共用方式為

Microsoft.MachineLearningServices 工作區/排程 2023-08-01-preview

Bicep 資源定義

工作區/排程資源類型可以使用目標作業來部署：

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/schedules 資源，請將下列 Bicep 新增至範本。

resource symbolicname 'Microsoft.MachineLearningServices/workspaces/schedules@2023-08-01-preview' = {
  parent: resourceSymbolicName
  name: 'string'
  properties: {
    action: {
      actionType: 'string'
      // For remaining properties, see ScheduleActionBase objects
    }
    description: 'string'
    displayName: 'string'
    isEnabled: bool
    properties: {
      {customized property}: 'string'
    }
    tags: {
      {customized property}: 'string'
    }
    trigger: {
      endTime: 'string'
      startTime: 'string'
      timeZone: 'string'
      triggerType: 'string'
      // For remaining properties, see TriggerBase objects
    }
  }
}

TriggerBase 物件

設定 triggerType 屬性以指定物件的類型。

針對 Cron，請使用：

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

針對 [週期]，請使用：

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

MonitoringFeatureFilterBase 物件

設定 filterType 屬性以指定物件的類型。

針對 AllFeatures，請使用：

{
  filterType: 'AllFeatures'
}

針對 FeatureSubset，請使用：

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

針對 TopNByAttribution，請使用：

{
  filterType: 'TopNByAttribution'
  top: int
}

MonitoringSignalBase 物件

設定 signalType 屬性以指定物件的類型。

針對 [自定義]，請使用：

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

針對 DataDrift，請使用：

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

針對 DataQuality，請使用：

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

針對 FeatureAttributionDrift，請使用：

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

針對 GenerationSafetyQuality，請使用：

{
  metricThresholds: [
    {
      metric: 'string'
      threshold: {
        value: int
      }
    }
  ]
  productionData: [
    {
      columns: {
        {customized property}: 'string'
      }
      dataContext: 'string'
      jobInputType: 'string'
      uri: 'string'
      inputDataType: 'string'
      // For remaining properties, see MonitoringInputDataBase objects
    }
  ]
  samplingRate: int
  signalType: 'GenerationSafetyQuality'
  workspaceConnectionId: 'string'
}

針對 GenerationTokenStatistics，請使用：

{
  metricThresholds: [
    {
      metric: 'string'
      threshold: {
        value: int
      }
    }
  ]
  productionData: [
    {
      columns: {
        {customized property}: 'string'
      }
      dataContext: 'string'
      jobInputType: 'string'
      uri: 'string'
      inputDataType: 'string'
      // For remaining properties, see MonitoringInputDataBase objects
    }
  ]
  samplingRate: int
  signalType: 'GenerationTokenStatistics'
}

針對 ModelPerformance，請使用：

{
  dataSegment: {
    feature: 'string'
    values: [
      'string'
    ]
  }
  metricThreshold: {
    threshold: {
      value: int
    }
    modelType: 'string'
    // For remaining properties, see ModelPerformanceMetricThresholdBase objects
  }
  productionData: [
    {
      columns: {
        {customized property}: 'string'
      }
      dataContext: 'string'
      jobInputType: 'string'
      uri: 'string'
      inputDataType: 'string'
      // For remaining properties, see MonitoringInputDataBase objects
    }
  ]
  referenceData: {
    columns: {
      {customized property}: 'string'
    }
    dataContext: 'string'
    jobInputType: 'string'
    uri: 'string'
    inputDataType: 'string'
    // For remaining properties, see MonitoringInputDataBase objects
  }
  signalType: 'ModelPerformance'
}

針對 PredictionDrift，請使用：

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

MonitorComputeIdentityBase 物件

設定 computeIdentityType 屬性以指定對象的類型。

針對 AmlToken，請使用：

{
  computeIdentityType: 'AmlToken'
}

針對 ManagedIdentity，請使用：

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

JobBaseProperties 物件

設定 jobType 屬性以指定物件的類型。

針對 AutoML，請使用：

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

針對 [命令]，請使用：

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

針對 標籤，請使用：

{
  dataConfiguration: {
    dataId: 'string'
    incrementalDataRefresh: 'string'
  }
  jobInstructions: {
    uri: 'string'
  }
  jobType: 'Labeling'
  labelCategories: {
    {customized property}: {
      classes: {
        {customized property}: {
          displayName: 'string'
          subclasses: {
            {customized property}: ...
          }
        }
      }
      displayName: 'string'
      multiSelect: 'string'
    }
  }
  labelingJobMediaProperties: {
    mediaType: 'string'
    // For remaining properties, see LabelingJobMediaProperties objects
  }
  mlAssistConfiguration: {
    mlAssist: 'string'
    // For remaining properties, see MLAssistConfiguration objects
  }
}

針對 管線，請使用：

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

針對 Spark，請使用：

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

針對 掃掠，請使用：

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

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 [截斷][選取]，請使用：

{
  policyType: 'TruncationSelection'
  truncationPercentage: int
}

MonitoringInputDataBase 物件

設定 inputDataType 屬性以指定物件的類型。

針對 [已修正]，請使用：

{
  inputDataType: 'Fixed'
}

針對 滾動，請使用：

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

針對 Static，請使用：

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

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

MonitorComputeConfigurationBase 物件

設定 computeType 屬性，以指定物件的類型。

針對 ServerlessSpark，請使用：

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

DataImportSource 物件

設定 sourceType 屬性 ，以指定物件的類型。

針對 資料庫，請使用：

{
  query: 'string'
  sourceType: 'database'
  storedProcedure: 'string'
  storedProcedureParams: [
    {
      {customized property}: 'string'
    }
  ]
  tableName: 'string'
}

針對 file_system，請使用：

{
  path: 'string'
  sourceType: 'file_system'
}

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
}

DataQualityMetricThresholdBase 物件

設定 dataType 屬性，以指定物件的類型。

針對 類別，請使用：

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

針對 數值，請使用：

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

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：

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

針對 UserIdentity，請使用：

{
  identityType: 'UserIdentity'
}

JobInput 物件

設定 jobInputType 屬性以指定物件的類型。

針對 custom_model，請使用：

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

針對 常值，請使用：

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

針對 mlflow_model，請使用：

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

針對 mltable，請使用：

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

針對 triton_model，請使用：

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

針對 uri_file，請使用：

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

針對 uri_folder，請使用：

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

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
}

Webhook 物件

設定 webhookType 屬性以指定物件的類型。

針對 AzureDevOps，請使用：

{
  webhookType: 'AzureDevOps'
}

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 Ray，請使用：

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

針對 TensorFlow，請使用：

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

SparkJobEntry 物件

設定 sparkJobEntryType 屬性以指定物件的類型。

針對 SparkJobPythonEntry，請使用：

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

針對 SparkJobScalaEntry，請使用：

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

ModelPerformanceMetricThresholdBase 物件

設定 modelType 屬性以指定物件的類型。

針對 [分類]，請使用：

{
  metric: 'string'
  modelType: 'Classification'
}

針對 回歸，請使用：

{
  metric: 'string'
  modelType: 'Regression'
}

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
  ]
}

JobOutput 物件

設定 jobOutputType 屬性以指定對象的類型。

針對 custom_model，請使用：

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

針對 mlflow_model，請使用：

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

針對 mltable，請使用：

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

針對 triton_model，請使用：

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

針對 uri_file，請使用：

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

針對 uri_folder，請使用：

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

PredictionDriftMetricThresholdBase 物件

設定 dataType 屬性，以指定物件的類型。

針對 類別，請使用：

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

針對 數值，請使用：

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

AutoMLVertical 物件

設定 taskType 屬性以指定物件的類型。

針對 [分類]，請使用：

{
  cvSplitColumnNames: [
    'string'
  ]
  featurizationSettings: {
    blockedTransformers: [
      'string'
    ]
    columnNameAndTypes: {
      {customized property}: 'string'
    }
    datasetLanguage: 'string'
    enableDnnFeaturization: bool
    mode: 'string'
    transformerParams: {
      {customized property}: [
        {
          fields: [
            'string'
          ]
          parameters: any(...)
        }
      ]
    }
  }
  fixedParameters: {
    booster: 'string'
    boostingType: 'string'
    growPolicy: 'string'
    learningRate: int
    maxBin: int
    maxDepth: int
    maxLeaves: int
    minDataInLeaf: int
    minSplitGain: int
    modelName: 'string'
    nEstimators: int
    numLeaves: int
    preprocessorName: 'string'
    regAlpha: int
    regLambda: int
    subsample: int
    subsampleFreq: int
    treeMethod: 'string'
    withMean: bool
    withStd: bool
  }
  limitSettings: {
    enableEarlyTermination: bool
    exitScore: int
    maxConcurrentTrials: int
    maxCoresPerTrial: int
    maxNodes: int
    maxTrials: int
    sweepConcurrentTrials: int
    sweepTrials: int
    timeout: 'string'
    trialTimeout: 'string'
  }
  nCrossValidations: {
    mode: 'string'
    // For remaining properties, see NCrossValidations objects
  }
  positiveLabel: 'string'
  primaryMetric: 'string'
  searchSpace: [
    {
      booster: 'string'
      boostingType: 'string'
      growPolicy: 'string'
      learningRate: 'string'
      maxBin: 'string'
      maxDepth: 'string'
      maxLeaves: 'string'
      minDataInLeaf: 'string'
      minSplitGain: 'string'
      modelName: 'string'
      nEstimators: 'string'
      numLeaves: 'string'
      preprocessorName: 'string'
      regAlpha: 'string'
      regLambda: 'string'
      subsample: 'string'
      subsampleFreq: 'string'
      treeMethod: 'string'
      withMean: 'string'
      withStd: 'string'
    }
  ]
  sweepSettings: {
    earlyTermination: {
      delayEvaluation: int
      evaluationInterval: int
      policyType: 'string'
      // For remaining properties, see EarlyTerminationPolicy objects
    }
    samplingAlgorithm: 'string'
  }
  taskType: 'Classification'
  testData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }
  testDataSize: int
  trainingSettings: {
    allowedTrainingAlgorithms: [
      'string'
    ]
    blockedTrainingAlgorithms: [
      'string'
    ]
    enableDnnTraining: bool
    enableModelExplainability: bool
    enableOnnxCompatibleModels: bool
    enableStackEnsemble: bool
    enableVoteEnsemble: bool
    ensembleModelDownloadTimeout: 'string'
    stackEnsembleSettings: {
      stackMetaLearnerKWargs: any(...)
      stackMetaLearnerTrainPercentage: int
      stackMetaLearnerType: 'string'
    }
    trainingMode: 'string'
  }
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }
  validationDataSize: int
  weightColumnName: 'string'
}

針對 預測，請使用：

{
  cvSplitColumnNames: [
    'string'
  ]
  featurizationSettings: {
    blockedTransformers: [
      'string'
    ]
    columnNameAndTypes: {
      {customized property}: 'string'
    }
    datasetLanguage: 'string'
    enableDnnFeaturization: bool
    mode: 'string'
    transformerParams: {
      {customized property}: [
        {
          fields: [
            'string'
          ]
          parameters: any(...)
        }
      ]
    }
  }
  fixedParameters: {
    booster: 'string'
    boostingType: 'string'
    growPolicy: 'string'
    learningRate: int
    maxBin: int
    maxDepth: int
    maxLeaves: int
    minDataInLeaf: int
    minSplitGain: int
    modelName: 'string'
    nEstimators: int
    numLeaves: int
    preprocessorName: 'string'
    regAlpha: int
    regLambda: int
    subsample: int
    subsampleFreq: int
    treeMethod: 'string'
    withMean: bool
    withStd: bool
  }
  forecastingSettings: {
    countryOrRegionForHolidays: 'string'
    cvStepSize: int
    featureLags: 'string'
    featuresUnknownAtForecastTime: [
      'string'
    ]
    forecastHorizon: {
      mode: 'string'
      // For remaining properties, see ForecastHorizon objects
    }
    frequency: 'string'
    seasonality: {
      mode: 'string'
      // For remaining properties, see Seasonality objects
    }
    shortSeriesHandlingConfig: 'string'
    targetAggregateFunction: 'string'
    targetLags: {
      mode: 'string'
      // For remaining properties, see TargetLags objects
    }
    targetRollingWindowSize: {
      mode: 'string'
      // For remaining properties, see TargetRollingWindowSize objects
    }
    timeColumnName: 'string'
    timeSeriesIdColumnNames: [
      'string'
    ]
    useStl: 'string'
  }
  limitSettings: {
    enableEarlyTermination: bool
    exitScore: int
    maxConcurrentTrials: int
    maxCoresPerTrial: int
    maxNodes: int
    maxTrials: int
    sweepConcurrentTrials: int
    sweepTrials: int
    timeout: 'string'
    trialTimeout: 'string'
  }
  nCrossValidations: {
    mode: 'string'
    // For remaining properties, see NCrossValidations objects
  }
  primaryMetric: 'string'
  searchSpace: [
    {
      booster: 'string'
      boostingType: 'string'
      growPolicy: 'string'
      learningRate: 'string'
      maxBin: 'string'
      maxDepth: 'string'
      maxLeaves: 'string'
      minDataInLeaf: 'string'
      minSplitGain: 'string'
      modelName: 'string'
      nEstimators: 'string'
      numLeaves: 'string'
      preprocessorName: 'string'
      regAlpha: 'string'
      regLambda: 'string'
      subsample: 'string'
      subsampleFreq: 'string'
      treeMethod: 'string'
      withMean: 'string'
      withStd: 'string'
    }
  ]
  sweepSettings: {
    earlyTermination: {
      delayEvaluation: int
      evaluationInterval: int
      policyType: 'string'
      // For remaining properties, see EarlyTerminationPolicy objects
    }
    samplingAlgorithm: 'string'
  }
  taskType: 'Forecasting'
  testData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }
  testDataSize: int
  trainingSettings: {
    allowedTrainingAlgorithms: [
      'string'
    ]
    blockedTrainingAlgorithms: [
      'string'
    ]
    enableDnnTraining: bool
    enableModelExplainability: bool
    enableOnnxCompatibleModels: bool
    enableStackEnsemble: bool
    enableVoteEnsemble: bool
    ensembleModelDownloadTimeout: 'string'
    stackEnsembleSettings: {
      stackMetaLearnerKWargs: any(...)
      stackMetaLearnerTrainPercentage: int
      stackMetaLearnerType: 'string'
    }
    trainingMode: 'string'
  }
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }
  validationDataSize: int
  weightColumnName: 'string'
}

針對 ImageClassification，請使用：

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

針對 ImageClassificationMultilabel，請使用：

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

針對 ImageInstanceSegmentation，請使用：

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

針對 ImageObjectDetection，請使用：

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

針對 回歸，請使用：

{
  cvSplitColumnNames: [
    'string'
  ]
  featurizationSettings: {
    blockedTransformers: [
      'string'
    ]
    columnNameAndTypes: {
      {customized property}: 'string'
    }
    datasetLanguage: 'string'
    enableDnnFeaturization: bool
    mode: 'string'
    transformerParams: {
      {customized property}: [
        {
          fields: [
            'string'
          ]
          parameters: any(...)
        }
      ]
    }
  }
  fixedParameters: {
    booster: 'string'
    boostingType: 'string'
    growPolicy: 'string'
    learningRate: int
    maxBin: int
    maxDepth: int
    maxLeaves: int
    minDataInLeaf: int
    minSplitGain: int
    modelName: 'string'
    nEstimators: int
    numLeaves: int
    preprocessorName: 'string'
    regAlpha: int
    regLambda: int
    subsample: int
    subsampleFreq: int
    treeMethod: 'string'
    withMean: bool
    withStd: bool
  }
  limitSettings: {
    enableEarlyTermination: bool
    exitScore: int
    maxConcurrentTrials: int
    maxCoresPerTrial: int
    maxNodes: int
    maxTrials: int
    sweepConcurrentTrials: int
    sweepTrials: int
    timeout: 'string'
    trialTimeout: 'string'
  }
  nCrossValidations: {
    mode: 'string'
    // For remaining properties, see NCrossValidations objects
  }
  primaryMetric: 'string'
  searchSpace: [
    {
      booster: 'string'
      boostingType: 'string'
      growPolicy: 'string'
      learningRate: 'string'
      maxBin: 'string'
      maxDepth: 'string'
      maxLeaves: 'string'
      minDataInLeaf: 'string'
      minSplitGain: 'string'
      modelName: 'string'
      nEstimators: 'string'
      numLeaves: 'string'
      preprocessorName: 'string'
      regAlpha: 'string'
      regLambda: 'string'
      subsample: 'string'
      subsampleFreq: 'string'
      treeMethod: 'string'
      withMean: 'string'
      withStd: 'string'
    }
  ]
  sweepSettings: {
    earlyTermination: {
      delayEvaluation: int
      evaluationInterval: int
      policyType: 'string'
      // For remaining properties, see EarlyTerminationPolicy objects
    }
    samplingAlgorithm: 'string'
  }
  taskType: 'Regression'
  testData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }
  testDataSize: int
  trainingSettings: {
    allowedTrainingAlgorithms: [
      'string'
    ]
    blockedTrainingAlgorithms: [
      'string'
    ]
    enableDnnTraining: bool
    enableModelExplainability: bool
    enableOnnxCompatibleModels: bool
    enableStackEnsemble: bool
    enableVoteEnsemble: bool
    ensembleModelDownloadTimeout: 'string'
    stackEnsembleSettings: {
      stackMetaLearnerKWargs: any(...)
      stackMetaLearnerTrainPercentage: int
      stackMetaLearnerType: 'string'
    }
    trainingMode: 'string'
  }
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }
  validationDataSize: int
  weightColumnName: 'string'
}

針對 TextClassification，請使用：

{
  featurizationSettings: {
    datasetLanguage: 'string'
  }
  fixedParameters: {
    gradientAccumulationSteps: int
    learningRate: int
    learningRateScheduler: 'string'
    modelName: 'string'
    numberOfEpochs: int
    trainingBatchSize: int
    validationBatchSize: int
    warmupRatio: int
    weightDecay: int
  }
  limitSettings: {
    maxConcurrentTrials: int
    maxNodes: int
    maxTrials: int
    timeout: 'string'
    trialTimeout: 'string'
  }
  primaryMetric: 'string'
  searchSpace: [
    {
      gradientAccumulationSteps: 'string'
      learningRate: 'string'
      learningRateScheduler: 'string'
      modelName: 'string'
      numberOfEpochs: 'string'
      trainingBatchSize: 'string'
      validationBatchSize: 'string'
      warmupRatio: 'string'
      weightDecay: 'string'
    }
  ]
  sweepSettings: {
    earlyTermination: {
      delayEvaluation: int
      evaluationInterval: int
      policyType: 'string'
      // For remaining properties, see EarlyTerminationPolicy objects
    }
    samplingAlgorithm: 'string'
  }
  taskType: 'TextClassification'
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }
}

針對 TextClassificationMultilabel，請使用：

{
  featurizationSettings: {
    datasetLanguage: 'string'
  }
  fixedParameters: {
    gradientAccumulationSteps: int
    learningRate: int
    learningRateScheduler: 'string'
    modelName: 'string'
    numberOfEpochs: int
    trainingBatchSize: int
    validationBatchSize: int
    warmupRatio: int
    weightDecay: int
  }
  limitSettings: {
    maxConcurrentTrials: int
    maxNodes: int
    maxTrials: int
    timeout: 'string'
    trialTimeout: 'string'
  }
  searchSpace: [
    {
      gradientAccumulationSteps: 'string'
      learningRate: 'string'
      learningRateScheduler: 'string'
      modelName: 'string'
      numberOfEpochs: 'string'
      trainingBatchSize: 'string'
      validationBatchSize: 'string'
      warmupRatio: 'string'
      weightDecay: 'string'
    }
  ]
  sweepSettings: {
    earlyTermination: {
      delayEvaluation: int
      evaluationInterval: int
      policyType: 'string'
      // For remaining properties, see EarlyTerminationPolicy objects
    }
    samplingAlgorithm: 'string'
  }
  taskType: 'TextClassificationMultilabel'
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }
}

針對 TextNER，請使用：

{
  featurizationSettings: {
    datasetLanguage: 'string'
  }
  fixedParameters: {
    gradientAccumulationSteps: int
    learningRate: int
    learningRateScheduler: 'string'
    modelName: 'string'
    numberOfEpochs: int
    trainingBatchSize: int
    validationBatchSize: int
    warmupRatio: int
    weightDecay: int
  }
  limitSettings: {
    maxConcurrentTrials: int
    maxNodes: int
    maxTrials: int
    timeout: 'string'
    trialTimeout: 'string'
  }
  searchSpace: [
    {
      gradientAccumulationSteps: 'string'
      learningRate: 'string'
      learningRateScheduler: 'string'
      modelName: 'string'
      numberOfEpochs: 'string'
      trainingBatchSize: 'string'
      validationBatchSize: 'string'
      warmupRatio: 'string'
      weightDecay: 'string'
    }
  ]
  sweepSettings: {
    earlyTermination: {
      delayEvaluation: int
      evaluationInterval: int
      policyType: 'string'
      // For remaining properties, see EarlyTerminationPolicy objects
    }
    samplingAlgorithm: 'string'
  }
  taskType: 'TextNER'
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }
}

Nodes 物件

設定 nodesValueType 屬性以指定對象的類型。

針對 [全部]，請使用：

{
  nodesValueType: 'All'
}

ScheduleActionBase 物件

設定 actionType 屬性，以指定物件的類型。

針對 CreateJob，請使用：

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

針對 CreateMonitor，請使用：

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

針對 ImportData，請使用：

{
  actionType: 'ImportData'
  dataImportDefinition: {
    assetName: 'string'
    autoDeleteSetting: {
      condition: 'string'
      value: 'string'
    }
    dataType: 'string'
    dataUri: 'string'
    description: 'string'
    intellectualProperty: {
      protectionLevel: 'string'
      publisher: 'string'
    }
    isAnonymous: bool
    isArchived: bool
    properties: {
      {customized property}: 'string'
    }
    source: {
      connection: 'string'
      sourceType: 'string'
      // For remaining properties, see DataImportSource objects
    }
    stage: 'string'
    tags: {
      {customized property}: 'string'
    }
  }
}

針對 InvokeBatchEndpoint，請使用：

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

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
}

MLAssistConfiguration 物件

設定 mlAssist 屬性以指定物件的類型。

針對 [停用]，請使用：

{
  mlAssist: 'Disabled'
}

針對 [已啟用]，請使用：

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

DataDriftMetricThresholdBase 物件

設定 dataType 屬性，以指定物件的類型。

針對 類別，請使用：

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

針對 數值，請使用：

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

LabelingJobMediaProperties 物件

設定 mediaType 屬性，以指定物件的類型。

針對 Image，請使用：

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

針對 Text，請使用：

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

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
}

屬性值

Microsoft.MachineLearningServices/workspaces/schedules

名稱 說明 價值觀
名稱 資源名稱 字串

約束：
模式 = ^[a-zA-Z0-9][a-zA-Z0-9\-_]{0,254}$ （必要）
父代 在 Bicep 中，您可以指定子資源的父資源。 只有在父資源外部宣告子資源時，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。		 類型的資源符號名稱：工作區
屬性 [必要]實體的其他屬性。 ScheduleProperties （必要）

全部功能

名稱 說明 價值觀
filterType （過濾器類型） [必要]指定要在選取要計算計量的功能時運用的功能篩選。 'AllFeatures' （必要）

所有節點

名稱 說明 價值觀
nodesValueType [必要]Nodes 值的類型 'All' （必要）

AmlToken

名稱 說明 價值觀
身份類型 [必要]指定身分識別架構的類型。 'AMLToken' （必要）

AmlTokenComputeIdentity

名稱 說明 價值觀
computeIdentityType [必要]監視計算識別類型列舉。 'AmlToken' （必要）

自動刪除設置

名稱 說明 價值觀
條件 何時檢查資產是否已過期 'CreatedGreaterThan'
'LastAccessedGreaterThan'
價值 到期條件值。 字串

自動預測地平線

名稱 說明 價值觀
模式 [必要]設定預測地平線值選取模式。 'Auto' （必要）

Autologger 設置

名稱 說明 價值觀
mlflow自動記錄器 [必要]指出是否啟用mlflow自動記錄器。 “已禁用”
'Enabled' （必要）

AutoMLJob

名稱 說明 價值觀
環境ID 作業之環境規格的 ARM 資源識別碼。
如果未提供，這是選擇性的值，AutoML 會在執行作業時，將此預設為 Production AutoML 策展環境版本。		 字串
環境變數 作業中包含的環境變數。 AutoMLJobEnvironmentVariables
職位類型 [必要]指定作業的類型。 'AutoML' （必要）
輸出 對應作業中使用的輸出數據系結。 AutoMLJob 輸出
queueSettings 作業的佇列設定 佇列設置
資源 作業的計算資源組態。 JobResourceConfiguration
taskDetails [必要]這代表可以是其中一個數據表/NLP/Image 的案例 AutoMLVertical （必要）

AutoMLJobEnvironmentVariables

名稱 說明 價值觀

AutoMLJob 輸出

名稱 說明 價值觀

AutoMLVertical

名稱 說明 價值觀
logVerbosity （對數詳細程度） 作業的記錄詳細資訊。 “嚴重”
“調試”
“錯誤”
'資訊'
'NotSet'
“警告”
targetColumnName 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
任務類型 設定為 [分類] 類型為 [ 分類]。 設定為 [預測] 類型為 [ 預測]。 設定為 ImageClassification 類型的 『ImageClassification』。 設定為 ImageClassificationMultilabel 類型的 'ImageClassificationMultilabel'。 針對 ImageInstanceSegmentation 類型，設定為 'ImageInstanceSegmentation'。 針對 ImageObjectDetection 類型，設定為 'ImageObjectDetection'。 將類型回歸設定為 [ 回歸]。 設定為 TextClassification 類型的 『TextClassification』。 針對 TextClassificationMultilabel 類型，設定為 『TextClassificationMultilabel』。 設定為 TextNer 類型的 『TextNER』。 '分類'
「預測」
'ImageClassification' （圖像分類）
'ImageClassificationMultilabel'
'ImageInstanceSegmentation' （圖像實例分段）
'ImageObjectDetection' （圖像對象檢測）
“回歸”
'TextClassification' （文本分類）
'TextClassificationMultilabel'
'TextNER' （必要）
trainingData （訓練數據） [必要]定型數據輸入。 MLTableJobInput （必要）

AutoNCross驗證

名稱 說明 價值觀
模式 [必要]判斷 N-Cross 驗證的模式。 'Auto' （必要）

自動季節性

名稱 說明 價值觀
模式 [必要]季節性模式。 'Auto' （必要）

AutoTargetLags 自動目標滯後

名稱 說明 價值觀
模式 [必要]設定目標延隔模式 - 自動/自定義 'Auto' （必要）

AutoTargetRollingWindowSize （自動目標滾動視窗大小）

名稱 說明 價值觀
模式 [必要]TargetRollingWindowSiz 偵測模式。 'Auto' （必要）

AzureDevOpsWebhook

名稱 說明 價值觀
webhook類型 [必要]指定要傳送回呼的服務類型 'AzureDevOps' （必要）

強盜政策 (BanditPolicy)

名稱 說明 價值觀
policyType [必要]原則設定的名稱 “強盜”（必要）
slackAmount 從最佳執行執行中允許的絕對距離。 整數 (int)
slackFactor 的 與最佳執行距離的允許距離比率。 整數 (int)

BayesianSamplingAlgorithm

名稱 說明 價值觀
採樣演算法類型 [必要]用來產生超參數值的演算法，以及組態屬性 “貝氏” （必要）

CategoricalDataDriftMetricThreshold

名稱 說明 價值觀
數據類型 [必要]指定計量閾值的數據類型。 類別類別（ 必要 ）
計量 [必要]要計算的類別數據漂移計量。 'JensenShannonDistance'
'PearsonsChiSquaredTest'
'PopulationStabilityIndex' （必要）

CategoricalDataQualityMetricThreshold

名稱 說明 價值觀
數據類型 [必要]指定計量閾值的數據類型。 類別類別（ 必要 ）
計量 [必要]要計算的類別數據品質計量。 'DataTypeErrorRate'
'NullValueRate'
'OutOfBoundsRate' （必要）

分類預測漂移指標閾值

名稱 說明 價值觀
數據類型 [必要]指定計量閾值的數據類型。 類別類別（ 必要 ）
計量 [必要]要計算的類別預測漂移計量。 'JensenShannonDistance'
'PearsonsChiSquaredTest'
'PopulationStabilityIndex' （必要）

分類

名稱 說明 價值觀
cvSplitColumnNames 要用於 CVSplit 資料的數據行。 字串[]
featurizationSettings AutoML 作業所需的特徵化輸入。 TableVerticalFeaturizationSettings
固定參數 模型/定型參數，在整個定型過程中會維持不變。 TableFixedParameters （表固定參數）
limitSettings AutoMLJob 的執行條件約束。 TableVerticalLimitSettings
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。		 NCross驗證
積極標籤 二進位計量計算的正標籤。 字串
primaryMetric 工作的主要計量。 '精確度'
'AUCWeighted'
'AveragePrecisionScoreWeighted'
'NormMacroRecall' （規範巨集調用）
'PrecisionScoreWeighted'
搜索空間 搜尋空間以取樣模型及其超參數的不同組合。 TableParameterSubspace[]
掃描設置 模型掃掠和超參數微調的設定。 TableSweepSettings （表格掃描設置）
任務類型 [必要]AutoMLJob 的工作類型。 '分類' （必要）
測試數據 測試數據輸入。 MLTableJobInput
testDataSize 必須為驗證目的而保留的測試數據集分數。
介於 （0.0 、 1.0） 之間的值
未提供驗證數據集時套用。		 整數 (int)
trainingSettings AutoML 作業定型階段的輸入。 分類訓練設置
validationData （驗證資料） 驗證數據輸入。 MLTableJobInput
validationDataSize 需要為驗證目的預留的定型數據集分數。
介於 （0.0 、 1.0） 之間的值
未提供驗證數據集時套用。		 整數 (int)
權重列名稱 範例權數數據行的名稱。 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

ClassificationModelPerformanceMetricThreshold

名稱 說明 價值觀
計量 [必要]要計算的分類模型效能。 '精確度'
“精確”
'召回' （必要）
modelType [必要]指定計量閾值的數據類型。 '分類' （必要）

分類訓練設置

名稱 說明 價值觀
allowedTrainingAlgorithms 分類工作的允許模型。 包含任何的字串數組：
'伯努利樸素貝葉斯'
“決策樹”
'ExtremeRandomTrees'
'梯度提升'
'KNN'
'LightGBM'
'線性 SVM'
'LogisticRegression' （邏輯回歸）
'多項式樸素貝葉斯'
'隨機森林'
'新幣'
“SVM”
'XGBoostClassifier'
blockedTrainingAlgorithms 分類工作的封鎖模型。 包含任何的字串數組：
'伯努利樸素貝葉斯'
“決策樹”
'ExtremeRandomTrees'
'梯度提升'
'KNN'
'LightGBM'
'線性 SVM'
'LogisticRegression' （邏輯回歸）
'多項式樸素貝葉斯'
'隨機森林'
'新幣'
“SVM”
'XGBoostClassifier'
enableDnnTraining 啟用 DNN 模型的建議。 布爾 (bool)
enableModelExplainability 在最佳模型上開啟可解釋性的旗標。 布爾 (bool)
enableOnnxCompatibleModels 啟用 onnx 相容模型的旗標。 布爾 (bool)
enableStackEnsemble 啟用堆疊合奏執行。 布爾 (bool)
enableVoteEnsemble 啟用投票合奏執行。 布爾 (bool)
ensembleModelDownloadTimeout 在 VotingEnsemble 和 StackEnsemble 模型產生期間，會下載先前子回合中的多個安裝模型。
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 堆疊合奏執行的堆疊合奏設定。 StackEnsembleSettings
trainingMode TrainingMode 模式 - 設定為 'auto' 與目前將它設定為「非分散式」相同，但未來可能會導致混合模式或啟發學習法模式選取。 預設值為 『auto』。
如果 「分散式」，則只會使用分散式特徵化，並選擇分散式演算法。
如果 『NonDistributed』，則只會選擇非分散式演算法。		 '自動'
“分散式”
'NonDistributed' （非分散式）

ColumnTransformer （列變換器）

名稱 說明 價值觀
領域 要套用轉換器邏輯的欄位。 字串[]
參數 要傳遞至轉換器的不同屬性。
輸入必須是 JSON 格式的索引鍵、值組字典。		 任何

CommandJob

名稱 說明 價值觀
autologger設置 作業的散發組態。 如果設定，這應該是其中一個 Mpi、Tensorflow、PyTorch 或 null。 Autologger 設置
代碼Id 程式代碼資產的 ARM 資源識別碼。 字串
指令 [必要]在作業啟動時執行的命令。 例如 “python train.py” 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）
分配 作業的散發組態。 如果設定，這應該是其中一個 Mpi、Tensorflow、PyTorch、Ray 或 null。 分發配置
環境ID [必要]作業之環境規格的 ARM 資源識別碼。 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）
環境變數 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 命令作業輸入
職位類型 [必要]指定作業的類型。 'Command' （必要）
限制 命令作業限制。 CommandJobLimits 命令作業限制
輸出 對應作業中使用的輸出數據系結。 CommandJobOutputs 命令作業輸出
queueSettings 作業的佇列設定 佇列設置
資源 作業的計算資源組態。 JobResourceConfiguration

CommandJobEnvironmentVariables

名稱 說明 價值觀

CommandJobInputs 命令作業輸入

名稱 說明 價值觀

CommandJobLimits 命令作業限制

名稱 說明 價值觀
jobLimits類型 [必要]JobLimit 類型。 “命令”
'掃掠' （必要）
超時 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 命令作業輸出

名稱 說明 價值觀

元件配置

名稱 說明 價值觀
pipelineSettings 管線設定，適用於 ContinueRunOnStepFailure 等專案。 任何

CreateMonitorAction

名稱 說明 價值觀
動作類型 [必要]指定排程的動作類型 'CreateMonitor' （必要）
monitor定義 [必要]定義監視器。 MonitorDefinition （必要）

CronTrigger 的

名稱 說明 價值觀
運算式 [必要]指定排程的cron運算式。
表達式應遵循 NCronTab 格式。		 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）
triggerType [必要] 'Cron' （必要）

CustomForecastHorizon

名稱 說明 價值觀
模式 [必要]設定預測地平線值選取模式。 'Custom' （必要）
價值 [必要]預測地平線值。 int （必要）

CustomMetricThreshold

名稱 說明 價值觀
計量 [必要]要計算的使用者定義計量。 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）
閾值 臨界值。 如果為 null，則會根據選取的計量來設定預設值。 監控閾值

CustomModelJobInput （自定義模型作業輸入）

名稱 說明 價值觀
jobInputType （作業輸入類型） [必要]指定作業的類型。 'custom_model' （必要）
模式 輸入資產傳遞模式。 “直接”
'下載'
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
“ReadWriteMount”
統一資源識別碼 (URI) [必要]輸入資產 URI。 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）

CustomModelJobOutput

名稱 說明 價值觀
assetName （資產名稱） 輸出資產名稱。 字串
assetVersion （資產版本） 輸出資產版本。 字串
autoDelete設置 自動刪除輸出數據資產的設定。 自動刪除設置
jobOutputType [必要]指定作業的類型。 'custom_model' （必要）
模式 輸出資產傳遞模式。 “直接”
“ReadWriteMount”
'上傳'
統一資源識別碼 (URI) 輸出資產 URI。 字串

CustomMonitoringSignal

名稱 說明 價值觀
元件ID [必要]用來計算自定義計量之元件資源的 ARM 資源識別碼。 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）
inputAssets 監視要作為輸入的資產。 索引鍵是元件輸入埠名稱，值為數據資產。 CustomMonitoringSignalInputAssets
輸入 要作為輸入的額外元件參數。 索引鍵是元件常值輸入埠名稱，值為參數值。 CustomMonitoringSignalInputs
metricThresholds [必要]要計算的計量清單及其相關聯的臨界值。 CustomMetricThreshold[] （必要）
信號類型 [必要]指定要監視的訊號類型。 'Custom' （必要）
workspaceConnection （工作區連接） [必要]要計算的計量清單及其相關聯的臨界值。 MonitoringWorkspaceConnection （必要）

CustomMonitoringSignalInputAssets

名稱 說明 價值觀

CustomMonitoringSignalInputs

名稱 說明 價值觀

CustomNCross驗證

名稱 說明 價值觀
模式 [必要]判斷 N-Cross 驗證的模式。 'Custom' （必要）
價值 [必要]N-Cross 驗證值。 int （必要）

CustomSeasonality （自定義季節性）

名稱 說明 價值觀
模式 [必要]季節性模式。 'Custom' （必要）
價值 [必要]季節性值。 int （必要）

CustomTargetLags （自定義目標滯後）

名稱 說明 價值觀
模式 [必要]設定目標延隔模式 - 自動/自定義 'Custom' （必要）
價值觀 [必要]設定目標延遲值。 int[] （必要）

CustomTargetRollingWindowSize

名稱 說明 價值觀
模式 [必要]TargetRollingWindowSiz 偵測模式。 'Custom' （必要）
價值 [必要]TargetRollingWindowSize 值。 int （必要）

資料庫源

名稱 說明 價值觀
查詢 數據匯入資料庫來源的 SQL 查詢語句 字串
資源類型 [必要]指定數據類型。 'database' （必要）
storedProcedure （存儲過程） 數據匯入資料庫來源上的 SQL StoredProcedure 字串
storedProcedureParams 的 SQL StoredProcedure 參數 DatabaseSourceStoredProcedureParamsItem[]
資料表名稱 數據匯入資料庫來源上的數據表名稱 字串

DatabaseSourceStoredProcedureParamsItem

名稱 說明 價值觀

DataDriftMetricThresholdBase

名稱 說明 價值觀
數據類型 設定為 CategoricalDataDriftMetricThreshold 類型的 'Categorical'。 設定為 [數值] 類型 為 [數值][DriftMetricThreshold]。 '類別'
'數值' （必要）
閾值 臨界值。 如果為 null，則會根據選取的計量來設定預設值。 監控閾值

DataDriftMonitoringSignal

名稱 說明 價值觀
數據段 用於界定數據母體子集範圍的數據區段。 MonitoringDataSegment
featureDataTypeOverride 將特徵名稱對應至其個別數據類型的字典。 DataDriftMonitoringSignalFeatureDataTypeOverride
featureImportanceSettings 計算功能重要性的設定。 FeatureImportanceSettings （特徵重要性設置）
特徵 功能篩選，可識別要計算漂移的功能。 MonitoringFeatureFilterBase
metricThresholds [必要]要計算的計量清單及其相關聯的臨界值。 DataDriftMetricThresholdBase[] （必要）
生產數據 [必要]要計算漂移的數據。 MonitoringInputDataBase （必要）
referenceData （引用數據） [必要]要計算漂移的數據。 MonitoringInputDataBase （必要）
信號類型 [必要]指定要監視的訊號類型。 'DataDrift' （必要）

DataDriftMonitoringSignalFeatureDataTypeOverride

名稱 說明 價值觀

數據導入

名稱 說明 價值觀
assetName （資產名稱） 要建立之數據匯入作業的資產名稱 字串
autoDelete設置 指定受控數據資產的生命周期設定。 自動刪除設置
數據類型 [必要]指定數據類型。 'mltable'
“uri_file”
'uri_folder' （必要）
dataUri [必要]數據的 URI。 範例：https://go.microsoft.com/fwlink/?linkid=2202330 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）
說明 資產描述文字。 字串
智慧財產權 智慧財產權詳細數據。 如果資料是智慧財產權，則使用 。 智慧財產權
isAnonymous （匿名） 如果名稱版本是系統產生的 （匿名註冊）。 針對定義 Stage 的類型，當提供 Stage 時，它會用來填入 IsAnonymous 布爾 (bool)
isArchived 已存檔 資產是否已封存？ 對於定義 Stage 的類型，當提供 Stage 時，它會用來填入 IsArchived 布爾 (bool)
屬性 資產屬性字典。 ResourceBaseProperties
來源 要從中匯入之資產的源數據 DataImportSource （數據導入源）
暫存 指派給此數據資產的數據生命周期階段 字串
標記 標記字典。 標記可以新增、移除和更新。 ResourceBaseTags

DataImportSource （數據導入源）

名稱 說明 價值觀
連接 數據匯入來源記憶體的工作區連線 字串
資源類型 設定為 DatabaseSource 類型的 'database'。 針對 FileSystemSource 類型，設定為 『file_system』。 '資料庫'
'file_system' （必要）

DataQualityMetricThresholdBase

名稱 說明 價值觀
數據類型 設定為 CategoricalDataQualityMetricThreshold 類型的 'Categorical'。 設定為 [數值] 類型 為 [數值][QualityMetricThreshold]。 '類別'
'數值' （必要）
閾值 臨界值。 如果為 null，則會根據選取的計量來設定預設值。 監控閾值

DataQualityMonitoring信號

名稱 說明 價值觀
featureDataTypeOverride 將特徵名稱對應至其個別數據類型的字典。 DataQualityMonitoringSignalFeatureDataTypeOverride
featureImportanceSettings 計算功能重要性的設定。 FeatureImportanceSettings （特徵重要性設置）
特徵 用來計算漂移的功能。 MonitoringFeatureFilterBase
metricThresholds [必要]要計算的計量清單及其相關聯的臨界值。 DataQualityMetricThresholdBase[] （必要）
生產數據 [必要]生產服務所產生的數據，將會計算漂移。 MonitoringInputDataBase （必要）
referenceData （引用數據） [必要]要計算漂移的數據。 MonitoringInputDataBase （必要）
信號類型 [必要]指定要監視的訊號類型。 'DataQuality' （必要）

DataQualityMonitoringSignalFeatureDataTypeOverride

名稱 說明 價值觀

分發配置

名稱 說明 價值觀
distributionType 設定為 Mpi 類型的 『Mpi』。 將類型 PyTorch 設定為 『PyTorch』。 將 類型Ray設定為'Ray'。 將 設定為 TensorFlow 類型的 『TensorFlow』。 'Mpi'
“PyTorch”
“雷”
'TensorFlow' （必要）

提早終止政策

名稱 說明 價值觀
delay評估 延遲第一次評估的間隔數目。 整數 (int)
evaluationInterval 原則評估之間的間隔（執行次數）。 整數 (int)
policyType 針對 BanditPolicy 類型，設定為 『Bandit』。 針對 MedianStoppingPolicy 類型，設定為 'MedianStoppingPolicy'。 針對 TruncationSelectionPolicy 類型，設定為 『TruncationSelection』。 “強盜”
'MedianStopping' （中位數停止）
'TruncationSelection' （必要）

EndpointScheduleAction

名稱 說明 價值觀
動作類型 [必要]指定排程的動作類型 'InvokeBatchEndpoint' （必要）
endpointInvocationDefinition [必要]定義排程動作定義詳細數據。
<請參閱 href=“TBD” />		 任何 （必要）

FeatureAttributionDriftMonitoringSignal

名稱 說明 價值觀
featureDataTypeOverride 將特徵名稱對應至其個別數據類型的字典。 FeatureAttributionDriftMonitoringSignalFeatureDataTypeOverride
featureImportanceSettings 計算功能重要性的設定。 FeatureImportanceSettings （特徵重要性設置）
metricThreshold指標閾值 [必要]要計算的計量清單及其相關聯的臨界值。 FeatureAttributionMetricThreshold （必要）
生產數據 [必要]要計算漂移的數據。 MonitoringInputDataBase[] （必要）
referenceData （引用數據） [必要]要計算漂移的數據。 MonitoringInputDataBase （必要）
信號類型 [必要]指定要監視的訊號類型。 'FeatureAttributionDrift' （必要）

FeatureAttributionDriftMonitoringSignalFeatureDataTypeOverride

名稱 說明 價值觀

FeatureAttributionMetricThreshold

名稱 說明 價值觀
計量 [必要]要計算的功能屬性計量。 'NormalizedDiscountedCumulativeGain' （必要）
閾值 臨界值。 如果為 null，則會根據選取的計量來設定預設值。 監控閾值

FeatureImportanceSettings （特徵重要性設置）

名稱 說明 價值觀
模式 運算特徵重要性的作業模式。 “已禁用”
“已啟用”
targetColumn 輸入數據資產內的目標數據行名稱。 字串

特徵子集

名稱 說明 價值觀
特徵 [必要]要包含的功能清單。 string[] （必要）
filterType （過濾器類型） [必要]指定要在選取要計算計量的功能時運用的功能篩選。 'FeatureSubset' （必要）

FileSystemSource 檔源

名稱 說明 價值觀
路徑 數據匯入 FileSystem 來源的路徑 字串
資源類型 [必要]指定數據類型。 'file_system' （必要）

固定輸入數據

名稱 說明 價值觀
inputDataType （輸入資料類型） [必要]指定要監視的訊號類型。 'Fixed' （必要）

預測地平線

名稱 說明 價值觀
模式 針對 AutoForecastHorizon 類型，設定為 'Auto'。 針對 CustomForecastHorizon 類型，設定為 'Custom'。 '自動'
'Custom' （必要）

