Jobs - Create Or Update

服務:: Machine Learning

API 版本:: 2025-12-01

建立並執行工作。針對更新案例，傳入定義中的標籤會取代現有作業中的標籤。
建立並執行工作。針對更新案例，傳入定義中的標籤會取代現有作業中的標籤。

PUT https://management.azure.com/subscriptions/{subscriptionId}/resourceGroups/{resourceGroupName}/providers/Microsoft.MachineLearningServices/workspaces/{workspaceName}/jobs/{id}?api-version=2025-12-01

URI 參數

名稱	位於	必要	類型	Description
id	path	True	string	任務的名稱和識別碼。這是區分大小寫的。
resourceGroupName	path	True	string minLength: 1 maxLength: 90	資源群組的名稱。名稱不區分大小寫。
subscriptionId	path	True	string minLength: 1	目標訂用帳戶的標識碼。
workspaceName	path	True	string pattern: ^[a-zA-Z0-9][a-zA-Z0-9_-]{2,32}$	Azure Machine Learning 工作區名稱
api-version	query	True	string minLength: 1	用於此作業的 API 版本。

要求本文

名稱	必要	類型	Description
properties	True	JobBaseProperties: AutoMLJob CommandJob PipelineJob SparkJob SweepJob	[必要]實體的其他屬性。

回應

名稱	類型	Description
200 OK	JobBase	資源「JobBase」更新操作成功
201 Created	JobBase	資源「JobBase」創建作業成功
Other Status Codes	ErrorResponse	未預期的錯誤回應。

安全性

azure_auth

Azure Active Directory OAuth2 Flow。

類型: oauth2
Flow: implicit
授權 URL: https://login.microsoftonline.com/common/oauth2/authorize

範圍

名稱	Description
user_impersonation	模擬您的用戶帳戶

範例

CreateOrUpdate AutoML Job.

CreateOrUpdate Command Job.

CreateOrUpdate Pipeline Job.

CreateOrUpdate Sweep Job.

CreateOrUpdate AutoML Job.

範例要求

HTTP

PUT https://management.azure.com/subscriptions/00000000-1111-2222-3333-444444444444/resourceGroups/test-rg/providers/Microsoft.MachineLearningServices/workspaces/my-aml-workspace/jobs/string?api-version=2025-12-01

{
  "properties": {
    "description": "string",
    "computeId": "string",
    "displayName": "string",
    "environmentId": "string",
    "environmentVariables": {
      "string": "string"
    },
    "experimentName": "string",
    "identity": {
      "identityType": "AMLToken"
    },
    "isArchived": false,
    "jobType": "AutoML",
    "outputs": {
      "string": {
        "description": "string",
        "jobOutputType": "uri_file",
        "mode": "ReadWriteMount",
        "uri": "string"
      }
    },
    "properties": {
      "string": "string"
    },
    "resources": {
      "instanceCount": 1,
      "instanceType": "string",
      "properties": {
        "string": {
          "9bec0ab0-c62f-4fa9-a97c-7b24bbcc90ad": null
        }
      }
    },
    "services": {
      "string": {
        "endpoint": "string",
        "jobServiceType": "string",
        "port": 1,
        "properties": {
          "string": "string"
        }
      }
    },
    "tags": {
      "string": "string"
    },
    "taskDetails": {
      "limitSettings": {
        "maxTrials": 2
      },
      "modelSettings": {
        "validationCropSize": 2
      },
      "searchSpace": [
        {
          "validationCropSize": "choice(2, 360)"
        }
      ],
      "targetColumnName": "string",
      "taskType": "ImageClassification",
      "trainingData": {
        "jobInputType": "mltable",
        "uri": "string"
      }
    }
  }
}

範例回覆

狀態碼:: 200

{
  "name": "string",
  "type": "string",
  "id": "string",
  "properties": {
    "description": "string",
    "computeId": "string",
    "displayName": "string",
    "environmentId": "string",
    "environmentVariables": {
      "string": "string"
    },
    "experimentName": "string",
    "identity": {
      "identityType": "AMLToken"
    },
    "isArchived": false,
    "jobType": "AutoML",
    "outputs": {
      "string": {
        "description": "string",
        "jobOutputType": "uri_file",
        "mode": "ReadWriteMount",
        "uri": "string"
      }
    },
    "properties": {
      "string": "string"
    },
    "resources": {
      "instanceCount": 1,
      "instanceType": "string",
      "properties": {
        "string": {
          "9bec0ab0-c62f-4fa9-a97c-7b24bbcc90ad": null
        }
      }
    },
    "services": {
      "string": {
        "endpoint": "string",
        "errorMessage": "string",
        "jobServiceType": "string",
        "port": 1,
        "properties": {
          "string": "string"
        },
        "status": "string"
      }
    },
    "status": "Scheduled",
    "tags": {
      "string": "string"
    },
    "taskDetails": {
      "limitSettings": {
        "maxTrials": 2
      },
      "modelSettings": {
        "validationCropSize": 2
      },
      "searchSpace": [
        {
          "validationCropSize": "choice(2, 360)"
        }
      ],
      "targetColumnName": "string",
      "taskType": "ImageClassification",
      "trainingData": {
        "jobInputType": "mltable",
        "uri": "string"
      }
    }
  },
  "systemData": {
    "createdAt": "2020-01-01T12:34:56.999Z",
    "createdBy": "string",
    "createdByType": "User",
    "lastModifiedAt": "2020-01-01T12:34:56.999Z",
    "lastModifiedBy": "string",
    "lastModifiedByType": "ManagedIdentity"
  }
}

狀態碼:: 201

{
  "name": "string",
  "type": "string",
  "id": "string",
  "properties": {
    "description": "string",
    "computeId": "string",
    "displayName": "string",
    "environmentId": "string",
    "environmentVariables": {
      "string": "string"
    },
    "experimentName": "string",
    "identity": {
      "identityType": "AMLToken"
    },
    "isArchived": false,
    "jobType": "AutoML",
    "outputs": {
      "string": {
        "description": "string",
        "jobOutputType": "uri_file",
        "mode": "ReadWriteMount",
        "uri": "string"
      }
    },
    "properties": {
      "string": "string"
    },
    "resources": {
      "instanceCount": 1,
      "instanceType": "string",
      "properties": {
        "string": {
          "9bec0ab0-c62f-4fa9-a97c-7b24bbcc90ad": null
        }
      }
    },
    "services": {
      "string": {
        "endpoint": "string",
        "errorMessage": "string",
        "jobServiceType": "string",
        "port": 1,
        "properties": {
          "string": "string"
        },
        "status": "string"
      }
    },
    "status": "Scheduled",
    "tags": {
      "string": "string"
    },
    "taskDetails": {
      "limitSettings": {
        "maxTrials": 2
      },
      "modelSettings": {
        "validationCropSize": 2
      },
      "searchSpace": [
        {
          "validationCropSize": "choice(2, 360)"
        }
      ],
      "targetColumnName": "string",
      "taskType": "ImageClassification",
      "trainingData": {
        "jobInputType": "mltable",
        "uri": "string"
      }
    }
  },
  "systemData": {
    "createdAt": "2020-01-01T12:34:56.999Z",
    "createdBy": "string",
    "createdByType": "User",
    "lastModifiedAt": "2020-01-01T12:34:56.999Z",
    "lastModifiedBy": "string",
    "lastModifiedByType": "ManagedIdentity"
  }
}

CreateOrUpdate Command Job.

範例要求

HTTP

PUT https://management.azure.com/subscriptions/00000000-1111-2222-3333-444444444444/resourceGroups/test-rg/providers/Microsoft.MachineLearningServices/workspaces/my-aml-workspace/jobs/string?api-version=2025-12-01

{
  "properties": {
    "description": "string",
    "codeId": "string",
    "command": "string",
    "computeId": "string",
    "displayName": "string",
    "distribution": {
      "distributionType": "TensorFlow",
      "parameterServerCount": 1,
      "workerCount": 1
    },
    "environmentId": "string",
    "environmentVariables": {
      "string": "string"
    },
    "experimentName": "string",
    "identity": {
      "identityType": "AMLToken"
    },
    "inputs": {
      "string": {
        "description": "string",
        "jobInputType": "literal",
        "value": "string"
      }
    },
    "jobType": "Command",
    "limits": {
      "jobLimitsType": "Command",
      "timeout": "PT5M"
    },
    "outputs": {
      "string": {
        "description": "string",
        "jobOutputType": "uri_file",
        "mode": "ReadWriteMount",
        "uri": "string"
      }
    },
    "properties": {
      "string": "string"
    },
    "resources": {
      "instanceCount": 1,
      "instanceType": "string",
      "properties": {
        "string": {
          "e6b6493e-7d5e-4db3-be1e-306ec641327e": null
        }
      }
    },
    "services": {
      "string": {
        "endpoint": "string",
        "jobServiceType": "string",
        "port": 1,
        "properties": {
          "string": "string"
        }
      }
    },
    "tags": {
      "string": "string"
    }
  }
}

範例回覆

狀態碼:: 200

{
  "name": "string",
  "type": "string",
  "id": "string",
  "properties": {
    "description": "string",
    "codeId": "string",
    "command": "string",
    "computeId": "string",
    "displayName": "string",
    "distribution": {
      "distributionType": "TensorFlow",
      "parameterServerCount": 1,
      "workerCount": 1
    },
    "environmentId": "string",
    "environmentVariables": {
      "string": "string"
    },
    "experimentName": "string",
    "identity": {
      "identityType": "AMLToken"
    },
    "inputs": {
      "string": {
        "description": "string",
        "jobInputType": "literal",
        "value": "string"
      }
    },
    "jobType": "Command",
    "limits": {
      "jobLimitsType": "Command",
      "timeout": "PT5M"
    },
    "outputs": {
      "string": {
        "description": "string",
        "jobOutputType": "uri_file",
        "mode": "ReadWriteMount",
        "uri": "string"
      }
    },
    "parameters": {
      "string": "string"
    },
    "properties": {
      "string": "string"
    },
    "resources": {
      "instanceCount": 1,
      "instanceType": "string",
      "properties": {
        "string": {
          "a0847709-f5aa-4561-8ba5-d915d403fdcf": null
        }
      }
    },
    "services": {
      "string": {
        "endpoint": "string",
        "errorMessage": "string",
        "jobServiceType": "string",
        "port": 1,
        "properties": {
          "string": "string"
        },
        "status": "string"
      }
    },
    "status": "NotStarted",
    "tags": {
      "string": "string"
    }
  },
  "systemData": {
    "createdAt": "2020-01-01T12:34:56.999Z",
    "createdBy": "string",
    "createdByType": "User",
    "lastModifiedAt": "2020-01-01T12:34:56.999Z",
    "lastModifiedBy": "string",
    "lastModifiedByType": "User"
  }
}

狀態碼:: 201

{
  "name": "string",
  "type": "string",
  "id": "string",
  "properties": {
    "description": "string",
    "codeId": "string",
    "command": "string",
    "computeId": "string",
    "displayName": "string",
    "distribution": {
      "distributionType": "TensorFlow",
      "parameterServerCount": 1,
      "workerCount": 1
    },
    "environmentId": "string",
    "environmentVariables": {
      "string": "string"
    },
    "experimentName": "string",
    "identity": {
      "identityType": "AMLToken"
    },
    "inputs": {
      "string": {
        "description": "string",
        "jobInputType": "literal",
        "value": "string"
      }
    },
    "jobType": "Command",
    "limits": {
      "jobLimitsType": "Command",
      "timeout": "PT5M"
    },
    "outputs": {
      "string": {
        "description": "string",
        "jobOutputType": "uri_file",
        "mode": "ReadWriteMount",
        "uri": "string"
      }
    },
    "parameters": {
      "string": "string"
    },
    "properties": {
      "string": "string"
    },
    "resources": {
      "instanceCount": 1,
      "instanceType": "string",
      "properties": {
        "string": {
          "b8163d40-c351-43d6-8a34-d0cd895b8a5a": null
        }
      }
    },
    "services": {
      "string": {
        "endpoint": "string",
        "errorMessage": "string",
        "jobServiceType": "string",
        "port": 1,
        "properties": {
          "string": "string"
        },
        "status": "string"
      }
    },
    "status": "NotStarted",
    "tags": {
      "string": "string"
    }
  },
  "systemData": {
    "createdAt": "2020-01-01T12:34:56.999Z",
    "createdBy": "string",
    "createdByType": "User",
    "lastModifiedAt": "2020-01-01T12:34:56.999Z",
    "lastModifiedBy": "string",
    "lastModifiedByType": "User"
  }
}

CreateOrUpdate Pipeline Job.

範例要求

HTTP

PUT https://management.azure.com/subscriptions/00000000-1111-2222-3333-444444444444/resourceGroups/test-rg/providers/Microsoft.MachineLearningServices/workspaces/my-aml-workspace/jobs/string?api-version=2025-12-01

{
  "properties": {
    "description": "string",
    "computeId": "string",
    "displayName": "string",
    "experimentName": "string",
    "inputs": {
      "string": {
        "description": "string",
        "jobInputType": "literal",
        "value": "string"
      }
    },
    "jobType": "Pipeline",
    "outputs": {
      "string": {
        "description": "string",
        "jobOutputType": "uri_file",
        "mode": "Upload",
        "uri": "string"
      }
    },
    "properties": {
      "string": "string"
    },
    "services": {
      "string": {
        "endpoint": "string",
        "jobServiceType": "string",
        "port": 1,
        "properties": {
          "string": "string"
        }
      }
    },
    "settings": {},
    "tags": {
      "string": "string"
    }
  }
}

範例回覆

狀態碼:: 200

{
  "name": "string",
  "type": "string",
  "id": "string",
  "properties": {
    "description": "string",
    "computeId": "string",
    "displayName": "string",
    "experimentName": "string",
    "inputs": {
      "string": {
        "description": "string",
        "jobInputType": "literal",
        "value": "string"
      }
    },
    "jobType": "Pipeline",
    "outputs": {
      "string": {
        "description": "string",
        "jobOutputType": "uri_file",
        "mode": "Upload",
        "uri": "string"
      }
    },
    "properties": {
      "string": "string"
    },
    "services": {
      "string": {
        "endpoint": "string",
        "errorMessage": "string",
        "jobServiceType": "string",
        "port": 1,
        "properties": {
          "string": "string"
        },
        "status": "string"
      }
    },
    "settings": {},
    "status": "NotStarted",
    "tags": {
      "string": "string"
    }
  },
  "systemData": {
    "createdAt": "2020-01-01T12:34:56.999Z",
    "createdBy": "string",
    "createdByType": "User",
    "lastModifiedAt": "2020-01-01T12:34:56.999Z",
    "lastModifiedBy": "string",
    "lastModifiedByType": "User"
  }
}

狀態碼:: 201

{
  "name": "string",
  "type": "string",
  "id": "string",
  "properties": {
    "description": "string",
    "computeId": "string",
    "displayName": "string",
    "experimentName": "string",
    "inputs": {
      "string": {
        "description": "string",
        "jobInputType": "literal",
        "value": "string"
      }
    },
    "jobType": "Pipeline",
    "outputs": {
      "string": {
        "description": "string",
        "jobOutputType": "uri_file",
        "mode": "Upload",
        "uri": "string"
      }
    },
    "properties": {
      "string": "string"
    },
    "services": {
      "string": {
        "endpoint": "string",
        "errorMessage": "string",
        "jobServiceType": "string",
        "port": 1,
        "properties": {
          "string": "string"
        },
        "status": "string"
      }
    },
    "settings": {},
    "status": "NotStarted",
    "tags": {
      "string": "string"
    }
  },
  "systemData": {
    "createdAt": "2020-01-01T12:34:56.999Z",
    "createdBy": "string",
    "createdByType": "User",
    "lastModifiedAt": "2020-01-01T12:34:56.999Z",
    "lastModifiedBy": "string",
    "lastModifiedByType": "User"
  }
}

CreateOrUpdate Sweep Job.

