共用方式為

Microsoft.MachineLearningServices 工作區/排程 2023-10-01

  • 發行項

Bicep 資源定義

工作區/排程資源類型可以使用目標作業進行部署：

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@2023-10-01' = {
  name: 'string'
  parent: resourceSymbolicName
  properties: {
    action: {
      actionType: 'string'
      // For remaining properties, see ScheduleActionBase objects
    }
    description: 'string'
    displayName: 'string'
    isEnabled: bool
    properties: {
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
    }
    tags: {
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
    }
    trigger: {
      endTime: 'string'
      startTime: 'string'
      timeZone: 'string'
      triggerType: 'string'
      // For remaining properties, see TriggerBase objects
    }
  }
}

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
    properties: {
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
    }
    services: {
      {customized property}: {
        endpoint: 'string'
        jobServiceType: 'string'
        nodes: {
          nodesValueType: 'string'
          // For remaining properties, see Nodes objects
        }
        port: int
        properties: {
          {customized property}: 'string'
        }
      }
    }
    tags: {
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {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: 'AmlNotification'
        properties: {
          {customized property}: 'string'
        }
        signalType: 'string'
        // For remaining properties, see MonitoringSignalBase objects
      }
    }
  }

針對 InvokeBatchEndpoint，請使用：

  actionType: 'InvokeBatchEndpoint'
  endpointInvocationDefinition: any()

JobBaseProperties 物件

設定 jobType 屬性以指定物件的類型。

針對 AutoML，請使用：

  jobType: 'AutoML'
  environmentId: 'string'
  environmentVariables: {
    {customized property}: 'string'
  }
  outputs: {
    {customized property}: {
      description: 'string'
      jobOutputType: 'string'
      // For remaining properties, see JobOutput objects
    }
  }
  queueSettings: {
    jobTier: 'string'
  }
  resources: {
    dockerArgs: 'string'
    instanceCount: int
    instanceType: 'string'
    properties: {
      {customized property}: any()
      {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：

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

針對 管線，請使用：

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

針對 掃掠，請使用：

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

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

針對 UserIdentity，請使用：

  identityType: 'UserIdentity'

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'

JobOutput 物件

設定 jobOutputType 屬性以指定對象的類型。

針對 custom_model，請使用：

  jobOutputType: 'custom_model'
  mode: 'string'
  uri: 'string'

針對 mlflow_model，請使用：

  jobOutputType: 'mlflow_model'
  mode: 'string'
  uri: 'string'

針對 mltable，請使用：

  jobOutputType: 'mltable'
  mode: 'string'
  uri: 'string'

針對 triton_model，請使用：

  jobOutputType: 'triton_model'
  mode: 'string'
  uri: 'string'

針對 uri_file，請使用：

  jobOutputType: 'uri_file'
  mode: 'string'
  uri: 'string'

針對 uri_folder，請使用：

  jobOutputType: 'uri_folder'
  mode: 'string'
  uri: 'string'

AutoMLVertical 物件

設定 taskType 屬性以指定物件的類型。

針對 [分類]，請使用：

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

針對 預測，請使用：

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

針對 ImageClassification，請使用：

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

針對 ImageClassificationMultilabel，請使用：

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

針對 ImageInstanceSegmentation，請使用：

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

針對 ImageObjectDetection，請使用：

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

針對 回歸，請使用：

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

針對 TextClassification，請使用：

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

針對 TextClassificationMultilabel，請使用：

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

針對 TextNER，請使用：

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

NCrossValidations 物件

設定 mode 屬性以指定物件的類型。

針對 [自動]，請使用：

  mode: 'Auto'

針對 [自定義]，請使用：

  mode: 'Custom'
  value: int

ForecastHorizon 物件

設定 mode 屬性以指定物件的類型。

針對 [自動]，請使用：

  mode: 'Auto'

針對 [自定義]，請使用：

  mode: 'Custom'
  value: int

季節性物件

設定 mode 屬性以指定物件的類型。

針對 [自動]，請使用：

  mode: 'Auto'

針對 [自定義]，請使用：

  mode: 'Custom'
  value: int

TargetLags 物件

設定 mode 屬性以指定物件的類型。

針對 [自動]，請使用：

  mode: 'Auto'

針對 [自定義]，請使用：

  mode: 'Custom'
  values: [
    int
  ]

TargetRollingWindowSize 物件

設定 mode 屬性以指定物件的類型。

針對 [自動]，請使用：

  mode: 'Auto'

針對 [自定義]，請使用：

  mode: 'Custom'
  value: int

EarlyTerminationPolicy 物件

設定 policyType 屬性以指定物件的類型。

針對 Bandit，請使用：

  policyType: 'Bandit'
  slackAmount: int
  slackFactor: int

針對 MedianStopping，請使用：

  policyType: 'MedianStopping'

針對 TruncationSelection，請使用：

  policyType: 'TruncationSelection'
  truncationPercentage: int

DistributionConfiguration 物件

設定 distributionType 屬性以指定物件的類型。

針對 Mpi，請使用：

  distributionType: 'Mpi'
  processCountPerInstance: int

針對 PyTorch，請使用：

  distributionType: 'PyTorch'
  processCountPerInstance: int

針對 TensorFlow，請使用：

  distributionType: 'TensorFlow'
  parameterServerCount: int
  workerCount: int

JobInput 物件

設定 jobInputType 屬性以指定物件的類型。

針對 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'

SamplingAlgorithm 物件

設定 samplingAlgorithmType 屬性以指定物件的類型。

針對 貝氏，請使用：

  samplingAlgorithmType: 'Bayesian'

針對 Grid，請使用：

  samplingAlgorithmType: 'Grid'

針對 隨機，請使用：

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

MonitorComputeConfigurationBase 物件

設定 computeType 屬性以指定物件的類型。

針對 ServerlessSpark，請使用：

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

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}: {}
    }
  }

MonitoringSignalBase 物件

設定 signalType 屬性以指定物件的類型。

針對 [自定義]，請使用：

  signalType: 'Custom'
  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
      }
    }
  ]

針對 DataDrift，請使用：

  signalType: 'DataDrift'
  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
  }

針對 DataQuality，請使用：

  signalType: 'DataQuality'
  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
  }

針對 FeatureAttributionDrift，請使用：

  signalType: 'FeatureAttributionDrift'
  featureDataTypeOverride: {
    {customized property}: 'string'
  }
  featureImportanceSettings: {
    mode: 'string'
    targetColumn: 'string'
  }
  metricThreshold: {
    metric: 'NormalizedDiscountedCumulativeGain'
    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
  }

針對 PredictionDrift，請使用：

  signalType: 'PredictionDrift'
  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
  }

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 靜態，請使用：

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

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：

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

針對 TopNByAttribution，請使用：

  filterType: 'TopNByAttribution'
  top: int

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'

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'

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'

TriggerBase 物件

設定 triggerType 屬性以指定物件的類型。

針對 Cron，請使用：

  triggerType: 'Cron'
  expression: 'string'

針對 [週期]，請使用：

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

屬性值

workspaces/schedules

名稱 描述 值
NAME 資源名稱

瞭解如何在 Bicep 中設定子資源的名稱和類型。		 字串 (必要)
父系 (parent) 在 Bicep 中，您可以指定子資源的父資源。 只有在父資源之外宣告子資源時，才需要新增這個屬性。

如需詳細資訊，請參閱 父資源外部的子資源。		 類型資源的符號名稱： 工作區
properties [必要]實體的其他屬性。 ScheduleProperties (必要)

ScheduleProperties

名稱 描述 值
動作 [必要]指定排程的動作 ScheduleActionBase (必要)
description 資產描述文字。 字串
displayName 排程的顯示名稱。 字串
isEnabled 是否已啟用排程？ bool
properties 資產屬性字典。 ResourceBaseProperties
tags 標記字典。 標記可以新增、移除和更新。 物件 (object)
觸發程序 (trigger) [必要]指定觸發程式詳細數據 TriggerBase (必要)

ScheduleActionBase

名稱 描述 值
actionType 設定物件類型 CreateJob
CreateMonitor
InvokeBatchEndpoint (必要)

JobScheduleAction

名稱 描述 值
actionType [必要]指定排程的動作類型 必要 (『CreateJob』)
jobDefinition [必要]定義排程動作定義詳細數據。 JobBaseProperties (必要)

JobBaseProperties

名稱 描述 值
componentId 元件資源的 ARM 資源識別碼。 字串
computeId 計算資源的 ARM 資源識別碼。 字串
description 資產描述文字。 字串
displayName 工作的顯示名稱。 字串
experimentName 作業所屬的實驗名稱。 如果未設定，作業會放在「預設」實驗中。 字串
身分識別 身分識別設定。 如果設定，這應該是 AmlToken、ManagedIdentity、UserIdentity 或 null 的其中一個。
如果為 null，則預設為 AmlToken。		 IdentityConfiguration
isArchived 資產是否已封存？ bool
properties 資產屬性字典。 ResourceBaseProperties
服務 JobEndpoints 的清單。
針對本機作業，作業端點會有 FileStreamObject 的端點值。		 JobBaseServices
tags 標記字典。 標記可以新增、移除和更新。 物件 (object)
jobType 設定物件類型 AutoML
命令
管線
需要掃掠 ()

IdentityConfiguration

名稱 描述 值
identityType 設定物件類型 AMLToken
受控
必要) 的 UserIdentity (

AmlToken

名稱 描述 值
identityType [必要]指定身分識別架構的類型。 必要的 『AMLToken』 ()

ManagedIdentity

名稱 描述 值
identityType [必要]指定身分識別架構的類型。 「受控」 (必要)
clientId 依用戶端識別元指定使用者指派的身分識別。 針對系統指派，請勿設定此欄位。 字串

約束：
最小長度 = 36
最大長度 = 36
模式 = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
objectId 依物件識別元指定使用者指派的身分識別。 針對系統指派，請勿設定此欄位。 字串

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

UserIdentity

名稱 描述 值
identityType [必要]指定身分識別架構的類型。 需要 'UserIdentity' ()

ResourceBaseProperties

名稱 描述 值
{自定義屬性} 字串
{自定義屬性} 字串
{自定義屬性} 字串
{自定義屬性} 字串
{自定義屬性} 字串
{自定義屬性} 字串
{自定義屬性} 字串
{自定義屬性} 字串
{自定義屬性} 字串
{自定義屬性} 字串
{自定義屬性} 字串
{自定義屬性} 字串
{自定義屬性} 字串
{自定義屬性} 字串
{自定義屬性} 字串
{自定義屬性} 字串
{自定義屬性} 字串
{自定義屬性} 字串

JobBaseServices

名稱 描述 值
{自定義屬性} JobService

JobService

名稱 描述 值
端點 端點的 URL。 字串
jobServiceType 端點類型。 字串
nodes 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
連接埠 端點的埠。 int
properties 在端點上設定的其他屬性。 JobServiceProperties

節點

名稱 描述 值
nodesValueType 設定物件類型 所有 必要 ()

AllNodes

名稱 描述 值
nodesValueType [必要]Nodes 值的型別 必要 『All』 ()

JobServiceProperties

名稱 描述 值
{自定義屬性} 字串

AutoMLJob

名稱 描述 值
jobType [必要]指定作業的類型。 需要 『AutoML』 ()
environmentId 作業之環境規格的 ARM 資源識別碼。
這是選擇性的值，如果未提供，AutoML 會在執行作業時預設為生產 AutoML 策展環境版本。		 字串
environmentVariables 作業中包含的環境變數。 AutoMLJobEnvironmentVariables
outputs 對應作業中使用的輸出數據系結。 AutoMLJobOutputs
queueSettings 作業的佇列設定 QueueSettings
resources 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 需要 AutoMLVertical ()

AutoMLJobEnvironmentVariables

名稱 描述 值
{自定義屬性} 字串

AutoMLJobOutputs

名稱 描述 值
{自定義屬性} JobOutput

JobOutput

名稱 描述 值
description 輸出的描述。 字串
jobOutputType 設定物件類型 custom_model
mlflow_model
mltable
triton_model
uri_file
必要 ) uri_folder (

CustomModelJobOutput

名稱 描述 值
jobOutputType [必要]指定作業的類型。 必要) (『custom_model
mode 輸出資產傳遞模式。 'ReadWriteMount'
'Upload'
uri 輸出資產 URI。 字串

MLFlowModelJobOutput

名稱 描述 值
jobOutputType [必要]指定作業的類型。 'mlflow_model' (必要)
mode 輸出資產傳遞模式。 'ReadWriteMount'
'Upload'
uri 輸出資產 URI。 字串

MLTableJobOutput

名稱 描述 值
jobOutputType [必要]指定作業的類型。 'mltable' (必要)
mode 輸出資產傳遞模式。 'ReadWriteMount'
'Upload'
uri 輸出資產 URI。 字串

TritonModelJobOutput

名稱 描述 值
jobOutputType [必要]指定作業的類型。 'triton_model' (必要)
mode 輸出資產傳遞模式。 'ReadWriteMount'
'Upload'
uri 輸出資產 URI。 字串

UriFileJobOutput

名稱 描述 值
jobOutputType [必要]指定作業的類型。 需要 『uri_file』 ()
mode 輸出資產傳遞模式。 'ReadWriteMount'
'Upload'
uri 輸出資產 URI。 字串

UriFolderJobOutput

名稱 描述 值
jobOutputType [必要]指定作業的類型。 需要 『uri_folder』 ()
mode 輸出資產傳遞模式。 'ReadWriteMount'
'Upload'
uri 輸出資產 URI。 字串

QueueSettings

名稱 描述 值
jobTier 控制計算作業層 'Basic'
'Null'
'Premium'
'Spot'
'Standard'

JobResourceConfiguration

名稱 描述 值
dockerArgs 要傳遞至 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
instanceCount 計算目標所使用的選用執行個體或節點數目。 int
instanceType 計算目標所支持的選擇性 VM 類型。 字串
properties 其他屬性包。 ResourceConfigurationProperties
shmSize Docker 容器的共用記憶體區塊大小。 這應該是 (數位) (單位) 格式，其中數位大於 0，而單位可以是 b (位元組) 、k (KB) 、m (MB) 或 g (GB) 。 字串

約束：
模式 = \d+[bBkKmMgG]

ResourceConfigurationProperties

名稱 描述 值
{自定義屬性} 針對 Bicep，您可以使用 any () 函式。
{自定義屬性} 針對 Bicep，您可以使用 any () 函式。

AutoMLVertical

名稱 描述 值
logVerbosity 作業的記錄詳細資訊。 'Critical'
'Debug'
'Error'
'Info'
'NotSet'
'Warning'
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
trainingData [必要]定型數據輸入。 MLTableJobInput (必要)
taskType 設定物件類型 分類
預測
ImageClassification
ImageClassificationMultilabel
ImageInstanceSegmentation
ImageObjectDetection
迴歸
TextClassification
TextClassificationMultilabel
需要 TextNER ()

MLTableJobInput

名稱 描述 值
description 輸入的描述。 字串
jobInputType [必要]指定作業的類型。 'custom_model'
'literal'
'mlflow_model'
'mltable'
'triton_model'
'uri_file'
需要 『uri_folder』 ()
mode 輸入資產傳遞模式。 'Direct'
'Download'
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
'ReadWriteMount'
uri [必要]輸入資產 URI。 需要字串 ()

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_]

分類

名稱 描述 值
taskType [必要]AutoMLJob 的工作類型。 「分類」 (必要)
cvSplitColumnNames 要用於 CVSplit 資料的數據行。 string[]
featurizationSettings AutoML 作業所需的特徵化輸入。 TableVerticalFeaturizationSettings
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。		 NCrossValidations
positiveLabel 二元計量計算的正標籤。 字串
primaryMetric 工作的主要計量。 'AUCWeighted'
「精確度」
'AveragePrecisionScoreWeighted'
'NormMacroRecall'
'PrecisionScoreWeighted'
testData 測試數據輸入。 MLTableJobInput
testDataSize 測試數據集的分數，必須保留以供驗證之用。
(0.0 、1.0) 之間的值
未提供驗證數據集時套用。		 int
trainingSettings AutoML 作業定型階段的輸入。 ClassificationTrainingSettings
validationData 驗證數據輸入。 MLTableJobInput
validationDataSize 需要為驗證目的保留的定型數據集分數。
(0.0 、1.0) 之間的值
未提供驗證數據集時套用。		 int
weightColumnName 範例加權數據行的名稱。 自動化 ML 支援加權數據行做為輸入，導致數據中的數據列向上或向下加權。 字串

TableVerticalFeaturizationSettings

名稱 描述 值
blockedTransformers 這些轉換器不得用於特徵化。 包含任何項目的字串數組：
'CatTargetEncoder'
'CountVectorizer'
'HashOneHotEncoder'
'LabelEncoder'
'NaiveBayes'
'OneHotEncoder'
'TextTargetEncoder'
'TfIdf'
'WoETargetEncoder'
'WordEmbedding'
columnNameAndTypes 數據行名稱的字典及其類型 (int、float、string、datetime 等) 。 TableVerticalFeaturizationSettingsColumnNameAndTypes
datasetLanguage 數據集語言，適用於文字數據。 字串
enableDnnFeaturization 判斷是否要使用 Dnn 型特徵化程式進行數據特徵化。 bool
mode 特徵化模式 - 使用者可以保留預設的「自動」模式，而 AutoML 會負責在特徵化階段中轉換數據的必要轉換。
如果選取 [關閉]，則不會完成特徵化。
如果選取 [自定義]，則使用者可以指定其他輸入，以自定義特徵化完成的方式。		 'Auto'
'Custom'
'Off'
transformerParams 使用者可以指定其他要用於的轉換器，以及要套用它的數據行，以及轉換程式建構函式的參數。 TableVerticalFeaturizationSettingsTransformerParams

TableVerticalFeaturizationSettingsColumnNameAndTypes

名稱 描述 值
{自定義屬性} 字串

TableVerticalFeaturizationSettingsTransformerParams

名稱 描述 值
{自定義屬性} ColumnTransformer[]

ColumnTransformer

名稱 描述 值
fields 要套用轉換器邏輯的欄位。 string[]
參數 要傳遞至轉換器的不同屬性。
輸入必須是 JSON 格式的索引鍵、值組字典。
 針對 Bicep，您可以使用 any () 函式。

TableVerticalLimitSettings

名稱 描述 值
enableEarlyTermination 啟用早期終止，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。 bool
exitScore AutoML 作業的結束分數。 int
maxConcurrentTrials 並行反覆專案上限。 int
maxCoresPerTrial 每個反覆專案的核心數目上限。 int
maxTrials 反覆運算次數。 int
timeout AutoML 作業逾時。 字串
trialTimeout 反覆專案逾時。 字串

NCrossValidations

名稱 描述 值
mode 設定物件類型 Auto
自訂 (必要)

AutoNCrossValidations

名稱 描述 值
mode [必要]判斷 N-Cross 驗證的模式。 需要 『Auto』 ()

CustomNCrossValidations

名稱 描述 值
mode [必要]判斷 N-Cross 驗證的模式。 需要 『Custom』 ()
值 [必要]N-Cross 驗證值。 int (必要)

ClassificationTrainingSettings

名稱 描述 值
allowedTrainingAlgorithms 允許分類工作的模型。 包含任何項目的字串數組：
'BernoulliNaiveBaes'
'DecisionTree'
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LightGBM'
'LinearSVM'
'LogisticRegression'
'MultinomialNaiveBayes'
'RandomForest'
'SGD'
'SVM'
'XGBoostClassifier'
blockedTrainingAlgorithms 分類工作的封鎖模型。 包含任何項目的字串數組：
'BernoulliNaive設定'
'DecisionTree'
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LightGBM'
'LinearSVM'
'LogisticRegression'
'MultinomialNaiveBayes'
'RandomForest'
'SGD'
'SVM'
'XGBoostClassifier'
enableDnnTraining 啟用 DNN 模型的建議。 bool
enableModelExplainability 在最佳模型上開啟可解釋性的旗標。 bool
enableOnnxCompatibleModels 啟用 onnx 相容模型的旗標。 bool
enableStackEnsemble 啟用堆疊Ensemble 執行。 bool
enableVoteEnsemble 啟用投票Ensemble 執行。 bool
ensembleModelDownloadTimeout 在 VotingEnsemble 和 StackEnsemble 模型產生期間，會下載先前子回合中的多個配適模型。
如果需要更多時間，請將此參數設定為高於 300 秒的值。		 字串
stackEnsembleSettings 堆疊Ensemble 執行的堆疊Ensemble 設定。 StackEnsembleSettings

StackEnsembleSettings

名稱 描述 值
stackMetaLearnerKWargs 要傳遞至中繼學習模組初始化表達式的選擇性參數。 針對 Bicep，您可以使用 any () 函式。
stackMetaLearnerTrainPercentage 指定在選擇訓練和驗證類型的訓練) 保留給訓練中繼學習工具時，訓練集 (的比例。 預設值為 0.2。 int
stackMetaLearnerType 中繼學習模組是針對個別異質模型的輸出定型的模型。 'ElasticNet'
'ElasticNetCV'
'LightGBMClassifier'
'LightGBMRegressor'
'LinearRegression'
'LogisticRegression'
'LogisticRegressionCV'
'None'

預測

名稱 描述 值
taskType [必要]AutoMLJob 的工作類型。 「預測」 (必要)
cvSplitColumnNames 要用於 CVSplit 資料的數據行。 string[]
featurizationSettings AutoML 作業所需的特徵化輸入。 TableVerticalFeaturizationSettings
forecastingSettings 預測工作特定輸入。 ForecastingSettings
limitSettings AutoMLJob 的執行條件約束。 TableVerticalLimitSettings
nCrossValidations 要套用至定型數據集的交叉驗證折疊數目
未提供驗證數據集時。		 NCrossValidations
primaryMetric 預測工作的主要計量。 'NormalizedMeanAbsoluteError'
'NormalizedRootMeanSquaredError'
'R2Score'
'SpearmanCorrelation'
testData 測試數據輸入。 MLTableJobInput
testDataSize 測試數據集的分數，必須保留以供驗證之用。
(0.0 、1.0) 之間的值
未提供驗證數據集時套用。		 int
trainingSettings AutoML 作業定型階段的輸入。 ForecastingTrainingSettings
validationData 驗證數據輸入。 MLTableJobInput
validationDataSize 需要為驗證目的保留的定型數據集分數。
(0.0 、1.0) 之間的值
未提供驗證數據集時套用。		 int
weightColumnName 範例加權數據行的名稱。 自動化 ML 支援加權數據行做為輸入，導致數據中的數據列向上或向下加權。 字串

ForecastingSettings

名稱 描述 值
countryOrRegionForHolidays 用於預測工作的假日國家或地區。
這些應該是 ISO 3166 兩個字母的國家/地區代碼，例如 'US' 或 'GB'。		 字串
cvStepSize 一個 CV 折疊的原點時間與下一個折疊之間的期間數。 For
例如，如果 CVStepSize = 3 表示每日數據，則每個折疊的源時間將會是
相隔三天。		 int
featureLags 旗標，用於產生具有 'auto' 或 null 之數值特徵的延隔時間。 'Auto'
'None'
forecastHorizon 時間序列頻率單位所需的最大預測層級。 ForecastHorizon
frequency 預測時，此參數代表需要預測的期間，例如每日、每周、每年等等。預測頻率預設為數據集頻率。 字串
季節性 將時間序列季節性設定為數列頻率的整數倍數。
如果季節性設定為 『auto』，則會推斷它。		 季節性
shortSeriesHandlingConfig 定義 AutoML 是否應該處理短時間序列的參數。 'Auto'
'Drop'
'None'
'Pad'
targetAggregateFunction 用來匯總時間序列目標數據行以符合使用者指定頻率的函式。
如果已設定 TargetAggregateFunction，亦即不是 『None』，但未設定 freq 參數，則會引發錯誤。 可能的目標聚合函數包括：「sum」、“max”、“min” 和 “mean”。		 'Max'
'Mean'
'Min'
'None'
'Sum'
targetLags 要從目標數據行延隔的過去期間數。 TargetLags
targetRollingWindowSize 用來建立目標數據行滾動視窗平均值的過去期間數目。 TargetRollingWindowSize
timeColumnName 時間數據行的名稱。 當預測指定用於建置時間序列和推斷其頻率之輸入數據中的 datetime 數據行時，需要此參數。 字串
timeSeriesIdColumnNames 用來分組時間範圍的數據行名稱。 它可以用來建立多個數列。
如果未定義粒紋，則會假設資料集為一個時間序列。 此參數會與工作類型預測搭配使用。		 string[]
useStl 設定時間序列目標數據行的 STL 分解。 'None'
'Season'
'SeasonTrend'

ForecastHorizon

名稱 描述 值
mode 設定物件類型 Auto
需要自訂 ()

AutoForecastHorizon

名稱 描述 值
mode [必要]設定預測層級值選取模式。 需要 『Auto』 ()

CustomForecastHorizon

名稱 描述 值
mode [必要]設定預測層級值選取模式。 必要) 'Custom' (
值 [必要]預測層級值。 需要 int ()

季節性

名稱 描述 值
mode 設定物件類型 Auto
需要自訂 ()

AutoSeasonality

名稱 描述 值
mode [必要]季節性模式。 需要 『Auto』 ()

CustomSeasonality

名稱 描述 值
mode [必要]季節性模式。 必要) 'Custom' (
值 [必要]季節性值。 需要 int ()

TargetLags

名稱 描述 值
mode 設定物件類型 Auto
需要自訂 ()

AutoTargetLags

名稱 描述 值
mode [必要]設定目標延隔模式 - 自動/自定義 需要 『Auto』 ()

CustomTargetLags

名稱 描述 值
mode [必要]設定目標延隔模式 - 自動/自定義 必要) 'Custom' (
值 [必要]設定目標延隔值。 int[] (必要)

TargetRollingWindowSize

名稱 描述 值
mode 設定物件類型 Auto
需要自訂 ()

AutoTargetRollingWindowSize

名稱 描述 值
mode [必要]TargetRollingWindowSiz 偵測模式。 需要 『Auto』 ()

CustomTargetRollingWindowSize

名稱 描述 值
mode [必要]TargetRollingWindowSiz 偵測模式。 必要) 'Custom' (
值 [必要]TargetRollingWindowSize 值。 需要 int ()

ForecastingTrainingSettings

名稱 描述 值
allowedTrainingAlgorithms 用於預測工作的允許模型。 包含任何項目的字串數組：
'Arimax'
'AutoArima'
'Average'
'DecisionTree'
'ElasticNet'
'ExponentialSmoothing'
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LassoLars'
'LightGBM'
'Naive'
'以新月'
'RandomForest'
'SGD'
'SeasonalAverage'
'SeasonalNaive'
'TCNForecaster'
'XGBoostRegressor'
blockedTrainingAlgorithms 用於預測工作的封鎖模型。 包含任何項目的字串數組：
'Arimax'
'AutoArima'
'Average'
'DecisionTree'
'ElasticNet'
'ExponentialSmoothing'
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LassoLars'
'LightGBM'
'Naive'
'以新月'
'RandomForest'
'SGD'
'SeasonalAverage'
'SeasonalNaive'
'TCNForecaster'
'XGBoostRegressor'
enableDnnTraining 啟用 DNN 模型的建議。 bool
enableModelExplainability 在最佳模型上開啟可解釋性的旗標。 bool
enableOnnxCompatibleModels 啟用 onnx 相容模型的旗標。 bool
enableStackEnsemble 啟用堆疊Ensemble 執行。 bool
enableVoteEnsemble 啟用投票Ensemble 執行。 bool
ensembleModelDownloadTimeout 在 VotingEnsemble 和 StackEnsemble 模型產生期間，會下載先前子回合中的多個配適模型。
如果需要更多時間，請將此參數設定為高於 300 秒的值。		 字串
stackEnsembleSettings 堆疊Ensemble 執行的堆疊Ensemble 設定。 StackEnsembleSettings

ImageClassification

名稱 描述 值
taskType [必要]AutoMLJob 的工作類型。 'ImageClassification' (必要)
limitSettings [必要]限制 AutoML 作業的設定。 ImageLimitSettings (必要)
modelSettings 用於定型模型的設定。 ImageModelSettingsClassification
primaryMetric 要針對這項工作優化的主要計量。 'AUCWeighted'
「精確度」
'AveragePrecisionScoreWeighted'
'NormMacroRecall'
'PrecisionScoreWeighted'
searchSpace 搜尋空間，以取樣模型及其超參數的不同組合。 ImageModelDistributionSettingsClassification[]
sweepSettings 模型掃掠和超參數掃掠相關設定。 ImageSweepSettings
validationData 驗證數據輸入。 MLTableJobInput
validationDataSize 需要為驗證目的保留的定型數據集分數。
(0.0 、1.0) 之間的值
未提供驗證數據集時套用。
 int

ImageLimitSettings

名稱 描述 值
maxConcurrentTrials 並行 AutoML 反覆項目的數目上限。 int
maxTrials AutoML 反覆項目的數目上限。 int
timeout AutoML 作業逾時。 字串