預測

名稱 說明 價值觀
cvSplitColumnNames 要用於 CVSplit 資料的數據行。 字串[]
featurizationSettings AutoML 作業所需的特徵化輸入。 TableVerticalFeaturizationSettings
固定參數 模型/定型參數，在整個定型過程中會維持不變。 TableFixedParameters （表固定參數）
forecasting設置 預測工作特定輸入。 ForecastingSettings
limitSettings AutoMLJob 的執行條件約束。 TableVerticalLimitSettings
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。		 NCross驗證
primaryMetric 預測工作的主要計量。 'NormalizedMeanAbsoluteError'
'NormalizedRootMeanSquaredError'
'R2Score'
'SpearmanCorrelation'
搜索空間 搜尋空間以取樣模型及其超參數的不同組合。 TableParameterSubspace[]
掃描設置 模型掃掠和超參數微調的設定。 TableSweepSettings （表格掃描設置）
任務類型 [必要]AutoMLJob 的工作類型。 “預測” （必要）
測試數據 測試數據輸入。 MLTableJobInput
testDataSize 必須為驗證目的而保留的測試數據集分數。
介於 （0.0 、 1.0） 之間的值
未提供驗證數據集時套用。		 整數 (int)
trainingSettings AutoML 作業定型階段的輸入。 ForecastingTrainingSettings
validationData （驗證資料） 驗證數據輸入。 MLTableJobInput
validationDataSize 需要為驗證目的預留的定型數據集分數。
介於 （0.0 、 1.0） 之間的值
未提供驗證數據集時套用。		 整數 (int)
權重列名稱 範例權數數據行的名稱。 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

ForecastingSettings

名稱 說明 價值觀
國家/地區或地區為假期 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。 為了
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
相隔三天。		 整數 (int)
featureLags 使用 『auto』 或 null 產生數值特徵延遲的旗標。 '自動'
“無”
featuresUnknownAtForecastTime 可在預測/推斷時用於定型但未知的功能數據行。
如果未設定features_unknown_at_forecast_time，則會假設數據集中的所有功能數據行在推斷時間都是已知的。		 字串[]
forecastHorizon （預測地平線） 所需的最大預測範圍，以時間序列頻率單位為單位。 預測地平線
頻率 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 定義 AutoML 是否應該處理短時間序列的參數。 '自動'
“掉落”
“無”
'墊'
targetAggregateFunction 要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 已設定，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”。		 “最大”
“卑鄙”
'敏'
“無”
'總和'
目標拉格 要從目標數據行延遲的過去期間數。 目標滯後
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 （時間列名稱） 時間數據行的名稱。 當預測以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，則會假設數據集為一個時間序列。 此參數與工作類型預測搭配使用。		 字串[]
useStl 設定時間序列目標數據行的 STL 分解。 “無”
“賽季”
'季節趨勢'

ForecastingTrainingSettings

名稱 說明 價值觀
allowedTrainingAlgorithms 用於預測工作的允許模型。 包含任何的字串數組：
“Arimax”
'AutoArima'
“平均”
“決策樹”
“彈性網”
'指數平滑'
'ExtremeRandomTrees'
'梯度提升'
'KNN'
“套索拉斯”
'LightGBM'
天真'
'先知'
'隨機森林'
'季節性平均值'
'季節性天真'
'新幣'
'TCNForecaster'
'XGBoostRegressor'
blockedTrainingAlgorithms 用於預測工作的封鎖模型。 包含任何的字串數組：
“Arimax”
'AutoArima'
“平均”
“決策樹”
“彈性網”
'指數平滑'
'ExtremeRandomTrees'
'梯度提升'
'KNN'
“套索拉斯”
'LightGBM'
天真'
'先知'
'隨機森林'
'季節性平均值'
'季節性天真'
'新幣'
'TCNForecaster'
'XGBoostRegressor'
enableDnnTraining 啟用 DNN 模型的建議。 布爾 (bool)
enableModelExplainability 在最佳模型上開啟可解釋性的旗標。 布爾 (bool)
enableOnnxCompatibleModels 啟用 onnx 相容模型的旗標。 布爾 (bool)
enableStackEnsemble 啟用堆疊合奏執行。 布爾 (bool)
enableVoteEnsemble 啟用投票合奏執行。 布爾 (bool)
ensembleModelDownloadTimeout 在 VotingEnsemble 和 StackEnsemble 模型產生期間，會下載先前子回合中的多個安裝模型。
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 堆疊合奏執行的堆疊合奏設定。 StackEnsembleSettings
trainingMode TrainingMode 模式 - 設定為 'auto' 與目前將它設定為「非分散式」相同，但未來可能會導致混合模式或啟發學習法模式選取。 預設值為 『auto』。
如果 「分散式」，則只會使用分散式特徵化，並選擇分散式演算法。
如果 『NonDistributed』，則只會選擇非分散式演算法。		 '自動'
“分散式”
'NonDistributed' （非分散式）

GenerationSafetyQualityMetricThreshold （生成安全品質度量閾值）

名稱 說明 價值觀
計量 [必要]取得或設定要計算的功能屬性計量。 “AcceptableCoherenceScorePerInstance”
“AcceptableFluencyScorePerInstance”
“AcceptableGroundednessScorePerInstance”
“AcceptableRelevanceScorePerInstance”
“AcceptableSimilarityScorePerInstance”
'AggregatedCoherencePassRate'
'AggregatedFluencyPassRate'
'AggregatedGroundednessPassRate'
“AggregatedRelevancePassRate”
'AggregatedSimilarityPassRate' （必要）
閾值 取得或設定臨界值。
如果為 null，則會根據選取的計量來設定預設值。		 監控閾值

GenerationSafetyQualityMonitoringSignal

名稱 說明 價值觀
metricThresholds [必要]取得或設定要計算的計量和對應的臨界值。 GenerationSafetyQualityMetricThreshold[] （必要）
生產數據 取得或設定計算計量的生產數據。 MonitoringInputDataBase[]
採樣率 [必要]生產數據的取樣率應該大於 0 且最多 1。 int （必要）
信號類型 [必要]指定要監視的訊號類型。 'GenerationSafetyQuality' （必要）
workspaceConnectionId 取得或設定用來連線到內容產生端點的工作區聯機標識碼。 字串

GenerationTokenUsageMetricThreshold

名稱 說明 價值觀
計量 [必要]取得或設定要計算的功能屬性計量。 'TotalTokenCount'
'TotalTokenCountPerGroup' （必要）
閾值 取得或設定臨界值。
如果為 null，則會根據選取的計量來設定預設值。		 監控閾值

GenerationTokenUsageSignal

名稱 說明 價值觀
metricThresholds [必要]取得或設定要計算的計量和對應的臨界值。 GenerationTokenUsageMetricThreshold[] （必要）
生產數據 取得或設定計算計量的生產數據。 MonitoringInputDataBase[]
採樣率 [必要]生產數據的取樣率應該大於 0 且最多 1。 int （必要）
信號類型 [必要]指定要監視的訊號類型。 'GenerationTokenStatistics' （必要）

GridSampling演算法

名稱 說明 價值觀
採樣演算法類型 [必要]用來產生超參數值的演算法，以及組態屬性 'Grid' （必要）

身份配置

名稱 說明 價值觀
身份類型 將 設定為 AmlToken 類型的 『AMLToken』。 針對 ManagedIdentity 類型設定為 『Managed』。 針對 UserIdentity 類型，設定為 ' UserIdentity'。 'AMLToken'
“託管”
'UserIdentity' （必要）

圖像分類

名稱 說明 價值觀
limitSettings [必要]限制 AutoML 作業的設定。 ImageLimitSettings （必要）
modelSettings 用於定型模型的設定。 ImageModelSettings分類
primaryMetric 要針對這項工作進行優化的主要計量。 '精確度'
'AUCWeighted'
'AveragePrecisionScoreWeighted'
'NormMacroRecall' （規範巨集調用）
'PrecisionScoreWeighted'
搜索空間 搜尋空間以取樣模型及其超參數的不同組合。 ImageModelDistributionSettingsClassification[]
掃描設置 模型掃掠和超參數掃掠相關設定。 ImageSweepSettings （圖像掃描設定）
任務類型 [必要]AutoMLJob 的工作類型。 'ImageClassification' （必要）
validationData （驗證資料） 驗證數據輸入。 MLTableJobInput
validationDataSize 需要為驗證目的預留的定型數據集分數。
介於 （0.0 、 1.0） 之間的值
未提供驗證數據集時套用。		 整數 (int)

ImageClassificationMultilabel

名稱 說明 價值觀
limitSettings [必要]限制 AutoML 作業的設定。 ImageLimitSettings （必要）
modelSettings 用於定型模型的設定。 ImageModelSettings分類
primaryMetric 要針對這項工作進行優化的主要計量。 '精確度'
'AUCWeighted'
'AveragePrecisionScoreWeighted'
'欠條'
'NormMacroRecall' （規範巨集調用）
'PrecisionScoreWeighted'
搜索空間 搜尋空間以取樣模型及其超參數的不同組合。 ImageModelDistributionSettingsClassification[]
掃描設置 模型掃掠和超參數掃掠相關設定。 ImageSweepSettings （圖像掃描設定）
任務類型 [必要]AutoMLJob 的工作類型。 'ImageClassificationMultilabel' （必要）
validationData （驗證資料） 驗證數據輸入。 MLTableJobInput
validationDataSize 需要為驗證目的預留的定型數據集分數。
介於 （0.0 、 1.0） 之間的值
未提供驗證數據集時套用。		 整數 (int)

ImageInstanceSegmentation

名稱 說明 價值觀
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 要針對這項工作進行優化的主要計量。 'MeanAveragePrecision'
搜索空間 搜尋空間以取樣模型及其超參數的不同組合。 ImageModelDistributionSettingsObjectDetection[]
掃描設置 模型掃掠和超參數掃掠相關設定。 ImageSweepSettings （圖像掃描設定）
任務類型 [必要]AutoMLJob 的工作類型。 'ImageInstanceSegmentation' （必要）
validationData （驗證資料） 驗證數據輸入。 MLTableJobInput
validationDataSize 需要為驗證目的預留的定型數據集分數。
介於 （0.0 、 1.0） 之間的值
未提供驗證數據集時套用。		 整數 (int)

ImageLimitSettings

名稱 說明 價值觀
maxConcurrentTrials 並行 AutoML 反覆項目的數目上限。 整數 (int)
maxTrials AutoML 反覆項目的數目上限。 整數 (int)
超時 AutoML 作業逾時。 字串

ImageModelDistributionSettings分類

名稱 說明 價值觀
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
貝塔1 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
貝塔2 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 是否要使用散發器定型。 字串
earlyStopping （早期停止） 在定型期間啟用早期停止邏輯。 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
會追蹤早期停止。 必須是正整數。		 字串
早點停止耐心 在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 評估驗證數據集以取得計量分數的頻率。 必須是正整數。 字串
梯度累積步驟 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 （圖層凍結） 要凍結模型的圖層數目。 必須是正整數。
例如，傳遞 2 作為 'seresnext' 值表示
凍結 layer0 和 layer1。 如需支援模型的完整清單，以及圖層凍結的詳細數據，請
請參閱：/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 的 學習率排程器的類型。 必須是 『warmup_cosine』 或 'step'。 字串
型號名稱 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：
/azure/machine-learning/how-to-auto-train-image-models。		 字串
動量 優化器為 『zn』 時的動量值。 必須是範圍 [0, 1] 內的浮點數。 字串
涅斯特羅夫 在優化器為 『zn』 時啟用 nesterov。 字串
紀元數 定型 Epoch 的數目。 必須是正整數。 字串
工人數 數據載入器背景工作角色的數目。 必須是非負整數。 字串
優化器 優化工具的類型。 必須是 『zn』、『adam』或 『adamw』。 字串
隨機種子 使用決定性定型時要使用的隨機種子。 字串
stepLR伽瑪 學習速率排程器為 『step』 時的 gamma 值。 必須是範圍 [0, 1] 內的浮點數。 字串
stepLRStepSize 學習速率排程器為 『step』 時的步驟大小值。 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，這是訓練數據集之類神經網路的輸入。 必須是正整數。 字串
validationBatchSize 驗證批次大小。 必須是正整數。 字串
validationCropSize 影像裁剪大小，這是用於驗證數據集之類神經網路的輸入。 必須是正整數。 字串
validationResizeSize 在裁剪驗證數據集之前要重設大小的影像大小。 必須是正整數。 字串
warmupCosineLRCycles 學習速率排程器為「warmup_cosine」時，餘弦迴圈的值。 必須是範圍 [0, 1] 內的浮點數。 字串
warmupCosineLRWarmupEpochs 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 （權重衰減） 優化器為 'zn'、'adam' 或 'adamw' 時的權數衰變值。 必須是範圍[0， 1] 中的浮點數。 字串
weightedLoss 加權減肥。 接受的值是 0，沒有加權損失。
1 用於與 sqrt 減肥。（class_weights）。 2 用於減肥與class_weights。 必須是 0 或 1 或 2。		 字串

ImageModelDistributionSettingsObjectDetection

名稱 說明 價值觀
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
貝塔1 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
貝塔2 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
boxDetectionsPerImage （每影像檢測） 所有類別的每個影像偵測數目上限。 必須是正整數。
注意：'yolov5' 演算法不支援此設定。		 字串
boxScoreThreshold （盒分數閾值） 在推斷期間，只傳回大於分類分數的建議
BoxScoreThreshold。 必須是範圍[0， 1] 中的浮點數。		 字串
分散式 是否要使用散發器定型。 字串
earlyStopping （早期停止） 在定型期間啟用早期停止邏輯。 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
會追蹤早期停止。 必須是正整數。		 字串
早點停止耐心 在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 評估驗證數據集以取得計量分數的頻率。 必須是正整數。 字串
梯度累積步驟 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
影像大小 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 （圖層凍結） 要凍結模型的圖層數目。 必須是正整數。
例如，傳遞 2 作為 'seresnext' 值表示
凍結 layer0 和 layer1。 如需支援模型的完整清單，以及圖層凍結的詳細數據，請
請參閱：/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 的 學習率排程器的類型。 必須是 『warmup_cosine』 或 'step'。 字串
最大尺寸 在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，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
最小大小 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，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
型號名稱 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：
/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，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 優化器為 『zn』 時的動量值。 必須是範圍 [0, 1] 內的浮點數。 字串
多尺度 依 +/- 50%來啟用多重縮放影像大小。
注意：如果沒有足夠的 GPU 記憶體，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
涅斯特羅夫 在優化器為 『zn』 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 float。 字串
紀元數 定型 Epoch 的數目。 必須是正整數。 字串
工人數 數據載入器背景工作角色的數目。 必須是非負整數。 字串
優化器 優化工具的類型。 必須是 『zn』、『adam』或 『adamw』。 字串
隨機種子 使用決定性定型時要使用的隨機種子。 字串
stepLR伽瑪 學習速率排程器為 『step』 時的 gamma 值。 必須是範圍 [0, 1] 內的浮點數。 字串
stepLRStepSize 學習速率排程器為 『step』 時的步驟大小值。 必須是正整數。 字串
tileGridSize （平鋪網格大小） 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，其格式為一個。
注意：'yolov5' 演算法不支援此設定。		 字串
tileOverlapRatio （平鋪重疊比率） 每個維度中相鄰磚之間的重疊比例。 必須是範圍 [0， 1] 中的浮點數。
注意：'yolov5' 演算法不支援此設定。		 字串
tilePredictionsNmsThreshold 用來執行NMS的IOU閾值，同時合併磚和影像的預測。
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閾值。 必須是範圍 [0， 1] 中的 float。 字串
validationMetricType 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 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 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 （權重衰減） 優化器為 'zn'、'adam' 或 'adamw' 時的權數衰變值。 必須是範圍[0， 1] 中的浮點數。 字串

ImageModelSettings分類

名稱 說明 價值觀
高級設置 進階案例的設定。 字串
amsGradient 當優化器為 『adam』 或 'adamw' 時啟用AMSGrad。 布爾 (bool)
擴增 使用擴增的設定。 字串
貝塔1 優化器為 'adam' 或 'adamw' 時的 'beta1' 值。 必須是範圍 [0, 1] 內的浮點數。 整數 (int)
貝塔2 優化器為 'adam' 或 'adamw' 時的 'beta2' 值。 必須是範圍 [0, 1] 內的浮點數。 整數 (int)
檢查點頻率 儲存模型檢查點的頻率。 必須是正整數。 整數 (int)
checkpoint模型 累加訓練的預先定型檢查點模型。 MLFlowModelJobInput
檢查點RunId 先前執行的標識碼，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。 布爾 (bool)
earlyStopping （早期停止） 在定型期間啟用早期停止邏輯。 布爾 (bool)
earlyStoppingDelay 在主要計量改進之前等待的最小 Epoch 或驗證評估數目
會追蹤早期停止。 必須是正整數。		 整數 (int)
早點停止耐心 在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。		 整數 (int)
enableOnnxNormalization 匯出 ONNX 模型時啟用正規化。 布爾 (bool)
evaluationFrequency 評估驗證數據集以取得計量分數的頻率。 必須是正整數。 整數 (int)
梯度累積步驟 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。		 整數 (int)
layersToFreeze （圖層凍結） 要凍結模型的圖層數目。 必須是正整數。
例如，傳遞 2 作為 'seresnext' 值表示
凍結 layer0 和 layer1。 如需支援模型的完整清單，以及圖層凍結的詳細數據，請
請參閱：/azure/machine-learning/how-to-auto-train-image-models。		 整數 (int)
learningRate 初始學習速率。 必須是範圍 [0, 1] 內的浮點數。 整數 (int)
learningRateScheduler 的 學習率排程器的類型。 必須是 『warmup_cosine』 或 'step'。 “無”
“步驟”
'WarmupCosine'
型號名稱 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：
/azure/machine-learning/how-to-auto-train-image-models。		 字串
動量 優化器為 『zn』 時的動量值。 必須是範圍 [0, 1] 內的浮點數。 整數 (int)
涅斯特羅夫 在優化器為 『zn』 時啟用 nesterov。 布爾 (bool)
紀元數 定型 Epoch 的數目。 必須是正整數。 整數 (int)
工人數 數據載入器背景工作角色的數目。 必須是非負整數。 整數 (int)
優化器 優化工具的類型。 “亞當”
“亞當”
“無”
'新元'
隨機種子 使用決定性定型時要使用的隨機種子。 整數 (int)
stepLR伽瑪 學習速率排程器為 『step』 時的 gamma 值。 必須是範圍 [0, 1] 內的浮點數。 整數 (int)
stepLRStepSize 學習速率排程器為 『step』 時的步驟大小值。 必須是正整數。 整數 (int)
trainingBatchSize 定型批次大小。 必須是正整數。 整數 (int)
trainingCropSize 影像裁剪大小，這是訓練數據集之類神經網路的輸入。 必須是正整數。 整數 (int)
validationBatchSize 驗證批次大小。 必須是正整數。 整數 (int)
validationCropSize 影像裁剪大小，這是用於驗證數據集之類神經網路的輸入。 必須是正整數。 整數 (int)
validationResizeSize 在裁剪驗證數據集之前要重設大小的影像大小。 必須是正整數。 整數 (int)
warmupCosineLRCycles 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。 整數 (int)
warmupCosineLRWarmupEpochs 學習速率排程器為「warmup_cosine」時，熱身 Epoch 的值。 必須是正整數。 整數 (int)
weightDecay （權重衰減） 優化器為 'zn'、'adam' 或 'adamw' 時的權數衰變值。 必須是範圍[0， 1] 中的浮點數。 整數 (int)
weightedLoss 加權減肥。 接受的值是 0，沒有加權損失。
1 用於與 sqrt 減肥。（class_weights）。 2 用於減肥與class_weights。 必須是 0 或 1 或 2。		 整數 (int)

ImageModelSettingsObjectDetection

名稱 說明 價值觀
高級設置 進階案例的設定。 字串
amsGradient 當優化器為 『adam』 或 'adamw' 時啟用AMSGrad。 布爾 (bool)
擴增 使用擴增的設定。 字串
貝塔1 優化器為 'adam' 或 'adamw' 時的 'beta1' 值。 必須是範圍 [0, 1] 內的浮點數。 整數 (int)
貝塔2 優化器為 'adam' 或 'adamw' 時的 'beta2' 值。 必須是範圍 [0, 1] 內的浮點數。 整數 (int)
boxDetectionsPerImage （每影像檢測） 所有類別的每個影像偵測數目上限。 必須是正整數。
注意：'yolov5' 演算法不支援此設定。		 整數 (int)
boxScoreThreshold （盒分數閾值） 在推斷期間，只傳回大於分類分數的建議
BoxScoreThreshold。 必須是範圍[0， 1] 中的浮點數。		 整數 (int)
檢查點頻率 儲存模型檢查點的頻率。 必須是正整數。 整數 (int)
checkpoint模型 累加訓練的預先定型檢查點模型。 MLFlowModelJobInput
檢查點RunId 先前執行的標識碼，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。 布爾 (bool)
earlyStopping （早期停止） 在定型期間啟用早期停止邏輯。 布爾 (bool)
earlyStoppingDelay 在主要計量改進之前等待的最小 Epoch 或驗證評估數目
會追蹤早期停止。 必須是正整數。		 整數 (int)
早點停止耐心 在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。		 整數 (int)
enableOnnxNormalization 匯出 ONNX 模型時啟用正規化。 布爾 (bool)
evaluationFrequency 評估驗證數據集以取得計量分數的頻率。 必須是正整數。 整數 (int)
梯度累積步驟 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。		 整數 (int)
影像大小 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。		 整數 (int)
layersToFreeze （圖層凍結） 要凍結模型的圖層數目。 必須是正整數。
例如，傳遞 2 作為 'seresnext' 值表示
凍結 layer0 和 layer1。 如需支援模型的完整清單，以及圖層凍結的詳細數據，請
請參閱：/azure/machine-learning/how-to-auto-train-image-models。		 整數 (int)
learningRate 初始學習速率。 必須是範圍 [0, 1] 內的浮點數。 整數 (int)
learningRateScheduler 的 學習率排程器的類型。 必須是 『warmup_cosine』 或 'step'。 “無”
“步驟”
'WarmupCosine'
logTrainingMetrics 啟用計算和記錄定型計量。 '禁用'
'啟用'
logValidationLoss 啟用運算和記錄驗證遺失。 '禁用'
'啟用'
最大尺寸 在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，定型執行可能會進入 CUDA OOM。
注意：'yolov5' 演算法不支援此設定。		 整數 (int)
最小大小 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，定型執行可能會進入 CUDA OOM。
注意：'yolov5' 演算法不支援此設定。		 整數 (int)
型號名稱 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：
/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，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。		 “超大號”
“大”
'中等'
“無”
“小”
動量 優化器為 『zn』 時的動量值。 必須是範圍 [0, 1] 內的浮點數。 整數 (int)
多尺度 依 +/- 50%來啟用多重縮放影像大小。
注意：如果沒有足夠的 GPU 記憶體，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。		 布爾 (bool)
涅斯特羅夫 在優化器為 『zn』 時啟用 nesterov。 布爾 (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。 整數 (int)
紀元數 定型 Epoch 的數目。 必須是正整數。 整數 (int)
工人數 數據載入器背景工作角色的數目。 必須是非負整數。 整數 (int)
優化器 優化工具的類型。 “亞當”
“亞當”
“無”
'新元'
隨機種子 使用決定性定型時要使用的隨機種子。 整數 (int)
stepLR伽瑪 學習速率排程器為 『step』 時的 gamma 值。 必須是範圍 [0, 1] 內的浮點數。 整數 (int)
stepLRStepSize 學習速率排程器為 『step』 時的步驟大小值。 必須是正整數。 整數 (int)
tileGridSize （平鋪網格大小） 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，其格式為一個。
注意：'yolov5' 演算法不支援此設定。		 字串
tileOverlapRatio （平鋪重疊比率） 每個維度中相鄰磚之間的重疊比例。 必須是範圍 [0， 1] 中的浮點數。
注意：'yolov5' 演算法不支援此設定。		 整數 (int)
tilePredictionsNmsThreshold 用來執行NMS的IOU閾值，同時合併磚和影像的預測。
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。		 整數 (int)
trainingBatchSize 定型批次大小。 必須是正整數。 整數 (int)
validationBatchSize 驗證批次大小。 必須是正整數。 整數 (int)
validationIouThreshold 計算驗證計量時要使用的IOU閾值。 必須是範圍 [0， 1] 中的 float。 整數 (int)
validationMetricType 用於驗證計量的計量計算方法。 《尋夢環遊記》
“可哥沃克”
“無”
'Voc'
warmupCosineLRCycles 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。 整數 (int)
warmupCosineLRWarmupEpochs 學習速率排程器為「warmup_cosine」時，熱身 Epoch 的值。 必須是正整數。 整數 (int)
weightDecay （權重衰減） 優化器為 'zn'、'adam' 或 'adamw' 時的權數衰變值。 必須是範圍[0， 1] 中的浮點數。 整數 (int)

ImageObjectDetection

名稱 說明 價值觀
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 要針對這項工作進行優化的主要計量。 'MeanAveragePrecision'
搜索空間 搜尋空間以取樣模型及其超參數的不同組合。 ImageModelDistributionSettingsObjectDetection[]
掃描設置 模型掃掠和超參數掃掠相關設定。 ImageSweepSettings （圖像掃描設定）
任務類型 [必要]AutoMLJob 的工作類型。 'ImageObjectDetection' （必要）
validationData （驗證資料） 驗證數據輸入。 MLTableJobInput
validationDataSize 需要為驗證目的預留的定型數據集分數。
介於 （0.0 、 1.0） 之間的值
未提供驗證數據集時套用。		 整數 (int)

ImageSweepSettings （圖像掃描設定）

名稱 說明 價值觀
early終止 早期終止原則的類型。 提前終止政策
sampling演算法 [必要]超參數取樣演算法的類型。 “貝氏”
'網格'
'Random' （必要）

ImportDataAction

名稱 說明 價值觀
動作類型 [必要]指定排程的動作類型 'ImportData' （必要）
dataImport定義 [必要]定義排程動作定義詳細數據。 DataImport （必要）

智慧財產權

名稱 說明 價值觀
protectionLevel 保護級別 智慧財產權的保護層級。 '全部'
“無”
發行者 [必要]智慧財產權的發行者。 必須與登錄發行者名稱相同。 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）

JobBaseProperties

名稱 說明 價值觀
元件ID 元件資源的 ARM 資源識別碼。 字串
計算ID 計算資源的 ARM 資源識別碼。 字串
說明 資產描述文字。 字串
顯示名稱 工作的顯示名稱。 字串
實驗名稱 作業所屬的實驗名稱。 如果未設定，作業會放在 「默認」實驗中。 字串
身分識別 身分識別設定。 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。		 身份配置
isArchived 已存檔 資產是否已封存？ 布爾 (bool)
職位類型 設定為 AutoMLJob 類型的 『AutoML』。 設定為 CommandJob 類型的 『Command』。 設定為 [標記] 類型為 [卷標][JobProperties]。 設定為 PipelineJob 類型的 'Pipeline'。 針對 SparkJob 類型設定為 『Spark』。 設定為 掃掠Job 類型的 [掃掠]。 'AutoML'
“命令”
'標記'
“管道”
“火花”
'掃掠' （必要）
notification設置 作業的通知設定 通知設置
屬性 資產屬性字典。 ResourceBaseProperties
secrets配置 設定要在運行時間期間提供秘密。 JobBaseSecretsConfiguration
服務 JobEndpoints 的清單。
針對本機作業，作業端點會有 FileStreamObject 的端點值。		 JobBase服務
標記 標記字典。 標記可以新增、移除和更新。 ResourceBaseTags

JobBaseSecretsConfiguration

名稱 說明 價值觀

JobBase服務

名稱 說明 價值觀

作業輸入

名稱 說明 價值觀
說明 輸入的描述。 字串
jobInputType （作業輸入類型） 設定為 CustomModelJobInput 類型的 『custom_model』。 設定為 常值JobInput 類型的 『literal』。 設定為 MLFlowModelJobInput 類型的 『mlflow_model』。 設定為 MLTableJobInput 類型的 'mltable'。 設定為 TritonModelJobInput 類型的 『triton_model』。 針對 UriFileJobInput類型設定為 『uri_file』。 針對 UriFolderJobInput 類型設定為 『uri_folder』。 “custom_model”
'字面值'
“mlflow_model”
'mltable'
“triton_model”
“uri_file”
'uri_folder' （必要）

JobOutput （作業輸出）

名稱 說明 價值觀
說明 輸出的描述。 字串
jobOutputType 設定為 CustomModelJobOutput 類型的 『custom_model』。 設定為 MLFlowModelJobOutput 類型的 『mlflow_model』。 設定為 MLTableJobOutput 類型的 'mltable'。 將 設定為 TritonModelJobOutput 類型的 『triton_model』。 針對 UriFileJobOutput類型設定為 『uri_file』。 針對 UriFolderJobOutput類型設定為 『uri_folder』。 “custom_model”
“mlflow_model”
'mltable'
“triton_model”
“uri_file”
'uri_folder' （必要）

JobResourceConfiguration

名稱 說明 價值觀
dockerArgs 傳遞至 Docker run 命令的額外自變數。 這會覆寫系統或本節中已設定的任何參數。 此參數僅支援 Azure ML 計算類型。 字串
實例數量 計算目標所使用的實例或節點選擇性數目。 整數 (int)
instanceType 計算目標所支持的選擇性 VM 類型。 字串
地點 作業可以執行的位置。 字串[]
maxInstanceCount 計算目標可使用的實例或節點數目選擇性上限。
若要搭配彈性定型使用，目前只有 PyTorch 散發類型支援。		 整數 (int)
屬性 其他屬性包。 ResourceConfigurationProperties
shmSize Docker 容器的共用記憶體區塊大小。 這應該是 （number）（unit） 的格式，其中數位大於 0，單位可以是 b（位元組）、k（KB）、m（MB）、或 g（GB）。 字串

約束：
圖案 = \d+[bBkKmMgG]

JobScheduleAction作

名稱 說明 價值觀
動作類型 [必要]指定排程的動作類型 'CreateJob' （必要）
jobDefinition [必要]定義排程動作定義詳細數據。 JobBaseProperties （必要）

工作服務

名稱 說明 價值觀
端點 端點的 URL。 字串
jobServiceType 端點類型。 字串
節點 使用者想要啟動服務的節點。
如果未將 Nodes 設定或設定為 null，則服務只會在領導者節點上啟動。		 節點
傳輸埠 用戶所設定端點的埠。 整數 (int)
屬性 在端點上設定的其他屬性。 JobServiceProperties

JobServiceProperties

名稱 說明 價值觀

標籤類別

名稱 說明 價值觀
課程 此類別中標籤類別的字典。 標籤類別類
顯示名稱 標籤類別的顯示名稱。 字串
多選 指出是否允許在此類別中選取多個類別。 “已禁用”
“已啟用”

標籤類別類

名稱 說明 價值觀

標籤類

名稱 說明 價值觀
顯示名稱 標籤類別的顯示名稱。 字串
子 卷標類別子類別的字典。 LabelClass子類

LabelClass子類

名稱 說明 價值觀

LabelingDataConfiguration

名稱 說明 價值觀
數據ID 要執行標籤之數據資產的資源標識碼。 字串
incrementalDataRefresh 指出是否要啟用累加式數據重新整理。 “已禁用”
“已啟用”

LabelingJobImageProperties

名稱 說明 價值觀
annotationType 影像標籤作業的註釋類型。 '邊界框'
'分類'
'InstanceSegmentation' 實例分段'
mediaType [必要]作業的媒體類型。 'Image' （必要）

LabelingJobInstructions

名稱 說明 價值觀
統一資源識別碼 (URI) 具有標籤者詳細標籤指示的頁面連結。 字串

LabelJobLabelCategories

名稱 說明 價值觀

LabelingJobMediaProperties

名稱 說明 價值觀
mediaType 針對 LabelingJobImageProperties 類型設定為 'Image'，。 將 類型設定為 'Text'，LabelingJobTextProperties。 “圖像”
'Text' （必要）

LabelingJobProperties

名稱 說明 價值觀
dataConfiguration 設定作業中使用的數據。 LabelingDataConfiguration
工作說明 標記作業的指示。 LabelingJobInstructions
職位類型 [必要]指定作業的類型。 '標記' （必要）
標籤類別 作業的標籤類別。 LabelJobLabelCategories
labelingJobMediaProperties 作業中的媒體類型特定屬性。 LabelingJobMediaProperties
mlAssistConfiguration 在作業中設定 MLAssist 功能。 MLAssistConfiguration

LabelingJobTextProperties

名稱 說明 價值觀
annotationType 文字標籤作業的註釋類型。 '分類'
'NamedEntityRecognition' （命名實體識別）
mediaType [必要]作業的媒體類型。 'Text' （必要）

LiteralJobInput （文字作業輸入）

名稱 說明 價值觀
jobInputType （作業輸入類型） [必要]指定作業的類型。 'literal' （必要）
價值 [必要]輸入的常值。 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）

ManagedComputeIdentity

名稱 說明 價值觀
computeIdentityType [必要]監視計算識別類型列舉。 'ManagedIdentity' （必要）
身分識別 受控服務識別（系統指派和/或使用者指派的身分識別） ManagedServiceIdentity

ManagedIdentity （託管身份）

名稱 說明 價值觀
用戶端ID 依用戶端識別元指定使用者指派的身分識別。 若為系統指派，請勿設定此欄位。 字串

約束：
最小長度 = 36
最大長度 = 36
圖案 = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
身份類型 [必要]指定身分識別架構的類型。 'Managed' （必要）
物件ID 依物件識別元指定使用者指派的身分識別。 若為系統指派，請勿設定此欄位。 字串

約束：
最小長度 = 36
最大長度 = 36
圖案 = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
資源ID 依 ARM 資源識別碼指定使用者指派的身分識別。 若為系統指派，請勿設定此欄位。 字串

ManagedServiceIdentity

名稱 說明 價值觀
型別 受控服務識別的類型（允許 SystemAssigned 和 UserAssigned 類型）。 “無”
“系統分配”
'SystemAssigned，UserAssigned'
'UserAssigned' （必要）
使用者指派的身份 與資源相關聯的使用者指派身分識別集。 userAssignedIdentities 字典索引鍵的格式為 ARM 資源標識符：'/subscriptions/{subscriptionId}/resourceGroups/{resourceGroupName}/providers/Microsoft.ManagedIdentity/userAssignedIdentities/{identityName}。 字典值可以是要求中的空白物件 （{}）。 UserAssignedIdentities

中位數停止政策

名稱 說明 價值觀
policyType [必要]原則設定的名稱 'MedianStopping' （必要）

MLAssistConfiguration

名稱 說明 價值觀
mlAssist 針對 MLAssistConfigurationDisabled 類型設定為 'Disabled'。 針對 MLAssistConfigurationEnabled 類型，設定為 'Enabled'。 “已禁用”
'Enabled' （必要）

MLAssistConfigurationDisabled

名稱 說明 價值觀
mlAssist [必要]指出是否啟用 MLAssist 功能。 'Disabled' （必要）

MLAssistConfiguration已啟用

名稱 說明 價值觀
inferencingComputeBinding [必要]用於推斷的 AML 計算系結。 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）
mlAssist [必要]指出是否啟用 MLAssist 功能。 'Enabled' （必要）
trainingComputeBinding 的 [必要]定型中使用的 AML 計算系結。 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）

MLFlowModelJobInput

名稱 說明 價值觀
jobInputType （作業輸入類型） [必要]指定作業的類型。 'mlflow_model' （必要）
模式 輸入資產傳遞模式。 “直接”
'下載'
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
“ReadWriteMount”
統一資源識別碼 (URI) [必要]輸入資產 URI。 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）

MLFlowModelJobInput

名稱 說明 價值觀
說明 輸入的描述。 字串
jobInputType （作業輸入類型） [必要]指定作業的類型。 “custom_model”
'字面值'
“mlflow_model”
'mltable'
“triton_model”
“uri_file”
'uri_folder' （必要）
模式 輸入資產傳遞模式。 “直接”
'下載'
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
“ReadWriteMount”
統一資源識別碼 (URI) [必要]輸入資產 URI。 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）

MLFlowModelJobOutput

名稱 說明 價值觀
assetName （資產名稱） 輸出資產名稱。 字串
assetVersion （資產版本） 輸出資產版本。 字串
autoDelete設置 自動刪除輸出數據資產的設定。 自動刪除設置
jobOutputType [必要]指定作業的類型。 'mlflow_model' （必要）
模式 輸出資產傳遞模式。 “直接”
“ReadWriteMount”
'上傳'
統一資源識別碼 (URI) 輸出資產 URI。 字串

MLTableJobInput

名稱 說明 價值觀
說明 輸入的描述。 字串
jobInputType （作業輸入類型） [必要]指定作業的類型。 “custom_model”
'字面值'
“mlflow_model”
'mltable'
“triton_model”
“uri_file”
'uri_folder' （必要）
模式 輸入資產傳遞模式。 “直接”
'下載'
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
“ReadWriteMount”
統一資源識別碼 (URI) [必要]輸入資產 URI。 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）

MLTableJobInput

名稱 說明 價值觀
jobInputType （作業輸入類型） [必要]指定作業的類型。 'mltable' （必要）
模式 輸入資產傳遞模式。 “直接”
'下載'
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
“ReadWriteMount”
統一資源識別碼 (URI) [必要]輸入資產 URI。 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）

MLTableJobOutput

名稱 說明 價值觀
assetName （資產名稱） 輸出資產名稱。 字串
assetVersion （資產版本） 輸出資產版本。 字串
autoDelete設置 自動刪除輸出數據資產的設定。 自動刪除設置
jobOutputType [必要]指定作業的類型。 'mltable' （必要）
模式 輸出資產傳遞模式。 “直接”
“ReadWriteMount”
'上傳'
統一資源識別碼 (URI) 輸出資產 URI。 字串

ModelPerformanceMetricThresholdBase

名稱 說明 價值觀
modelType 設定為 ClassificationModelPerformanceMetricThreshold 類型的 [分類]。 設定為 RegressionModelPerformanceMetricThreshold 類型的 'Regression'。 '分類'
'回歸' （必要）
閾值 臨界值。 如果為 null，則會根據選取的計量來設定預設值。 監控閾值

ModelPerformanceSignal

名稱 說明 價值觀
數據段 數據區段。 MonitoringDataSegment
metricThreshold指標閾值 [必要]要計算的計量清單及其相關聯的臨界值。 ModelPerformanceMetricThresholdBase （必要）
生產數據 [必要]生產服務所產生的數據，將會計算其效能。 MonitoringInputDataBase[] （必要）
referenceData （引用數據） [必要]做為計算模型效能基礎的參考數據。 MonitoringInputDataBase （必要）
信號類型 [必要]指定要監視的訊號類型。 'ModelPerformance' （必要）

監視器ComputeConfigurationBase

名稱 說明 價值觀
computeType 設定為 MonitorServerlessSparkCompute 類型的 'ServerlessSpark'。 'ServerlessSpark' （必要）

監視器計算身份庫

名稱 說明 價值觀
computeIdentityType 針對 AmlTokenComputeIdentity 類型，設定為 『AmlToken』。 針對 ManagedComputeIdentity 類型，設定為 『ManagedIdentity』。 “AmlToken”
'ManagedIdentity' （必要）

監視器定義

名稱 說明 價值觀
alertNotificationSettings 監視器的通知設定。 MonitorNotificationSettings
computeConfiguration [必要]要執行監視作業之計算資源的 ARM 資源識別碼。 MonitorComputeConfigurationBase （必要）
監控目標 此監視器的目標模型或部署的 ARM 資源識別碼。 監控目標
信號 [必要]要監視的訊號。 MonitorDefinitionSignals （必要）

監視器定義信號

名稱 說明 價值觀

監視器EmailNotificationSettings

名稱 說明 價值觀
電子郵件 這是電子郵件收件者清單，總計限製為499個字元。 字串[]

MonitoringDataSegment

名稱 說明 價值觀
功能 要分割數據的功能。 字串
價值觀 僅篩選指定區段特徵的指定值。 字串[]

MonitoringFeatureFilterBase

名稱 說明 價值觀
filterType （過濾器類型） 設定為 AllFeatures 類型的 'AllFeatures'。 針對FeatureSubset類型，設定為 ' FeatureSubset'。 設定為 TopNFeaturesByAttribution 類型的 『TopNByAttribution』。 '所有功能'
'FeatureSubset'
'TopNByAttribution' （必要）

監控輸入資料庫

名稱 說明 價值觀
欄 將數據行名稱對應至特殊用途。 MonitoringInputDataBaseColumns
dataContext 數據源的內容元數據。 字串
inputDataType （輸入資料類型） 設定為 FixedInputData 類型的 『Fixed』。 針對 RollingInputData 類型設定為 『Rolling』。 設定為 StaticInputData 類型的 『Static』。 “已修復”
'滾動'
'Static' （必要）
jobInputType （作業輸入類型） [必要]指定作業的類型。 “custom_model”
'字面值'
“mlflow_model”
'mltable'
“triton_model”
“uri_file”
'uri_folder' （必要）
統一資源識別碼 (URI) [必要]輸入資產 URI。 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）

MonitoringInputDataBaseColumns

名稱 說明 價值觀

監控信號庫

名稱 說明 價值觀
notificationTypes 此訊號的目前通知模式。 包含任何的字串數組：
“AmlNotification”
“AzureMonitor”
屬性 屬性字典。 可以新增屬性，但無法移除或改變。 MonitoringSignalBaseProperties
信號類型 針對 CustomMonitoringSignal 類型，設定為 『Custom』。 設定為 DataDriftMonitoringSignal 類型的 'DataDrift'。 設定為 DataQualityMonitoringSignal 類型的 'DataQuality'。 設定為 FeatureAttributionDrift 類型為 FeatureAttributionDriftMonitoringSignal 的 'FeatureAttributionDrift'。 針對 GenerationSafetyQuality 類型設定為 'GenerationSafetyQualityMonitoringSignal'。 將 設定為 GenerationTokenUsageSignal 類型的 'GenerationTokenStatistics'。 設定為 ModelPerformanceSignal 類型的 『ModelPerformance』。 設定為 PredictionDriftMonitoringSignal 類型的 'PredictionDrift'。 “自定義”
“數據漂移”
'數據品質'
'FeatureAttributionDrift' （特徵歸因漂移）
'GenerationSafetyQuality' （一代安全品質）
'GenerationTokenStatistics'
'ModelPerformance'
'PredictionDrift' （必要）

MonitoringSignalBaseProperties

名稱 說明 價值觀

監控目標

名稱 說明 價值觀
deploymentId 此監視器目標部署的 ARM 資源識別碼。 字串
模型ID 此監視器的目標模型之 ARM 資源識別碼。 字串
任務類型 [必要]模型的機器學習工作類型。 '分類'
“問答”
'回歸' （必要）

監控閾值

名稱 說明 價值觀
價值 臨界值。 如果為 null，則設定預設值取決於計量類型。 整數 (int)

MonitoringWorkspaceConnection

名稱 說明 價值觀
環境變數 工作區服務連線的屬性，以在送出的工作中儲存為環境變數。
索引鍵是工作區連線屬性路徑，名稱為環境變數索引鍵。		 MonitoringWorkspaceConnectionEnvironmentVariables
祕密 工作區服務連線的屬性，以在送出的工作中儲存為秘密。
密鑰是工作區連線屬性路徑，名稱為秘密金鑰。		 監控 WorkspaceConnectionSecrets

MonitoringWorkspaceConnectionEnvironmentVariables

名稱 說明 價值觀

監控 WorkspaceConnectionSecrets

名稱 說明 價值觀

MonitorNotificationSettings

名稱 說明 價值觀
emailNotification設置 AML 通知電子郵件設定。 監視器EmailNotificationSettings

監視器ServerlessSparkCompute

名稱 說明 價值觀
計算身份 [必要]在無伺服器 Spark 上執行的 Spark 作業所運用的身分識別配置。 MonitorComputeIdentityBase （必要）
computeType [必要]指定要監視的訊號類型。 'ServerlessSpark' （必要）
instanceType [必要]執行 Spark 作業的實體類型。 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）
runtimeVersion （運行時版本） [必要]Spark 運行時間版本。 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）

MPI

名稱 說明 價值觀
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。 整數 (int)

NCross驗證

名稱 說明 價值觀
模式 針對 AutoNCrossValidations 類型，設定為 『Auto』。 設定為 CustomNCrossValidations 類型的 [自定義]。 '自動'
'Custom' （必要）

NlpFixedParameters

名稱 說明 價值觀
梯度累積步驟 在執行回溯傳遞之前，要累積漸層的步驟數目。 整數 (int)
learningRate 定型程序的學習速率。 整數 (int)
learningRateScheduler 的 訓練程式期間要使用的學習速率排程類型。 “恆定”
'ConstantWithWarmup' （不斷預熱）
'Cosine' 餘弦
'CosineWithRestarts'
“線性”
“無”
'多項式'
型號名稱 要定型的模型名稱。 字串
紀元數 定型 Epoch 的數目。 整數 (int)
trainingBatchSize 定型程式的批次大小。 整數 (int)
validationBatchSize 評估期間要使用的批次大小。 整數 (int)
warmupRatio 熱身比例，與 LrSchedulerType 搭配使用。 整數 (int)
weightDecay （權重衰減） 定型程式的重量衰變。 整數 (int)

NlpParameterSubspace

名稱 說明 價值觀
梯度累積步驟 在執行回溯傳遞之前，要累積漸層的步驟數目。 字串
learningRate 定型程序的學習速率。 字串
learningRateScheduler 的 訓練程式期間要使用的學習速率排程類型。 字串
型號名稱 要定型的模型名稱。 字串
紀元數 定型 Epoch 的數目。 字串
trainingBatchSize 定型程式的批次大小。 字串
validationBatchSize 評估期間要使用的批次大小。 字串
warmupRatio 熱身比例，與 LrSchedulerType 搭配使用。 字串
weightDecay （權重衰減） 定型程式的重量衰變。 字串

NlpSweepSettings

名稱 說明 價值觀
early終止 掃掠作業的早期終止原則類型。 提前終止政策
sampling演算法 [必要]取樣演算法的類型。 “貝氏”
'網格'
'Random' （必要）

