOU a utilizar ao calcular a métrica de validação. Tem de estar a flutuar no intervalo [0, 1]. int
validationMetricType Método de computação de métricas a utilizar para métricas de validação. "Coco"
"CocoVoc"
"Nenhum"
"Voc"
warmupCosineLRCycles Valor do ciclo de cosseno quando o agendador da taxa de aprendizagem é "warmup_cosine". Tem de ser um flutuante no intervalo [0, 1]. int
warmupCosineLRWarmupEpochs Valor das épocas de aquecimento quando o agendador de taxa de aprendizagem é "warmup_cosine". Tem de ser um número inteiro positivo. int
espessuraDecay Valor da decadência do peso quando o otimizador é 'sgd', 'adão' ou 'adamw'. Tem de ser um flutuante no intervalo[0, 1]. int

ImageModelDistributionSettingsObjectDetection

Nome Descrição Valor
amsGradient Ative o AMSGrad quando o otimizador for "adam" ou "adamw". string
aumentos Definições para utilizar Aumentos. string
beta1 Valor de "beta1" quando o otimizador é "adão" ou "adamw". Tem de ser um flutuante no intervalo [0, 1]. string
beta2 Valor de "beta2" quando o otimizador é "adão" ou "adamw". Tem de ser um flutuante no intervalo [0, 1]. string
boxDetectionsPerImage Número máximo de deteções por imagem, para todas as classes. Tem de ser um número inteiro positivo.
Nota: estas definições não são suportadas para o algoritmo "yolov5".		 string
boxScoreThreshold Durante a inferência, devolver apenas propostas com uma classificação de classificação superior a
BoxScoreThreshold. Tem de ser um flutuante no intervalo[0, 1].		 string
distribuído Se pretende utilizar a preparação de distribuição. string
earlyStopping Ative a lógica de paragem antecipada durante a preparação. string
earlyStoppingDelay Número mínimo de épocas ou avaliações de validação a aguardar antes da melhoria da métrica primária
é controlado para paragem antecipada. Tem de ser um número inteiro positivo.		 string
earlyStoppingPatience Número mínimo de épocas ou avaliações de validação sem melhoria de métricas primárias antes
a execução está parada. Tem de ser um número inteiro positivo.		 string
enableOnnxNormalization Ativar a normalização ao exportar o modelo ONNX. string
evaluationFrequency Frequência para avaliar o conjunto de dados de validação para obter classificações de métricas. Tem de ser um número inteiro positivo. string
gradientAccumulationStep Acumulação de gradação significa executar um número configurado de passos "GradAccumulationStep" sem
atualizar os pesos do modelo ao acumular as gradações desses passos e, em seguida, utilizar
as gradações acumuladas para calcular as atualizações de peso. Tem de ser um número inteiro positivo.		 string
imageSize Tamanho da imagem para preparação e validação. Tem de ser um número inteiro positivo.
Nota: a execução de preparação pode entrar no OOM da CUDA se o tamanho for demasiado grande.
Nota: estas definições só são suportadas para o algoritmo "yolov5".		 string
layersToFreeze Número de camadas a fixar para o modelo. Tem de ser um número inteiro positivo.
Por exemplo, transmitir 2 como valor para "seresnext" significa
camadas de congelação0 e camada1. Para obter uma lista completa dos modelos suportados e detalhes sobre o congelamento de camadas,
veja: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.		 string
learningRate Taxa de aprendizagem inicial. Tem de ser um flutuante no intervalo [0, 1]. string
learningRateScheduler Tipo de agendador de taxa de aprendizagem. Tem de ser "warmup_cosine" ou "passo". string
maxSize Tamanho máximo da imagem a ser redimensionada antes de a alimentar na estrutura principal.
Tem de ser um número inteiro positivo. Nota: a execução de preparação pode entrar no OOM cuda se o tamanho for demasiado grande.
Nota: estas definições não são suportadas para o algoritmo "yolov5".		 string
minSize Tamanho mínimo da imagem a ser redimensionada antes de a alimentar na estrutura principal.