ImageModelSettingsClassification

名稱 描述 值
advancedSettings 進階案例的設定。 字串
amsGradient 當優化器為 『adam』 或 'adamw' 時啟用AMSGrad。 bool
擴增 使用擴增的設定。 字串
beta1 優化器為 'adam' 或 'adamw' 時的 'beta1' 值。 必須是範圍 [0, 1] 內的浮點數。 int
beta2 優化器為 'adam' 或 'adamw' 時的 'beta2' 值。 必須是範圍 [0, 1] 內的浮點數。 int
checkpointFrequency 儲存模型檢查點的頻率。 必須是正整數。 int
checkpointModel 累加定型的預先定型檢查點模型。 MLFlowModelJobInput
checkpointRunId 先前執行的標識碼，其具有累加定型的預先定型檢查點。 字串
分散式 是否要使用分散式定型。 bool
earlyStopping 在定型期間啟用提早停止邏輯。 bool
earlyStoppingDelay 在主要計量改進之前等候的最小 Epoch 或驗證評估數目
會追蹤早期停止。 必須是正整數。		 int
earlyStoppingPatience 之前沒有主要計量改進的最小 Epoch 或驗證評估數目
執行已停止。 必須是正整數。		 int
enableOnnxNormalization 匯出 ONNX 模型時啟用正規化。 bool
evaluationFrequency 評估驗證資料集以取得計量分數的頻率。 必須是正整數。 int
gradientAccumulationStep 漸層累積表示在沒有的情況下執行已設定數目的 「GradAccumulationStep」 步驟
更新模型權數，同時累積這些步驟的漸層，然後使用
用來計算權數更新的累積漸層。 必須是正整數。		 int
layersToFreeze 要凍結模型的圖層數目。 必須是正整數。
例如，傳遞 2 做為 'seresnext' 值表示
凍結第0層和第1層。 如需支援模型的完整清單，以及圖層凍結的詳細數據，請
看到： https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.		 int
learningRate 初始學習速率。 必須是範圍 [0, 1] 內的浮點數。 int
learningRateScheduler 學習率排程器的類型。 必須是 『warmup_cosine』 或 'step'。 'None'
'Step'
'WarmupCosine'
modelName 要用於定型的模型名稱。
如需可用模型的詳細資訊，請流覽官方檔：
https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.		 字串
動量 優化工具為 『sgd』 時的時刻值。 必須是範圍 [0, 1] 內的浮點數。 int
nesterov 當優化器為 'sgd' 時，請啟用 nesterov。 bool
numberOfEpochs 定型 Epoch 的數目。 必須是正整數。 int
numberOfWorkers 數據載入器背景工作角色的數目。 必須是非負整數。 int
optimizer 最佳化工具的類型。 'Adam'
'Adamw'
'None'
'Sgd'
randomSeed 使用決定性定型時要使用的隨機種子。 int
stepLRGamma 當學習速率排程器為 『step』 時，gamma 的值。 必須是範圍 [0, 1] 內的浮點數。 int
stepLRStepSize 當學習速率排程器為 『step』 時，步驟大小的值。 必須是正整數。 int
trainingBatchSize 定型批次大小。 必須是正整數。 int
trainingCropSize 影像裁剪大小，為定型數據集的類神經網路輸入。 必須是正整數。 int
validationBatchSize 驗證批次大小。 必須是正整數。 int
validationCropSize 輸入至驗證數據集之類神經網路的影像裁剪大小。 必須是正整數。 int
validationResizeSize 在針對驗證資料集進行裁切之前，要調整大小的影像大小。 必須是正整數。 int
warmupCosineLRCycles 當學習速率排程器為 『warmup_cosine』 時，餘弦迴圈的值。 必須是範圍 [0, 1] 內的浮點數。 int
warmupCosineLRWarmupEpochs 當學習速率排程器為 『warmup_cosine』時，熱身 Epoch 的值。 必須是正整數。 int
weightDecay 優化器為 'sgd'、'adam' 或 'adamw' 時的權數衰減值。 必須是範圍[0， 1] 中的浮點數。 int
weightedLoss 加權損失。 接受的值是 0，不會遺失加權。
1 用於 sqrt. (class_weights) 加權損失。 2 表示具有 class_weights 的加權遺失。 必須是 0 或是 1 或 2。
 int

MLFlowModelJobInput

名稱 描述 值
description 輸入的描述。 字串
jobInputType [必要]指定作業的類型。 'custom_model'
'literal'
'mlflow_model'
'mltable'
'triton_model'
'uri_file'
必要) ('uri_folder'
mode 輸入資產傳遞模式。 'Direct'
'Download'
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
'ReadWriteMount'
uri [必要]輸入資產 URI。 字串 (必要)

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_]

ImageModelDistributionSettingsClassification

名稱 描述 值
amsGradient 當優化器為 『adam』 或 'adamw' 時啟用AMSGrad。 字串
擴增 使用擴增的設定。 字串
beta1 優化器為 'adam' 或 'adamw' 時的 'beta1' 值。 必須是範圍 [0, 1] 內的浮點數。 字串
beta2 當優化器為 'adam' 或 'adamw' 時，'beta2' 的值。 必須是範圍 [0, 1] 內的浮點數。 字串
分散式 是否要使用散發器定型。 字串
earlyStopping 在定型期間啟用提早停止邏輯。 字串
earlyStoppingDelay 在主要計量改進之前等待的最小 Epoch 或驗證評估數目
會追蹤提早停止。 必須是正整數。		 字串
earlyStoppingPatience 在之前沒有主要計量改善的最小 Epoch 或驗證評估數目
執行已停止。 必須是正整數。		 字串
enableOnnxNormalization 匯出 ONNX 模型時啟用正規化。 字串
evaluationFrequency 評估驗證資料集以取得計量分數的頻率。 必須是正整數。 字串
gradientAccumulationStep 漸層累積表示執行未設定數目的 「GradAccumulationStep」 步驟
更新模型權數，同時累積這些步驟的漸層，然後使用
用來計算權數更新的累積漸層。 必須是正整數。		 字串
layersToFreeze 要凍結模型的層數。 必須是正整數。
例如，傳遞 2 作為 'seresnext' 值表示
凍結 layer0 和 layer1。 如需所支援模型的完整清單，以及圖層凍結的詳細數據，請
看到： https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.		 字串
learningRate 初始學習速率。 必須是範圍 [0, 1] 內的浮點數。 字串
learningRateScheduler 學習率排程器的類型。 必須是 『warmup_cosine』 或 'step'。 字串
modelName 要用於定型的模型名稱。
如需可用模型的詳細資訊，請造訪官方檔：
https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.		 字串
動量 優化工具為 『sgd』 時的動向值。 必須是範圍 [0, 1] 內的浮點數。 字串
nesterov 當優化器為 『sgd』 時啟用 nesterov。 字串
numberOfEpochs 定型 Epoch 的數目。 必須是正整數。 字串
numberOfWorkers 數據載入器背景工作角色的數目。 必須是非負整數。 字串
optimizer 最佳化工具的類型。 必須是 'sgd'、'adam' 或 'adamw'。 字串
randomSeed 使用決定性定型時要使用的隨機種子。 字串
stepLRGamma 當學習速率排程器為 『step』 時，gamma 的值。 必須是範圍 [0, 1] 內的浮點數。 字串
stepLRStepSize 當學習速率排程器為 『step』 時，步驟大小的值。 必須是正整數。 字串
trainingBatchSize 定型批次大小。 必須是正整數。 字串
trainingCropSize 影像裁剪大小，為定型數據集輸入類神經網路。 必須是正整數。 字串
validationBatchSize 驗證批次大小。 必須是正整數。 字串
validationCropSize 影像裁剪大小，這是驗證數據集之類神經網路的輸入。 必須是正整數。 字串
validationResizeSize 在針對驗證資料集進行裁切之前，要調整大小的影像大小。 必須是正整數。 字串
warmupCosineLRCycles 當學習速率排程器為 『warmup_cosine』 時，餘弦迴圈的值。 必須是範圍 [0, 1] 內的浮點數。 字串
warmupCosineLRWarmupEpochs 當學習速率排程器為 『warmup_cosine』時，熱身 Epoch 的值。 必須是正整數。 字串
weightDecay 優化器為 'sgd'、'adam' 或 'adamw' 時的權數衰減值。 必須是範圍[0， 1] 中的浮點數。 字串
weightedLoss 加權損失。 接受的值是 0，不會遺失加權。
1 用於 sqrt. (class_weights) 加權損失。 2 表示具有 class_weights 的加權遺失。 必須是 0 或是 1 或 2。
 字串

ImageSweepSettings

名稱 描述 值
earlyTermination 早期終止原則的類型。 EarlyTerminationPolicy
samplingAlgorithm [必要]超參數取樣演算法的類型。 'Bayesian'
'Grid'
必要) 的 'Random' (

EarlyTerminationPolicy

名稱 描述 值
delayEvaluation 延遲第一次評估的間隔數目。 int
evaluationInterval 原則評估之間) 執行的間隔 (數目。 int
policyType 設定物件類型 Bandit
MedianStopping
截斷選取 (必要)

BanditPolicy

名稱 描述 值
policyType [必要]原則設定的名稱 ) 需要 『Bandit』 (
slackAmount 最佳執行所允許的絕對距離。 int
slackFactor 與最佳執行距離的允許距離比率。 int

MedianStoppingPolicy

名稱 描述 值
policyType [必要]原則設定的名稱 必要 ('MedianStopping')

TruncationSelectionPolicy

名稱 描述 值
policyType [必要]原則設定的名稱 'TruncationSelection' (必要)
truncationPercentage 要在每個評估間隔取消的執行百分比。 int

ImageClassificationMultilabel

名稱 描述 值
taskType [必要]AutoMLJob 的工作類型。 'ImageClassificationMultilabel' (必要)
limitSettings [必要]限制 AutoML 作業的設定。 ImageLimitSettings (必要)
modelSettings 用於定型模型的設定。 ImageModelSettingsClassification
primaryMetric 要針對這項工作優化的主要計量。 'AUCWeighted'
'Accuracy'
'AveragePrecisionScoreWeighted'
'IOU'
'NormMacroRecall'
'PrecisionScoreWeighted'
searchSpace 搜尋空間，以取樣模型及其超參數的不同組合。 ImageModelDistributionSettingsClassification[]
sweepSettings 模型掃掠和超參數掃掠相關設定。 ImageSweepSettings
validationData 驗證數據輸入。 MLTableJobInput
validationDataSize 必須針對驗證目的將定型數據集的分數。
介於 (0.0 、1.0) 之間的值
未提供驗證數據集時套用。
 int

ImageInstanceSegmentation

名稱 描述 值
taskType [必要]AutoMLJob 的工作類型。 'ImageInstanceSegmentation' (必要)
limitSettings [必要]限制 AutoML 作業的設定。 ImageLimitSettings (必要)
modelSettings 用於定型模型的設定。 ImageModelSettingsObjectDetection
primaryMetric 要針對這項工作優化的主要計量。 'MeanAveragePrecision'
searchSpace 搜尋空間，以取樣模型及其超參數的不同組合。 ImageModelDistributionSettingsObjectDetection[]
sweepSettings 模型掃掠和超參數掃掠相關設定。 ImageSweepSettings
validationData 驗證數據輸入。 MLTableJobInput
validationDataSize 必須針對驗證目的將定型數據集的分數。
介於 (0.0 、1.0) 之間的值
未提供驗證數據集時套用。
 int

ImageModelSettingsObjectDetection

名稱 描述 值
advancedSettings 進階案例的設定。 字串
amsGradient 當優化器為 『adam』 或 'adamw' 時啟用AMSGrad。 bool
擴增 使用擴增的設定。 字串
beta1 優化器為 'adam' 或 'adamw' 時的 'beta1' 值。 必須是範圍 [0, 1] 內的浮點數。 int
beta2 優化器為 'adam' 或 'adamw' 時的 'beta2' 值。 必須是範圍 [0, 1] 內的浮點數。 int
boxDetectionsPerImage 針對所有類別，每個影像的偵測數目上限。 必須是正整數。
注意：'yolov5' 演算法不支援此設定。		 int
boxScoreThreshold 在推斷期間，只傳回分類分數大於的建議
BoxScoreThreshold。 必須是範圍[0， 1] 中的浮點數。		 int
checkpointFrequency 儲存模型檢查點的頻率。 必須是正整數。 int
checkpointModel 累加定型的預先定型檢查點模型。 MLFlowModelJobInput
checkpointRunId 先前執行的標識碼，其具有累加定型的預先定型檢查點。 字串
分散式 是否要使用分散式定型。 bool
earlyStopping 在定型期間啟用提早停止邏輯。 bool
earlyStoppingDelay 在主要計量改進之前等候的最小 Epoch 或驗證評估數目
會追蹤早期停止。 必須是正整數。		 int
earlyStoppingPatience 之前沒有主要計量改進的最小 Epoch 或驗證評估數目
執行已停止。 必須是正整數。		 int
enableOnnxNormalization 匯出 ONNX 模型時啟用正規化。 bool
evaluationFrequency 評估驗證資料集以取得計量分數的頻率。 必須是正整數。 int
gradientAccumulationStep 漸層累積表示執行未設定數目的 「GradAccumulationStep」 步驟
更新模型權數，同時累積這些步驟的漸層，然後使用
用來計算權數更新的累積漸層。 必須是正整數。		 int
imageSize 用於定型和驗證的影像大小。 必須是正整數。
注意：如果大小太大，訓練回合可能會進入 CUDA OOM。
注意：只有 'yolov5' 演算法才支援此設定。		 int
layersToFreeze 要凍結模型的層數。 必須是正整數。
例如，傳遞 2 作為 'seresnext' 值表示
凍結 layer0 和 layer1。 如需所支援模型的完整清單，以及圖層凍結的詳細數據，請
看到： https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.		 int
learningRate 初始學習速率。 必須是範圍 [0, 1] 內的浮點數。 int
learningRateScheduler 學習率排程器的類型。 必須是 『warmup_cosine』 或 'step'。 'None'
'Step'
'WarmupCosine'
maxSize 將影像饋送至骨幹之前要重新調整的影像大小上限。
必須是正整數。 注意：如果大小太大，則定型執行可能會進入 CUDA OOM.
注意：'yolov5' 演算法不支援此設定。		 int
minSize 將影像饋送至骨幹之前要重新調整的影像大小下限。
必須是正整數。 注意：如果大小太大，則定型執行可能會進入 CUDA OOM.
注意：'yolov5' 演算法不支援此設定。		 int
modelName 要用於定型的模型名稱。
如需可用模型的詳細資訊，請造訪官方檔：
https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.		 字串
modelSize 模型大小。 必須是 'small'、'medium'、'large' 或 'xlarge'。
注意：如果模型大小太大，則定型執行可能會進入 CUDA OOM.
注意：只有 'yolov5' 演算法才支援此設定。		 'ExtraLarge'
'Large'
'Medium'
'None'
'Small'
動量 優化工具為 『sgd』 時的動向值。 必須是範圍 [0, 1] 內的浮點數。 int
尺度 以 +/- 50% 的不同影像大小啟用多縮放影像。
注意：如果沒有足夠的 GPU 記憶體，則定型執行可能會進入 CUDA OOM。
注意：只有 'yolov5' 演算法才支援此設定。		 bool
nesterov 當優化器為 『sgd』 時啟用 nesterov。 bool
nmsIouThreshold 在NMS後置處理中的推斷期間使用的IOU臨界值。 必須是範圍 [0, 1] 內的浮點數。 int
numberOfEpochs 定型 Epoch 的數目。 必須是正整數。 int
numberOfWorkers 數據載入器背景工作角色的數目。 必須是非負整數。 int
optimizer 最佳化工具的類型。 'Adam'
'Adamw'
'None'
'Sgd'
randomSeed 使用決定性定型時要使用的隨機種子。 int
stepLRGamma 當學習速率排程器為 『step』 時，gamma 的值。 必須是範圍 [0, 1] 內的浮點數。 int
stepLRStepSize 當學習速率排程器為 『step』 時，步驟大小的值。 必須是正整數。 int
tileGridSize 要用於每個並排影像的格線大小。 注意：TileGridSize 不得為
無可啟用小型物件偵測邏輯。 包含兩個整數的字串，其格式為#。
注意：'yolov5' 演算法不支援此設定。		 字串
tileOverlapRatio 每個維度中相鄰圖格之間的重疊比例。 範圍 [0， 1) 必須是 float。
注意：'yolov5' 演算法不支援此設定。		 int
tilePredictionsNmsThreshold 從圖格和影像合併預測時用來執行 NMS 的 IOU 閾值。
用於驗證/推斷。 必須是範圍 [0， 1] 中的 float。
注意：'yolov5' 演算法不支援此設定。		 int
trainingBatchSize 定型批次大小。 必須是正整數。 int
validationBatchSize 驗證批次大小。 必須是正整數。 int
validationIouThreshold 計算驗證計量時要使用的IOU臨界值。 必須是範圍 [0， 1] 中的 float。 int
validationMetricType 要用於驗證計量的計量計算方法。 'Coco'
'CocoVoc'
'None'
'Voc'
warmupCosineLRCycles 當學習速率排程器為 『warmup_cosine』 時，餘弦迴圈的值。 必須是範圍 [0, 1] 內的浮點數。 int
warmupCosineLRWarmupEpochs 當學習速率排程器為 『warmup_cosine』時，熱身 Epoch 的值。 必須是正整數。 int
weightDecay 優化器為 'sgd'、'adam' 或 'adamw' 時的權數衰減值。 必須是範圍[0， 1] 中的浮點數。 int

ImageModelDistributionSettingsObjectDetection

名稱 描述 值
amsGradient 當優化器為 『adam』 或 'adamw' 時啟用AMSGrad。 字串
擴增 使用擴增的設定。 字串
beta1 優化器為 'adam' 或 'adamw' 時的 'beta1' 值。 必須是範圍 [0, 1] 內的浮點數。 字串
beta2 優化器為 'adam' 或 'adamw' 時的 'beta2' 值。 必須是範圍 [0, 1] 內的浮點數。 字串
boxDetectionsPerImage 針對所有類別，每個影像的偵測數目上限。 必須是正整數。
注意：'yolov5' 演算法不支援此設定。		 字串
boxScoreThreshold 在推斷期間，只傳回分類分數大於的建議
BoxScoreThreshold。 必須是範圍[0， 1] 中的浮點數。		 字串
分散式 是否要使用分散式程式定型。 字串
earlyStopping 在定型期間啟用提早停止邏輯。 字串
earlyStoppingDelay 在主要計量改進之前等候的最小 Epoch 或驗證評估數目
會追蹤早期停止。 必須是正整數。		 字串
earlyStoppingPatience 之前沒有主要計量改進的最小 Epoch 或驗證評估數目
執行已停止。 必須是正整數。		 字串
enableOnnxNormalization 匯出 ONNX 模型時啟用正規化。 字串
evaluationFrequency 評估驗證資料集以取得計量分數的頻率。 必須是正整數。 字串
gradientAccumulationStep 漸層累積表示在沒有的情況下執行已設定數目的 「GradAccumulationStep」 步驟
更新模型權數，同時累積這些步驟的漸層，然後使用
用來計算權數更新的累積漸層。 必須是正整數。		 字串
imageSize 用於定型和驗證的影像大小。 必須是正整數。
注意：如果大小太大，定型回合可能會進入 CUDA OOM。
注意：只有 'yolov5' 演算法才支援此設定。		 字串
layersToFreeze 要凍結模型的圖層數目。 必須是正整數。
例如，傳遞 2 做為 'seresnext' 值表示
凍結第0層和第1層。 如需支援模型的完整清單，以及圖層凍結的詳細數據，請
看到： https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.		 字串
learningRate 初始學習速率。 必須是範圍 [0, 1] 內的浮點數。 字串
learningRateScheduler 學習率排程器的類型。 必須是 『warmup_cosine』 或 'step'。 字串
maxSize 將影像饋送至骨幹之前要重新調整的影像大小上限。
必須是正整數。 注意：如果大小太大，則定型執行可能會進入 CUDA OOM.
注意：'yolov5' 演算法不支援此設定。		 字串
minSize 將影像饋送至骨幹之前要重新調整的影像大小下限。
必須是正整數。 注意：如果大小太大，則定型執行可能會進入 CUDA OOM.
注意：'yolov5' 演算法不支援此設定。		 字串
modelName 要用於定型的模型名稱。
如需可用模型的詳細資訊，請流覽官方檔：
https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.		 字串
modelSize 模型大小。 必須是 'small'、'medium'、'large' 或 'xlarge'。
注意：如果模型大小太大，則定型執行可能會進入 CUDA OOM.
注意：只有 'yolov5' 演算法才支援此設定。		 字串
動量 優化工具為 『sgd』 時的時刻值。 必須是範圍 [0, 1] 內的浮點數。 字串
尺度 依 +/- 50% 的不同影像大小啟用多縮放映射。
注意：如果沒有足夠的 GPU 記憶體，則定型執行可能會進入 CUDA OOM。
注意：只有 'yolov5' 演算法才支援此設定。		 字串
nesterov 當優化器為 'sgd' 時，請啟用 nesterov。 字串
nmsIouThreshold 在NMS後置處理中推斷期間使用的IOU臨界值。 必須是範圍 [0， 1] 中的 float。 字串
numberOfEpochs 定型 Epoch 的數目。 必須是正整數。 字串
numberOfWorkers 數據載入器背景工作角色的數目。 必須是非負整數。 字串
optimizer 最佳化工具的類型。 必須是 『sgd』、『adam』或 『adamw』。 字串
randomSeed 使用決定性定型時要使用的隨機種子。 字串
stepLRGamma 當學習速率排程器為 『step』 時，gamma 的值。 必須是範圍 [0, 1] 內的浮點數。 字串
stepLRStepSize 當學習速率排程器為 『step』 時，步驟大小的值。 必須是正整數。 字串
tileGridSize 要用於每個並排影像的格線大小。 注意：TileGridSize 不得為
無可啟用小型物件偵測邏輯。 包含兩個整數的字串，其格式為#。
注意：'yolov5' 演算法不支援此設定。		 字串
tileOverlapRatio 每個維度中相鄰圖格之間的重疊比例。 範圍 [0， 1) 必須是 float。
注意：'yolov5' 演算法不支援此設定。		 字串
tilePredictionsNmsThreshold 從圖格和影像合併預測時用來執行 NMS 的 IOU 閾值。
用於驗證/推斷。 必須是範圍 [0， 1] 中的 float。
注意：'yolov5' 演算法不支援此設定。
NMS：非最大隱藏		 字串
trainingBatchSize 定型批次大小。 必須是正整數。 字串
validationBatchSize 驗證批次大小。 必須是正整數。 字串
validationIouThreshold 計算驗證計量時要使用的IOU臨界值。 必須是範圍 [0， 1] 中的 float。 字串
validationMetricType 要用於驗證計量的計量計算方法。 必須是 『none』、'coco'、'voc' 或 'coco_voc'。 字串
warmupCosineLRCycles 當學習速率排程器為 『warmup_cosine』 時，餘弦迴圈的值。 必須是範圍 [0, 1] 內的浮點數。 字串
warmupCosineLRWarmupEpochs 當學習速率排程器為 『warmup_cosine』時，熱身 Epoch 的值。 必須是正整數。 字串
weightDecay 優化器為 'sgd'、'adam' 或 'adamw' 時的權數衰減值。 必須是範圍[0， 1] 中的浮點數。 字串

ImageObjectDetection

名稱 描述 值
taskType [必要]AutoMLJob 的工作類型。 'ImageObjectDetection' (必要)
limitSettings [必要]限制 AutoML 作業的設定。 ImageLimitSettings (必要)
modelSettings 用於定型模型的設定。 ImageModelSettingsObjectDetection
primaryMetric 要針對這項工作優化的主要計量。 'MeanAveragePrecision'
searchSpace 搜尋空間，以取樣模型及其超參數的不同組合。 ImageModelDistributionSettingsObjectDetection[]
sweepSettings 模型掃掠和超參數掃掠相關設定。 ImageSweepSettings
validationData 驗證數據輸入。 MLTableJobInput
validationDataSize 必須針對驗證目的將定型數據集的分數。
介於 (0.0 、1.0) 之間的值
未提供驗證數據集時套用。
 int

迴歸

名稱 描述 值
taskType [必要]AutoMLJob 的工作類型。 需要 「回歸」 ()
cvSplitColumnNames 要用於 CVSplit 資料的數據行。 string[]
featurizationSettings AutoML 作業所需的特徵化輸入。 TableVerticalFeaturizationSettings
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。		 NCrossValidations
primaryMetric 回歸工作的主要計量。 'NormalizedMeanAbsoluteError'
'NormalizedRootMeanSquaredError'
'R2Score'
'SpearmanCorrelation'
testData 測試數據輸入。 MLTableJobInput
testDataSize 必須針對驗證目的將測試數據集的分數放在一起。
(0.0 、1.0) 之間的值
未提供驗證數據集時套用。		 int
trainingSettings AutoML 作業定型階段的輸入。 RegressionTrainingSettings
validationData 驗證數據輸入。 MLTableJobInput
validationDataSize 需要為驗證目的保留的定型數據集分數。
(0.0 、1.0) 之間的值
未提供驗證數據集時套用。		 int
weightColumnName 範例加權數據行的名稱。 自動化 ML 支援加權數據行做為輸入，導致數據中的數據列向上或向下加權。 字串

RegressionTrainingSettings

名稱 描述 值
allowedTrainingAlgorithms 回歸工作的允許模型。 包含任何項目的字串數組：
'DecisionTree'
'ElasticNet'
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LassoLars'
'LightGBM'
'RandomForest'
'SGD'
'XGBoostRegressor'
blockedTrainingAlgorithms 回歸工作的封鎖模型。 包含任何項目的字串數組：
'DecisionTree'
'ElasticNet'
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LassoLars'
'LightGBM'
'RandomForest'
'SGD'
'XGBoostRegressor'
enableDnnTraining 啟用 DNN 模型的建議。 bool
enableModelExplainability 在最佳模型上開啟可解釋性的旗標。 bool
enableOnnxCompatibleModels 啟用 onnx 相容模型的旗標。 bool
enableStackEnsemble 啟用堆疊Ensemble 執行。 bool
enableVoteEnsemble 啟用投票Ensemble 執行。 bool
ensembleModelDownloadTimeout 在 VotingEnsemble 和 StackEnsemble 模型產生期間，會下載先前子回合中的多個配適模型。
如果需要更多時間，請將此參數設定為高於 300 秒的值。		 字串
stackEnsembleSettings 堆疊Ensemble 執行的堆疊Ensemble 設定。 StackEnsembleSettings

TextClassification

名稱 描述 值
taskType [必要]AutoMLJob 的工作類型。 'TextClassification' (必要)
featurizationSettings AutoML 作業所需的特徵化輸入。 NlpVerticalFeaturizationSettings
limitSettings AutoMLJob 的執行條件約束。 NlpVerticalLimitSettings
primaryMetric Text-Classification 工作的主要計量。 'AUCWeighted'
「精確度」
'AveragePrecisionScoreWeighted'
'NormMacroRecall'
'PrecisionScoreWeighted'
validationData 驗證數據輸入。 MLTableJobInput

NlpVerticalFeaturizationSettings

名稱 描述 值
datasetLanguage 數據集語言，適用於文字數據。 字串

NlpVerticalLimitSettings

名稱 描述 值
maxConcurrentTrials 並行 AutoML 反覆專案上限。 int
maxTrials AutoML 反覆項目的數目。 int
timeout AutoML 作業逾時。 字串

TextClassificationMultilabel

名稱 描述 值
taskType [必要]AutoMLJob 的工作類型。 'TextClassificationMultilabel' (必要)
featurizationSettings AutoML 作業所需的特徵化輸入。 NlpVerticalFeaturizationSettings
limitSettings AutoMLJob 的執行條件約束。 NlpVerticalLimitSettings
validationData 驗證數據輸入。 MLTableJobInput

TextNer

名稱 描述 值
taskType [必要]AutoMLJob 的工作類型。 需要 『TextNER』 ()
featurizationSettings AutoML 作業所需的特徵化輸入。 NlpVerticalFeaturizationSettings
limitSettings AutoMLJob 的執行條件約束。 NlpVerticalLimitSettings
validationData 驗證數據輸入。 MLTableJobInput

CommandJob

名稱 描述 值
jobType [必要]指定作業的類型。 'Command' (必要)
codeId 程式代碼資產的 ARM 資源識別碼。 字串
命令 [必要]在作業啟動時執行的命令。 例如 “python train.py” 字串 (必要)

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

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_]
environmentVariables 作業中包含的環境變數。 CommandJobEnvironmentVariables
輸入 對應作業中使用的輸入數據系結。 CommandJobInputs
限制 命令作業限制。 CommandJobLimits
outputs 對應作業中使用的輸出數據系結。 CommandJobOutputs
queueSettings 作業的佇列設定 QueueSettings
resources 作業的計算資源組態。 JobResourceConfiguration

DistributionConfiguration

名稱 描述 值
distributionType 設定物件類型 Mpi
PyTorch
TensorFlow (必要)

Mpi

名稱 描述 值
distributionType [必要]指定散發架構的類型。 'Mpi' (必要)
processCountPerInstance 每個 MPI 節點的進程數目。 int

PyTorch

名稱 描述 值
distributionType [必要]指定散發架構的類型。 'PyTorch' (必要)
processCountPerInstance 每個節點的進程數目。 int

TensorFlow

名稱 描述 值
distributionType [必要]指定散發架構的類型。 必要) 'TensorFlow' (
parameterServerCount 參數伺服器工作的數目。 int
workerCount 背景工作數目。 如果未指定，則會預設為實例計數。 int