NlpVerticalFeaturizationSettings

名稱 說明 價值觀
datasetLanguage 數據集語言，適用於文字數據。 字串

NlpVerticalLimitSettings

名稱 說明 價值觀
maxConcurrentTrials 並行 AutoML 反覆專案上限。 整數 (int)
最大節點數 用於實驗的最大節點。 整數 (int)
maxTrials AutoML 反覆項目的數目。 整數 (int)
超時 AutoML 作業逾時。 字串
trialTimeout （試用超時） 個別 HD 試用版的逾時。 字串

節點

名稱 說明 價值觀
nodesValueType 針對 AllNodes 類型，設定為 'All'。 'All' （必要）

通知設置

名稱 說明 價值觀
電子郵件 在指定的通知類型上傳送電子郵件通知給使用者 包含任何的字串數組：
'JobCancelled' （工作已取消）
'JobCompleted'
“作業失敗”
電子郵件 這是電子郵件收件者清單，其總限製為499個字元，且具有逗號分隔符 字串[]
webhook 將 Webhook 回呼傳送至服務。 機碼是 Webhook 的使用者提供名稱。 NotificationSettingWebhook

NotificationSettingWebhook

名稱 說明 價值觀

NumericalDataDriftMetricThreshold

名稱 說明 價值觀
數據類型 [必要]指定計量閾值的數據類型。 '數值' （必要）
計量 [必要]要計算的數值數據漂移計量。 'JensenShannonDistance'
'NormalizedWassersteinDistance'
'人口穩定性指數'
'TwoSampleKolmogorovSmirnovTest' （必要）

NumericalDataQualityMetricThreshold

名稱 說明 價值觀
數據類型 [必要]指定計量閾值的數據類型。 '數值' （必要）
計量 [必要]要計算的數值數據品質計量。 'DataTypeErrorRate'
'NullValueRate'
'OutOfBoundsRate' （必要）

NumericalPredictionDriftMetricThreshold

名稱 說明 價值觀
數據類型 [必要]指定計量閾值的數據類型。 '數值' （必要）
計量 [必要]要計算的數值預測漂移計量。 'JensenShannonDistance'
'NormalizedWassersteinDistance'
'人口穩定性指數'
'TwoSampleKolmogorovSmirnovTest' （必要）

目的

名稱 說明 價值觀
目標 [必要]定義超參數微調支援的計量目標 “最大化”
'最小化' （必要）
primaryMetric [必要]要優化之計量的名稱。 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）

管道作業

名稱 說明 價值觀
輸入 管線作業的輸入。 管道作業輸入
工作 作業會建構管線作業。 PipelineJobJob 作業
職位類型 [必要]指定作業的類型。 'Pipeline' （必要）
輸出 管線作業的輸出 PipelineJobOutputs
設定 管線設定，適用於 ContinueRunOnStepFailure 等專案。 任何
源作業 ID 來源作業的 ARM 資源識別碼。 字串

管道作業輸入

名稱 說明 價值觀

PipelineJobJob 作業

名稱 說明 價值觀

PipelineJobOutputs

名稱 說明 價值觀

PredictionDriftMetricThresholdBase

名稱 說明 價值觀
數據類型 設定為 CategoricalPredictionDriftMetricThreshold 類型的 'Categorical'。 設定為 [數值] 類型為 [數值][PredictionDriftMetricThreshold]。 '類別'
'數值' （必要）
閾值 臨界值。 如果為 null，則會根據選取的計量來設定預設值。 監控閾值

預測漂移監測信號

名稱 說明 價值觀
featureDataTypeOverride 將特徵名稱對應至其個別數據類型的字典。 PredictionDriftMonitoringSignalFeatureDataTypeOverride
metricThresholds [必要]要計算的計量清單及其相關聯的臨界值。 PredictionDriftMetricThresholdBase[] （必要）
生產數據 [必要]要計算漂移的數據。 MonitoringInputDataBase （必要）
referenceData （引用數據） [必要]要計算漂移的數據。 MonitoringInputDataBase （必要）
信號類型 [必要]指定要監視的訊號類型。 'PredictionDrift' （必要）

PredictionDriftMonitoringSignalFeatureDataTypeOverride

名稱 說明 價值觀

PyTorch

名稱 說明 價值觀
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。 整數 (int)

佇列設置

名稱 說明 價值觀
jobTier 控制計算作業層 “基本”
'Null'
“高級”
'Spot'
“標準”
優先權 控制計算上作業的優先順序。 整數 (int)

RandomSamplingAlgorithm 演算法

名稱 說明 價值觀
日誌庫 選擇性正數或 e 字串格式，以做為以記錄為基礎的隨機取樣基底 字串
規則 隨機演算法的特定類型 '隨機'
“索博爾”
採樣演算法類型 [必要]用來產生超參數值的演算法，以及組態屬性 'Random' （必要）
種子 要作為隨機數產生種子的選擇性整數 整數 (int)

射線

名稱 說明 價值觀
地址 Ray 前端節點的位址。 字串
dashboardPort 要系結儀錶板伺服器的埠。 整數 (int)
distributionType [必要]指定散發架構的類型。 'Ray' （必要）
headNodeAdditionalArgs 傳遞至前端節點中光線啟動的其他自變數。 字串
includeDashboard 提供此自變數以啟動Ray儀錶板 GUI。 布爾 (bool)
傳輸埠 前端光線進程的埠。 整數 (int)
workerNodeAdditionalArgs 傳遞至ray的其他自變數會在背景工作節點中啟動。 字串

RecurrenceSchedule （定期計劃）

名稱 說明 價值觀
小時 [必要]排程的時數清單。 int[] （必要）
紀要 [必要]排程的分鐘數清單。 int[] （必要）
月天 排程的月份天數清單 int[]
平日 排程的天數清單。 包含任何的字串數組：
《星期五》
《星期一》
《星期六》
《星期天》
《星期四》
《星期二》
《星期三》

RecurrenceTrigger 觸發器

名稱 說明 價值觀
頻率 [必要]觸發排程的頻率。 “日”
“小時”
“分鐘”
“月”
'Week' （必要）
間隔 [必要]指定排程間隔與頻率 int （必要）
時間表 週期排程。 RecurrenceSchedule （定期計劃）
triggerType [必要] '週期' （必要）

迴歸

名稱 說明 價值觀
cvSplitColumnNames 要用於 CVSplit 資料的數據行。 字串[]
featurizationSettings AutoML 作業所需的特徵化輸入。 TableVerticalFeaturizationSettings
固定參數 模型/定型參數，在整個定型過程中會維持不變。 TableFixedParameters （表固定參數）
limitSettings AutoMLJob 的執行條件約束。 TableVerticalLimitSettings
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。		 NCross驗證
primaryMetric 回歸工作的主要計量。 'NormalizedMeanAbsoluteError'
'NormalizedRootMeanSquaredError'
'R2Score'
'SpearmanCorrelation'
搜索空間 搜尋空間以取樣模型及其超參數的不同組合。 TableParameterSubspace[]
掃描設置 模型掃掠和超參數微調的設定。 TableSweepSettings （表格掃描設置）
任務類型 [必要]AutoMLJob 的工作類型。 '回歸' （必要）
測試數據 測試數據輸入。 MLTableJobInput
testDataSize 必須為驗證目的而保留的測試數據集分數。
介於 （0.0 、 1.0） 之間的值
未提供驗證數據集時套用。		 整數 (int)
trainingSettings AutoML 作業定型階段的輸入。 回歸訓練設置
validationData （驗證資料） 驗證數據輸入。 MLTableJobInput
validationDataSize 需要為驗證目的預留的定型數據集分數。
介於 （0.0 、 1.0） 之間的值
未提供驗證數據集時套用。		 整數 (int)
權重列名稱 範例權數數據行的名稱。 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

RegressionModelPerformanceMetricThreshold

名稱 說明 價值觀
計量 [必要]要計算的回歸模型效能計量。 'MeanAbsoluteError'
'MeanSquaredError'
'RootMeanSquaredError' （必要）
modelType [必要]指定計量閾值的數據類型。 '回歸' （必要）

回歸訓練設置

名稱 說明 價值觀
allowedTrainingAlgorithms 回歸工作的允許模型。 包含任何的字串數組：
“決策樹”
“彈性網”
'ExtremeRandomTrees'
'梯度提升'
'KNN'
“套索拉斯”
'LightGBM'
'隨機森林'
'新幣'
'XGBoostRegressor'
blockedTrainingAlgorithms 回歸工作的封鎖模型。 包含任何的字串數組：
“決策樹”
“彈性網”
'ExtremeRandomTrees'
'梯度提升'
'KNN'
“套索拉斯”
'LightGBM'
'隨機森林'
'新幣'
'XGBoostRegressor'
enableDnnTraining 啟用 DNN 模型的建議。 布爾 (bool)
enableModelExplainability 在最佳模型上開啟可解釋性的旗標。 布爾 (bool)
enableOnnxCompatibleModels 啟用 onnx 相容模型的旗標。 布爾 (bool)
enableStackEnsemble 啟用堆疊合奏執行。 布爾 (bool)
enableVoteEnsemble 啟用投票合奏執行。 布爾 (bool)
ensembleModelDownloadTimeout 在 VotingEnsemble 和 StackEnsemble 模型產生期間，會下載先前子回合中的多個安裝模型。
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 堆疊合奏執行的堆疊合奏設定。 StackEnsembleSettings
trainingMode TrainingMode 模式 - 設定為 'auto' 與目前將它設定為「非分散式」相同，但未來可能會導致混合模式或啟發學習法模式選取。 預設值為 『auto』。
如果 「分散式」，則只會使用分散式特徵化，並選擇分散式演算法。
如果 『NonDistributed』，則只會選擇非分散式演算法。		 '自動'
“分散式”
'NonDistributed' （非分散式）

ResourceBaseProperties

名稱 說明 價值觀

ResourceBaseProperties

名稱 說明 價值觀

ResourceBaseProperties

名稱 說明 價值觀

ResourceBaseTags

名稱 說明 價值觀

ResourceBaseTags

名稱 說明 價值觀

ResourceBaseTags

名稱 說明 價值觀

ResourceConfigurationProperties

名稱 說明 價值觀

滾動輸入數據

名稱 說明 價值觀
inputDataType （輸入資料類型） [必要]指定要監視的訊號類型。 '滾動' （必要）
預處理元件ID 用來前置處理數據的元件資源的 ARM 資源識別碼。 字串
windowOffset [必要]數據視窗結尾與監視器目前運行時間之間的時間位移。 字串 （必要）
視窗大小 [必要]尾端資料視窗的大小。 字串 （必要）

採樣演算法

名稱 說明 價值觀
採樣演算法類型 針對 BayesianSamplingAlgorithm類型設定為 『Bayesian』。 設定為 GridSamplingAlgorithm 類型的 『Grid』。 設定為 RandomSamplingAlgorithm 類型的 『Random』。 “貝氏”
'網格'
'Random' （必要）

ScheduleActionBase

名稱 說明 價值觀
動作類型 設定為 JobScheduleAction類型的 『CreateJob』。 設定為 CreateMonitorAction 類型的 『CreateMonitor』。 設定為 ImportDataAction 類型的 『ImportData』。 設定為 EndpointScheduleAction 類型的 『InvokeBatchEndpoint』。 “CreateJob”
“創建監視器”
'匯入數據'
'InvokeBatchEndpoint' （必要）

ScheduleProperties （計劃屬性）

名稱 說明 價值觀
動作 [必要]指定排程的動作 ScheduleActionBase （必要）
說明 資產描述文字。 字串
顯示名稱 排程的顯示名稱。 字串
已啟用 是否已啟用排程？ 布爾 (bool)
屬性 資產屬性字典。 ResourceBaseProperties
標記 標記字典。 標記可以新增、移除和更新。 ResourceBaseTags
觸發 [必要]指定觸發程式詳細數據 TriggerBase （必要）

季節性

名稱 說明 價值觀
模式 針對 AutoSeasonality 類型，設定為 [自動]。 針對 CustomSeasonality 類型，設定為 [自定義]。 '自動'
'Custom' （必要）

SecretConfiguration

名稱 說明 價值觀
統一資源識別碼 (URI) 秘密 URI。
範例 URI ： https://myvault.vault.azure.net/secrets/mysecretname/secretversion		 字串
workspaceSecretName （工作區金鑰名稱） 工作區金鑰保存庫中的秘密名稱。 字串

SparkJob

名稱 說明 價值觀
檔案 封存作業中使用的檔案。 字串[]
參數 作業的自變數。 字串
代碼Id [必要]程式代碼資產的 ARM 資源識別碼。 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）
會議 Spark 設定的屬性。 SparkJobConf 函數
輸入 [必要]在作業啟動時要執行的專案。 SparkJobEntry （必要）
環境ID 作業之環境規格的 ARM 資源識別碼。 字串
環境變數 作業中包含的環境變數。 SparkJobEnvironment變數
檔案 作業中使用的檔案。 字串[]
輸入 對應作業中使用的輸入數據系結。 SparkJobInputs
罐子 作業中使用的 Jar 檔案。 字串[]
職位類型 [必要]指定作業的類型。 'Spark' （必要）
輸出 對應作業中使用的輸出數據系結。 SparkJob輸出
py檔 作業中使用的 Python 檔案。 字串[]
queueSettings 作業的佇列設定 佇列設置
資源 作業的計算資源組態。 SparkResourceConfiguration

SparkJobConf 函數

名稱 說明 價值觀

SparkJobEntry

名稱 說明 價值觀
sparkJobEntryType 針對 SparkJobPythonEntry 類型，設定為 'SparkJobPythonEntry'。 針對 SparkJobScalaEntry 類型，設定為 'SparkJobScalaEntry'。 “SparkJobPythonEntry”
'SparkJobScalaEntry' （必要）

SparkJobEnvironment變數

名稱 說明 價值觀

SparkJobInputs

名稱 說明 價值觀

SparkJob輸出

名稱 說明 價值觀

SparkJobPython條目

名稱 說明 價值觀
檔案 [必要]作業進入點的相對 Python 檔案路徑。 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）
sparkJobEntryType [必要]作業進入點的類型。 'SparkJobPythonEntry' （必要）

SparkJobScalaEntry

名稱 說明 價值觀
類別名稱 [必要]做為進入點的 Scala 類別名稱。 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）
sparkJobEntryType [必要]作業進入點的類型。 'SparkJobScalaEntry' （必要）

SparkResourceConfiguration

名稱 說明 價值觀
instanceType 計算目標所支持的選擇性 VM 類型。 字串
runtimeVersion （運行時版本） 用於作業的 Spark 執行時間版本。 字串

StackEnsembleSettings

名稱 說明 價值觀
stackMetaLearnerKWargs 要傳遞至中繼學習模組初始化表達式的選擇性參數。 任何
stackMetaLearnerTrainPercentage 指定要保留用於訓練中繼學習工具的定型集比例（選擇定型和定型類型的訓練類型）。 預設值為 0.2。 整數 (int)
stackMetaLearnerType 中繼學習器是針對個別異質模型輸出定型的模型。 “彈性網”
'ElasticNetCV'
'LightGBMClassifier'
'LightGBMRegressor'
'線性回歸'
'LogisticRegression' （邏輯回歸）
'LogisticRegressionCV'
“無”

StaticInputData （靜態輸入數據）

名稱 說明 價值觀
inputDataType （輸入資料類型） [必要]指定要監視的訊號類型。 'Static' （必要）
預處理元件ID 用來前置處理數據的元件資源的 ARM 資源識別碼。 字串
窗口結束 [必要]數據窗口的結束日期。 字串 （必要）
窗口開始 [必要]數據視窗的開始日期。 字串 （必要）

SweepJob （掃描作業）

名稱 說明 價值觀
componentConfiguration 用於掃掠元件的元件組態 元件配置
early終止 早期終止原則可在完成之前取消執行效能不佳 提前終止政策
輸入 對應作業中使用的輸入數據系結。 SweepJobInputs
職位類型 [必要]指定作業的類型。 '掃掠' （必要）
限制 掃掠作業限制。 SweepJobLimits （掃描作業限制）
目的 [必要]優化目標。 目標 （必要）
輸出 對應作業中使用的輸出數據系結。 SweepJobOutputs （掃描作業輸出）
queueSettings 作業的佇列設定 佇列設置
資源 作業的計算資源組態。 JobResourceConfiguration
sampling演算法 [必要]超參數取樣演算法 SamplingAlgorithm （必要）
搜索空間 [必要]包含每個參數及其散發的字典。 字典索引鍵是參數的名稱 任何 （必要）
試用 [必要]試用版元件定義。 TrialComponent （必要）

SweepJobInputs

名稱 說明 價值觀

SweepJobLimits （掃描作業限制）

名稱 說明 價值觀
jobLimits類型 [必要]JobLimit 類型。 “命令”
'掃掠' （必要）
maxConcurrentTrials 掃掠作業最大並行試用版。 整數 (int)
maxTotalTrials 掃掠作業最大總試用版。 整數 (int)
超時 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 （試用超時） 掃掠作業試用版逾時值。 字串

SweepJobOutputs （掃描作業輸出）

名稱 說明 價值觀

TableFixedParameters （表固定參數）

名稱 說明 價值觀
助推 器 指定提升類型，例如 XGBoost 的 gbdt。 字串
boosting類型 指定提升類型，例如 LightGBM 的 gbdt。 字串
增長策略 指定成長原則，以控制將新節點新增至樹狀結構的方式。 字串
learningRate 定型程序的學習速率。 整數 (int)
最大 Bin 指定貯體連續功能的離散間隔數目上限。 整數 (int)
最大深度 指定明確限制樹狀結構深度的最大深度。 整數 (int)
最大葉數 指定要明確限制樹狀結構的葉數上限。 整數 (int)
minDataInLeaf 的 每個分葉的數據數目下限。 整數 (int)
minSplitGain 最小分度增益 在樹狀結構的分葉節點上進行進一步分割所需的最小遺失減少。 整數 (int)
型號名稱 要定型的模型名稱。 字串
nEstimator 指定模型中的樹狀結構數目（或四捨五入）。 整數 (int)
葉數 指定葉數。 整數 (int)
preprocessorName 要使用的預處理器名稱。 字串
regAlpha 加權的 L1 正規化詞彙。 整數 (int)
regLambda 加權的 L2 正規化詞彙。 整數 (int)
子樣本 定型實例的子取樣比例。 整數 (int)
subsampleFreq 子取樣的頻率。 整數 (int)
treeMethod 指定樹狀結構方法。 字串
withMean 如果為 true，請在使用 StandardScalar 調整數據之前置中。 布爾 (bool)
withStd 如果為 true，請使用 StandardScalar 來調整單位變異數的數據。 布爾 (bool)

TableParameterSubspace

名稱 說明 價值觀
助推 器 指定提升類型，例如 XGBoost 的 gbdt。 字串
boosting類型 指定提升類型，例如 LightGBM 的 gbdt。 字串
增長策略 指定成長原則，以控制將新節點新增至樹狀結構的方式。 字串
learningRate 定型程序的學習速率。 字串
最大 Bin 指定貯體連續功能的離散間隔數目上限。 字串
最大深度 指定明確限制樹狀結構深度的最大深度。 字串
最大葉數 指定要明確限制樹狀結構的葉數上限。 字串
minDataInLeaf 的 每個分葉的數據數目下限。 字串
minSplitGain 最小分度增益 在樹狀結構的分葉節點上進行進一步分割所需的最小遺失減少。 字串
型號名稱 要定型的模型名稱。 字串
nEstimator 指定模型中的樹狀結構數目（或四捨五入）。 字串
葉數 指定葉數。 字串
preprocessorName 要使用的預處理器名稱。 字串
regAlpha 加權的 L1 正規化詞彙。 字串
regLambda 加權的 L2 正規化詞彙。 字串
子樣本 定型實例的子取樣比例。 字串
subsampleFreq 子取樣的頻率 字串
treeMethod 指定樹狀結構方法。 字串
withMean 如果為 true，請在使用 StandardScalar 調整數據之前置中。 字串
withStd 如果為 true，請使用 StandardScalar 來調整單位變異數的數據。 字串

TableSweepSettings （表格掃描設置）

名稱 說明 價值觀
early終止 掃掠作業的早期終止原則類型。 提前終止政策
sampling演算法 [必要]取樣演算法的類型。 “貝氏”
'網格'
'Random' （必要）

TableVerticalFeaturizationSettings

名稱 說明 價值觀
阻塞變壓器 這些轉換器不得用於特徵化。 包含任何的字串數組：
'CatTargetEncoder' （貓目標編碼器）
'CountVectorizer'
'HashOneHotEncoder'
'標籤編碼器'
“天真貝葉斯”
'OneHotEncoder' （一熱編碼器）
'TextTargetEncoder'
'TfIdf'
'WoETargetEncoder' （WoETarget編碼器）
'WordEmbedding' （單詞嵌入）
columnNameAnd類型 數據行名稱及其類型字典（int、float、string、datetime 等）。 TableVerticalFeaturizationSettingsColumnNameAndTypes
datasetLanguage 數據集語言，適用於文字數據。 字串
enableDnnFeaturization 判斷是否要使用 Dnn 型特徵化程式進行數據特徵化。 布爾 (bool)
模式 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，以自定義特徵化的完成方式。		 '自動'
“自定義”
“關閉”
transformer參數 用戶可以指定要搭配套用的其他轉換器，以及要套用它的數據行，以及轉換建構函式的參數。 TableVerticalFeaturizationSettingsTransformerParams

TableVerticalFeaturizationSettingsColumnNameAndTypes

名稱 說明 價值觀

TableVerticalFeaturizationSettingsTransformerParams

名稱 說明 價值觀

TableVerticalLimitSettings

名稱 說明 價值觀
enableEarlyTermination 啟用提早終止，判斷如果過去 20 個反覆項目沒有分數改善，AutoMLJob 是否會提早終止。 布爾 (bool)
退出評分 AutoML 作業的結束分數。 整數 (int)
maxConcurrentTrials 並行反覆運算數上限。 整數 (int)
maxCoresPerTrial 每個反覆專案的核心數上限。 整數 (int)
最大節點數 用於實驗的最大節點。 整數 (int)
maxTrials 反覆項目的數目。 整數 (int)
sweepConcurrentTrials 使用者想要觸發的並行掃掠執行數目。 整數 (int)
sweepTrials 使用者想要觸發的掃掠執行次數。 整數 (int)
超時 AutoML 作業逾時。 字串
trialTimeout （試用超時） 反覆專案逾時。 字串

目標滯後

名稱 說明 價值觀
模式 針對 AutoTargetLags 類型設定為 『Auto』。 設定為 CustomTargetLags 類型的 [自定義]。 '自動'
'Custom' （必要）

TargetRollingWindowSize

名稱 說明 價值觀
模式 針對 AutoTargetRollingWindowSize 類型，設定為 『Auto』。 針對 CustomTargetRollingWindowSize 類型設定為 『Custom』。 '自動'
'Custom' （必要）

TensorFlow

名稱 說明 價值觀
distributionType [必要]指定散發架構的類型。 'TensorFlow' （必要）
parameterServerCount 參數伺服器工作的數目。 整數 (int)
workerCount 工人計數 工人人數。 如果未指定，則會預設為實例計數。 整數 (int)

文本分類

名稱 說明 價值觀
featurizationSettings AutoML 作業所需的特徵化輸入。 NlpVerticalFeaturizationSettings
固定參數 模型/定型參數，在整個定型過程中會維持不變。 NlpFixedParameters
limitSettings AutoMLJob 的執行條件約束。 NlpVerticalLimitSettings
primaryMetric Text-Classification 工作的主要計量。 '精確度'
'AUCWeighted'
'AveragePrecisionScoreWeighted'
'NormMacroRecall' （規範巨集調用）
'PrecisionScoreWeighted'
搜索空間 搜尋空間以取樣模型及其超參數的不同組合。 NlpParameterSubspace[]
掃描設置 模型掃掠和超參數微調的設定。 NlpSweepSettings
任務類型 [必要]AutoMLJob 的工作類型。 'TextClassification' （必要）
validationData （驗證資料） 驗證數據輸入。 MLTableJobInput

TextClassificationMultilabel

名稱 說明 價值觀
featurizationSettings AutoML 作業所需的特徵化輸入。 NlpVerticalFeaturizationSettings
固定參數 模型/定型參數，在整個定型過程中會維持不變。 NlpFixedParameters
limitSettings AutoMLJob 的執行條件約束。 NlpVerticalLimitSettings
搜索空間 搜尋空間以取樣模型及其超參數的不同組合。 NlpParameterSubspace[]
掃描設置 模型掃掠和超參數微調的設定。 NlpSweepSettings
任務類型 [必要]AutoMLJob 的工作類型。 'TextClassificationMultilabel' （必要）
validationData （驗證資料） 驗證數據輸入。 MLTableJobInput

TextNer （文字產生器）

名稱 說明 價值觀
featurizationSettings AutoML 作業所需的特徵化輸入。 NlpVerticalFeaturizationSettings
固定參數 模型/定型參數，在整個定型過程中會維持不變。 NlpFixedParameters
limitSettings AutoMLJob 的執行條件約束。 NlpVerticalLimitSettings
搜索空間 搜尋空間以取樣模型及其超參數的不同組合。 NlpParameterSubspace[]
掃描設置 模型掃掠和超參數微調的設定。 NlpSweepSettings
任務類型 [必要]AutoMLJob 的工作類型。 'TextNER' （必要）
validationData （驗證資料） 驗證數據輸入。 MLTableJobInput

TopNFeaturesByAttribution

名稱 說明 價值觀
filterType （過濾器類型） [必要]指定要在選取要計算計量的功能時運用的功能篩選。 'TopNByAttribution' （必要）
返回頁首 要包含的最上層功能數目。 整數 (int)

TrialComponent （試用元件）

名稱 說明 價值觀
代碼Id 程式代碼資產的 ARM 資源識別碼。 字串
指令 [必要]在作業啟動時執行的命令。 例如 “python train.py” 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）
分配 作業的散發組態。 如果設定，這應該是其中一個 Mpi、Tensorflow、PyTorch 或 null。 分發配置
環境ID [必要]作業之環境規格的 ARM 資源識別碼。 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）
環境變數 作業中包含的環境變數。 TrialComponentEnvironmentVariables
資源 作業的計算資源組態。 JobResourceConfiguration

TrialComponentEnvironmentVariables

名稱 說明 價值觀

觸發器庫

名稱 說明 價值觀
結束時間 指定 ISO 8601 中的排程結束時間，但不含 UTC 位移。 請參閱 https://en.wikipedia.org/wiki/ISO_8601。
重新批注的格式會是 “2022-06-01T00：00：01”
如果沒有，排程將會無限期執行		 字串
開始時間 以 ISO 8601 格式指定排程的開始時間，但不含 UTC 位移。 字串
時區 指定排程執行所在的時區。
TimeZone應遵循 Windows 時區格式。 請參閱：/windows-hardware/manufacture/desktop/default-time-zones？view=windows-11		 字串
triggerType 設定為 CronTrigger 類型的 『Cron』。 將類型 RecurrenceTrigger 設定為 『RecurrenceTrigger』。 'Cron'
'週期' （必要）

TritonModelJobInput

名稱 說明 價值觀
jobInputType （作業輸入類型） [必要]指定作業的類型。 'triton_model' （必要）
模式 輸入資產傳遞模式。 “直接”
'下載'
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
“ReadWriteMount”
統一資源識別碼 (URI) [必要]輸入資產 URI。 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）

TritonModelJobOutput

名稱 說明 價值觀
assetName （資產名稱） 輸出資產名稱。 字串
assetVersion （資產版本） 輸出資產版本。 字串
autoDelete設置 自動刪除輸出數據資產的設定。 自動刪除設置
jobOutputType [必要]指定作業的類型。 'triton_model' （必要）
模式 輸出資產傳遞模式。 “直接”
“ReadWriteMount”
'上傳'
統一資源識別碼 (URI) 輸出資產 URI。 字串

截斷選擇策略 (TruncationSelectionPolicy)

名稱 說明 價值觀
policyType [必要]原則設定的名稱 'TruncationSelection' （必要）
截斷百分比 要在每個評估間隔取消的執行百分比。 整數 (int)

UriFileJobInput

名稱 說明 價值觀
jobInputType （作業輸入類型） [必要]指定作業的類型。 'uri_file' （必要）
模式 輸入資產傳遞模式。 “直接”
'下載'
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
“ReadWriteMount”
統一資源識別碼 (URI) [必要]輸入資產 URI。 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）

UriFileJobOutput

名稱 說明 價值觀
assetName （資產名稱） 輸出資產名稱。 字串
assetVersion （資產版本） 輸出資產版本。 字串
autoDelete設置 自動刪除輸出數據資產的設定。 自動刪除設置
jobOutputType [必要]指定作業的類型。 'uri_file' （必要）
模式 輸出資產傳遞模式。 “直接”
“ReadWriteMount”
'上傳'
統一資源識別碼 (URI) 輸出資產 URI。 字串

UriFolderJobInput

名稱 說明 價值觀
jobInputType （作業輸入類型） [必要]指定作業的類型。 'uri_folder' （必要）
模式 輸入資產傳遞模式。 “直接”
'下載'
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
“ReadWriteMount”
統一資源識別碼 (URI) [必要]輸入資產 URI。 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）

UriFolderJobOutput

名稱 說明 價值觀
assetName （資產名稱） 輸出資產名稱。 字串
assetVersion （資產版本） 輸出資產版本。 字串
autoDelete設置 自動刪除輸出數據資產的設定。 自動刪除設置
jobOutputType [必要]指定作業的類型。 'uri_folder' （必要）
模式 輸出資產傳遞模式。 “直接”
“ReadWriteMount”
'上傳'
統一資源識別碼 (URI) 輸出資產 URI。 字串

UserAssignedIdentities

名稱 說明 價值觀

UserAssignedIdentity

名稱 說明 價值觀

使用者身份

名稱 說明 價值觀
身份類型 [必要]指定身分識別架構的類型。 'UserIdentity' （必要）

Webhook

名稱 說明 價值觀
事件類型 在指定的通知事件上傳送回呼 字串
webhook類型 針對 AzureDevOpsWebhook 類型，設定為 『AzureDevOps』。 'AzureDevOps' （必要）

ARM 樣本資源定義

工作區/排程資源類型可以使用目標作業來部署：

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/schedules 資源，請將下列 JSON 新增至範本。

{
  "type": "Microsoft.MachineLearningServices/workspaces/schedules",
  "apiVersion": "2023-08-01-preview",
  "name": "string",
  "properties": {
    "action": {
      "actionType": "string"
      // For remaining properties, see ScheduleActionBase objects
    },
    "description": "string",
    "displayName": "string",
    "isEnabled": "bool",
    "properties": {
      "{customized property}": "string"
    },
    "tags": {
      "{customized property}": "string"
    },
    "trigger": {
      "endTime": "string",
      "startTime": "string",
      "timeZone": "string",
      "triggerType": "string"
      // For remaining properties, see TriggerBase objects
    }
  }
}

TriggerBase 物件

設定 triggerType 屬性以指定物件的類型。

針對 Cron，請使用：

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

針對 [週期]，請使用：

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

MonitoringFeatureFilterBase 物件

設定 filterType 屬性以指定物件的類型。

針對 AllFeatures，請使用：

{
  "filterType": "AllFeatures"
}

針對 FeatureSubset，請使用：

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

針對 TopNByAttribution，請使用：

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

MonitoringSignalBase 物件

設定 signalType 屬性以指定物件的類型。

針對 [自定義]，請使用：

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

針對 DataDrift，請使用：

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

針對 DataQuality，請使用：

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

針對 FeatureAttributionDrift，請使用：

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

針對 GenerationSafetyQuality，請使用：

{
  "metricThresholds": [
    {
      "metric": "string",
      "threshold": {
        "value": "int"
      }
    }
  ],
  "productionData": [ {
    "columns": {
      "{customized property}": "string"
    },
    "dataContext": "string",
    "jobInputType": "string",
    "uri": "string",
    "inputDataType": "string"
    // For remaining properties, see MonitoringInputDataBase objects
  } ],
  "samplingRate": "int",
  "signalType": "GenerationSafetyQuality",
  "workspaceConnectionId": "string"
}

針對 GenerationTokenStatistics，請使用：

{
  "metricThresholds": [
    {
      "metric": "string",
      "threshold": {
        "value": "int"
      }
    }
  ],
  "productionData": [ {
    "columns": {
      "{customized property}": "string"
    },
    "dataContext": "string",
    "jobInputType": "string",
    "uri": "string",
    "inputDataType": "string"
    // For remaining properties, see MonitoringInputDataBase objects
  } ],
  "samplingRate": "int",
  "signalType": "GenerationTokenStatistics"
}

針對 ModelPerformance，請使用：

{
  "dataSegment": {
    "feature": "string",
    "values": [ "string" ]
  },
  "metricThreshold": {
    "threshold": {
      "value": "int"
    },
    "modelType": "string"
    // For remaining properties, see ModelPerformanceMetricThresholdBase objects
  },
  "productionData": [ {
    "columns": {
      "{customized property}": "string"
    },
    "dataContext": "string",
    "jobInputType": "string",
    "uri": "string",
    "inputDataType": "string"
    // For remaining properties, see MonitoringInputDataBase objects
  } ],
  "referenceData": {
    "columns": {
      "{customized property}": "string"
    },
    "dataContext": "string",
    "jobInputType": "string",
    "uri": "string",
    "inputDataType": "string"
    // For remaining properties, see MonitoringInputDataBase objects
  },
  "signalType": "ModelPerformance"
}

針對 PredictionDrift，請使用：

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

MonitorComputeIdentityBase 物件

設定 computeIdentityType 屬性以指定對象的類型。

針對 AmlToken，請使用：

{
  "computeIdentityType": "AmlToken"
}

針對 ManagedIdentity，請使用：

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

JobBaseProperties 物件

設定 jobType 屬性以指定物件的類型。

針對 AutoML，請使用：

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

針對 [命令]，請使用：

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

針對 標籤，請使用：

{
  "dataConfiguration": {
    "dataId": "string",
    "incrementalDataRefresh": "string"
  },
  "jobInstructions": {
    "uri": "string"
  },
  "jobType": "Labeling",
  "labelCategories": {
    "{customized property}": {
      "classes": {
        "{customized property}": {
          "displayName": "string",
          "subclasses": {
            "{customized property}": ...
          }
        }
      },
      "displayName": "string",
      "multiSelect": "string"
    }
  },
  "labelingJobMediaProperties": {
    "mediaType": "string"
    // For remaining properties, see LabelingJobMediaProperties objects
  },
  "mlAssistConfiguration": {
    "mlAssist": "string"
    // For remaining properties, see MLAssistConfiguration objects
  }
}

針對 管線，請使用：

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

針對 Spark，請使用：

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

針對 掃掠，請使用：

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

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 [截斷][選取]，請使用：

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

MonitoringInputDataBase 物件

設定 inputDataType 屬性以指定物件的類型。

針對 [已修正]，請使用：

{
  "inputDataType": "Fixed"
}

針對 滾動，請使用：

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

針對 Static，請使用：

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

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

MonitorComputeConfigurationBase 物件

設定 computeType 屬性，以指定物件的類型。

針對 ServerlessSpark，請使用：

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

DataImportSource 物件

設定 sourceType 屬性 ，以指定物件的類型。

針對 資料庫，請使用：

{
  "query": "string",
  "sourceType": "database",
  "storedProcedure": "string",
  "storedProcedureParams": [
    {
      "{customized property}": "string"
    }
  ],
  "tableName": "string"
}

針對 file_system，請使用：

{
  "path": "string",
  "sourceType": "file_system"
}

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"
}

DataQualityMetricThresholdBase 物件

設定 dataType 屬性，以指定物件的類型。

針對 類別，請使用：

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

針對 數值，請使用：

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

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：

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

針對 UserIdentity，請使用：

{
  "identityType": "UserIdentity"
}

JobInput 物件

設定 jobInputType 屬性以指定物件的類型。

針對 custom_model，請使用：

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

針對 常值，請使用：

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

針對 mlflow_model，請使用：

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

針對 mltable，請使用：

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

針對 triton_model，請使用：

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

針對 uri_file，請使用：

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

針對 uri_folder，請使用：

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

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"
}

Webhook 物件

設定 webhookType 屬性以指定物件的類型。

針對 AzureDevOps，請使用：

{
  "webhookType": "AzureDevOps"
}

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 Ray，請使用：

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

針對 TensorFlow，請使用：

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

SparkJobEntry 物件

設定 sparkJobEntryType 屬性以指定物件的類型。

針對 SparkJobPythonEntry，請使用：

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

針對 SparkJobScalaEntry，請使用：

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

ModelPerformanceMetricThresholdBase 物件

設定 modelType 屬性以指定物件的類型。

針對 [分類]，請使用：

{
  "metric": "string",
  "modelType": "Classification"
}

針對 回歸，請使用：

{
  "metric": "string",
  "modelType": "Regression"
}

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" ]
}

JobOutput 物件

設定 jobOutputType 屬性以指定對象的類型。

針對 custom_model，請使用：

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

針對 mlflow_model，請使用：

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

針對 mltable，請使用：

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

針對 triton_model，請使用：

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

針對 uri_file，請使用：

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

針對 uri_folder，請使用：

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

PredictionDriftMetricThresholdBase 物件

設定 dataType 屬性，以指定物件的類型。

針對 類別，請使用：

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

針對 數值，請使用：

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

AutoMLVertical 物件

設定 taskType 屬性以指定物件的類型。

針對 [分類]，請使用：

{
  "cvSplitColumnNames": [ "string" ],
  "featurizationSettings": {
    "blockedTransformers": [ "string" ],
    "columnNameAndTypes": {
      "{customized property}": "string"
    },
    "datasetLanguage": "string",
    "enableDnnFeaturization": "bool",
    "mode": "string",
    "transformerParams": {
      "{customized property}": [
        {
          "fields": [ "string" ],
          "parameters": {}
        }
      ]
    }
  },
  "fixedParameters": {
    "booster": "string",
    "boostingType": "string",
    "growPolicy": "string",
    "learningRate": "int",
    "maxBin": "int",
    "maxDepth": "int",
    "maxLeaves": "int",
    "minDataInLeaf": "int",
    "minSplitGain": "int",
    "modelName": "string",
    "nEstimators": "int",
    "numLeaves": "int",
    "preprocessorName": "string",
    "regAlpha": "int",
    "regLambda": "int",
    "subsample": "int",
    "subsampleFreq": "int",
    "treeMethod": "string",
    "withMean": "bool",
    "withStd": "bool"
  },
  "limitSettings": {
    "enableEarlyTermination": "bool",
    "exitScore": "int",
    "maxConcurrentTrials": "int",
    "maxCoresPerTrial": "int",
    "maxNodes": "int",
    "maxTrials": "int",
    "sweepConcurrentTrials": "int",
    "sweepTrials": "int",
    "timeout": "string",
    "trialTimeout": "string"
  },
  "nCrossValidations": {
    "mode": "string"
    // For remaining properties, see NCrossValidations objects
  },
  "positiveLabel": "string",
  "primaryMetric": "string",
  "searchSpace": [
    {
      "booster": "string",
      "boostingType": "string",
      "growPolicy": "string",
      "learningRate": "string",
      "maxBin": "string",
      "maxDepth": "string",
      "maxLeaves": "string",
      "minDataInLeaf": "string",
      "minSplitGain": "string",
      "modelName": "string",
      "nEstimators": "string",
      "numLeaves": "string",
      "preprocessorName": "string",
      "regAlpha": "string",
      "regLambda": "string",
      "subsample": "string",
      "subsampleFreq": "string",
      "treeMethod": "string",
      "withMean": "string",
      "withStd": "string"
    }
  ],
  "sweepSettings": {
    "earlyTermination": {
      "delayEvaluation": "int",
      "evaluationInterval": "int",
      "policyType": "string"
      // For remaining properties, see EarlyTerminationPolicy objects
    },
    "samplingAlgorithm": "string"
  },
  "taskType": "Classification",
  "testData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  },
  "testDataSize": "int",
  "trainingSettings": {
    "allowedTrainingAlgorithms": [ "string" ],
    "blockedTrainingAlgorithms": [ "string" ],
    "enableDnnTraining": "bool",
    "enableModelExplainability": "bool",
    "enableOnnxCompatibleModels": "bool",
    "enableStackEnsemble": "bool",
    "enableVoteEnsemble": "bool",
    "ensembleModelDownloadTimeout": "string",
    "stackEnsembleSettings": {
      "stackMetaLearnerKWargs": {},
      "stackMetaLearnerTrainPercentage": "int",
      "stackMetaLearnerType": "string"
    },
    "trainingMode": "string"
  },
  "validationData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  },
  "validationDataSize": "int",
  "weightColumnName": "string"
}

針對 預測，請使用：

{
  "cvSplitColumnNames": [ "string" ],
  "featurizationSettings": {
    "blockedTransformers": [ "string" ],
    "columnNameAndTypes": {
      "{customized property}": "string"
    },
    "datasetLanguage": "string",
    "enableDnnFeaturization": "bool",
    "mode": "string",
    "transformerParams": {
      "{customized property}": [
        {
          "fields": [ "string" ],
          "parameters": {}
        }
      ]
    }
  },
  "fixedParameters": {
    "booster": "string",
    "boostingType": "string",
    "growPolicy": "string",
    "learningRate": "int",
    "maxBin": "int",
    "maxDepth": "int",
    "maxLeaves": "int",
    "minDataInLeaf": "int",
    "minSplitGain": "int",
    "modelName": "string",
    "nEstimators": "int",
    "numLeaves": "int",
    "preprocessorName": "string",
    "regAlpha": "int",
    "regLambda": "int",
    "subsample": "int",
    "subsampleFreq": "int",
    "treeMethod": "string",
    "withMean": "bool",
    "withStd": "bool"
  },
  "forecastingSettings": {
    "countryOrRegionForHolidays": "string",
    "cvStepSize": "int",
    "featureLags": "string",
    "featuresUnknownAtForecastTime": [ "string" ],
    "forecastHorizon": {
      "mode": "string"
      // For remaining properties, see ForecastHorizon objects
    },
    "frequency": "string",
    "seasonality": {
      "mode": "string"
      // For remaining properties, see Seasonality objects
    },
    "shortSeriesHandlingConfig": "string",
    "targetAggregateFunction": "string",
    "targetLags": {
      "mode": "string"
      // For remaining properties, see TargetLags objects
    },
    "targetRollingWindowSize": {
      "mode": "string"
      // For remaining properties, see TargetRollingWindowSize objects
    },
    "timeColumnName": "string",
    "timeSeriesIdColumnNames": [ "string" ],
    "useStl": "string"
  },
  "limitSettings": {
    "enableEarlyTermination": "bool",
    "exitScore": "int",
    "maxConcurrentTrials": "int",
    "maxCoresPerTrial": "int",
    "maxNodes": "int",
    "maxTrials": "int",
    "sweepConcurrentTrials": "int",
    "sweepTrials": "int",
    "timeout": "string",
    "trialTimeout": "string"
  },
  "nCrossValidations": {
    "mode": "string"
    // For remaining properties, see NCrossValidations objects
  },
  "primaryMetric": "string",
  "searchSpace": [
    {
      "booster": "string",
      "boostingType": "string",
      "growPolicy": "string",
      "learningRate": "string",
      "maxBin": "string",
      "maxDepth": "string",
      "maxLeaves": "string",
      "minDataInLeaf": "string",
      "minSplitGain": "string",
      "modelName": "string",
      "nEstimators": "string",
      "numLeaves": "string",
      "preprocessorName": "string",
      "regAlpha": "string",
      "regLambda": "string",
      "subsample": "string",
      "subsampleFreq": "string",
      "treeMethod": "string",
      "withMean": "string",
      "withStd": "string"
    }
  ],
  "sweepSettings": {
    "earlyTermination": {
      "delayEvaluation": "int",
      "evaluationInterval": "int",
      "policyType": "string"
      // For remaining properties, see EarlyTerminationPolicy objects
    },
    "samplingAlgorithm": "string"
  },
  "taskType": "Forecasting",
  "testData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  },
  "testDataSize": "int",
  "trainingSettings": {
    "allowedTrainingAlgorithms": [ "string" ],
    "blockedTrainingAlgorithms": [ "string" ],
    "enableDnnTraining": "bool",
    "enableModelExplainability": "bool",
    "enableOnnxCompatibleModels": "bool",
    "enableStackEnsemble": "bool",
    "enableVoteEnsemble": "bool",
    "ensembleModelDownloadTimeout": "string",
    "stackEnsembleSettings": {
      "stackMetaLearnerKWargs": {},
      "stackMetaLearnerTrainPercentage": "int",
      "stackMetaLearnerType": "string"
    },
    "trainingMode": "string"
  },
  "validationData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  },
  "validationDataSize": "int",
  "weightColumnName": "string"
}