範例要求

HTTP

PUT https://management.azure.com/subscriptions/00000000-1111-2222-3333-444444444444/resourceGroups/test-rg/providers/Microsoft.MachineLearningServices/workspaces/my-aml-workspace/jobs/string?api-version=2025-12-01

{
  "properties": {
    "description": "string",
    "computeId": "string",
    "displayName": "string",
    "earlyTermination": {
      "delayEvaluation": 1,
      "evaluationInterval": 1,
      "policyType": "MedianStopping"
    },
    "experimentName": "string",
    "jobType": "Sweep",
    "limits": {
      "jobLimitsType": "Sweep",
      "maxConcurrentTrials": 1,
      "maxTotalTrials": 1,
      "trialTimeout": "PT1S"
    },
    "objective": {
      "goal": "Minimize",
      "primaryMetric": "string"
    },
    "properties": {
      "string": "string"
    },
    "samplingAlgorithm": {
      "samplingAlgorithmType": "Grid"
    },
    "searchSpace": {
      "string": {}
    },
    "services": {
      "string": {
        "endpoint": "string",
        "jobServiceType": "string",
        "port": 1,
        "properties": {
          "string": "string"
        }
      }
    },
    "tags": {
      "string": "string"
    },
    "trial": {
      "codeId": "string",
      "command": "string",
      "distribution": {
        "distributionType": "Mpi",
        "processCountPerInstance": 1
      },
      "environmentId": "string",
      "environmentVariables": {
        "string": "string"
      },
      "resources": {
        "instanceCount": 1,
        "instanceType": "string",
        "properties": {
          "string": {
            "e6b6493e-7d5e-4db3-be1e-306ec641327e": null
          }
        }
      }
    }
  }
}

範例回覆

狀態碼:: 200

{
  "name": "string",
  "type": "string",
  "id": "string",
  "properties": {
    "description": "string",
    "computeId": "string",
    "displayName": "string",
    "earlyTermination": {
      "delayEvaluation": 1,
      "evaluationInterval": 1,
      "policyType": "MedianStopping"
    },
    "experimentName": "string",
    "jobType": "Sweep",
    "limits": {
      "jobLimitsType": "Sweep",
      "maxConcurrentTrials": 1,
      "maxTotalTrials": 1,
      "trialTimeout": "PT1S"
    },
    "objective": {
      "goal": "Minimize",
      "primaryMetric": "string"
    },
    "properties": {
      "string": "string"
    },
    "samplingAlgorithm": {
      "samplingAlgorithmType": "Grid"
    },
    "searchSpace": {
      "string": {}
    },
    "services": {
      "string": {
        "endpoint": "string",
        "errorMessage": "string",
        "jobServiceType": "string",
        "port": 1,
        "properties": {
          "string": "string"
        },
        "status": "string"
      }
    },
    "status": "NotStarted",
    "tags": {
      "string": "string"
    },
    "trial": {
      "codeId": "string",
      "command": "string",
      "distribution": {
        "distributionType": "Mpi",
        "processCountPerInstance": 1
      },
      "environmentId": "string",
      "environmentVariables": {
        "string": "string"
      },
      "resources": {
        "instanceCount": 1,
        "instanceType": "string",
        "properties": {
          "string": {
            "e6b6493e-7d5e-4db3-be1e-306ec641327e": null
          }
        }
      }
    }
  },
  "systemData": {
    "createdAt": "2020-01-01T12:34:56.999Z",
    "createdBy": "string",
    "createdByType": "User",
    "lastModifiedAt": "2020-01-01T12:34:56.999Z",
    "lastModifiedBy": "string",
    "lastModifiedByType": "User"
  }
}

狀態碼:: 201

{
  "name": "string",
  "type": "string",
  "id": "string",
  "properties": {
    "description": "string",
    "computeId": "string",
    "displayName": "string",
    "earlyTermination": {
      "delayEvaluation": 1,
      "evaluationInterval": 1,
      "policyType": "MedianStopping"
    },
    "experimentName": "string",
    "jobType": "Sweep",
    "limits": {
      "jobLimitsType": "Sweep",
      "maxConcurrentTrials": 1,
      "maxTotalTrials": 1,
      "trialTimeout": "PT1S"
    },
    "objective": {
      "goal": "Minimize",
      "primaryMetric": "string"
    },
    "properties": {
      "string": "string"
    },
    "samplingAlgorithm": {
      "samplingAlgorithmType": "Grid"
    },
    "searchSpace": {
      "string": {}
    },
    "services": {
      "string": {
        "endpoint": "string",
        "errorMessage": "string",
        "jobServiceType": "string",
        "port": 1,
        "properties": {
          "string": "string"
        },
        "status": "string"
      }
    },
    "status": "NotStarted",
    "tags": {
      "string": "string"
    },
    "trial": {
      "codeId": "string",
      "command": "string",
      "distribution": {
        "distributionType": "Mpi",
        "processCountPerInstance": 1
      },
      "environmentId": "string",
      "environmentVariables": {
        "string": "string"
      },
      "resources": {
        "instanceCount": 1,
        "instanceType": "string",
        "properties": {
          "string": {
            "e6b6493e-7d5e-4db3-be1e-306ec641327e": null
          }
        }
      }
    }
  },
  "systemData": {
    "createdAt": "2020-01-01T12:34:56.999Z",
    "createdBy": "string",
    "createdByType": "User",
    "lastModifiedAt": "2020-01-01T12:34:56.999Z",
    "lastModifiedBy": "string",
    "lastModifiedByType": "User"
  }
}

定義

名稱	Description
AllNodes	所有節點表示服務將在工作的所有節點上執行
AmlToken	AML 權杖身分識別設定。
AutoForecastHorizon	預測範圍由系統自動確定。
AutoMLJob	AutoMLJob 類別。使用此類別來執行 AutoML 工作，例如分類/迴歸等。請參閱 TaskType 列舉，以取得支援的所有工作。
AutoNCrossValidations	N-Cross 驗證自動確定。
AutoSeasonality
AutoTargetLags
AutoTargetRollingWindowSize	目標滯後滾動窗口自動確定。
AzureDevOpsWebhook	Azure DevOps 特定的 Webhook 詳細數據
BanditPolicy	根據鬆弛標準定義提前終止策略，以及用於評估的頻率和延遲間隔
BayesianSamplingAlgorithm	定義取樣演算法，根據先前的值產生值
BlockedTransformers	AutoML 支援之所有分類模型的列舉。
Classification	AutoML Table 垂直中的分類工作。
ClassificationModels	AutoML 支援之所有分類模型的列舉。
ClassificationMultilabelPrimaryMetrics	分類多標籤工作的主要指標。
ClassificationPrimaryMetrics	分類工作的主要指標。
ClassificationTrainingSettings	分類訓練相關組態。
CommandJob	命令工作定義。
CommandJobLimits	Command Job limit 類別。
createdByType	建立資源的身分識別類型。
CustomForecastHorizon	所需的最大預測範圍，以時間序列頻率單位為單位。
CustomModelJobInput
CustomModelJobOutput
CustomNCrossValidations	N-Cross驗證由用戶指定。
CustomSeasonality
CustomTargetLags
CustomTargetRollingWindowSize
DistributionType	列舉以決定工作分配類型。
EarlyTerminationPolicyType
EmailNotificationEnableType	列舉以決定電子郵件通知類型。
ErrorAdditionalInfo	資源管理錯誤其他資訊。
ErrorDetail	錯誤詳細數據。
ErrorResponse	錯誤回應
FeatureLags	產生數值特徵延遲的旗標。
FeaturizationMode	特徵化模式 - 使用者可以保留預設的「自動」模式，而 AutoML 會負責在特徵化階段中轉換數據的必要轉換。如果選取 [關閉]，則不會完成特徵化。如果選取 [自定義]，則使用者可以指定其他輸入，以自定義特徵化的完成方式。
ForecastHorizonMode	列舉，以決定預測範圍選取模式。
Forecasting	AutoML Table 垂直中的預測工作。
ForecastingModels	AutoML 支援的所有預測模型的列舉。
ForecastingPrimaryMetrics	預測任務的主要量度。
ForecastingSettings	預測特定參數。
ForecastingTrainingSettings	預測訓練相關組態。
Goal	定義超參數調整的支援指標目標
GridSamplingAlgorithm	定義取樣演算法，以詳盡地產生空間中的每個值組合
IdentityConfigurationType	列舉來判斷身分識別架構。
ImageClassification	圖像分類。當圖像僅使用一組類別中的單個標籤進行分類時，使用多類圖像分類 - 例如，每個圖像被分類為“貓”或“狗”或“鴨子”的圖像。
ImageClassificationMultilabel	影像分類多標籤。當圖像可以具有一組標籤中的一個或多個標籤時，會使用多標籤圖像分類 - 例如，圖像可以同時標記為“貓”和“狗”。
ImageInstanceSegmentation	影像執行個體分割。實例分割用於在像素層級識別影像中的對象，在影像中的每個物件周圍繪製多邊形。
ImageLimitSettings	限制 AutoML 任務的設定。
ImageModelDistributionSettingsClassification	用於掃描模型設定值的分佈運算式。 <範例> 一些範例是： ModelName = "choice('seresnext', 'resnest50')"; LearningRate = "uniform(0.001, 0.01)"; LayersToFreeze = "choice(0, 2)"; ```</example> For more details on how to compose distribution expressions please check the documentation: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-tune-hyperparameters For more information on the available settings please visit the official documentation: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
ImageModelDistributionSettingsObjectDetection	用於掃描模型設定值的分佈運算式。 <範例> 一些範例是： ModelName = "choice('seresnext', 'resnest50')"; LearningRate = "uniform(0.001, 0.01)"; LayersToFreeze = "choice(0, 2)"; ```</example> For more details on how to compose distribution expressions please check the documentation: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-tune-hyperparameters For more information on the available settings please visit the official documentation: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
ImageModelSettingsClassification	用於定型模型的設定。有關可用設置的更多信息，請訪問官方文檔： https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models。
ImageModelSettingsObjectDetection	用於定型模型的設定。有關可用設置的更多信息，請訪問官方文檔： https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models。
ImageObjectDetection	影像物件偵測。對象檢測用於識別圖像中的對象並使用邊界框定位每個對象，例如定位圖像中的所有狗和貓，並在每個周圍繪製一個邊界框。
ImageSweepSettings	模型掃掠和超參數掃掠相關設定。
InputDeliveryMode	列舉以決定輸入資料傳遞模式。
InstanceSegmentationPrimaryMetrics	InstanceSegmentation 任務的主要指標。
JobBase	Azure Resource Manager 資源信封。
JobInputType	列舉以決定工作輸入類型。
JobLimitsType
JobOutputType	列舉以決定工作輸出類型。
JobResourceConfiguration
JobService	工作端點定義
JobStatus	作業的狀態。
JobTier	要判斷作業層的列舉。
JobType	列舉以決定工作類型。
LearningRateScheduler	學習速率排程器列舉。
LiteralJobInput	文字輸入類型。
LogVerbosity	列舉，用於設定記錄詳細程度。
ManagedIdentity	受控識別設定。
MedianStoppingPolicy	根據所有執行的主要度量的執行平均值來定義提前終止原則
MLFlowModelJobInput
MLFlowModelJobOutput
MLTableJobInput
MLTableJobOutput
ModelSize	圖像模型大小。
Mpi	MPI 發佈組態。
NCrossValidationsMode	決定如何決定 N-Cross 驗證值。
NlpVerticalFeaturizationSettings
NlpVerticalLimitSettings	作業執行限制。
NodesValueType	節點值的列舉類型
NotificationSetting	通知的組態。
ObjectDetectionPrimaryMetrics	影像物件偵測工作的主要度量。
Objective	優化目標。
OutputDeliveryMode	輸出資料傳遞模式列舉。
PipelineJob	管線作業定義：定義 MFE 屬性的泛型。
PyTorch	PyTorch 分發組態。
QueueSettings
RandomSamplingAlgorithm	定義隨機產生值的取樣演算法
RandomSamplingAlgorithmRule	隨機演算法的特定類型
Regression	AutoML Table 垂直中的迴歸工作。
RegressionModels	AutoML 支援之所有迴歸模型的列舉。
RegressionPrimaryMetrics	迴歸工作的主要指標。
RegressionTrainingSettings	迴歸訓練相關組態。
SamplingAlgorithmType
SeasonalityMode	預測季節性模式。
ShortSeriesHandlingConfiguration	定義 AutoML 是否應該處理短時間序列的參數。
SparkJob	Spark 作業定義。
SparkJobEntryType
SparkJobPythonEntry
SparkJobScalaEntry
SparkResourceConfiguration
StackEnsembleSettings	自訂 StackEnsemble 執行的進階設定。
StackMetaLearnerType	元學習器是一個訓練於各個異構模型輸出的模型。\r\n預設的元學習器包括用於分類任務的 LogisticRegression（若啟用交叉驗證則為 LogisticRegressionCV），以及用於迴歸/預測任務的 ElasticNet（或啟用交叉驗證則為 ElasticNetCV）。\r\n此參數可以是以下字串之一：LogisticRegression、LogisticRegressionCV、LightGBMClassifier、ElasticNet、ElasticNetCV、LightGBMRegressor 或 LinearRegression
StochasticOptimizer	圖像模型的隨機優化器。
SweepJob	掃描工作定義。
SweepJobLimits	Sweep Job limit 類別。
systemData	與建立和上次修改資源相關的元數據。
TableVerticalFeaturizationSettings	特徵化設定。
TableVerticalLimitSettings	作業執行限制。
TargetAggregationFunction	目標彙總函式。
TargetLagsMode	目標延遲選取模式。
TargetRollingWindowSizeMode	目標滾動視窗大小模式。
TaskType	AutoMLJob 工作類型。
TensorFlow	TensorFlow 分佈配置。
TextClassification	AutoML NLP 垂直領域的文字分類工作。 NLP - 自然語言處理。
TextClassificationMultilabel	AutoML NLP 垂直領域的文字分類多標籤工作。 NLP - 自然語言處理。
TextNer	AutoML NLP 垂直領域中的 Text-NER 工作。 NER - 具名實體辨識。 NLP - 自然語言處理。
TrialComponent	試用版元件定義。
TritonModelJobInput
TritonModelJobOutput
TruncationSelectionPolicy	定義提前終止原則，以在每個評估間隔取消給定百分比的執行。
UriFileJobInput
UriFileJobOutput
UriFolderJobInput
UriFolderJobOutput
UserIdentity	使用者身分識別組態。
UseStl	設定時間序列目標數據行的 STL 分解。
ValidationMetricType	用於影像任務中驗證指標的指標計算方法。
WebhookType	列舉來判斷 Webhook 回呼服務類型。