CommandJobEnvironmentVariables

名稱 描述 值
{自定義屬性} 字串

CommandJobInputs

名稱 描述 值
{自定義屬性} JobInput

JobInput

名稱 描述 值
description 輸入的描述。 字串
jobInputType 設定物件類型 custom_model
literal
mlflow_model
mltable
triton_model
uri_file
必要 ) uri_folder (

CustomModelJobInput

名稱 描述 值
jobInputType [必要]指定作業的類型。 必要) (『custom_model
mode 輸入資產傳遞模式。 'Direct'
'Download'
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
'ReadWriteMount'
uri [必要]輸入資產 URI。 字串 (必要)

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_]

LiteralJobInput

名稱 描述 值
jobInputType [必要]指定作業的類型。 'literal' (必要)
值 [必要]輸入的常值。 字串 (必要)

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_]

TritonModelJobInput

名稱 描述 值
jobInputType [必要]指定作業的類型。 'triton_model' (必要)
mode 輸入資產傳遞模式。 'Direct'
'Download'
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
'ReadWriteMount'
uri [必要]輸入資產 URI。 字串 (必要)

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_]

UriFileJobInput

名稱 描述 值
jobInputType [必要]指定作業的類型。 'uri_file' (必要)
mode 輸入資產傳遞模式。 'Direct'
'Download'
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
'ReadWriteMount'
uri [必要]輸入資產 URI。 字串 (必要)

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_]

UriFolderJobInput

名稱 描述 值
jobInputType [必要]指定作業的類型。 必要) ('uri_folder'
mode 輸入資產傳遞模式。 'Direct'
'Download'
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
'ReadWriteMount'
uri [必要]輸入資產 URI。 字串 (必要)

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_]

CommandJobLimits

名稱 描述 值
jobLimitsType [必要]JobLimit 類型。 'Command'
需要 「掃掠」 ()
timeout ISO 8601 格式的最大執行持續時間，之後作業將會取消。 僅支援有效位數為秒數的持續時間。 字串

CommandJobOutputs

名稱 描述 值
{自定義屬性} JobOutput

PipelineJob

名稱 描述 值
jobType [必要]指定作業的類型。 需要 『Pipeline』 ()
輸入 管線作業的輸入。 PipelineJobInputs
jobs 作業會建構管線作業。 PipelineJobJobs
outputs 管線作業的輸出 PipelineJobOutputs
設定 管線設定，例如 ContinueRunOnStepFailure 等專案。 針對 Bicep，您可以使用 any () 函式。
sourceJobId 來源作業的 ARM 資源識別碼。 字串

PipelineJobInputs

名稱 描述 值
{自定義屬性} JobInput

PipelineJobJobs

名稱 描述 值
{自定義屬性} 針對 Bicep，您可以使用 any () 函式。

PipelineJobOutputs

名稱 描述 值
{自定義屬性} JobOutput

SweepJob

名稱 描述 值
jobType [必要]指定作業的類型。 需要 「掃掠」 ()
earlyTermination 早期終止原則可在完成之前取消效能不佳的執行 EarlyTerminationPolicy
輸入 對應作業中使用的輸入數據系結。 SweepJobInputs
限制 掃掠作業限制。 SweepJobLimits
objective [必要]優化目標。 必要目標 ()
outputs 對應作業中使用的輸出數據系結。 SweepJobOutputs
queueSettings 作業的佇列設定 QueueSettings
samplingAlgorithm [必要]超參數取樣演算法 SamplingAlgorithm (必要)
searchSpace [必要]包含每個參數及其分佈的字典。 字典索引鍵是參數的名稱 針對 Bicep，您可以使用 任何 () function. (必要)
試用版 [必要]試用版元件定義。 需要 TrialComponent ()

SweepJobInputs

名稱 描述 值
{自定義屬性} JobInput

SweepJobLimits

名稱 描述 值
jobLimitsType [必要]JobLimit 類型。 'Command'
需要 「掃掠」 ()
maxConcurrentTrials 掃掠作業最大並行試用版。 int
maxTotalTrials 掃掠作業總數上限。 int
timeout ISO 8601 格式的最大執行持續時間，之後作業將會取消。 僅支援有效位數為秒數的持續時間。 字串
trialTimeout 掃掠作業試用版逾時值。 字串

目標

名稱 描述 值
goal [必要]定義超參數微調支援的計量目標 '最大化'
需要 「最小化」 ()
primaryMetric [必要]要優化的計量名稱。 需要字串 ()

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_]

SweepJobOutputs

名稱 描述 值
{自定義屬性} JobOutput

SamplingAlgorithm

名稱 描述 值
samplingAlgorithmType 設定物件類型 貝 葉 斯
方格
需要隨機 ()

BayesianSamplingAlgorithm

名稱 描述 值
samplingAlgorithmType [必要]用來產生超參數值的演算法，以及組態屬性 需要 『Bayesian』 ()

GridSamplingAlgorithm

名稱 描述 值
samplingAlgorithmType [必要]用來產生超參數值的演算法，以及組態屬性 'Grid' (必要)

RandomSamplingAlgorithm

名稱 描述 值
samplingAlgorithmType [必要]用來產生超參數值的演算法，以及組態屬性 必要) 的 'Random' (
rule (規則) 隨機演算法的特定類型 'Random'
'Sobol'
seed 要作為隨機數產生種子的選擇性整數 int

TrialComponent

名稱 描述 值
codeId 程式代碼資產的 ARM 資源識別碼。 字串
命令 [必要]在作業啟動時執行的命令。 例如 “python train.py” 字串 (必要)

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

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

TrialComponentEnvironmentVariables

名稱 描述 值
{自定義屬性} 字串

CreateMonitorAction

名稱 描述 值
actionType [必要]指定排程的動作類型 'CreateMonitor' (必要)
monitorDefinition [必要]定義監視器。 需要 MonitorDefinition ()

MonitorDefinition

名稱 描述 值
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)
monitoringTarget 監視器的目標實體。 MonitoringTarget
訊號 [必要]要監視的訊號。 MonitorDefinitionSignals (必要)

MonitorNotificationSettings

名稱 描述 值
emailNotificationSettings AML 通知電子郵件設置。 MonitorEmailNotificationSettings

MonitorEmailNotificationSettings

名稱 描述 值
電子郵件 總限制為 499 個字元的電子郵件收件者清單。 string[]

MonitorComputeConfigurationBase

名稱 描述 值
computeType 設定物件類型 需要 ServerlessSpark ()

MonitorServerlessSparkCompute

名稱 描述 值
computeType [必要]指定要監視的訊號類型。 'ServerlessSpark' (必要)
computeIdentity [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)
instanceType [必要]執行 Spark 作業的實體類型。 需要字串 ()

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

約束：
最小長度 = 1
模式 = ^[0-9]+\.[0-9]+$

MonitorComputeIdentityBase

名稱 描述 值
computeIdentityType 設定物件類型 AmlToken
需要 ManagedIdentity ()

AmlTokenComputeIdentity

名稱 描述 值
computeIdentityType [必要]指定要在監視作業中使用的身分識別類型。 'AmlToken' (必要)

ManagedComputeIdentity

名稱 描述 值
computeIdentityType [必要]指定要在監視作業中使用的身分識別類型。 必要) 'ManagedIdentity' (
身分識別 監視作業將會利用的身分識別。 ManagedServiceIdentity

ManagedServiceIdentity

名稱 描述 值
類型 (允許 SystemAssigned 和 UserAssigned 類型的受控服務識別類型) 。 'None'
'SystemAssigned'
'SystemAssigned，UserAssigned'
'UserAssigned' (必要)
userAssignedIdentities 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

UserAssignedIdentities

名稱 描述 值
{自定義屬性} UserAssignedIdentity

UserAssignedIdentity

此物件不包含部署期間要設定的任何屬性。 所有屬性都是 ReadOnly。

MonitoringTarget

名稱 描述 值
deploymentId 此監視器的目標部署資產參考。 字串
modelId 此監視器的目標模型資產參考。 字串
taskType [必要]受監視模型的機器學習工作類型。 'Classification'
需要 「回歸」 ()

MonitorDefinitionSignals

名稱 描述 值
{自定義屬性} MonitoringSignalBase

MonitoringSignalBase

名稱 描述 值
notificationTypes 此訊號的目前通知模式。 包含任何項目的字串數組：
'AmlNotification'
properties 屬性字典。 您可以新增屬性，但無法移除或改變。 MonitoringSignalBaseProperties
signalType 設定物件類型 Custom
DataDrift
DataQuality
FeatureAttributionDrift
PredictionDrift (必要)

MonitoringSignalBaseProperties

名稱 描述 值
{自定義屬性} 字串

CustomMonitoringSignal

名稱 描述 值
signalType [必要]指定要監視的訊號類型。 需要 『Custom』 ()
componentId [必要]用來計算自定義計量之元件資產的參考。 字串 (必要)

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_]
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，值是參數值。 CustomMonitoringSignalInputs
metricThresholds [必要]要計算的計量清單及其相關聯的臨界值。 CustomMetricThreshold[] (必要)

CustomMonitoringSignalInputAssets

名稱 描述 值
{自定義屬性} MonitoringInputDataBase

MonitoringInputDataBase

名稱 描述 值
資料行 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
jobInputType [必要]指定作業的類型。 'custom_model'
'literal'
'mlflow_model'
'mltable'
'triton_model'
'uri_file'
必要) ('uri_folder'
uri [必要]輸入資產 URI。 字串 (必要)

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_]
inputDataType 設定物件類型 固定
輪替
靜態 (必要)

MonitoringInputDataBaseColumns

名稱 描述 值
{自定義屬性} 字串

FixedInputData

名稱 描述 值
inputDataType [必要]指定要監視的訊號類型。 必要) 'Fixed' (

RollingInputData

名稱 描述 值
inputDataType [必要]指定要監視的訊號類型。 「滾動」 (必要)
preprocessingComponentId 用來預先處理數據的元件資產參考。 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)
windowSize [必要]滾動資料視窗的大小。 字串 (必要)

StaticInputData

名稱 描述 值
inputDataType [必要]指定要監視的訊號類型。 必要 (『Static』)
preprocessingComponentId 用來預先處理數據的元件資產參考。 字串
windowEnd [必要]數據窗口的結束日期。 字串 (必要)
windowStart [必要]數據視窗的開始日期。 字串 (必要)

CustomMonitoringSignalInputs

名稱 描述 值
{自定義屬性} JobInput

CustomMetricThreshold

名稱 描述 值
計量 [必要]要計算的使用者定義計量。 字串 (必要)

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

MonitoringThreshold

名稱 描述 值
值 臨界值。 如果為 null，則設定預設值取決於計量類型。 int

DataDriftMonitoringSignal

名稱 描述 值
signalType [必要]指定要監視的訊號類型。 必要) ('DataDrift'
featureDataTypeOverride 將特徵名稱對應至其個別數據類型的字典。 DataDriftMonitoringSignalFeatureDataTypeOverride
featureImportanceSettings 計算特徵重要性的設定。 FeatureImportanceSettings
特性 功能篩選，可識別要計算漂移過的功能。 MonitoringFeatureFilterBase
metricThresholds [必要]要計算的計量清單及其相關聯的臨界值。 DataDriftMetricThresholdBase[] (必要)
productionData [必要]將計算漂移的數據。 MonitoringInputDataBase (必要)
referenceData [必要]要計算漂移的數據。 MonitoringInputDataBase (必要)

DataDriftMonitoringSignalFeatureDataTypeOverride

名稱 描述 值
{自定義屬性} 'Categorical'
'數值'

FeatureImportanceSettings

名稱 描述 值
mode 運算特徵重要性的作業模式。 'Disabled'
'Enabled'
targetColumn 輸入數據資產內的目標數據行名稱。 字串

MonitoringFeatureFilterBase

名稱 描述 值
filterType 設定物件類型 AllFeatures
FeatureSubset
TopNByAttribution (必要)

AllFeatures

名稱 描述 值
filterType [必要]指定要在選取功能以計算計量時所要運用的功能篩選。 'AllFeatures' (必要)

FeatureSubset

名稱 描述 值
filterType [必要]指定要在選取功能以計算計量時所要運用的功能篩選。 需要 『FeatureSubset』 ()
特性 [必要]要包含的功能清單。 string[] (必要)

TopNFeaturesByAttribution

名稱 描述 值
filterType [必要]指定要在選取功能以計算計量時所要運用的功能篩選。 'TopNByAttribution' (必要)
top 要包含的最上層功能數目。 int

DataDriftMetricThresholdBase

名稱 描述 值
threshold 臨界值。 如果為 null，則會根據選取的計量來設定預設值。 MonitoringThreshold
dataType 設定物件類型 類別
必要數值 ()

CategoricalDataDriftMetricThreshold

名稱 描述 值
dataType [必要]指定計量閾值的數據類型。 需要 「類別」 ()
計量 [必要]要計算的類別數據漂移計量。 'JensenCountnonDistance'
'PearsonsChiSquaredTest'
必要) 的 'PopulationStabilityIndex' (

NumericalDataDriftMetricThreshold

名稱 描述 值
dataType [必要]指定計量閾值的數據類型。 必要 ()
計量 [必要]要計算的數值數據漂移計量。 'JensenCountnonDistance'
'NormalizedWassersteinDistance'
'PopulationStabilityIndex'
'TwoSampleKolmogorovsmirnovTest' (必要)

DataQualityMonitoringSignal

名稱 描述 值
signalType [必要]指定要監視的訊號類型。 'DataQuality' (必要)
featureDataTypeOverride 將特徵名稱對應至其個別數據類型的字典。 DataQualityMonitoringSignalFeatureDataTypeOverride
featureImportanceSettings 計算特徵重要性的設定。 FeatureImportanceSettings
特性 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。 DataQualityMetricThresholdBase[] (必要)
productionData [必要]生產服務所產生的數據，將會計算漂移。 MonitoringInputDataBase (必要)
referenceData [必要]要計算漂移的數據。 MonitoringInputDataBase (必要)

DataQualityMonitoringSignalFeatureDataTypeOverride

名稱 描述 值
{自定義屬性} 'Categorical'
'數值'

DataQualityMetricThresholdBase

名稱 描述 值
threshold 臨界值。 如果為 null，則會根據選取的計量來設定預設值。 MonitoringThreshold
dataType 設定物件類型 類別
需要數值 ()

CategoricalDataQualityMetricThreshold

名稱 描述 值
dataType [必要]指定計量閾值的數據類型。 'Categorical' (必要)
計量 [必要]要計算的類別數據品質計量。 'DataTypeErrorRate'
'NullValueRate'
'OutOfBoundsRate' (必要)

NumericalDataQualityMetricThreshold

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

FeatureAttributionDriftMonitoringSignal

名稱 描述 值
signalType [必要]指定要監視的訊號類型。 'FeatureAttributionDrift' (必要)
featureDataTypeOverride 將特徵名稱對應至其個別數據類型的字典。 FeatureAttributionDriftMonitoringSignalFeatureDataTy...
featureImportanceSettings [必要]運算特徵重要性的設定。 FeatureImportanceSettings (必要)
metricThreshold [必要]要計算的計量清單及其相關聯的臨界值。 FeatureAttributionMetricThreshold (必要)
productionData [必要]將計算漂移的數據。 MonitoringInputDataBase[] (必要)
referenceData [必要]要計算漂移的數據。 MonitoringInputDataBase (必要)

FeatureAttributionDriftMonitoringSignalFeatureDataTy...

名稱 描述 值
{自定義屬性} 'Categorical'
'數值'

FeatureAttributionMetricThreshold

名稱 描述 值
計量 [必要]要計算的功能屬性計量。 'NormalizedDiscountedCumulativeGain' (必要)
threshold 臨界值。 如果為 null，則會根據選取的計量來設定預設值。 MonitoringThreshold

PredictionDriftMonitoringSignal

名稱 描述 值
signalType [必要]指定要監視的訊號類型。 必要 ('PredictionDrift')
featureDataTypeOverride 將特徵名稱對應至其個別數據類型的字典。 PredictionDriftMonitoringSignalFeatureDataTypeOverri...
metricThresholds [必要]要計算的計量清單及其相關聯的臨界值。 PredictionDriftMetricThresholdBase[] (必要)
productionData [必要]將計算漂移的數據。 MonitoringInputDataBase (必要)
referenceData [必要]要計算漂移的數據。 MonitoringInputDataBase (必要)

PredictionDriftMonitoringSignalFeatureDataTypeOverri...

名稱 描述 值
{自定義屬性} 'Categorical'
'數值'

PredictionDriftMetricThresholdBase

名稱 描述 值
threshold 臨界值。 如果為 null，則會根據選取的計量來設定預設值。 MonitoringThreshold
dataType 設定物件類型 類別
必要數值 ()

CategoricalPredictionDriftMetricThreshold

名稱 描述 值
dataType [必要]指定計量閾值的數據類型。 需要 「類別」 ()
計量 [必要]要計算的類別預測漂移計量。 'JensenCountnonDistance'
'PearsonsChiSquaredTest'
必要) 的 'PopulationStabilityIndex' (

NumericalPredictionDriftMetricThreshold

名稱 描述 值
dataType [必要]指定計量閾值的數據類型。 必要 ()
計量 [必要]要計算的數值預測漂移計量。 'JensenCountnonDistance'
'NormalizedWassersteinDistance'
'PopulationStabilityIndex'
'TwoSampleKolmogorovsmirnovTest' (必要)

EndpointScheduleAction

名稱 描述 值
actionType [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。
{see href=“TBD” /}

 針對 Bicep，您可以使用 任何 () function. (必要)

TriggerBase

名稱 描述 值
EndTime 指定 ISO 8601 中排程的結束時間，但沒有 UTC 位移。 請參閱 https://en.wikipedia.org/wiki/ISO_8601.
重新批注的格式為 “2022-06-01T00：00：01”
如果沒有，排程將會無限期執行		 字串
startTime 指定 ISO 8601 格式的排程開始時間，但不含 UTC 位移。 字串
timeZone 指定排程執行所在的時區。
TimeZone應遵循 Windows 時區格式。 請參閱： https://docs.microsoft.com/windows-hardware/manufacture/desktop/default-time-zones />		 字串
triggerType 設定物件類型 Cron
需要週期 性 ()

CronTrigger

名稱 描述 值
triggerType [必要] 'Cron' (必要)
expression [必要]指定排程的cron運算式。
表達式應該遵循 NCronTab 格式。		 字串 (必要)

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_]

RecurrenceTrigger

名稱 描述 值
EndTime 指定 ISO 8601 中排程的結束時間，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
frequency [必要]觸發排程的頻率。 'Day'
'Hour'
'Minute'
'Month'
需要 『Week』 ()
interval [必要]指定與頻率搭配的排程間隔 需要 int ()
schedule 週期排程。 RecurrenceSchedule
startTime 以 ISO 8601 格式指定排程的開始時間，但不含 UTC 位移。 字串
timeZone 指定排程執行所在的時區。
TimeZone應遵循 Windows 時區格式。 請參閱： https://docs.microsoft.com/windows-hardware/manufacture/desktop/default-time-zones		 字串
triggerType [必要] 'Cron'
必要) 「週期」 (

RecurrenceSchedule

名稱 描述 值
小時 [必要]排程的時數清單。 int[] (必要)
分鐘 [必要]排程的分鐘清單。 int[] (必要)
monthDays 排程的月份天數清單 int[]
weekDays 排程的天數清單。 包含任何項目的字串數組：
'Friday'
'Monday'
'Saturday'
'Sunday'
'Thursday'
'Tuesday'
'Wednesday'

ARM 範本資源定義

工作區/排程資源類型可以使用目標作業進行部署：

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": "2023-10-01",
  "name": "string",
  "properties": {
    "action": {
      "actionType": "string"
      // For remaining properties, see ScheduleActionBase objects
    },
    "description": "string",
    "displayName": "string",
    "isEnabled": "bool",
    "properties": {
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string"
    },
    "tags": {
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string"
    },
    "trigger": {
      "endTime": "string",
      "startTime": "string",
      "timeZone": "string",
      "triggerType": "string"
      // For remaining properties, see TriggerBase objects
    }
  }
}

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",
    "properties": {
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string"
    },
    "services": {
      "{customized property}": {
        "endpoint": "string",
        "jobServiceType": "string",
        "nodes": {
          "nodesValueType": "string"
          // For remaining properties, see Nodes objects
        },
        "port": "int",
        "properties": {
          "{customized property}": "string"
        }
      }
    },
    "tags": {
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{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": "AmlNotification",
        "properties": {
          "{customized property}": "string"
        },
        "signalType": "string"
        // For remaining properties, see MonitoringSignalBase objects
      }
    }
  }

針對 InvokeBatchEndpoint，請使用：

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

JobBaseProperties 物件

設定 jobType 屬性以指定物件的類型。

針對 AutoML，請使用：

  "jobType": "AutoML",
  "environmentId": "string",
  "environmentVariables": {
    "{customized property}": "string"
  },
  "outputs": {
    "{customized property}": {
      "description": "string",
      "jobOutputType": "string"
      // For remaining properties, see JobOutput objects
    }
  },
  "queueSettings": {
    "jobTier": "string"
  },
  "resources": {
    "dockerArgs": "string",
    "instanceCount": "int",
    "instanceType": "string",
    "properties": {
      "{customized property}": {},
      "{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：

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

針對 管線，請使用：

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

針對 掃掠，請使用：

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

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

針對 UserIdentity，請使用：

  "identityType": "UserIdentity"

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"

JobOutput 物件

設定 jobOutputType 屬性以指定對象的類型。

針對 custom_model，請使用：

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

針對 mlflow_model，請使用：

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

針對 mltable，請使用：

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

針對 triton_model，請使用：

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

針對 uri_file，請使用：

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

針對 uri_folder，請使用：

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

AutoMLVertical 物件

設定 taskType 屬性以指定物件的類型。

針對 [分類]，請使用：

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

針對 預測，請使用：

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

針對 ImageClassification，請使用：

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

針對 ImageClassificationMultilabel，請使用：

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

針對 ImageInstanceSegmentation，請使用：

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

針對 ImageObjectDetection，請使用：

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

針對 回歸，請使用：

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

針對 TextClassification，請使用：

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

針對 TextClassificationMultilabel，請使用：

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

針對 TextNER，請使用：

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

NCrossValidations 物件

設定 mode 屬性以指定物件的類型。

針對 [自動]，請使用：

  "mode": "Auto"

針對 [自定義]，請使用：

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

ForecastHorizon 物件

設定 mode 屬性以指定物件的類型。

針對 [自動]，請使用：

  "mode": "Auto"

針對 [自定義]，請使用：

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

季節性物件

設定 mode 屬性以指定物件的類型。

針對 [自動]，請使用：

  "mode": "Auto"

針對 [自定義]，請使用：

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

TargetLags 物件

設定 mode 屬性以指定物件的類型。

針對 [自動]，請使用：

  "mode": "Auto"

針對 [自定義]，請使用：

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

TargetRollingWindowSize 物件

設定 mode 屬性以指定物件的類型。

針對 [自動]，請使用：

  "mode": "Auto"

針對 [自定義]，請使用：

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

EarlyTerminationPolicy 物件

設定 policyType 屬性以指定物件的類型。

針對 Bandit，請使用：

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

針對 MedianStopping，請使用：

  "policyType": "MedianStopping"

針對 TruncationSelection，請使用：

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

DistributionConfiguration 物件

設定 distributionType 屬性以指定物件的類型。

針對 Mpi，請使用：

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

針對 PyTorch，請使用：

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

針對 TensorFlow，請使用：

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

JobInput 物件

設定 jobInputType 屬性以指定物件的類型。

針對 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"

SamplingAlgorithm 物件

設定 samplingAlgorithmType 屬性以指定物件的類型。

針對 貝氏，請使用：

  "samplingAlgorithmType": "Bayesian"

針對 Grid，請使用：

  "samplingAlgorithmType": "Grid"

針對 隨機，請使用：

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

MonitorComputeConfigurationBase 物件

設定 computeType 屬性以指定物件的類型。

針對 ServerlessSpark，請使用：

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

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}": {}
    }
  }

MonitoringSignalBase 物件

設定 signalType 屬性以指定物件的類型。

針對 [自定義]，請使用：

  "signalType": "Custom",
  "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"
      }
    }
  ]

針對 DataDrift，請使用：

  "signalType": "DataDrift",
  "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
  }

針對 DataQuality，請使用：

  "signalType": "DataQuality",
  "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
  }

針對 FeatureAttributionDrift，請使用：

  "signalType": "FeatureAttributionDrift",
  "featureDataTypeOverride": {
    "{customized property}": "string"
  },
  "featureImportanceSettings": {
    "mode": "string",
    "targetColumn": "string"
  },
  "metricThreshold": {
    "metric": "NormalizedDiscountedCumulativeGain",
    "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
  }

針對 PredictionDrift，請使用：

  "signalType": "PredictionDrift",
  "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
  }

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 靜態，請使用：

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

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：

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

針對 TopNByAttribution，請使用：

  "filterType": "TopNByAttribution",
  "top": "int"

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"

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"

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"

TriggerBase 物件

設定 triggerType 屬性以指定物件的類型。

針對 Cron，請使用：

  "triggerType": "Cron",
  "expression": "string"

針對 [週期]，請使用：

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

屬性值

workspaces/schedules

名稱 描述 值
類型 資源類型 'Microsoft.MachineLearningServices/workspaces/schedules'
apiVersion 資源 API 版本 '2023-10-01'
NAME 資源名稱

瞭解如何在 JSON ARM 範本中設定子資源的名稱和類型。		 需要字串 ()
properties [必要]實體的其他屬性。 ScheduleProperties (必要)

ScheduleProperties

名稱 描述 值
動作 [必要]指定排程的動作 ScheduleActionBase (必要)
description 資產描述文字。 字串
displayName 排程的顯示名稱。 字串
isEnabled 排程是否已啟用？ bool
properties 資產屬性字典。 ResourceBaseProperties
tags 標記字典。 標記可以新增、移除和更新。 物件 (object)
觸發程序 (trigger) [必要]指定觸發程式詳細數據 需要 TriggerBase ()

ScheduleActionBase

名稱 描述 值
actionType 設定物件類型 CreateJob
CreateMonitor
需要 InvokeBatchEndpoint ()

JobScheduleAction

名稱 描述 值
actionType [必要]指定排程的動作類型 需要 『CreateJob』 ()
jobDefinition [必要]定義排程動作定義詳細數據。 JobBaseProperties (必要)

JobBaseProperties

名稱 描述 值
componentId 元件資源的 ARM 資源識別碼。 字串
computeId 計算資源的 ARM 資源識別碼。 字串
description 資產描述文字。 字串
displayName 工作的顯示名稱。 字串
experimentName 作業所屬的實驗名稱。 如果未設定，作業會放在「預設」實驗中。 字串
身分識別 身分識別組態。 如果設定，這應該是其中一個 AmlToken、ManagedIdentity、UserIdentity 或 null。
如果為 null，則預設為 AmlToken。		 IdentityConfiguration
isArchived 資產是否已封存？ bool
properties 資產屬性字典。 ResourceBaseProperties
服務 JobEndpoints 的清單。
針對本機作業，作業端點會有 FileStreamObject 的端點值。		 JobBaseServices
tags 標記字典。 標記可以新增、移除和更新。 物件 (object)
jobType 設定物件類型 AutoML
命令
管線
需要掃掠 ()

IdentityConfiguration

名稱 描述 值
identityType 設定物件類型 AMLToken
受控
需要 UserIdentity ()

AmlToken

名稱 描述 值
identityType [必要]指定身分識別架構的類型。 需要 『AMLToken』 ()

ManagedIdentity

名稱 描述 值
identityType [必要]指定身分識別架構的類型。 必要) 'Managed' (
clientId 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
模式 = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
objectId 依物件識別元指定使用者指派的身分識別。 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
模式 = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
resourceId 依 ARM 資源識別碼指定使用者指派的身分識別。 若為系統指派，請勿設定此欄位。 字串

UserIdentity

名稱 描述 值
identityType [必要]指定身分識別架構的類型。 需要 'UserIdentity' ()

ResourceBaseProperties

名稱 描述 值
{自定義屬性} 字串
{自定義屬性} 字串
{自定義屬性} 字串
{自定義屬性} 字串
{自定義屬性} 字串
{自定義屬性} 字串
{自定義屬性} 字串
{自定義屬性} 字串
{自定義屬性} 字串
{自定義屬性} 字串
{自定義屬性} 字串
{自定義屬性} 字串
{自定義屬性} 字串
{自定義屬性} 字串
{自定義屬性} 字串
{自定義屬性} 字串
{自定義屬性} 字串
{自定義屬性} 字串

JobBaseServices

名稱 描述 值
{自定義屬性} JobService

JobService

名稱 描述 值
端點 端點的 URL。 字串
jobServiceType 端點類型。 字串
nodes 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
連接埠 端點的埠。 int
properties 在端點上設定的其他屬性。 JobServiceProperties

節點

名稱 描述 值
nodesValueType 設定物件類型 所有 必要 ()

AllNodes

名稱 描述 值
nodesValueType [必要]Nodes 值的型別 必要 『All』 ()

JobServiceProperties

名稱 描述 值
{自定義屬性} 字串

AutoMLJob

名稱 描述 值
jobType [必要]指定作業的類型。 需要 『AutoML』 ()
environmentId 作業之環境規格的 ARM 資源識別碼。
這是選擇性的值，如果未提供，AutoML 會在執行作業時預設為生產 AutoML 策展環境版本。		 字串
environmentVariables 作業中包含的環境變數。 AutoMLJobEnvironmentVariables
outputs 對應作業中使用的輸出數據系結。 AutoMLJobOutputs
queueSettings 作業的佇列設定 QueueSettings
resources 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 需要 AutoMLVertical ()

