Microsoft.MachineLearningServices 工作區/作業 2022-02-01-preview
Bicep 資源定義
工作區/作業資源類型可以使用目標作業進行部署：
- 資源群組 - 請參閱 資源群組部署命令
如需每個 API 版本中已變更屬性的清單，請參閱 變更記錄檔。
資源格式
若要建立 Microsoft.MachineLearningServices/workspaces/jobs 資源，請將下列 Bicep 新增至範本。
resource symbolicname 'Microsoft.MachineLearningServices/workspaces/jobs@2022-02-01-preview' = {
name: 'string'
parent: resourceSymbolicName
properties: {
computeId: 'string'
description: 'string'
displayName: 'string'
experimentName: 'string'
identity: {
identityType: 'string'
// For remaining properties, see IdentityConfiguration objects
}
isArchived: bool
properties: {
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
}
schedule: {
endTime: 'string'
scheduleStatus: 'string'
startTime: 'string'
timeZone: 'string'
scheduleType: 'string'
// For remaining properties, see ScheduleBase objects
}
services: {
{customized property}: {
endpoint: 'string'
jobServiceType: 'string'
port: int
properties: {
{customized property}: 'string'
}
}
}
tags: {
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
}
jobType: 'string'
// For remaining properties, see JobBaseDetails objects
}
}
JobBaseDetails 物件
設定 jobType 屬性以指定物件的類型。
針對 AutoML，請使用：
jobType: 'AutoML'
environmentId: 'string'
environmentVariables: {
{customized property}: 'string'
}
outputs: {
{customized property}: {
description: 'string'
jobOutputType: 'string'
// For remaining properties, see JobOutput objects
}
}
resources: {
instanceCount: int
instanceType: 'string'
properties: {
{customized property}: any()
}
}
taskDetails: {
logVerbosity: 'string'
taskType: 'string'
// For remaining properties, see AutoMLVertical objects
}
針對 [命令]，請使用：
jobType: 'Command'
codeId: 'string'
command: 'string'
distribution: {
distributionType: 'string'
// For remaining properties, see DistributionConfiguration objects
}
environmentId: 'string'
environmentVariables: {
{customized property}: 'string'
}
inputs: {
{customized property}: {
description: 'string'
jobInputType: 'string'
// For remaining properties, see JobInput objects
}
}
limits: {
jobLimitsType: 'string'
timeout: 'string'
}
outputs: {
{customized property}: {
description: 'string'
jobOutputType: 'string'
// For remaining properties, see JobOutput objects
}
}
resources: {
instanceCount: int
instanceType: 'string'
properties: {
{customized property}: any()
}
}
針對 管線，請使用：
jobType: 'Pipeline'
inputs: {
{customized property}: {
description: 'string'
jobInputType: 'string'
// For remaining properties, see JobInput objects
}
}
jobs: {
{customized property}: any()
}
outputs: {
{customized property}: {
description: 'string'
jobOutputType: 'string'
// For remaining properties, see JobOutput objects
}
}
settings: any()
針對 掃掠，請使用：
jobType: 'Sweep'
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
inputs: {
{customized property}: {
description: 'string'
jobInputType: 'string'
// For remaining properties, see JobInput objects
}
}
limits: {
jobLimitsType: 'string'
maxConcurrentTrials: int
maxTotalTrials: int
timeout: 'string'
trialTimeout: 'string'
}
objective: {
goal: 'string'
primaryMetric: 'string'
}
outputs: {
{customized property}: {
description: 'string'
jobOutputType: 'string'
// For remaining properties, see JobOutput objects
}
}
samplingAlgorithm: {
samplingAlgorithmType: 'string'
// For remaining properties, see SamplingAlgorithm objects
}
searchSpace: any()
trial: {
codeId: 'string'
command: 'string'
distribution: {
distributionType: 'string'
// For remaining properties, see DistributionConfiguration objects
}
environmentId: 'string'
environmentVariables: {
{customized property}: 'string'
}
resources: {
instanceCount: int
instanceType: 'string'
properties: {
{customized property}: any()
}
}
}
IdentityConfiguration 物件
設定 identityType 屬性以指定物件的類型。
針對 AMLToken，請使用：
identityType: 'AMLToken'
針對 [受控]，請使用：
identityType: 'Managed'
clientId: 'string'
objectId: 'string'
resourceId: 'string'
針對 UserIdentity，請使用：
identityType: 'UserIdentity'
ScheduleBase 物件
設定 scheduleType 屬性以指定物件的類型。
針對 Cron，請使用：
scheduleType: 'Cron'
expression: 'string'
針對 [週期]，請使用：
scheduleType: 'Recurrence'
frequency: 'string'
interval: int
pattern: {
hours: [
int
]
minutes: [
int
]
weekdays: [
'string'
]
}
JobOutput 物件
設定 jobOutputType 屬性以指定對象的類型。
針對 CustomModel，請使用：
jobOutputType: 'CustomModel'
mode: 'string'
uri: 'string'
針對 MLFlowModel，請使用：
jobOutputType: 'MLFlowModel'
mode: 'string'
uri: 'string'
針對 MLTable，請使用：
jobOutputType: 'MLTable'
mode: 'string'
uri: 'string'
針對 TritonModel，請使用：
jobOutputType: 'TritonModel'
mode: 'string'
uri: 'string'
針對 UriFile，請使用：
jobOutputType: 'UriFile'
mode: 'string'
uri: 'string'
針對 UriFolder，請使用：
jobOutputType: 'UriFolder'
mode: 'string'
uri: 'string'
AutoMLVertical 物件
設定 taskType 屬性以指定物件的類型。
針對 [分類]，請使用：
taskType: 'Classification'
allowedModels: [
'string'
]
blockedModels: [
'string'
]
dataSettings: {
targetColumnName: 'string'
testData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
testDataSize: int
}
trainingData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
}
validationData: {
cvSplitColumnNames: [
'string'
]
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
nCrossValidations: {
mode: 'string'
// For remaining properties, see NCrossValidations objects
}
validationDataSize: int
}
weightColumnName: 'string'
}
featurizationSettings: {
blockedTransformers: [
'string'
]
columnNameAndTypes: {
{customized property}: 'string'
}
datasetLanguage: 'string'
dropColumns: [
'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'
}
primaryMetric: 'string'
trainingSettings: {
enableDnnTraining: bool
enableModelExplainability: bool
enableOnnxCompatibleModels: bool
enableStackEnsemble: bool
enableVoteEnsemble: bool
ensembleModelDownloadTimeout: 'string'
stackEnsembleSettings: {
stackMetaLearnerKWargs: any()
stackMetaLearnerTrainPercentage: int
stackMetaLearnerType: 'string'
}
}
針對 預測，請使用：
taskType: 'Forecasting'
allowedModels: [
'string'
]
blockedModels: [
'string'
]
dataSettings: {
targetColumnName: 'string'
testData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
testDataSize: int
}
trainingData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
}
validationData: {
cvSplitColumnNames: [
'string'
]
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
nCrossValidations: {
mode: 'string'
// For remaining properties, see NCrossValidations objects
}
validationDataSize: int
}
weightColumnName: 'string'
}
featurizationSettings: {
blockedTransformers: [
'string'
]
columnNameAndTypes: {
{customized property}: 'string'
}
datasetLanguage: 'string'
dropColumns: [
'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'
}
primaryMetric: 'string'
trainingSettings: {
enableDnnTraining: bool
enableModelExplainability: bool
enableOnnxCompatibleModels: bool
enableStackEnsemble: bool
enableVoteEnsemble: bool
ensembleModelDownloadTimeout: 'string'
stackEnsembleSettings: {
stackMetaLearnerKWargs: any()
stackMetaLearnerTrainPercentage: int
stackMetaLearnerType: 'string'
}
}
針對 ImageClassification，請使用：
taskType: 'ImageClassification'
dataSettings: {
targetColumnName: 'string'
testData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
testDataSize: int
}
trainingData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
}
validationData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
}
}
limitSettings: {
maxConcurrentTrials: int
maxTrials: int
timeout: 'string'
}
modelSettings: {
advancedSettings: 'string'
amsGradient: bool
augmentations: 'string'
beta1: int
beta2: int
checkpointDatasetId: 'string'
checkpointFilename: 'string'
checkpointFrequency: int
checkpointRunId: 'string'
distributed: bool
earlyStopping: bool
earlyStoppingDelay: int
earlyStoppingPatience: int
enableOnnxNormalization: bool
evaluationFrequency: int
gradientAccumulationStep: int
layersToFreeze: int
learningRate: int
learningRateScheduler: 'string'
modelName: 'string'
momentum: int
nesterov: bool
numberOfEpochs: int
numberOfWorkers: int
optimizer: 'string'
randomSeed: int
splitRatio: int
stepLRGamma: int
stepLRStepSize: int
trainingBatchSize: int
trainingCropSize: int
validationBatchSize: int
validationCropSize: int
validationResizeSize: int
warmupCosineLRCycles: int
warmupCosineLRWarmupEpochs: int
weightDecay: int
weightedLoss: int
}
primaryMetric: 'string'
searchSpace: [
{
amsGradient: 'string'
augmentations: 'string'
beta1: 'string'
beta2: 'string'
distributed: 'string'
earlyStopping: 'string'
earlyStoppingDelay: 'string'
earlyStoppingPatience: 'string'
enableOnnxNormalization: 'string'
evaluationFrequency: 'string'
gradientAccumulationStep: 'string'
layersToFreeze: 'string'
learningRate: 'string'
learningRateScheduler: 'string'
modelName: 'string'
momentum: 'string'
nesterov: 'string'
numberOfEpochs: 'string'
numberOfWorkers: 'string'
optimizer: 'string'
randomSeed: 'string'
splitRatio: 'string'
stepLRGamma: 'string'
stepLRStepSize: 'string'
trainingBatchSize: 'string'
trainingCropSize: 'string'
validationBatchSize: 'string'
validationCropSize: 'string'
validationResizeSize: 'string'
warmupCosineLRCycles: 'string'
warmupCosineLRWarmupEpochs: 'string'
weightDecay: 'string'
weightedLoss: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
limits: {
maxConcurrentTrials: int
maxTrials: int
}
samplingAlgorithm: 'string'
}
針對 ImageClassificationMultilabel，請使用：
taskType: 'ImageClassificationMultilabel'
dataSettings: {
targetColumnName: 'string'
testData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
testDataSize: int
}
trainingData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
}
validationData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
}
}
limitSettings: {
maxConcurrentTrials: int
maxTrials: int
timeout: 'string'
}
modelSettings: {
advancedSettings: 'string'
amsGradient: bool
augmentations: 'string'
beta1: int
beta2: int
checkpointDatasetId: 'string'
checkpointFilename: 'string'
checkpointFrequency: int
checkpointRunId: 'string'
distributed: bool
earlyStopping: bool
earlyStoppingDelay: int
earlyStoppingPatience: int
enableOnnxNormalization: bool
evaluationFrequency: int
gradientAccumulationStep: int
layersToFreeze: int
learningRate: int
learningRateScheduler: 'string'
modelName: 'string'
momentum: int
nesterov: bool
numberOfEpochs: int
numberOfWorkers: int
optimizer: 'string'
randomSeed: int
splitRatio: int
stepLRGamma: int
stepLRStepSize: int
trainingBatchSize: int
trainingCropSize: int
validationBatchSize: int
validationCropSize: int
validationResizeSize: int
warmupCosineLRCycles: int
warmupCosineLRWarmupEpochs: int
weightDecay: int
weightedLoss: int
}
primaryMetric: 'string'
searchSpace: [
{
amsGradient: 'string'
augmentations: 'string'
beta1: 'string'
beta2: 'string'
distributed: 'string'
earlyStopping: 'string'
earlyStoppingDelay: 'string'
earlyStoppingPatience: 'string'
enableOnnxNormalization: 'string'
evaluationFrequency: 'string'
gradientAccumulationStep: 'string'
layersToFreeze: 'string'
learningRate: 'string'
learningRateScheduler: 'string'
modelName: 'string'
momentum: 'string'
nesterov: 'string'
numberOfEpochs: 'string'
numberOfWorkers: 'string'
optimizer: 'string'
randomSeed: 'string'
splitRatio: 'string'
stepLRGamma: 'string'
stepLRStepSize: 'string'
trainingBatchSize: 'string'
trainingCropSize: 'string'
validationBatchSize: 'string'
validationCropSize: 'string'
validationResizeSize: 'string'
warmupCosineLRCycles: 'string'
warmupCosineLRWarmupEpochs: 'string'
weightDecay: 'string'
weightedLoss: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
limits: {
maxConcurrentTrials: int
maxTrials: int
}
samplingAlgorithm: 'string'
}
針對 ImageInstanceSegmentation，請使用：
taskType: 'ImageInstanceSegmentation'
dataSettings: {
targetColumnName: 'string'
testData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
testDataSize: int
}
trainingData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
}
validationData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
}
}
limitSettings: {
maxConcurrentTrials: int
maxTrials: int
timeout: 'string'
}
modelSettings: {
advancedSettings: 'string'
amsGradient: bool
augmentations: 'string'
beta1: int
beta2: int
boxDetectionsPerImage: int
boxScoreThreshold: int
checkpointDatasetId: 'string'
checkpointFilename: 'string'
checkpointFrequency: int
checkpointRunId: 'string'
distributed: bool
earlyStopping: bool
earlyStoppingDelay: int
earlyStoppingPatience: int
enableOnnxNormalization: bool
evaluationFrequency: int
gradientAccumulationStep: int
imageSize: int
layersToFreeze: int
learningRate: int
learningRateScheduler: 'string'
maxSize: int
minSize: int
modelName: 'string'
modelSize: 'string'
momentum: int
multiScale: bool
nesterov: bool
nmsIouThreshold: int
numberOfEpochs: int
numberOfWorkers: int
optimizer: 'string'
randomSeed: int
splitRatio: int
stepLRGamma: int
stepLRStepSize: int
tileGridSize: 'string'
tileOverlapRatio: int
tilePredictionsNmsThreshold: int
trainingBatchSize: int
validationBatchSize: int
validationIouThreshold: int
validationMetricType: 'string'
warmupCosineLRCycles: int
warmupCosineLRWarmupEpochs: int
weightDecay: int
}
primaryMetric: 'MeanAveragePrecision'
searchSpace: [
{
amsGradient: 'string'
augmentations: 'string'
beta1: 'string'
beta2: 'string'
boxDetectionsPerImage: 'string'
boxScoreThreshold: 'string'
distributed: 'string'
earlyStopping: 'string'
earlyStoppingDelay: 'string'
earlyStoppingPatience: 'string'
enableOnnxNormalization: 'string'
evaluationFrequency: 'string'
gradientAccumulationStep: 'string'
imageSize: 'string'
layersToFreeze: 'string'
learningRate: 'string'
learningRateScheduler: 'string'
maxSize: 'string'
minSize: 'string'
modelName: 'string'
modelSize: 'string'
momentum: 'string'
multiScale: 'string'
nesterov: 'string'
nmsIouThreshold: 'string'
numberOfEpochs: 'string'
numberOfWorkers: 'string'
optimizer: 'string'
randomSeed: 'string'
splitRatio: 'string'
stepLRGamma: 'string'
stepLRStepSize: 'string'
tileGridSize: 'string'
tileOverlapRatio: 'string'
tilePredictionsNmsThreshold: 'string'
trainingBatchSize: 'string'
validationBatchSize: 'string'
validationIouThreshold: 'string'
validationMetricType: 'string'
warmupCosineLRCycles: 'string'
warmupCosineLRWarmupEpochs: 'string'
weightDecay: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
limits: {
maxConcurrentTrials: int
maxTrials: int
}
samplingAlgorithm: 'string'
}
針對 ImageObjectDetection，請使用：
taskType: 'ImageObjectDetection'
dataSettings: {
targetColumnName: 'string'
testData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
testDataSize: int
}
trainingData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
}
validationData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
}
}
limitSettings: {
maxConcurrentTrials: int
maxTrials: int
timeout: 'string'
}
modelSettings: {
advancedSettings: 'string'
amsGradient: bool
augmentations: 'string'
beta1: int
beta2: int
boxDetectionsPerImage: int
boxScoreThreshold: int
checkpointDatasetId: 'string'
checkpointFilename: 'string'
checkpointFrequency: int
checkpointRunId: 'string'
distributed: bool
earlyStopping: bool
earlyStoppingDelay: int
earlyStoppingPatience: int
enableOnnxNormalization: bool
evaluationFrequency: int
gradientAccumulationStep: int
imageSize: int
layersToFreeze: int
learningRate: int
learningRateScheduler: 'string'
maxSize: int
minSize: int
modelName: 'string'
modelSize: 'string'
momentum: int
multiScale: bool
nesterov: bool
nmsIouThreshold: int
numberOfEpochs: int
numberOfWorkers: int
optimizer: 'string'
randomSeed: int
splitRatio: int
stepLRGamma: int
stepLRStepSize: int
tileGridSize: 'string'
tileOverlapRatio: int
tilePredictionsNmsThreshold: int
trainingBatchSize: int
validationBatchSize: int
validationIouThreshold: int
validationMetricType: 'string'
warmupCosineLRCycles: int
warmupCosineLRWarmupEpochs: int
weightDecay: int
}
primaryMetric: 'MeanAveragePrecision'
searchSpace: [
{
amsGradient: 'string'
augmentations: 'string'
beta1: 'string'
beta2: 'string'
boxDetectionsPerImage: 'string'
boxScoreThreshold: 'string'
distributed: 'string'
earlyStopping: 'string'
earlyStoppingDelay: 'string'
earlyStoppingPatience: 'string'
enableOnnxNormalization: 'string'
evaluationFrequency: 'string'
gradientAccumulationStep: 'string'
imageSize: 'string'
layersToFreeze: 'string'
learningRate: 'string'
learningRateScheduler: 'string'
maxSize: 'string'
minSize: 'string'
modelName: 'string'
modelSize: 'string'
momentum: 'string'
multiScale: 'string'
nesterov: 'string'
nmsIouThreshold: 'string'
numberOfEpochs: 'string'
numberOfWorkers: 'string'
optimizer: 'string'
randomSeed: 'string'
splitRatio: 'string'
stepLRGamma: 'string'
stepLRStepSize: 'string'
tileGridSize: 'string'
tileOverlapRatio: 'string'
tilePredictionsNmsThreshold: 'string'
trainingBatchSize: 'string'
validationBatchSize: 'string'
validationIouThreshold: 'string'
validationMetricType: 'string'
warmupCosineLRCycles: 'string'
warmupCosineLRWarmupEpochs: 'string'
weightDecay: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
limits: {
maxConcurrentTrials: int
maxTrials: int
}
samplingAlgorithm: 'string'
}
針對 回歸，請使用：
taskType: 'Regression'
allowedModels: [
'string'
]
blockedModels: [
'string'
]
dataSettings: {
targetColumnName: 'string'
testData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
testDataSize: int
}
trainingData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
}
validationData: {
cvSplitColumnNames: [
'string'
]
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
nCrossValidations: {
mode: 'string'
// For remaining properties, see NCrossValidations objects
}
validationDataSize: int
}
weightColumnName: 'string'
}
featurizationSettings: {
blockedTransformers: [
'string'
]
columnNameAndTypes: {
{customized property}: 'string'
}
datasetLanguage: 'string'
dropColumns: [
'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'
}
primaryMetric: 'string'
trainingSettings: {
enableDnnTraining: bool
enableModelExplainability: bool
enableOnnxCompatibleModels: bool
enableStackEnsemble: bool
enableVoteEnsemble: bool
ensembleModelDownloadTimeout: 'string'
stackEnsembleSettings: {
stackMetaLearnerKWargs: any()
stackMetaLearnerTrainPercentage: int
stackMetaLearnerType: 'string'
}
}
針對 TextClassification，請使用：
taskType: 'TextClassification'
dataSettings: {
targetColumnName: 'string'
testData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
testDataSize: int
}
trainingData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
}
validationData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
}
}
featurizationSettings: {
datasetLanguage: 'string'
}
limitSettings: {
maxConcurrentTrials: int
maxTrials: int
timeout: 'string'
}
primaryMetric: 'string'
針對 TextClassificationMultilabel，請使用：
taskType: 'TextClassificationMultilabel'
dataSettings: {
targetColumnName: 'string'
testData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
testDataSize: int
}
trainingData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
}
validationData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
}
}
featurizationSettings: {
datasetLanguage: 'string'
}
limitSettings: {
maxConcurrentTrials: int
maxTrials: int
timeout: 'string'
}
針對 TextNER，請使用：
taskType: 'TextNER'
dataSettings: {
targetColumnName: 'string'
testData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
testDataSize: int
}
trainingData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
}
validationData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
}
}
featurizationSettings: {
datasetLanguage: 'string'
}
limitSettings: {
maxConcurrentTrials: int
maxTrials: int
timeout: 'string'
}
NCrossValidations 物件
設定 mode 屬性以指定物件的類型。
針對 [自動]，請使用：
mode: 'Auto'
針對 [自定義]，請使用：
mode: 'Custom'
value: int
ForecastHorizon 物件
設定 mode 屬性以指定物件的類型。
針對 [自動]，請使用：
mode: 'Auto'
針對 [自定義]，請使用：
mode: 'Custom'
value: int
季節性物件
設定 mode 屬性以指定物件的類型。
針對 [自動]，請使用：
mode: 'Auto'
針對 [自定義]，請使用：
mode: 'Custom'
value: int
TargetLags 物件
設定 mode 屬性以指定物件的類型。
針對 [自動]，請使用：
mode: 'Auto'
針對 [自定義]，請使用：
mode: 'Custom'
values: [
int
]
TargetRollingWindowSize 物件
設定 mode 屬性以指定物件的類型。
針對 [自動]，請使用：
mode: 'Auto'
針對 [自定義]，請使用：
mode: 'Custom'
value: int
EarlyTerminationPolicy 物件
設定 policyType 屬性以指定物件的類型。
針對 Bandit，請使用：
policyType: 'Bandit'
slackAmount: int
slackFactor: int
針對 MedianStopping，請使用：
policyType: 'MedianStopping'
針對 TruncationSelection，請使用：
policyType: 'TruncationSelection'
truncationPercentage: int
DistributionConfiguration 物件
設定 distributionType 屬性以指定物件的類型。
針對 Mpi，請使用：
distributionType: 'Mpi'
processCountPerInstance: int
針對 PyTorch，請使用：
distributionType: 'PyTorch'
processCountPerInstance: int
針對 TensorFlow，請使用：
distributionType: 'TensorFlow'
parameterServerCount: int
workerCount: int
JobInput 物件
設定 jobInputType 屬性以指定物件的類型。
針對 CustomModel，請使用：
jobInputType: 'CustomModel'
mode: 'string'
uri: 'string'
針對 常值，請使用：
jobInputType: 'Literal'
value: 'string'
針對 MLFlowModel，請使用：
jobInputType: 'MLFlowModel'
mode: 'string'
uri: 'string'
針對 MLTable，請使用：
jobInputType: 'MLTable'
mode: 'string'
uri: 'string'
針對 TritonModel，請使用：
jobInputType: 'TritonModel'
mode: 'string'
uri: 'string'
針對 UriFile，請使用：
jobInputType: 'UriFile'
mode: 'string'
uri: 'string'
針對 UriFolder，請使用：
jobInputType: 'UriFolder'
mode: 'string'
uri: 'string'
SamplingAlgorithm 物件
設定 samplingAlgorithmType 屬性以指定物件的類型。
針對 貝氏，請使用：
samplingAlgorithmType: 'Bayesian'
針對 Grid，請使用：
samplingAlgorithmType: 'Grid'
針對 隨機，請使用：
samplingAlgorithmType: 'Random'
rule: 'string'
seed: int
屬性值
workspaces/jobs
| 名稱 | 描述 | 值 |
|---|---|---|
| NAME | 資源名稱 瞭解如何在 Bicep 中設定子資源的名稱和類型。 |
字串 (必要) |
| 父系 (parent) | 在 Bicep 中，您可以指定子資源的父資源。 只有在父資源之外宣告子資源時，才需要新增這個屬性。 如需詳細資訊，請參閱 父資源外部的子資源。 |
類型資源的符號名稱： 工作區 |
| properties | [必要]實體的其他屬性。 | JobBaseDetails (必要) |
JobBaseDetails
| 名稱 | 描述 | 值 |
|---|---|---|
| computeId | 計算資源的 ARM 資源識別碼。 | 字串 |
| description | 資產描述文字。 | 字串 |
| displayName | 工作的顯示名稱。 | 字串 |
| experimentName | 作業所屬的實驗名稱。 如果未設定，作業會放在「預設」實驗中。 | 字串 |
| 身分識別 | 身分識別設定。 如果設定，這應該是 AmlToken、ManagedIdentity、UserIdentity 或 null 的其中一個。 如果為 null，則預設為 AmlToken。 |
IdentityConfiguration |
| isArchived | 資產是否已封存？ | bool |
| properties | 資產屬性字典。 | ResourceBaseProperties |
| schedule | 作業的排程定義。 如果未提供排程，作業會在提交后立即執行一次。 |
ScheduleBase |
| 服務 | JobEndpoints 的清單。 針對本機作業，作業端點會有 FileStreamObject 的端點值。 |
JobBaseServices |
| tags | 標記字典。 標記可以新增、移除和更新。 | 物件 (object) |
| jobType | 設定物件類型 | AutoML 命令 管線 需要掃掠 () |
IdentityConfiguration
| 名稱 | 描述 | 值 |
|---|---|---|
| identityType | 設定物件類型 | AMLToken 受控 必要) 的 UserIdentity ( |
AmlToken
| 名稱 | 描述 | 值 |
|---|---|---|
| identityType | [必要]指定身分識別架構的類型。 | 必要的 『AMLToken』 () |
ManagedIdentity
| 名稱 | 描述 | 值 |
|---|---|---|
| identityType | [必要]指定身分識別架構的類型。 | 「受控」 (必要) |
| clientId | 依用戶端識別元指定使用者指派的身分識別。 針對系統指派，請勿設定此欄位。 | 字串 約束： 最小長度 = 36 最大長度 = 36 模式 = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$ |
| objectId | 依物件識別元指定使用者指派的身分識別。 針對系統指派，請勿設定此欄位。 | 字串 約束： 最小長度 = 36 最大長度 = 36 模式 = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$ |
| resourceId | 依 ARM 資源識別碼指定使用者指派的身分識別。 針對系統指派，請勿設定此欄位。 | 字串 |
UserIdentity
| 名稱 | 描述 | 值 |
|---|---|---|
| identityType | [必要]指定身分識別架構的類型。 | 'UserIdentity' (必要) |
ResourceBaseProperties
| 名稱 | 描述 | 值 |
|---|---|---|
| {自定義屬性} | 字串 | |
| {自定義屬性} | 字串 | |
| {自定義屬性} | 字串 | |
| {自定義屬性} | 字串 | |
| {自定義屬性} | 字串 | |
| {自定義屬性} | 字串 | |
| {自定義屬性} | 字串 | |
| {自定義屬性} | 字串 | |
| {自定義屬性} | 字串 | |
| {自定義屬性} | 字串 | |
| {自定義屬性} | 字串 | |
| {自定義屬性} | 字串 |
ScheduleBase
| 名稱 | 描述 | 值 |
|---|---|---|
| EndTime | 以 ISO 8601 格式指定排程的結束時間。 如果沒有，排程將會無限期執行 |