Tem de ser um número inteiro positivo. Nota: a execução de preparação pode entrar no OOM cuda se o tamanho for demasiado grande.
Nota: estas definições não são suportadas para o algoritmo "yolov5".		 string
modelName Nome do modelo a utilizar para preparação.
Para obter mais informações sobre os modelos disponíveis, visite a documentação oficial:
https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.		 string
modelSize Tamanho do modelo. Tem de ser "pequeno", "médio", "grande" ou "xlarge".
Nota: a execução de preparação poderá entrar no OOM cuda se o tamanho do modelo for demasiado grande.
Nota: estas definições só são suportadas para o algoritmo "yolov5".		 string
impulso Valor de impulso quando o otimizador é 'sgd'. Tem de ser um flutuante no intervalo [0, 1]. string
multiescala Ative a imagem em várias escalas ao variar o tamanho da imagem em +/- 50%.
Nota: a execução de preparação pode entrar no OOM CUDA se não houver memória GPU suficiente.
Nota: estas definições só são suportadas para o algoritmo "yolov5".		 string
nesterov Ative o aninhado quando o otimizador é "sgd". string
nmsIouThreshold Limiar IOU utilizado durante a inferência no pós-processamento do NMS. Tem de estar a flutuar no intervalo [0, 1]. string
numberOfEpochs Número de épocas de preparação. Tem de ser um número inteiro positivo. string
numberOfWorkers Número de trabalhadores do carregador de dados. Tem de ser um número inteiro não negativo. string
otimizador Tipo de otimizador. Deve ser "sgd", "adão" ou "adão". string
randomSeed Semente aleatória a ser utilizada ao utilizar preparação determinista. string
splitRatio Se os dados de validação não estiverem definidos, especifica a proporção de divisão para a divisão
preparar dados para subconjuntos de preparação e validação aleatórios. Tem de ser um flutuante no intervalo [0, 1].		 string
stepLRGamma Valor da gama quando o programador de taxa de aprendizagem é "passo". Tem de ser um flutuante no intervalo [0, 1]. string
stepLRStepSize Valor do tamanho do passo quando o agendador da taxa de aprendizagem é "passo". Tem de ser um número inteiro positivo. string
tileGridSize O tamanho da grelha a utilizar para tilar cada imagem. Nota: TileGridSize não pode ser
Nenhuma para ativar a lógica de deteção de objetos pequenos. Uma cadeia que contém dois números inteiros no formato mxn.
Nota: estas definições não são suportadas para o algoritmo "yolov5".		 string
tileOverlapRatio Relação de sobreposição entre mosaicos adjacentes em cada dimensão. Tem de estar a flutuar no intervalo [0, 1).
Nota: estas definições não são suportadas para o algoritmo "yolov5".		 string
tilePredictionsNmsThreshold O limiar de IOU a utilizar para executar o NMS enquanto intercala predições de mosaicos e imagens.
Utilizado na validação/inferência. Tem de estar a flutuar no intervalo [0, 1].
Nota: estas definições não são suportadas para o algoritmo "yolov5".
NMS: Supressão não máxima		 string
trainingBatchSize Tamanho do lote de preparação. Tem de ser um número inteiro positivo. string
validationBatchSize Tamanho do lote de validação. Tem de ser um número inteiro positivo. string
validationIouThreshold Limiar de IOU a utilizar ao calcular a métrica de validação. Tem de estar a flutuar no intervalo [0, 1]. string
validationMetricType Método de computação de métricas a utilizar para métricas de validação. Deve ser "nenhum", "coco", "voc" ou "coco_voc". string
warmupCosineLRCycles Valor do ciclo de cosseno quando o agendador da taxa de aprendizagem é "warmup_cosine". Tem de ser um flutuante no intervalo [0, 1]. string
warmupCosineLRWarmupEpochs Valor das épocas de aquecimento quando o agendador da taxa de aprendizagem é "warmup_cosine". Tem de ser um número inteiro positivo. string
weightDecay Valor da decadência do peso quando o otimizador é "sgd", "adam" ou "adamw". Tem de ser um flutuante no intervalo[0, 1]. string