AutoMLJobEnvironmentVariables

名稱 描述 值
{自定義屬性} 字串

AutoMLJobOutputs

名稱 描述 值
{自定義屬性} JobOutput

JobOutput

名稱 描述 值
description 輸出的描述。 字串
jobOutputType 設定物件類型 custom_model
mlflow_model
mltable
triton_model
uri_file
需要 uri_folder ()

CustomModelJobOutput

名稱 描述 值
jobOutputType [必要]指定作業的類型。 需要 『custom_model』 ()
mode 輸出資產傳遞模式。 'ReadWriteMount'
'Upload'
uri 輸出資產 URI。 字串

MLFlowModelJobOutput

名稱 描述 值
jobOutputType [必要]指定作業的類型。 'mlflow_model' (必要)
mode 輸出資產傳遞模式。 'ReadWriteMount'
'Upload'
uri 輸出資產 URI。 字串

MLTableJobOutput

名稱 描述 值
jobOutputType [必要]指定作業的類型。 'mltable' (必要)
mode 輸出資產傳遞模式。 'ReadWriteMount'
'Upload'
uri 輸出資產 URI。 字串

TritonModelJobOutput

名稱 描述 值
jobOutputType [必要]指定作業的類型。 'triton_model' (必要)
mode 輸出資產傳遞模式。 'ReadWriteMount'
'Upload'
uri 輸出資產 URI。 字串

UriFileJobOutput

名稱 描述 值
jobOutputType [必要]指定作業的類型。 'uri_file' (必要)
mode 輸出資產傳遞模式。 'ReadWriteMount'
'Upload'
uri 輸出資產 URI。 字串

UriFolderJobOutput

名稱 描述 值
jobOutputType [必要]指定作業的類型。 必要) ('uri_folder'
mode 輸出資產傳遞模式。 'ReadWriteMount'
'Upload'
uri 輸出資產 URI。 字串

QueueSettings

名稱 描述 值
jobTier 控制計算作業層 'Basic'
'Null'
'Premium'
'Spot'
'Standard'

JobResourceConfiguration

名稱 描述 值
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
instanceCount 計算目標所使用的選用執行個體或節點數目。 int
instanceType 計算目標所支持的選擇性 VM 類型。 字串
properties 其他屬性包。 ResourceConfigurationProperties
shmSize Docker 容器的共用記憶體區塊大小。 這應該是 (number) (單位) 格式，其中數位大於 0，而單位可以是 b (位元組) 、k (kb) 、m (MB) 或 g (GB) 。 字串

約束：
模式 = \d+[bBkKmMgG]

ResourceConfigurationProperties

名稱 描述 值
{自定義屬性}
{自定義屬性}

AutoMLVertical

名稱 描述 值
logVerbosity 作業的記錄詳細資訊。 'Critical'
'Debug'
'Error'
'Info'
'NotSet'
'Warning'
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
trainingData [必要]定型數據輸入。 MLTableJobInput (必要)
taskType 設定物件類型 分類
預測
ImageClassification
ImageClassificationMultilabel
ImageInstanceSegmentation
ImageObjectDetection
迴歸
TextClassification
TextClassificationMultilabel
需要 TextNER ()

MLTableJobInput

名稱 描述 值
description 輸入的描述。 字串
jobInputType [必要]指定作業的類型。 'custom_model'
'literal'
'mlflow_model'
'mltable'
'triton_model'
'uri_file'
必要) ('uri_folder'
mode 輸入資產傳遞模式。 'Direct'
'Download'
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
'ReadWriteMount'
uri [必要]輸入資產 URI。 字串 (必要)

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_]

分類

名稱 描述 值
taskType [必要]AutoMLJob 的工作類型。 「分類」 (必要)
cvSplitColumnNames 要用於 CVSplit 資料的數據行。 string[]
featurizationSettings AutoML 作業所需的特徵化輸入。 TableVerticalFeaturizationSettings
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。		 NCrossValidations
positiveLabel 二進位計量計算的正標籤。 字串
primaryMetric 工作的主要計量。 'AUCWeighted'
'Accuracy'
'AveragePrecisionScoreWeighted'
'NormMacroRecall'
'PrecisionScoreWeighted'
testData 測試數據輸入。 MLTableJobInput
testDataSize 必須針對驗證目的將測試數據集的分數放在一起。
介於 (0.0 、1.0) 之間的值
未提供驗證數據集時套用。		 int
trainingSettings AutoML 作業定型階段的輸入。 ClassificationTrainingSettings
validationData 驗證數據輸入。 MLTableJobInput
validationDataSize 必須針對驗證目的將定型數據集的分數。
介於 (0.0 、1.0) 之間的值
未提供驗證數據集時套用。		 int
weightColumnName 範例加權數據行的名稱。 自動化 ML 支援加權數據行做為輸入，導致數據中的數據列向上或向下加權。 字串

TableVerticalFeaturizationSettings

名稱 描述 值
blockedTransformers 這些轉換器不得用於特徵化。 包含任何項目的字串數組：
'CatTargetEncoder'
'CountVectorizer'
'HashOneHotEncoder'
'LabelEncoder'
'NaiveBaes'
'OneHotEncoder'
'TextTargetEncoder'
'TfIdf'
'WoETargetEncoder'
'WordEmbedding'
columnNameAndTypes 數據行名稱的字典及其類型 (int、float、string、datetime 等) 。 TableVerticalFeaturizationSettingsColumnNameAndTypes
datasetLanguage 數據集語言，適用於文字數據。 字串
enableDnnFeaturization 判斷是否要使用 Dnn 型特徵化程式進行數據特徵化。 bool
mode 特徵化模式 - 使用者可以保留預設的「自動」模式，而 AutoML 會負責在特徵化階段中轉換數據的必要轉換。
如果選取 [關閉]，則不會完成特徵化。
如果選取 [自定義]，則使用者可以指定其他輸入，以自定義特徵化完成的方式。		 'Auto'
'Custom'
'Off'
transformerParams 使用者可以指定其他要用於的轉換器，以及要套用它的數據行，以及轉換程式建構函式的參數。 TableVerticalFeaturizationSettingsTransformerParams

TableVerticalFeaturizationSettingsColumnNameAndTypes

名稱 描述 值
{自定義屬性} 字串

TableVerticalFeaturizationSettingsTransformerParams

名稱 描述 值
{自定義屬性} ColumnTransformer[]

ColumnTransformer

名稱 描述 值
fields 要套用轉換器邏輯的欄位。 string[]
參數 要傳遞至轉換器的不同屬性。
輸入必須是 JSON 格式的索引鍵、值組字典。

TableVerticalLimitSettings

名稱 描述 值
enableEarlyTermination 啟用早期終止，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。 bool
exitScore AutoML 作業的結束分數。 int
maxConcurrentTrials 並行反覆專案上限。 int
maxCoresPerTrial 每個反覆專案的核心數目上限。 int
maxTrials 反覆運算次數。 int
timeout AutoML 作業逾時。 字串
trialTimeout 反覆專案逾時。 字串

NCrossValidations

名稱 描述 值
mode 設定物件類型 Auto
需要自訂 ()

AutoNCrossValidations

名稱 描述 值
mode [必要]用於判斷 N 交叉驗證的模式。 需要 『Auto』 ()

CustomNCrossValidations

名稱 描述 值
mode [必要]用於判斷 N 交叉驗證的模式。 必要) 'Custom' (
值 [必要]N-Cross 驗證值。 需要 int ()

ClassificationTrainingSettings

名稱 描述 值
allowedTrainingAlgorithms 分類工作的允許模型。 包含任何項目的字串數組：
'BernoulliNaive設定'
'DecisionTree'
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LightGBM'
'LinearSVM'
'LogisticRegression'
'MultinomialNaiveBayes'
'RandomForest'
'SGD'
'SVM'
'XGBoostClassifier'
blockedTrainingAlgorithms 分類工作的封鎖模型。 包含任何項目的字串數組：
'BernoulliNaive設定'
'DecisionTree'
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LightGBM'
'LinearSVM'
'LogisticRegression'
'MultinomialNaiveBayes'
'RandomForest'
'SGD'
'SVM'
'XGBoostClassifier'
enableDnnTraining 啟用 DNN 模型的建議。 bool
enableModelExplainability 在最佳模型上開啟可解釋性的旗標。 bool
enableOnnxCompatibleModels 啟用 onnx 相容模型的旗標。 bool
enableStackEnsemble 啟用堆疊Ensemble 執行。 bool
enableVoteEnsemble 啟用投票Ensemble 執行。 bool
ensembleModelDownloadTimeout 在 VotingEnsemble 和 StackEnsemble 模型產生期間，會下載先前子回合中的多個配適模型。
如果需要更多時間，請將此參數設定為高於 300 秒的值。		 字串
stackEnsembleSettings 堆疊Ensemble 執行的堆疊Ensemble 設定。 StackEnsembleSettings

StackEnsembleSettings

名稱 描述 值
stackMetaLearnerKWargs 要傳遞至中繼學習模組初始化表達式的選擇性參數。
stackMetaLearnerTrainPercentage 指定在選擇訓練和驗證類型的訓練) 保留給訓練中繼學習工具時，訓練集 (的比例。 預設值為 0.2。 int
stackMetaLearnerType 中繼學習模組是在個別異質模型的輸出上定型的模型。 'ElasticNet'
'ElasticNetCV'
'LightGBMClassifier'
'LightGBMRegressor'
'LinearRegression'
'LogisticRegression'
'LogisticRegressionCV'
'None'

預測

名稱 描述 值
taskType [必要]AutoMLJob 的工作類型。 需要「預測」 ()
cvSplitColumnNames 要用於 CVSplit 資料的數據行。 string[]
featurizationSettings AutoML 作業所需的特徵化輸入。 TableVerticalFeaturizationSettings
forecastingSettings 預測工作特定輸入。 ForecastingSettings
limitSettings AutoMLJob 的執行條件約束。 TableVerticalLimitSettings
nCrossValidations 要套用至定型數據集的交叉驗證折疊數目
未提供驗證數據集時。		 NCrossValidations
primaryMetric 預測工作的主要計量。 'NormalizedMeanAbsoluteError'
'NormalizedRootMeanSquaredError'
'R2Score'
'SpearmanCorrelation'
testData 測試數據輸入。 MLTableJobInput
testDataSize 必須針對驗證目的將測試數據集的分數放在一起。
介於 (0.0 、1.0) 之間的值
未提供驗證數據集時套用。		 int
trainingSettings AutoML 作業定型階段的輸入。 ForecastingTrainingSettings
validationData 驗證數據輸入。 MLTableJobInput
validationDataSize 必須針對驗證目的將定型數據集的分數。
介於 (0.0 、1.0) 之間的值
未提供驗證數據集時套用。		 int
weightColumnName 範例加權數據行的名稱。 自動化 ML 支援加權數據行做為輸入，導致數據中的數據列向上或向下加權。 字串

ForecastingSettings

名稱 描述 值
countryOrRegionForHolidays 用於預測工作的假日國家或地區。
這些應該是 ISO 3166 兩個字母的國家/地區代碼，例如 'US' 或 'GB'。		 字串
cvStepSize 一個 CV 折疊的原點時間與下一個折疊之間的期間數。 For
例如，如果 CVStepSize = 3 表示每日數據，則每個折疊的原點時間將會是
三天分開。		 int
featureLags 針對具有 『auto』 或 null 之數值特徵產生延遲的旗標。 'Auto'
'None'
forecastHorizon 所需的最大預測範圍，以時間序列頻率單位為單位。 ForecastHorizon
frequency 預測時，此參數代表預期預測的期間，例如每日、每周、每年等。預測頻率預設為數據集頻率。 字串
季節性 將時間序列季節性設定為數列頻率的整數倍數。
如果季節性設定為 『auto』，則會推斷它。		 季節性
shortSeriesHandlingConfig 參數，定義 AutoML 是否應該處理簡短的時間序列。 'Auto'
'Drop'
'None'
'Pad'
targetAggregateFunction 用來匯總時間序列目標數據行以符合使用者指定頻率的函式。
如果 TargetAggregateFunction 設定為不是 『None』，但未設定 freq 參數，就會引發錯誤。 可能的目標匯總函數包括：「sum」、“ max”		 'Max'
'Mean'
'Min'
'None'
'Sum'
targetLags 要從目標數據行延遲的過去期間數。 TargetLags
targetRollingWindowSize 過去期間數，用來建立目標數據行的滾動視窗平均值。 TargetRollingWindowSize
timeColumnName 時間數據行的名稱。 當預測指定用於建置時間序列並推斷其頻率的輸入數據中的 datetime 數據行時，需要此參數。 字串
timeSeriesIdColumnNames 用來分組時間範圍的數據行名稱。 它可以用來建立多個數列。
如果未定義粒紋，則會假設資料集為一個時間序列。 此參數會與工作類型預測搭配使用。		 string[]
useStl 設定時間序列目標數據行的 STL 分解。 'None'
'Season'
'SeasonTrend'

ForecastHorizon

名稱 描述 值
mode 設定物件類型 Auto
自訂 (必要)

AutoForecastHorizon

名稱 描述 值
mode [必要]設定預測水準值選取模式。 需要 『Auto』 ()

CustomForecastHorizon

名稱 描述 值
mode [必要]設定預測水準值選取模式。 需要 『Custom』 ()
值 [必要]預測水準值。 int (必要)

季節性

名稱 描述 值
mode 設定物件類型 Auto
自訂 (必要)

AutoSeasonality

名稱 描述 值
mode [必要]季節性模式。 需要 『Auto』 ()

CustomSeasonality

名稱 描述 值
mode [必要]季節性模式。 需要 『Custom』 ()
值 [必要]季節性值。 int (必要)

TargetLags

名稱 描述 值
mode 設定物件類型 Auto
自訂 (必要)

AutoTargetLags

名稱 描述 值
mode [必要]設定目標延遲模式 - 自動/自定義 需要 『Auto』 ()

CustomTargetLags

名稱 描述 值
mode [必要]設定目標延遲模式 - 自動/自定義 需要 『Custom』 ()
值 [必要]設定目標延遲值。 int[] (必要)

TargetRollingWindowSize

名稱 描述 值
mode 設定物件類型 Auto
自訂 (必要)

AutoTargetRollingWindowSize

名稱 描述 值
mode [必要]TargetRollingWindowSiz 偵測模式。 需要 『Auto』 ()

CustomTargetRollingWindowSize

名稱 描述 值
mode [必要]TargetRollingWindowSiz 偵測模式。 需要 『Custom』 ()
值 [必要]TargetRollingWindowSize 值。 int (必要)

ForecastingTrainingSettings

名稱 描述 值
allowedTrainingAlgorithms 預測工作的允許模型。 包含任何項目的字串數組：
'Arimax'
'AutoArima'
'Average'
'DecisionTree'
'ElasticNet'
'ExponentialSmoothing'
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LassoLars'
'LightGBM'
'Naive'
'撷拉'
'RandomForest'
'SGD'
'SeasonalAverage'
'SeasonalNaive'
'TCNForecaster'
'XGBoostRegressor'
blockedTrainingAlgorithms 預測工作的封鎖模型。 包含任何項目的字串數組：
'Arimax'
'AutoArima'
'Average'
'DecisionTree'
'ElasticNet'
'ExponentialSmoothing'
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LassoLars'
'LightGBM'
'Naive'
'撷拉'
'RandomForest'
'SGD'
'SeasonalAverage'
'SeasonalNaive'
'TCNForecaster'
'XGBoostRegressor'
enableDnnTraining 啟用 DNN 模型的建議。 bool
enableModelExplainability 在最佳模型上開啟可解釋性的旗標。 bool
enableOnnxCompatibleModels 啟用 onnx 相容模型的旗標。 bool
enableStackEnsemble 啟用堆疊內建執行。 bool
enableVoteEnsemble 啟用投票內建執行。 bool
ensembleModelDownloadTimeout 在 VotingEnsemble 和 StackEnsemble 模型產生期間，會下載來自先前子回合的多個適合模型。
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 堆疊內建設定，用於堆疊內建執行。 StackEnsembleSettings

ImageClassification

名稱 描述 值
taskType [必要]AutoMLJob 的工作類型。 'ImageClassification' (必要)
limitSettings [必要]限制 AutoML 作業的設定。 ImageLimitSettings (必要)
modelSettings 用於定型模型的設定。 ImageModelSettingsClassification
primaryMetric 要針對這項工作優化的主要計量。 'AUCWeighted'
'Accuracy'
'AveragePrecisionScoreWeighted'
'NormMacroRecall'
'PrecisionScoreWeighted'
searchSpace 搜尋空間，以取樣模型及其超參數的不同組合。 ImageModelDistributionSettingsClassification[]
sweepSettings 模型掃掠和超參數掃掠相關設定。 ImageSweepSettings
validationData 驗證數據輸入。 MLTableJobInput
validationDataSize 必須針對驗證目的將定型數據集的分數。
介於 (0.0 、1.0) 之間的值
未提供驗證數據集時套用。
 int

ImageLimitSettings

名稱 描述 值
maxConcurrentTrials 並行 AutoML 反覆項目的數目上限。 int
maxTrials AutoML 反覆項目的數目上限。 int
timeout AutoML 作業逾時。 字串

ImageModelSettingsClassification

名稱 描述 值
advancedSettings 進階案例的設定。 字串
amsGradient 當優化器為 『adam』 或 'adamw' 時啟用AMSGrad。 bool
擴增 使用擴增的設定。 字串
beta1 優化器為 'adam' 或 'adamw' 時的 'beta1' 值。 必須是範圍 [0, 1] 內的浮點數。 int
beta2 優化器為 'adam' 或 'adamw' 時的 'beta2' 值。 必須是範圍 [0, 1] 內的浮點數。 int
checkpointFrequency 儲存模型檢查點的頻率。 必須是正整數。 int
checkpointModel 累加定型的預先定型檢查點模型。 MLFlowModelJobInput
checkpointRunId 先前執行的標識碼，其具有累加定型的預先定型檢查點。 字串
分散式 是否要使用分散式定型。 bool
earlyStopping 在定型期間啟用提早停止邏輯。 bool
earlyStoppingDelay 在主要計量改進之前等候的最小 Epoch 或驗證評估數目
會追蹤早期停止。 必須是正整數。		 int
earlyStoppingPatience 之前沒有主要計量改進的最小 Epoch 或驗證評估數目
執行已停止。 必須是正整數。		 int
enableOnnxNormalization 匯出 ONNX 模型時啟用正規化。 bool
evaluationFrequency 評估驗證資料集以取得計量分數的頻率。 必須是正整數。 int
gradientAccumulationStep 漸層累積表示執行未設定數目的 「GradAccumulationStep」 步驟
更新模型權數，同時累積這些步驟的漸層，然後使用
用來計算權數更新的累積漸層。 必須是正整數。		 int
layersToFreeze 要凍結模型的層數。 必須是正整數。
例如，傳遞 2 作為 'seresnext' 值表示
凍結 layer0 和 layer1。 如需所支援模型的完整清單，以及圖層凍結的詳細數據，請
看到： https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.		 int
learningRate 初始學習速率。 必須是範圍 [0, 1] 內的浮點數。 int
learningRateScheduler 學習率排程器的類型。 必須是 『warmup_cosine』 或 'step'。 'None'
'Step'
'WarmupCosine'
modelName 要用於定型的模型名稱。
如需可用模型的詳細資訊，請造訪官方檔：
https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.		 字串
動量 優化工具為 『sgd』 時的動向值。 必須是範圍 [0, 1] 內的浮點數。 int
nesterov 當優化器為 『sgd』 時啟用 nesterov。 bool
numberOfEpochs 定型 Epoch 的數目。 必須是正整數。 int
numberOfWorkers 數據載入器背景工作角色的數目。 必須是非負整數。 int
optimizer 最佳化工具的類型。 'Adam'
'Adamw'
'None'
'Sgd'
randomSeed 使用決定性定型時要使用的隨機種子。 int
stepLRGamma 當學習速率排程器為 『step』 時，gamma 的值。 必須是範圍 [0, 1] 內的浮點數。 int
stepLRStepSize 當學習速率排程器為 『step』 時，步驟大小的值。 必須是正整數。 int
trainingBatchSize 定型批次大小。 必須是正整數。 int
trainingCropSize 影像裁剪大小，為定型數據集輸入類神經網路。 必須是正整數。 int
validationBatchSize 驗證批次大小。 必須是正整數。 int
validationCropSize 影像裁剪大小，這是驗證數據集之類神經網路的輸入。 必須是正整數。 int
validationResizeSize 在針對驗證資料集進行裁切之前，要調整大小的影像大小。 必須是正整數。 int
warmupCosineLRCycles 學習速率排程器為「warmup_cosine」時的餘弦週期值。 必須是範圍 [0, 1] 內的浮點數。 int
warmupCosineLRWarmupEpochs 當學習速率排程器為 『warmup_cosine』 時，暖 Epoch 的值。 必須是正整數。 int
weightDecay 當優化器為 'sgd'、'adam' 或 'adamw' 時，加權衰減的值。 必須是 range[0， 1] 中的浮點數。 int
weightedLoss 加權損失。 接受的值為 0，不會遺失加權。
1 用於 sqrt. (class_weights) 的加權損失。 2 表示具有 class_weights 的加權遺失。 必須是 0 或是 1 或 2。
 int

MLFlowModelJobInput

名稱 描述 值
description 輸入的描述。 字串
jobInputType [必要]指定作業的類型。 'custom_model'
'literal'
'mlflow_model'
'mltable'
'triton_model'
'uri_file'
必要) ('uri_folder'
mode 輸入資產傳遞模式。 'Direct'
'Download'
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
'ReadWriteMount'
uri [必要]輸入資產 URI。 字串 (必要)

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_]

ImageModelDistributionSettingsClassification

名稱 描述 值
amsGradient 當優化器為 『adam』 或 'adamw' 時啟用AMSGrad。 字串
擴增 使用擴增的設定。 字串
beta1 優化器為 'adam' 或 'adamw' 時的 'beta1' 值。 必須是範圍 [0, 1] 內的浮點數。 字串
beta2 優化器為 'adam' 或 'adamw' 時的 'beta2' 值。 必須是範圍 [0, 1] 內的浮點數。 字串
分散式 是否要使用分散式程式定型。 字串
earlyStopping 在定型期間啟用提早停止邏輯。 字串
earlyStoppingDelay 在主要計量改進之前等候的最小 Epoch 或驗證評估數目
會追蹤早期停止。 必須是正整數。		 字串
earlyStoppingPatience 之前沒有主要計量改進的最小 Epoch 或驗證評估數目
執行已停止。 必須是正整數。		 字串
enableOnnxNormalization 匯出 ONNX 模型時啟用正規化。 字串
evaluationFrequency 評估驗證資料集以取得計量分數的頻率。 必須是正整數。 字串
gradientAccumulationStep 漸層累積表示在沒有的情況下執行已設定數目的 「GradAccumulationStep」 步驟
更新模型權數，同時累積這些步驟的漸層，然後使用
用來計算權數更新的累積漸層。 必須是正整數。		 字串
layersToFreeze 要凍結模型的圖層數目。 必須是正整數。
例如，傳遞 2 做為 'seresnext' 值表示
凍結第0層和第1層。 如需支援模型的完整清單，以及圖層凍結的詳細數據，請
看到： https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.		 字串
learningRate 初始學習速率。 必須是範圍 [0, 1] 內的浮點數。 字串
learningRateScheduler 學習率排程器的類型。 必須是 『warmup_cosine』 或 'step'。 字串
modelName 要用於定型的模型名稱。
如需可用模型的詳細資訊，請流覽官方檔：
https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.		 字串
動量 優化工具為 『sgd』 時的時刻值。 必須是範圍 [0, 1] 內的浮點數。 字串
nesterov 當優化器為 'sgd' 時，請啟用 nesterov。 字串
numberOfEpochs 定型 Epoch 的數目。 必須是正整數。 字串
numberOfWorkers 數據載入器背景工作角色的數目。 必須是非負整數。 字串
optimizer 最佳化工具的類型。 必須是 『sgd』、『adam』或 『adamw』。 字串
randomSeed 使用決定性定型時要使用的隨機種子。 字串
stepLRGamma 當學習速率排程器為 『step』 時，gamma 的值。 必須是範圍 [0, 1] 內的浮點數。 字串
stepLRStepSize 當學習速率排程器為 『step』 時，步驟大小的值。 必須是正整數。 字串
trainingBatchSize 定型批次大小。 必須是正整數。 字串
trainingCropSize 影像裁剪大小，為定型數據集的類神經網路輸入。 必須是正整數。 字串
validationBatchSize 驗證批次大小。 必須是正整數。 字串
validationCropSize 輸入至驗證數據集之類神經網路的影像裁剪大小。 必須是正整數。 字串
validationResizeSize 在針對驗證資料集進行裁切之前，要調整大小的影像大小。 必須是正整數。 字串
warmupCosineLRCycles 當學習速率排程器為 『warmup_cosine』 時，餘弦迴圈的值。 必須是範圍 [0, 1] 內的浮點數。 字串
warmupCosineLRWarmupEpochs 當學習速率排程器為 『warmup_cosine』時，熱身 Epoch 的值。 必須是正整數。 字串
weightDecay 優化器為 'sgd'、'adam' 或 'adamw' 時的權數衰減值。 必須是範圍[0， 1] 中的浮點數。 字串
weightedLoss 加權損失。 接受的值是 0，不會遺失加權。
1 用於 sqrt. (class_weights) 加權損失。 2 表示具有 class_weights 的加權遺失。 必須是 0 或是 1 或 2。
 字串

ImageSweepSettings

名稱 描述 值
earlyTermination 早期終止原則的類型。 EarlyTerminationPolicy
samplingAlgorithm [必要]超參數取樣演算法的類型。 'Bayesian'
'Grid'
必要) 的 'Random' (

EarlyTerminationPolicy

名稱 描述 值
delayEvaluation 延遲第一次評估的間隔數目。 int
evaluationInterval 原則評估之間) 執行的間隔 (數目。 int
policyType 設定物件類型 Bandit
MedianStopping
截斷選取 (必要)

BanditPolicy

名稱 描述 值
policyType [必要]原則設定的名稱 ) 需要 『Bandit』 (
slackAmount 最佳執行所允許的絕對距離。 int
slackFactor 允許與最佳執行距離的比例。 int

MedianStoppingPolicy

名稱 描述 值
policyType [必要]原則設定的名稱 必要 ('MedianStopping')

TruncationSelectionPolicy

名稱 描述 值
policyType [必要]原則設定的名稱 'TruncationSelection' (必要)
truncationPercentage 要在每個評估間隔取消的執行百分比。 int

ImageClassificationMultilabel

名稱 描述 值
taskType [必要]AutoMLJob 的工作類型。 'ImageClassificationMultilabel' (必要)
limitSettings [必要]限制 AutoML 作業的設定。 ImageLimitSettings (必要)
modelSettings 用於定型模型的設定。 ImageModelSettingsClassification
primaryMetric 要針對這項工作優化的主要計量。 'AUCWeighted'
「精確度」
'AveragePrecisionScoreWeighted'
'IOU'
'NormMacroRecall'
'PrecisionScoreWeighted'
searchSpace 搜尋空間，以取樣模型及其超參數的不同組合。 ImageModelDistributionSettingsClassification[]
sweepSettings 模型掃掠和超參數掃掠相關設定。 ImageSweepSettings
validationData 驗證數據輸入。 MLTableJobInput
validationDataSize 需要為驗證目的保留的定型數據集分數。
(0.0 、1.0) 之間的值
未提供驗證數據集時套用。
 int

ImageInstanceSegmentation

名稱 描述 值
taskType [必要]AutoMLJob 的工作類型。 'ImageInstanceSegmentation' (必要)
limitSettings [必要]限制 AutoML 作業的設定。 ImageLimitSettings (必要)
modelSettings 用於定型模型的設定。 ImageModelSettingsObjectDetection
primaryMetric 要針對這項工作優化的主要計量。 'MeanAveragePrecision'
searchSpace 搜尋空間，以取樣模型及其超參數的不同組合。 ImageModelDistributionSettingsObjectDetection[]
sweepSettings 模型掃掠和超參數掃掠相關設定。 ImageSweepSettings
validationData 驗證數據輸入。 MLTableJobInput
validationDataSize 需要為驗證目的保留的定型數據集分數。
(0.0 、1.0) 之間的值
未提供驗證數據集時套用。
 int