字串 |
| scheduleStatus | 指定排程的狀態 | 'Disabled' 'Enabled' |
| startTime | 指定 ISO 8601 格式的排程開始時間。 | 字串 |
| timeZone | 指定排程執行所在的時區。 TimeZone應遵循 Windows 時區格式。 |
字串 |
| scheduleType | 設定物件類型 | Cron 需要週期 性 () |
CronSchedule
| 名稱 | 描述 | 值 |
|---|---|---|
| scheduleType | [必要]指定排程類型 | 'Cron' (必要) |
| expression | [必要]指定排程的cron運算式。 表達式應該遵循 NCronTab 格式。 |
字串 (必要) 約束： 模式 = [a-zA-Z0-9_] |
RecurrenceSchedule
| 名稱 | 描述 | 值 |
|---|---|---|
| scheduleType | [必要]指定排程類型 | 必要的「週期」 () |
| frequency | [必要]指定要觸發排程的頻率 | 'Day' 'Hour' 'Minute' 'Month' 必要) ('Week' |
| interval | [必要]指定排程間隔與頻率 | int (必要) |
| 模式 | 指定週期排程模式 | RecurrencePattern |
RecurrencePattern
| 名稱 | 描述 | 值 |
|---|---|---|
| 小時 | [必要]週期排程模式的時數清單 | int[] (必要) |
| 分鐘 | [必要]週期排程模式的分鐘清單 | int[] (必要) |
| 平日 | 週期排程模式的工作日清單 | 包含任何項目的字串數組： 'Friday' 'Monday' 'Saturday' 'Sunday' 'Thursday' 'Tuesday' 'Wednesday' |
JobBaseServices
| 名稱 | 描述 | 值 |
|---|---|---|
| {自定義屬性} | JobService |
JobService
| 名稱 | 描述 | 值 |
|---|---|---|
| 端點 | 端點的 URL。 | 字串 |
| jobServiceType | 端點類型。 | string |
| 連接埠 | 端點的埠。 | int |
| properties | 在端點上設定的其他屬性。 | JobServiceProperties |
JobServiceProperties
| 名稱 | 描述 | 值 |
|---|---|---|
| {自定義屬性} | 字串 |
AutoMLJob
| 名稱 | 描述 | 值 |
|---|---|---|
| jobType | [必要]指定作業的類型。 | 必要的 『AutoML』 () |
| environmentId | 作業環境規格的 ARM 資源識別碼。 這是選擇性值，如果未提供，AutoML 會在執行作業時，將此預設為生產 AutoML 策劃的環境版本。 |
字串 |
| environmentVariables | 作業中包含的環境變數。 | AutoMLJobEnvironmentVariables |
| outputs | 對應作業中使用的輸出數據系結。 | AutoMLJobOutputs |
| resources | 作業的計算資源組態。 | ResourceConfiguration |
| taskDetails | [必要]這代表可以是其中一個數據表/NLP/Image 的案例 | 需要 AutoMLVertical () |
AutoMLJobEnvironmentVariables
| 名稱 | 描述 | 值 |
|---|---|---|
| {自定義屬性} | 字串 |
AutoMLJobOutputs
| 名稱 | 描述 | 值 |
|---|---|---|
| {自定義屬性} | JobOutput |
JobOutput
| 名稱 | 描述 | 值 |
|---|---|---|
| description | 輸出的描述。 | 字串 |
| jobOutputType | 設定物件類型 | CustomModel MLFlowModel MLTable TritonModel UriFile 需要 uriFolder () |
CustomModelJobOutput
| 名稱 | 描述 | 值 |
|---|---|---|
| jobOutputType | [必要]指定作業的類型。 | 'CustomModel' (必要) |
| mode | 輸出資產傳遞模式。 | 'ReadWriteMount' 'Upload' |
| uri | 輸出資產 URI。 | 字串 |
MLFlowModelJobOutput
| 名稱 | 描述 | 值 |
|---|---|---|
| jobOutputType | [必要]指定作業的類型。 | 必要) 的 'MLFlowModel' ( |
| mode | 輸出資產傳遞模式。 | 'ReadWriteMount' 'Upload' |
| uri | 輸出資產 URI。 | 字串 |
MLTableJobOutput
| 名稱 | 描述 | 值 |
|---|---|---|
| jobOutputType | [必要]指定作業的類型。 | 'MLTable' (必要) |
| mode | 輸出資產傳遞模式。 | 'ReadWriteMount' 'Upload' |
| uri | 輸出資產 URI。 | 字串 |
TritonModelJobOutput
| 名稱 | 描述 | 值 |
|---|---|---|
| jobOutputType | [必要]指定作業的類型。 | 'TritonModel' (必要) |
| mode | 輸出資產傳遞模式。 | 'ReadWriteMount' 'Upload' |
| uri | 輸出資產 URI。 | 字串 |
UriFileJobOutput
| 名稱 | 描述 | 值 |
|---|---|---|
| jobOutputType | [必要]指定作業的類型。 | 'UriFile' (必要) |
| mode | 輸出資產傳遞模式。 | 'ReadWriteMount' 'Upload' |
| uri | 輸出資產 URI。 | 字串 |
UriFolderJobOutput
| 名稱 | 描述 | 值 |
|---|---|---|
| jobOutputType | [必要]指定作業的類型。 | 'UriFolder' (必要) |
| mode | 輸出資產傳遞模式。 | 'ReadWriteMount' 'Upload' |
| uri | 輸出資產 URI。 | 字串 |
ResourceConfiguration
| 名稱 | 描述 | 值 |
|---|---|---|
| instanceCount | 計算目標所使用的選用執行個體或節點數目。 | int |
| instanceType | 計算目標所支持的選擇性 VM 類型。 | 字串 |
| properties | 其他屬性包。 | ResourceConfigurationProperties |
ResourceConfigurationProperties
| 名稱 | 描述 | 值 |
|---|---|---|
| {自定義屬性} | 針對 Bicep，您可以使用 any () 函式。 |
AutoMLVertical
| 名稱 | 描述 | 值 |
|---|---|---|
| logVerbosity | 作業的記錄詳細資訊。 | 'Critical' 'Debug' 'Error' 'Info' 'NotSet' 'Warning' |
| taskType | 設定物件類型 | 分類 預測 ImageClassification ImageClassificationMultilabel ImageInstanceSegmentation ImageObjectDetection 迴歸 TextClassification TextClassificationMultilabel 需要 TextNER () |
分類
| 名稱 | 描述 | 值 |
|---|---|---|
| taskType | [必要]AutoMLJob 的工作類型。 | 「分類」 (必要) |
| allowedModels | 允許分類工作的模型。 | 包含任何項目的字串數組： 'BernoulliNaiveBaes' 'DecisionTree' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LightGBM' 'LinearSVM' 'LogisticRegression' 'MultinomialNaiveBaes' 'RandomForest' 'SGD' 'SVM' 'XGBoostClassifier' |
| blockedModels | 分類工作的封鎖模型。 | 包含任何項目的字串數組： 'BernoulliNaiveBaes' 'DecisionTree' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LightGBM' 'LinearSVM' 'LogisticRegression' 'MultinomialNaiveBaes' 'RandomForest' 'SGD' 'SVM' 'XGBoostClassifier' |
| dataSettings | AutoMLJob 的數據輸入。 | TableVerticalDataSettings |
| featurizationSettings | AutoML 作業所需的特徵化輸入。 | TableVerticalFeaturizationSettings |
| limitSettings | AutoMLJob 的執行條件約束。 | TableVerticalLimitSettings |
| primaryMetric | 工作的主要計量。 | 'AUCWeighted' 'Accuracy' 'AveragePrecisionScoreWeighted' 'NormMacroRecall' 'PrecisionScoreWeighted' |
| trainingSettings | AutoML 作業定型階段的輸入。 | TrainingSettings |
TableVerticalDataSettings
| 名稱 | 描述 | 值 |
|---|---|---|
| targetColumnName | [必要]目標數據行名稱：這是預測值數據行。 也稱為分類工作內容中的標籤數據行名稱。 |
字串 (必要) 約束： 模式 = [a-zA-Z0-9_] |
| testData | 測試數據輸入。 | TestDataSettings |
| trainingData | [必要]定型數據輸入。 | TrainingDataSettings (必要) |
| validationData | 驗證數據輸入。 | TableVerticalValidationDataSettings |
| weightColumnName | 範例加權數據行的名稱。 自動化 ML 支援加權數據行做為輸入，導致數據中的數據列向上或向下加權。 | 字串 |
TestDataSettings
| 名稱 | 描述 | 值 |
|---|---|---|
| 資料 | 測試數據 MLTable。 | MLTableJobInput |
| testDataSize | 測試數據集的分數，必須保留以供驗證之用。 (0.0 、1.0) 之間的值 未提供驗證數據集時套用。 |
int |
MLTableJobInput
| 名稱 | 描述 | 值 |
|---|---|---|
| description | 輸入的描述。 | 字串 |
| jobInputType | [必要]指定作業的類型。 | 'CustomModel' 'Literal' 'MLFlowModel' 'MLTable' 'TritonModel' 'UriFile' 'UriFolder' (必要) |
| mode | 輸入資產傳遞模式。 | 'Direct' 'Download' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
| uri | [必要]輸入資產 URI。 | 需要字串 () 約束： 模式 = [a-zA-Z0-9_] |
TrainingDataSettings
| 名稱 | 描述 | 值 |
|---|---|---|
| 資料 | [必要]定型數據 MLTable。 | MLTableJobInput (必要) |
TableVerticalValidationDataSettings
| 名稱 | 描述 | 值 |
|---|---|---|
| cvSplitColumnNames | 要用於 CVSplit 資料的數據行。 | string[] |
| 資料 | 驗證數據 MLTable。 | MLTableJobInput |
| nCrossValidations | 要套用至定型數據集的交叉驗證折疊數目 未提供驗證數據集時。 |
NCrossValidations |
| validationDataSize | 需要為驗證目的保留的定型數據集分數。 (0.0 、1.0) 之間的值 未提供驗證數據集時套用。 |
int |
NCrossValidations
| 名稱 | 描述 | 值 |
|---|---|---|
| mode | 設定物件類型 | Auto 需要自訂 () |
AutoNCrossValidations
| 名稱 | 描述 | 值 |
|---|---|---|
| mode | [必要]用於判斷 N 交叉驗證的模式。 | 需要 『Auto』 () |
CustomNCrossValidations
| 名稱 | 描述 | 值 |
|---|---|---|
| mode | [必要]用於判斷 N 交叉驗證的模式。 | 必要) 'Custom' ( |
| 值 | [必要]N-Cross 驗證值。 | 需要 int () |
TableVerticalFeaturizationSettings
| 名稱 | 描述 | 值 |
|---|---|---|
| blockedTransformers | 這些轉換器不得用於特徵化。 | string[] |
| columnNameAndTypes | 數據行名稱的字典及其類型 (int、float、string、datetime 等) 。 | TableVerticalFeaturizationSettingsColumnNameAndTypes |
| datasetLanguage | 數據集語言，適用於文字數據。 | 字串 |
| dropColumns | 特徵化期間要從數據卸除的數據行。 | string[] |
| enableDnnFeaturization | 判斷是否要使用 Dnn 型特徵化工具進行數據特徵化。 | bool |
| mode | 特徵化模式 - 使用者可以保留預設的「自動」模式，而 AutoML 會處理特徵化階段中數據的必要轉換。 如果已選取 [關閉]，則不會完成特徵化。 如果選取 [自定義]，則使用者可以指定其他輸入，以自定義特徵化的完成方式。 |
'Auto' 'Custom' 'Off' |
| transformerParams | 用戶可以指定要搭配其套用的數據行和轉換程式建構函式參數使用的其他轉換器。 | TableVerticalFeaturizationSettingsTransformerParams |
TableVerticalFeaturizationSettingsColumnNameAndTypes
| 名稱 | 描述 | 值 |
|---|---|---|
| {自定義屬性} | 字串 |
TableVerticalFeaturizationSettingsTransformerParams
| 名稱 | 描述 | 值 |
|---|---|---|
| {自定義屬性} | ColumnTransformer[] |
ColumnTransformer
| 名稱 | 描述 | 值 |
|---|---|---|
| fields | 要套用轉換器邏輯的欄位。 | string[] |
| 參數 | 要傳遞至轉換器的不同屬性。 預期的輸入是 JSON 格式的索引鍵、值組字典。 |
針對 Bicep，您可以使用 any () 函式。 |
TableVerticalLimitSettings
| 名稱 | 描述 | 值 |
|---|---|---|
| enableEarlyTermination | 啟用提早終止，判斷如果最後 20 個反覆項目沒有分數改善，AutoMLJob 是否提早終止。 | bool |
| exitScore | AutoML 作業的結束分數。 | int |
| maxConcurrentTrials | 並行反覆專案上限。 | int |
| maxCoresPerTrial | 每次反覆運算的核心數上限。 | int |
| maxTrials | 反覆運算次數。 | int |
| timeout | AutoML 作業逾時。 | 字串 |
| trialTimeout | 反覆專案逾時。 | 字串 |
TrainingSettings
| 名稱 | 描述 | 值 |
|---|---|---|
| enableDnnTraining | 啟用 DNN 模型的建議。 | bool |
| enableModelExplainability | 在最佳模型上開啟可解釋性的旗標。 | bool |
| enableOnnxCompatibleModels | 啟用 onnx 相容模型的旗標。 | bool |
| enableStackEnsemble | 啟用堆疊Ensemble 執行。 | bool |
| enableVoteEnsemble | 啟用投票Ensemble 執行。 | bool |
| ensembleModelDownloadTimeout | 在 VotingEnsemble 和 StackEnsemble 模型產生期間，會下載先前子回合中的多個配適模型。 如果需要更多時間，請將此參數設定為高於 300 秒的值。 |
字串 |
| stackEnsembleSettings | 堆疊Ensemble 執行的堆疊Ensemble 設定。 | StackEnsembleSettings |
StackEnsembleSettings
| 名稱 | 描述 | 值 |
|---|---|---|
| stackMetaLearnerKWargs | 要傳遞至中繼學習模組初始化表達式的選擇性參數。 | 針對 Bicep，您可以使用 any () 函式。 |
| stackMetaLearnerTrainPercentage | 指定在選擇定型和定型類型的訓練類型時 (定型集的比例，) 保留給訓練中繼學習者。 預設值為 0.2。 | int |
| stackMetaLearnerType | 中繼學習模組是在個別異質模型的輸出上定型的模型。 | 'ElasticNet' 'ElasticNetCV' 'LightGBMClassifier' 'LightGBMRegressor' 'LinearRegression' 'LogisticRegression' 'LogisticRegressionCV' 'None' |
預測
| 名稱 | 描述 | 值 |
|---|---|---|
| taskType | [必要]AutoMLJob 的工作類型。 | 需要「預測」 () |
| allowedModels | 預測工作的允許模型。 | 包含任何項目的字串數組： 'Arimax' 'AutoArima' 'Average' 'DecisionTree' 'ElasticNet' 'ExponentialSmoothing' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'Naive' '撷拉' 'RandomForest' 'SGD' 'SeasonalAverage' 'SeasonalNaive' 'TCNForecaster' 'XGBoostRegressor' |
| blockedModels | 預測工作的封鎖模型。 | 包含任何項目的字串數組： 'Arimax' 'AutoArima' 'Average' 'DecisionTree' 'ElasticNet' 'ExponentialSmoothing' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'Naive' '撷拉' 'RandomForest' 'SGD' 'SeasonalAverage' 'SeasonalNaive' 'TCNForecaster' 'XGBoostRegressor' |
| dataSettings | AutoMLJob 的數據輸入。 | TableVerticalDataSettings |
| featurizationSettings | AutoML 作業所需的特徵化輸入。 | TableVerticalFeaturizationSettings |
| forecastingSettings | 預測工作特定輸入。 | ForecastingSettings |
| limitSettings | AutoMLJob 的執行條件約束。 | TableVerticalLimitSettings |
| primaryMetric | 預測工作的主要計量。 | 'NormalizedMeanAbsoluteError' 'NormalizedRootMeanSquaredError' 'R2Score' 'SpearmanCorrelation' |
| trainingSettings | AutoML 作業定型階段的輸入。 | TrainingSettings |
ForecastingSettings
| 名稱 | 描述 | 值 |
|---|---|---|
| countryOrRegionForHolidays | 用於預測工作的假日國家或地區。 這些應該是 ISO 3166 兩個字母的國家/地區代碼，例如 'US' 或 'GB'。 |
字串 |
| cvStepSize | 一個 CV 折疊的原點時間與下一個折疊之間的期間數。 For 例如，如果 CVStepSize = 3 表示每日數據，則每個折疊的原點時間將會是三天分開。 |
int |
| featureLags | 針對具有 『auto』 或 null 之數值特徵產生延遲的旗標。 | 'Auto' 'None' |
| forecastHorizon | 所需的最大預測範圍，以時間序列頻率單位為單位。 | ForecastHorizon |
| frequency | 預測時，此參數代表預期預測的期間，例如每日、每周、每年等。預測頻率預設為數據集頻率。 | 字串 |
| 季節性 | 將時間序列季節性設定為數列頻率的整數倍數。 如果季節性設定為 『auto』，則會推斷它。 |
季節性 |
| shortSeriesHandlingConfig | 參數，定義 AutoML 是否應該處理簡短的時間序列。 | 'Auto' 'Drop' 'None' 'Pad' |
| targetAggregateFunction | 用來匯總時間序列目標數據行以符合使用者指定頻率的函式。 如果 TargetAggregateFunction 設定為不是 『None』，但未設定 freq 參數，就會引發錯誤。 可能的目標匯總函數包括：「sum」、“ max” |
'Max' 'Mean' 'Min' 'None' 'Sum' |
| targetLags | 要從目標數據行延遲的過去期間數。 | TargetLags |
| targetRollingWindowSize | 過去期間數，用來建立目標數據行的滾動視窗平均值。 | TargetRollingWindowSize |
| timeColumnName | 時間數據行的名稱。 當預測指定用於建置時間序列並推斷其頻率的輸入數據中的 datetime 數據行時，需要此參數。 | 字串 |
| timeSeriesIdColumnNames | 用來分組時間範圍的數據行名稱。 它可以用來建立多個數列。 如果未定義粒紋，則會假設資料集為一個時間序列。 此參數會與工作類型預測搭配使用。 |
string[] |
| useStl | 設定時間序列目標數據行的 STL 分解。 | 'None' 'Season' 'SeasonTrend' |
ForecastHorizon
| 名稱 | 描述 | 值 |
|---|---|---|
| mode | 設定物件類型 | Auto 自訂 (必要) |
AutoForecastHorizon
| 名稱 | 描述 | 值 |
|---|---|---|
| mode | [必要]設定預測水準值選取模式。 | 需要 『Auto』 () |
CustomForecastHorizon
| 名稱 | 描述 | 值 |
|---|---|---|
| mode | [必要]設定預測水準值選取模式。 | 需要 『Custom』 () |
| 值 | [必要]預測水準值。 | int (必要) |
季節性
| 名稱 | 描述 | 值 |
|---|---|---|
| mode | 設定物件類型 | Auto 自訂 (必要) |
AutoSeasonality
| 名稱 | 描述 | 值 |
|---|---|---|
| mode | [必要]季節性模式。 | 需要 『Auto』 () |
CustomSeasonality
| 名稱 | 描述 | 值 |
|---|---|---|
| mode | [必要]季節性模式。 | 需要 『Custom』 () |
| 值 | [必要]季節性值。 | int (必要) |
TargetLags
| 名稱 | 描述 | 值 |
|---|---|---|
| mode | 設定物件類型 | Auto 自訂 (必要) |
AutoTargetLags
| 名稱 | 描述 | 值 |
|---|---|---|
| mode | [必要]設定目標延遲模式 - 自動/自定義 | 需要 『Auto』 () |
CustomTargetLags
| 名稱 | 描述 | 值 |
|---|---|---|
| mode | [必要]設定目標延遲模式 - 自動/自定義 | 需要 『Custom』 () |
| 值 | [必要]設定目標延遲值。 | int[] (必要) |
TargetRollingWindowSize
| 名稱 | 描述 | 值 |
|---|---|---|
| mode | 設定物件類型 | Auto 自訂 (必要) |
AutoTargetRollingWindowSize
| 名稱 | 描述 | 值 |
|---|---|---|
| mode | [必要]TargetRollingWindowSiz 偵測模式。 | 需要 『Auto』 () |
CustomTargetRollingWindowSize
| 名稱 | 描述 | 值 |
|---|---|---|
| mode | [必要]TargetRollingWindowSiz 偵測模式。 | 需要 『Custom』 () |
| 值 | [必要]TargetRollingWindowSize 值。 | int (必要) |
ImageClassification
| 名稱 | 描述 | 值 |
|---|---|---|
| taskType | [必要]AutoMLJob 的工作類型。 | 'ImageClassification' (必要) |
| dataSettings | [必要]註冊的表格式數據集標識碼和其他定型和驗證模型所需的數據設定集合。 | ImageVerticalDataSettings (必要) |
| limitSettings | [必要]限制 AutoML 作業的設定。 | ImageLimitSettings (必要) |
| modelSettings | 用於定型模型的設定。 | ImageModelSettingsClassification |
| primaryMetric | 要針對這項工作優化的主要計量。 | 'AUCWeighted' 'Accuracy' 'AveragePrecisionScoreWeighted' 'NormMacroRecall' 'PrecisionScoreWeighted' |
| searchSpace | 搜尋空間，以取樣模型及其超參數的不同組合。 | ImageModelDistributionSettingsClassification[] |
| sweepSettings | 模型掃掠和超參數掃掠相關設定。 | ImageSweepSettings |
ImageVerticalDataSettings
| 名稱 | 描述 | 值 |
|---|---|---|
| targetColumnName | [必要]目標數據行名稱：這是預測值數據行。 也稱為分類工作內容中的標籤數據行名稱。 |
字串 (必要) 約束： 模式 = [a-zA-Z0-9_] |
| testData | 測試數據輸入。 | TestDataSettings |
| trainingData | [必要]定型數據輸入。 | TrainingDataSettings (必要) |
| validationData | 驗證數據集的設定。 | ImageVerticalValidationDataSettings |
ImageVerticalValidationDataSettings
| 名稱 | 描述 | 值 |
|---|---|---|
| 資料 | 驗證數據 MLTable。 | MLTableJobInput |
| validationDataSize | 必須針對驗證目的將定型數據集的分數。 介於 (0.0 、1.0) 之間的值 未提供驗證數據集時套用。 |
int |
ImageLimitSettings
| 名稱 | 描述 | 值 |
|---|---|---|
| maxConcurrentTrials | 並行 AutoML 反覆項目的數目上限。 | int |
| maxTrials | AutoML 反覆項目的數目上限。 | int |
| timeout | AutoML 作業逾時。 | 字串 |
ImageModelSettingsClassification
| 名稱 | 描述 | 值 |
|---|---|---|
| advancedSettings | 進階案例的設定。 | 字串 |
| amsGradient | 當優化器為 『adam』 或 'adamw' 時啟用AMSGrad。 | bool |
| 擴增 | 使用擴增的設定。 | 字串 |
| beta1 | 優化器為 'adam' 或 'adamw' 時的 'beta1' 值。 必須是範圍 [0, 1] 內的浮點數。 | int |
| beta2 | 優化器為 'adam' 或 'adamw' 時的 'beta2' 值。 必須是範圍 [0, 1] 內的浮點數。 | int |
| checkpointDatasetId | 預先定型檢查點的 FileDataset 識別碼， (累加式定型的) 。 請務必傳遞 CheckpointFilename 以及 CheckpointDatasetId。 |
字串 |
| checkpointFilename | FileDataset 中用於累加式定型的預先定型檢查點檔案名稱。 請務必傳遞 CheckpointDatasetId 以及 CheckpointFilename。 |
字串 |
| checkpointFrequency | 儲存模型檢查點的頻率。 必須是正整數。 | int |
| checkpointRunId | 先前執行的標識碼，其具有累加定型的預先定型檢查點。 | 字串 |
| 分散式 | 是否要使用分散式定型。 | bool |
| earlyStopping | 在定型期間啟用提早停止邏輯。 | bool |
| earlyStoppingDelay | 在主要計量改進之前等候的最小 Epoch 或驗證評估數目 會追蹤早期停止。 必須是正整數。 |
int |
| earlyStoppingPatience | 之前沒有主要計量改進的最小 Epoch 或驗證評估數目 執行已停止。 必須是正整數。 |
int |
| enableOnnxNormalization | 匯出 ONNX 模型時啟用正規化。 | bool |
| evaluationFrequency | 評估驗證資料集以取得計量分數的頻率。 必須是正整數。 | int |
| gradientAccumulationStep | 漸層累積表示在沒有的情況下執行已設定數目的 「GradAccumulationStep」 步驟 更新模型權數，同時累積這些步驟的漸層，然後使用 用來計算權數更新的累積漸層。 必須是正整數。 |
int |
| layersToFreeze | 要凍結模型的圖層數目。 必須是正整數。 例如，傳遞 2 做為 'seresnext' 值表示 凍結第0層和第1層。 如需支援模型的完整清單，以及圖層凍結的詳細數據，請 看到： https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
int |
| learningRate | 初始學習速率。 必須是範圍 [0, 1] 內的浮點數。 | int |
| learningRateScheduler | 學習率排程器的類型。 必須是 『warmup_cosine』 或 'step'。 | 'None' 'Step' 'WarmupCosine' |
| modelName | 要用於定型的模型名稱。 如需可用模型的詳細資訊，請流覽官方檔： https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
字串 |
| 動量 | 優化工具為 『sgd』 時的時刻值。 必須是範圍 [0, 1] 內的浮點數。 | int |
| nesterov | 當優化器為 'sgd' 時，請啟用 nesterov。 | bool |
| numberOfEpochs | 定型 Epoch 的數目。 必須是正整數。 | int |
| numberOfWorkers | 數據載入器背景工作角色的數目。 必須是非負整數。 | int |
| optimizer | 最佳化工具的類型。 | 'Adam' 'Adamw' 'None' 'Sgd' |
| randomSeed | 使用決定性定型時要使用的隨機種子。 | int |
| splitRatio | 如果未定義驗證數據，這會指定分割的分割比率 將數據定型成隨機定型和驗證子集。 必須是範圍 [0, 1] 內的浮點數。 |
int |
| stepLRGamma | 當學習速率排程器為 『step』 時，gamma 的值。 必須是範圍 [0, 1] 內的浮點數。 | int |
| stepLRStepSize | 當學習速率排程器為 『step』 時，步驟大小的值。 必須是正整數。 | int |
| trainingBatchSize | 定型批次大小。 必須是正整數。 | int |
| trainingCropSize | 影像裁剪大小，為定型數據集的類神經網路輸入。 必須是正整數。 | int |
| validationBatchSize | 驗證批次大小。 必須是正整數。 | int |
| validationCropSize | 輸入至驗證數據集之類神經網路的影像裁剪大小。 必須是正整數。 | int |
| validationResizeSize | 在針對驗證資料集進行裁切之前，要調整大小的影像大小。 必須是正整數。 | int |
| warmupCosineLRCycles | 當學習速率排程器為 『warmup_cosine』 時，餘弦迴圈的值。 必須是範圍 [0, 1] 內的浮點數。 | int |
| warmupCosineLRWarmupEpochs | 當學習速率排程器為 『warmup_cosine』時，熱身 Epoch 的值。 必須是正整數。 | int |
| weightDecay | 優化器為 'sgd'、'adam' 或 'adamw' 時的權數衰減值。 必須是範圍[0， 1] 中的浮點數。 | int |
| weightedLoss | 加權損失。 接受的值是 0，不會遺失加權。 1 用於 sqrt. (class_weights) 加權損失。 2 表示具有 class_weights 的加權遺失。 必須是 0 或是 1 或 2。 |
int |
ImageModelDistributionSettingsClassification
| 名稱 | 描述 | 值 |
|---|---|---|
| amsGradient | 當優化器為 『adam』 或 'adamw' 時啟用AMSGrad。 | 字串 |
| 擴增 | 使用擴增的設定。 | 字串 |
| beta1 | 當優化器為 'adam' 或 'adamw' 時，'beta1' 的值。 必須是範圍 [0, 1] 內的浮點數。 | 字串 |
| beta2 | 當優化器為 'adam' 或 'adamw' 時，'beta2' 的值。 必須是範圍 [0, 1] 內的浮點數。 | 字串 |
| 分散式 | 是否要使用散發器定型。 | 字串 |
| earlyStopping | 在定型期間啟用提早停止邏輯。 | 字串 |
| earlyStoppingDelay | 在主要計量改進之前等待的最小 Epoch 或驗證評估數目 會追蹤提早停止。 必須是正整數。 |
字串 |
| earlyStoppingPatience | 在之前沒有主要計量改善的最小 Epoch 或驗證評估數目 執行已停止。 必須是正整數。 |
字串 |
| enableOnnxNormalization | 匯出 ONNX 模型時啟用正規化。 | 字串 |
| evaluationFrequency | 評估驗證資料集以取得計量分數的頻率。 必須是正整數。 | 字串 |
| gradientAccumulationStep | 漸層累積表示執行未設定數目的 「GradAccumulationStep」 步驟 更新模型權數，同時累積這些步驟的漸層，然後使用 用來計算權數更新的累積漸層。 必須是正整數。 |
字串 |
| layersToFreeze | 要凍結模型的層數。 必須是正整數。 例如，傳遞 2 作為 'seresnext' 值表示 凍結 layer0 和 layer1。 如需所支援模型的完整清單，以及圖層凍結的詳細數據，請 看到： https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
字串 |
| learningRate | 初始學習速率。 必須是範圍 [0, 1] 內的浮點數。 | 字串 |
| learningRateScheduler | 學習率排程器的類型。 必須是 『warmup_cosine』 或 'step'。 | 字串 |
| modelName | 要用於定型的模型名稱。 如需可用模型的詳細資訊，請造訪官方檔： https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
字串 |
| 動量 | 優化工具為 『sgd』 時的動向值。 必須是範圍 [0, 1] 內的浮點數。 | 字串 |
| nesterov | 當優化器為 『sgd』 時啟用 nesterov。 | 字串 |
| numberOfEpochs | 定型 Epoch 的數目。 必須是正整數。 | 字串 |
| numberOfWorkers | 數據載入器背景工作角色的數目。 必須是非負整數。 | 字串 |
| optimizer | 最佳化工具的類型。 必須是 'sgd'、'adam' 或 'adamw'。 | 字串 |
| randomSeed | 使用決定性定型時要使用的隨機種子。 | 字串 |
| splitRatio | 如果未定義驗證數據，這會指定分割的分割比例 將數據定型為隨機定型和驗證子集。 必須是範圍 [0, 1] 內的浮點數。 |
字串 |
| stepLRGamma | 當學習速率排程器為 『step』 時，gamma 的值。 必須是範圍 [0, 1] 內的浮點數。 | 字串 |
| stepLRStepSize | 當學習速率排程器為 『step』 時，步驟大小的值。 必須是正整數。 | 字串 |
| trainingBatchSize | 定型批次大小。 必須是正整數。 | 字串 |
| trainingCropSize | 影像裁剪大小，為定型數據集輸入類神經網路。 必須是正整數。 | 字串 |
| validationBatchSize | 驗證批次大小。 必須是正整數。 | 字串 |
| validationCropSize | 影像裁剪大小，這是驗證數據集之類神經網路的輸入。 必須是正整數。 | 字串 |
| validationResizeSize | 在針對驗證資料集進行裁切之前，要調整大小的影像大小。 必須是正整數。 | 字串 |
| warmupCosineLRCycles | 學習速率排程器為「warmup_cosine」時的餘弦週期值。 必須是範圍 [0, 1] 內的浮點數。 | 字串 |
| warmupCosineLRWarmupEpochs | 當學習速率排程器為 『warmup_cosine』 時，暖 Epoch 的值。 必須是正整數。 | 字串 |
| weightDecay | 當優化器為 'sgd'、'adam' 或 'adamw' 時，加權衰減的值。 必須是 range[0， 1] 中的浮點數。 | 字串 |
| weightedLoss | 加權損失。 接受的值為 0，不會遺失加權。 1 用於 sqrt. (class_weights) 的加權損失。 2 表示具有 class_weights 的加權遺失。 必須是 0 或是 1 或 2。 |
字串 |
ImageSweepSettings
| 名稱 | 描述 | 值 |
|---|---|---|
| earlyTermination | 早期終止原則的類型。 | EarlyTerminationPolicy |
| 限制 | [必要]限制模型掃掠和超參數掃掠的設定。 | ImageSweepLimitSettings (必要) |
| samplingAlgorithm | [必要]超參數取樣演算法的類型。 | 'Bayesian' 'Grid' 需要 'Random' () |
EarlyTerminationPolicy
| 名稱 | 描述 | 值 |
|---|---|---|
| delayEvaluation | 延遲第一次評估的間隔數目。 | int |
| evaluationInterval | 原則評估之間) 執行的間隔 (數目。 | int |
| policyType | 設定物件類型 | Bandit MedianStopping 截斷選取 必要 () |
BanditPolicy
| 名稱 | 描述 | 值 |
|---|---|---|
| policyType | [必要]原則設定的名稱 | 需要 『Bandit』 () |
| slackAmount | 最佳執行所允許的絕對距離。 | int |
| slackFactor | 允許與最佳執行距離的比例。 | int |
MedianStoppingPolicy
| 名稱 | 描述 | 值 |
|---|---|---|
| policyType | [必要]原則設定的名稱 | 必要 ('MedianStopping') |
TruncationSelectionPolicy
| 名稱 | 描述 | 值 |
|---|---|---|
| policyType | [必要]原則設定的名稱 | 'TruncationSelection' (必要) |
| truncationPercentage | 要在每個評估間隔取消的執行百分比。 | int |
ImageSweepLimitSettings
| 名稱 | 描述 | 值 |
|---|---|---|
| maxConcurrentTrials | 基礎掃掠作業的並行反覆項目數目上限。 | int |
| maxTrials | 基礎掃掠作業的反覆項目數目上限。 | int |
ImageClassificationMultilabel
| 名稱 | 描述 | 值 |
|---|---|---|
| taskType | [必要]AutoMLJob 的工作類型。 | 'ImageClassificationMultilabel' (必要) |
| dataSettings | [必要]已註冊表格式數據集標識碼的集合，以及定型和驗證模型所需的其他數據設定。 | ImageVerticalDataSettings (必要) |
| limitSettings | [必要]限制 AutoML 作業的設定。 | ImageLimitSettings (必要) |
| modelSettings | 用於定型模型的設定。 | ImageModelSettingsClassification |
| primaryMetric | 要針對這項工作優化的主要計量。 | 'AUCWeighted' 「精確度」 'AveragePrecisionScoreWeighted' 'IOU' 'NormMacroRecall' 'PrecisionScoreWeighted' |
| searchSpace | 搜尋空間，以取樣模型及其超參數的不同組合。 | ImageModelDistributionSettingsClassification[] |
| sweepSettings | 模型掃掠和超參數掃掠相關設定。 | ImageSweepSettings |
ImageInstanceSegmentation
| 名稱 | 描述 | 值 |
|---|---|---|
| taskType | [必要]AutoMLJob 的工作類型。 | 'ImageInstanceSegmentation' (必要) |
| dataSettings | [必要]已註冊表格式數據集標識碼的集合，以及定型和驗證模型所需的其他數據設定。 | ImageVerticalDataSettings (必要) |
| limitSettings | [必要]限制 AutoML 作業的設定。 | ImageLimitSettings (必要) |
| modelSettings | 用於定型模型的設定。 | ImageModelSettingsObjectDetection |
| primaryMetric | 要針對這項工作優化的主要計量。 | 'MeanAveragePrecision' |
| searchSpace | 搜尋空間，以取樣模型及其超參數的不同組合。 | ImageModelDistributionSettingsObjectDetection[] |
| sweepSettings | 模型掃掠和超參數掃掠相關設定。 | ImageSweepSettings |
ImageModelSettingsObjectDetection
| 名稱 | 描述 | 值 |
|---|---|---|
| advancedSettings | 進階案例的設定。 | 字串 |
| amsGradient | 當優化器為 『adam』 或 'adamw' 時啟用AMSGrad。 | bool |
| 擴增 | 使用擴增的設定。 | 字串 |
| beta1 | 當優化器為 'adam' 或 'adamw' 時，'beta1' 的值。 必須是範圍 [0, 1] 內的浮點數。 | int |
| beta2 | 當優化器為 'adam' 或 'adamw' 時，'beta2' 的值。 必須是範圍 [0, 1] 內的浮點數。 | int |
| boxDetectionsPerImage | 針對所有類別，每個影像的偵測數目上限。 必須是正整數。 注意：'yolov5' 演算法不支援此設定。 |
int |
| boxScoreThreshold | 在推斷期間，只傳回分類分數大於的建議 BoxScoreThreshold。 必須是 range[0， 1] 中的浮點數。 |
int |
| checkpointDatasetId | 預先定型檢查點的 FileDataset 識別碼， (累加式定型的) 。 請務必傳遞 CheckpointFilename 以及 CheckpointDatasetId。 |
字串 |
| checkpointFilename | FileDataset 中用於累加式定型的預先定型檢查點檔案名稱。 請務必傳遞 CheckpointDatasetId 以及 CheckpointFilename。 |
字串 |
| checkpointFrequency | 儲存模型檢查點的頻率。 必須是正整數。 | int |
| checkpointRunId | 先前執行之標識碼，其具有累加式定型的預先定型檢查點。 | 字串 |
| 分散式 | 是否要使用分散式定型。 | bool |
| earlyStopping | 在定型期間啟用提早停止邏輯。 | bool |
| earlyStoppingDelay | 在主要計量改進之前等待的最小 Epoch 或驗證評估數目 會追蹤提早停止。 必須是正整數。 |
int |
| earlyStoppingPatience | 在之前沒有主要計量改善的最小 Epoch 或驗證評估數目 執行已停止。 必須是正整數。 |
int |
| enableOnnxNormalization | 匯出 ONNX 模型時啟用正規化。 | bool |
| evaluationFrequency | 評估驗證資料集以取得計量分數的頻率。 必須是正整數。 | int |
| gradientAccumulationStep | 漸層累積表示執行未設定數目的 「GradAccumulationStep」 步驟 更新模型權數，同時累積這些步驟的漸層，然後使用 用來計算權數更新的累積漸層。 必須是正整數。 |
int |
| imageSize | 用於定型和驗證的影像大小。 必須是正整數。 注意：如果大小太大，訓練回合可能會進入 CUDA OOM。 注意：只有 'yolov5' 演算法才支援此設定。 |
int |
| layersToFreeze | 要凍結模型的層數。 必須是正整數。 例如，傳遞 2 作為 'seresnext' 值表示 凍結 layer0 和 layer1。 如需所支援模型的完整清單，以及圖層凍結的詳細數據，請 看到： https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
int |
| learningRate | 初始學習速率。 必須是範圍 [0, 1] 內的浮點數。 | int |
| learningRateScheduler | 學習率排程器的類型。 必須是 『warmup_cosine』 或 'step'。 | 'None' 'Step' 'WarmupCosine' |
| maxSize | 將影像饋送至骨幹之前要重新調整的影像大小上限。 必須是正整數。 注意：如果大小太大，則定型執行可能會進入 CUDA OOM. 注意：'yolov5' 演算法不支援此設定。 |
int |
| minSize | 將影像饋送至骨幹之前要重新調整的影像大小下限。 必須是正整數。 注意：如果大小太大，則定型執行可能會進入 CUDA OOM. 注意：'yolov5' 演算法不支援此設定。 |
int |
| modelName | 要用於定型的模型名稱。 如需可用模型的詳細資訊，請造訪官方檔： https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
字串 |
| modelSize | 模型大小。 必須是 'small'、'medium'、'large' 或 'xlarge'。 注意：如果模型大小太大，則定型執行可能會進入 CUDA OOM. 注意：只有 'yolov5' 演算法才支援此設定。 |
'ExtraLarge' 'Large' 'Medium' 'None' 'Small' |
| 動量 | 優化工具為 『sgd』 時的動向值。 必須是範圍 [0, 1] 內的浮點數。 | int |
| 尺度 | 以 +/- 50% 的不同影像大小啟用多縮放影像。 注意：如果沒有足夠的 GPU 記憶體，則定型執行可能會進入 CUDA OOM。 注意：只有 'yolov5' 演算法才支援此設定。 |
bool |
| nesterov | 當優化器為 『sgd』 時啟用 nesterov。 | bool |