AllNodes

Object

所有節點表示服務將在工作的所有節點上執行

名稱	類型	Description
nodesValueType	string: All	[必要]Nodes 值的類型

AmlToken

Object

AML 權杖身分識別設定。

名稱	類型	Description
identityType	string: AMLToken	[必要]指定身分識別架構的類型。

AutoForecastHorizon

Object

預測範圍由系統自動確定。

名稱	類型	Description
mode	string: Auto	[必要]設定預測地平線值選取模式。

AutoMLJob

Object

AutoMLJob 類別。使用此類別來執行 AutoML 工作，例如分類/迴歸等。請參閱 TaskType 列舉，以取得支援的所有工作。

名稱	類型	預設值	Description
componentId	string		元件資源的 ARM 資源識別碼。
computeId	string		計算資源的 ARM 資源識別碼。
description	string		資產描述文字。
displayName	string		工作的顯示名稱。
environmentId	string		作業之環境規格的 ARM 資源識別碼。如果未提供，這是選擇性的值，AutoML 會在執行作業時，將此預設為 Production AutoML 策展環境版本。
environmentVariables	object		作業中包含的環境變數。
experimentName	string	Default	作業所屬的實驗名稱。如果未設定，作業會放在「默認」實驗中。
identity	IdentityConfiguration: AmlToken ManagedIdentity UserIdentity		身分識別設定。如果設定，這應該是其中一個 AmlToken、ManagedIdentity、UserIdentity 或 null。如果為 null，則預設為 AmlToken。
isArchived	boolean	False	資產是否已封存？
jobType	string: AutoML		[必要]指定作業的類型。
notificationSetting	NotificationSetting		作業的通知設定
outputs	object		對應作業中使用的輸出數據系結。
properties	object		資產屬性字典。
queueSettings	QueueSettings		作業的佇列設定
resources	JobResourceConfiguration		作業的計算資源組態。
services	<string, JobService>		JobEndpoints 的清單。針對本機作業，作業端點會有 FileStreamObject 的端點值。
status	JobStatus		作業狀態。
tags	object		標記字典。標記可以新增、移除和更新。
taskDetails	AutoMLVertical: Classification Forecasting ImageClassification ImageClassificationMultilabel ImageInstanceSegmentation ImageObjectDetection Regression TextClassification TextClassificationMultilabel TextNer		[必要]這代表可以是其中一個數據表/NLP/Image 的案例

AutoNCrossValidations

Object

N-Cross 驗證自動確定。

名稱	類型	Description
mode	string: Auto	[必要]判斷 N-Cross 驗證的模式。

AutoSeasonality

Object

名稱	類型	Description
mode	string: Auto	[必要]季節性模式。

AutoTargetLags

Object

名稱	類型	Description
mode	string: Auto	[必要]設定目標延隔模式 - 自動/自定義

AutoTargetRollingWindowSize

Object

目標滯後滾動窗口自動確定。

名稱	類型	Description
mode	string: Auto	[必要]TargetRollingWindowSiz 偵測模式。

AzureDevOpsWebhook

Object

Azure DevOps 特定的 Webhook 詳細數據

名稱	類型	Description
eventType	string	在指定的通知事件上傳送回呼
webhookType	string: AzureDevOps	[必要]指定要傳送回呼的服務類型

BanditPolicy

Object

根據鬆弛標準定義提前終止策略，以及用於評估的頻率和延遲間隔

名稱	類型	預設值	Description
delayEvaluation	integer (int32)	0	延遲第一次評估的間隔數目。
evaluationInterval	integer (int32)	0	原則評估之間的間隔（執行次數）。
policyType	string: Bandit		[必要]原則設定的名稱
slackAmount	number (float)	0	從最佳執行執行中允許的絕對距離。
slackFactor	number (float)	0	與最佳執行距離的允許距離比率。

BayesianSamplingAlgorithm

Object

定義取樣演算法，根據先前的值產生值

名稱	類型	Description
samplingAlgorithmType	string: Bayesian	[必要]用來產生超參數值的演算法，以及組態屬性

BlockedTransformers

列舉型別

AutoML 支援之所有分類模型的列舉。

值	Description
TextTargetEncoder	文字資料的目標編碼。
OneHotEncoder	Ohe 熱編碼創建二進制特徵轉換。
CatTargetEncoder	類別資料的目標編碼。
TfIdf	Tf-Idf 代表術語-頻率乘以文件-頻率的反比。這是從文件中識別資訊的常用術語加權方案。
WoETargetEncoder	證據權重編碼是一種用於編碼分類變數的技術。它使用 P（1）/P（0）的自然對數來建立權重。
LabelEncoder	標籤編碼器以數字形式轉換標籤/分類變數。
WordEmbedding	單字嵌入有助於將單字或片語表示為向量或一系列數字。
NaiveBayes	樸素貝葉斯是一種分類，用於分類分佈的離散特徵。
CountVectorizer	計數向量化器將文字文件的集合轉換為權杖計數矩陣。
HashOneHotEncoder	哈希一個熱編碼器可以將分類變量轉化為有限數量的新功能。這通常用於高基數類別特徵。

Classification

Object

AutoML Table 垂直中的分類工作。

名稱	類型	預設值	Description
cvSplitColumnNames	string[]		要用於 CVSplit 資料的數據行。
featurizationSettings	TableVerticalFeaturizationSettings		AutoML 作業所需的特徵化輸入。
limitSettings	TableVerticalLimitSettings		AutoMLJob 的執行條件約束。
logVerbosity	LogVerbosity	Info	列舉，用於設定記錄詳細程度。
nCrossValidations	NCrossValidations: AutoNCrossValidations CustomNCrossValidations		未提供驗證資料集時，要套用在訓練資料集上的交叉驗證摺疊數目。
positiveLabel	string		二進位計量計算的正標籤。
primaryMetric	ClassificationPrimaryMetrics	AUCWeighted	分類工作的主要指標。
targetColumnName	string		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。
taskType	string: Classification		[必要]AutoMLJob 的工作類型。
testData	MLTableJobInput		測試數據輸入。
testDataSize	number (double)		必須為驗證目的而保留的測試數據集分數。介於（0.0 ， 1.0）之間的值未提供驗證資料集時套用。
trainingData	MLTableJobInput		[必要]定型數據輸入。
trainingSettings	ClassificationTrainingSettings		AutoML 作業定型階段的輸入。
validationData	MLTableJobInput		驗證數據輸入。
validationDataSize	number (double)		需要為驗證目的預留的定型數據集分數。介於（0.0 ， 1.0）之間的值未提供驗證資料集時套用。
weightColumnName	string		範例權數數據行的名稱。自動化 ML 支援加權數據行做為輸入，導致數據中的數據列向上或向下加權。

ClassificationModels

列舉型別

AutoML 支援之所有分類模型的列舉。

值	Description
LogisticRegression	邏輯迴歸是一種基本的分類技術。它屬於線性分類器組，有點類似多項式和線性迴歸。邏輯迴歸速度快，相對簡單，方便您解讀結果。雖然它本質上是一種二元分類的方法，但它也可以應用於多類別問題。
SGD	SGD：隨機梯度下降是一種常用於機器學習應用的最佳化演算法，用於尋找與預測輸出和實際輸出之間最佳擬合相對應的模型參數。
MultinomialNaiveBayes	多項式樸素貝葉斯分類器適用於具有離散特徵的分類（例如，文字分類的字數統計）。多項式分佈通常需要整數特徵計數。然而，在實踐中，諸如 tf-idf 之類的分數計數也可能有效。
BernoulliNaiveBayes	多變量伯努利模型的樸素貝葉斯分類器。
SVM	支援向量機（SVM）是一種監督式機器學習模型，它使用分類演算法來處理兩組分類問題。為 SVM 模型提供每個類別的標記訓練資料集後，他們能夠對新文字進行分類。
LinearSVM	支援向量機（SVM）是一種監督式機器學習模型，它使用分類演算法來處理兩組分類問題。為 SVM 模型提供每個類別的標記訓練資料集後，他們能夠對新文字進行分類。當輸入資料是線性的時，線性 SVM 的效能最佳，也就是說，可以透過在繪製的圖表上的分類值之間繪製直線來輕鬆對資料進行分類。
KNN	K 最近鄰（KNN）演算法使用「特徵相似性」來預測新資料點的值，這進一步意味著新資料點將根據與訓練集中的點的匹配程度分配一個值。
DecisionTree	決策樹是一種非參數監督學習方法，用於分類和迴歸任務。目標是建立一個模型，透過學習從資料特徵推斷的簡單決策規則來預測目標變數的值。
RandomForest	隨機森林是一種監督學習演算法。它構建的“森林”是決策樹的集合，通常使用“裝袋”方法進行訓練。套袋方法的總體思想是學習模型的組合增加了整體結果。
ExtremeRandomTrees	Extreme Trees 是一種集成機器學習算法，它結合了許多決策樹的預測。它與廣泛使用的隨機森林演算法有關。
LightGBM	LightGBM 是一個梯度提升框架，它使用基於樹的學習演算法。
GradientBoosting	將每週學習者轉變為強學習者的技術稱為提升。梯度提升演算法過程基於這種執行理論。
XGBoostClassifier	XGBoost：極限梯度提升演算法。此演算法用於結構化資料，其中目標資料行值可以劃分為不同的類別值。

ClassificationMultilabelPrimaryMetrics

列舉型別

分類多標籤工作的主要指標。

值	Description
AUCWeighted	AUC 是曲線下面積。此指標代表每個類別分數的算術平均值，並依每個類別中的真實實例數目加權。
Accuracy	精確度是完全符合 true 類別標籤的預測比率。
NormMacroRecall	標準化的宏平均重新叫用是重新叫用的宏平均，並已經過標準化，因此隨機效能的分數為 0，完美效能的分數為 1。
AveragePrecisionScoreWeighted	每個類別的平均精確度分數的算術平均值，依每個類別中的真實實例數目加權。
PrecisionScoreWeighted	每個類別的精確度算術平均值，依每個類別中的真實實例數目加權。
IOU	工會的交叉點。預測的交集除以預測的並集。

ClassificationPrimaryMetrics

列舉型別

分類工作的主要指標。

值	Description
AUCWeighted	AUC 是曲線下面積。此指標代表每個類別分數的算術平均值，並依每個類別中的真實實例數目加權。
Accuracy	精確度是完全符合 true 類別標籤的預測比率。
NormMacroRecall	標準化的宏平均重新叫用是重新叫用的宏平均，並已經過標準化，因此隨機效能的分數為 0，完美效能的分數為 1。
AveragePrecisionScoreWeighted	每個類別的平均精確度分數的算術平均值，依每個類別中的真實實例數目加權。
PrecisionScoreWeighted	每個類別的精確度算術平均值，依每個類別中的真實實例數目加權。

ClassificationTrainingSettings

Object

分類訓練相關組態。

名稱	類型	預設值	Description
allowedTrainingAlgorithms	ClassificationModels[]		分類工作的允許模型。
blockedTrainingAlgorithms	ClassificationModels[]		分類工作的封鎖模型。
enableDnnTraining	boolean	False	啟用 DNN 模型的建議。
enableModelExplainability	boolean	True	在最佳模型上開啟可解釋性的旗標。
enableOnnxCompatibleModels	boolean	False	啟用 onnx 相容模型的旗標。
enableStackEnsemble	boolean	True	啟用堆疊合奏執行。
enableVoteEnsemble	boolean	True	啟用投票合奏執行。
ensembleModelDownloadTimeout	string (duration)	PT5M	在 VotingEnsemble 和 StackEnsemble 模型產生期間，會下載先前子回合中的多個安裝模型。如果需要更多時間，請使用高於 300 秒的值來設定此參數。
stackEnsembleSettings	StackEnsembleSettings		堆疊合奏執行的堆疊合奏設定。

CommandJob

Object

命令工作定義。

名稱	類型	預設值	Description
codeId	string		程式代碼資產的 ARM 資源識別碼。
command	string minLength: 1 pattern: [a-zA-Z0-9_]		[必要]在作業啟動時執行的命令。 eg. “python train.py”
componentId	string		元件資源的 ARM 資源識別碼。
computeId	string		計算資源的 ARM 資源識別碼。
description	string		資產描述文字。
displayName	string		工作的顯示名稱。
distribution	DistributionConfiguration: Mpi PyTorch TensorFlow		作業的散發組態。如果設定，這應該是其中一個 Mpi、Tensorflow、PyTorch 或 null。
environmentId	string minLength: 1 pattern: [a-zA-Z0-9_]		[必要]作業之環境規格的 ARM 資源識別碼。
environmentVariables	object		作業中包含的環境變數。
experimentName	string	Default	作業所屬的實驗名稱。如果未設定，作業會放在「默認」實驗中。
identity	IdentityConfiguration: AmlToken ManagedIdentity UserIdentity		身分識別設定。如果設定，這應該是其中一個 AmlToken、ManagedIdentity、UserIdentity 或 null。如果為 null，則預設為 AmlToken。
inputs	object		對應作業中使用的輸入數據系結。
isArchived	boolean	False	資產是否已封存？
jobType	string: Command		[必要]指定作業的類型。
limits	CommandJobLimits		命令作業限制。
notificationSetting	NotificationSetting		作業的通知設定
outputs	object		對應作業中使用的輸出數據系結。
parameters			輸入參數。
properties	object		資產屬性字典。
queueSettings	QueueSettings		作業的佇列設定
resources	JobResourceConfiguration		作業的計算資源組態。
services	<string, JobService>		JobEndpoints 的清單。針對本機作業，作業端點會有 FileStreamObject 的端點值。
status	JobStatus		作業狀態。
tags	object		標記字典。標記可以新增、移除和更新。