ImageModelSettingsObjectDetection

名稱 描述 值
advancedSettings 進階案例的設定。 字串
amsGradient 當優化器為 『adam』 或 'adamw' 時啟用AMSGrad。 bool
擴增 使用擴增的設定。 字串
beta1 優化器為 'adam' 或 'adamw' 時的 'beta1' 值。 必須是範圍 [0, 1] 內的浮點數。 int
beta2 優化器為 'adam' 或 'adamw' 時的 'beta2' 值。 必須是範圍 [0, 1] 內的浮點數。 int
boxDetectionsPerImage 針對所有類別，每個影像的偵測數目上限。 必須是正整數。
注意：'yolov5' 演算法不支援此設定。		 int
boxScoreThreshold 在推斷期間，只傳回分類分數大於的建議
BoxScoreThreshold。 必須是範圍[0， 1] 中的浮點數。		 int
checkpointFrequency 儲存模型檢查點的頻率。 必須是正整數。 int
checkpointModel 累加定型的預先定型檢查點模型。 MLFlowModelJobInput
checkpointRunId 先前執行的標識碼，其具有累加定型的預先定型檢查點。 字串
分散式 是否要使用分散式定型。 bool
earlyStopping 在定型期間啟用提早停止邏輯。 bool
earlyStoppingDelay 在主要計量改進之前等候的最小 Epoch 或驗證評估數目
會追蹤早期停止。 必須是正整數。		 int
earlyStoppingPatience 之前沒有主要計量改進的最小 Epoch 或驗證評估數目
執行已停止。 必須是正整數。		 int
enableOnnxNormalization 匯出 ONNX 模型時啟用正規化。 bool
evaluationFrequency 評估驗證資料集以取得計量分數的頻率。 必須是正整數。 int
gradientAccumulationStep 漸層累積表示在沒有的情況下執行已設定數目的 「GradAccumulationStep」 步驟
更新模型權數，同時累積這些步驟的漸層，然後使用
用來計算權數更新的累積漸層。 必須是正整數。		 int
imageSize 用於定型和驗證的影像大小。 必須是正整數。
注意：如果大小太大，定型回合可能會進入 CUDA OOM。
注意：只有 'yolov5' 演算法才支援此設定。		 int
layersToFreeze 要凍結模型的圖層數目。 必須是正整數。
例如，傳遞 2 做為 'seresnext' 值表示
凍結第0層和第1層。 如需支援模型的完整清單，以及圖層凍結的詳細數據，請
看到： https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.		 int
learningRate 初始學習速率。 必須是範圍 [0, 1] 內的浮點數。 int
learningRateScheduler 學習率排程器的類型。 必須是 『warmup_cosine』 或 'step'。 'None'
'Step'
'WarmupCosine'
maxSize 將影像饋送至骨幹之前要重新調整的影像大小上限。
必須是正整數。 注意：如果大小太大，則定型執行可能會進入 CUDA OOM.
注意：'yolov5' 演算法不支援此設定。		 int
minSize 將影像饋送至骨幹之前要重新調整的影像大小下限。
必須是正整數。 注意：如果大小太大，則定型執行可能會進入 CUDA OOM.
注意：'yolov5' 演算法不支援此設定。		 int
modelName 要用於定型的模型名稱。
如需可用模型的詳細資訊，請流覽官方檔：
https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.		 字串
modelSize 模型大小。 必須是 'small'、'medium'、'large' 或 'xlarge'。
注意：如果模型大小太大，則定型執行可能會進入 CUDA OOM.
注意：只有 'yolov5' 演算法才支援此設定。		 'ExtraLarge'
'Large'
'Medium'
'None'
'Small'
動量 優化工具為 『sgd』 時的動向值。 必須是範圍 [0, 1] 內的浮點數。 int
尺度 以 +/- 50% 的不同影像大小啟用多縮放影像。
注意：如果沒有足夠的 GPU 記憶體，則定型執行可能會進入 CUDA OOM。
注意：只有 'yolov5' 演算法才支援此設定。		 bool
nesterov 當優化器為 『sgd』 時啟用 nesterov。 bool
nmsIouThreshold 在NMS後置處理中的推斷期間使用的IOU臨界值。 必須是範圍 [0, 1] 內的浮點數。 int
numberOfEpochs 定型 Epoch 的數目。 必須是正整數。 int
numberOfWorkers 數據載入器背景工作角色的數目。 必須是非負整數。 int
optimizer 最佳化工具的類型。 'Adam'
'Adamw'
'None'
'Sgd'
randomSeed 使用決定性定型時要使用的隨機種子。 int
stepLRGamma 當學習速率排程器為 『step』 時，gamma 的值。 必須是範圍 [0, 1] 內的浮點數。 int
stepLRStepSize 當學習速率排程器為 『step』 時，步驟大小的值。 必須是正整數。 int
tileGridSize 要用於每個並排影像的格線大小。 注意：TileGridSize 不得為
無可啟用小型物件偵測邏輯。 字串，包含兩個整數，格式為一個。
注意：'yolov5' 演算法不支援此設定。		 字串
tileOverlapRatio 每個維度中相鄰圖格之間的重疊比例。 必須是範圍 [0， 1) 的 float。
注意：'yolov5' 演算法不支援此設定。		 int
tilePredictionsNmsThreshold 從圖格和影像合併預測時用來執行 NMS 的 IOU 閾值。
用於驗證/推斷。 必須是範圍 [0， 1] 中的浮點數。
注意：'yolov5' 演算法不支援此設定。		 int
trainingBatchSize 定型批次大小。 必須是正整數。 int
validationBatchSize 驗證批次大小。 必須是正整數。 int
validationIouThreshold 計算驗證計量時要使用的IOU臨界值。 必須是範圍 [0， 1] 中的浮點數。 int
validationMetricType 要用於驗證計量的計量計算方法。 'Coco'
'CocoVoc'
'None'
'Voc'
warmupCosineLRCycles 學習速率排程器為「warmup_cosine」時的餘弦週期值。 必須是範圍 [0, 1] 內的浮點數。 int
warmupCosineLRWarmupEpochs 當學習速率排程器為 『warmup_cosine』 時，暖 Epoch 的值。 必須是正整數。 int
weightDecay 當優化器為 'sgd'、'adam' 或 'adamw' 時，加權衰減的值。 必須是 range[0， 1] 中的浮點數。 int

ImageModelDistributionSettingsObjectDetection

名稱 描述 值
amsGradient 當優化器為 『adam』 或 'adamw' 時啟用AMSGrad。 字串
擴增 使用擴增的設定。 字串
beta1 當優化器為 'adam' 或 'adamw' 時，'beta1' 的值。 必須是範圍 [0, 1] 內的浮點數。 字串
beta2 當優化器為 'adam' 或 'adamw' 時，'beta2' 的值。 必須是範圍 [0, 1] 內的浮點數。 字串
boxDetectionsPerImage 針對所有類別，每個影像的偵測數目上限。 必須是正整數。
注意：'yolov5' 演算法不支援此設定。		 字串
boxScoreThreshold 在推斷期間，只傳回分類分數大於的建議
BoxScoreThreshold。 必須是 range[0， 1] 中的浮點數。		 字串
分散式 是否要使用散發器定型。 字串
earlyStopping 在定型期間啟用提早停止邏輯。 字串
earlyStoppingDelay 在主要計量改進之前等待的最小 Epoch 或驗證評估數目
會追蹤提早停止。 必須是正整數。		 字串
earlyStoppingPatience 在之前沒有主要計量改善的最小 Epoch 或驗證評估數目
執行已停止。 必須是正整數。		 字串
enableOnnxNormalization 匯出 ONNX 模型時啟用正規化。 字串
evaluationFrequency 評估驗證資料集以取得計量分數的頻率。 必須是正整數。 字串
gradientAccumulationStep 漸層累積表示執行未設定數目的 「GradAccumulationStep」 步驟
更新模型權數，同時累積這些步驟的漸層，然後使用
用來計算權數更新的累積漸層。 必須是正整數。		 字串
imageSize 用於定型和驗證的影像大小。 必須是正整數。
注意：如果大小太大，訓練回合可能會進入 CUDA OOM。
注意：只有 'yolov5' 演算法才支援此設定。		 字串
layersToFreeze 要凍結模型的層數。 必須是正整數。
例如，傳遞 2 作為 'seresnext' 值表示
凍結 layer0 和 layer1。 如需所支援模型的完整清單，以及圖層凍結的詳細數據，請
看到： https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.		 字串
learningRate 初始學習速率。 必須是範圍 [0, 1] 內的浮點數。 字串
learningRateScheduler 學習率排程器的類型。 必須是 『warmup_cosine』 或 'step'。 字串
maxSize 將影像饋送至骨幹之前要重新調整的影像大小上限。
必須是正整數。 注意：如果大小太大，則定型執行可能會進入 CUDA OOM.
注意：'yolov5' 演算法不支援此設定。		 字串
minSize 將影像饋送至骨幹之前要重新調整的影像大小下限。
必須是正整數。 注意：如果大小太大，則定型執行可能會進入 CUDA OOM.
注意：'yolov5' 演算法不支援此設定。		 字串
modelName 要用於定型的模型名稱。
如需可用模型的詳細資訊，請造訪官方檔：
https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.		 字串
modelSize 模型大小。 必須是 'small'、'medium'、'large' 或 'xlarge'。
注意：如果模型大小太大，則定型執行可能會進入 CUDA OOM.
注意：只有 'yolov5' 演算法才支援此設定。		 字串
動量 優化工具為 『sgd』 時的動向值。 必須是範圍 [0, 1] 內的浮點數。 字串
尺度 以 +/- 50% 的不同影像大小啟用多縮放影像。
注意：如果沒有足夠的 GPU 記憶體，則定型執行可能會進入 CUDA OOM。
注意：只有 'yolov5' 演算法才支援此設定。		 字串
nesterov 當優化器為 『sgd』 時啟用 nesterov。 字串
nmsIouThreshold 在NMS後置處理中的推斷期間使用的IOU臨界值。 必須是範圍 [0， 1] 中的浮點數。 字串
numberOfEpochs 定型 Epoch 的數目。 必須是正整數。 字串
numberOfWorkers 數據載入器背景工作角色的數目。 必須是非負整數。 字串
optimizer 最佳化工具的類型。 必須是 'sgd'、'adam' 或 'adamw'。 字串
randomSeed 使用決定性定型時要使用的隨機種子。 字串
stepLRGamma 當學習速率排程器為 『step』 時，gamma 的值。 必須是範圍 [0, 1] 內的浮點數。 字串
stepLRStepSize 當學習速率排程器為 『step』 時，步驟大小的值。 必須是正整數。 字串
tileGridSize 要用於每個並排影像的格線大小。 注意：TileGridSize 不得為
無可啟用小型物件偵測邏輯。 字串，包含兩個整數，格式為一個。
注意：'yolov5' 演算法不支援此設定。		 字串
tileOverlapRatio 每個維度中相鄰圖格之間的重疊比例。 必須是範圍 [0， 1) 的 float。
注意：'yolov5' 演算法不支援此設定。		 字串
tilePredictionsNmsThreshold 從圖格和影像合併預測時用來執行 NMS 的 IOU 閾值。
用於驗證/推斷。 必須是範圍 [0， 1] 中的浮點數。
注意：'yolov5' 演算法不支援此設定。
NMS：非最大歸併		 字串
trainingBatchSize 定型批次大小。 必須是正整數。 字串
validationBatchSize 驗證批次大小。 必須是正整數。 字串
validationIouThreshold 計算驗證計量時要使用的IOU臨界值。 必須是範圍 [0， 1] 中的浮點數。 字串
validationMetricType 要用於驗證計量的計量計算方法。 必須是 『none』、'coco'、'voc' 或 'coco_voc'。 字串
warmupCosineLRCycles 學習速率排程器為「warmup_cosine」時的餘弦週期值。 必須是範圍 [0, 1] 內的浮點數。 字串
warmupCosineLRWarmupEpochs 當學習速率排程器為 『warmup_cosine』 時，暖 Epoch 的值。 必須是正整數。 字串
weightDecay 當優化器為 'sgd'、'adam' 或 'adamw' 時，加權衰減的值。 必須是 range[0， 1] 中的浮點數。 字串

ImageObjectDetection

名稱 描述 值
taskType [必要]AutoMLJob 的工作類型。 'ImageObjectDetection' (必要)
limitSettings [必要]限制 AutoML 作業的設定。 ImageLimitSettings (必要)
modelSettings 用於定型模型的設定。 ImageModelSettingsObjectDetection
primaryMetric 要針對這項工作優化的主要計量。 'MeanAveragePrecision'
searchSpace 搜尋空間，以取樣模型及其超參數的不同組合。 ImageModelDistributionSettingsObjectDetection[]
sweepSettings 模型掃掠和超參數掃掠相關設定。 ImageSweepSettings
validationData 驗證數據輸入。 MLTableJobInput
validationDataSize 必須針對驗證目的將定型數據集的分數。
介於 (0.0 、1.0) 之間的值
未提供驗證數據集時套用。
 int

迴歸

名稱 描述 值
taskType [必要]AutoMLJob 的工作類型。 需要 「回歸」 ()
cvSplitColumnNames 要用於 CVSplit 資料的數據行。 string[]
featurizationSettings AutoML 作業所需的特徵化輸入。 TableVerticalFeaturizationSettings
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。		 NCrossValidations
primaryMetric 回歸工作的主要計量。 'NormalizedMeanAbsoluteError'
'NormalizedRootMeanSquaredError'
'R2Score'
'SpearmanCorrelation'
testData 測試數據輸入。 MLTableJobInput
testDataSize 必須針對驗證目的將測試數據集的分數放在一起。
介於 (0.0 、1.0) 之間的值
未提供驗證數據集時套用。		 int
trainingSettings AutoML 作業定型階段的輸入。 RegressionTrainingSettings
validationData 驗證數據輸入。 MLTableJobInput
validationDataSize 必須針對驗證目的將定型數據集的分數。
介於 (0.0 、1.0) 之間的值
未提供驗證數據集時套用。		 int
weightColumnName 範例加權數據行的名稱。 自動化 ML 支援加權數據行做為輸入，導致數據中的數據列向上或向下加權。 字串

RegressionTrainingSettings

名稱 描述 值
allowedTrainingAlgorithms 回歸工作的允許模型。 包含任何項目的字串數組：
'DecisionTree'
'ElasticNet'
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LassoLars'
'LightGBM'
'RandomForest'
'SGD'
'XGBoostRegressor'
blockedTrainingAlgorithms 回歸工作的封鎖模型。 包含任何項目的字串數組：
'DecisionTree'
'ElasticNet'
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LassoLars'
'LightGBM'
'RandomForest'
'SGD'
'XGBoostRegressor'
enableDnnTraining 啟用 DNN 模型的建議。 bool
enableModelExplainability 在最佳模型上開啟可解釋性的旗標。 bool
enableOnnxCompatibleModels 啟用 onnx 相容模型的旗標。 bool
enableStackEnsemble 啟用堆疊內建執行。 bool
enableVoteEnsemble 啟用投票內建執行。 bool
ensembleModelDownloadTimeout 在 VotingEnsemble 和 StackEnsemble 模型產生期間，會下載來自先前子回合的多個適合模型。
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 堆疊內建設定，用於堆疊內建執行。 StackEnsembleSettings

TextClassification

名稱 描述 值
taskType [必要]AutoMLJob 的工作類型。 'TextClassification' (必要)
featurizationSettings AutoML 作業所需的特徵化輸入。 NlpVerticalFeaturizationSettings
limitSettings AutoMLJob 的執行條件約束。 NlpVerticalLimitSettings
primaryMetric Text-Classification 工作的主要計量。 'AUCWeighted'
'Accuracy'
'AveragePrecisionScoreWeighted'
'NormMacroRecall'
'PrecisionScoreWeighted'
validationData 驗證數據輸入。 MLTableJobInput

NlpVerticalFeaturizationSettings

名稱 描述 值
datasetLanguage 數據集語言，適用於文字數據。 字串

NlpVerticalLimitSettings

名稱 描述 值
maxConcurrentTrials 並行 AutoML 反覆專案上限。 int
maxTrials AutoML 反覆項目的數目。 int
timeout AutoML 作業逾時。 字串

TextClassificationMultilabel

名稱 描述 值
taskType [必要]AutoMLJob 的工作類型。 'TextClassificationMultilabel' (必要)
featurizationSettings AutoML 作業所需的特徵化輸入。 NlpVerticalFeaturizationSettings
limitSettings AutoMLJob 的執行條件約束。 NlpVerticalLimitSettings
validationData 驗證數據輸入。 MLTableJobInput

TextNer

名稱 描述 值
taskType [必要]AutoMLJob 的工作類型。 需要 『TextNER』 ()
featurizationSettings AutoML 作業所需的特徵化輸入。 NlpVerticalFeaturizationSettings
limitSettings AutoMLJob 的執行條件約束。 NlpVerticalLimitSettings
validationData 驗證數據輸入。 MLTableJobInput

CommandJob

名稱 描述 值
jobType [必要]指定作業的類型。 'Command' (必要)
codeId 程式代碼資產的 ARM 資源識別碼。 字串
命令 [必要]在作業啟動時執行的命令。 例如 “python train.py” 字串 (必要)

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

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_]
environmentVariables 作業中包含的環境變數。 CommandJobEnvironmentVariables
輸入 對應作業中使用的輸入數據系結。 CommandJobInputs
限制 命令作業限制。 CommandJobLimits
outputs 對應作業中使用的輸出數據系結。 CommandJobOutputs
queueSettings 作業的佇列設定 QueueSettings
resources 作業的計算資源組態。 JobResourceConfiguration

DistributionConfiguration

名稱 描述 值
distributionType 設定物件類型 Mpi
PyTorch
TensorFlow (必要)

Mpi

名稱 描述 值
distributionType [必要]指定散發架構的類型。 'Mpi' (必要)
processCountPerInstance 每個 MPI 節點的進程數目。 int

PyTorch

名稱 描述 值
distributionType [必要]指定散發架構的類型。 'PyTorch' (必要)
processCountPerInstance 每個節點的進程數目。 int

TensorFlow

名稱 描述 值
distributionType [必要]指定散發架構的類型。 必要) 'TensorFlow' (
parameterServerCount 參數伺服器工作的數目。 int
workerCount 背景工作數目。 如果未指定，則會預設為實例計數。 int

CommandJobEnvironmentVariables

名稱 描述 值
{自定義屬性} 字串

CommandJobInputs

名稱 描述 值
{自定義屬性} JobInput

JobInput

名稱 描述 值
description 輸入的描述。 字串
jobInputType 設定物件類型 custom_model
literal
mlflow_model
mltable
triton_model
uri_file
需要 uri_folder ()

CustomModelJobInput

名稱 描述 值
jobInputType [必要]指定作業的類型。 需要 『custom_model』 ()
mode 輸入資產傳遞模式。 'Direct'
'Download'
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
'ReadWriteMount'
uri [必要]輸入資產 URI。 需要字串 ()

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_]

LiteralJobInput

名稱 描述 值
jobInputType [必要]指定作業的類型。 'literal' (必要)
值 [必要]輸入的常值。 需要字串 ()

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_]

TritonModelJobInput

名稱 描述 值
jobInputType [必要]指定作業的類型。 'triton_model' (必要)
mode 輸入資產傳遞模式。 'Direct'
'Download'
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
'ReadWriteMount'
uri [必要]輸入資產 URI。 需要字串 ()

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_]

UriFileJobInput

名稱 描述 值
jobInputType [必要]指定作業的類型。 需要 『uri_file』 ()
mode 輸入資產傳遞模式。 'Direct'
'Download'
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
'ReadWriteMount'
uri [必要]輸入資產 URI。 需要字串 ()

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_]

UriFolderJobInput

名稱 描述 值
jobInputType [必要]指定作業的類型。 需要 『uri_folder』 ()
mode 輸入資產傳遞模式。 'Direct'
'Download'
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
'ReadWriteMount'
uri [必要]輸入資產 URI。 需要字串 ()

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_]

CommandJobLimits

名稱 描述 值
jobLimitsType [必要]JobLimit 類型。 'Command'
需要 「掃掠」 ()
timeout ISO 8601 格式的最大執行持續時間，之後作業將會取消。 僅支援有效位數為秒數的持續時間。 字串

CommandJobOutputs

名稱 描述 值
{自定義屬性} JobOutput

PipelineJob

名稱 描述 值
jobType [必要]指定作業的類型。 需要 『Pipeline』 ()
輸入 管線作業的輸入。 PipelineJobInputs
jobs 作業會建構管線作業。 PipelineJobJobs
outputs 管線作業的輸出 PipelineJobOutputs
設定 管線設定，例如 ContinueRunOnStepFailure 等專案。
sourceJobId 來源作業的 ARM 資源識別碼。 字串

PipelineJobInputs

名稱 描述 值
{自定義屬性} JobInput

PipelineJobJobs

名稱 描述 值
{自定義屬性}

PipelineJobOutputs

名稱 描述 值
{自定義屬性} JobOutput

SweepJob

名稱 描述 值
jobType [必要]指定作業的類型。 需要 「掃掠」 ()
earlyTermination 早期終止原則可在完成之前取消效能不佳的執行 EarlyTerminationPolicy
輸入 對應作業中使用的輸入數據系結。 SweepJobInputs
限制 掃掠作業限制。 SweepJobLimits
objective [必要]優化目標。 必要 目標 ()
outputs 對應作業中使用的輸出數據系結。 SweepJobOutputs
queueSettings 作業的佇列設定 QueueSettings
samplingAlgorithm [必要]超參數取樣演算法 SamplingAlgorithm (必要)
searchSpace [必要]包含每個參數及其分佈的字典。 字典索引鍵是參數的名稱
試用版 [必要]試用版元件定義。 必要) 的 TrialComponent (

SweepJobInputs

名稱 描述 值
{自定義屬性} JobInput

SweepJobLimits

名稱 描述 值
jobLimitsType [必要]JobLimit 類型。 'Command'
需要 「掃掠」 ()
maxConcurrentTrials 掃掠作業最大並行試用版。 int
maxTotalTrials 掃掠作業總試用版數上限。 int
timeout ISO 8601 格式的最大執行持續時間，之後作業將會取消。 僅支援有效位數為秒數的持續時間。 字串
trialTimeout 掃掠作業試用逾時值。 字串

目標

名稱 描述 值
goal [必要]定義超參數微調支援的計量目標 '最大化'
必要) 『最小化 (」。
primaryMetric [必要]要優化之計量的名稱。 字串 (必要)

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_]

SweepJobOutputs

名稱 描述 值
{自定義屬性} JobOutput

SamplingAlgorithm

名稱 描述 值
samplingAlgorithmType 設定物件類型 貝 葉 斯
方格
需要隨機 ()

BayesianSamplingAlgorithm

名稱 描述 值
samplingAlgorithmType [必要]用來產生超參數值的演算法，以及組態屬性 需要 『Bayesian』 ()

GridSamplingAlgorithm

名稱 描述 值
samplingAlgorithmType [必要]用來產生超參數值的演算法，以及組態屬性 'Grid' (必要)

RandomSamplingAlgorithm

名稱 描述 值
samplingAlgorithmType [必要]用來產生超參數值的演算法，以及組態屬性 必要) 的 'Random' (
rule (規則) 隨機演算法的特定類型 'Random'
'Sobol'
seed 要作為隨機數產生種子的選擇性整數 int

TrialComponent

名稱 描述 值
codeId 程式代碼資產的 ARM 資源識別碼。 字串
命令 [必要]在作業啟動時執行的命令。 例如 “python train.py” 字串 (必要)

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

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

TrialComponentEnvironmentVariables

名稱 描述 值
{自定義屬性} 字串

CreateMonitorAction

名稱 描述 值
actionType [必要]指定排程的動作類型 'CreateMonitor' (必要)
monitorDefinition [必要]定義監視器。 需要 MonitorDefinition ()

MonitorDefinition

名稱 描述 值
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)
monitoringTarget 監視器的目標實體。 MonitoringTarget
訊號 [必要]要監視的訊號。 MonitorDefinitionSignals (必要)

MonitorNotificationSettings

名稱 描述 值
emailNotificationSettings AML 通知電子郵件設定。 MonitorEmailNotificationSettings

MonitorEmailNotificationSettings

名稱 描述 值
電子郵件 電子郵件收件者清單，總共有 499 個字元的限制。 string[]

MonitorComputeConfigurationBase

名稱 描述 值
computeType 設定物件類型 需要 ServerlessSpark ()

MonitorServerlessSparkCompute

名稱 描述 值
computeType [必要]指定要監視的訊號類型。 需要 『ServerlessSpark』 ()
computeIdentity [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)
instanceType [必要]執行 Spark 作業的實體類型。 字串 (必要)

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

約束：
最小長度 = 1
模式 = ^[0-9]+\.[0-9]+$

MonitorComputeIdentityBase

名稱 描述 值
computeIdentityType 設定物件類型 AmlToken
ManagedIdentity (必要)

AmlTokenComputeIdentity

名稱 描述 值
computeIdentityType [必要]指定要在監視作業中使用的身分識別類型。 'AmlToken' (必要)

ManagedComputeIdentity

名稱 描述 值
computeIdentityType [必要]指定要在監視作業中使用的身分識別類型。 'ManagedIdentity' (必要)
身分識別 監視作業將會利用的身分識別。 ManagedServiceIdentity

ManagedServiceIdentity

名稱 描述 值
類型 (允許 SystemAssigned 和 UserAssigned 類型的受控服務識別類型) 。 'None'
'SystemAssigned'
'SystemAssigned，UserAssigned'
'UserAssigned' (必要)
userAssignedIdentities 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

UserAssignedIdentities

名稱 描述 值
{自定義屬性} UserAssignedIdentity

UserAssignedIdentity

此物件不包含部署期間要設定的任何屬性。 所有屬性都是 ReadOnly。

MonitoringTarget

名稱 描述 值
deploymentId 此監視器的目標部署資產參考。 字串
modelId 此監視器的目標模型資產參考。 字串
taskType [必要]受監視模型的機器學習工作類型。 'Classification'
需要 「回歸」 ()

MonitorDefinitionSignals

名稱 描述 值
{自定義屬性} MonitoringSignalBase

MonitoringSignalBase

名稱 描述 值
notificationTypes 此訊號的目前通知模式。 包含任何項目的字串數組：
'AmlNotification'
properties 屬性字典。 您可以新增屬性，但無法移除或改變。 MonitoringSignalBaseProperties
signalType 設定物件類型 Custom
DataDrift
DataQuality
FeatureAttributionDrift
PredictionDrift (必要)

MonitoringSignalBaseProperties

名稱 描述 值
{自定義屬性} 字串

CustomMonitoringSignal

名稱 描述 值
signalType [必要]指定要監視的訊號類型。 需要 『Custom』 ()
componentId [必要]用來計算自定義計量之元件資產的參考。 字串 (必要)

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_]
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，值是參數值。 CustomMonitoringSignalInputs
metricThresholds [必要]要計算的計量清單及其相關聯的臨界值。 CustomMetricThreshold[] (必要)

CustomMonitoringSignalInputAssets

名稱 描述 值
{自定義屬性} MonitoringInputDataBase

MonitoringInputDataBase

名稱 描述 值
資料行 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
jobInputType [必要]指定作業的類型。 'custom_model'
'literal'
'mlflow_model'
'mltable'
'triton_model'
'uri_file'
需要 『uri_folder』 ()
uri [必要]輸入資產 URI。 需要字串 ()

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_]
inputDataType 設定物件類型 固定
輪替
需要靜態 ()

MonitoringInputDataBaseColumns

名稱 描述 值
{自定義屬性} 字串

FixedInputData

名稱 描述 值
inputDataType [必要]指定要監視的訊號類型。 必要) 'Fixed' (

RollingInputData

名稱 描述 值
inputDataType [必要]指定要監視的訊號類型。 「滾動」 (必要)
preprocessingComponentId 用來前置處理數據的元件資產參考。 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。 需要字串 ()
windowSize [必要]滾動資料視窗的大小。 需要字串 ()

StaticInputData

名稱 描述 值
inputDataType [必要]指定要監視的訊號類型。 需要 『Static』 ()
preprocessingComponentId 用來前置處理數據的元件資產參考。 字串
windowEnd [必要]數據窗口的結束日期。 需要字串 ()
windowStart [必要]數據視窗的開始日期。 需要字串 ()

CustomMonitoringSignalInputs

名稱 描述 值
{自定義屬性} JobInput

CustomMetricThreshold

名稱 描述 值
計量 [必要]要計算的使用者定義計量。 需要字串 ()

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

MonitoringThreshold

名稱 描述 值
值 臨界值。 如果為 null，則設定預設值取決於計量類型。 int

DataDriftMonitoringSignal

名稱 描述 值
signalType [必要]指定要監視的訊號類型。 需要 『DataDrift』 ()
featureDataTypeOverride 將特徵名稱對應至其個別數據類型的字典。 DataDriftMonitoringSignalFeatureDataTypeOverride
featureImportanceSettings 運算特徵重要性的設定。 FeatureImportanceSettings
特性 特徵篩選，可識別要計算漂移的特徵。 MonitoringFeatureFilterBase
metricThresholds [必要]要計算的計量清單及其相關聯的臨界值。 DataDriftMetricThresholdBase[] (必要)
productionData [必要]將計算漂移的數據。 MonitoringInputDataBase (必要)
referenceData [必要]要計算漂移的數據。 MonitoringInputDataBase (必要)

DataDriftMonitoringSignalFeatureDataTypeOverride

名稱 描述 值
{自定義屬性} 'Categorical'
'數值'

FeatureImportanceSettings

名稱 描述 值
mode 運算特徵重要性的作業模式。 'Disabled'
'Enabled'
targetColumn 輸入數據資產內的目標數據行名稱。 字串

MonitoringFeatureFilterBase

名稱 描述 值
filterType 設定物件類型 AllFeatures
FeatureSubset
TopNByAttribution (必要)

AllFeatures

名稱 描述 值
filterType [必要]指定要在選取要計算計量的功能時所要利用的功能篩選。 必要 'AllFeatures' ()

FeatureSubset

名稱 描述 值
filterType [必要]指定要在選取要計算計量的功能時所要利用的功能篩選。 需要 『FeatureSubset』 ()
特性 [必要]要包含的功能清單。 string[] (必要)

TopNFeaturesByAttribution

名稱 描述 值
filterType [必要]指定要在選取要計算計量的功能時所要利用的功能篩選。 'TopNByAttribution' (必要)
top 要包含的最上層功能數目。 int

DataDriftMetricThresholdBase

名稱 描述 值
threshold 臨界值。 如果為 null，則會根據選取的計量來設定預設值。 MonitoringThreshold
dataType 設定物件類型 類別
需要數值 ()

CategoricalDataDriftMetricThreshold

名稱 描述 值
dataType [必要]指定計量閾值的數據類型。 'Categorical' (必要)
計量 [必要]要計算的類別數據漂移計量。 'Jensen，OnDistance'
'PearsonsChiSquaredTest'
'PopulationStabilityIndex' (必要)

NumericalDataDriftMetricThreshold

名稱 描述 值
dataType [必要]指定計量閾值的數據類型。 必要) 'Numerical' (
計量 [必要]要計算的數值數據漂移計量。 'Jensen，OnDistance'
'NormalizedWasser以Distance'
'PopulationStabilityIndex'
'TwoSampleKolmogorovsmirnovTest' (必要)

DataQualityMonitoringSignal

名稱 描述 值
signalType [必要]指定要監視的訊號類型。 需要 'DataQuality' ()
featureDataTypeOverride 將特徵名稱對應至其個別數據類型的字典。 DataQualityMonitoringSignalFeatureDataTypeOverride
featureImportanceSettings 運算特徵重要性的設定。 FeatureImportanceSettings
特性 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。 DataQualityMetricThresholdBase[] (必要)
productionData [必要]生產服務所產生的數據，將會計算漂移。 MonitoringInputDataBase (必要)
referenceData [必要]要計算漂移的數據。 MonitoringInputDataBase (必要)

DataQualityMonitoringSignalFeatureDataTypeOverride

名稱 描述 值
{自定義屬性} 'Categorical'
'數值'

DataQualityMetricThresholdBase

名稱 描述 值
threshold 臨界值。 如果為 null，則會根據選取的計量來設定預設值。 MonitoringThreshold
dataType 設定物件類型 類別
需要數值 ()

CategoricalDataQualityMetricThreshold

名稱 描述 值
dataType [必要]指定計量閾值的數據類型。 'Categorical' (必要)
計量 [必要]要計算的類別數據品質計量。 'DataTypeErrorRate'
'NullValueRate'
'OutOfBoundsRate' (必要)

NumericalDataQualityMetricThreshold

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

FeatureAttributionDriftMonitoringSignal

名稱 描述 值
signalType [必要]指定要監視的訊號類型。 'FeatureAttributionDrift' (必要)
featureDataTypeOverride 將特徵名稱對應至其個別數據類型的字典。 FeatureAttributionDriftMonitoringSignalFeatureDataTy...
featureImportanceSettings [必要]運算特徵重要性的設定。 FeatureImportanceSettings (必要)
metricThreshold [必要]要計算的計量清單及其相關聯的臨界值。 FeatureAttributionMetricThreshold (必要)
productionData [必要]將計算漂移的數據。 MonitoringInputDataBase[] (必要)
referenceData [必要]要計算漂移的數據。 MonitoringInputDataBase (必要)

FeatureAttributionDriftMonitoringSignalFeatureDataTy...

