你当前正在访问 Microsoft Azure Global Edition 技术文档网站。如果需要访问由世纪互联运营的 Microsoft Azure 中国技术文档网站，请访问 https://docs.azure.cn。

Microsoft.MachineLearningServices 工作区/计划 2024-07-01-preview

2025-05-10

Bicep 资源定义

可以使用目标作部署工作区/计划资源类型：

资源组 - 请参阅资源组部署命令

有关每个 API 版本中已更改属性的列表，请参阅更改日志。

资源格式

若要创建 Microsoft.MachineLearningServices/workspaces/schedules 资源，请将以下 Bicep 添加到模板。

resource symbolicname 'Microsoft.MachineLearningServices/workspaces/schedules@2024-07-01-preview' = {
  parent: resourceSymbolicName
  name: 'string'
  properties: {
    action: {
      actionType: 'string'
      // For remaining properties, see ScheduleActionBase objects
    }
    description: 'string'
    displayName: 'string'
    isEnabled: bool
    properties: {
      {customized property}: 'string'
    }
    tags: {
      {customized property}: 'string'
    }
    trigger: {
      endTime: 'string'
      startTime: 'string'
      timeZone: 'string'
      triggerType: 'string'
      // For remaining properties, see TriggerBase objects
    }
  }
}

AutoMLVertical 对象

设置 taskType 属性以指定对象的类型。

对于分类，请使用：

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

对于预测，请使用：

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

对于 ImageClassification，请使用：

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

对于 ImageClassificationMultilabel，请使用：

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

对于 ImageInstanceSegmentation，请使用：

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

对于 ImageObjectDetection，请使用：

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

对于回归，请使用：

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

对于 TextClassification，请使用：

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

对于 TextClassificationMultilabel，请使用：

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

对于 TextNER，请使用：

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

FineTuningVertical 对象

设置 modelProvider 属性以指定对象的类型。

对于 AzureOpenAI，请使用：

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

对于 “自定义”，请使用：

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

IdentityConfiguration 对象

设置 identityType 属性以指定对象的类型。

对于 AMLToken，请使用：

{
  identityType: 'AMLToken'
}

对于托管，请使用：

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

对于 UserIdentity，请使用：

{
  identityType: 'UserIdentity'
}

NCrossValidations 对象

设置模式属性以指定对象的类型。

对于自动，请使用：

{
  mode: 'Auto'
}

对于 “自定义”，请使用：

{
  mode: 'Custom'
  value: int
}

JobBaseProperties 对象

设置 jobType 属性以指定对象的类型。

对于 AutoML，请使用：

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

对于命令，请使用：

{
  codeId: 'string'
  command: 'string'
  distribution: {
    distributionType: 'string'
    // For remaining properties, see DistributionConfiguration objects
  }
  environmentId: 'string'
  environmentVariables: {
    {customized property}: 'string'
  }
  inputs: {
    {customized property}: {
      description: 'string'
      jobInputType: 'string'
      // For remaining properties, see JobInput objects
    }
  }
  jobType: 'Command'
  limits: {
    jobLimitsType: 'string'
    timeout: 'string'
  }
  outputs: {
    {customized property}: {
      description: 'string'
      jobOutputType: 'string'
      // For remaining properties, see JobOutput objects
    }
  }
  queueSettings: {
    jobTier: 'string'
  }
  resources: {
    dockerArgs: 'string'
    instanceCount: int
    instanceType: 'string'
    properties: {
      {customized property}: any(...)
    }
    shmSize: 'string'
  }
}

对于 FineTuning，请使用：

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

对于管道，请使用：

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

对于 Spark，请使用：

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

对于扫描，请使用：

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

JobInput 对象

设置 jobInputType 属性以指定对象的类型。

对于 custom_model，请使用：

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

对于文本，请使用：

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

对于 mlflow_model，请使用：

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

对于 mltable，请使用：

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

对于 triton_model，请使用：

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

对于 uri_file，请使用：

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

对于 uri_folder，请使用：

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

MonitoringSignalBase 对象

设置 signalType 属性以指定对象的类型。

对于 “自定义”，请使用：

{
  componentId: 'string'
  inputAssets: {
    {customized property}: {
      columns: {
        {customized property}: 'string'
      }
      dataContext: 'string'
      jobInputType: 'string'
      uri: 'string'
      inputDataType: 'string'
      // For remaining properties, see MonitoringInputDataBase objects
    }
  }
  inputs: {
    {customized property}: {
      description: 'string'
      jobInputType: 'string'
      // For remaining properties, see JobInput objects
    }
  }
  metricThresholds: [
    {
      metric: 'string'
      threshold: {
        value: int
      }
    }
  ]
  signalType: 'Custom'
}

对于 DataDrift，请使用：

{
  featureDataTypeOverride: {
    {customized property}: 'string'
  }
  featureImportanceSettings: {
    mode: 'string'
    targetColumn: 'string'
  }
  features: {
    filterType: 'string'
    // For remaining properties, see MonitoringFeatureFilterBase objects
  }
  metricThresholds: [
    {
      threshold: {
        value: int
      }
      dataType: 'string'
      // For remaining properties, see DataDriftMetricThresholdBase objects
    }
  ]
  productionData: {
    columns: {
      {customized property}: 'string'
    }
    dataContext: 'string'
    jobInputType: 'string'
    uri: 'string'
    inputDataType: 'string'
    // For remaining properties, see MonitoringInputDataBase objects
  }
  referenceData: {
    columns: {
      {customized property}: 'string'
    }
    dataContext: 'string'
    jobInputType: 'string'
    uri: 'string'
    inputDataType: 'string'
    // For remaining properties, see MonitoringInputDataBase objects
  }
  signalType: 'DataDrift'
}

对于 DataQuality，请使用：

{
  featureDataTypeOverride: {
    {customized property}: 'string'
  }
  featureImportanceSettings: {
    mode: 'string'
    targetColumn: 'string'
  }
  features: {
    filterType: 'string'
    // For remaining properties, see MonitoringFeatureFilterBase objects
  }
  metricThresholds: [
    {
      threshold: {
        value: int
      }
      dataType: 'string'
      // For remaining properties, see DataQualityMetricThresholdBase objects
    }
  ]
  productionData: {
    columns: {
      {customized property}: 'string'
    }
    dataContext: 'string'
    jobInputType: 'string'
    uri: 'string'
    inputDataType: 'string'
    // For remaining properties, see MonitoringInputDataBase objects
  }
  referenceData: {
    columns: {
      {customized property}: 'string'
    }
    dataContext: 'string'
    jobInputType: 'string'
    uri: 'string'
    inputDataType: 'string'
    // For remaining properties, see MonitoringInputDataBase objects
  }
  signalType: 'DataQuality'
}

对于 FeatureAttributionDrift，请使用：

{
  featureDataTypeOverride: {
    {customized property}: 'string'
  }
  featureImportanceSettings: {
    mode: 'string'
    targetColumn: 'string'
  }
  metricThreshold: {
    metric: 'string'
    threshold: {
      value: int
    }
  }
  productionData: [
    {
      columns: {
        {customized property}: 'string'
      }
      dataContext: 'string'
      jobInputType: 'string'
      uri: 'string'
      inputDataType: 'string'
      // For remaining properties, see MonitoringInputDataBase objects
    }
  ]
  referenceData: {
    columns: {
      {customized property}: 'string'
    }
    dataContext: 'string'
    jobInputType: 'string'
    uri: 'string'
    inputDataType: 'string'
    // For remaining properties, see MonitoringInputDataBase objects
  }
  signalType: 'FeatureAttributionDrift'
}

对于 PredictionDrift，请使用：

{
  featureDataTypeOverride: {
    {customized property}: 'string'
  }
  metricThresholds: [
    {
      threshold: {
        value: int
      }
      dataType: 'string'
      // For remaining properties, see PredictionDriftMetricThresholdBase objects
    }
  ]
  productionData: {
    columns: {
      {customized property}: 'string'
    }
    dataContext: 'string'
    jobInputType: 'string'
    uri: 'string'
    inputDataType: 'string'
    // For remaining properties, see MonitoringInputDataBase objects
  }
  referenceData: {
    columns: {
      {customized property}: 'string'
    }
    dataContext: 'string'
    jobInputType: 'string'
    uri: 'string'
    inputDataType: 'string'
    // For remaining properties, see MonitoringInputDataBase objects
  }
  signalType: 'PredictionDrift'
}

SamplingAlgorithm 对象

设置 samplingAlgorithmType 属性以指定对象的类型。

对于 Bayesian，请使用：

{
  samplingAlgorithmType: 'Bayesian'
}

对于网格，请使用：

{
  samplingAlgorithmType: 'Grid'
}

对于 Random，请使用：

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

TargetRollingWindowSize 对象

设置模式属性以指定对象的类型。

对于自动，请使用：

{
  mode: 'Auto'
}

对于 “自定义”，请使用：

{
  mode: 'Custom'
  value: int
}

EarlyTerminationPolicy 对象

设置 policyType 属性以指定对象的类型。

对于 Bandit，请使用：

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

对于 MedianStopping，请使用：

{
  policyType: 'MedianStopping'
}

对于 TruncationSelection，请使用：

{
  policyType: 'TruncationSelection'
  truncationPercentage: int
}

季节性对象

设置模式属性以指定对象的类型。

对于自动，请使用：

{
  mode: 'Auto'
}

对于 “自定义”，请使用：

{
  mode: 'Custom'
  value: int
}

TargetLags 对象

设置模式属性以指定对象的类型。

对于自动，请使用：

{
  mode: 'Auto'
}

对于 “自定义”，请使用：

{
  mode: 'Custom'
  values: [
    int
  ]
}

节点对象

设置 nodesValueType 属性以指定对象的类型。

对于 “全部”，请使用：

{
  nodesValueType: 'All'
}

MonitorComputeIdentityBase 对象

设置 computeIdentityType 属性以指定对象的类型。

对于 AmlToken，请使用：

{
  computeIdentityType: 'AmlToken'
}

对于 ManagedIdentity，请使用：

{
  computeIdentityType: 'ManagedIdentity'
  identity: {
    type: 'string'
    userAssignedIdentities: {
      {customized property}: {}
    }
  }
}

ScheduleActionBase 对象

设置 actionType 属性以指定对象的类型。

对于 CreateJob，请使用：

{
  actionType: 'CreateJob'
  jobDefinition: {
    componentId: 'string'
    computeId: 'string'
    description: 'string'
    displayName: 'string'
    experimentName: 'string'
    identity: {
      identityType: 'string'
      // For remaining properties, see IdentityConfiguration objects
    }
    isArchived: bool
    notificationSetting: {
      emailOn: [
        'string'
      ]
      emails: [
        'string'
      ]
      webhooks: {
        {customized property}: {
          eventType: 'string'
          webhookType: 'string'
          // For remaining properties, see Webhook objects
        }
      }
    }
    properties: {
      {customized property}: 'string'
    }
    services: {
      {customized property}: {
        endpoint: 'string'
        jobServiceType: 'string'
        nodes: {
          nodesValueType: 'string'
          // For remaining properties, see Nodes objects
        }
        port: int
        properties: {
          {customized property}: 'string'
        }
      }
    }
    tags: {
      {customized property}: 'string'
    }
    jobType: 'string'
    // For remaining properties, see JobBaseProperties objects
  }
}

对于 CreateMonitor，请使用：

{
  actionType: 'CreateMonitor'
  monitorDefinition: {
    alertNotificationSettings: {
      emailNotificationSettings: {
        emails: [
          'string'
        ]
      }
    }
    computeConfiguration: {
      computeType: 'string'
      // For remaining properties, see MonitorComputeConfigurationBase objects
    }
    monitoringTarget: {
      deploymentId: 'string'
      modelId: 'string'
      taskType: 'string'
    }
    signals: {
      {customized property}: {
        notificationTypes: [
          'string'
        ]
        properties: {
          {customized property}: 'string'
        }
        signalType: 'string'
        // For remaining properties, see MonitoringSignalBase objects
      }
    }
  }
}

对于 InvokeBatchEndpoint，请使用：

{
  actionType: 'InvokeBatchEndpoint'
  endpointInvocationDefinition: any(...)
}

TriggerBase 对象

设置 triggerType 属性以指定对象的类型。

对于 Cron，请使用：

{
  expression: 'string'
  triggerType: 'Cron'
}

对于定期，请使用：

{
  frequency: 'string'
  interval: int
  schedule: {
    hours: [
      int
    ]
    minutes: [
      int
    ]
    monthDays: [
      int
    ]
    weekDays: [
      'string'
    ]
  }
  triggerType: 'Recurrence'
}

MonitoringInputDataBase 对象

设置 inputDataType 属性以指定对象的类型。

对于 “固定”，请使用：

{
  inputDataType: 'Fixed'
}

对于滚动，请使用：

{
  inputDataType: 'Rolling'
  preprocessingComponentId: 'string'
  windowOffset: 'string'
  windowSize: 'string'
}

对于静态，请使用：

{
  inputDataType: 'Static'
  preprocessingComponentId: 'string'
  windowEnd: 'string'
  windowStart: 'string'
}

MonitoringFeatureFilterBase 对象

设置 filterType 属性以指定对象的类型。

对于 AllFeatures，请使用：

{
  filterType: 'AllFeatures'
}

对于 FeatureSubset，请使用：

{
  features: [
    'string'
  ]
  filterType: 'FeatureSubset'
}

对于 TopNByAttribution，请使用：

{
  filterType: 'TopNByAttribution'
  top: int
}

DataDriftMetricThresholdBase 对象

设置 dataType 属性以指定对象的类型。

对于分类，请使用：

{
  dataType: 'Categorical'
  metric: 'string'
}

对于数字，请使用：

{
  dataType: 'Numerical'
  metric: 'string'
}

MonitorComputeConfigurationBase 对象

设置 computeType 属性以指定对象的类型。

对于 ServerlessSpark，请使用：

{
  computeIdentity: {
    computeIdentityType: 'string'
    // For remaining properties, see MonitorComputeIdentityBase objects
  }
  computeType: 'ServerlessSpark'
  instanceType: 'string'
  runtimeVersion: 'string'
}

JobOutput 对象

设置 jobOutputType 属性以指定对象的类型。

对于 custom_model，请使用：

{
  jobOutputType: 'custom_model'
  mode: 'string'
  uri: 'string'
}

对于 mlflow_model，请使用：

{
  jobOutputType: 'mlflow_model'
  mode: 'string'
  uri: 'string'
}

对于 mltable，请使用：

{
  jobOutputType: 'mltable'
  mode: 'string'
  uri: 'string'
}

对于 triton_model，请使用：

{
  jobOutputType: 'triton_model'
  mode: 'string'
  uri: 'string'
}

对于 uri_file，请使用：

{
  jobOutputType: 'uri_file'
  mode: 'string'
  uri: 'string'
}

对于 uri_folder，请使用：

{
  jobOutputType: 'uri_folder'
  mode: 'string'
  uri: 'string'
}

SparkJobEntry 对象

设置 sparkJobEntryType 属性以指定对象的类型。

对于 SparkJobPythonEntry，请使用：

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

对于 SparkJobScalaEntry，请使用：

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

DistributionConfiguration 对象

设置 distributionType 属性以指定对象的类型。

对于 Mpi，请使用：

{
  distributionType: 'Mpi'
  processCountPerInstance: int
}

对于 PyTorch，请使用：

{
  distributionType: 'PyTorch'
  processCountPerInstance: int
}

对于 TensorFlow，请使用：

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

ForecastHorizon 对象

设置模式属性以指定对象的类型。

对于自动，请使用：

{
  mode: 'Auto'
}

对于 “自定义”，请使用：

{
  mode: 'Custom'
  value: int
}

Webhook 对象

设置 webhookType 属性以指定对象的类型。

对于 AzureDevOps，请使用：

{
  webhookType: 'AzureDevOps'
}

DataQualityMetricThresholdBase 对象

设置 dataType 属性以指定对象的类型。

对于分类，请使用：

{
  dataType: 'Categorical'
  metric: 'string'
}

对于数字，请使用：

{
  dataType: 'Numerical'
  metric: 'string'
}

PredictionDriftMetricThresholdBase 对象

设置 dataType 属性以指定对象的类型。

对于分类，请使用：

{
  dataType: 'Categorical'
  metric: 'string'
}

对于数字，请使用：

{
  dataType: 'Numerical'
  metric: 'string'
}

属性值

Microsoft.MachineLearningServices/workspaces/schedules

名称	DESCRIPTION	价值
姓名	资源名称	字符串约束：模式 = `^[a-zA-Z0-9][a-zA-Z0-9\-_]{0,254}$` （必需）
父级	在 Bicep 中，可以为子资源指定父资源。仅当子资源在父资源外部声明时，才需要添加此属性。有关详细信息，请参阅父资源外部的子资源。	类型资源的符号名称：工作区
属性	[必需]实体的其他属性。	ScheduleProperties （必需）

全部功能

名称	DESCRIPTION	价值
filterType （过滤器类型）	[必需]指定要在选择要计算指标的功能时利用的功能筛选器。	“AllFeatures”（必需）

所有节点

名称	DESCRIPTION	价值
nodesValueType	[必需]Nodes 值的类型	“全部”（必需）

AmlToken

名称	DESCRIPTION	价值
身份类型	[必需]指定标识框架的类型。	“AMLToken”（必需）

AmlTokenComputeIdentity

名称	DESCRIPTION	价值
computeIdentityType	[必需]指定要在监视作业中使用的标识类型。	“AmlToken”（必需）

自动预测地平线

名称	DESCRIPTION	价值
模式	[必需]设置预测地平线值选择模式。	“Auto”（必需）

AutoMLJob

名称	DESCRIPTION	价值
环境 ID	作业的环境规范的 ARM 资源 ID。这是一个可选值，如果未提供，AutoML 将在运行作业时将其默认为生产 AutoML 特选环境版本。	字符串
环境变量	作业中包含的环境变量。	AutoMLJobEnvironmentVariables
职位类型	[必需]指定作业的类型。	“AutoML”（必需）
输出	作业中使用的输出数据绑定的映射。	AutoMLJob 输出
queueSettings	作业的队列设置	队列设置
资源	作业的计算资源配置。	JobResourceConfiguration
taskDetails	[必需]这表示可以是表/NLP/Image 之一的方案	AutoMLVertical （必需）

AutoMLJobEnvironmentVariables

名称	DESCRIPTION	价值

AutoMLJob 输出

名称	DESCRIPTION	价值

AutoMLVertical

名称	DESCRIPTION	价值
logVerbosity （对数详细程度）	作业的详细记录。	“Critical” “Debug” “Error” “Info” “NotSet” “Warning”
targetColumnName	目标列名称：这是预测值列。也称为分类任务的上下文中的标签列名称。	字符串
任务类型	设置为类型 “分类”的“分类”。设置为“ 预测”类型。设置为 ImageClassification 类型的“ImageClassification”。设置为 ImageClassificationMultilabel 类型的“ImageClassificationMultilabel”。设置为 ImageInstanceSegmentation 类型的“ImageInstanceSegmentation”。设置为 ImageObjectDetection 类型的“ImageObjectDetection”。设置为“ 回归”类型。设置为 TextClassification 类型的“TextClassification”。对于 TextClassificationMultilabel，设置为“TextClassificationMultilabel”。设置为 TextNer 类型的“TextNER”。	“Classification” “预测” “ImageClassification” “ImageClassificationMultilabel” “ImageInstanceSegmentation” “ImageObjectDetection” “回归” “TextClassification” “TextClassificationMultilabel” “TextNER”（必需）
trainingData （训练数据）	[必需]训练数据输入。	MLTableJobInput （必需）

AutoNCross验证

名称	DESCRIPTION	价值
模式	[必需]用于确定 N 交叉验证的模式。	“Auto”（必需）

自动季节性

名称	DESCRIPTION	价值
模式	[必需]季节性模式。	“Auto”（必需）

AutoTargetLags 自动目标滞后

名称	DESCRIPTION	价值
模式	[必需]设置目标滞后模式 - 自动/自定义	“Auto”（必需）

AutoTargetRollingWindowSize （自动目标滚动窗口大小）

名称	DESCRIPTION	价值
模式	[必需]TargetRollingWindowSiz 检测模式。	“Auto”（必需）

AzureDevOpsWebhook

名称	DESCRIPTION	价值
webhook类型	[必需]指定要发送回调的服务的类型	“AzureDevOps”（必需）

AzureOpenAiFineTuning

名称	DESCRIPTION	价值
超参数	用于微调 Azure Open AI 模型的 HyperParameters。	AzureOpenAiHyperParameters
模型提供程序	[必需]用于确定微调类型的枚举。	“AzureOpenAI”（必需）

AzureOpenAiHyperParameters

名称	DESCRIPTION	价值
批处理大小	每个批次中的示例数。较大的批大小意味着模型参数的更新频率较低，但差异较低。	整数 (int)
learningRateMultiplier 的	学习速率的缩放系数。较小的学习速率可能有助于避免过度拟合。	整数 (int)
nEpochs	要为其训练模型的纪元数。纪元是指通过训练数据集的一个完整周期。	整数 (int)

BanditPolicy （强盗政策）

名称	DESCRIPTION	价值
policyType	[必需]策略配置的名称	“强盗”（必需）
slackAmount	从性能最佳的运行中允许的绝对距离。	整数 (int)
slackFactor 的	与性能最佳的运行距离的允许距离比率。	整数 (int)

BayesianSamplingAlgorithm

名称	DESCRIPTION	价值
采样算法类型	[必需]用于生成超参数值的算法以及配置属性	“贝伊西亚”（必需）

CategoricalDataDriftMetricThreshold

名称	DESCRIPTION	价值
数据类型	[必需]指定指标阈值的数据类型。	“分类”（必需）
指标	[必需]要计算的分类数据偏移指标。	“JensenShannonDistance” “PearsonsChiSquaredTest” “PopulationStabilityIndex”（必需）

CategoricalDataQualityMetricThreshold

名称	DESCRIPTION	价值
数据类型	[必需]指定指标阈值的数据类型。	“分类”（必需）
指标	[必需]要计算的分类数据质量指标。	“DataTypeErrorRate” “NullValueRate” “OutOfBoundsRate”（必需）

分类预测漂移指标阈值

名称	DESCRIPTION	价值
数据类型	[必需]指定指标阈值的数据类型。	“分类”（必需）
指标	[必需]要计算的分类预测偏移指标。	“JensenShannonDistance” “PearsonsChiSquaredTest” “PopulationStabilityIndex”（必需）

分类

名称	DESCRIPTION	价值
cvSplitColumnNames	用于 CVSplit 数据的列。	字符串[]
featurizationSettings	AutoML 作业所需的特征化输入。	TableVerticalFeaturizationSettings
limitSettings	AutoMLJob 的执行约束。	TableVerticalLimitSettings
nCrossValidations	要应用于训练数据集的交叉验证折叠数如果未提供验证数据集，则为。	NCross验证
积极标签	二进制指标计算的正标签。	字符串
primaryMetric	任务的主要指标。	“准确性” “AUCWeighted” “AveragePrecisionScoreWeighted” “NormMacroRecall” “PrecisionScoreWeighted”
任务类型	[必需]AutoMLJob 的任务类型。	“分类”（必需）
测试数据	测试数据输入。	MLTableJobInput
testDataSize	需要为验证目的预留的测试数据集的分数。介于（0.0、 1.0）之间的值未提供验证数据集时应用。	整数 (int)
trainingSettings	AutoML 作业训练阶段的输入。	分类训练设置
validationData （验证数据）	验证数据输入。	MLTableJobInput
validationDataSize	需要留出用于验证的定型数据集的分数。介于（0.0、 1.0）之间的值未提供验证数据集时应用。	整数 (int)
权重列名称	示例权重列的名称。自动化 ML 支持加权列作为输入，导致数据中的行向上或向下加权。	字符串

分类训练设置

名称	DESCRIPTION	价值
allowedTrainingAlgorithms	分类任务的允许模型。	包含任一项的字符串数组： “BernoulliNaiveBayes” “DecisionTree” “ExtremeRandomTrees” “GradientBoosting” “KNN” “LightGBM” “LinearSVM” “LogisticRegression” “MultinomialNaiveBayes” “RandomForest” “ZN” “SVM” “XGBoostClassifier”
blockedTrainingAlgorithms	分类任务的阻止模型。	包含任一项的字符串数组： “BernoulliNaiveBayes” “DecisionTree” “ExtremeRandomTrees” “GradientBoosting” “KNN” “LightGBM” “LinearSVM” “LogisticRegression” “MultinomialNaiveBayes” “RandomForest” “ZN” “SVM” “XGBoostClassifier”
enableDnnTraining	启用 DNN 模型的建议。	布尔
enableModelExplainability	标志以在最佳模型上启用可解释性。	布尔
enableOnnxCompatibleModels	用于启用 onnx 兼容模型的标志。	布尔
enableStackEnsemble	启用堆栈合奏运行。	布尔
enableVoteEnsemble	启用投票合奏运行。	布尔
ensembleModelDownloadTimeout	在 VotingEnsemble 和 StackEnsemble 模型生成期间，将下载先前子运行中的多个拟合模型。如果需要更多时间，请将此参数配置为大于 300 秒的值。	字符串
stackEnsembleSettings	堆栈合奏的堆栈合奏设置。	StackEnsembleSettings

ColumnTransformer （列变换器）

名称	DESCRIPTION	价值
字段	要应用转换器逻辑的字段。	字符串[]
参数	要传递给转换器的不同属性。输入应为 JSON 格式的键值对字典。	任何

CommandJob

名称	DESCRIPTION	价值
代码 Id	代码资产的 ARM 资源 ID。	字符串
指令	[必需]在启动作业时执行的命令。例如 “python train.py”	字符串约束：最小长度 = 1 模式 = `[a-zA-Z0-9_]` （必需）
分配	作业的分发配置。如果已设置，则应为 Mpi、Tensorflow、PyTorch 或 null 之一。	分发配置
环境 ID	[必需]作业的环境规范的 ARM 资源 ID。	字符串约束：最小长度 = 1 模式 = `[a-zA-Z0-9_]` （必需）
环境变量	作业中包含的环境变量。	CommandJobEnvironmentVariables
输入	作业中使用的输入数据绑定的映射。	CommandJobInputs 命令作业输入
职位类型	[必需]指定作业的类型。	“Command”（必需）
限制	命令作业限制。	CommandJobLimits 命令作业限制
输出	作业中使用的输出数据绑定的映射。	CommandJobOutputs 命令作业输出
queueSettings	作业的队列设置	队列设置
资源	作业的计算资源配置。	JobResourceConfiguration

CommandJobEnvironmentVariables

名称	DESCRIPTION	价值

CommandJobInputs 命令作业输入

名称	DESCRIPTION	价值

CommandJobLimits 命令作业限制

名称	DESCRIPTION	价值
jobLimits类型	[必需]JobLimit 类型。	“Command” “扫描”（必需）
超时	ISO 8601 格式的最大运行持续时间，之后作业将被取消。仅支持精度为秒的持续时间。	字符串

CommandJobOutputs 命令作业输出

名称	DESCRIPTION	价值

CreateMonitorAction

名称	DESCRIPTION	价值
动作类型	[必需]指定计划的作类型	“CreateMonitor”（必需）
monitor定义	[必需]定义监视器。	MonitorDefinition （必需）

CronTrigger 的

名称	DESCRIPTION	价值
表达式	[必需]指定计划的 cron 表达式。表达式应遵循 NCronTab 格式。	字符串约束：最小长度 = 1 模式 = `[a-zA-Z0-9_]` （必需）
triggerType	[必需]	“Cron”（必需）

CustomForecastHorizon

名称	DESCRIPTION	价值
模式	[必需]设置预测地平线值选择模式。	“Custom”（必需）
价值	[必需]预测地平线值。	int （必需）

CustomMetricThreshold

名称	DESCRIPTION	价值
指标	[必需]要计算的用户定义指标。	字符串约束：最小长度 = 1 模式 = `[a-zA-Z0-9_]` （必需）
阈值	阈值。如果为 null，则会根据所选指标设置默认值。	监控阈值

CustomModelFineTuning 微调

名称	DESCRIPTION	价值
超参数	用于微调自定义模型的 HyperParameters。	CustomModelFineTuningHyperParameters
模型提供程序	[必需]用于确定微调类型的枚举。	“Custom”（必需）

CustomModelFineTuningHyperParameters

名称	DESCRIPTION	价值

CustomModelJobInput （自定义模型作业输入）

名称	DESCRIPTION	价值
jobInputType （作业输入类型）	[必需]指定作业的类型。	“custom_model”（必需）
模式	输入资产传送模式。	“Direct” “下载” “EvalDownload” “EvalMount” “ReadOnlyMount” “ReadWriteMount”
URI	[必需]输入资产 URI。	字符串约束：最小长度 = 1 模式 = `[a-zA-Z0-9_]` （必需）

CustomModelJobOutput

名称	DESCRIPTION	价值
jobOutputType	[必需]指定作业的类型。	“custom_model”（必需）
模式	输出资产传送模式。	“Direct” “ReadWriteMount” “Upload”
URI	输出资产 URI。	字符串

CustomMonitoringSignal

名称	DESCRIPTION	价值
组件 ID	[必需]对用于计算自定义指标的组件资产的引用。	字符串约束：最小长度 = 1 模式 = `[a-zA-Z0-9_]` （必需）
inputAssets	监视要用作输入的资产。键是组件输入端口名称，值为数据资产。	CustomMonitoringSignalInputAssets
输入	要用作输入的额外组件参数。键是组件文本输入端口名称，值为参数值。	CustomMonitoringSignalInputs
metricThresholds	[必需]要计算的指标列表及其关联的阈值。	CustomMetricThreshold[] （必需）
信号类型	[必需]指定要监视的信号类型。	“Custom”（必需）

CustomMonitoringSignalInputAssets

名称	DESCRIPTION	价值

CustomMonitoringSignalInputs

名称	DESCRIPTION	价值

CustomNCross验证

名称	DESCRIPTION	价值
模式	[必需]用于确定 N 交叉验证的模式。	“Custom”（必需）
价值	[必需]N 交叉验证值。	int （必需）

CustomSeasonality （自定义季节性）

名称	DESCRIPTION	价值
模式	[必需]季节性模式。	“Custom”（必需）
价值	[必需]季节性值。	int （必需）

CustomTargetLags （自定义目标滞后）

名称	DESCRIPTION	价值
模式	[必需]设置目标滞后模式 - 自动/自定义	“Custom”（必需）
价值, 价值观	[必需]设置目标滞后值。	int[] （必需）

CustomTargetRollingWindowSize

名称	DESCRIPTION	价值
模式	[必需]TargetRollingWindowSiz 检测模式。	“Custom”（必需）
价值	[必需]TargetRollingWindowSize 值。	int （必需）

DataDriftMetricThresholdBase

名称	DESCRIPTION	价值
数据类型	设置为 CategoricalDataDriftMetricThreshold 类型的“分类”。对于 Type NumericalDataDriftMetricThreshold，设置为“数字”。	“分类” “数字”（必需）
阈值	阈值。如果为 null，则会根据所选指标设置默认值。	监控阈值

DataDriftMonitoringSignal

名称	DESCRIPTION	价值
featureDataTypeOverride	一个字典，用于将特征名称映射到各自的数据类型。	DataDriftMonitoringSignalFeatureDataTypeOverride
featureImportanceSettings	计算特征重要性的设置。	FeatureImportanceSettings （特征重要性设置）
功能	特征筛选器，用于标识要计算偏移量的功能。	MonitoringFeatureFilterBase
metricThresholds	[必需]要计算的指标列表及其关联的阈值。	DataDriftMetricThresholdBase[] （必需）
生产数据	[必需]将计算偏移的数据。	MonitoringInputDataBase （必需）
referenceData （引用数据）	[必需]要计算偏移的数据。	MonitoringInputDataBase （必需）
信号类型	[必需]指定要监视的信号类型。	“DataDrift”（必需）

DataDriftMonitoringSignalFeatureDataTypeOverride

名称	DESCRIPTION	价值

DataQualityMetricThresholdBase

名称	DESCRIPTION	价值
数据类型	设置为 CategoricalDataQualityMetricThreshold 类型的“分类”。对于 Type NumericalDataQualityMetricThreshold，设置为“数字”。	“分类” “数字”（必需）
阈值	阈值。如果为 null，则会根据所选指标设置默认值。	监控阈值

DataQualityMonitoring信号

名称	DESCRIPTION	价值
featureDataTypeOverride	一个字典，用于将特征名称映射到各自的数据类型。	DataQualityMonitoringSignalFeatureDataTypeOverride
featureImportanceSettings	计算特征重要性的设置。	FeatureImportanceSettings （特征重要性设置）
功能	要计算偏移的特征。	MonitoringFeatureFilterBase
metricThresholds	[必需]要计算的指标列表及其关联的阈值。	DataQualityMetricThresholdBase[] （必需）
生产数据	[必需]将为其计算偏移的生产服务生成的数据。	MonitoringInputDataBase （必需）
referenceData （引用数据）	[必需]要计算偏移的数据。	MonitoringInputDataBase （必需）
信号类型	[必需]指定要监视的信号类型。	“DataQuality”（必需）

DataQualityMonitoringSignalFeatureDataTypeOverride

名称	DESCRIPTION	价值

分发配置

名称	DESCRIPTION	价值
distributionType	对于 Mpi 类型，设置为“ Mpi”。对于 PyTorch 类型，设置为“ PyTorch”。设置为 TensorFlow 类型的“TensorFlow”。	“Mpi” “PyTorch” “TensorFlow”（必需）

提前终止政策

名称	DESCRIPTION	价值
delay评估	延迟第一次计算的间隔数。	整数 (int)
evaluationInterval	策略评估之间的间隔（运行数）。	整数 (int)
policyType	设置为“ BanditPolicy”类型为“BanditPolicy”。对于 MedianStoppingPolicy，设置为“MedianStoppingPolicy”。对于 TruncationSelectionPolicy 类型，设置为“TruncationSelection”。	“Bandit” “MedianStopping” “TruncationSelection”（必需）

EndpointScheduleAction

名称	DESCRIPTION	价值
动作类型	[必需]指定计划的作类型	“InvokeBatchEndpoint”（必需）
endpointInvocationDefinition	[必需]定义计划作定义详细信息。 <see href=“TBD” />	任何（必需）

FeatureAttributionDriftMonitoringSignal

名称	DESCRIPTION	价值
featureDataTypeOverride	一个字典，用于将特征名称映射到各自的数据类型。	FeatureAttributionDriftMonitoringSignalFeatureDataTypeOverride
featureImportanceSettings	[必需]计算特征重要性的设置。	FeatureImportanceSettings （必需）
metricThreshold 指标阈值	[必需]要计算的指标列表及其关联的阈值。	FeatureAttributionMetricThreshold （必需）
生产数据	[必需]将计算偏移的数据。	MonitoringInputDataBase[] （必需）
referenceData （引用数据）	[必需]要计算偏移的数据。	MonitoringInputDataBase （必需）
信号类型	[必需]指定要监视的信号类型。	“FeatureAttributionDrift”（必需）

FeatureAttributionDriftMonitoringSignalFeatureDataTypeOverride

名称	DESCRIPTION	价值

FeatureAttributionMetricThreshold

名称	DESCRIPTION	价值
指标	[必需]要计算的功能归因指标。	“NormalizedDiscountedCumulativeGain”（必需）
阈值	阈值。如果为 null，则会根据所选指标设置默认值。	监控阈值

FeatureImportanceSettings （特征重要性设置）

名称	DESCRIPTION	价值
模式	计算特征重要性的作模式。	“Disabled” “Enabled”
targetColumn	输入数据资产中目标列的名称。	字符串

特征子集

名称	DESCRIPTION	价值
功能	[必需]要包含的功能列表。	string[] （必需）
filterType （过滤器类型）	[必需]指定要在选择要计算指标的功能时利用的功能筛选器。	“FeatureSubset”（必需）

微调作业

名称	DESCRIPTION	价值
微调细节	[必需]	FineTuningVertical （必需）
职位类型	[必需]指定作业的类型。	“FineTuning”（必需）
输出	[必需]	FineTuningJobOutputs （必需）
queueSettings	作业的队列设置	队列设置
资源	作业的实例类型和其他资源	工作资源

FineTuningJobOutputs（微调作业输出）

名称	DESCRIPTION	价值

微调垂直

名称	DESCRIPTION	价值
模型	[必需]用于微调的输入模型。	MLFlowModelJobInput （必需）
模型提供程序	设置为“AzureOpenAI”类型为 AzureOpenAiFineTuning。设置为 CustomModelFineTuning 类型的“Custom”。	“AzureOpenAI” “Custom”（必需）
任务类型	[必需]微调任务类型。	“ChatCompletion” “ImageClassification” “ImageInstanceSegmentation” “ImageObjectDetection” “QuestionAnswering” “TextClassification” “TextCompletion” “TextSummarization” “TextTranslation” “TokenClassification” “VideoMultiObjectTracking”（必需）
trainingData （训练数据）	[必需]用于微调的训练数据。	JobInput （必需）
validationData （验证数据）	用于微调的验证数据。	作业输入

固定输入数据

名称	DESCRIPTION	价值
inputDataType （输入数据类型）	[必需]指定要监视的信号类型。	“已修复”（必需）

预测地平线

名称	DESCRIPTION	价值
模式	设置为“ AutoForecastHorizon”类型。设置为 CustomForecastHorizon 类型的“Custom”。	“Auto” “Custom”（必需）

预测

名称	DESCRIPTION	价值
cvSplitColumnNames	用于 CVSplit 数据的列。	字符串[]
featurizationSettings	AutoML 作业所需的特征化输入。	TableVerticalFeaturizationSettings
forecasting设置	预测任务特定的输入。	ForecastingSettings
limitSettings	AutoMLJob 的执行约束。	TableVerticalLimitSettings
nCrossValidations	要应用于训练数据集的交叉验证折叠数如果未提供验证数据集，则为。	NCross验证
primaryMetric	预测任务的主要指标。	“NormalizedMeanAbsoluteError” “NormalizedRootMeanSquaredError” “R2Score” 'SpearmanCorrelation'
任务类型	[必需]AutoMLJob 的任务类型。	“预测”（必需）
测试数据	测试数据输入。	MLTableJobInput
testDataSize	需要为验证目的预留的测试数据集的分数。介于（0.0、 1.0）之间的值未提供验证数据集时应用。	整数 (int)
trainingSettings	AutoML 作业训练阶段的输入。	ForecastingTrainingSettings
validationData （验证数据）	验证数据输入。	MLTableJobInput
validationDataSize	需要留出用于验证的定型数据集的分数。介于（0.0、 1.0）之间的值未提供验证数据集时应用。	整数 (int)
权重列名称	示例权重列的名称。自动化 ML 支持加权列作为输入，导致数据中的行向上或向下加权。	字符串