ImageObjectDetection

Nome Descrição Valor
taskType [Obrigatório] Tipo de tarefa para AutoMLJob. "ImageObjectDetection" (obrigatório)
dataSettings [Obrigatório] Coleção de IDs de Conjuntos de Dados Tabulares registados e outras definições de dados necessárias para preparar e validar modelos. ImageVerticalDataSettings (obrigatório)
limitSettings [Obrigatório] Limitar as definições da tarefa autoML. ImageLimitSettings (obrigatório)
modelSettings Definições utilizadas para preparar o modelo. ImageModelSettingsObjectDetection
primaryMetric Métrica primária para otimizar para esta tarefa. "MeanAveragePrecision"
searchSpace Procure espaço de amostragem de diferentes combinações de modelos e respetivos hiperparâmetros. ImageModelDistributionSettingsObjectDetection[]
sweepSettings Definições relacionadas com a limpeza de modelos e hiperparâmetros. ImageSweepSettings

Regressão

Nome Descrição Valor
taskType [Obrigatório] Tipo de tarefa para AutoMLJob. "Regressão" (necessária)
allowedModels Modelos permitidos para tarefas de regressão. Matriz de cadeias que contém qualquer um dos seguintes:
"DecisionTree"
"ElasticNet"
"ExtremeRandomTrees"
"GradientBoosting"
"KNN"
"LassoLars"
"LightGBM"
"RandomForest"
"SGD"
"XGBoostRegressor"
blockedModels Modelos bloqueados para tarefas de regressão. Matriz de cadeias que contém qualquer um dos seguintes:
"DecisionTree"
"ElasticNet"
"ExtremeRandomTrees"
"GradientBoosting"
"KNN"
"LassoLars"
"LightGBM"
"RandomForest"
"SGD"
"XGBoostRegressor"
dataSettings Entradas de dados do AutoMLJob. TableVerticalDataSettings
featurizationSettings Entradas de caracterização necessárias para a tarefa de AutoML. TableVerticalFeaturizationSettings
limitSettings Restrições de execução do AutoMLJob. TableVerticalLimitSettings
primaryMetric Métrica primária da tarefa de regressão. "NormalizedMeanAbsoluteError"
"NormalizedRootMeanSquaredError"
"R2Score"
"SpearmanCorrelation"
trainingSettings Entradas para a fase de preparação de uma Tarefa autoML. TrainingSettings

TextClassification

Nome Descrição Valor
taskType [Obrigatório] Tipo de tarefa para AutoMLJob. "TextClassification" (obrigatório)
dataSettings Entradas de dados do AutoMLJob. NlpVerticalDataSettings
featurizationSettings Entradas de caracterização necessárias para a tarefa de AutoML. NlpVerticalFeaturizationSettings
limitSettings Restrições de execução do AutoMLJob. NlpVerticalLimitSettings
primaryMetric Métrica primária para Text-Classification tarefa. "AUCWeighted"
"Precisão"
"AveragePrecisionScoreWeighted"
"NormMacroRecall"
"PrecisionScoreWeighted"

NlpVerticalDataSettings

Nome Descrição Valor
targetColumnName [Obrigatório] Nome da coluna de destino: esta é a coluna de valores de predição.
Também conhecido como nome da coluna de etiqueta no contexto de tarefas de classificação.		 cadeia (obrigatório)

Restrições:
Padrão = [a-zA-Z0-9_]
testData Testar entrada de dados. TestDataSettings
trainingData [Obrigatório] Entrada de dados de preparação. TrainingDataSettings (necessário)
validationData Entradas de dados de validação. NlpVerticalValidationDataSettings

NlpVerticalValidationDataSettings

Nome Descrição Valor
dados Dados de validação MLTable. MLTableJobInput
validationDataSize A fração do conjunto de dados de preparação que tem de ser reservada para fins de validação.
Valores entre (0,0 , 1.0)
Aplicado quando o conjunto de dados de validação não é fornecido.
 int