名稱 描述 值
{自定義屬性} 'Categorical'
'數值'

FeatureAttributionMetricThreshold

名稱 描述 值
計量 [必要]要計算的功能屬性計量。 'NormalizedDiscountedCumulativeGain' (必要)
threshold 臨界值。 如果為 null，則會根據選取的計量來設定預設值。 MonitoringThreshold

PredictionDriftMonitoringSignal

名稱 描述 值
signalType [必要]指定要監視的訊號類型。 必要 ('PredictionDrift')
featureDataTypeOverride 將特徵名稱對應至其個別數據類型的字典。 PredictionDriftMonitoringSignalFeatureDataTypeOverri...
metricThresholds [必要]要計算的計量清單及其相關聯的臨界值。 PredictionDriftMetricThresholdBase[] 必要 ()
productionData [必要]將計算漂移的數據。 MonitoringInputDataBase (必要)
referenceData [必要]要計算漂移的數據。 MonitoringInputDataBase (必要)

PredictionDriftMonitoringSignalFeatureDataTypeOverri...

名稱 描述 值
{自定義屬性} 'Categorical'
'數值'

PredictionDriftMetricThresholdBase

名稱 描述 值
threshold 臨界值。 如果為 null，則會根據選取的計量來設定預設值。 MonitoringThreshold
dataType 設定物件類型 類別
需要數值 ()

CategoricalPredictionDriftMetricThreshold

名稱 描述 值
dataType [必要]指定計量閾值的數據類型。 'Categorical' (必要)
計量 [必要]要計算的類別預測漂移計量。 'Jensen，OnDistance'
'PearsonsChiSquaredTest'
'PopulationStabilityIndex' (必要)

NumericalPredictionDriftMetricThreshold

名稱 描述 值
dataType [必要]指定計量閾值的數據類型。 必要) 'Numerical' (
計量 [必要]要計算的數值預測漂移計量。 'Jensen，OnDistance'
'NormalizedWasser以Distance'
'PopulationStabilityIndex'
'TwoSampleKolmogorovsmirnovTest' (必要)

EndpointScheduleAction

名稱 描述 值
actionType [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。
{see href=“TBD” /}

TriggerBase

名稱 描述 值
EndTime 指定 ISO 8601 中排程的結束時間，但沒有 UTC 位移。 請參閱 https://en.wikipedia.org/wiki/ISO_8601.
重新批注的格式為 “2022-06-01T00：00：01”
如果沒有，排程將會無限期執行		 字串
startTime 指定 ISO 8601 格式的排程開始時間，但不含 UTC 位移。 字串
timeZone 指定排程執行所在的時區。
TimeZone應遵循 Windows 時區格式。 請參閱： https://docs.microsoft.com/windows-hardware/manufacture/desktop/default-time-zones />		 字串
triggerType 設定物件類型 Cron
需要週期 性 ()

CronTrigger

名稱 描述 值
triggerType [必要] 'Cron' (必要)
expression [必要]指定排程的cron運算式。
表達式應該遵循 NCronTab 格式。		 字串 (必要)

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_]

RecurrenceTrigger

名稱 描述 值
EndTime 指定 ISO 8601 中排程的結束時間，但沒有 UTC 位移。 請參閱 https://en.wikipedia.org/wiki/ISO_8601.
重新批注的格式為 “2022-06-01T00：00：01”
如果沒有，排程將會無限期執行		 字串
frequency [必要]觸發排程的頻率。 'Day'
'Hour'
'Minute'
'Month'
必要) ('Week'
interval [必要]指定排程間隔與頻率 int (必要)
schedule 週期排程。 RecurrenceSchedule
startTime 指定 ISO 8601 格式的排程開始時間，但不含 UTC 位移。 字串
timeZone 指定排程執行所在的時區。
TimeZone應遵循 Windows 時區格式。 請參閱： https://docs.microsoft.com/windows-hardware/manufacture/desktop/default-time-zones		 字串
triggerType [必要] 'Cron'
必要的「週期」 ()

RecurrenceSchedule

名稱 描述 值
小時 [必要]排程的時數清單。 int[] (必要)
分鐘 [必要]排程的分鐘數清單。 int[] (必要)
monthDays 排程的月份天數清單 int[]
weekDays 排程的天數清單。 包含任何項目的字串數組：
'Friday'
'Monday'
'Saturday'
'Sunday'
'Thursday'
'Tuesday'
'Wednesday'

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進行部署：

  • 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@2023-10-01"
  name = "string"
  parent_id = "string"
  body = jsonencode({
    properties = {
      action = {
        actionType = "string"
        // For remaining properties, see ScheduleActionBase objects
      }
      description = "string"
      displayName = "string"
      isEnabled = bool
      properties = {
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
      }
      tags = {
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
      }
      trigger = {
        endTime = "string"
        startTime = "string"
        timeZone = "string"
        triggerType = "string"
        // For remaining properties, see TriggerBase objects
      }
    }
  })
}

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
    properties = {
      {customized property} = "string"
      {customized property} = "string"
      {customized property} = "string"
      {customized property} = "string"
      {customized property} = "string"
      {customized property} = "string"
      {customized property} = "string"
      {customized property} = "string"
      {customized property} = "string"
      {customized property} = "string"
      {customized property} = "string"
      {customized property} = "string"
      {customized property} = "string"
      {customized property} = "string"
      {customized property} = "string"
      {customized property} = "string"
      {customized property} = "string"
      {customized property} = "string"
    }
    services = {
      {customized property} = {
        endpoint = "string"
        jobServiceType = "string"
        nodes = {
          nodesValueType = "string"
          // For remaining properties, see Nodes objects
        }
        port = int
        properties = {
          {customized property} = "string"
        }
      }
    }
    tags = {
      {customized property} = "string"
      {customized property} = "string"
      {customized property} = "string"
      {customized property} = "string"
      {customized property} = "string"
      {customized property} = "string"
      {customized property} = "string"
      {customized property} = "string"
      {customized property} = "string"
      {customized property} = "string"
      {customized property} = "string"
      {customized property} = "string"
      {customized property} = "string"
      {customized property} = "string"
      {customized property} = "string"
      {customized property} = "string"
      {customized property} = "string"
      {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 = "AmlNotification"
        properties = {
          {customized property} = "string"
        }
        signalType = "string"
        // For remaining properties, see MonitoringSignalBase objects
      }
    }
  }

針對 InvokeBatchEndpoint，請使用：

  actionType = "InvokeBatchEndpoint"

JobBaseProperties 物件

設定 jobType 屬性以指定物件的類型。

針對 AutoML，請使用：

  jobType = "AutoML"
  environmentId = "string"
  environmentVariables = {
    {customized property} = "string"
  }
  outputs = {
    {customized property} = {
      description = "string"
      jobOutputType = "string"
      // For remaining properties, see JobOutput objects
    }
  }
  queueSettings = {
    jobTier = "string"
  }
  resources = {
    dockerArgs = "string"
    instanceCount = int
    instanceType = "string"
    properties = {}
    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：

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

針對 管線，請使用：

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

針對 掃掠，請使用：

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

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

針對 UserIdentity，請使用：

  identityType = "UserIdentity"

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"

JobOutput 物件

設定 jobOutputType 屬性以指定對象的類型。

針對 custom_model，請使用：

  jobOutputType = "custom_model"
  mode = "string"
  uri = "string"

針對 mlflow_model，請使用：

  jobOutputType = "mlflow_model"
  mode = "string"
  uri = "string"

針對 mltable，請使用：

  jobOutputType = "mltable"
  mode = "string"
  uri = "string"

針對 triton_model，請使用：

  jobOutputType = "triton_model"
  mode = "string"
  uri = "string"

針對 uri_file，請使用：

  jobOutputType = "uri_file"
  mode = "string"
  uri = "string"

針對 uri_folder，請使用：

  jobOutputType = "uri_folder"
  mode = "string"
  uri = "string"

AutoMLVertical 物件

設定 taskType 屬性以指定物件的類型。

針對 [分類]，請使用：

  taskType = "Classification"
  cvSplitColumnNames = [
    "string"
  ]
  featurizationSettings = {
    blockedTransformers = [
      "string"
    ]
    columnNameAndTypes = {
      {customized property} = "string"
    }
    datasetLanguage = "string"
    enableDnnFeaturization = bool
    mode = "string"
    transformerParams = {
      {customized property} = [
        {
          fields = [
            "string"
          ]
        }
      ]
    }
  }
  limitSettings = {
    enableEarlyTermination = bool
    exitScore = int
    maxConcurrentTrials = int
    maxCoresPerTrial = int
    maxTrials = int
    timeout = "string"
    trialTimeout = "string"
  }
  nCrossValidations = {
    mode = "string"
    // For remaining properties, see NCrossValidations objects
  }
  positiveLabel = "string"
  primaryMetric = "string"
  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 = {
      stackMetaLearnerTrainPercentage = int
      stackMetaLearnerType = "string"
    }
  }
  validationData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    uri = "string"
  }
  validationDataSize = int
  weightColumnName = "string"

針對 預測，請使用：

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

針對 ImageClassification，請使用：

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

針對 ImageClassificationMultilabel，請使用：

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

針對 ImageInstanceSegmentation，請使用：

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

針對 ImageObjectDetection，請使用：

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

針對 回歸，請使用：

  taskType = "Regression"
  cvSplitColumnNames = [
    "string"
  ]
  featurizationSettings = {
    blockedTransformers = [
      "string"
    ]
    columnNameAndTypes = {
      {customized property} = "string"
    }
    datasetLanguage = "string"
    enableDnnFeaturization = bool
    mode = "string"
    transformerParams = {
      {customized property} = [
        {
          fields = [
            "string"
          ]
        }
      ]
    }
  }
  limitSettings = {
    enableEarlyTermination = bool
    exitScore = int
    maxConcurrentTrials = int
    maxCoresPerTrial = int
    maxTrials = int
    timeout = "string"
    trialTimeout = "string"
  }
  nCrossValidations = {
    mode = "string"
    // For remaining properties, see NCrossValidations objects
  }
  primaryMetric = "string"
  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 = {
      stackMetaLearnerTrainPercentage = int
      stackMetaLearnerType = "string"
    }
  }
  validationData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    uri = "string"
  }
  validationDataSize = int
  weightColumnName = "string"

針對 TextClassification，請使用：

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

針對 TextClassificationMultilabel，請使用：

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

針對 TextNER，請使用：

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

NCrossValidations 物件

設定 mode 屬性以指定物件的類型。

針對 [自動]，請使用：

  mode = "Auto"

針對 [自定義]，請使用：

  mode = "Custom"
  value = int

ForecastHorizon 物件

設定 mode 屬性以指定物件的類型。

針對 [自動]，請使用：

  mode = "Auto"

針對 [自定義]，請使用：

  mode = "Custom"
  value = int

季節性物件

設定 mode 屬性以指定物件的類型。

針對 [自動]，請使用：

  mode = "Auto"

針對 [自定義]，請使用：

  mode = "Custom"
  value = int

TargetLags 物件

設定 mode 屬性以指定物件的類型。

針對 [自動]，請使用：

  mode = "Auto"

針對 [自定義]，請使用：

  mode = "Custom"
  values = [
    int
  ]

TargetRollingWindowSize 物件

設定 mode 屬性以指定物件的類型。

針對 [自動]，請使用：

  mode = "Auto"

針對 [自定義]，請使用：

  mode = "Custom"
  value = int

EarlyTerminationPolicy 物件

設定 policyType 屬性以指定物件的類型。

針對 Bandit，請使用：

  policyType = "Bandit"
  slackAmount = int
  slackFactor = int

針對 MedianStopping，請使用：

  policyType = "MedianStopping"

針對 TruncationSelection，請使用：

  policyType = "TruncationSelection"
  truncationPercentage = int

DistributionConfiguration 物件

設定 distributionType 屬性以指定物件的類型。

針對 Mpi，請使用：

  distributionType = "Mpi"
  processCountPerInstance = int

針對 PyTorch，請使用：

  distributionType = "PyTorch"
  processCountPerInstance = int

針對 TensorFlow，請使用：

  distributionType = "TensorFlow"
  parameterServerCount = int
  workerCount = int

JobInput 物件

設定 jobInputType 屬性以指定物件的類型。

針對 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"

SamplingAlgorithm 物件

設定 samplingAlgorithmType 屬性以指定物件的類型。

針對 貝氏，請使用：

  samplingAlgorithmType = "Bayesian"

針對 Grid，請使用：

  samplingAlgorithmType = "Grid"

針對 [隨機]，請使用：

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

MonitorComputeConfigurationBase 物件

設定 computeType 屬性以指定物件的類型。

針對 ServerlessSpark，請使用：

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

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"
    identity_ids = []
  }

MonitoringSignalBase 物件

設定 signalType 屬性以指定物件的類型。

針對 [自定義]，請使用：

  signalType = "Custom"
  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
      }
    }
  ]

針對 DataDrift，請使用：

  signalType = "DataDrift"
  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
  }

針對 DataQuality，請使用：

  signalType = "DataQuality"
  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
  }

針對 FeatureAttributionDrift，請使用：

  signalType = "FeatureAttributionDrift"
  featureDataTypeOverride = {
    {customized property} = "string"
  }
  featureImportanceSettings = {
    mode = "string"
    targetColumn = "string"
  }
  metricThreshold = {
    metric = "NormalizedDiscountedCumulativeGain"
    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
  }

針對 PredictionDrift，請使用：

  signalType = "PredictionDrift"
  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
  }

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 靜態，請使用：

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

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：

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

針對 TopNByAttribution，請使用：

  filterType = "TopNByAttribution"
  top = int

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"

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"

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"

TriggerBase 物件

設定 triggerType 屬性以指定物件的類型。

針對 Cron，請使用：

  triggerType = "Cron"
  expression = "string"

針對 [週期]，請使用：

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

屬性值

workspaces/schedules

名稱 描述 值
類型 資源類型 “Microsoft.MachineLearningServices/workspaces/schedules@2023-10-01”
NAME 資源名稱 字串 (必要)
parent_id 此資源之父系的資源標識碼。 類型資源的標識碼： 工作區
properties [必要]實體的其他屬性。 ScheduleProperties (必要)

ScheduleProperties

名稱 描述 值
動作 [必要]指定排程的動作 ScheduleActionBase (必要)
description 資產描述文字。 字串
displayName 排程的顯示名稱。 字串
isEnabled 是否已啟用排程？ bool
properties 資產屬性字典。 ResourceBaseProperties
tags 標記字典。 標記可以新增、移除和更新。 物件 (object)
觸發程序 (trigger) [必要]指定觸發程式詳細數據 TriggerBase (必要)

ScheduleActionBase

名稱 描述 值
actionType 設定物件類型 CreateJob
CreateMonitor
InvokeBatchEndpoint (必要)

JobScheduleAction

名稱 描述 值
actionType [必要]指定排程的動作類型 必要) “CreateJob” (
jobDefinition [必要]定義排程動作定義詳細數據。 JobBaseProperties (必要)

JobBaseProperties

名稱 描述 值
componentId 元件資源的 ARM 資源識別碼。 字串
computeId 計算資源的 ARM 資源識別碼。 字串
description 資產描述文字。 字串
displayName 工作的顯示名稱。 字串
experimentName 作業所屬的實驗名稱。 如果未設定，作業會放在「預設」實驗中。 字串
身分識別 身分識別設定。 如果設定，這應該是 AmlToken、ManagedIdentity、UserIdentity 或 null 的其中一個。
如果為 null，則預設為 AmlToken。		 IdentityConfiguration
isArchived 資產是否已封存？ bool
properties 資產屬性字典。 ResourceBaseProperties
服務 JobEndpoints 的清單。
針對本機作業，作業端點會有 FileStreamObject 的端點值。		 JobBaseServices
tags 標記字典。 標記可以新增、移除和更新。 物件 (object)
jobType 設定物件類型 AutoML
命令
管線
需要掃掠 ()

IdentityConfiguration

名稱 描述 值
identityType 設定物件類型 AMLToken
受控
必要) 的 UserIdentity (

AmlToken

名稱 描述 值
identityType [必要]指定身分識別架構的類型。 “AMLToken” (必要)

ManagedIdentity

名稱 描述 值
identityType [必要]指定身分識別架構的類型。 「受控」 (必要)
clientId 依用戶端識別元指定使用者指派的身分識別。 針對系統指派，請勿設定此欄位。 字串

約束：
最小長度 = 36
最大長度 = 36
模式 = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
objectId 依物件識別元指定使用者指派的身分識別。 針對系統指派，請勿設定此欄位。 字串

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

UserIdentity

名稱 描述 值
identityType [必要]指定身分識別架構的類型。 必要) “UserIdentity” (

ResourceBaseProperties

名稱 描述 值
{自定義屬性} 字串
{自定義屬性} 字串
{自定義屬性} 字串
{自定義屬性} 字串
{自定義屬性} 字串
{自定義屬性} 字串
{自定義屬性} 字串
{自定義屬性} 字串
{自定義屬性} 字串
{自定義屬性} 字串
{自定義屬性} 字串
{自定義屬性} 字串
{自定義屬性} 字串
{自定義屬性} 字串
{自定義屬性} 字串
{自定義屬性} 字串
{自定義屬性} 字串
{自定義屬性} 字串

JobBaseServices

名稱 描述 值
{自定義屬性} JobService

JobService

名稱 描述 值
端點 端點的 URL。 字串
jobServiceType 端點類型。 字串
nodes 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
連接埠 端點的埠。 int
properties 在端點上設定的其他屬性。 JobServiceProperties

節點

名稱 描述 值
nodesValueType 設定物件類型 所有 必要 ()

AllNodes

名稱 描述 值
nodesValueType [必要]Nodes 值的型別 “All” (必要)

JobServiceProperties

名稱 描述 值
{自定義屬性} 字串

AutoMLJob

名稱 描述 值
jobType [必要]指定作業的類型。 “AutoML” (必要)
environmentId 作業之環境規格的 ARM 資源識別碼。
這是選擇性的值，如果未提供，AutoML 會在執行作業時預設為生產 AutoML 策展環境版本。		 字串
environmentVariables 作業中包含的環境變數。 AutoMLJobEnvironmentVariables
outputs 對應作業中使用的輸出數據系結。 AutoMLJobOutputs
queueSettings 作業的佇列設定 QueueSettings
resources 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 需要 AutoMLVertical ()

AutoMLJobEnvironmentVariables

名稱 描述 值
{自定義屬性} 字串

AutoMLJobOutputs

名稱 描述 值
{自定義屬性} JobOutput

JobOutput

名稱 描述 值
description 輸出的描述。 字串
jobOutputType 設定物件類型 custom_model
mlflow_model
mltable
triton_model
uri_file
必要 ) uri_folder (

CustomModelJobOutput

名稱 描述 值
jobOutputType [必要]指定作業的類型。 “custom_model” (必要)
mode 輸出資產傳遞模式。 “ReadWriteMount”
“Upload”
uri 輸出資產 URI。 字串

MLFlowModelJobOutput

名稱 描述 值
jobOutputType [必要]指定作業的類型。 必要) (“mlflow_model”
mode 輸出資產傳遞模式。 “ReadWriteMount”
“Upload”
uri 輸出資產 URI。 字串

MLTableJobOutput

名稱 描述 值
jobOutputType [必要]指定作業的類型。 “mltable” (必要)
mode 輸出資產傳遞模式。 “ReadWriteMount”
“Upload”
uri 輸出資產 URI。 字串

TritonModelJobOutput

名稱 描述 值
jobOutputType [必要]指定作業的類型。 必要) (“triton_model”
mode 輸出資產傳遞模式。 “ReadWriteMount”
“Upload”
uri 輸出資產 URI。 字串

UriFileJobOutput

名稱 描述 值
jobOutputType [必要]指定作業的類型。 必要) (“uri_file”
mode 輸出資產傳遞模式。 “ReadWriteMount”
“Upload”
uri 輸出資產 URI。 字串

UriFolderJobOutput

名稱 描述 值
jobOutputType [必要]指定作業的類型。 “uri_folder” (必要)
mode 輸出資產傳遞模式。 “ReadWriteMount”
“上傳”
uri 輸出資產 URI。 字串

QueueSettings

名稱 描述 值
jobTier 控制計算作業層 "Basic"
“Null”
“Premium”
“Spot”
“標準”

JobResourceConfiguration

名稱 描述 值
dockerArgs 要傳遞至 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
instanceCount 計算目標所使用的選用執行個體或節點數目。 int
instanceType 計算目標所支持的選擇性 VM 類型。 字串
properties 其他屬性包。 ResourceConfigurationProperties
shmSize Docker 容器的共用記憶體區塊大小。 這應該是 (數位) (單位) 格式，其中數位大於 0，而單位可以是 b (位元組) 、k (KB) 、m (MB) 或 g (GB) 。 字串

約束：
模式 = \d+[bBkKmMgG]

ResourceConfigurationProperties

名稱 描述 值
{自定義屬性}
{自定義屬性}

AutoMLVertical

名稱 描述 值
logVerbosity 作業的記錄詳細資訊。 “Critical”
“Debug”
“錯誤”
“Info”
“NotSet”
「警告」
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
trainingData [必要]定型數據輸入。 MLTableJobInput (必要)
taskType 設定物件類型 分類
預測
ImageClassification
ImageClassificationMultilabel
ImageInstanceSegmentation
ImageObjectDetection
迴歸
TextClassification
TextClassificationMultilabel
需要 TextNER ()

MLTableJobInput

名稱 描述 值
description 輸入的描述。 字串
jobInputType [必要]指定作業的類型。 “custom_model”
“literal”
“mlflow_model”
“mltable”
“triton_model”
“uri_file”
“uri_folder” (必要)
mode 輸入資產傳遞模式。 “Direct”
“下載”
“EvalDownload”
“EvalMount”
“ReadOnlyMount”
“ReadWriteMount”
uri [必要]輸入資產 URI。 字串 (必要)

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_]

分類

名稱 描述 值
taskType [必要]AutoMLJob 的工作類型。 「分類」 (必要)
cvSplitColumnNames 要用於 CVSplit 資料的數據行。 string[]
featurizationSettings AutoML 作業所需的特徵化輸入。 TableVerticalFeaturizationSettings
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。		 NCrossValidations
positiveLabel 二進位計量計算的正標籤。 字串
primaryMetric 工作的主要計量。 “AUCWeighted”
「精確度」
“AveragePrecisionScoreWeighted”
“NormMacroRecall”
“PrecisionScoreWeighted”
testData 測試數據輸入。 MLTableJobInput
testDataSize 必須針對驗證目的將測試數據集的分數放在一起。
介於 (0.0 、1.0) 之間的值
未提供驗證數據集時套用。		 int
trainingSettings AutoML 作業定型階段的輸入。 ClassificationTrainingSettings
validationData 驗證數據輸入。 MLTableJobInput
validationDataSize 必須針對驗證目的將定型數據集的分數。
介於 (0.0 、1.0) 之間的值
未提供驗證數據集時套用。		 int
weightColumnName 範例加權數據行的名稱。 自動化 ML 支援加權數據行做為輸入，導致數據中的數據列向上或向下加權。 字串

TableVerticalFeaturizationSettings

名稱 描述 值
blockedTransformers 這些轉換器不得用於特徵化。 包含任何項目的字串數組：
“CatTargetEncoder”
“CountVectorizer”
“HashOneHotEncoder”
“LabelEncoder”
“NaiveBaes”
“OneHotEncoder”
“TextTargetEncoder”
“TfIdf”
“WoETargetEncoder”
“WordEmbedding”
columnNameAndTypes 數據行名稱的字典及其類型 (int、float、string、datetime 等) 。 TableVerticalFeaturizationSettingsColumnNameAndTypes
datasetLanguage 數據集語言，適用於文字數據。 字串
enableDnnFeaturization 判斷是否要使用 Dnn 型特徵化程式進行數據特徵化。 bool
mode 特徵化模式 - 使用者可以保留預設的「自動」模式，而 AutoML 會負責在特徵化階段中轉換數據的必要轉換。
如果選取 [關閉]，則不會完成特徵化。
如果選取 [自定義]，則使用者可以指定其他輸入，以自定義特徵化完成的方式。		 “Auto”
"Custom"
“Off”
transformerParams 使用者可以指定其他要用於的轉換器，以及要套用它的數據行，以及轉換程式建構函式的參數。 TableVerticalFeaturizationSettingsTransformerParams

TableVerticalFeaturizationSettingsColumnNameAndTypes

名稱 描述 值
{自定義屬性} 字串

TableVerticalFeaturizationSettingsTransformerParams

名稱 描述 值
{自定義屬性} ColumnTransformer[]

ColumnTransformer

名稱 描述 值
fields 要套用轉換器邏輯的欄位。 string[]
參數 要傳遞至轉換器的不同屬性。
輸入必須是 JSON 格式的索引鍵、值組字典。

TableVerticalLimitSettings

名稱 描述 值
enableEarlyTermination 啟用早期終止，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。 bool
exitScore AutoML 作業的結束分數。 int
maxConcurrentTrials 並行反覆專案上限。 int
maxCoresPerTrial 每個反覆專案的核心數目上限。 int
maxTrials 反覆運算次數。 int
timeout AutoML 作業逾時。 字串
trialTimeout 反覆專案逾時。 字串

NCrossValidations

名稱 描述 值
mode 設定物件類型 Auto
自訂 (必要)

AutoNCrossValidations

名稱 描述 值
mode [必要]判斷 N-Cross 驗證的模式。 必要) 「自動」 (

CustomNCrossValidations

名稱 描述 值
mode [必要]判斷 N-Cross 驗證的模式。 「自定義」 (必要)
值 [必要]N-Cross 驗證值。 int (必要)