ForecastingSettings

名称	DESCRIPTION	价值
国家/地区或地区为假期	用于预测任务的假日国家或地区。这些代码应为 ISO 3166 双字母国家/地区代码，例如“US”或“GB”。	字符串
cvStepSize	一个 CV 折叠的起始时间与下一个折叠之间的句点数。为例如，如果 `CVStepSize` = 3 表示每日数据，则每个折叠的源时间将为三天相隔。	整数 (int)
featureLags	使用“auto”或 null 为数值特征生成滞后的标志。	“Auto” “None”
forecastHorizon （预测地平线）	所需最大预测范围（以时序频率单位为单位）。	预测地平线
频率	预测时，此参数表示需要预测的时间段，例如每日、每周、每年等。默认情况下，预测频率为数据集频率。	字符串
季节性	将时序季节性设置为序列频率的整数倍数。如果季节性设置为“auto”，则会推断它。	季节性
shortSeriesHandlingConfig	定义 AutoML 如何处理短时序的参数。	“Auto” “掉落” “None” “Pad”
targetAggregateFunction	用于聚合符合用户指定频率的时序目标列的函数。如果设置了 TargetAggregateFunction，即不是“None”，但未设置 freq 参数，则会引发错误。可能的目标聚合函数包括：“sum”、“max”、“min”和“mean”。	“Max” “Mean” “Min” “None” “Sum”
目标拉格	要从目标列滞后的过去时间段数。	目标滞后
targetRollingWindowSize	用于创建目标列的滚动窗口平均值的过去时间段数。	TargetRollingWindowSize
timeColumnName （时间列名称）	时间列的名称。当预测在用于生成时序并推断其频率的输入数据中指定日期/时间列时，此参数是必需的。	字符串
timeSeriesIdColumnNames	用于对时间序列进行分组的列的名称。它可用于创建多个序列。如果未定义粒度，则假定数据集为一个时序。此参数用于任务类型预测。	字符串[]
useStl	配置时序目标列的 STL 分解。	“None” “季度” “SeasonTrend”

ForecastingTrainingSettings

名称	DESCRIPTION	价值
allowedTrainingAlgorithms	允许用于预测任务的模型。	包含任一项的字符串数组： “Arimax” “AutoArima” “Average” “DecisionTree” “ElasticNet” “ExponentialSmoothing” “ExtremeRandomTrees” “GradientBoosting” “KNN” “LassoLars” “LightGBM” “Naive” “先知” “RandomForest” “SeasonalAverage” “SeasonalNaive” “ZN” “TCNForecaster” “XGBoostRegressor”
blockedTrainingAlgorithms	用于预测任务的阻止模型。	包含任一项的字符串数组： “Arimax” “AutoArima” “Average” “DecisionTree” “ElasticNet” “ExponentialSmoothing” “ExtremeRandomTrees” “GradientBoosting” “KNN” “LassoLars” “LightGBM” “Naive” “先知” “RandomForest” “SeasonalAverage” “SeasonalNaive” “ZN” “TCNForecaster” “XGBoostRegressor”
enableDnnTraining	启用 DNN 模型的建议。	布尔
enableModelExplainability	标志以在最佳模型上启用可解释性。	布尔
enableOnnxCompatibleModels	用于启用 onnx 兼容模型的标志。	布尔
enableStackEnsemble	启用堆栈合奏运行。	布尔
enableVoteEnsemble	启用投票合奏运行。	布尔
ensembleModelDownloadTimeout	在 VotingEnsemble 和 StackEnsemble 模型生成期间，将下载先前子运行中的多个拟合模型。如果需要更多时间，请将此参数配置为大于 300 秒的值。	字符串
stackEnsembleSettings	堆栈合奏的堆栈合奏设置。	StackEnsembleSettings

GridSampling算法

名称	DESCRIPTION	价值
采样算法类型	[必需]用于生成超参数值的算法以及配置属性	“Grid”（必需）

身份配置

名称	DESCRIPTION	价值
身份类型	对于 AmlToken 类型，设置为“AMLToken”。设置为 “ManagedIdentity”类型。对于 UserIdentity 类型，设置为“UserIdentity”。	“AMLToken” “Managed” “UserIdentity”（必需）

图像分类

名称	DESCRIPTION	价值
limitSettings	[必需]限制 AutoML 作业的设置。	ImageLimitSettings （必需）
modelSettings	用于训练模型的设置。	ImageModelSettings分类
primaryMetric	要针对此任务进行优化的主要指标。	“准确性” “AUCWeighted” “AveragePrecisionScoreWeighted” “NormMacroRecall” “PrecisionScoreWeighted”
搜索空间	用于采样模型及其超参数的不同组合的搜索空间。	ImageModelDistributionSettingsClassification[]
扫描设置	模型扫描和超参数扫描相关设置。	ImageSweepSettings （图像扫描设置）
任务类型	[必需]AutoMLJob 的任务类型。	“ImageClassification”（必需）
validationData （验证数据）	验证数据输入。	MLTableJobInput
validationDataSize	需要留出用于验证的定型数据集的分数。介于（0.0、 1.0）之间的值未提供验证数据集时应用。	整数 (int)

ImageClassificationMultilabel

名称	DESCRIPTION	价值
limitSettings	[必需]限制 AutoML 作业的设置。	ImageLimitSettings （必需）
modelSettings	用于训练模型的设置。	ImageModelSettings分类
primaryMetric	要针对此任务进行优化的主要指标。	“准确性” “AUCWeighted” “AveragePrecisionScoreWeighted” “IOU” “NormMacroRecall” “PrecisionScoreWeighted”
搜索空间	用于采样模型及其超参数的不同组合的搜索空间。	ImageModelDistributionSettingsClassification[]
扫描设置	模型扫描和超参数扫描相关设置。	ImageSweepSettings （图像扫描设置）
任务类型	[必需]AutoMLJob 的任务类型。	“ImageClassificationMultilabel”（必需）
validationData （验证数据）	验证数据输入。	MLTableJobInput
validationDataSize	需要留出用于验证的定型数据集的分数。介于（0.0、 1.0）之间的值未提供验证数据集时应用。	整数 (int)

ImageInstanceSegmentation

名称	DESCRIPTION	价值
limitSettings	[必需]限制 AutoML 作业的设置。	ImageLimitSettings （必需）
modelSettings	用于训练模型的设置。	ImageModelSettingsObjectDetection
primaryMetric	要针对此任务进行优化的主要指标。	“MeanAveragePrecision”
搜索空间	用于采样模型及其超参数的不同组合的搜索空间。	ImageModelDistributionSettingsObjectDetection[]
扫描设置	模型扫描和超参数扫描相关设置。	ImageSweepSettings （图像扫描设置）
任务类型	[必需]AutoMLJob 的任务类型。	“ImageInstanceSegmentation”（必需）
validationData （验证数据）	验证数据输入。	MLTableJobInput
validationDataSize	需要留出用于验证的定型数据集的分数。介于（0.0、 1.0）之间的值未提供验证数据集时应用。	整数 (int)

ImageLimitSettings

名称	DESCRIPTION	价值
maxConcurrentTrials	最大并发 AutoML 迭代数。	整数 (int)
maxTrials	AutoML 迭代的最大数目。	整数 (int)
超时	AutoML 作业超时。	字符串

ImageModelDistributionSettings分类

名称	DESCRIPTION	价值
amsGradient	优化器为“adam”或“adamw”时启用 AMSGrad。	字符串
扩充	使用扩充的设置。	字符串
贝塔1	优化器为“adam”或“adamw”时“beta1”的值。必须是 [0， 1] 范围内的浮点。	字符串
贝塔2	优化器为“adam”或“adamw”时“beta2”的值。必须是 [0， 1] 范围内的浮点。	字符串
分散式	是否使用分布式程序训练。	字符串
earlyStopping （早期停止）	在训练期间启用提前停止逻辑。	字符串
earlyStoppingDelay	在主要指标改进之前等待的最小纪元数或验证评估数跟踪早期停止。必须是正整数。	字符串
早点停止耐心	之前没有主要指标改进的最小纪元或验证评估数运行已停止。必须是正整数。	字符串
enableOnnxNormalization	导出 ONNX 模型时启用规范化。	字符串
evaluationFrequency	评估验证数据集以获取指标分数的频率。必须是正整数。	字符串
梯度累积步骤	渐变累积意味着在不运行配置数量的“GradAccumulationStep”步骤的情况下更新模型权重，同时累积这些步骤的渐变，然后使用用于计算权重更新的累积渐变。必须是正整数。	字符串
layersToFreeze （图层冻结）	要冻结模型的层数。必须是正整数。例如，将 2 作为“seresnext”的值传递意味着冻结 layer0 和 layer1。有关支持的模型的完整列表以及有关层冻结的详细信息，请请参阅：/azure/machine-learning/how-to-auto-train-image-models。	字符串
learningRate	初始学习速率。必须是 [0， 1] 范围内的浮点。	字符串
learningRateScheduler 的	学习速率计划程序的类型。必须是“warmup_cosine”或“step”。	字符串
模型名称	要用于训练的模型的名称。有关可用模型的详细信息，请访问官方文档： /azure/machine-learning/how-to-auto-train-image-models。	字符串
动量	优化器为“zn”时的动量值。必须是 [0， 1] 范围内的浮点。	字符串
涅斯特罗夫	优化器为“zn”时启用 nesterov。	字符串
纪元数	训练纪元数。必须是正整数。	字符串
工人数	数据加载程序辅助角色数。必须是非负整数。	字符串
优化器	优化器的类型。必须是“zn”、“adam”或“adamw”。	字符串
随机种子	使用确定性训练时要使用的随机种子。	字符串
stepLR伽玛	当学习速率计划程序为“step”时，gamma 的值。必须是 [0， 1] 范围内的浮点。	字符串
stepLRStepSize	学习速率计划程序为“step”时步骤大小的值。必须是正整数。	字符串
trainingBatchSize	训练批大小。必须是正整数。	字符串
trainingCropSize	训练数据集的神经网络输入的图像裁剪大小。必须是正整数。	字符串
validationBatchSize	验证批大小。必须是正整数。	字符串
validationCropSize	输入到神经网络的验证数据集的图像裁剪大小。必须是正整数。	字符串
validationResizeSize	在裁剪验证数据集之前要调整其大小的图像大小。必须是正整数。	字符串
warmupCosineLRCycles	学习速率计划程序为“warmup_cosine”时的余弦周期值。必须是 [0， 1] 范围内的浮点。	字符串
warmupCosineLRWarmupEpochs	当学习速率计划程序为“warmup_cosine”时，预热时期的值。必须是正整数。	字符串
weightDecay （权重衰减）	优化器为“zn”、“adam”或“adamw”时的权重衰减值。必须是范围[0， 1] 中的浮点。	字符串
weightedLoss	减肥。对于无加权损失，接受的值为 0。 1 用于与 sqrt 一起减肥。（class_weights）。 2 用于减肥与class_weights。必须为 0 或 1 或 2。	字符串

ImageModelDistributionSettingsObjectDetection

名称	DESCRIPTION	价值
amsGradient	优化器为“adam”或“adamw”时启用 AMSGrad。	字符串
扩充	使用扩充的设置。	字符串
贝塔1	优化器为“adam”或“adamw”时“beta1”的值。必须是 [0， 1] 范围内的浮点。	字符串
贝塔2	优化器为“adam”或“adamw”时“beta2”的值。必须是 [0， 1] 范围内的浮点。	字符串
boxDetectionsPerImage （每图像检测）	每个图像的最大检测数，适用于所有类。必须是正整数。注意：“yolov5”算法不支持此设置。	字符串
boxScoreThreshold （盒分数阈值）	在推理期间，仅返回分类分数大于 BoxScoreThreshold。必须是范围[0， 1] 中的浮点。	字符串
分散式	是否使用分布式程序训练。	字符串
earlyStopping （早期停止）	在训练期间启用提前停止逻辑。	字符串
earlyStoppingDelay	在主要指标改进之前等待的最小纪元数或验证评估数跟踪早期停止。必须是正整数。	字符串
早点停止耐心	之前没有主要指标改进的最小纪元或验证评估数运行已停止。必须是正整数。	字符串
enableOnnxNormalization	导出 ONNX 模型时启用规范化。	字符串
evaluationFrequency	评估验证数据集以获取指标分数的频率。必须是正整数。	字符串
梯度累积步骤	渐变累积意味着在不运行配置数量的“GradAccumulationStep”步骤的情况下更新模型权重，同时累积这些步骤的渐变，然后使用用于计算权重更新的累积渐变。必须是正整数。	字符串
图像大小	用于训练和验证的图像大小。必须是正整数。注意：如果大小太大，训练运行可能会进入 CUDA OOM。注意：仅“yolov5”算法支持此设置。	字符串
layersToFreeze （图层冻结）	要冻结模型的层数。必须是正整数。例如，将 2 作为“seresnext”的值传递意味着冻结 layer0 和 layer1。有关支持的模型的完整列表以及有关层冻结的详细信息，请请参阅：/azure/machine-learning/how-to-auto-train-image-models。	字符串
learningRate	初始学习速率。必须是 [0， 1] 范围内的浮点。	字符串
learningRateScheduler 的	学习速率计划程序的类型。必须是“warmup_cosine”或“step”。	字符串
最大大小	将图像馈送至主干之前要重新缩放的最大大小。必须是正整数。注意：如果大小太大，训练运行可能会进入 CUDA OOM。注意：“yolov5”算法不支持此设置。	字符串
最小大小	将图像馈送到主干之前要重新缩放的最小大小。必须是正整数。注意：如果大小太大，训练运行可能会进入 CUDA OOM。注意：“yolov5”算法不支持此设置。	字符串
模型名称	要用于训练的模型的名称。有关可用模型的详细信息，请访问官方文档： /azure/machine-learning/how-to-auto-train-image-models。	字符串
modelSize	模型大小。必须是“small”、“medium”、“large”或“xlarge”。注意：如果模型大小太大，训练运行可能会进入 CUDA OOM。注意：仅“yolov5”算法支持此设置。	字符串
动量	优化器为“zn”时的动量值。必须是 [0， 1] 范围内的浮点。	字符串
多尺度	按 +/- 50%的不同图像大小启用多缩放图像。注意：如果没有足够的 GPU 内存，训练运行可能会进入 CUDA OOM。注意：仅“yolov5”算法支持此设置。	字符串
涅斯特罗夫	优化器为“zn”时启用 nesterov。	字符串
nmsIouThreshold	在 NMS 后期处理的推理期间使用的 IOU 阈值。必须在 [0， 1] 范围内浮动。	字符串
纪元数	训练纪元数。必须是正整数。	字符串
工人数	数据加载程序辅助角色数。必须是非负整数。	字符串
优化器	优化器的类型。必须是“zn”、“adam”或“adamw”。	字符串
随机种子	使用确定性训练时要使用的随机种子。	字符串
stepLR伽玛	当学习速率计划程序为“step”时，gamma 的值。必须是 [0， 1] 范围内的浮点。	字符串
stepLRStepSize	学习速率计划程序为“step”时步骤大小的值。必须是正整数。	字符串
tileGridSize （平铺网格大小）	用于平铺每个图像的网格大小。注意：TileGridSize 不得为无可启用小型对象检测逻辑。一个字符串，其中包含两个整数（采用格式）。注意：“yolov5”算法不支持此设置。	字符串
tileOverlapRatio （平铺重叠比率）	每个维度中相邻磁贴之间的重叠比率。必须在 [0， 1] 范围内浮动。注意：“yolov5”算法不支持此设置。	字符串
tilePredictionsNmsThreshold	用于执行 NMS 的 IOU 阈值，同时合并来自磁贴和图像的预测。用于验证/推理。必须在 [0， 1] 范围内浮动。注意：“yolov5”算法不支持此设置。 NMS：非最大抑制	字符串
trainingBatchSize	训练批大小。必须是正整数。	字符串
validationBatchSize	验证批大小。必须是正整数。	字符串
validationIouThreshold	计算验证指标时要使用的 IOU 阈值。必须在 [0， 1] 范围内浮动。	字符串
validationMetricType	用于验证指标的指标计算方法。必须是“none”、“coco”、“voc”或“coco_voc”。	字符串
warmupCosineLRCycles	学习速率计划程序为“warmup_cosine”时的余弦周期值。必须是 [0， 1] 范围内的浮点。	字符串
warmupCosineLRWarmupEpochs	当学习速率计划程序为“warmup_cosine”时，预热时期的值。必须是正整数。	字符串
weightDecay （权重衰减）	优化器为“zn”、“adam”或“adamw”时的权重衰减值。必须是范围[0， 1] 中的浮点。	字符串

ImageModelSettings分类

名称	DESCRIPTION	价值
高级设置	高级方案的设置。	字符串
amsGradient	优化器为“adam”或“adamw”时启用 AMSGrad。	布尔
扩充	使用扩充的设置。	字符串
贝塔1	优化器为“adam”或“adamw”时“beta1”的值。必须是 [0， 1] 范围内的浮点。	整数 (int)
贝塔2	优化器为“adam”或“adamw”时“beta2”的值。必须是 [0， 1] 范围内的浮点。	整数 (int)
检查点频率	存储模型检查点的频率。必须是正整数。	整数 (int)
checkpoint模型	用于增量训练的预先训练检查点模型。	MLFlowModelJobInput
检查点RunId	上一次运行的 ID，该运行具有用于增量训练的预先训练检查点。	字符串
分散式	是否使用分布式训练。	布尔
earlyStopping （早期停止）	在训练期间启用提前停止逻辑。	布尔
earlyStoppingDelay	在主要指标改进之前等待的最小纪元数或验证评估数跟踪早期停止。必须是正整数。	整数 (int)
早点停止耐心	之前没有主要指标改进的最小纪元或验证评估数运行已停止。必须是正整数。	整数 (int)
enableOnnxNormalization	导出 ONNX 模型时启用规范化。	布尔
evaluationFrequency	评估验证数据集以获取指标分数的频率。必须是正整数。	整数 (int)
梯度累积步骤	渐变累积意味着在不运行配置数量的“GradAccumulationStep”步骤的情况下更新模型权重，同时累积这些步骤的渐变，然后使用用于计算权重更新的累积渐变。必须是正整数。	整数 (int)
layersToFreeze （图层冻结）	要冻结模型的层数。必须是正整数。例如，将 2 作为“seresnext”的值传递意味着冻结 layer0 和 layer1。有关支持的模型的完整列表以及有关层冻结的详细信息，请请参阅：/azure/machine-learning/how-to-auto-train-image-models。	整数 (int)
learningRate	初始学习速率。必须是 [0， 1] 范围内的浮点。	整数 (int)
learningRateScheduler 的	学习速率计划程序的类型。必须是“warmup_cosine”或“step”。	“None” “Step” “WarmupCosine”
模型名称	要用于训练的模型的名称。有关可用模型的详细信息，请访问官方文档： /azure/machine-learning/how-to-auto-train-image-models。	字符串
动量	优化器为“zn”时的动量值。必须是 [0， 1] 范围内的浮点。	整数 (int)
涅斯特罗夫	优化器为“zn”时启用 nesterov。	布尔
纪元数	训练纪元数。必须是正整数。	整数 (int)
工人数	数据加载程序辅助角色数。必须是非负整数。	整数 (int)
优化器	优化器的类型。	“Adam” “Adamw” “None” “Zn”
随机种子	使用确定性训练时要使用的随机种子。	整数 (int)
stepLR伽玛	当学习速率计划程序为“step”时，gamma 的值。必须是 [0， 1] 范围内的浮点。	整数 (int)
stepLRStepSize	学习速率计划程序为“step”时步骤大小的值。必须是正整数。	整数 (int)
trainingBatchSize	训练批大小。必须是正整数。	整数 (int)
trainingCropSize	训练数据集的神经网络输入的图像裁剪大小。必须是正整数。	整数 (int)
validationBatchSize	验证批大小。必须是正整数。	整数 (int)
validationCropSize	输入到神经网络的验证数据集的图像裁剪大小。必须是正整数。	整数 (int)
validationResizeSize	在裁剪验证数据集之前要调整其大小的图像大小。必须是正整数。	整数 (int)
warmupCosineLRCycles	学习速率计划程序为“warmup_cosine”时的余弦周期值。必须是 [0， 1] 范围内的浮点。	整数 (int)
warmupCosineLRWarmupEpochs	当学习速率计划程序为“warmup_cosine”时，预热时期的值。必须是正整数。	整数 (int)
weightDecay （权重衰减）	优化器为“zn”、“adam”或“adamw”时的权重衰减值。必须是范围[0， 1] 中的浮点。	整数 (int)
weightedLoss	减肥。对于无加权损失，接受的值为 0。 1 用于与 sqrt 一起减肥。（class_weights）。 2 用于减肥与class_weights。必须为 0 或 1 或 2。	整数 (int)

ImageModelSettingsObjectDetection

名称	DESCRIPTION	价值
高级设置	高级方案的设置。	字符串
amsGradient	优化器为“adam”或“adamw”时启用 AMSGrad。	布尔
扩充	使用扩充的设置。	字符串
贝塔1	优化器为“adam”或“adamw”时“beta1”的值。必须是 [0， 1] 范围内的浮点。	整数 (int)
贝塔2	优化器为“adam”或“adamw”时“beta2”的值。必须是 [0， 1] 范围内的浮点。	整数 (int)
boxDetectionsPerImage （每图像检测）	每个图像的最大检测数，适用于所有类。必须是正整数。注意：“yolov5”算法不支持此设置。	整数 (int)
boxScoreThreshold （盒分数阈值）	在推理期间，仅返回分类分数大于 BoxScoreThreshold。必须是范围[0， 1] 中的浮点。	整数 (int)
检查点频率	存储模型检查点的频率。必须是正整数。	整数 (int)
checkpoint模型	用于增量训练的预先训练检查点模型。	MLFlowModelJobInput
检查点RunId	上一次运行的 ID，该运行具有用于增量训练的预先训练检查点。	字符串
分散式	是否使用分布式训练。	布尔
earlyStopping （早期停止）	在训练期间启用提前停止逻辑。	布尔
earlyStoppingDelay	在主要指标改进之前等待的最小纪元数或验证评估数跟踪早期停止。必须是正整数。	整数 (int)
早点停止耐心	之前没有主要指标改进的最小纪元或验证评估数运行已停止。必须是正整数。	整数 (int)
enableOnnxNormalization	导出 ONNX 模型时启用规范化。	布尔
evaluationFrequency	评估验证数据集以获取指标分数的频率。必须是正整数。	整数 (int)
梯度累积步骤	渐变累积意味着在不运行配置数量的“GradAccumulationStep”步骤的情况下更新模型权重，同时累积这些步骤的渐变，然后使用用于计算权重更新的累积渐变。必须是正整数。	整数 (int)
图像大小	用于训练和验证的图像大小。必须是正整数。注意：如果大小太大，训练运行可能会进入 CUDA OOM。注意：仅“yolov5”算法支持此设置。	整数 (int)
layersToFreeze （图层冻结）	要冻结模型的层数。必须是正整数。例如，将 2 作为“seresnext”的值传递意味着冻结 layer0 和 layer1。有关支持的模型的完整列表以及有关层冻结的详细信息，请请参阅：/azure/machine-learning/how-to-auto-train-image-models。	整数 (int)
learningRate	初始学习速率。必须是 [0， 1] 范围内的浮点。	整数 (int)
learningRateScheduler 的	学习速率计划程序的类型。必须是“warmup_cosine”或“step”。	“None” “Step” “WarmupCosine”
最大大小	将图像馈送至主干之前要重新缩放的最大大小。必须是正整数。注意：如果大小太大，训练运行可能会进入 CUDA OOM。注意：“yolov5”算法不支持此设置。	整数 (int)
最小大小	将图像馈送到主干之前要重新缩放的最小大小。必须是正整数。注意：如果大小太大，训练运行可能会进入 CUDA OOM。注意：“yolov5”算法不支持此设置。	整数 (int)
模型名称	要用于训练的模型的名称。有关可用模型的详细信息，请访问官方文档： /azure/machine-learning/how-to-auto-train-image-models。	字符串
modelSize	模型大小。必须是“small”、“medium”、“large”或“xlarge”。注意：如果模型大小太大，训练运行可能会进入 CUDA OOM。注意：仅“yolov5”算法支持此设置。	“ExtraLarge” “Large” “Medium” “None” “Small”
动量	优化器为“zn”时的动量值。必须是 [0， 1] 范围内的浮点。	整数 (int)
多尺度	按 +/- 50%的不同图像大小启用多缩放图像。注意：如果没有足够的 GPU 内存，训练运行可能会进入 CUDA OOM。注意：仅“yolov5”算法支持此设置。	布尔
涅斯特罗夫	优化器为“zn”时启用 nesterov。	布尔
nmsIouThreshold	在 NMS 后期处理的推理期间使用的 IOU 阈值。必须是 [0， 1] 范围内的浮点。	整数 (int)
纪元数	训练纪元数。必须是正整数。	整数 (int)
工人数	数据加载程序辅助角色数。必须是非负整数。	整数 (int)
优化器	优化器的类型。	“Adam” “Adamw” “None” “Zn”
随机种子	使用确定性训练时要使用的随机种子。	整数 (int)
stepLR伽玛	当学习速率计划程序为“step”时，gamma 的值。必须是 [0， 1] 范围内的浮点。	整数 (int)
stepLRStepSize	学习速率计划程序为“step”时步骤大小的值。必须是正整数。	整数 (int)
tileGridSize （平铺网格大小）	用于平铺每个图像的网格大小。注意：TileGridSize 不得为无可启用小型对象检测逻辑。一个字符串，其中包含两个整数（采用格式）。注意：“yolov5”算法不支持此设置。	字符串
tileOverlapRatio （平铺重叠比率）	每个维度中相邻磁贴之间的重叠比率。必须在 [0， 1] 范围内浮动。注意：“yolov5”算法不支持此设置。	整数 (int)
tilePredictionsNmsThreshold	用于执行 NMS 的 IOU 阈值，同时合并来自磁贴和图像的预测。用于验证/推理。必须在 [0， 1] 范围内浮动。注意：“yolov5”算法不支持此设置。	整数 (int)
trainingBatchSize	训练批大小。必须是正整数。	整数 (int)
validationBatchSize	验证批大小。必须是正整数。	整数 (int)
validationIouThreshold	计算验证指标时要使用的 IOU 阈值。必须在 [0， 1] 范围内浮动。	整数 (int)
validationMetricType	用于验证指标的指标计算方法。	“Coco” “CocoVoc” “None” “Voc”
warmupCosineLRCycles	学习速率计划程序为“warmup_cosine”时的余弦周期值。必须是 [0， 1] 范围内的浮点。	整数 (int)
warmupCosineLRWarmupEpochs	当学习速率计划程序为“warmup_cosine”时，预热时期的值。必须是正整数。	整数 (int)
weightDecay （权重衰减）	优化器为“zn”、“adam”或“adamw”时的权重衰减值。必须是范围[0， 1] 中的浮点。	整数 (int)

ImageObjectDetection

名称	DESCRIPTION	价值
limitSettings	[必需]限制 AutoML 作业的设置。	ImageLimitSettings （必需）
modelSettings	用于训练模型的设置。	ImageModelSettingsObjectDetection
primaryMetric	要针对此任务进行优化的主要指标。	“MeanAveragePrecision”
搜索空间	用于采样模型及其超参数的不同组合的搜索空间。	ImageModelDistributionSettingsObjectDetection[]
扫描设置	模型扫描和超参数扫描相关设置。	ImageSweepSettings （图像扫描设置）
任务类型	[必需]AutoMLJob 的任务类型。	“ImageObjectDetection”（必需）
validationData （验证数据）	验证数据输入。	MLTableJobInput
validationDataSize	需要留出用于验证的定型数据集的分数。介于（0.0、 1.0）之间的值未提供验证数据集时应用。	整数 (int)

ImageSweepSettings （图像扫描设置）

名称	DESCRIPTION	价值
early终止	提前终止策略的类型。	提前终止政策
sampling算法	[必需]超参数采样算法的类型。	“贝贝西亚语” “Grid” “Random”（必需）

JobBaseProperties

名称	DESCRIPTION	价值
组件 ID	组件资源的 ARM 资源 ID。	字符串
计算 ID	计算资源的 ARM 资源 ID。	字符串
描述	资产说明文本。	字符串
displayName （显示名称）	作业的显示名称。	字符串
实验名称	作业所属的试验的名称。如果未设置，作业将放置在“默认”试验中。	字符串
标识	标识配置。如果已设置，则应为 AmlToken、ManagedIdentity、UserIdentity 或 null 之一。如果为 null，则默认为 AmlToken。	身份配置
isArchived 已存档	资产是否已存档？	布尔
职位类型	设置为 AutoMLJob 类型的“AutoML”。设置为 CommandJob 类型的“Command”。设置为“ FineTuning”，键入 FineTuningJob。设置为 PipelineJob 类型的“Pipeline”。设置为“ SparkJob”类型的“Spark”。设置为“ SweepJob”类型。	“AutoML” “Command” “FineTuning” “Pipeline” “Spark” “扫描”（必需）
notification设置	作业的通知设置	通知设置
属性	资产属性字典。	ResourceBaseProperties
服务	JobEndpoints 列表。对于本地作业，作业终结点的终结点值为 FileStreamObject。	JobBase服务
标签	标记字典。可以添加、删除和更新标记。	ResourceBaseTags

JobBase服务

名称	DESCRIPTION	价值

作业输入

名称	DESCRIPTION	价值
描述	输入的说明。	字符串
jobInputType （作业输入类型）	设置为 CustomModelJobInput 类型的“custom_model”。设置为 Type LiteralJobInput 的“literal”。设置为 MLFlowModelJobInput 类型的“mlflow_model”。设置为 MLTableJobInput 类型的“mltable”。设置为 TritonModelJobInput 类型的“triton_model”。设置为 UriFileJobInput 类型的“uri_file”。设置为 UriFolderJobInput 类型的“uri_folder”。	“custom_model” “literal” “mlflow_model” “mltable” “triton_model” “uri_file” “uri_folder”（必需）

JobOutput （作业输出）

名称	DESCRIPTION	价值
描述	输出的说明。	字符串
jobOutputType	设置为 CustomModelJobOutput 类型的“custom_model”。设置为 MLFlowModelJobOutput 类型的“mlflow_model”。设置为 MLTableJobOutput 类型的“mltable”。设置为 TritonModelJobOutput 类型的“triton_model”。设置为 UriFileJobOutput 类型的“uri_file”。设置为 UriFolderJobOutput 类型的“uri_folder”。	“custom_model” “mlflow_model” “mltable” “triton_model” “uri_file” “uri_folder”（必需）

JobResourceConfiguration

名称	DESCRIPTION	价值
dockerArgs	要传递给 Docker run 命令的额外参数。这将替代系统设置的任何参数，或在本部分中。此参数仅支持 Azure ML 计算类型。	字符串
instanceCount	计算目标使用的实例或节点数可选。	整数 (int)
instanceType	计算目标支持的可选 VM 类型。	字符串
属性	其他属性包。	ResourceConfigurationProperties
shmSize	docker 容器的共享内存块的大小。这应采用（number）（unit）格式，其中数字大于 0，单位可以是 b（字节）、k（千字节）、m（兆字节）或 g（GB）。	字符串约束：图案 = `\d+[bBkKmMgG]`

工作资源

名称	DESCRIPTION	价值
instanceTypes	要从中选择的实例类型列表。	字符串[]

JobScheduleAction作

名称	DESCRIPTION	价值
动作类型	[必需]指定计划的作类型	“CreateJob”（必需）
jobDefinition	[必需]定义计划作定义详细信息。	JobBaseProperties （必需）

工作服务

名称	DESCRIPTION	价值
终结点	终结点的 URL。	字符串
jobServiceType	终结点类型。	字符串
节点	用户希望启动服务的节点。如果未将 Nodes 设置为 null，则服务将仅在领导节点上启动。	节点
移植	终结点的端口。	整数 (int)
属性	在终结点上设置的其他属性。	JobServiceProperties

JobServiceProperties

名称	DESCRIPTION	价值

LiteralJobInput （文字作业输入）

名称	DESCRIPTION	价值
jobInputType （作业输入类型）	[必需]指定作业的类型。	“literal”（必需）
价值	[必需]输入的文本值。	字符串约束：最小长度 = 1 模式 = `[a-zA-Z0-9_]` （必需）

ManagedComputeIdentity

名称	DESCRIPTION	价值
computeIdentityType	[必需]指定要在监视作业中使用的标识类型。	“ManagedIdentity”（必需）
标识	监视作业将利用的标识。	ManagedServiceIdentity

ManagedIdentity （托管身份）

名称	DESCRIPTION	价值
客户端 ID	按客户端 ID 指定用户分配的标识。对于系统分配，请不要设置此字段。	字符串约束：最小长度 = 36 最大长度 = 36 图案 = `^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$`
身份类型	[必需]指定标识框架的类型。	“Managed”（必需）
对象 ID	按对象 ID 指定用户分配的标识。对于系统分配，请不要设置此字段。	字符串约束：最小长度 = 36 最大长度 = 36 图案 = `^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$`
资源ID	按 ARM 资源 ID 指定用户分配的标识。对于系统分配，请不要设置此字段。	字符串

ManagedServiceIdentity

名称	DESCRIPTION	价值
类型	托管服务标识的类型（其中允许 SystemAssigned 和 UserAssigned 类型）。	“None” “SystemAssigned” “SystemAssigned，UserAssigned” “UserAssigned”（必需）
用户分配的标识	与资源关联的用户分配标识集。 userAssignedIdentities 字典密钥将为 ARM 资源 ID，格式为“/subscriptions/{subscriptionId}/resourceGroups/{resourceGroupName}/providers/Microsoft.ManagedIdentity/userAssignedIdentities/{identityName}”。字典值可以是请求中的空对象（{}）。	UserAssignedIdentities

MedianStoppingPolicy （中值停止策略）

名称	DESCRIPTION	价值
policyType	[必需]策略配置的名称	“MedianStopping”（必需）

MLFlowModelJobInput

名称	DESCRIPTION	价值
描述	输入的说明。	字符串
jobInputType （作业输入类型）	[必需]指定作业的类型。	“custom_model” “literal” “mlflow_model” “mltable” “triton_model” “uri_file” “uri_folder”（必需）
模式	输入资产传送模式。	“Direct” “下载” “EvalDownload” “EvalMount” “ReadOnlyMount” “ReadWriteMount”
URI	[必需]输入资产 URI。	字符串约束：最小长度 = 1 模式 = `[a-zA-Z0-9_]` （必需）

MLFlowModelJobInput

名称	DESCRIPTION	价值
jobInputType （作业输入类型）	[必需]指定作业的类型。	“mlflow_model”（必需）
模式	输入资产传送模式。	“Direct” “下载” “EvalDownload” “EvalMount” “ReadOnlyMount” “ReadWriteMount”
URI	[必需]输入资产 URI。	字符串约束：最小长度 = 1 模式 = `[a-zA-Z0-9_]` （必需）

MLFlowModelJobOutput

名称	DESCRIPTION	价值
jobOutputType	[必需]指定作业的类型。	“mlflow_model”（必需）
模式	输出资产传送模式。	“Direct” “ReadWriteMount” “Upload”
URI	输出资产 URI。	字符串

MLTableJobInput

名称	DESCRIPTION	价值
描述	输入的说明。	字符串
jobInputType （作业输入类型）	[必需]指定作业的类型。	“custom_model” “literal” “mlflow_model” “mltable” “triton_model” “uri_file” “uri_folder”（必需）
模式	输入资产传送模式。	“Direct” “下载” “EvalDownload” “EvalMount” “ReadOnlyMount” “ReadWriteMount”
URI	[必需]输入资产 URI。	字符串约束：最小长度 = 1 模式 = `[a-zA-Z0-9_]` （必需）

MLTableJobInput

名称	DESCRIPTION	价值
jobInputType （作业输入类型）	[必需]指定作业的类型。	“mltable”（必需）
模式	输入资产传送模式。	“Direct” “下载” “EvalDownload” “EvalMount” “ReadOnlyMount” “ReadWriteMount”
URI	[必需]输入资产 URI。	字符串约束：最小长度 = 1 模式 = `[a-zA-Z0-9_]` （必需）

MLTableJobOutput

名称	DESCRIPTION	价值
jobOutputType	[必需]指定作业的类型。	“mltable”（必需）
模式	输出资产传送模式。	“Direct” “ReadWriteMount” “Upload”
URI	输出资产 URI。	字符串

监视器ComputeConfigurationBase

名称	DESCRIPTION	价值
computeType	设置为 MonitorServerlessSparkCompute 类型的“ServerlessSpark”。	“ServerlessSpark”（必需）

监视器计算身份库

名称	DESCRIPTION	价值
computeIdentityType	对于 AmlTokenComputeIdentity，设置为“AmlToken”。设置为 “ManagedComputeIdentity”类型的“ManagedIdentity”。	“AmlToken” “ManagedIdentity”（必需）

监视器定义

名称	DESCRIPTION	价值
alertNotificationSettings	监视器的通知设置。	MonitorNotificationSettings
computeConfiguration	[必需]要运行监视作业的计算资源的 ARM 资源 ID。	MonitorComputeConfigurationBase （必需）
监控目标	监视器针对的实体。	监控目标
信号	[必需]要监视的信号。	MonitorDefinitionSignals （必需）

监视器定义信号

名称	DESCRIPTION	价值

监视器EmailNotificationSettings

名称	DESCRIPTION	价值
电子邮件	总共限制为 499 个字符的电子邮件收件人列表。	字符串[]

MonitoringFeatureFilterBase

名称	DESCRIPTION	价值
filterType （过滤器类型）	对于 AllFeatures 类型，设置为“AllFeatures”。对于 FeatureSubset 类型，设置为“FeatureSubset”。对于 TopNFeaturesByAttribution，设置为“TopNByAttribution”。	“AllFeatures” “FeatureSubset” “TopNByAttribution”（必需）

监控输入数据库

名称	DESCRIPTION	价值
列	将列名映射到特殊用途。	MonitoringInputDataBaseColumns
dataContext	数据源的上下文元数据。	字符串
inputDataType （输入数据类型）	对于 FixedInputData 类型，设置为“Fixed”。设置为 “RollingInputData”类型的“Rolling”。设置为 StaticInputData 类型的“Static”。	“Fixed” “滚动” “Static”（必需）
jobInputType （作业输入类型）	[必需]指定作业的类型。	“custom_model” “literal” “mlflow_model” “mltable” “triton_model” “uri_file” “uri_folder”（必需）
URI	[必需]输入资产 URI。	字符串约束：最小长度 = 1 模式 = `[a-zA-Z0-9_]` （必需）