NlpVerticalFeaturizationSettings

Nome Descrição Valor
datasetLanguage Idioma do conjunto de dados, útil para os dados de texto. string

NlpVerticalLimitSettings

Nome Descrição Valor
maxConcurrentTrials Máximo de iterações Automáticas Simultâneas. int
maxTrials Número de iterações autoML. int
tempo limite Tempo limite da tarefa de AutoML. string

TextClassificationMultilabel

Nome Descrição Valor
taskType [Obrigatório] Tipo de tarefa para AutoMLJob. "TextClassificationMultilabel" (obrigatório)
dataSettings Entradas de dados do AutoMLJob. NlpVerticalDataSettings
featurizationSettings Entradas de caracterização necessárias para a tarefa de AutoML. NlpVerticalFeaturizationSettings
limitSettings Restrições de execução do AutoMLJob. NlpVerticalLimitSettings

TextNer

Nome Descrição Valor
taskType [Obrigatório] Tipo de tarefa para AutoMLJob. "TextNER" (obrigatório)
dataSettings Entradas de dados do AutoMLJob. NlpVerticalDataSettings
featurizationSettings Entradas de caracterização necessárias para a tarefa de AutoML. NlpVerticalFeaturizationSettings
limitSettings Restrições de execução do AutoMLJob. NlpVerticalLimitSettings

CommandJob

Nome Descrição Valor
jobType [Obrigatório] Especifica o tipo de tarefa. "Comando" (obrigatório)
codeId ID do recurso arm do recurso de código. string
command [Obrigatório] O comando a executar no arranque da tarefa. Por exemplo, "python train.py" cadeia (obrigatório)

Restrições:
Comprimento mínimo = 1
Padrão = [a-zA-Z0-9_]
distribuição Configuração de distribuição da tarefa. Se estiver definido, este deve ser um de Mpi, Tensorflow, PyTorch ou nulo. DistributionConfiguration
environmentId [Obrigatório] O ID de recurso do ARM da especificação ambiente da tarefa. cadeia (obrigatório)

Restrições:
Padrão = [a-zA-Z0-9_]
environmentVariables Variáveis de ambiente incluídas na tarefa. objeto
entradas Mapeamento de enlaces de dados de entrada utilizados na tarefa. objeto
limites Limite da Tarefa de Comando. CommandJobLimits
saídas Mapeamento de enlaces de dados de saída utilizados na tarefa. objeto
resources Configuração do Recurso de Computação para a tarefa. ResourceConfiguration

DistributionConfiguration

Nome Descrição Valor
distributionType Definir o tipo de objeto Mpi
PyTorch
TensorFlow (obrigatório)

Mpi

Nome Descrição Valor
distributionType [Obrigatório] Especifica o tipo de arquitetura de distribuição. "Mpi" (obrigatório)
processCountPerInstance Número de processos por nó MPI. int

PyTorch

Nome Descrição Valor
distributionType [Obrigatório] Especifica o tipo de arquitetura de distribuição. "PyTorch" (obrigatório)
processCountPerInstance Número de processos por nó. int

TensorFlow

Nome Descrição Valor
distributionType [Obrigatório] Especifica o tipo de arquitetura de distribuição. "TensorFlow" (obrigatório)
parameterServerCount Número de tarefas de servidor de parâmetros. int
workerCount Número de trabalhadores. Se não for especificado, a predefinição será a contagem de instâncias. int

CommandJobLimits

Nome Descrição Valor
jobLimitsType [Obrigatório] Tipo jobLimit. "Comando"
"Varrer" (obrigatório)
tempo limite A duração máxima da execução no formato ISO 8601, após a qual a tarefa será cancelada. Suporta apenas a duração com precisão tão baixa como Segundos. string

PipelineJob

Nome Descrição Valor
jobType [Obrigatório] Especifica o tipo de tarefa. "Pipeline" (obrigatório)
entradas Entradas para a tarefa de pipeline. objeto
tarefas As tarefas constroem a Tarefa de Pipeline. objeto
saídas Saídas para a tarefa de pipeline objeto
definições Definições do pipeline, para aspetos como ContinueRunOnStepFailure, etc.