針對 ImageClassification，請使用：

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

針對 ImageClassificationMultilabel，請使用：

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

針對 ImageInstanceSegmentation，請使用：

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

針對 ImageObjectDetection，請使用：

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

針對 回歸，請使用：

{
  "cvSplitColumnNames": [ "string" ],
  "featurizationSettings": {
    "blockedTransformers": [ "string" ],
    "columnNameAndTypes": {
      "{customized property}": "string"
    },
    "datasetLanguage": "string",
    "enableDnnFeaturization": "bool",
    "mode": "string",
    "transformerParams": {
      "{customized property}": [
        {
          "fields": [ "string" ],
          "parameters": {}
        }
      ]
    }
  },
  "fixedParameters": {
    "booster": "string",
    "boostingType": "string",
    "growPolicy": "string",
    "learningRate": "int",
    "maxBin": "int",
    "maxDepth": "int",
    "maxLeaves": "int",
    "minDataInLeaf": "int",
    "minSplitGain": "int",
    "modelName": "string",
    "nEstimators": "int",
    "numLeaves": "int",
    "preprocessorName": "string",
    "regAlpha": "int",
    "regLambda": "int",
    "subsample": "int",
    "subsampleFreq": "int",
    "treeMethod": "string",
    "withMean": "bool",
    "withStd": "bool"
  },
  "limitSettings": {
    "enableEarlyTermination": "bool",
    "exitScore": "int",
    "maxConcurrentTrials": "int",
    "maxCoresPerTrial": "int",
    "maxNodes": "int",
    "maxTrials": "int",
    "sweepConcurrentTrials": "int",
    "sweepTrials": "int",
    "timeout": "string",
    "trialTimeout": "string"
  },
  "nCrossValidations": {
    "mode": "string"
    // For remaining properties, see NCrossValidations objects
  },
  "primaryMetric": "string",
  "searchSpace": [
    {
      "booster": "string",
      "boostingType": "string",
      "growPolicy": "string",
      "learningRate": "string",
      "maxBin": "string",
      "maxDepth": "string",
      "maxLeaves": "string",
      "minDataInLeaf": "string",
      "minSplitGain": "string",
      "modelName": "string",
      "nEstimators": "string",
      "numLeaves": "string",
      "preprocessorName": "string",
      "regAlpha": "string",
      "regLambda": "string",
      "subsample": "string",
      "subsampleFreq": "string",
      "treeMethod": "string",
      "withMean": "string",
      "withStd": "string"
    }
  ],
  "sweepSettings": {
    "earlyTermination": {
      "delayEvaluation": "int",
      "evaluationInterval": "int",
      "policyType": "string"
      // For remaining properties, see EarlyTerminationPolicy objects
    },
    "samplingAlgorithm": "string"
  },
  "taskType": "Regression",
  "testData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  },
  "testDataSize": "int",
  "trainingSettings": {
    "allowedTrainingAlgorithms": [ "string" ],
    "blockedTrainingAlgorithms": [ "string" ],
    "enableDnnTraining": "bool",
    "enableModelExplainability": "bool",
    "enableOnnxCompatibleModels": "bool",
    "enableStackEnsemble": "bool",
    "enableVoteEnsemble": "bool",
    "ensembleModelDownloadTimeout": "string",
    "stackEnsembleSettings": {
      "stackMetaLearnerKWargs": {},
      "stackMetaLearnerTrainPercentage": "int",
      "stackMetaLearnerType": "string"
    },
    "trainingMode": "string"
  },
  "validationData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  },
  "validationDataSize": "int",
  "weightColumnName": "string"
}

針對 TextClassification，請使用：

{
  "featurizationSettings": {
    "datasetLanguage": "string"
  },
  "fixedParameters": {
    "gradientAccumulationSteps": "int",
    "learningRate": "int",
    "learningRateScheduler": "string",
    "modelName": "string",
    "numberOfEpochs": "int",
    "trainingBatchSize": "int",
    "validationBatchSize": "int",
    "warmupRatio": "int",
    "weightDecay": "int"
  },
  "limitSettings": {
    "maxConcurrentTrials": "int",
    "maxNodes": "int",
    "maxTrials": "int",
    "timeout": "string",
    "trialTimeout": "string"
  },
  "primaryMetric": "string",
  "searchSpace": [
    {
      "gradientAccumulationSteps": "string",
      "learningRate": "string",
      "learningRateScheduler": "string",
      "modelName": "string",
      "numberOfEpochs": "string",
      "trainingBatchSize": "string",
      "validationBatchSize": "string",
      "warmupRatio": "string",
      "weightDecay": "string"
    }
  ],
  "sweepSettings": {
    "earlyTermination": {
      "delayEvaluation": "int",
      "evaluationInterval": "int",
      "policyType": "string"
      // For remaining properties, see EarlyTerminationPolicy objects
    },
    "samplingAlgorithm": "string"
  },
  "taskType": "TextClassification",
  "validationData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  }
}

針對 TextClassificationMultilabel，請使用：

{
  "featurizationSettings": {
    "datasetLanguage": "string"
  },
  "fixedParameters": {
    "gradientAccumulationSteps": "int",
    "learningRate": "int",
    "learningRateScheduler": "string",
    "modelName": "string",
    "numberOfEpochs": "int",
    "trainingBatchSize": "int",
    "validationBatchSize": "int",
    "warmupRatio": "int",
    "weightDecay": "int"
  },
  "limitSettings": {
    "maxConcurrentTrials": "int",
    "maxNodes": "int",
    "maxTrials": "int",
    "timeout": "string",
    "trialTimeout": "string"
  },
  "searchSpace": [
    {
      "gradientAccumulationSteps": "string",
      "learningRate": "string",
      "learningRateScheduler": "string",
      "modelName": "string",
      "numberOfEpochs": "string",
      "trainingBatchSize": "string",
      "validationBatchSize": "string",
      "warmupRatio": "string",
      "weightDecay": "string"
    }
  ],
  "sweepSettings": {
    "earlyTermination": {
      "delayEvaluation": "int",
      "evaluationInterval": "int",
      "policyType": "string"
      // For remaining properties, see EarlyTerminationPolicy objects
    },
    "samplingAlgorithm": "string"
  },
  "taskType": "TextClassificationMultilabel",
  "validationData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  }
}

針對 TextNER，請使用：

{
  "featurizationSettings": {
    "datasetLanguage": "string"
  },
  "fixedParameters": {
    "gradientAccumulationSteps": "int",
    "learningRate": "int",
    "learningRateScheduler": "string",
    "modelName": "string",
    "numberOfEpochs": "int",
    "trainingBatchSize": "int",
    "validationBatchSize": "int",
    "warmupRatio": "int",
    "weightDecay": "int"
  },
  "limitSettings": {
    "maxConcurrentTrials": "int",
    "maxNodes": "int",
    "maxTrials": "int",
    "timeout": "string",
    "trialTimeout": "string"
  },
  "searchSpace": [
    {
      "gradientAccumulationSteps": "string",
      "learningRate": "string",
      "learningRateScheduler": "string",
      "modelName": "string",
      "numberOfEpochs": "string",
      "trainingBatchSize": "string",
      "validationBatchSize": "string",
      "warmupRatio": "string",
      "weightDecay": "string"
    }
  ],
  "sweepSettings": {
    "earlyTermination": {
      "delayEvaluation": "int",
      "evaluationInterval": "int",
      "policyType": "string"
      // For remaining properties, see EarlyTerminationPolicy objects
    },
    "samplingAlgorithm": "string"
  },
  "taskType": "TextNER",
  "validationData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  }
}

Nodes 物件

設定 nodesValueType 屬性以指定對象的類型。

針對 [全部]，請使用：

{
  "nodesValueType": "All"
}

ScheduleActionBase 物件

設定 actionType 屬性，以指定物件的類型。

針對 CreateJob，請使用：

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

針對 CreateMonitor，請使用：

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

針對 ImportData，請使用：

{
  "actionType": "ImportData",
  "dataImportDefinition": {
    "assetName": "string",
    "autoDeleteSetting": {
      "condition": "string",
      "value": "string"
    },
    "dataType": "string",
    "dataUri": "string",
    "description": "string",
    "intellectualProperty": {
      "protectionLevel": "string",
      "publisher": "string"
    },
    "isAnonymous": "bool",
    "isArchived": "bool",
    "properties": {
      "{customized property}": "string"
    },
    "source": {
      "connection": "string",
      "sourceType": "string"
      // For remaining properties, see DataImportSource objects
    },
    "stage": "string",
    "tags": {
      "{customized property}": "string"
    }
  }
}

針對 InvokeBatchEndpoint，請使用：

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

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"
}

MLAssistConfiguration 物件

設定 mlAssist 屬性以指定物件的類型。

針對 [停用]，請使用：

{
  "mlAssist": "Disabled"
}

針對 [已啟用]，請使用：

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

DataDriftMetricThresholdBase 物件

設定 dataType 屬性，以指定物件的類型。

針對 類別，請使用：

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

針對 數值，請使用：

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

LabelingJobMediaProperties 物件

設定 mediaType 屬性，以指定物件的類型。

針對 Image，請使用：

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

針對 Text，請使用：

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

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"
}

屬性值

Microsoft.MachineLearningServices/workspaces/schedules

名稱 說明 價值觀
apiVersion API 版本 “2023-08-01-預覽”
名稱 資源名稱 字串

約束：
模式 = ^[a-zA-Z0-9][a-zA-Z0-9\-_]{0,254}$ （必要）
屬性 [必要]實體的其他屬性。 ScheduleProperties （必要）
型別 資源類型 “Microsoft.MachineLearningServices/workspaces/schedules”

全部功能

名稱 說明 價值觀
filterType （過濾器類型） [必要]指定要在選取要計算計量的功能時運用的功能篩選。 'AllFeatures' （必要）

所有節點

名稱 說明 價值觀
nodesValueType [必要]Nodes 值的類型 'All' （必要）

AmlToken

名稱 說明 價值觀
身份類型 [必要]指定身分識別架構的類型。 'AMLToken' （必要）

AmlTokenComputeIdentity

名稱 說明 價值觀
computeIdentityType [必要]監視計算識別類型列舉。 'AmlToken' （必要）

自動刪除設置

名稱 說明 價值觀
條件 何時檢查資產是否已過期 'CreatedGreaterThan'
'LastAccessedGreaterThan'
價值 到期條件值。 字串

自動預測地平線

名稱 說明 價值觀
模式 [必要]設定預測地平線值選取模式。 'Auto' （必要）

Autologger 設置

名稱 說明 價值觀
mlflow自動記錄器 [必要]指出是否啟用mlflow自動記錄器。 “已禁用”
'Enabled' （必要）

AutoMLJob

名稱 說明 價值觀
環境ID 作業之環境規格的 ARM 資源識別碼。
如果未提供，這是選擇性的值，AutoML 會在執行作業時，將此預設為 Production AutoML 策展環境版本。		 字串
環境變數 作業中包含的環境變數。 AutoMLJobEnvironmentVariables
職位類型 [必要]指定作業的類型。 'AutoML' （必要）
輸出 對應作業中使用的輸出數據系結。 AutoMLJob 輸出
queueSettings 作業的佇列設定 佇列設置
資源 作業的計算資源組態。 JobResourceConfiguration
taskDetails [必要]這代表可以是其中一個數據表/NLP/Image 的案例 AutoMLVertical （必要）

AutoMLJobEnvironmentVariables

名稱 說明 價值觀

AutoMLJob 輸出

名稱 說明 價值觀

AutoMLVertical

名稱 說明 價值觀
logVerbosity （對數詳細程度） 作業的記錄詳細資訊。 “嚴重”
“調試”
“錯誤”
'資訊'
'NotSet'
“警告”
targetColumnName 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
任務類型 設定為 [分類] 類型為 [ 分類]。 設定為 [預測] 類型為 [ 預測]。 設定為 ImageClassification 類型的 『ImageClassification』。 設定為 ImageClassificationMultilabel 類型的 'ImageClassificationMultilabel'。 針對 ImageInstanceSegmentation 類型，設定為 'ImageInstanceSegmentation'。 針對 ImageObjectDetection 類型，設定為 'ImageObjectDetection'。 將類型回歸設定為 [ 回歸]。 設定為 TextClassification 類型的 『TextClassification』。 針對 TextClassificationMultilabel 類型，設定為 『TextClassificationMultilabel』。 設定為 TextNer 類型的 『TextNER』。 '分類'
「預測」
'ImageClassification' （圖像分類）
'ImageClassificationMultilabel'
'ImageInstanceSegmentation' （圖像實例分段）
'ImageObjectDetection' （圖像對象檢測）
“回歸”
'TextClassification' （文本分類）
'TextClassificationMultilabel'
'TextNER' （必要）
trainingData （訓練數據） [必要]定型數據輸入。 MLTableJobInput （必要）

AutoNCross驗證

名稱 說明 價值觀
模式 [必要]判斷 N-Cross 驗證的模式。 'Auto' （必要）

自動季節性

名稱 說明 價值觀
模式 [必要]季節性模式。 'Auto' （必要）

AutoTargetLags 自動目標滯後

名稱 說明 價值觀
模式 [必要]設定目標延隔模式 - 自動/自定義 'Auto' （必要）

AutoTargetRollingWindowSize （自動目標滾動視窗大小）

名稱 說明 價值觀
模式 [必要]TargetRollingWindowSiz 偵測模式。 'Auto' （必要）

AzureDevOpsWebhook

名稱 說明 價值觀
webhook類型 [必要]指定要傳送回呼的服務類型 'AzureDevOps' （必要）

強盜政策 (BanditPolicy)

名稱 說明 價值觀
policyType [必要]原則設定的名稱 “強盜”（必要）
slackAmount 從最佳執行執行中允許的絕對距離。 整數 (int)
slackFactor 的 與最佳執行距離的允許距離比率。 整數 (int)

BayesianSamplingAlgorithm

名稱 說明 價值觀
採樣演算法類型 [必要]用來產生超參數值的演算法，以及組態屬性 “貝氏” （必要）

CategoricalDataDriftMetricThreshold

名稱 說明 價值觀
數據類型 [必要]指定計量閾值的數據類型。 類別類別（ 必要 ）
計量 [必要]要計算的類別數據漂移計量。 'JensenShannonDistance'
'PearsonsChiSquaredTest'
'PopulationStabilityIndex' （必要）

CategoricalDataQualityMetricThreshold

名稱 說明 價值觀
數據類型 [必要]指定計量閾值的數據類型。 類別類別（ 必要 ）
計量 [必要]要計算的類別數據品質計量。 'DataTypeErrorRate'
'NullValueRate'
'OutOfBoundsRate' （必要）

分類預測漂移指標閾值

名稱 說明 價值觀
數據類型 [必要]指定計量閾值的數據類型。 類別類別（ 必要 ）
計量 [必要]要計算的類別預測漂移計量。 'JensenShannonDistance'
'PearsonsChiSquaredTest'
'PopulationStabilityIndex' （必要）

分類

名稱 說明 價值觀
cvSplitColumnNames 要用於 CVSplit 資料的數據行。 字串[]
featurizationSettings AutoML 作業所需的特徵化輸入。 TableVerticalFeaturizationSettings
固定參數 模型/定型參數，在整個定型過程中會維持不變。 TableFixedParameters （表固定參數）
limitSettings AutoMLJob 的執行條件約束。 TableVerticalLimitSettings
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。		 NCross驗證
積極標籤 二進位計量計算的正標籤。 字串
primaryMetric 工作的主要計量。 '精確度'
'AUCWeighted'
'AveragePrecisionScoreWeighted'
'NormMacroRecall' （規範巨集調用）
'PrecisionScoreWeighted'
搜索空間 搜尋空間以取樣模型及其超參數的不同組合。 TableParameterSubspace[]
掃描設置 模型掃掠和超參數微調的設定。 TableSweepSettings （表格掃描設置）
任務類型 [必要]AutoMLJob 的工作類型。 '分類' （必要）
測試數據 測試數據輸入。 MLTableJobInput
testDataSize 必須為驗證目的而保留的測試數據集分數。
介於 （0.0 、 1.0） 之間的值
未提供驗證數據集時套用。		 整數 (int)
trainingSettings AutoML 作業定型階段的輸入。 分類訓練設置
validationData （驗證資料） 驗證數據輸入。 MLTableJobInput
validationDataSize 需要為驗證目的預留的定型數據集分數。
介於 （0.0 、 1.0） 之間的值
未提供驗證數據集時套用。		 整數 (int)
權重列名稱 範例權數數據行的名稱。 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

ClassificationModelPerformanceMetricThreshold

名稱 說明 價值觀
計量 [必要]要計算的分類模型效能。 '精確度'
“精確”
'召回' （必要）
modelType [必要]指定計量閾值的數據類型。 '分類' （必要）

分類訓練設置

名稱 說明 價值觀
allowedTrainingAlgorithms 分類工作的允許模型。 包含任何的字串數組：
'伯努利樸素貝葉斯'
“決策樹”
'ExtremeRandomTrees'
'梯度提升'
'KNN'
'LightGBM'
'線性 SVM'
'LogisticRegression' （邏輯回歸）
'多項式樸素貝葉斯'
'隨機森林'
'新幣'
“SVM”
'XGBoostClassifier'
blockedTrainingAlgorithms 分類工作的封鎖模型。 包含任何的字串數組：
'伯努利樸素貝葉斯'
“決策樹”
'ExtremeRandomTrees'
'梯度提升'
'KNN'
'LightGBM'
'線性 SVM'
'LogisticRegression' （邏輯回歸）
'多項式樸素貝葉斯'
'隨機森林'
'新幣'
“SVM”
'XGBoostClassifier'
enableDnnTraining 啟用 DNN 模型的建議。 布爾 (bool)
enableModelExplainability 在最佳模型上開啟可解釋性的旗標。 布爾 (bool)
enableOnnxCompatibleModels 啟用 onnx 相容模型的旗標。 布爾 (bool)
enableStackEnsemble 啟用堆疊合奏執行。 布爾 (bool)
enableVoteEnsemble 啟用投票合奏執行。 布爾 (bool)
ensembleModelDownloadTimeout 在 VotingEnsemble 和 StackEnsemble 模型產生期間，會下載先前子回合中的多個安裝模型。
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 堆疊合奏執行的堆疊合奏設定。 StackEnsembleSettings
trainingMode TrainingMode 模式 - 設定為 'auto' 與目前將它設定為「非分散式」相同，但未來可能會導致混合模式或啟發學習法模式選取。 預設值為 『auto』。
如果 「分散式」，則只會使用分散式特徵化，並選擇分散式演算法。
如果 『NonDistributed』，則只會選擇非分散式演算法。		 '自動'
“分散式”
'NonDistributed' （非分散式）

ColumnTransformer （列變換器）

名稱 說明 價值觀
領域 要套用轉換器邏輯的欄位。 字串[]
參數 要傳遞至轉換器的不同屬性。
輸入必須是 JSON 格式的索引鍵、值組字典。		 任何

CommandJob

名稱 說明 價值觀
autologger設置 作業的散發組態。 如果設定，這應該是其中一個 Mpi、Tensorflow、PyTorch 或 null。 Autologger 設置
代碼Id 程式代碼資產的 ARM 資源識別碼。 字串
指令 [必要]在作業啟動時執行的命令。 例如 “python train.py” 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）
分配 作業的散發組態。 如果設定，這應該是其中一個 Mpi、Tensorflow、PyTorch、Ray 或 null。 分發配置
環境ID [必要]作業之環境規格的 ARM 資源識別碼。 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）
環境變數 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 命令作業輸入
職位類型 [必要]指定作業的類型。 'Command' （必要）
限制 命令作業限制。 CommandJobLimits 命令作業限制
輸出 對應作業中使用的輸出數據系結。 CommandJobOutputs 命令作業輸出
queueSettings 作業的佇列設定 佇列設置
資源 作業的計算資源組態。 JobResourceConfiguration

CommandJobEnvironmentVariables

名稱 說明 價值觀

CommandJobInputs 命令作業輸入

名稱 說明 價值觀

CommandJobLimits 命令作業限制

名稱 說明 價值觀
jobLimits類型 [必要]JobLimit 類型。 “命令”
'掃掠' （必要）
超時 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 命令作業輸出

名稱 說明 價值觀

元件配置

名稱 說明 價值觀
pipelineSettings 管線設定，適用於 ContinueRunOnStepFailure 等專案。 任何

CreateMonitorAction

名稱 說明 價值觀
動作類型 [必要]指定排程的動作類型 'CreateMonitor' （必要）
monitor定義 [必要]定義監視器。 MonitorDefinition （必要）

CronTrigger 的

名稱 說明 價值觀
運算式 [必要]指定排程的cron運算式。
表達式應遵循 NCronTab 格式。		 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）
triggerType [必要] 'Cron' （必要）

CustomForecastHorizon

名稱 說明 價值觀
模式 [必要]設定預測地平線值選取模式。 'Custom' （必要）
價值 [必要]預測地平線值。 int （必要）

CustomMetricThreshold

名稱 說明 價值觀
計量 [必要]要計算的使用者定義計量。 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）
閾值 臨界值。 如果為 null，則會根據選取的計量來設定預設值。 監控閾值

CustomModelJobInput （自定義模型作業輸入）

名稱 說明 價值觀
jobInputType （作業輸入類型） [必要]指定作業的類型。 'custom_model' （必要）
模式 輸入資產傳遞模式。 “直接”
'下載'
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
“ReadWriteMount”
統一資源識別碼 (URI) [必要]輸入資產 URI。 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）

CustomModelJobOutput

名稱 說明 價值觀
assetName （資產名稱） 輸出資產名稱。 字串
assetVersion （資產版本） 輸出資產版本。 字串
autoDelete設置 自動刪除輸出數據資產的設定。 自動刪除設置
jobOutputType [必要]指定作業的類型。 'custom_model' （必要）
模式 輸出資產傳遞模式。 “直接”
“ReadWriteMount”
'上傳'
統一資源識別碼 (URI) 輸出資產 URI。 字串

CustomMonitoringSignal

名稱 說明 價值觀
元件ID [必要]用來計算自定義計量之元件資源的 ARM 資源識別碼。 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）
inputAssets 監視要作為輸入的資產。 索引鍵是元件輸入埠名稱，值為數據資產。 CustomMonitoringSignalInputAssets
輸入 要作為輸入的額外元件參數。 索引鍵是元件常值輸入埠名稱，值為參數值。 CustomMonitoringSignalInputs
metricThresholds [必要]要計算的計量清單及其相關聯的臨界值。 CustomMetricThreshold[] （必要）
信號類型 [必要]指定要監視的訊號類型。 'Custom' （必要）
workspaceConnection （工作區連接） [必要]要計算的計量清單及其相關聯的臨界值。 MonitoringWorkspaceConnection （必要）

CustomMonitoringSignalInputAssets

名稱 說明 價值觀

CustomMonitoringSignalInputs

名稱 說明 價值觀

CustomNCross驗證

名稱 說明 價值觀
模式 [必要]判斷 N-Cross 驗證的模式。 'Custom' （必要）
價值 [必要]N-Cross 驗證值。 int （必要）

CustomSeasonality （自定義季節性）

名稱 說明 價值觀
模式 [必要]季節性模式。 'Custom' （必要）
價值 [必要]季節性值。 int （必要）

CustomTargetLags （自定義目標滯後）

名稱 說明 價值觀
模式 [必要]設定目標延隔模式 - 自動/自定義 'Custom' （必要）
價值觀 [必要]設定目標延遲值。 int[] （必要）

CustomTargetRollingWindowSize

名稱 說明 價值觀
模式 [必要]TargetRollingWindowSiz 偵測模式。 'Custom' （必要）
價值 [必要]TargetRollingWindowSize 值。 int （必要）

資料庫源

名稱 說明 價值觀
查詢 數據匯入資料庫來源的 SQL 查詢語句 字串
資源類型 [必要]指定數據類型。 'database' （必要）
storedProcedure （存儲過程） 數據匯入資料庫來源上的 SQL StoredProcedure 字串
storedProcedureParams 的 SQL StoredProcedure 參數 DatabaseSourceStoredProcedureParamsItem[]
資料表名稱 數據匯入資料庫來源上的數據表名稱 字串

DatabaseSourceStoredProcedureParamsItem

名稱 說明 價值觀

DataDriftMetricThresholdBase

名稱 說明 價值觀
數據類型 設定為 CategoricalDataDriftMetricThreshold 類型的 'Categorical'。 設定為 [數值] 類型 為 [數值][DriftMetricThreshold]。 '類別'
'數值' （必要）
閾值 臨界值。 如果為 null，則會根據選取的計量來設定預設值。 監控閾值

DataDriftMonitoringSignal

名稱 說明 價值觀
數據段 用於界定數據母體子集範圍的數據區段。 MonitoringDataSegment
featureDataTypeOverride 將特徵名稱對應至其個別數據類型的字典。 DataDriftMonitoringSignalFeatureDataTypeOverride
featureImportanceSettings 計算功能重要性的設定。 FeatureImportanceSettings （特徵重要性設置）
特徵 功能篩選，可識別要計算漂移的功能。 MonitoringFeatureFilterBase
metricThresholds [必要]要計算的計量清單及其相關聯的臨界值。 DataDriftMetricThresholdBase[] （必要）
生產數據 [必要]要計算漂移的數據。 MonitoringInputDataBase （必要）
referenceData （引用數據） [必要]要計算漂移的數據。 MonitoringInputDataBase （必要）
信號類型 [必要]指定要監視的訊號類型。 'DataDrift' （必要）

DataDriftMonitoringSignalFeatureDataTypeOverride

名稱 說明 價值觀

數據導入

名稱 說明 價值觀
assetName （資產名稱） 要建立之數據匯入作業的資產名稱 字串
autoDelete設置 指定受控數據資產的生命周期設定。 自動刪除設置
數據類型 [必要]指定數據類型。 'mltable'
“uri_file”
'uri_folder' （必要）
dataUri [必要]數據的 URI。 範例：https://go.microsoft.com/fwlink/?linkid=2202330 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）
說明 資產描述文字。 字串
智慧財產權 智慧財產權詳細數據。 如果資料是智慧財產權，則使用 。 智慧財產權
isAnonymous （匿名） 如果名稱版本是系統產生的 （匿名註冊）。 針對定義 Stage 的類型，當提供 Stage 時，它會用來填入 IsAnonymous 布爾 (bool)
isArchived 已存檔 資產是否已封存？ 對於定義 Stage 的類型，當提供 Stage 時，它會用來填入 IsArchived 布爾 (bool)
屬性 資產屬性字典。 ResourceBaseProperties
來源 要從中匯入之資產的源數據 DataImportSource （數據導入源）
暫存 指派給此數據資產的數據生命周期階段 字串
標記 標記字典。 標記可以新增、移除和更新。 ResourceBaseTags

DataImportSource （數據導入源）

名稱 說明 價值觀
連接 數據匯入來源記憶體的工作區連線 字串
資源類型 設定為 DatabaseSource 類型的 'database'。 針對 FileSystemSource 類型，設定為 『file_system』。 '資料庫'
'file_system' （必要）

DataQualityMetricThresholdBase

名稱 說明 價值觀
數據類型 設定為 CategoricalDataQualityMetricThreshold 類型的 'Categorical'。 設定為 [數值] 類型 為 [數值][QualityMetricThreshold]。 '類別'
'數值' （必要）
閾值 臨界值。 如果為 null，則會根據選取的計量來設定預設值。 監控閾值

DataQualityMonitoring信號

名稱 說明 價值觀
featureDataTypeOverride 將特徵名稱對應至其個別數據類型的字典。 DataQualityMonitoringSignalFeatureDataTypeOverride
featureImportanceSettings 計算功能重要性的設定。 FeatureImportanceSettings （特徵重要性設置）
特徵 用來計算漂移的功能。 MonitoringFeatureFilterBase
metricThresholds [必要]要計算的計量清單及其相關聯的臨界值。 DataQualityMetricThresholdBase[] （必要）
生產數據 [必要]生產服務所產生的數據，將會計算漂移。 MonitoringInputDataBase （必要）
referenceData （引用數據） [必要]要計算漂移的數據。 MonitoringInputDataBase （必要）
信號類型 [必要]指定要監視的訊號類型。 'DataQuality' （必要）

DataQualityMonitoringSignalFeatureDataTypeOverride

名稱 說明 價值觀

分發配置

名稱 說明 價值觀
distributionType 設定為 Mpi 類型的 『Mpi』。 將類型 PyTorch 設定為 『PyTorch』。 將 類型Ray設定為'Ray'。 將 設定為 TensorFlow 類型的 『TensorFlow』。 'Mpi'
“PyTorch”
“雷”
'TensorFlow' （必要）

提早終止政策

名稱 說明 價值觀
delay評估 延遲第一次評估的間隔數目。 整數 (int)
evaluationInterval 原則評估之間的間隔（執行次數）。 整數 (int)
policyType 針對 BanditPolicy 類型，設定為 『Bandit』。 針對 MedianStoppingPolicy 類型，設定為 'MedianStoppingPolicy'。 針對 TruncationSelectionPolicy 類型，設定為 『TruncationSelection』。 “強盜”
'MedianStopping' （中位數停止）
'TruncationSelection' （必要）

EndpointScheduleAction

名稱 說明 價值觀
動作類型 [必要]指定排程的動作類型 'InvokeBatchEndpoint' （必要）
endpointInvocationDefinition [必要]定義排程動作定義詳細數據。
<請參閱 href=“TBD” />		 任何 （必要）

FeatureAttributionDriftMonitoringSignal

名稱 說明 價值觀
featureDataTypeOverride 將特徵名稱對應至其個別數據類型的字典。 FeatureAttributionDriftMonitoringSignalFeatureDataTypeOverride
featureImportanceSettings 計算功能重要性的設定。 FeatureImportanceSettings （特徵重要性設置）
metricThreshold指標閾值 [必要]要計算的計量清單及其相關聯的臨界值。 FeatureAttributionMetricThreshold （必要）
生產數據 [必要]要計算漂移的數據。 MonitoringInputDataBase[] （必要）
referenceData （引用數據） [必要]要計算漂移的數據。 MonitoringInputDataBase （必要）
信號類型 [必要]指定要監視的訊號類型。 'FeatureAttributionDrift' （必要）

FeatureAttributionDriftMonitoringSignalFeatureDataTypeOverride

名稱 說明 價值觀

FeatureAttributionMetricThreshold

名稱 說明 價值觀
計量 [必要]要計算的功能屬性計量。 'NormalizedDiscountedCumulativeGain' （必要）
閾值 臨界值。 如果為 null，則會根據選取的計量來設定預設值。 監控閾值

FeatureImportanceSettings （特徵重要性設置）

名稱 說明 價值觀
模式 運算特徵重要性的作業模式。 “已禁用”
“已啟用”
targetColumn 輸入數據資產內的目標數據行名稱。 字串

特徵子集

名稱 說明 價值觀
特徵 [必要]要包含的功能清單。 string[] （必要）
filterType （過濾器類型） [必要]指定要在選取要計算計量的功能時運用的功能篩選。 'FeatureSubset' （必要）

FileSystemSource 檔源

名稱 說明 價值觀
路徑 數據匯入 FileSystem 來源的路徑 字串
資源類型 [必要]指定數據類型。 'file_system' （必要）

固定輸入數據

名稱 說明 價值觀
inputDataType （輸入資料類型） [必要]指定要監視的訊號類型。 'Fixed' （必要）

預測地平線

名稱 說明 價值觀
模式 針對 AutoForecastHorizon 類型，設定為 'Auto'。 針對 CustomForecastHorizon 類型，設定為 'Custom'。 '自動'
'Custom' （必要）

預測

名稱 說明 價值觀
cvSplitColumnNames 要用於 CVSplit 資料的數據行。 字串[]
featurizationSettings AutoML 作業所需的特徵化輸入。 TableVerticalFeaturizationSettings
固定參數 模型/定型參數，在整個定型過程中會維持不變。 TableFixedParameters （表固定參數）
forecasting設置 預測工作特定輸入。 ForecastingSettings
limitSettings AutoMLJob 的執行條件約束。 TableVerticalLimitSettings
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。		 NCross驗證
primaryMetric 預測工作的主要計量。 'NormalizedMeanAbsoluteError'
'NormalizedRootMeanSquaredError'
'R2Score'
'SpearmanCorrelation'
搜索空間 搜尋空間以取樣模型及其超參數的不同組合。 TableParameterSubspace[]
掃描設置 模型掃掠和超參數微調的設定。 TableSweepSettings （表格掃描設置）
任務類型 [必要]AutoMLJob 的工作類型。 “預測” （必要）
測試數據 測試數據輸入。 MLTableJobInput
testDataSize 必須為驗證目的而保留的測試數據集分數。
介於 （0.0 、 1.0） 之間的值
未提供驗證數據集時套用。		 整數 (int)
trainingSettings AutoML 作業定型階段的輸入。 ForecastingTrainingSettings
validationData （驗證資料） 驗證數據輸入。 MLTableJobInput
validationDataSize 需要為驗證目的預留的定型數據集分數。
介於 （0.0 、 1.0） 之間的值
未提供驗證數據集時套用。		 整數 (int)
權重列名稱 範例權數數據行的名稱。 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

ForecastingSettings

名稱 說明 價值觀
國家/地區或地區為假期 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。 為了
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
相隔三天。		 整數 (int)
featureLags 使用 『auto』 或 null 產生數值特徵延遲的旗標。 '自動'
“無”
featuresUnknownAtForecastTime 可在預測/推斷時用於定型但未知的功能數據行。
如果未設定features_unknown_at_forecast_time，則會假設數據集中的所有功能數據行在推斷時間都是已知的。		 字串[]
forecastHorizon （預測地平線） 所需的最大預測範圍，以時間序列頻率單位為單位。 預測地平線
頻率 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 定義 AutoML 是否應該處理短時間序列的參數。 '自動'
“掉落”
“無”
'墊'
targetAggregateFunction 要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 已設定，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”。		 “最大”
“卑鄙”
'敏'
“無”
'總和'
目標拉格 要從目標數據行延遲的過去期間數。 目標滯後
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 （時間列名稱） 時間數據行的名稱。 當預測以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，則會假設數據集為一個時間序列。 此參數與工作類型預測搭配使用。		 字串[]
useStl 設定時間序列目標數據行的 STL 分解。 “無”
“賽季”
'季節趨勢'

ForecastingTrainingSettings

名稱 說明 價值觀
allowedTrainingAlgorithms 用於預測工作的允許模型。 包含任何的字串數組：
“Arimax”
'AutoArima'
“平均”
“決策樹”
“彈性網”
'指數平滑'
'ExtremeRandomTrees'
'梯度提升'
'KNN'
“套索拉斯”
'LightGBM'
天真'
'先知'
'隨機森林'
'季節性平均值'
'季節性天真'
'新幣'
'TCNForecaster'
'XGBoostRegressor'
blockedTrainingAlgorithms 用於預測工作的封鎖模型。 包含任何的字串數組：
“Arimax”
'AutoArima'
“平均”
“決策樹”
“彈性網”
'指數平滑'
'ExtremeRandomTrees'
'梯度提升'
'KNN'
“套索拉斯”
'LightGBM'
天真'
'先知'
'隨機森林'
'季節性平均值'
'季節性天真'
'新幣'
'TCNForecaster'
'XGBoostRegressor'
enableDnnTraining 啟用 DNN 模型的建議。 布爾 (bool)
enableModelExplainability 在最佳模型上開啟可解釋性的旗標。 布爾 (bool)
enableOnnxCompatibleModels 啟用 onnx 相容模型的旗標。 布爾 (bool)
enableStackEnsemble 啟用堆疊合奏執行。 布爾 (bool)
enableVoteEnsemble 啟用投票合奏執行。 布爾 (bool)
ensembleModelDownloadTimeout 在 VotingEnsemble 和 StackEnsemble 模型產生期間，會下載先前子回合中的多個安裝模型。
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 堆疊合奏執行的堆疊合奏設定。 StackEnsembleSettings
trainingMode TrainingMode 模式 - 設定為 'auto' 與目前將它設定為「非分散式」相同，但未來可能會導致混合模式或啟發學習法模式選取。 預設值為 『auto』。
如果 「分散式」，則只會使用分散式特徵化，並選擇分散式演算法。
如果 『NonDistributed』，則只會選擇非分散式演算法。		 '自動'
“分散式”
'NonDistributed' （非分散式）

GenerationSafetyQualityMetricThreshold （生成安全品質度量閾值）

名稱 說明 價值觀
計量 [必要]取得或設定要計算的功能屬性計量。 “AcceptableCoherenceScorePerInstance”
“AcceptableFluencyScorePerInstance”
“AcceptableGroundednessScorePerInstance”
“AcceptableRelevanceScorePerInstance”
“AcceptableSimilarityScorePerInstance”
'AggregatedCoherencePassRate'
'AggregatedFluencyPassRate'
'AggregatedGroundednessPassRate'
“AggregatedRelevancePassRate”
'AggregatedSimilarityPassRate' （必要）
閾值 取得或設定臨界值。
如果為 null，則會根據選取的計量來設定預設值。		 監控閾值

GenerationSafetyQualityMonitoringSignal

名稱 說明 價值觀
metricThresholds [必要]取得或設定要計算的計量和對應的臨界值。 GenerationSafetyQualityMetricThreshold[] （必要）
生產數據 取得或設定計算計量的生產數據。 MonitoringInputDataBase[]
採樣率 [必要]生產數據的取樣率應該大於 0 且最多 1。 int （必要）
信號類型 [必要]指定要監視的訊號類型。 'GenerationSafetyQuality' （必要）
workspaceConnectionId 取得或設定用來連線到內容產生端點的工作區聯機標識碼。 字串

GenerationTokenUsageMetricThreshold

名稱 說明 價值觀
計量 [必要]取得或設定要計算的功能屬性計量。 'TotalTokenCount'
'TotalTokenCountPerGroup' （必要）
閾值 取得或設定臨界值。
如果為 null，則會根據選取的計量來設定預設值。		 監控閾值

GenerationTokenUsageSignal

名稱 說明 價值觀
metricThresholds [必要]取得或設定要計算的計量和對應的臨界值。 GenerationTokenUsageMetricThreshold[] （必要）
生產數據 取得或設定計算計量的生產數據。 MonitoringInputDataBase[]
採樣率 [必要]生產數據的取樣率應該大於 0 且最多 1。 int （必要）
信號類型 [必要]指定要監視的訊號類型。 'GenerationTokenStatistics' （必要）

GridSampling演算法

名稱 說明 價值觀
採樣演算法類型 [必要]用來產生超參數值的演算法，以及組態屬性 'Grid' （必要）

身份配置

名稱 說明 價值觀
身份類型 將 設定為 AmlToken 類型的 『AMLToken』。 針對 ManagedIdentity 類型設定為 『Managed』。 針對 UserIdentity 類型，設定為 ' UserIdentity'。 'AMLToken'
“託管”
'UserIdentity' （必要）

圖像分類

名稱 說明 價值觀
limitSettings [必要]限制 AutoML 作業的設定。 ImageLimitSettings （必要）
modelSettings 用於定型模型的設定。 ImageModelSettings分類
primaryMetric 要針對這項工作進行優化的主要計量。 '精確度'
'AUCWeighted'
'AveragePrecisionScoreWeighted'
'NormMacroRecall' （規範巨集調用）
'PrecisionScoreWeighted'
搜索空間 搜尋空間以取樣模型及其超參數的不同組合。 ImageModelDistributionSettingsClassification[]
掃描設置 模型掃掠和超參數掃掠相關設定。 ImageSweepSettings （圖像掃描設定）
任務類型 [必要]AutoMLJob 的工作類型。 'ImageClassification' （必要）
validationData （驗證資料） 驗證數據輸入。 MLTableJobInput
validationDataSize 需要為驗證目的預留的定型數據集分數。
介於 （0.0 、 1.0） 之間的值
未提供驗證數據集時套用。		 整數 (int)

ImageClassificationMultilabel

名稱 說明 價值觀
limitSettings [必要]限制 AutoML 作業的設定。 ImageLimitSettings （必要）
modelSettings 用於定型模型的設定。 ImageModelSettings分類
primaryMetric 要針對這項工作進行優化的主要計量。 '精確度'
'AUCWeighted'
'AveragePrecisionScoreWeighted'
'欠條'
'NormMacroRecall' （規範巨集調用）
'PrecisionScoreWeighted'
搜索空間 搜尋空間以取樣模型及其超參數的不同組合。 ImageModelDistributionSettingsClassification[]
掃描設置 模型掃掠和超參數掃掠相關設定。 ImageSweepSettings （圖像掃描設定）
任務類型 [必要]AutoMLJob 的工作類型。 'ImageClassificationMultilabel' （必要）
validationData （驗證資料） 驗證數據輸入。 MLTableJobInput
validationDataSize 需要為驗證目的預留的定型數據集分數。
介於 （0.0 、 1.0） 之間的值
未提供驗證數據集時套用。		 整數 (int)

ImageInstanceSegmentation

名稱 說明 價值觀
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 要針對這項工作進行優化的主要計量。 'MeanAveragePrecision'
搜索空間 搜尋空間以取樣模型及其超參數的不同組合。 ImageModelDistributionSettingsObjectDetection[]
掃描設置 模型掃掠和超參數掃掠相關設定。 ImageSweepSettings （圖像掃描設定）
任務類型 [必要]AutoMLJob 的工作類型。 'ImageInstanceSegmentation' （必要）
validationData （驗證資料） 驗證數據輸入。 MLTableJobInput
validationDataSize 需要為驗證目的預留的定型數據集分數。
介於 （0.0 、 1.0） 之間的值
未提供驗證數據集時套用。		 整數 (int)

ImageLimitSettings

名稱 說明 價值觀
maxConcurrentTrials 並行 AutoML 反覆項目的數目上限。 整數 (int)
maxTrials AutoML 反覆項目的數目上限。 整數 (int)
超時 AutoML 作業逾時。 字串

ImageModelDistributionSettings分類

名稱 說明 價值觀
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
貝塔1 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
貝塔2 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 是否要使用散發器定型。 字串
earlyStopping （早期停止） 在定型期間啟用早期停止邏輯。 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
會追蹤早期停止。 必須是正整數。		 字串
早點停止耐心 在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 評估驗證數據集以取得計量分數的頻率。 必須是正整數。 字串
梯度累積步驟 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 （圖層凍結） 要凍結模型的圖層數目。 必須是正整數。
例如，傳遞 2 作為 'seresnext' 值表示
凍結 layer0 和 layer1。 如需支援模型的完整清單，以及圖層凍結的詳細數據，請
請參閱：/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 的 學習率排程器的類型。 必須是 『warmup_cosine』 或 'step'。 字串
型號名稱 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：
/azure/machine-learning/how-to-auto-train-image-models。		 字串
動量 優化器為 『zn』 時的動量值。 必須是範圍 [0, 1] 內的浮點數。 字串
涅斯特羅夫 在優化器為 『zn』 時啟用 nesterov。 字串
紀元數 定型 Epoch 的數目。 必須是正整數。 字串
工人數 數據載入器背景工作角色的數目。 必須是非負整數。 字串
優化器 優化工具的類型。 必須是 『zn』、『adam』或 『adamw』。 字串
隨機種子 使用決定性定型時要使用的隨機種子。 字串
stepLR伽瑪 學習速率排程器為 『step』 時的 gamma 值。 必須是範圍 [0, 1] 內的浮點數。 字串
stepLRStepSize 學習速率排程器為 『step』 時的步驟大小值。 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，這是訓練數據集之類神經網路的輸入。 必須是正整數。 字串
validationBatchSize 驗證批次大小。 必須是正整數。 字串
validationCropSize 影像裁剪大小，這是用於驗證數據集之類神經網路的輸入。 必須是正整數。 字串
validationResizeSize 在裁剪驗證數據集之前要重設大小的影像大小。 必須是正整數。 字串
warmupCosineLRCycles 學習速率排程器為「warmup_cosine」時，餘弦迴圈的值。 必須是範圍 [0, 1] 內的浮點數。 字串
warmupCosineLRWarmupEpochs 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 （權重衰減） 優化器為 'zn'、'adam' 或 'adamw' 時的權數衰變值。 必須是範圍[0， 1] 中的浮點數。 字串
weightedLoss 加權減肥。 接受的值是 0，沒有加權損失。
1 用於與 sqrt 減肥。（class_weights）。 2 用於減肥與class_weights。 必須是 0 或 1 或 2。		 字串

ImageModelDistributionSettingsObjectDetection

名稱 說明 價值觀
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
貝塔1 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
貝塔2 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
boxDetectionsPerImage （每影像檢測） 所有類別的每個影像偵測數目上限。 必須是正整數。
注意：'yolov5' 演算法不支援此設定。		 字串
boxScoreThreshold （盒分數閾值） 在推斷期間，只傳回大於分類分數的建議
BoxScoreThreshold。 必須是範圍[0， 1] 中的浮點數。		 字串
分散式 是否要使用散發器定型。 字串
earlyStopping （早期停止） 在定型期間啟用早期停止邏輯。 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
會追蹤早期停止。 必須是正整數。		 字串
早點停止耐心 在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 評估驗證數據集以取得計量分數的頻率。 必須是正整數。 字串
梯度累積步驟 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
影像大小 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 （圖層凍結） 要凍結模型的圖層數目。 必須是正整數。
例如，傳遞 2 作為 'seresnext' 值表示
凍結 layer0 和 layer1。 如需支援模型的完整清單，以及圖層凍結的詳細數據，請
請參閱：/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 的 學習率排程器的類型。 必須是 『warmup_cosine』 或 'step'。 字串
最大尺寸 在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，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
最小大小 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，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
型號名稱 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：
/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，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 優化器為 『zn』 時的動量值。 必須是範圍 [0, 1] 內的浮點數。 字串
多尺度 依 +/- 50%來啟用多重縮放影像大小。
注意：如果沒有足夠的 GPU 記憶體，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
涅斯特羅夫 在優化器為 『zn』 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 float。 字串
紀元數 定型 Epoch 的數目。 必須是正整數。 字串
工人數 數據載入器背景工作角色的數目。 必須是非負整數。 字串
優化器 優化工具的類型。 必須是 『zn』、『adam』或 『adamw』。 字串
隨機種子 使用決定性定型時要使用的隨機種子。 字串
stepLR伽瑪 學習速率排程器為 『step』 時的 gamma 值。 必須是範圍 [0, 1] 內的浮點數。 字串
stepLRStepSize 學習速率排程器為 『step』 時的步驟大小值。 必須是正整數。 字串
tileGridSize （平鋪網格大小） 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，其格式為一個。
注意：'yolov5' 演算法不支援此設定。		 字串
tileOverlapRatio （平鋪重疊比率） 每個維度中相鄰磚之間的重疊比例。 必須是範圍 [0， 1] 中的浮點數。
注意：'yolov5' 演算法不支援此設定。		 字串
tilePredictionsNmsThreshold 用來執行NMS的IOU閾值，同時合併磚和影像的預測。
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閾值。 必須是範圍 [0， 1] 中的 float。 字串
validationMetricType 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 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 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 （權重衰減） 優化器為 'zn'、'adam' 或 'adamw' 時的權數衰變值。 必須是範圍[0， 1] 中的浮點數。 字串