MonitoringInputDataBaseColumns

名称	DESCRIPTION	价值

监控信号库

名称	DESCRIPTION	价值
notificationTypes	此信号的当前通知模式。	包含任一项的字符串数组： “AmlNotification”
属性	属性字典。可以添加属性，但不能删除或更改属性。	MonitoringSignalBaseProperties
信号类型	设置为 CustomMonitoringSignal 类型的“Custom”。设置为 DataDriftMonitoringSignal 类型的“DataDrift”。设置为 DataQualityMonitoringSignal 类型的“DataQuality”。对于 Type FeatureAttributionDrift，设置为“FeatureAttributionDriftMonitoringSignal”。设置为“ PredictionDriftMonitoringSignal”类型的“PredictionDrift”。	“Custom” “DataDrift” “DataQuality” “FeatureAttributionDrift” “PredictionDrift”（必需）

MonitoringSignalBaseProperties

名称	DESCRIPTION	价值

监控目标

名称	DESCRIPTION	价值
deploymentId	对此监视器目标的部署资产的引用。	字符串
模型 ID	对此监视器所针对的模型资产的引用。	字符串
任务类型	[必需]受监视模型的机器学习任务类型。	“Classification” “回归”（必需）

监控阈值

名称	DESCRIPTION	价值
价值	阈值。如果为 null，则设置默认值取决于指标类型。	整数 (int)

MonitorNotificationSettings

名称	DESCRIPTION	价值
emailNotification设置	AML 通知电子邮件设置。	监视器EmailNotificationSettings

监视器ServerlessSparkCompute

名称	DESCRIPTION	价值
计算身份	[必需]无服务器 Spark 上运行的 Spark 作业利用的标识方案。	MonitorComputeIdentityBase （必需）
computeType	[必需]指定要监视的信号类型。	“ServerlessSpark”（必需）
instanceType	[必需]运行 Spark 作业的实例类型。	字符串约束：最小长度 = 1 模式 = `[a-zA-Z0-9_]` （必需）
runtimeVersion （运行时版本）	[必需]Spark 运行时版本。	字符串约束：最小长度 = 1 模式 = `^[0-9]+\.[0-9]+$` （必需）

MPI

名称	DESCRIPTION	价值
distributionType	[必需]指定分发框架的类型。	“Mpi”（必需）
processCountPerInstance	每个 MPI 节点的进程数。	整数 (int)

NCross验证

名称	DESCRIPTION	价值
模式	对于 AutoNCrossValidations 类型，设置为“自动”。设置为 CustomNCrossValidations 类型的“Custom”。	“Auto” “Custom”（必需）

NlpVerticalFeaturizationSettings

名称	DESCRIPTION	价值
datasetLanguage	数据集语言，适用于文本数据。	字符串

NlpVerticalLimitSettings

名称	DESCRIPTION	价值
maxConcurrentTrials	最大并发 AutoML 迭代次数。	整数 (int)
maxTrials	AutoML 迭代数。	整数 (int)
超时	AutoML 作业超时。	字符串

节点

名称	DESCRIPTION	价值
nodesValueType	对于 AllNodes 类型，设置为“All”。	“全部”（必需）

通知设置

名称	DESCRIPTION	价值
电子邮件	在指定的通知类型上向用户发送电子邮件通知	包含任一项的字符串数组： “JobCancelled” “JobCompleted” “JobFailed”
电子邮件	这是电子邮件收件人列表，限制为 499 个字符的总 concat 和逗号分隔符	字符串[]
webhook	将 Webhook 回调发送到服务。密钥是 Webhook 的用户提供的名称。	NotificationSettingWebhook

NotificationSettingWebhook

名称	DESCRIPTION	价值

NumericalDataDriftMetricThreshold

名称	DESCRIPTION	价值
数据类型	[必需]指定指标阈值的数据类型。	“数字”（必需）
指标	[必需]要计算的数字数据偏移指标。	“JensenShannonDistance” “NormalizedWassersteinDistance” “PopulationStabilityIndex” “TwoSampleKolmogorovsmirnovTest”（必需）

NumericalDataQualityMetricThreshold

名称	DESCRIPTION	价值
数据类型	[必需]指定指标阈值的数据类型。	“数字”（必需）
指标	[必需]要计算的数字数据质量指标。	“DataTypeErrorRate” “NullValueRate” “OutOfBoundsRate”（必需）

NumericalPredictionDriftMetricThreshold

名称	DESCRIPTION	价值
数据类型	[必需]指定指标阈值的数据类型。	“数字”（必需）
指标	[必需]要计算的数字预测偏移指标。	“JensenShannonDistance” “NormalizedWassersteinDistance” “PopulationStabilityIndex” “TwoSampleKolmogorovsmirnovTest”（必需）

目的

名称	DESCRIPTION	价值
目标	[必需]定义超参数优化支持的指标目标	“最大化” “最小化”（必需）
primaryMetric	[必需]要优化的指标的名称。	字符串约束：最小长度 = 1 模式 = `[a-zA-Z0-9_]` （必需）

管道作业

名称	DESCRIPTION	价值
输入	管道作业的输入。	管道作业输入
工作	作业构造管道作业。	PipelineJobJob 作业
职位类型	[必需]指定作业的类型。	“Pipeline”（必需）
输出	管道作业的输出	PipelineJobOutputs
设置	管道设置，例如 ContinueRunOnStepFailure 等。	任何
源作业 ID	源作业的 ARM 资源 ID。	字符串

管道作业输入

名称	DESCRIPTION	价值

PipelineJobJob 作业

名称	DESCRIPTION	价值

PipelineJobOutputs

名称	DESCRIPTION	价值

PredictionDriftMetricThresholdBase

名称	DESCRIPTION	价值
数据类型	设置为 CategoricalPredictionDriftMetricThreshold 类型的“分类”。对于 Type NumericalPredictionDriftMetricThreshold，设置为“数字”。	“分类” “数字”（必需）
阈值	阈值。如果为 null，则会根据所选指标设置默认值。	监控阈值

预测漂移监测信号

名称	DESCRIPTION	价值
featureDataTypeOverride	一个字典，用于将特征名称映射到各自的数据类型。	PredictionDriftMonitoringSignalFeatureDataTypeOverride
metricThresholds	[必需]要计算的指标列表及其关联的阈值。	PredictionDriftMetricThresholdBase[] （必需）
生产数据	[必需]将计算偏移的数据。	MonitoringInputDataBase （必需）
referenceData （引用数据）	[必需]要计算偏移的数据。	MonitoringInputDataBase （必需）
信号类型	[必需]指定要监视的信号类型。	“PredictionDrift”（必需）

PredictionDriftMonitoringSignalFeatureDataTypeOverride

名称	DESCRIPTION	价值

PyTorch

名称	DESCRIPTION	价值
distributionType	[必需]指定分发框架的类型。	“PyTorch”（必需）
processCountPerInstance	每个节点的进程数。	整数 (int)

队列设置

名称	DESCRIPTION	价值
jobTier	控制计算作业层	“Basic” “Null” “Premium” “Spot” “Standard”

RandomSamplingAlgorithm 算法

名称	DESCRIPTION	价值
规则	随机算法的特定类型	“Random” “Sobol”
采样算法类型	[必需]用于生成超参数值的算法以及配置属性	“Random”（必需）
种子	用作随机数生成的种子的可选整数	整数 (int)

RecurrenceSchedule （定期计划）

名称	DESCRIPTION	价值
小时	[必需]计划小时列表。	int[] （必需）
分钟数	[必需]计划分钟列表。	int[] （必需）
月天	计划月份日期列表	int[]
平日	计划天数列表。	包含任一项的字符串数组： “Friday” “Monday” “Saturday” “星期日” “星期四” “Tuesday” “Wednesday”

RecurrenceTrigger 触发器

名称	DESCRIPTION	价值
频率	[必需]触发计划的频率。	“Day” “Hour” “Minute” “Month” “Week”（必需）
间隔	[必需]指定计划间隔与频率	int （必需）
时间表	重复计划。	RecurrenceSchedule （定期计划）
triggerType	[必需]	“定期”（必需）

回归

名称	DESCRIPTION	价值
cvSplitColumnNames	用于 CVSplit 数据的列。	字符串[]
featurizationSettings	AutoML 作业所需的特征化输入。	TableVerticalFeaturizationSettings
limitSettings	AutoMLJob 的执行约束。	TableVerticalLimitSettings
nCrossValidations	要应用于训练数据集的交叉验证折叠数如果未提供验证数据集，则为。	NCross验证
primaryMetric	回归任务的主要指标。	“NormalizedMeanAbsoluteError” “NormalizedRootMeanSquaredError” “R2Score” 'SpearmanCorrelation'
任务类型	[必需]AutoMLJob 的任务类型。	“回归”（必需）
测试数据	测试数据输入。	MLTableJobInput
testDataSize	需要为验证目的预留的测试数据集的分数。介于（0.0、 1.0）之间的值未提供验证数据集时应用。	整数 (int)
trainingSettings	AutoML 作业训练阶段的输入。	回归训练设置
validationData （验证数据）	验证数据输入。	MLTableJobInput
validationDataSize	需要留出用于验证的定型数据集的分数。介于（0.0、 1.0）之间的值未提供验证数据集时应用。	整数 (int)
权重列名称	示例权重列的名称。自动化 ML 支持加权列作为输入，导致数据中的行向上或向下加权。	字符串

回归训练设置

名称	DESCRIPTION	价值
allowedTrainingAlgorithms	回归任务的允许模型。	包含任一项的字符串数组： “DecisionTree” “ElasticNet” “ExtremeRandomTrees” “GradientBoosting” “KNN” “LassoLars” “LightGBM” “RandomForest” “ZN” “XGBoostRegressor”
blockedTrainingAlgorithms	回归任务的阻止模型。	包含任一项的字符串数组： “DecisionTree” “ElasticNet” “ExtremeRandomTrees” “GradientBoosting” “KNN” “LassoLars” “LightGBM” “RandomForest” “ZN” “XGBoostRegressor”
enableDnnTraining	启用 DNN 模型的建议。	布尔
enableModelExplainability	标志以在最佳模型上启用可解释性。	布尔
enableOnnxCompatibleModels	用于启用 onnx 兼容模型的标志。	布尔
enableStackEnsemble	启用堆栈合奏运行。	布尔
enableVoteEnsemble	启用投票合奏运行。	布尔
ensembleModelDownloadTimeout	在 VotingEnsemble 和 StackEnsemble 模型生成期间，将下载先前子运行中的多个拟合模型。如果需要更多时间，请将此参数配置为大于 300 秒的值。	字符串
stackEnsembleSettings	堆栈合奏的堆栈合奏设置。	StackEnsembleSettings

ResourceBaseProperties

名称	DESCRIPTION	价值

ResourceBaseProperties

名称	DESCRIPTION	价值

ResourceBaseTags

名称	DESCRIPTION	价值

ResourceBaseTags

名称	DESCRIPTION	价值

ResourceConfigurationProperties

名称	DESCRIPTION	价值

滚动输入数据

名称	DESCRIPTION	价值
inputDataType （输入数据类型）	[必需]指定要监视的信号类型。	“滚动”（必需）
预处理组件 ID	对用于预处理数据的组件资产的引用。	字符串
windowOffset	[必需]数据窗口末尾与监视器的当前运行时之间的时间偏移量。	string （必需）
窗口大小	[必需]滚动数据窗口的大小。	string （必需）

采样算法

名称	DESCRIPTION	价值
采样算法类型	设置为 “Bayesian”类型的 BayesianSamplingAlgorithm。设置为 GridSamplingAlgorithm 类型的“Grid”。设置为 RandomSamplingAlgorithm 类型的“Random”。	“贝贝西亚语” “Grid” “Random”（必需）

ScheduleActionBase

名称	DESCRIPTION	价值
动作类型	设置为 JobScheduleAction 类型的“CreateJob”。设置为 CreateMonitorAction 类型的“CreateMonitor”。设置为 EndpointScheduleAction 类型的“InvokeBatchEndpoint”。	“CreateJob” “CreateMonitor” “InvokeBatchEndpoint”（必需）

ScheduleProperties （计划属性）

名称	DESCRIPTION	价值
操作	[必需]指定计划的作	ScheduleActionBase （必需）
描述	资产说明文本。	字符串
displayName （显示名称）	计划显示名称。	字符串
isEnabled 已启用	是否启用了计划？	布尔
属性	资产属性字典。	ResourceBaseProperties
标签	标记字典。可以添加、删除和更新标记。	ResourceBaseTags
触发	[必需]指定触发器详细信息	TriggerBase （必需）

季节性

名称	DESCRIPTION	价值
模式	设置为“ AutoSeasonality”类型为“自动”。设置为“ CustomSeasonality”类型。	“Auto” “Custom”（必需）

SparkJob

名称	DESCRIPTION	价值
档案	存档作业中使用的文件。	字符串[]
参数	作业的参数。	字符串
代码 Id	[必需] 代码资产的 arm-id。	string （必需）
会议	Spark 配置的属性。	SparkJobConf 函数
输入	[必需]在启动作业时要执行的条目。	SparkJobEntry （必需）
环境 ID	作业的环境规范的 ARM 资源 ID。	字符串
环境变量	作业中包含的环境变量。	SparkJobEnvironment变量
文件	作业中使用的文件。	字符串[]
输入	作业中使用的输入数据绑定的映射。	SparkJobInputs
罐子	作业中使用的 Jar 文件。	字符串[]
职位类型	[必需]指定作业的类型。	“Spark”（必需）
输出	作业中使用的输出数据绑定的映射。	SparkJob输出
py文件	作业中使用的 Python 文件。	字符串[]
queueSettings	作业的队列设置	队列设置
资源	作业的计算资源配置。	SparkResourceConfiguration

SparkJobConf 函数

名称	DESCRIPTION	价值

SparkJobEntry

名称	DESCRIPTION	价值
sparkJobEntryType	设置为 SparkJobPythonEntry 类型的“SparkJobPythonEntry”。设置为“ SparkJobScalaEntry”类型的“SparkJobScalaEntry”。	“SparkJobPythonEntry” “SparkJobScalaEntry”（必需）

SparkJobEnvironment变量

名称	DESCRIPTION	价值

SparkJobInputs

名称	DESCRIPTION	价值

SparkJob输出

名称	DESCRIPTION	价值

SparkJobPython条目

名称	DESCRIPTION	价值
文件	[必需]作业入口点的相对 python 文件路径。	字符串约束：最小长度 = 1 模式 = `[a-zA-Z0-9_]` （必需）
sparkJobEntryType	[必需]作业入口点的类型。	“SparkJobPythonEntry”（必需）

SparkJobScalaEntry

名称	DESCRIPTION	价值
类名	[必需]用作入口点的 Scala 类名称。	字符串约束：最小长度 = 1 模式 = `[a-zA-Z0-9_]` （必需）
sparkJobEntryType	[必需]作业入口点的类型。	“SparkJobScalaEntry”（必需）

SparkResourceConfiguration

名称	DESCRIPTION	价值
instanceType	计算目标支持的可选 VM 类型。	字符串
runtimeVersion （运行时版本）	用于作业的 spark 运行时的版本。	字符串

StackEnsembleSettings

名称	DESCRIPTION	价值
stackMetaLearnerKWargs	要传递给元学习器初始值设定项的可选参数。	任何
stackMetaLearnerTrainPercentage	指定要保留用于训练元学习者的训练集（选择训练和训练类型的训练）的比例。默认值为 0.2。	整数 (int)
stackMetaLearnerType	元学习器是在单个异类模型的输出上训练的模型。	“ElasticNet” “ElasticNetCV” “LightGBMClassifier” “LightGBMRegressor” “LinearRegression” “LogisticRegression” “LogisticRegressionCV” “None”

StaticInputData （静态输入数据）

名称	DESCRIPTION	价值
inputDataType （输入数据类型）	[必需]指定要监视的信号类型。	“Static”（必需）
预处理组件 ID	对用于预处理数据的组件资产的引用。	字符串
窗口结束	[必需]数据窗口的结束日期。	string （必需）
窗口开始	[必需]数据窗口的开始日期。	string （必需）

SweepJob （扫描作业）

名称	DESCRIPTION	价值
early终止	提前终止策略可在完成之前取消性能不佳的运行	提前终止政策
输入	作业中使用的输入数据绑定的映射。	SweepJobInputs
职位类型	[必需]指定作业的类型。	“扫描”（必需）
限制	扫描作业限制。	SweepJobLimits （扫描作业限制）
目的	[必需]优化目标。	目标（必需）
输出	作业中使用的输出数据绑定的映射。	SweepJobOutputs （扫描作业输出）
queueSettings	作业的队列设置	队列设置
sampling算法	[必需]超参数采样算法	SamplingAlgorithm （必需）
搜索空间	[必需]包含每个参数及其分布的字典。字典键是参数的名称	任何（必需）
试用	[必需]试用组件定义。	TrialComponent （必需）

SweepJobInputs

名称	DESCRIPTION	价值

SweepJobLimits （扫描作业限制）

名称	DESCRIPTION	价值
jobLimits类型	[必需]JobLimit 类型。	“Command” “扫描”（必需）
maxConcurrentTrials	扫描作业最大并发试用版。	整数 (int)
maxTotalTrials	扫描作业最大总试用版数。	整数 (int)
超时	ISO 8601 格式的最大运行持续时间，之后作业将被取消。仅支持精度为秒的持续时间。	字符串
trialTimeout （试用超时）	扫描作业试用超时值。	字符串

SweepJobOutputs （扫描作业输出）

名称	DESCRIPTION	价值

TableVerticalFeaturizationSettings

名称	DESCRIPTION	价值
阻塞变压器	这些转换器不应用于特征化。	包含任一项的字符串数组： “CatTargetEncoder” “CountVectorizer” “HashOneHotEncoder” “LabelEncoder” “NaiveBayes” “OneHotEncoder” “TextTargetEncoder” “TfIdf” “WoETargetEncoder” “WordEmbedding”
columnNameAnd类型	列名及其类型（int、float、string、datetime 等）的字典。	TableVerticalFeaturizationSettingsColumnNameAndTypes
datasetLanguage	数据集语言，适用于文本数据。	字符串
enableDnnFeaturization	确定是否使用基于 Dnn 的特征化器进行数据特征化。	布尔
模式	特征化模式 - 用户可以保留默认的“自动”模式，AutoML 将负责在特征化阶段对数据进行必要的转换。如果选择了“关闭”，则不会完成特征化。如果选择“自定义”，则用户可以指定其他输入以自定义特征化完成方式。	“Auto” “Custom” “关闭”
transformer参数	用户可以指定要用于的其他转换器以及要向其应用它的列以及转换器构造函数的参数。	TableVerticalFeaturizationSettingsTransformerParams

TableVerticalFeaturizationSettingsColumnNameAndTypes

名称	DESCRIPTION	价值

TableVerticalFeaturizationSettingsTransformerParams

名称	DESCRIPTION	价值

TableVerticalLimitSettings

名称	DESCRIPTION	价值
enableEarlyTermination	启用提前终止，确定如果最近 20 次迭代中没有分数改进，AutoMLJob 是否会提前终止。	布尔
退出评分	AutoML 作业的退出分数。	整数 (int)
maxConcurrentTrials	最大并发迭代数。	整数 (int)
maxCoresPerTrial	每次迭代的最大核心数。	整数 (int)
maxTrials	迭代数。	整数 (int)
超时	AutoML 作业超时。	字符串
trialTimeout （试用超时）	迭代超时。	字符串

目标滞后

名称	DESCRIPTION	价值
模式	对于 AutoTargetLags 类型，设置为“自动”。设置为 CustomTargetLags 类型的“Custom”。	“Auto” “Custom”（必需）

TargetRollingWindowSize

名称	DESCRIPTION	价值
模式	设置为“ AutoTargetRollingWindowSize”类型的“自动”。设置为 CustomTargetRollingWindowSize 类型的“Custom”。	“Auto” “Custom”（必需）

TensorFlow

名称	DESCRIPTION	价值
distributionType	[必需]指定分发框架的类型。	“TensorFlow”（必需）
parameterServerCount	参数服务器任务数。	整数 (int)
workerCount 工人计数	工人数。如果未指定，则默认为实例计数。	整数 (int)

文本分类

名称	DESCRIPTION	价值
featurizationSettings	AutoML 作业所需的特征化输入。	NlpVerticalFeaturizationSettings
limitSettings	AutoMLJob 的执行约束。	NlpVerticalLimitSettings
primaryMetric	Text-Classification 任务的主要指标。	“准确性” “AUCWeighted” “AveragePrecisionScoreWeighted” “NormMacroRecall” “PrecisionScoreWeighted”
任务类型	[必需]AutoMLJob 的任务类型。	“TextClassification”（必需）
validationData （验证数据）	验证数据输入。	MLTableJobInput

TextClassificationMultilabel

名称	DESCRIPTION	价值
featurizationSettings	AutoML 作业所需的特征化输入。	NlpVerticalFeaturizationSettings
limitSettings	AutoMLJob 的执行约束。	NlpVerticalLimitSettings
任务类型	[必需]AutoMLJob 的任务类型。	“TextClassificationMultilabel”（必需）
validationData （验证数据）	验证数据输入。	MLTableJobInput

TextNer （文本生成器）

名称	DESCRIPTION	价值
featurizationSettings	AutoML 作业所需的特征化输入。	NlpVerticalFeaturizationSettings
limitSettings	AutoMLJob 的执行约束。	NlpVerticalLimitSettings
任务类型	[必需]AutoMLJob 的任务类型。	“TextNER”（必需）
validationData （验证数据）	验证数据输入。	MLTableJobInput

TopNFeaturesByAttribution

名称	DESCRIPTION	价值
filterType （过滤器类型）	[必需]指定要在选择要计算指标的功能时利用的功能筛选器。	“TopNByAttribution”（必需）
顶部	要包括的顶级功能数。	整数 (int)

TrialComponent （试用组件）

名称	DESCRIPTION	价值
代码 Id	代码资产的 ARM 资源 ID。	字符串
指令	[必需]在启动作业时执行的命令。例如 “python train.py”	字符串约束：最小长度 = 1 模式 = `[a-zA-Z0-9_]` （必需）
分配	作业的分发配置。如果已设置，则应为 Mpi、Tensorflow、PyTorch 或 null 之一。	分发配置
环境 ID	[必需]作业的环境规范的 ARM 资源 ID。	字符串约束：最小长度 = 1 模式 = `[a-zA-Z0-9_]` （必需）
环境变量	作业中包含的环境变量。	TrialComponentEnvironmentVariables
资源	作业的计算资源配置。	JobResourceConfiguration

TrialComponentEnvironmentVariables

名称	DESCRIPTION	价值

触发器库

名称	DESCRIPTION	价值
结束时间	以 ISO 8601 指定计划的结束时间，但不指定 UTC 偏移量。请参阅 https://en.wikipedia.org/wiki/ISO_8601。重新注释的格式将为“2022-06-01T00：00：01” 如果不存在，计划将无限期运行	字符串
开始时间	以 ISO 8601 格式指定计划的开始时间，但没有 UTC 偏移量。	字符串
时区	指定运行计划的时区。 TimeZone 应遵循 Windows 时区格式。请参阅：/windows-hardware/manufacture/desktop/default-time-zone？view=windows-11	字符串
triggerType	对于 CronTrigger 类型，设置为“Cron”。设置为 “RecurrenceTrigger”类型的“RecurrenceTrigger”。	“Cron” “定期”（必需）

TritonModelJobInput

名称	DESCRIPTION	价值
jobInputType （作业输入类型）	[必需]指定作业的类型。	“triton_model”（必需）
模式	输入资产传送模式。	“Direct” “下载” “EvalDownload” “EvalMount” “ReadOnlyMount” “ReadWriteMount”
URI	[必需]输入资产 URI。	字符串约束：最小长度 = 1 模式 = `[a-zA-Z0-9_]` （必需）

TritonModelJobOutput

名称	DESCRIPTION	价值
jobOutputType	[必需]指定作业的类型。	“triton_model”（必需）
模式	输出资产传送模式。	“Direct” “ReadWriteMount” “Upload”
URI	输出资产 URI。	字符串

截断选择策略

名称	DESCRIPTION	价值
policyType	[必需]策略配置的名称	“TruncationSelection”（必需）
截断百分比	要在每个评估间隔取消的运行百分比。	整数 (int)

UriFileJobInput

名称	DESCRIPTION	价值
jobInputType （作业输入类型）	[必需]指定作业的类型。	“uri_file”（必需）
模式	输入资产传送模式。	“Direct” “下载” “EvalDownload” “EvalMount” “ReadOnlyMount” “ReadWriteMount”
URI	[必需]输入资产 URI。	字符串约束：最小长度 = 1 模式 = `[a-zA-Z0-9_]` （必需）

UriFileJobOutput

名称	DESCRIPTION	价值
jobOutputType	[必需]指定作业的类型。	“uri_file”（必需）
模式	输出资产传送模式。	“Direct” “ReadWriteMount” “Upload”
URI	输出资产 URI。	字符串

UriFolderJobInput

名称	DESCRIPTION	价值
jobInputType （作业输入类型）	[必需]指定作业的类型。	“uri_folder”（必需）
模式	输入资产传送模式。	“Direct” “下载” “EvalDownload” “EvalMount” “ReadOnlyMount” “ReadWriteMount”
URI	[必需]输入资产 URI。	字符串约束：最小长度 = 1 模式 = `[a-zA-Z0-9_]` （必需）

UriFolderJobOutput

名称	DESCRIPTION	价值
jobOutputType	[必需]指定作业的类型。	“uri_folder”（必需）
模式	输出资产传送模式。	“Direct” “ReadWriteMount” “Upload”
URI	输出资产 URI。	字符串

UserAssignedIdentities

名称	DESCRIPTION	价值

UserAssignedIdentity

名称	DESCRIPTION	价值

用户身份

名称	DESCRIPTION	价值
身份类型	[必需]指定标识框架的类型。	“UserIdentity”（必需）

Webhook

名称	DESCRIPTION	价值
事件类型	对指定的通知事件发送回调	字符串
webhook类型	对于 AzureDevOpsWebhook 类型，设置为“AzureDevOpsOps”。	“AzureDevOps”（必需）

ARM 模板资源定义

可以使用目标作部署工作区/计划资源类型：

资源组 - 请参阅资源组部署命令

有关每个 API 版本中已更改属性的列表，请参阅更改日志。

资源格式

若要创建 Microsoft.MachineLearningServices/workspaces/schedules 资源，请将以下 JSON 添加到模板。

{
  "type": "Microsoft.MachineLearningServices/workspaces/schedules",
  "apiVersion": "2024-07-01-preview",
  "name": "string",
  "properties": {
    "action": {
      "actionType": "string"
      // For remaining properties, see ScheduleActionBase objects
    },
    "description": "string",
    "displayName": "string",
    "isEnabled": "bool",
    "properties": {
      "{customized property}": "string"
    },
    "tags": {
      "{customized property}": "string"
    },
    "trigger": {
      "endTime": "string",
      "startTime": "string",
      "timeZone": "string",
      "triggerType": "string"
      // For remaining properties, see TriggerBase objects
    }
  }
}

AutoMLVertical 对象

设置 taskType 属性以指定对象的类型。

对于分类，请使用：

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

对于预测，请使用：

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

对于 ImageClassification，请使用：

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

对于 ImageClassificationMultilabel，请使用：

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

对于 ImageInstanceSegmentation，请使用：

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

对于 ImageObjectDetection，请使用：

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

对于回归，请使用：

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

对于 TextClassification，请使用：

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

对于 TextClassificationMultilabel，请使用：

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

对于 TextNER，请使用：

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

FineTuningVertical 对象

设置 modelProvider 属性以指定对象的类型。

对于 AzureOpenAI，请使用：

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

对于 “自定义”，请使用：

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

IdentityConfiguration 对象

设置 identityType 属性以指定对象的类型。

对于 AMLToken，请使用：

{
  "identityType": "AMLToken"
}

对于托管，请使用：

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

对于 UserIdentity，请使用：

{
  "identityType": "UserIdentity"
}

NCrossValidations 对象

设置模式属性以指定对象的类型。

对于自动，请使用：

{
  "mode": "Auto"
}

对于 “自定义”，请使用：

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

JobBaseProperties 对象

设置 jobType 属性以指定对象的类型。

对于 AutoML，请使用：

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

对于命令，请使用：

{
  "codeId": "string",
  "command": "string",
  "distribution": {
    "distributionType": "string"
    // For remaining properties, see DistributionConfiguration objects
  },
  "environmentId": "string",
  "environmentVariables": {
    "{customized property}": "string"
  },
  "inputs": {
    "{customized property}": {
      "description": "string",
      "jobInputType": "string"
      // For remaining properties, see JobInput objects
    }
  },
  "jobType": "Command",
  "limits": {
    "jobLimitsType": "string",
    "timeout": "string"
  },
  "outputs": {
    "{customized property}": {
      "description": "string",
      "jobOutputType": "string"
      // For remaining properties, see JobOutput objects
    }
  },
  "queueSettings": {
    "jobTier": "string"
  },
  "resources": {
    "dockerArgs": "string",
    "instanceCount": "int",
    "instanceType": "string",
    "properties": {
      "{customized property}": {}
    },
    "shmSize": "string"
  }
}

对于 FineTuning，请使用：

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

对于管道，请使用：

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

对于 Spark，请使用：

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

对于扫描，请使用：

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

JobInput 对象

设置 jobInputType 属性以指定对象的类型。

对于 custom_model，请使用：

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

对于文本，请使用：

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

对于 mlflow_model，请使用：

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

对于 mltable，请使用：

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

对于 triton_model，请使用：

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

对于 uri_file，请使用：

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

对于 uri_folder，请使用：

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

MonitoringSignalBase 对象

设置 signalType 属性以指定对象的类型。

对于 “自定义”，请使用：

{
  "componentId": "string",
  "inputAssets": {
    "{customized property}": {
      "columns": {
        "{customized property}": "string"
      },
      "dataContext": "string",
      "jobInputType": "string",
      "uri": "string",
      "inputDataType": "string"
      // For remaining properties, see MonitoringInputDataBase objects
    }
  },
  "inputs": {
    "{customized property}": {
      "description": "string",
      "jobInputType": "string"
      // For remaining properties, see JobInput objects
    }
  },
  "metricThresholds": [
    {
      "metric": "string",
      "threshold": {
        "value": "int"
      }
    }
  ],
  "signalType": "Custom"
}

对于 DataDrift，请使用：

{
  "featureDataTypeOverride": {
    "{customized property}": "string"
  },
  "featureImportanceSettings": {
    "mode": "string",
    "targetColumn": "string"
  },
  "features": {
    "filterType": "string"
    // For remaining properties, see MonitoringFeatureFilterBase objects
  },
  "metricThresholds": [ {
    "threshold": {
      "value": "int"
    },
    "dataType": "string"
    // For remaining properties, see DataDriftMetricThresholdBase objects
  } ],
  "productionData": {
    "columns": {
      "{customized property}": "string"
    },
    "dataContext": "string",
    "jobInputType": "string",
    "uri": "string",
    "inputDataType": "string"
    // For remaining properties, see MonitoringInputDataBase objects
  },
  "referenceData": {
    "columns": {
      "{customized property}": "string"
    },
    "dataContext": "string",
    "jobInputType": "string",
    "uri": "string",
    "inputDataType": "string"
    // For remaining properties, see MonitoringInputDataBase objects
  },
  "signalType": "DataDrift"
}

对于 DataQuality，请使用：

{
  "featureDataTypeOverride": {
    "{customized property}": "string"
  },
  "featureImportanceSettings": {
    "mode": "string",
    "targetColumn": "string"
  },
  "features": {
    "filterType": "string"
    // For remaining properties, see MonitoringFeatureFilterBase objects
  },
  "metricThresholds": [ {
    "threshold": {
      "value": "int"
    },
    "dataType": "string"
    // For remaining properties, see DataQualityMetricThresholdBase objects
  } ],
  "productionData": {
    "columns": {
      "{customized property}": "string"
    },
    "dataContext": "string",
    "jobInputType": "string",
    "uri": "string",
    "inputDataType": "string"
    // For remaining properties, see MonitoringInputDataBase objects
  },
  "referenceData": {
    "columns": {
      "{customized property}": "string"
    },
    "dataContext": "string",
    "jobInputType": "string",
    "uri": "string",
    "inputDataType": "string"
    // For remaining properties, see MonitoringInputDataBase objects
  },
  "signalType": "DataQuality"
}

对于 FeatureAttributionDrift，请使用：

{
  "featureDataTypeOverride": {
    "{customized property}": "string"
  },
  "featureImportanceSettings": {
    "mode": "string",
    "targetColumn": "string"
  },
  "metricThreshold": {
    "metric": "string",
    "threshold": {
      "value": "int"
    }
  },
  "productionData": [ {
    "columns": {
      "{customized property}": "string"
    },
    "dataContext": "string",
    "jobInputType": "string",
    "uri": "string",
    "inputDataType": "string"
    // For remaining properties, see MonitoringInputDataBase objects
  } ],
  "referenceData": {
    "columns": {
      "{customized property}": "string"
    },
    "dataContext": "string",
    "jobInputType": "string",
    "uri": "string",
    "inputDataType": "string"
    // For remaining properties, see MonitoringInputDataBase objects
  },
  "signalType": "FeatureAttributionDrift"
}

对于 PredictionDrift，请使用：

{
  "featureDataTypeOverride": {
    "{customized property}": "string"
  },
  "metricThresholds": [ {
    "threshold": {
      "value": "int"
    },
    "dataType": "string"
    // For remaining properties, see PredictionDriftMetricThresholdBase objects
  } ],
  "productionData": {
    "columns": {
      "{customized property}": "string"
    },
    "dataContext": "string",
    "jobInputType": "string",
    "uri": "string",
    "inputDataType": "string"
    // For remaining properties, see MonitoringInputDataBase objects
  },
  "referenceData": {
    "columns": {
      "{customized property}": "string"
    },
    "dataContext": "string",
    "jobInputType": "string",
    "uri": "string",
    "inputDataType": "string"
    // For remaining properties, see MonitoringInputDataBase objects
  },
  "signalType": "PredictionDrift"
}

SamplingAlgorithm 对象

设置 samplingAlgorithmType 属性以指定对象的类型。

对于 Bayesian，请使用：

{
  "samplingAlgorithmType": "Bayesian"
}

对于网格，请使用：

{
  "samplingAlgorithmType": "Grid"
}

对于 Random，请使用：

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

TargetRollingWindowSize 对象

设置模式属性以指定对象的类型。

对于自动，请使用：

{
  "mode": "Auto"
}

对于 “自定义”，请使用：

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

EarlyTerminationPolicy 对象

设置 policyType 属性以指定对象的类型。

对于 Bandit，请使用：

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

对于 MedianStopping，请使用：

{
  "policyType": "MedianStopping"
}

对于 TruncationSelection，请使用：

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

季节性对象

设置模式属性以指定对象的类型。

对于自动，请使用：

{
  "mode": "Auto"
}

对于 “自定义”，请使用：

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

TargetLags 对象

设置模式属性以指定对象的类型。

对于自动，请使用：

{
  "mode": "Auto"
}

对于 “自定义”，请使用：

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

节点对象

设置 nodesValueType 属性以指定对象的类型。

对于 “全部”，请使用：

{
  "nodesValueType": "All"
}

MonitorComputeIdentityBase 对象

设置 computeIdentityType 属性以指定对象的类型。

对于 AmlToken，请使用：

{
  "computeIdentityType": "AmlToken"
}

对于 ManagedIdentity，请使用：

{
  "computeIdentityType": "ManagedIdentity",
  "identity": {
    "type": "string",
    "userAssignedIdentities": {
      "{customized property}": {
      }
    }
  }
}

ScheduleActionBase 对象

设置 actionType 属性以指定对象的类型。

对于 CreateJob，请使用：

{
  "actionType": "CreateJob",
  "jobDefinition": {
    "componentId": "string",
    "computeId": "string",
    "description": "string",
    "displayName": "string",
    "experimentName": "string",
    "identity": {
      "identityType": "string"
      // For remaining properties, see IdentityConfiguration objects
    },
    "isArchived": "bool",
    "notificationSetting": {
      "emailOn": [ "string" ],
      "emails": [ "string" ],
      "webhooks": {
        "{customized property}": {
          "eventType": "string",
          "webhookType": "string"
          // For remaining properties, see Webhook objects
        }
      }
    },
    "properties": {
      "{customized property}": "string"
    },
    "services": {
      "{customized property}": {
        "endpoint": "string",
        "jobServiceType": "string",
        "nodes": {
          "nodesValueType": "string"
          // For remaining properties, see Nodes objects
        },
        "port": "int",
        "properties": {
          "{customized property}": "string"
        }
      }
    },
    "tags": {
      "{customized property}": "string"
    },
    "jobType": "string"
    // For remaining properties, see JobBaseProperties objects
  }
}

对于 CreateMonitor，请使用：

{
  "actionType": "CreateMonitor",
  "monitorDefinition": {
    "alertNotificationSettings": {
      "emailNotificationSettings": {
        "emails": [ "string" ]
      }
    },
    "computeConfiguration": {
      "computeType": "string"
      // For remaining properties, see MonitorComputeConfigurationBase objects
    },
    "monitoringTarget": {
      "deploymentId": "string",
      "modelId": "string",
      "taskType": "string"
    },
    "signals": {
      "{customized property}": {
        "notificationTypes": [ "string" ],
        "properties": {
          "{customized property}": "string"
        },
        "signalType": "string"
        // For remaining properties, see MonitoringSignalBase objects
      }
    }
  }
}

对于 InvokeBatchEndpoint，请使用：

{
  "actionType": "InvokeBatchEndpoint",
  "endpointInvocationDefinition": {}
}

TriggerBase 对象

设置 triggerType 属性以指定对象的类型。

对于 Cron，请使用：

{
  "expression": "string",
  "triggerType": "Cron"
}

对于定期，请使用：

{
  "frequency": "string",
  "interval": "int",
  "schedule": {
    "hours": [ "int" ],
    "minutes": [ "int" ],
    "monthDays": [ "int" ],
    "weekDays": [ "string" ]
  },
  "triggerType": "Recurrence"
}

MonitoringInputDataBase 对象

设置 inputDataType 属性以指定对象的类型。

对于 “固定”，请使用：

{
  "inputDataType": "Fixed"
}

对于滚动，请使用：

{
  "inputDataType": "Rolling",
  "preprocessingComponentId": "string",
  "windowOffset": "string",
  "windowSize": "string"
}

对于静态，请使用：

{
  "inputDataType": "Static",
  "preprocessingComponentId": "string",
  "windowEnd": "string",
  "windowStart": "string"
}

MonitoringFeatureFilterBase 对象

设置 filterType 属性以指定对象的类型。

对于 AllFeatures，请使用：

{
  "filterType": "AllFeatures"
}

对于 FeatureSubset，请使用：

{
  "features": [ "string" ],
  "filterType": "FeatureSubset"
}

对于 TopNByAttribution，请使用：

{
  "filterType": "TopNByAttribution",
  "top": "int"
}

DataDriftMetricThresholdBase 对象

设置 dataType 属性以指定对象的类型。

对于分类，请使用：

{
  "dataType": "Categorical",
  "metric": "string"
}

对于数字，请使用：

{
  "dataType": "Numerical",
  "metric": "string"
}

MonitorComputeConfigurationBase 对象

设置 computeType 属性以指定对象的类型。

对于 ServerlessSpark，请使用：

{
  "computeIdentity": {
    "computeIdentityType": "string"
    // For remaining properties, see MonitorComputeIdentityBase objects
  },
  "computeType": "ServerlessSpark",
  "instanceType": "string",
  "runtimeVersion": "string"
}