| nmsIouThreshold | 在NMS後置處理中的推斷期間使用的IOU臨界值。 必須是範圍 [0, 1] 內的浮點數。 | int |
| numberOfEpochs | 定型 Epoch 的數目。 必須是正整數。 | int |
| numberOfWorkers | 數據載入器背景工作角色的數目。 必須是非負整數。 | int |
| optimizer | 最佳化工具的類型。 | 'Adam' 'Adamw' 'None' 'Sgd' |
| randomSeed | 使用決定性定型時要使用的隨機種子。 | int |
| splitRatio | 如果未定義驗證數據，這會指定分割的分割比例 將數據定型為隨機定型和驗證子集。 必須是範圍 [0, 1] 內的浮點數。 |
int |
| stepLRGamma | 當學習速率排程器為 『step』 時，gamma 的值。 必須是範圍 [0, 1] 內的浮點數。 | int |
| stepLRStepSize | 當學習速率排程器為 『step』 時，步驟大小的值。 必須是正整數。 | int |
| tileGridSize | 要用於每個並排影像的格線大小。 注意：TileGridSize 不得為 無可啟用小型物件偵測邏輯。 字串，包含兩個整數，格式為一個。 注意：'yolov5' 演算法不支援此設定。 |
字串 |
| tileOverlapRatio | 每個維度中相鄰圖格之間的重疊比例。 必須是範圍 [0， 1) 的 float。 注意：'yolov5' 演算法不支援此設定。 |
int |
| tilePredictionsNmsThreshold | 從圖格和影像合併預測時用來執行 NMS 的 IOU 閾值。 用於驗證/推斷。 必須是範圍 [0， 1] 中的浮點數。 注意：'yolov5' 演算法不支援此設定。 |
int |
| trainingBatchSize | 定型批次大小。 必須是正整數。 | int |
| validationBatchSize | 驗證批次大小。 必須是正整數。 | int |
| validationIouThreshold | 計算驗證計量時要使用的IOU臨界值。 必須是範圍 [0， 1] 中的浮點數。 | int |
| validationMetricType | 要用於驗證計量的計量計算方法。 | 'Coco' 'CocoVoc' 'None' 'Voc' |
| warmupCosineLRCycles | 學習速率排程器為「warmup_cosine」時的餘弦週期值。 必須是範圍 [0, 1] 內的浮點數。 | int |
| warmupCosineLRWarmupEpochs | 當學習速率排程器為 『warmup_cosine』 時，暖 Epoch 的值。 必須是正整數。 | int |
| weightDecay | 當優化器為 'sgd'、'adam' 或 'adamw' 時，加權衰減的值。 必須是 range[0， 1] 中的浮點數。 | int |
ImageModelDistributionSettingsObjectDetection
| 名稱 | 描述 | 值 |
|---|---|---|
| amsGradient | 當優化器為 『adam』 或 'adamw' 時啟用AMSGrad。 | 字串 |
| 擴增 | 使用擴增的設定。 | 字串 |
| beta1 | 當優化器為 'adam' 或 'adamw' 時，'beta1' 的值。 必須是範圍 [0, 1] 內的浮點數。 | 字串 |
| beta2 | 當優化器為 'adam' 或 'adamw' 時，'beta2' 的值。 必須是範圍 [0, 1] 內的浮點數。 | 字串 |
| boxDetectionsPerImage | 針對所有類別，每個影像的偵測數目上限。 必須是正整數。 注意：'yolov5' 演算法不支援此設定。 |
字串 |
| boxScoreThreshold | 在推斷期間，只傳回分類分數大於的建議 BoxScoreThreshold。 必須是範圍[0， 1] 中的浮點數。 |
字串 |
| 分散式 | 是否要使用分散式程式定型。 | 字串 |
| earlyStopping | 在定型期間啟用提早停止邏輯。 | 字串 |
| earlyStoppingDelay | 在主要計量改進之前等候的最小 Epoch 或驗證評估數目 會追蹤早期停止。 必須是正整數。 |
字串 |
| earlyStoppingPatience | 之前沒有主要計量改進的最小 Epoch 或驗證評估數目 執行已停止。 必須是正整數。 |
字串 |
| enableOnnxNormalization | 匯出 ONNX 模型時啟用正規化。 | 字串 |
| evaluationFrequency | 評估驗證資料集以取得計量分數的頻率。 必須是正整數。 | 字串 |
| gradientAccumulationStep | 漸層累積表示在沒有的情況下執行已設定數目的 「GradAccumulationStep」 步驟 更新模型權數，同時累積這些步驟的漸層，然後使用 用來計算權數更新的累積漸層。 必須是正整數。 |
字串 |
| imageSize | 用於定型和驗證的影像大小。 必須是正整數。 注意：如果大小太大，定型回合可能會進入 CUDA OOM。 注意：只有 'yolov5' 演算法才支援此設定。 |
字串 |
| layersToFreeze | 要凍結模型的圖層數目。 必須是正整數。 例如，傳遞 2 做為 'seresnext' 值表示 凍結第0層和第1層。 如需支援模型的完整清單，以及圖層凍結的詳細數據，請 看到： https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
字串 |
| learningRate | 初始學習速率。 必須是範圍 [0, 1] 內的浮點數。 | 字串 |
| learningRateScheduler | 學習率排程器的類型。 必須是 『warmup_cosine』 或 'step'。 | 字串 |
| maxSize | 將影像饋送至骨幹之前要重新調整的影像大小上限。 必須是正整數。 注意：如果大小太大，則定型執行可能會進入 CUDA OOM. 注意：'yolov5' 演算法不支援此設定。 |
字串 |
| minSize | 將影像饋送至骨幹之前要重新調整的影像大小下限。 必須是正整數。 注意：如果大小太大，則定型執行可能會進入 CUDA OOM. 注意：'yolov5' 演算法不支援此設定。 |
字串 |
| modelName | 要用於定型的模型名稱。 如需可用模型的詳細資訊，請流覽官方檔： https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
字串 |
| modelSize | 模型大小。 必須是 'small'、'medium'、'large' 或 'xlarge'。 注意：如果模型大小太大，則定型執行可能會進入 CUDA OOM. 注意：只有 'yolov5' 演算法才支援此設定。 |
字串 |
| 動量 | 優化工具為 『sgd』 時的時刻值。 必須是範圍 [0, 1] 內的浮點數。 | 字串 |
| 尺度 | 依 +/- 50% 的不同影像大小啟用多縮放映射。 注意：如果沒有足夠的 GPU 記憶體，則定型執行可能會進入 CUDA OOM。 注意：只有 'yolov5' 演算法才支援此設定。 |
字串 |
| nesterov | 當優化器為 'sgd' 時，請啟用 nesterov。 | 字串 |
| nmsIouThreshold | 在NMS後置處理中推斷期間使用的IOU臨界值。 必須是範圍 [0， 1] 中的 float。 | 字串 |
| numberOfEpochs | 定型 Epoch 的數目。 必須是正整數。 | 字串 |
| numberOfWorkers | 數據載入器背景工作角色的數目。 必須是非負整數。 | 字串 |
| optimizer | 最佳化工具的類型。 必須是 『sgd』、『adam』或 『adamw』。 | 字串 |
| randomSeed | 使用決定性定型時要使用的隨機種子。 | 字串 |
| splitRatio | 如果未定義驗證數據，這會指定分割的分割比率 將數據定型成隨機定型和驗證子集。 必須是範圍 [0, 1] 內的浮點數。 |
字串 |
| stepLRGamma | 當學習速率排程器為 『step』 時，gamma 的值。 必須是範圍 [0, 1] 內的浮點數。 | 字串 |
| stepLRStepSize | 當學習速率排程器為 『step』 時，步驟大小的值。 必須是正整數。 | 字串 |
| tileGridSize | 要用於每個並排影像的格線大小。 注意：TileGridSize 不得為 無可啟用小型物件偵測邏輯。 包含兩個整數的字串，其格式為#。 注意：'yolov5' 演算法不支援此設定。 |
字串 |
| tileOverlapRatio | 每個維度中相鄰圖格之間的重疊比例。 範圍 [0， 1) 必須是 float。 注意：'yolov5' 演算法不支援此設定。 |
字串 |
| tilePredictionsNmsThreshold | 從圖格和影像合併預測時用來執行 NMS 的 IOU 閾值。 用於驗證/推斷。 必須是範圍 [0， 1] 中的 float。 注意：'yolov5' 演算法不支援此設定。 NMS：非最大隱藏 |
字串 |
| trainingBatchSize | 定型批次大小。 必須是正整數。 | 字串 |
| validationBatchSize | 驗證批次大小。 必須是正整數。 | 字串 |
| validationIouThreshold | 計算驗證計量時要使用的IOU臨界值。 必須是範圍 [0， 1] 中的 float。 | 字串 |
| validationMetricType | 要用於驗證計量的計量計算方法。 必須是 『none』、'coco'、'voc' 或 'coco_voc'。 | 字串 |
| warmupCosineLRCycles | 當學習速率排程器為 『warmup_cosine』 時，餘弦迴圈的值。 必須是範圍 [0, 1] 內的浮點數。 | 字串 |
| warmupCosineLRWarmupEpochs | 當學習速率排程器為 『warmup_cosine』時，熱身 Epoch 的值。 必須是正整數。 | 字串 |
| weightDecay | 優化器為 'sgd'、'adam' 或 'adamw' 時的權數衰減值。 必須是範圍[0， 1] 中的浮點數。 | 字串 |
ImageObjectDetection
| 名稱 | 描述 | 值 |
|---|---|---|
| taskType | [必要]AutoMLJob 的工作類型。 | 'ImageObjectDetection' (必要) |
| dataSettings | [必要]註冊的表格式數據集標識碼和其他定型和驗證模型所需的數據設定集合。 | ImageVerticalDataSettings (必要) |
| limitSettings | [必要]限制 AutoML 作業的設定。 | ImageLimitSettings (必要) |
| modelSettings | 用於定型模型的設定。 | ImageModelSettingsObjectDetection |
| primaryMetric | 要針對這項工作優化的主要計量。 | 'MeanAveragePrecision' |
| searchSpace | 搜尋空間，以取樣模型及其超參數的不同組合。 | ImageModelDistributionSettingsObjectDetection[] |
| sweepSettings | 模型掃掠和超參數掃掠相關設定。 | ImageSweepSettings |
迴歸
| 名稱 | 描述 | 值 |
|---|---|---|
| taskType | [必要]AutoMLJob 的工作類型。 | 需要 「回歸」 () |
| allowedModels | 回歸工作的允許模型。 | 包含任何項目的字串數組： 'DecisionTree' 'ElasticNet' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'RandomForest' 'SGD' 'XGBoostRegressor' |
| blockedModels | 回歸工作的封鎖模型。 | 包含任何項目的字串數組： 'DecisionTree' 'ElasticNet' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'RandomForest' 'SGD' 'XGBoostRegressor' |
| dataSettings | AutoMLJob 的數據輸入。 | TableVerticalDataSettings |
| featurizationSettings | AutoML 作業所需的特徵化輸入。 | TableVerticalFeaturizationSettings |
| limitSettings | AutoMLJob 的執行條件約束。 | TableVerticalLimitSettings |
| primaryMetric | 回歸工作的主要計量。 | 'NormalizedMeanAbsoluteError' 'NormalizedRootMeanSquaredError' 'R2Score' 'SpearmanCorrelation' |
| trainingSettings | AutoML 作業定型階段的輸入。 | TrainingSettings |
TextClassification
| 名稱 | 描述 | 值 |
|---|---|---|
| taskType | [必要]AutoMLJob 的工作類型。 | 'TextClassification' (必要) |
| dataSettings | AutoMLJob 的數據輸入。 | NlpVerticalDataSettings |
| featurizationSettings | AutoML 作業所需的特徵化輸入。 | NlpVerticalFeaturizationSettings |
| limitSettings | AutoMLJob 的執行條件約束。 | NlpVerticalLimitSettings |
| primaryMetric | Text-Classification 工作的主要計量。 | 'AUCWeighted' 'Accuracy' 'AveragePrecisionScoreWeighted' 'NormMacroRecall' 'PrecisionScoreWeighted' |
NlpVerticalDataSettings
| 名稱 | 描述 | 值 |
|---|---|---|
| targetColumnName | [必要]目標數據行名稱：這是預測值數據行。 也稱為分類工作內容中的標籤數據行名稱。 |
字串 (必要) 約束： 模式 = [a-zA-Z0-9_] |
| testData | 測試數據輸入。 | TestDataSettings |
| trainingData | [必要]定型數據輸入。 | TrainingDataSettings (必要) |
| validationData | 驗證數據輸入。 | NlpVerticalValidationDataSettings |
NlpVerticalValidationDataSettings
| 名稱 | 描述 | 值 |
|---|---|---|
| 資料 | 驗證數據 MLTable。 | MLTableJobInput |
| validationDataSize | 必須針對驗證目的將定型數據集的分數。 介於 (0.0 、1.0) 之間的值 未提供驗證數據集時套用。 |
int |
NlpVerticalFeaturizationSettings
| 名稱 | 描述 | 值 |
|---|---|---|
| datasetLanguage | 數據集語言，適用於文字數據。 | 字串 |
NlpVerticalLimitSettings
| 名稱 | 描述 | 值 |
|---|---|---|
| maxConcurrentTrials | 並行 AutoML 反覆專案上限。 | int |
| maxTrials | AutoML 反覆項目的數目。 | int |
| timeout | AutoML 作業逾時。 | 字串 |
TextClassificationMultilabel
| 名稱 | 描述 | 值 |
|---|---|---|
| taskType | [必要]AutoMLJob 的工作類型。 | 'TextClassificationMultilabel' (必要) |
| dataSettings | AutoMLJob 的數據輸入。 | NlpVerticalDataSettings |
| featurizationSettings | AutoML 作業所需的特徵化輸入。 | NlpVerticalFeaturizationSettings |
| limitSettings | AutoMLJob 的執行條件約束。 | NlpVerticalLimitSettings |
TextNer
| 名稱 | 描述 | 值 |
|---|---|---|
| taskType | [必要]AutoMLJob 的工作類型。 | 需要 『TextNER』 () |
| dataSettings | AutoMLJob 的數據輸入。 | NlpVerticalDataSettings |
| featurizationSettings | AutoML 作業所需的特徵化輸入。 | NlpVerticalFeaturizationSettings |
| limitSettings | AutoMLJob 的執行條件約束。 | NlpVerticalLimitSettings |
CommandJob
| 名稱 | 描述 | 值 |
|---|---|---|
| jobType | [必要]指定作業的類型。 | 'Command' (必要) |
| codeId | 程式代碼資產的 ARM 資源識別碼。 | 字串 |
| 命令 | [必要]在作業啟動時執行的命令。 例如 “python train.py” | 字串 (必要) 約束： 最小長度 = 1 模式 = [a-zA-Z0-9_] |
| 散發 (distribution) | 作業的散發組態。 如果設定，這應該是 Mpi、Tensorflow、PyTorch 或 null 的其中一個。 | DistributionConfiguration |
| environmentId | [必要]作業環境規格的 ARM 資源識別碼。 | 字串 (必要) 約束： 模式 = [a-zA-Z0-9_] |
| environmentVariables | 作業中包含的環境變數。 | CommandJobEnvironmentVariables |
| 輸入 | 對應作業中使用的輸入數據系結。 | CommandJobInputs |
| 限制 | 命令作業限制。 | CommandJobLimits |
| outputs | 對應作業中使用的輸出數據系結。 | CommandJobOutputs |
| resources | 作業的計算資源組態。 | ResourceConfiguration |
DistributionConfiguration
| 名稱 | 描述 | 值 |
|---|---|---|
| distributionType | 設定物件類型 | Mpi PyTorch TensorFlow (必要) |
Mpi
| 名稱 | 描述 | 值 |
|---|---|---|
| distributionType | [必要]指定散發架構的類型。 | 需要 『Mpi』 () |
| processCountPerInstance | 每個 MPI 節點的進程數目。 | int |
PyTorch
| 名稱 | 描述 | 值 |
|---|---|---|
| distributionType | [必要]指定散發架構的類型。 | 需要 『PyTorch』 () |
| processCountPerInstance | 每個節點的進程數目。 | int |
TensorFlow
| 名稱 | 描述 | 值 |
|---|---|---|
| distributionType | [必要]指定散發架構的類型。 | 需要 『TensorFlow』 () |
| parameterServerCount | 參數伺服器工作的數目。 | int |
| workerCount | 背景工作數目。 如果未指定，則會預設為實例計數。 | int |
CommandJobEnvironmentVariables
| 名稱 | 描述 | 值 |
|---|---|---|
| {自定義屬性} | 字串 |
CommandJobInputs
| 名稱 | 描述 | 值 |
|---|---|---|
| {自定義屬性} | JobInput |
JobInput
| 名稱 | 描述 | 值 |
|---|---|---|
| description | 輸入的描述。 | 字串 |
| jobInputType | 設定物件類型 | CustomModel 文字 MLFlowModel MLTable TritonModel UriFile 需要 UriFolder () |
CustomModelJobInput
| 名稱 | 描述 | 值 |
|---|---|---|
| jobInputType | [必要]指定作業的類型。 | 需要 『CustomModel』 () |
| mode | 輸入資產傳遞模式。 | 'Direct' 'Download' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
| uri | [必要]輸入資產 URI。 | 需要字串 () 約束： 模式 = [a-zA-Z0-9_] |
LiteralJobInput
| 名稱 | 描述 | 值 |
|---|---|---|
| jobInputType | [必要]指定作業的類型。 | 必要) 'Literal' ( |
| 值 | [必要]輸入的常值。 | 需要字串 () 約束： 模式 = [a-zA-Z0-9_] |
MLFlowModelJobInput
| 名稱 | 描述 | 值 |
|---|---|---|
| jobInputType | [必要]指定作業的類型。 | 必要) 的 'MLFlowModel' ( |
| mode | 輸入資產傳遞模式。 | 'Direct' 'Download' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
| uri | [必要]輸入資產 URI。 | 字串 (必要) 約束： 模式 = [a-zA-Z0-9_] |
TritonModelJobInput
| 名稱 | 描述 | 值 |
|---|---|---|
| jobInputType | [必要]指定作業的類型。 | 'TritonModel' (必要) |
| mode | 輸入資產傳遞模式。 | 'Direct' 'Download' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
| uri | [必要]輸入資產 URI。 | 字串 (必要) 約束： 模式 = [a-zA-Z0-9_] |
UriFileJobInput
| 名稱 | 描述 | 值 |
|---|---|---|
| jobInputType | [必要]指定作業的類型。 | 'UriFile' (必要) |
| mode | 輸入資產傳遞模式。 | 'Direct' 'Download' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
| uri | [必要]輸入資產 URI。 | 字串 (必要) 約束： 模式 = [a-zA-Z0-9_] |
UriFolderJobInput
| 名稱 | 描述 | 值 |
|---|---|---|
| jobInputType | [必要]指定作業的類型。 | 'UriFolder' (必要) |
| mode | 輸入資產傳遞模式。 | 'Direct' 'Download' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
| uri | [必要]輸入資產 URI。 | 字串 (必要) 約束： 模式 = [a-zA-Z0-9_] |
CommandJobLimits
| 名稱 | 描述 | 值 |
|---|---|---|
| jobLimitsType | [必要]JobLimit 類型。 | 'Command' 需要 「掃掠」 () |
| timeout | ISO 8601 格式的最大執行持續時間，之後作業將會取消。 僅支援有效位數為秒數的持續時間。 | 字串 |
CommandJobOutputs
| 名稱 | 描述 | 值 |
|---|---|---|
| {自定義屬性} | JobOutput |
PipelineJob
| 名稱 | 描述 | 值 |
|---|---|---|
| jobType | [必要]指定作業的類型。 | 「管線」 (必要) |
| 輸入 | 管線作業的輸入。 | PipelineJobInputs |
| jobs | 作業會建構管線作業。 | PipelineJobJobs |
| outputs | 管線作業的輸出 | PipelineJobOutputs |
| 設定 | 管線設定，適用於 ContinueRunOnStepFailure 等專案。 | 針對 Bicep，您可以使用 any () 函式。 |
PipelineJobInputs
| 名稱 | 描述 | 值 |
|---|---|---|
| {自定義屬性} | JobInput |
PipelineJobJobs
| 名稱 | 描述 | 值 |
|---|---|---|
| {自定義屬性} | 針對 Bicep，您可以使用 any () 函式。 |
PipelineJobOutputs
| 名稱 | 描述 | 值 |
|---|---|---|
| {自定義屬性} | JobOutput |
SweepJob
| 名稱 | 描述 | 值 |
|---|---|---|
| jobType | [必要]指定作業的類型。 | 需要 「掃掠」 () |
| earlyTermination | 早期終止原則可在完成之前取消效能不佳的執行 | EarlyTerminationPolicy |
| 輸入 | 對應作業中使用的輸入數據系結。 | SweepJobInputs |
| 限制 | 掃掠作業限制。 | SweepJobLimits |
| objective | [必要]優化目標。 | 必要目標 () |
| outputs | 對應作業中使用的輸出數據系結。 | SweepJobOutputs |
| samplingAlgorithm | [必要]超參數取樣演算法 | SamplingAlgorithm (必要) |
| searchSpace | [必要]包含每個參數及其分佈的字典。 字典索引鍵是參數的名稱 | 針對 Bicep，您可以使用 任何 () function. (必要) |
| 試用版 | [必要]試用版元件定義。 | 需要 TrialComponent () |
SweepJobInputs
| 名稱 | 描述 | 值 |
|---|---|---|
| {自定義屬性} | JobInput |
SweepJobLimits
| 名稱 | 描述 | 值 |
|---|---|---|
| jobLimitsType | [必要]JobLimit 類型。 | 'Command' 需要 「掃掠」 () |
| maxConcurrentTrials | 掃掠作業最大並行試用版。 | int |
| maxTotalTrials | 掃掠作業總數上限。 | int |
| timeout | ISO 8601 格式的最大執行持續時間，之後作業將會取消。 僅支援有效位數為秒數的持續時間。 | 字串 |
| trialTimeout | 掃掠作業試用版逾時值。 | 字串 |
目標
| 名稱 | 描述 | 值 |
|---|---|---|
| goal | [必要]定義超參數微調支援的計量目標 | '最大化' 需要 「最小化」 () |
| primaryMetric | [必要]要優化的計量名稱。 | 需要字串 () 約束： 模式 = [a-zA-Z0-9_] |
SweepJobOutputs
| 名稱 | 描述 | 值 |
|---|---|---|
| {自定義屬性} | JobOutput |
SamplingAlgorithm
| 名稱 | 描述 | 值 |
|---|---|---|
| samplingAlgorithmType | 設定物件類型 | 貝 葉 斯 方格 需要隨機 () |
BayesianSamplingAlgorithm
| 名稱 | 描述 | 值 |
|---|---|---|
| samplingAlgorithmType | [必要]用來產生超參數值的演算法，以及組態屬性 | 需要 『Bayesian』 () |
GridSamplingAlgorithm
| 名稱 | 描述 | 值 |
|---|---|---|
| samplingAlgorithmType | [必要]用來產生超參數值的演算法，以及組態屬性 | 'Grid' (必要) |
RandomSamplingAlgorithm
| 名稱 | 描述 | 值 |
|---|---|---|
| samplingAlgorithmType | [必要]用來產生超參數值的演算法，以及組態屬性 | 需要 'Random' () |
| rule (規則) | 隨機演算法的特定類型 | 'Random' 'Sobol' |
| seed | 要作為隨機數產生種子的選擇性整數 | int |
TrialComponent
| 名稱 | 描述 | 值 |
|---|---|---|
| codeId | 程式代碼資產的 ARM 資源識別碼。 | 字串 |
| 命令 | [必要]在作業啟動時執行的命令。 例如 “python train.py” | 需要字串 () 約束： 最小長度 = 1 模式 = [a-zA-Z0-9_] |
| 散發 (distribution) | 作業的散發組態。 如果設定，這應該是 Mpi、Tensorflow、PyTorch 或 null 的其中一個。 | DistributionConfiguration |
| environmentId | [必要]作業之環境規格的 ARM 資源識別碼。 | 需要字串 () 約束： 模式 = [a-zA-Z0-9_] |
| environmentVariables | 作業中包含的環境變數。 | TrialComponentEnvironmentVariables |
| resources | 作業的計算資源組態。 | ResourceConfiguration |
TrialComponentEnvironmentVariables
| 名稱 | 描述 | 值 |
|---|---|---|
| {自定義屬性} | 字串 |
快速入門範本
下列快速入門範本會部署此資源類型。
| 範本 | 描述 |
|---|---|
建立 Azure Machine Learning AutoML 分類作業 |
此範本會建立 Azure Machine Learning AutoML 分類作業，以找出預測用戶端是否會訂閱與金融機構的固定期限金的最佳模型。 |
| 建立 Azure Machine Learning 命令作業 |
此範本會建立具有基本hello_world腳本的 Azure Machine Learning 命令作業 |
| 建立 Azure Machine Learning 掃掠作業 |
此範本會建立用於超參數微調的 Azure Machine Learning 掃掠作業。 |
ARM 範本資源定義
工作區/作業資源類型可以使用目標作業進行部署：
- 資源群組 - 請參閱 資源群組部署命令
如需每個 API 版本中已變更屬性的清單，請參閱 變更記錄。
資源格式
若要建立 Microsoft.MachineLearningServices/workspaces/jobs 資源，請將下列 JSON 新增至您的範本。
{
"type": "Microsoft.MachineLearningServices/workspaces/jobs",
"apiVersion": "2022-02-01-preview",
"name": "string",
"properties": {
"computeId": "string",
"description": "string",
"displayName": "string",
"experimentName": "string",
"identity": {
"identityType": "string"
// For remaining properties, see IdentityConfiguration objects
},
"isArchived": "bool",
"properties": {
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string"
},
"schedule": {
"endTime": "string",
"scheduleStatus": "string",
"startTime": "string",
"timeZone": "string",
"scheduleType": "string"
// For remaining properties, see ScheduleBase objects
},
"services": {
"{customized property}": {
"endpoint": "string",
"jobServiceType": "string",
"port": "int",
"properties": {
"{customized property}": "string"
}
}
},
"tags": {
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string"
},
"jobType": "string"
// For remaining properties, see JobBaseDetails objects
}
}
JobBaseDetails 物件
設定 jobType 屬性以指定物件的類型。
針對 AutoML，請使用：
"jobType": "AutoML",
"environmentId": "string",
"environmentVariables": {
"{customized property}": "string"
},
"outputs": {
"{customized property}": {
"description": "string",
"jobOutputType": "string"
// For remaining properties, see JobOutput objects
}
},
"resources": {
"instanceCount": "int",
"instanceType": "string",
"properties": {
"{customized property}": {}
}
},
"taskDetails": {
"logVerbosity": "string",
"taskType": "string"
// For remaining properties, see AutoMLVertical objects
}
針對 [命令]，請使用：
"jobType": "Command",
"codeId": "string",
"command": "string",
"distribution": {
"distributionType": "string"
// For remaining properties, see DistributionConfiguration objects
},
"environmentId": "string",
"environmentVariables": {
"{customized property}": "string"
},
"inputs": {
"{customized property}": {
"description": "string",
"jobInputType": "string"
// For remaining properties, see JobInput objects
}
},
"limits": {
"jobLimitsType": "string",
"timeout": "string"
},
"outputs": {
"{customized property}": {
"description": "string",
"jobOutputType": "string"
// For remaining properties, see JobOutput objects
}
},
"resources": {
"instanceCount": "int",
"instanceType": "string",
"properties": {
"{customized property}": {}
}
}
針對 管線，請使用：
"jobType": "Pipeline",
"inputs": {
"{customized property}": {
"description": "string",
"jobInputType": "string"
// For remaining properties, see JobInput objects
}
},
"jobs": {
"{customized property}": {}
},
"outputs": {
"{customized property}": {
"description": "string",
"jobOutputType": "string"
// For remaining properties, see JobOutput objects
}
},
"settings": {}
針對 掃掠，請使用：
"jobType": "Sweep",
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"inputs": {
"{customized property}": {
"description": "string",
"jobInputType": "string"
// For remaining properties, see JobInput objects
}
},
"limits": {
"jobLimitsType": "string",
"maxConcurrentTrials": "int",
"maxTotalTrials": "int",
"timeout": "string",
"trialTimeout": "string"
},
"objective": {
"goal": "string",
"primaryMetric": "string"
},
"outputs": {
"{customized property}": {
"description": "string",
"jobOutputType": "string"
// For remaining properties, see JobOutput objects
}
},
"samplingAlgorithm": {
"samplingAlgorithmType": "string"
// For remaining properties, see SamplingAlgorithm objects
},
"searchSpace": {},
"trial": {
"codeId": "string",
"command": "string",
"distribution": {
"distributionType": "string"
// For remaining properties, see DistributionConfiguration objects
},
"environmentId": "string",
"environmentVariables": {
"{customized property}": "string"
},
"resources": {
"instanceCount": "int",
"instanceType": "string",
"properties": {
"{customized property}": {}
}
}
}
IdentityConfiguration 物件
設定 identityType 屬性以指定物件的類型。
針對 AMLToken，請使用：
"identityType": "AMLToken"
針對 Managed，請使用：
"identityType": "Managed",
"clientId": "string",
"objectId": "string",
"resourceId": "string"
針對 UserIdentity，請使用：
"identityType": "UserIdentity"
ScheduleBase 物件
設定 scheduleType 屬性以指定物件的類型。
針對 Cron，請使用：
"scheduleType": "Cron",
"expression": "string"
針對 [週期]，請使用：
"scheduleType": "Recurrence",
"frequency": "string",
"interval": "int",
"pattern": {
"hours": [ "int" ],
"minutes": [ "int" ],
"weekdays": [ "string" ]
}
JobOutput 物件
設定 jobOutputType 屬性以指定對象的類型。
針對 CustomModel，請使用：
"jobOutputType": "CustomModel",
"mode": "string",
"uri": "string"
針對 MLFlowModel，請使用：
"jobOutputType": "MLFlowModel",
"mode": "string",
"uri": "string"
針對 MLTable，請使用：
"jobOutputType": "MLTable",
"mode": "string",
"uri": "string"
針對 TritonModel，請使用：
"jobOutputType": "TritonModel",
"mode": "string",
"uri": "string"
針對 UriFile，請使用：
"jobOutputType": "UriFile",
"mode": "string",
"uri": "string"
針對 UriFolder，請使用：
"jobOutputType": "UriFolder",
"mode": "string",
"uri": "string"
AutoMLVertical 物件
設定 taskType 屬性以指定物件的類型。
針對 [分類]，請使用：
"taskType": "Classification",
"allowedModels": [ "string" ],
"blockedModels": [ "string" ],
"dataSettings": {
"targetColumnName": "string",
"testData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"testDataSize": "int"
},
"trainingData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
}
},
"validationData": {
"cvSplitColumnNames": [ "string" ],
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"nCrossValidations": {
"mode": "string"
// For remaining properties, see NCrossValidations objects
},
"validationDataSize": "int"
},
"weightColumnName": "string"
},
"featurizationSettings": {
"blockedTransformers": [ "string" ],
"columnNameAndTypes": {
"{customized property}": "string"
},
"datasetLanguage": "string",
"dropColumns": [ "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"
},
"primaryMetric": "string",
"trainingSettings": {
"enableDnnTraining": "bool",
"enableModelExplainability": "bool",
"enableOnnxCompatibleModels": "bool",
"enableStackEnsemble": "bool",
"enableVoteEnsemble": "bool",
"ensembleModelDownloadTimeout": "string",
"stackEnsembleSettings": {
"stackMetaLearnerKWargs": {},
"stackMetaLearnerTrainPercentage": "int",
"stackMetaLearnerType": "string"
}
}
針對 預測，請使用：
"taskType": "Forecasting",
"allowedModels": [ "string" ],
"blockedModels": [ "string" ],
"dataSettings": {
"targetColumnName": "string",
"testData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"testDataSize": "int"
},
"trainingData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
}
},
"validationData": {
"cvSplitColumnNames": [ "string" ],
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"nCrossValidations": {
"mode": "string"
// For remaining properties, see NCrossValidations objects
},
"validationDataSize": "int"
},
"weightColumnName": "string"
},
"featurizationSettings": {
"blockedTransformers": [ "string" ],
"columnNameAndTypes": {
"{customized property}": "string"
},
"datasetLanguage": "string",
"dropColumns": [ "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"
},
"primaryMetric": "string",
"trainingSettings": {
"enableDnnTraining": "bool",
"enableModelExplainability": "bool",
"enableOnnxCompatibleModels": "bool",
"enableStackEnsemble": "bool",
"enableVoteEnsemble": "bool",
"ensembleModelDownloadTimeout": "string",
"stackEnsembleSettings": {
"stackMetaLearnerKWargs": {},
"stackMetaLearnerTrainPercentage": "int",
"stackMetaLearnerType": "string"
}
}
針對 ImageClassification，請使用：
"taskType": "ImageClassification",
"dataSettings": {
"targetColumnName": "string",
"testData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"testDataSize": "int"
},
"trainingData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
}
},
"validationData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"validationDataSize": "int"
}
},
"limitSettings": {
"maxConcurrentTrials": "int",
"maxTrials": "int",
"timeout": "string"
},
"modelSettings": {
"advancedSettings": "string",
"amsGradient": "bool",
"augmentations": "string",
"beta1": "int",
"beta2": "int",
"checkpointDatasetId": "string",
"checkpointFilename": "string",
"checkpointFrequency": "int",
"checkpointRunId": "string",
"distributed": "bool",
"earlyStopping": "bool",
"earlyStoppingDelay": "int",
"earlyStoppingPatience": "int",
"enableOnnxNormalization": "bool",
"evaluationFrequency": "int",
"gradientAccumulationStep": "int",
"layersToFreeze": "int",
"learningRate": "int",
"learningRateScheduler": "string",
"modelName": "string",
"momentum": "int",
"nesterov": "bool",
"numberOfEpochs": "int",
"numberOfWorkers": "int",
"optimizer": "string",
"randomSeed": "int",
"splitRatio": "int",
"stepLRGamma": "int",
"stepLRStepSize": "int",
"trainingBatchSize": "int",
"trainingCropSize": "int",
"validationBatchSize": "int",
"validationCropSize": "int",
"validationResizeSize": "int",
"warmupCosineLRCycles": "int",
"warmupCosineLRWarmupEpochs": "int",
"weightDecay": "int",
"weightedLoss": "int"
},
"primaryMetric": "string",
"searchSpace": [
{
"amsGradient": "string",
"augmentations": "string",
"beta1": "string",
"beta2": "string",
"distributed": "string",