ImageModelSettings分類

名稱 說明 價值觀
高級設置 進階案例的設定。 字串
amsGradient 當優化器為 『adam』 或 'adamw' 時啟用AMSGrad。 布爾 (bool)
擴增 使用擴增的設定。 字串
貝塔1 優化器為 'adam' 或 'adamw' 時的 'beta1' 值。 必須是範圍 [0, 1] 內的浮點數。 整數 (int)
貝塔2 優化器為 'adam' 或 'adamw' 時的 'beta2' 值。 必須是範圍 [0, 1] 內的浮點數。 整數 (int)
檢查點頻率 儲存模型檢查點的頻率。 必須是正整數。 整數 (int)
checkpoint模型 累加訓練的預先定型檢查點模型。 MLFlowModelJobInput
檢查點RunId 先前執行的標識碼，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。 布爾 (bool)
earlyStopping （早期停止） 在定型期間啟用早期停止邏輯。 布爾 (bool)
earlyStoppingDelay 在主要計量改進之前等待的最小 Epoch 或驗證評估數目
會追蹤早期停止。 必須是正整數。		 整數 (int)
早點停止耐心 在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。		 整數 (int)
enableOnnxNormalization 匯出 ONNX 模型時啟用正規化。 布爾 (bool)
evaluationFrequency 評估驗證數據集以取得計量分數的頻率。 必須是正整數。 整數 (int)
梯度累積步驟 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。		 整數 (int)
layersToFreeze （圖層凍結） 要凍結模型的圖層數目。 必須是正整數。
例如，傳遞 2 作為 'seresnext' 值表示
凍結 layer0 和 layer1。 如需支援模型的完整清單，以及圖層凍結的詳細數據，請
請參閱：/azure/machine-learning/how-to-auto-train-image-models。		 整數 (int)
learningRate 初始學習速率。 必須是範圍 [0, 1] 內的浮點數。 整數 (int)
learningRateScheduler 的 學習率排程器的類型。 必須是 『warmup_cosine』 或 'step'。 “無”
“步驟”
'WarmupCosine'
型號名稱 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：
/azure/machine-learning/how-to-auto-train-image-models。		 字串
動量 優化器為 『zn』 時的動量值。 必須是範圍 [0, 1] 內的浮點數。 整數 (int)
涅斯特羅夫 在優化器為 『zn』 時啟用 nesterov。 布爾 (bool)
紀元數 定型 Epoch 的數目。 必須是正整數。 整數 (int)
工人數 數據載入器背景工作角色的數目。 必須是非負整數。 整數 (int)
優化器 優化工具的類型。 “亞當”
“亞當”
“無”
'新元'
隨機種子 使用決定性定型時要使用的隨機種子。 整數 (int)
stepLR伽瑪 學習速率排程器為 『step』 時的 gamma 值。 必須是範圍 [0, 1] 內的浮點數。 整數 (int)
stepLRStepSize 學習速率排程器為 『step』 時的步驟大小值。 必須是正整數。 整數 (int)
trainingBatchSize 定型批次大小。 必須是正整數。 整數 (int)
trainingCropSize 影像裁剪大小，這是訓練數據集之類神經網路的輸入。 必須是正整數。 整數 (int)
validationBatchSize 驗證批次大小。 必須是正整數。 整數 (int)
validationCropSize 影像裁剪大小，這是用於驗證數據集之類神經網路的輸入。 必須是正整數。 整數 (int)
validationResizeSize 在裁剪驗證數據集之前要重設大小的影像大小。 必須是正整數。 整數 (int)
warmupCosineLRCycles 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。 整數 (int)
warmupCosineLRWarmupEpochs 學習速率排程器為「warmup_cosine」時，熱身 Epoch 的值。 必須是正整數。 整數 (int)
weightDecay （權重衰減） 優化器為 'zn'、'adam' 或 'adamw' 時的權數衰變值。 必須是範圍[0， 1] 中的浮點數。 整數 (int)
weightedLoss 加權減肥。 接受的值是 0，沒有加權損失。
1 用於與 sqrt 減肥。（class_weights）。 2 用於減肥與class_weights。 必須是 0 或 1 或 2。		 整數 (int)

ImageModelSettingsObjectDetection

名稱 說明 價值觀
高級設置 進階案例的設定。 字串
amsGradient 當優化器為 『adam』 或 'adamw' 時啟用AMSGrad。 布爾 (bool)
擴增 使用擴增的設定。 字串
貝塔1 優化器為 'adam' 或 'adamw' 時的 'beta1' 值。 必須是範圍 [0, 1] 內的浮點數。 整數 (int)
貝塔2 優化器為 'adam' 或 'adamw' 時的 'beta2' 值。 必須是範圍 [0, 1] 內的浮點數。 整數 (int)
boxDetectionsPerImage （每影像檢測） 所有類別的每個影像偵測數目上限。 必須是正整數。
注意：'yolov5' 演算法不支援此設定。		 整數 (int)
boxScoreThreshold （盒分數閾值） 在推斷期間，只傳回大於分類分數的建議
BoxScoreThreshold。 必須是範圍[0， 1] 中的浮點數。		 整數 (int)
檢查點頻率 儲存模型檢查點的頻率。 必須是正整數。 整數 (int)
checkpoint模型 累加訓練的預先定型檢查點模型。 MLFlowModelJobInput
檢查點RunId 先前執行的標識碼，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。 布爾 (bool)
earlyStopping （早期停止） 在定型期間啟用早期停止邏輯。 布爾 (bool)
earlyStoppingDelay 在主要計量改進之前等待的最小 Epoch 或驗證評估數目
會追蹤早期停止。 必須是正整數。		 整數 (int)
早點停止耐心 在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。		 整數 (int)
enableOnnxNormalization 匯出 ONNX 模型時啟用正規化。 布爾 (bool)
evaluationFrequency 評估驗證數據集以取得計量分數的頻率。 必須是正整數。 整數 (int)
梯度累積步驟 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。		 整數 (int)
影像大小 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。		 整數 (int)
layersToFreeze （圖層凍結） 要凍結模型的圖層數目。 必須是正整數。
例如，傳遞 2 作為 'seresnext' 值表示
凍結 layer0 和 layer1。 如需支援模型的完整清單，以及圖層凍結的詳細數據，請
請參閱：/azure/machine-learning/how-to-auto-train-image-models。		 整數 (int)
learningRate 初始學習速率。 必須是範圍 [0, 1] 內的浮點數。 整數 (int)
learningRateScheduler 的 學習率排程器的類型。 必須是 『warmup_cosine』 或 'step'。 “無”
“步驟”
'WarmupCosine'
logTrainingMetrics 啟用計算和記錄定型計量。 '禁用'
'啟用'
logValidationLoss 啟用運算和記錄驗證遺失。 '禁用'
'啟用'
最大尺寸 在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，定型執行可能會進入 CUDA OOM。
注意：'yolov5' 演算法不支援此設定。		 整數 (int)
最小大小 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，定型執行可能會進入 CUDA OOM。
注意：'yolov5' 演算法不支援此設定。		 整數 (int)
型號名稱 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：
/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，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。		 “超大號”
“大”
'中等'
“無”
“小”
動量 優化器為 『zn』 時的動量值。 必須是範圍 [0, 1] 內的浮點數。 整數 (int)
多尺度 依 +/- 50%來啟用多重縮放影像大小。
注意：如果沒有足夠的 GPU 記憶體，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。		 布爾 (bool)
涅斯特羅夫 在優化器為 『zn』 時啟用 nesterov。 布爾 (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。 整數 (int)
紀元數 定型 Epoch 的數目。 必須是正整數。 整數 (int)
工人數 數據載入器背景工作角色的數目。 必須是非負整數。 整數 (int)
優化器 優化工具的類型。 “亞當”
“亞當”
“無”
'新元'
隨機種子 使用決定性定型時要使用的隨機種子。 整數 (int)
stepLR伽瑪 學習速率排程器為 『step』 時的 gamma 值。 必須是範圍 [0, 1] 內的浮點數。 整數 (int)
stepLRStepSize 學習速率排程器為 『step』 時的步驟大小值。 必須是正整數。 整數 (int)
tileGridSize （平鋪網格大小） 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，其格式為一個。
注意：'yolov5' 演算法不支援此設定。		 字串
tileOverlapRatio （平鋪重疊比率） 每個維度中相鄰磚之間的重疊比例。 必須是範圍 [0， 1] 中的浮點數。
注意：'yolov5' 演算法不支援此設定。		 整數 (int)
tilePredictionsNmsThreshold 用來執行NMS的IOU閾值，同時合併磚和影像的預測。
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。		 整數 (int)
trainingBatchSize 定型批次大小。 必須是正整數。 整數 (int)
validationBatchSize 驗證批次大小。 必須是正整數。 整數 (int)
validationIouThreshold 計算驗證計量時要使用的IOU閾值。 必須是範圍 [0， 1] 中的 float。 整數 (int)
validationMetricType 用於驗證計量的計量計算方法。 《尋夢環遊記》
“可哥沃克”
“無”
'Voc'
warmupCosineLRCycles 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。 整數 (int)
warmupCosineLRWarmupEpochs 學習速率排程器為「warmup_cosine」時，熱身 Epoch 的值。 必須是正整數。 整數 (int)
weightDecay （權重衰減） 優化器為 'zn'、'adam' 或 'adamw' 時的權數衰變值。 必須是範圍[0， 1] 中的浮點數。 整數 (int)

ImageObjectDetection

名稱 說明 價值觀
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 要針對這項工作進行優化的主要計量。 'MeanAveragePrecision'
搜索空間 搜尋空間以取樣模型及其超參數的不同組合。 ImageModelDistributionSettingsObjectDetection[]
掃描設置 模型掃掠和超參數掃掠相關設定。 ImageSweepSettings （圖像掃描設定）
任務類型 [必要]AutoMLJob 的工作類型。 'ImageObjectDetection' （必要）
validationData （驗證資料） 驗證數據輸入。 MLTableJobInput
validationDataSize 需要為驗證目的預留的定型數據集分數。
介於 （0.0 、 1.0） 之間的值
未提供驗證數據集時套用。		 整數 (int)

ImageSweepSettings （圖像掃描設定）

名稱 說明 價值觀
early終止 早期終止原則的類型。 提前終止政策
sampling演算法 [必要]超參數取樣演算法的類型。 “貝氏”
'網格'
'Random' （必要）

ImportDataAction

名稱 說明 價值觀
動作類型 [必要]指定排程的動作類型 'ImportData' （必要）
dataImport定義 [必要]定義排程動作定義詳細數據。 DataImport （必要）

智慧財產權

名稱 說明 價值觀
protectionLevel 保護級別 智慧財產權的保護層級。 '全部'
“無”
發行者 [必要]智慧財產權的發行者。 必須與登錄發行者名稱相同。 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）

JobBaseProperties

名稱 說明 價值觀
元件ID 元件資源的 ARM 資源識別碼。 字串
計算ID 計算資源的 ARM 資源識別碼。 字串
說明 資產描述文字。 字串
顯示名稱 工作的顯示名稱。 字串
實驗名稱 作業所屬的實驗名稱。 如果未設定，作業會放在 「默認」實驗中。 字串
身分識別 身分識別設定。 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。		 身份配置
isArchived 已存檔 資產是否已封存？ 布爾 (bool)
職位類型 設定為 AutoMLJob 類型的 『AutoML』。 設定為 CommandJob 類型的 『Command』。 設定為 [標記] 類型為 [卷標][JobProperties]。 設定為 PipelineJob 類型的 'Pipeline'。 針對 SparkJob 類型設定為 『Spark』。 設定為 掃掠Job 類型的 [掃掠]。 'AutoML'
“命令”
'標記'
“管道”
“火花”
'掃掠' （必要）
notification設置 作業的通知設定 通知設置
屬性 資產屬性字典。 ResourceBaseProperties
secrets配置 設定要在運行時間期間提供秘密。 JobBaseSecretsConfiguration
服務 JobEndpoints 的清單。
針對本機作業，作業端點會有 FileStreamObject 的端點值。		 JobBase服務
標記 標記字典。 標記可以新增、移除和更新。 ResourceBaseTags

JobBaseSecretsConfiguration

名稱 說明 價值觀

JobBase服務

名稱 說明 價值觀

作業輸入

名稱 說明 價值觀
說明 輸入的描述。 字串
jobInputType （作業輸入類型） 設定為 CustomModelJobInput 類型的 『custom_model』。 設定為 常值JobInput 類型的 『literal』。 設定為 MLFlowModelJobInput 類型的 『mlflow_model』。 設定為 MLTableJobInput 類型的 'mltable'。 設定為 TritonModelJobInput 類型的 『triton_model』。 針對 UriFileJobInput類型設定為 『uri_file』。 針對 UriFolderJobInput 類型設定為 『uri_folder』。 “custom_model”
'字面值'
“mlflow_model”
'mltable'
“triton_model”
“uri_file”
'uri_folder' （必要）

JobOutput （作業輸出）

名稱 說明 價值觀
說明 輸出的描述。 字串
jobOutputType 設定為 CustomModelJobOutput 類型的 『custom_model』。 設定為 MLFlowModelJobOutput 類型的 『mlflow_model』。 設定為 MLTableJobOutput 類型的 'mltable'。 將 設定為 TritonModelJobOutput 類型的 『triton_model』。 針對 UriFileJobOutput類型設定為 『uri_file』。 針對 UriFolderJobOutput類型設定為 『uri_folder』。 “custom_model”
“mlflow_model”
'mltable'
“triton_model”
“uri_file”
'uri_folder' （必要）

JobResourceConfiguration

名稱 說明 價值觀
dockerArgs 傳遞至 Docker run 命令的額外自變數。 這會覆寫系統或本節中已設定的任何參數。 此參數僅支援 Azure ML 計算類型。 字串
實例數量 計算目標所使用的實例或節點選擇性數目。 整數 (int)
instanceType 計算目標所支持的選擇性 VM 類型。 字串
地點 作業可以執行的位置。 字串[]
maxInstanceCount 計算目標可使用的實例或節點數目選擇性上限。
若要搭配彈性定型使用，目前只有 PyTorch 散發類型支援。		 整數 (int)
屬性 其他屬性包。 ResourceConfigurationProperties
shmSize Docker 容器的共用記憶體區塊大小。 這應該是 （number）（unit） 的格式，其中數位大於 0，單位可以是 b（位元組）、k（KB）、m（MB）、或 g（GB）。 字串

約束：
圖案 = \d+[bBkKmMgG]

JobScheduleAction作

名稱 說明 價值觀
動作類型 [必要]指定排程的動作類型 'CreateJob' （必要）
jobDefinition [必要]定義排程動作定義詳細數據。 JobBaseProperties （必要）

工作服務

名稱 說明 價值觀
端點 端點的 URL。 字串
jobServiceType 端點類型。 字串
節點 使用者想要啟動服務的節點。
如果未將 Nodes 設定或設定為 null，則服務只會在領導者節點上啟動。		 節點
傳輸埠 用戶所設定端點的埠。 整數 (int)
屬性 在端點上設定的其他屬性。 JobServiceProperties

JobServiceProperties

名稱 說明 價值觀

標籤類別

名稱 說明 價值觀
課程 此類別中標籤類別的字典。 標籤類別類
顯示名稱 標籤類別的顯示名稱。 字串
多選 指出是否允許在此類別中選取多個類別。 “已禁用”
“已啟用”

標籤類別類

名稱 說明 價值觀

標籤類

名稱 說明 價值觀
顯示名稱 標籤類別的顯示名稱。 字串
子 卷標類別子類別的字典。 LabelClass子類

LabelClass子類

名稱 說明 價值觀

LabelingDataConfiguration

名稱 說明 價值觀
數據ID 要執行標籤之數據資產的資源標識碼。 字串
incrementalDataRefresh 指出是否要啟用累加式數據重新整理。 “已禁用”
“已啟用”

LabelingJobImageProperties

名稱 說明 價值觀
annotationType 影像標籤作業的註釋類型。 '邊界框'
'分類'
'InstanceSegmentation' 實例分段'
mediaType [必要]作業的媒體類型。 'Image' （必要）

LabelingJobInstructions

名稱 說明 價值觀
統一資源識別碼 (URI) 具有標籤者詳細標籤指示的頁面連結。 字串

LabelJobLabelCategories

名稱 說明 價值觀

LabelingJobMediaProperties

名稱 說明 價值觀
mediaType 針對 LabelingJobImageProperties 類型設定為 'Image'，。 將 類型設定為 'Text'，LabelingJobTextProperties。 “圖像”
'Text' （必要）

LabelingJobProperties

名稱 說明 價值觀
dataConfiguration 設定作業中使用的數據。 LabelingDataConfiguration
工作說明 標記作業的指示。 LabelingJobInstructions
職位類型 [必要]指定作業的類型。 '標記' （必要）
標籤類別 作業的標籤類別。 LabelJobLabelCategories
labelingJobMediaProperties 作業中的媒體類型特定屬性。 LabelingJobMediaProperties
mlAssistConfiguration 在作業中設定 MLAssist 功能。 MLAssistConfiguration

LabelingJobTextProperties

名稱 說明 價值觀
annotationType 文字標籤作業的註釋類型。 '分類'
'NamedEntityRecognition' （命名實體識別）
mediaType [必要]作業的媒體類型。 'Text' （必要）

LiteralJobInput （文字作業輸入）

名稱 說明 價值觀
jobInputType （作業輸入類型） [必要]指定作業的類型。 'literal' （必要）
價值 [必要]輸入的常值。 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）

ManagedComputeIdentity

名稱 說明 價值觀
computeIdentityType [必要]監視計算識別類型列舉。 'ManagedIdentity' （必要）
身分識別 受控服務識別（系統指派和/或使用者指派的身分識別） ManagedServiceIdentity

ManagedIdentity （託管身份）

名稱 說明 價值觀
用戶端ID 依用戶端識別元指定使用者指派的身分識別。 若為系統指派，請勿設定此欄位。 字串

約束：
最小長度 = 36
最大長度 = 36
圖案 = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
身份類型 [必要]指定身分識別架構的類型。 'Managed' （必要）
物件ID 依物件識別元指定使用者指派的身分識別。 若為系統指派，請勿設定此欄位。 字串

約束：
最小長度 = 36
最大長度 = 36
圖案 = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
資源ID 依 ARM 資源識別碼指定使用者指派的身分識別。 若為系統指派，請勿設定此欄位。 字串

ManagedServiceIdentity

名稱 說明 價值觀
型別 受控服務識別的類型（允許 SystemAssigned 和 UserAssigned 類型）。 “無”
“系統分配”
'SystemAssigned，UserAssigned'
'UserAssigned' （必要）
使用者指派的身份 與資源相關聯的使用者指派身分識別集。 userAssignedIdentities 字典索引鍵的格式為 ARM 資源標識符：'/subscriptions/{subscriptionId}/resourceGroups/{resourceGroupName}/providers/Microsoft.ManagedIdentity/userAssignedIdentities/{identityName}。 字典值可以是要求中的空白物件 （{}）。 UserAssignedIdentities

中位數停止政策

名稱 說明 價值觀
policyType [必要]原則設定的名稱 'MedianStopping' （必要）

MLAssistConfiguration

名稱 說明 價值觀
mlAssist 針對 MLAssistConfigurationDisabled 類型設定為 'Disabled'。 針對 MLAssistConfigurationEnabled 類型，設定為 'Enabled'。 “已禁用”
'Enabled' （必要）

MLAssistConfigurationDisabled

名稱 說明 價值觀
mlAssist [必要]指出是否啟用 MLAssist 功能。 'Disabled' （必要）

MLAssistConfiguration已啟用

名稱 說明 價值觀
inferencingComputeBinding [必要]用於推斷的 AML 計算系結。 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）
mlAssist [必要]指出是否啟用 MLAssist 功能。 'Enabled' （必要）
trainingComputeBinding 的 [必要]定型中使用的 AML 計算系結。 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）

MLFlowModelJobInput

名稱 說明 價值觀
jobInputType （作業輸入類型） [必要]指定作業的類型。 'mlflow_model' （必要）
模式 輸入資產傳遞模式。 “直接”
'下載'
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
“ReadWriteMount”
統一資源識別碼 (URI) [必要]輸入資產 URI。 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）

MLFlowModelJobInput

名稱 說明 價值觀
說明 輸入的描述。 字串
jobInputType （作業輸入類型） [必要]指定作業的類型。 “custom_model”
'字面值'
“mlflow_model”
'mltable'
“triton_model”
“uri_file”
'uri_folder' （必要）
模式 輸入資產傳遞模式。 “直接”
'下載'
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
“ReadWriteMount”
統一資源識別碼 (URI) [必要]輸入資產 URI。 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）

MLFlowModelJobOutput

名稱 說明 價值觀
assetName （資產名稱） 輸出資產名稱。 字串
assetVersion （資產版本） 輸出資產版本。 字串
autoDelete設置 自動刪除輸出數據資產的設定。 自動刪除設置
jobOutputType [必要]指定作業的類型。 'mlflow_model' （必要）
模式 輸出資產傳遞模式。 “直接”
“ReadWriteMount”
'上傳'
統一資源識別碼 (URI) 輸出資產 URI。 字串

MLTableJobInput

名稱 說明 價值觀
說明 輸入的描述。 字串
jobInputType （作業輸入類型） [必要]指定作業的類型。 “custom_model”
'字面值'
“mlflow_model”
'mltable'
“triton_model”
“uri_file”
'uri_folder' （必要）
模式 輸入資產傳遞模式。 “直接”
'下載'
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
“ReadWriteMount”
統一資源識別碼 (URI) [必要]輸入資產 URI。 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）

MLTableJobInput

名稱 說明 價值觀
jobInputType （作業輸入類型） [必要]指定作業的類型。 'mltable' （必要）
模式 輸入資產傳遞模式。 “直接”
'下載'
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
“ReadWriteMount”
統一資源識別碼 (URI) [必要]輸入資產 URI。 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）

MLTableJobOutput

名稱 說明 價值觀
assetName （資產名稱） 輸出資產名稱。 字串
assetVersion （資產版本） 輸出資產版本。 字串
autoDelete設置 自動刪除輸出數據資產的設定。 自動刪除設置
jobOutputType [必要]指定作業的類型。 'mltable' （必要）
模式 輸出資產傳遞模式。 “直接”
“ReadWriteMount”
'上傳'
統一資源識別碼 (URI) 輸出資產 URI。 字串

ModelPerformanceMetricThresholdBase

名稱 說明 價值觀
modelType 設定為 ClassificationModelPerformanceMetricThreshold 類型的 [分類]。 設定為 RegressionModelPerformanceMetricThreshold 類型的 'Regression'。 '分類'
'回歸' （必要）
閾值 臨界值。 如果為 null，則會根據選取的計量來設定預設值。 監控閾值

ModelPerformanceSignal

名稱 說明 價值觀
數據段 數據區段。 MonitoringDataSegment
metricThreshold指標閾值 [必要]要計算的計量清單及其相關聯的臨界值。 ModelPerformanceMetricThresholdBase （必要）
生產數據 [必要]生產服務所產生的數據，將會計算其效能。 MonitoringInputDataBase[] （必要）
referenceData （引用數據） [必要]做為計算模型效能基礎的參考數據。 MonitoringInputDataBase （必要）
信號類型 [必要]指定要監視的訊號類型。 'ModelPerformance' （必要）

監視器ComputeConfigurationBase

名稱 說明 價值觀
computeType 設定為 MonitorServerlessSparkCompute 類型的 'ServerlessSpark'。 'ServerlessSpark' （必要）

監視器計算身份庫

名稱 說明 價值觀
computeIdentityType 針對 AmlTokenComputeIdentity 類型，設定為 『AmlToken』。 針對 ManagedComputeIdentity 類型，設定為 『ManagedIdentity』。 “AmlToken”
'ManagedIdentity' （必要）

監視器定義

名稱 說明 價值觀
alertNotificationSettings 監視器的通知設定。 MonitorNotificationSettings
computeConfiguration [必要]要執行監視作業之計算資源的 ARM 資源識別碼。 MonitorComputeConfigurationBase （必要）
監控目標 此監視器的目標模型或部署的 ARM 資源識別碼。 監控目標
信號 [必要]要監視的訊號。 MonitorDefinitionSignals （必要）

監視器定義信號

名稱 說明 價值觀

監視器EmailNotificationSettings

名稱 說明 價值觀
電子郵件 這是電子郵件收件者清單，總計限製為499個字元。 字串[]

MonitoringDataSegment

名稱 說明 價值觀
功能 要分割數據的功能。 字串
價值觀 僅篩選指定區段特徵的指定值。 字串[]

MonitoringFeatureFilterBase

名稱 說明 價值觀
filterType （過濾器類型） 設定為 AllFeatures 類型的 'AllFeatures'。 針對FeatureSubset類型，設定為 ' FeatureSubset'。 設定為 TopNFeaturesByAttribution 類型的 『TopNByAttribution』。 '所有功能'
'FeatureSubset'
'TopNByAttribution' （必要）

監控輸入資料庫

名稱 說明 價值觀
欄 將數據行名稱對應至特殊用途。 MonitoringInputDataBaseColumns
dataContext 數據源的內容元數據。 字串
inputDataType （輸入資料類型） 設定為 FixedInputData 類型的 『Fixed』。 針對 RollingInputData 類型設定為 『Rolling』。 設定為 StaticInputData 類型的 『Static』。 “已修復”
'滾動'
'Static' （必要）
jobInputType （作業輸入類型） [必要]指定作業的類型。 “custom_model”
'字面值'
“mlflow_model”
'mltable'
“triton_model”
“uri_file”
'uri_folder' （必要）
統一資源識別碼 (URI) [必要]輸入資產 URI。 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）

MonitoringInputDataBaseColumns

名稱 說明 價值觀

監控信號庫

名稱 說明 價值觀
notificationTypes 此訊號的目前通知模式。 包含任何的字串數組：
“AmlNotification”
“AzureMonitor”
屬性 屬性字典。 可以新增屬性，但無法移除或改變。 MonitoringSignalBaseProperties
信號類型 針對 CustomMonitoringSignal 類型，設定為 『Custom』。 設定為 DataDriftMonitoringSignal 類型的 'DataDrift'。 設定為 DataQualityMonitoringSignal 類型的 'DataQuality'。 設定為 FeatureAttributionDrift 類型為 FeatureAttributionDriftMonitoringSignal 的 'FeatureAttributionDrift'。 針對 GenerationSafetyQuality 類型設定為 'GenerationSafetyQualityMonitoringSignal'。 將 設定為 GenerationTokenUsageSignal 類型的 'GenerationTokenStatistics'。 設定為 ModelPerformanceSignal 類型的 『ModelPerformance』。 設定為 PredictionDriftMonitoringSignal 類型的 'PredictionDrift'。 “自定義”
“數據漂移”
'數據品質'
'FeatureAttributionDrift' （特徵歸因漂移）
'GenerationSafetyQuality' （一代安全品質）
'GenerationTokenStatistics'
'ModelPerformance'
'PredictionDrift' （必要）

MonitoringSignalBaseProperties

名稱 說明 價值觀

監控目標

名稱 說明 價值觀
deploymentId 此監視器目標部署的 ARM 資源識別碼。 字串
模型ID 此監視器的目標模型之 ARM 資源識別碼。 字串
任務類型 [必要]模型的機器學習工作類型。 '分類'
“問答”
'回歸' （必要）

監控閾值

名稱 說明 價值觀
價值 臨界值。 如果為 null，則設定預設值取決於計量類型。 整數 (int)

MonitoringWorkspaceConnection

名稱 說明 價值觀
環境變數 工作區服務連線的屬性，以在送出的工作中儲存為環境變數。
索引鍵是工作區連線屬性路徑，名稱為環境變數索引鍵。		 MonitoringWorkspaceConnectionEnvironmentVariables
祕密 工作區服務連線的屬性，以在送出的工作中儲存為秘密。
密鑰是工作區連線屬性路徑，名稱為秘密金鑰。		 監控 WorkspaceConnectionSecrets

MonitoringWorkspaceConnectionEnvironmentVariables

名稱 說明 價值觀

監控 WorkspaceConnectionSecrets

名稱 說明 價值觀

MonitorNotificationSettings

名稱 說明 價值觀
emailNotification設置 AML 通知電子郵件設定。 監視器EmailNotificationSettings

監視器ServerlessSparkCompute

名稱 說明 價值觀
計算身份 [必要]在無伺服器 Spark 上執行的 Spark 作業所運用的身分識別配置。 MonitorComputeIdentityBase （必要）
computeType [必要]指定要監視的訊號類型。 'ServerlessSpark' （必要）
instanceType [必要]執行 Spark 作業的實體類型。 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）
runtimeVersion （運行時版本） [必要]Spark 運行時間版本。 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）

MPI

名稱 說明 價值觀
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。 整數 (int)

NCross驗證

名稱 說明 價值觀
模式 針對 AutoNCrossValidations 類型，設定為 『Auto』。 設定為 CustomNCrossValidations 類型的 [自定義]。 '自動'
'Custom' （必要）

NlpFixedParameters

名稱 說明 價值觀
梯度累積步驟 在執行回溯傳遞之前，要累積漸層的步驟數目。 整數 (int)
learningRate 定型程序的學習速率。 整數 (int)
learningRateScheduler 的 訓練程式期間要使用的學習速率排程類型。 “恆定”
'ConstantWithWarmup' （不斷預熱）
'Cosine' 餘弦
'CosineWithRestarts'
“線性”
“無”
'多項式'
型號名稱 要定型的模型名稱。 字串
紀元數 定型 Epoch 的數目。 整數 (int)
trainingBatchSize 定型程式的批次大小。 整數 (int)
validationBatchSize 評估期間要使用的批次大小。 整數 (int)
warmupRatio 熱身比例，與 LrSchedulerType 搭配使用。 整數 (int)
weightDecay （權重衰減） 定型程式的重量衰變。 整數 (int)

NlpParameterSubspace

名稱 說明 價值觀
梯度累積步驟 在執行回溯傳遞之前，要累積漸層的步驟數目。 字串
learningRate 定型程序的學習速率。 字串
learningRateScheduler 的 訓練程式期間要使用的學習速率排程類型。 字串
型號名稱 要定型的模型名稱。 字串
紀元數 定型 Epoch 的數目。 字串
trainingBatchSize 定型程式的批次大小。 字串
validationBatchSize 評估期間要使用的批次大小。 字串
warmupRatio 熱身比例，與 LrSchedulerType 搭配使用。 字串
weightDecay （權重衰減） 定型程式的重量衰變。 字串

NlpSweepSettings

名稱 說明 價值觀
early終止 掃掠作業的早期終止原則類型。 提前終止政策
sampling演算法 [必要]取樣演算法的類型。 “貝氏”
'網格'
'Random' （必要）

NlpVerticalFeaturizationSettings

名稱 說明 價值觀
datasetLanguage 數據集語言，適用於文字數據。 字串

NlpVerticalLimitSettings

名稱 說明 價值觀
maxConcurrentTrials 並行 AutoML 反覆專案上限。 整數 (int)
最大節點數 用於實驗的最大節點。 整數 (int)
maxTrials AutoML 反覆項目的數目。 整數 (int)
超時 AutoML 作業逾時。 字串
trialTimeout （試用超時） 個別 HD 試用版的逾時。 字串

節點

名稱 說明 價值觀
nodesValueType 針對 AllNodes 類型，設定為 'All'。 'All' （必要）

通知設置

名稱 說明 價值觀
電子郵件 在指定的通知類型上傳送電子郵件通知給使用者 包含任何的字串數組：
'JobCancelled' （工作已取消）
'JobCompleted'
“作業失敗”
電子郵件 這是電子郵件收件者清單，其總限製為499個字元，且具有逗號分隔符 字串[]
webhook 將 Webhook 回呼傳送至服務。 機碼是 Webhook 的使用者提供名稱。 NotificationSettingWebhook

NotificationSettingWebhook

名稱 說明 價值觀

NumericalDataDriftMetricThreshold

名稱 說明 價值觀
數據類型 [必要]指定計量閾值的數據類型。 '數值' （必要）
計量 [必要]要計算的數值數據漂移計量。 'JensenShannonDistance'
'NormalizedWassersteinDistance'
'人口穩定性指數'
'TwoSampleKolmogorovSmirnovTest' （必要）

NumericalDataQualityMetricThreshold

名稱 說明 價值觀
數據類型 [必要]指定計量閾值的數據類型。 '數值' （必要）
計量 [必要]要計算的數值數據品質計量。 'DataTypeErrorRate'
'NullValueRate'
'OutOfBoundsRate' （必要）

NumericalPredictionDriftMetricThreshold

名稱 說明 價值觀
數據類型 [必要]指定計量閾值的數據類型。 '數值' （必要）
計量 [必要]要計算的數值預測漂移計量。 'JensenShannonDistance'
'NormalizedWassersteinDistance'
'人口穩定性指數'
'TwoSampleKolmogorovSmirnovTest' （必要）

目的

名稱 說明 價值觀
目標 [必要]定義超參數微調支援的計量目標 “最大化”
'最小化' （必要）
primaryMetric [必要]要優化之計量的名稱。 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）

管道作業

名稱 說明 價值觀
輸入 管線作業的輸入。 管道作業輸入
工作 作業會建構管線作業。 PipelineJobJob 作業
職位類型 [必要]指定作業的類型。 'Pipeline' （必要）
輸出 管線作業的輸出 PipelineJobOutputs
設定 管線設定，適用於 ContinueRunOnStepFailure 等專案。 任何
源作業 ID 來源作業的 ARM 資源識別碼。 字串

管道作業輸入

名稱 說明 價值觀

PipelineJobJob 作業

名稱 說明 價值觀

PipelineJobOutputs

名稱 說明 價值觀

PredictionDriftMetricThresholdBase

名稱 說明 價值觀
數據類型 設定為 CategoricalPredictionDriftMetricThreshold 類型的 'Categorical'。 設定為 [數值] 類型為 [數值][PredictionDriftMetricThreshold]。 '類別'
'數值' （必要）
閾值 臨界值。 如果為 null，則會根據選取的計量來設定預設值。 監控閾值

預測漂移監測信號

名稱 說明 價值觀
featureDataTypeOverride 將特徵名稱對應至其個別數據類型的字典。 PredictionDriftMonitoringSignalFeatureDataTypeOverride
metricThresholds [必要]要計算的計量清單及其相關聯的臨界值。 PredictionDriftMetricThresholdBase[] （必要）
生產數據 [必要]要計算漂移的數據。 MonitoringInputDataBase （必要）
referenceData （引用數據） [必要]要計算漂移的數據。 MonitoringInputDataBase （必要）
信號類型 [必要]指定要監視的訊號類型。 'PredictionDrift' （必要）

PredictionDriftMonitoringSignalFeatureDataTypeOverride

名稱 說明 價值觀

PyTorch

名稱 說明 價值觀
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。 整數 (int)

佇列設置

名稱 說明 價值觀
jobTier 控制計算作業層 “基本”
'Null'
“高級”
'Spot'
“標準”
優先權 控制計算上作業的優先順序。 整數 (int)

RandomSamplingAlgorithm 演算法

名稱 說明 價值觀
日誌庫 選擇性正數或 e 字串格式，以做為以記錄為基礎的隨機取樣基底 字串
規則 隨機演算法的特定類型 '隨機'
“索博爾”
採樣演算法類型 [必要]用來產生超參數值的演算法，以及組態屬性 'Random' （必要）
種子 要作為隨機數產生種子的選擇性整數 整數 (int)

射線

名稱 說明 價值觀
地址 Ray 前端節點的位址。 字串
dashboardPort 要系結儀錶板伺服器的埠。 整數 (int)
distributionType [必要]指定散發架構的類型。 'Ray' （必要）
headNodeAdditionalArgs 傳遞至前端節點中光線啟動的其他自變數。 字串
includeDashboard 提供此自變數以啟動Ray儀錶板 GUI。 布爾 (bool)
傳輸埠 前端光線進程的埠。 整數 (int)
workerNodeAdditionalArgs 傳遞至ray的其他自變數會在背景工作節點中啟動。 字串

RecurrenceSchedule （定期計劃）

名稱 說明 價值觀
小時 [必要]排程的時數清單。 int[] （必要）
紀要 [必要]排程的分鐘數清單。 int[] （必要）
月天 排程的月份天數清單 int[]
平日 排程的天數清單。 包含任何的字串數組：
《星期五》
《星期一》
《星期六》
《星期天》
《星期四》
《星期二》
《星期三》

RecurrenceTrigger 觸發器

名稱 說明 價值觀
頻率 [必要]觸發排程的頻率。 “日”
“小時”
“分鐘”
“月”
'Week' （必要）
間隔 [必要]指定排程間隔與頻率 int （必要）
時間表 週期排程。 RecurrenceSchedule （定期計劃）
triggerType [必要] '週期' （必要）

迴歸

名稱 說明 價值觀
cvSplitColumnNames 要用於 CVSplit 資料的數據行。 字串[]
featurizationSettings AutoML 作業所需的特徵化輸入。 TableVerticalFeaturizationSettings
固定參數 模型/定型參數，在整個定型過程中會維持不變。 TableFixedParameters （表固定參數）
limitSettings AutoMLJob 的執行條件約束。 TableVerticalLimitSettings
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。		 NCross驗證
primaryMetric 回歸工作的主要計量。 'NormalizedMeanAbsoluteError'
'NormalizedRootMeanSquaredError'
'R2Score'
'SpearmanCorrelation'
搜索空間 搜尋空間以取樣模型及其超參數的不同組合。 TableParameterSubspace[]
掃描設置 模型掃掠和超參數微調的設定。 TableSweepSettings （表格掃描設置）
任務類型 [必要]AutoMLJob 的工作類型。 '回歸' （必要）
測試數據 測試數據輸入。 MLTableJobInput
testDataSize 必須為驗證目的而保留的測試數據集分數。
介於 （0.0 、 1.0） 之間的值
未提供驗證數據集時套用。		 整數 (int)
trainingSettings AutoML 作業定型階段的輸入。 回歸訓練設置
validationData （驗證資料） 驗證數據輸入。 MLTableJobInput
validationDataSize 需要為驗證目的預留的定型數據集分數。
介於 （0.0 、 1.0） 之間的值
未提供驗證數據集時套用。		 整數 (int)
權重列名稱 範例權數數據行的名稱。 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

RegressionModelPerformanceMetricThreshold

名稱 說明 價值觀
計量 [必要]要計算的回歸模型效能計量。 'MeanAbsoluteError'
'MeanSquaredError'
'RootMeanSquaredError' （必要）
modelType [必要]指定計量閾值的數據類型。 '回歸' （必要）

回歸訓練設置

名稱 說明 價值觀
allowedTrainingAlgorithms 回歸工作的允許模型。 包含任何的字串數組：
“決策樹”
“彈性網”
'ExtremeRandomTrees'
'梯度提升'
'KNN'
“套索拉斯”
'LightGBM'
'隨機森林'
'新幣'
'XGBoostRegressor'
blockedTrainingAlgorithms 回歸工作的封鎖模型。 包含任何的字串數組：
“決策樹”
“彈性網”
'ExtremeRandomTrees'
'梯度提升'
'KNN'
“套索拉斯”
'LightGBM'
'隨機森林'
'新幣'
'XGBoostRegressor'
enableDnnTraining 啟用 DNN 模型的建議。 布爾 (bool)
enableModelExplainability 在最佳模型上開啟可解釋性的旗標。 布爾 (bool)
enableOnnxCompatibleModels 啟用 onnx 相容模型的旗標。 布爾 (bool)
enableStackEnsemble 啟用堆疊合奏執行。 布爾 (bool)
enableVoteEnsemble 啟用投票合奏執行。 布爾 (bool)
ensembleModelDownloadTimeout 在 VotingEnsemble 和 StackEnsemble 模型產生期間，會下載先前子回合中的多個安裝模型。
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 堆疊合奏執行的堆疊合奏設定。 StackEnsembleSettings
trainingMode TrainingMode 模式 - 設定為 'auto' 與目前將它設定為「非分散式」相同，但未來可能會導致混合模式或啟發學習法模式選取。 預設值為 『auto』。
如果 「分散式」，則只會使用分散式特徵化，並選擇分散式演算法。
如果 『NonDistributed』，則只會選擇非分散式演算法。		 '自動'
“分散式”
'NonDistributed' （非分散式）

ResourceBaseProperties

名稱 說明 價值觀

ResourceBaseProperties

名稱 說明 價值觀

ResourceBaseProperties

名稱 說明 價值觀

ResourceBaseTags

名稱 說明 價值觀

ResourceBaseTags

名稱 說明 價值觀

ResourceBaseTags

名稱 說明 價值觀

ResourceConfigurationProperties

名稱 說明 價值觀

滾動輸入數據

名稱 說明 價值觀
inputDataType （輸入資料類型） [必要]指定要監視的訊號類型。 '滾動' （必要）
預處理元件ID 用來前置處理數據的元件資源的 ARM 資源識別碼。 字串
windowOffset [必要]數據視窗結尾與監視器目前運行時間之間的時間位移。 字串 （必要）
視窗大小 [必要]尾端資料視窗的大小。 字串 （必要）

採樣演算法

名稱 說明 價值觀
採樣演算法類型 針對 BayesianSamplingAlgorithm類型設定為 『Bayesian』。 設定為 GridSamplingAlgorithm 類型的 『Grid』。 設定為 RandomSamplingAlgorithm 類型的 『Random』。 “貝氏”
'網格'
'Random' （必要）

ScheduleActionBase

名稱 說明 價值觀
動作類型 設定為 JobScheduleAction類型的 『CreateJob』。 設定為 CreateMonitorAction 類型的 『CreateMonitor』。 設定為 ImportDataAction 類型的 『ImportData』。 設定為 EndpointScheduleAction 類型的 『InvokeBatchEndpoint』。 “CreateJob”
“創建監視器”
'匯入數據'
'InvokeBatchEndpoint' （必要）

ScheduleProperties （計劃屬性）

名稱 說明 價值觀
動作 [必要]指定排程的動作 ScheduleActionBase （必要）
說明 資產描述文字。 字串
顯示名稱 排程的顯示名稱。 字串
已啟用 是否已啟用排程？ 布爾 (bool)
屬性 資產屬性字典。 ResourceBaseProperties
標記 標記字典。 標記可以新增、移除和更新。 ResourceBaseTags
觸發 [必要]指定觸發程式詳細數據 TriggerBase （必要）

季節性

名稱 說明 價值觀
模式 針對 AutoSeasonality 類型，設定為 [自動]。 針對 CustomSeasonality 類型，設定為 [自定義]。 '自動'
'Custom' （必要）

SecretConfiguration

名稱 說明 價值觀
統一資源識別碼 (URI) 秘密 URI。
範例 URI ： https://myvault.vault.azure.net/secrets/mysecretname/secretversion		 字串
workspaceSecretName （工作區金鑰名稱） 工作區金鑰保存庫中的秘密名稱。 字串

SparkJob

名稱 說明 價值觀
檔案 封存作業中使用的檔案。 字串[]
參數 作業的自變數。 字串
代碼Id [必要]程式代碼資產的 ARM 資源識別碼。 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）
會議 Spark 設定的屬性。 SparkJobConf 函數
輸入 [必要]在作業啟動時要執行的專案。 SparkJobEntry （必要）
環境ID 作業之環境規格的 ARM 資源識別碼。 字串
環境變數 作業中包含的環境變數。 SparkJobEnvironment變數
檔案 作業中使用的檔案。 字串[]
輸入 對應作業中使用的輸入數據系結。 SparkJobInputs
罐子 作業中使用的 Jar 檔案。 字串[]
職位類型 [必要]指定作業的類型。 'Spark' （必要）
輸出 對應作業中使用的輸出數據系結。 SparkJob輸出
py檔 作業中使用的 Python 檔案。 字串[]
queueSettings 作業的佇列設定 佇列設置
資源 作業的計算資源組態。 SparkResourceConfiguration

SparkJobConf 函數

名稱 說明 價值觀

SparkJobEntry

名稱 說明 價值觀
sparkJobEntryType 針對 SparkJobPythonEntry 類型，設定為 'SparkJobPythonEntry'。 針對 SparkJobScalaEntry 類型，設定為 'SparkJobScalaEntry'。 “SparkJobPythonEntry”
'SparkJobScalaEntry' （必要）

SparkJobEnvironment變數

名稱 說明 價值觀

SparkJobInputs

名稱 說明 價值觀

SparkJob輸出

名稱 說明 價值觀

SparkJobPython條目

名稱 說明 價值觀
檔案 [必要]作業進入點的相對 Python 檔案路徑。 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）
sparkJobEntryType [必要]作業進入點的類型。 'SparkJobPythonEntry' （必要）

SparkJobScalaEntry

名稱 說明 價值觀
類別名稱 [必要]做為進入點的 Scala 類別名稱。 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）
sparkJobEntryType [必要]作業進入點的類型。 'SparkJobScalaEntry' （必要）

SparkResourceConfiguration

名稱 說明 價值觀
instanceType 計算目標所支持的選擇性 VM 類型。 字串
runtimeVersion （運行時版本） 用於作業的 Spark 執行時間版本。 字串