JobOutput 对象

设置 jobOutputType 属性以指定对象的类型。

对于 custom_model，请使用：

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

对于 mlflow_model，请使用：

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

对于 mltable，请使用：

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

对于 triton_model，请使用：

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

对于 uri_file，请使用：

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

对于 uri_folder，请使用：

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

SparkJobEntry 对象

设置 sparkJobEntryType 属性以指定对象的类型。

对于 SparkJobPythonEntry，请使用：

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

对于 SparkJobScalaEntry，请使用：

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

DistributionConfiguration 对象

设置 distributionType 属性以指定对象的类型。

对于 Mpi，请使用：

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

对于 PyTorch，请使用：

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

对于 TensorFlow，请使用：

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

ForecastHorizon 对象

设置模式属性以指定对象的类型。

对于自动，请使用：

{
  "mode": "Auto"
}

对于 “自定义”，请使用：

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

Webhook 对象

设置 webhookType 属性以指定对象的类型。

对于 AzureDevOps，请使用：

{
  "webhookType": "AzureDevOps"
}

DataQualityMetricThresholdBase 对象

设置 dataType 属性以指定对象的类型。

对于分类，请使用：

{
  "dataType": "Categorical",
  "metric": "string"
}

对于数字，请使用：

{
  "dataType": "Numerical",
  "metric": "string"
}

PredictionDriftMetricThresholdBase 对象

设置 dataType 属性以指定对象的类型。

对于分类，请使用：

{
  "dataType": "Categorical",
  "metric": "string"
}

对于数字，请使用：

{
  "dataType": "Numerical",
  "metric": "string"
}

属性值

Microsoft.MachineLearningServices/workspaces/schedules

名称	DESCRIPTION	价值
apiVersion	API 版本	“2024-07-01-预览”
姓名	资源名称	字符串约束：模式 = `^[a-zA-Z0-9][a-zA-Z0-9\-_]{0,254}$` （必需）
属性	[必需]实体的其他属性。	ScheduleProperties （必需）
类型	资源类型	“Microsoft.MachineLearningServices/workspaces/schedules”

全部功能

名称	DESCRIPTION	价值
filterType （过滤器类型）	[必需]指定要在选择要计算指标的功能时利用的功能筛选器。	“AllFeatures”（必需）

所有节点

名称	DESCRIPTION	价值
nodesValueType	[必需]Nodes 值的类型	“全部”（必需）

AmlToken

名称	DESCRIPTION	价值
身份类型	[必需]指定标识框架的类型。	“AMLToken”（必需）

AmlTokenComputeIdentity

名称	DESCRIPTION	价值
computeIdentityType	[必需]指定要在监视作业中使用的标识类型。	“AmlToken”（必需）

自动预测地平线

名称	DESCRIPTION	价值
模式	[必需]设置预测地平线值选择模式。	“Auto”（必需）

AutoMLJob

名称	DESCRIPTION	价值
环境 ID	作业的环境规范的 ARM 资源 ID。这是一个可选值，如果未提供，AutoML 将在运行作业时将其默认为生产 AutoML 特选环境版本。	字符串
环境变量	作业中包含的环境变量。	AutoMLJobEnvironmentVariables
职位类型	[必需]指定作业的类型。	“AutoML”（必需）
输出	作业中使用的输出数据绑定的映射。	AutoMLJob 输出
queueSettings	作业的队列设置	队列设置
资源	作业的计算资源配置。	JobResourceConfiguration
taskDetails	[必需]这表示可以是表/NLP/Image 之一的方案	AutoMLVertical （必需）

AutoMLJobEnvironmentVariables

名称	DESCRIPTION	价值

AutoMLJob 输出

名称	DESCRIPTION	价值

AutoMLVertical

名称	DESCRIPTION	价值
logVerbosity （对数详细程度）	作业的详细记录。	“Critical” “Debug” “Error” “Info” “NotSet” “Warning”
targetColumnName	目标列名称：这是预测值列。也称为分类任务的上下文中的标签列名称。	字符串
任务类型	设置为类型 “分类”的“分类”。设置为“ 预测”类型。设置为 ImageClassification 类型的“ImageClassification”。设置为 ImageClassificationMultilabel 类型的“ImageClassificationMultilabel”。设置为 ImageInstanceSegmentation 类型的“ImageInstanceSegmentation”。设置为 ImageObjectDetection 类型的“ImageObjectDetection”。设置为“ 回归”类型。设置为 TextClassification 类型的“TextClassification”。对于 TextClassificationMultilabel，设置为“TextClassificationMultilabel”。设置为 TextNer 类型的“TextNER”。	“Classification” “预测” “ImageClassification” “ImageClassificationMultilabel” “ImageInstanceSegmentation” “ImageObjectDetection” “回归” “TextClassification” “TextClassificationMultilabel” “TextNER”（必需）
trainingData （训练数据）	[必需]训练数据输入。	MLTableJobInput （必需）

AutoNCross验证

名称	DESCRIPTION	价值
模式	[必需]用于确定 N 交叉验证的模式。	“Auto”（必需）

自动季节性

名称	DESCRIPTION	价值
模式	[必需]季节性模式。	“Auto”（必需）

AutoTargetLags 自动目标滞后

名称	DESCRIPTION	价值
模式	[必需]设置目标滞后模式 - 自动/自定义	“Auto”（必需）

AutoTargetRollingWindowSize （自动目标滚动窗口大小）

名称	DESCRIPTION	价值
模式	[必需]TargetRollingWindowSiz 检测模式。	“Auto”（必需）

AzureDevOpsWebhook

名称	DESCRIPTION	价值
webhook类型	[必需]指定要发送回调的服务的类型	“AzureDevOps”（必需）

AzureOpenAiFineTuning

名称	DESCRIPTION	价值
超参数	用于微调 Azure Open AI 模型的 HyperParameters。	AzureOpenAiHyperParameters
模型提供程序	[必需]用于确定微调类型的枚举。	“AzureOpenAI”（必需）

AzureOpenAiHyperParameters

名称	DESCRIPTION	价值
批处理大小	每个批次中的示例数。较大的批大小意味着模型参数的更新频率较低，但差异较低。	整数 (int)
learningRateMultiplier 的	学习速率的缩放系数。较小的学习速率可能有助于避免过度拟合。	整数 (int)
nEpochs	要为其训练模型的纪元数。纪元是指通过训练数据集的一个完整周期。	整数 (int)

BanditPolicy （强盗政策）

名称	DESCRIPTION	价值
policyType	[必需]策略配置的名称	“强盗”（必需）
slackAmount	从性能最佳的运行中允许的绝对距离。	整数 (int)
slackFactor 的	与性能最佳的运行距离的允许距离比率。	整数 (int)

BayesianSamplingAlgorithm

名称	DESCRIPTION	价值
采样算法类型	[必需]用于生成超参数值的算法以及配置属性	“贝伊西亚”（必需）

CategoricalDataDriftMetricThreshold

名称	DESCRIPTION	价值
数据类型	[必需]指定指标阈值的数据类型。	“分类”（必需）
指标	[必需]要计算的分类数据偏移指标。	“JensenShannonDistance” “PearsonsChiSquaredTest” “PopulationStabilityIndex”（必需）

CategoricalDataQualityMetricThreshold

名称	DESCRIPTION	价值
数据类型	[必需]指定指标阈值的数据类型。	“分类”（必需）
指标	[必需]要计算的分类数据质量指标。	“DataTypeErrorRate” “NullValueRate” “OutOfBoundsRate”（必需）

分类预测漂移指标阈值

名称	DESCRIPTION	价值
数据类型	[必需]指定指标阈值的数据类型。	“分类”（必需）
指标	[必需]要计算的分类预测偏移指标。	“JensenShannonDistance” “PearsonsChiSquaredTest” “PopulationStabilityIndex”（必需）

分类

名称	DESCRIPTION	价值
cvSplitColumnNames	用于 CVSplit 数据的列。	字符串[]
featurizationSettings	AutoML 作业所需的特征化输入。	TableVerticalFeaturizationSettings
limitSettings	AutoMLJob 的执行约束。	TableVerticalLimitSettings
nCrossValidations	要应用于训练数据集的交叉验证折叠数如果未提供验证数据集，则为。	NCross验证
积极标签	二进制指标计算的正标签。	字符串
primaryMetric	任务的主要指标。	“准确性” “AUCWeighted” “AveragePrecisionScoreWeighted” “NormMacroRecall” “PrecisionScoreWeighted”
任务类型	[必需]AutoMLJob 的任务类型。	“分类”（必需）
测试数据	测试数据输入。	MLTableJobInput
testDataSize	需要为验证目的预留的测试数据集的分数。介于（0.0、 1.0）之间的值未提供验证数据集时应用。	整数 (int)
trainingSettings	AutoML 作业训练阶段的输入。	分类训练设置
validationData （验证数据）	验证数据输入。	MLTableJobInput
validationDataSize	需要留出用于验证的定型数据集的分数。介于（0.0、 1.0）之间的值未提供验证数据集时应用。	整数 (int)
权重列名称	示例权重列的名称。自动化 ML 支持加权列作为输入，导致数据中的行向上或向下加权。	字符串

分类训练设置

名称	DESCRIPTION	价值
allowedTrainingAlgorithms	分类任务的允许模型。	包含任一项的字符串数组： “BernoulliNaiveBayes” “DecisionTree” “ExtremeRandomTrees” “GradientBoosting” “KNN” “LightGBM” “LinearSVM” “LogisticRegression” “MultinomialNaiveBayes” “RandomForest” “ZN” “SVM” “XGBoostClassifier”
blockedTrainingAlgorithms	分类任务的阻止模型。	包含任一项的字符串数组： “BernoulliNaiveBayes” “DecisionTree” “ExtremeRandomTrees” “GradientBoosting” “KNN” “LightGBM” “LinearSVM” “LogisticRegression” “MultinomialNaiveBayes” “RandomForest” “ZN” “SVM” “XGBoostClassifier”
enableDnnTraining	启用 DNN 模型的建议。	布尔
enableModelExplainability	标志以在最佳模型上启用可解释性。	布尔
enableOnnxCompatibleModels	用于启用 onnx 兼容模型的标志。	布尔
enableStackEnsemble	启用堆栈合奏运行。	布尔
enableVoteEnsemble	启用投票合奏运行。	布尔
ensembleModelDownloadTimeout	在 VotingEnsemble 和 StackEnsemble 模型生成期间，将下载先前子运行中的多个拟合模型。如果需要更多时间，请将此参数配置为大于 300 秒的值。	字符串
stackEnsembleSettings	堆栈合奏的堆栈合奏设置。	StackEnsembleSettings

ColumnTransformer （列变换器）

名称	DESCRIPTION	价值
字段	要应用转换器逻辑的字段。	字符串[]
参数	要传递给转换器的不同属性。输入应为 JSON 格式的键值对字典。	任何

CommandJob

名称	DESCRIPTION	价值
代码 Id	代码资产的 ARM 资源 ID。	字符串
指令	[必需]在启动作业时执行的命令。例如 “python train.py”	字符串约束：最小长度 = 1 模式 = `[a-zA-Z0-9_]` （必需）
分配	作业的分发配置。如果已设置，则应为 Mpi、Tensorflow、PyTorch 或 null 之一。	分发配置
环境 ID	[必需]作业的环境规范的 ARM 资源 ID。	字符串约束：最小长度 = 1 模式 = `[a-zA-Z0-9_]` （必需）
环境变量	作业中包含的环境变量。	CommandJobEnvironmentVariables
输入	作业中使用的输入数据绑定的映射。	CommandJobInputs 命令作业输入
职位类型	[必需]指定作业的类型。	“Command”（必需）
限制	命令作业限制。	CommandJobLimits 命令作业限制
输出	作业中使用的输出数据绑定的映射。	CommandJobOutputs 命令作业输出
queueSettings	作业的队列设置	队列设置
资源	作业的计算资源配置。	JobResourceConfiguration

CommandJobEnvironmentVariables

名称	DESCRIPTION	价值

CommandJobInputs 命令作业输入

名称	DESCRIPTION	价值

CommandJobLimits 命令作业限制

名称	DESCRIPTION	价值
jobLimits类型	[必需]JobLimit 类型。	“Command” “扫描”（必需）
超时	ISO 8601 格式的最大运行持续时间，之后作业将被取消。仅支持精度为秒的持续时间。	字符串

CommandJobOutputs 命令作业输出

名称	DESCRIPTION	价值

CreateMonitorAction

名称	DESCRIPTION	价值
动作类型	[必需]指定计划的作类型	“CreateMonitor”（必需）
monitor定义	[必需]定义监视器。	MonitorDefinition （必需）

CronTrigger 的

名称	DESCRIPTION	价值
表达式	[必需]指定计划的 cron 表达式。表达式应遵循 NCronTab 格式。	字符串约束：最小长度 = 1 模式 = `[a-zA-Z0-9_]` （必需）
triggerType	[必需]	“Cron”（必需）

CustomForecastHorizon

名称	DESCRIPTION	价值
模式	[必需]设置预测地平线值选择模式。	“Custom”（必需）
价值	[必需]预测地平线值。	int （必需）

CustomMetricThreshold

名称	DESCRIPTION	价值
指标	[必需]要计算的用户定义指标。	字符串约束：最小长度 = 1 模式 = `[a-zA-Z0-9_]` （必需）
阈值	阈值。如果为 null，则会根据所选指标设置默认值。	监控阈值

CustomModelFineTuning 微调

名称	DESCRIPTION	价值
超参数	用于微调自定义模型的 HyperParameters。	CustomModelFineTuningHyperParameters
模型提供程序	[必需]用于确定微调类型的枚举。	“Custom”（必需）

CustomModelFineTuningHyperParameters

名称	DESCRIPTION	价值

CustomModelJobInput （自定义模型作业输入）

名称	DESCRIPTION	价值
jobInputType （作业输入类型）	[必需]指定作业的类型。	“custom_model”（必需）
模式	输入资产传送模式。	“Direct” “下载” “EvalDownload” “EvalMount” “ReadOnlyMount” “ReadWriteMount”
URI	[必需]输入资产 URI。	字符串约束：最小长度 = 1 模式 = `[a-zA-Z0-9_]` （必需）

CustomModelJobOutput

名称	DESCRIPTION	价值
jobOutputType	[必需]指定作业的类型。	“custom_model”（必需）
模式	输出资产传送模式。	“Direct” “ReadWriteMount” “Upload”
URI	输出资产 URI。	字符串

CustomMonitoringSignal

名称	DESCRIPTION	价值
组件 ID	[必需]对用于计算自定义指标的组件资产的引用。	字符串约束：最小长度 = 1 模式 = `[a-zA-Z0-9_]` （必需）
inputAssets	监视要用作输入的资产。键是组件输入端口名称，值为数据资产。	CustomMonitoringSignalInputAssets
输入	要用作输入的额外组件参数。键是组件文本输入端口名称，值为参数值。	CustomMonitoringSignalInputs
metricThresholds	[必需]要计算的指标列表及其关联的阈值。	CustomMetricThreshold[] （必需）
信号类型	[必需]指定要监视的信号类型。	“Custom”（必需）

CustomMonitoringSignalInputAssets

名称	DESCRIPTION	价值

CustomMonitoringSignalInputs

名称	DESCRIPTION	价值

CustomNCross验证

名称	DESCRIPTION	价值
模式	[必需]用于确定 N 交叉验证的模式。	“Custom”（必需）
价值	[必需]N 交叉验证值。	int （必需）

CustomSeasonality （自定义季节性）

名称	DESCRIPTION	价值
模式	[必需]季节性模式。	“Custom”（必需）
价值	[必需]季节性值。	int （必需）

CustomTargetLags （自定义目标滞后）

名称	DESCRIPTION	价值
模式	[必需]设置目标滞后模式 - 自动/自定义	“Custom”（必需）
价值, 价值观	[必需]设置目标滞后值。	int[] （必需）

CustomTargetRollingWindowSize

名称	DESCRIPTION	价值
模式	[必需]TargetRollingWindowSiz 检测模式。	“Custom”（必需）
价值	[必需]TargetRollingWindowSize 值。	int （必需）

DataDriftMetricThresholdBase

名称	DESCRIPTION	价值
数据类型	设置为 CategoricalDataDriftMetricThreshold 类型的“分类”。对于 Type NumericalDataDriftMetricThreshold，设置为“数字”。	“分类” “数字”（必需）
阈值	阈值。如果为 null，则会根据所选指标设置默认值。	监控阈值

DataDriftMonitoringSignal

名称	DESCRIPTION	价值
featureDataTypeOverride	一个字典，用于将特征名称映射到各自的数据类型。	DataDriftMonitoringSignalFeatureDataTypeOverride
featureImportanceSettings	计算特征重要性的设置。	FeatureImportanceSettings （特征重要性设置）
功能	特征筛选器，用于标识要计算偏移量的功能。	MonitoringFeatureFilterBase
metricThresholds	[必需]要计算的指标列表及其关联的阈值。	DataDriftMetricThresholdBase[] （必需）
生产数据	[必需]将计算偏移的数据。	MonitoringInputDataBase （必需）
referenceData （引用数据）	[必需]要计算偏移的数据。	MonitoringInputDataBase （必需）
信号类型	[必需]指定要监视的信号类型。	“DataDrift”（必需）

DataDriftMonitoringSignalFeatureDataTypeOverride

名称	DESCRIPTION	价值

DataQualityMetricThresholdBase

名称	DESCRIPTION	价值
数据类型	设置为 CategoricalDataQualityMetricThreshold 类型的“分类”。对于 Type NumericalDataQualityMetricThreshold，设置为“数字”。	“分类” “数字”（必需）
阈值	阈值。如果为 null，则会根据所选指标设置默认值。	监控阈值

DataQualityMonitoring信号

名称	DESCRIPTION	价值
featureDataTypeOverride	一个字典，用于将特征名称映射到各自的数据类型。	DataQualityMonitoringSignalFeatureDataTypeOverride
featureImportanceSettings	计算特征重要性的设置。	FeatureImportanceSettings （特征重要性设置）
功能	要计算偏移的特征。	MonitoringFeatureFilterBase
metricThresholds	[必需]要计算的指标列表及其关联的阈值。	DataQualityMetricThresholdBase[] （必需）
生产数据	[必需]将为其计算偏移的生产服务生成的数据。	MonitoringInputDataBase （必需）
referenceData （引用数据）	[必需]要计算偏移的数据。	MonitoringInputDataBase （必需）
信号类型	[必需]指定要监视的信号类型。	“DataQuality”（必需）

DataQualityMonitoringSignalFeatureDataTypeOverride

名称	DESCRIPTION	价值

分发配置

名称	DESCRIPTION	价值
distributionType	对于 Mpi 类型，设置为“ Mpi”。对于 PyTorch 类型，设置为“ PyTorch”。设置为 TensorFlow 类型的“TensorFlow”。	“Mpi” “PyTorch” “TensorFlow”（必需）

提前终止政策

名称	DESCRIPTION	价值
delay评估	延迟第一次计算的间隔数。	整数 (int)
evaluationInterval	策略评估之间的间隔（运行数）。	整数 (int)
policyType	设置为“ BanditPolicy”类型为“BanditPolicy”。对于 MedianStoppingPolicy，设置为“MedianStoppingPolicy”。对于 TruncationSelectionPolicy 类型，设置为“TruncationSelection”。	“Bandit” “MedianStopping” “TruncationSelection”（必需）

EndpointScheduleAction

名称	DESCRIPTION	价值
动作类型	[必需]指定计划的作类型	“InvokeBatchEndpoint”（必需）
endpointInvocationDefinition	[必需]定义计划作定义详细信息。 <see href=“TBD” />	任何（必需）

FeatureAttributionDriftMonitoringSignal

名称	DESCRIPTION	价值
featureDataTypeOverride	一个字典，用于将特征名称映射到各自的数据类型。	FeatureAttributionDriftMonitoringSignalFeatureDataTypeOverride
featureImportanceSettings	[必需]计算特征重要性的设置。	FeatureImportanceSettings （必需）
metricThreshold 指标阈值	[必需]要计算的指标列表及其关联的阈值。	FeatureAttributionMetricThreshold （必需）
生产数据	[必需]将计算偏移的数据。	MonitoringInputDataBase[] （必需）
referenceData （引用数据）	[必需]要计算偏移的数据。	MonitoringInputDataBase （必需）
信号类型	[必需]指定要监视的信号类型。	“FeatureAttributionDrift”（必需）

FeatureAttributionDriftMonitoringSignalFeatureDataTypeOverride

名称	DESCRIPTION	价值

FeatureAttributionMetricThreshold

名称	DESCRIPTION	价值
指标	[必需]要计算的功能归因指标。	“NormalizedDiscountedCumulativeGain”（必需）
阈值	阈值。如果为 null，则会根据所选指标设置默认值。	监控阈值

FeatureImportanceSettings （特征重要性设置）

名称	DESCRIPTION	价值
模式	计算特征重要性的作模式。	“Disabled” “Enabled”
targetColumn	输入数据资产中目标列的名称。	字符串

特征子集

名称	DESCRIPTION	价值
功能	[必需]要包含的功能列表。	string[] （必需）
filterType （过滤器类型）	[必需]指定要在选择要计算指标的功能时利用的功能筛选器。	“FeatureSubset”（必需）

微调作业

名称	DESCRIPTION	价值
微调细节	[必需]	FineTuningVertical （必需）
职位类型	[必需]指定作业的类型。	“FineTuning”（必需）
输出	[必需]	FineTuningJobOutputs （必需）
queueSettings	作业的队列设置	队列设置
资源	作业的实例类型和其他资源	工作资源

FineTuningJobOutputs（微调作业输出）

名称	DESCRIPTION	价值

微调垂直

名称	DESCRIPTION	价值
模型	[必需]用于微调的输入模型。	MLFlowModelJobInput （必需）
模型提供程序	设置为“AzureOpenAI”类型为 AzureOpenAiFineTuning。设置为 CustomModelFineTuning 类型的“Custom”。	“AzureOpenAI” “Custom”（必需）
任务类型	[必需]微调任务类型。	“ChatCompletion” “ImageClassification” “ImageInstanceSegmentation” “ImageObjectDetection” “QuestionAnswering” “TextClassification” “TextCompletion” “TextSummarization” “TextTranslation” “TokenClassification” “VideoMultiObjectTracking”（必需）
trainingData （训练数据）	[必需]用于微调的训练数据。	JobInput （必需）
validationData （验证数据）	用于微调的验证数据。	作业输入

固定输入数据

名称	DESCRIPTION	价值
inputDataType （输入数据类型）	[必需]指定要监视的信号类型。	“已修复”（必需）

预测地平线

名称	DESCRIPTION	价值
模式	设置为“ AutoForecastHorizon”类型。设置为 CustomForecastHorizon 类型的“Custom”。	“Auto” “Custom”（必需）

预测

名称	DESCRIPTION	价值
cvSplitColumnNames	用于 CVSplit 数据的列。	字符串[]
featurizationSettings	AutoML 作业所需的特征化输入。	TableVerticalFeaturizationSettings
forecasting设置	预测任务特定的输入。	ForecastingSettings
limitSettings	AutoMLJob 的执行约束。	TableVerticalLimitSettings
nCrossValidations	要应用于训练数据集的交叉验证折叠数如果未提供验证数据集，则为。	NCross验证
primaryMetric	预测任务的主要指标。	“NormalizedMeanAbsoluteError” “NormalizedRootMeanSquaredError” “R2Score” 'SpearmanCorrelation'
任务类型	[必需]AutoMLJob 的任务类型。	“预测”（必需）
测试数据	测试数据输入。	MLTableJobInput
testDataSize	需要为验证目的预留的测试数据集的分数。介于（0.0、 1.0）之间的值未提供验证数据集时应用。	整数 (int)
trainingSettings	AutoML 作业训练阶段的输入。	ForecastingTrainingSettings
validationData （验证数据）	验证数据输入。	MLTableJobInput
validationDataSize	需要留出用于验证的定型数据集的分数。介于（0.0、 1.0）之间的值未提供验证数据集时应用。	整数 (int)
权重列名称	示例权重列的名称。自动化 ML 支持加权列作为输入，导致数据中的行向上或向下加权。	字符串

ForecastingSettings

名称	DESCRIPTION	价值
国家/地区或地区为假期	用于预测任务的假日国家或地区。这些代码应为 ISO 3166 双字母国家/地区代码，例如“US”或“GB”。	字符串
cvStepSize	一个 CV 折叠的起始时间与下一个折叠之间的句点数。为例如，如果 `CVStepSize` = 3 表示每日数据，则每个折叠的源时间将为三天相隔。	整数 (int)
featureLags	使用“auto”或 null 为数值特征生成滞后的标志。	“Auto” “None”
forecastHorizon （预测地平线）	所需最大预测范围（以时序频率单位为单位）。	预测地平线
频率	预测时，此参数表示需要预测的时间段，例如每日、每周、每年等。默认情况下，预测频率为数据集频率。	字符串
季节性	将时序季节性设置为序列频率的整数倍数。如果季节性设置为“auto”，则会推断它。	季节性
shortSeriesHandlingConfig	定义 AutoML 如何处理短时序的参数。	“Auto” “掉落” “None” “Pad”
targetAggregateFunction	用于聚合符合用户指定频率的时序目标列的函数。如果设置了 TargetAggregateFunction，即不是“None”，但未设置 freq 参数，则会引发错误。可能的目标聚合函数包括：“sum”、“max”、“min”和“mean”。	“Max” “Mean” “Min” “None” “Sum”
目标拉格	要从目标列滞后的过去时间段数。	目标滞后
targetRollingWindowSize	用于创建目标列的滚动窗口平均值的过去时间段数。	TargetRollingWindowSize
timeColumnName （时间列名称）	时间列的名称。当预测在用于生成时序并推断其频率的输入数据中指定日期/时间列时，此参数是必需的。	字符串
timeSeriesIdColumnNames	用于对时间序列进行分组的列的名称。它可用于创建多个序列。如果未定义粒度，则假定数据集为一个时序。此参数用于任务类型预测。	字符串[]
useStl	配置时序目标列的 STL 分解。	“None” “季度” “SeasonTrend”

ForecastingTrainingSettings

名称	DESCRIPTION	价值
allowedTrainingAlgorithms	允许用于预测任务的模型。	包含任一项的字符串数组： “Arimax” “AutoArima” “Average” “DecisionTree” “ElasticNet” “ExponentialSmoothing” “ExtremeRandomTrees” “GradientBoosting” “KNN” “LassoLars” “LightGBM” “Naive” “先知” “RandomForest” “SeasonalAverage” “SeasonalNaive” “ZN” “TCNForecaster” “XGBoostRegressor”
blockedTrainingAlgorithms	用于预测任务的阻止模型。	包含任一项的字符串数组： “Arimax” “AutoArima” “Average” “DecisionTree” “ElasticNet” “ExponentialSmoothing” “ExtremeRandomTrees” “GradientBoosting” “KNN” “LassoLars” “LightGBM” “Naive” “先知” “RandomForest” “SeasonalAverage” “SeasonalNaive” “ZN” “TCNForecaster” “XGBoostRegressor”
enableDnnTraining	启用 DNN 模型的建议。	布尔
enableModelExplainability	标志以在最佳模型上启用可解释性。	布尔
enableOnnxCompatibleModels	用于启用 onnx 兼容模型的标志。	布尔
enableStackEnsemble	启用堆栈合奏运行。	布尔
enableVoteEnsemble	启用投票合奏运行。	布尔
ensembleModelDownloadTimeout	在 VotingEnsemble 和 StackEnsemble 模型生成期间，将下载先前子运行中的多个拟合模型。如果需要更多时间，请将此参数配置为大于 300 秒的值。	字符串
stackEnsembleSettings	堆栈合奏的堆栈合奏设置。	StackEnsembleSettings

GridSampling算法

名称	DESCRIPTION	价值
采样算法类型	[必需]用于生成超参数值的算法以及配置属性	“Grid”（必需）

身份配置

名称	DESCRIPTION	价值
身份类型	对于 AmlToken 类型，设置为“AMLToken”。设置为 “ManagedIdentity”类型。对于 UserIdentity 类型，设置为“UserIdentity”。	“AMLToken” “Managed” “UserIdentity”（必需）

图像分类

名称	DESCRIPTION	价值
limitSettings	[必需]限制 AutoML 作业的设置。	ImageLimitSettings （必需）
modelSettings	用于训练模型的设置。	ImageModelSettings分类
primaryMetric	要针对此任务进行优化的主要指标。	“准确性” “AUCWeighted” “AveragePrecisionScoreWeighted” “NormMacroRecall” “PrecisionScoreWeighted”
搜索空间	用于采样模型及其超参数的不同组合的搜索空间。	ImageModelDistributionSettingsClassification[]
扫描设置	模型扫描和超参数扫描相关设置。	ImageSweepSettings （图像扫描设置）
任务类型	[必需]AutoMLJob 的任务类型。	“ImageClassification”（必需）
validationData （验证数据）	验证数据输入。	MLTableJobInput
validationDataSize	需要留出用于验证的定型数据集的分数。介于（0.0、 1.0）之间的值未提供验证数据集时应用。	整数 (int)

ImageClassificationMultilabel

名称	DESCRIPTION	价值
limitSettings	[必需]限制 AutoML 作业的设置。	ImageLimitSettings （必需）
modelSettings	用于训练模型的设置。	ImageModelSettings分类
primaryMetric	要针对此任务进行优化的主要指标。	“准确性” “AUCWeighted” “AveragePrecisionScoreWeighted” “IOU” “NormMacroRecall” “PrecisionScoreWeighted”
搜索空间	用于采样模型及其超参数的不同组合的搜索空间。	ImageModelDistributionSettingsClassification[]
扫描设置	模型扫描和超参数扫描相关设置。	ImageSweepSettings （图像扫描设置）
任务类型	[必需]AutoMLJob 的任务类型。	“ImageClassificationMultilabel”（必需）
validationData （验证数据）	验证数据输入。	MLTableJobInput
validationDataSize	需要留出用于验证的定型数据集的分数。介于（0.0、 1.0）之间的值未提供验证数据集时应用。	整数 (int)

ImageInstanceSegmentation

名称	DESCRIPTION	价值
limitSettings	[必需]限制 AutoML 作业的设置。	ImageLimitSettings （必需）
modelSettings	用于训练模型的设置。	ImageModelSettingsObjectDetection
primaryMetric	要针对此任务进行优化的主要指标。	“MeanAveragePrecision”
搜索空间	用于采样模型及其超参数的不同组合的搜索空间。	ImageModelDistributionSettingsObjectDetection[]
扫描设置	模型扫描和超参数扫描相关设置。	ImageSweepSettings （图像扫描设置）
任务类型	[必需]AutoMLJob 的任务类型。	“ImageInstanceSegmentation”（必需）
validationData （验证数据）	验证数据输入。	MLTableJobInput
validationDataSize	需要留出用于验证的定型数据集的分数。介于（0.0、 1.0）之间的值未提供验证数据集时应用。	整数 (int)

ImageLimitSettings

名称	DESCRIPTION	价值
maxConcurrentTrials	最大并发 AutoML 迭代数。	整数 (int)
maxTrials	AutoML 迭代的最大数目。	整数 (int)
超时	AutoML 作业超时。	字符串

ImageModelDistributionSettings分类

名称	DESCRIPTION	价值
amsGradient	优化器为“adam”或“adamw”时启用 AMSGrad。	字符串
扩充	使用扩充的设置。	字符串
贝塔1	优化器为“adam”或“adamw”时“beta1”的值。必须是 [0， 1] 范围内的浮点。	字符串
贝塔2	优化器为“adam”或“adamw”时“beta2”的值。必须是 [0， 1] 范围内的浮点。	字符串
分散式	是否使用分布式程序训练。	字符串
earlyStopping （早期停止）	在训练期间启用提前停止逻辑。	字符串
earlyStoppingDelay	在主要指标改进之前等待的最小纪元数或验证评估数跟踪早期停止。必须是正整数。	字符串
早点停止耐心	之前没有主要指标改进的最小纪元或验证评估数运行已停止。必须是正整数。	字符串
enableOnnxNormalization	导出 ONNX 模型时启用规范化。	字符串
evaluationFrequency	评估验证数据集以获取指标分数的频率。必须是正整数。	字符串
梯度累积步骤	渐变累积意味着在不运行配置数量的“GradAccumulationStep”步骤的情况下更新模型权重，同时累积这些步骤的渐变，然后使用用于计算权重更新的累积渐变。必须是正整数。	字符串
layersToFreeze （图层冻结）	要冻结模型的层数。必须是正整数。例如，将 2 作为“seresnext”的值传递意味着冻结 layer0 和 layer1。有关支持的模型的完整列表以及有关层冻结的详细信息，请请参阅：/azure/machine-learning/how-to-auto-train-image-models。	字符串
learningRate	初始学习速率。必须是 [0， 1] 范围内的浮点。	字符串
learningRateScheduler 的	学习速率计划程序的类型。必须是“warmup_cosine”或“step”。	字符串
模型名称	要用于训练的模型的名称。有关可用模型的详细信息，请访问官方文档： /azure/machine-learning/how-to-auto-train-image-models。	字符串
动量	优化器为“zn”时的动量值。必须是 [0， 1] 范围内的浮点。	字符串
涅斯特罗夫	优化器为“zn”时启用 nesterov。	字符串
纪元数	训练纪元数。必须是正整数。	字符串
工人数	数据加载程序辅助角色数。必须是非负整数。	字符串
优化器	优化器的类型。必须是“zn”、“adam”或“adamw”。	字符串
随机种子	使用确定性训练时要使用的随机种子。	字符串
stepLR伽玛	当学习速率计划程序为“step”时，gamma 的值。必须是 [0， 1] 范围内的浮点。	字符串
stepLRStepSize	学习速率计划程序为“step”时步骤大小的值。必须是正整数。	字符串
trainingBatchSize	训练批大小。必须是正整数。	字符串
trainingCropSize	训练数据集的神经网络输入的图像裁剪大小。必须是正整数。	字符串
validationBatchSize	验证批大小。必须是正整数。	字符串
validationCropSize	输入到神经网络的验证数据集的图像裁剪大小。必须是正整数。	字符串
validationResizeSize	在裁剪验证数据集之前要调整其大小的图像大小。必须是正整数。	字符串
warmupCosineLRCycles	学习速率计划程序为“warmup_cosine”时的余弦周期值。必须是 [0， 1] 范围内的浮点。	字符串
warmupCosineLRWarmupEpochs	当学习速率计划程序为“warmup_cosine”时，预热时期的值。必须是正整数。	字符串
weightDecay （权重衰减）	优化器为“zn”、“adam”或“adamw”时的权重衰减值。必须是范围[0， 1] 中的浮点。	字符串
weightedLoss	减肥。对于无加权损失，接受的值为 0。 1 用于与 sqrt 一起减肥。（class_weights）。 2 用于减肥与class_weights。必须为 0 或 1 或 2。	字符串

ImageModelDistributionSettingsObjectDetection

名称	DESCRIPTION	价值
amsGradient	优化器为“adam”或“adamw”时启用 AMSGrad。	字符串
扩充	使用扩充的设置。	字符串
贝塔1	优化器为“adam”或“adamw”时“beta1”的值。必须是 [0， 1] 范围内的浮点。	字符串
贝塔2	优化器为“adam”或“adamw”时“beta2”的值。必须是 [0， 1] 范围内的浮点。	字符串
boxDetectionsPerImage （每图像检测）	每个图像的最大检测数，适用于所有类。必须是正整数。注意：“yolov5”算法不支持此设置。	字符串
boxScoreThreshold （盒分数阈值）	在推理期间，仅返回分类分数大于 BoxScoreThreshold。必须是范围[0， 1] 中的浮点。	字符串
分散式	是否使用分布式程序训练。	字符串
earlyStopping （早期停止）	在训练期间启用提前停止逻辑。	字符串
earlyStoppingDelay	在主要指标改进之前等待的最小纪元数或验证评估数跟踪早期停止。必须是正整数。	字符串
早点停止耐心	之前没有主要指标改进的最小纪元或验证评估数运行已停止。必须是正整数。	字符串
enableOnnxNormalization	导出 ONNX 模型时启用规范化。	字符串
evaluationFrequency	评估验证数据集以获取指标分数的频率。必须是正整数。	字符串
梯度累积步骤	渐变累积意味着在不运行配置数量的“GradAccumulationStep”步骤的情况下更新模型权重，同时累积这些步骤的渐变，然后使用用于计算权重更新的累积渐变。必须是正整数。	字符串
图像大小	用于训练和验证的图像大小。必须是正整数。注意：如果大小太大，训练运行可能会进入 CUDA OOM。注意：仅“yolov5”算法支持此设置。	字符串
layersToFreeze （图层冻结）	要冻结模型的层数。必须是正整数。例如，将 2 作为“seresnext”的值传递意味着冻结 layer0 和 layer1。有关支持的模型的完整列表以及有关层冻结的详细信息，请请参阅：/azure/machine-learning/how-to-auto-train-image-models。	字符串
learningRate	初始学习速率。必须是 [0， 1] 范围内的浮点。	字符串
learningRateScheduler 的	学习速率计划程序的类型。必须是“warmup_cosine”或“step”。	字符串
最大大小	将图像馈送至主干之前要重新缩放的最大大小。必须是正整数。注意：如果大小太大，训练运行可能会进入 CUDA OOM。注意：“yolov5”算法不支持此设置。	字符串
最小大小	将图像馈送到主干之前要重新缩放的最小大小。必须是正整数。注意：如果大小太大，训练运行可能会进入 CUDA OOM。注意：“yolov5”算法不支持此设置。	字符串
模型名称	要用于训练的模型的名称。有关可用模型的详细信息，请访问官方文档： /azure/machine-learning/how-to-auto-train-image-models。	字符串
modelSize	模型大小。必须是“small”、“medium”、“large”或“xlarge”。注意：如果模型大小太大，训练运行可能会进入 CUDA OOM。注意：仅“yolov5”算法支持此设置。	字符串
动量	优化器为“zn”时的动量值。必须是 [0， 1] 范围内的浮点。	字符串
多尺度	按 +/- 50%的不同图像大小启用多缩放图像。注意：如果没有足够的 GPU 内存，训练运行可能会进入 CUDA OOM。注意：仅“yolov5”算法支持此设置。	字符串
涅斯特罗夫	优化器为“zn”时启用 nesterov。	字符串
nmsIouThreshold	在 NMS 后期处理的推理期间使用的 IOU 阈值。必须在 [0， 1] 范围内浮动。	字符串
纪元数	训练纪元数。必须是正整数。	字符串
工人数	数据加载程序辅助角色数。必须是非负整数。	字符串
优化器	优化器的类型。必须是“zn”、“adam”或“adamw”。	字符串
随机种子	使用确定性训练时要使用的随机种子。	字符串
stepLR伽玛	当学习速率计划程序为“step”时，gamma 的值。必须是 [0， 1] 范围内的浮点。	字符串
stepLRStepSize	学习速率计划程序为“step”时步骤大小的值。必须是正整数。	字符串
tileGridSize （平铺网格大小）	用于平铺每个图像的网格大小。注意：TileGridSize 不得为无可启用小型对象检测逻辑。一个字符串，其中包含两个整数（采用格式）。注意：“yolov5”算法不支持此设置。	字符串
tileOverlapRatio （平铺重叠比率）	每个维度中相邻磁贴之间的重叠比率。必须在 [0， 1] 范围内浮动。注意：“yolov5”算法不支持此设置。	字符串
tilePredictionsNmsThreshold	用于执行 NMS 的 IOU 阈值，同时合并来自磁贴和图像的预测。用于验证/推理。必须在 [0， 1] 范围内浮动。注意：“yolov5”算法不支持此设置。 NMS：非最大抑制	字符串
trainingBatchSize	训练批大小。必须是正整数。	字符串
validationBatchSize	验证批大小。必须是正整数。	字符串
validationIouThreshold	计算验证指标时要使用的 IOU 阈值。必须在 [0， 1] 范围内浮动。	字符串
validationMetricType	用于验证指标的指标计算方法。必须是“none”、“coco”、“voc”或“coco_voc”。	字符串
warmupCosineLRCycles	学习速率计划程序为“warmup_cosine”时的余弦周期值。必须是 [0， 1] 范围内的浮点。	字符串
warmupCosineLRWarmupEpochs	当学习速率计划程序为“warmup_cosine”时，预热时期的值。必须是正整数。	字符串
weightDecay （权重衰减）	优化器为“zn”、“adam”或“adamw”时的权重衰减值。必须是范围[0， 1] 中的浮点。	字符串