"earlyStopping": "string",
"earlyStoppingDelay": "string",
"earlyStoppingPatience": "string",
"enableOnnxNormalization": "string",
"evaluationFrequency": "string",
"gradientAccumulationStep": "string",
"layersToFreeze": "string",
"learningRate": "string",
"learningRateScheduler": "string",
"modelName": "string",
"momentum": "string",
"nesterov": "string",
"numberOfEpochs": "string",
"numberOfWorkers": "string",
"optimizer": "string",
"randomSeed": "string",
"splitRatio": "string",
"stepLRGamma": "string",
"stepLRStepSize": "string",
"trainingBatchSize": "string",
"trainingCropSize": "string",
"validationBatchSize": "string",
"validationCropSize": "string",
"validationResizeSize": "string",
"warmupCosineLRCycles": "string",
"warmupCosineLRWarmupEpochs": "string",
"weightDecay": "string",
"weightedLoss": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"limits": {
"maxConcurrentTrials": "int",
"maxTrials": "int"
},
"samplingAlgorithm": "string"
}
針對 ImageClassificationMultilabel，請使用：
"taskType": "ImageClassificationMultilabel",
"dataSettings": {
"targetColumnName": "string",
"testData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"testDataSize": "int"
},
"trainingData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
}
},
"validationData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"validationDataSize": "int"
}
},
"limitSettings": {
"maxConcurrentTrials": "int",
"maxTrials": "int",
"timeout": "string"
},
"modelSettings": {
"advancedSettings": "string",
"amsGradient": "bool",
"augmentations": "string",
"beta1": "int",
"beta2": "int",
"checkpointDatasetId": "string",
"checkpointFilename": "string",
"checkpointFrequency": "int",
"checkpointRunId": "string",
"distributed": "bool",
"earlyStopping": "bool",
"earlyStoppingDelay": "int",
"earlyStoppingPatience": "int",
"enableOnnxNormalization": "bool",
"evaluationFrequency": "int",
"gradientAccumulationStep": "int",
"layersToFreeze": "int",
"learningRate": "int",
"learningRateScheduler": "string",
"modelName": "string",
"momentum": "int",
"nesterov": "bool",
"numberOfEpochs": "int",
"numberOfWorkers": "int",
"optimizer": "string",
"randomSeed": "int",
"splitRatio": "int",
"stepLRGamma": "int",
"stepLRStepSize": "int",
"trainingBatchSize": "int",
"trainingCropSize": "int",
"validationBatchSize": "int",
"validationCropSize": "int",
"validationResizeSize": "int",
"warmupCosineLRCycles": "int",
"warmupCosineLRWarmupEpochs": "int",
"weightDecay": "int",
"weightedLoss": "int"
},
"primaryMetric": "string",
"searchSpace": [
{
"amsGradient": "string",
"augmentations": "string",
"beta1": "string",
"beta2": "string",
"distributed": "string",
"earlyStopping": "string",
"earlyStoppingDelay": "string",
"earlyStoppingPatience": "string",
"enableOnnxNormalization": "string",
"evaluationFrequency": "string",
"gradientAccumulationStep": "string",
"layersToFreeze": "string",
"learningRate": "string",
"learningRateScheduler": "string",
"modelName": "string",
"momentum": "string",
"nesterov": "string",
"numberOfEpochs": "string",
"numberOfWorkers": "string",
"optimizer": "string",
"randomSeed": "string",
"splitRatio": "string",
"stepLRGamma": "string",
"stepLRStepSize": "string",
"trainingBatchSize": "string",
"trainingCropSize": "string",
"validationBatchSize": "string",
"validationCropSize": "string",
"validationResizeSize": "string",
"warmupCosineLRCycles": "string",
"warmupCosineLRWarmupEpochs": "string",
"weightDecay": "string",
"weightedLoss": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"limits": {
"maxConcurrentTrials": "int",
"maxTrials": "int"
},
"samplingAlgorithm": "string"
}
針對 ImageInstanceSegmentation，請使用：
"taskType": "ImageInstanceSegmentation",
"dataSettings": {
"targetColumnName": "string",
"testData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"testDataSize": "int"
},
"trainingData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
}
},
"validationData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"validationDataSize": "int"
}
},
"limitSettings": {
"maxConcurrentTrials": "int",
"maxTrials": "int",
"timeout": "string"
},
"modelSettings": {
"advancedSettings": "string",
"amsGradient": "bool",
"augmentations": "string",
"beta1": "int",
"beta2": "int",
"boxDetectionsPerImage": "int",
"boxScoreThreshold": "int",
"checkpointDatasetId": "string",
"checkpointFilename": "string",
"checkpointFrequency": "int",
"checkpointRunId": "string",
"distributed": "bool",
"earlyStopping": "bool",
"earlyStoppingDelay": "int",
"earlyStoppingPatience": "int",
"enableOnnxNormalization": "bool",
"evaluationFrequency": "int",
"gradientAccumulationStep": "int",
"imageSize": "int",
"layersToFreeze": "int",
"learningRate": "int",
"learningRateScheduler": "string",
"maxSize": "int",
"minSize": "int",
"modelName": "string",
"modelSize": "string",
"momentum": "int",
"multiScale": "bool",
"nesterov": "bool",
"nmsIouThreshold": "int",
"numberOfEpochs": "int",
"numberOfWorkers": "int",
"optimizer": "string",
"randomSeed": "int",
"splitRatio": "int",
"stepLRGamma": "int",
"stepLRStepSize": "int",
"tileGridSize": "string",
"tileOverlapRatio": "int",
"tilePredictionsNmsThreshold": "int",
"trainingBatchSize": "int",
"validationBatchSize": "int",
"validationIouThreshold": "int",
"validationMetricType": "string",
"warmupCosineLRCycles": "int",
"warmupCosineLRWarmupEpochs": "int",
"weightDecay": "int"
},
"primaryMetric": "MeanAveragePrecision",
"searchSpace": [
{
"amsGradient": "string",
"augmentations": "string",
"beta1": "string",
"beta2": "string",
"boxDetectionsPerImage": "string",
"boxScoreThreshold": "string",
"distributed": "string",
"earlyStopping": "string",
"earlyStoppingDelay": "string",
"earlyStoppingPatience": "string",
"enableOnnxNormalization": "string",
"evaluationFrequency": "string",
"gradientAccumulationStep": "string",
"imageSize": "string",
"layersToFreeze": "string",
"learningRate": "string",
"learningRateScheduler": "string",
"maxSize": "string",
"minSize": "string",
"modelName": "string",
"modelSize": "string",
"momentum": "string",
"multiScale": "string",
"nesterov": "string",
"nmsIouThreshold": "string",
"numberOfEpochs": "string",
"numberOfWorkers": "string",
"optimizer": "string",
"randomSeed": "string",
"splitRatio": "string",
"stepLRGamma": "string",
"stepLRStepSize": "string",
"tileGridSize": "string",
"tileOverlapRatio": "string",
"tilePredictionsNmsThreshold": "string",
"trainingBatchSize": "string",
"validationBatchSize": "string",
"validationIouThreshold": "string",
"validationMetricType": "string",
"warmupCosineLRCycles": "string",
"warmupCosineLRWarmupEpochs": "string",
"weightDecay": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"limits": {
"maxConcurrentTrials": "int",
"maxTrials": "int"
},
"samplingAlgorithm": "string"
}
針對 ImageObjectDetection，請使用：
"taskType": "ImageObjectDetection",
"dataSettings": {
"targetColumnName": "string",
"testData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"testDataSize": "int"
},
"trainingData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
}
},
"validationData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"validationDataSize": "int"
}
},
"limitSettings": {
"maxConcurrentTrials": "int",
"maxTrials": "int",
"timeout": "string"
},
"modelSettings": {
"advancedSettings": "string",
"amsGradient": "bool",
"augmentations": "string",
"beta1": "int",
"beta2": "int",
"boxDetectionsPerImage": "int",
"boxScoreThreshold": "int",
"checkpointDatasetId": "string",
"checkpointFilename": "string",
"checkpointFrequency": "int",
"checkpointRunId": "string",
"distributed": "bool",
"earlyStopping": "bool",
"earlyStoppingDelay": "int",
"earlyStoppingPatience": "int",
"enableOnnxNormalization": "bool",
"evaluationFrequency": "int",
"gradientAccumulationStep": "int",
"imageSize": "int",
"layersToFreeze": "int",
"learningRate": "int",
"learningRateScheduler": "string",
"maxSize": "int",
"minSize": "int",
"modelName": "string",
"modelSize": "string",
"momentum": "int",
"multiScale": "bool",
"nesterov": "bool",
"nmsIouThreshold": "int",
"numberOfEpochs": "int",
"numberOfWorkers": "int",
"optimizer": "string",
"randomSeed": "int",
"splitRatio": "int",
"stepLRGamma": "int",
"stepLRStepSize": "int",
"tileGridSize": "string",
"tileOverlapRatio": "int",
"tilePredictionsNmsThreshold": "int",
"trainingBatchSize": "int",
"validationBatchSize": "int",
"validationIouThreshold": "int",
"validationMetricType": "string",
"warmupCosineLRCycles": "int",
"warmupCosineLRWarmupEpochs": "int",
"weightDecay": "int"
},
"primaryMetric": "MeanAveragePrecision",
"searchSpace": [
{
"amsGradient": "string",
"augmentations": "string",
"beta1": "string",
"beta2": "string",
"boxDetectionsPerImage": "string",
"boxScoreThreshold": "string",
"distributed": "string",
"earlyStopping": "string",
"earlyStoppingDelay": "string",
"earlyStoppingPatience": "string",
"enableOnnxNormalization": "string",
"evaluationFrequency": "string",
"gradientAccumulationStep": "string",
"imageSize": "string",
"layersToFreeze": "string",
"learningRate": "string",
"learningRateScheduler": "string",
"maxSize": "string",
"minSize": "string",
"modelName": "string",
"modelSize": "string",
"momentum": "string",
"multiScale": "string",
"nesterov": "string",
"nmsIouThreshold": "string",
"numberOfEpochs": "string",
"numberOfWorkers": "string",
"optimizer": "string",
"randomSeed": "string",
"splitRatio": "string",
"stepLRGamma": "string",
"stepLRStepSize": "string",
"tileGridSize": "string",
"tileOverlapRatio": "string",
"tilePredictionsNmsThreshold": "string",
"trainingBatchSize": "string",
"validationBatchSize": "string",
"validationIouThreshold": "string",
"validationMetricType": "string",
"warmupCosineLRCycles": "string",
"warmupCosineLRWarmupEpochs": "string",
"weightDecay": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"limits": {
"maxConcurrentTrials": "int",
"maxTrials": "int"
},
"samplingAlgorithm": "string"
}
針對 回歸，請使用：
"taskType": "Regression",
"allowedModels": [ "string" ],
"blockedModels": [ "string" ],
"dataSettings": {
"targetColumnName": "string",
"testData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"testDataSize": "int"
},
"trainingData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
}
},
"validationData": {
"cvSplitColumnNames": [ "string" ],
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"nCrossValidations": {
"mode": "string"
// For remaining properties, see NCrossValidations objects
},
"validationDataSize": "int"
},
"weightColumnName": "string"
},
"featurizationSettings": {
"blockedTransformers": [ "string" ],
"columnNameAndTypes": {
"{customized property}": "string"
},
"datasetLanguage": "string",
"dropColumns": [ "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"
},
"primaryMetric": "string",
"trainingSettings": {
"enableDnnTraining": "bool",
"enableModelExplainability": "bool",
"enableOnnxCompatibleModels": "bool",
"enableStackEnsemble": "bool",
"enableVoteEnsemble": "bool",
"ensembleModelDownloadTimeout": "string",
"stackEnsembleSettings": {
"stackMetaLearnerKWargs": {},
"stackMetaLearnerTrainPercentage": "int",
"stackMetaLearnerType": "string"
}
}
針對 TextClassification，請使用：
"taskType": "TextClassification",
"dataSettings": {
"targetColumnName": "string",
"testData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"testDataSize": "int"
},
"trainingData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
}
},
"validationData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"validationDataSize": "int"
}
},
"featurizationSettings": {
"datasetLanguage": "string"
},
"limitSettings": {
"maxConcurrentTrials": "int",
"maxTrials": "int",
"timeout": "string"
},
"primaryMetric": "string"
針對 TextClassificationMultilabel，請使用：
"taskType": "TextClassificationMultilabel",
"dataSettings": {
"targetColumnName": "string",
"testData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"testDataSize": "int"
},
"trainingData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
}
},
"validationData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"validationDataSize": "int"
}
},
"featurizationSettings": {
"datasetLanguage": "string"
},
"limitSettings": {
"maxConcurrentTrials": "int",
"maxTrials": "int",
"timeout": "string"
}
針對 TextNER，請使用：
"taskType": "TextNER",
"dataSettings": {
"targetColumnName": "string",
"testData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"testDataSize": "int"
},
"trainingData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
}
},
"validationData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"validationDataSize": "int"
}
},
"featurizationSettings": {
"datasetLanguage": "string"
},
"limitSettings": {
"maxConcurrentTrials": "int",
"maxTrials": "int",
"timeout": "string"
}
NCrossValidations 物件
設定 mode 屬性以指定物件的類型。
針對 [自動]，請使用：
"mode": "Auto"
針對 [自定義]，請使用：
"mode": "Custom",
"value": "int"
ForecastHorizon 物件
設定 mode 屬性以指定物件的類型。
針對 [自動]，請使用：
"mode": "Auto"
針對 [自定義]，請使用：
"mode": "Custom",
"value": "int"
季節性物件
設定 mode 屬性以指定物件的類型。
針對 [自動]，請使用：
"mode": "Auto"
針對 [自定義]，請使用：
"mode": "Custom",
"value": "int"
TargetLags 物件
設定 mode 屬性以指定物件的類型。
針對 [自動]，請使用：
"mode": "Auto"
針對 [自定義]，請使用：
"mode": "Custom",
"values": [ "int" ]
TargetRollingWindowSize 物件
設定 mode 屬性以指定物件的類型。
針對 [自動]，請使用：
"mode": "Auto"
針對 [自定義]，請使用：
"mode": "Custom",
"value": "int"
EarlyTerminationPolicy 物件
設定 policyType 屬性以指定物件的類型。
針對 Bandit，請使用：
"policyType": "Bandit",
"slackAmount": "int",
"slackFactor": "int"
針對 MedianStopping，請使用：
"policyType": "MedianStopping"
針對 TruncationSelection，請使用：
"policyType": "TruncationSelection",
"truncationPercentage": "int"
DistributionConfiguration 物件
設定 distributionType 屬性以指定物件的類型。
針對 Mpi，請使用：
"distributionType": "Mpi",
"processCountPerInstance": "int"
針對 PyTorch，請使用：
"distributionType": "PyTorch",
"processCountPerInstance": "int"
針對 TensorFlow，請使用：
"distributionType": "TensorFlow",
"parameterServerCount": "int",
"workerCount": "int"
JobInput 物件
設定 jobInputType 屬性以指定物件的類型。
針對 CustomModel，請使用：
"jobInputType": "CustomModel",
"mode": "string",
"uri": "string"
針對 常值，請使用：
"jobInputType": "Literal",
"value": "string"
針對 MLFlowModel，請使用：
"jobInputType": "MLFlowModel",
"mode": "string",
"uri": "string"
針對 MLTable，請使用：
"jobInputType": "MLTable",
"mode": "string",
"uri": "string"
針對 TritonModel，請使用：
"jobInputType": "TritonModel",
"mode": "string",
"uri": "string"
針對 UriFile，請使用：
"jobInputType": "UriFile",
"mode": "string",
"uri": "string"
針對 UriFolder，請使用：
"jobInputType": "UriFolder",
"mode": "string",
"uri": "string"
SamplingAlgorithm 物件
設定 samplingAlgorithmType 屬性以指定物件的類型。
針對 貝氏，請使用：
"samplingAlgorithmType": "Bayesian"
針對 Grid，請使用：
"samplingAlgorithmType": "Grid"
針對 隨機，請使用：
"samplingAlgorithmType": "Random",
"rule": "string",
"seed": "int"
屬性值
workspaces/jobs
| 名稱 | 描述 | 值 |
|---|---|---|
| 類型 | 資源類型 | 'Microsoft.MachineLearningServices/workspaces/jobs' |
| apiVersion | 資源 API 版本 | '2022-02-01-preview' |
| NAME | 資源名稱 請參閱如何在 JSON ARM 樣本中設定子資源的名稱和類型。 |
字串 (必要) |
| properties | [必要]實體的其他屬性。 | JobBaseDetails (必要) |
JobBaseDetails
| 名稱 | 描述 | 值 |
|---|---|---|
| computeId | 計算資源的 ARM 資源識別碼。 | 字串 |
| description | 資產描述文字。 | 字串 |
| displayName | 工作的顯示名稱。 | 字串 |
| experimentName | 作業所屬的實驗名稱。 如果未設定，作業會放在「預設」實驗中。 | 字串 |
| 身分識別 | 身分識別設定。 如果設定，這應該是 AmlToken、ManagedIdentity、UserIdentity 或 null 的其中一個。 如果為 null，則預設為 AmlToken。 |
IdentityConfiguration |
| isArchived | 資產是否已封存？ | bool |
| properties | 資產屬性字典。 | ResourceBaseProperties |
| schedule | 作業的排程定義。 如果未提供排程，作業會在提交后立即執行一次。 |
ScheduleBase |
| 服務 | JobEndpoints 的清單。 針對本機作業，作業端點會有 FileStreamObject 的端點值。 |
JobBaseServices |
| tags | 標記字典。 標記可以新增、移除和更新。 | 物件 (object) |
| jobType | 設定物件類型 | AutoML 命令 管線 需要掃掠 () |
IdentityConfiguration
| 名稱 | 描述 | 值 |
|---|---|---|
| identityType | 設定物件類型 | AMLToken 受控 必要) 的 UserIdentity ( |
AmlToken
| 名稱 | 描述 | 值 |
|---|---|---|
| identityType | [必要]指定身分識別架構的類型。 | 必要的 『AMLToken』 () |
ManagedIdentity
| 名稱 | 描述 | 值 |
|---|---|---|
| identityType | [必要]指定身分識別架構的類型。 | 「受控」 (必要) |
| clientId | 依用戶端識別元指定使用者指派的身分識別。 針對系統指派，請勿設定此欄位。 | 字串 約束： 最小長度 = 36 最大長度 = 36 模式 = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$ |
| objectId | 依物件識別元指定使用者指派的身分識別。 針對系統指派，請勿設定此欄位。 | 字串 約束： 最小長度 = 36 最大長度 = 36 模式 = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$ |
| resourceId | 依 ARM 資源識別碼指定使用者指派的身分識別。 針對系統指派，請勿設定此欄位。 | 字串 |
UserIdentity
| 名稱 | 描述 | 值 |
|---|---|---|
| identityType | [必要]指定身分識別架構的類型。 | 'UserIdentity' (必要) |
ResourceBaseProperties
| 名稱 | 描述 | 值 |
|---|---|---|
| {自定義屬性} | 字串 | |
| {自定義屬性} | 字串 | |
| {自定義屬性} | 字串 | |
| {自定義屬性} | 字串 | |
| {自定義屬性} | 字串 | |
| {自定義屬性} | 字串 | |
| {自定義屬性} | 字串 | |
| {自定義屬性} | 字串 | |
| {自定義屬性} | 字串 | |
| {自定義屬性} | 字串 | |
| {自定義屬性} | 字串 | |
| {自定義屬性} | 字串 |
ScheduleBase
| 名稱 | 描述 | 值 |
|---|---|---|
| EndTime | 以 ISO 8601 格式指定排程的結束時間。 如果沒有，排程將會無限期執行 |
字串 |
| scheduleStatus | 指定排程的狀態 | 'Disabled' 'Enabled' |
| startTime | 以 ISO 8601 格式指定排程的開始時間。 | 字串 |
| timeZone | 指定排程執行所在的時區。 TimeZone應遵循 Windows 時區格式。 |
字串 |
| scheduleType | 設定物件類型 | Cron 需要迴圈 () |
CronSchedule
| 名稱 | 描述 | 值 |
|---|---|---|
| scheduleType | [必要]指定排程類型 | 需要 『Cron』 () |
| expression | [必要]指定排程的cron運算式。 表達式應遵循 NCronTab 格式。 |
需要字串 () 約束： 模式 = [a-zA-Z0-9_] |
RecurrenceSchedule
| 名稱 | 描述 | 值 |
|---|---|---|
| scheduleType | [必要]指定排程類型 | 必要) 「週期」 ( |
| frequency | [必要]指定要觸發排程的頻率 | 'Day' 'Hour' 'Minute' 'Month' 需要 『Week』 () |
| interval | [必要]指定與頻率搭配的排程間隔 | 需要 int () |
| 模式 | 指定週期排程模式 | RecurrencePattern |
RecurrencePattern
| 名稱 | 描述 | 值 |
|---|---|---|
| 小時 | [必要]週期排程模式的時數清單 | int[] (必要) |
| 分鐘 | [必要]週期排程模式的分鐘數清單 | int[] (必要) |
| 平日 | 週期排程模式的工作日清單 | 包含任何項目的字串數組： 'Friday' 'Monday' 'Saturday' 'Sunday' 'Thursday' 'Tuesday' 'Wednesday' |
JobBaseServices
| 名稱 | 描述 | 值 |
|---|---|---|
| {自定義屬性} | JobService |
JobService
| 名稱 | 描述 | 值 |
|---|---|---|
| 端點 | 端點的 URL。 | 字串 |
| jobServiceType | 端點類型。 | string |
| 連接埠 | 端點的埠。 | int |
| properties | 在端點上設定的其他屬性。 | JobServiceProperties |
JobServiceProperties
| 名稱 | 描述 | 值 |
|---|---|---|
| {自定義屬性} | 字串 |
AutoMLJob
| 名稱 | 描述 | 值 |
|---|---|---|
| jobType | [必要]指定作業的類型。 | 必要的 『AutoML』 () |
| environmentId | 作業環境規格的 ARM 資源識別碼。 這是選擇性值，如果未提供，AutoML 會在執行作業時，將此預設為生產 AutoML 策劃的環境版本。 |
字串 |
| environmentVariables | 作業中包含的環境變數。 | AutoMLJobEnvironmentVariables |
| outputs | 對應作業中使用的輸出數據系結。 | AutoMLJobOutputs |
| resources | 作業的計算資源組態。 | ResourceConfiguration |
| taskDetails | [必要]這代表可以是其中一個數據表/NLP/Image 的案例 | 需要 AutoMLVertical () |
AutoMLJobEnvironmentVariables
| 名稱 | 描述 | 值 |
|---|---|---|
| {自定義屬性} | 字串 |
AutoMLJobOutputs
| 名稱 | 描述 | 值 |
|---|---|---|
| {自定義屬性} | JobOutput |
JobOutput
| 名稱 | 描述 | 值 |
|---|---|---|
| description | 輸出的描述。 | 字串 |
| jobOutputType | 設定物件類型 | CustomModel MLFlowModel MLTable TritonModel UriFile 需要 uriFolder () |
CustomModelJobOutput
| 名稱 | 描述 | 值 |
|---|---|---|
| jobOutputType | [必要]指定作業的類型。 | 'CustomModel' (必要) |
| mode | 輸出資產傳遞模式。 | 'ReadWriteMount' 'Upload' |
| uri | 輸出資產 URI。 | 字串 |
MLFlowModelJobOutput
| 名稱 | 描述 | 值 |
|---|---|---|
| jobOutputType | [必要]指定作業的類型。 | 必要) 的 'MLFlowModel' ( |
| mode | 輸出資產傳遞模式。 | 'ReadWriteMount' 'Upload' |
| uri | 輸出資產 URI。 | 字串 |
MLTableJobOutput
| 名稱 | 描述 | 值 |
|---|---|---|
| jobOutputType | [必要]指定作業的類型。 | 需要 『MLTable』 () |
| mode | 輸出資產傳遞模式。 | 'ReadWriteMount' 'Upload' |
| uri | 輸出資產 URI。 | 字串 |
TritonModelJobOutput
| 名稱 | 描述 | 值 |
|---|---|---|
| jobOutputType | [必要]指定作業的類型。 | 'TritonModel' (必要) |
| mode | 輸出資產傳遞模式。 | 'ReadWriteMount' 'Upload' |
| uri | 輸出資產 URI。 | 字串 |
UriFileJobOutput
| 名稱 | 描述 | 值 |
|---|---|---|
| jobOutputType | [必要]指定作業的類型。 | 需要 『UriFile』 () |
| mode | 輸出資產傳遞模式。 | 'ReadWriteMount' 'Upload' |
| uri | 輸出資產 URI。 | 字串 |
UriFolderJobOutput
| 名稱 | 描述 | 值 |
|---|---|---|
| jobOutputType | [必要]指定作業的類型。 | 'UriFolder' (必要) |
| mode | 輸出資產傳遞模式。 | 'ReadWriteMount' 'Upload' |
| uri | 輸出資產 URI。 | 字串 |
ResourceConfiguration
| 名稱 | 描述 | 值 |
|---|---|---|
| instanceCount | 計算目標所使用的選用執行個體或節點數目。 | int |
| instanceType | 計算目標所支持的選擇性 VM 類型。 | 字串 |
| properties | 其他屬性包。 | ResourceConfigurationProperties |
ResourceConfigurationProperties
| 名稱 | 描述 | 值 |
|---|---|---|
| {自定義屬性} |
AutoMLVertical
| 名稱 | 描述 | 值 |
|---|---|---|
| logVerbosity | 作業的記錄詳細資訊。 | 'Critical' 'Debug' 'Error' 'Info' 'NotSet' 'Warning' |
| taskType | 設定物件類型 | 分類 預測 ImageClassification ImageClassificationMultilabel ImageInstanceSegmentation ImageObjectDetection 迴歸 TextClassification TextClassificationMultilabel 需要 TextNER () |
分類
| 名稱 | 描述 | 值 |
|---|---|---|
| taskType | [必要]AutoMLJob 的工作類型。 | 「分類」 (必要) |
| allowedModels | 分類工作的允許模型。 | 包含任何項目的字串數組： 'BernoulliNaive設定' 'DecisionTree' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LightGBM' 'LinearSVM' 'LogisticRegression' 'MultinomialNaiveBayes' 'RandomForest' 'SGD' 'SVM' 'XGBoostClassifier' |
| blockedModels | 分類工作的封鎖模型。 | 包含任何項目的字串數組： 'BernoulliNaive設定' 'DecisionTree' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LightGBM' 'LinearSVM' 'LogisticRegression' 'MultinomialNaiveBayes' 'RandomForest' 'SGD' 'SVM' 'XGBoostClassifier' |
| dataSettings | AutoMLJob 的數據輸入。 | TableVerticalDataSettings |
| featurizationSettings | AutoML 作業所需的特徵化輸入。 | TableVerticalFeaturizationSettings |
| limitSettings | AutoMLJob 的執行條件約束。 | TableVerticalLimitSettings |
| primaryMetric | 工作的主要計量。 | 'AUCWeighted' 「精確度」 'AveragePrecisionScoreWeighted' 'NormMacroRecall' 'PrecisionScoreWeighted' |
| trainingSettings | AutoML 作業定型階段的輸入。 | TrainingSettings |
TableVerticalDataSettings
| 名稱 | 描述 | 值 |
|---|---|---|
| targetColumnName | [必要]目標數據行名稱：這是預測值數據行。 也稱為分類工作內容中的標籤數據行名稱。 |
需要字串 () 約束： 模式 = [a-zA-Z0-9_] |
| testData | 測試數據輸入。 | TestDataSettings |
| trainingData | [必要]定型數據輸入。 | TrainingDataSettings (必要) |
| validationData | 驗證數據輸入。 | TableVerticalValidationDataSettings |
| weightColumnName | 範例加權數據行的名稱。 自動化 ML 支援加權數據行做為輸入，導致數據中的數據列向上或向下加權。 | 字串 |
TestDataSettings
| 名稱 | 描述 | 值 |
|---|---|---|
| 資料 | 測試數據 MLTable。 | MLTableJobInput |
| testDataSize | 測試數據集的分數，必須保留以供驗證之用。 (0.0 、1.0) 之間的值 未提供驗證數據集時套用。 |
int |
MLTableJobInput
| 名稱 | 描述 | 值 |
|---|---|---|
| description | 輸入的描述。 | 字串 |
| jobInputType | [必要]指定作業的類型。 | 'CustomModel' 'Literal' 'MLFlowModel' 'MLTable' 'TritonModel' 'UriFile' 'UriFolder' (必要) |
| mode | 輸入資產傳遞模式。 | 'Direct' 'Download' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
| uri | [必要]輸入資產 URI。 | 字串 (必要) 約束： 模式 = [a-zA-Z0-9_] |
TrainingDataSettings
| 名稱 | 描述 | 值 |
|---|---|---|
| 資料 | [必要]訓練數據MLTable。 | MLTableJobInput (必要) |
TableVerticalValidationDataSettings
| 名稱 | 描述 | 值 |
|---|---|---|
| cvSplitColumnNames | 要用於 CVSplit 資料的數據行。 | string[] |
| 資料 | 驗證數據 MLTable。 | MLTableJobInput |
| nCrossValidations | 要套用至定型數據集的交叉驗證折疊數目 未提供驗證數據集時。 |
NCrossValidations |
| validationDataSize | 必須針對驗證目的將定型數據集的分數。 介於 (0.0 、1.0) 之間的值 未提供驗證數據集時套用。 |
int |
NCrossValidations
| 名稱 | 描述 | 值 |
|---|---|---|
| mode | 設定物件類型 | Auto 自訂 (必要) |
AutoNCrossValidations
| 名稱 | 描述 | 值 |
|---|---|---|
| mode | [必要]判斷 N-Cross 驗證的模式。 | 需要 『Auto』 () |
CustomNCrossValidations
| 名稱 | 描述 | 值 |
|---|---|---|
| mode | [必要]判斷 N-Cross 驗證的模式。 | 需要 『Custom』 () |
| 值 | [必要]N-Cross 驗證值。 | int (必要) |
TableVerticalFeaturizationSettings
| 名稱 | 描述 | 值 |
|---|---|---|
| blockedTransformers | 這些轉換器不得用於特徵化。 | string[] |
| columnNameAndTypes | 數據行名稱的字典及其類型 (int、float、string、datetime 等) 。 | TableVerticalFeaturizationSettingsColumnNameAndTypes |
| datasetLanguage | 數據集語言，適用於文字數據。 | 字串 |
| dropColumns | 特徵化期間要從數據卸除的數據行。 | string[] |