CommandJobLimits

Object

Command Job limit 類別。

名稱	類型	Description
jobLimitsType	string: Command	[必要]JobLimit 類型。
timeout	string (duration)	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。

createdByType

列舉型別

建立資源的身分識別類型。

值	Description
User
Application
ManagedIdentity
Key

CustomForecastHorizon

Object

所需的最大預測範圍，以時間序列頻率單位為單位。

名稱	類型	Description
mode	string: Custom	[必要]設定預測地平線值選取模式。
value	integer (int32)	[必要]預測地平線值。

CustomModelJobInput

Object

名稱	類型	預設值	Description
description	string		輸入的描述。
jobInputType	string: custom_model		[必要]指定作業的類型。
mode	InputDeliveryMode	ReadOnlyMount	列舉以決定輸入資料傳遞模式。
uri	string minLength: 1 pattern: [a-zA-Z0-9_]		[必要]輸入資產 URI。

CustomModelJobOutput

Object

名稱	類型	預設值	Description
assetName	string		輸出資產名稱。
description	string		輸出的描述。
jobOutputType	string: custom_model		[必要]指定作業的類型。
mode	OutputDeliveryMode	ReadWriteMount	輸出資料傳遞模式列舉。
uri	string		輸出資產 URI。

CustomNCrossValidations

Object

N-Cross驗證由用戶指定。

名稱	類型	Description
mode	string: Custom	[必要]判斷 N-Cross 驗證的模式。
value	integer (int32)	[必要]N-Cross 驗證值。

CustomSeasonality

Object

名稱	類型	Description
mode	string: Custom	[必要]季節性模式。
value	integer (int32)	[必要]季節性值。

CustomTargetLags

Object

名稱	類型	Description
mode	string: Custom	[必要]設定目標延隔模式 - 自動/自定義
values	integer[] (int32)	[必要]設定目標延遲值。

CustomTargetRollingWindowSize

Object

名稱	類型	Description
mode	string: Custom	[必要]TargetRollingWindowSiz 偵測模式。
value	integer (int32)	[必要]TargetRollingWindowSize 值。

DistributionType

列舉型別

列舉以決定工作分配類型。

值	Description
PyTorch
TensorFlow
Mpi

EarlyTerminationPolicyType

列舉型別

值	Description
Bandit
MedianStopping
TruncationSelection

EmailNotificationEnableType

列舉型別

列舉以決定電子郵件通知類型。

值	Description
JobCompleted
JobFailed
JobCancelled

ErrorAdditionalInfo

Object

資源管理錯誤其他資訊。

名稱	類型	Description
info	object	附加資訊。
type	string	其他資訊類型。

ErrorDetail

Object

錯誤詳細數據。

名稱	類型	Description
additionalInfo	ErrorAdditionalInfo[]	錯誤附加資訊。
code	string	錯誤碼。
details	ErrorDetail[]	錯誤詳細數據。
message	string	錯誤訊息。
target	string	錯誤目標。

ErrorResponse

Object

錯誤回應

名稱	類型	Description
error	ErrorDetail	錯誤物件。

FeatureLags

列舉型別

產生數值特徵延遲的旗標。

值	Description
None	不會產生特徵延遲。
Auto	系統自動產生功能延遲。

FeaturizationMode

列舉型別

特徵化模式 - 使用者可以保留預設的「自動」模式，而 AutoML 會負責在特徵化階段中轉換數據的必要轉換。如果選取 [關閉]，則不會完成特徵化。如果選取 [自定義]，則使用者可以指定其他輸入，以自定義特徵化的完成方式。

值	Description
Auto	自動模式，系統會執行特徵化，而不需要任何自定義特徵化輸入。
Custom	自訂特徵化。
Off	特徵化關閉。「預測」任務無法使用此值。

ForecastHorizonMode

列舉型別

列舉，以決定預測範圍選取模式。

值	Description
Auto	預測範圍將自動確定。
Custom	使用自訂預測期間。

Forecasting

Object

AutoML Table 垂直中的預測工作。

名稱	類型	預設值	Description
cvSplitColumnNames	string[]		要用於 CVSplit 資料的數據行。
featurizationSettings	TableVerticalFeaturizationSettings		AutoML 作業所需的特徵化輸入。
forecastingSettings	ForecastingSettings		預測工作特定輸入。
limitSettings	TableVerticalLimitSettings		AutoMLJob 的執行條件約束。
logVerbosity	LogVerbosity	Info	列舉，用於設定記錄詳細程度。
nCrossValidations	NCrossValidations: AutoNCrossValidations CustomNCrossValidations		未提供驗證資料集時，要套用在訓練資料集上的交叉驗證摺疊數目。
primaryMetric	ForecastingPrimaryMetrics	NormalizedRootMeanSquaredError	預測任務的主要量度。
targetColumnName	string		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。
taskType	string: Forecasting		[必要]AutoMLJob 的工作類型。
testData	MLTableJobInput		測試數據輸入。
testDataSize	number (double)		必須為驗證目的而保留的測試數據集分數。介於（0.0 ， 1.0）之間的值未提供驗證資料集時套用。
trainingData	MLTableJobInput		[必要]定型數據輸入。
trainingSettings	ForecastingTrainingSettings		AutoML 作業定型階段的輸入。
validationData	MLTableJobInput		驗證數據輸入。
validationDataSize	number (double)		需要為驗證目的預留的定型數據集分數。介於（0.0 ， 1.0）之間的值未提供驗證資料集時套用。
weightColumnName	string		範例權數數據行的名稱。自動化 ML 支援加權數據行做為輸入，導致數據中的數據列向上或向下加權。

ForecastingModels

列舉型別

AutoML 支援的所有預測模型的列舉。

值	Description
AutoArima	自動自回歸綜合移動平均線（ARIMA）模型使用時間序列數據和統計分析來解釋數據並做出未來預測。該模型旨在通過使用過去值的時間序列數據來解釋數據，並使用線性回歸進行預測。
Prophet	Prophet 是根據加法模型來預測時間序列資料的程序，其中非線性趨勢符合每年、每週和每天的季節性，以及假日效應。它最適合具有強烈季節性影響的時間序列和數個季節的歷史資料。 Prophet 對缺失資料和趨勢變化具有穩健性，並且通常可以很好地處理異常值。
Naive	樸素預測模型會透過結轉訓練資料中每個時間序列的最新目標值來進行預測。
SeasonalNaive	季節性樸素預測模型會透過結轉訓練資料中每個時間序列的最新季節目標值來進行預測。
Average	平均預測模型會透過結轉訓練資料中每個時間序列的目標值平均值來進行預測。
SeasonalAverage	季節性平均預測模型會結轉訓練資料中每個時間序列的最新一季資料平均值，以進行預測。
ExponentialSmoothing	指數平滑化是單變數資料的時間序列預測方法，可以延伸以支援具有系統趨勢或季節性元件的資料。
Arimax	具有解釋變數的自迴歸綜合移動平均線（ARIMAX）模型可以視為具有一或多個自迴歸（AR）項和/或一或多個移動平均線（MA）項的多重迴歸模型。此方法適用於數據靜態/非平穩時的預測，以及具有任何類型數據模式（即水平/趨勢/季節性/週期性）的多變量。
TCNForecaster	TCNForecaster：時間卷積網路預測器。待辦事項：向預測團隊詢問簡要介紹。
ElasticNet	彈性網路是一種流行的正則化線性迴歸類型，它結合了兩種流行的懲罰，特別是 L1 和 L2 懲罰函數。
GradientBoosting	將每週學習者轉變為強學習者的技術稱為提升。梯度提升演算法過程基於這種執行理論。
DecisionTree	決策樹是一種非參數監督學習方法，用於分類和迴歸任務。目標是建立一個模型，透過學習從資料特徵推斷的簡單決策規則來預測目標變數的值。
KNN	K 最近鄰（KNN）演算法使用「特徵相似性」來預測新資料點的值，這進一步意味著新資料點將根據與訓練集中的點的匹配程度分配一個值。
LassoLars	套索模型適合最小角度回歸又名 Lars。它是一個線性模型，使用 L1 先驗作為正則化器進行訓練。
SGD	SGD：隨機梯度下降是一種常用於機器學習應用的最佳化演算法，用於尋找與預測輸出和實際輸出之間最佳擬合相對應的模型參數。這是一種不精確但強大的技術。
RandomForest	隨機森林是一種監督學習演算法。它構建的“森林”是決策樹的集合，通常使用“裝袋”方法進行訓練。套袋方法的總體思想是學習模型的組合增加了整體結果。
ExtremeRandomTrees	Extreme Trees 是一種集成機器學習算法，它結合了許多決策樹的預測。它與廣泛使用的隨機森林演算法有關。
LightGBM	LightGBM 是一個梯度提升框架，它使用基於樹的學習演算法。
XGBoostRegressor	XGBoostRegressor：Extreme Gradient Boosting Regressor 是一種使用基礎學習器集成的監督機器學習模型。

ForecastingPrimaryMetrics

列舉型別

預測任務的主要量度。

值	Description
SpearmanCorrelation	Spearman 的秩相關係數是品秩相關性的非參數度量。
NormalizedRootMeanSquaredError	歸一化均方根誤差（NRMSE） RMSE 有助於不同尺度模型之間的比較。
R2Score	R2 分數是基於預測的機器學習模型的效能評估措施之一。
NormalizedMeanAbsoluteError	標準化平均絕對誤差（NMAE）是一種驗證指標，用於比較不同尺度的（時間）序列的平均絕對誤差（MAE）。

ForecastingSettings

Object

預測特定參數。

名稱	類型	預設值	Description
countryOrRegionForHolidays	string		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'。
cvStepSize	integer (int32)		一個 CV 折疊的原點時間與下一個折疊之間的期間數。例如，如果每日資料的起始時間為 = 3，則 `CVStepSize` 每個摺疊的起始時間將相隔三天。
featureLags	FeatureLags	None	產生數值特徵延遲的旗標。
forecastHorizon	ForecastHorizon: AutoForecastHorizon CustomForecastHorizon		所需的最大預測範圍，以時間序列頻率單位為單位。
frequency	string		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。
seasonality	Seasonality: AutoSeasonality CustomSeasonality		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。
shortSeriesHandlingConfig	ShortSeriesHandlingConfiguration	Auto	定義 AutoML 是否應該處理短時間序列的參數。
targetAggregateFunction	TargetAggregationFunction	None	目標彙總函式。
targetLags	TargetLags: AutoTargetLags CustomTargetLags		要從目標數據行延遲的過去期間數。
targetRollingWindowSize	TargetRollingWindowSize: AutoTargetRollingWindowSize CustomTargetRollingWindowSize		用來建立目標數據行滾動視窗平均值的過去期間數目。
timeColumnName	string		時間數據行的名稱。當預測以指定用於建置時間序列並推斷其頻率的輸入數據中的 datetime 數據行時，需要此參數。
timeSeriesIdColumnNames	string[]		用來分組時間範圍的數據行名稱。它可以用來建立多個數列。如果未定義粒紋，則會假設數據集為一個時間序列。此參數與工作類型預測搭配使用。
useStl	UseStl	None	設定時間序列目標數據行的 STL 分解。

ForecastingTrainingSettings

Object

預測訓練相關組態。

名稱	類型	預設值	Description
allowedTrainingAlgorithms	ForecastingModels[]		用於預測工作的允許模型。
blockedTrainingAlgorithms	ForecastingModels[]		用於預測工作的封鎖模型。
enableDnnTraining	boolean	False	啟用 DNN 模型的建議。
enableModelExplainability	boolean	True	在最佳模型上開啟可解釋性的旗標。
enableOnnxCompatibleModels	boolean	False	啟用 onnx 相容模型的旗標。
enableStackEnsemble	boolean	True	啟用堆疊合奏執行。
enableVoteEnsemble	boolean	True	啟用投票合奏執行。
ensembleModelDownloadTimeout	string (duration)	PT5M	在 VotingEnsemble 和 StackEnsemble 模型產生期間，會下載先前子回合中的多個安裝模型。如果需要更多時間，請使用高於 300 秒的值來設定此參數。
stackEnsembleSettings	StackEnsembleSettings		堆疊合奏執行的堆疊合奏設定。

Goal

列舉型別

定義超參數調整的支援指標目標

值	Description
Minimize
Maximize

GridSamplingAlgorithm

Object

定義取樣演算法，以詳盡地產生空間中的每個值組合

名稱	類型	Description
samplingAlgorithmType	string: Grid	[必要]用來產生超參數值的演算法，以及組態屬性

IdentityConfigurationType

列舉型別

列舉來判斷身分識別架構。

值	Description
Managed
AMLToken
UserIdentity

ImageClassification

Object

圖像分類。當圖像僅使用一組類別中的單個標籤進行分類時，使用多類圖像分類 - 例如，每個圖像被分類為“貓”或“狗”或“鴨子”的圖像。

名稱	類型	預設值	Description
limitSettings	ImageLimitSettings		[必要]限制 AutoML 作業的設定。
logVerbosity	LogVerbosity	Info	列舉，用於設定記錄詳細程度。
modelSettings	ImageModelSettingsClassification		用於定型模型的設定。
primaryMetric	ClassificationPrimaryMetrics	Accuracy	分類工作的主要指標。
searchSpace	ImageModelDistributionSettingsClassification[]		搜尋空間以取樣模型及其超參數的不同組合。
sweepSettings	ImageSweepSettings		模型掃掠和超參數掃掠相關設定。
targetColumnName	string		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。
taskType	string: ImageClassification		[必要]AutoMLJob 的工作類型。
trainingData	MLTableJobInput		[必要]定型數據輸入。
validationData	MLTableJobInput		驗證數據輸入。
validationDataSize	number (double)		需要為驗證目的預留的定型數據集分數。介於（0.0 ， 1.0）之間的值未提供驗證資料集時套用。

ImageClassificationMultilabel

Object

影像分類多標籤。當圖像可以具有一組標籤中的一個或多個標籤時，會使用多標籤圖像分類 - 例如，圖像可以同時標記為“貓”和“狗”。

名稱	類型	預設值	Description
limitSettings	ImageLimitSettings		[必要]限制 AutoML 作業的設定。
logVerbosity	LogVerbosity	Info	列舉，用於設定記錄詳細程度。
modelSettings	ImageModelSettingsClassification		用於定型模型的設定。
primaryMetric	ClassificationMultilabelPrimaryMetrics	IOU	分類多標籤工作的主要指標。
searchSpace	ImageModelDistributionSettingsClassification[]		搜尋空間以取樣模型及其超參數的不同組合。
sweepSettings	ImageSweepSettings		模型掃掠和超參數掃掠相關設定。
targetColumnName	string		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。
taskType	string: ImageClassificationMultilabel		[必要]AutoMLJob 的工作類型。
trainingData	MLTableJobInput		[必要]定型數據輸入。
validationData	MLTableJobInput		驗證數據輸入。
validationDataSize	number (double)		需要為驗證目的預留的定型數據集分數。介於（0.0 ， 1.0）之間的值未提供驗證資料集時套用。