ImageModelSettings分类

名称	DESCRIPTION	价值
高级设置	高级方案的设置。	字符串
amsGradient	优化器为“adam”或“adamw”时启用 AMSGrad。	布尔
扩充	使用扩充的设置。	字符串
贝塔1	优化器为“adam”或“adamw”时“beta1”的值。必须是 [0， 1] 范围内的浮点。	整数 (int)
贝塔2	优化器为“adam”或“adamw”时“beta2”的值。必须是 [0， 1] 范围内的浮点。	整数 (int)
检查点频率	存储模型检查点的频率。必须是正整数。	整数 (int)
checkpoint模型	用于增量训练的预先训练检查点模型。	MLFlowModelJobInput
检查点RunId	上一次运行的 ID，该运行具有用于增量训练的预先训练检查点。	字符串
分散式	是否使用分布式训练。	布尔
earlyStopping （早期停止）	在训练期间启用提前停止逻辑。	布尔
earlyStoppingDelay	在主要指标改进之前等待的最小纪元数或验证评估数跟踪早期停止。必须是正整数。	整数 (int)
早点停止耐心	之前没有主要指标改进的最小纪元或验证评估数运行已停止。必须是正整数。	整数 (int)
enableOnnxNormalization	导出 ONNX 模型时启用规范化。	布尔
evaluationFrequency	评估验证数据集以获取指标分数的频率。必须是正整数。	整数 (int)
梯度累积步骤	渐变累积意味着在不运行配置数量的“GradAccumulationStep”步骤的情况下更新模型权重，同时累积这些步骤的渐变，然后使用用于计算权重更新的累积渐变。必须是正整数。	整数 (int)
layersToFreeze （图层冻结）	要冻结模型的层数。必须是正整数。例如，将 2 作为“seresnext”的值传递意味着冻结 layer0 和 layer1。有关支持的模型的完整列表以及有关层冻结的详细信息，请请参阅：/azure/machine-learning/how-to-auto-train-image-models。	整数 (int)
learningRate	初始学习速率。必须是 [0， 1] 范围内的浮点。	整数 (int)
learningRateScheduler 的	学习速率计划程序的类型。必须是“warmup_cosine”或“step”。	“None” “Step” “WarmupCosine”
模型名称	要用于训练的模型的名称。有关可用模型的详细信息，请访问官方文档： /azure/machine-learning/how-to-auto-train-image-models。	字符串
动量	优化器为“zn”时的动量值。必须是 [0， 1] 范围内的浮点。	整数 (int)
涅斯特罗夫	优化器为“zn”时启用 nesterov。	布尔
纪元数	训练纪元数。必须是正整数。	整数 (int)
工人数	数据加载程序辅助角色数。必须是非负整数。	整数 (int)
优化器	优化器的类型。	“Adam” “Adamw” “None” “Zn”
随机种子	使用确定性训练时要使用的随机种子。	整数 (int)
stepLR伽玛	当学习速率计划程序为“step”时，gamma 的值。必须是 [0， 1] 范围内的浮点。	整数 (int)
stepLRStepSize	学习速率计划程序为“step”时步骤大小的值。必须是正整数。	整数 (int)
trainingBatchSize	训练批大小。必须是正整数。	整数 (int)
trainingCropSize	训练数据集的神经网络输入的图像裁剪大小。必须是正整数。	整数 (int)
validationBatchSize	验证批大小。必须是正整数。	整数 (int)
validationCropSize	输入到神经网络的验证数据集的图像裁剪大小。必须是正整数。	整数 (int)
validationResizeSize	在裁剪验证数据集之前要调整其大小的图像大小。必须是正整数。	整数 (int)
warmupCosineLRCycles	学习速率计划程序为“warmup_cosine”时的余弦周期值。必须是 [0， 1] 范围内的浮点。	整数 (int)
warmupCosineLRWarmupEpochs	当学习速率计划程序为“warmup_cosine”时，预热时期的值。必须是正整数。	整数 (int)
weightDecay （权重衰减）	优化器为“zn”、“adam”或“adamw”时的权重衰减值。必须是范围[0， 1] 中的浮点。	整数 (int)
weightedLoss	减肥。对于无加权损失，接受的值为 0。 1 用于与 sqrt 一起减肥。（class_weights）。 2 用于减肥与class_weights。必须为 0 或 1 或 2。	整数 (int)

ImageModelSettingsObjectDetection

名称	DESCRIPTION	价值
高级设置	高级方案的设置。	字符串
amsGradient	优化器为“adam”或“adamw”时启用 AMSGrad。	布尔
扩充	使用扩充的设置。	字符串
贝塔1	优化器为“adam”或“adamw”时“beta1”的值。必须是 [0， 1] 范围内的浮点。	整数 (int)
贝塔2	优化器为“adam”或“adamw”时“beta2”的值。必须是 [0， 1] 范围内的浮点。	整数 (int)
boxDetectionsPerImage （每图像检测）	每个图像的最大检测数，适用于所有类。必须是正整数。注意：“yolov5”算法不支持此设置。	整数 (int)
boxScoreThreshold （盒分数阈值）	在推理期间，仅返回分类分数大于 BoxScoreThreshold。必须是范围[0， 1] 中的浮点。	整数 (int)
检查点频率	存储模型检查点的频率。必须是正整数。	整数 (int)
checkpoint模型	用于增量训练的预先训练检查点模型。	MLFlowModelJobInput
检查点RunId	上一次运行的 ID，该运行具有用于增量训练的预先训练检查点。	字符串
分散式	是否使用分布式训练。	布尔
earlyStopping （早期停止）	在训练期间启用提前停止逻辑。	布尔
earlyStoppingDelay	在主要指标改进之前等待的最小纪元数或验证评估数跟踪早期停止。必须是正整数。	整数 (int)
早点停止耐心	之前没有主要指标改进的最小纪元或验证评估数运行已停止。必须是正整数。	整数 (int)
enableOnnxNormalization	导出 ONNX 模型时启用规范化。	布尔
evaluationFrequency	评估验证数据集以获取指标分数的频率。必须是正整数。	整数 (int)
梯度累积步骤	渐变累积意味着在不运行配置数量的“GradAccumulationStep”步骤的情况下更新模型权重，同时累积这些步骤的渐变，然后使用用于计算权重更新的累积渐变。必须是正整数。	整数 (int)
图像大小	用于训练和验证的图像大小。必须是正整数。注意：如果大小太大，训练运行可能会进入 CUDA OOM。注意：仅“yolov5”算法支持此设置。	整数 (int)
layersToFreeze （图层冻结）	要冻结模型的层数。必须是正整数。例如，将 2 作为“seresnext”的值传递意味着冻结 layer0 和 layer1。有关支持的模型的完整列表以及有关层冻结的详细信息，请请参阅：/azure/machine-learning/how-to-auto-train-image-models。	整数 (int)
learningRate	初始学习速率。必须是 [0， 1] 范围内的浮点。	整数 (int)
learningRateScheduler 的	学习速率计划程序的类型。必须是“warmup_cosine”或“step”。	“None” “Step” “WarmupCosine”
最大大小	将图像馈送至主干之前要重新缩放的最大大小。必须是正整数。注意：如果大小太大，训练运行可能会进入 CUDA OOM。注意：“yolov5”算法不支持此设置。	整数 (int)
最小大小	将图像馈送到主干之前要重新缩放的最小大小。必须是正整数。注意：如果大小太大，训练运行可能会进入 CUDA OOM。注意：“yolov5”算法不支持此设置。	整数 (int)
模型名称	要用于训练的模型的名称。有关可用模型的详细信息，请访问官方文档： /azure/machine-learning/how-to-auto-train-image-models。	字符串
modelSize	模型大小。必须是“small”、“medium”、“large”或“xlarge”。注意：如果模型大小太大，训练运行可能会进入 CUDA OOM。注意：仅“yolov5”算法支持此设置。	“ExtraLarge” “Large” “Medium” “None” “Small”
动量	优化器为“zn”时的动量值。必须是 [0， 1] 范围内的浮点。	整数 (int)
多尺度	按 +/- 50%的不同图像大小启用多缩放图像。注意：如果没有足够的 GPU 内存，训练运行可能会进入 CUDA OOM。注意：仅“yolov5”算法支持此设置。	布尔
涅斯特罗夫	优化器为“zn”时启用 nesterov。	布尔
nmsIouThreshold	在 NMS 后期处理的推理期间使用的 IOU 阈值。必须是 [0， 1] 范围内的浮点。	整数 (int)
纪元数	训练纪元数。必须是正整数。	整数 (int)
工人数	数据加载程序辅助角色数。必须是非负整数。	整数 (int)
优化器	优化器的类型。	“Adam” “Adamw” “None” “Zn”
随机种子	使用确定性训练时要使用的随机种子。	整数 (int)
stepLR伽玛	当学习速率计划程序为“step”时，gamma 的值。必须是 [0， 1] 范围内的浮点。	整数 (int)
stepLRStepSize	学习速率计划程序为“step”时步骤大小的值。必须是正整数。	整数 (int)
tileGridSize （平铺网格大小）	用于平铺每个图像的网格大小。注意：TileGridSize 不得为无可启用小型对象检测逻辑。一个字符串，其中包含两个整数（采用格式）。注意：“yolov5”算法不支持此设置。	字符串
tileOverlapRatio （平铺重叠比率）	每个维度中相邻磁贴之间的重叠比率。必须在 [0， 1] 范围内浮动。注意：“yolov5”算法不支持此设置。	整数 (int)
tilePredictionsNmsThreshold	用于执行 NMS 的 IOU 阈值，同时合并来自磁贴和图像的预测。用于验证/推理。必须在 [0， 1] 范围内浮动。注意：“yolov5”算法不支持此设置。	整数 (int)
trainingBatchSize	训练批大小。必须是正整数。	整数 (int)
validationBatchSize	验证批大小。必须是正整数。	整数 (int)
validationIouThreshold	计算验证指标时要使用的 IOU 阈值。必须在 [0， 1] 范围内浮动。	整数 (int)
validationMetricType	用于验证指标的指标计算方法。	“Coco” “CocoVoc” “None” “Voc”
warmupCosineLRCycles	学习速率计划程序为“warmup_cosine”时的余弦周期值。必须是 [0， 1] 范围内的浮点。	整数 (int)
warmupCosineLRWarmupEpochs	当学习速率计划程序为“warmup_cosine”时，预热时期的值。必须是正整数。	整数 (int)
weightDecay （权重衰减）	优化器为“zn”、“adam”或“adamw”时的权重衰减值。必须是范围[0， 1] 中的浮点。	整数 (int)

ImageObjectDetection

名称	DESCRIPTION	价值
limitSettings	[必需]限制 AutoML 作业的设置。	ImageLimitSettings （必需）
modelSettings	用于训练模型的设置。	ImageModelSettingsObjectDetection
primaryMetric	要针对此任务进行优化的主要指标。	“MeanAveragePrecision”
搜索空间	用于采样模型及其超参数的不同组合的搜索空间。	ImageModelDistributionSettingsObjectDetection[]
扫描设置	模型扫描和超参数扫描相关设置。	ImageSweepSettings （图像扫描设置）
任务类型	[必需]AutoMLJob 的任务类型。	“ImageObjectDetection”（必需）
validationData （验证数据）	验证数据输入。	MLTableJobInput
validationDataSize	需要留出用于验证的定型数据集的分数。介于（0.0、 1.0）之间的值未提供验证数据集时应用。	整数 (int)

ImageSweepSettings （图像扫描设置）

名称	DESCRIPTION	价值
early终止	提前终止策略的类型。	提前终止政策
sampling算法	[必需]超参数采样算法的类型。	“贝贝西亚语” “Grid” “Random”（必需）

JobBaseProperties

名称	DESCRIPTION	价值
组件 ID	组件资源的 ARM 资源 ID。	字符串
计算 ID	计算资源的 ARM 资源 ID。	字符串
描述	资产说明文本。	字符串
displayName （显示名称）	作业的显示名称。	字符串
实验名称	作业所属的试验的名称。如果未设置，作业将放置在“默认”试验中。	字符串
标识	标识配置。如果已设置，则应为 AmlToken、ManagedIdentity、UserIdentity 或 null 之一。如果为 null，则默认为 AmlToken。	身份配置
isArchived 已存档	资产是否已存档？	布尔
职位类型	设置为 AutoMLJob 类型的“AutoML”。设置为 CommandJob 类型的“Command”。设置为“ FineTuning”，键入 FineTuningJob。设置为 PipelineJob 类型的“Pipeline”。设置为“ SparkJob”类型的“Spark”。设置为“ SweepJob”类型。	“AutoML” “Command” “FineTuning” “Pipeline” “Spark” “扫描”（必需）
notification设置	作业的通知设置	通知设置
属性	资产属性字典。	ResourceBaseProperties
服务	JobEndpoints 列表。对于本地作业，作业终结点的终结点值为 FileStreamObject。	JobBase服务
标签	标记字典。可以添加、删除和更新标记。	ResourceBaseTags

JobBase服务

名称	DESCRIPTION	价值

作业输入

名称	DESCRIPTION	价值
描述	输入的说明。	字符串
jobInputType （作业输入类型）	设置为 CustomModelJobInput 类型的“custom_model”。设置为 Type LiteralJobInput 的“literal”。设置为 MLFlowModelJobInput 类型的“mlflow_model”。设置为 MLTableJobInput 类型的“mltable”。设置为 TritonModelJobInput 类型的“triton_model”。设置为 UriFileJobInput 类型的“uri_file”。设置为 UriFolderJobInput 类型的“uri_folder”。	“custom_model” “literal” “mlflow_model” “mltable” “triton_model” “uri_file” “uri_folder”（必需）

JobOutput （作业输出）

名称	DESCRIPTION	价值
描述	输出的说明。	字符串
jobOutputType	设置为 CustomModelJobOutput 类型的“custom_model”。设置为 MLFlowModelJobOutput 类型的“mlflow_model”。设置为 MLTableJobOutput 类型的“mltable”。设置为 TritonModelJobOutput 类型的“triton_model”。设置为 UriFileJobOutput 类型的“uri_file”。设置为 UriFolderJobOutput 类型的“uri_folder”。	“custom_model” “mlflow_model” “mltable” “triton_model” “uri_file” “uri_folder”（必需）

JobResourceConfiguration

名称	DESCRIPTION	价值
dockerArgs	要传递给 Docker run 命令的额外参数。这将替代系统设置的任何参数，或在本部分中。此参数仅支持 Azure ML 计算类型。	字符串
instanceCount	计算目标使用的实例或节点数可选。	整数 (int)
instanceType	计算目标支持的可选 VM 类型。	字符串
属性	其他属性包。	ResourceConfigurationProperties
shmSize	docker 容器的共享内存块的大小。这应采用（number）（unit）格式，其中数字大于 0，单位可以是 b（字节）、k（千字节）、m（兆字节）或 g（GB）。	字符串约束：图案 = `\d+[bBkKmMgG]`

工作资源

名称	DESCRIPTION	价值
instanceTypes	要从中选择的实例类型列表。	字符串[]

JobScheduleAction作

名称	DESCRIPTION	价值
动作类型	[必需]指定计划的作类型	“CreateJob”（必需）
jobDefinition	[必需]定义计划作定义详细信息。	JobBaseProperties （必需）

工作服务

名称	DESCRIPTION	价值
终结点	终结点的 URL。	字符串
jobServiceType	终结点类型。	字符串
节点	用户希望启动服务的节点。如果未将 Nodes 设置为 null，则服务将仅在领导节点上启动。	节点
移植	终结点的端口。	整数 (int)
属性	在终结点上设置的其他属性。	JobServiceProperties

JobServiceProperties

名称	DESCRIPTION	价值

LiteralJobInput （文字作业输入）

名称	DESCRIPTION	价值
jobInputType （作业输入类型）	[必需]指定作业的类型。	“literal”（必需）
价值	[必需]输入的文本值。	字符串约束：最小长度 = 1 模式 = `[a-zA-Z0-9_]` （必需）

ManagedComputeIdentity

名称	DESCRIPTION	价值
computeIdentityType	[必需]指定要在监视作业中使用的标识类型。	“ManagedIdentity”（必需）
标识	监视作业将利用的标识。	ManagedServiceIdentity

ManagedIdentity （托管身份）

名称	DESCRIPTION	价值
客户端 ID	按客户端 ID 指定用户分配的标识。对于系统分配，请不要设置此字段。	字符串约束：最小长度 = 36 最大长度 = 36 图案 = `^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$`
身份类型	[必需]指定标识框架的类型。	“Managed”（必需）
对象 ID	按对象 ID 指定用户分配的标识。对于系统分配，请不要设置此字段。	字符串约束：最小长度 = 36 最大长度 = 36 图案 = `^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$`
资源ID	按 ARM 资源 ID 指定用户分配的标识。对于系统分配，请不要设置此字段。	字符串

ManagedServiceIdentity

名称	DESCRIPTION	价值
类型	托管服务标识的类型（其中允许 SystemAssigned 和 UserAssigned 类型）。	“None” “SystemAssigned” “SystemAssigned，UserAssigned” “UserAssigned”（必需）
用户分配的标识	与资源关联的用户分配标识集。 userAssignedIdentities 字典密钥将为 ARM 资源 ID，格式为“/subscriptions/{subscriptionId}/resourceGroups/{resourceGroupName}/providers/Microsoft.ManagedIdentity/userAssignedIdentities/{identityName}”。字典值可以是请求中的空对象（{}）。	UserAssignedIdentities

MedianStoppingPolicy （中值停止策略）

名称	DESCRIPTION	价值
policyType	[必需]策略配置的名称	“MedianStopping”（必需）

MLFlowModelJobInput

名称	DESCRIPTION	价值
描述	输入的说明。	字符串
jobInputType （作业输入类型）	[必需]指定作业的类型。	“custom_model” “literal” “mlflow_model” “mltable” “triton_model” “uri_file” “uri_folder”（必需）
模式	输入资产传送模式。	“Direct” “下载” “EvalDownload” “EvalMount” “ReadOnlyMount” “ReadWriteMount”
URI	[必需]输入资产 URI。	字符串约束：最小长度 = 1 模式 = `[a-zA-Z0-9_]` （必需）

MLFlowModelJobInput

名称	DESCRIPTION	价值
jobInputType （作业输入类型）	[必需]指定作业的类型。	“mlflow_model”（必需）
模式	输入资产传送模式。	“Direct” “下载” “EvalDownload” “EvalMount” “ReadOnlyMount” “ReadWriteMount”
URI	[必需]输入资产 URI。	字符串约束：最小长度 = 1 模式 = `[a-zA-Z0-9_]` （必需）

MLFlowModelJobOutput

名称	DESCRIPTION	价值
jobOutputType	[必需]指定作业的类型。	“mlflow_model”（必需）
模式	输出资产传送模式。	“Direct” “ReadWriteMount” “Upload”
URI	输出资产 URI。	字符串

MLTableJobInput

名称	DESCRIPTION	价值
描述	输入的说明。	字符串
jobInputType （作业输入类型）	[必需]指定作业的类型。	“custom_model” “literal” “mlflow_model” “mltable” “triton_model” “uri_file” “uri_folder”（必需）
模式	输入资产传送模式。	“Direct” “下载” “EvalDownload” “EvalMount” “ReadOnlyMount” “ReadWriteMount”
URI	[必需]输入资产 URI。	字符串约束：最小长度 = 1 模式 = `[a-zA-Z0-9_]` （必需）

MLTableJobInput

名称	DESCRIPTION	价值
jobInputType （作业输入类型）	[必需]指定作业的类型。	“mltable”（必需）
模式	输入资产传送模式。	“Direct” “下载” “EvalDownload” “EvalMount” “ReadOnlyMount” “ReadWriteMount”
URI	[必需]输入资产 URI。	字符串约束：最小长度 = 1 模式 = `[a-zA-Z0-9_]` （必需）

MLTableJobOutput

名称	DESCRIPTION	价值
jobOutputType	[必需]指定作业的类型。	“mltable”（必需）
模式	输出资产传送模式。	“Direct” “ReadWriteMount” “Upload”
URI	输出资产 URI。	字符串

监视器ComputeConfigurationBase

名称	DESCRIPTION	价值
computeType	设置为 MonitorServerlessSparkCompute 类型的“ServerlessSpark”。	“ServerlessSpark”（必需）

监视器计算身份库

名称	DESCRIPTION	价值
computeIdentityType	对于 AmlTokenComputeIdentity，设置为“AmlToken”。设置为 “ManagedComputeIdentity”类型的“ManagedIdentity”。	“AmlToken” “ManagedIdentity”（必需）

监视器定义

名称	DESCRIPTION	价值
alertNotificationSettings	监视器的通知设置。	MonitorNotificationSettings
computeConfiguration	[必需]要运行监视作业的计算资源的 ARM 资源 ID。	MonitorComputeConfigurationBase （必需）
监控目标	监视器针对的实体。	监控目标
信号	[必需]要监视的信号。	MonitorDefinitionSignals （必需）

监视器定义信号

名称	DESCRIPTION	价值

监视器EmailNotificationSettings

名称	DESCRIPTION	价值
电子邮件	总共限制为 499 个字符的电子邮件收件人列表。	字符串[]

MonitoringFeatureFilterBase

名称	DESCRIPTION	价值
filterType （过滤器类型）	对于 AllFeatures 类型，设置为“AllFeatures”。对于 FeatureSubset 类型，设置为“FeatureSubset”。对于 TopNFeaturesByAttribution，设置为“TopNByAttribution”。	“AllFeatures” “FeatureSubset” “TopNByAttribution”（必需）

监控输入数据库

名称	DESCRIPTION	价值
列	将列名映射到特殊用途。	MonitoringInputDataBaseColumns
dataContext	数据源的上下文元数据。	字符串
inputDataType （输入数据类型）	对于 FixedInputData 类型，设置为“Fixed”。设置为 “RollingInputData”类型的“Rolling”。设置为 StaticInputData 类型的“Static”。	“Fixed” “滚动” “Static”（必需）
jobInputType （作业输入类型）	[必需]指定作业的类型。	“custom_model” “literal” “mlflow_model” “mltable” “triton_model” “uri_file” “uri_folder”（必需）
URI	[必需]输入资产 URI。	字符串约束：最小长度 = 1 模式 = `[a-zA-Z0-9_]` （必需）

MonitoringInputDataBaseColumns

名称	DESCRIPTION	价值

监控信号库

名称	DESCRIPTION	价值
notificationTypes	此信号的当前通知模式。	包含任一项的字符串数组： “AmlNotification”
属性	属性字典。可以添加属性，但不能删除或更改属性。	MonitoringSignalBaseProperties
信号类型	设置为 CustomMonitoringSignal 类型的“Custom”。设置为 DataDriftMonitoringSignal 类型的“DataDrift”。设置为 DataQualityMonitoringSignal 类型的“DataQuality”。对于 Type FeatureAttributionDrift，设置为“FeatureAttributionDriftMonitoringSignal”。设置为“ PredictionDriftMonitoringSignal”类型的“PredictionDrift”。	“Custom” “DataDrift” “DataQuality” “FeatureAttributionDrift” “PredictionDrift”（必需）

MonitoringSignalBaseProperties

名称	DESCRIPTION	价值

监控目标

名称	DESCRIPTION	价值
deploymentId	对此监视器目标的部署资产的引用。	字符串
模型 ID	对此监视器所针对的模型资产的引用。	字符串
任务类型	[必需]受监视模型的机器学习任务类型。	“Classification” “回归”（必需）

监控阈值

名称	DESCRIPTION	价值
价值	阈值。如果为 null，则设置默认值取决于指标类型。	整数 (int)

MonitorNotificationSettings

名称	DESCRIPTION	价值
emailNotification设置	AML 通知电子邮件设置。	监视器EmailNotificationSettings

监视器ServerlessSparkCompute

名称	DESCRIPTION	价值
计算身份	[必需]无服务器 Spark 上运行的 Spark 作业利用的标识方案。	MonitorComputeIdentityBase （必需）
computeType	[必需]指定要监视的信号类型。	“ServerlessSpark”（必需）
instanceType	[必需]运行 Spark 作业的实例类型。	字符串约束：最小长度 = 1 模式 = `[a-zA-Z0-9_]` （必需）
runtimeVersion （运行时版本）	[必需]Spark 运行时版本。	字符串约束：最小长度 = 1 模式 = `^[0-9]+\.[0-9]+$` （必需）

MPI

名称	DESCRIPTION	价值
distributionType	[必需]指定分发框架的类型。	“Mpi”（必需）
processCountPerInstance	每个 MPI 节点的进程数。	整数 (int)

NCross验证

名称	DESCRIPTION	价值
模式	对于 AutoNCrossValidations 类型，设置为“自动”。设置为 CustomNCrossValidations 类型的“Custom”。	“Auto” “Custom”（必需）

NlpVerticalFeaturizationSettings

名称	DESCRIPTION	价值
datasetLanguage	数据集语言，适用于文本数据。	字符串

NlpVerticalLimitSettings

名称	DESCRIPTION	价值
maxConcurrentTrials	最大并发 AutoML 迭代次数。	整数 (int)
maxTrials	AutoML 迭代数。	整数 (int)
超时	AutoML 作业超时。	字符串

节点

名称	DESCRIPTION	价值
nodesValueType	对于 AllNodes 类型，设置为“All”。	“全部”（必需）

通知设置

名称	DESCRIPTION	价值
电子邮件	在指定的通知类型上向用户发送电子邮件通知	包含任一项的字符串数组： “JobCancelled” “JobCompleted” “JobFailed”
电子邮件	这是电子邮件收件人列表，限制为 499 个字符的总 concat 和逗号分隔符	字符串[]
webhook	将 Webhook 回调发送到服务。密钥是 Webhook 的用户提供的名称。	NotificationSettingWebhook

NotificationSettingWebhook

名称	DESCRIPTION	价值

NumericalDataDriftMetricThreshold

名称	DESCRIPTION	价值
数据类型	[必需]指定指标阈值的数据类型。	“数字”（必需）
指标	[必需]要计算的数字数据偏移指标。	“JensenShannonDistance” “NormalizedWassersteinDistance” “PopulationStabilityIndex” “TwoSampleKolmogorovsmirnovTest”（必需）

NumericalDataQualityMetricThreshold

名称	DESCRIPTION	价值
数据类型	[必需]指定指标阈值的数据类型。	“数字”（必需）
指标	[必需]要计算的数字数据质量指标。	“DataTypeErrorRate” “NullValueRate” “OutOfBoundsRate”（必需）

NumericalPredictionDriftMetricThreshold

名称	DESCRIPTION	价值
数据类型	[必需]指定指标阈值的数据类型。	“数字”（必需）
指标	[必需]要计算的数字预测偏移指标。	“JensenShannonDistance” “NormalizedWassersteinDistance” “PopulationStabilityIndex” “TwoSampleKolmogorovsmirnovTest”（必需）

目的

名称	DESCRIPTION	价值
目标	[必需]定义超参数优化支持的指标目标	“最大化” “最小化”（必需）
primaryMetric	[必需]要优化的指标的名称。	字符串约束：最小长度 = 1 模式 = `[a-zA-Z0-9_]` （必需）

管道作业

名称	DESCRIPTION	价值
输入	管道作业的输入。	管道作业输入
工作	作业构造管道作业。	PipelineJobJob 作业
职位类型	[必需]指定作业的类型。	“Pipeline”（必需）
输出	管道作业的输出	PipelineJobOutputs
设置	管道设置，例如 ContinueRunOnStepFailure 等。	任何
源作业 ID	源作业的 ARM 资源 ID。	字符串

管道作业输入

名称	DESCRIPTION	价值

PipelineJobJob 作业

名称	DESCRIPTION	价值

PipelineJobOutputs

名称	DESCRIPTION	价值

PredictionDriftMetricThresholdBase

名称	DESCRIPTION	价值
数据类型	设置为 CategoricalPredictionDriftMetricThreshold 类型的“分类”。对于 Type NumericalPredictionDriftMetricThreshold，设置为“数字”。	“分类” “数字”（必需）
阈值	阈值。如果为 null，则会根据所选指标设置默认值。	监控阈值

预测漂移监测信号

名称	DESCRIPTION	价值
featureDataTypeOverride	一个字典，用于将特征名称映射到各自的数据类型。	PredictionDriftMonitoringSignalFeatureDataTypeOverride
metricThresholds	[必需]要计算的指标列表及其关联的阈值。	PredictionDriftMetricThresholdBase[] （必需）
生产数据	[必需]将计算偏移的数据。	MonitoringInputDataBase （必需）
referenceData （引用数据）	[必需]要计算偏移的数据。	MonitoringInputDataBase （必需）
信号类型	[必需]指定要监视的信号类型。	“PredictionDrift”（必需）

PredictionDriftMonitoringSignalFeatureDataTypeOverride

名称	DESCRIPTION	价值

PyTorch

名称	DESCRIPTION	价值
distributionType	[必需]指定分发框架的类型。	“PyTorch”（必需）
processCountPerInstance	每个节点的进程数。	整数 (int)

队列设置

名称	DESCRIPTION	价值
jobTier	控制计算作业层	“Basic” “Null” “Premium” “Spot” “Standard”

RandomSamplingAlgorithm 算法

名称	DESCRIPTION	价值
规则	随机算法的特定类型	“Random” “Sobol”
采样算法类型	[必需]用于生成超参数值的算法以及配置属性	“Random”（必需）
种子	用作随机数生成的种子的可选整数	整数 (int)

RecurrenceSchedule （定期计划）

名称	DESCRIPTION	价值
小时	[必需]计划小时列表。	int[] （必需）
分钟数	[必需]计划分钟列表。	int[] （必需）
月天	计划月份日期列表	int[]
平日	计划天数列表。	包含任一项的字符串数组： “Friday” “Monday” “Saturday” “星期日” “星期四” “Tuesday” “Wednesday”

RecurrenceTrigger 触发器

名称	DESCRIPTION	价值
频率	[必需]触发计划的频率。	“Day” “Hour” “Minute” “Month” “Week”（必需）
间隔	[必需]指定计划间隔与频率	int （必需）
时间表	重复计划。	RecurrenceSchedule （定期计划）
triggerType	[必需]	“定期”（必需）

回归

名称	DESCRIPTION	价值
cvSplitColumnNames	用于 CVSplit 数据的列。	字符串[]
featurizationSettings	AutoML 作业所需的特征化输入。	TableVerticalFeaturizationSettings
limitSettings	AutoMLJob 的执行约束。	TableVerticalLimitSettings
nCrossValidations	要应用于训练数据集的交叉验证折叠数如果未提供验证数据集，则为。	NCross验证
primaryMetric	回归任务的主要指标。	“NormalizedMeanAbsoluteError” “NormalizedRootMeanSquaredError” “R2Score” 'SpearmanCorrelation'
任务类型	[必需]AutoMLJob 的任务类型。	“回归”（必需）
测试数据	测试数据输入。	MLTableJobInput
testDataSize	需要为验证目的预留的测试数据集的分数。介于（0.0、 1.0）之间的值未提供验证数据集时应用。	整数 (int)
trainingSettings	AutoML 作业训练阶段的输入。	回归训练设置
validationData （验证数据）	验证数据输入。	MLTableJobInput
validationDataSize	需要留出用于验证的定型数据集的分数。介于（0.0、 1.0）之间的值未提供验证数据集时应用。	整数 (int)
权重列名称	示例权重列的名称。自动化 ML 支持加权列作为输入，导致数据中的行向上或向下加权。	字符串

回归训练设置

名称	DESCRIPTION	价值
allowedTrainingAlgorithms	回归任务的允许模型。	包含任一项的字符串数组： “DecisionTree” “ElasticNet” “ExtremeRandomTrees” “GradientBoosting” “KNN” “LassoLars” “LightGBM” “RandomForest” “ZN” “XGBoostRegressor”
blockedTrainingAlgorithms	回归任务的阻止模型。	包含任一项的字符串数组： “DecisionTree” “ElasticNet” “ExtremeRandomTrees” “GradientBoosting” “KNN” “LassoLars” “LightGBM” “RandomForest” “ZN” “XGBoostRegressor”
enableDnnTraining	启用 DNN 模型的建议。	布尔
enableModelExplainability	标志以在最佳模型上启用可解释性。	布尔
enableOnnxCompatibleModels	用于启用 onnx 兼容模型的标志。	布尔
enableStackEnsemble	启用堆栈合奏运行。	布尔
enableVoteEnsemble	启用投票合奏运行。	布尔
ensembleModelDownloadTimeout	在 VotingEnsemble 和 StackEnsemble 模型生成期间，将下载先前子运行中的多个拟合模型。如果需要更多时间，请将此参数配置为大于 300 秒的值。	字符串
stackEnsembleSettings	堆栈合奏的堆栈合奏设置。	StackEnsembleSettings

ResourceBaseProperties

名称	DESCRIPTION	价值

ResourceBaseProperties

名称	DESCRIPTION	价值

ResourceBaseTags

名称	DESCRIPTION	价值

ResourceBaseTags

名称	DESCRIPTION	价值

ResourceConfigurationProperties

名称	DESCRIPTION	价值

滚动输入数据

名称	DESCRIPTION	价值
inputDataType （输入数据类型）	[必需]指定要监视的信号类型。	“滚动”（必需）
预处理组件 ID	对用于预处理数据的组件资产的引用。	字符串
windowOffset	[必需]数据窗口末尾与监视器的当前运行时之间的时间偏移量。	string （必需）
窗口大小	[必需]滚动数据窗口的大小。	string （必需）

采样算法

名称	DESCRIPTION	价值
采样算法类型	设置为 “Bayesian”类型的 BayesianSamplingAlgorithm。设置为 GridSamplingAlgorithm 类型的“Grid”。设置为 RandomSamplingAlgorithm 类型的“Random”。	“贝贝西亚语” “Grid” “Random”（必需）

ScheduleActionBase

名称	DESCRIPTION	价值
动作类型	设置为 JobScheduleAction 类型的“CreateJob”。设置为 CreateMonitorAction 类型的“CreateMonitor”。设置为 EndpointScheduleAction 类型的“InvokeBatchEndpoint”。	“CreateJob” “CreateMonitor” “InvokeBatchEndpoint”（必需）

ScheduleProperties （计划属性）

名称	DESCRIPTION	价值
操作	[必需]指定计划的作	ScheduleActionBase （必需）
描述	资产说明文本。	字符串
displayName （显示名称）	计划显示名称。	字符串
isEnabled 已启用	是否启用了计划？	布尔
属性	资产属性字典。	ResourceBaseProperties
标签	标记字典。可以添加、删除和更新标记。	ResourceBaseTags
触发	[必需]指定触发器详细信息	TriggerBase （必需）

季节性

名称	DESCRIPTION	价值
模式	设置为“ AutoSeasonality”类型为“自动”。设置为“ CustomSeasonality”类型。	“Auto” “Custom”（必需）

SparkJob

名称	DESCRIPTION	价值
档案	存档作业中使用的文件。	字符串[]
参数	作业的参数。	字符串
代码 Id	[必需] 代码资产的 arm-id。	string （必需）
会议	Spark 配置的属性。	SparkJobConf 函数
输入	[必需]在启动作业时要执行的条目。	SparkJobEntry （必需）
环境 ID	作业的环境规范的 ARM 资源 ID。	字符串
环境变量	作业中包含的环境变量。	SparkJobEnvironment变量
文件	作业中使用的文件。	字符串[]
输入	作业中使用的输入数据绑定的映射。	SparkJobInputs
罐子	作业中使用的 Jar 文件。	字符串[]
职位类型	[必需]指定作业的类型。	“Spark”（必需）
输出	作业中使用的输出数据绑定的映射。	SparkJob输出
py文件	作业中使用的 Python 文件。	字符串[]
queueSettings	作业的队列设置	队列设置
资源	作业的计算资源配置。	SparkResourceConfiguration

SparkJobConf 函数

名称	DESCRIPTION	价值

SparkJobEntry

名称	DESCRIPTION	价值
sparkJobEntryType	设置为 SparkJobPythonEntry 类型的“SparkJobPythonEntry”。设置为“ SparkJobScalaEntry”类型的“SparkJobScalaEntry”。	“SparkJobPythonEntry” “SparkJobScalaEntry”（必需）

SparkJobEnvironment变量

名称	DESCRIPTION	价值

SparkJobInputs

名称	DESCRIPTION	价值

SparkJob输出

名称	DESCRIPTION	价值

SparkJobPython条目

名称	DESCRIPTION	价值
文件	[必需]作业入口点的相对 python 文件路径。	字符串约束：最小长度 = 1 模式 = `[a-zA-Z0-9_]` （必需）
sparkJobEntryType	[必需]作业入口点的类型。	“SparkJobPythonEntry”（必需）

SparkJobScalaEntry

名称	DESCRIPTION	价值
类名	[必需]用作入口点的 Scala 类名称。	字符串约束：最小长度 = 1 模式 = `[a-zA-Z0-9_]` （必需）
sparkJobEntryType	[必需]作业入口点的类型。	“SparkJobScalaEntry”（必需）