StackEnsembleSettings

名稱 說明 價值觀
stackMetaLearnerKWargs 要傳遞至中繼學習模組初始化表達式的選擇性參數。 任何
stackMetaLearnerTrainPercentage 指定要保留用於訓練中繼學習工具的定型集比例（選擇定型和定型類型的訓練類型）。 預設值為 0.2。 整數 (int)
stackMetaLearnerType 中繼學習器是針對個別異質模型輸出定型的模型。 “彈性網”
'ElasticNetCV'
'LightGBMClassifier'
'LightGBMRegressor'
'線性回歸'
'LogisticRegression' （邏輯回歸）
'LogisticRegressionCV'
“無”

StaticInputData （靜態輸入數據）

名稱 說明 價值觀
inputDataType （輸入資料類型） [必要]指定要監視的訊號類型。 'Static' （必要）
預處理元件ID 用來前置處理數據的元件資源的 ARM 資源識別碼。 字串
窗口結束 [必要]數據窗口的結束日期。 字串 （必要）
窗口開始 [必要]數據視窗的開始日期。 字串 （必要）

SweepJob （掃描作業）

名稱 說明 價值觀
componentConfiguration 用於掃掠元件的元件組態 元件配置
early終止 早期終止原則可在完成之前取消執行效能不佳 提前終止政策
輸入 對應作業中使用的輸入數據系結。 SweepJobInputs
職位類型 [必要]指定作業的類型。 '掃掠' （必要）
限制 掃掠作業限制。 SweepJobLimits （掃描作業限制）
目的 [必要]優化目標。 目標 （必要）
輸出 對應作業中使用的輸出數據系結。 SweepJobOutputs （掃描作業輸出）
queueSettings 作業的佇列設定 佇列設置
資源 作業的計算資源組態。 JobResourceConfiguration
sampling演算法 [必要]超參數取樣演算法 SamplingAlgorithm （必要）
搜索空間 [必要]包含每個參數及其散發的字典。 字典索引鍵是參數的名稱 任何 （必要）
試用 [必要]試用版元件定義。 TrialComponent （必要）

SweepJobInputs

名稱 說明 價值觀

SweepJobLimits （掃描作業限制）

名稱 說明 價值觀
jobLimits類型 [必要]JobLimit 類型。 “命令”
'掃掠' （必要）
maxConcurrentTrials 掃掠作業最大並行試用版。 整數 (int)
maxTotalTrials 掃掠作業最大總試用版。 整數 (int)
超時 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 （試用超時） 掃掠作業試用版逾時值。 字串

SweepJobOutputs （掃描作業輸出）

名稱 說明 價值觀

TableFixedParameters （表固定參數）

名稱 說明 價值觀
助推 器 指定提升類型，例如 XGBoost 的 gbdt。 字串
boosting類型 指定提升類型，例如 LightGBM 的 gbdt。 字串
增長策略 指定成長原則，以控制將新節點新增至樹狀結構的方式。 字串
learningRate 定型程序的學習速率。 整數 (int)
最大 Bin 指定貯體連續功能的離散間隔數目上限。 整數 (int)
最大深度 指定明確限制樹狀結構深度的最大深度。 整數 (int)
最大葉數 指定要明確限制樹狀結構的葉數上限。 整數 (int)
minDataInLeaf 的 每個分葉的數據數目下限。 整數 (int)
minSplitGain 最小分度增益 在樹狀結構的分葉節點上進行進一步分割所需的最小遺失減少。 整數 (int)
型號名稱 要定型的模型名稱。 字串
nEstimator 指定模型中的樹狀結構數目（或四捨五入）。 整數 (int)
葉數 指定葉數。 整數 (int)
preprocessorName 要使用的預處理器名稱。 字串
regAlpha 加權的 L1 正規化詞彙。 整數 (int)
regLambda 加權的 L2 正規化詞彙。 整數 (int)
子樣本 定型實例的子取樣比例。 整數 (int)
subsampleFreq 子取樣的頻率。 整數 (int)
treeMethod 指定樹狀結構方法。 字串
withMean 如果為 true，請在使用 StandardScalar 調整數據之前置中。 布爾 (bool)
withStd 如果為 true，請使用 StandardScalar 來調整單位變異數的數據。 布爾 (bool)

TableParameterSubspace

名稱 說明 價值觀
助推 器 指定提升類型，例如 XGBoost 的 gbdt。 字串
boosting類型 指定提升類型，例如 LightGBM 的 gbdt。 字串
增長策略 指定成長原則，以控制將新節點新增至樹狀結構的方式。 字串
learningRate 定型程序的學習速率。 字串
最大 Bin 指定貯體連續功能的離散間隔數目上限。 字串
最大深度 指定明確限制樹狀結構深度的最大深度。 字串
最大葉數 指定要明確限制樹狀結構的葉數上限。 字串
minDataInLeaf 的 每個分葉的數據數目下限。 字串
minSplitGain 最小分度增益 在樹狀結構的分葉節點上進行進一步分割所需的最小遺失減少。 字串
型號名稱 要定型的模型名稱。 字串
nEstimator 指定模型中的樹狀結構數目（或四捨五入）。 字串
葉數 指定葉數。 字串
preprocessorName 要使用的預處理器名稱。 字串
regAlpha 加權的 L1 正規化詞彙。 字串
regLambda 加權的 L2 正規化詞彙。 字串
子樣本 定型實例的子取樣比例。 字串
subsampleFreq 子取樣的頻率 字串
treeMethod 指定樹狀結構方法。 字串
withMean 如果為 true，請在使用 StandardScalar 調整數據之前置中。 字串
withStd 如果為 true，請使用 StandardScalar 來調整單位變異數的數據。 字串

TableSweepSettings （表格掃描設置）

名稱 說明 價值觀
early終止 掃掠作業的早期終止原則類型。 提前終止政策
sampling演算法 [必要]取樣演算法的類型。 “貝氏”
'網格'
'Random' （必要）

TableVerticalFeaturizationSettings

名稱 說明 價值觀
阻塞變壓器 這些轉換器不得用於特徵化。 包含任何的字串數組：
'CatTargetEncoder' （貓目標編碼器）
'CountVectorizer'
'HashOneHotEncoder'
'標籤編碼器'
“天真貝葉斯”
'OneHotEncoder' （一熱編碼器）
'TextTargetEncoder'
'TfIdf'
'WoETargetEncoder' （WoETarget編碼器）
'WordEmbedding' （單詞嵌入）
columnNameAnd類型 數據行名稱及其類型字典（int、float、string、datetime 等）。 TableVerticalFeaturizationSettingsColumnNameAndTypes
datasetLanguage 數據集語言，適用於文字數據。 字串
enableDnnFeaturization 判斷是否要使用 Dnn 型特徵化程式進行數據特徵化。 布爾 (bool)
模式 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，以自定義特徵化的完成方式。		 '自動'
“自定義”
“關閉”
transformer參數 用戶可以指定要搭配套用的其他轉換器，以及要套用它的數據行，以及轉換建構函式的參數。 TableVerticalFeaturizationSettingsTransformerParams

TableVerticalFeaturizationSettingsColumnNameAndTypes

名稱 說明 價值觀

TableVerticalFeaturizationSettingsTransformerParams

名稱 說明 價值觀

TableVerticalLimitSettings

名稱 說明 價值觀
enableEarlyTermination 啟用提早終止，判斷如果過去 20 個反覆項目沒有分數改善，AutoMLJob 是否會提早終止。 布爾 (bool)
退出評分 AutoML 作業的結束分數。 整數 (int)
maxConcurrentTrials 並行反覆運算數上限。 整數 (int)
maxCoresPerTrial 每個反覆專案的核心數上限。 整數 (int)
最大節點數 用於實驗的最大節點。 整數 (int)
maxTrials 反覆項目的數目。 整數 (int)
sweepConcurrentTrials 使用者想要觸發的並行掃掠執行數目。 整數 (int)
sweepTrials 使用者想要觸發的掃掠執行次數。 整數 (int)
超時 AutoML 作業逾時。 字串
trialTimeout （試用超時） 反覆專案逾時。 字串

目標滯後

名稱 說明 價值觀
模式 針對 AutoTargetLags 類型設定為 『Auto』。 設定為 CustomTargetLags 類型的 [自定義]。 '自動'
'Custom' （必要）

TargetRollingWindowSize

名稱 說明 價值觀
模式 針對 AutoTargetRollingWindowSize 類型，設定為 『Auto』。 針對 CustomTargetRollingWindowSize 類型設定為 『Custom』。 '自動'
'Custom' （必要）

TensorFlow

名稱 說明 價值觀
distributionType [必要]指定散發架構的類型。 'TensorFlow' （必要）
parameterServerCount 參數伺服器工作的數目。 整數 (int)
workerCount 工人計數 工人人數。 如果未指定，則會預設為實例計數。 整數 (int)

文本分類

名稱 說明 價值觀
featurizationSettings AutoML 作業所需的特徵化輸入。 NlpVerticalFeaturizationSettings
固定參數 模型/定型參數，在整個定型過程中會維持不變。 NlpFixedParameters
limitSettings AutoMLJob 的執行條件約束。 NlpVerticalLimitSettings
primaryMetric Text-Classification 工作的主要計量。 '精確度'
'AUCWeighted'
'AveragePrecisionScoreWeighted'
'NormMacroRecall' （規範巨集調用）
'PrecisionScoreWeighted'
搜索空間 搜尋空間以取樣模型及其超參數的不同組合。 NlpParameterSubspace[]
掃描設置 模型掃掠和超參數微調的設定。 NlpSweepSettings
任務類型 [必要]AutoMLJob 的工作類型。 'TextClassification' （必要）
validationData （驗證資料） 驗證數據輸入。 MLTableJobInput

TextClassificationMultilabel

名稱 說明 價值觀
featurizationSettings AutoML 作業所需的特徵化輸入。 NlpVerticalFeaturizationSettings
固定參數 模型/定型參數，在整個定型過程中會維持不變。 NlpFixedParameters
limitSettings AutoMLJob 的執行條件約束。 NlpVerticalLimitSettings
搜索空間 搜尋空間以取樣模型及其超參數的不同組合。 NlpParameterSubspace[]
掃描設置 模型掃掠和超參數微調的設定。 NlpSweepSettings
任務類型 [必要]AutoMLJob 的工作類型。 'TextClassificationMultilabel' （必要）
validationData （驗證資料） 驗證數據輸入。 MLTableJobInput

TextNer （文字產生器）

名稱 說明 價值觀
featurizationSettings AutoML 作業所需的特徵化輸入。 NlpVerticalFeaturizationSettings
固定參數 模型/定型參數，在整個定型過程中會維持不變。 NlpFixedParameters
limitSettings AutoMLJob 的執行條件約束。 NlpVerticalLimitSettings
搜索空間 搜尋空間以取樣模型及其超參數的不同組合。 NlpParameterSubspace[]
掃描設置 模型掃掠和超參數微調的設定。 NlpSweepSettings
任務類型 [必要]AutoMLJob 的工作類型。 'TextNER' （必要）
validationData （驗證資料） 驗證數據輸入。 MLTableJobInput

TopNFeaturesByAttribution

名稱 說明 價值觀
filterType （過濾器類型） [必要]指定要在選取要計算計量的功能時運用的功能篩選。 'TopNByAttribution' （必要）
返回頁首 要包含的最上層功能數目。 整數 (int)

TrialComponent （試用元件）

名稱 說明 價值觀
代碼Id 程式代碼資產的 ARM 資源識別碼。 字串
指令 [必要]在作業啟動時執行的命令。 例如 “python train.py” 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）
分配 作業的散發組態。 如果設定，這應該是其中一個 Mpi、Tensorflow、PyTorch 或 null。 分發配置
環境ID [必要]作業之環境規格的 ARM 資源識別碼。 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）
環境變數 作業中包含的環境變數。 TrialComponentEnvironmentVariables
資源 作業的計算資源組態。 JobResourceConfiguration

TrialComponentEnvironmentVariables

名稱 說明 價值觀

觸發器庫

名稱 說明 價值觀
結束時間 指定 ISO 8601 中的排程結束時間，但不含 UTC 位移。 請參閱 https://en.wikipedia.org/wiki/ISO_8601。
重新批注的格式會是 “2022-06-01T00：00：01”
如果沒有，排程將會無限期執行		 字串
開始時間 以 ISO 8601 格式指定排程的開始時間，但不含 UTC 位移。 字串
時區 指定排程執行所在的時區。
TimeZone應遵循 Windows 時區格式。 請參閱：/windows-hardware/manufacture/desktop/default-time-zones？view=windows-11		 字串
triggerType 設定為 CronTrigger 類型的 『Cron』。 將類型 RecurrenceTrigger 設定為 『RecurrenceTrigger』。 'Cron'
'週期' （必要）

TritonModelJobInput

名稱 說明 價值觀
jobInputType （作業輸入類型） [必要]指定作業的類型。 'triton_model' （必要）
模式 輸入資產傳遞模式。 “直接”
'下載'
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
“ReadWriteMount”
統一資源識別碼 (URI) [必要]輸入資產 URI。 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）

TritonModelJobOutput

名稱 說明 價值觀
assetName （資產名稱） 輸出資產名稱。 字串
assetVersion （資產版本） 輸出資產版本。 字串
autoDelete設置 自動刪除輸出數據資產的設定。 自動刪除設置
jobOutputType [必要]指定作業的類型。 'triton_model' （必要）
模式 輸出資產傳遞模式。 “直接”
“ReadWriteMount”
'上傳'
統一資源識別碼 (URI) 輸出資產 URI。 字串

截斷選擇策略 (TruncationSelectionPolicy)

名稱 說明 價值觀
policyType [必要]原則設定的名稱 'TruncationSelection' （必要）
截斷百分比 要在每個評估間隔取消的執行百分比。 整數 (int)

UriFileJobInput

名稱 說明 價值觀
jobInputType （作業輸入類型） [必要]指定作業的類型。 'uri_file' （必要）
模式 輸入資產傳遞模式。 “直接”
'下載'
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
“ReadWriteMount”
統一資源識別碼 (URI) [必要]輸入資產 URI。 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）

UriFileJobOutput

名稱 說明 價值觀
assetName （資產名稱） 輸出資產名稱。 字串
assetVersion （資產版本） 輸出資產版本。 字串
autoDelete設置 自動刪除輸出數據資產的設定。 自動刪除設置
jobOutputType [必要]指定作業的類型。 'uri_file' （必要）
模式 輸出資產傳遞模式。 “直接”
“ReadWriteMount”
'上傳'
統一資源識別碼 (URI) 輸出資產 URI。 字串

UriFolderJobInput

名稱 說明 價值觀
jobInputType （作業輸入類型） [必要]指定作業的類型。 'uri_folder' （必要）
模式 輸入資產傳遞模式。 “直接”
'下載'
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
“ReadWriteMount”
統一資源識別碼 (URI) [必要]輸入資產 URI。 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）

UriFolderJobOutput

名稱 說明 價值觀
assetName （資產名稱） 輸出資產名稱。 字串
assetVersion （資產版本） 輸出資產版本。 字串
autoDelete設置 自動刪除輸出數據資產的設定。 自動刪除設置
jobOutputType [必要]指定作業的類型。 'uri_folder' （必要）
模式 輸出資產傳遞模式。 “直接”
“ReadWriteMount”
'上傳'
統一資源識別碼 (URI) 輸出資產 URI。 字串

UserAssignedIdentities

名稱 說明 價值觀

UserAssignedIdentity

名稱 說明 價值觀

使用者身份

名稱 說明 價值觀
身份類型 [必要]指定身分識別架構的類型。 'UserIdentity' （必要）

Webhook

名稱 說明 價值觀
事件類型 在指定的通知事件上傳送回呼 字串
webhook類型 針對 AzureDevOpsWebhook 類型，設定為 『AzureDevOps』。 'AzureDevOps' （必要）

使用範例

Terraform （AzAPI 提供者） 資源定義

工作區/排程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 變更記錄檔。

資源格式

若要建立 Microsoft.MachineLearningServices/workspaces/schedules 資源，請將下列 Terraform 新增至範本。

resource "azapi_resource" "symbolicname" {
  type = "Microsoft.MachineLearningServices/workspaces/schedules@2023-08-01-preview"
  name = "string"
  parent_id = "string"
  body = {
    properties = {
      action = {
        actionType = "string"
        // For remaining properties, see ScheduleActionBase objects
      }
      description = "string"
      displayName = "string"
      isEnabled = bool
      properties = {
        {customized property} = "string"
      }
      tags = {
        {customized property} = "string"
      }
      trigger = {
        endTime = "string"
        startTime = "string"
        timeZone = "string"
        triggerType = "string"
        // For remaining properties, see TriggerBase objects
      }
    }
  }
}

TriggerBase 物件

設定 triggerType 屬性以指定物件的類型。

針對 Cron，請使用：

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

針對 [週期]，請使用：

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

MonitoringFeatureFilterBase 物件

設定 filterType 屬性以指定物件的類型。

針對 AllFeatures，請使用：

{
  filterType = "AllFeatures"
}

針對 FeatureSubset，請使用：

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

針對 TopNByAttribution，請使用：

{
  filterType = "TopNByAttribution"
  top = int
}

MonitoringSignalBase 物件

設定 signalType 屬性以指定物件的類型。

針對 [自定義]，請使用：

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

針對 DataDrift，請使用：

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

針對 DataQuality，請使用：

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

針對 FeatureAttributionDrift，請使用：

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

針對 GenerationSafetyQuality，請使用：

{
  metricThresholds = [
    {
      metric = "string"
      threshold = {
        value = int
      }
    }
  ]
  productionData = [
    {
      columns = {
        {customized property} = "string"
      }
      dataContext = "string"
      jobInputType = "string"
      uri = "string"
      inputDataType = "string"
      // For remaining properties, see MonitoringInputDataBase objects
    }
  ]
  samplingRate = int
  signalType = "GenerationSafetyQuality"
  workspaceConnectionId = "string"
}

針對 GenerationTokenStatistics，請使用：

{
  metricThresholds = [
    {
      metric = "string"
      threshold = {
        value = int
      }
    }
  ]
  productionData = [
    {
      columns = {
        {customized property} = "string"
      }
      dataContext = "string"
      jobInputType = "string"
      uri = "string"
      inputDataType = "string"
      // For remaining properties, see MonitoringInputDataBase objects
    }
  ]
  samplingRate = int
  signalType = "GenerationTokenStatistics"
}

針對 ModelPerformance，請使用：

{
  dataSegment = {
    feature = "string"
    values = [
      "string"
    ]
  }
  metricThreshold = {
    threshold = {
      value = int
    }
    modelType = "string"
    // For remaining properties, see ModelPerformanceMetricThresholdBase objects
  }
  productionData = [
    {
      columns = {
        {customized property} = "string"
      }
      dataContext = "string"
      jobInputType = "string"
      uri = "string"
      inputDataType = "string"
      // For remaining properties, see MonitoringInputDataBase objects
    }
  ]
  referenceData = {
    columns = {
      {customized property} = "string"
    }
    dataContext = "string"
    jobInputType = "string"
    uri = "string"
    inputDataType = "string"
    // For remaining properties, see MonitoringInputDataBase objects
  }
  signalType = "ModelPerformance"
}

針對 PredictionDrift，請使用：

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

MonitorComputeIdentityBase 物件

設定 computeIdentityType 屬性以指定對象的類型。

針對 AmlToken，請使用：

{
  computeIdentityType = "AmlToken"
}

針對 ManagedIdentity，請使用：

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

JobBaseProperties 物件

設定 jobType 屬性以指定物件的類型。

針對 AutoML，請使用：

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

針對 [命令]，請使用：

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

針對 標籤，請使用：

{
  dataConfiguration = {
    dataId = "string"
    incrementalDataRefresh = "string"
  }
  jobInstructions = {
    uri = "string"
  }
  jobType = "Labeling"
  labelCategories = {
    {customized property} = {
      classes = {
        {customized property} = {
          displayName = "string"
          subclasses = {
            {customized property} = ...
          }
        }
      }
      displayName = "string"
      multiSelect = "string"
    }
  }
  labelingJobMediaProperties = {
    mediaType = "string"
    // For remaining properties, see LabelingJobMediaProperties objects
  }
  mlAssistConfiguration = {
    mlAssist = "string"
    // For remaining properties, see MLAssistConfiguration objects
  }
}

針對 管線，請使用：

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

針對 Spark，請使用：

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

針對 掃掠，請使用：

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

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 [截斷][選取]，請使用：

{
  policyType = "TruncationSelection"
  truncationPercentage = int
}

MonitoringInputDataBase 物件

設定 inputDataType 屬性以指定物件的類型。

針對 [已修正]，請使用：

{
  inputDataType = "Fixed"
}

針對 滾動，請使用：

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

針對 Static，請使用：

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

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

MonitorComputeConfigurationBase 物件

設定 computeType 屬性，以指定物件的類型。

針對 ServerlessSpark，請使用：

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

DataImportSource 物件

設定 sourceType 屬性 ，以指定物件的類型。

針對 資料庫，請使用：

{
  query = "string"
  sourceType = "database"
  storedProcedure = "string"
  storedProcedureParams = [
    {
      {customized property} = "string"
    }
  ]
  tableName = "string"
}

針對 file_system，請使用：

{
  path = "string"
  sourceType = "file_system"
}

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
}

DataQualityMetricThresholdBase 物件

設定 dataType 屬性，以指定物件的類型。

針對 類別，請使用：

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

針對 數值，請使用：

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

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：

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

針對 UserIdentity，請使用：

{
  identityType = "UserIdentity"
}

JobInput 物件

設定 jobInputType 屬性以指定物件的類型。

針對 custom_model，請使用：

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

針對 常值，請使用：

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

針對 mlflow_model，請使用：

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

針對 mltable，請使用：

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

針對 triton_model，請使用：

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

針對 uri_file，請使用：

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

針對 uri_folder，請使用：

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

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
}

Webhook 物件

設定 webhookType 屬性以指定物件的類型。

針對 AzureDevOps，請使用：

{
  webhookType = "AzureDevOps"
}

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 Ray，請使用：

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

針對 TensorFlow，請使用：

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

SparkJobEntry 物件

設定 sparkJobEntryType 屬性以指定物件的類型。

針對 SparkJobPythonEntry，請使用：

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

針對 SparkJobScalaEntry，請使用：

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

ModelPerformanceMetricThresholdBase 物件

設定 modelType 屬性以指定物件的類型。

針對 [分類]，請使用：

{
  metric = "string"
  modelType = "Classification"
}

針對 回歸，請使用：

{
  metric = "string"
  modelType = "Regression"
}

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
  ]
}

JobOutput 物件

設定 jobOutputType 屬性以指定對象的類型。

針對 custom_model，請使用：

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

針對 mlflow_model，請使用：

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

針對 mltable，請使用：

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

針對 triton_model，請使用：

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

針對 uri_file，請使用：

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

針對 uri_folder，請使用：

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

PredictionDriftMetricThresholdBase 物件

設定 dataType 屬性，以指定物件的類型。

針對 類別，請使用：

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

針對 數值，請使用：

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

AutoMLVertical 物件

設定 taskType 屬性以指定物件的類型。

針對 [分類]，請使用：

{
  cvSplitColumnNames = [
    "string"
  ]
  featurizationSettings = {
    blockedTransformers = [
      "string"
    ]
    columnNameAndTypes = {
      {customized property} = "string"
    }
    datasetLanguage = "string"
    enableDnnFeaturization = bool
    mode = "string"
    transformerParams = {
      {customized property} = [
        {
          fields = [
            "string"
          ]
          parameters = ?
        }
      ]
    }
  }
  fixedParameters = {
    booster = "string"
    boostingType = "string"
    growPolicy = "string"
    learningRate = int
    maxBin = int
    maxDepth = int
    maxLeaves = int
    minDataInLeaf = int
    minSplitGain = int
    modelName = "string"
    nEstimators = int
    numLeaves = int
    preprocessorName = "string"
    regAlpha = int
    regLambda = int
    subsample = int
    subsampleFreq = int
    treeMethod = "string"
    withMean = bool
    withStd = bool
  }
  limitSettings = {
    enableEarlyTermination = bool
    exitScore = int
    maxConcurrentTrials = int
    maxCoresPerTrial = int
    maxNodes = int
    maxTrials = int
    sweepConcurrentTrials = int
    sweepTrials = int
    timeout = "string"
    trialTimeout = "string"
  }
  nCrossValidations = {
    mode = "string"
    // For remaining properties, see NCrossValidations objects
  }
  positiveLabel = "string"
  primaryMetric = "string"
  searchSpace = [
    {
      booster = "string"
      boostingType = "string"
      growPolicy = "string"
      learningRate = "string"
      maxBin = "string"
      maxDepth = "string"
      maxLeaves = "string"
      minDataInLeaf = "string"
      minSplitGain = "string"
      modelName = "string"
      nEstimators = "string"
      numLeaves = "string"
      preprocessorName = "string"
      regAlpha = "string"
      regLambda = "string"
      subsample = "string"
      subsampleFreq = "string"
      treeMethod = "string"
      withMean = "string"
      withStd = "string"
    }
  ]
  sweepSettings = {
    earlyTermination = {
      delayEvaluation = int
      evaluationInterval = int
      policyType = "string"
      // For remaining properties, see EarlyTerminationPolicy objects
    }
    samplingAlgorithm = "string"
  }
  taskType = "Classification"
  testData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    uri = "string"
  }
  testDataSize = int
  trainingSettings = {
    allowedTrainingAlgorithms = [
      "string"
    ]
    blockedTrainingAlgorithms = [
      "string"
    ]
    enableDnnTraining = bool
    enableModelExplainability = bool
    enableOnnxCompatibleModels = bool
    enableStackEnsemble = bool
    enableVoteEnsemble = bool
    ensembleModelDownloadTimeout = "string"
    stackEnsembleSettings = {
      stackMetaLearnerKWargs = ?
      stackMetaLearnerTrainPercentage = int
      stackMetaLearnerType = "string"
    }
    trainingMode = "string"
  }
  validationData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    uri = "string"
  }
  validationDataSize = int
  weightColumnName = "string"
}

針對 預測，請使用：

{
  cvSplitColumnNames = [
    "string"
  ]
  featurizationSettings = {
    blockedTransformers = [
      "string"
    ]
    columnNameAndTypes = {
      {customized property} = "string"
    }
    datasetLanguage = "string"
    enableDnnFeaturization = bool
    mode = "string"
    transformerParams = {
      {customized property} = [
        {
          fields = [
            "string"
          ]
          parameters = ?
        }
      ]
    }
  }
  fixedParameters = {
    booster = "string"
    boostingType = "string"
    growPolicy = "string"
    learningRate = int
    maxBin = int
    maxDepth = int
    maxLeaves = int
    minDataInLeaf = int
    minSplitGain = int
    modelName = "string"
    nEstimators = int
    numLeaves = int
    preprocessorName = "string"
    regAlpha = int
    regLambda = int
    subsample = int
    subsampleFreq = int
    treeMethod = "string"
    withMean = bool
    withStd = bool
  }
  forecastingSettings = {
    countryOrRegionForHolidays = "string"
    cvStepSize = int
    featureLags = "string"
    featuresUnknownAtForecastTime = [
      "string"
    ]
    forecastHorizon = {
      mode = "string"
      // For remaining properties, see ForecastHorizon objects
    }
    frequency = "string"
    seasonality = {
      mode = "string"
      // For remaining properties, see Seasonality objects
    }
    shortSeriesHandlingConfig = "string"
    targetAggregateFunction = "string"
    targetLags = {
      mode = "string"
      // For remaining properties, see TargetLags objects
    }
    targetRollingWindowSize = {
      mode = "string"
      // For remaining properties, see TargetRollingWindowSize objects
    }
    timeColumnName = "string"
    timeSeriesIdColumnNames = [
      "string"
    ]
    useStl = "string"
  }
  limitSettings = {
    enableEarlyTermination = bool
    exitScore = int
    maxConcurrentTrials = int
    maxCoresPerTrial = int
    maxNodes = int
    maxTrials = int
    sweepConcurrentTrials = int
    sweepTrials = int
    timeout = "string"
    trialTimeout = "string"
  }
  nCrossValidations = {
    mode = "string"
    // For remaining properties, see NCrossValidations objects
  }
  primaryMetric = "string"
  searchSpace = [
    {
      booster = "string"
      boostingType = "string"
      growPolicy = "string"
      learningRate = "string"
      maxBin = "string"
      maxDepth = "string"
      maxLeaves = "string"
      minDataInLeaf = "string"
      minSplitGain = "string"
      modelName = "string"
      nEstimators = "string"
      numLeaves = "string"
      preprocessorName = "string"
      regAlpha = "string"
      regLambda = "string"
      subsample = "string"
      subsampleFreq = "string"
      treeMethod = "string"
      withMean = "string"
      withStd = "string"
    }
  ]
  sweepSettings = {
    earlyTermination = {
      delayEvaluation = int
      evaluationInterval = int
      policyType = "string"
      // For remaining properties, see EarlyTerminationPolicy objects
    }
    samplingAlgorithm = "string"
  }
  taskType = "Forecasting"
  testData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    uri = "string"
  }
  testDataSize = int
  trainingSettings = {
    allowedTrainingAlgorithms = [
      "string"
    ]
    blockedTrainingAlgorithms = [
      "string"
    ]
    enableDnnTraining = bool
    enableModelExplainability = bool
    enableOnnxCompatibleModels = bool
    enableStackEnsemble = bool
    enableVoteEnsemble = bool
    ensembleModelDownloadTimeout = "string"
    stackEnsembleSettings = {
      stackMetaLearnerKWargs = ?
      stackMetaLearnerTrainPercentage = int
      stackMetaLearnerType = "string"
    }
    trainingMode = "string"
  }
  validationData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    uri = "string"
  }
  validationDataSize = int
  weightColumnName = "string"
}

針對 ImageClassification，請使用：

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

針對 ImageClassificationMultilabel，請使用：

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

針對 ImageInstanceSegmentation，請使用：

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

針對 ImageObjectDetection，請使用：

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

針對 回歸，請使用：

{
  cvSplitColumnNames = [
    "string"
  ]
  featurizationSettings = {
    blockedTransformers = [
      "string"
    ]
    columnNameAndTypes = {
      {customized property} = "string"
    }
    datasetLanguage = "string"
    enableDnnFeaturization = bool
    mode = "string"
    transformerParams = {
      {customized property} = [
        {
          fields = [
            "string"
          ]
          parameters = ?
        }
      ]
    }
  }
  fixedParameters = {
    booster = "string"
    boostingType = "string"
    growPolicy = "string"
    learningRate = int
    maxBin = int
    maxDepth = int
    maxLeaves = int
    minDataInLeaf = int
    minSplitGain = int
    modelName = "string"
    nEstimators = int
    numLeaves = int
    preprocessorName = "string"
    regAlpha = int
    regLambda = int
    subsample = int
    subsampleFreq = int
    treeMethod = "string"
    withMean = bool
    withStd = bool
  }
  limitSettings = {
    enableEarlyTermination = bool
    exitScore = int
    maxConcurrentTrials = int
    maxCoresPerTrial = int
    maxNodes = int
    maxTrials = int
    sweepConcurrentTrials = int
    sweepTrials = int
    timeout = "string"
    trialTimeout = "string"
  }
  nCrossValidations = {
    mode = "string"
    // For remaining properties, see NCrossValidations objects
  }
  primaryMetric = "string"
  searchSpace = [
    {
      booster = "string"
      boostingType = "string"
      growPolicy = "string"
      learningRate = "string"
      maxBin = "string"
      maxDepth = "string"
      maxLeaves = "string"
      minDataInLeaf = "string"
      minSplitGain = "string"
      modelName = "string"
      nEstimators = "string"
      numLeaves = "string"
      preprocessorName = "string"
      regAlpha = "string"
      regLambda = "string"
      subsample = "string"
      subsampleFreq = "string"
      treeMethod = "string"
      withMean = "string"
      withStd = "string"
    }
  ]
  sweepSettings = {
    earlyTermination = {
      delayEvaluation = int
      evaluationInterval = int
      policyType = "string"
      // For remaining properties, see EarlyTerminationPolicy objects
    }
    samplingAlgorithm = "string"
  }
  taskType = "Regression"
  testData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    uri = "string"
  }
  testDataSize = int
  trainingSettings = {
    allowedTrainingAlgorithms = [
      "string"
    ]
    blockedTrainingAlgorithms = [
      "string"
    ]
    enableDnnTraining = bool
    enableModelExplainability = bool
    enableOnnxCompatibleModels = bool
    enableStackEnsemble = bool
    enableVoteEnsemble = bool
    ensembleModelDownloadTimeout = "string"
    stackEnsembleSettings = {
      stackMetaLearnerKWargs = ?
      stackMetaLearnerTrainPercentage = int
      stackMetaLearnerType = "string"
    }
    trainingMode = "string"
  }
  validationData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    uri = "string"
  }
  validationDataSize = int
  weightColumnName = "string"
}

針對 TextClassification，請使用：

{
  featurizationSettings = {
    datasetLanguage = "string"
  }
  fixedParameters = {
    gradientAccumulationSteps = int
    learningRate = int
    learningRateScheduler = "string"
    modelName = "string"
    numberOfEpochs = int
    trainingBatchSize = int
    validationBatchSize = int
    warmupRatio = int
    weightDecay = int
  }
  limitSettings = {
    maxConcurrentTrials = int
    maxNodes = int
    maxTrials = int
    timeout = "string"
    trialTimeout = "string"
  }
  primaryMetric = "string"
  searchSpace = [
    {
      gradientAccumulationSteps = "string"
      learningRate = "string"
      learningRateScheduler = "string"
      modelName = "string"
      numberOfEpochs = "string"
      trainingBatchSize = "string"
      validationBatchSize = "string"
      warmupRatio = "string"
      weightDecay = "string"
    }
  ]
  sweepSettings = {
    earlyTermination = {
      delayEvaluation = int
      evaluationInterval = int
      policyType = "string"
      // For remaining properties, see EarlyTerminationPolicy objects
    }
    samplingAlgorithm = "string"
  }
  taskType = "TextClassification"
  validationData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    uri = "string"
  }
}

針對 TextClassificationMultilabel，請使用：

{
  featurizationSettings = {
    datasetLanguage = "string"
  }
  fixedParameters = {
    gradientAccumulationSteps = int
    learningRate = int
    learningRateScheduler = "string"
    modelName = "string"
    numberOfEpochs = int
    trainingBatchSize = int
    validationBatchSize = int
    warmupRatio = int
    weightDecay = int
  }
  limitSettings = {
    maxConcurrentTrials = int
    maxNodes = int
    maxTrials = int
    timeout = "string"
    trialTimeout = "string"
  }
  searchSpace = [
    {
      gradientAccumulationSteps = "string"
      learningRate = "string"
      learningRateScheduler = "string"
      modelName = "string"
      numberOfEpochs = "string"
      trainingBatchSize = "string"
      validationBatchSize = "string"
      warmupRatio = "string"
      weightDecay = "string"
    }
  ]
  sweepSettings = {
    earlyTermination = {
      delayEvaluation = int
      evaluationInterval = int
      policyType = "string"
      // For remaining properties, see EarlyTerminationPolicy objects
    }
    samplingAlgorithm = "string"
  }
  taskType = "TextClassificationMultilabel"
  validationData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    uri = "string"
  }
}

針對 TextNER，請使用：

{
  featurizationSettings = {
    datasetLanguage = "string"
  }
  fixedParameters = {
    gradientAccumulationSteps = int
    learningRate = int
    learningRateScheduler = "string"
    modelName = "string"
    numberOfEpochs = int
    trainingBatchSize = int
    validationBatchSize = int
    warmupRatio = int
    weightDecay = int
  }
  limitSettings = {
    maxConcurrentTrials = int
    maxNodes = int
    maxTrials = int
    timeout = "string"
    trialTimeout = "string"
  }
  searchSpace = [
    {
      gradientAccumulationSteps = "string"
      learningRate = "string"
      learningRateScheduler = "string"
      modelName = "string"
      numberOfEpochs = "string"
      trainingBatchSize = "string"
      validationBatchSize = "string"
      warmupRatio = "string"
      weightDecay = "string"
    }
  ]
  sweepSettings = {
    earlyTermination = {
      delayEvaluation = int
      evaluationInterval = int
      policyType = "string"
      // For remaining properties, see EarlyTerminationPolicy objects
    }
    samplingAlgorithm = "string"
  }
  taskType = "TextNER"
  validationData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    uri = "string"
  }
}

Nodes 物件

設定 nodesValueType 屬性以指定對象的類型。

針對 [全部]，請使用：

{
  nodesValueType = "All"
}

ScheduleActionBase 物件

設定 actionType 屬性，以指定物件的類型。

針對 CreateJob，請使用：

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

針對 CreateMonitor，請使用：

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

針對 ImportData，請使用：

{
  actionType = "ImportData"
  dataImportDefinition = {
    assetName = "string"
    autoDeleteSetting = {
      condition = "string"
      value = "string"
    }
    dataType = "string"
    dataUri = "string"
    description = "string"
    intellectualProperty = {
      protectionLevel = "string"
      publisher = "string"
    }
    isAnonymous = bool
    isArchived = bool
    properties = {
      {customized property} = "string"
    }
    source = {
      connection = "string"
      sourceType = "string"
      // For remaining properties, see DataImportSource objects
    }
    stage = "string"
    tags = {
      {customized property} = "string"
    }
  }
}

針對 InvokeBatchEndpoint，請使用：

{
  actionType = "InvokeBatchEndpoint"
  endpointInvocationDefinition = ?
}

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
}

MLAssistConfiguration 物件

設定 mlAssist 屬性以指定物件的類型。

針對 [停用]，請使用：

{
  mlAssist = "Disabled"
}

針對 [已啟用]，請使用：

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

DataDriftMetricThresholdBase 物件

設定 dataType 屬性，以指定物件的類型。

針對 類別，請使用：

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

針對 數值，請使用：

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

LabelingJobMediaProperties 物件

設定 mediaType 屬性，以指定物件的類型。

針對 Image，請使用：

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

針對 Text，請使用：

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

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
}

屬性值

Microsoft.MachineLearningServices/workspaces/schedules

名稱 說明 價值觀
名稱 資源名稱 字串

約束：
模式 = ^[a-zA-Z0-9][a-zA-Z0-9\-_]{0,254}$ （必要）
父項識別碼 此資源為父系之資源的標識碼。 類型資源的標識碼：工作區
屬性 [必要]實體的其他屬性。 ScheduleProperties （必要）
型別 資源類型 “Microsoft.MachineLearningServices/workspaces/schedules@2023-08-01-preview”

全部功能

名稱 說明 價值觀
filterType （過濾器類型） [必要]指定要在選取要計算計量的功能時運用的功能篩選。 'AllFeatures' （必要）

所有節點

名稱 說明 價值觀
nodesValueType [必要]Nodes 值的類型 'All' （必要）

AmlToken

名稱 說明 價值觀
身份類型 [必要]指定身分識別架構的類型。 'AMLToken' （必要）

AmlTokenComputeIdentity

名稱 說明 價值觀
computeIdentityType [必要]監視計算識別類型列舉。 'AmlToken' （必要）

自動刪除設置

名稱 說明 價值觀
條件 何時檢查資產是否已過期 'CreatedGreaterThan'
'LastAccessedGreaterThan'
價值 到期條件值。 字串

自動預測地平線

名稱 說明 價值觀
模式 [必要]設定預測地平線值選取模式。 'Auto' （必要）

Autologger 設置

名稱 說明 價值觀
mlflow自動記錄器 [必要]指出是否啟用mlflow自動記錄器。 “已禁用”
'Enabled' （必要）

AutoMLJob

名稱 說明 價值觀
環境ID 作業之環境規格的 ARM 資源識別碼。
如果未提供，這是選擇性的值，AutoML 會在執行作業時，將此預設為 Production AutoML 策展環境版本。		 字串
環境變數 作業中包含的環境變數。 AutoMLJobEnvironmentVariables
職位類型 [必要]指定作業的類型。 'AutoML' （必要）
輸出 對應作業中使用的輸出數據系結。 AutoMLJob 輸出
queueSettings 作業的佇列設定 佇列設置
資源 作業的計算資源組態。 JobResourceConfiguration
taskDetails [必要]這代表可以是其中一個數據表/NLP/Image 的案例 AutoMLVertical （必要）

AutoMLJobEnvironmentVariables

名稱 說明 價值觀

AutoMLJob 輸出

名稱 說明 價值觀

AutoMLVertical

名稱 說明 價值觀
logVerbosity （對數詳細程度） 作業的記錄詳細資訊。 “嚴重”
“調試”
“錯誤”
'資訊'
'NotSet'
“警告”
targetColumnName 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
任務類型 設定為 [分類] 類型為 [ 分類]。 設定為 [預測] 類型為 [ 預測]。 設定為 ImageClassification 類型的 『ImageClassification』。 設定為 ImageClassificationMultilabel 類型的 'ImageClassificationMultilabel'。 針對 ImageInstanceSegmentation 類型，設定為 'ImageInstanceSegmentation'。 針對 ImageObjectDetection 類型，設定為 'ImageObjectDetection'。 將類型回歸設定為 [ 回歸]。 設定為 TextClassification 類型的 『TextClassification』。 針對 TextClassificationMultilabel 類型，設定為 『TextClassificationMultilabel』。 設定為 TextNer 類型的 『TextNER』。 '分類'
「預測」
'ImageClassification' （圖像分類）
'ImageClassificationMultilabel'
'ImageInstanceSegmentation' （圖像實例分段）
'ImageObjectDetection' （圖像對象檢測）
“回歸”
'TextClassification' （文本分類）
'TextClassificationMultilabel'
'TextNER' （必要）
trainingData （訓練數據） [必要]定型數據輸入。 MLTableJobInput （必要）

AutoNCross驗證

名稱 說明 價值觀
模式 [必要]判斷 N-Cross 驗證的模式。 'Auto' （必要）

自動季節性

名稱 說明 價值觀
模式 [必要]季節性模式。 'Auto' （必要）

AutoTargetLags 自動目標滯後

名稱 說明 價值觀
模式 [必要]設定目標延隔模式 - 自動/自定義 'Auto' （必要）

AutoTargetRollingWindowSize （自動目標滾動視窗大小）

名稱 說明 價值觀
模式 [必要]TargetRollingWindowSiz 偵測模式。 'Auto' （必要）

AzureDevOpsWebhook

名稱 說明 價值觀
webhook類型 [必要]指定要傳送回呼的服務類型 'AzureDevOps' （必要）

強盜政策 (BanditPolicy)

名稱 說明 價值觀
policyType [必要]原則設定的名稱 “強盜”（必要）
slackAmount 從最佳執行執行中允許的絕對距離。 整數 (int)
slackFactor 的 與最佳執行距離的允許距離比率。 整數 (int)

BayesianSamplingAlgorithm

名稱 說明 價值觀
採樣演算法類型 [必要]用來產生超參數值的演算法，以及組態屬性 “貝氏” （必要）

CategoricalDataDriftMetricThreshold

名稱 說明 價值觀
數據類型 [必要]指定計量閾值的數據類型。 類別類別（ 必要 ）
計量 [必要]要計算的類別數據漂移計量。 'JensenShannonDistance'
'PearsonsChiSquaredTest'
'PopulationStabilityIndex' （必要）

CategoricalDataQualityMetricThreshold

名稱 說明 價值觀
數據類型 [必要]指定計量閾值的數據類型。 類別類別（ 必要 ）
計量 [必要]要計算的類別數據品質計量。 'DataTypeErrorRate'
'NullValueRate'
'OutOfBoundsRate' （必要）

分類預測漂移指標閾值

名稱 說明 價值觀
數據類型 [必要]指定計量閾值的數據類型。 類別類別（ 必要 ）
計量 [必要]要計算的類別預測漂移計量。 'JensenShannonDistance'
'PearsonsChiSquaredTest'
'PopulationStabilityIndex' （必要）

分類

名稱 說明 價值觀
cvSplitColumnNames 要用於 CVSplit 資料的數據行。 字串[]
featurizationSettings AutoML 作業所需的特徵化輸入。 TableVerticalFeaturizationSettings
固定參數 模型/定型參數，在整個定型過程中會維持不變。 TableFixedParameters （表固定參數）
limitSettings AutoMLJob 的執行條件約束。 TableVerticalLimitSettings
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。		 NCross驗證
積極標籤 二進位計量計算的正標籤。 字串
primaryMetric 工作的主要計量。 '精確度'
'AUCWeighted'
'AveragePrecisionScoreWeighted'
'NormMacroRecall' （規範巨集調用）
'PrecisionScoreWeighted'
搜索空間 搜尋空間以取樣模型及其超參數的不同組合。 TableParameterSubspace[]
掃描設置 模型掃掠和超參數微調的設定。 TableSweepSettings （表格掃描設置）
任務類型 [必要]AutoMLJob 的工作類型。 '分類' （必要）
測試數據 測試數據輸入。 MLTableJobInput
testDataSize 必須為驗證目的而保留的測試數據集分數。
介於 （0.0 、 1.0） 之間的值
未提供驗證數據集時套用。		 整數 (int)
trainingSettings AutoML 作業定型階段的輸入。 分類訓練設置
validationData （驗證資料） 驗證數據輸入。 MLTableJobInput
validationDataSize 需要為驗證目的預留的定型數據集分數。
介於 （0.0 、 1.0） 之間的值
未提供驗證數據集時套用。		 整數 (int)
權重列名稱 範例權數數據行的名稱。 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

ClassificationModelPerformanceMetricThreshold

名稱 說明 價值觀
計量 [必要]要計算的分類模型效能。 '精確度'
“精確”
'召回' （必要）
modelType [必要]指定計量閾值的數據類型。 '分類' （必要）