ImageInstanceSegmentation

Object

影像執行個體分割。實例分割用於在像素層級識別影像中的對象，在影像中的每個物件周圍繪製多邊形。

名稱	類型	預設值	Description
limitSettings	ImageLimitSettings		[必要]限制 AutoML 作業的設定。
logVerbosity	LogVerbosity	Info	列舉，用於設定記錄詳細程度。
modelSettings	ImageModelSettingsObjectDetection		用於定型模型的設定。
primaryMetric	InstanceSegmentationPrimaryMetrics	MeanAveragePrecision	InstanceSegmentation 任務的主要指標。
searchSpace	ImageModelDistributionSettingsObjectDetection[]		搜尋空間以取樣模型及其超參數的不同組合。
sweepSettings	ImageSweepSettings		模型掃掠和超參數掃掠相關設定。
targetColumnName	string		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。
taskType	string: ImageInstanceSegmentation		[必要]AutoMLJob 的工作類型。
trainingData	MLTableJobInput		[必要]定型數據輸入。
validationData	MLTableJobInput		驗證數據輸入。
validationDataSize	number (double)		需要為驗證目的預留的定型數據集分數。介於（0.0 ， 1.0）之間的值未提供驗證資料集時套用。

ImageLimitSettings

Object

限制 AutoML 任務的設定。

名稱	類型	預設值	Description
maxConcurrentTrials	integer (int32)	1	並行 AutoML 反覆項目的數目上限。
maxTrials	integer (int32)	1	AutoML 反覆項目的數目上限。
timeout	string (duration)	P7D	AutoML 作業逾時。

ImageModelDistributionSettingsClassification

Object

用於掃描模型設定值的分佈運算式。 <範例> 一些範例是：

ModelName = "choice('seresnext', 'resnest50')";
LearningRate = "uniform(0.001, 0.01)";
LayersToFreeze = "choice(0, 2)";
```</example>
For more details on how to compose distribution expressions please check the documentation:
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-tune-hyperparameters
For more information on the available settings please visit the official documentation:
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.

名稱	類型	Description
amsGradient	string	當優化器為『adam』或 'adamw' 時啟用AMSGrad。
augmentations	string	使用擴增的設定。
beta1	string	優化器為 'adam' 或 'adamw' 時的 'beta1' 值。必須是範圍 [0, 1] 內的浮點數。
beta2	string	優化器為 'adam' 或 'adamw' 時的 'beta2' 值。必須是範圍 [0, 1] 內的浮點數。
distributed	string	是否要使用散發器定型。
earlyStopping	string	在定型期間啟用早期停止邏輯。
earlyStoppingDelay	string	在追蹤主要指標改善以提前停止之前，要等待的紀元或驗證評估數目下限。必須是正整數。
earlyStoppingPatience	string	在停止執行之前，沒有主要指標改善的紀元或驗證評估數目下限。必須是正整數。
enableOnnxNormalization	string	匯出 ONNX 模型時啟用正規化。
evaluationFrequency	string	評估驗證數據集以取得計量分數的頻率。必須是正整數。
gradientAccumulationStep	string	梯度累積是指在累積這些步驟的梯度時，執行已設定數目的「GradAccumulationStep」步驟，而不更新模型權重，然後使用累積的梯度來計算權重更新。必須是正整數。
layersToFreeze	string	要凍結模型的圖層數目。必須是正整數。例如，傳遞 2 作為 'seresnext' 的值意味著凍結 layer0 和 layer1。有關支持的模型的完整列表和圖層凍結的詳細信息，請參閱： https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models。
learningRate	string	初始學習速率。必須是範圍 [0, 1] 內的浮點數。
learningRateScheduler	string	學習率排程器的類型。必須是『warmup_cosine』或 'step'。
modelName	string	要用於定型的模型名稱。有關可用型號的更多信息，請訪問官方文檔： https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models。
momentum	string	優化器為『zn』時的動量值。必須是範圍 [0, 1] 內的浮點數。
nesterov	string	在優化器為『zn』時啟用 nesterov。
numberOfEpochs	string	定型 Epoch 的數目。必須是正整數。
numberOfWorkers	string	數據載入器背景工作角色的數目。必須是非負整數。
optimizer	string	優化工具的類型。必須是『zn』、『adam』或『adamw』。
randomSeed	string	使用決定性定型時要使用的隨機種子。
stepLRGamma	string	學習速率排程器為『step』時的 gamma 值。必須是範圍 [0, 1] 內的浮點數。
stepLRStepSize	string	學習速率排程器為『step』時的步驟大小值。必須是正整數。
trainingBatchSize	string	定型批次大小。必須是正整數。
trainingCropSize	string	影像裁剪大小，這是訓練數據集之類神經網路的輸入。必須是正整數。
validationBatchSize	string	驗證批次大小。必須是正整數。
validationCropSize	string	影像裁剪大小，這是用於驗證數據集之類神經網路的輸入。必須是正整數。
validationResizeSize	string	在裁剪驗證數據集之前要重設大小的影像大小。必須是正整數。
warmupCosineLRCycles	string	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。
warmupCosineLRWarmupEpochs	string	學習速率排程器為「warmup_cosine」時，熱身 Epoch 的值。必須是正整數。
weightDecay	string	優化器為 'zn'、'adam' 或 'adamw' 時的權數衰變值。必須是範圍[0， 1] 中的浮點數。
weightedLoss	string	加權減肥。接受的值是 0，沒有加權損失。 1 用於與 sqrt 減肥。（class_weights）。 2 用於減肥與class_weights。必須是 0 或 1 或 2。

ImageModelDistributionSettingsObjectDetection

Object

用於掃描模型設定值的分佈運算式。 <範例> 一些範例是：

ModelName = "choice('seresnext', 'resnest50')";
LearningRate = "uniform(0.001, 0.01)";
LayersToFreeze = "choice(0, 2)";
```</example>
For more details on how to compose distribution expressions please check the documentation:
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-tune-hyperparameters
For more information on the available settings please visit the official documentation:
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.

名稱	類型	Description
amsGradient	string	當優化器為『adam』或 'adamw' 時啟用AMSGrad。
augmentations	string	使用擴增的設定。
beta1	string	優化器為 'adam' 或 'adamw' 時的 'beta1' 值。必須是範圍 [0, 1] 內的浮點數。
beta2	string	優化器為 'adam' 或 'adamw' 時的 'beta2' 值。必須是範圍 [0, 1] 內的浮點數。
boxDetectionsPerImage	string	所有類別的每個影像偵測數目上限。必須是正整數。注意：'yolov5' 演算法不支援此設定。
boxScoreThreshold	string	在推斷期間，只會傳回分類分數大於 BoxScoreThreshold 的提案。必須是範圍[0， 1] 中的浮點數。
distributed	string	是否要使用散發器定型。
earlyStopping	string	在定型期間啟用早期停止邏輯。
earlyStoppingDelay	string	在追蹤主要指標改善以提前停止之前，要等待的紀元或驗證評估數目下限。必須是正整數。
earlyStoppingPatience	string	在停止執行之前，沒有主要指標改善的紀元或驗證評估數目下限。必須是正整數。
enableOnnxNormalization	string	匯出 ONNX 模型時啟用正規化。
evaluationFrequency	string	評估驗證數據集以取得計量分數的頻率。必須是正整數。
gradientAccumulationStep	string	梯度累積是指在累積這些步驟的梯度時，執行已設定數目的「GradAccumulationStep」步驟，而不更新模型權重，然後使用累積的梯度來計算權重更新。必須是正整數。
imageSize	string	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。
layersToFreeze	string	要凍結模型的圖層數目。必須是正整數。例如，傳遞 2 作為 'seresnext' 的值意味著凍結 layer0 和 layer1。有關支持的模型的完整列表和圖層凍結的詳細信息，請參閱： https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models。
learningRate	string	初始學習速率。必須是範圍 [0, 1] 內的浮點數。
learningRateScheduler	string	學習率排程器的類型。必須是『warmup_cosine』或 'step'。
maxSize	string	在將影像饋送至骨幹之前，要重新調整的影像大小上限。必須是正整數。注意：如果大小太大，定型執行可能會進入 CUDA OOM。注意：'yolov5' 演算法不支援此設定。
minSize	string	將影像饋送至骨幹之前，要重新調整的影像大小下限。必須是正整數。注意：如果大小太大，定型執行可能會進入 CUDA OOM。注意：'yolov5' 演算法不支援此設定。
modelName	string	要用於定型的模型名稱。有關可用型號的更多信息，請訪問官方文檔： https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models。
modelSize	string	模型大小。必須是 'small'、'medium'、'large' 或 'xlarge'。注意：如果模型大小太大，定型執行可能會進入 CUDA OOM。注意：只有 'yolov5' 演算法才支援此設定。
momentum	string	優化器為『zn』時的動量值。必須是範圍 [0, 1] 內的浮點數。
multiScale	string	依 +/- 50%來啟用多重縮放影像大小。注意：如果沒有足夠的 GPU 記憶體，定型執行可能會進入 CUDA OOM。注意：只有 'yolov5' 演算法才支援此設定。
nesterov	string	在優化器為『zn』時啟用 nesterov。
nmsIouThreshold	string	在NMS後置處理中的推斷期間使用的IOU臨界值。必須是範圍 [0， 1] 中的 float。
numberOfEpochs	string	定型 Epoch 的數目。必須是正整數。
numberOfWorkers	string	數據載入器背景工作角色的數目。必須是非負整數。
optimizer	string	優化工具的類型。必須是『zn』、『adam』或『adamw』。
randomSeed	string	使用決定性定型時要使用的隨機種子。
stepLRGamma	string	學習速率排程器為『step』時的 gamma 值。必須是範圍 [0, 1] 內的浮點數。
stepLRStepSize	string	學習速率排程器為『step』時的步驟大小值。必須是正整數。
tileGridSize	string	用來貼上每個影像的網格線大小。附註： TileGridSize 不得為 None 才能啟用小型物件偵測邏輯。包含兩個整數的字串，其格式為一個。注意：'yolov5' 演算法不支援此設定。
tileOverlapRatio	string	每個維度中相鄰磚之間的重疊比例。必須是範圍 [0， 1] 中的浮點數。注意：'yolov5' 演算法不支援此設定。
tilePredictionsNmsThreshold	string	用來執行NMS的IOU閾值，同時合併磚和影像的預測。用於驗證/推斷。必須是範圍 [0， 1] 中的 float。注意：'yolov5' 演算法不支援此設定。 NMS：非最大歸併
trainingBatchSize	string	定型批次大小。必須是正整數。
validationBatchSize	string	驗證批次大小。必須是正整數。
validationIouThreshold	string	計算驗證計量時要使用的IOU閾值。必須是範圍 [0， 1] 中的 float。
validationMetricType	string	用於驗證計量的計量計算方法。必須是『none』、『coco』、'voc'或 'coco_voc'。
warmupCosineLRCycles	string	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。
warmupCosineLRWarmupEpochs	string	學習速率排程器為「warmup_cosine」時，熱身 Epoch 的值。必須是正整數。
weightDecay	string	優化器為 'zn'、'adam' 或 'adamw' 時的權數衰變值。必須是範圍[0， 1] 中的浮點數。

ImageModelSettingsClassification

Object

用於定型模型的設定。有關可用設置的更多信息，請訪問官方文檔： https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models。

名稱	類型	預設值	Description
advancedSettings	string		進階案例的設定。
amsGradient	boolean		當優化器為『adam』或 'adamw' 時啟用AMSGrad。
augmentations	string		使用擴增的設定。
beta1	number (float)		優化器為 'adam' 或 'adamw' 時的 'beta1' 值。必須是範圍 [0, 1] 內的浮點數。
beta2	number (float)		優化器為 'adam' 或 'adamw' 時的 'beta2' 值。必須是範圍 [0, 1] 內的浮點數。
checkpointFrequency	integer (int32)		儲存模型檢查點的頻率。必須是正整數。
checkpointModel	MLFlowModelJobInput		累加訓練的預先定型檢查點模型。
checkpointRunId	string		先前執行的標識碼，其具有累加式定型的預先定型檢查點。
distributed	boolean		是否要使用分散式定型。
earlyStopping	boolean		在定型期間啟用早期停止邏輯。
earlyStoppingDelay	integer (int32)		在追蹤主要指標改善以提前停止之前，要等待的紀元或驗證評估數目下限。必須是正整數。
earlyStoppingPatience	integer (int32)		在停止執行之前，沒有主要指標改善的紀元或驗證評估數目下限。必須是正整數。
enableOnnxNormalization	boolean		匯出 ONNX 模型時啟用正規化。
evaluationFrequency	integer (int32)		評估驗證數據集以取得計量分數的頻率。必須是正整數。
gradientAccumulationStep	integer (int32)		梯度累積是指在累積這些步驟的梯度時，執行已設定數目的「GradAccumulationStep」步驟，而不更新模型權重，然後使用累積的梯度來計算權重更新。必須是正整數。
layersToFreeze	integer (int32)		要凍結模型的圖層數目。必須是正整數。例如，傳遞 2 作為 'seresnext' 的值意味著凍結 layer0 和 layer1。有關支持的模型的完整列表和圖層凍結的詳細信息，請參閱： https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models。
learningRate	number (float)		初始學習速率。必須是範圍 [0, 1] 內的浮點數。
learningRateScheduler	LearningRateScheduler	None	學習速率排程器列舉。
modelName	string		要用於定型的模型名稱。有關可用型號的更多信息，請訪問官方文檔： https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models。
momentum	number (float)		優化器為『zn』時的動量值。必須是範圍 [0, 1] 內的浮點數。
nesterov	boolean		在優化器為『zn』時啟用 nesterov。
numberOfEpochs	integer (int32)		定型 Epoch 的數目。必須是正整數。
numberOfWorkers	integer (int32)		數據載入器背景工作角色的數目。必須是非負整數。
optimizer	StochasticOptimizer	None	圖像模型的隨機優化器。
randomSeed	integer (int32)		使用決定性定型時要使用的隨機種子。
stepLRGamma	number (float)		學習速率排程器為『step』時的 gamma 值。必須是範圍 [0, 1] 內的浮點數。
stepLRStepSize	integer (int32)		學習速率排程器為『step』時的步驟大小值。必須是正整數。
trainingBatchSize	integer (int32)		定型批次大小。必須是正整數。
trainingCropSize	integer (int32)		影像裁剪大小，這是訓練數據集之類神經網路的輸入。必須是正整數。
validationBatchSize	integer (int32)		驗證批次大小。必須是正整數。
validationCropSize	integer (int32)		影像裁剪大小，這是用於驗證數據集之類神經網路的輸入。必須是正整數。
validationResizeSize	integer (int32)		在裁剪驗證數據集之前要重設大小的影像大小。必須是正整數。
warmupCosineLRCycles	number (float)		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。
warmupCosineLRWarmupEpochs	integer (int32)		學習速率排程器為「warmup_cosine」時，熱身 Epoch 的值。必須是正整數。
weightDecay	number (float)		優化器為 'zn'、'adam' 或 'adamw' 時的權數衰變值。必須是範圍[0， 1] 中的浮點數。
weightedLoss	integer (int32)		加權減肥。接受的值是 0，沒有加權損失。 1 用於與 sqrt 減肥。（class_weights）。 2 用於減肥與class_weights。必須是 0 或 1 或 2。