| enableDnnFeaturization | 判斷是否要使用 Dnn 型特徵化程式進行數據特徵化。 | bool |
| mode | 特徵化模式 - 使用者可以保留預設的「自動」模式，而 AutoML 會負責在特徵化階段中轉換數據的必要轉換。 如果選取 [關閉]，則不會完成特徵化。 如果選取 [自定義]，則使用者可以指定其他輸入，以自定義特徵化完成的方式。 |
'Auto' 'Custom' 'Off' |
| transformerParams | 用戶可以指定要搭配其套用的數據行和轉換程式建構函式參數使用的其他轉換器。 | TableVerticalFeaturizationSettingsTransformerParams |
TableVerticalFeaturizationSettingsColumnNameAndTypes
| 名稱 | 描述 | 值 |
|---|---|---|
| {自定義屬性} | 字串 |
TableVerticalFeaturizationSettingsTransformerParams
| 名稱 | 描述 | 值 |
|---|---|---|
| {自定義屬性} | ColumnTransformer[] |
ColumnTransformer
| 名稱 | 描述 | 值 |
|---|---|---|
| fields | 要套用轉換器邏輯的欄位。 | string[] |
| 參數 | 要傳遞至轉換器的不同屬性。 預期的輸入是 JSON 格式的索引鍵、值組字典。 |
TableVerticalLimitSettings
| 名稱 | 描述 | 值 |
|---|---|---|
| enableEarlyTermination | 啟用提早終止，判斷如果最後 20 個反覆項目沒有分數改善，AutoMLJob 是否提早終止。 | bool |
| exitScore | AutoML 作業的結束分數。 | int |
| maxConcurrentTrials | 並行反覆專案上限。 | int |
| maxCoresPerTrial | 每次反覆運算的核心數上限。 | int |
| maxTrials | 反覆運算次數。 | int |
| timeout | AutoML 作業逾時。 | 字串 |
| trialTimeout | 反覆專案逾時。 | 字串 |
TrainingSettings
| 名稱 | 描述 | 值 |
|---|---|---|
| enableDnnTraining | 啟用 DNN 模型的建議。 | bool |
| enableModelExplainability | 在最佳模型上開啟可解釋性的旗標。 | bool |
| enableOnnxCompatibleModels | 啟用 onnx 相容模型的旗標。 | bool |
| enableStackEnsemble | 啟用堆疊Ensemble 執行。 | bool |
| enableVoteEnsemble | 啟用投票Ensemble 執行。 | bool |
| ensembleModelDownloadTimeout | 在 VotingEnsemble 和 StackEnsemble 模型產生期間，會下載先前子回合中的多個配適模型。 如果需要更多時間，請將此參數設定為高於 300 秒的值。 |
字串 |
| stackEnsembleSettings | 堆疊Ensemble 執行的堆疊Ensemble 設定。 | StackEnsembleSettings |
StackEnsembleSettings
| 名稱 | 描述 | 值 |
|---|---|---|
| stackMetaLearnerKWargs | 要傳遞至中繼學習模組初始化表達式的選擇性參數。 | |
| stackMetaLearnerTrainPercentage | 指定在選擇訓練和驗證類型的訓練) 保留給訓練中繼學習工具時，訓練集 (的比例。 預設值為 0.2。 | int |
| stackMetaLearnerType | 中繼學習模組是針對個別異質模型的輸出定型的模型。 | 'ElasticNet' 'ElasticNetCV' 'LightGBMClassifier' 'LightGBMRegressor' 'LinearRegression' 'LogisticRegression' 'LogisticRegressionCV' 'None' |
預測
| 名稱 | 描述 | 值 |
|---|---|---|
| taskType | [必要]AutoMLJob 的工作類型。 | 「預測」 (必要) |
| allowedModels | 用於預測工作的允許模型。 | 包含任何項目的字串數組： 'Arimax' 'AutoArima' 'Average' 'DecisionTree' 'ElasticNet' 'ExponentialSmoothing' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'Naive' '以新月' 'RandomForest' 'SGD' 'SeasonalAverage' 'SeasonalNaive' 'TCNForecaster' 'XGBoostRegressor' |
| blockedModels | 用於預測工作的封鎖模型。 | 包含任何項目的字串數組： 'Arimax' 'AutoArima' 'Average' 'DecisionTree' 'ElasticNet' 'ExponentialSmoothing' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'Naive' '以新月' 'RandomForest' 'SGD' 'SeasonalAverage' 'SeasonalNaive' 'TCNForecaster' 'XGBoostRegressor' |
| dataSettings | AutoMLJob 的數據輸入。 | TableVerticalDataSettings |
| featurizationSettings | AutoML 作業所需的特徵化輸入。 | TableVerticalFeaturizationSettings |
| forecastingSettings | 預測工作特定輸入。 | ForecastingSettings |
| limitSettings | AutoMLJob 的執行條件約束。 | TableVerticalLimitSettings |
| primaryMetric | 預測工作的主要計量。 | 'NormalizedMeanAbsoluteError' 'NormalizedRootMeanSquaredError' 'R2Score' 'SpearmanCorrelation' |
| trainingSettings | AutoML 作業定型階段的輸入。 | TrainingSettings |
ForecastingSettings
| 名稱 | 描述 | 值 |
|---|---|---|
| countryOrRegionForHolidays | 用於預測工作的假日國家或地區。 這些應該是 ISO 3166 兩個字母的國家/地區代碼，例如 'US' 或 'GB'。 |
字串 |
| cvStepSize | 一個 CV 折疊的原點時間與下一個折疊之間的期間數。 For 例如，如果 CVStepSize = 3 表示每日數據，則每個折疊的源時間將會是相隔三天。 |
int |
| featureLags | 旗標，用於產生具有 'auto' 或 null 之數值特徵的延隔時間。 | 'Auto' 'None' |
| forecastHorizon | 時間序列頻率單位所需的最大預測層級。 | ForecastHorizon |
| frequency | 預測時，此參數代表需要預測的期間，例如每日、每周、每年等等。預測頻率預設為數據集頻率。 | 字串 |
| 季節性 | 將時間序列季節性設定為數列頻率的整數倍數。 如果季節性設定為 『auto』，則會推斷它。 |
季節性 |
| shortSeriesHandlingConfig | 參數，定義 AutoML 是否應該處理簡短的時間序列。 | 'Auto' 'Drop' 'None' 'Pad' |
| targetAggregateFunction | 用來匯總時間序列目標數據行以符合使用者指定頻率的函式。 如果 TargetAggregateFunction 設定為不是 『None』，但未設定 freq 參數，就會引發錯誤。 可能的目標匯總函數包括：「sum」、“ max” |
'Max' 'Mean' 'Min' 'None' 'Sum' |
| targetLags | 要從目標數據行延遲的過去期間數。 | TargetLags |
| targetRollingWindowSize | 過去期間數，用來建立目標數據行的滾動視窗平均值。 | TargetRollingWindowSize |
| timeColumnName | 時間數據行的名稱。 當預測指定用於建置時間序列並推斷其頻率的輸入數據中的 datetime 數據行時，需要此參數。 | 字串 |
| timeSeriesIdColumnNames | 用來分組時間範圍的數據行名稱。 它可以用來建立多個數列。 如果未定義粒紋，則會假設資料集為一個時間序列。 此參數會與工作類型預測搭配使用。 |
string[] |
| useStl | 設定時間序列目標數據行的 STL 分解。 | 'None' 'Season' 'SeasonTrend' |
ForecastHorizon
| 名稱 | 描述 | 值 |
|---|---|---|
| mode | 設定物件類型 | Auto 自訂 (必要) |
AutoForecastHorizon
| 名稱 | 描述 | 值 |
|---|---|---|
| mode | [必要]設定預測水準值選取模式。 | 需要 『Auto』 () |
CustomForecastHorizon
| 名稱 | 描述 | 值 |
|---|---|---|
| mode | [必要]設定預測水準值選取模式。 | 需要 『Custom』 () |
| 值 | [必要]預測水準值。 | int (必要) |
季節性
| 名稱 | 描述 | 值 |
|---|---|---|
| mode | 設定物件類型 | Auto 自訂 (必要) |
AutoSeasonality
| 名稱 | 描述 | 值 |
|---|---|---|
| mode | [必要]季節性模式。 | 需要 『Auto』 () |
CustomSeasonality
| 名稱 | 描述 | 值 |
|---|---|---|
| mode | [必要]季節性模式。 | 需要 『Custom』 () |
| 值 | [必要]季節性值。 | int (必要) |
TargetLags
| 名稱 | 描述 | 值 |
|---|---|---|
| mode | 設定物件類型 | Auto 自訂 (必要) |
AutoTargetLags
| 名稱 | 描述 | 值 |
|---|---|---|
| mode | [必要]設定目標延遲模式 - 自動/自定義 | 需要 『Auto』 () |
CustomTargetLags
| 名稱 | 描述 | 值 |
|---|---|---|
| mode | [必要]設定目標延隔模式 - 自動/自定義 | 必要) 'Custom' ( |
| 值 | [必要]設定目標延隔值。 | int[] (必要) |
TargetRollingWindowSize
| 名稱 | 描述 | 值 |
|---|---|---|
| mode | 設定物件類型 | Auto 需要自訂 () |
AutoTargetRollingWindowSize
| 名稱 | 描述 | 值 |
|---|---|---|
| mode | [必要]TargetRollingWindowSiz 偵測模式。 | 需要 『Auto』 () |
CustomTargetRollingWindowSize
| 名稱 | 描述 | 值 |
|---|---|---|
| mode | [必要]TargetRollingWindowSiz 偵測模式。 | 必要) 'Custom' ( |
| 值 | [必要]TargetRollingWindowSize 值。 | 需要 int () |
ImageClassification
| 名稱 | 描述 | 值 |
|---|---|---|
| taskType | [必要]AutoMLJob 的工作類型。 | 'ImageClassification' (必要) |
| dataSettings | [必要]已註冊表格式數據集標識碼的集合，以及定型和驗證模型所需的其他數據設定。 | ImageVerticalDataSettings (必要) |
| limitSettings | [必要]限制 AutoML 作業的設定。 | ImageLimitSettings (必要) |
| modelSettings | 用於定型模型的設定。 | ImageModelSettingsClassification |
| primaryMetric | 要針對這項工作優化的主要計量。 | 'AUCWeighted' 「精確度」 'AveragePrecisionScoreWeighted' 'NormMacroRecall' 'PrecisionScoreWeighted' |
| searchSpace | 搜尋空間，以取樣模型及其超參數的不同組合。 | ImageModelDistributionSettingsClassification[] |
| sweepSettings | 模型掃掠和超參數掃掠相關設定。 | ImageSweepSettings |
ImageVerticalDataSettings
| 名稱 | 描述 | 值 |
|---|---|---|
| targetColumnName | [必要]目標數據行名稱：這是預測值數據行。 也稱為分類工作內容中的標籤數據行名稱。 |
需要字串 () 約束： 模式 = [a-zA-Z0-9_] |
| testData | 測試數據輸入。 | TestDataSettings |
| trainingData | [必要]定型數據輸入。 | TrainingDataSettings (必要) |
| validationData | 驗證數據集的設定。 | ImageVerticalValidationDataSettings |
ImageVerticalValidationDataSettings
| 名稱 | 描述 | 值 |
|---|---|---|
| 資料 | 驗證數據 MLTable。 | MLTableJobInput |
| validationDataSize | 需要為驗證目的保留的定型數據集分數。 (0.0 、1.0) 之間的值 未提供驗證數據集時套用。 |
int |
ImageLimitSettings
| 名稱 | 描述 | 值 |
|---|---|---|
| maxConcurrentTrials | 並行 AutoML 反覆項目的數目上限。 | int |
| maxTrials | AutoML 反覆項目的數目上限。 | int |
| timeout | AutoML 作業逾時。 | 字串 |
ImageModelSettingsClassification
| 名稱 | 描述 | 值 |
|---|---|---|
| advancedSettings | 進階案例的設定。 | 字串 |
| amsGradient | 當優化器為 『adam』 或 'adamw' 時啟用AMSGrad。 | bool |
| 擴增 | 使用擴增的設定。 | 字串 |
| beta1 | 當優化器為 'adam' 或 'adamw' 時，'beta1' 的值。 必須是範圍 [0, 1] 內的浮點數。 | int |
| beta2 | 當優化器為 'adam' 或 'adamw' 時，'beta2' 的值。 必須是範圍 [0, 1] 內的浮點數。 | int |
| checkpointDatasetId | 預先定型檢查點的 FileDataset 識別碼， (累加式定型的) 。 請務必傳遞 CheckpointFilename 以及 CheckpointDatasetId。 |
字串 |
| checkpointFilename | FileDataset 中用於累加式定型的預先定型檢查點檔案名稱。 請務必傳遞 CheckpointDatasetId 以及 CheckpointFilename。 |
字串 |
| checkpointFrequency | 儲存模型檢查點的頻率。 必須是正整數。 | int |
| checkpointRunId | 先前執行之標識碼，其具有累加式定型的預先定型檢查點。 | 字串 |
| 分散式 | 是否要使用分散式定型。 | bool |
| earlyStopping | 在定型期間啟用提早停止邏輯。 | bool |
| earlyStoppingDelay | 在主要計量改進之前等待的最小 Epoch 或驗證評估數目 會追蹤提早停止。 必須是正整數。 |
int |
| earlyStoppingPatience | 在之前沒有主要計量改善的最小 Epoch 或驗證評估數目 執行已停止。 必須是正整數。 |
int |
| enableOnnxNormalization | 匯出 ONNX 模型時啟用正規化。 | bool |
| evaluationFrequency | 評估驗證資料集以取得計量分數的頻率。 必須是正整數。 | int |
| gradientAccumulationStep | 漸層累積表示執行未設定數目的 「GradAccumulationStep」 步驟 更新模型權數，同時累積這些步驟的漸層，然後使用 用來計算權數更新的累積漸層。 必須是正整數。 |
int |
| layersToFreeze | 要凍結模型的層數。 必須是正整數。 例如，傳遞 2 作為 'seresnext' 值表示 凍結 layer0 和 layer1。 如需所支援模型的完整清單，以及圖層凍結的詳細數據，請 看到： https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
int |
| learningRate | 初始學習速率。 必須是範圍 [0, 1] 內的浮點數。 | int |
| learningRateScheduler | 學習率排程器的類型。 必須是 『warmup_cosine』 或 'step'。 | 'None' 'Step' 'WarmupCosine' |
| modelName | 要用於定型的模型名稱。 如需可用模型的詳細資訊，請造訪官方檔： https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
字串 |
| 動量 | 優化工具為 『sgd』 時的動向值。 必須是範圍 [0, 1] 內的浮點數。 | int |
| nesterov | 當優化器為 'sgd' 時，請啟用 nesterov。 | bool |
| numberOfEpochs | 定型 Epoch 的數目。 必須是正整數。 | int |
| numberOfWorkers | 數據載入器背景工作角色的數目。 必須是非負整數。 | int |
| optimizer | 最佳化工具的類型。 | 'Adam' 'Adamw' 'None' 'Sgd' |
| randomSeed | 使用決定性定型時要使用的隨機種子。 | int |
| splitRatio | 如果未定義驗證數據，這會指定分割的分割比率 將數據定型成隨機定型和驗證子集。 必須是範圍 [0, 1] 內的浮點數。 |
int |
| stepLRGamma | 當學習速率排程器為 『step』 時，gamma 的值。 必須是範圍 [0, 1] 內的浮點數。 | int |
| stepLRStepSize | 當學習速率排程器為 『step』 時，步驟大小的值。 必須是正整數。 | int |
| trainingBatchSize | 定型批次大小。 必須是正整數。 | int |
| trainingCropSize | 影像裁剪大小，為定型數據集的類神經網路輸入。 必須是正整數。 | int |
| validationBatchSize | 驗證批次大小。 必須是正整數。 | int |
| validationCropSize | 輸入至驗證數據集之類神經網路的影像裁剪大小。 必須是正整數。 | int |
| validationResizeSize | 在針對驗證資料集進行裁切之前，要調整大小的影像大小。 必須是正整數。 | int |
| warmupCosineLRCycles | 當學習速率排程器為 『warmup_cosine』 時，餘弦迴圈的值。 必須是範圍 [0, 1] 內的浮點數。 | int |
| warmupCosineLRWarmupEpochs | 當學習速率排程器為 『warmup_cosine』時，熱身 Epoch 的值。 必須是正整數。 | int |
| weightDecay | 優化器為 'sgd'、'adam' 或 'adamw' 時的權數衰減值。 必須是範圍[0， 1] 中的浮點數。 | int |
| weightedLoss | 加權損失。 接受的值是 0，不會遺失加權。 1 用於 sqrt. (class_weights) 加權損失。 2 表示具有 class_weights 的加權遺失。 必須是 0 或是 1 或 2。 |
int |
ImageModelDistributionSettingsClassification
| 名稱 | 描述 | 值 |
|---|---|---|
| amsGradient | 當優化器為 『adam』 或 'adamw' 時啟用AMSGrad。 | 字串 |
| 擴增 | 使用擴增的設定。 | 字串 |
| beta1 | 優化器為 'adam' 或 'adamw' 時的 'beta1' 值。 必須是範圍 [0, 1] 內的浮點數。 | 字串 |
| beta2 | 優化器為 'adam' 或 'adamw' 時的 'beta2' 值。 必須是範圍 [0, 1] 內的浮點數。 | 字串 |
| 分散式 | 是否要使用分散式程式定型。 | 字串 |
| earlyStopping | 在定型期間啟用提早停止邏輯。 | 字串 |
| earlyStoppingDelay | 在主要計量改進之前等候的最小 Epoch 或驗證評估數目 會追蹤早期停止。 必須是正整數。 |
字串 |
| earlyStoppingPatience | 在之前沒有主要計量改善的最小 Epoch 或驗證評估數目 執行已停止。 必須是正整數。 |
字串 |
| enableOnnxNormalization | 匯出 ONNX 模型時啟用正規化。 | 字串 |
| evaluationFrequency | 評估驗證資料集以取得計量分數的頻率。 必須是正整數。 | 字串 |
| gradientAccumulationStep | 漸層累積表示執行未設定數目的 「GradAccumulationStep」 步驟 更新模型權數，同時累積這些步驟的漸層，然後使用 用來計算權數更新的累積漸層。 必須是正整數。 |
字串 |
| layersToFreeze | 要凍結模型的層數。 必須是正整數。 例如，傳遞 2 作為 'seresnext' 值表示 凍結 layer0 和 layer1。 如需所支援模型的完整清單，以及圖層凍結的詳細數據，請 看到： https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
字串 |
| learningRate | 初始學習速率。 必須是範圍 [0, 1] 內的浮點數。 | 字串 |
| learningRateScheduler | 學習率排程器的類型。 必須是 『warmup_cosine』 或 'step'。 | 字串 |
| modelName | 要用於定型的模型名稱。 如需可用模型的詳細資訊，請造訪官方檔： https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
字串 |
| 動量 | 優化工具為 『sgd』 時的動向值。 必須是範圍 [0, 1] 內的浮點數。 | 字串 |
| nesterov | 當優化器為 『sgd』 時啟用 nesterov。 | 字串 |
| numberOfEpochs | 定型 Epoch 的數目。 必須是正整數。 | 字串 |
| numberOfWorkers | 數據載入器背景工作角色的數目。 必須是非負整數。 | 字串 |
| optimizer | 最佳化工具的類型。 必須是 'sgd'、'adam' 或 'adamw'。 | 字串 |
| randomSeed | 使用決定性定型時要使用的隨機種子。 | 字串 |
| splitRatio | 如果未定義驗證數據，這會指定分割的分割比例 將數據定型為隨機定型和驗證子集。 必須是範圍 [0, 1] 內的浮點數。 |
字串 |
| stepLRGamma | 當學習速率排程器為 『step』 時，gamma 的值。 必須是範圍 [0, 1] 內的浮點數。 | 字串 |
| stepLRStepSize | 當學習速率排程器為 『step』 時，步驟大小的值。 必須是正整數。 | 字串 |
| trainingBatchSize | 定型批次大小。 必須是正整數。 | 字串 |
| trainingCropSize | 影像裁剪大小，為定型數據集輸入類神經網路。 必須是正整數。 | 字串 |
| validationBatchSize | 驗證批次大小。 必須是正整數。 | 字串 |
| validationCropSize | 影像裁剪大小，這是驗證數據集之類神經網路的輸入。 必須是正整數。 | 字串 |
| validationResizeSize | 在針對驗證資料集進行裁切之前，要調整大小的影像大小。 必須是正整數。 | 字串 |
| warmupCosineLRCycles | 學習速率排程器為「warmup_cosine」時的餘弦週期值。 必須是範圍 [0, 1] 內的浮點數。 | 字串 |
| warmupCosineLRWarmupEpochs | 當學習速率排程器為 『warmup_cosine』 時，暖 Epoch 的值。 必須是正整數。 | 字串 |
| weightDecay | 當優化器為 'sgd'、'adam' 或 'adamw' 時，加權衰減的值。 必須是 range[0， 1] 中的浮點數。 | 字串 |
| weightedLoss | 加權損失。 接受的值為 0，不會遺失加權。 1 用於 sqrt. (class_weights) 的加權損失。 2 表示具有 class_weights 的加權遺失。 必須是 0 或是 1 或 2。 |
字串 |
ImageSweepSettings
| 名稱 | 描述 | 值 |
|---|---|---|
| earlyTermination | 早期終止原則的類型。 | EarlyTerminationPolicy |
| 限制 | [必要]限制模型掃掠和超參數掃掠的設定。 | ImageSweepLimitSettings (必要) |
| samplingAlgorithm | [必要]超參數取樣演算法的類型。 | 'Bayesian' 'Grid' 需要 'Random' () |
EarlyTerminationPolicy
| 名稱 | 描述 | 值 |
|---|---|---|
| delayEvaluation | 延遲第一次評估的間隔數目。 | int |
| evaluationInterval | 原則評估之間) 執行的間隔 (數目。 | int |
| policyType | 設定物件類型 | Bandit MedianStopping 截斷選取 必要 () |
BanditPolicy
| 名稱 | 描述 | 值 |
|---|---|---|
| policyType | [必要]原則設定的名稱 | 需要 『Bandit』 () |
| slackAmount | 最佳執行所允許的絕對距離。 | int |
| slackFactor | 允許與最佳執行距離的比例。 | int |
MedianStoppingPolicy
| 名稱 | 描述 | 值 |
|---|---|---|
| policyType | [必要]原則設定的名稱 | 必要 ('MedianStopping') |
TruncationSelectionPolicy
| 名稱 | 描述 | 值 |
|---|---|---|
| policyType | [必要]原則設定的名稱 | 'TruncationSelection' (必要) |
| truncationPercentage | 要在每個評估間隔取消的執行百分比。 | int |
ImageSweepLimitSettings
| 名稱 | 描述 | 值 |
|---|---|---|
| maxConcurrentTrials | 基礎掃掠作業的並行反覆項目數目上限。 | int |
| maxTrials | 基礎掃掠作業的反覆項目數目上限。 | int |
ImageClassificationMultilabel
| 名稱 | 描述 | 值 |
|---|---|---|
| taskType | [必要]AutoMLJob 的工作類型。 | 'ImageClassificationMultilabel' (必要) |
| dataSettings | [必要]已註冊表格式數據集標識碼的集合，以及定型和驗證模型所需的其他數據設定。 | ImageVerticalDataSettings (必要) |
| limitSettings | [必要]限制 AutoML 作業的設定。 | ImageLimitSettings (必要) |
| modelSettings | 用於定型模型的設定。 | ImageModelSettingsClassification |
| primaryMetric | 要針對這項工作優化的主要計量。 | 'AUCWeighted' 'Accuracy' 'AveragePrecisionScoreWeighted' 'IOU' 'NormMacroRecall' 'PrecisionScoreWeighted' |
| searchSpace | 搜尋空間，以取樣模型及其超參數的不同組合。 | ImageModelDistributionSettingsClassification[] |
| sweepSettings | 模型掃掠和超參數掃掠相關設定。 | ImageSweepSettings |
ImageInstanceSegmentation
| 名稱 | 描述 | 值 |
|---|---|---|
| taskType | [必要]AutoMLJob 的工作類型。 | 'ImageInstanceSegmentation' (必要) |
| dataSettings | [必要]註冊的表格式數據集標識碼和其他定型和驗證模型所需的數據設定集合。 | ImageVerticalDataSettings (必要) |
| limitSettings | [必要]限制 AutoML 作業的設定。 | ImageLimitSettings (必要) |
| modelSettings | 用於定型模型的設定。 | ImageModelSettingsObjectDetection |
| primaryMetric | 要針對這項工作優化的主要計量。 | 'MeanAveragePrecision' |
| searchSpace | 搜尋空間，以取樣模型及其超參數的不同組合。 | ImageModelDistributionSettingsObjectDetection[] |
| sweepSettings | 模型掃掠和超參數掃掠相關設定。 | ImageSweepSettings |
ImageModelSettingsObjectDetection
| 名稱 | 描述 | 值 |
|---|---|---|
| advancedSettings | 進階案例的設定。 | 字串 |
| amsGradient | 當優化器為 『adam』 或 'adamw' 時啟用AMSGrad。 | bool |
| 擴增 | 使用擴增的設定。 | 字串 |
| beta1 | 優化器為 'adam' 或 'adamw' 時的 'beta1' 值。 必須是範圍 [0, 1] 內的浮點數。 | int |
| beta2 | 優化器為 'adam' 或 'adamw' 時的 'beta2' 值。 必須是範圍 [0, 1] 內的浮點數。 | int |
| boxDetectionsPerImage | 針對所有類別，每個影像的偵測數目上限。 必須是正整數。 注意：'yolov5' 演算法不支援此設定。 |
int |
| boxScoreThreshold | 在推斷期間，只傳回分類分數大於的建議 BoxScoreThreshold。 必須是範圍[0， 1] 中的浮點數。 |
int |
| checkpointDatasetId | 預先定型檢查點的 FileDataset 識別碼， (累加式定型的) 。 請務必傳遞 CheckpointFilename 以及 CheckpointDatasetId。 |
字串 |
| checkpointFilename | FileDataset 中用於累加式定型的預先定型檢查點檔案名稱。 請務必傳遞 CheckpointDatasetId 以及 CheckpointFilename。 |
字串 |
| checkpointFrequency | 儲存模型檢查點的頻率。 必須是正整數。 | int |
| checkpointRunId | 先前執行的標識碼，其具有累加定型的預先定型檢查點。 | 字串 |
| 分散式 | 是否要使用分散式定型。 | bool |
| earlyStopping | 在定型期間啟用提早停止邏輯。 | bool |
| earlyStoppingDelay | 在主要計量改進之前等候的最小 Epoch 或驗證評估數目 會追蹤早期停止。 必須是正整數。 |
int |
| earlyStoppingPatience | 之前沒有主要計量改進的最小 Epoch 或驗證評估數目 執行已停止。 必須是正整數。 |
int |
| enableOnnxNormalization | 匯出 ONNX 模型時啟用正規化。 | bool |
| evaluationFrequency | 評估驗證資料集以取得計量分數的頻率。 必須是正整數。 | int |
| gradientAccumulationStep | 漸層累積表示在沒有的情況下執行已設定數目的 「GradAccumulationStep」 步驟 更新模型權數，同時累積這些步驟的漸層，然後使用 用來計算權數更新的累積漸層。 必須是正整數。 |
int |
| imageSize | 用於定型和驗證的影像大小。 必須是正整數。 注意：如果大小太大，定型回合可能會進入 CUDA OOM。 注意：只有 'yolov5' 演算法才支援此設定。 |
int |
| layersToFreeze | 要凍結模型的圖層數目。 必須是正整數。 例如，傳遞 2 做為 'seresnext' 值表示 凍結第0層和第1層。 如需支援模型的完整清單，以及圖層凍結的詳細數據，請 看到： https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
int |
| learningRate | 初始學習速率。 必須是範圍 [0, 1] 內的浮點數。 | int |
| learningRateScheduler | 學習率排程器的類型。 必須是 『warmup_cosine』 或 'step'。 | 'None' 'Step' 'WarmupCosine' |
| maxSize | 將影像饋送至骨幹之前要重新調整的影像大小上限。 必須是正整數。 注意：如果大小太大，則定型執行可能會進入 CUDA OOM. 注意：'yolov5' 演算法不支援此設定。 |
int |
| minSize | 將影像饋送至骨幹之前要重新調整的影像大小下限。 必須是正整數。 注意：如果大小太大，則定型執行可能會進入 CUDA OOM. 注意：'yolov5' 演算法不支援此設定。 |
int |
| modelName | 要用於定型的模型名稱。 如需可用模型的詳細資訊，請流覽官方檔： https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
字串 |
| modelSize | 模型大小。 必須是 'small'、'medium'、'large' 或 'xlarge'。 注意：如果模型大小太大，則定型執行可能會進入 CUDA OOM. 注意：只有 'yolov5' 演算法才支援此設定。 |
'ExtraLarge' 'Large' 'Medium' 'None' 'Small' |
| 動量 | 優化工具為 『sgd』 時的時刻值。 必須是範圍 [0, 1] 內的浮點數。 | int |
| 尺度 | 依 +/- 50% 的不同影像大小啟用多縮放映射。 注意：如果沒有足夠的 GPU 記憶體，則定型執行可能會進入 CUDA OOM。 注意：只有 'yolov5' 演算法才支援此設定。 |
bool |
| nesterov | 當優化器為 'sgd' 時，請啟用 nesterov。 | bool |
| nmsIouThreshold | 在NMS後置處理中推斷期間使用的IOU臨界值。 必須是範圍 [0, 1] 內的浮點數。 | int |
| numberOfEpochs | 定型 Epoch 的數目。 必須是正整數。 | int |
| numberOfWorkers | 數據載入器背景工作角色的數目。 必須是非負整數。 | int |
| optimizer | 最佳化工具的類型。 | 'Adam' 'Adamw' 'None' 'Sgd' |
| randomSeed | 使用決定性定型時要使用的隨機種子。 | int |
| splitRatio | 如果未定義驗證數據，這會指定分割的分割比率 將數據定型成隨機定型和驗證子集。 必須是範圍 [0, 1] 內的浮點數。 |
int |
| stepLRGamma | 當學習速率排程器為 『step』 時，gamma 的值。 必須是範圍 [0, 1] 內的浮點數。 | int |
| stepLRStepSize | 當學習速率排程器為 『step』 時，步驟大小的值。 必須是正整數。 | int |
| tileGridSize | 要用於每個並排影像的格線大小。 注意：TileGridSize 不得為 無可啟用小型物件偵測邏輯。 字串，包含兩個整數，格式為一個。 注意：'yolov5' 演算法不支援此設定。 |
字串 |
| tileOverlapRatio | 每個維度中相鄰圖格之間的重疊比例。 必須是範圍 [0， 1) 的 float。 注意：'yolov5' 演算法不支援此設定。 |
int |
| tilePredictionsNmsThreshold | 從圖格和影像合併預測時用來執行 NMS 的 IOU 閾值。 用於驗證/推斷。 必須是範圍 [0， 1] 中的浮點數。 注意：'yolov5' 演算法不支援此設定。 |
int |
| trainingBatchSize | 定型批次大小。 必須是正整數。 | int |
| validationBatchSize | 驗證批次大小。 必須是正整數。 | int |
| validationIouThreshold | 計算驗證計量時要使用的IOU臨界值。 必須是範圍 [0， 1] 中的浮點數。 | int |
| validationMetricType | 要用於驗證計量的計量計算方法。 | 'Coco' 'CocoVoc' 'None' 'Voc' |
| warmupCosineLRCycles | 學習速率排程器為「warmup_cosine」時的餘弦週期值。 必須是範圍 [0, 1] 內的浮點數。 | int |
| warmupCosineLRWarmupEpochs | 當學習速率排程器為 『warmup_cosine』 時，暖 Epoch 的值。 必須是正整數。 | int |
| weightDecay | 當優化器為 'sgd'、'adam' 或 'adamw' 時，加權衰減的值。 必須是 range[0， 1] 中的浮點數。 | int |
ImageModelDistributionSettingsObjectDetection
| 名稱 | 描述 | 值 |
|---|---|---|
| amsGradient | 當優化器為 『adam』 或 'adamw' 時啟用AMSGrad。 | 字串 |
| 擴增 | 使用擴增的設定。 | 字串 |
| beta1 | 當優化器為 'adam' 或 'adamw' 時，'beta1' 的值。 必須是範圍 [0, 1] 內的浮點數。 | 字串 |
| beta2 | 當優化器為 'adam' 或 'adamw' 時，'beta2' 的值。 必須是範圍 [0, 1] 內的浮點數。 | 字串 |
| boxDetectionsPerImage | 針對所有類別，每個影像的偵測數目上限。 必須是正整數。 注意：'yolov5' 演算法不支援此設定。 |
字串 |
| boxScoreThreshold | 在推斷期間，只傳回分類分數大於的建議 BoxScoreThreshold。 必須是 range[0， 1] 中的浮點數。 |
字串 |
| 分散式 | 是否要使用散發器定型。 | 字串 |
| earlyStopping | 在定型期間啟用提早停止邏輯。 | 字串 |
| earlyStoppingDelay | 在主要計量改進之前等待的最小 Epoch 或驗證評估數目 會追蹤提早停止。 必須是正整數。 |
字串 |
| earlyStoppingPatience | 在之前沒有主要計量改善的最小 Epoch 或驗證評估數目 執行已停止。 必須是正整數。 |
字串 |
| enableOnnxNormalization | 匯出 ONNX 模型時啟用正規化。 | 字串 |
| evaluationFrequency | 評估驗證資料集以取得計量分數的頻率。 必須是正整數。 | 字串 |
| gradientAccumulationStep | 漸層累積表示在沒有的情況下執行已設定數目的 「GradAccumulationStep」 步驟 更新模型權數，同時累積這些步驟的漸層，然後使用 用來計算權數更新的累積漸層。 必須是正整數。 |
字串 |
| imageSize | 用於定型和驗證的影像大小。 必須是正整數。 注意：如果大小太大，定型回合可能會進入 CUDA OOM。 注意：只有 'yolov5' 演算法才支援此設定。 |
字串 |
| layersToFreeze | 要凍結模型的圖層數目。 必須是正整數。 例如，傳遞 2 做為 'seresnext' 值表示 凍結第0層和第1層。 如需支援模型的完整清單，以及圖層凍結的詳細數據，請 看到： https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
字串 |
| learningRate | 初始學習速率。 必須是範圍 [0, 1] 內的浮點數。 | 字串 |
| learningRateScheduler | 學習率排程器的類型。 必須是 『warmup_cosine』 或 'step'。 | 字串 |
| maxSize | 將影像饋送至骨幹之前要重新調整的影像大小上限。 必須是正整數。 注意：如果大小太大，則定型執行可能會進入 CUDA OOM. 注意：'yolov5' 演算法不支援此設定。 |
字串 |
| minSize | 將影像饋送至骨幹之前要重新調整的影像大小下限。 必須是正整數。 注意：如果大小太大，則定型執行可能會進入 CUDA OOM. 注意：'yolov5' 演算法不支援此設定。 |
字串 |
| modelName | 要用於定型的模型名稱。 如需可用模型的詳細資訊，請流覽官方檔： https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
字串 |
| modelSize | 模型大小。 必須是 'small'、'medium'、'large' 或 'xlarge'。 注意：如果模型大小太大，則定型執行可能會進入 CUDA OOM. 注意：只有 'yolov5' 演算法才支援此設定。 |
字串 |
| 動量 | 優化工具為 『sgd』 時的時刻值。 必須是範圍 [0, 1] 內的浮點數。 | 字串 |
| 尺度 | 依 +/- 50% 的不同影像大小啟用多縮放映射。 注意：如果沒有足夠的 GPU 記憶體，則定型執行可能會進入 CUDA OOM。 注意：只有 'yolov5' 演算法才支援此設定。 |
字串 |
| nesterov | 當優化器為 'sgd' 時，請啟用 nesterov。 | 字串 |
| nmsIouThreshold | 在NMS後置處理中推斷期間使用的IOU臨界值。 必須是範圍 [0， 1] 中的 float。 | 字串 |
| numberOfEpochs | 定型 Epoch 的數目。 必須是正整數。 | 字串 |
| numberOfWorkers | 數據載入器背景工作角色的數目。 必須是非負整數。 | 字串 |
| optimizer | 最佳化工具的類型。 必須是 『sgd』、『adam』或 『adamw』。 | 字串 |
| randomSeed | 使用決定性定型時要使用的隨機種子。 | 字串 |
| splitRatio | 如果未定義驗證數據，這會指定分割的分割比率 將數據定型成隨機定型和驗證子集。 必須是範圍 [0, 1] 內的浮點數。 |
字串 |
| stepLRGamma | 當學習速率排程器為 『step』 時，gamma 的值。 必須是範圍 [0, 1] 內的浮點數。 | 字串 |
| stepLRStepSize | 當學習速率排程器為 『step』 時，步驟大小的值。 必須是正整數。 | 字串 |
| tileGridSize | 要用於每個並排影像的格線大小。 注意：TileGridSize 不得為 無可啟用小型物件偵測邏輯。 包含兩個整數的字串，其格式為#。 注意：'yolov5' 演算法不支援此設定。 |
字串 |
| tileOverlapRatio | 每個維度中相鄰圖格之間的重疊比例。 範圍 [0， 1) 必須是 float。 注意：'yolov5' 演算法不支援此設定。 |
字串 |
| tilePredictionsNmsThreshold | 從圖格和影像合併預測時用來執行 NMS 的 IOU 閾值。 用於驗證/推斷。 必須是範圍 [0， 1] 中的 float。 注意：'yolov5' 演算法不支援此設定。 NMS：非最大隱藏 |
字串 |
| trainingBatchSize | 定型批次大小。 必須是正整數。 | 字串 |
| validationBatchSize | 驗證批次大小。 必須是正整數。 | 字串 |
| validationIouThreshold | 計算驗證計量時要使用的IOU臨界值。 必須是範圍 [0， 1] 中的 float。 | 字串 |
| validationMetricType | 要用於驗證計量的計量計算方法。 必須是 『none』、'coco'、'voc' 或 'coco_voc'。 | 字串 |
| warmupCosineLRCycles | 當學習速率排程器為 『warmup_cosine』 時，餘弦迴圈的值。 必須是範圍 [0, 1] 內的浮點數。 | 字串 |
| warmupCosineLRWarmupEpochs | 當學習速率排程器為 『warmup_cosine』時，熱身 Epoch 的值。 必須是正整數。 | 字串 |
| weightDecay | 優化器為 'sgd'、'adam' 或 'adamw' 時的權數衰減值。 必須是範圍[0， 1] 中的浮點數。 | 字串 |
ImageObjectDetection
| 名稱 | 描述 | 值 |
|---|---|---|
| taskType | [必要]AutoMLJob 的工作類型。 | 'ImageObjectDetection' (必要) |
| dataSettings | [必要]註冊的表格式數據集標識碼和其他定型和驗證模型所需的數據設定集合。 | ImageVerticalDataSettings (必要) |
| limitSettings | [必要]限制 AutoML 作業的設定。 | ImageLimitSettings (必要) |
| modelSettings | 用於定型模型的設定。 | ImageModelSettingsObjectDetection |
| primaryMetric | 要針對這項工作優化的主要計量。 | 'MeanAveragePrecision' |
| searchSpace | 搜尋空間，以取樣模型及其超參數的不同組合。 | ImageModelDistributionSettingsObjectDetection[] |
| sweepSettings | 模型掃掠和超參數掃掠相關設定。 | ImageSweepSettings |
迴歸
| 名稱 | 描述 | 值 |
|---|---|---|
| taskType | [必要]AutoMLJob 的工作類型。 | 需要 「回歸」 () |
| allowedModels | 回歸工作的允許模型。 | 包含任何項目的字串數組： 'DecisionTree' 'ElasticNet' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'RandomForest' 'SGD' 'XGBoostRegressor' |
| blockedModels | 回歸工作的封鎖模型。 | 包含任何項目的字串數組： 'DecisionTree' 'ElasticNet' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'RandomForest' 'SGD' 'XGBoostRegressor' |
| dataSettings | AutoMLJob 的數據輸入。 | TableVerticalDataSettings |
| featurizationSettings | AutoML 作業所需的特徵化輸入。 | TableVerticalFeaturizationSettings |
| limitSettings | AutoMLJob 的執行條件約束。 | TableVerticalLimitSettings |
| primaryMetric | 回歸工作的主要計量。 | 'NormalizedMeanAbsoluteError' 'NormalizedRootMeanSquaredError' 'R2Score' 'SpearmanCorrelation' |
| trainingSettings | AutoML 作業定型階段的輸入。 | TrainingSettings |
TextClassification
| 名稱 | 描述 | 值 |
|---|---|---|
| taskType | [必要]AutoMLJob 的工作類型。 | 'TextClassification' (必要) |
| dataSettings | AutoMLJob 的數據輸入。 | NlpVerticalDataSettings |
| featurizationSettings | AutoML 作業所需的特徵化輸入。 | NlpVerticalFeaturizationSettings |
| limitSettings | AutoMLJob 的執行條件約束。 | NlpVerticalLimitSettings |
| primaryMetric | Text-Classification 工作的主要計量。 | 'AUCWeighted' 「精確度」 'AveragePrecisionScoreWeighted' 'NormMacroRecall' 'PrecisionScoreWeighted' |
NlpVerticalDataSettings
| 名稱 | 描述 | 值 |
|---|---|---|
| targetColumnName | [必要]目標數據行名稱：這是預測值數據行。 也稱為分類工作內容中的標籤數據行名稱。 |
需要字串 () 約束： 模式 = [a-zA-Z0-9_] |
| testData | 測試數據輸入。 | TestDataSettings |