ClassificationTrainingSettings

名稱 描述 值
allowedTrainingAlgorithms 允許分類工作的模型。 包含任何項目的字串數組：
“BernoulliNaiveBaes”
“DecisionTree”
“ExtremeRandomTrees”
“GradientBoosting”
“KNN”
“LightGBM”
“LinearSVM”
“LogisticRegression”
“MultinomialNaiveBaes”
“RandomForest”
“SGD”
“SVM”
“XGBoostClassifier”
blockedTrainingAlgorithms 分類工作的封鎖模型。 包含任何項目的字串數組：
“BernoulliNaiveBaes”
“DecisionTree”
“ExtremeRandomTrees”
“GradientBoosting”
“KNN”
“LightGBM”
“LinearSVM”
“LogisticRegression”
“MultinomialNaiveBayes”
“RandomForest”
“SGD”
“SVM”
“XGBoostClassifier”
enableDnnTraining 啟用 DNN 模型的建議。 bool
enableModelExplainability 在最佳模型上開啟可解釋性的旗標。 bool
enableOnnxCompatibleModels 啟用 onnx 相容模型的旗標。 bool
enableStackEnsemble 啟用堆疊Ensemble 執行。 bool
enableVoteEnsemble 啟用投票Ensemble 執行。 bool
ensembleModelDownloadTimeout 在 VotingEnsemble 和 StackEnsemble 模型產生期間，會下載先前子回合中的多個配適模型。
如果需要更多時間，請將此參數設定為高於 300 秒的值。		 字串
stackEnsembleSettings 堆疊Ensemble 執行的堆疊Ensemble 設定。 StackEnsembleSettings

StackEnsembleSettings

名稱 描述 值
stackMetaLearnerKWargs 要傳遞至中繼學習模組初始化表達式的選擇性參數。
stackMetaLearnerTrainPercentage 指定在選擇訓練和驗證類型的訓練) 保留給訓練中繼學習工具時，訓練集 (的比例。 預設值為 0.2。 int
stackMetaLearnerType 中繼學習模組是針對個別異質模型的輸出定型的模型。 “ElasticNet”
“ElasticNetCV”
“LightGBMClassifier”
“LightGBMRegressor”
“LinearRegression”
“LogisticRegression”
“LogisticRegressionCV”
"None"

預測

名稱 描述 值
taskType [必要]AutoMLJob 的工作類型。 「預測」 (必要)
cvSplitColumnNames 要用於 CVSplit 資料的數據行。 string[]
featurizationSettings AutoML 作業所需的特徵化輸入。 TableVerticalFeaturizationSettings
forecastingSettings 預測工作特定輸入。 ForecastingSettings
limitSettings AutoMLJob 的執行條件約束。 TableVerticalLimitSettings
nCrossValidations 要套用至定型數據集的交叉驗證折疊數目
未提供驗證數據集時。		 NCrossValidations
primaryMetric 預測工作的主要計量。 “NormalizedMeanAbsoluteError”
“NormalizedRootMeanSquaredError”
“R2Score”
“SpearmanCorrelation”
testData 測試數據輸入。 MLTableJobInput
testDataSize 測試數據集的分數，必須保留以供驗證之用。
(0.0 、1.0) 之間的值
未提供驗證數據集時套用。		 int
trainingSettings AutoML 作業定型階段的輸入。 ForecastingTrainingSettings
validationData 驗證數據輸入。 MLTableJobInput
validationDataSize 需要為驗證目的保留的定型數據集分數。
(0.0 、1.0) 之間的值
未提供驗證數據集時套用。		 int
weightColumnName 範例加權數據行的名稱。 自動化 ML 支援加權數據行做為輸入，導致數據中的數據列向上或向下加權。 字串

ForecastingSettings

名稱 描述 值
countryOrRegionForHolidays 用於預測工作的假日國家或地區。
這些應該是 ISO 3166 兩個字母的國家/地區代碼，例如 'US' 或 'GB'。		 字串
cvStepSize 一個 CV 折疊的原點時間與下一個折疊之間的期間數。 For
例如，如果 CVStepSize = 3 表示每日數據，則每個折疊的原點時間將會是
三天分開。		 int
featureLags 針對具有 『auto』 或 null 之數值特徵產生延遲的旗標。 “Auto”
"None"
forecastHorizon 所需的最大預測範圍，以時間序列頻率單位為單位。 ForecastHorizon
frequency 預測時，此參數代表預期預測的期間，例如每日、每周、每年等。預測頻率預設為數據集頻率。 字串
季節性 將時間序列季節性設定為數列頻率的整數倍數。
如果季節性設定為 『auto』，則會推斷它。		 季節性
shortSeriesHandlingConfig 參數，定義 AutoML 是否應該處理簡短的時間序列。 “Auto”
“Drop”
"None"
“Pad”
targetAggregateFunction 用來匯總時間序列目標數據行以符合使用者指定頻率的函式。
如果 TargetAggregateFunction 設定為不是 『None』，但未設定 freq 參數，就會引發錯誤。 可能的目標匯總函數包括：「sum」、“ max”		 “Max”
“Mean”
“Min”
"None"
“Sum”
targetLags 要從目標數據行延遲的過去期間數。 TargetLags
targetRollingWindowSize 過去期間數，用來建立目標數據行的滾動視窗平均值。 TargetRollingWindowSize
timeColumnName 時間數據行的名稱。 當預測指定用於建置時間序列並推斷其頻率的輸入數據中的 datetime 數據行時，需要此參數。 字串
timeSeriesIdColumnNames 用來分組時間範圍的數據行名稱。 它可以用來建立多個數列。
如果未定義粒紋，則會假設資料集為一個時間序列。 此參數會與工作類型預測搭配使用。		 string[]
useStl 設定時間序列目標數據行的 STL 分解。 "None"
「季」
“SeasonTrend”

ForecastHorizon

名稱 描述 值
mode 設定物件類型 Auto
自訂 (必要)

AutoForecastHorizon

名稱 描述 值
mode [必要]設定預測水準值選取模式。 必要) 「自動」 (

CustomForecastHorizon

名稱 描述 值
mode [必要]設定預測水準值選取模式。 「自定義」 (必要)
值 [必要]預測水準值。 int (必要)

季節性

名稱 描述 值
mode 設定物件類型 Auto
自訂 (必要)

AutoSeasonality

名稱 描述 值
mode [必要]季節性模式。 必要) 「自動」 (

CustomSeasonality

名稱 描述 值
mode [必要]季節性模式。 「自定義」 (必要)
值 [必要]季節性值。 int (必要)

TargetLags

名稱 描述 值
mode 設定物件類型 Auto
自訂 (必要)

AutoTargetLags

名稱 描述 值
mode [必要]設定目標延遲模式 - 自動/自定義 必要) 「自動」 (

CustomTargetLags

名稱 描述 值
mode [必要]設定目標延遲模式 - 自動/自定義 「自定義」 (必要)
值 [必要]設定目標延遲值。 int[] (必要)

TargetRollingWindowSize

名稱 描述 值
mode 設定物件類型 Auto
自訂 (必要)

AutoTargetRollingWindowSize

名稱 描述 值
mode [必要]TargetRollingWindowSiz 偵測模式。 必要) 「自動」 (

CustomTargetRollingWindowSize

名稱 描述 值
mode [必要]TargetRollingWindowSiz 偵測模式。 「自定義」 (必要)
值 [必要]TargetRollingWindowSize 值。 int (必要)

ForecastingTrainingSettings

名稱 描述 值
allowedTrainingAlgorithms 預測工作的允許模型。 包含任何項目的字串數組：
“Arimax”
“AutoArima”
“Average”
“DecisionTree”
“ElasticNet”
“ExponentialSmoothing”
“ExtremeRandomTrees”
“GradientBoosting”
“KNN”
“LassoLars”
“LightGBM”
“Naive”
“撷拉”
“RandomForest”
“SGD”
“SeasonalAverage”
“SeasonalNaive”
“TCNForecaster”
“XGBoostRegressor”
blockedTrainingAlgorithms 預測工作的封鎖模型。 包含任何項目的字串數組：
“Arimax”
“AutoArima”
“Average”
“DecisionTree”
“ElasticNet”
“ExponentialSmoothing”
“ExtremeRandomTrees”
“GradientBoosting”
“KNN”
“LassoLars”
“LightGBM”
“Naive”
“聯機”
“RandomForest”
“SGD”
“SeasonalAverage”
“SeasonalNaive”
“TCNForecaster”
“XGBoostRegressor”
enableDnnTraining 啟用 DNN 模型的建議。 bool
enableModelExplainability 在最佳模型上開啟可解釋性的旗標。 bool
enableOnnxCompatibleModels 啟用 onnx 相容模型的旗標。 bool
enableStackEnsemble 啟用堆疊Ensemble 執行。 bool
enableVoteEnsemble 啟用投票Ensemble 執行。 bool
ensembleModelDownloadTimeout 在 VotingEnsemble 和 StackEnsemble 模型產生期間，會下載先前子回合中的多個配適模型。
如果需要更多時間，請將此參數設定為高於 300 秒的值。		 字串
stackEnsembleSettings 堆疊Ensemble 執行的堆疊Ensemble 設定。 StackEnsembleSettings

ImageClassification

名稱 描述 值
taskType [必要]AutoMLJob 的工作類型。 “ImageClassification” (必要)
limitSettings [必要]限制 AutoML 作業的設定。 ImageLimitSettings (必要)
modelSettings 用於定型模型的設定。 ImageModelSettingsClassification
primaryMetric 要針對這項工作優化的主要計量。 “AUCWeighted”
“精確度”
“AveragePrecisionScoreWeighted”
“NormMacroRecall”
“PrecisionScoreWeighted”
searchSpace 搜尋空間，以取樣模型及其超參數的不同組合。 ImageModelDistributionSettingsClassification[]
sweepSettings 模型掃掠和超參數掃掠相關設定。 ImageSweepSettings
validationData 驗證數據輸入。 MLTableJobInput
validationDataSize 需要為驗證目的保留的定型數據集分數。
(0.0 、1.0) 之間的值
未提供驗證數據集時套用。
 int

ImageLimitSettings

名稱 描述 值
maxConcurrentTrials 並行 AutoML 反覆項目的數目上限。 int
maxTrials AutoML 反覆項目的數目上限。 int
timeout AutoML 作業逾時。 字串

ImageModelSettingsClassification

名稱 描述 值
advancedSettings 進階案例的設定。 字串
amsGradient 當優化器為 『adam』 或 'adamw' 時啟用AMSGrad。 bool
擴增 使用擴增的設定。 字串
beta1 當優化器為 'adam' 或 'adamw' 時，'beta1' 的值。 必須是範圍 [0, 1] 內的浮點數。 int
beta2 當優化器為 'adam' 或 'adamw' 時，'beta2' 的值。 必須是範圍 [0, 1] 內的浮點數。 int
checkpointFrequency 儲存模型檢查點的頻率。 必須是正整數。 int
checkpointModel 累加式定型的預先定型檢查點模型。 MLFlowModelJobInput
checkpointRunId 先前執行之標識碼，其具有累加式定型的預先定型檢查點。 字串
分散式 是否要使用分散式定型。 bool
earlyStopping 在定型期間啟用提早停止邏輯。 bool
earlyStoppingDelay 在主要計量改進之前等待的最小 Epoch 或驗證評估數目
會追蹤提早停止。 必須是正整數。		 int
earlyStoppingPatience 在之前沒有主要計量改善的最小 Epoch 或驗證評估數目
執行已停止。 必須是正整數。		 int
enableOnnxNormalization 匯出 ONNX 模型時啟用正規化。 bool
evaluationFrequency 評估驗證資料集以取得計量分數的頻率。 必須是正整數。 int
gradientAccumulationStep 漸層累積表示執行未設定數目的 「GradAccumulationStep」 步驟
更新模型權數，同時累積這些步驟的漸層，然後使用
用來計算權數更新的累積漸層。 必須是正整數。		 int
layersToFreeze 要凍結模型的層數。 必須是正整數。
例如，傳遞 2 作為 'seresnext' 值表示
凍結 layer0 和 layer1。 如需所支援模型的完整清單，以及圖層凍結的詳細數據，請
看到： https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.		 int
learningRate 初始學習速率。 必須是範圍 [0, 1] 內的浮點數。 int
learningRateScheduler 學習率排程器的類型。 必須是 『warmup_cosine』 或 'step'。 "None"
“步驟”
“WarmupCosine”
modelName 要用於定型的模型名稱。
如需可用模型的詳細資訊，請造訪官方檔：
https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.		 字串
動量 優化工具為 『sgd』 時的動向值。 必須是範圍 [0, 1] 內的浮點數。 int
nesterov 當優化器為 『sgd』 時啟用 nesterov。 bool
numberOfEpochs 定型 Epoch 的數目。 必須是正整數。 int
numberOfWorkers 數據載入器背景工作角色的數目。 必須是非負整數。 int
optimizer 最佳化工具的類型。 “Adam”
“Adamw”
"None"
“Sgd”
randomSeed 使用決定性定型時要使用的隨機種子。 int
stepLRGamma 當學習速率排程器為 『step』 時，gamma 的值。 必須是範圍 [0, 1] 內的浮點數。 int
stepLRStepSize 當學習速率排程器為 『step』 時，步驟大小的值。 必須是正整數。 int
trainingBatchSize 定型批次大小。 必須是正整數。 int
trainingCropSize 影像裁剪大小，為定型數據集輸入類神經網路。 必須是正整數。 int
validationBatchSize 驗證批次大小。 必須是正整數。 int
validationCropSize 影像裁剪大小，這是驗證數據集之類神經網路的輸入。 必須是正整數。 int
validationResizeSize 在針對驗證資料集進行裁切之前，要調整大小的影像大小。 必須是正整數。 int
warmupCosineLRCycles 學習速率排程器為「warmup_cosine」時的餘弦週期值。 必須是範圍 [0, 1] 內的浮點數。 int
warmupCosineLRWarmupEpochs 當學習速率排程器為 『warmup_cosine』 時，暖 Epoch 的值。 必須是正整數。 int
weightDecay 當優化器為 'sgd'、'adam' 或 'adamw' 時，加權衰減的值。 必須是 range[0， 1] 中的浮點數。 int
weightedLoss 加權損失。 接受的值為 0，不會遺失加權。
1 用於 sqrt. (class_weights) 的加權損失。 2 表示具有 class_weights 的加權遺失。 必須是 0 或是 1 或 2。
 int

MLFlowModelJobInput

名稱 描述 值
description 輸入的描述。 字串
jobInputType [必要]指定作業的類型。 “custom_model”
“literal”
“mlflow_model”
“mltable”
“triton_model”
“uri_file”
“uri_folder” (必要)
mode 輸入資產傳遞模式。 “Direct”
“下載”
“EvalDownload”
“EvalMount”
“ReadOnlyMount”
“ReadWriteMount”
uri [必要]輸入資產 URI。 需要字串 ()

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_]

ImageModelDistributionSettingsClassification

名稱 描述 值
amsGradient 當優化器為 『adam』 或 'adamw' 時啟用AMSGrad。 字串
擴增 使用擴增的設定。 字串
beta1 當優化器為 'adam' 或 'adamw' 時，'beta1' 的值。 必須是範圍 [0, 1] 內的浮點數。 字串
beta2 當優化器為 'adam' 或 'adamw' 時，'beta2' 的值。 必須是範圍 [0, 1] 內的浮點數。 字串
分散式 是否要使用散發器定型。 字串
earlyStopping 在定型期間啟用提早停止邏輯。 字串
earlyStoppingDelay 在主要計量改進之前等待的最小 Epoch 或驗證評估數目
會追蹤提早停止。 必須是正整數。		 字串
earlyStoppingPatience 在之前沒有主要計量改善的最小 Epoch 或驗證評估數目
執行已停止。 必須是正整數。		 字串
enableOnnxNormalization 匯出 ONNX 模型時啟用正規化。 字串
evaluationFrequency 評估驗證資料集以取得計量分數的頻率。 必須是正整數。 字串
gradientAccumulationStep 漸層累積表示在沒有的情況下執行已設定數目的 「GradAccumulationStep」 步驟
更新模型權數，同時累積這些步驟的漸層，然後使用
用來計算權數更新的累積漸層。 必須是正整數。		 字串
layersToFreeze 要凍結模型的圖層數目。 必須是正整數。
例如，傳遞 2 做為 'seresnext' 值表示
凍結第0層和第1層。 如需支援模型的完整清單，以及圖層凍結的詳細數據，請
看到： https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.		 字串
learningRate 初始學習速率。 必須是範圍 [0, 1] 內的浮點數。 字串
learningRateScheduler 學習率排程器的類型。 必須是 『warmup_cosine』 或 'step'。 字串
modelName 要用於定型的模型名稱。
如需可用模型的詳細資訊，請流覽官方檔：
https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.		 字串
動量 優化工具為 『sgd』 時的時刻值。 必須是範圍 [0, 1] 內的浮點數。 字串
nesterov 當優化器為 'sgd' 時，請啟用 nesterov。 字串
numberOfEpochs 定型 Epoch 的數目。 必須是正整數。 字串
numberOfWorkers 數據載入器背景工作角色的數目。 必須是非負整數。 字串
optimizer 最佳化工具的類型。 必須是 『sgd』、『adam』或 『adamw』。 字串
randomSeed 使用決定性定型時要使用的隨機種子。 字串
stepLRGamma 當學習速率排程器為 『step』 時，gamma 的值。 必須是範圍 [0, 1] 內的浮點數。 字串
stepLRStepSize 當學習速率排程器為 『step』 時，步驟大小的值。 必須是正整數。 字串
trainingBatchSize 定型批次大小。 必須是正整數。 字串
trainingCropSize 影像裁剪大小，為定型數據集的類神經網路輸入。 必須是正整數。 字串
validationBatchSize 驗證批次大小。 必須是正整數。 字串
validationCropSize 輸入至驗證數據集之類神經網路的影像裁剪大小。 必須是正整數。 字串
validationResizeSize 在針對驗證資料集進行裁切之前，要調整大小的影像大小。 必須是正整數。 字串
warmupCosineLRCycles 當學習速率排程器為 『warmup_cosine』 時，餘弦迴圈的值。 必須是範圍 [0, 1] 內的浮點數。 字串
warmupCosineLRWarmupEpochs 當學習速率排程器為 『warmup_cosine』時，熱身 Epoch 的值。 必須是正整數。 字串
weightDecay 優化器為 'sgd'、'adam' 或 'adamw' 時的權數衰減值。 必須是範圍[0， 1] 中的浮點數。 字串
weightedLoss 加權損失。 接受的值是 0，不會遺失加權。
1 用於 sqrt. (class_weights) 加權損失。 2 表示具有 class_weights 的加權遺失。 必須是 0 或是 1 或 2。
 字串

ImageSweepSettings

名稱 描述 值
earlyTermination 早期終止原則的類型。 EarlyTerminationPolicy
samplingAlgorithm [必要]超參數取樣演算法的類型。 “Bayesian”
“Grid”
“Random” (必要)

EarlyTerminationPolicy

名稱 描述 值
delayEvaluation 延遲第一次評估的間隔數目。 int
evaluationInterval 原則評估之間) 執行的間隔 (數目。 int
policyType 設定物件類型 Bandit
MedianStopping
截斷選取 必要 ()

BanditPolicy

名稱 描述 值
policyType [必要]原則設定的名稱 “Bandit” (必要)
slackAmount 最佳執行所允許的絕對距離。 int
slackFactor 允許與最佳執行距離的比例。 int

MedianStoppingPolicy

名稱 描述 值
policyType [必要]原則設定的名稱 “MedianStopping” (必要)

TruncationSelectionPolicy

名稱 描述 值
policyType [必要]原則設定的名稱 “TruncationSelection” (必要)
truncationPercentage 要在每個評估間隔取消的執行百分比。 int

ImageClassificationMultilabel

名稱 描述 值
taskType [必要]AutoMLJob 的工作類型。 “ImageClassificationMultilabel” (必要)
limitSettings [必要]限制 AutoML 作業的設定。 ImageLimitSettings (必要)
modelSettings 用於定型模型的設定。 ImageModelSettingsClassification
primaryMetric 要針對這項工作優化的主要計量。 “AUCWeighted”
“精確度”
“AveragePrecisionScoreWeighted”
“IOU”
“NormMacroRecall”
“PrecisionScoreWeighted”
searchSpace 搜尋空間，以取樣模型及其超參數的不同組合。 ImageModelDistributionSettingsClassification[]
sweepSettings 模型掃掠和超參數掃掠相關設定。 ImageSweepSettings
validationData 驗證數據輸入。 MLTableJobInput
validationDataSize 需要為驗證目的保留的定型數據集分數。
(0.0 、1.0) 之間的值
未提供驗證數據集時套用。
 int

ImageInstanceSegmentation

名稱 描述 值
taskType [必要]AutoMLJob 的工作類型。 “ImageInstanceSegmentation” (必要)
limitSettings [必要]限制 AutoML 作業的設定。 ImageLimitSettings (必要)
modelSettings 用於定型模型的設定。 ImageModelSettingsObjectDetection
primaryMetric 要針對這項工作優化的主要計量。 “MeanAveragePrecision”
searchSpace 搜尋空間，以取樣模型及其超參數的不同組合。 ImageModelDistributionSettingsObjectDetection[]
sweepSettings 模型掃掠和超參數掃掠相關設定。 ImageSweepSettings
validationData 驗證數據輸入。 MLTableJobInput
validationDataSize 必須針對驗證目的將定型數據集的分數。
介於 (0.0 、1.0) 之間的值
未提供驗證數據集時套用。
 int

ImageModelSettingsObjectDetection

名稱 描述 值
advancedSettings 進階案例的設定。 字串
amsGradient 當優化器為 『adam』 或 'adamw' 時啟用AMSGrad。 bool
擴增 使用擴增的設定。 字串
beta1 優化器為 'adam' 或 'adamw' 時的 'beta1' 值。 必須是範圍 [0, 1] 內的浮點數。 int
beta2 優化器為 'adam' 或 'adamw' 時的 'beta2' 值。 必須是範圍 [0, 1] 內的浮點數。 int
boxDetectionsPerImage 針對所有類別，每個影像的偵測數目上限。 必須是正整數。
注意：'yolov5' 演算法不支援此設定。		 int
boxScoreThreshold 在推斷期間，只傳回分類分數大於的建議
BoxScoreThreshold。 必須是範圍[0， 1] 中的浮點數。		 int
checkpointFrequency 儲存模型檢查點的頻率。 必須是正整數。 int
checkpointModel 累加定型的預先定型檢查點模型。 MLFlowModelJobInput
checkpointRunId 先前執行的標識碼，其具有累加定型的預先定型檢查點。 字串
分散式 是否要使用分散式定型。 bool
earlyStopping 在定型期間啟用提早停止邏輯。 bool
earlyStoppingDelay 在主要計量改進之前等候的最小 Epoch 或驗證評估數目
會追蹤早期停止。 必須是正整數。		 int
earlyStoppingPatience 之前沒有主要計量改進的最小 Epoch 或驗證評估數目
執行已停止。 必須是正整數。		 int
enableOnnxNormalization 匯出 ONNX 模型時啟用正規化。 bool
evaluationFrequency 評估驗證資料集以取得計量分數的頻率。 必須是正整數。 int
gradientAccumulationStep 漸層累積表示在沒有的情況下執行已設定數目的 「GradAccumulationStep」 步驟
更新模型權數，同時累積這些步驟的漸層，然後使用
用來計算權數更新的累積漸層。 必須是正整數。		 int
imageSize 用於定型和驗證的影像大小。 必須是正整數。
注意：如果大小太大，定型回合可能會進入 CUDA OOM。
注意：只有 'yolov5' 演算法才支援此設定。		 int
layersToFreeze 要凍結模型的層數。 必須是正整數。
例如，傳遞 2 作為 'seresnext' 值表示
凍結 layer0 和 layer1。 如需所支援模型的完整清單，以及圖層凍結的詳細數據，請
看到： https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.		 int
learningRate 初始學習速率。 必須是範圍 [0, 1] 內的浮點數。 int
learningRateScheduler 學習率排程器的類型。 必須是 『warmup_cosine』 或 'step'。 "None"
“步驟”
“WarmupCosine”
maxSize 將影像饋送至骨幹之前要重新調整的影像大小上限。
必須是正整數。 注意：如果大小太大，則定型執行可能會進入 CUDA OOM.
注意：'yolov5' 演算法不支援此設定。		 int
minSize 將影像饋送至骨幹之前要重新調整的影像大小下限。
必須是正整數。 注意：如果大小太大，則定型執行可能會進入 CUDA OOM.
注意：'yolov5' 演算法不支援此設定。		 int
modelName 要用於定型的模型名稱。
如需可用模型的詳細資訊，請造訪官方檔：
https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.		 字串
modelSize 模型大小。 必須是 'small'、'medium'、'large' 或 'xlarge'。
注意：如果模型大小太大，則定型執行可能會進入 CUDA OOM.
注意：只有 'yolov5' 演算法才支援此設定。		 “ExtraLarge”
“大型”
“Medium”
"None"
“Small”
動量 優化工具為 『sgd』 時的動向值。 必須是範圍 [0, 1] 內的浮點數。 int
尺度 以 +/- 50% 的不同影像大小啟用多縮放影像。
注意：如果沒有足夠的 GPU 記憶體，則定型執行可能會進入 CUDA OOM。
注意：只有 'yolov5' 演算法才支援此設定。		 bool
nesterov 當優化器為 『sgd』 時啟用 nesterov。 bool
nmsIouThreshold 在NMS後置處理中的推斷期間使用的IOU臨界值。 必須是範圍 [0, 1] 內的浮點數。 int
numberOfEpochs 定型 Epoch 的數目。 必須是正整數。 int
numberOfWorkers 數據載入器背景工作角色的數目。 必須是非負整數。 int
optimizer 最佳化工具的類型。 “Adam”
“Adamw”
"None"
“Sgd”
randomSeed 使用決定性定型時要使用的隨機種子。 int
stepLRGamma 當學習速率排程器為 『step』 時，gamma 的值。 必須是範圍 [0, 1] 內的浮點數。 int
stepLRStepSize 當學習速率排程器為 『step』 時，步驟大小的值。 必須是正整數。 int
tileGridSize 要用於每個並排影像的格線大小。 注意：TileGridSize 不得為
無可啟用小型物件偵測邏輯。 字串，包含兩個整數，格式為一個。
注意：'yolov5' 演算法不支援此設定。		 字串
tileOverlapRatio 每個維度中相鄰圖格之間的重疊比例。 必須是範圍 [0， 1) 的 float。
注意：'yolov5' 演算法不支援此設定。		 int
tilePredictionsNmsThreshold 從圖格和影像合併預測時用來執行 NMS 的 IOU 閾值。
用於驗證/推斷。 必須是範圍 [0， 1] 中的浮點數。
注意：'yolov5' 演算法不支援此設定。		 int
trainingBatchSize 定型批次大小。 必須是正整數。 int
validationBatchSize 驗證批次大小。 必須是正整數。 int
validationIouThreshold 計算驗證計量時要使用的IOU臨界值。 必須是範圍 [0， 1] 中的浮點數。 int
validationMetricType 要用於驗證計量的計量計算方法。 “Coco”
“CocoVoc”
"None"
“Voc”
warmupCosineLRCycles 學習速率排程器為「warmup_cosine」時的餘弦週期值。 必須是範圍 [0, 1] 內的浮點數。 int
warmupCosineLRWarmupEpochs 當學習速率排程器為 『warmup_cosine』 時，暖 Epoch 的值。 必須是正整數。 int
weightDecay 當優化器為 'sgd'、'adam' 或 'adamw' 時，加權衰減的值。 必須是 range[0， 1] 中的浮點數。 int