ImageModelSettingsObjectDetection

Object

用於定型模型的設定。有關可用設置的更多信息，請訪問官方文檔： https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models。

名稱	類型	預設值	Description
advancedSettings	string		進階案例的設定。
amsGradient	boolean		當優化器為『adam』或 'adamw' 時啟用AMSGrad。
augmentations	string		使用擴增的設定。
beta1	number (float)		優化器為 'adam' 或 'adamw' 時的 'beta1' 值。必須是範圍 [0, 1] 內的浮點數。
beta2	number (float)		優化器為 'adam' 或 'adamw' 時的 'beta2' 值。必須是範圍 [0, 1] 內的浮點數。
boxDetectionsPerImage	integer (int32)		所有類別的每個影像偵測數目上限。必須是正整數。注意：'yolov5' 演算法不支援此設定。
boxScoreThreshold	number (float)		在推斷期間，只會傳回分類分數大於 BoxScoreThreshold 的提案。必須是範圍[0， 1] 中的浮點數。
checkpointFrequency	integer (int32)		儲存模型檢查點的頻率。必須是正整數。
checkpointModel	MLFlowModelJobInput		累加訓練的預先定型檢查點模型。
checkpointRunId	string		先前執行的標識碼，其具有累加式定型的預先定型檢查點。
distributed	boolean		是否要使用分散式定型。
earlyStopping	boolean		在定型期間啟用早期停止邏輯。
earlyStoppingDelay	integer (int32)		在追蹤主要指標改善以提前停止之前，要等待的紀元或驗證評估數目下限。必須是正整數。
earlyStoppingPatience	integer (int32)		在停止執行之前，沒有主要指標改善的紀元或驗證評估數目下限。必須是正整數。
enableOnnxNormalization	boolean		匯出 ONNX 模型時啟用正規化。
evaluationFrequency	integer (int32)		評估驗證數據集以取得計量分數的頻率。必須是正整數。
gradientAccumulationStep	integer (int32)		梯度累積是指在累積這些步驟的梯度時，執行已設定數目的「GradAccumulationStep」步驟，而不更新模型權重，然後使用累積的梯度來計算權重更新。必須是正整數。
imageSize	integer (int32)		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。
layersToFreeze	integer (int32)		要凍結模型的圖層數目。必須是正整數。例如，傳遞 2 作為 'seresnext' 的值意味著凍結 layer0 和 layer1。有關支持的模型的完整列表和圖層凍結的詳細信息，請參閱： https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models。
learningRate	number (float)		初始學習速率。必須是範圍 [0, 1] 內的浮點數。
learningRateScheduler	LearningRateScheduler	None	學習速率排程器列舉。
maxSize	integer (int32)		在將影像饋送至骨幹之前，要重新調整的影像大小上限。必須是正整數。注意：如果大小太大，定型執行可能會進入 CUDA OOM。注意：'yolov5' 演算法不支援此設定。
minSize	integer (int32)		將影像饋送至骨幹之前，要重新調整的影像大小下限。必須是正整數。注意：如果大小太大，定型執行可能會進入 CUDA OOM。注意：'yolov5' 演算法不支援此設定。
modelName	string		要用於定型的模型名稱。有關可用型號的更多信息，請訪問官方文檔： https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models。
modelSize	ModelSize	None	圖像模型大小。
momentum	number (float)		優化器為『zn』時的動量值。必須是範圍 [0, 1] 內的浮點數。
multiScale	boolean		依 +/- 50%來啟用多重縮放影像大小。注意：如果沒有足夠的 GPU 記憶體，定型執行可能會進入 CUDA OOM。注意：只有 'yolov5' 演算法才支援此設定。
nesterov	boolean		在優化器為『zn』時啟用 nesterov。
nmsIouThreshold	number (float)		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。
numberOfEpochs	integer (int32)		定型 Epoch 的數目。必須是正整數。
numberOfWorkers	integer (int32)		數據載入器背景工作角色的數目。必須是非負整數。
optimizer	StochasticOptimizer	None	圖像模型的隨機優化器。
randomSeed	integer (int32)		使用決定性定型時要使用的隨機種子。
stepLRGamma	number (float)		學習速率排程器為『step』時的 gamma 值。必須是範圍 [0, 1] 內的浮點數。
stepLRStepSize	integer (int32)		學習速率排程器為『step』時的步驟大小值。必須是正整數。
tileGridSize	string		用來貼上每個影像的網格線大小。附註： TileGridSize 不得為 None 才能啟用小型物件偵測邏輯。包含兩個整數的字串，其格式為一個。注意：'yolov5' 演算法不支援此設定。
tileOverlapRatio	number (float)		每個維度中相鄰磚之間的重疊比例。必須是範圍 [0， 1] 中的浮點數。注意：'yolov5' 演算法不支援此設定。
tilePredictionsNmsThreshold	number (float)		用來執行NMS的IOU閾值，同時合併磚和影像的預測。用於驗證/推斷。必須是範圍 [0， 1] 中的 float。注意：'yolov5' 演算法不支援此設定。
trainingBatchSize	integer (int32)		定型批次大小。必須是正整數。
validationBatchSize	integer (int32)		驗證批次大小。必須是正整數。
validationIouThreshold	number (float)		計算驗證計量時要使用的IOU閾值。必須是範圍 [0， 1] 中的 float。
validationMetricType	ValidationMetricType	None	用於影像任務中驗證指標的指標計算方法。
warmupCosineLRCycles	number (float)		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。
warmupCosineLRWarmupEpochs	integer (int32)		學習速率排程器為「warmup_cosine」時，熱身 Epoch 的值。必須是正整數。
weightDecay	number (float)		優化器為 'zn'、'adam' 或 'adamw' 時的權數衰變值。必須是範圍[0， 1] 中的浮點數。

ImageObjectDetection

Object

影像物件偵測。對象檢測用於識別圖像中的對象並使用邊界框定位每個對象，例如定位圖像中的所有狗和貓，並在每個周圍繪製一個邊界框。

名稱	類型	預設值	Description
limitSettings	ImageLimitSettings		[必要]限制 AutoML 作業的設定。
logVerbosity	LogVerbosity	Info	列舉，用於設定記錄詳細程度。
modelSettings	ImageModelSettingsObjectDetection		用於定型模型的設定。
primaryMetric	ObjectDetectionPrimaryMetrics	MeanAveragePrecision	影像物件偵測工作的主要度量。
searchSpace	ImageModelDistributionSettingsObjectDetection[]		搜尋空間以取樣模型及其超參數的不同組合。
sweepSettings	ImageSweepSettings		模型掃掠和超參數掃掠相關設定。
targetColumnName	string		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。
taskType	string: ImageObjectDetection		[必要]AutoMLJob 的工作類型。
trainingData	MLTableJobInput		[必要]定型數據輸入。
validationData	MLTableJobInput		驗證數據輸入。
validationDataSize	number (double)		需要為驗證目的預留的定型數據集分數。介於（0.0 ， 1.0）之間的值未提供驗證資料集時套用。

ImageSweepSettings

Object

模型掃掠和超參數掃掠相關設定。

名稱	類型	Description
earlyTermination	EarlyTerminationPolicy: BanditPolicy MedianStoppingPolicy TruncationSelectionPolicy	早期終止原則的類型。
samplingAlgorithm	SamplingAlgorithmType	[必要]超參數取樣演算法的類型。

InputDeliveryMode

列舉型別

列舉以決定輸入資料傳遞模式。

值	Description
ReadOnlyMount
ReadWriteMount
Download
Direct
EvalMount
EvalDownload

InstanceSegmentationPrimaryMetrics

列舉型別

InstanceSegmentation 任務的主要指標。

值	Description
MeanAveragePrecision	平均精度（MAP）是 AP （平均精度）的平均值。為每個類別計算 AP 並取平均值以獲得 MAP。

JobBase

Object

Azure Resource Manager 資源信封。

名稱	類型	Description
id	string	資源的完整資源標識碼。例如 - /subscriptions/{subscriptionId}/resourceGroups/{resourceGroupName}/providers/{resourceProviderNamespace}/{resourceType}/{resourceName}
name	string	資源的名稱
properties	JobBaseProperties: AutoMLJob CommandJob PipelineJob SparkJob SweepJob	[必要]實體的其他屬性。
systemData	systemData	包含 createdBy 和 modifiedBy 資訊的 Azure Resource Manager 元數據。
type	string	資源的類型。例如「Microsoft.Compute/virtualMachines」或「Microsoft.Storage/storageAccounts」

JobInputType

列舉型別

列舉以決定工作輸入類型。

值	Description
literal
uri_file
uri_folder
mltable
custom_model
mlflow_model
triton_model

JobLimitsType

列舉型別

值	Description
Command
Sweep

JobOutputType

列舉型別

列舉以決定工作輸出類型。

值	Description
uri_file
uri_folder
mltable
custom_model
mlflow_model
triton_model

JobResourceConfiguration

Object

名稱	類型	預設值	Description
dockerArgs	string		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。
dockerArgsList	string[]		傳遞至 Docker run 命令的額外自變數，做為集合。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。
instanceCount	integer (int32)	1	計算目標所使用的實例或節點選擇性數目。
instanceType	string		計算目標所支持的選擇性 VM 類型。
properties			其他屬性包。
shmSize	string pattern: \d+[bBkKmMgG]	2g	Docker 容器的共用記憶體區塊大小。這應該是（number）（unit）的格式，其中數位大於 0，單位可以是 b（位元組）、k（KB）、m（MB）、或 g（GB）。

JobService

Object

工作端點定義

名稱	類型	Description
endpoint	string	端點的 URL。
errorMessage	string	服務中的任何錯誤。
jobServiceType	string	端點類型。
nodes	Nodes: AllNodes	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。
port	integer (int32)	端點的埠。
properties	object	在端點上設定的其他屬性。
status	string	端點的狀態。

JobStatus

列舉型別

作業的狀態。

值	Description
NotStarted	跑步還沒有開始。
Starting	跑步已經開始了。使用者具有執行 ID。
Provisioning	（目前未使用）如果 ES 正在建立計算目標，則會使用它。
Preparing	運行環境正在準備中。
Queued	作業會在計算目標中排入佇列。例如，在 BatchAI 中，工作處於佇列狀態，同時等待所有必要的節點準備就緒。
Running	作業開始在計算目標中執行。
Finalizing	工作已在目標中完成。它現在處於輸出收集狀態。
CancelRequested	已要求取消該工作。
Completed	工作已順利完成。這反映作業本身和輸出收集狀態都已順利完成
Failed	工作失敗。
Canceled	在取消要求之後，工作現在已成功取消。
NotResponding	啟用活動訊號時，如果執行未將任何資訊更新至 RunHistory，則執行會進入 NotResponding 狀態。 NotResponding 是唯一不受嚴格轉換命令約束的狀態。執行可以從 NotResponding 移至任何先前的狀態。
Paused	使用者會暫停工作。只能在暫停狀態下對標籤工作進行一些調整。
Unknown	預設工作狀態（如果未對應至所有其他狀態）

JobTier

列舉型別

要判斷作業層的列舉。

值	Description
Null
Spot
Basic
Standard
Premium

JobType

列舉型別

列舉以決定工作類型。

值	Description
AutoML
Command
Sweep
Pipeline
Spark

LearningRateScheduler

列舉型別

學習速率排程器列舉。

值	Description
None	未選擇學習率調度器。
WarmupCosine	餘弦退火與預熱。
Step	步進學習率調度器。

LiteralJobInput

Object

文字輸入類型。

名稱	類型	Description
description	string	輸入的描述。
jobInputType	string: literal	[必要]指定作業的類型。
value	string minLength: 1 pattern: [a-zA-Z0-9_]	[必要]輸入的常值。

LogVerbosity

列舉型別

列舉，用於設定記錄詳細程度。

值	Description
NotSet	沒有發出任何記錄。
Debug	已記錄偵錯及以上記錄陳述式。
Info	Info 和上述日誌陳述式已記錄。
Warning	已記錄警告及以上日誌陳述式。
Error	已記錄錯誤和上述日誌陳述式。
Critical	僅記錄關鍵陳述。

ManagedIdentity

Object

受控識別設定。

名稱	類型	Description
clientId	string (uuid)	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。
identityType	string: Managed	[必要]指定身分識別架構的類型。
objectId	string (uuid)	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。
resourceId	string	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。

MedianStoppingPolicy

Object

根據所有執行的主要度量的執行平均值來定義提前終止原則

名稱	類型	預設值	Description
delayEvaluation	integer (int32)	0	延遲第一次評估的間隔數目。
evaluationInterval	integer (int32)	0	原則評估之間的間隔（執行次數）。
policyType	string: MedianStopping		[必要]原則設定的名稱

MLFlowModelJobInput

Object

名稱	類型	預設值	Description
description	string		輸入的描述。
jobInputType	string: mlflow_model		[必要]指定作業的類型。
mode	InputDeliveryMode	ReadOnlyMount	列舉以決定輸入資料傳遞模式。
uri	string minLength: 1 pattern: [a-zA-Z0-9_]		[必要]輸入資產 URI。

MLFlowModelJobOutput

Object

名稱	類型	預設值	Description
assetName	string		輸出資產名稱。
description	string		輸出的描述。
jobOutputType	string: mlflow_model		[必要]指定作業的類型。
mode	OutputDeliveryMode	ReadWriteMount	輸出資料傳遞模式列舉。
uri	string		輸出資產 URI。

MLTableJobInput

Object

名稱	類型	預設值	Description
description	string		輸入的描述。
jobInputType	string: mltable		[必要]指定作業的類型。
mode	InputDeliveryMode	ReadOnlyMount	列舉以決定輸入資料傳遞模式。
uri	string minLength: 1 pattern: [a-zA-Z0-9_]		[必要]輸入資產 URI。

MLTableJobOutput

Object

名稱	類型	預設值	Description
assetName	string		輸出資產名稱。
description	string		輸出的描述。
jobOutputType	string: mltable		[必要]指定作業的類型。
mode	OutputDeliveryMode	ReadWriteMount	輸出資料傳遞模式列舉。
uri	string		輸出資產 URI。

ModelSize

列舉型別

圖像模型大小。

值	Description
None	未選取任何值。
Small	體積小。
Medium	中號。
Large	大尺寸。
ExtraLarge	超大尺寸。

Mpi

Object

MPI 發佈組態。

名稱	類型	Description
distributionType	string: Mpi	[必要]指定散發架構的類型。
processCountPerInstance	integer (int32)	每個 MPI 節點的進程數目。