| trainingData | [必要]定型數據輸入。 | TrainingDataSettings (必要) |
| validationData | 驗證數據輸入。 | NlpVerticalValidationDataSettings |
NlpVerticalValidationDataSettings
| 名稱 | 描述 | 值 |
|---|---|---|
| 資料 | 驗證數據 MLTable。 | MLTableJobInput |
| validationDataSize | 需要為驗證目的保留的定型數據集分數。 (0.0 、1.0) 之間的值 未提供驗證數據集時套用。 |
int |
NlpVerticalFeaturizationSettings
| 名稱 | 描述 | 值 |
|---|---|---|
| datasetLanguage | 數據集語言，適用於文字數據。 | 字串 |
NlpVerticalLimitSettings
| 名稱 | 描述 | 值 |
|---|---|---|
| maxConcurrentTrials | 並行 AutoML 反覆專案上限。 | int |
| maxTrials | AutoML 反覆項目的數目。 | int |
| timeout | AutoML 作業逾時。 | 字串 |
TextClassificationMultilabel
| 名稱 | 描述 | 值 |
|---|---|---|
| taskType | [必要]AutoMLJob 的工作類型。 | 'TextClassificationMultilabel' (必要) |
| dataSettings | AutoMLJob 的數據輸入。 | NlpVerticalDataSettings |
| featurizationSettings | AutoML 作業所需的特徵化輸入。 | NlpVerticalFeaturizationSettings |
| limitSettings | AutoMLJob 的執行條件約束。 | NlpVerticalLimitSettings |
TextNer
| 名稱 | 描述 | 值 |
|---|---|---|
| taskType | [必要]AutoMLJob 的工作類型。 | 需要 『TextNER』 () |
| dataSettings | AutoMLJob 的數據輸入。 | NlpVerticalDataSettings |
| featurizationSettings | AutoML 作業所需的特徵化輸入。 | NlpVerticalFeaturizationSettings |
| limitSettings | AutoMLJob 的執行條件約束。 | NlpVerticalLimitSettings |
CommandJob
| 名稱 | 描述 | 值 |
|---|---|---|
| jobType | [必要]指定作業的類型。 | 需要 『Command』 () |
| codeId | 程式代碼資產的 ARM 資源識別碼。 | 字串 |
| 命令 | [必要]在作業啟動時執行的命令。 例如 “python train.py” | 需要字串 () 約束： 最小長度 = 1 模式 = [a-zA-Z0-9_] |
| 散發 (distribution) | 作業的散發組態。 如果設定，這應該是 Mpi、Tensorflow、PyTorch 或 null 的其中一個。 | DistributionConfiguration |
| environmentId | [必要]作業之環境規格的 ARM 資源識別碼。 | 需要字串 () 約束： 模式 = [a-zA-Z0-9_] |
| environmentVariables | 作業中包含的環境變數。 | CommandJobEnvironmentVariables |
| 輸入 | 對應作業中使用的輸入數據系結。 | CommandJobInputs |
| 限制 | 命令作業限制。 | CommandJobLimits |
| outputs | 對應作業中使用的輸出數據系結。 | CommandJobOutputs |
| resources | 作業的計算資源組態。 | ResourceConfiguration |
DistributionConfiguration
| 名稱 | 描述 | 值 |
|---|---|---|
| distributionType | 設定物件類型 | Mpi PyTorch TensorFlow (必要) |
Mpi
| 名稱 | 描述 | 值 |
|---|---|---|
| distributionType | [必要]指定散發架構的類型。 | 需要 『Mpi』 () |
| processCountPerInstance | 每個 MPI 節點的進程數目。 | int |
PyTorch
| 名稱 | 描述 | 值 |
|---|---|---|
| distributionType | [必要]指定散發架構的類型。 | 需要 『PyTorch』 () |
| processCountPerInstance | 每個節點的進程數目。 | int |
TensorFlow
| 名稱 | 描述 | 值 |
|---|---|---|
| distributionType | [必要]指定散發架構的類型。 | 必要) 'TensorFlow' ( |
| parameterServerCount | 參數伺服器工作的數目。 | int |
| workerCount | 背景工作數目。 如果未指定，則會預設為實例計數。 | int |
CommandJobEnvironmentVariables
| 名稱 | 描述 | 值 |
|---|---|---|
| {自定義屬性} | 字串 |
CommandJobInputs
| 名稱 | 描述 | 值 |
|---|---|---|
| {自定義屬性} | JobInput |
JobInput
| 名稱 | 描述 | 值 |
|---|---|---|
| description | 輸入的描述。 | 字串 |
| jobInputType | 設定物件類型 | CustomModel 文字 MLFlowModel MLTable TritonModel UriFile 需要 uriFolder () |
CustomModelJobInput
| 名稱 | 描述 | 值 |
|---|---|---|
| jobInputType | [必要]指定作業的類型。 | 'CustomModel' (必要) |
| mode | 輸入資產傳遞模式。 | 'Direct' 'Download' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
| uri | [必要]輸入資產 URI。 | 字串 (必要) 約束： 模式 = [a-zA-Z0-9_] |
LiteralJobInput
| 名稱 | 描述 | 值 |
|---|---|---|
| jobInputType | [必要]指定作業的類型。 | 必要) ('Literal' |
| 值 | [必要]輸入的常值。 | 字串 (必要) 約束： 模式 = [a-zA-Z0-9_] |
MLFlowModelJobInput
| 名稱 | 描述 | 值 |
|---|---|---|
| jobInputType | [必要]指定作業的類型。 | 必要) 的 'MLFlowModel' ( |
| mode | 輸入資產傳遞模式。 | 'Direct' 'Download' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
| uri | [必要]輸入資產 URI。 | 字串 (必要) 約束： 模式 = [a-zA-Z0-9_] |
TritonModelJobInput
| 名稱 | 描述 | 值 |
|---|---|---|
| jobInputType | [必要]指定作業的類型。 | 'TritonModel' (必要) |
| mode | 輸入資產傳遞模式。 | 'Direct' 'Download' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
| uri | [必要]輸入資產 URI。 | 字串 (必要) 約束： 模式 = [a-zA-Z0-9_] |
UriFileJobInput
| 名稱 | 描述 | 值 |
|---|---|---|
| jobInputType | [必要]指定作業的類型。 | 'UriFile' (必要) |
| mode | 輸入資產傳遞模式。 | 'Direct' 'Download' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
| uri | [必要]輸入資產 URI。 | 字串 (必要) 約束： 模式 = [a-zA-Z0-9_] |
UriFolderJobInput
| 名稱 | 描述 | 值 |
|---|---|---|
| jobInputType | [必要]指定作業的類型。 | 'UriFolder' (必要) |
| mode | 輸入資產傳遞模式。 | 'Direct' 'Download' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
| uri | [必要]輸入資產 URI。 | 字串 (必要) 約束： 模式 = [a-zA-Z0-9_] |
CommandJobLimits
| 名稱 | 描述 | 值 |
|---|---|---|
| jobLimitsType | [必要]JobLimit 類型。 | 'Command' 需要 「掃掠」 () |
| timeout | ISO 8601 格式的最大執行持續時間，之後作業將會取消。 僅支援有效位數為秒數的持續時間。 | 字串 |
CommandJobOutputs
| 名稱 | 描述 | 值 |
|---|---|---|
| {自定義屬性} | JobOutput |
PipelineJob
| 名稱 | 描述 | 值 |
|---|---|---|
| jobType | [必要]指定作業的類型。 | 需要 『Pipeline』 () |
| 輸入 | 管線作業的輸入。 | PipelineJobInputs |
| jobs | 作業會建構管線作業。 | PipelineJobJobs |
| outputs | 管線作業的輸出 | PipelineJobOutputs |
| 設定 | 管線設定，例如 ContinueRunOnStepFailure 等專案。 |
PipelineJobInputs
| 名稱 | 描述 | 值 |
|---|---|---|
| {自定義屬性} | JobInput |
PipelineJobJobs
| 名稱 | 描述 | 值 |
|---|---|---|
| {自定義屬性} |
PipelineJobOutputs
| 名稱 | 描述 | 值 |
|---|---|---|
| {自定義屬性} | JobOutput |
SweepJob
| 名稱 | 描述 | 值 |
|---|---|---|
| jobType | [必要]指定作業的類型。 | 需要 「掃掠」 () |
| earlyTermination | 早期終止原則可在完成之前取消效能不佳的執行 | EarlyTerminationPolicy |
| 輸入 | 對應作業中使用的輸入數據系結。 | SweepJobInputs |
| 限制 | 掃掠作業限制。 | SweepJobLimits |
| objective | [必要]優化目標。 | 必要 目標 () |
| outputs | 對應作業中使用的輸出數據系結。 | SweepJobOutputs |
| samplingAlgorithm | [必要]超參數取樣演算法 | SamplingAlgorithm (必要) |
| searchSpace | [必要]包含每個參數及其分佈的字典。 字典索引鍵是參數的名稱 | |
| 試用版 | [必要]試用版元件定義。 | 必要) 的 TrialComponent ( |
SweepJobInputs
| 名稱 | 描述 | 值 |
|---|---|---|
| {自定義屬性} | JobInput |
SweepJobLimits
| 名稱 | 描述 | 值 |
|---|---|---|
| jobLimitsType | [必要]JobLimit 類型。 | 'Command' 需要 「掃掠」 () |
| maxConcurrentTrials | 掃掠作業最大並行試用版。 | int |
| maxTotalTrials | 掃掠作業總試用版數上限。 | int |
| timeout | ISO 8601 格式的最大執行持續時間，之後作業將會取消。 僅支援有效位數為秒數的持續時間。 | 字串 |
| trialTimeout | 掃掠作業試用逾時值。 | 字串 |
目標
| 名稱 | 描述 | 值 |
|---|---|---|
| goal | [必要]定義超參數微調支援的計量目標 | '最大化' 必要) 『最小化 (」。 |
| primaryMetric | [必要]要優化之計量的名稱。 | 字串 (必要) 約束： 模式 = [a-zA-Z0-9_] |
SweepJobOutputs
| 名稱 | 描述 | 值 |
|---|---|---|
| {自定義屬性} | JobOutput |
SamplingAlgorithm
| 名稱 | 描述 | 值 |
|---|---|---|
| samplingAlgorithmType | 設定物件類型 | 貝 葉 斯 方格 需要隨機 () |
BayesianSamplingAlgorithm
| 名稱 | 描述 | 值 |
|---|---|---|
| samplingAlgorithmType | [必要]用來產生超參數值的演算法，以及組態屬性 | 需要 『Bayesian』 () |
GridSamplingAlgorithm
| 名稱 | 描述 | 值 |
|---|---|---|
| samplingAlgorithmType | [必要]用來產生超參數值的演算法，以及組態屬性 | 'Grid' (必要) |
RandomSamplingAlgorithm
| 名稱 | 描述 | 值 |
|---|---|---|
| samplingAlgorithmType | [必要]用來產生超參數值的演算法，以及組態屬性 | 必要) 的 'Random' ( |
| rule (規則) | 隨機演算法的特定類型 | 'Random' 'Sobol' |
| seed | 要作為隨機數產生種子的選擇性整數 | int |
TrialComponent
| 名稱 | 描述 | 值 |
|---|---|---|
| codeId | 程式代碼資產的 ARM 資源識別碼。 | 字串 |
| 命令 | [必要]在作業啟動時執行的命令。 例如 “python train.py” | 字串 (必要) 約束： 最小長度 = 1 模式 = [a-zA-Z0-9_] |
| 散發 (distribution) | 作業的散發組態。 如果設定，這應該是 Mpi、Tensorflow、PyTorch 或 null 的其中一個。 | DistributionConfiguration |
| environmentId | [必要]作業環境規格的 ARM 資源識別碼。 | 字串 (必要) 約束： 模式 = [a-zA-Z0-9_] |
| environmentVariables | 作業中包含的環境變數。 | TrialComponentEnvironmentVariables |
| resources | 作業的計算資源組態。 | ResourceConfiguration |
TrialComponentEnvironmentVariables
| 名稱 | 描述 | 值 |
|---|---|---|
| {自定義屬性} | 字串 |
快速入門範本
下列快速入門範本會部署此資源類型。
| 範本 | 描述 |
|---|---|
| 建立 Azure Machine Learning AutoML 分類作業 |
此範本會建立 Azure Machine Learning AutoML 分類作業，以找出預測用戶端是否會向金融機構訂閱固定期存金的最佳模型。 |
| 建立 Azure Machine Learning 命令作業 |
此範本會建立具有基本hello_world腳本的 Azure Machine Learning 命令作業 |
| 建立 Azure Machine Learning 掃掠作業 |
此範本會建立 Azure Machine Learning 掃掠作業以進行超參數微調。 |
Terraform (AzAPI 提供者) 資源定義
工作區/作業資源類型可以使用目標作業來部署：
- 資源群組
如需每個 API 版本中已變更屬性的清單，請參閱 變更記錄。
資源格式
若要建立 Microsoft.MachineLearningServices/workspaces/jobs 資源，請將下列 Terraform 新增至您的範本。
resource "azapi_resource" "symbolicname" {
type = "Microsoft.MachineLearningServices/workspaces/jobs@2022-02-01-preview"
name = "string"
parent_id = "string"
body = jsonencode({
properties = {
computeId = "string"
description = "string"
displayName = "string"
experimentName = "string"
identity = {
identityType = "string"
// For remaining properties, see IdentityConfiguration objects
}
isArchived = bool
properties = {
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
}
schedule = {
endTime = "string"
scheduleStatus = "string"
startTime = "string"
timeZone = "string"
scheduleType = "string"
// For remaining properties, see ScheduleBase objects
}
services = {
{customized property} = {
endpoint = "string"
jobServiceType = "string"
port = int
properties = {
{customized property} = "string"
}
}
}
tags = {
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
}
jobType = "string"
// For remaining properties, see JobBaseDetails objects
}
})
}
JobBaseDetails 物件
設定 jobType 屬性以指定物件的類型。
針對 AutoML，請使用：
jobType = "AutoML"
environmentId = "string"
environmentVariables = {
{customized property} = "string"
}
outputs = {
{customized property} = {
description = "string"
jobOutputType = "string"
// For remaining properties, see JobOutput objects
}
}
resources = {
instanceCount = int
instanceType = "string"
properties = {}
}
taskDetails = {
logVerbosity = "string"
taskType = "string"
// For remaining properties, see AutoMLVertical objects
}
針對 [命令]，請使用：
jobType = "Command"
codeId = "string"
command = "string"
distribution = {
distributionType = "string"
// For remaining properties, see DistributionConfiguration objects
}
environmentId = "string"
environmentVariables = {
{customized property} = "string"
}
inputs = {
{customized property} = {
description = "string"
jobInputType = "string"
// For remaining properties, see JobInput objects
}
}
limits = {
jobLimitsType = "string"
timeout = "string"
}
outputs = {
{customized property} = {
description = "string"
jobOutputType = "string"
// For remaining properties, see JobOutput objects
}
}
resources = {
instanceCount = int
instanceType = "string"
properties = {}
}
針對 管線，請使用：
jobType = "Pipeline"
inputs = {
{customized property} = {
description = "string"
jobInputType = "string"
// For remaining properties, see JobInput objects
}
}
jobs = {}
outputs = {
{customized property} = {
description = "string"
jobOutputType = "string"
// For remaining properties, see JobOutput objects
}
}
針對 掃掠，請使用：
jobType = "Sweep"
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
inputs = {
{customized property} = {
description = "string"
jobInputType = "string"
// For remaining properties, see JobInput objects
}
}
limits = {
jobLimitsType = "string"
maxConcurrentTrials = int
maxTotalTrials = int
timeout = "string"
trialTimeout = "string"
}
objective = {
goal = "string"
primaryMetric = "string"
}
outputs = {
{customized property} = {
description = "string"
jobOutputType = "string"
// For remaining properties, see JobOutput objects
}
}
samplingAlgorithm = {
samplingAlgorithmType = "string"
// For remaining properties, see SamplingAlgorithm objects
}
trial = {
codeId = "string"
command = "string"
distribution = {
distributionType = "string"
// For remaining properties, see DistributionConfiguration objects
}
environmentId = "string"
environmentVariables = {
{customized property} = "string"
}
resources = {
instanceCount = int
instanceType = "string"
properties = {}
}
}
IdentityConfiguration 物件
設定 identityType 屬性以指定物件的類型。
針對 AMLToken，請使用：
identityType = "AMLToken"
針對 Managed，請使用：
identityType = "Managed"
clientId = "string"
objectId = "string"
resourceId = "string"
針對 UserIdentity，請使用：
identityType = "UserIdentity"
ScheduleBase 物件
設定 scheduleType 屬性以指定物件的類型。
針對 Cron，請使用：
scheduleType = "Cron"
expression = "string"
針對 [週期]，請使用：
scheduleType = "Recurrence"
frequency = "string"
interval = int
pattern = {
hours = [
int
]
minutes = [
int
]
weekdays = [
"string"
]
}
JobOutput 物件
設定 jobOutputType 屬性以指定對象的類型。
針對 CustomModel，請使用：
jobOutputType = "CustomModel"
mode = "string"
uri = "string"
針對 MLFlowModel，請使用：
jobOutputType = "MLFlowModel"
mode = "string"
uri = "string"
針對 MLTable，請使用：
jobOutputType = "MLTable"
mode = "string"
uri = "string"
針對 TritonModel，請使用：
jobOutputType = "TritonModel"
mode = "string"
uri = "string"
針對 UriFile，請使用：
jobOutputType = "UriFile"
mode = "string"
uri = "string"
針對 UriFolder，請使用：
jobOutputType = "UriFolder"
mode = "string"
uri = "string"
AutoMLVertical 物件
設定 taskType 屬性以指定物件的類型。
針對 [分類]，請使用：
taskType = "Classification"
allowedModels = [
"string"
]
blockedModels = [
"string"
]
dataSettings = {
targetColumnName = "string"
testData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
testDataSize = int
}
trainingData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
}
validationData = {
cvSplitColumnNames = [
"string"
]
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
nCrossValidations = {
mode = "string"
// For remaining properties, see NCrossValidations objects
}
validationDataSize = int
}
weightColumnName = "string"
}
featurizationSettings = {
blockedTransformers = [
"string"
]
columnNameAndTypes = {
{customized property} = "string"
}
datasetLanguage = "string"
dropColumns = [
"string"
]
enableDnnFeaturization = bool
mode = "string"
transformerParams = {
{customized property} = [
{
fields = [
"string"
]
}
]
}
}
limitSettings = {
enableEarlyTermination = bool
exitScore = int
maxConcurrentTrials = int
maxCoresPerTrial = int
maxTrials = int
timeout = "string"
trialTimeout = "string"
}
primaryMetric = "string"
trainingSettings = {
enableDnnTraining = bool
enableModelExplainability = bool
enableOnnxCompatibleModels = bool
enableStackEnsemble = bool
enableVoteEnsemble = bool
ensembleModelDownloadTimeout = "string"
stackEnsembleSettings = {
stackMetaLearnerTrainPercentage = int
stackMetaLearnerType = "string"
}
}
針對 預測，請使用：
taskType = "Forecasting"
allowedModels = [
"string"
]
blockedModels = [
"string"
]
dataSettings = {
targetColumnName = "string"
testData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
testDataSize = int
}
trainingData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
}
validationData = {
cvSplitColumnNames = [
"string"
]
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
nCrossValidations = {
mode = "string"
// For remaining properties, see NCrossValidations objects
}
validationDataSize = int
}
weightColumnName = "string"
}
featurizationSettings = {
blockedTransformers = [
"string"
]
columnNameAndTypes = {
{customized property} = "string"
}
datasetLanguage = "string"
dropColumns = [
"string"
]
enableDnnFeaturization = bool
mode = "string"
transformerParams = {
{customized property} = [
{
fields = [
"string"
]
}
]
}
}
forecastingSettings = {
countryOrRegionForHolidays = "string"
cvStepSize = int
featureLags = "string"
forecastHorizon = {
mode = "string"
// For remaining properties, see ForecastHorizon objects
}
frequency = "string"
seasonality = {
mode = "string"
// For remaining properties, see Seasonality objects
}
shortSeriesHandlingConfig = "string"
targetAggregateFunction = "string"
targetLags = {
mode = "string"
// For remaining properties, see TargetLags objects
}
targetRollingWindowSize = {
mode = "string"
// For remaining properties, see TargetRollingWindowSize objects
}
timeColumnName = "string"
timeSeriesIdColumnNames = [
"string"
]
useStl = "string"
}
limitSettings = {
enableEarlyTermination = bool
exitScore = int
maxConcurrentTrials = int
maxCoresPerTrial = int
maxTrials = int
timeout = "string"
trialTimeout = "string"
}
primaryMetric = "string"
trainingSettings = {
enableDnnTraining = bool
enableModelExplainability = bool
enableOnnxCompatibleModels = bool
enableStackEnsemble = bool
enableVoteEnsemble = bool
ensembleModelDownloadTimeout = "string"
stackEnsembleSettings = {
stackMetaLearnerTrainPercentage = int
stackMetaLearnerType = "string"
}
}
針對 ImageClassification，請使用：
taskType = "ImageClassification"
dataSettings = {
targetColumnName = "string"
testData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
testDataSize = int
}
trainingData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
}
validationData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
validationDataSize = int
}
}
limitSettings = {
maxConcurrentTrials = int
maxTrials = int
timeout = "string"
}
modelSettings = {
advancedSettings = "string"
amsGradient = bool
augmentations = "string"
beta1 = int
beta2 = int
checkpointDatasetId = "string"
checkpointFilename = "string"
checkpointFrequency = int
checkpointRunId = "string"
distributed = bool
earlyStopping = bool
earlyStoppingDelay = int
earlyStoppingPatience = int
enableOnnxNormalization = bool
evaluationFrequency = int
gradientAccumulationStep = int
layersToFreeze = int
learningRate = int
learningRateScheduler = "string"
modelName = "string"
momentum = int
nesterov = bool
numberOfEpochs = int
numberOfWorkers = int
optimizer = "string"
randomSeed = int
splitRatio = int
stepLRGamma = int
stepLRStepSize = int
trainingBatchSize = int
trainingCropSize = int
validationBatchSize = int
validationCropSize = int
validationResizeSize = int
warmupCosineLRCycles = int
warmupCosineLRWarmupEpochs = int
weightDecay = int
weightedLoss = int
}
primaryMetric = "string"
searchSpace = [
{
amsGradient = "string"
augmentations = "string"
beta1 = "string"
beta2 = "string"
distributed = "string"
earlyStopping = "string"
earlyStoppingDelay = "string"
earlyStoppingPatience = "string"
enableOnnxNormalization = "string"
evaluationFrequency = "string"
gradientAccumulationStep = "string"
layersToFreeze = "string"
learningRate = "string"
learningRateScheduler = "string"
modelName = "string"
momentum = "string"
nesterov = "string"
numberOfEpochs = "string"
numberOfWorkers = "string"
optimizer = "string"
randomSeed = "string"
splitRatio = "string"
stepLRGamma = "string"
stepLRStepSize = "string"
trainingBatchSize = "string"
trainingCropSize = "string"
validationBatchSize = "string"
validationCropSize = "string"
validationResizeSize = "string"
warmupCosineLRCycles = "string"
warmupCosineLRWarmupEpochs = "string"
weightDecay = "string"
weightedLoss = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
limits = {
maxConcurrentTrials = int
maxTrials = int
}
samplingAlgorithm = "string"
}
針對 ImageClassificationMultilabel，請使用：
taskType = "ImageClassificationMultilabel"
dataSettings = {
targetColumnName = "string"
testData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
testDataSize = int
}
trainingData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
}
validationData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
validationDataSize = int
}
}
limitSettings = {
maxConcurrentTrials = int
maxTrials = int
timeout = "string"
}
modelSettings = {
advancedSettings = "string"
amsGradient = bool
augmentations = "string"
beta1 = int
beta2 = int
checkpointDatasetId = "string"
checkpointFilename = "string"
checkpointFrequency = int
checkpointRunId = "string"
distributed = bool
earlyStopping = bool
earlyStoppingDelay = int
earlyStoppingPatience = int
enableOnnxNormalization = bool
evaluationFrequency = int
gradientAccumulationStep = int
layersToFreeze = int
learningRate = int
learningRateScheduler = "string"
modelName = "string"
momentum = int
nesterov = bool
numberOfEpochs = int
numberOfWorkers = int
optimizer = "string"
randomSeed = int
splitRatio = int
stepLRGamma = int
stepLRStepSize = int
trainingBatchSize = int
trainingCropSize = int
validationBatchSize = int
validationCropSize = int
validationResizeSize = int
warmupCosineLRCycles = int
warmupCosineLRWarmupEpochs = int
weightDecay = int
weightedLoss = int
}
primaryMetric = "string"
searchSpace = [
{
amsGradient = "string"
augmentations = "string"
beta1 = "string"
beta2 = "string"
distributed = "string"
earlyStopping = "string"
earlyStoppingDelay = "string"
earlyStoppingPatience = "string"
enableOnnxNormalization = "string"
evaluationFrequency = "string"
gradientAccumulationStep = "string"
layersToFreeze = "string"
learningRate = "string"
learningRateScheduler = "string"
modelName = "string"
momentum = "string"
nesterov = "string"
numberOfEpochs = "string"
numberOfWorkers = "string"
optimizer = "string"
randomSeed = "string"
splitRatio = "string"
stepLRGamma = "string"
stepLRStepSize = "string"
trainingBatchSize = "string"
trainingCropSize = "string"
validationBatchSize = "string"
validationCropSize = "string"
validationResizeSize = "string"
warmupCosineLRCycles = "string"
warmupCosineLRWarmupEpochs = "string"
weightDecay = "string"
weightedLoss = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
limits = {
maxConcurrentTrials = int
maxTrials = int
}
samplingAlgorithm = "string"
}
針對 ImageInstanceSegmentation，請使用：
taskType = "ImageInstanceSegmentation"
dataSettings = {
targetColumnName = "string"
testData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
testDataSize = int
}
trainingData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
}
validationData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
validationDataSize = int
}
}
limitSettings = {
maxConcurrentTrials = int
maxTrials = int
timeout = "string"
}
modelSettings = {
advancedSettings = "string"
amsGradient = bool
augmentations = "string"
beta1 = int
beta2 = int
boxDetectionsPerImage = int
boxScoreThreshold = int
checkpointDatasetId = "string"
checkpointFilename = "string"
checkpointFrequency = int
checkpointRunId = "string"
distributed = bool
earlyStopping = bool
earlyStoppingDelay = int
earlyStoppingPatience = int
enableOnnxNormalization = bool
evaluationFrequency = int
gradientAccumulationStep = int
imageSize = int
layersToFreeze = int
learningRate = int
learningRateScheduler = "string"
maxSize = int
minSize = int
modelName = "string"
modelSize = "string"
momentum = int
multiScale = bool
nesterov = bool
nmsIouThreshold = int
numberOfEpochs = int
numberOfWorkers = int
optimizer = "string"
randomSeed = int
splitRatio = int
stepLRGamma = int
stepLRStepSize = int
tileGridSize = "string"
tileOverlapRatio = int
tilePredictionsNmsThreshold = int
trainingBatchSize = int
validationBatchSize = int
validationIouThreshold = int
validationMetricType = "string"
warmupCosineLRCycles = int
warmupCosineLRWarmupEpochs = int
weightDecay = int
}
primaryMetric = "MeanAveragePrecision"
searchSpace = [
{
amsGradient = "string"
augmentations = "string"
beta1 = "string"
beta2 = "string"
boxDetectionsPerImage = "string"
boxScoreThreshold = "string"
distributed = "string"
earlyStopping = "string"
earlyStoppingDelay = "string"
earlyStoppingPatience = "string"
enableOnnxNormalization = "string"
evaluationFrequency = "string"
gradientAccumulationStep = "string"
imageSize = "string"
layersToFreeze = "string"
learningRate = "string"
learningRateScheduler = "string"
maxSize = "string"
minSize = "string"
modelName = "string"
modelSize = "string"
momentum = "string"
multiScale = "string"
nesterov = "string"
nmsIouThreshold = "string"
numberOfEpochs = "string"
numberOfWorkers = "string"
optimizer = "string"
randomSeed = "string"
splitRatio = "string"
stepLRGamma = "string"
stepLRStepSize = "string"
tileGridSize = "string"
tileOverlapRatio = "string"
tilePredictionsNmsThreshold = "string"
trainingBatchSize = "string"
validationBatchSize = "string"
validationIouThreshold = "string"
validationMetricType = "string"
warmupCosineLRCycles = "string"
warmupCosineLRWarmupEpochs = "string"
weightDecay = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
limits = {
maxConcurrentTrials = int
maxTrials = int
}
samplingAlgorithm = "string"
}
針對 ImageObjectDetection，請使用：
taskType = "ImageObjectDetection"
dataSettings = {
targetColumnName = "string"