SparkResourceConfiguration

名称	DESCRIPTION	价值
instanceType	计算目标支持的可选 VM 类型。	字符串
runtimeVersion （运行时版本）	用于作业的 spark 运行时的版本。	字符串

StackEnsembleSettings

名称	DESCRIPTION	价值
stackMetaLearnerKWargs	要传递给元学习器初始值设定项的可选参数。	任何
stackMetaLearnerTrainPercentage	指定要保留用于训练元学习者的训练集（选择训练和训练类型的训练）的比例。默认值为 0.2。	整数 (int)
stackMetaLearnerType	元学习器是在单个异类模型的输出上训练的模型。	“ElasticNet” “ElasticNetCV” “LightGBMClassifier” “LightGBMRegressor” “LinearRegression” “LogisticRegression” “LogisticRegressionCV” “None”

StaticInputData （静态输入数据）

名称	DESCRIPTION	价值
inputDataType （输入数据类型）	[必需]指定要监视的信号类型。	“Static”（必需）
预处理组件 ID	对用于预处理数据的组件资产的引用。	字符串
窗口结束	[必需]数据窗口的结束日期。	string （必需）
窗口开始	[必需]数据窗口的开始日期。	string （必需）

SweepJob （扫描作业）

名称	DESCRIPTION	价值
early终止	提前终止策略可在完成之前取消性能不佳的运行	提前终止政策
输入	作业中使用的输入数据绑定的映射。	SweepJobInputs
职位类型	[必需]指定作业的类型。	“扫描”（必需）
限制	扫描作业限制。	SweepJobLimits （扫描作业限制）
目的	[必需]优化目标。	目标（必需）
输出	作业中使用的输出数据绑定的映射。	SweepJobOutputs （扫描作业输出）
queueSettings	作业的队列设置	队列设置
sampling算法	[必需]超参数采样算法	SamplingAlgorithm （必需）
搜索空间	[必需]包含每个参数及其分布的字典。字典键是参数的名称	任何（必需）
试用	[必需]试用组件定义。	TrialComponent （必需）

SweepJobInputs

名称	DESCRIPTION	价值

SweepJobLimits （扫描作业限制）

名称	DESCRIPTION	价值
jobLimits类型	[必需]JobLimit 类型。	“Command” “扫描”（必需）
maxConcurrentTrials	扫描作业最大并发试用版。	整数 (int)
maxTotalTrials	扫描作业最大总试用版数。	整数 (int)
超时	ISO 8601 格式的最大运行持续时间，之后作业将被取消。仅支持精度为秒的持续时间。	字符串
trialTimeout （试用超时）	扫描作业试用超时值。	字符串

SweepJobOutputs （扫描作业输出）

名称	DESCRIPTION	价值

TableVerticalFeaturizationSettings

名称	DESCRIPTION	价值
阻塞变压器	这些转换器不应用于特征化。	包含任一项的字符串数组： “CatTargetEncoder” “CountVectorizer” “HashOneHotEncoder” “LabelEncoder” “NaiveBayes” “OneHotEncoder” “TextTargetEncoder” “TfIdf” “WoETargetEncoder” “WordEmbedding”
columnNameAnd类型	列名及其类型（int、float、string、datetime 等）的字典。	TableVerticalFeaturizationSettingsColumnNameAndTypes
datasetLanguage	数据集语言，适用于文本数据。	字符串
enableDnnFeaturization	确定是否使用基于 Dnn 的特征化器进行数据特征化。	布尔
模式	特征化模式 - 用户可以保留默认的“自动”模式，AutoML 将负责在特征化阶段对数据进行必要的转换。如果选择了“关闭”，则不会完成特征化。如果选择“自定义”，则用户可以指定其他输入以自定义特征化完成方式。	“Auto” “Custom” “关闭”
transformer参数	用户可以指定要用于的其他转换器以及要向其应用它的列以及转换器构造函数的参数。	TableVerticalFeaturizationSettingsTransformerParams

TableVerticalFeaturizationSettingsColumnNameAndTypes

名称	DESCRIPTION	价值

TableVerticalFeaturizationSettingsTransformerParams

名称	DESCRIPTION	价值

TableVerticalLimitSettings

名称	DESCRIPTION	价值
enableEarlyTermination	启用提前终止，确定如果最近 20 次迭代中没有分数改进，AutoMLJob 是否会提前终止。	布尔
退出评分	AutoML 作业的退出分数。	整数 (int)
maxConcurrentTrials	最大并发迭代数。	整数 (int)
maxCoresPerTrial	每次迭代的最大核心数。	整数 (int)
maxTrials	迭代数。	整数 (int)
超时	AutoML 作业超时。	字符串
trialTimeout （试用超时）	迭代超时。	字符串

目标滞后

名称	DESCRIPTION	价值
模式	对于 AutoTargetLags 类型，设置为“自动”。设置为 CustomTargetLags 类型的“Custom”。	“Auto” “Custom”（必需）

TargetRollingWindowSize

名称	DESCRIPTION	价值
模式	设置为“ AutoTargetRollingWindowSize”类型的“自动”。设置为 CustomTargetRollingWindowSize 类型的“Custom”。	“Auto” “Custom”（必需）

TensorFlow

名称	DESCRIPTION	价值
distributionType	[必需]指定分发框架的类型。	“TensorFlow”（必需）
parameterServerCount	参数服务器任务数。	整数 (int)
workerCount 工人计数	工人数。如果未指定，则默认为实例计数。	整数 (int)

文本分类

名称	DESCRIPTION	价值
featurizationSettings	AutoML 作业所需的特征化输入。	NlpVerticalFeaturizationSettings
limitSettings	AutoMLJob 的执行约束。	NlpVerticalLimitSettings
primaryMetric	Text-Classification 任务的主要指标。	“准确性” “AUCWeighted” “AveragePrecisionScoreWeighted” “NormMacroRecall” “PrecisionScoreWeighted”
任务类型	[必需]AutoMLJob 的任务类型。	“TextClassification”（必需）
validationData （验证数据）	验证数据输入。	MLTableJobInput

TextClassificationMultilabel

名称	DESCRIPTION	价值
featurizationSettings	AutoML 作业所需的特征化输入。	NlpVerticalFeaturizationSettings
limitSettings	AutoMLJob 的执行约束。	NlpVerticalLimitSettings
任务类型	[必需]AutoMLJob 的任务类型。	“TextClassificationMultilabel”（必需）
validationData （验证数据）	验证数据输入。	MLTableJobInput

TextNer （文本生成器）

名称	DESCRIPTION	价值
featurizationSettings	AutoML 作业所需的特征化输入。	NlpVerticalFeaturizationSettings
limitSettings	AutoMLJob 的执行约束。	NlpVerticalLimitSettings
任务类型	[必需]AutoMLJob 的任务类型。	“TextNER”（必需）
validationData （验证数据）	验证数据输入。	MLTableJobInput

TopNFeaturesByAttribution

名称	DESCRIPTION	价值
filterType （过滤器类型）	[必需]指定要在选择要计算指标的功能时利用的功能筛选器。	“TopNByAttribution”（必需）
顶部	要包括的顶级功能数。	整数 (int)

TrialComponent （试用组件）

名称	DESCRIPTION	价值
代码 Id	代码资产的 ARM 资源 ID。	字符串
指令	[必需]在启动作业时执行的命令。例如 “python train.py”	字符串约束：最小长度 = 1 模式 = `[a-zA-Z0-9_]` （必需）
分配	作业的分发配置。如果已设置，则应为 Mpi、Tensorflow、PyTorch 或 null 之一。	分发配置
环境 ID	[必需]作业的环境规范的 ARM 资源 ID。	字符串约束：最小长度 = 1 模式 = `[a-zA-Z0-9_]` （必需）
环境变量	作业中包含的环境变量。	TrialComponentEnvironmentVariables
资源	作业的计算资源配置。	JobResourceConfiguration

TrialComponentEnvironmentVariables

名称	DESCRIPTION	价值

触发器库

名称	DESCRIPTION	价值
结束时间	以 ISO 8601 指定计划的结束时间，但不指定 UTC 偏移量。请参阅 https://en.wikipedia.org/wiki/ISO_8601。重新注释的格式将为“2022-06-01T00：00：01” 如果不存在，计划将无限期运行	字符串
开始时间	以 ISO 8601 格式指定计划的开始时间，但没有 UTC 偏移量。	字符串
时区	指定运行计划的时区。 TimeZone 应遵循 Windows 时区格式。请参阅：/windows-hardware/manufacture/desktop/default-time-zone？view=windows-11	字符串
triggerType	对于 CronTrigger 类型，设置为“Cron”。设置为 “RecurrenceTrigger”类型的“RecurrenceTrigger”。	“Cron” “定期”（必需）

TritonModelJobInput

名称	DESCRIPTION	价值
jobInputType （作业输入类型）	[必需]指定作业的类型。	“triton_model”（必需）
模式	输入资产传送模式。	“Direct” “下载” “EvalDownload” “EvalMount” “ReadOnlyMount” “ReadWriteMount”
URI	[必需]输入资产 URI。	字符串约束：最小长度 = 1 模式 = `[a-zA-Z0-9_]` （必需）

TritonModelJobOutput

名称	DESCRIPTION	价值
jobOutputType	[必需]指定作业的类型。	“triton_model”（必需）
模式	输出资产传送模式。	“Direct” “ReadWriteMount” “Upload”
URI	输出资产 URI。	字符串

截断选择策略

名称	DESCRIPTION	价值
policyType	[必需]策略配置的名称	“TruncationSelection”（必需）
截断百分比	要在每个评估间隔取消的运行百分比。	整数 (int)

UriFileJobInput

名称	DESCRIPTION	价值
jobInputType （作业输入类型）	[必需]指定作业的类型。	“uri_file”（必需）
模式	输入资产传送模式。	“Direct” “下载” “EvalDownload” “EvalMount” “ReadOnlyMount” “ReadWriteMount”
URI	[必需]输入资产 URI。	字符串约束：最小长度 = 1 模式 = `[a-zA-Z0-9_]` （必需）

UriFileJobOutput

名称	DESCRIPTION	价值
jobOutputType	[必需]指定作业的类型。	“uri_file”（必需）
模式	输出资产传送模式。	“Direct” “ReadWriteMount” “Upload”
URI	输出资产 URI。	字符串

UriFolderJobInput

名称	DESCRIPTION	价值
jobInputType （作业输入类型）	[必需]指定作业的类型。	“uri_folder”（必需）
模式	输入资产传送模式。	“Direct” “下载” “EvalDownload” “EvalMount” “ReadOnlyMount” “ReadWriteMount”
URI	[必需]输入资产 URI。	字符串约束：最小长度 = 1 模式 = `[a-zA-Z0-9_]` （必需）

UriFolderJobOutput

名称	DESCRIPTION	价值
jobOutputType	[必需]指定作业的类型。	“uri_folder”（必需）
模式	输出资产传送模式。	“Direct” “ReadWriteMount” “Upload”
URI	输出资产 URI。	字符串

UserAssignedIdentities

名称	DESCRIPTION	价值

UserAssignedIdentity

名称	DESCRIPTION	价值

用户身份

名称	DESCRIPTION	价值
身份类型	[必需]指定标识框架的类型。	“UserIdentity”（必需）

Webhook

名称	DESCRIPTION	价值
事件类型	对指定的通知事件发送回调	字符串
webhook类型	对于 AzureDevOpsWebhook 类型，设置为“AzureDevOpsOps”。	“AzureDevOps”（必需）

用法示例

Terraform （AzAPI 提供程序）资源定义

可以使用目标作部署工作区/计划资源类型：

资源组

有关每个 API 版本中已更改属性的列表，请参阅更改日志。

资源格式

若要创建 Microsoft.MachineLearningServices/workspaces/schedules 资源，请将以下 Terraform 添加到模板。

resource "azapi_resource" "symbolicname" {
  type = "Microsoft.MachineLearningServices/workspaces/schedules@2024-07-01-preview"
  name = "string"
  parent_id = "string"
  body = {
    properties = {
      action = {
        actionType = "string"
        // For remaining properties, see ScheduleActionBase objects
      }
      description = "string"
      displayName = "string"
      isEnabled = bool
      properties = {
        {customized property} = "string"
      }
      tags = {
        {customized property} = "string"
      }
      trigger = {
        endTime = "string"
        startTime = "string"
        timeZone = "string"
        triggerType = "string"
        // For remaining properties, see TriggerBase objects
      }
    }
  }
}

AutoMLVertical 对象

设置 taskType 属性以指定对象的类型。

对于分类，请使用：

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

对于预测，请使用：

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

对于 ImageClassification，请使用：

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

对于 ImageClassificationMultilabel，请使用：

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

对于 ImageInstanceSegmentation，请使用：

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

对于 ImageObjectDetection，请使用：

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

对于回归，请使用：

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

对于 TextClassification，请使用：

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

对于 TextClassificationMultilabel，请使用：

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

对于 TextNER，请使用：

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

FineTuningVertical 对象

设置 modelProvider 属性以指定对象的类型。

对于 AzureOpenAI，请使用：

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

对于 “自定义”，请使用：

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

IdentityConfiguration 对象

设置 identityType 属性以指定对象的类型。

对于 AMLToken，请使用：

{
  identityType = "AMLToken"
}

对于托管，请使用：

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

对于 UserIdentity，请使用：

{
  identityType = "UserIdentity"
}

NCrossValidations 对象

设置模式属性以指定对象的类型。

对于自动，请使用：

{
  mode = "Auto"
}

对于 “自定义”，请使用：

{
  mode = "Custom"
  value = int
}

JobBaseProperties 对象

设置 jobType 属性以指定对象的类型。

对于 AutoML，请使用：

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

对于命令，请使用：

{
  codeId = "string"
  command = "string"
  distribution = {
    distributionType = "string"
    // For remaining properties, see DistributionConfiguration objects
  }
  environmentId = "string"
  environmentVariables = {
    {customized property} = "string"
  }
  inputs = {
    {customized property} = {
      description = "string"
      jobInputType = "string"
      // For remaining properties, see JobInput objects
    }
  }
  jobType = "Command"
  limits = {
    jobLimitsType = "string"
    timeout = "string"
  }
  outputs = {
    {customized property} = {
      description = "string"
      jobOutputType = "string"
      // For remaining properties, see JobOutput objects
    }
  }
  queueSettings = {
    jobTier = "string"
  }
  resources = {
    dockerArgs = "string"
    instanceCount = int
    instanceType = "string"
    properties = {
      {customized property} = ?
    }
    shmSize = "string"
  }
}

对于 FineTuning，请使用：

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

对于管道，请使用：

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

对于 Spark，请使用：

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

对于扫描，请使用：

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

JobInput 对象

设置 jobInputType 属性以指定对象的类型。

对于 custom_model，请使用：

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

对于文本，请使用：

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

对于 mlflow_model，请使用：

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

对于 mltable，请使用：

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

对于 triton_model，请使用：

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

对于 uri_file，请使用：

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

对于 uri_folder，请使用：

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

MonitoringSignalBase 对象

设置 signalType 属性以指定对象的类型。

对于 “自定义”，请使用：

{
  componentId = "string"
  inputAssets = {
    {customized property} = {
      columns = {
        {customized property} = "string"
      }
      dataContext = "string"
      jobInputType = "string"
      uri = "string"
      inputDataType = "string"
      // For remaining properties, see MonitoringInputDataBase objects
    }
  }
  inputs = {
    {customized property} = {
      description = "string"
      jobInputType = "string"
      // For remaining properties, see JobInput objects
    }
  }
  metricThresholds = [
    {
      metric = "string"
      threshold = {
        value = int
      }
    }
  ]
  signalType = "Custom"
}

对于 DataDrift，请使用：

{
  featureDataTypeOverride = {
    {customized property} = "string"
  }
  featureImportanceSettings = {
    mode = "string"
    targetColumn = "string"
  }
  features = {
    filterType = "string"
    // For remaining properties, see MonitoringFeatureFilterBase objects
  }
  metricThresholds = [
    {
      threshold = {
        value = int
      }
      dataType = "string"
      // For remaining properties, see DataDriftMetricThresholdBase objects
    }
  ]
  productionData = {
    columns = {
      {customized property} = "string"
    }
    dataContext = "string"
    jobInputType = "string"
    uri = "string"
    inputDataType = "string"
    // For remaining properties, see MonitoringInputDataBase objects
  }
  referenceData = {
    columns = {
      {customized property} = "string"
    }
    dataContext = "string"
    jobInputType = "string"
    uri = "string"
    inputDataType = "string"
    // For remaining properties, see MonitoringInputDataBase objects
  }
  signalType = "DataDrift"
}

对于 DataQuality，请使用：

{
  featureDataTypeOverride = {
    {customized property} = "string"
  }
  featureImportanceSettings = {
    mode = "string"
    targetColumn = "string"
  }
  features = {
    filterType = "string"
    // For remaining properties, see MonitoringFeatureFilterBase objects
  }
  metricThresholds = [
    {
      threshold = {
        value = int
      }
      dataType = "string"
      // For remaining properties, see DataQualityMetricThresholdBase objects
    }
  ]
  productionData = {
    columns = {
      {customized property} = "string"
    }
    dataContext = "string"
    jobInputType = "string"
    uri = "string"
    inputDataType = "string"
    // For remaining properties, see MonitoringInputDataBase objects
  }
  referenceData = {
    columns = {
      {customized property} = "string"
    }
    dataContext = "string"
    jobInputType = "string"
    uri = "string"
    inputDataType = "string"
    // For remaining properties, see MonitoringInputDataBase objects
  }
  signalType = "DataQuality"
}

对于 FeatureAttributionDrift，请使用：

{
  featureDataTypeOverride = {
    {customized property} = "string"
  }
  featureImportanceSettings = {
    mode = "string"
    targetColumn = "string"
  }
  metricThreshold = {
    metric = "string"
    threshold = {
      value = int
    }
  }
  productionData = [
    {
      columns = {
        {customized property} = "string"
      }
      dataContext = "string"
      jobInputType = "string"
      uri = "string"
      inputDataType = "string"
      // For remaining properties, see MonitoringInputDataBase objects
    }
  ]
  referenceData = {
    columns = {
      {customized property} = "string"
    }
    dataContext = "string"
    jobInputType = "string"
    uri = "string"
    inputDataType = "string"
    // For remaining properties, see MonitoringInputDataBase objects
  }
  signalType = "FeatureAttributionDrift"
}

对于 PredictionDrift，请使用：

{
  featureDataTypeOverride = {
    {customized property} = "string"
  }
  metricThresholds = [
    {
      threshold = {
        value = int
      }
      dataType = "string"
      // For remaining properties, see PredictionDriftMetricThresholdBase objects
    }
  ]
  productionData = {
    columns = {
      {customized property} = "string"
    }
    dataContext = "string"
    jobInputType = "string"
    uri = "string"
    inputDataType = "string"
    // For remaining properties, see MonitoringInputDataBase objects
  }
  referenceData = {
    columns = {
      {customized property} = "string"
    }
    dataContext = "string"
    jobInputType = "string"
    uri = "string"
    inputDataType = "string"
    // For remaining properties, see MonitoringInputDataBase objects
  }
  signalType = "PredictionDrift"
}

SamplingAlgorithm 对象

设置 samplingAlgorithmType 属性以指定对象的类型。

对于 Bayesian，请使用：

{
  samplingAlgorithmType = "Bayesian"
}

对于网格，请使用：

{
  samplingAlgorithmType = "Grid"
}

对于 Random，请使用：

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

TargetRollingWindowSize 对象

设置模式属性以指定对象的类型。

对于自动，请使用：

{
  mode = "Auto"
}

对于 “自定义”，请使用：

{
  mode = "Custom"
  value = int
}

EarlyTerminationPolicy 对象

设置 policyType 属性以指定对象的类型。

对于 Bandit，请使用：

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

对于 MedianStopping，请使用：

{
  policyType = "MedianStopping"
}

对于 TruncationSelection，请使用：

{
  policyType = "TruncationSelection"
  truncationPercentage = int
}

季节性对象

设置模式属性以指定对象的类型。

对于自动，请使用：

{
  mode = "Auto"
}

对于 “自定义”，请使用：

{
  mode = "Custom"
  value = int
}

TargetLags 对象

设置模式属性以指定对象的类型。

对于自动，请使用：

{
  mode = "Auto"
}

对于 “自定义”，请使用：

{
  mode = "Custom"
  values = [
    int
  ]
}

节点对象

设置 nodesValueType 属性以指定对象的类型。

对于 “全部”，请使用：

{
  nodesValueType = "All"
}

MonitorComputeIdentityBase 对象

设置 computeIdentityType 属性以指定对象的类型。

对于 AmlToken，请使用：

{
  computeIdentityType = "AmlToken"
}

对于 ManagedIdentity，请使用：

{
  computeIdentityType = "ManagedIdentity"
  identity = {
    type = "string"
    userAssignedIdentities = {
      {customized property} = {
      }
    }
  }
}

ScheduleActionBase 对象

设置 actionType 属性以指定对象的类型。

对于 CreateJob，请使用：

{
  actionType = "CreateJob"
  jobDefinition = {
    componentId = "string"
    computeId = "string"
    description = "string"
    displayName = "string"
    experimentName = "string"
    identity = {
      identityType = "string"
      // For remaining properties, see IdentityConfiguration objects
    }
    isArchived = bool
    notificationSetting = {
      emailOn = [
        "string"
      ]
      emails = [
        "string"
      ]
      webhooks = {
        {customized property} = {
          eventType = "string"
          webhookType = "string"
          // For remaining properties, see Webhook objects
        }
      }
    }
    properties = {
      {customized property} = "string"
    }
    services = {
      {customized property} = {
        endpoint = "string"
        jobServiceType = "string"
        nodes = {
          nodesValueType = "string"
          // For remaining properties, see Nodes objects
        }
        port = int
        properties = {
          {customized property} = "string"
        }
      }
    }
    tags = {
      {customized property} = "string"
    }
    jobType = "string"
    // For remaining properties, see JobBaseProperties objects
  }
}

对于 CreateMonitor，请使用：

{
  actionType = "CreateMonitor"
  monitorDefinition = {
    alertNotificationSettings = {
      emailNotificationSettings = {
        emails = [
          "string"
        ]
      }
    }
    computeConfiguration = {
      computeType = "string"
      // For remaining properties, see MonitorComputeConfigurationBase objects
    }
    monitoringTarget = {
      deploymentId = "string"
      modelId = "string"
      taskType = "string"
    }
    signals = {
      {customized property} = {
        notificationTypes = [
          "string"
        ]
        properties = {
          {customized property} = "string"
        }
        signalType = "string"
        // For remaining properties, see MonitoringSignalBase objects
      }
    }
  }
}

对于 InvokeBatchEndpoint，请使用：

{
  actionType = "InvokeBatchEndpoint"
  endpointInvocationDefinition = ?
}

TriggerBase 对象

设置 triggerType 属性以指定对象的类型。

对于 Cron，请使用：

{
  expression = "string"
  triggerType = "Cron"
}

对于定期，请使用：

{
  frequency = "string"
  interval = int
  schedule = {
    hours = [
      int
    ]
    minutes = [
      int
    ]
    monthDays = [
      int
    ]
    weekDays = [
      "string"
    ]
  }
  triggerType = "Recurrence"
}

MonitoringInputDataBase 对象

设置 inputDataType 属性以指定对象的类型。

对于 “固定”，请使用：

{
  inputDataType = "Fixed"
}

对于滚动，请使用：

{
  inputDataType = "Rolling"
  preprocessingComponentId = "string"
  windowOffset = "string"
  windowSize = "string"
}

对于静态，请使用：

{
  inputDataType = "Static"
  preprocessingComponentId = "string"
  windowEnd = "string"
  windowStart = "string"
}

MonitoringFeatureFilterBase 对象

设置 filterType 属性以指定对象的类型。

对于 AllFeatures，请使用：

{
  filterType = "AllFeatures"
}

对于 FeatureSubset，请使用：

{
  features = [
    "string"
  ]
  filterType = "FeatureSubset"
}

对于 TopNByAttribution，请使用：

{
  filterType = "TopNByAttribution"
  top = int
}

DataDriftMetricThresholdBase 对象

设置 dataType 属性以指定对象的类型。

对于分类，请使用：

{
  dataType = "Categorical"
  metric = "string"
}

对于数字，请使用：

{
  dataType = "Numerical"
  metric = "string"
}

MonitorComputeConfigurationBase 对象

设置 computeType 属性以指定对象的类型。

对于 ServerlessSpark，请使用：

{
  computeIdentity = {
    computeIdentityType = "string"
    // For remaining properties, see MonitorComputeIdentityBase objects
  }
  computeType = "ServerlessSpark"
  instanceType = "string"
  runtimeVersion = "string"
}

JobOutput 对象

设置 jobOutputType 属性以指定对象的类型。

对于 custom_model，请使用：

{
  jobOutputType = "custom_model"
  mode = "string"
  uri = "string"
}

对于 mlflow_model，请使用：

{
  jobOutputType = "mlflow_model"
  mode = "string"
  uri = "string"
}

对于 mltable，请使用：

{
  jobOutputType = "mltable"
  mode = "string"
  uri = "string"
}

对于 triton_model，请使用：

{
  jobOutputType = "triton_model"
  mode = "string"
  uri = "string"
}

对于 uri_file，请使用：

{
  jobOutputType = "uri_file"
  mode = "string"
  uri = "string"
}

对于 uri_folder，请使用：

{
  jobOutputType = "uri_folder"
  mode = "string"
  uri = "string"
}

SparkJobEntry 对象

设置 sparkJobEntryType 属性以指定对象的类型。

对于 SparkJobPythonEntry，请使用：

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

对于 SparkJobScalaEntry，请使用：

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

DistributionConfiguration 对象

设置 distributionType 属性以指定对象的类型。

对于 Mpi，请使用：

{
  distributionType = "Mpi"
  processCountPerInstance = int
}

对于 PyTorch，请使用：

{
  distributionType = "PyTorch"
  processCountPerInstance = int
}

对于 TensorFlow，请使用：

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

ForecastHorizon 对象

设置模式属性以指定对象的类型。

对于自动，请使用：

{
  mode = "Auto"
}

对于 “自定义”，请使用：

{
  mode = "Custom"
  value = int
}

Webhook 对象

设置 webhookType 属性以指定对象的类型。

对于 AzureDevOps，请使用：

{
  webhookType = "AzureDevOps"
}

DataQualityMetricThresholdBase 对象

设置 dataType 属性以指定对象的类型。

对于分类，请使用：

{
  dataType = "Categorical"
  metric = "string"
}

对于数字，请使用：

{
  dataType = "Numerical"
  metric = "string"
}

PredictionDriftMetricThresholdBase 对象

设置 dataType 属性以指定对象的类型。

对于分类，请使用：

{
  dataType = "Categorical"
  metric = "string"
}

对于数字，请使用：

{
  dataType = "Numerical"
  metric = "string"
}

属性值

Microsoft.MachineLearningServices/workspaces/schedules

名称	DESCRIPTION	价值
姓名	资源名称	字符串约束：模式 = `^[a-zA-Z0-9][a-zA-Z0-9\-_]{0,254}$` （必需）
parent_id	此资源的父资源的 ID。	类型资源的 ID：工作区
属性	[必需]实体的其他属性。	ScheduleProperties （必需）
类型	资源类型	“Microsoft.MachineLearningServices/workspaces/schedules@2024-07-01-preview”

全部功能

名称	DESCRIPTION	价值
filterType （过滤器类型）	[必需]指定要在选择要计算指标的功能时利用的功能筛选器。	“AllFeatures”（必需）

所有节点

名称	DESCRIPTION	价值
nodesValueType	[必需]Nodes 值的类型	“全部”（必需）

AmlToken

名称	DESCRIPTION	价值
身份类型	[必需]指定标识框架的类型。	“AMLToken”（必需）

AmlTokenComputeIdentity

名称	DESCRIPTION	价值
computeIdentityType	[必需]指定要在监视作业中使用的标识类型。	“AmlToken”（必需）

自动预测地平线

名称	DESCRIPTION	价值
模式	[必需]设置预测地平线值选择模式。	“Auto”（必需）

AutoMLJob

名称	DESCRIPTION	价值
环境 ID	作业的环境规范的 ARM 资源 ID。这是一个可选值，如果未提供，AutoML 将在运行作业时将其默认为生产 AutoML 特选环境版本。	字符串
环境变量	作业中包含的环境变量。	AutoMLJobEnvironmentVariables
职位类型	[必需]指定作业的类型。	“AutoML”（必需）
输出	作业中使用的输出数据绑定的映射。	AutoMLJob 输出
queueSettings	作业的队列设置	队列设置
资源	作业的计算资源配置。	JobResourceConfiguration
taskDetails	[必需]这表示可以是表/NLP/Image 之一的方案	AutoMLVertical （必需）

AutoMLJobEnvironmentVariables

名称	DESCRIPTION	价值

AutoMLJob 输出

名称	DESCRIPTION	价值

AutoMLVertical

名称	DESCRIPTION	价值
logVerbosity （对数详细程度）	作业的详细记录。	“Critical” “Debug” “Error” “Info” “NotSet” “Warning”
targetColumnName	目标列名称：这是预测值列。也称为分类任务的上下文中的标签列名称。	字符串
任务类型	设置为类型 “分类”的“分类”。设置为“ 预测”类型。设置为 ImageClassification 类型的“ImageClassification”。设置为 ImageClassificationMultilabel 类型的“ImageClassificationMultilabel”。设置为 ImageInstanceSegmentation 类型的“ImageInstanceSegmentation”。设置为 ImageObjectDetection 类型的“ImageObjectDetection”。设置为“ 回归”类型。设置为 TextClassification 类型的“TextClassification”。对于 TextClassificationMultilabel，设置为“TextClassificationMultilabel”。设置为 TextNer 类型的“TextNER”。	“Classification” “预测” “ImageClassification” “ImageClassificationMultilabel” “ImageInstanceSegmentation” “ImageObjectDetection” “回归” “TextClassification” “TextClassificationMultilabel” “TextNER”（必需）
trainingData （训练数据）	[必需]训练数据输入。	MLTableJobInput （必需）

AutoNCross验证

名称	DESCRIPTION	价值
模式	[必需]用于确定 N 交叉验证的模式。	“Auto”（必需）

自动季节性

名称	DESCRIPTION	价值
模式	[必需]季节性模式。	“Auto”（必需）

AutoTargetLags 自动目标滞后

名称	DESCRIPTION	价值
模式	[必需]设置目标滞后模式 - 自动/自定义	“Auto”（必需）

AutoTargetRollingWindowSize （自动目标滚动窗口大小）

名称	DESCRIPTION	价值
模式	[必需]TargetRollingWindowSiz 检测模式。	“Auto”（必需）

AzureDevOpsWebhook

名称	DESCRIPTION	价值
webhook类型	[必需]指定要发送回调的服务的类型	“AzureDevOps”（必需）

AzureOpenAiFineTuning

名称	DESCRIPTION	价值
超参数	用于微调 Azure Open AI 模型的 HyperParameters。	AzureOpenAiHyperParameters
模型提供程序	[必需]用于确定微调类型的枚举。	“AzureOpenAI”（必需）

AzureOpenAiHyperParameters

名称	DESCRIPTION	价值
批处理大小	每个批次中的示例数。较大的批大小意味着模型参数的更新频率较低，但差异较低。	整数 (int)
learningRateMultiplier 的	学习速率的缩放系数。较小的学习速率可能有助于避免过度拟合。	整数 (int)
nEpochs	要为其训练模型的纪元数。纪元是指通过训练数据集的一个完整周期。	整数 (int)

BanditPolicy （强盗政策）

名称	DESCRIPTION	价值
policyType	[必需]策略配置的名称	“强盗”（必需）
slackAmount	从性能最佳的运行中允许的绝对距离。	整数 (int)
slackFactor 的	与性能最佳的运行距离的允许距离比率。	整数 (int)

BayesianSamplingAlgorithm

名称	DESCRIPTION	价值
采样算法类型	[必需]用于生成超参数值的算法以及配置属性	“贝伊西亚”（必需）

CategoricalDataDriftMetricThreshold

名称	DESCRIPTION	价值
数据类型	[必需]指定指标阈值的数据类型。	“分类”（必需）
指标	[必需]要计算的分类数据偏移指标。	“JensenShannonDistance” “PearsonsChiSquaredTest” “PopulationStabilityIndex”（必需）

CategoricalDataQualityMetricThreshold

名称	DESCRIPTION	价值
数据类型	[必需]指定指标阈值的数据类型。	“分类”（必需）
指标	[必需]要计算的分类数据质量指标。	“DataTypeErrorRate” “NullValueRate” “OutOfBoundsRate”（必需）

分类预测漂移指标阈值

名称	DESCRIPTION	价值
数据类型	[必需]指定指标阈值的数据类型。	“分类”（必需）
指标	[必需]要计算的分类预测偏移指标。	“JensenShannonDistance” “PearsonsChiSquaredTest” “PopulationStabilityIndex”（必需）

分类

名称	DESCRIPTION	价值
cvSplitColumnNames	用于 CVSplit 数据的列。	字符串[]
featurizationSettings	AutoML 作业所需的特征化输入。	TableVerticalFeaturizationSettings
limitSettings	AutoMLJob 的执行约束。	TableVerticalLimitSettings
nCrossValidations	要应用于训练数据集的交叉验证折叠数如果未提供验证数据集，则为。	NCross验证
积极标签	二进制指标计算的正标签。	字符串
primaryMetric	任务的主要指标。	“准确性” “AUCWeighted” “AveragePrecisionScoreWeighted” “NormMacroRecall” “PrecisionScoreWeighted”
任务类型	[必需]AutoMLJob 的任务类型。	“分类”（必需）
测试数据	测试数据输入。	MLTableJobInput
testDataSize	需要为验证目的预留的测试数据集的分数。介于（0.0、 1.0）之间的值未提供验证数据集时应用。	整数 (int)
trainingSettings	AutoML 作业训练阶段的输入。	分类训练设置
validationData （验证数据）	验证数据输入。	MLTableJobInput
validationDataSize	需要留出用于验证的定型数据集的分数。介于（0.0、 1.0）之间的值未提供验证数据集时应用。	整数 (int)
权重列名称	示例权重列的名称。自动化 ML 支持加权列作为输入，导致数据中的行向上或向下加权。	字符串

分类训练设置

名称	DESCRIPTION	价值
allowedTrainingAlgorithms	分类任务的允许模型。	包含任一项的字符串数组： “BernoulliNaiveBayes” “DecisionTree” “ExtremeRandomTrees” “GradientBoosting” “KNN” “LightGBM” “LinearSVM” “LogisticRegression” “MultinomialNaiveBayes” “RandomForest” “ZN” “SVM” “XGBoostClassifier”
blockedTrainingAlgorithms	分类任务的阻止模型。	包含任一项的字符串数组： “BernoulliNaiveBayes” “DecisionTree” “ExtremeRandomTrees” “GradientBoosting” “KNN” “LightGBM” “LinearSVM” “LogisticRegression” “MultinomialNaiveBayes” “RandomForest” “ZN” “SVM” “XGBoostClassifier”
enableDnnTraining	启用 DNN 模型的建议。	布尔
enableModelExplainability	标志以在最佳模型上启用可解释性。	布尔
enableOnnxCompatibleModels	用于启用 onnx 兼容模型的标志。	布尔
enableStackEnsemble	启用堆栈合奏运行。	布尔
enableVoteEnsemble	启用投票合奏运行。	布尔
ensembleModelDownloadTimeout	在 VotingEnsemble 和 StackEnsemble 模型生成期间，将下载先前子运行中的多个拟合模型。如果需要更多时间，请将此参数配置为大于 300 秒的值。	字符串
stackEnsembleSettings	堆栈合奏的堆栈合奏设置。	StackEnsembleSettings

ColumnTransformer （列变换器）

名称	DESCRIPTION	价值
字段	要应用转换器逻辑的字段。	字符串[]
参数	要传递给转换器的不同属性。输入应为 JSON 格式的键值对字典。	任何

CommandJob

名称	DESCRIPTION	价值
代码 Id	代码资产的 ARM 资源 ID。	字符串
指令	[必需]在启动作业时执行的命令。例如 “python train.py”	字符串约束：最小长度 = 1 模式 = `[a-zA-Z0-9_]` （必需）
分配	作业的分发配置。如果已设置，则应为 Mpi、Tensorflow、PyTorch 或 null 之一。	分发配置
环境 ID	[必需]作业的环境规范的 ARM 资源 ID。	字符串约束：最小长度 = 1 模式 = `[a-zA-Z0-9_]` （必需）
环境变量	作业中包含的环境变量。	CommandJobEnvironmentVariables
输入	作业中使用的输入数据绑定的映射。	CommandJobInputs 命令作业输入
职位类型	[必需]指定作业的类型。	“Command”（必需）
限制	命令作业限制。	CommandJobLimits 命令作业限制
输出	作业中使用的输出数据绑定的映射。	CommandJobOutputs 命令作业输出
queueSettings	作业的队列设置	队列设置
资源	作业的计算资源配置。	JobResourceConfiguration

CommandJobEnvironmentVariables

名称	DESCRIPTION	价值

CommandJobInputs 命令作业输入

名称	DESCRIPTION	价值

CommandJobLimits 命令作业限制

名称	DESCRIPTION	价值
jobLimits类型	[必需]JobLimit 类型。	“Command” “扫描”（必需）
超时	ISO 8601 格式的最大运行持续时间，之后作业将被取消。仅支持精度为秒的持续时间。	字符串

CommandJobOutputs 命令作业输出

名称	DESCRIPTION	价值

CreateMonitorAction

名称	DESCRIPTION	价值
动作类型	[必需]指定计划的作类型	“CreateMonitor”（必需）
monitor定义	[必需]定义监视器。	MonitorDefinition （必需）

CronTrigger 的

名称	DESCRIPTION	价值
表达式	[必需]指定计划的 cron 表达式。表达式应遵循 NCronTab 格式。	字符串约束：最小长度 = 1 模式 = `[a-zA-Z0-9_]` （必需）
triggerType	[必需]	“Cron”（必需）

CustomForecastHorizon

名称	DESCRIPTION	价值
模式	[必需]设置预测地平线值选择模式。	“Custom”（必需）
价值	[必需]预测地平线值。	int （必需）

CustomMetricThreshold

名称	DESCRIPTION	价值
指标	[必需]要计算的用户定义指标。	字符串约束：最小长度 = 1 模式 = `[a-zA-Z0-9_]` （必需）
阈值	阈值。如果为 null，则会根据所选指标设置默认值。	监控阈值

CustomModelFineTuning 微调

名称	DESCRIPTION	价值
超参数	用于微调自定义模型的 HyperParameters。	CustomModelFineTuningHyperParameters
模型提供程序	[必需]用于确定微调类型的枚举。	“Custom”（必需）