NCrossValidationsMode

列舉型別

決定如何決定 N-Cross 驗證值。

值	Description
Auto	自動確定 N-Cross 驗證值。僅支援「預測」AutoML 工作。
Custom	使用自訂 N-Cross 驗證值。

NlpVerticalFeaturizationSettings

Object

名稱	類型	Description
datasetLanguage	string	數據集語言，適用於文字數據。

NlpVerticalLimitSettings

Object

作業執行限制。

名稱	類型	預設值	Description
maxConcurrentTrials	integer (int32)	1	並行 AutoML 反覆專案上限。
maxTrials	integer (int32)	1	AutoML 反覆項目的數目。
timeout	string (duration)	P7D	AutoML 作業逾時。

NodesValueType

列舉型別

節點值的列舉類型

值	Description
All

NotificationSetting

Object

通知的組態。

名稱	類型	Description
emailOn	EmailNotificationEnableType[]	在指定的通知類型上傳送電子郵件通知給使用者
emails	string[]	這是電子郵件收件者清單，其總限製為499個字元，且具有逗號分隔符
webhooks	object	將 Webhook 回呼傳送至服務。機碼是 Webhook 的使用者提供名稱。

ObjectDetectionPrimaryMetrics

列舉型別

影像物件偵測工作的主要度量。

值	Description
MeanAveragePrecision	平均精度（MAP）是 AP （平均精度）的平均值。為每個類別計算 AP 並取平均值以獲得 MAP。

Objective

Object

優化目標。

名稱	類型	Description
goal	Goal	[必要]定義超參數微調支援的計量目標
primaryMetric	string minLength: 1 pattern: [a-zA-Z0-9_]	[必要]要優化之計量的名稱。

OutputDeliveryMode

列舉型別

輸出資料傳遞模式列舉。

值	Description
ReadWriteMount
Upload
Direct

PipelineJob

Object

管線作業定義：定義 MFE 屬性的泛型。

名稱	類型	預設值	Description
componentId	string		元件資源的 ARM 資源識別碼。
computeId	string		計算資源的 ARM 資源識別碼。
description	string		資產描述文字。
displayName	string		工作的顯示名稱。
experimentName	string	Default	作業所屬的實驗名稱。如果未設定，作業會放在「默認」實驗中。
identity	IdentityConfiguration: AmlToken ManagedIdentity UserIdentity		身分識別設定。如果設定，這應該是其中一個 AmlToken、ManagedIdentity、UserIdentity 或 null。如果為 null，則預設為 AmlToken。
inputs	object		管線作業的輸入。
isArchived	boolean	False	資產是否已封存？
jobType	string: Pipeline		[必要]指定作業的類型。
jobs			作業會建構管線作業。
notificationSetting	NotificationSetting		作業的通知設定
outputs	object		管線作業的輸出
properties	object		資產屬性字典。
services	<string, JobService>		JobEndpoints 的清單。針對本機作業，作業端點會有 FileStreamObject 的端點值。
settings			管線設定，適用於 ContinueRunOnStepFailure 等專案。
sourceJobId	string		來源作業的 ARM 資源識別碼。
status	JobStatus		作業狀態。
tags	object		標記字典。標記可以新增、移除和更新。

PyTorch

Object

PyTorch 分發組態。

名稱	類型	Description
distributionType	string: PyTorch	[必要]指定散發架構的類型。
processCountPerInstance	integer (int32)	每個節點的進程數目。

QueueSettings

Object

名稱	類型	預設值	Description
jobTier	JobTier	Null	要判斷作業層的列舉。

RandomSamplingAlgorithm

Object

定義隨機產生值的取樣演算法

名稱	類型	預設值	Description
rule	RandomSamplingAlgorithmRule	Random	隨機演算法的特定類型
samplingAlgorithmType	string: Random		[必要]用來產生超參數值的演算法，以及組態屬性
seed	integer (int32)		要作為隨機數產生種子的選擇性整數

RandomSamplingAlgorithmRule

列舉型別

隨機演算法的特定類型

值	Description
Random
Sobol

Regression

Object

AutoML Table 垂直中的迴歸工作。

名稱	類型	預設值	Description
cvSplitColumnNames	string[]		要用於 CVSplit 資料的數據行。
featurizationSettings	TableVerticalFeaturizationSettings		AutoML 作業所需的特徵化輸入。
limitSettings	TableVerticalLimitSettings		AutoMLJob 的執行條件約束。
logVerbosity	LogVerbosity	Info	列舉，用於設定記錄詳細程度。
nCrossValidations	NCrossValidations: AutoNCrossValidations CustomNCrossValidations		未提供驗證資料集時，要套用在訓練資料集上的交叉驗證摺疊數目。
primaryMetric	RegressionPrimaryMetrics	NormalizedRootMeanSquaredError	迴歸工作的主要指標。
targetColumnName	string		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。
taskType	string: Regression		[必要]AutoMLJob 的工作類型。
testData	MLTableJobInput		測試數據輸入。
testDataSize	number (double)		必須為驗證目的而保留的測試數據集分數。介於（0.0 ， 1.0）之間的值未提供驗證資料集時套用。
trainingData	MLTableJobInput		[必要]定型數據輸入。
trainingSettings	RegressionTrainingSettings		AutoML 作業定型階段的輸入。
validationData	MLTableJobInput		驗證數據輸入。
validationDataSize	number (double)		需要為驗證目的預留的定型數據集分數。介於（0.0 ， 1.0）之間的值未提供驗證資料集時套用。
weightColumnName	string		範例權數數據行的名稱。自動化 ML 支援加權數據行做為輸入，導致數據中的數據列向上或向下加權。

RegressionModels

列舉型別

AutoML 支援之所有迴歸模型的列舉。

值	Description
ElasticNet	彈性網路是一種流行的正則化線性迴歸類型，它結合了兩種流行的懲罰，特別是 L1 和 L2 懲罰函數。
GradientBoosting	將每週學習者轉變為強學習者的技術稱為提升。梯度提升演算法過程基於這種執行理論。
DecisionTree	決策樹是一種非參數監督學習方法，用於分類和迴歸任務。目標是建立一個模型，透過學習從資料特徵推斷的簡單決策規則來預測目標變數的值。
KNN	K 最近鄰（KNN）演算法使用「特徵相似性」來預測新資料點的值，這進一步意味著新資料點將根據與訓練集中的點的匹配程度分配一個值。
LassoLars	套索模型適合最小角度回歸又名 Lars。它是一個線性模型，使用 L1 先驗作為正則化器進行訓練。
SGD	SGD：隨機梯度下降是一種常用於機器學習應用的最佳化演算法，用於尋找與預測輸出和實際輸出之間最佳擬合相對應的模型參數。這是一種不精確但強大的技術。
RandomForest	隨機森林是一種監督學習演算法。它構建的“森林”是決策樹的集合，通常使用“裝袋”方法進行訓練。套袋方法的總體思想是學習模型的組合增加了整體結果。
ExtremeRandomTrees	Extreme Trees 是一種集成機器學習算法，它結合了許多決策樹的預測。它與廣泛使用的隨機森林演算法有關。
LightGBM	LightGBM 是一個梯度提升框架，它使用基於樹的學習演算法。
XGBoostRegressor	XGBoostRegressor：Extreme Gradient Boosting Regressor 是一種使用基礎學習器集成的監督機器學習模型。

RegressionPrimaryMetrics

列舉型別

迴歸工作的主要指標。

值	Description
SpearmanCorrelation	Spearman 的秩相關係數是品秩相關性的非參數度量。
NormalizedRootMeanSquaredError	歸一化均方根誤差（NRMSE） RMSE 有助於不同尺度模型之間的比較。
R2Score	R2 分數是基於預測的機器學習模型的效能評估措施之一。
NormalizedMeanAbsoluteError	標準化平均絕對誤差（NMAE）是一種驗證指標，用於比較不同尺度的（時間）序列的平均絕對誤差（MAE）。

RegressionTrainingSettings

Object

迴歸訓練相關組態。

名稱	類型	預設值	Description
allowedTrainingAlgorithms	RegressionModels[]		回歸工作的允許模型。
blockedTrainingAlgorithms	RegressionModels[]		回歸工作的封鎖模型。
enableDnnTraining	boolean	False	啟用 DNN 模型的建議。
enableModelExplainability	boolean	True	在最佳模型上開啟可解釋性的旗標。
enableOnnxCompatibleModels	boolean	False	啟用 onnx 相容模型的旗標。
enableStackEnsemble	boolean	True	啟用堆疊合奏執行。
enableVoteEnsemble	boolean	True	啟用投票合奏執行。
ensembleModelDownloadTimeout	string (duration)	PT5M	在 VotingEnsemble 和 StackEnsemble 模型產生期間，會下載先前子回合中的多個安裝模型。如果需要更多時間，請使用高於 300 秒的值來設定此參數。
stackEnsembleSettings	StackEnsembleSettings		堆疊合奏執行的堆疊合奏設定。

SamplingAlgorithmType

列舉型別

值	Description
Grid
Random
Bayesian

SeasonalityMode

列舉型別

預測季節性模式。

值	Description
Auto	季節性將自動確定。
Custom	使用自訂季節性值。

ShortSeriesHandlingConfiguration

列舉型別

定義 AutoML 是否應該處理短時間序列的參數。

值	Description
None	代表無/空值。
Auto	如果沒有長系列，則短系列將被填充，否則短系列將被刪除。
Pad	所有短劇都將被填充。
Drop	所有短劇都將被刪除。

SparkJob

Object

Spark 作業定義。

名稱	類型	預設值	Description
archives	string[]		封存作業中使用的檔案。
args	string		作業的自變數。
codeId	string (arm-id) minLength: 1 pattern: [a-zA-Z0-9_]		[必要] 程式代碼資產的arm識別碼。
componentId	string		元件資源的 ARM 資源識別碼。
computeId	string		計算資源的 ARM 資源識別碼。
conf	object		Spark 設定的屬性。
description	string		資產描述文字。
displayName	string		工作的顯示名稱。
entry	SparkJobEntry: SparkJobPythonEntry SparkJobScalaEntry		[必要]在作業啟動時要執行的專案。
environmentId	string (arm-id)		作業之環境規格的 ARM 資源識別碼。
environmentVariables	object		作業中包含的環境變數。
experimentName	string	Default	作業所屬的實驗名稱。如果未設定，作業會放在「默認」實驗中。
files	string[]		作業中使用的檔案。
identity	IdentityConfiguration: AmlToken ManagedIdentity UserIdentity		身分識別設定。如果設定，這應該是其中一個 AmlToken、ManagedIdentity、UserIdentity 或 null。如果為 null，則預設為 AmlToken。
inputs	object		對應作業中使用的輸入數據系結。
isArchived	boolean	False	資產是否已封存？
jars	string[]		作業中使用的 Jar 檔案。
jobType	string: Spark		[必要]指定作業的類型。
notificationSetting	NotificationSetting		作業的通知設定
outputs	object		對應作業中使用的輸出數據系結。
properties	object		資產屬性字典。
pyFiles	string[]		作業中使用的 Python 檔案。
queueSettings	QueueSettings		作業的佇列設定
resources	SparkResourceConfiguration		作業的計算資源組態。
services	<string, JobService>		JobEndpoints 的清單。針對本機作業，作業端點會有 FileStreamObject 的端點值。
status	JobStatus		作業狀態。
tags	object		標記字典。標記可以新增、移除和更新。

SparkJobEntryType

列舉型別

值	Description
SparkJobPythonEntry
SparkJobScalaEntry

SparkJobPythonEntry

Object

名稱	類型	Description
file	string minLength: 1 pattern: [a-zA-Z0-9_]	[必要]作業進入點的相對 Python 檔案路徑。
sparkJobEntryType	string: SparkJobPythonEntry	[必要]作業進入點的類型。

SparkJobScalaEntry

Object

名稱	類型	Description
className	string minLength: 1 pattern: [a-zA-Z0-9_]	[必要]做為進入點的 Scala 類別名稱。
sparkJobEntryType	string: SparkJobScalaEntry	[必要]作業進入點的類型。

SparkResourceConfiguration

Object

名稱	類型	預設值	Description
instanceType	string		計算目標所支持的選擇性 VM 類型。
runtimeVersion	string	3.1	用於作業的 Spark 執行時間版本。

StackEnsembleSettings

Object

自訂 StackEnsemble 執行的進階設定。

名稱	類型	預設值	Description
stackMetaLearnerKWargs			要傳遞至中繼學習模組初始化表達式的選擇性參數。
stackMetaLearnerTrainPercentage	number (double)	0.2	指定要保留用於訓練中繼學習工具的定型集比例（選擇定型和定型類型的訓練類型）。預設值為 0.2。
stackMetaLearnerType	StackMetaLearnerType	None	元學習器是一個訓練於各個異構模型輸出的模型。\r\n預設的元學習器包括用於分類任務的 LogisticRegression（若啟用交叉驗證則為 LogisticRegressionCV），以及用於迴歸/預測任務的 ElasticNet（或啟用交叉驗證則為 ElasticNetCV）。\r\n此參數可以是以下字串之一：LogisticRegression、LogisticRegressionCV、LightGBMClassifier、ElasticNet、ElasticNetCV、LightGBMRegressor 或 LinearRegression

StackMetaLearnerType

列舉型別

元學習器是一個訓練於各個異構模型輸出的模型。\r\n預設的元學習器包括用於分類任務的 LogisticRegression（若啟用交叉驗證則為 LogisticRegressionCV），以及用於迴歸/預測任務的 ElasticNet（或啟用交叉驗證則為 ElasticNetCV）。\r\n此參數可以是以下字串之一：LogisticRegression、LogisticRegressionCV、LightGBMClassifier、ElasticNet、ElasticNetCV、LightGBMRegressor 或 LinearRegression

值	Description
None
LogisticRegression	預設元學習器是分類任務的 LogisticRegression。
LogisticRegressionCV	預設中繼學習器是 CV 開啟時分類工作的 LogisticRegression。
LightGBMClassifier
ElasticNet	預設元學習器是迴歸任務的 LogisticRegression。
ElasticNetCV	當 CV 開啟時，預設元學習器是迴歸任務的 LogisticRegression。
LightGBMRegressor
LinearRegression

StochasticOptimizer

列舉型別

圖像模型的隨機優化器。

值	Description
None	未選取最佳化工具。
Sgd	隨機梯度下降優化器。
Adam	Adam 是根據矩的自適應估計優化隨機目標函數的算法
Adamw	AdamW 是優化器 Adam 的變體，它改進了權重衰減的實現。