testData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
testDataSize = int
}
trainingData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
}
validationData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
validationDataSize = int
}
}
limitSettings = {
maxConcurrentTrials = int
maxTrials = int
timeout = "string"
}
modelSettings = {
advancedSettings = "string"
amsGradient = bool
augmentations = "string"
beta1 = int
beta2 = int
boxDetectionsPerImage = int
boxScoreThreshold = int
checkpointDatasetId = "string"
checkpointFilename = "string"
checkpointFrequency = int
checkpointRunId = "string"
distributed = bool
earlyStopping = bool
earlyStoppingDelay = int
earlyStoppingPatience = int
enableOnnxNormalization = bool
evaluationFrequency = int
gradientAccumulationStep = int
imageSize = int
layersToFreeze = int
learningRate = int
learningRateScheduler = "string"
maxSize = int
minSize = int
modelName = "string"
modelSize = "string"
momentum = int
multiScale = bool
nesterov = bool
nmsIouThreshold = int
numberOfEpochs = int
numberOfWorkers = int
optimizer = "string"
randomSeed = int
splitRatio = int
stepLRGamma = int
stepLRStepSize = int
tileGridSize = "string"
tileOverlapRatio = int
tilePredictionsNmsThreshold = int
trainingBatchSize = int
validationBatchSize = int
validationIouThreshold = int
validationMetricType = "string"
warmupCosineLRCycles = int
warmupCosineLRWarmupEpochs = int
weightDecay = int
}
primaryMetric = "MeanAveragePrecision"
searchSpace = [
{
amsGradient = "string"
augmentations = "string"
beta1 = "string"
beta2 = "string"
boxDetectionsPerImage = "string"
boxScoreThreshold = "string"
distributed = "string"
earlyStopping = "string"
earlyStoppingDelay = "string"
earlyStoppingPatience = "string"
enableOnnxNormalization = "string"
evaluationFrequency = "string"
gradientAccumulationStep = "string"
imageSize = "string"
layersToFreeze = "string"
learningRate = "string"
learningRateScheduler = "string"
maxSize = "string"
minSize = "string"
modelName = "string"
modelSize = "string"
momentum = "string"
multiScale = "string"
nesterov = "string"
nmsIouThreshold = "string"
numberOfEpochs = "string"
numberOfWorkers = "string"
optimizer = "string"
randomSeed = "string"
splitRatio = "string"
stepLRGamma = "string"
stepLRStepSize = "string"
tileGridSize = "string"
tileOverlapRatio = "string"
tilePredictionsNmsThreshold = "string"
trainingBatchSize = "string"
validationBatchSize = "string"
validationIouThreshold = "string"
validationMetricType = "string"
warmupCosineLRCycles = "string"
warmupCosineLRWarmupEpochs = "string"
weightDecay = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
limits = {
maxConcurrentTrials = int
maxTrials = int
}
samplingAlgorithm = "string"
}
針對 回歸，請使用：
taskType = "Regression"
allowedModels = [
"string"
]
blockedModels = [
"string"
]
dataSettings = {
targetColumnName = "string"
testData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
testDataSize = int
}
trainingData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
}
validationData = {
cvSplitColumnNames = [
"string"
]
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
nCrossValidations = {
mode = "string"
// For remaining properties, see NCrossValidations objects
}
validationDataSize = int
}
weightColumnName = "string"
}
featurizationSettings = {
blockedTransformers = [
"string"
]
columnNameAndTypes = {
{customized property} = "string"
}
datasetLanguage = "string"
dropColumns = [
"string"
]
enableDnnFeaturization = bool
mode = "string"
transformerParams = {
{customized property} = [
{
fields = [
"string"
]
}
]
}
}
limitSettings = {
enableEarlyTermination = bool
exitScore = int
maxConcurrentTrials = int
maxCoresPerTrial = int
maxTrials = int
timeout = "string"
trialTimeout = "string"
}
primaryMetric = "string"
trainingSettings = {
enableDnnTraining = bool
enableModelExplainability = bool
enableOnnxCompatibleModels = bool
enableStackEnsemble = bool
enableVoteEnsemble = bool
ensembleModelDownloadTimeout = "string"
stackEnsembleSettings = {
stackMetaLearnerTrainPercentage = int
stackMetaLearnerType = "string"
}
}
針對 TextClassification，請使用：
taskType = "TextClassification"
dataSettings = {
targetColumnName = "string"
testData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
testDataSize = int
}
trainingData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
}
validationData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
validationDataSize = int
}
}
featurizationSettings = {
datasetLanguage = "string"
}
limitSettings = {
maxConcurrentTrials = int
maxTrials = int
timeout = "string"
}
primaryMetric = "string"
針對 TextClassificationMultilabel，請使用：
taskType = "TextClassificationMultilabel"
dataSettings = {
targetColumnName = "string"
testData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
testDataSize = int
}
trainingData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
}
validationData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
validationDataSize = int
}
}
featurizationSettings = {
datasetLanguage = "string"
}
limitSettings = {
maxConcurrentTrials = int
maxTrials = int
timeout = "string"
}
針對 TextNER，請使用：
taskType = "TextNER"
dataSettings = {
targetColumnName = "string"
testData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
testDataSize = int
}
trainingData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
}
validationData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
validationDataSize = int
}
}
featurizationSettings = {
datasetLanguage = "string"
}
limitSettings = {
maxConcurrentTrials = int
maxTrials = int
timeout = "string"
}
NCrossValidations 物件
設定 mode 屬性以指定物件的類型。
針對 [自動]，請使用：
mode = "Auto"
針對 [自定義]，請使用：
mode = "Custom"
value = int
ForecastHorizon 物件
設定 mode 屬性以指定物件的類型。
針對 [自動]，請使用：
mode = "Auto"
針對 [自定義]，請使用：
mode = "Custom"
value = int
季節性物件
設定 mode 屬性以指定物件的類型。
針對 [自動]，請使用：
mode = "Auto"
針對 [自定義]，請使用：
mode = "Custom"
value = int
TargetLags 物件
設定 mode 屬性以指定物件的類型。
針對 [自動]，請使用：
mode = "Auto"
針對 [自定義]，請使用：
mode = "Custom"
values = [
int
]
TargetRollingWindowSize 物件
設定 mode 屬性以指定物件的類型。
針對 [自動]，請使用：
mode = "Auto"
針對 [自定義]，請使用：
mode = "Custom"
value = int
EarlyTerminationPolicy 物件
設定 policyType 屬性以指定物件的類型。
針對 Bandit，請使用：
policyType = "Bandit"
slackAmount = int
slackFactor = int
針對 MedianStopping，請使用：
policyType = "MedianStopping"
針對 TruncationSelection，請使用：
policyType = "TruncationSelection"
truncationPercentage = int
DistributionConfiguration 物件
設定 distributionType 屬性以指定物件的類型。
針對 Mpi，請使用：
distributionType = "Mpi"
processCountPerInstance = int
針對 PyTorch，請使用：
distributionType = "PyTorch"
processCountPerInstance = int
針對 TensorFlow，請使用：
distributionType = "TensorFlow"
parameterServerCount = int
workerCount = int
JobInput 物件
設定 jobInputType 屬性以指定物件的類型。
針對 CustomModel，請使用：
jobInputType = "CustomModel"
mode = "string"
uri = "string"
針對 常值，請使用：
jobInputType = "Literal"
value = "string"
針對 MLFlowModel，請使用：
jobInputType = "MLFlowModel"
mode = "string"
uri = "string"
針對 MLTable，請使用：
jobInputType = "MLTable"
mode = "string"
uri = "string"
針對 TritonModel，請使用：
jobInputType = "TritonModel"
mode = "string"
uri = "string"
針對 UriFile，請使用：
jobInputType = "UriFile"
mode = "string"
uri = "string"
針對 UriFolder，請使用：
jobInputType = "UriFolder"
mode = "string"
uri = "string"
SamplingAlgorithm 物件
設定 samplingAlgorithmType 屬性以指定物件的類型。
針對 貝氏，請使用：
samplingAlgorithmType = "Bayesian"
針對 Grid，請使用：
samplingAlgorithmType = "Grid"
針對 [隨機]，請使用：
samplingAlgorithmType = "Random"
rule = "string"
seed = int
屬性值
workspaces/jobs
| 名稱 | 描述 | 值 |
|---|---|---|
| 類型 | 資源類型 | “Microsoft.MachineLearningServices/workspaces/jobs@2022-02-01-preview” |
| NAME | 資源名稱 | 需要字串 () |
| parent_id | 此資源父系之資源的標識碼。 | 類型資源的標識碼： 工作區 |
| properties | [必要]實體的其他屬性。 | JobBaseDetails (必要) |
JobBaseDetails
| 名稱 | 描述 | 值 |
|---|---|---|
| computeId | 計算資源的 ARM 資源識別碼。 | 字串 |
| description | 資產描述文字。 | 字串 |
| displayName | 工作的顯示名稱。 | 字串 |
| experimentName | 作業所屬的實驗名稱。 如果未設定，作業會放在「預設」實驗中。 | 字串 |
| 身分識別 | 身分識別組態。 如果設定，這應該是其中一個 AmlToken、ManagedIdentity、UserIdentity 或 null。 如果為 null，則預設為 AmlToken。 |
IdentityConfiguration |
| isArchived | 資產是否已封存？ | bool |
| properties | 資產屬性字典。 | ResourceBaseProperties |
| schedule | 作業的排程定義。 如果未提供排程，作業會在提交后立即執行一次。 |
ScheduleBase |
| 服務 | JobEndpoints 的清單。 針對本機作業，作業端點會有 FileStreamObject 的端點值。 |
JobBaseServices |
| tags | 標記字典。 標記可以新增、移除和更新。 | 物件 (object) |
| jobType | 設定物件類型 | AutoML 命令 管線 需要掃掠 () |
IdentityConfiguration
| 名稱 | 描述 | 值 |
|---|---|---|
| identityType | 設定物件類型 | AMLToken 受控 必要) 的 UserIdentity ( |
AmlToken
| 名稱 | 描述 | 值 |
|---|---|---|
| identityType | [必要]指定身分識別架構的類型。 | “AMLToken” (必要) |
ManagedIdentity
| 名稱 | 描述 | 值 |
|---|---|---|
| identityType | [必要]指定身分識別架構的類型。 | 「受控」 (必要) |
| clientId | 依用戶端識別元指定使用者指派的身分識別。 針對系統指派，請勿設定此欄位。 | 字串 約束： 最小長度 = 36 最大長度 = 36 模式 = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$ |
| objectId | 依物件識別元指定使用者指派的身分識別。 針對系統指派，請勿設定此欄位。 | 字串 約束： 最小長度 = 36 最大長度 = 36 模式 = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$ |
| resourceId | 依 ARM 資源識別碼指定使用者指派的身分識別。 針對系統指派，請勿設定此欄位。 | 字串 |
UserIdentity
| 名稱 | 描述 | 值 |
|---|---|---|
| identityType | [必要]指定身分識別架構的類型。 | 必要) “UserIdentity” ( |
ResourceBaseProperties
| 名稱 | 描述 | 值 |
|---|---|---|
| {自定義屬性} | 字串 | |
| {自定義屬性} | 字串 | |
| {自定義屬性} | 字串 | |
| {自定義屬性} | 字串 | |
| {自定義屬性} | 字串 | |
| {自定義屬性} | 字串 | |
| {自定義屬性} | 字串 | |
| {自定義屬性} | 字串 | |
| {自定義屬性} | 字串 | |
| {自定義屬性} | 字串 | |
| {自定義屬性} | 字串 | |
| {自定義屬性} | 字串 |
ScheduleBase
| 名稱 | 描述 | 值 |
|---|---|---|
| EndTime | 以 ISO 8601 格式指定排程的結束時間。 如果沒有，排程將會無限期執行 |
字串 |
| scheduleStatus | 指定排程的狀態 | “Disabled” “Enabled” |
| startTime | 指定 ISO 8601 格式的排程開始時間。 | 字串 |
| timeZone | 指定排程執行所在的時區。 TimeZone應遵循 Windows 時區格式。 |
字串 |
| scheduleType | 設定物件類型 | Cron 需要週期 性 () |
CronSchedule
| 名稱 | 描述 | 值 |
|---|---|---|
| scheduleType | [必要]指定排程類型 | “Cron” (必要) |
| expression | [必要]指定排程的cron運算式。 表達式應該遵循 NCronTab 格式。 |
字串 (必要) 約束： 模式 = [a-zA-Z0-9_] |
RecurrenceSchedule
| 名稱 | 描述 | 值 |
|---|---|---|
| scheduleType | [必要]指定排程類型 | 必要的「週期」 () |
| frequency | [必要]指定要觸發排程的頻率 | “Day” “Hour” “Minute” “Month” 「周」 (必要) |
| interval | [必要]指定排程間隔與頻率 | int (必要) |
| 模式 | 指定週期排程模式 | RecurrencePattern |
RecurrencePattern
| 名稱 | 描述 | 值 |
|---|---|---|
| 小時 | [必要]週期排程模式的時數清單 | int[] (必要) |
| 分鐘 | [必要]週期排程模式的分鐘清單 | int[] (必要) |
| 平日 | 週期排程模式的工作日清單 | 包含任何項目的字串數組： "Friday" "Monday" "Saturday" "Sunday" "Thursday" "Tuesday" "Wednesday" |
JobBaseServices
| 名稱 | 描述 | 值 |
|---|---|---|
| {自定義屬性} | JobService |
JobService
| 名稱 | 描述 | 值 |
|---|---|---|
| 端點 | 端點的 URL。 | 字串 |
| jobServiceType | 端點類型。 | string |
| 連接埠 | 端點的埠。 | int |
| properties | 在端點上設定的其他屬性。 | JobServiceProperties |
JobServiceProperties
| 名稱 | 描述 | 值 |
|---|---|---|
| {自定義屬性} | 字串 |
AutoMLJob
| 名稱 | 描述 | 值 |
|---|---|---|
| jobType | [必要]指定作業的類型。 | 必要) “AutoML” ( |
| environmentId | 作業環境規格的 ARM 資源識別碼。 這是選擇性值，如果未提供，AutoML 會在執行作業時，將此預設為生產 AutoML 策劃的環境版本。 |
字串 |
| environmentVariables | 作業中包含的環境變數。 | AutoMLJobEnvironmentVariables |
| outputs | 對應作業中使用的輸出數據系結。 | AutoMLJobOutputs |
| resources | 作業的計算資源組態。 | ResourceConfiguration |
| taskDetails | [必要]這代表可以是其中一個數據表/NLP/Image 的案例 | 需要 AutoMLVertical () |
AutoMLJobEnvironmentVariables
| 名稱 | 描述 | 值 |
|---|---|---|
| {自定義屬性} | 字串 |
AutoMLJobOutputs
| 名稱 | 描述 | 值 |
|---|---|---|
| {自定義屬性} | JobOutput |
JobOutput
| 名稱 | 描述 | 值 |
|---|---|---|
| description | 輸出的描述。 | 字串 |
| jobOutputType | 設定物件類型 | CustomModel MLFlowModel MLTable TritonModel UriFile 需要 uriFolder () |
CustomModelJobOutput
| 名稱 | 描述 | 值 |
|---|---|---|
| jobOutputType | [必要]指定作業的類型。 | 必要) 的 「CustomModel」 ( |
| mode | 輸出資產傳遞模式。 | “ReadWriteMount” “Upload” |
| uri | 輸出資產 URI。 | 字串 |
MLFlowModelJobOutput
| 名稱 | 描述 | 值 |
|---|---|---|
| jobOutputType | [必要]指定作業的類型。 | “MLFlowModel” (必要) |
| mode | 輸出資產傳遞模式。 | “ReadWriteMount” “Upload” |
| uri | 輸出資產 URI。 | 字串 |
MLTableJobOutput
| 名稱 | 描述 | 值 |
|---|---|---|
| jobOutputType | [必要]指定作業的類型。 | “MLTable” (必要) |
| mode | 輸出資產傳遞模式。 | “ReadWriteMount” “Upload” |
| uri | 輸出資產 URI。 | 字串 |
TritonModelJobOutput
| 名稱 | 描述 | 值 |
|---|---|---|
| jobOutputType | [必要]指定作業的類型。 | “TritonModel” (必要) |
| mode | 輸出資產傳遞模式。 | “ReadWriteMount” “上傳” |
| uri | 輸出資產 URI。 | 字串 |
UriFileJobOutput
| 名稱 | 描述 | 值 |
|---|---|---|
| jobOutputType | [必要]指定作業的類型。 | “UriFile” (必要) |
| mode | 輸出資產傳遞模式。 | “ReadWriteMount” “上傳” |
| uri | 輸出資產 URI。 | 字串 |
UriFolderJobOutput
| 名稱 | 描述 | 值 |
|---|---|---|
| jobOutputType | [必要]指定作業的類型。 | “UriFolder” (必要) |
| mode | 輸出資產傳遞模式。 | “ReadWriteMount” “上傳” |
| uri | 輸出資產 URI。 | 字串 |
ResourceConfiguration
| 名稱 | 描述 | 值 |
|---|---|---|
| instanceCount | 計算目標所使用的選用執行個體或節點數目。 | int |
| instanceType | 計算目標所支持的選擇性 VM 類型。 | 字串 |
| properties | 其他屬性包。 | ResourceConfigurationProperties |
ResourceConfigurationProperties
| 名稱 | 描述 | 值 |
|---|---|---|
| {自定義屬性} |
AutoMLVertical
| 名稱 | 描述 | 值 |
|---|---|---|
| logVerbosity | 作業的記錄詳細資訊。 | “Critical” “Debug” “錯誤” “Info” “NotSet” 「警告」 |
| taskType | 設定物件類型 | 分類 預測 ImageClassification ImageClassificationMultilabel ImageInstanceSegmentation ImageObjectDetection 迴歸 TextClassification TextClassificationMultilabel 需要 TextNER () |
分類
| 名稱 | 描述 | 值 |
|---|---|---|
| taskType | [必要]AutoMLJob 的工作類型。 | 「分類」 (必要) |
| allowedModels | 分類工作的允許模型。 | 包含任何項目的字串數組： “BernoulliNaive設定” “DecisionTree” “ExtremeRandomTrees” “GradientBoosting” “KNN” “LightGBM” “LinearSVM” “LogisticRegression” “MultinomialNaiveBayes” “RandomForest” “SGD” “SVM” “XGBoostClassifier” |
| blockedModels | 分類工作的封鎖模型。 | 包含任何項目的字串數組： “BernoulliNaiveBaes” “DecisionTree” “ExtremeRandomTrees” “GradientBoosting” “KNN” “LightGBM” “LinearSVM” “LogisticRegression” “MultinomialNaiveBaes” “RandomForest” “SGD” “SVM” “XGBoostClassifier” |
| dataSettings | AutoMLJob 的數據輸入。 | TableVerticalDataSettings |
| featurizationSettings | AutoML 作業所需的特徵化輸入。 | TableVerticalFeaturizationSettings |
| limitSettings | AutoMLJob 的執行條件約束。 | TableVerticalLimitSettings |
| primaryMetric | 工作的主要計量。 | “AUCWeighted” 「精確度」 “AveragePrecisionScoreWeighted” “NormMacroRecall” “PrecisionScoreWeighted” |
| trainingSettings | AutoML 作業定型階段的輸入。 | TrainingSettings |
TableVerticalDataSettings
| 名稱 | 描述 | 值 |
|---|---|---|
| targetColumnName | [必要]目標數據行名稱：這是預測值數據行。 也稱為分類工作內容中的標籤數據行名稱。 |
字串 (必要) 約束： 模式 = [a-zA-Z0-9_] |
| testData | 測試數據輸入。 | TestDataSettings |
| trainingData | [必要]定型數據輸入。 | TrainingDataSettings (必要) |
| validationData | 驗證數據輸入。 | TableVerticalValidationDataSettings |
| weightColumnName | 範例加權數據行的名稱。 自動化 ML 支援加權數據行做為輸入，導致數據中的數據列向上或向下加權。 | 字串 |
TestDataSettings
| 名稱 | 描述 | 值 |
|---|---|---|
| 資料 | 測試數據 MLTable。 | MLTableJobInput |
| testDataSize | 必須針對驗證目的將測試數據集的分數放在一起。 介於 (0.0 、1.0) 之間的值 未提供驗證數據集時套用。 |
int |
MLTableJobInput
| 名稱 | 描述 | 值 |
|---|---|---|
| description | 輸入的描述。 | 字串 |
| jobInputType | [必要]指定作業的類型。 | “CustomModel” “Literal” “MLFlowModel” “MLTable” “TritonModel” “UriFile” 必要) “UriFolder” ( |
| mode | 輸入資產傳遞模式。 | “Direct” “下載” “EvalDownload” “EvalMount” “ReadOnlyMount” “ReadWriteMount” |
| uri | [必要]輸入資產 URI。 | 字串 (必要) 約束： 模式 = [a-zA-Z0-9_] |
TrainingDataSettings
| 名稱 | 描述 | 值 |
|---|---|---|
| 資料 | [必要]訓練數據MLTable。 | MLTableJobInput (必要) |
TableVerticalValidationDataSettings
| 名稱 | 描述 | 值 |
|---|---|---|
| cvSplitColumnNames | 要用於 CVSplit 資料的數據行。 | string[] |
| 資料 | 驗證數據 MLTable。 | MLTableJobInput |
| nCrossValidations | 要套用至定型數據集的交叉驗證折疊數目 未提供驗證數據集時。 |
NCrossValidations |
| validationDataSize | 必須針對驗證目的將定型數據集的分數。 介於 (0.0 、1.0) 之間的值 未提供驗證數據集時套用。 |
int |
NCrossValidations
| 名稱 | 描述 | 值 |
|---|---|---|
| mode | 設定物件類型 | Auto 自訂 (必要) |
AutoNCrossValidations
| 名稱 | 描述 | 值 |
|---|---|---|
| mode | [必要]判斷 N-Cross 驗證的模式。 | 必要) 「自動」 ( |
CustomNCrossValidations
| 名稱 | 描述 | 值 |
|---|---|---|
| mode | [必要]判斷 N-Cross 驗證的模式。 | 「自定義」 (必要) |
| 值 | [必要]N-Cross 驗證值。 | int (必要) |
TableVerticalFeaturizationSettings
| 名稱 | 描述 | 值 |
|---|---|---|
| blockedTransformers | 這些轉換器不得用於特徵化。 | string[] |
| columnNameAndTypes | 數據行名稱的字典及其類型 (int、float、string、datetime 等) 。 | TableVerticalFeaturizationSettingsColumnNameAndTypes |
| datasetLanguage | 數據集語言，適用於文字數據。 | 字串 |
| dropColumns | 特徵化期間要從數據卸除的數據行。 | string[] |
| enableDnnFeaturization | 判斷是否要使用 Dnn 型特徵化程式進行數據特徵化。 | bool |
| mode | 特徵化模式 - 使用者可以保留預設的「自動」模式，而 AutoML 會負責在特徵化階段中轉換數據的必要轉換。 如果選取 [關閉]，則不會完成特徵化。 如果選取 [自定義]，則使用者可以指定其他輸入，以自定義特徵化完成的方式。 |
“Auto” "Custom" “Off” |
| transformerParams | 使用者可以指定其他要用於的轉換器，以及要套用它的數據行，以及轉換程式建構函式的參數。 | TableVerticalFeaturizationSettingsTransformerParams |
TableVerticalFeaturizationSettingsColumnNameAndTypes
| 名稱 | 描述 | 值 |
|---|---|---|
| {自定義屬性} | 字串 |
TableVerticalFeaturizationSettingsTransformerParams
| 名稱 | 描述 | 值 |
|---|---|---|
| {自定義屬性} | ColumnTransformer[] |
ColumnTransformer
| 名稱 | 描述 | 值 |
|---|---|---|
| fields | 要套用轉換器邏輯的欄位。 | string[] |
| 參數 | 要傳遞至轉換器的不同屬性。 預期的輸入是 JSON 格式的索引鍵、值組字典。 |
TableVerticalLimitSettings
| 名稱 | 描述 | 值 |
|---|---|---|
| enableEarlyTermination | 啟用提早終止，判斷如果最後 20 個反覆項目沒有分數改善，AutoMLJob 是否提早終止。 | bool |
| exitScore | AutoML 作業的結束分數。 | int |
| maxConcurrentTrials | 並行反覆專案上限。 | int |
| maxCoresPerTrial | 每次反覆運算的核心數上限。 | int |
| maxTrials | 反覆運算次數。 | int |
| timeout | AutoML 作業逾時。 | 字串 |
| trialTimeout | 反覆專案逾時。 | 字串 |
TrainingSettings
| 名稱 | 描述 | 值 |
|---|---|---|
| enableDnnTraining | 啟用 DNN 模型的建議。 | bool |
| enableModelExplainability | 在最佳模型上開啟可解釋性的旗標。 | bool |
| enableOnnxCompatibleModels | 啟用 onnx 相容模型的旗標。 | bool |
| enableStackEnsemble | 啟用堆疊Ensemble 執行。 | bool |
| enableVoteEnsemble | 啟用投票Ensemble 執行。 | bool |
| ensembleModelDownloadTimeout | 在 VotingEnsemble 和 StackEnsemble 模型產生期間，會下載先前子回合中的多個配適模型。 如果需要更多時間，請將此參數設定為高於 300 秒的值。 |
字串 |
| stackEnsembleSettings | 堆疊Ensemble 執行的堆疊Ensemble 設定。 | StackEnsembleSettings |
StackEnsembleSettings
| 名稱 | 描述 | 值 |
|---|---|---|
| stackMetaLearnerKWargs | 要傳遞至中繼學習模組初始化表達式的選擇性參數。 | |
| stackMetaLearnerTrainPercentage | 指定在選擇訓練和驗證類型的訓練) 保留給訓練中繼學習工具時，訓練集 (的比例。 預設值為 0.2。 | int |
| stackMetaLearnerType | 中繼學習模組是針對個別異質模型的輸出定型的模型。 | “ElasticNet” “ElasticNetCV” “LightGBMClassifier” “LightGBMRegressor” “LinearRegression” “LogisticRegression” “LogisticRegressionCV” "None" |
預測
| 名稱 | 描述 | 值 |
|---|---|---|
| taskType | [必要]AutoMLJob 的工作類型。 | 「預測」 (必要) |
| allowedModels | 用於預測工作的允許模型。 | 包含任何項目的字串數組： “Arimax” “AutoArima” “Average” “DecisionTree” “ElasticNet” “ExponentialSmoothing” “ExtremeRandomTrees” “GradientBoosting” “KNN” “LassoLars” “LightGBM” “Naive” “聯機” “RandomForest” “SGD” “SeasonalAverage” “SeasonalNaive” “TCNForecaster” “XGBoostRegressor” |
| blockedModels | 用於預測工作的封鎖模型。 | 包含任何項目的字串數組： “Arimax” “AutoArima” “Average” “DecisionTree” “ElasticNet” “ExponentialSmoothing” “ExtremeRandomTrees” “GradientBoosting” “KNN” “LassoLars” “LightGBM” “Naive” “聯機” “RandomForest” “SGD” “SeasonalAverage” “SeasonalNaive” “TCNForecaster” “XGBoostRegressor” |
| dataSettings | AutoMLJob 的數據輸入。 | TableVerticalDataSettings |
| featurizationSettings | AutoML 作業所需的特徵化輸入。 | TableVerticalFeaturizationSettings |
| forecastingSettings | 預測工作特定輸入。 | ForecastingSettings |
| limitSettings | AutoMLJob 的執行條件約束。 | TableVerticalLimitSettings |
| primaryMetric | 預測工作的主要計量。 | “NormalizedMeanAbsoluteError” “NormalizedRootMeanSquaredError” “R2Score” “SpearmanCorrelation” |
| trainingSettings | AutoML 作業定型階段的輸入。 | TrainingSettings |
ForecastingSettings
| 名稱 | 描述 | 值 |
|---|---|---|
| countryOrRegionForHolidays | 用於預測工作的假日國家或地區。 這些應該是 ISO 3166 兩個字母的國家/地區代碼，例如 'US' 或 'GB'。 |
字串 |
| cvStepSize | 一個 CV 折疊的原點時間與下一個折疊之間的期間數。 For 例如，如果 CVStepSize = 3 表示每日數據，則每個折疊的源時間將會是相隔三天。 |
int |
| featureLags | 旗標，用於產生具有 'auto' 或 null 之數值特徵的延隔時間。 | “Auto” "None" |
| forecastHorizon | 時間序列頻率單位所需的最大預測層級。 | ForecastHorizon |
| frequency | 預測時，此參數代表需要預測的期間，例如每日、每周、每年等等。預測頻率預設為數據集頻率。 | 字串 |
| 季節性 | 將時間序列季節性設定為數列頻率的整數倍數。 如果季節性設定為 『auto』，則會推斷它。 |
季節性 |
| shortSeriesHandlingConfig | 定義 AutoML 是否應該處理短時間序列的參數。 | “Auto” “Drop” "None" “Pad” |
| targetAggregateFunction | 用來匯總時間序列目標數據行以符合使用者指定頻率的函式。 如果已設定 TargetAggregateFunction，亦即不是 『None』，但未設定 freq 參數，則會引發錯誤。 可能的目標聚合函數包括：「sum」、“max”、“min” 和 “mean”。 |
“Max” “Mean” “Min” "None" “Sum” |
| targetLags | 要從目標數據行延隔的過去期間數。 | TargetLags |
| targetRollingWindowSize | 用來建立目標數據行滾動視窗平均值的過去期間數目。 | TargetRollingWindowSize |
| timeColumnName | 時間數據行的名稱。 當預測指定用於建置時間序列和推斷其頻率之輸入數據中的 datetime 數據行時，需要此參數。 | 字串 |
| timeSeriesIdColumnNames | 用來分組時間範圍的數據行名稱。 它可以用來建立多個數列。 如果未定義粒紋，則會假設資料集為一個時間序列。 此參數會與工作類型預測搭配使用。 |
string[] |
| useStl | 設定時間序列目標數據行的 STL 分解。 | "None" “季” “SeasonTrend” |
ForecastHorizon
| 名稱 | 描述 | 值 |
|---|---|---|
| mode | 設定物件類型 | Auto 需要自訂 () |
AutoForecastHorizon
| 名稱 | 描述 | 值 |
|---|---|---|
| mode | [必要]設定預測層級值選取模式。 | “Auto” (必要) |
CustomForecastHorizon
| 名稱 | 描述 | 值 |
|---|---|---|
| mode | [必要]設定預測層級值選取模式。 | 「自定義」 (必要) |
| 值 | [必要]預測層級值。 | 需要 int () |
季節性
| 名稱 | 描述 | 值 |
|---|---|---|
| mode | 設定物件類型 | Auto 需要自訂 () |
AutoSeasonality
| 名稱 | 描述 | 值 |
|---|---|---|
| mode | [必要]季節性模式。 | “Auto” (必要) |
CustomSeasonality
| 名稱 | 描述 | 值 |
|---|---|---|
| mode | [必要]季節性模式。 | 「自定義」 (必要) |
| 值 | [必要]季節性值。 | 需要 int () |
TargetLags
| 名稱 | 描述 | 值 |
|---|---|---|
| mode | 設定物件類型 | Auto 需要自訂 () |
AutoTargetLags
| 名稱 | 描述 | 值 |
|---|---|---|
| mode | [必要]設定目標延隔模式 - 自動/自定義 | “Auto” (必要) |
CustomTargetLags
| 名稱 | 描述 | 值 |
|---|---|---|
| mode | [必要]設定目標延隔模式 - 自動/自定義 | 「自定義」 (必要) |
| 值 | [必要]設定目標延隔值。 | int[] (必要) |
TargetRollingWindowSize
| 名稱 | 描述 | 值 |
|---|---|---|
| mode | 設定物件類型 | Auto 需要自訂 () |
AutoTargetRollingWindowSize
| 名稱 | 描述 | 值 |
|---|---|---|
| mode | [必要]TargetRollingWindowSiz 偵測模式。 | “Auto” (必要) |
CustomTargetRollingWindowSize
| 名稱 | 描述 | 值 |
|---|---|---|
| mode | [必要]TargetRollingWindowSiz 偵測模式。 | 「自定義」 (必要) |
| 值 | [必要]TargetRollingWindowSize 值。 | 需要 int () |
ImageClassification
| 名稱 | 描述 | 值 |
|---|---|---|
| taskType | [必要]AutoMLJob 的工作類型。 | “ImageClassification” (必要) |
| dataSettings | [必要]已註冊表格式數據集標識碼的集合，以及定型和驗證模型所需的其他數據設定。 | ImageVerticalDataSettings (必要) |
| limitSettings | [必要]限制 AutoML 作業的設定。 | ImageLimitSettings (必要) |
| modelSettings | 用於定型模型的設定。 | ImageModelSettingsClassification |
| primaryMetric | 要針對這項工作優化的主要計量。 | “AUCWeighted” “精確度” “AveragePrecisionScoreWeighted” “NormMacroRecall” “PrecisionScoreWeighted” |
| searchSpace | 搜尋空間，以取樣模型及其超參數的不同組合。 | ImageModelDistributionSettingsClassification[] |
| sweepSettings | 模型掃掠和超參數掃掠相關設定。 | ImageSweepSettings |
ImageVerticalDataSettings
| 名稱 | 描述 | 值 |
|---|---|---|
| targetColumnName | [必要]目標數據行名稱：這是預測值數據行。 也稱為分類工作內容中的標籤數據行名稱。 |
需要字串 () 約束： 模式 = [a-zA-Z0-9_] |
| testData | 測試數據輸入。 | TestDataSettings |
| trainingData | [必要]定型數據輸入。 | TrainingDataSettings (必要) |
| validationData | 驗證數據集的設定。 | ImageVerticalValidationDataSettings |
ImageVerticalValidationDataSettings
| 名稱 | 描述 | 值 |
|---|---|---|
| 資料 | 驗證數據 MLTable。 | MLTableJobInput |
| validationDataSize | 需要為驗證目的保留的定型數據集分數。 (0.0 、1.0) 之間的值 未提供驗證數據集時套用。 |
int |
ImageLimitSettings
| 名稱 | 描述 | 值 |
|---|---|---|
| maxConcurrentTrials | 並行 AutoML 反覆項目的數目上限。 | int |
| maxTrials | AutoML 反覆項目的數目上限。 | int |
| timeout | AutoML 作業逾時。 | 字串 |
ImageModelSettingsClassification
| 名稱 | 描述 | 值 |
|---|---|---|
| advancedSettings | 進階案例的設定。 | 字串 |
| amsGradient | 當優化器為 『adam』 或 'adamw' 時啟用AMSGrad。 | bool |
| 擴增 | 使用擴增的設定。 | 字串 |
| beta1 | 當優化器為 'adam' 或 'adamw' 時，'beta1' 的值。 必須是範圍 [0, 1] 內的浮點數。 | int |
| beta2 | 當優化器為 'adam' 或 'adamw' 時，'beta2' 的值。 必須是範圍 [0, 1] 內的浮點數。 | int |
| checkpointDatasetId | 預先定型檢查點的 FileDataset 識別碼， (累加式定型的) 。 請務必傳遞 CheckpointFilename 以及 CheckpointDatasetId。 |
字串 |