分類訓練設置

名稱 說明 價值觀
allowedTrainingAlgorithms 分類工作的允許模型。 包含任何的字串數組：
'伯努利樸素貝葉斯'
“決策樹”
'ExtremeRandomTrees'
'梯度提升'
'KNN'
'LightGBM'
'線性 SVM'
'LogisticRegression' （邏輯回歸）
'多項式樸素貝葉斯'
'隨機森林'
'新幣'
“SVM”
'XGBoostClassifier'
blockedTrainingAlgorithms 分類工作的封鎖模型。 包含任何的字串數組：
'伯努利樸素貝葉斯'
“決策樹”
'ExtremeRandomTrees'
'梯度提升'
'KNN'
'LightGBM'
'線性 SVM'
'LogisticRegression' （邏輯回歸）
'多項式樸素貝葉斯'
'隨機森林'
'新幣'
“SVM”
'XGBoostClassifier'
enableDnnTraining 啟用 DNN 模型的建議。 布爾 (bool)
enableModelExplainability 在最佳模型上開啟可解釋性的旗標。 布爾 (bool)
enableOnnxCompatibleModels 啟用 onnx 相容模型的旗標。 布爾 (bool)
enableStackEnsemble 啟用堆疊合奏執行。 布爾 (bool)
enableVoteEnsemble 啟用投票合奏執行。 布爾 (bool)
ensembleModelDownloadTimeout 在 VotingEnsemble 和 StackEnsemble 模型產生期間，會下載先前子回合中的多個安裝模型。
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 堆疊合奏執行的堆疊合奏設定。 StackEnsembleSettings
trainingMode TrainingMode 模式 - 設定為 'auto' 與目前將它設定為「非分散式」相同，但未來可能會導致混合模式或啟發學習法模式選取。 預設值為 『auto』。
如果 「分散式」，則只會使用分散式特徵化，並選擇分散式演算法。
如果 『NonDistributed』，則只會選擇非分散式演算法。		 '自動'
“分散式”
'NonDistributed' （非分散式）

ColumnTransformer （列變換器）

名稱 說明 價值觀
領域 要套用轉換器邏輯的欄位。 字串[]
參數 要傳遞至轉換器的不同屬性。
輸入必須是 JSON 格式的索引鍵、值組字典。		 任何

CommandJob

名稱 說明 價值觀
autologger設置 作業的散發組態。 如果設定，這應該是其中一個 Mpi、Tensorflow、PyTorch 或 null。 Autologger 設置
代碼Id 程式代碼資產的 ARM 資源識別碼。 字串
指令 [必要]在作業啟動時執行的命令。 例如 “python train.py” 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）
分配 作業的散發組態。 如果設定，這應該是其中一個 Mpi、Tensorflow、PyTorch、Ray 或 null。 分發配置
環境ID [必要]作業之環境規格的 ARM 資源識別碼。 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）
環境變數 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 命令作業輸入
職位類型 [必要]指定作業的類型。 'Command' （必要）
限制 命令作業限制。 CommandJobLimits 命令作業限制
輸出 對應作業中使用的輸出數據系結。 CommandJobOutputs 命令作業輸出
queueSettings 作業的佇列設定 佇列設置
資源 作業的計算資源組態。 JobResourceConfiguration

CommandJobEnvironmentVariables

名稱 說明 價值觀

CommandJobInputs 命令作業輸入

名稱 說明 價值觀

CommandJobLimits 命令作業限制

名稱 說明 價值觀
jobLimits類型 [必要]JobLimit 類型。 “命令”
'掃掠' （必要）
超時 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 命令作業輸出

名稱 說明 價值觀

元件配置

名稱 說明 價值觀
pipelineSettings 管線設定，適用於 ContinueRunOnStepFailure 等專案。 任何

CreateMonitorAction

名稱 說明 價值觀
動作類型 [必要]指定排程的動作類型 'CreateMonitor' （必要）
monitor定義 [必要]定義監視器。 MonitorDefinition （必要）

CronTrigger 的

名稱 說明 價值觀
運算式 [必要]指定排程的cron運算式。
表達式應遵循 NCronTab 格式。		 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）
triggerType [必要] 'Cron' （必要）

CustomForecastHorizon

名稱 說明 價值觀
模式 [必要]設定預測地平線值選取模式。 'Custom' （必要）
價值 [必要]預測地平線值。 int （必要）

CustomMetricThreshold

名稱 說明 價值觀
計量 [必要]要計算的使用者定義計量。 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）
閾值 臨界值。 如果為 null，則會根據選取的計量來設定預設值。 監控閾值

CustomModelJobInput （自定義模型作業輸入）

名稱 說明 價值觀
jobInputType （作業輸入類型） [必要]指定作業的類型。 'custom_model' （必要）
模式 輸入資產傳遞模式。 “直接”
'下載'
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
“ReadWriteMount”
統一資源識別碼 (URI) [必要]輸入資產 URI。 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）

CustomModelJobOutput

名稱 說明 價值觀
assetName （資產名稱） 輸出資產名稱。 字串
assetVersion （資產版本） 輸出資產版本。 字串
autoDelete設置 自動刪除輸出數據資產的設定。 自動刪除設置
jobOutputType [必要]指定作業的類型。 'custom_model' （必要）
模式 輸出資產傳遞模式。 “直接”
“ReadWriteMount”
'上傳'
統一資源識別碼 (URI) 輸出資產 URI。 字串

CustomMonitoringSignal

名稱 說明 價值觀
元件ID [必要]用來計算自定義計量之元件資源的 ARM 資源識別碼。 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）
inputAssets 監視要作為輸入的資產。 索引鍵是元件輸入埠名稱，值為數據資產。 CustomMonitoringSignalInputAssets
輸入 要作為輸入的額外元件參數。 索引鍵是元件常值輸入埠名稱，值為參數值。 CustomMonitoringSignalInputs
metricThresholds [必要]要計算的計量清單及其相關聯的臨界值。 CustomMetricThreshold[] （必要）
信號類型 [必要]指定要監視的訊號類型。 'Custom' （必要）
workspaceConnection （工作區連接） [必要]要計算的計量清單及其相關聯的臨界值。 MonitoringWorkspaceConnection （必要）

CustomMonitoringSignalInputAssets

名稱 說明 價值觀

CustomMonitoringSignalInputs

名稱 說明 價值觀

CustomNCross驗證

名稱 說明 價值觀
模式 [必要]判斷 N-Cross 驗證的模式。 'Custom' （必要）
價值 [必要]N-Cross 驗證值。 int （必要）

CustomSeasonality （自定義季節性）

名稱 說明 價值觀
模式 [必要]季節性模式。 'Custom' （必要）
價值 [必要]季節性值。 int （必要）

CustomTargetLags （自定義目標滯後）

名稱 說明 價值觀
模式 [必要]設定目標延隔模式 - 自動/自定義 'Custom' （必要）
價值觀 [必要]設定目標延遲值。 int[] （必要）

CustomTargetRollingWindowSize

名稱 說明 價值觀
模式 [必要]TargetRollingWindowSiz 偵測模式。 'Custom' （必要）
價值 [必要]TargetRollingWindowSize 值。 int （必要）

資料庫源

名稱 說明 價值觀
查詢 數據匯入資料庫來源的 SQL 查詢語句 字串
資源類型 [必要]指定數據類型。 'database' （必要）
storedProcedure （存儲過程） 數據匯入資料庫來源上的 SQL StoredProcedure 字串
storedProcedureParams 的 SQL StoredProcedure 參數 DatabaseSourceStoredProcedureParamsItem[]
資料表名稱 數據匯入資料庫來源上的數據表名稱 字串

DatabaseSourceStoredProcedureParamsItem

名稱 說明 價值觀

DataDriftMetricThresholdBase

名稱 說明 價值觀
數據類型 設定為 CategoricalDataDriftMetricThreshold 類型的 'Categorical'。 設定為 [數值] 類型 為 [數值][DriftMetricThreshold]。 '類別'
'數值' （必要）
閾值 臨界值。 如果為 null，則會根據選取的計量來設定預設值。 監控閾值

DataDriftMonitoringSignal

名稱 說明 價值觀
數據段 用於界定數據母體子集範圍的數據區段。 MonitoringDataSegment
featureDataTypeOverride 將特徵名稱對應至其個別數據類型的字典。 DataDriftMonitoringSignalFeatureDataTypeOverride
featureImportanceSettings 計算功能重要性的設定。 FeatureImportanceSettings （特徵重要性設置）
特徵 功能篩選，可識別要計算漂移的功能。 MonitoringFeatureFilterBase
metricThresholds [必要]要計算的計量清單及其相關聯的臨界值。 DataDriftMetricThresholdBase[] （必要）
生產數據 [必要]要計算漂移的數據。 MonitoringInputDataBase （必要）
referenceData （引用數據） [必要]要計算漂移的數據。 MonitoringInputDataBase （必要）
信號類型 [必要]指定要監視的訊號類型。 'DataDrift' （必要）

DataDriftMonitoringSignalFeatureDataTypeOverride

名稱 說明 價值觀

數據導入

名稱 說明 價值觀
assetName （資產名稱） 要建立之數據匯入作業的資產名稱 字串
autoDelete設置 指定受控數據資產的生命周期設定。 自動刪除設置
數據類型 [必要]指定數據類型。 'mltable'
“uri_file”
'uri_folder' （必要）
dataUri [必要]數據的 URI。 範例：https://go.microsoft.com/fwlink/?linkid=2202330 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）
說明 資產描述文字。 字串
智慧財產權 智慧財產權詳細數據。 如果資料是智慧財產權，則使用 。 智慧財產權
isAnonymous （匿名） 如果名稱版本是系統產生的 （匿名註冊）。 針對定義 Stage 的類型，當提供 Stage 時，它會用來填入 IsAnonymous 布爾 (bool)
isArchived 已存檔 資產是否已封存？ 對於定義 Stage 的類型，當提供 Stage 時，它會用來填入 IsArchived 布爾 (bool)
屬性 資產屬性字典。 ResourceBaseProperties
來源 要從中匯入之資產的源數據 DataImportSource （數據導入源）
暫存 指派給此數據資產的數據生命周期階段 字串
標記 標記字典。 標記可以新增、移除和更新。 ResourceBaseTags

DataImportSource （數據導入源）

名稱 說明 價值觀
連接 數據匯入來源記憶體的工作區連線 字串
資源類型 設定為 DatabaseSource 類型的 'database'。 針對 FileSystemSource 類型，設定為 『file_system』。 '資料庫'
'file_system' （必要）

DataQualityMetricThresholdBase

名稱 說明 價值觀
數據類型 設定為 CategoricalDataQualityMetricThreshold 類型的 'Categorical'。 設定為 [數值] 類型 為 [數值][QualityMetricThreshold]。 '類別'
'數值' （必要）
閾值 臨界值。 如果為 null，則會根據選取的計量來設定預設值。 監控閾值

DataQualityMonitoring信號

名稱 說明 價值觀
featureDataTypeOverride 將特徵名稱對應至其個別數據類型的字典。 DataQualityMonitoringSignalFeatureDataTypeOverride
featureImportanceSettings 計算功能重要性的設定。 FeatureImportanceSettings （特徵重要性設置）
特徵 用來計算漂移的功能。 MonitoringFeatureFilterBase
metricThresholds [必要]要計算的計量清單及其相關聯的臨界值。 DataQualityMetricThresholdBase[] （必要）
生產數據 [必要]生產服務所產生的數據，將會計算漂移。 MonitoringInputDataBase （必要）
referenceData （引用數據） [必要]要計算漂移的數據。 MonitoringInputDataBase （必要）
信號類型 [必要]指定要監視的訊號類型。 'DataQuality' （必要）

DataQualityMonitoringSignalFeatureDataTypeOverride

名稱 說明 價值觀

分發配置

名稱 說明 價值觀
distributionType 設定為 Mpi 類型的 『Mpi』。 將類型 PyTorch 設定為 『PyTorch』。 將 類型Ray設定為'Ray'。 將 設定為 TensorFlow 類型的 『TensorFlow』。 'Mpi'
“PyTorch”
“雷”
'TensorFlow' （必要）

提早終止政策

名稱 說明 價值觀
delay評估 延遲第一次評估的間隔數目。 整數 (int)
evaluationInterval 原則評估之間的間隔（執行次數）。 整數 (int)
policyType 針對 BanditPolicy 類型，設定為 『Bandit』。 針對 MedianStoppingPolicy 類型，設定為 'MedianStoppingPolicy'。 針對 TruncationSelectionPolicy 類型，設定為 『TruncationSelection』。 “強盜”
'MedianStopping' （中位數停止）
'TruncationSelection' （必要）

EndpointScheduleAction

名稱 說明 價值觀
動作類型 [必要]指定排程的動作類型 'InvokeBatchEndpoint' （必要）
endpointInvocationDefinition [必要]定義排程動作定義詳細數據。
<請參閱 href=“TBD” />		 任何 （必要）

FeatureAttributionDriftMonitoringSignal

名稱 說明 價值觀
featureDataTypeOverride 將特徵名稱對應至其個別數據類型的字典。 FeatureAttributionDriftMonitoringSignalFeatureDataTypeOverride
featureImportanceSettings 計算功能重要性的設定。 FeatureImportanceSettings （特徵重要性設置）
metricThreshold指標閾值 [必要]要計算的計量清單及其相關聯的臨界值。 FeatureAttributionMetricThreshold （必要）
生產數據 [必要]要計算漂移的數據。 MonitoringInputDataBase[] （必要）
referenceData （引用數據） [必要]要計算漂移的數據。 MonitoringInputDataBase （必要）
信號類型 [必要]指定要監視的訊號類型。 'FeatureAttributionDrift' （必要）

FeatureAttributionDriftMonitoringSignalFeatureDataTypeOverride

名稱 說明 價值觀

FeatureAttributionMetricThreshold

名稱 說明 價值觀
計量 [必要]要計算的功能屬性計量。 'NormalizedDiscountedCumulativeGain' （必要）
閾值 臨界值。 如果為 null，則會根據選取的計量來設定預設值。 監控閾值

FeatureImportanceSettings （特徵重要性設置）

名稱 說明 價值觀
模式 運算特徵重要性的作業模式。 “已禁用”
“已啟用”
targetColumn 輸入數據資產內的目標數據行名稱。 字串

特徵子集

名稱 說明 價值觀
特徵 [必要]要包含的功能清單。 string[] （必要）
filterType （過濾器類型） [必要]指定要在選取要計算計量的功能時運用的功能篩選。 'FeatureSubset' （必要）

FileSystemSource 檔源

名稱 說明 價值觀
路徑 數據匯入 FileSystem 來源的路徑 字串
資源類型 [必要]指定數據類型。 'file_system' （必要）

固定輸入數據

名稱 說明 價值觀
inputDataType （輸入資料類型） [必要]指定要監視的訊號類型。 'Fixed' （必要）

預測地平線

名稱 說明 價值觀
模式 針對 AutoForecastHorizon 類型，設定為 'Auto'。 針對 CustomForecastHorizon 類型，設定為 'Custom'。 '自動'
'Custom' （必要）

預測

名稱 說明 價值觀
cvSplitColumnNames 要用於 CVSplit 資料的數據行。 字串[]
featurizationSettings AutoML 作業所需的特徵化輸入。 TableVerticalFeaturizationSettings
固定參數 模型/定型參數，在整個定型過程中會維持不變。 TableFixedParameters （表固定參數）
forecasting設置 預測工作特定輸入。 ForecastingSettings
limitSettings AutoMLJob 的執行條件約束。 TableVerticalLimitSettings
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。		 NCross驗證
primaryMetric 預測工作的主要計量。 'NormalizedMeanAbsoluteError'
'NormalizedRootMeanSquaredError'
'R2Score'
'SpearmanCorrelation'
搜索空間 搜尋空間以取樣模型及其超參數的不同組合。 TableParameterSubspace[]
掃描設置 模型掃掠和超參數微調的設定。 TableSweepSettings （表格掃描設置）
任務類型 [必要]AutoMLJob 的工作類型。 “預測” （必要）
測試數據 測試數據輸入。 MLTableJobInput
testDataSize 必須為驗證目的而保留的測試數據集分數。
介於 （0.0 、 1.0） 之間的值
未提供驗證數據集時套用。		 整數 (int)
trainingSettings AutoML 作業定型階段的輸入。 ForecastingTrainingSettings
validationData （驗證資料） 驗證數據輸入。 MLTableJobInput
validationDataSize 需要為驗證目的預留的定型數據集分數。
介於 （0.0 、 1.0） 之間的值
未提供驗證數據集時套用。		 整數 (int)
權重列名稱 範例權數數據行的名稱。 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

ForecastingSettings

名稱 說明 價值觀
國家/地區或地區為假期 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。 為了
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
相隔三天。		 整數 (int)
featureLags 使用 『auto』 或 null 產生數值特徵延遲的旗標。 '自動'
“無”
featuresUnknownAtForecastTime 可在預測/推斷時用於定型但未知的功能數據行。
如果未設定features_unknown_at_forecast_time，則會假設數據集中的所有功能數據行在推斷時間都是已知的。		 字串[]
forecastHorizon （預測地平線） 所需的最大預測範圍，以時間序列頻率單位為單位。 預測地平線
頻率 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 定義 AutoML 是否應該處理短時間序列的參數。 '自動'
“掉落”
“無”
'墊'
targetAggregateFunction 要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 已設定，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”。		 “最大”
“卑鄙”
'敏'
“無”
'總和'
目標拉格 要從目標數據行延遲的過去期間數。 目標滯後
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 （時間列名稱） 時間數據行的名稱。 當預測以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，則會假設數據集為一個時間序列。 此參數與工作類型預測搭配使用。		 字串[]
useStl 設定時間序列目標數據行的 STL 分解。 “無”
“賽季”
'季節趨勢'

ForecastingTrainingSettings

名稱 說明 價值觀
allowedTrainingAlgorithms 用於預測工作的允許模型。 包含任何的字串數組：
“Arimax”
'AutoArima'
“平均”
“決策樹”
“彈性網”
'指數平滑'
'ExtremeRandomTrees'
'梯度提升'
'KNN'
“套索拉斯”
'LightGBM'
天真'
'先知'
'隨機森林'
'季節性平均值'
'季節性天真'
'新幣'
'TCNForecaster'
'XGBoostRegressor'
blockedTrainingAlgorithms 用於預測工作的封鎖模型。 包含任何的字串數組：
“Arimax”
'AutoArima'
“平均”
“決策樹”
“彈性網”
'指數平滑'
'ExtremeRandomTrees'
'梯度提升'
'KNN'
“套索拉斯”
'LightGBM'
天真'
'先知'
'隨機森林'
'季節性平均值'
'季節性天真'
'新幣'
'TCNForecaster'
'XGBoostRegressor'
enableDnnTraining 啟用 DNN 模型的建議。 布爾 (bool)
enableModelExplainability 在最佳模型上開啟可解釋性的旗標。 布爾 (bool)
enableOnnxCompatibleModels 啟用 onnx 相容模型的旗標。 布爾 (bool)
enableStackEnsemble 啟用堆疊合奏執行。 布爾 (bool)
enableVoteEnsemble 啟用投票合奏執行。 布爾 (bool)
ensembleModelDownloadTimeout 在 VotingEnsemble 和 StackEnsemble 模型產生期間，會下載先前子回合中的多個安裝模型。
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 堆疊合奏執行的堆疊合奏設定。 StackEnsembleSettings
trainingMode TrainingMode 模式 - 設定為 'auto' 與目前將它設定為「非分散式」相同，但未來可能會導致混合模式或啟發學習法模式選取。 預設值為 『auto』。
如果 「分散式」，則只會使用分散式特徵化，並選擇分散式演算法。
如果 『NonDistributed』，則只會選擇非分散式演算法。		 '自動'
“分散式”
'NonDistributed' （非分散式）

GenerationSafetyQualityMetricThreshold （生成安全品質度量閾值）

名稱 說明 價值觀
計量 [必要]取得或設定要計算的功能屬性計量。 “AcceptableCoherenceScorePerInstance”
“AcceptableFluencyScorePerInstance”
“AcceptableGroundednessScorePerInstance”
“AcceptableRelevanceScorePerInstance”
“AcceptableSimilarityScorePerInstance”
'AggregatedCoherencePassRate'
'AggregatedFluencyPassRate'
'AggregatedGroundednessPassRate'
“AggregatedRelevancePassRate”
'AggregatedSimilarityPassRate' （必要）
閾值 取得或設定臨界值。
如果為 null，則會根據選取的計量來設定預設值。		 監控閾值

GenerationSafetyQualityMonitoringSignal

名稱 說明 價值觀
metricThresholds [必要]取得或設定要計算的計量和對應的臨界值。 GenerationSafetyQualityMetricThreshold[] （必要）
生產數據 取得或設定計算計量的生產數據。 MonitoringInputDataBase[]
採樣率 [必要]生產數據的取樣率應該大於 0 且最多 1。 int （必要）
信號類型 [必要]指定要監視的訊號類型。 'GenerationSafetyQuality' （必要）
workspaceConnectionId 取得或設定用來連線到內容產生端點的工作區聯機標識碼。 字串

GenerationTokenUsageMetricThreshold

名稱 說明 價值觀
計量 [必要]取得或設定要計算的功能屬性計量。 'TotalTokenCount'
'TotalTokenCountPerGroup' （必要）
閾值 取得或設定臨界值。
如果為 null，則會根據選取的計量來設定預設值。		 監控閾值

GenerationTokenUsageSignal

名稱 說明 價值觀
metricThresholds [必要]取得或設定要計算的計量和對應的臨界值。 GenerationTokenUsageMetricThreshold[] （必要）
生產數據 取得或設定計算計量的生產數據。 MonitoringInputDataBase[]
採樣率 [必要]生產數據的取樣率應該大於 0 且最多 1。 int （必要）
信號類型 [必要]指定要監視的訊號類型。 'GenerationTokenStatistics' （必要）

GridSampling演算法

名稱 說明 價值觀
採樣演算法類型 [必要]用來產生超參數值的演算法，以及組態屬性 'Grid' （必要）

身份配置

名稱 說明 價值觀
身份類型 將 設定為 AmlToken 類型的 『AMLToken』。 針對 ManagedIdentity 類型設定為 『Managed』。 針對 UserIdentity 類型，設定為 ' UserIdentity'。 'AMLToken'
“託管”
'UserIdentity' （必要）

圖像分類

名稱 說明 價值觀
limitSettings [必要]限制 AutoML 作業的設定。 ImageLimitSettings （必要）
modelSettings 用於定型模型的設定。 ImageModelSettings分類
primaryMetric 要針對這項工作進行優化的主要計量。 '精確度'
'AUCWeighted'
'AveragePrecisionScoreWeighted'
'NormMacroRecall' （規範巨集調用）
'PrecisionScoreWeighted'
搜索空間 搜尋空間以取樣模型及其超參數的不同組合。 ImageModelDistributionSettingsClassification[]
掃描設置 模型掃掠和超參數掃掠相關設定。 ImageSweepSettings （圖像掃描設定）
任務類型 [必要]AutoMLJob 的工作類型。 'ImageClassification' （必要）
validationData （驗證資料） 驗證數據輸入。 MLTableJobInput
validationDataSize 需要為驗證目的預留的定型數據集分數。
介於 （0.0 、 1.0） 之間的值
未提供驗證數據集時套用。		 整數 (int)

ImageClassificationMultilabel

名稱 說明 價值觀
limitSettings [必要]限制 AutoML 作業的設定。 ImageLimitSettings （必要）
modelSettings 用於定型模型的設定。 ImageModelSettings分類
primaryMetric 要針對這項工作進行優化的主要計量。 '精確度'
'AUCWeighted'
'AveragePrecisionScoreWeighted'
'欠條'
'NormMacroRecall' （規範巨集調用）
'PrecisionScoreWeighted'
搜索空間 搜尋空間以取樣模型及其超參數的不同組合。 ImageModelDistributionSettingsClassification[]
掃描設置 模型掃掠和超參數掃掠相關設定。 ImageSweepSettings （圖像掃描設定）
任務類型 [必要]AutoMLJob 的工作類型。 'ImageClassificationMultilabel' （必要）
validationData （驗證資料） 驗證數據輸入。 MLTableJobInput
validationDataSize 需要為驗證目的預留的定型數據集分數。
介於 （0.0 、 1.0） 之間的值
未提供驗證數據集時套用。		 整數 (int)

ImageInstanceSegmentation

名稱 說明 價值觀
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 要針對這項工作進行優化的主要計量。 'MeanAveragePrecision'
搜索空間 搜尋空間以取樣模型及其超參數的不同組合。 ImageModelDistributionSettingsObjectDetection[]
掃描設置 模型掃掠和超參數掃掠相關設定。 ImageSweepSettings （圖像掃描設定）
任務類型 [必要]AutoMLJob 的工作類型。 'ImageInstanceSegmentation' （必要）
validationData （驗證資料） 驗證數據輸入。 MLTableJobInput
validationDataSize 需要為驗證目的預留的定型數據集分數。
介於 （0.0 、 1.0） 之間的值
未提供驗證數據集時套用。		 整數 (int)

ImageLimitSettings

名稱 說明 價值觀
maxConcurrentTrials 並行 AutoML 反覆項目的數目上限。 整數 (int)
maxTrials AutoML 反覆項目的數目上限。 整數 (int)
超時 AutoML 作業逾時。 字串

ImageModelDistributionSettings分類

名稱 說明 價值觀
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
貝塔1 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
貝塔2 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 是否要使用散發器定型。 字串
earlyStopping （早期停止） 在定型期間啟用早期停止邏輯。 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
會追蹤早期停止。 必須是正整數。		 字串
早點停止耐心 在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 評估驗證數據集以取得計量分數的頻率。 必須是正整數。 字串
梯度累積步驟 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 （圖層凍結） 要凍結模型的圖層數目。 必須是正整數。
例如，傳遞 2 作為 'seresnext' 值表示
凍結 layer0 和 layer1。 如需支援模型的完整清單，以及圖層凍結的詳細數據，請
請參閱：/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 的 學習率排程器的類型。 必須是 『warmup_cosine』 或 'step'。 字串
型號名稱 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：
/azure/machine-learning/how-to-auto-train-image-models。		 字串
動量 優化器為 『zn』 時的動量值。 必須是範圍 [0, 1] 內的浮點數。 字串
涅斯特羅夫 在優化器為 『zn』 時啟用 nesterov。 字串
紀元數 定型 Epoch 的數目。 必須是正整數。 字串
工人數 數據載入器背景工作角色的數目。 必須是非負整數。 字串
優化器 優化工具的類型。 必須是 『zn』、『adam』或 『adamw』。 字串
隨機種子 使用決定性定型時要使用的隨機種子。 字串
stepLR伽瑪 學習速率排程器為 『step』 時的 gamma 值。 必須是範圍 [0, 1] 內的浮點數。 字串
stepLRStepSize 學習速率排程器為 『step』 時的步驟大小值。 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，這是訓練數據集之類神經網路的輸入。 必須是正整數。 字串
validationBatchSize 驗證批次大小。 必須是正整數。 字串
validationCropSize 影像裁剪大小，這是用於驗證數據集之類神經網路的輸入。 必須是正整數。 字串
validationResizeSize 在裁剪驗證數據集之前要重設大小的影像大小。 必須是正整數。 字串
warmupCosineLRCycles 學習速率排程器為「warmup_cosine」時，餘弦迴圈的值。 必須是範圍 [0, 1] 內的浮點數。 字串
warmupCosineLRWarmupEpochs 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 （權重衰減） 優化器為 'zn'、'adam' 或 'adamw' 時的權數衰變值。 必須是範圍[0， 1] 中的浮點數。 字串
weightedLoss 加權減肥。 接受的值是 0，沒有加權損失。
1 用於與 sqrt 減肥。（class_weights）。 2 用於減肥與class_weights。 必須是 0 或 1 或 2。		 字串

ImageModelDistributionSettingsObjectDetection

名稱 說明 價值觀
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
貝塔1 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
貝塔2 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
boxDetectionsPerImage （每影像檢測） 所有類別的每個影像偵測數目上限。 必須是正整數。
注意：'yolov5' 演算法不支援此設定。		 字串
boxScoreThreshold （盒分數閾值） 在推斷期間，只傳回大於分類分數的建議
BoxScoreThreshold。 必須是範圍[0， 1] 中的浮點數。		 字串
分散式 是否要使用散發器定型。 字串
earlyStopping （早期停止） 在定型期間啟用早期停止邏輯。 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
會追蹤早期停止。 必須是正整數。		 字串
早點停止耐心 在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 評估驗證數據集以取得計量分數的頻率。 必須是正整數。 字串
梯度累積步驟 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
影像大小 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 （圖層凍結） 要凍結模型的圖層數目。 必須是正整數。
例如，傳遞 2 作為 'seresnext' 值表示
凍結 layer0 和 layer1。 如需支援模型的完整清單，以及圖層凍結的詳細數據，請
請參閱：/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 的 學習率排程器的類型。 必須是 『warmup_cosine』 或 'step'。 字串
最大尺寸 在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，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
最小大小 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，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
型號名稱 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：
/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，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 優化器為 『zn』 時的動量值。 必須是範圍 [0, 1] 內的浮點數。 字串
多尺度 依 +/- 50%來啟用多重縮放影像大小。
注意：如果沒有足夠的 GPU 記憶體，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
涅斯特羅夫 在優化器為 『zn』 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 float。 字串
紀元數 定型 Epoch 的數目。 必須是正整數。 字串
工人數 數據載入器背景工作角色的數目。 必須是非負整數。 字串
優化器 優化工具的類型。 必須是 『zn』、『adam』或 『adamw』。 字串
隨機種子 使用決定性定型時要使用的隨機種子。 字串
stepLR伽瑪 學習速率排程器為 『step』 時的 gamma 值。 必須是範圍 [0, 1] 內的浮點數。 字串
stepLRStepSize 學習速率排程器為 『step』 時的步驟大小值。 必須是正整數。 字串
tileGridSize （平鋪網格大小） 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，其格式為一個。
注意：'yolov5' 演算法不支援此設定。		 字串
tileOverlapRatio （平鋪重疊比率） 每個維度中相鄰磚之間的重疊比例。 必須是範圍 [0， 1] 中的浮點數。
注意：'yolov5' 演算法不支援此設定。		 字串
tilePredictionsNmsThreshold 用來執行NMS的IOU閾值，同時合併磚和影像的預測。
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閾值。 必須是範圍 [0， 1] 中的 float。 字串
validationMetricType 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 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 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 （權重衰減） 優化器為 'zn'、'adam' 或 'adamw' 時的權數衰變值。 必須是範圍[0， 1] 中的浮點數。 字串

ImageModelSettings分類

名稱 說明 價值觀
高級設置 進階案例的設定。 字串
amsGradient 當優化器為 『adam』 或 'adamw' 時啟用AMSGrad。 布爾 (bool)
擴增 使用擴增的設定。 字串
貝塔1 優化器為 'adam' 或 'adamw' 時的 'beta1' 值。 必須是範圍 [0, 1] 內的浮點數。 整數 (int)
貝塔2 優化器為 'adam' 或 'adamw' 時的 'beta2' 值。 必須是範圍 [0, 1] 內的浮點數。 整數 (int)
檢查點頻率 儲存模型檢查點的頻率。 必須是正整數。 整數 (int)
checkpoint模型 累加訓練的預先定型檢查點模型。 MLFlowModelJobInput
檢查點RunId 先前執行的標識碼，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。 布爾 (bool)
earlyStopping （早期停止） 在定型期間啟用早期停止邏輯。 布爾 (bool)
earlyStoppingDelay 在主要計量改進之前等待的最小 Epoch 或驗證評估數目
會追蹤早期停止。 必須是正整數。		 整數 (int)
早點停止耐心 在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。		 整數 (int)
enableOnnxNormalization 匯出 ONNX 模型時啟用正規化。 布爾 (bool)
evaluationFrequency 評估驗證數據集以取得計量分數的頻率。 必須是正整數。 整數 (int)
梯度累積步驟 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。		 整數 (int)
layersToFreeze （圖層凍結） 要凍結模型的圖層數目。 必須是正整數。
例如，傳遞 2 作為 'seresnext' 值表示
凍結 layer0 和 layer1。 如需支援模型的完整清單，以及圖層凍結的詳細數據，請
請參閱：/azure/machine-learning/how-to-auto-train-image-models。		 整數 (int)
learningRate 初始學習速率。 必須是範圍 [0, 1] 內的浮點數。 整數 (int)
learningRateScheduler 的 學習率排程器的類型。 必須是 『warmup_cosine』 或 'step'。 “無”
“步驟”
'WarmupCosine'
型號名稱 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：
/azure/machine-learning/how-to-auto-train-image-models。		 字串
動量 優化器為 『zn』 時的動量值。 必須是範圍 [0, 1] 內的浮點數。 整數 (int)
涅斯特羅夫 在優化器為 『zn』 時啟用 nesterov。 布爾 (bool)
紀元數 定型 Epoch 的數目。 必須是正整數。 整數 (int)
工人數 數據載入器背景工作角色的數目。 必須是非負整數。 整數 (int)
優化器 優化工具的類型。 “亞當”
“亞當”
“無”
'新元'
隨機種子 使用決定性定型時要使用的隨機種子。 整數 (int)
stepLR伽瑪 學習速率排程器為 『step』 時的 gamma 值。 必須是範圍 [0, 1] 內的浮點數。 整數 (int)
stepLRStepSize 學習速率排程器為 『step』 時的步驟大小值。 必須是正整數。 整數 (int)
trainingBatchSize 定型批次大小。 必須是正整數。 整數 (int)
trainingCropSize 影像裁剪大小，這是訓練數據集之類神經網路的輸入。 必須是正整數。 整數 (int)
validationBatchSize 驗證批次大小。 必須是正整數。 整數 (int)
validationCropSize 影像裁剪大小，這是用於驗證數據集之類神經網路的輸入。 必須是正整數。 整數 (int)
validationResizeSize 在裁剪驗證數據集之前要重設大小的影像大小。 必須是正整數。 整數 (int)
warmupCosineLRCycles 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。 整數 (int)
warmupCosineLRWarmupEpochs 學習速率排程器為「warmup_cosine」時，熱身 Epoch 的值。 必須是正整數。 整數 (int)
weightDecay （權重衰減） 優化器為 'zn'、'adam' 或 'adamw' 時的權數衰變值。 必須是範圍[0， 1] 中的浮點數。 整數 (int)
weightedLoss 加權減肥。 接受的值是 0，沒有加權損失。
1 用於與 sqrt 減肥。（class_weights）。 2 用於減肥與class_weights。 必須是 0 或 1 或 2。		 整數 (int)

ImageModelSettingsObjectDetection

名稱 說明 價值觀
高級設置 進階案例的設定。 字串
amsGradient 當優化器為 『adam』 或 'adamw' 時啟用AMSGrad。 布爾 (bool)
擴增 使用擴增的設定。 字串
貝塔1 優化器為 'adam' 或 'adamw' 時的 'beta1' 值。 必須是範圍 [0, 1] 內的浮點數。 整數 (int)
貝塔2 優化器為 'adam' 或 'adamw' 時的 'beta2' 值。 必須是範圍 [0, 1] 內的浮點數。 整數 (int)
boxDetectionsPerImage （每影像檢測） 所有類別的每個影像偵測數目上限。 必須是正整數。
注意：'yolov5' 演算法不支援此設定。		 整數 (int)
boxScoreThreshold （盒分數閾值） 在推斷期間，只傳回大於分類分數的建議
BoxScoreThreshold。 必須是範圍[0， 1] 中的浮點數。		 整數 (int)
檢查點頻率 儲存模型檢查點的頻率。 必須是正整數。 整數 (int)
checkpoint模型 累加訓練的預先定型檢查點模型。 MLFlowModelJobInput
檢查點RunId 先前執行的標識碼，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。 布爾 (bool)
earlyStopping （早期停止） 在定型期間啟用早期停止邏輯。 布爾 (bool)
earlyStoppingDelay 在主要計量改進之前等待的最小 Epoch 或驗證評估數目
會追蹤早期停止。 必須是正整數。		 整數 (int)
早點停止耐心 在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。		 整數 (int)
enableOnnxNormalization 匯出 ONNX 模型時啟用正規化。 布爾 (bool)
evaluationFrequency 評估驗證數據集以取得計量分數的頻率。 必須是正整數。 整數 (int)
梯度累積步驟 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。		 整數 (int)
影像大小 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。		 整數 (int)
layersToFreeze （圖層凍結） 要凍結模型的圖層數目。 必須是正整數。
例如，傳遞 2 作為 'seresnext' 值表示
凍結 layer0 和 layer1。 如需支援模型的完整清單，以及圖層凍結的詳細數據，請
請參閱：/azure/machine-learning/how-to-auto-train-image-models。		 整數 (int)
learningRate 初始學習速率。 必須是範圍 [0, 1] 內的浮點數。 整數 (int)
learningRateScheduler 的 學習率排程器的類型。 必須是 『warmup_cosine』 或 'step'。 “無”
“步驟”
'WarmupCosine'
logTrainingMetrics 啟用計算和記錄定型計量。 '禁用'
'啟用'
logValidationLoss 啟用運算和記錄驗證遺失。 '禁用'
'啟用'
最大尺寸 在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，定型執行可能會進入 CUDA OOM。
注意：'yolov5' 演算法不支援此設定。		 整數 (int)
最小大小 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，定型執行可能會進入 CUDA OOM。
注意：'yolov5' 演算法不支援此設定。		 整數 (int)
型號名稱 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：
/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，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。		 “超大號”
“大”
'中等'
“無”
“小”
動量 優化器為 『zn』 時的動量值。 必須是範圍 [0, 1] 內的浮點數。 整數 (int)
多尺度 依 +/- 50%來啟用多重縮放影像大小。
注意：如果沒有足夠的 GPU 記憶體，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。		 布爾 (bool)
涅斯特羅夫 在優化器為 『zn』 時啟用 nesterov。 布爾 (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。 整數 (int)
紀元數 定型 Epoch 的數目。 必須是正整數。 整數 (int)
工人數 數據載入器背景工作角色的數目。 必須是非負整數。 整數 (int)
優化器 優化工具的類型。 “亞當”
“亞當”
“無”
'新元'
隨機種子 使用決定性定型時要使用的隨機種子。 整數 (int)
stepLR伽瑪 學習速率排程器為 『step』 時的 gamma 值。 必須是範圍 [0, 1] 內的浮點數。 整數 (int)
stepLRStepSize 學習速率排程器為 『step』 時的步驟大小值。 必須是正整數。 整數 (int)
tileGridSize （平鋪網格大小） 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，其格式為一個。
注意：'yolov5' 演算法不支援此設定。		 字串
tileOverlapRatio （平鋪重疊比率） 每個維度中相鄰磚之間的重疊比例。 必須是範圍 [0， 1] 中的浮點數。
注意：'yolov5' 演算法不支援此設定。		 整數 (int)
tilePredictionsNmsThreshold 用來執行NMS的IOU閾值，同時合併磚和影像的預測。
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。		 整數 (int)
trainingBatchSize 定型批次大小。 必須是正整數。 整數 (int)
validationBatchSize 驗證批次大小。 必須是正整數。 整數 (int)
validationIouThreshold 計算驗證計量時要使用的IOU閾值。 必須是範圍 [0， 1] 中的 float。 整數 (int)
validationMetricType 用於驗證計量的計量計算方法。 《尋夢環遊記》
“可哥沃克”
“無”
'Voc'
warmupCosineLRCycles 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。 整數 (int)
warmupCosineLRWarmupEpochs 學習速率排程器為「warmup_cosine」時，熱身 Epoch 的值。 必須是正整數。 整數 (int)
weightDecay （權重衰減） 優化器為 'zn'、'adam' 或 'adamw' 時的權數衰變值。 必須是範圍[0， 1] 中的浮點數。 整數 (int)

ImageObjectDetection

名稱 說明 價值觀
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 要針對這項工作進行優化的主要計量。 'MeanAveragePrecision'
搜索空間 搜尋空間以取樣模型及其超參數的不同組合。 ImageModelDistributionSettingsObjectDetection[]
掃描設置 模型掃掠和超參數掃掠相關設定。 ImageSweepSettings （圖像掃描設定）
任務類型 [必要]AutoMLJob 的工作類型。 'ImageObjectDetection' （必要）
validationData （驗證資料） 驗證數據輸入。 MLTableJobInput
validationDataSize 需要為驗證目的預留的定型數據集分數。
介於 （0.0 、 1.0） 之間的值
未提供驗證數據集時套用。		 整數 (int)

ImageSweepSettings （圖像掃描設定）

名稱 說明 價值觀
early終止 早期終止原則的類型。 提前終止政策
sampling演算法 [必要]超參數取樣演算法的類型。 “貝氏”
'網格'
'Random' （必要）

ImportDataAction

名稱 說明 價值觀
動作類型 [必要]指定排程的動作類型 'ImportData' （必要）
dataImport定義 [必要]定義排程動作定義詳細數據。 DataImport （必要）

智慧財產權

名稱 說明 價值觀
protectionLevel 保護級別 智慧財產權的保護層級。 '全部'
“無”
發行者 [必要]智慧財產權的發行者。 必須與登錄發行者名稱相同。 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）

JobBaseProperties

名稱 說明 價值觀
元件ID 元件資源的 ARM 資源識別碼。 字串
計算ID 計算資源的 ARM 資源識別碼。 字串
說明 資產描述文字。 字串
顯示名稱 工作的顯示名稱。 字串
實驗名稱 作業所屬的實驗名稱。 如果未設定，作業會放在 「默認」實驗中。 字串
身分識別 身分識別設定。 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。		 身份配置
isArchived 已存檔 資產是否已封存？ 布爾 (bool)
職位類型 設定為 AutoMLJob 類型的 『AutoML』。 設定為 CommandJob 類型的 『Command』。 設定為 [標記] 類型為 [卷標][JobProperties]。 設定為 PipelineJob 類型的 'Pipeline'。 針對 SparkJob 類型設定為 『Spark』。 設定為 掃掠Job 類型的 [掃掠]。 'AutoML'
“命令”
'標記'
“管道”
“火花”
'掃掠' （必要）
notification設置 作業的通知設定 通知設置
屬性 資產屬性字典。 ResourceBaseProperties
secrets配置 設定要在運行時間期間提供秘密。 JobBaseSecretsConfiguration
服務 JobEndpoints 的清單。
針對本機作業，作業端點會有 FileStreamObject 的端點值。		 JobBase服務
標記 標記字典。 標記可以新增、移除和更新。 ResourceBaseTags

JobBaseSecretsConfiguration

名稱 說明 價值觀

JobBase服務

名稱 說明 價值觀

作業輸入

名稱 說明 價值觀
說明 輸入的描述。 字串
jobInputType （作業輸入類型） 設定為 CustomModelJobInput 類型的 『custom_model』。 設定為 常值JobInput 類型的 『literal』。 設定為 MLFlowModelJobInput 類型的 『mlflow_model』。 設定為 MLTableJobInput 類型的 'mltable'。 設定為 TritonModelJobInput 類型的 『triton_model』。 針對 UriFileJobInput類型設定為 『uri_file』。 針對 UriFolderJobInput 類型設定為 『uri_folder』。 “custom_model”
'字面值'
“mlflow_model”
'mltable'
“triton_model”
“uri_file”
'uri_folder' （必要）

JobOutput （作業輸出）

名稱 說明 價值觀
說明 輸出的描述。 字串
jobOutputType 設定為 CustomModelJobOutput 類型的 『custom_model』。 設定為 MLFlowModelJobOutput 類型的 『mlflow_model』。 設定為 MLTableJobOutput 類型的 'mltable'。 將 設定為 TritonModelJobOutput 類型的 『triton_model』。 針對 UriFileJobOutput類型設定為 『uri_file』。 針對 UriFolderJobOutput類型設定為 『uri_folder』。 “custom_model”
“mlflow_model”
'mltable'
“triton_model”
“uri_file”
'uri_folder' （必要）

JobResourceConfiguration

名稱 說明 價值觀
dockerArgs 傳遞至 Docker run 命令的額外自變數。 這會覆寫系統或本節中已設定的任何參數。 此參數僅支援 Azure ML 計算類型。 字串
實例數量 計算目標所使用的實例或節點選擇性數目。 整數 (int)
instanceType 計算目標所支持的選擇性 VM 類型。 字串
地點 作業可以執行的位置。 字串[]
maxInstanceCount 計算目標可使用的實例或節點數目選擇性上限。
若要搭配彈性定型使用，目前只有 PyTorch 散發類型支援。		 整數 (int)
屬性 其他屬性包。 ResourceConfigurationProperties
shmSize Docker 容器的共用記憶體區塊大小。 這應該是 （number）（unit） 的格式，其中數位大於 0，單位可以是 b（位元組）、k（KB）、m（MB）、或 g（GB）。 字串

約束：
圖案 = \d+[bBkKmMgG]

JobScheduleAction作

名稱 說明 價值觀
動作類型 [必要]指定排程的動作類型 'CreateJob' （必要）
jobDefinition [必要]定義排程動作定義詳細數據。 JobBaseProperties （必要）

工作服務

名稱 說明 價值觀
端點 端點的 URL。 字串
jobServiceType 端點類型。 字串
節點 使用者想要啟動服務的節點。
如果未將 Nodes 設定或設定為 null，則服務只會在領導者節點上啟動。		 節點
傳輸埠 用戶所設定端點的埠。 整數 (int)
屬性 在端點上設定的其他屬性。 JobServiceProperties

JobServiceProperties

名稱 說明 價值觀

標籤類別

名稱 說明 價值觀
課程 此類別中標籤類別的字典。 標籤類別類
顯示名稱 標籤類別的顯示名稱。 字串
多選 指出是否允許在此類別中選取多個類別。 “已禁用”
“已啟用”