ImageModelDistributionSettingsObjectDetection

名稱 描述 值
amsGradient 當優化器為 『adam』 或 'adamw' 時啟用AMSGrad。 字串
擴增 使用擴增的設定。 字串
beta1 當優化器為 'adam' 或 'adamw' 時，'beta1' 的值。 必須是範圍 [0, 1] 內的浮點數。 字串
beta2 當優化器為 'adam' 或 'adamw' 時，'beta2' 的值。 必須是範圍 [0, 1] 內的浮點數。 字串
boxDetectionsPerImage 針對所有類別，每個影像的偵測數目上限。 必須是正整數。
注意：'yolov5' 演算法不支援此設定。		 字串
boxScoreThreshold 在推斷期間，只傳回分類分數大於的建議
BoxScoreThreshold。 必須是 range[0， 1] 中的浮點數。		 字串
分散式 是否要使用散發器定型。 字串
earlyStopping 在定型期間啟用提早停止邏輯。 字串
earlyStoppingDelay 在主要計量改進之前等待的最小 Epoch 或驗證評估數目
會追蹤提早停止。 必須是正整數。		 字串
earlyStoppingPatience 在之前沒有主要計量改善的最小 Epoch 或驗證評估數目
執行已停止。 必須是正整數。		 字串
enableOnnxNormalization 匯出 ONNX 模型時啟用正規化。 字串
evaluationFrequency 評估驗證資料集以取得計量分數的頻率。 必須是正整數。 字串
gradientAccumulationStep 漸層累積表示執行未設定數目的 「GradAccumulationStep」 步驟
更新模型權數，同時累積這些步驟的漸層，然後使用
用來計算權數更新的累積漸層。 必須是正整數。		 字串
imageSize 用於定型和驗證的影像大小。 必須是正整數。
注意：如果大小太大，訓練回合可能會進入 CUDA OOM。
注意：只有 'yolov5' 演算法才支援此設定。		 字串
layersToFreeze 要凍結模型的層數。 必須是正整數。
例如，傳遞 2 作為 'seresnext' 值表示
凍結 layer0 和 layer1。 如需所支援模型的完整清單，以及圖層凍結的詳細數據，請
看到： https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.		 字串
learningRate 初始學習速率。 必須是範圍 [0, 1] 內的浮點數。 字串
learningRateScheduler 學習率排程器的類型。 必須是 『warmup_cosine』 或 'step'。 字串
maxSize 將影像饋送至骨幹之前要重新調整的影像大小上限。
必須是正整數。 注意：如果大小太大，則定型執行可能會進入 CUDA OOM.
注意：'yolov5' 演算法不支援此設定。		 字串
minSize 將影像饋送至骨幹之前要重新調整的影像大小下限。
必須是正整數。 注意：如果大小太大，則定型執行可能會進入 CUDA OOM.
注意：'yolov5' 演算法不支援此設定。		 字串
modelName 要用於定型的模型名稱。
如需可用模型的詳細資訊，請造訪官方檔：
https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.		 字串
modelSize 模型大小。 必須是 'small'、'medium'、'large' 或 'xlarge'。
注意：如果模型大小太大，則定型執行可能會進入 CUDA OOM.
注意：只有 'yolov5' 演算法才支援此設定。		 字串
動量 優化工具為 『sgd』 時的動向值。 必須是範圍 [0, 1] 內的浮點數。 字串
尺度 以 +/- 50% 的不同影像大小啟用多縮放影像。
注意：如果沒有足夠的 GPU 記憶體，則定型執行可能會進入 CUDA OOM。
注意：只有 'yolov5' 演算法才支援此設定。		 字串
nesterov 當優化器為 『sgd』 時啟用 nesterov。 字串
nmsIouThreshold 在NMS後置處理中的推斷期間使用的IOU臨界值。 必須是範圍 [0， 1] 中的浮點數。 字串
numberOfEpochs 定型 Epoch 的數目。 必須是正整數。 字串
numberOfWorkers 數據載入器背景工作角色的數目。 必須是非負整數。 字串
optimizer 最佳化工具的類型。 必須是 'sgd'、'adam' 或 'adamw'。 字串
randomSeed 使用決定性定型時要使用的隨機種子。 字串
stepLRGamma 當學習速率排程器為 『step』 時，gamma 的值。 必須是範圍 [0, 1] 內的浮點數。 字串
stepLRStepSize 當學習速率排程器為 『step』 時，步驟大小的值。 必須是正整數。 字串
tileGridSize 要用於每個並排影像的格線大小。 注意：TileGridSize 不得為
無可啟用小型物件偵測邏輯。 字串，包含兩個整數，格式為一個。
注意：'yolov5' 演算法不支援此設定。		 字串
tileOverlapRatio 每個維度中相鄰圖格之間的重疊比例。 必須是範圍 [0， 1) 的 float。
注意：'yolov5' 演算法不支援此設定。		 字串
tilePredictionsNmsThreshold 從圖格和影像合併預測時用來執行 NMS 的 IOU 閾值。
用於驗證/推斷。 必須是範圍 [0， 1] 中的浮點數。
注意：'yolov5' 演算法不支援此設定。
NMS：非最大歸併		 字串
trainingBatchSize 定型批次大小。 必須是正整數。 字串
validationBatchSize 驗證批次大小。 必須是正整數。 字串
validationIouThreshold 計算驗證計量時要使用的IOU臨界值。 必須是範圍 [0， 1] 中的浮點數。 字串
validationMetricType 要用於驗證計量的計量計算方法。 必須是 『none』、'coco'、'voc' 或 'coco_voc'。 字串
warmupCosineLRCycles 學習速率排程器為「warmup_cosine」時的餘弦週期值。 必須是範圍 [0, 1] 內的浮點數。 字串
warmupCosineLRWarmupEpochs 當學習速率排程器為 『warmup_cosine』 時，暖 Epoch 的值。 必須是正整數。 字串
weightDecay 當優化器為 'sgd'、'adam' 或 'adamw' 時，加權衰減的值。 必須是 range[0， 1] 中的浮點數。 字串

ImageObjectDetection

名稱 描述 值
taskType [必要]AutoMLJob 的工作類型。 “ImageObjectDetection” (必要)
limitSettings [必要]限制 AutoML 作業的設定。 ImageLimitSettings (必要)
modelSettings 用於定型模型的設定。 ImageModelSettingsObjectDetection
primaryMetric 要針對這項工作優化的主要計量。 “MeanAveragePrecision”
searchSpace 搜尋空間，以取樣模型及其超參數的不同組合。 ImageModelDistributionSettingsObjectDetection[]
sweepSettings 模型掃掠和超參數掃掠相關設定。 ImageSweepSettings
validationData 驗證數據輸入。 MLTableJobInput
validationDataSize 需要為驗證目的保留的定型數據集分數。
(0.0 、1.0) 之間的值
未提供驗證數據集時套用。
 int

迴歸

名稱 描述 值
taskType [必要]AutoMLJob 的工作類型。 必要) 「回歸」 (
cvSplitColumnNames 要用於 CVSplit 資料的數據行。 string[]
featurizationSettings AutoML 作業所需的特徵化輸入。 TableVerticalFeaturizationSettings
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。		 NCrossValidations
primaryMetric 回歸工作的主要計量。 “NormalizedMeanAbsoluteError”
“NormalizedRootMeanSquaredError”
“R2Score”
“SpearmanCorrelation”
testData 測試數據輸入。 MLTableJobInput
testDataSize 測試數據集的分數，必須保留以供驗證之用。
(0.0 、1.0) 之間的值
未提供驗證數據集時套用。		 int
trainingSettings AutoML 作業定型階段的輸入。 RegressionTrainingSettings
validationData 驗證數據輸入。 MLTableJobInput
validationDataSize 需要為驗證目的保留的定型數據集分數。
(0.0 、1.0) 之間的值
未提供驗證數據集時套用。		 int
weightColumnName 範例加權數據行的名稱。 自動化 ML 支援加權數據行做為輸入，導致數據中的數據列向上或向下加權。 字串

RegressionTrainingSettings

名稱 描述 值
allowedTrainingAlgorithms 回歸工作的允許模型。 包含任何項目的字串數組：
“DecisionTree”
“ElasticNet”
“ExtremeRandomTrees”
“GradientBoosting”
“KNN”
“LassoLars”
“LightGBM”
“RandomForest”
“SGD”
“XGBoostRegressor”
blockedTrainingAlgorithms 回歸工作的封鎖模型。 包含任何項目的字串數組：
“DecisionTree”
“ElasticNet”
“ExtremeRandomTrees”
“GradientBoosting”
“KNN”
“LassoLars”
“LightGBM”
“RandomForest”
“SGD”
“XGBoostRegressor”
enableDnnTraining 啟用 DNN 模型的建議。 bool
enableModelExplainability 在最佳模型上開啟可解釋性的旗標。 bool
enableOnnxCompatibleModels 啟用 onnx 相容模型的旗標。 bool
enableStackEnsemble 啟用堆疊Ensemble 執行。 bool
enableVoteEnsemble 啟用投票Ensemble 執行。 bool
ensembleModelDownloadTimeout 在 VotingEnsemble 和 StackEnsemble 模型產生期間，會下載先前子回合中的多個配適模型。
如果需要更多時間，請將此參數設定為高於 300 秒的值。		 字串
stackEnsembleSettings 堆疊Ensemble 執行的堆疊Ensemble 設定。 StackEnsembleSettings

TextClassification

名稱 描述 值
taskType [必要]AutoMLJob 的工作類型。 “TextClassification” (必要)
featurizationSettings AutoML 作業所需的特徵化輸入。 NlpVerticalFeaturizationSettings
limitSettings AutoMLJob 的執行條件約束。 NlpVerticalLimitSettings
primaryMetric Text-Classification 工作的主要計量。 “AUCWeighted”
“精確度”
“AveragePrecisionScoreWeighted”
“NormMacroRecall”
“PrecisionScoreWeighted”
validationData 驗證數據輸入。 MLTableJobInput

NlpVerticalFeaturizationSettings

名稱 描述 值
datasetLanguage 數據集語言，適用於文字數據。 字串

NlpVerticalLimitSettings

名稱 描述 值
maxConcurrentTrials 並行 AutoML 反覆專案上限。 int
maxTrials AutoML 反覆項目的數目。 int
timeout AutoML 作業逾時。 字串

TextClassificationMultilabel

名稱 描述 值
taskType [必要]AutoMLJob 的工作類型。 “TextClassificationMultilabel” (必要)
featurizationSettings AutoML 作業所需的特徵化輸入。 NlpVerticalFeaturizationSettings
limitSettings AutoMLJob 的執行條件約束。 NlpVerticalLimitSettings
validationData 驗證數據輸入。 MLTableJobInput

TextNer

名稱 描述 值
taskType [必要]AutoMLJob 的工作類型。 “TextNER” (必要)
featurizationSettings AutoML 作業所需的特徵化輸入。 NlpVerticalFeaturizationSettings
limitSettings AutoMLJob 的執行條件約束。 NlpVerticalLimitSettings
validationData 驗證數據輸入。 MLTableJobInput

CommandJob

名稱 描述 值
jobType [必要]指定作業的類型。 “Command” (必要)
codeId 程式代碼資產的 ARM 資源識別碼。 字串
命令 [必要]在作業啟動時執行的命令。 例如 “python train.py” 需要字串 ()

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

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_]
environmentVariables 作業中包含的環境變數。 CommandJobEnvironmentVariables
輸入 對應作業中使用的輸入數據系結。 CommandJobInputs
限制 命令作業限制。 CommandJobLimits
outputs 對應作業中使用的輸出數據系結。 CommandJobOutputs
queueSettings 作業的佇列設定 QueueSettings
resources 作業的計算資源組態。 JobResourceConfiguration

DistributionConfiguration

名稱 描述 值
distributionType 設定物件類型 Mpi
PyTorch
TensorFlow (必要)

Mpi

名稱 描述 值
distributionType [必要]指定散發架構的類型。 “Mpi” (必要)
processCountPerInstance 每個 MPI 節點的進程數目。 int

PyTorch

名稱 描述 值
distributionType [必要]指定散發架構的類型。 “PyTorch” (必要)
processCountPerInstance 每個節點的進程數目。 int

TensorFlow

名稱 描述 值
distributionType [必要]指定散發架構的類型。 必要) 「TensorFlow」 (
parameterServerCount 參數伺服器工作的數目。 int
workerCount 背景工作數目。 如果未指定，則會預設為實例計數。 int

CommandJobEnvironmentVariables

名稱 描述 值
{自定義屬性} 字串

CommandJobInputs

名稱 描述 值
{自定義屬性} JobInput

JobInput

名稱 描述 值
description 輸入的描述。 字串
jobInputType 設定物件類型 custom_model
literal
mlflow_model
mltable
triton_model
uri_file
必要 ) uri_folder (

CustomModelJobInput

名稱 描述 值
jobInputType [必要]指定作業的類型。 “custom_model” (必要)
mode 輸入資產傳遞模式。 “Direct”
“下載”
“EvalDownload”
“EvalMount”
“ReadOnlyMount”
“ReadWriteMount”
uri [必要]輸入資產 URI。 字串 (必要)

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_]

LiteralJobInput

名稱 描述 值
jobInputType [必要]指定作業的類型。 “literal” (必要)
值 [必要]輸入的常值。 字串 (必要)

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_]

TritonModelJobInput

名稱 描述 值
jobInputType [必要]指定作業的類型。 必要) (“triton_model”
mode 輸入資產傳遞模式。 “Direct”
“下載”
“EvalDownload”
“EvalMount”
“ReadOnlyMount”
“ReadWriteMount”
uri [必要]輸入資產 URI。 字串 (必要)

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_]

UriFileJobInput

名稱 描述 值
jobInputType [必要]指定作業的類型。 “uri_file” (必要)
mode 輸入資產傳遞模式。 “Direct”
“下載”
“EvalDownload”
“EvalMount”
“ReadOnlyMount”
“ReadWriteMount”
uri [必要]輸入資產 URI。 需要字串 ()

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_]

UriFolderJobInput

名稱 描述 值
jobInputType [必要]指定作業的類型。 “uri_folder” (必要)
mode 輸入資產傳遞模式。 “Direct”
“下載”
“EvalDownload”
“EvalMount”
“ReadOnlyMount”
“ReadWriteMount”
uri [必要]輸入資產 URI。 需要字串 ()

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_]

CommandJobLimits

名稱 描述 值
jobLimitsType [必要]JobLimit 類型。 “Command”
「掃掠」 (必要)
timeout ISO 8601 格式的最大執行持續時間，之後作業將會取消。 僅支援有效位數為秒數的持續時間。 字串

CommandJobOutputs

名稱 描述 值
{自定義屬性} JobOutput

PipelineJob

名稱 描述 值
jobType [必要]指定作業的類型。 “Pipeline” (必要)
輸入 管線作業的輸入。 PipelineJobInputs
jobs 作業會建構管線作業。 PipelineJobJobs
outputs 管線作業的輸出 PipelineJobOutputs
設定 管線設定，適用於 ContinueRunOnStepFailure 等專案。
sourceJobId 來源作業的 ARM 資源識別碼。 字串

PipelineJobInputs

名稱 描述 值
{自定義屬性} JobInput

PipelineJobJobs

名稱 描述 值
{自定義屬性}

PipelineJobOutputs

名稱 描述 值
{自定義屬性} JobOutput

SweepJob

名稱 描述 值
jobType [必要]指定作業的類型。 「掃掠」 (必要)
earlyTermination 早期終止原則可在完成之前取消效能不佳的執行 EarlyTerminationPolicy
輸入 對應作業中使用的輸入數據系結。 SweepJobInputs
限制 掃掠作業限制。 SweepJobLimits
objective [必要]優化目標。 必要目標 ()
outputs 對應作業中使用的輸出數據系結。 SweepJobOutputs
queueSettings 作業的佇列設定 QueueSettings
samplingAlgorithm [必要]超參數取樣演算法 SamplingAlgorithm (必要)
searchSpace [必要]包含每個參數及其分佈的字典。 字典索引鍵是參數的名稱
試用版 [必要]試用版元件定義。 需要 TrialComponent ()

SweepJobInputs

名稱 描述 值
{自定義屬性} JobInput

SweepJobLimits

名稱 描述 值
jobLimitsType [必要]JobLimit 類型。 “Command”
「掃掠」 (必要)
maxConcurrentTrials 掃掠作業最大並行試用版。 int
maxTotalTrials 掃掠作業總數上限。 int
timeout ISO 8601 格式的最大執行持續時間，之後作業將會取消。 僅支援有效位數為秒數的持續時間。 字串
trialTimeout 掃掠作業試用版逾時值。 字串

目標

名稱 描述 值
goal [必要]定義超參數微調支援的計量目標 “最大化”
必要) 「最小化」 (
primaryMetric [必要]要優化的計量名稱。 需要字串 ()

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_]

SweepJobOutputs

名稱 描述 值
{自定義屬性} JobOutput

SamplingAlgorithm

名稱 描述 值
samplingAlgorithmType 設定物件類型 貝 葉 斯
方格
需要隨機 ()

BayesianSamplingAlgorithm

名稱 描述 值
samplingAlgorithmType [必要]用來產生超參數值的演算法，以及組態屬性 “Bayesian” (必要)

GridSamplingAlgorithm

名稱 描述 值
samplingAlgorithmType [必要]用來產生超參數值的演算法，以及組態屬性 “Grid” (必要)

RandomSamplingAlgorithm

名稱 描述 值
samplingAlgorithmType [必要]用來產生超參數值的演算法，以及組態屬性 「隨機」 (必要)
rule (規則) 隨機演算法的特定類型 “Random”
“Sobol”
seed 要作為隨機數產生種子的選擇性整數 int

TrialComponent

名稱 描述 值
codeId 程式代碼資產的 ARM 資源識別碼。 字串
命令 [必要]在作業啟動時執行的命令。 例如 “python train.py” 字串 (必要)

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

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

TrialComponentEnvironmentVariables

名稱 描述 值
{自定義屬性} 字串

CreateMonitorAction

名稱 描述 值
actionType [必要]指定排程的動作類型 必要 (「CreateMonitor」)
monitorDefinition [必要]定義監視器。 需要 MonitorDefinition ()

MonitorDefinition

名稱 描述 值
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)
monitoringTarget 監視器的目標實體。 MonitoringTarget
訊號 [必要]要監視的訊號。 MonitorDefinitionSignals (必要)

MonitorNotificationSettings

名稱 描述 值
emailNotificationSettings AML 通知電子郵件設定。 MonitorEmailNotificationSettings

MonitorEmailNotificationSettings

名稱 描述 值
電子郵件 電子郵件收件者清單，總共有 499 個字元的限制。 string[]

MonitorComputeConfigurationBase

名稱 描述 值
computeType 設定物件類型 需要 ServerlessSpark ()

MonitorServerlessSparkCompute

名稱 描述 值
computeType [必要]指定要監視的訊號類型。 “ServerlessSpark” (必要)
computeIdentity [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)
instanceType [必要]執行 Spark 作業的實體類型。 字串 (必要)

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

約束：
最小長度 = 1
模式 = ^[0-9]+\.[0-9]+$

MonitorComputeIdentityBase

名稱 描述 值
computeIdentityType 設定物件類型 AmlToken
ManagedIdentity (必要)

AmlTokenComputeIdentity

名稱 描述 值
computeIdentityType [必要]指定要在監視作業中使用的身分識別類型。 “AmlToken” (必要)

ManagedComputeIdentity

名稱 描述 值
computeIdentityType [必要]指定要在監視作業中使用的身分識別類型。 “ManagedIdentity” (必要)
身分識別 監視作業將會利用的身分識別。 ManagedServiceIdentity

ManagedServiceIdentity

名稱 描述 值
類型 (允許 SystemAssigned 和 UserAssigned 類型的受控服務識別類型) 。 “SystemAssigned”
“SystemAssigned，UserAssigned”
) 所需的 「UserAssigned」 (
identity_ids 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 {} 。 使用者身分識別標識碼的陣列。

UserAssignedIdentities

名稱 描述 值
{自定義屬性} UserAssignedIdentity

UserAssignedIdentity

此物件不包含部署期間要設定的任何屬性。 所有屬性都是 ReadOnly。

MonitoringTarget

名稱 描述 值
deploymentId 此監視器的目標部署資產參考。 字串
modelId 此監視器的目標模型資產參考。 字串
taskType [必要]受監視模型的機器學習工作類型。 “Classification”
必要) 的「回歸」 (

MonitorDefinitionSignals

名稱 描述 值
{自定義屬性} MonitoringSignalBase

MonitoringSignalBase

名稱 描述 值
notificationTypes 此訊號的目前通知模式。 包含任何項目的字串數組：
“AmlNotification”
properties 屬性字典。 您可以新增屬性，但無法移除或改變。 MonitoringSignalBaseProperties
signalType 設定物件類型 Custom
DataDrift
DataQuality
FeatureAttributionDrift
PredictionDrift (必要)

MonitoringSignalBaseProperties

名稱 描述 值
{自定義屬性} 字串

CustomMonitoringSignal

名稱 描述 值
signalType [必要]指定要監視的訊號類型。 「自定義」 (必要)
componentId [必要]用來計算自定義計量之元件資產的參考。 需要字串 ()

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_]
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，值是參數值。 CustomMonitoringSignalInputs
metricThresholds [必要]要計算的計量清單及其相關聯的臨界值。 CustomMetricThreshold[] (必要)

CustomMonitoringSignalInputAssets

名稱 描述 值
{自定義屬性} MonitoringInputDataBase

MonitoringInputDataBase

名稱 描述 值
資料行 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
jobInputType [必要]指定作業的類型。 “custom_model”
“literal”
“mlflow_model”
“mltable”
“triton_model”
“uri_file”
“uri_folder” (必要)
uri [必要]輸入資產 URI。 需要字串 ()

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_]
inputDataType 設定物件類型 固定
輪替
需要靜態 ()

MonitoringInputDataBaseColumns

名稱 描述 值
{自定義屬性} 字串

FixedInputData

名稱 描述 值
inputDataType [必要]指定要監視的訊號類型。 “Fixed” (必要)

RollingInputData

名稱 描述 值
inputDataType [必要]指定要監視的訊號類型。 「滾動」 (必要)
preprocessingComponentId 用來前置處理數據的元件資產參考。 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。 需要字串 ()
windowSize [必要]滾動資料視窗的大小。 需要字串 ()

StaticInputData

名稱 描述 值
inputDataType [必要]指定要監視的訊號類型。 “Static” (必要)
preprocessingComponentId 用來前置處理數據的元件資產參考。 字串
windowEnd [必要]數據窗口的結束日期。 需要字串 ()
windowStart [必要]數據視窗的開始日期。 需要字串 ()

CustomMonitoringSignalInputs

名稱 描述 值
{自定義屬性} JobInput

CustomMetricThreshold

名稱 描述 值
計量 [必要]要計算的使用者定義計量。 需要字串 ()

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

MonitoringThreshold

名稱 描述 值
值 臨界值。 如果為 null，則設定預設值取決於計量類型。 int

DataDriftMonitoringSignal

名稱 描述 值
signalType [必要]指定要監視的訊號類型。 “DataDrift” (必要)
featureDataTypeOverride 將特徵名稱對應至其個別數據類型的字典。 DataDriftMonitoringSignalFeatureDataTypeOverride
featureImportanceSettings 運算特徵重要性的設定。 FeatureImportanceSettings
特性 特徵篩選，可識別要計算漂移的特徵。 MonitoringFeatureFilterBase
metricThresholds [必要]要計算的計量清單及其相關聯的臨界值。 DataDriftMetricThresholdBase[] (必要)
productionData [必要]將計算漂移的數據。 MonitoringInputDataBase (必要)
referenceData [必要]要計算漂移的數據。 MonitoringInputDataBase (必要)

DataDriftMonitoringSignalFeatureDataTypeOverride

名稱 描述 值
{自定義屬性} “類別”
“數值”

FeatureImportanceSettings

名稱 描述 值
mode 運算特徵重要性的作業模式。 “Disabled”
“Enabled”
targetColumn 輸入數據資產內的目標數據行名稱。 字串

MonitoringFeatureFilterBase

名稱 描述 值
filterType 設定物件類型 AllFeatures
FeatureSubset
TopNByAttribution (必要)

AllFeatures

名稱 描述 值
filterType [必要]指定要在選取功能以計算計量時所要運用的功能篩選。 “AllFeatures” (必要)

FeatureSubset

名稱 描述 值
filterType [必要]指定要在選取功能以計算計量時所要運用的功能篩選。 必要) 的 “FeatureSubset” (
特性 [必要]要包含的功能清單。 string[] (必要)

TopNFeaturesByAttribution

名稱 描述 值
filterType [必要]指定要在選取功能以計算計量時所要運用的功能篩選。 “TopNByAttribution” (必要)
top 要包含的最上層功能數目。 int

DataDriftMetricThresholdBase

名稱 描述 值
threshold 臨界值。 如果為 null，則會根據選取的計量來設定預設值。 MonitoringThreshold
dataType 設定物件類型 類別
必要數值 ()

CategoricalDataDriftMetricThreshold

名稱 描述 值
dataType [必要]指定計量閾值的數據類型。 必要) 「類別」 (
計量 [必要]要計算的類別數據漂移計量。 “JensenCountnonDistance”
“PearsonsChiSquaredTest”
“PopulationStabilityIndex” (必要)

NumericalDataDriftMetricThreshold

名稱 描述 值
dataType [必要]指定計量閾值的數據類型。 必要) 的「數值」 (
計量 [必要]要計算的數值數據漂移計量。 “JensenCountnonDistance”
“NormalizedWassersteinDistance”
“PopulationStabilityIndex”
“TwoSampleKolmogorovsmirnovTest” (必要)

DataQualityMonitoringSignal

名稱 描述 值
signalType [必要]指定要監視的訊號類型。 ) 所需的 「DataQuality」 (
featureDataTypeOverride 將特徵名稱對應至其個別數據類型的字典。 DataQualityMonitoringSignalFeatureDataTypeOverride
featureImportanceSettings 計算特徵重要性的設定。 FeatureImportanceSettings
特性 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。 DataQualityMetricThresholdBase[] (必要)
productionData [必要]生產服務所產生的數據，將會計算漂移。 MonitoringInputDataBase (必要)
referenceData [必要]要計算漂移的數據。 MonitoringInputDataBase (必要)

DataQualityMonitoringSignalFeatureDataTypeOverride

名稱 描述 值
{自定義屬性} “類別”
“數值”

DataQualityMetricThresholdBase

名稱 描述 值
threshold 臨界值。 如果為 null，則會根據選取的計量來設定預設值。 MonitoringThreshold
dataType 設定物件類型 類別
需要數值 ()

CategoricalDataQualityMetricThreshold

名稱 描述 值
dataType [必要]指定計量閾值的數據類型。 “Categorical” (必要)
計量 [必要]要計算的類別數據品質計量。 “DataTypeErrorRate”
“NullValueRate”
“OutOfBoundsRate” (必要)

NumericalDataQualityMetricThreshold

名稱 描述 值
dataType [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)

FeatureAttributionDriftMonitoringSignal

名稱 描述 值
signalType [必要]指定要監視的訊號類型。 “FeatureAttributionDrift” (必要)
featureDataTypeOverride 將特徵名稱對應至其個別數據類型的字典。 FeatureAttributionDriftMonitoringSignalFeatureDataTy...
featureImportanceSettings [必要]運算特徵重要性的設定。 FeatureImportanceSettings (必要)
metricThreshold [必要]要計算的計量清單及其相關聯的臨界值。 FeatureAttributionMetricThreshold (必要)
productionData [必要]將計算漂移的數據。 MonitoringInputDataBase[] (必要)
referenceData [必要]要計算漂移的數據。 MonitoringInputDataBase (必要)

FeatureAttributionDriftMonitoringSignalFeatureDataTy...

名稱 描述 值
{自定義屬性} “類別”
“數值”

FeatureAttributionMetricThreshold

名稱 描述 值
計量 [必要]要計算的功能屬性計量。 “NormalizedDiscountedCumulativeGain” (必要)
threshold 臨界值。 如果為 null，則會根據選取的計量來設定預設值。 MonitoringThreshold

PredictionDriftMonitoringSignal

名稱 描述 值
signalType [必要]指定要監視的訊號類型。 “PredictionDrift” (必要)
featureDataTypeOverride 將特徵名稱對應至其個別數據類型的字典。 PredictionDriftMonitoringSignalFeatureDataTypeOverri...
metricThresholds [必要]要計算的計量清單及其相關聯的臨界值。 PredictionDriftMetricThresholdBase[] 必要 ()
productionData [必要]將計算漂移的數據。 MonitoringInputDataBase (必要)
referenceData [必要]要計算漂移的數據。 MonitoringInputDataBase (必要)

PredictionDriftMonitoringSignalFeatureDataTypeOverri...

名稱 描述 值
{自定義屬性} “類別”
“數值”

PredictionDriftMetricThresholdBase

名稱 描述 值
threshold 臨界值。 如果為 null，則會根據選取的計量來設定預設值。 MonitoringThreshold
dataType 設定物件類型 類別
需要數值 ()

CategoricalPredictionDriftMetricThreshold

名稱 描述 值
dataType [必要]指定計量閾值的數據類型。 “Categorical” (必要)
計量 [必要]要計算的類別預測漂移計量。 “Jensen，OnDistance”
“PearsonsChiSquaredTest”
“PopulationStabilityIndex” (必要)

NumericalPredictionDriftMetricThreshold

名稱 描述 值
dataType [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。 “Jensen，OnDistance”
“NormalizedWasser，istance”
“PopulationStabilityIndex”
“TwoSampleKolmogorovsmirnovTest” (必要)

EndpointScheduleAction

名稱 描述 值
actionType [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。
{see href=“TBD” /}

TriggerBase

名稱 描述 值
EndTime 指定 ISO 8601 中排程的結束時間，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
startTime 以 ISO 8601 格式指定排程的開始時間，但不含 UTC 位移。 字串
timeZone 指定排程執行所在的時區。
TimeZone應遵循 Windows 時區格式。 請參閱： https://docs.microsoft.com/windows-hardware/manufacture/desktop/default-time-zones />		 字串
triggerType 設定物件類型 Cron
需要迴圈 ()

CronTrigger

名稱 描述 值
triggerType [必要] “Cron” (必要)
expression [必要]指定排程的cron運算式。
表達式應遵循 NCronTab 格式。		 需要字串 ()

約束：
最小長度 = 1
模式 = [a-zA-Z0-9_]

RecurrenceTrigger

名稱 描述 值
EndTime 指定 ISO 8601 中排程的結束時間，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
frequency [必要]觸發排程的頻率。 “Day”
“Hour”
“Minute”
“Month”
“Week” (必要)
interval [必要]指定與頻率搭配的排程間隔 需要 int ()
schedule 週期排程。 RecurrenceSchedule
startTime 以 ISO 8601 格式指定排程的開始時間，但不含 UTC 位移。 字串
timeZone 指定排程執行所在的時區。
TimeZone應遵循 Windows 時區格式。 請參閱： https://docs.microsoft.com/windows-hardware/manufacture/desktop/default-time-zones		 字串
triggerType [必要] “Cron”
「週期」 (必要)

RecurrenceSchedule

名稱 描述 值
小時 [必要]排程的時數清單。 int[] (必要)
分鐘 [必要]排程的分鐘清單。 int[] (必要)
monthDays 排程的月份天數清單 int[]
weekDays 排程的天數清單。 包含任何項目的字串數組：
"Friday"
"Monday"
"Saturday"
"Sunday"
"Thursday"
"Tuesday"
"Wednesday"