| checkpointFilename | FileDataset 中用於累加式定型的預先定型檢查點檔案名稱。 請務必傳遞 CheckpointDatasetId 以及 CheckpointFilename。 |
字串 |
| checkpointFrequency | 儲存模型檢查點的頻率。 必須是正整數。 | int |
| checkpointRunId | 先前執行之標識碼，其具有累加式定型的預先定型檢查點。 | 字串 |
| 分散式 | 是否要使用分散式定型。 | bool |
| earlyStopping | 在定型期間啟用提早停止邏輯。 | bool |
| earlyStoppingDelay | 在主要計量改進之前等待的最小 Epoch 或驗證評估數目 會追蹤提早停止。 必須是正整數。 |
int |
| earlyStoppingPatience | 在之前沒有主要計量改善的最小 Epoch 或驗證評估數目 執行已停止。 必須是正整數。 |
int |
| enableOnnxNormalization | 匯出 ONNX 模型時啟用正規化。 | bool |
| evaluationFrequency | 評估驗證資料集以取得計量分數的頻率。 必須是正整數。 | int |
| gradientAccumulationStep | 漸層累積表示執行未設定數目的 「GradAccumulationStep」 步驟 更新模型權數，同時累積這些步驟的漸層，然後使用 用來計算權數更新的累積漸層。 必須是正整數。 |
int |
| layersToFreeze | 要凍結模型的層數。 必須是正整數。 例如，傳遞 2 作為 'seresnext' 值表示 凍結 layer0 和 layer1。 如需所支援模型的完整清單，以及圖層凍結的詳細數據，請 看到： https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
int |
| learningRate | 初始學習速率。 必須是範圍 [0, 1] 內的浮點數。 | int |
| learningRateScheduler | 學習率排程器的類型。 必須是 『warmup_cosine』 或 'step'。 | "None" “步驟” “WarmupCosine” |
| modelName | 要用於定型的模型名稱。 如需可用模型的詳細資訊，請造訪官方檔： https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
字串 |
| 動量 | 優化工具為 『sgd』 時的動向值。 必須是範圍 [0, 1] 內的浮點數。 | int |
| nesterov | 當優化器為 『sgd』 時啟用 nesterov。 | bool |
| numberOfEpochs | 定型 Epoch 的數目。 必須是正整數。 | int |
| numberOfWorkers | 數據載入器背景工作角色的數目。 必須是非負整數。 | int |
| optimizer | 最佳化工具的類型。 | “Adam” “Adamw” "None" “Sgd” |
| randomSeed | 使用決定性定型時要使用的隨機種子。 | int |
| splitRatio | 如果未定義驗證數據，這會指定分割的分割比例 將數據定型為隨機定型和驗證子集。 必須是範圍 [0, 1] 內的浮點數。 |
int |
| stepLRGamma | 當學習速率排程器為 『step』 時，gamma 的值。 必須是範圍 [0, 1] 內的浮點數。 | int |
| stepLRStepSize | 當學習速率排程器為 『step』 時，步驟大小的值。 必須是正整數。 | int |
| trainingBatchSize | 定型批次大小。 必須是正整數。 | int |
| trainingCropSize | 影像裁剪大小，為定型數據集的類神經網路輸入。 必須是正整數。 | int |
| validationBatchSize | 驗證批次大小。 必須是正整數。 | int |
| validationCropSize | 輸入至驗證數據集之類神經網路的影像裁剪大小。 必須是正整數。 | int |
| validationResizeSize | 在針對驗證資料集進行裁切之前，要調整大小的影像大小。 必須是正整數。 | int |
| warmupCosineLRCycles | 當學習速率排程器為 『warmup_cosine』 時，餘弦迴圈的值。 必須是範圍 [0, 1] 內的浮點數。 | int |
| warmupCosineLRWarmupEpochs | 當學習速率排程器為 『warmup_cosine』時，熱身 Epoch 的值。 必須是正整數。 | int |
| weightDecay | 優化器為 'sgd'、'adam' 或 'adamw' 時的權數衰減值。 必須是範圍[0， 1] 中的浮點數。 | int |
| weightedLoss | 加權損失。 接受的值是 0，不會遺失加權。 1 用於 sqrt. (class_weights) 加權損失。 2 表示具有 class_weights 的加權遺失。 必須是 0 或是 1 或 2。 |
int |
ImageModelDistributionSettingsClassification
| 名稱 | 描述 | 值 |
|---|---|---|
| amsGradient | 當優化器為 『adam』 或 'adamw' 時啟用AMSGrad。 | 字串 |
| 擴增 | 使用擴增的設定。 | 字串 |
| beta1 | 優化器為 'adam' 或 'adamw' 時的 'beta1' 值。 必須是範圍 [0, 1] 內的浮點數。 | 字串 |
| beta2 | 優化器為 'adam' 或 'adamw' 時的 'beta2' 值。 必須是範圍 [0, 1] 內的浮點數。 | 字串 |
| 分散式 | 是否要使用分散式程式定型。 | 字串 |
| earlyStopping | 在定型期間啟用提早停止邏輯。 | 字串 |
| earlyStoppingDelay | 在主要計量改進之前等候的最小 Epoch 或驗證評估數目 會追蹤早期停止。 必須是正整數。 |
字串 |
| earlyStoppingPatience | 之前沒有主要計量改進的最小 Epoch 或驗證評估數目 執行已停止。 必須是正整數。 |
字串 |
| enableOnnxNormalization | 匯出 ONNX 模型時啟用正規化。 | 字串 |
| evaluationFrequency | 評估驗證資料集以取得計量分數的頻率。 必須是正整數。 | 字串 |
| gradientAccumulationStep | 漸層累積表示在沒有的情況下執行已設定數目的 「GradAccumulationStep」 步驟 更新模型權數，同時累積這些步驟的漸層，然後使用 用來計算權數更新的累積漸層。 必須是正整數。 |
字串 |
| layersToFreeze | 要凍結模型的圖層數目。 必須是正整數。 例如，傳遞 2 做為 'seresnext' 值表示 凍結第0層和第1層。 如需支援模型的完整清單，以及圖層凍結的詳細數據，請 看到： https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
字串 |
| learningRate | 初始學習速率。 必須是範圍 [0, 1] 內的浮點數。 | 字串 |
| learningRateScheduler | 學習率排程器的類型。 必須是 『warmup_cosine』 或 'step'。 | 字串 |
| modelName | 要用於定型的模型名稱。 如需可用模型的詳細資訊，請流覽官方檔： https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
字串 |
| 動量 | 優化工具為 『sgd』 時的時刻值。 必須是範圍 [0, 1] 內的浮點數。 | 字串 |
| nesterov | 當優化器為 'sgd' 時，請啟用 nesterov。 | 字串 |
| numberOfEpochs | 定型 Epoch 的數目。 必須是正整數。 | 字串 |
| numberOfWorkers | 數據載入器背景工作角色的數目。 必須是非負整數。 | 字串 |
| optimizer | 最佳化工具的類型。 必須是 『sgd』、『adam』或 『adamw』。 | 字串 |
| randomSeed | 使用決定性定型時要使用的隨機種子。 | 字串 |
| splitRatio | 如果未定義驗證數據，這會指定分割的分割比率 將數據定型成隨機定型和驗證子集。 必須是範圍 [0, 1] 內的浮點數。 |
字串 |
| stepLRGamma | 當學習速率排程器為 『step』 時，gamma 的值。 必須是範圍 [0, 1] 內的浮點數。 | 字串 |
| stepLRStepSize | 當學習速率排程器為 『step』 時，步驟大小的值。 必須是正整數。 | 字串 |
| trainingBatchSize | 定型批次大小。 必須是正整數。 | 字串 |
| trainingCropSize | 影像裁剪大小，為定型數據集的類神經網路輸入。 必須是正整數。 | 字串 |
| validationBatchSize | 驗證批次大小。 必須是正整數。 | 字串 |
| validationCropSize | 輸入至驗證數據集之類神經網路的影像裁剪大小。 必須是正整數。 | 字串 |
| validationResizeSize | 在針對驗證資料集進行裁切之前，要調整大小的影像大小。 必須是正整數。 | 字串 |
| warmupCosineLRCycles | 當學習速率排程器為 『warmup_cosine』 時，餘弦迴圈的值。 必須是範圍 [0, 1] 內的浮點數。 | 字串 |
| warmupCosineLRWarmupEpochs | 當學習速率排程器為 『warmup_cosine』時，熱身 Epoch 的值。 必須是正整數。 | 字串 |
| weightDecay | 優化器為 'sgd'、'adam' 或 'adamw' 時的權數衰減值。 必須是範圍[0， 1] 中的浮點數。 | 字串 |
| weightedLoss | 加權損失。 接受的值是 0，不會遺失加權。 1 用於 sqrt. (class_weights) 加權損失。 2 表示具有 class_weights 的加權遺失。 必須是 0 或是 1 或 2。 |
字串 |
ImageSweepSettings
| 名稱 | 描述 | 值 |
|---|---|---|
| earlyTermination | 早期終止原則的類型。 | EarlyTerminationPolicy |
| 限制 | [必要]限制模型掃掠和超參數掃掠的設定。 | ImageSweepLimitSettings (必要) |
| samplingAlgorithm | [必要]超參數取樣演算法的類型。 | “Bayesian” “Grid” 「隨機」 (必要) |
EarlyTerminationPolicy
| 名稱 | 描述 | 值 |
|---|---|---|
| delayEvaluation | 延遲第一次評估的間隔數目。 | int |
| evaluationInterval | 原則評估之間) 執行的間隔 (數目。 | int |
| policyType | 設定物件類型 | Bandit MedianStopping 截斷選取 必要 () |
BanditPolicy
| 名稱 | 描述 | 值 |
|---|---|---|
| policyType | [必要]原則設定的名稱 | “Bandit” (必要) |
| slackAmount | 最佳執行所允許的絕對距離。 | int |
| slackFactor | 允許與最佳執行距離的比例。 | int |
MedianStoppingPolicy
| 名稱 | 描述 | 值 |
|---|---|---|
| policyType | [必要]原則設定的名稱 | “MedianStopping” (必要) |
TruncationSelectionPolicy
| 名稱 | 描述 | 值 |
|---|---|---|
| policyType | [必要]原則設定的名稱 | “TruncationSelection” (必要) |
| truncationPercentage | 要在每個評估間隔取消的執行百分比。 | int |
ImageSweepLimitSettings
| 名稱 | 描述 | 值 |
|---|---|---|
| maxConcurrentTrials | 基礎掃掠作業的並行反覆項目數目上限。 | int |
| maxTrials | 基礎掃掠作業的反覆項目數目上限。 | int |
ImageClassificationMultilabel
| 名稱 | 描述 | 值 |
|---|---|---|
| taskType | [必要]AutoMLJob 的工作類型。 | “ImageClassificationMultilabel” (必要) |
| dataSettings | [必要]已註冊表格式數據集標識碼的集合，以及定型和驗證模型所需的其他數據設定。 | ImageVerticalDataSettings (必要) |
| limitSettings | [必要]限制 AutoML 作業的設定。 | ImageLimitSettings (必要) |
| modelSettings | 用於定型模型的設定。 | ImageModelSettingsClassification |
| primaryMetric | 要針對這項工作優化的主要計量。 | “AUCWeighted” “精確度” “AveragePrecisionScoreWeighted” “IOU” “NormMacroRecall” “PrecisionScoreWeighted” |
| searchSpace | 搜尋空間，以取樣模型及其超參數的不同組合。 | ImageModelDistributionSettingsClassification[] |
| sweepSettings | 模型掃掠和超參數掃掠相關設定。 | ImageSweepSettings |
ImageInstanceSegmentation
| 名稱 | 描述 | 值 |
|---|---|---|
| taskType | [必要]AutoMLJob 的工作類型。 | “ImageInstanceSegmentation” (必要) |
| dataSettings | [必要]已註冊表格式數據集標識碼的集合，以及定型和驗證模型所需的其他數據設定。 | ImageVerticalDataSettings (必要) |
| limitSettings | [必要]限制 AutoML 作業的設定。 | ImageLimitSettings (必要) |
| modelSettings | 用於定型模型的設定。 | ImageModelSettingsObjectDetection |
| primaryMetric | 要針對這項工作優化的主要計量。 | “MeanAveragePrecision” |
| searchSpace | 搜尋空間，以取樣模型及其超參數的不同組合。 | ImageModelDistributionSettingsObjectDetection[] |
| sweepSettings | 模型掃掠和超參數掃掠相關設定。 | ImageSweepSettings |
ImageModelSettingsObjectDetection
| 名稱 | 描述 | 值 |
|---|---|---|
| advancedSettings | 進階案例的設定。 | 字串 |
| amsGradient | 當優化器為 『adam』 或 'adamw' 時啟用AMSGrad。 | bool |
| 擴增 | 使用擴增的設定。 | 字串 |
| beta1 | 當優化器為 'adam' 或 'adamw' 時，'beta1' 的值。 必須是範圍 [0, 1] 內的浮點數。 | int |
| beta2 | 當優化器為 'adam' 或 'adamw' 時，'beta2' 的值。 必須是範圍 [0, 1] 內的浮點數。 | int |
| boxDetectionsPerImage | 針對所有類別，每個影像的偵測數目上限。 必須是正整數。 注意：'yolov5' 演算法不支援此設定。 |
int |
| boxScoreThreshold | 在推斷期間，只傳回分類分數大於的建議 BoxScoreThreshold。 必須是 range[0， 1] 中的浮點數。 |
int |
| checkpointDatasetId | 預先定型檢查點的 FileDataset 識別碼， (累加式定型的) 。 請務必傳遞 CheckpointFilename 以及 CheckpointDatasetId。 |
字串 |
| checkpointFilename | FileDataset 中用於累加式定型的預先定型檢查點檔案名稱。 請務必傳遞 CheckpointDatasetId 以及 CheckpointFilename。 |
字串 |
| checkpointFrequency | 儲存模型檢查點的頻率。 必須是正整數。 | int |
| checkpointRunId | 先前執行之標識碼，其具有累加式定型的預先定型檢查點。 | 字串 |
| 分散式 | 是否要使用分散式定型。 | bool |
| earlyStopping | 在定型期間啟用提早停止邏輯。 | bool |
| earlyStoppingDelay | 在主要計量改進之前等待的最小 Epoch 或驗證評估數目 會追蹤提早停止。 必須是正整數。 |
int |
| earlyStoppingPatience | 在之前沒有主要計量改善的最小 Epoch 或驗證評估數目 執行已停止。 必須是正整數。 |
int |
| enableOnnxNormalization | 匯出 ONNX 模型時啟用正規化。 | bool |
| evaluationFrequency | 評估驗證資料集以取得計量分數的頻率。 必須是正整數。 | int |
| gradientAccumulationStep | 漸層累積表示執行未設定數目的 「GradAccumulationStep」 步驟 更新模型權數，同時累積這些步驟的漸層，然後使用 用來計算權數更新的累積漸層。 必須是正整數。 |
int |
| imageSize | 用於定型和驗證的影像大小。 必須是正整數。 注意：如果大小太大，訓練回合可能會進入 CUDA OOM。 注意：只有 'yolov5' 演算法才支援此設定。 |
int |
| layersToFreeze | 要凍結模型的層數。 必須是正整數。 例如，傳遞 2 作為 'seresnext' 值表示 凍結 layer0 和 layer1。 如需所支援模型的完整清單，以及圖層凍結的詳細數據，請 看到： https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
int |
| learningRate | 初始學習速率。 必須是範圍 [0, 1] 內的浮點數。 | int |
| learningRateScheduler | 學習率排程器的類型。 必須是 『warmup_cosine』 或 'step'。 | "None" “Step” “WarmupCosine” |
| maxSize | 將影像饋送至骨幹之前要重新調整的影像大小上限。 必須是正整數。 注意：如果大小太大，則定型執行可能會進入 CUDA OOM. 注意：'yolov5' 演算法不支援此設定。 |
int |
| minSize | 將影像饋送至骨幹之前要重新調整的影像大小下限。 必須是正整數。 注意：如果大小太大，則定型執行可能會進入 CUDA OOM. 注意：'yolov5' 演算法不支援此設定。 |
int |
| modelName | 要用於定型的模型名稱。 如需可用模型的詳細資訊，請流覽官方檔： https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
字串 |
| modelSize | 模型大小。 必須是 'small'、'medium'、'large' 或 'xlarge'。 注意：如果模型大小太大，則定型執行可能會進入 CUDA OOM. 注意：只有 'yolov5' 演算法才支援此設定。 |
“ExtraLarge” “Large” “Medium” "None" “Small” |
| 動量 | 優化工具為 『sgd』 時的時刻值。 必須是範圍 [0, 1] 內的浮點數。 | int |
| 尺度 | 依 +/- 50% 的不同影像大小啟用多縮放映射。 注意：如果沒有足夠的 GPU 記憶體，則定型執行可能會進入 CUDA OOM。 注意：只有 'yolov5' 演算法才支援此設定。 |
bool |
| nesterov | 當優化器為 'sgd' 時，請啟用 nesterov。 | bool |
| nmsIouThreshold | 在NMS後置處理中推斷期間使用的IOU臨界值。 必須是範圍 [0, 1] 內的浮點數。 | int |
| numberOfEpochs | 定型 Epoch 的數目。 必須是正整數。 | int |
| numberOfWorkers | 數據載入器背景工作角色的數目。 必須是非負整數。 | int |
| optimizer | 最佳化工具的類型。 | “Adam” “Adamw” "None" “Sgd” |
| randomSeed | 使用決定性定型時要使用的隨機種子。 | int |
| splitRatio | 如果未定義驗證數據，這會指定分割的分割比率 將數據定型成隨機定型和驗證子集。 必須是範圍 [0, 1] 內的浮點數。 |
int |
| stepLRGamma | 當學習速率排程器為 『step』 時，gamma 的值。 必須是範圍 [0, 1] 內的浮點數。 | int |
| stepLRStepSize | 當學習速率排程器為 『step』 時，步驟大小的值。 必須是正整數。 | int |
| tileGridSize | 要用於每個並排影像的格線大小。 注意：TileGridSize 不得為 無可啟用小型物件偵測邏輯。 包含兩個整數的字串，其格式為#。 注意：'yolov5' 演算法不支援此設定。 |
字串 |
| tileOverlapRatio | 每個維度中相鄰圖格之間的重疊比例。 範圍 [0， 1) 必須是 float。 注意：'yolov5' 演算法不支援此設定。 |
int |
| tilePredictionsNmsThreshold | 從圖格和影像合併預測時用來執行 NMS 的 IOU 閾值。 用於驗證/推斷。 必須是範圍 [0， 1] 中的 float。 注意：'yolov5' 演算法不支援此設定。 |
int |
| trainingBatchSize | 定型批次大小。 必須是正整數。 | int |
| validationBatchSize | 驗證批次大小。 必須是正整數。 | int |
| validationIouThreshold | 計算驗證計量時要使用的IOU臨界值。 必須是範圍 [0， 1] 中的浮點數。 | int |
| validationMetricType | 要用於驗證計量的計量計算方法。 | “Coco” “CocoVoc” "None" “Voc” |
| warmupCosineLRCycles | 學習速率排程器為「warmup_cosine」時的餘弦週期值。 必須是範圍 [0, 1] 內的浮點數。 | int |
| warmupCosineLRWarmupEpochs | 當學習速率排程器為 『warmup_cosine』 時，暖 Epoch 的值。 必須是正整數。 | int |
| weightDecay | 當優化器為 'sgd'、'adam' 或 'adamw' 時，加權衰減的值。 必須是 range[0， 1] 中的浮點數。 | int |
ImageModelDistributionSettingsObjectDetection
| 名稱 | 描述 | 值 |
|---|---|---|
| amsGradient | 當優化器為 『adam』 或 'adamw' 時啟用AMSGrad。 | 字串 |
| 擴增 | 使用擴增的設定。 | 字串 |
| beta1 | 當優化器為 'adam' 或 'adamw' 時，'beta1' 的值。 必須是範圍 [0, 1] 內的浮點數。 | 字串 |
| beta2 | 當優化器為 'adam' 或 'adamw' 時，'beta2' 的值。 必須是範圍 [0, 1] 內的浮點數。 | 字串 |
| boxDetectionsPerImage | 針對所有類別，每個影像的偵測數目上限。 必須是正整數。 注意：'yolov5' 演算法不支援此設定。 |
字串 |
| boxScoreThreshold | 在推斷期間，只傳回分類分數大於的建議 BoxScoreThreshold。 必須是 range[0， 1] 中的浮點數。 |
字串 |
| 分散式 | 是否要使用散發器定型。 | 字串 |
| earlyStopping | 在定型期間啟用提早停止邏輯。 | 字串 |
| earlyStoppingDelay | 在主要計量改進之前等待的最小 Epoch 或驗證評估數目 會追蹤提早停止。 必須是正整數。 |
字串 |
| earlyStoppingPatience | 在之前沒有主要計量改善的最小 Epoch 或驗證評估數目 執行已停止。 必須是正整數。 |
字串 |
| enableOnnxNormalization | 匯出 ONNX 模型時啟用正規化。 | 字串 |
| evaluationFrequency | 評估驗證資料集以取得計量分數的頻率。 必須是正整數。 | 字串 |
| gradientAccumulationStep | 漸層累積表示執行未設定數目的 「GradAccumulationStep」 步驟 更新模型權數，同時累積這些步驟的漸層，然後使用 用來計算權數更新的累積漸層。 必須是正整數。 |
字串 |
| imageSize | 用於定型和驗證的影像大小。 必須是正整數。 注意：如果大小太大，訓練回合可能會進入 CUDA OOM。 注意：只有 'yolov5' 演算法才支援此設定。 |
字串 |
| layersToFreeze | 要凍結模型的層數。 必須是正整數。 例如，傳遞 2 作為 'seresnext' 值表示 凍結 layer0 和 layer1。 如需所支援模型的完整清單，以及圖層凍結的詳細數據，請 看到： https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
字串 |
| learningRate | 初始學習速率。 必須是範圍 [0, 1] 內的浮點數。 | 字串 |
| learningRateScheduler | 學習率排程器的類型。 必須是 『warmup_cosine』 或 'step'。 | 字串 |
| maxSize | 將影像饋送至骨幹之前要重新調整的影像大小上限。 必須是正整數。 注意：如果大小太大，則定型執行可能會進入 CUDA OOM. 注意：'yolov5' 演算法不支援此設定。 |
字串 |
| minSize | 將影像饋送至骨幹之前要重新調整的影像大小下限。 必須是正整數。 注意：如果大小太大，則定型執行可能會進入 CUDA OOM. 注意：'yolov5' 演算法不支援此設定。 |
字串 |
| modelName | 要用於定型的模型名稱。 如需可用模型的詳細資訊，請造訪官方檔： https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
字串 |
| modelSize | 模型大小。 必須是 'small'、'medium'、'large' 或 'xlarge'。 注意：如果模型大小太大，則定型執行可能會進入 CUDA OOM. 注意：只有 'yolov5' 演算法才支援此設定。 |
字串 |
| 動量 | 優化工具為 『sgd』 時的動向值。 必須是範圍 [0, 1] 內的浮點數。 | 字串 |
| 尺度 | 以 +/- 50% 的不同影像大小啟用多縮放影像。 注意：如果沒有足夠的 GPU 記憶體，則定型執行可能會進入 CUDA OOM。 注意：只有 'yolov5' 演算法才支援此設定。 |
字串 |
| nesterov | 當優化器為 『sgd』 時啟用 nesterov。 | 字串 |
| nmsIouThreshold | 在NMS後置處理中的推斷期間使用的IOU臨界值。 必須是範圍 [0， 1] 中的浮點數。 | 字串 |
| numberOfEpochs | 定型 Epoch 的數目。 必須是正整數。 | 字串 |
| numberOfWorkers | 數據載入器背景工作角色的數目。 必須是非負整數。 | 字串 |
| optimizer | 最佳化工具的類型。 必須是 'sgd'、'adam' 或 'adamw'。 | 字串 |
| randomSeed | 使用決定性定型時要使用的隨機種子。 | 字串 |
| splitRatio | 如果未定義驗證數據，這會指定分割的分割比例 將數據定型為隨機定型和驗證子集。 必須是範圍 [0, 1] 內的浮點數。 |
字串 |
| stepLRGamma | 當學習速率排程器為 『step』 時，gamma 的值。 必須是範圍 [0, 1] 內的浮點數。 | 字串 |
| stepLRStepSize | 當學習速率排程器為 『step』 時，步驟大小的值。 必須是正整數。 | 字串 |
| tileGridSize | 要用於每個並排影像的格線大小。 注意：TileGridSize 不得為 無可啟用小型物件偵測邏輯。 字串，包含兩個整數，格式為一個。 注意：'yolov5' 演算法不支援此設定。 |
字串 |
| tileOverlapRatio | 每個維度中相鄰圖格之間的重疊比例。 必須是範圍 [0， 1) 的 float。 注意：'yolov5' 演算法不支援此設定。 |
字串 |
| tilePredictionsNmsThreshold | 從圖格和影像合併預測時用來執行 NMS 的 IOU 閾值。 用於驗證/推斷。 必須是範圍 [0， 1] 中的浮點數。 注意：'yolov5' 演算法不支援此設定。 NMS：非最大歸併 |
字串 |
| trainingBatchSize | 定型批次大小。 必須是正整數。 | 字串 |
| validationBatchSize | 驗證批次大小。 必須是正整數。 | 字串 |
| validationIouThreshold | 計算驗證計量時要使用的IOU臨界值。 必須是範圍 [0， 1] 中的 float。 | 字串 |
| validationMetricType | 要用於驗證計量的計量計算方法。 必須是 『none』、'coco'、'voc' 或 'coco_voc'。 | 字串 |
| warmupCosineLRCycles | 當學習速率排程器為 『warmup_cosine』 時，餘弦迴圈的值。 必須是範圍 [0, 1] 內的浮點數。 | 字串 |
| warmupCosineLRWarmupEpochs | 當學習速率排程器為 『warmup_cosine』時，熱身 Epoch 的值。 必須是正整數。 | 字串 |
| weightDecay | 優化器為 'sgd'、'adam' 或 'adamw' 時的權數衰減值。 必須是範圍[0， 1] 中的浮點數。 | 字串 |
ImageObjectDetection
| 名稱 | 描述 | 值 |
|---|---|---|
| taskType | [必要]AutoMLJob 的工作類型。 | “ImageObjectDetection” (必要) |
| dataSettings | [必要]註冊的表格式數據集標識碼和其他定型和驗證模型所需的數據設定集合。 | ImageVerticalDataSettings (必要) |
| limitSettings | [必要]限制 AutoML 作業的設定。 | ImageLimitSettings (必要) |
| modelSettings | 用於定型模型的設定。 | ImageModelSettingsObjectDetection |
| primaryMetric | 要針對這項工作優化的主要計量。 | “MeanAveragePrecision” |
| searchSpace | 搜尋空間，以取樣模型及其超參數的不同組合。 | ImageModelDistributionSettingsObjectDetection[] |
| sweepSettings | 模型掃掠和超參數掃掠相關設定。 | ImageSweepSettings |
迴歸
| 名稱 | 描述 | 值 |
|---|---|---|
| taskType | [必要]AutoMLJob 的工作類型。 | 必要) 的「回歸」 ( |
| allowedModels | 回歸工作的允許模型。 | 包含任何項目的字串數組： “DecisionTree” “ElasticNet” “ExtremeRandomTrees” “GradientBoosting” “KNN” “LassoLars” “LightGBM” “RandomForest” “SGD” “XGBoostRegressor” |
| blockedModels | 回歸工作的封鎖模型。 | 包含任何項目的字串數組： “DecisionTree” “ElasticNet” “ExtremeRandomTrees” “GradientBoosting” “KNN” “LassoLars” “LightGBM” “RandomForest” “SGD” “XGBoostRegressor” |
| dataSettings | AutoMLJob 的數據輸入。 | TableVerticalDataSettings |
| featurizationSettings | AutoML 作業所需的特徵化輸入。 | TableVerticalFeaturizationSettings |
| limitSettings | AutoMLJob 的執行條件約束。 | TableVerticalLimitSettings |
| primaryMetric | 回歸工作的主要計量。 | “NormalizedMeanAbsoluteError” “NormalizedRootMeanSquaredError” “R2Score” “SpearmanCorrelation” |
| trainingSettings | AutoML 作業定型階段的輸入。 | TrainingSettings |
TextClassification
| 名稱 | 描述 | 值 |
|---|---|---|
| taskType | [必要]AutoMLJob 的工作類型。 | “TextClassification” (必要) |
| dataSettings | AutoMLJob 的數據輸入。 | NlpVerticalDataSettings |
| featurizationSettings | AutoML 作業所需的特徵化輸入。 | NlpVerticalFeaturizationSettings |
| limitSettings | AutoMLJob 的執行條件約束。 | NlpVerticalLimitSettings |
| primaryMetric | Text-Classification 工作的主要計量。 | “AUCWeighted” 「精確度」 “AveragePrecisionScoreWeighted” “NormMacroRecall” “PrecisionScoreWeighted” |
NlpVerticalDataSettings
| 名稱 | 描述 | 值 |
|---|---|---|
| targetColumnName | [必要]目標數據行名稱：這是預測值數據行。 也稱為分類工作內容中的標籤數據行名稱。 |
字串 (必要) 約束： 模式 = [a-zA-Z0-9_] |
| testData | 測試數據輸入。 | TestDataSettings |
| trainingData | [必要]定型數據輸入。 | TrainingDataSettings (必要) |
| validationData | 驗證數據輸入。 | NlpVerticalValidationDataSettings |
NlpVerticalValidationDataSettings
| 名稱 | 描述 | 值 |
|---|---|---|
| 資料 | 驗證數據 MLTable。 | MLTableJobInput |
| validationDataSize | 必須針對驗證目的將定型數據集的分數。 介於 (0.0 、1.0) 之間的值 未提供驗證數據集時套用。 |
int |
NlpVerticalFeaturizationSettings
| 名稱 | 描述 | 值 |
|---|---|---|
| datasetLanguage | 數據集語言，適用於文字數據。 | 字串 |
NlpVerticalLimitSettings
| 名稱 | 描述 | 值 |
|---|---|---|
| maxConcurrentTrials | 並行 AutoML 反覆專案上限。 | int |
| maxTrials | AutoML 反覆項目的數目。 | int |
| timeout | AutoML 作業逾時。 | 字串 |
TextClassificationMultilabel
| 名稱 | 描述 | 值 |
|---|---|---|
| taskType | [必要]AutoMLJob 的工作類型。 | “TextClassificationMultilabel” (必要) |
| dataSettings | AutoMLJob 的數據輸入。 | NlpVerticalDataSettings |
| featurizationSettings | AutoML 作業所需的特徵化輸入。 | NlpVerticalFeaturizationSettings |
| limitSettings | AutoMLJob 的執行條件約束。 | NlpVerticalLimitSettings |
TextNer
| 名稱 | 描述 | 值 |
|---|---|---|
| taskType | [必要]AutoMLJob 的工作類型。 | 必要) “TextNER” ( |
| dataSettings | AutoMLJob 的數據輸入。 | NlpVerticalDataSettings |
| featurizationSettings | AutoML 作業所需的特徵化輸入。 | NlpVerticalFeaturizationSettings |
| limitSettings | AutoMLJob 的執行條件約束。 | NlpVerticalLimitSettings |
CommandJob
| 名稱 | 描述 | 值 |
|---|---|---|
| jobType | [必要]指定作業的類型。 | “Command” (必要) |
| codeId | 程式代碼資產的 ARM 資源識別碼。 | 字串 |
| 命令 | [必要]在作業啟動時執行的命令。 例如 “python train.py” | 字串 (必要) 約束： 最小長度 = 1 模式 = [a-zA-Z0-9_] |
| 散發 (distribution) | 作業的散發組態。 如果設定，這應該是 Mpi、Tensorflow、PyTorch 或 null 的其中一個。 | DistributionConfiguration |
| environmentId | [必要]作業環境規格的 ARM 資源識別碼。 | 字串 (必要) 約束： 模式 = [a-zA-Z0-9_] |
| environmentVariables | 作業中包含的環境變數。 | CommandJobEnvironmentVariables |
| 輸入 | 對應作業中使用的輸入數據系結。 | CommandJobInputs |
| 限制 | 命令作業限制。 | CommandJobLimits |
| outputs | 對應作業中使用的輸出數據系結。 | CommandJobOutputs |
| resources | 作業的計算資源組態。 | ResourceConfiguration |
DistributionConfiguration
| 名稱 | 描述 | 值 |
|---|---|---|
| distributionType | 設定物件類型 | Mpi PyTorch TensorFlow (必要) |
Mpi
| 名稱 | 描述 | 值 |
|---|---|---|
| distributionType | [必要]指定散發架構的類型。 | “Mpi” (必要) |
| processCountPerInstance | 每個 MPI 節點的進程數目。 | int |
PyTorch
| 名稱 | 描述 | 值 |
|---|---|---|
| distributionType | [必要]指定散發架構的類型。 | “PyTorch” (必要) |
| processCountPerInstance | 每個節點的進程數目。 | int |
TensorFlow
| 名稱 | 描述 | 值 |
|---|---|---|
| distributionType | [必要]指定散發架構的類型。 | 必要) 「TensorFlow」 ( |
| parameterServerCount | 參數伺服器工作的數目。 | int |
| workerCount | 背景工作數目。 如果未指定，則會預設為實例計數。 | int |
CommandJobEnvironmentVariables
| 名稱 | 描述 | 值 |
|---|---|---|
| {自定義屬性} | 字串 |
CommandJobInputs
| 名稱 | 描述 | 值 |
|---|---|---|
| {自定義屬性} | JobInput |
JobInput
| 名稱 | 描述 | 值 |
|---|---|---|
| description | 輸入的描述。 | 字串 |
| jobInputType | 設定物件類型 | CustomModel 文字 MLFlowModel MLTable TritonModel UriFile 需要 UriFolder () |
CustomModelJobInput
| 名稱 | 描述 | 值 |
|---|---|---|
| jobInputType | [必要]指定作業的類型。 | “CustomModel” (必要) |
| mode | 輸入資產傳遞模式。 | “Direct” “下載” “EvalDownload” “EvalMount” “ReadOnlyMount” “ReadWriteMount” |
| uri | [必要]輸入資產 URI。 | 需要字串 () 約束： 模式 = [a-zA-Z0-9_] |
LiteralJobInput
| 名稱 | 描述 | 值 |
|---|---|---|
| jobInputType | [必要]指定作業的類型。 | “Literal” (必要) |
| 值 | [必要]輸入的常值。 | 需要字串 () 約束： 模式 = [a-zA-Z0-9_] |
MLFlowModelJobInput
| 名稱 | 描述 | 值 |
|---|---|---|
| jobInputType | [必要]指定作業的類型。 | “MLFlowModel” (必要) |
| mode | 輸入資產傳遞模式。 | “Direct” “下載” “EvalDownload” “EvalMount” “ReadOnlyMount” “ReadWriteMount” |
| uri | [必要]輸入資產 URI。 | 需要字串 () 約束： 模式 = [a-zA-Z0-9_] |
TritonModelJobInput
| 名稱 | 描述 | 值 |
|---|---|---|
| jobInputType | [必要]指定作業的類型。 | “TritonModel” (必要) |
| mode | 輸入資產傳遞模式。 | “Direct” “下載” “EvalDownload” “EvalMount” “ReadOnlyMount” “ReadWriteMount” |
| uri | [必要]輸入資產 URI。 | 需要字串 () 約束： 模式 = [a-zA-Z0-9_] |
UriFileJobInput
| 名稱 | 描述 | 值 |
|---|---|---|
| jobInputType | [必要]指定作業的類型。 | “UriFile” (必要) |
| mode | 輸入資產傳遞模式。 | “Direct” “下載” “EvalDownload” “EvalMount” “ReadOnlyMount” “ReadWriteMount” |
| uri | [必要]輸入資產 URI。 | 字串 (必要) 約束： 模式 = [a-zA-Z0-9_] |
UriFolderJobInput
| 名稱 | 描述 | 值 |
|---|---|---|
| jobInputType | [必要]指定作業的類型。 | 必要) “UriFolder” ( |
| mode | 輸入資產傳遞模式。 | “Direct” “下載” “EvalDownload” “EvalMount” “ReadOnlyMount” “ReadWriteMount” |
| uri | [必要]輸入資產 URI。 | 字串 (必要) 約束： 模式 = [a-zA-Z0-9_] |
CommandJobLimits
| 名稱 | 描述 | 值 |
|---|---|---|
| jobLimitsType | [必要]JobLimit 類型。 | “Command” 「掃掠」 (必要) |
| timeout | ISO 8601 格式的最大執行持續時間，之後作業將會取消。 僅支援有效位數為秒數的持續時間。 | 字串 |
CommandJobOutputs
| 名稱 | 描述 | 值 |
|---|---|---|
| {自定義屬性} | JobOutput |
PipelineJob
| 名稱 | 描述 | 值 |
|---|---|---|
| jobType | [必要]指定作業的類型。 | 「管線」 (必要) |
| 輸入 | 管線作業的輸入。 | PipelineJobInputs |
| jobs | 作業會建構管線作業。 | PipelineJobJobs |
| outputs | 管線作業的輸出 | PipelineJobOutputs |
| 設定 | 管線設定，例如 ContinueRunOnStepFailure 等專案。 |
PipelineJobInputs
| 名稱 | 描述 | 值 |
|---|---|---|
| {自定義屬性} | JobInput |
PipelineJobJobs
| 名稱 | 描述 | 值 |
|---|---|---|
| {自定義屬性} |
PipelineJobOutputs
| 名稱 | 描述 | 值 |
|---|---|---|
| {自定義屬性} | JobOutput |
SweepJob
| 名稱 | 描述 | 值 |
|---|---|---|
| jobType | [必要]指定作業的類型。 | 「掃掠」 (必要) |
| earlyTermination | 早期終止原則可在完成之前取消效能不佳的執行 | EarlyTerminationPolicy |
| 輸入 | 對應作業中使用的輸入數據系結。 | SweepJobInputs |
| 限制 | 掃掠作業限制。 | SweepJobLimits |
| objective | [必要]優化目標。 | 必要 目標 () |
| outputs | 對應作業中使用的輸出數據系結。 | SweepJobOutputs |
| samplingAlgorithm | [必要]超參數取樣演算法 | SamplingAlgorithm (必要) |
| searchSpace | [必要]包含每個參數及其分佈的字典。 字典索引鍵是參數的名稱 | |
| 試用版 | [必要]試用版元件定義。 | 必要) 的 TrialComponent ( |
SweepJobInputs
| 名稱 | 描述 | 值 |
|---|---|---|
| {自定義屬性} | JobInput |
SweepJobLimits
| 名稱 | 描述 | 值 |
|---|---|---|
| jobLimitsType | [必要]JobLimit 類型。 | “Command” 「掃掠」 (必要) |
| maxConcurrentTrials | 掃掠作業最大並行試用版。 | int |
| maxTotalTrials | 掃掠作業總試用版數上限。 | int |
| timeout | ISO 8601 格式的最大執行持續時間，之後作業將會取消。 僅支援有效位數為秒數的持續時間。 | 字串 |
| trialTimeout | 掃掠作業試用逾時值。 | 字串 |
目標
| 名稱 | 描述 | 值 |
|---|---|---|
| goal | [必要]定義超參數微調支援的計量目標 | “最大化” 必要) 「最小化」 ( |
| primaryMetric | [必要]要優化之計量的名稱。 | 字串 (必要) 約束： 模式 = [a-zA-Z0-9_] |
SweepJobOutputs
| 名稱 | 描述 | 值 |
|---|---|---|
| {自定義屬性} | JobOutput |
SamplingAlgorithm
| 名稱 | 描述 | 值 |
|---|---|---|
| samplingAlgorithmType | 設定物件類型 | 貝 葉 斯 方格 需要隨機 () |
BayesianSamplingAlgorithm
| 名稱 | 描述 | 值 |
|---|---|---|
| samplingAlgorithmType | [必要]用來產生超參數值的演算法，以及組態屬性 | 「貝氏」 (必要) |
GridSamplingAlgorithm
| 名稱 | 描述 | 值 |
|---|---|---|
| samplingAlgorithmType | [必要]用來產生超參數值的演算法，以及組態屬性 | 「網格線」 (必要) |
RandomSamplingAlgorithm
| 名稱 | 描述 | 值 |
|---|---|---|
| samplingAlgorithmType | [必要]用來產生超參數值的演算法，以及組態屬性 | 「隨機」 (必要) |
| rule (規則) | 隨機演算法的特定類型 | “Random” “Sobol” |
| seed | 要作為隨機數產生種子的選擇性整數 | int |
TrialComponent
| 名稱 | 描述 | 值 |
|---|---|---|
| codeId | 程式代碼資產的 ARM 資源識別碼。 | 字串 |
| 命令 | [必要]在作業啟動時執行的命令。 例如 “python train.py” | 字串 (必要) 約束： 最小長度 = 1 模式 = [a-zA-Z0-9_] |
| 散發 (distribution) | 作業的散發組態。 如果設定，這應該是 Mpi、Tensorflow、PyTorch 或 null 的其中一個。 | DistributionConfiguration |
| environmentId | [必要]作業環境規格的 ARM 資源識別碼。 | 字串 (必要) 約束： 模式 = [a-zA-Z0-9_] |
| environmentVariables | 作業中包含的環境變數。 | TrialComponentEnvironmentVariables |
| resources | 作業的計算資源組態。 | ResourceConfiguration |
TrialComponentEnvironmentVariables
| 名稱 | 描述 | 值 |
|---|---|---|
| {自定義屬性} | 字串 |
意見反應
即將登場：在 2024 年，我們將逐步淘汰 GitHub 問題作為內容的意見反應機制，並將它取代為新的意見反應系統。 如需詳細資訊，請參閱：https://aka.ms/ContentUserFeedback。
提交並檢視相關的意見反應