CustomModelFineTuningHyperParameters

名称	DESCRIPTION	价值

CustomModelJobInput （自定义模型作业输入）

名称	DESCRIPTION	价值
jobInputType （作业输入类型）	[必需]指定作业的类型。	“custom_model”（必需）
模式	输入资产传送模式。	“Direct” “下载” “EvalDownload” “EvalMount” “ReadOnlyMount” “ReadWriteMount”
URI	[必需]输入资产 URI。	字符串约束：最小长度 = 1 模式 = `[a-zA-Z0-9_]` （必需）

CustomModelJobOutput

名称	DESCRIPTION	价值
jobOutputType	[必需]指定作业的类型。	“custom_model”（必需）
模式	输出资产传送模式。	“Direct” “ReadWriteMount” “Upload”
URI	输出资产 URI。	字符串

CustomMonitoringSignal

名称	DESCRIPTION	价值
组件 ID	[必需]对用于计算自定义指标的组件资产的引用。	字符串约束：最小长度 = 1 模式 = `[a-zA-Z0-9_]` （必需）
inputAssets	监视要用作输入的资产。键是组件输入端口名称，值为数据资产。	CustomMonitoringSignalInputAssets
输入	要用作输入的额外组件参数。键是组件文本输入端口名称，值为参数值。	CustomMonitoringSignalInputs
metricThresholds	[必需]要计算的指标列表及其关联的阈值。	CustomMetricThreshold[] （必需）
信号类型	[必需]指定要监视的信号类型。	“Custom”（必需）

CustomMonitoringSignalInputAssets

名称	DESCRIPTION	价值

CustomMonitoringSignalInputs

名称	DESCRIPTION	价值

CustomNCross验证

名称	DESCRIPTION	价值
模式	[必需]用于确定 N 交叉验证的模式。	“Custom”（必需）
价值	[必需]N 交叉验证值。	int （必需）

CustomSeasonality （自定义季节性）

名称	DESCRIPTION	价值
模式	[必需]季节性模式。	“Custom”（必需）
价值	[必需]季节性值。	int （必需）

CustomTargetLags （自定义目标滞后）

名称	DESCRIPTION	价值
模式	[必需]设置目标滞后模式 - 自动/自定义	“Custom”（必需）
价值, 价值观	[必需]设置目标滞后值。	int[] （必需）

CustomTargetRollingWindowSize

名称	DESCRIPTION	价值
模式	[必需]TargetRollingWindowSiz 检测模式。	“Custom”（必需）
价值	[必需]TargetRollingWindowSize 值。	int （必需）

DataDriftMetricThresholdBase

名称	DESCRIPTION	价值
数据类型	设置为 CategoricalDataDriftMetricThreshold 类型的“分类”。对于 Type NumericalDataDriftMetricThreshold，设置为“数字”。	“分类” “数字”（必需）
阈值	阈值。如果为 null，则会根据所选指标设置默认值。	监控阈值

DataDriftMonitoringSignal

名称	DESCRIPTION	价值
featureDataTypeOverride	一个字典，用于将特征名称映射到各自的数据类型。	DataDriftMonitoringSignalFeatureDataTypeOverride
featureImportanceSettings	计算特征重要性的设置。	FeatureImportanceSettings （特征重要性设置）
功能	特征筛选器，用于标识要计算偏移量的功能。	MonitoringFeatureFilterBase
metricThresholds	[必需]要计算的指标列表及其关联的阈值。	DataDriftMetricThresholdBase[] （必需）
生产数据	[必需]将计算偏移的数据。	MonitoringInputDataBase （必需）
referenceData （引用数据）	[必需]要计算偏移的数据。	MonitoringInputDataBase （必需）
信号类型	[必需]指定要监视的信号类型。	“DataDrift”（必需）

DataDriftMonitoringSignalFeatureDataTypeOverride

名称	DESCRIPTION	价值

DataQualityMetricThresholdBase

名称	DESCRIPTION	价值
数据类型	设置为 CategoricalDataQualityMetricThreshold 类型的“分类”。对于 Type NumericalDataQualityMetricThreshold，设置为“数字”。	“分类” “数字”（必需）
阈值	阈值。如果为 null，则会根据所选指标设置默认值。	监控阈值

DataQualityMonitoring信号

名称	DESCRIPTION	价值
featureDataTypeOverride	一个字典，用于将特征名称映射到各自的数据类型。	DataQualityMonitoringSignalFeatureDataTypeOverride
featureImportanceSettings	计算特征重要性的设置。	FeatureImportanceSettings （特征重要性设置）
功能	要计算偏移的特征。	MonitoringFeatureFilterBase
metricThresholds	[必需]要计算的指标列表及其关联的阈值。	DataQualityMetricThresholdBase[] （必需）
生产数据	[必需]将为其计算偏移的生产服务生成的数据。	MonitoringInputDataBase （必需）
referenceData （引用数据）	[必需]要计算偏移的数据。	MonitoringInputDataBase （必需）
信号类型	[必需]指定要监视的信号类型。	“DataQuality”（必需）

DataQualityMonitoringSignalFeatureDataTypeOverride

名称	DESCRIPTION	价值

分发配置

名称	DESCRIPTION	价值
distributionType	对于 Mpi 类型，设置为“ Mpi”。对于 PyTorch 类型，设置为“ PyTorch”。设置为 TensorFlow 类型的“TensorFlow”。	“Mpi” “PyTorch” “TensorFlow”（必需）

提前终止政策

名称	DESCRIPTION	价值
delay评估	延迟第一次计算的间隔数。	整数 (int)
evaluationInterval	策略评估之间的间隔（运行数）。	整数 (int)
policyType	设置为“ BanditPolicy”类型为“BanditPolicy”。对于 MedianStoppingPolicy，设置为“MedianStoppingPolicy”。对于 TruncationSelectionPolicy 类型，设置为“TruncationSelection”。	“Bandit” “MedianStopping” “TruncationSelection”（必需）

EndpointScheduleAction

名称	DESCRIPTION	价值
动作类型	[必需]指定计划的作类型	“InvokeBatchEndpoint”（必需）
endpointInvocationDefinition	[必需]定义计划作定义详细信息。 <see href=“TBD” />	任何（必需）

FeatureAttributionDriftMonitoringSignal

名称	DESCRIPTION	价值
featureDataTypeOverride	一个字典，用于将特征名称映射到各自的数据类型。	FeatureAttributionDriftMonitoringSignalFeatureDataTypeOverride
featureImportanceSettings	[必需]计算特征重要性的设置。	FeatureImportanceSettings （必需）
metricThreshold 指标阈值	[必需]要计算的指标列表及其关联的阈值。	FeatureAttributionMetricThreshold （必需）
生产数据	[必需]将计算偏移的数据。	MonitoringInputDataBase[] （必需）
referenceData （引用数据）	[必需]要计算偏移的数据。	MonitoringInputDataBase （必需）
信号类型	[必需]指定要监视的信号类型。	“FeatureAttributionDrift”（必需）

FeatureAttributionDriftMonitoringSignalFeatureDataTypeOverride

名称	DESCRIPTION	价值

FeatureAttributionMetricThreshold

名称	DESCRIPTION	价值
指标	[必需]要计算的功能归因指标。	“NormalizedDiscountedCumulativeGain”（必需）
阈值	阈值。如果为 null，则会根据所选指标设置默认值。	监控阈值

FeatureImportanceSettings （特征重要性设置）

名称	DESCRIPTION	价值
模式	计算特征重要性的作模式。	“Disabled” “Enabled”
targetColumn	输入数据资产中目标列的名称。	字符串

特征子集

名称	DESCRIPTION	价值
功能	[必需]要包含的功能列表。	string[] （必需）
filterType （过滤器类型）	[必需]指定要在选择要计算指标的功能时利用的功能筛选器。	“FeatureSubset”（必需）

微调作业

名称	DESCRIPTION	价值
微调细节	[必需]	FineTuningVertical （必需）
职位类型	[必需]指定作业的类型。	“FineTuning”（必需）
输出	[必需]	FineTuningJobOutputs （必需）
queueSettings	作业的队列设置	队列设置
资源	作业的实例类型和其他资源	工作资源

FineTuningJobOutputs（微调作业输出）

名称	DESCRIPTION	价值

微调垂直

名称	DESCRIPTION	价值
模型	[必需]用于微调的输入模型。	MLFlowModelJobInput （必需）
模型提供程序	设置为“AzureOpenAI”类型为 AzureOpenAiFineTuning。设置为 CustomModelFineTuning 类型的“Custom”。	“AzureOpenAI” “Custom”（必需）
任务类型	[必需]微调任务类型。	“ChatCompletion” “ImageClassification” “ImageInstanceSegmentation” “ImageObjectDetection” “QuestionAnswering” “TextClassification” “TextCompletion” “TextSummarization” “TextTranslation” “TokenClassification” “VideoMultiObjectTracking”（必需）
trainingData （训练数据）	[必需]用于微调的训练数据。	JobInput （必需）
validationData （验证数据）	用于微调的验证数据。	作业输入

固定输入数据

名称	DESCRIPTION	价值
inputDataType （输入数据类型）	[必需]指定要监视的信号类型。	“已修复”（必需）

预测地平线

名称	DESCRIPTION	价值
模式	设置为“ AutoForecastHorizon”类型。设置为 CustomForecastHorizon 类型的“Custom”。	“Auto” “Custom”（必需）

预测

名称	DESCRIPTION	价值
cvSplitColumnNames	用于 CVSplit 数据的列。	字符串[]
featurizationSettings	AutoML 作业所需的特征化输入。	TableVerticalFeaturizationSettings
forecasting设置	预测任务特定的输入。	ForecastingSettings
limitSettings	AutoMLJob 的执行约束。	TableVerticalLimitSettings
nCrossValidations	要应用于训练数据集的交叉验证折叠数如果未提供验证数据集，则为。	NCross验证
primaryMetric	预测任务的主要指标。	“NormalizedMeanAbsoluteError” “NormalizedRootMeanSquaredError” “R2Score” 'SpearmanCorrelation'
任务类型	[必需]AutoMLJob 的任务类型。	“预测”（必需）
测试数据	测试数据输入。	MLTableJobInput
testDataSize	需要为验证目的预留的测试数据集的分数。介于（0.0、 1.0）之间的值未提供验证数据集时应用。	整数 (int)
trainingSettings	AutoML 作业训练阶段的输入。	ForecastingTrainingSettings
validationData （验证数据）	验证数据输入。	MLTableJobInput
validationDataSize	需要留出用于验证的定型数据集的分数。介于（0.0、 1.0）之间的值未提供验证数据集时应用。	整数 (int)
权重列名称	示例权重列的名称。自动化 ML 支持加权列作为输入，导致数据中的行向上或向下加权。	字符串

ForecastingSettings

名称	DESCRIPTION	价值
国家/地区或地区为假期	用于预测任务的假日国家或地区。这些代码应为 ISO 3166 双字母国家/地区代码，例如“US”或“GB”。	字符串
cvStepSize	一个 CV 折叠的起始时间与下一个折叠之间的句点数。为例如，如果 `CVStepSize` = 3 表示每日数据，则每个折叠的源时间将为三天相隔。	整数 (int)
featureLags	使用“auto”或 null 为数值特征生成滞后的标志。	“Auto” “None”
forecastHorizon （预测地平线）	所需最大预测范围（以时序频率单位为单位）。	预测地平线
频率	预测时，此参数表示需要预测的时间段，例如每日、每周、每年等。默认情况下，预测频率为数据集频率。	字符串
季节性	将时序季节性设置为序列频率的整数倍数。如果季节性设置为“auto”，则会推断它。	季节性
shortSeriesHandlingConfig	定义 AutoML 如何处理短时序的参数。	“Auto” “掉落” “None” “Pad”
targetAggregateFunction	用于聚合符合用户指定频率的时序目标列的函数。如果设置了 TargetAggregateFunction，即不是“None”，但未设置 freq 参数，则会引发错误。可能的目标聚合函数包括：“sum”、“max”、“min”和“mean”。	“Max” “Mean” “Min” “None” “Sum”
目标拉格	要从目标列滞后的过去时间段数。	目标滞后
targetRollingWindowSize	用于创建目标列的滚动窗口平均值的过去时间段数。	TargetRollingWindowSize
timeColumnName （时间列名称）	时间列的名称。当预测在用于生成时序并推断其频率的输入数据中指定日期/时间列时，此参数是必需的。	字符串
timeSeriesIdColumnNames	用于对时间序列进行分组的列的名称。它可用于创建多个序列。如果未定义粒度，则假定数据集为一个时序。此参数用于任务类型预测。	字符串[]
useStl	配置时序目标列的 STL 分解。	“None” “季度” “SeasonTrend”

ForecastingTrainingSettings

名称	DESCRIPTION	价值
allowedTrainingAlgorithms	允许用于预测任务的模型。	包含任一项的字符串数组： “Arimax” “AutoArima” “Average” “DecisionTree” “ElasticNet” “ExponentialSmoothing” “ExtremeRandomTrees” “GradientBoosting” “KNN” “LassoLars” “LightGBM” “Naive” “先知” “RandomForest” “SeasonalAverage” “SeasonalNaive” “ZN” “TCNForecaster” “XGBoostRegressor”
blockedTrainingAlgorithms	用于预测任务的阻止模型。	包含任一项的字符串数组： “Arimax” “AutoArima” “Average” “DecisionTree” “ElasticNet” “ExponentialSmoothing” “ExtremeRandomTrees” “GradientBoosting” “KNN” “LassoLars” “LightGBM” “Naive” “先知” “RandomForest” “SeasonalAverage” “SeasonalNaive” “ZN” “TCNForecaster” “XGBoostRegressor”
enableDnnTraining	启用 DNN 模型的建议。	布尔
enableModelExplainability	标志以在最佳模型上启用可解释性。	布尔
enableOnnxCompatibleModels	用于启用 onnx 兼容模型的标志。	布尔
enableStackEnsemble	启用堆栈合奏运行。	布尔
enableVoteEnsemble	启用投票合奏运行。	布尔
ensembleModelDownloadTimeout	在 VotingEnsemble 和 StackEnsemble 模型生成期间，将下载先前子运行中的多个拟合模型。如果需要更多时间，请将此参数配置为大于 300 秒的值。	字符串
stackEnsembleSettings	堆栈合奏的堆栈合奏设置。	StackEnsembleSettings

GridSampling算法

名称	DESCRIPTION	价值
采样算法类型	[必需]用于生成超参数值的算法以及配置属性	“Grid”（必需）

身份配置

名称	DESCRIPTION	价值
身份类型	对于 AmlToken 类型，设置为“AMLToken”。设置为 “ManagedIdentity”类型。对于 UserIdentity 类型，设置为“UserIdentity”。	“AMLToken” “Managed” “UserIdentity”（必需）

图像分类

名称	DESCRIPTION	价值
limitSettings	[必需]限制 AutoML 作业的设置。	ImageLimitSettings （必需）
modelSettings	用于训练模型的设置。	ImageModelSettings分类
primaryMetric	要针对此任务进行优化的主要指标。	“准确性” “AUCWeighted” “AveragePrecisionScoreWeighted” “NormMacroRecall” “PrecisionScoreWeighted”
搜索空间	用于采样模型及其超参数的不同组合的搜索空间。	ImageModelDistributionSettingsClassification[]
扫描设置	模型扫描和超参数扫描相关设置。	ImageSweepSettings （图像扫描设置）
任务类型	[必需]AutoMLJob 的任务类型。	“ImageClassification”（必需）
validationData （验证数据）	验证数据输入。	MLTableJobInput
validationDataSize	需要留出用于验证的定型数据集的分数。介于（0.0、 1.0）之间的值未提供验证数据集时应用。	整数 (int)

ImageClassificationMultilabel

名称	DESCRIPTION	价值
limitSettings	[必需]限制 AutoML 作业的设置。	ImageLimitSettings （必需）
modelSettings	用于训练模型的设置。	ImageModelSettings分类
primaryMetric	要针对此任务进行优化的主要指标。	“准确性” “AUCWeighted” “AveragePrecisionScoreWeighted” “IOU” “NormMacroRecall” “PrecisionScoreWeighted”
搜索空间	用于采样模型及其超参数的不同组合的搜索空间。	ImageModelDistributionSettingsClassification[]
扫描设置	模型扫描和超参数扫描相关设置。	ImageSweepSettings （图像扫描设置）
任务类型	[必需]AutoMLJob 的任务类型。	“ImageClassificationMultilabel”（必需）
validationData （验证数据）	验证数据输入。	MLTableJobInput
validationDataSize	需要留出用于验证的定型数据集的分数。介于（0.0、 1.0）之间的值未提供验证数据集时应用。	整数 (int)

ImageInstanceSegmentation

名称	DESCRIPTION	价值
limitSettings	[必需]限制 AutoML 作业的设置。	ImageLimitSettings （必需）
modelSettings	用于训练模型的设置。	ImageModelSettingsObjectDetection
primaryMetric	要针对此任务进行优化的主要指标。	“MeanAveragePrecision”
搜索空间	用于采样模型及其超参数的不同组合的搜索空间。	ImageModelDistributionSettingsObjectDetection[]
扫描设置	模型扫描和超参数扫描相关设置。	ImageSweepSettings （图像扫描设置）
任务类型	[必需]AutoMLJob 的任务类型。	“ImageInstanceSegmentation”（必需）
validationData （验证数据）	验证数据输入。	MLTableJobInput
validationDataSize	需要留出用于验证的定型数据集的分数。介于（0.0、 1.0）之间的值未提供验证数据集时应用。	整数 (int)

ImageLimitSettings

名称	DESCRIPTION	价值
maxConcurrentTrials	最大并发 AutoML 迭代数。	整数 (int)
maxTrials	AutoML 迭代的最大数目。	整数 (int)
超时	AutoML 作业超时。	字符串

ImageModelDistributionSettings分类

名称	DESCRIPTION	价值
amsGradient	优化器为“adam”或“adamw”时启用 AMSGrad。	字符串
扩充	使用扩充的设置。	字符串
贝塔1	优化器为“adam”或“adamw”时“beta1”的值。必须是 [0， 1] 范围内的浮点。	字符串
贝塔2	优化器为“adam”或“adamw”时“beta2”的值。必须是 [0， 1] 范围内的浮点。	字符串
分散式	是否使用分布式程序训练。	字符串
earlyStopping （早期停止）	在训练期间启用提前停止逻辑。	字符串
earlyStoppingDelay	在主要指标改进之前等待的最小纪元数或验证评估数跟踪早期停止。必须是正整数。	字符串
早点停止耐心	之前没有主要指标改进的最小纪元或验证评估数运行已停止。必须是正整数。	字符串
enableOnnxNormalization	导出 ONNX 模型时启用规范化。	字符串
evaluationFrequency	评估验证数据集以获取指标分数的频率。必须是正整数。	字符串
梯度累积步骤	渐变累积意味着在不运行配置数量的“GradAccumulationStep”步骤的情况下更新模型权重，同时累积这些步骤的渐变，然后使用用于计算权重更新的累积渐变。必须是正整数。	字符串
layersToFreeze （图层冻结）	要冻结模型的层数。必须是正整数。例如，将 2 作为“seresnext”的值传递意味着冻结 layer0 和 layer1。有关支持的模型的完整列表以及有关层冻结的详细信息，请请参阅：/azure/machine-learning/how-to-auto-train-image-models。	字符串
learningRate	初始学习速率。必须是 [0， 1] 范围内的浮点。	字符串
learningRateScheduler 的	学习速率计划程序的类型。必须是“warmup_cosine”或“step”。	字符串
模型名称	要用于训练的模型的名称。有关可用模型的详细信息，请访问官方文档： /azure/machine-learning/how-to-auto-train-image-models。	字符串
动量	优化器为“zn”时的动量值。必须是 [0， 1] 范围内的浮点。	字符串
涅斯特罗夫	优化器为“zn”时启用 nesterov。	字符串
纪元数	训练纪元数。必须是正整数。	字符串
工人数	数据加载程序辅助角色数。必须是非负整数。	字符串
优化器	优化器的类型。必须是“zn”、“adam”或“adamw”。	字符串
随机种子	使用确定性训练时要使用的随机种子。	字符串
stepLR伽玛	当学习速率计划程序为“step”时，gamma 的值。必须是 [0， 1] 范围内的浮点。	字符串
stepLRStepSize	学习速率计划程序为“step”时步骤大小的值。必须是正整数。	字符串
trainingBatchSize	训练批大小。必须是正整数。	字符串
trainingCropSize	训练数据集的神经网络输入的图像裁剪大小。必须是正整数。	字符串
validationBatchSize	验证批大小。必须是正整数。	字符串
validationCropSize	输入到神经网络的验证数据集的图像裁剪大小。必须是正整数。	字符串
validationResizeSize	在裁剪验证数据集之前要调整其大小的图像大小。必须是正整数。	字符串
warmupCosineLRCycles	学习速率计划程序为“warmup_cosine”时的余弦周期值。必须是 [0， 1] 范围内的浮点。	字符串
warmupCosineLRWarmupEpochs	当学习速率计划程序为“warmup_cosine”时，预热时期的值。必须是正整数。	字符串
weightDecay （权重衰减）	优化器为“zn”、“adam”或“adamw”时的权重衰减值。必须是范围[0， 1] 中的浮点。	字符串
weightedLoss	减肥。对于无加权损失，接受的值为 0。 1 用于与 sqrt 一起减肥。（class_weights）。 2 用于减肥与class_weights。必须为 0 或 1 或 2。	字符串

ImageModelDistributionSettingsObjectDetection

名称	DESCRIPTION	价值
amsGradient	优化器为“adam”或“adamw”时启用 AMSGrad。	字符串
扩充	使用扩充的设置。	字符串
贝塔1	优化器为“adam”或“adamw”时“beta1”的值。必须是 [0， 1] 范围内的浮点。	字符串
贝塔2	优化器为“adam”或“adamw”时“beta2”的值。必须是 [0， 1] 范围内的浮点。	字符串
boxDetectionsPerImage （每图像检测）	每个图像的最大检测数，适用于所有类。必须是正整数。注意：“yolov5”算法不支持此设置。	字符串
boxScoreThreshold （盒分数阈值）	在推理期间，仅返回分类分数大于 BoxScoreThreshold。必须是范围[0， 1] 中的浮点。	字符串
分散式	是否使用分布式程序训练。	字符串
earlyStopping （早期停止）	在训练期间启用提前停止逻辑。	字符串
earlyStoppingDelay	在主要指标改进之前等待的最小纪元数或验证评估数跟踪早期停止。必须是正整数。	字符串
早点停止耐心	之前没有主要指标改进的最小纪元或验证评估数运行已停止。必须是正整数。	字符串
enableOnnxNormalization	导出 ONNX 模型时启用规范化。	字符串
evaluationFrequency	评估验证数据集以获取指标分数的频率。必须是正整数。	字符串
梯度累积步骤	渐变累积意味着在不运行配置数量的“GradAccumulationStep”步骤的情况下更新模型权重，同时累积这些步骤的渐变，然后使用用于计算权重更新的累积渐变。必须是正整数。	字符串
图像大小	用于训练和验证的图像大小。必须是正整数。注意：如果大小太大，训练运行可能会进入 CUDA OOM。注意：仅“yolov5”算法支持此设置。	字符串
layersToFreeze （图层冻结）	要冻结模型的层数。必须是正整数。例如，将 2 作为“seresnext”的值传递意味着冻结 layer0 和 layer1。有关支持的模型的完整列表以及有关层冻结的详细信息，请请参阅：/azure/machine-learning/how-to-auto-train-image-models。	字符串
learningRate	初始学习速率。必须是 [0， 1] 范围内的浮点。	字符串
learningRateScheduler 的	学习速率计划程序的类型。必须是“warmup_cosine”或“step”。	字符串
最大大小	将图像馈送至主干之前要重新缩放的最大大小。必须是正整数。注意：如果大小太大，训练运行可能会进入 CUDA OOM。注意：“yolov5”算法不支持此设置。	字符串
最小大小	将图像馈送到主干之前要重新缩放的最小大小。必须是正整数。注意：如果大小太大，训练运行可能会进入 CUDA OOM。注意：“yolov5”算法不支持此设置。	字符串
模型名称	要用于训练的模型的名称。有关可用模型的详细信息，请访问官方文档： /azure/machine-learning/how-to-auto-train-image-models。	字符串
modelSize	模型大小。必须是“small”、“medium”、“large”或“xlarge”。注意：如果模型大小太大，训练运行可能会进入 CUDA OOM。注意：仅“yolov5”算法支持此设置。	字符串
动量	优化器为“zn”时的动量值。必须是 [0， 1] 范围内的浮点。	字符串
多尺度	按 +/- 50%的不同图像大小启用多缩放图像。注意：如果没有足够的 GPU 内存，训练运行可能会进入 CUDA OOM。注意：仅“yolov5”算法支持此设置。	字符串
涅斯特罗夫	优化器为“zn”时启用 nesterov。	字符串
nmsIouThreshold	在 NMS 后期处理的推理期间使用的 IOU 阈值。必须在 [0， 1] 范围内浮动。	字符串
纪元数	训练纪元数。必须是正整数。	字符串
工人数	数据加载程序辅助角色数。必须是非负整数。	字符串
优化器	优化器的类型。必须是“zn”、“adam”或“adamw”。	字符串
随机种子	使用确定性训练时要使用的随机种子。	字符串
stepLR伽玛	当学习速率计划程序为“step”时，gamma 的值。必须是 [0， 1] 范围内的浮点。	字符串
stepLRStepSize	学习速率计划程序为“step”时步骤大小的值。必须是正整数。	字符串
tileGridSize （平铺网格大小）	用于平铺每个图像的网格大小。注意：TileGridSize 不得为无可启用小型对象检测逻辑。一个字符串，其中包含两个整数（采用格式）。注意：“yolov5”算法不支持此设置。	字符串
tileOverlapRatio （平铺重叠比率）	每个维度中相邻磁贴之间的重叠比率。必须在 [0， 1] 范围内浮动。注意：“yolov5”算法不支持此设置。	字符串
tilePredictionsNmsThreshold	用于执行 NMS 的 IOU 阈值，同时合并来自磁贴和图像的预测。用于验证/推理。必须在 [0， 1] 范围内浮动。注意：“yolov5”算法不支持此设置。 NMS：非最大抑制	字符串
trainingBatchSize	训练批大小。必须是正整数。	字符串
validationBatchSize	验证批大小。必须是正整数。	字符串
validationIouThreshold	计算验证指标时要使用的 IOU 阈值。必须在 [0， 1] 范围内浮动。	字符串
validationMetricType	用于验证指标的指标计算方法。必须是“none”、“coco”、“voc”或“coco_voc”。	字符串
warmupCosineLRCycles	学习速率计划程序为“warmup_cosine”时的余弦周期值。必须是 [0， 1] 范围内的浮点。	字符串
warmupCosineLRWarmupEpochs	当学习速率计划程序为“warmup_cosine”时，预热时期的值。必须是正整数。	字符串
weightDecay （权重衰减）	优化器为“zn”、“adam”或“adamw”时的权重衰减值。必须是范围[0， 1] 中的浮点。	字符串

ImageModelSettings分类

名称	DESCRIPTION	价值
高级设置	高级方案的设置。	字符串
amsGradient	优化器为“adam”或“adamw”时启用 AMSGrad。	布尔
扩充	使用扩充的设置。	字符串
贝塔1	优化器为“adam”或“adamw”时“beta1”的值。必须是 [0， 1] 范围内的浮点。	整数 (int)
贝塔2	优化器为“adam”或“adamw”时“beta2”的值。必须是 [0， 1] 范围内的浮点。	整数 (int)
检查点频率	存储模型检查点的频率。必须是正整数。	整数 (int)
checkpoint模型	用于增量训练的预先训练检查点模型。	MLFlowModelJobInput
检查点RunId	上一次运行的 ID，该运行具有用于增量训练的预先训练检查点。	字符串
分散式	是否使用分布式训练。	布尔
earlyStopping （早期停止）	在训练期间启用提前停止逻辑。	布尔
earlyStoppingDelay	在主要指标改进之前等待的最小纪元数或验证评估数跟踪早期停止。必须是正整数。	整数 (int)
早点停止耐心	之前没有主要指标改进的最小纪元或验证评估数运行已停止。必须是正整数。	整数 (int)
enableOnnxNormalization	导出 ONNX 模型时启用规范化。	布尔
evaluationFrequency	评估验证数据集以获取指标分数的频率。必须是正整数。	整数 (int)
梯度累积步骤	渐变累积意味着在不运行配置数量的“GradAccumulationStep”步骤的情况下更新模型权重，同时累积这些步骤的渐变，然后使用用于计算权重更新的累积渐变。必须是正整数。	整数 (int)
layersToFreeze （图层冻结）	要冻结模型的层数。必须是正整数。例如，将 2 作为“seresnext”的值传递意味着冻结 layer0 和 layer1。有关支持的模型的完整列表以及有关层冻结的详细信息，请请参阅：/azure/machine-learning/how-to-auto-train-image-models。	整数 (int)
learningRate	初始学习速率。必须是 [0， 1] 范围内的浮点。	整数 (int)
learningRateScheduler 的	学习速率计划程序的类型。必须是“warmup_cosine”或“step”。	“None” “Step” “WarmupCosine”
模型名称	要用于训练的模型的名称。有关可用模型的详细信息，请访问官方文档： /azure/machine-learning/how-to-auto-train-image-models。	字符串
动量	优化器为“zn”时的动量值。必须是 [0， 1] 范围内的浮点。	整数 (int)
涅斯特罗夫	优化器为“zn”时启用 nesterov。	布尔
纪元数	训练纪元数。必须是正整数。	整数 (int)
工人数	数据加载程序辅助角色数。必须是非负整数。	整数 (int)
优化器	优化器的类型。	“Adam” “Adamw” “None” “Zn”
随机种子	使用确定性训练时要使用的随机种子。	整数 (int)
stepLR伽玛	当学习速率计划程序为“step”时，gamma 的值。必须是 [0， 1] 范围内的浮点。	整数 (int)
stepLRStepSize	学习速率计划程序为“step”时步骤大小的值。必须是正整数。	整数 (int)
trainingBatchSize	训练批大小。必须是正整数。	整数 (int)
trainingCropSize	训练数据集的神经网络输入的图像裁剪大小。必须是正整数。	整数 (int)
validationBatchSize	验证批大小。必须是正整数。	整数 (int)
validationCropSize	输入到神经网络的验证数据集的图像裁剪大小。必须是正整数。	整数 (int)
validationResizeSize	在裁剪验证数据集之前要调整其大小的图像大小。必须是正整数。	整数 (int)
warmupCosineLRCycles	学习速率计划程序为“warmup_cosine”时的余弦周期值。必须是 [0， 1] 范围内的浮点。	整数 (int)
warmupCosineLRWarmupEpochs	当学习速率计划程序为“warmup_cosine”时，预热时期的值。必须是正整数。	整数 (int)
weightDecay （权重衰减）	优化器为“zn”、“adam”或“adamw”时的权重衰减值。必须是范围[0， 1] 中的浮点。	整数 (int)
weightedLoss	减肥。对于无加权损失，接受的值为 0。 1 用于与 sqrt 一起减肥。（class_weights）。 2 用于减肥与class_weights。必须为 0 或 1 或 2。	整数 (int)

ImageModelSettingsObjectDetection

名称	DESCRIPTION	价值
高级设置	高级方案的设置。	字符串
amsGradient	优化器为“adam”或“adamw”时启用 AMSGrad。	布尔
扩充	使用扩充的设置。	字符串
贝塔1	优化器为“adam”或“adamw”时“beta1”的值。必须是 [0， 1] 范围内的浮点。	整数 (int)
贝塔2	优化器为“adam”或“adamw”时“beta2”的值。必须是 [0， 1] 范围内的浮点。	整数 (int)
boxDetectionsPerImage （每图像检测）	每个图像的最大检测数，适用于所有类。必须是正整数。注意：“yolov5”算法不支持此设置。	整数 (int)
boxScoreThreshold （盒分数阈值）	在推理期间，仅返回分类分数大于 BoxScoreThreshold。必须是范围[0， 1] 中的浮点。	整数 (int)
检查点频率	存储模型检查点的频率。必须是正整数。	整数 (int)
checkpoint模型	用于增量训练的预先训练检查点模型。	MLFlowModelJobInput
检查点RunId	上一次运行的 ID，该运行具有用于增量训练的预先训练检查点。	字符串
分散式	是否使用分布式训练。	布尔
earlyStopping （早期停止）	在训练期间启用提前停止逻辑。	布尔
earlyStoppingDelay	在主要指标改进之前等待的最小纪元数或验证评估数跟踪早期停止。必须是正整数。	整数 (int)
早点停止耐心	之前没有主要指标改进的最小纪元或验证评估数运行已停止。必须是正整数。	整数 (int)
enableOnnxNormalization	导出 ONNX 模型时启用规范化。	布尔
evaluationFrequency	评估验证数据集以获取指标分数的频率。必须是正整数。	整数 (int)
梯度累积步骤	渐变累积意味着在不运行配置数量的“GradAccumulationStep”步骤的情况下更新模型权重，同时累积这些步骤的渐变，然后使用用于计算权重更新的累积渐变。必须是正整数。	整数 (int)
图像大小	用于训练和验证的图像大小。必须是正整数。注意：如果大小太大，训练运行可能会进入 CUDA OOM。注意：仅“yolov5”算法支持此设置。	整数 (int)
layersToFreeze （图层冻结）	要冻结模型的层数。必须是正整数。例如，将 2 作为“seresnext”的值传递意味着冻结 layer0 和 layer1。有关支持的模型的完整列表以及有关层冻结的详细信息，请请参阅：/azure/machine-learning/how-to-auto-train-image-models。	整数 (int)
learningRate	初始学习速率。必须是 [0， 1] 范围内的浮点。	整数 (int)
learningRateScheduler 的	学习速率计划程序的类型。必须是“warmup_cosine”或“step”。	“None” “Step” “WarmupCosine”
最大大小	将图像馈送至主干之前要重新缩放的最大大小。必须是正整数。注意：如果大小太大，训练运行可能会进入 CUDA OOM。注意：“yolov5”算法不支持此设置。	整数 (int)
最小大小	将图像馈送到主干之前要重新缩放的最小大小。必须是正整数。注意：如果大小太大，训练运行可能会进入 CUDA OOM。注意：“yolov5”算法不支持此设置。	整数 (int)
模型名称	要用于训练的模型的名称。有关可用模型的详细信息，请访问官方文档： /azure/machine-learning/how-to-auto-train-image-models。	字符串
modelSize	模型大小。必须是“small”、“medium”、“large”或“xlarge”。注意：如果模型大小太大，训练运行可能会进入 CUDA OOM。注意：仅“yolov5”算法支持此设置。	“ExtraLarge” “Large” “Medium” “None” “Small”
动量	优化器为“zn”时的动量值。必须是 [0， 1] 范围内的浮点。	整数 (int)
多尺度	按 +/- 50%的不同图像大小启用多缩放图像。注意：如果没有足够的 GPU 内存，训练运行可能会进入 CUDA OOM。注意：仅“yolov5”算法支持此设置。	布尔
涅斯特罗夫	优化器为“zn”时启用 nesterov。	布尔
nmsIouThreshold	在 NMS 后期处理的推理期间使用的 IOU 阈值。必须是 [0， 1] 范围内的浮点。	整数 (int)
纪元数	训练纪元数。必须是正整数。	整数 (int)
工人数	数据加载程序辅助角色数。必须是非负整数。	整数 (int)
优化器	优化器的类型。	“Adam” “Adamw” “None” “Zn”
随机种子	使用确定性训练时要使用的随机种子。	整数 (int)
stepLR伽玛	当学习速率计划程序为“step”时，gamma 的值。必须是 [0， 1] 范围内的浮点。	整数 (int)
stepLRStepSize	学习速率计划程序为“step”时步骤大小的值。必须是正整数。	整数 (int)
tileGridSize （平铺网格大小）	用于平铺每个图像的网格大小。注意：TileGridSize 不得为无可启用小型对象检测逻辑。一个字符串，其中包含两个整数（采用格式）。注意：“yolov5”算法不支持此设置。	字符串
tileOverlapRatio （平铺重叠比率）	每个维度中相邻磁贴之间的重叠比率。必须在 [0， 1] 范围内浮动。注意：“yolov5”算法不支持此设置。	整数 (int)
tilePredictionsNmsThreshold	用于执行 NMS 的 IOU 阈值，同时合并来自磁贴和图像的预测。用于验证/推理。必须在 [0， 1] 范围内浮动。注意：“yolov5”算法不支持此设置。	整数 (int)
trainingBatchSize	训练批大小。必须是正整数。	整数 (int)
validationBatchSize	验证批大小。必须是正整数。	整数 (int)
validationIouThreshold	计算验证指标时要使用的 IOU 阈值。必须在 [0， 1] 范围内浮动。	整数 (int)
validationMetricType	用于验证指标的指标计算方法。	“Coco” “CocoVoc” “None” “Voc”
warmupCosineLRCycles	学习速率计划程序为“warmup_cosine”时的余弦周期值。必须是 [0， 1] 范围内的浮点。	整数 (int)
warmupCosineLRWarmupEpochs	当学习速率计划程序为“warmup_cosine”时，预热时期的值。必须是正整数。	整数 (int)
weightDecay （权重衰减）	优化器为“zn”、“adam”或“adamw”时的权重衰减值。必须是范围[0， 1] 中的浮点。	整数 (int)

ImageObjectDetection

名称	DESCRIPTION	价值
limitSettings	[必需]限制 AutoML 作业的设置。	ImageLimitSettings （必需）
modelSettings	用于训练模型的设置。	ImageModelSettingsObjectDetection
primaryMetric	要针对此任务进行优化的主要指标。	“MeanAveragePrecision”
搜索空间	用于采样模型及其超参数的不同组合的搜索空间。	ImageModelDistributionSettingsObjectDetection[]
扫描设置	模型扫描和超参数扫描相关设置。	ImageSweepSettings （图像扫描设置）
任务类型	[必需]AutoMLJob 的任务类型。	“ImageObjectDetection”（必需）
validationData （验证数据）	验证数据输入。	MLTableJobInput
validationDataSize	需要留出用于验证的定型数据集的分数。介于（0.0、 1.0）之间的值未提供验证数据集时应用。	整数 (int)

ImageSweepSettings （图像扫描设置）

名称	DESCRIPTION	价值
early终止	提前终止策略的类型。	提前终止政策
sampling算法	[必需]超参数采样算法的类型。	“贝贝西亚语” “Grid” “Random”（必需）