標籤類別類

名稱 說明 價值觀

標籤類

名稱 說明 價值觀
顯示名稱 標籤類別的顯示名稱。 字串
子 卷標類別子類別的字典。 LabelClass子類

LabelClass子類

名稱 說明 價值觀

LabelingDataConfiguration

名稱 說明 價值觀
數據ID 要執行標籤之數據資產的資源標識碼。 字串
incrementalDataRefresh 指出是否要啟用累加式數據重新整理。 “已禁用”
“已啟用”

LabelingJobImageProperties

名稱 說明 價值觀
annotationType 影像標籤作業的註釋類型。 '邊界框'
'分類'
'InstanceSegmentation' 實例分段'
mediaType [必要]作業的媒體類型。 'Image' （必要）

LabelingJobInstructions

名稱 說明 價值觀
統一資源識別碼 (URI) 具有標籤者詳細標籤指示的頁面連結。 字串

LabelJobLabelCategories

名稱 說明 價值觀

LabelingJobMediaProperties

名稱 說明 價值觀
mediaType 針對 LabelingJobImageProperties 類型設定為 'Image'，。 將 類型設定為 'Text'，LabelingJobTextProperties。 “圖像”
'Text' （必要）

LabelingJobProperties

名稱 說明 價值觀
dataConfiguration 設定作業中使用的數據。 LabelingDataConfiguration
工作說明 標記作業的指示。 LabelingJobInstructions
職位類型 [必要]指定作業的類型。 '標記' （必要）
標籤類別 作業的標籤類別。 LabelJobLabelCategories
labelingJobMediaProperties 作業中的媒體類型特定屬性。 LabelingJobMediaProperties
mlAssistConfiguration 在作業中設定 MLAssist 功能。 MLAssistConfiguration

LabelingJobTextProperties

名稱 說明 價值觀
annotationType 文字標籤作業的註釋類型。 '分類'
'NamedEntityRecognition' （命名實體識別）
mediaType [必要]作業的媒體類型。 'Text' （必要）

LiteralJobInput （文字作業輸入）

名稱 說明 價值觀
jobInputType （作業輸入類型） [必要]指定作業的類型。 'literal' （必要）
價值 [必要]輸入的常值。 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）

ManagedComputeIdentity

名稱 說明 價值觀
computeIdentityType [必要]監視計算識別類型列舉。 'ManagedIdentity' （必要）
身分識別 受控服務識別（系統指派和/或使用者指派的身分識別） ManagedServiceIdentity

ManagedIdentity （託管身份）

名稱 說明 價值觀
用戶端ID 依用戶端識別元指定使用者指派的身分識別。 若為系統指派，請勿設定此欄位。 字串

約束：
最小長度 = 36
最大長度 = 36
圖案 = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
身份類型 [必要]指定身分識別架構的類型。 'Managed' （必要）
物件ID 依物件識別元指定使用者指派的身分識別。 若為系統指派，請勿設定此欄位。 字串

約束：
最小長度 = 36
最大長度 = 36
圖案 = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
資源ID 依 ARM 資源識別碼指定使用者指派的身分識別。 若為系統指派，請勿設定此欄位。 字串

ManagedServiceIdentity

名稱 說明 價值觀
型別 受控服務識別的類型（允許 SystemAssigned 和 UserAssigned 類型）。 “無”
“系統分配”
'SystemAssigned，UserAssigned'
'UserAssigned' （必要）
使用者指派的身份 與資源相關聯的使用者指派身分識別集。 userAssignedIdentities 字典索引鍵的格式為 ARM 資源標識符：'/subscriptions/{subscriptionId}/resourceGroups/{resourceGroupName}/providers/Microsoft.ManagedIdentity/userAssignedIdentities/{identityName}。 字典值可以是要求中的空白物件 （{}）。 UserAssignedIdentities

中位數停止政策

名稱 說明 價值觀
policyType [必要]原則設定的名稱 'MedianStopping' （必要）

MLAssistConfiguration

名稱 說明 價值觀
mlAssist 針對 MLAssistConfigurationDisabled 類型設定為 'Disabled'。 針對 MLAssistConfigurationEnabled 類型，設定為 'Enabled'。 “已禁用”
'Enabled' （必要）

MLAssistConfigurationDisabled

名稱 說明 價值觀
mlAssist [必要]指出是否啟用 MLAssist 功能。 'Disabled' （必要）

MLAssistConfiguration已啟用

名稱 說明 價值觀
inferencingComputeBinding [必要]用於推斷的 AML 計算系結。 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）
mlAssist [必要]指出是否啟用 MLAssist 功能。 'Enabled' （必要）
trainingComputeBinding 的 [必要]定型中使用的 AML 計算系結。 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）

MLFlowModelJobInput

名稱 說明 價值觀
jobInputType （作業輸入類型） [必要]指定作業的類型。 'mlflow_model' （必要）
模式 輸入資產傳遞模式。 “直接”
'下載'
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
“ReadWriteMount”
統一資源識別碼 (URI) [必要]輸入資產 URI。 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）

MLFlowModelJobInput

名稱 說明 價值觀
說明 輸入的描述。 字串
jobInputType （作業輸入類型） [必要]指定作業的類型。 “custom_model”
'字面值'
“mlflow_model”
'mltable'
“triton_model”
“uri_file”
'uri_folder' （必要）
模式 輸入資產傳遞模式。 “直接”
'下載'
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
“ReadWriteMount”
統一資源識別碼 (URI) [必要]輸入資產 URI。 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）

MLFlowModelJobOutput

名稱 說明 價值觀
assetName （資產名稱） 輸出資產名稱。 字串
assetVersion （資產版本） 輸出資產版本。 字串
autoDelete設置 自動刪除輸出數據資產的設定。 自動刪除設置
jobOutputType [必要]指定作業的類型。 'mlflow_model' （必要）
模式 輸出資產傳遞模式。 “直接”
“ReadWriteMount”
'上傳'
統一資源識別碼 (URI) 輸出資產 URI。 字串

MLTableJobInput

名稱 說明 價值觀
說明 輸入的描述。 字串
jobInputType （作業輸入類型） [必要]指定作業的類型。 “custom_model”
'字面值'
“mlflow_model”
'mltable'
“triton_model”
“uri_file”
'uri_folder' （必要）
模式 輸入資產傳遞模式。 “直接”
'下載'
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
“ReadWriteMount”
統一資源識別碼 (URI) [必要]輸入資產 URI。 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）

MLTableJobInput

名稱 說明 價值觀
jobInputType （作業輸入類型） [必要]指定作業的類型。 'mltable' （必要）
模式 輸入資產傳遞模式。 “直接”
'下載'
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
“ReadWriteMount”
統一資源識別碼 (URI) [必要]輸入資產 URI。 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）

MLTableJobOutput

名稱 說明 價值觀
assetName （資產名稱） 輸出資產名稱。 字串
assetVersion （資產版本） 輸出資產版本。 字串
autoDelete設置 自動刪除輸出數據資產的設定。 自動刪除設置
jobOutputType [必要]指定作業的類型。 'mltable' （必要）
模式 輸出資產傳遞模式。 “直接”
“ReadWriteMount”
'上傳'
統一資源識別碼 (URI) 輸出資產 URI。 字串

ModelPerformanceMetricThresholdBase

名稱 說明 價值觀
modelType 設定為 ClassificationModelPerformanceMetricThreshold 類型的 [分類]。 設定為 RegressionModelPerformanceMetricThreshold 類型的 'Regression'。 '分類'
'回歸' （必要）
閾值 臨界值。 如果為 null，則會根據選取的計量來設定預設值。 監控閾值

ModelPerformanceSignal

名稱 說明 價值觀
數據段 數據區段。 MonitoringDataSegment
metricThreshold指標閾值 [必要]要計算的計量清單及其相關聯的臨界值。 ModelPerformanceMetricThresholdBase （必要）
生產數據 [必要]生產服務所產生的數據，將會計算其效能。 MonitoringInputDataBase[] （必要）
referenceData （引用數據） [必要]做為計算模型效能基礎的參考數據。 MonitoringInputDataBase （必要）
信號類型 [必要]指定要監視的訊號類型。 'ModelPerformance' （必要）

監視器ComputeConfigurationBase

名稱 說明 價值觀
computeType 設定為 MonitorServerlessSparkCompute 類型的 'ServerlessSpark'。 'ServerlessSpark' （必要）

監視器計算身份庫

名稱 說明 價值觀
computeIdentityType 針對 AmlTokenComputeIdentity 類型，設定為 『AmlToken』。 針對 ManagedComputeIdentity 類型，設定為 『ManagedIdentity』。 “AmlToken”
'ManagedIdentity' （必要）

監視器定義

名稱 說明 價值觀
alertNotificationSettings 監視器的通知設定。 MonitorNotificationSettings
computeConfiguration [必要]要執行監視作業之計算資源的 ARM 資源識別碼。 MonitorComputeConfigurationBase （必要）
監控目標 此監視器的目標模型或部署的 ARM 資源識別碼。 監控目標
信號 [必要]要監視的訊號。 MonitorDefinitionSignals （必要）

監視器定義信號

名稱 說明 價值觀

監視器EmailNotificationSettings

名稱 說明 價值觀
電子郵件 這是電子郵件收件者清單，總計限製為499個字元。 字串[]

MonitoringDataSegment

名稱 說明 價值觀
功能 要分割數據的功能。 字串
價值觀 僅篩選指定區段特徵的指定值。 字串[]

MonitoringFeatureFilterBase

名稱 說明 價值觀
filterType （過濾器類型） 設定為 AllFeatures 類型的 'AllFeatures'。 針對FeatureSubset類型，設定為 ' FeatureSubset'。 設定為 TopNFeaturesByAttribution 類型的 『TopNByAttribution』。 '所有功能'
'FeatureSubset'
'TopNByAttribution' （必要）

監控輸入資料庫

名稱 說明 價值觀
欄 將數據行名稱對應至特殊用途。 MonitoringInputDataBaseColumns
dataContext 數據源的內容元數據。 字串
inputDataType （輸入資料類型） 設定為 FixedInputData 類型的 『Fixed』。 針對 RollingInputData 類型設定為 『Rolling』。 設定為 StaticInputData 類型的 『Static』。 “已修復”
'滾動'
'Static' （必要）
jobInputType （作業輸入類型） [必要]指定作業的類型。 “custom_model”
'字面值'
“mlflow_model”
'mltable'
“triton_model”
“uri_file”
'uri_folder' （必要）
統一資源識別碼 (URI) [必要]輸入資產 URI。 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）

MonitoringInputDataBaseColumns

名稱 說明 價值觀

監控信號庫

名稱 說明 價值觀
notificationTypes 此訊號的目前通知模式。 包含任何的字串數組：
“AmlNotification”
“AzureMonitor”
屬性 屬性字典。 可以新增屬性，但無法移除或改變。 MonitoringSignalBaseProperties
信號類型 針對 CustomMonitoringSignal 類型，設定為 『Custom』。 設定為 DataDriftMonitoringSignal 類型的 'DataDrift'。 設定為 DataQualityMonitoringSignal 類型的 'DataQuality'。 設定為 FeatureAttributionDrift 類型為 FeatureAttributionDriftMonitoringSignal 的 'FeatureAttributionDrift'。 針對 GenerationSafetyQuality 類型設定為 'GenerationSafetyQualityMonitoringSignal'。 將 設定為 GenerationTokenUsageSignal 類型的 'GenerationTokenStatistics'。 設定為 ModelPerformanceSignal 類型的 『ModelPerformance』。 設定為 PredictionDriftMonitoringSignal 類型的 'PredictionDrift'。 “自定義”
“數據漂移”
'數據品質'
'FeatureAttributionDrift' （特徵歸因漂移）
'GenerationSafetyQuality' （一代安全品質）
'GenerationTokenStatistics'
'ModelPerformance'
'PredictionDrift' （必要）

MonitoringSignalBaseProperties

名稱 說明 價值觀

監控目標

名稱 說明 價值觀
deploymentId 此監視器目標部署的 ARM 資源識別碼。 字串
模型ID 此監視器的目標模型之 ARM 資源識別碼。 字串
任務類型 [必要]模型的機器學習工作類型。 '分類'
“問答”
'回歸' （必要）

監控閾值

名稱 說明 價值觀
價值 臨界值。 如果為 null，則設定預設值取決於計量類型。 整數 (int)

MonitoringWorkspaceConnection

名稱 說明 價值觀
環境變數 工作區服務連線的屬性，以在送出的工作中儲存為環境變數。
索引鍵是工作區連線屬性路徑，名稱為環境變數索引鍵。		 MonitoringWorkspaceConnectionEnvironmentVariables
祕密 工作區服務連線的屬性，以在送出的工作中儲存為秘密。
密鑰是工作區連線屬性路徑，名稱為秘密金鑰。		 監控 WorkspaceConnectionSecrets

MonitoringWorkspaceConnectionEnvironmentVariables

名稱 說明 價值觀

監控 WorkspaceConnectionSecrets

名稱 說明 價值觀

MonitorNotificationSettings

名稱 說明 價值觀
emailNotification設置 AML 通知電子郵件設定。 監視器EmailNotificationSettings

監視器ServerlessSparkCompute

名稱 說明 價值觀
計算身份 [必要]在無伺服器 Spark 上執行的 Spark 作業所運用的身分識別配置。 MonitorComputeIdentityBase （必要）
computeType [必要]指定要監視的訊號類型。 'ServerlessSpark' （必要）
instanceType [必要]執行 Spark 作業的實體類型。 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）
runtimeVersion （運行時版本） [必要]Spark 運行時間版本。 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）

MPI

名稱 說明 價值觀
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。 整數 (int)

NCross驗證

名稱 說明 價值觀
模式 針對 AutoNCrossValidations 類型，設定為 『Auto』。 設定為 CustomNCrossValidations 類型的 [自定義]。 '自動'
'Custom' （必要）

NlpFixedParameters

名稱 說明 價值觀
梯度累積步驟 在執行回溯傳遞之前，要累積漸層的步驟數目。 整數 (int)
learningRate 定型程序的學習速率。 整數 (int)
learningRateScheduler 的 訓練程式期間要使用的學習速率排程類型。 “恆定”
'ConstantWithWarmup' （不斷預熱）
'Cosine' 餘弦
'CosineWithRestarts'
“線性”
“無”
'多項式'
型號名稱 要定型的模型名稱。 字串
紀元數 定型 Epoch 的數目。 整數 (int)
trainingBatchSize 定型程式的批次大小。 整數 (int)
validationBatchSize 評估期間要使用的批次大小。 整數 (int)
warmupRatio 熱身比例，與 LrSchedulerType 搭配使用。 整數 (int)
weightDecay （權重衰減） 定型程式的重量衰變。 整數 (int)

NlpParameterSubspace

名稱 說明 價值觀
梯度累積步驟 在執行回溯傳遞之前，要累積漸層的步驟數目。 字串
learningRate 定型程序的學習速率。 字串
learningRateScheduler 的 訓練程式期間要使用的學習速率排程類型。 字串
型號名稱 要定型的模型名稱。 字串
紀元數 定型 Epoch 的數目。 字串
trainingBatchSize 定型程式的批次大小。 字串
validationBatchSize 評估期間要使用的批次大小。 字串
warmupRatio 熱身比例，與 LrSchedulerType 搭配使用。 字串
weightDecay （權重衰減） 定型程式的重量衰變。 字串

NlpSweepSettings

名稱 說明 價值觀
early終止 掃掠作業的早期終止原則類型。 提前終止政策
sampling演算法 [必要]取樣演算法的類型。 “貝氏”
'網格'
'Random' （必要）

NlpVerticalFeaturizationSettings

名稱 說明 價值觀
datasetLanguage 數據集語言，適用於文字數據。 字串

NlpVerticalLimitSettings

名稱 說明 價值觀
maxConcurrentTrials 並行 AutoML 反覆專案上限。 整數 (int)
最大節點數 用於實驗的最大節點。 整數 (int)
maxTrials AutoML 反覆項目的數目。 整數 (int)
超時 AutoML 作業逾時。 字串
trialTimeout （試用超時） 個別 HD 試用版的逾時。 字串

節點

名稱 說明 價值觀
nodesValueType 針對 AllNodes 類型，設定為 'All'。 'All' （必要）

通知設置

名稱 說明 價值觀
電子郵件 在指定的通知類型上傳送電子郵件通知給使用者 包含任何的字串數組：
'JobCancelled' （工作已取消）
'JobCompleted'
“作業失敗”
電子郵件 這是電子郵件收件者清單，其總限製為499個字元，且具有逗號分隔符 字串[]
webhook 將 Webhook 回呼傳送至服務。 機碼是 Webhook 的使用者提供名稱。 NotificationSettingWebhook

NotificationSettingWebhook

名稱 說明 價值觀

NumericalDataDriftMetricThreshold

名稱 說明 價值觀
數據類型 [必要]指定計量閾值的數據類型。 '數值' （必要）
計量 [必要]要計算的數值數據漂移計量。 'JensenShannonDistance'
'NormalizedWassersteinDistance'
'人口穩定性指數'
'TwoSampleKolmogorovSmirnovTest' （必要）

NumericalDataQualityMetricThreshold

名稱 說明 價值觀
數據類型 [必要]指定計量閾值的數據類型。 '數值' （必要）
計量 [必要]要計算的數值數據品質計量。 'DataTypeErrorRate'
'NullValueRate'
'OutOfBoundsRate' （必要）

NumericalPredictionDriftMetricThreshold

名稱 說明 價值觀
數據類型 [必要]指定計量閾值的數據類型。 '數值' （必要）
計量 [必要]要計算的數值預測漂移計量。 'JensenShannonDistance'
'NormalizedWassersteinDistance'
'人口穩定性指數'
'TwoSampleKolmogorovSmirnovTest' （必要）

目的

名稱 說明 價值觀
目標 [必要]定義超參數微調支援的計量目標 “最大化”
'最小化' （必要）
primaryMetric [必要]要優化之計量的名稱。 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）

管道作業

名稱 說明 價值觀
輸入 管線作業的輸入。 管道作業輸入
工作 作業會建構管線作業。 PipelineJobJob 作業
職位類型 [必要]指定作業的類型。 'Pipeline' （必要）
輸出 管線作業的輸出 PipelineJobOutputs
設定 管線設定，適用於 ContinueRunOnStepFailure 等專案。 任何
源作業 ID 來源作業的 ARM 資源識別碼。 字串

管道作業輸入

名稱 說明 價值觀

PipelineJobJob 作業

名稱 說明 價值觀

PipelineJobOutputs

名稱 說明 價值觀

PredictionDriftMetricThresholdBase

名稱 說明 價值觀
數據類型 設定為 CategoricalPredictionDriftMetricThreshold 類型的 'Categorical'。 設定為 [數值] 類型為 [數值][PredictionDriftMetricThreshold]。 '類別'
'數值' （必要）
閾值 臨界值。 如果為 null，則會根據選取的計量來設定預設值。 監控閾值

預測漂移監測信號

名稱 說明 價值觀
featureDataTypeOverride 將特徵名稱對應至其個別數據類型的字典。 PredictionDriftMonitoringSignalFeatureDataTypeOverride
metricThresholds [必要]要計算的計量清單及其相關聯的臨界值。 PredictionDriftMetricThresholdBase[] （必要）
生產數據 [必要]要計算漂移的數據。 MonitoringInputDataBase （必要）
referenceData （引用數據） [必要]要計算漂移的數據。 MonitoringInputDataBase （必要）
信號類型 [必要]指定要監視的訊號類型。 'PredictionDrift' （必要）

PredictionDriftMonitoringSignalFeatureDataTypeOverride

名稱 說明 價值觀

PyTorch

名稱 說明 價值觀
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。 整數 (int)

佇列設置

名稱 說明 價值觀
jobTier 控制計算作業層 “基本”
'Null'
“高級”
'Spot'
“標準”
優先權 控制計算上作業的優先順序。 整數 (int)

RandomSamplingAlgorithm 演算法

名稱 說明 價值觀
日誌庫 選擇性正數或 e 字串格式，以做為以記錄為基礎的隨機取樣基底 字串
規則 隨機演算法的特定類型 '隨機'
“索博爾”
採樣演算法類型 [必要]用來產生超參數值的演算法，以及組態屬性 'Random' （必要）
種子 要作為隨機數產生種子的選擇性整數 整數 (int)

射線

名稱 說明 價值觀
地址 Ray 前端節點的位址。 字串
dashboardPort 要系結儀錶板伺服器的埠。 整數 (int)
distributionType [必要]指定散發架構的類型。 'Ray' （必要）
headNodeAdditionalArgs 傳遞至前端節點中光線啟動的其他自變數。 字串
includeDashboard 提供此自變數以啟動Ray儀錶板 GUI。 布爾 (bool)
傳輸埠 前端光線進程的埠。 整數 (int)
workerNodeAdditionalArgs 傳遞至ray的其他自變數會在背景工作節點中啟動。 字串

RecurrenceSchedule （定期計劃）

名稱 說明 價值觀
小時 [必要]排程的時數清單。 int[] （必要）
紀要 [必要]排程的分鐘數清單。 int[] （必要）
月天 排程的月份天數清單 int[]
平日 排程的天數清單。 包含任何的字串數組：
《星期五》
《星期一》
《星期六》
《星期天》
《星期四》
《星期二》
《星期三》

RecurrenceTrigger 觸發器

名稱 說明 價值觀
頻率 [必要]觸發排程的頻率。 “日”
“小時”
“分鐘”
“月”
'Week' （必要）
間隔 [必要]指定排程間隔與頻率 int （必要）
時間表 週期排程。 RecurrenceSchedule （定期計劃）
triggerType [必要] '週期' （必要）

迴歸

名稱 說明 價值觀
cvSplitColumnNames 要用於 CVSplit 資料的數據行。 字串[]
featurizationSettings AutoML 作業所需的特徵化輸入。 TableVerticalFeaturizationSettings
固定參數 模型/定型參數，在整個定型過程中會維持不變。 TableFixedParameters （表固定參數）
limitSettings AutoMLJob 的執行條件約束。 TableVerticalLimitSettings
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。		 NCross驗證
primaryMetric 回歸工作的主要計量。 'NormalizedMeanAbsoluteError'
'NormalizedRootMeanSquaredError'
'R2Score'
'SpearmanCorrelation'
搜索空間 搜尋空間以取樣模型及其超參數的不同組合。 TableParameterSubspace[]
掃描設置 模型掃掠和超參數微調的設定。 TableSweepSettings （表格掃描設置）
任務類型 [必要]AutoMLJob 的工作類型。 '回歸' （必要）
測試數據 測試數據輸入。 MLTableJobInput
testDataSize 必須為驗證目的而保留的測試數據集分數。
介於 （0.0 、 1.0） 之間的值
未提供驗證數據集時套用。		 整數 (int)
trainingSettings AutoML 作業定型階段的輸入。 回歸訓練設置
validationData （驗證資料） 驗證數據輸入。 MLTableJobInput
validationDataSize 需要為驗證目的預留的定型數據集分數。
介於 （0.0 、 1.0） 之間的值
未提供驗證數據集時套用。		 整數 (int)
權重列名稱 範例權數數據行的名稱。 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

RegressionModelPerformanceMetricThreshold

名稱 說明 價值觀
計量 [必要]要計算的回歸模型效能計量。 'MeanAbsoluteError'
'MeanSquaredError'
'RootMeanSquaredError' （必要）
modelType [必要]指定計量閾值的數據類型。 '回歸' （必要）

回歸訓練設置

名稱 說明 價值觀
allowedTrainingAlgorithms 回歸工作的允許模型。 包含任何的字串數組：
“決策樹”
“彈性網”
'ExtremeRandomTrees'
'梯度提升'
'KNN'
“套索拉斯”
'LightGBM'
'隨機森林'
'新幣'
'XGBoostRegressor'
blockedTrainingAlgorithms 回歸工作的封鎖模型。 包含任何的字串數組：
“決策樹”
“彈性網”
'ExtremeRandomTrees'
'梯度提升'
'KNN'
“套索拉斯”
'LightGBM'
'隨機森林'
'新幣'
'XGBoostRegressor'
enableDnnTraining 啟用 DNN 模型的建議。 布爾 (bool)
enableModelExplainability 在最佳模型上開啟可解釋性的旗標。 布爾 (bool)
enableOnnxCompatibleModels 啟用 onnx 相容模型的旗標。 布爾 (bool)
enableStackEnsemble 啟用堆疊合奏執行。 布爾 (bool)
enableVoteEnsemble 啟用投票合奏執行。 布爾 (bool)
ensembleModelDownloadTimeout 在 VotingEnsemble 和 StackEnsemble 模型產生期間，會下載先前子回合中的多個安裝模型。
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 堆疊合奏執行的堆疊合奏設定。 StackEnsembleSettings
trainingMode TrainingMode 模式 - 設定為 'auto' 與目前將它設定為「非分散式」相同，但未來可能會導致混合模式或啟發學習法模式選取。 預設值為 『auto』。
如果 「分散式」，則只會使用分散式特徵化，並選擇分散式演算法。
如果 『NonDistributed』，則只會選擇非分散式演算法。		 '自動'
“分散式”
'NonDistributed' （非分散式）

ResourceBaseProperties

名稱 說明 價值觀

ResourceBaseProperties

名稱 說明 價值觀

ResourceBaseProperties

名稱 說明 價值觀

ResourceBaseTags

名稱 說明 價值觀

ResourceBaseTags

名稱 說明 價值觀

ResourceBaseTags

名稱 說明 價值觀

ResourceConfigurationProperties

名稱 說明 價值觀

滾動輸入數據

名稱 說明 價值觀
inputDataType （輸入資料類型） [必要]指定要監視的訊號類型。 '滾動' （必要）
預處理元件ID 用來前置處理數據的元件資源的 ARM 資源識別碼。 字串
windowOffset [必要]數據視窗結尾與監視器目前運行時間之間的時間位移。 字串 （必要）
視窗大小 [必要]尾端資料視窗的大小。 字串 （必要）

採樣演算法

名稱 說明 價值觀
採樣演算法類型 針對 BayesianSamplingAlgorithm類型設定為 『Bayesian』。 設定為 GridSamplingAlgorithm 類型的 『Grid』。 設定為 RandomSamplingAlgorithm 類型的 『Random』。 “貝氏”
'網格'
'Random' （必要）

ScheduleActionBase

名稱 說明 價值觀
動作類型 設定為 JobScheduleAction類型的 『CreateJob』。 設定為 CreateMonitorAction 類型的 『CreateMonitor』。 設定為 ImportDataAction 類型的 『ImportData』。 設定為 EndpointScheduleAction 類型的 『InvokeBatchEndpoint』。 “CreateJob”
“創建監視器”
'匯入數據'
'InvokeBatchEndpoint' （必要）

ScheduleProperties （計劃屬性）

名稱 說明 價值觀
動作 [必要]指定排程的動作 ScheduleActionBase （必要）
說明 資產描述文字。 字串
顯示名稱 排程的顯示名稱。 字串
已啟用 是否已啟用排程？ 布爾 (bool)
屬性 資產屬性字典。 ResourceBaseProperties
標記 標記字典。 標記可以新增、移除和更新。 ResourceBaseTags
觸發 [必要]指定觸發程式詳細數據 TriggerBase （必要）

季節性

名稱 說明 價值觀
模式 針對 AutoSeasonality 類型，設定為 [自動]。 針對 CustomSeasonality 類型，設定為 [自定義]。 '自動'
'Custom' （必要）

SecretConfiguration

名稱 說明 價值觀
統一資源識別碼 (URI) 秘密 URI。
範例 URI ： https://myvault.vault.azure.net/secrets/mysecretname/secretversion		 字串
workspaceSecretName （工作區金鑰名稱） 工作區金鑰保存庫中的秘密名稱。 字串

SparkJob

名稱 說明 價值觀
檔案 封存作業中使用的檔案。 字串[]
參數 作業的自變數。 字串
代碼Id [必要]程式代碼資產的 ARM 資源識別碼。 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）
會議 Spark 設定的屬性。 SparkJobConf 函數
輸入 [必要]在作業啟動時要執行的專案。 SparkJobEntry （必要）
環境ID 作業之環境規格的 ARM 資源識別碼。 字串
環境變數 作業中包含的環境變數。 SparkJobEnvironment變數
檔案 作業中使用的檔案。 字串[]
輸入 對應作業中使用的輸入數據系結。 SparkJobInputs
罐子 作業中使用的 Jar 檔案。 字串[]
職位類型 [必要]指定作業的類型。 'Spark' （必要）
輸出 對應作業中使用的輸出數據系結。 SparkJob輸出
py檔 作業中使用的 Python 檔案。 字串[]
queueSettings 作業的佇列設定 佇列設置
資源 作業的計算資源組態。 SparkResourceConfiguration

SparkJobConf 函數

名稱 說明 價值觀

SparkJobEntry

名稱 說明 價值觀
sparkJobEntryType 針對 SparkJobPythonEntry 類型，設定為 'SparkJobPythonEntry'。 針對 SparkJobScalaEntry 類型，設定為 'SparkJobScalaEntry'。 “SparkJobPythonEntry”
'SparkJobScalaEntry' （必要）

SparkJobEnvironment變數

名稱 說明 價值觀

SparkJobInputs

名稱 說明 價值觀

SparkJob輸出

名稱 說明 價值觀

SparkJobPython條目

名稱 說明 價值觀
檔案 [必要]作業進入點的相對 Python 檔案路徑。 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）
sparkJobEntryType [必要]作業進入點的類型。 'SparkJobPythonEntry' （必要）

SparkJobScalaEntry

名稱 說明 價值觀
類別名稱 [必要]做為進入點的 Scala 類別名稱。 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）
sparkJobEntryType [必要]作業進入點的類型。 'SparkJobScalaEntry' （必要）

SparkResourceConfiguration

名稱 說明 價值觀
instanceType 計算目標所支持的選擇性 VM 類型。 字串
runtimeVersion （運行時版本） 用於作業的 Spark 執行時間版本。 字串

StackEnsembleSettings

名稱 說明 價值觀
stackMetaLearnerKWargs 要傳遞至中繼學習模組初始化表達式的選擇性參數。 任何
stackMetaLearnerTrainPercentage 指定要保留用於訓練中繼學習工具的定型集比例（選擇定型和定型類型的訓練類型）。 預設值為 0.2。 整數 (int)
stackMetaLearnerType 中繼學習器是針對個別異質模型輸出定型的模型。 “彈性網”
'ElasticNetCV'
'LightGBMClassifier'
'LightGBMRegressor'
'線性回歸'
'LogisticRegression' （邏輯回歸）
'LogisticRegressionCV'
“無”

StaticInputData （靜態輸入數據）

名稱 說明 價值觀
inputDataType （輸入資料類型） [必要]指定要監視的訊號類型。 'Static' （必要）
預處理元件ID 用來前置處理數據的元件資源的 ARM 資源識別碼。 字串
窗口結束 [必要]數據窗口的結束日期。 字串 （必要）
窗口開始 [必要]數據視窗的開始日期。 字串 （必要）

SweepJob （掃描作業）

名稱 說明 價值觀
componentConfiguration 用於掃掠元件的元件組態 元件配置
early終止 早期終止原則可在完成之前取消執行效能不佳 提前終止政策
輸入 對應作業中使用的輸入數據系結。 SweepJobInputs
職位類型 [必要]指定作業的類型。 '掃掠' （必要）
限制 掃掠作業限制。 SweepJobLimits （掃描作業限制）
目的 [必要]優化目標。 目標 （必要）
輸出 對應作業中使用的輸出數據系結。 SweepJobOutputs （掃描作業輸出）
queueSettings 作業的佇列設定 佇列設置
資源 作業的計算資源組態。 JobResourceConfiguration
sampling演算法 [必要]超參數取樣演算法 SamplingAlgorithm （必要）
搜索空間 [必要]包含每個參數及其散發的字典。 字典索引鍵是參數的名稱 任何 （必要）
試用 [必要]試用版元件定義。 TrialComponent （必要）

SweepJobInputs

名稱 說明 價值觀

SweepJobLimits （掃描作業限制）

名稱 說明 價值觀
jobLimits類型 [必要]JobLimit 類型。 “命令”
'掃掠' （必要）
maxConcurrentTrials 掃掠作業最大並行試用版。 整數 (int)
maxTotalTrials 掃掠作業最大總試用版。 整數 (int)
超時 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 （試用超時） 掃掠作業試用版逾時值。 字串

SweepJobOutputs （掃描作業輸出）

名稱 說明 價值觀

TableFixedParameters （表固定參數）

名稱 說明 價值觀
助推 器 指定提升類型，例如 XGBoost 的 gbdt。 字串
boosting類型 指定提升類型，例如 LightGBM 的 gbdt。 字串
增長策略 指定成長原則，以控制將新節點新增至樹狀結構的方式。 字串
learningRate 定型程序的學習速率。 整數 (int)
最大 Bin 指定貯體連續功能的離散間隔數目上限。 整數 (int)
最大深度 指定明確限制樹狀結構深度的最大深度。 整數 (int)
最大葉數 指定要明確限制樹狀結構的葉數上限。 整數 (int)
minDataInLeaf 的 每個分葉的數據數目下限。 整數 (int)
minSplitGain 最小分度增益 在樹狀結構的分葉節點上進行進一步分割所需的最小遺失減少。 整數 (int)
型號名稱 要定型的模型名稱。 字串
nEstimator 指定模型中的樹狀結構數目（或四捨五入）。 整數 (int)
葉數 指定葉數。 整數 (int)
preprocessorName 要使用的預處理器名稱。 字串
regAlpha 加權的 L1 正規化詞彙。 整數 (int)
regLambda 加權的 L2 正規化詞彙。 整數 (int)
子樣本 定型實例的子取樣比例。 整數 (int)
subsampleFreq 子取樣的頻率。 整數 (int)
treeMethod 指定樹狀結構方法。 字串
withMean 如果為 true，請在使用 StandardScalar 調整數據之前置中。 布爾 (bool)
withStd 如果為 true，請使用 StandardScalar 來調整單位變異數的數據。 布爾 (bool)

TableParameterSubspace

名稱 說明 價值觀
助推 器 指定提升類型，例如 XGBoost 的 gbdt。 字串
boosting類型 指定提升類型，例如 LightGBM 的 gbdt。 字串
增長策略 指定成長原則，以控制將新節點新增至樹狀結構的方式。 字串
learningRate 定型程序的學習速率。 字串
最大 Bin 指定貯體連續功能的離散間隔數目上限。 字串
最大深度 指定明確限制樹狀結構深度的最大深度。 字串
最大葉數 指定要明確限制樹狀結構的葉數上限。 字串
minDataInLeaf 的 每個分葉的數據數目下限。 字串
minSplitGain 最小分度增益 在樹狀結構的分葉節點上進行進一步分割所需的最小遺失減少。 字串
型號名稱 要定型的模型名稱。 字串
nEstimator 指定模型中的樹狀結構數目（或四捨五入）。 字串
葉數 指定葉數。 字串
preprocessorName 要使用的預處理器名稱。 字串
regAlpha 加權的 L1 正規化詞彙。 字串
regLambda 加權的 L2 正規化詞彙。 字串
子樣本 定型實例的子取樣比例。 字串
subsampleFreq 子取樣的頻率 字串
treeMethod 指定樹狀結構方法。 字串
withMean 如果為 true，請在使用 StandardScalar 調整數據之前置中。 字串
withStd 如果為 true，請使用 StandardScalar 來調整單位變異數的數據。 字串

TableSweepSettings （表格掃描設置）

名稱 說明 價值觀
early終止 掃掠作業的早期終止原則類型。 提前終止政策
sampling演算法 [必要]取樣演算法的類型。 “貝氏”
'網格'
'Random' （必要）

TableVerticalFeaturizationSettings

名稱 說明 價值觀
阻塞變壓器 這些轉換器不得用於特徵化。 包含任何的字串數組：
'CatTargetEncoder' （貓目標編碼器）
'CountVectorizer'
'HashOneHotEncoder'
'標籤編碼器'
“天真貝葉斯”
'OneHotEncoder' （一熱編碼器）
'TextTargetEncoder'
'TfIdf'
'WoETargetEncoder' （WoETarget編碼器）
'WordEmbedding' （單詞嵌入）
columnNameAnd類型 數據行名稱及其類型字典（int、float、string、datetime 等）。 TableVerticalFeaturizationSettingsColumnNameAndTypes
datasetLanguage 數據集語言，適用於文字數據。 字串
enableDnnFeaturization 判斷是否要使用 Dnn 型特徵化程式進行數據特徵化。 布爾 (bool)
模式 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，以自定義特徵化的完成方式。		 '自動'
“自定義”
“關閉”
transformer參數 用戶可以指定要搭配套用的其他轉換器，以及要套用它的數據行，以及轉換建構函式的參數。 TableVerticalFeaturizationSettingsTransformerParams

TableVerticalFeaturizationSettingsColumnNameAndTypes

名稱 說明 價值觀

TableVerticalFeaturizationSettingsTransformerParams

名稱 說明 價值觀

TableVerticalLimitSettings

名稱 說明 價值觀
enableEarlyTermination 啟用提早終止，判斷如果過去 20 個反覆項目沒有分數改善，AutoMLJob 是否會提早終止。 布爾 (bool)
退出評分 AutoML 作業的結束分數。 整數 (int)
maxConcurrentTrials 並行反覆運算數上限。 整數 (int)
maxCoresPerTrial 每個反覆專案的核心數上限。 整數 (int)
最大節點數 用於實驗的最大節點。 整數 (int)
maxTrials 反覆項目的數目。 整數 (int)
sweepConcurrentTrials 使用者想要觸發的並行掃掠執行數目。 整數 (int)
sweepTrials 使用者想要觸發的掃掠執行次數。 整數 (int)
超時 AutoML 作業逾時。 字串
trialTimeout （試用超時） 反覆專案逾時。 字串

目標滯後

名稱 說明 價值觀
模式 針對 AutoTargetLags 類型設定為 『Auto』。 設定為 CustomTargetLags 類型的 [自定義]。 '自動'
'Custom' （必要）

TargetRollingWindowSize

名稱 說明 價值觀
模式 針對 AutoTargetRollingWindowSize 類型，設定為 『Auto』。 針對 CustomTargetRollingWindowSize 類型設定為 『Custom』。 '自動'
'Custom' （必要）

TensorFlow

名稱 說明 價值觀
distributionType [必要]指定散發架構的類型。 'TensorFlow' （必要）
parameterServerCount 參數伺服器工作的數目。 整數 (int)
workerCount 工人計數 工人人數。 如果未指定，則會預設為實例計數。 整數 (int)

文本分類

名稱 說明 價值觀
featurizationSettings AutoML 作業所需的特徵化輸入。 NlpVerticalFeaturizationSettings
固定參數 模型/定型參數，在整個定型過程中會維持不變。 NlpFixedParameters
limitSettings AutoMLJob 的執行條件約束。 NlpVerticalLimitSettings
primaryMetric Text-Classification 工作的主要計量。 '精確度'
'AUCWeighted'
'AveragePrecisionScoreWeighted'
'NormMacroRecall' （規範巨集調用）
'PrecisionScoreWeighted'
搜索空間 搜尋空間以取樣模型及其超參數的不同組合。 NlpParameterSubspace[]
掃描設置 模型掃掠和超參數微調的設定。 NlpSweepSettings
任務類型 [必要]AutoMLJob 的工作類型。 'TextClassification' （必要）
validationData （驗證資料） 驗證數據輸入。 MLTableJobInput

TextClassificationMultilabel

名稱 說明 價值觀
featurizationSettings AutoML 作業所需的特徵化輸入。 NlpVerticalFeaturizationSettings
固定參數 模型/定型參數，在整個定型過程中會維持不變。 NlpFixedParameters
limitSettings AutoMLJob 的執行條件約束。 NlpVerticalLimitSettings
搜索空間 搜尋空間以取樣模型及其超參數的不同組合。 NlpParameterSubspace[]
掃描設置 模型掃掠和超參數微調的設定。 NlpSweepSettings
任務類型 [必要]AutoMLJob 的工作類型。 'TextClassificationMultilabel' （必要）
validationData （驗證資料） 驗證數據輸入。 MLTableJobInput

TextNer （文字產生器）

名稱 說明 價值觀
featurizationSettings AutoML 作業所需的特徵化輸入。 NlpVerticalFeaturizationSettings
固定參數 模型/定型參數，在整個定型過程中會維持不變。 NlpFixedParameters
limitSettings AutoMLJob 的執行條件約束。 NlpVerticalLimitSettings
搜索空間 搜尋空間以取樣模型及其超參數的不同組合。 NlpParameterSubspace[]
掃描設置 模型掃掠和超參數微調的設定。 NlpSweepSettings
任務類型 [必要]AutoMLJob 的工作類型。 'TextNER' （必要）
validationData （驗證資料） 驗證數據輸入。 MLTableJobInput

TopNFeaturesByAttribution

名稱 說明 價值觀
filterType （過濾器類型） [必要]指定要在選取要計算計量的功能時運用的功能篩選。 'TopNByAttribution' （必要）
返回頁首 要包含的最上層功能數目。 整數 (int)

TrialComponent （試用元件）

名稱 說明 價值觀
代碼Id 程式代碼資產的 ARM 資源識別碼。 字串
指令 [必要]在作業啟動時執行的命令。 例如 “python train.py” 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）
分配 作業的散發組態。 如果設定，這應該是其中一個 Mpi、Tensorflow、PyTorch 或 null。 分發配置
環境ID [必要]作業之環境規格的 ARM 資源識別碼。 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）
環境變數 作業中包含的環境變數。 TrialComponentEnvironmentVariables
資源 作業的計算資源組態。 JobResourceConfiguration

TrialComponentEnvironmentVariables

名稱 說明 價值觀

觸發器庫

名稱 說明 價值觀
結束時間 指定 ISO 8601 中的排程結束時間，但不含 UTC 位移。 請參閱 https://en.wikipedia.org/wiki/ISO_8601。
重新批注的格式會是 “2022-06-01T00：00：01”
如果沒有，排程將會無限期執行		 字串
開始時間 以 ISO 8601 格式指定排程的開始時間，但不含 UTC 位移。 字串
時區 指定排程執行所在的時區。
TimeZone應遵循 Windows 時區格式。 請參閱：/windows-hardware/manufacture/desktop/default-time-zones？view=windows-11		 字串
triggerType 設定為 CronTrigger 類型的 『Cron』。 將類型 RecurrenceTrigger 設定為 『RecurrenceTrigger』。 'Cron'
'週期' （必要）

TritonModelJobInput

名稱 說明 價值觀
jobInputType （作業輸入類型） [必要]指定作業的類型。 'triton_model' （必要）
模式 輸入資產傳遞模式。 “直接”
'下載'
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
“ReadWriteMount”
統一資源識別碼 (URI) [必要]輸入資產 URI。 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）

TritonModelJobOutput

名稱 說明 價值觀
assetName （資產名稱） 輸出資產名稱。 字串
assetVersion （資產版本） 輸出資產版本。 字串
autoDelete設置 自動刪除輸出數據資產的設定。 自動刪除設置
jobOutputType [必要]指定作業的類型。 'triton_model' （必要）
模式 輸出資產傳遞模式。 “直接”
“ReadWriteMount”
'上傳'
統一資源識別碼 (URI) 輸出資產 URI。 字串

截斷選擇策略 (TruncationSelectionPolicy)

名稱 說明 價值觀
policyType [必要]原則設定的名稱 'TruncationSelection' （必要）
截斷百分比 要在每個評估間隔取消的執行百分比。 整數 (int)

UriFileJobInput

名稱 說明 價值觀
jobInputType （作業輸入類型） [必要]指定作業的類型。 'uri_file' （必要）
模式 輸入資產傳遞模式。 “直接”
'下載'
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
“ReadWriteMount”
統一資源識別碼 (URI) [必要]輸入資產 URI。 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）

UriFileJobOutput

名稱 說明 價值觀
assetName （資產名稱） 輸出資產名稱。 字串
assetVersion （資產版本） 輸出資產版本。 字串
autoDelete設置 自動刪除輸出數據資產的設定。 自動刪除設置
jobOutputType [必要]指定作業的類型。 'uri_file' （必要）
模式 輸出資產傳遞模式。 “直接”
“ReadWriteMount”
'上傳'
統一資源識別碼 (URI) 輸出資產 URI。 字串

UriFolderJobInput

名稱 說明 價值觀
jobInputType （作業輸入類型） [必要]指定作業的類型。 'uri_folder' （必要）
模式 輸入資產傳遞模式。 “直接”
'下載'
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
“ReadWriteMount”
統一資源識別碼 (URI) [必要]輸入資產 URI。 字串

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_] （必要）

UriFolderJobOutput

名稱 說明 價值觀
assetName （資產名稱） 輸出資產名稱。 字串
assetVersion （資產版本） 輸出資產版本。 字串
autoDelete設置 自動刪除輸出數據資產的設定。 自動刪除設置
jobOutputType [必要]指定作業的類型。 'uri_folder' （必要）
模式 輸出資產傳遞模式。 “直接”
“ReadWriteMount”
'上傳'
統一資源識別碼 (URI) 輸出資產 URI。 字串

UserAssignedIdentities

名稱 說明 價值觀

UserAssignedIdentity

名稱 說明 價值觀

使用者身份

名稱 說明 價值觀
身份類型 [必要]指定身分識別架構的類型。 'UserIdentity' （必要）

Webhook

名稱 說明 價值觀
事件類型 在指定的通知事件上傳送回呼 字串
webhook類型 針對 AzureDevOpsWebhook 類型，設定為 『AzureDevOps』。 'AzureDevOps' （必要）