SweepJob

Nome Descrição Valor
jobType [Obrigatório] Especifica o tipo de tarefa. "Varrer" (obrigatório)
earlyTermination As políticas de cessação antecipada permitem cancelar execuções de mau desempenho antes de serem concluídas EarlyTerminationPolicy
entradas Mapeamento de enlaces de dados de entrada utilizados na tarefa. objeto
limites Limite de tarefas de varrimento. SweepJobLimits
objetivo [Obrigatório] Objetivo de otimização. Objetivo (obrigatório)
saídas Mapeamento de enlaces de dados de saída utilizados na tarefa. objeto
samplingAlgorithm [Obrigatório] O algoritmo de amostragem de hiperparâmetros SamplingAlgorithm (obrigatório)
searchSpace [Obrigatório] Um dicionário que contém cada parâmetro e a respetiva distribuição. A chave do dicionário é o nome do parâmetro
trial [Obrigatório] Definição do componente de avaliação. TrialComponent (obrigatório)

SweepJobLimits

Nome Descrição Valor
jobLimitsType [Obrigatório] Tipo jobLimit. "Comando"
"Varrer" (obrigatório)
maxConcurrentTrials Varra Tarefa máxima de avaliações simultâneas. int
maxTotalTrials Varra o número máximo de avaliações de tarefas. int
tempo limite A duração máxima da execução no formato ISO 8601, após a qual a tarefa será cancelada. Suporta apenas a duração com precisão tão baixa como Segundos. string
trialTimeout Valor de tempo limite da Avaliação de Tarefas de Varrimento. string

Objetivo

Nome Descrição Valor
goal [Obrigatório] Define os objetivos de métricas suportados para otimização de hiperparâmetros "Maximizar"
"Minimizar" (obrigatório)
primaryMetric [Obrigatório] Nome da métrica a otimizar. cadeia (obrigatório)

Restrições:
Padrão = [a-zA-Z0-9_]

SamplingAlgorithm

Nome Descrição Valor
samplingAlgorithmType Definir o tipo de objeto Bayesian
Grelha
Aleatório (obrigatório)

BayesianSamplingAlgorithm

Nome Descrição Valor
samplingAlgorithmType [Obrigatório] O algoritmo utilizado para gerar valores de hiperparâmetros, juntamente com as propriedades de configuração "Bayesian" (obrigatório)

GridSamplingAlgorithm

Nome Descrição Valor
samplingAlgorithmType [Obrigatório] O algoritmo utilizado para gerar valores de hiperparâmetros, juntamente com as propriedades de configuração "Grelha" (obrigatório)

RandomSamplingAlgorithm

Nome Descrição Valor
samplingAlgorithmType [Obrigatório] O algoritmo utilizado para gerar valores de hiperparâmetros, juntamente com as propriedades de configuração "Aleatório" (obrigatório)
regra O tipo específico de algoritmo aleatório "Aleatório"
"Sobol"
seed Um número inteiro opcional a utilizar como seed para geração de números aleatórios int

TrialComponent

Nome Descrição Valor
codeId ID do recurso arm do recurso de código. string
command [Obrigatório] O comando a executar no arranque da tarefa. Por exemplo, "python train.py" cadeia (obrigatório)

Restrições:
Comprimento mínimo = 1
Padrão = [a-zA-Z0-9_]
distribuição Configuração de distribuição da tarefa. Se estiver definido, este deve ser um de Mpi, Tensorflow, PyTorch ou nulo. DistributionConfiguration
environmentId [Obrigatório] O ID de recurso do ARM da especificação ambiente da tarefa. cadeia (obrigatório)

Restrições:
Padrão = [a-zA-Z0-9_]
environmentVariables Variáveis de ambiente incluídas na tarefa. objeto
resources Configuração do Recurso de Computação para a tarefa. ResourceConfiguration