JobBaseProperties

名称	DESCRIPTION	价值
组件 ID	组件资源的 ARM 资源 ID。	字符串
计算 ID	计算资源的 ARM 资源 ID。	字符串
描述	资产说明文本。	字符串
displayName （显示名称）	作业的显示名称。	字符串
实验名称	作业所属的试验的名称。如果未设置，作业将放置在“默认”试验中。	字符串
标识	标识配置。如果已设置，则应为 AmlToken、ManagedIdentity、UserIdentity 或 null 之一。如果为 null，则默认为 AmlToken。	身份配置
isArchived 已存档	资产是否已存档？	布尔
职位类型	设置为 AutoMLJob 类型的“AutoML”。设置为 CommandJob 类型的“Command”。设置为“ FineTuning”，键入 FineTuningJob。设置为 PipelineJob 类型的“Pipeline”。设置为“ SparkJob”类型的“Spark”。设置为“ SweepJob”类型。	“AutoML” “Command” “FineTuning” “Pipeline” “Spark” “扫描”（必需）
notification设置	作业的通知设置	通知设置
属性	资产属性字典。	ResourceBaseProperties
服务	JobEndpoints 列表。对于本地作业，作业终结点的终结点值为 FileStreamObject。	JobBase服务
标签	标记字典。可以添加、删除和更新标记。	ResourceBaseTags

JobBase服务

名称	DESCRIPTION	价值

作业输入

名称	DESCRIPTION	价值
描述	输入的说明。	字符串
jobInputType （作业输入类型）	设置为 CustomModelJobInput 类型的“custom_model”。设置为 Type LiteralJobInput 的“literal”。设置为 MLFlowModelJobInput 类型的“mlflow_model”。设置为 MLTableJobInput 类型的“mltable”。设置为 TritonModelJobInput 类型的“triton_model”。设置为 UriFileJobInput 类型的“uri_file”。设置为 UriFolderJobInput 类型的“uri_folder”。	“custom_model” “literal” “mlflow_model” “mltable” “triton_model” “uri_file” “uri_folder”（必需）

JobOutput （作业输出）

名称	DESCRIPTION	价值
描述	输出的说明。	字符串
jobOutputType	设置为 CustomModelJobOutput 类型的“custom_model”。设置为 MLFlowModelJobOutput 类型的“mlflow_model”。设置为 MLTableJobOutput 类型的“mltable”。设置为 TritonModelJobOutput 类型的“triton_model”。设置为 UriFileJobOutput 类型的“uri_file”。设置为 UriFolderJobOutput 类型的“uri_folder”。	“custom_model” “mlflow_model” “mltable” “triton_model” “uri_file” “uri_folder”（必需）

JobResourceConfiguration

名称	DESCRIPTION	价值
dockerArgs	要传递给 Docker run 命令的额外参数。这将替代系统设置的任何参数，或在本部分中。此参数仅支持 Azure ML 计算类型。	字符串
instanceCount	计算目标使用的实例或节点数可选。	整数 (int)
instanceType	计算目标支持的可选 VM 类型。	字符串
属性	其他属性包。	ResourceConfigurationProperties
shmSize	docker 容器的共享内存块的大小。这应采用（number）（unit）格式，其中数字大于 0，单位可以是 b（字节）、k（千字节）、m（兆字节）或 g（GB）。	字符串约束：图案 = `\d+[bBkKmMgG]`

工作资源

名称	DESCRIPTION	价值
instanceTypes	要从中选择的实例类型列表。	字符串[]

JobScheduleAction作

名称	DESCRIPTION	价值
动作类型	[必需]指定计划的作类型	“CreateJob”（必需）
jobDefinition	[必需]定义计划作定义详细信息。	JobBaseProperties （必需）

工作服务

名称	DESCRIPTION	价值
终结点	终结点的 URL。	字符串
jobServiceType	终结点类型。	字符串
节点	用户希望启动服务的节点。如果未将 Nodes 设置为 null，则服务将仅在领导节点上启动。	节点
移植	终结点的端口。	整数 (int)
属性	在终结点上设置的其他属性。	JobServiceProperties

JobServiceProperties

名称	DESCRIPTION	价值

LiteralJobInput （文字作业输入）

名称	DESCRIPTION	价值
jobInputType （作业输入类型）	[必需]指定作业的类型。	“literal”（必需）
价值	[必需]输入的文本值。	字符串约束：最小长度 = 1 模式 = `[a-zA-Z0-9_]` （必需）

ManagedComputeIdentity

名称	DESCRIPTION	价值
computeIdentityType	[必需]指定要在监视作业中使用的标识类型。	“ManagedIdentity”（必需）
标识	监视作业将利用的标识。	ManagedServiceIdentity

ManagedIdentity （托管身份）

名称	DESCRIPTION	价值
客户端 ID	按客户端 ID 指定用户分配的标识。对于系统分配，请不要设置此字段。	字符串约束：最小长度 = 36 最大长度 = 36 图案 = `^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$`
身份类型	[必需]指定标识框架的类型。	“Managed”（必需）
对象 ID	按对象 ID 指定用户分配的标识。对于系统分配，请不要设置此字段。	字符串约束：最小长度 = 36 最大长度 = 36 图案 = `^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$`
资源ID	按 ARM 资源 ID 指定用户分配的标识。对于系统分配，请不要设置此字段。	字符串

ManagedServiceIdentity

名称	DESCRIPTION	价值
类型	托管服务标识的类型（其中允许 SystemAssigned 和 UserAssigned 类型）。	“None” “SystemAssigned” “SystemAssigned，UserAssigned” “UserAssigned”（必需）
用户分配的标识	与资源关联的用户分配标识集。 userAssignedIdentities 字典密钥将为 ARM 资源 ID，格式为“/subscriptions/{subscriptionId}/resourceGroups/{resourceGroupName}/providers/Microsoft.ManagedIdentity/userAssignedIdentities/{identityName}”。字典值可以是请求中的空对象（{}）。	UserAssignedIdentities

MedianStoppingPolicy （中值停止策略）

名称	DESCRIPTION	价值
policyType	[必需]策略配置的名称	“MedianStopping”（必需）

MLFlowModelJobInput

名称	DESCRIPTION	价值
描述	输入的说明。	字符串
jobInputType （作业输入类型）	[必需]指定作业的类型。	“custom_model” “literal” “mlflow_model” “mltable” “triton_model” “uri_file” “uri_folder”（必需）
模式	输入资产传送模式。	“Direct” “下载” “EvalDownload” “EvalMount” “ReadOnlyMount” “ReadWriteMount”
URI	[必需]输入资产 URI。	字符串约束：最小长度 = 1 模式 = `[a-zA-Z0-9_]` （必需）

MLFlowModelJobInput

名称	DESCRIPTION	价值
jobInputType （作业输入类型）	[必需]指定作业的类型。	“mlflow_model”（必需）
模式	输入资产传送模式。	“Direct” “下载” “EvalDownload” “EvalMount” “ReadOnlyMount” “ReadWriteMount”
URI	[必需]输入资产 URI。	字符串约束：最小长度 = 1 模式 = `[a-zA-Z0-9_]` （必需）

MLFlowModelJobOutput

名称	DESCRIPTION	价值
jobOutputType	[必需]指定作业的类型。	“mlflow_model”（必需）
模式	输出资产传送模式。	“Direct” “ReadWriteMount” “Upload”
URI	输出资产 URI。	字符串

MLTableJobInput

名称	DESCRIPTION	价值
描述	输入的说明。	字符串
jobInputType （作业输入类型）	[必需]指定作业的类型。	“custom_model” “literal” “mlflow_model” “mltable” “triton_model” “uri_file” “uri_folder”（必需）
模式	输入资产传送模式。	“Direct” “下载” “EvalDownload” “EvalMount” “ReadOnlyMount” “ReadWriteMount”
URI	[必需]输入资产 URI。	字符串约束：最小长度 = 1 模式 = `[a-zA-Z0-9_]` （必需）

MLTableJobInput

名称	DESCRIPTION	价值
jobInputType （作业输入类型）	[必需]指定作业的类型。	“mltable”（必需）
模式	输入资产传送模式。	“Direct” “下载” “EvalDownload” “EvalMount” “ReadOnlyMount” “ReadWriteMount”
URI	[必需]输入资产 URI。	字符串约束：最小长度 = 1 模式 = `[a-zA-Z0-9_]` （必需）

MLTableJobOutput

名称	DESCRIPTION	价值
jobOutputType	[必需]指定作业的类型。	“mltable”（必需）
模式	输出资产传送模式。	“Direct” “ReadWriteMount” “Upload”
URI	输出资产 URI。	字符串

监视器ComputeConfigurationBase

名称	DESCRIPTION	价值
computeType	设置为 MonitorServerlessSparkCompute 类型的“ServerlessSpark”。	“ServerlessSpark”（必需）

监视器计算身份库

名称	DESCRIPTION	价值
computeIdentityType	对于 AmlTokenComputeIdentity，设置为“AmlToken”。设置为 “ManagedComputeIdentity”类型的“ManagedIdentity”。	“AmlToken” “ManagedIdentity”（必需）

监视器定义

名称	DESCRIPTION	价值
alertNotificationSettings	监视器的通知设置。	MonitorNotificationSettings
computeConfiguration	[必需]要运行监视作业的计算资源的 ARM 资源 ID。	MonitorComputeConfigurationBase （必需）
监控目标	监视器针对的实体。	监控目标
信号	[必需]要监视的信号。	MonitorDefinitionSignals （必需）

监视器定义信号

名称	DESCRIPTION	价值

监视器EmailNotificationSettings

名称	DESCRIPTION	价值
电子邮件	总共限制为 499 个字符的电子邮件收件人列表。	字符串[]

MonitoringFeatureFilterBase

名称	DESCRIPTION	价值
filterType （过滤器类型）	对于 AllFeatures 类型，设置为“AllFeatures”。对于 FeatureSubset 类型，设置为“FeatureSubset”。对于 TopNFeaturesByAttribution，设置为“TopNByAttribution”。	“AllFeatures” “FeatureSubset” “TopNByAttribution”（必需）

监控输入数据库

名称	DESCRIPTION	价值
列	将列名映射到特殊用途。	MonitoringInputDataBaseColumns
dataContext	数据源的上下文元数据。	字符串
inputDataType （输入数据类型）	对于 FixedInputData 类型，设置为“Fixed”。设置为 “RollingInputData”类型的“Rolling”。设置为 StaticInputData 类型的“Static”。	“Fixed” “滚动” “Static”（必需）
jobInputType （作业输入类型）	[必需]指定作业的类型。	“custom_model” “literal” “mlflow_model” “mltable” “triton_model” “uri_file” “uri_folder”（必需）
URI	[必需]输入资产 URI。	字符串约束：最小长度 = 1 模式 = `[a-zA-Z0-9_]` （必需）

MonitoringInputDataBaseColumns

名称	DESCRIPTION	价值

监控信号库

名称	DESCRIPTION	价值
notificationTypes	此信号的当前通知模式。	包含任一项的字符串数组： “AmlNotification”
属性	属性字典。可以添加属性，但不能删除或更改属性。	MonitoringSignalBaseProperties
信号类型	设置为 CustomMonitoringSignal 类型的“Custom”。设置为 DataDriftMonitoringSignal 类型的“DataDrift”。设置为 DataQualityMonitoringSignal 类型的“DataQuality”。对于 Type FeatureAttributionDrift，设置为“FeatureAttributionDriftMonitoringSignal”。设置为“ PredictionDriftMonitoringSignal”类型的“PredictionDrift”。	“Custom” “DataDrift” “DataQuality” “FeatureAttributionDrift” “PredictionDrift”（必需）

MonitoringSignalBaseProperties

名称	DESCRIPTION	价值

监控目标

名称	DESCRIPTION	价值
deploymentId	对此监视器目标的部署资产的引用。	字符串
模型 ID	对此监视器所针对的模型资产的引用。	字符串
任务类型	[必需]受监视模型的机器学习任务类型。	“Classification” “回归”（必需）

监控阈值

名称	DESCRIPTION	价值
价值	阈值。如果为 null，则设置默认值取决于指标类型。	整数 (int)

MonitorNotificationSettings

名称	DESCRIPTION	价值
emailNotification设置	AML 通知电子邮件设置。	监视器EmailNotificationSettings

监视器ServerlessSparkCompute

名称	DESCRIPTION	价值
计算身份	[必需]无服务器 Spark 上运行的 Spark 作业利用的标识方案。	MonitorComputeIdentityBase （必需）
computeType	[必需]指定要监视的信号类型。	“ServerlessSpark”（必需）
instanceType	[必需]运行 Spark 作业的实例类型。	字符串约束：最小长度 = 1 模式 = `[a-zA-Z0-9_]` （必需）
runtimeVersion （运行时版本）	[必需]Spark 运行时版本。	字符串约束：最小长度 = 1 模式 = `^[0-9]+\.[0-9]+$` （必需）

MPI

名称	DESCRIPTION	价值
distributionType	[必需]指定分发框架的类型。	“Mpi”（必需）
processCountPerInstance	每个 MPI 节点的进程数。	整数 (int)

NCross验证

名称	DESCRIPTION	价值
模式	对于 AutoNCrossValidations 类型，设置为“自动”。设置为 CustomNCrossValidations 类型的“Custom”。	“Auto” “Custom”（必需）

NlpVerticalFeaturizationSettings

名称	DESCRIPTION	价值
datasetLanguage	数据集语言，适用于文本数据。	字符串

NlpVerticalLimitSettings

名称	DESCRIPTION	价值
maxConcurrentTrials	最大并发 AutoML 迭代次数。	整数 (int)
maxTrials	AutoML 迭代数。	整数 (int)
超时	AutoML 作业超时。	字符串

节点

名称	DESCRIPTION	价值
nodesValueType	对于 AllNodes 类型，设置为“All”。	“全部”（必需）

通知设置

名称	DESCRIPTION	价值
电子邮件	在指定的通知类型上向用户发送电子邮件通知	包含任一项的字符串数组： “JobCancelled” “JobCompleted” “JobFailed”
电子邮件	这是电子邮件收件人列表，限制为 499 个字符的总 concat 和逗号分隔符	字符串[]
webhook	将 Webhook 回调发送到服务。密钥是 Webhook 的用户提供的名称。	NotificationSettingWebhook

NotificationSettingWebhook

名称	DESCRIPTION	价值

NumericalDataDriftMetricThreshold

名称	DESCRIPTION	价值
数据类型	[必需]指定指标阈值的数据类型。	“数字”（必需）
指标	[必需]要计算的数字数据偏移指标。	“JensenShannonDistance” “NormalizedWassersteinDistance” “PopulationStabilityIndex” “TwoSampleKolmogorovsmirnovTest”（必需）

NumericalDataQualityMetricThreshold

名称	DESCRIPTION	价值
数据类型	[必需]指定指标阈值的数据类型。	“数字”（必需）
指标	[必需]要计算的数字数据质量指标。	“DataTypeErrorRate” “NullValueRate” “OutOfBoundsRate”（必需）

NumericalPredictionDriftMetricThreshold

名称	DESCRIPTION	价值
数据类型	[必需]指定指标阈值的数据类型。	“数字”（必需）
指标	[必需]要计算的数字预测偏移指标。	“JensenShannonDistance” “NormalizedWassersteinDistance” “PopulationStabilityIndex” “TwoSampleKolmogorovsmirnovTest”（必需）

目的

名称	DESCRIPTION	价值
目标	[必需]定义超参数优化支持的指标目标	“最大化” “最小化”（必需）
primaryMetric	[必需]要优化的指标的名称。	字符串约束：最小长度 = 1 模式 = `[a-zA-Z0-9_]` （必需）

管道作业

名称	DESCRIPTION	价值
输入	管道作业的输入。	管道作业输入
工作	作业构造管道作业。	PipelineJobJob 作业
职位类型	[必需]指定作业的类型。	“Pipeline”（必需）
输出	管道作业的输出	PipelineJobOutputs
设置	管道设置，例如 ContinueRunOnStepFailure 等。	任何
源作业 ID	源作业的 ARM 资源 ID。	字符串

管道作业输入

名称	DESCRIPTION	价值

PipelineJobJob 作业

名称	DESCRIPTION	价值

PipelineJobOutputs

名称	DESCRIPTION	价值

PredictionDriftMetricThresholdBase

名称	DESCRIPTION	价值
数据类型	设置为 CategoricalPredictionDriftMetricThreshold 类型的“分类”。对于 Type NumericalPredictionDriftMetricThreshold，设置为“数字”。	“分类” “数字”（必需）
阈值	阈值。如果为 null，则会根据所选指标设置默认值。	监控阈值

预测漂移监测信号

名称	DESCRIPTION	价值
featureDataTypeOverride	一个字典，用于将特征名称映射到各自的数据类型。	PredictionDriftMonitoringSignalFeatureDataTypeOverride
metricThresholds	[必需]要计算的指标列表及其关联的阈值。	PredictionDriftMetricThresholdBase[] （必需）
生产数据	[必需]将计算偏移的数据。	MonitoringInputDataBase （必需）
referenceData （引用数据）	[必需]要计算偏移的数据。	MonitoringInputDataBase （必需）
信号类型	[必需]指定要监视的信号类型。	“PredictionDrift”（必需）

PredictionDriftMonitoringSignalFeatureDataTypeOverride

名称	DESCRIPTION	价值

PyTorch

名称	DESCRIPTION	价值
distributionType	[必需]指定分发框架的类型。	“PyTorch”（必需）
processCountPerInstance	每个节点的进程数。	整数 (int)

队列设置

名称	DESCRIPTION	价值
jobTier	控制计算作业层	“Basic” “Null” “Premium” “Spot” “Standard”

RandomSamplingAlgorithm 算法

名称	DESCRIPTION	价值
规则	随机算法的特定类型	“Random” “Sobol”
采样算法类型	[必需]用于生成超参数值的算法以及配置属性	“Random”（必需）
种子	用作随机数生成的种子的可选整数	整数 (int)

RecurrenceSchedule （定期计划）

名称	DESCRIPTION	价值
小时	[必需]计划小时列表。	int[] （必需）
分钟数	[必需]计划分钟列表。	int[] （必需）
月天	计划月份日期列表	int[]
平日	计划天数列表。	包含任一项的字符串数组： “Friday” “Monday” “Saturday” “星期日” “星期四” “Tuesday” “Wednesday”

RecurrenceTrigger 触发器

名称	DESCRIPTION	价值
频率	[必需]触发计划的频率。	“Day” “Hour” “Minute” “Month” “Week”（必需）
间隔	[必需]指定计划间隔与频率	int （必需）
时间表	重复计划。	RecurrenceSchedule （定期计划）
triggerType	[必需]	“定期”（必需）

回归

名称	DESCRIPTION	价值
cvSplitColumnNames	用于 CVSplit 数据的列。	字符串[]
featurizationSettings	AutoML 作业所需的特征化输入。	TableVerticalFeaturizationSettings
limitSettings	AutoMLJob 的执行约束。	TableVerticalLimitSettings
nCrossValidations	要应用于训练数据集的交叉验证折叠数如果未提供验证数据集，则为。	NCross验证
primaryMetric	回归任务的主要指标。	“NormalizedMeanAbsoluteError” “NormalizedRootMeanSquaredError” “R2Score” 'SpearmanCorrelation'
任务类型	[必需]AutoMLJob 的任务类型。	“回归”（必需）
测试数据	测试数据输入。	MLTableJobInput
testDataSize	需要为验证目的预留的测试数据集的分数。介于（0.0、 1.0）之间的值未提供验证数据集时应用。	整数 (int)
trainingSettings	AutoML 作业训练阶段的输入。	回归训练设置
validationData （验证数据）	验证数据输入。	MLTableJobInput
validationDataSize	需要留出用于验证的定型数据集的分数。介于（0.0、 1.0）之间的值未提供验证数据集时应用。	整数 (int)
权重列名称	示例权重列的名称。自动化 ML 支持加权列作为输入，导致数据中的行向上或向下加权。	字符串

回归训练设置

名称	DESCRIPTION	价值
allowedTrainingAlgorithms	回归任务的允许模型。	包含任一项的字符串数组： “DecisionTree” “ElasticNet” “ExtremeRandomTrees” “GradientBoosting” “KNN” “LassoLars” “LightGBM” “RandomForest” “ZN” “XGBoostRegressor”
blockedTrainingAlgorithms	回归任务的阻止模型。	包含任一项的字符串数组： “DecisionTree” “ElasticNet” “ExtremeRandomTrees” “GradientBoosting” “KNN” “LassoLars” “LightGBM” “RandomForest” “ZN” “XGBoostRegressor”
enableDnnTraining	启用 DNN 模型的建议。	布尔
enableModelExplainability	标志以在最佳模型上启用可解释性。	布尔
enableOnnxCompatibleModels	用于启用 onnx 兼容模型的标志。	布尔
enableStackEnsemble	启用堆栈合奏运行。	布尔
enableVoteEnsemble	启用投票合奏运行。	布尔
ensembleModelDownloadTimeout	在 VotingEnsemble 和 StackEnsemble 模型生成期间，将下载先前子运行中的多个拟合模型。如果需要更多时间，请将此参数配置为大于 300 秒的值。	字符串
stackEnsembleSettings	堆栈合奏的堆栈合奏设置。	StackEnsembleSettings

ResourceBaseProperties

名称	DESCRIPTION	价值

ResourceBaseProperties

名称	DESCRIPTION	价值

ResourceBaseTags

名称	DESCRIPTION	价值

ResourceBaseTags

名称	DESCRIPTION	价值

ResourceConfigurationProperties

名称	DESCRIPTION	价值

滚动输入数据

名称	DESCRIPTION	价值
inputDataType （输入数据类型）	[必需]指定要监视的信号类型。	“滚动”（必需）
预处理组件 ID	对用于预处理数据的组件资产的引用。	字符串
windowOffset	[必需]数据窗口末尾与监视器的当前运行时之间的时间偏移量。	string （必需）
窗口大小	[必需]滚动数据窗口的大小。	string （必需）

采样算法

名称	DESCRIPTION	价值
采样算法类型	设置为 “Bayesian”类型的 BayesianSamplingAlgorithm。设置为 GridSamplingAlgorithm 类型的“Grid”。设置为 RandomSamplingAlgorithm 类型的“Random”。	“贝贝西亚语” “Grid” “Random”（必需）

ScheduleActionBase

名称	DESCRIPTION	价值
动作类型	设置为 JobScheduleAction 类型的“CreateJob”。设置为 CreateMonitorAction 类型的“CreateMonitor”。设置为 EndpointScheduleAction 类型的“InvokeBatchEndpoint”。	“CreateJob” “CreateMonitor” “InvokeBatchEndpoint”（必需）

ScheduleProperties （计划属性）

名称	DESCRIPTION	价值
操作	[必需]指定计划的作	ScheduleActionBase （必需）
描述	资产说明文本。	字符串
displayName （显示名称）	计划显示名称。	字符串
isEnabled 已启用	是否启用了计划？	布尔
属性	资产属性字典。	ResourceBaseProperties
标签	标记字典。可以添加、删除和更新标记。	ResourceBaseTags
触发	[必需]指定触发器详细信息	TriggerBase （必需）

季节性

名称	DESCRIPTION	价值
模式	设置为“ AutoSeasonality”类型为“自动”。设置为“ CustomSeasonality”类型。	“Auto” “Custom”（必需）

SparkJob

名称	DESCRIPTION	价值
档案	存档作业中使用的文件。	字符串[]
参数	作业的参数。	字符串
代码 Id	[必需] 代码资产的 arm-id。	string （必需）
会议	Spark 配置的属性。	SparkJobConf 函数
输入	[必需]在启动作业时要执行的条目。	SparkJobEntry （必需）
环境 ID	作业的环境规范的 ARM 资源 ID。	字符串
环境变量	作业中包含的环境变量。	SparkJobEnvironment变量
文件	作业中使用的文件。	字符串[]
输入	作业中使用的输入数据绑定的映射。	SparkJobInputs
罐子	作业中使用的 Jar 文件。	字符串[]
职位类型	[必需]指定作业的类型。	“Spark”（必需）
输出	作业中使用的输出数据绑定的映射。	SparkJob输出
py文件	作业中使用的 Python 文件。	字符串[]
queueSettings	作业的队列设置	队列设置
资源	作业的计算资源配置。	SparkResourceConfiguration

SparkJobConf 函数

名称	DESCRIPTION	价值

SparkJobEntry

名称	DESCRIPTION	价值
sparkJobEntryType	设置为 SparkJobPythonEntry 类型的“SparkJobPythonEntry”。设置为“ SparkJobScalaEntry”类型的“SparkJobScalaEntry”。	“SparkJobPythonEntry” “SparkJobScalaEntry”（必需）

SparkJobEnvironment变量

名称	DESCRIPTION	价值

SparkJobInputs

名称	DESCRIPTION	价值

SparkJob输出

名称	DESCRIPTION	价值

SparkJobPython条目

名称	DESCRIPTION	价值
文件	[必需]作业入口点的相对 python 文件路径。	字符串约束：最小长度 = 1 模式 = `[a-zA-Z0-9_]` （必需）
sparkJobEntryType	[必需]作业入口点的类型。	“SparkJobPythonEntry”（必需）

SparkJobScalaEntry

名称	DESCRIPTION	价值
类名	[必需]用作入口点的 Scala 类名称。	字符串约束：最小长度 = 1 模式 = `[a-zA-Z0-9_]` （必需）
sparkJobEntryType	[必需]作业入口点的类型。	“SparkJobScalaEntry”（必需）

SparkResourceConfiguration

名称	DESCRIPTION	价值
instanceType	计算目标支持的可选 VM 类型。	字符串
runtimeVersion （运行时版本）	用于作业的 spark 运行时的版本。	字符串

StackEnsembleSettings

名称	DESCRIPTION	价值
stackMetaLearnerKWargs	要传递给元学习器初始值设定项的可选参数。	任何
stackMetaLearnerTrainPercentage	指定要保留用于训练元学习者的训练集（选择训练和训练类型的训练）的比例。默认值为 0.2。	整数 (int)
stackMetaLearnerType	元学习器是在单个异类模型的输出上训练的模型。	“ElasticNet” “ElasticNetCV” “LightGBMClassifier” “LightGBMRegressor” “LinearRegression” “LogisticRegression” “LogisticRegressionCV” “None”

StaticInputData （静态输入数据）

名称	DESCRIPTION	价值
inputDataType （输入数据类型）	[必需]指定要监视的信号类型。	“Static”（必需）
预处理组件 ID	对用于预处理数据的组件资产的引用。	字符串
窗口结束	[必需]数据窗口的结束日期。	string （必需）
窗口开始	[必需]数据窗口的开始日期。	string （必需）

SweepJob （扫描作业）

名称	DESCRIPTION	价值
early终止	提前终止策略可在完成之前取消性能不佳的运行	提前终止政策
输入	作业中使用的输入数据绑定的映射。	SweepJobInputs
职位类型	[必需]指定作业的类型。	“扫描”（必需）
限制	扫描作业限制。	SweepJobLimits （扫描作业限制）
目的	[必需]优化目标。	目标（必需）
输出	作业中使用的输出数据绑定的映射。	SweepJobOutputs （扫描作业输出）
queueSettings	作业的队列设置	队列设置
sampling算法	[必需]超参数采样算法	SamplingAlgorithm （必需）
搜索空间	[必需]包含每个参数及其分布的字典。字典键是参数的名称	任何（必需）
试用	[必需]试用组件定义。	TrialComponent （必需）

SweepJobInputs

名称	DESCRIPTION	价值

SweepJobLimits （扫描作业限制）

名称	DESCRIPTION	价值
jobLimits类型	[必需]JobLimit 类型。	“Command” “扫描”（必需）
maxConcurrentTrials	扫描作业最大并发试用版。	整数 (int)
maxTotalTrials	扫描作业最大总试用版数。	整数 (int)
超时	ISO 8601 格式的最大运行持续时间，之后作业将被取消。仅支持精度为秒的持续时间。	字符串
trialTimeout （试用超时）	扫描作业试用超时值。	字符串

SweepJobOutputs （扫描作业输出）

名称	DESCRIPTION	价值

TableVerticalFeaturizationSettings

名称	DESCRIPTION	价值
阻塞变压器	这些转换器不应用于特征化。	包含任一项的字符串数组： “CatTargetEncoder” “CountVectorizer” “HashOneHotEncoder” “LabelEncoder” “NaiveBayes” “OneHotEncoder” “TextTargetEncoder” “TfIdf” “WoETargetEncoder” “WordEmbedding”
columnNameAnd类型	列名及其类型（int、float、string、datetime 等）的字典。	TableVerticalFeaturizationSettingsColumnNameAndTypes
datasetLanguage	数据集语言，适用于文本数据。	字符串
enableDnnFeaturization	确定是否使用基于 Dnn 的特征化器进行数据特征化。	布尔
模式	特征化模式 - 用户可以保留默认的“自动”模式，AutoML 将负责在特征化阶段对数据进行必要的转换。如果选择了“关闭”，则不会完成特征化。如果选择“自定义”，则用户可以指定其他输入以自定义特征化完成方式。	“Auto” “Custom” “关闭”
transformer参数	用户可以指定要用于的其他转换器以及要向其应用它的列以及转换器构造函数的参数。	TableVerticalFeaturizationSettingsTransformerParams

TableVerticalFeaturizationSettingsColumnNameAndTypes

名称	DESCRIPTION	价值

TableVerticalFeaturizationSettingsTransformerParams

名称	DESCRIPTION	价值

TableVerticalLimitSettings

名称	DESCRIPTION	价值
enableEarlyTermination	启用提前终止，确定如果最近 20 次迭代中没有分数改进，AutoMLJob 是否会提前终止。	布尔
退出评分	AutoML 作业的退出分数。	整数 (int)
maxConcurrentTrials	最大并发迭代数。	整数 (int)
maxCoresPerTrial	每次迭代的最大核心数。	整数 (int)
maxTrials	迭代数。	整数 (int)
超时	AutoML 作业超时。	字符串
trialTimeout （试用超时）	迭代超时。	字符串

目标滞后

名称	DESCRIPTION	价值
模式	对于 AutoTargetLags 类型，设置为“自动”。设置为 CustomTargetLags 类型的“Custom”。	“Auto” “Custom”（必需）

TargetRollingWindowSize

名称	DESCRIPTION	价值
模式	设置为“ AutoTargetRollingWindowSize”类型的“自动”。设置为 CustomTargetRollingWindowSize 类型的“Custom”。	“Auto” “Custom”（必需）

TensorFlow

名称	DESCRIPTION	价值
distributionType	[必需]指定分发框架的类型。	“TensorFlow”（必需）
parameterServerCount	参数服务器任务数。	整数 (int)
workerCount 工人计数	工人数。如果未指定，则默认为实例计数。	整数 (int)

文本分类

名称	DESCRIPTION	价值
featurizationSettings	AutoML 作业所需的特征化输入。	NlpVerticalFeaturizationSettings
limitSettings	AutoMLJob 的执行约束。	NlpVerticalLimitSettings
primaryMetric	Text-Classification 任务的主要指标。	“准确性” “AUCWeighted” “AveragePrecisionScoreWeighted” “NormMacroRecall” “PrecisionScoreWeighted”
任务类型	[必需]AutoMLJob 的任务类型。	“TextClassification”（必需）
validationData （验证数据）	验证数据输入。	MLTableJobInput

TextClassificationMultilabel

名称	DESCRIPTION	价值
featurizationSettings	AutoML 作业所需的特征化输入。	NlpVerticalFeaturizationSettings
limitSettings	AutoMLJob 的执行约束。	NlpVerticalLimitSettings
任务类型	[必需]AutoMLJob 的任务类型。	“TextClassificationMultilabel”（必需）
validationData （验证数据）	验证数据输入。	MLTableJobInput

TextNer （文本生成器）

名称	DESCRIPTION	价值
featurizationSettings	AutoML 作业所需的特征化输入。	NlpVerticalFeaturizationSettings
limitSettings	AutoMLJob 的执行约束。	NlpVerticalLimitSettings
任务类型	[必需]AutoMLJob 的任务类型。	“TextNER”（必需）
validationData （验证数据）	验证数据输入。	MLTableJobInput

TopNFeaturesByAttribution

名称	DESCRIPTION	价值
filterType （过滤器类型）	[必需]指定要在选择要计算指标的功能时利用的功能筛选器。	“TopNByAttribution”（必需）
顶部	要包括的顶级功能数。	整数 (int)

TrialComponent （试用组件）

名称	DESCRIPTION	价值
代码 Id	代码资产的 ARM 资源 ID。	字符串
指令	[必需]在启动作业时执行的命令。例如 “python train.py”	字符串约束：最小长度 = 1 模式 = `[a-zA-Z0-9_]` （必需）
分配	作业的分发配置。如果已设置，则应为 Mpi、Tensorflow、PyTorch 或 null 之一。	分发配置
环境 ID	[必需]作业的环境规范的 ARM 资源 ID。	字符串约束：最小长度 = 1 模式 = `[a-zA-Z0-9_]` （必需）
环境变量	作业中包含的环境变量。	TrialComponentEnvironmentVariables
资源	作业的计算资源配置。	JobResourceConfiguration

TrialComponentEnvironmentVariables

名称	DESCRIPTION	价值

触发器库

名称	DESCRIPTION	价值
结束时间	以 ISO 8601 指定计划的结束时间，但不指定 UTC 偏移量。请参阅 https://en.wikipedia.org/wiki/ISO_8601。重新注释的格式将为“2022-06-01T00：00：01” 如果不存在，计划将无限期运行	字符串
开始时间	以 ISO 8601 格式指定计划的开始时间，但没有 UTC 偏移量。	字符串
时区	指定运行计划的时区。 TimeZone 应遵循 Windows 时区格式。请参阅：/windows-hardware/manufacture/desktop/default-time-zone？view=windows-11	字符串
triggerType	对于 CronTrigger 类型，设置为“Cron”。设置为 “RecurrenceTrigger”类型的“RecurrenceTrigger”。	“Cron” “定期”（必需）

TritonModelJobInput

名称	DESCRIPTION	价值
jobInputType （作业输入类型）	[必需]指定作业的类型。	“triton_model”（必需）
模式	输入资产传送模式。	“Direct” “下载” “EvalDownload” “EvalMount” “ReadOnlyMount” “ReadWriteMount”
URI	[必需]输入资产 URI。	字符串约束：最小长度 = 1 模式 = `[a-zA-Z0-9_]` （必需）

TritonModelJobOutput

名称	DESCRIPTION	价值
jobOutputType	[必需]指定作业的类型。	“triton_model”（必需）
模式	输出资产传送模式。	“Direct” “ReadWriteMount” “Upload”
URI	输出资产 URI。	字符串

截断选择策略

名称	DESCRIPTION	价值
policyType	[必需]策略配置的名称	“TruncationSelection”（必需）
截断百分比	要在每个评估间隔取消的运行百分比。	整数 (int)

UriFileJobInput

名称	DESCRIPTION	价值
jobInputType （作业输入类型）	[必需]指定作业的类型。	“uri_file”（必需）
模式	输入资产传送模式。	“Direct” “下载” “EvalDownload” “EvalMount” “ReadOnlyMount” “ReadWriteMount”
URI	[必需]输入资产 URI。	字符串约束：最小长度 = 1 模式 = `[a-zA-Z0-9_]` （必需）

UriFileJobOutput

名称	DESCRIPTION	价值
jobOutputType	[必需]指定作业的类型。	“uri_file”（必需）
模式	输出资产传送模式。	“Direct” “ReadWriteMount” “Upload”
URI	输出资产 URI。	字符串

UriFolderJobInput

名称	DESCRIPTION	价值
jobInputType （作业输入类型）	[必需]指定作业的类型。	“uri_folder”（必需）
模式	输入资产传送模式。	“Direct” “下载” “EvalDownload” “EvalMount” “ReadOnlyMount” “ReadWriteMount”
URI	[必需]输入资产 URI。	字符串约束：最小长度 = 1 模式 = `[a-zA-Z0-9_]` （必需）

UriFolderJobOutput

名称	DESCRIPTION	价值
jobOutputType	[必需]指定作业的类型。	“uri_folder”（必需）
模式	输出资产传送模式。	“Direct” “ReadWriteMount” “Upload”
URI	输出资产 URI。	字符串

UserAssignedIdentities

名称	DESCRIPTION	价值

UserAssignedIdentity

名称	DESCRIPTION	价值

用户身份

名称	DESCRIPTION	价值
身份类型	[必需]指定标识框架的类型。	“UserIdentity”（必需）

Webhook

名称	DESCRIPTION	价值
事件类型	对指定的通知事件发送回调	字符串
webhook类型	对于 AzureDevOpsWebhook 类型，设置为“AzureDevOpsOps”。	“AzureDevOps”（必需）

通过

Microsoft.MachineLearningServices 工作区/计划 2024-07-01-preview

Bicep 资源定义

资源格式

AutoMLVertical 对象

FineTuningVertical 对象

IdentityConfiguration 对象

NCrossValidations 对象

JobBaseProperties 对象

JobInput 对象

MonitoringSignalBase 对象

SamplingAlgorithm 对象

TargetRollingWindowSize 对象

EarlyTerminationPolicy 对象

季节性对象

TargetLags 对象

节点对象

MonitorComputeIdentityBase 对象

ScheduleActionBase 对象

TriggerBase 对象

MonitoringInputDataBase 对象

MonitoringFeatureFilterBase 对象

DataDriftMetricThresholdBase 对象

MonitorComputeConfigurationBase 对象

JobOutput 对象

SparkJobEntry 对象

DistributionConfiguration 对象

ForecastHorizon 对象

Webhook 对象

DataQualityMetricThresholdBase 对象

PredictionDriftMetricThresholdBase 对象

属性值

Microsoft.MachineLearningServices/workspaces/schedules

全部功能

所有节点

AmlToken

AmlTokenComputeIdentity

自动预测地平线

AutoMLJob

AutoMLJobEnvironmentVariables

AutoMLJob 输出

AutoMLVertical

AutoNCross验证

自动季节性

AutoTargetLags 自动目标滞后

AutoTargetRollingWindowSize （自动目标滚动窗口大小）

AzureDevOpsWebhook

AzureOpenAiFineTuning

AzureOpenAiHyperParameters

BanditPolicy （强盗政策）

BayesianSamplingAlgorithm

CategoricalDataDriftMetricThreshold

CategoricalDataQualityMetricThreshold

分类预测漂移指标阈值

分类

分类训练设置

ColumnTransformer （列变换器）

CommandJob

CommandJobEnvironmentVariables

CommandJobInputs 命令作业输入

CommandJobLimits 命令作业限制

CommandJobOutputs 命令作业输出

CreateMonitorAction

CronTrigger 的

CustomForecastHorizon

CustomMetricThreshold

CustomModelFineTuning 微调

CustomModelFineTuningHyperParameters

CustomModelJobInput （自定义模型作业输入）

CustomModelJobOutput

CustomMonitoringSignal

CustomMonitoringSignalInputAssets

CustomMonitoringSignalInputs

CustomNCross验证

CustomSeasonality （自定义季节性）

CustomTargetLags （自定义目标滞后）

CustomTargetRollingWindowSize

DataDriftMetricThresholdBase

DataDriftMonitoringSignal

DataDriftMonitoringSignalFeatureDataTypeOverride