SweepJob

Object

掃描工作定義。

名稱	類型	預設值	Description
componentId	string		元件資源的 ARM 資源識別碼。
computeId	string		計算資源的 ARM 資源識別碼。
description	string		資產描述文字。
displayName	string		工作的顯示名稱。
earlyTermination	EarlyTerminationPolicy: BanditPolicy MedianStoppingPolicy TruncationSelectionPolicy		早期終止原則可在完成之前取消執行效能不佳
experimentName	string	Default	作業所屬的實驗名稱。如果未設定，作業會放在「默認」實驗中。
identity	IdentityConfiguration: AmlToken ManagedIdentity UserIdentity		身分識別設定。如果設定，這應該是其中一個 AmlToken、ManagedIdentity、UserIdentity 或 null。如果為 null，則預設為 AmlToken。
inputs	object		對應作業中使用的輸入數據系結。
isArchived	boolean	False	資產是否已封存？
jobType	string: Sweep		[必要]指定作業的類型。
limits	SweepJobLimits		掃掠作業限制。
notificationSetting	NotificationSetting		作業的通知設定
objective	Objective		[必要]優化目標。
outputs	object		對應作業中使用的輸出數據系結。
properties	object		資產屬性字典。
queueSettings	QueueSettings		作業的佇列設定
samplingAlgorithm	SamplingAlgorithm: BayesianSamplingAlgorithm GridSamplingAlgorithm RandomSamplingAlgorithm		[必要]超參數取樣演算法
searchSpace			[必要]包含每個參數及其散發的字典。字典索引鍵是參數的名稱
services	<string, JobService>		JobEndpoints 的清單。針對本機作業，作業端點會有 FileStreamObject 的端點值。
status	JobStatus		作業狀態。
tags	object		標記字典。標記可以新增、移除和更新。
trial	TrialComponent		[必要]試用版元件定義。

SweepJobLimits

Object

Sweep Job limit 類別。

名稱	類型	Description
jobLimitsType	string: Sweep	[必要]JobLimit 類型。
maxConcurrentTrials	integer (int32)	掃掠作業最大並行試用版。
maxTotalTrials	integer (int32)	掃掠作業最大總試用版。
timeout	string (duration)	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。
trialTimeout	string (duration)	掃掠作業試用版逾時值。

systemData

Object

與建立和上次修改資源相關的元數據。

名稱	類型	Description
createdAt	string (date-time)	資源建立的時間戳（UTC）。
createdBy	string	建立資源的身分識別。
createdByType	createdByType	建立資源的身分識別類型。
lastModifiedAt	string (date-time)	上次修改的資源時間戳（UTC）
lastModifiedBy	string	上次修改資源的身分識別。
lastModifiedByType	createdByType	上次修改資源的身分識別類型。

TableVerticalFeaturizationSettings

Object

特徵化設定。

名稱	類型	預設值	Description
blockedTransformers	BlockedTransformers[]		這些轉換器不得用於特徵化。
columnNameAndTypes	object		數據行名稱及其類型字典（int、float、string、datetime 等）。
datasetLanguage	string		數據集語言，適用於文字數據。
enableDnnFeaturization	boolean	False	判斷是否要使用 Dnn 型特徵化程式進行數據特徵化。
mode	FeaturizationMode	Auto	特徵化模式 - 使用者可以保留預設的「自動」模式，而 AutoML 會負責在特徵化階段中轉換數據的必要轉換。如果選取 [關閉]，則不會完成特徵化。如果選取 [自定義]，則使用者可以指定其他輸入，以自定義特徵化的完成方式。
transformerParams	object		用戶可以指定要搭配套用的其他轉換器，以及要套用它的數據行，以及轉換建構函式的參數。

TableVerticalLimitSettings

Object

作業執行限制。

名稱	類型	預設值	Description
enableEarlyTermination	boolean	True	啟用提早終止，判斷如果過去 20 個反覆項目沒有分數改善，AutoMLJob 是否會提早終止。
exitScore	number (double)		AutoML 作業的結束分數。
maxConcurrentTrials	integer (int32)	1	並行反覆運算數上限。
maxCoresPerTrial	integer (int32)	-1	每個反覆專案的核心數上限。
maxTrials	integer (int32)	1000	反覆項目的數目。
timeout	string (duration)	PT6H	AutoML 作業逾時。
trialTimeout	string (duration)	PT30M	反覆專案逾時。

TargetAggregationFunction

列舉型別

目標彙總函式。

值	Description
None	表示沒有值集。
Sum
Max
Min
Mean

TargetLagsMode

列舉型別

目標延遲選取模式。

值	Description
Auto	目標滯後將自動確定。
Custom	使用自訂目標延遲。

TargetRollingWindowSizeMode

列舉型別

目標滾動視窗大小模式。

值	Description
Auto	自動確定滾動窗口大小。
Custom	使用指定的滾動視窗大小。

TaskType

列舉型別

AutoMLJob 工作類型。

值	Description
Classification	機器學習和統計學中的分類是一種監督學習方法，其中計算機程序從給定給它的數據中學習並做出新的觀察或分類。
Regression	迴歸是指使用輸入資料來預測值。迴歸模型可用來預測連續值。
Forecasting	預測是一種特殊類型的迴歸任務，可處理時間序列資料並建立預測模型，以根據輸入預測不久的將來值。
ImageClassification	圖像分類。當圖像僅使用一組類別中的單個標籤進行分類時，使用多類圖像分類 - 例如，每個圖像被分類為“貓”或“狗”或“鴨子”的圖像。
ImageClassificationMultilabel	影像分類多標籤。當圖像可以具有一組標籤中的一個或多個標籤時，會使用多標籤圖像分類 - 例如，圖像可以同時標記為“貓”和“狗”。
ImageObjectDetection	影像物件偵測。對象檢測用於識別圖像中的對象並使用邊界框定位每個對象，例如定位圖像中的所有狗和貓，並在每個周圍繪製一個邊界框。
ImageInstanceSegmentation	影像執行個體分割。實例分割用於在像素層級識別影像中的對象，在影像中的每個物件周圍繪製多邊形。
TextClassification	文字分類（也稱為文字標記或文字分類）是將文字分類的過程。類別是相互排斥的。
TextClassificationMultilabel	多標籤分類工作會將每個樣本指派給一組（零個或多個）目標標籤。
TextNER	名為實體識別的文本，又名 TextNER。具名實體辨識（NER）是採用自由格式文字並識別實體出現情況的能力，例如人員、位置、組織等。

TensorFlow

Object

TensorFlow 分佈配置。

名稱	類型	預設值	Description
distributionType	string: TensorFlow		[必要]指定散發架構的類型。
parameterServerCount	integer (int32)	0	參數伺服器工作的數目。
workerCount	integer (int32)		工人人數。如果未指定，則會預設為實例計數。

TextClassification

Object

AutoML NLP 垂直領域的文字分類工作。 NLP - 自然語言處理。

名稱	類型	預設值	Description
featurizationSettings	NlpVerticalFeaturizationSettings		AutoML 作業所需的特徵化輸入。
limitSettings	NlpVerticalLimitSettings		AutoMLJob 的執行條件約束。
logVerbosity	LogVerbosity	Info	列舉，用於設定記錄詳細程度。
primaryMetric	ClassificationPrimaryMetrics	Accuracy	分類工作的主要指標。
targetColumnName	string		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。
taskType	string: TextClassification		[必要]AutoMLJob 的工作類型。
trainingData	MLTableJobInput		[必要]定型數據輸入。
validationData	MLTableJobInput		驗證數據輸入。

TextClassificationMultilabel

Object

AutoML NLP 垂直領域的文字分類多標籤工作。 NLP - 自然語言處理。

名稱	類型	預設值	Description
featurizationSettings	NlpVerticalFeaturizationSettings		AutoML 作業所需的特徵化輸入。
limitSettings	NlpVerticalLimitSettings		AutoMLJob 的執行條件約束。
logVerbosity	LogVerbosity	Info	列舉，用於設定記錄詳細程度。
primaryMetric	ClassificationMultilabelPrimaryMetrics		文字 -Classification-Multilabel 任務的主要量度。目前僅支援準確度作為主要量度，因此使用者不需要明確設定。
targetColumnName	string		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。
taskType	string: TextClassificationMultilabel		[必要]AutoMLJob 的工作類型。
trainingData	MLTableJobInput		[必要]定型數據輸入。
validationData	MLTableJobInput		驗證數據輸入。

TextNer

Object

AutoML NLP 垂直領域中的 Text-NER 工作。 NER - 具名實體辨識。 NLP - 自然語言處理。

名稱	類型	預設值	Description
featurizationSettings	NlpVerticalFeaturizationSettings		AutoML 作業所需的特徵化輸入。
limitSettings	NlpVerticalLimitSettings		AutoMLJob 的執行條件約束。
logVerbosity	LogVerbosity	Info	列舉，用於設定記錄詳細程度。
primaryMetric	ClassificationPrimaryMetrics		Text-NER 任務的主要指標。 Text-NER 僅支援「準確性」，因此使用者無需明確設定。
targetColumnName	string		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。
taskType	string: TextNER		[必要]AutoMLJob 的工作類型。
trainingData	MLTableJobInput		[必要]定型數據輸入。
validationData	MLTableJobInput		驗證數據輸入。

TrialComponent

Object

試用版元件定義。

名稱	類型	Description
codeId	string	程式代碼資產的 ARM 資源識別碼。
command	string minLength: 1 pattern: [a-zA-Z0-9_]	[必要]在作業啟動時執行的命令。 eg. “python train.py”
distribution	DistributionConfiguration: Mpi PyTorch TensorFlow	作業的散發組態。如果設定，這應該是其中一個 Mpi、Tensorflow、PyTorch 或 null。
environmentId	string minLength: 1 pattern: [a-zA-Z0-9_]	[必要]作業之環境規格的 ARM 資源識別碼。
environmentVariables	object	作業中包含的環境變數。
resources	JobResourceConfiguration	作業的計算資源組態。

TritonModelJobInput

Object

名稱	類型	預設值	Description
description	string		輸入的描述。
jobInputType	string: triton_model		[必要]指定作業的類型。
mode	InputDeliveryMode	ReadOnlyMount	列舉以決定輸入資料傳遞模式。
uri	string minLength: 1 pattern: [a-zA-Z0-9_]		[必要]輸入資產 URI。

TritonModelJobOutput

Object

名稱	類型	預設值	Description
assetName	string		輸出資產名稱。
description	string		輸出的描述。
jobOutputType	string: triton_model		[必要]指定作業的類型。
mode	OutputDeliveryMode	ReadWriteMount	輸出資料傳遞模式列舉。
uri	string		輸出資產 URI。

TruncationSelectionPolicy

Object

定義提前終止原則，以在每個評估間隔取消給定百分比的執行。

名稱	類型	預設值	Description
delayEvaluation	integer (int32)	0	延遲第一次評估的間隔數目。
evaluationInterval	integer (int32)	0	原則評估之間的間隔（執行次數）。
policyType	string: TruncationSelection		[必要]原則設定的名稱
truncationPercentage	integer (int32)	0	要在每個評估間隔取消的執行百分比。

UriFileJobInput

Object

名稱	類型	預設值	Description
description	string		輸入的描述。
jobInputType	string: uri_file		[必要]指定作業的類型。
mode	InputDeliveryMode	ReadOnlyMount	列舉以決定輸入資料傳遞模式。
uri	string minLength: 1 pattern: [a-zA-Z0-9_]		[必要]輸入資產 URI。

UriFileJobOutput

Object

名稱	類型	預設值	Description
assetName	string		輸出資產名稱。
description	string		輸出的描述。
jobOutputType	string: uri_file		[必要]指定作業的類型。
mode	OutputDeliveryMode	ReadWriteMount	輸出資料傳遞模式列舉。
uri	string		輸出資產 URI。

UriFolderJobInput

Object

名稱	類型	預設值	Description
description	string		輸入的描述。
jobInputType	string: uri_folder		[必要]指定作業的類型。
mode	InputDeliveryMode	ReadOnlyMount	列舉以決定輸入資料傳遞模式。
uri	string minLength: 1 pattern: [a-zA-Z0-9_]		[必要]輸入資產 URI。

UriFolderJobOutput

Object

名稱	類型	預設值	Description
assetName	string		輸出資產名稱。
description	string		輸出的描述。
jobOutputType	string: uri_folder		[必要]指定作業的類型。
mode	OutputDeliveryMode	ReadWriteMount	輸出資料傳遞模式列舉。
uri	string		輸出資產 URI。

UserIdentity

Object

使用者身分識別組態。

名稱	類型	Description
identityType	string: UserIdentity	[必要]指定身分識別架構的類型。

UseStl

列舉型別

設定時間序列目標數據行的 STL 分解。

值	Description
None	沒有 stl 分解。
Season
SeasonTrend

ValidationMetricType

列舉型別

用於影像任務中驗證指標的指標計算方法。

值	Description
None	沒有指標。
Coco	可可度量。
Voc	VOC 指標。
CocoVoc	CocoVoc 指標。

WebhookType

列舉型別

列舉來判斷 Webhook 回呼服務類型。

值	Description
AzureDevOps

共用方式為

Jobs - Create Or Update

URI 參數

要求本文

回應

安全性

azure_auth

範圍

範例

CreateOrUpdate AutoML Job.

範例要求

範例回覆

CreateOrUpdate Command Job.

範例要求

範例回覆

CreateOrUpdate Pipeline Job.

範例要求

範例回覆

CreateOrUpdate Sweep Job.

範例要求

範例回覆

定義

AllNodes

AmlToken

AutoForecastHorizon

AutoMLJob

AutoNCrossValidations

AutoSeasonality

AutoTargetLags

AutoTargetRollingWindowSize

AzureDevOpsWebhook

BanditPolicy

BayesianSamplingAlgorithm

BlockedTransformers

Classification

ClassificationModels

ClassificationMultilabelPrimaryMetrics

ClassificationPrimaryMetrics

ClassificationTrainingSettings

CommandJob

CommandJobLimits

createdByType

CustomForecastHorizon

CustomModelJobInput

CustomModelJobOutput

CustomNCrossValidations

CustomSeasonality

CustomTargetLags

CustomTargetRollingWindowSize

DistributionType

EarlyTerminationPolicyType

EmailNotificationEnableType

ErrorAdditionalInfo

ErrorDetail

ErrorResponse

FeatureLags

FeaturizationMode

ForecastHorizonMode

Forecasting

ForecastingModels

ForecastingPrimaryMetrics

ForecastingSettings

ForecastingTrainingSettings

Goal

GridSamplingAlgorithm

IdentityConfigurationType

ImageClassification

ImageClassificationMultilabel

ImageInstanceSegmentation

ImageLimitSettings

ImageModelDistributionSettingsClassification

ImageModelDistributionSettingsObjectDetection

ImageModelSettingsClassification

ImageModelSettingsObjectDetection

ImageObjectDetection

ImageSweepSettings

InputDeliveryMode

InstanceSegmentationPrimaryMetrics

JobBase

JobInputType