Pracovní prostory Microsoft.MachineLearningServices/plány 2024-01-01-preview
- nejnovější
-
2024-07-01-preview -
2024-04-04 -
2024-04-01-preview - 1. 1. 2024 ve verzi Preview
- 10. 10. 2023
-
2023-08-01-preview -
2023-06-01-preview -
2023-04-04 -
2023-04-01-Preview -
2023-023-01-preview -
12. 12. 2022 ve verzi Preview - 10. 10. 2022
-
10. 10. 2022 ve verzi Preview -
2022-06-01-preview
Definice prostředku Bicep
Typ prostředku pracovních prostorů/plánů je možné nasadit s operacemi, které cílí:
- skupiny prostředků – viz příkazy nasazení skupiny prostředků
Seznam změněných vlastností v jednotlivých verzích rozhraní API najdete v protokolu změn.
Formát prostředku
Pokud chcete vytvořit prostředek Microsoft.MachineLearningServices/workspaces/schedules, přidejte do šablony následující bicep.
resource symbolicname 'Microsoft.MachineLearningServices/workspaces/schedules@2024-01-01-preview' = {
name: 'string'
parent: resourceSymbolicName
properties: {
action: {
actionType: 'string'
// For remaining properties, see ScheduleActionBase objects
}
description: 'string'
displayName: 'string'
isEnabled: bool
properties: {
{customized property}: 'string'
}
tags: {}
trigger: {
endTime: 'string'
startTime: 'string'
timeZone: 'string'
triggerType: 'string'
// For remaining properties, see TriggerBase objects
}
}
}
ScheduleActionBase – objekty
Nastavte actionType vlastnost určit typ objektu.
Pro CreateJobpoužijte:
actionType: 'CreateJob'
jobDefinition: {
componentId: 'string'
computeId: 'string'
description: 'string'
displayName: 'string'
experimentName: 'string'
identity: {
identityType: 'string'
// For remaining properties, see IdentityConfiguration objects
}
isArchived: bool
notificationSetting: {
emailOn: [
'string'
]
emails: [
'string'
]
webhooks: {
{customized property}: {
eventType: 'string'
webhookType: 'string'
// For remaining properties, see Webhook objects
}
}
}
properties: {
{customized property}: 'string'
}
secretsConfiguration: {
{customized property}: {
uri: 'string'
workspaceSecretName: 'string'
}
}
services: {
{customized property}: {
endpoint: 'string'
jobServiceType: 'string'
nodes: {
nodesValueType: 'string'
// For remaining properties, see Nodes objects
}
port: int
properties: {
{customized property}: 'string'
}
}
}
tags: {}
jobType: 'string'
// For remaining properties, see JobBaseProperties objects
}
Pro CreateMonitorpoužijte:
actionType: 'CreateMonitor'
monitorDefinition: {
alertNotificationSettings: {
emailNotificationSettings: {
emails: [
'string'
]
}
}
computeConfiguration: {
computeType: 'string'
// For remaining properties, see MonitorComputeConfigurationBase objects
}
monitoringTarget: {
deploymentId: 'string'
modelId: 'string'
taskType: 'string'
}
signals: {
{customized property}: {
notificationTypes: [
'string'
]
properties: {
{customized property}: 'string'
}
signalType: 'string'
// For remaining properties, see MonitoringSignalBase objects
}
}
}
Pro ImportData použijte:
actionType: 'ImportData'
dataImportDefinition: {
assetName: 'string'
autoDeleteSetting: {
condition: 'string'
value: 'string'
}
dataType: 'string'
dataUri: 'string'
description: 'string'
intellectualProperty: {
protectionLevel: 'string'
publisher: 'string'
}
isAnonymous: bool
isArchived: bool
properties: {
{customized property}: 'string'
}
source: {
connection: 'string'
sourceType: 'string'
// For remaining properties, see DataImportSource objects
}
stage: 'string'
tags: {}
}
Pro InvokeBatchEndpointpoužijte:
actionType: 'InvokeBatchEndpoint'
endpointInvocationDefinition: any()
Objekty JobBaseProperties
Nastavte vlastnost jobType určit typ objektu.
Pro AutoML použijte:
jobType: 'AutoML'
environmentId: 'string'
environmentVariables: {
{customized property}: 'string'
}
outputs: {
{customized property}: {
description: 'string'
jobOutputType: 'string'
// For remaining properties, see JobOutput objects
}
}
queueSettings: {
jobTier: 'string'
priority: int
}
resources: {
dockerArgs: 'string'
instanceCount: int
instanceType: 'string'
locations: [
'string'
]
maxInstanceCount: int
properties: {
{customized property}: any()
}
shmSize: 'string'
}
taskDetails: {
logVerbosity: 'string'
targetColumnName: 'string'
trainingData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
pathOnCompute: 'string'
uri: 'string'
}
taskType: 'string'
// For remaining properties, see AutoMLVertical objects
}
Vpříkazu
jobType: 'Command'
autologgerSettings: {
mlflowAutologger: 'string'
}
codeId: 'string'
command: 'string'
distribution: {
distributionType: 'string'
// For remaining properties, see DistributionConfiguration objects
}
environmentId: 'string'
environmentVariables: {
{customized property}: 'string'
}
inputs: {
{customized property}: {
description: 'string'
jobInputType: 'string'
// For remaining properties, see JobInput objects
}
}
limits: {
jobLimitsType: 'string'
timeout: 'string'
}
outputs: {
{customized property}: {
description: 'string'
jobOutputType: 'string'
// For remaining properties, see JobOutput objects
}
}
queueSettings: {
jobTier: 'string'
priority: int
}
resources: {
dockerArgs: 'string'
instanceCount: int
instanceType: 'string'
locations: [
'string'
]
maxInstanceCount: int
properties: {
{customized property}: any()
}
shmSize: 'string'
}
Pro FineTuning použijte:
jobType: 'FineTuning'
fineTuningDetails: {
model: {
description: 'string'
jobInputType: 'string'
mode: 'string'
pathOnCompute: 'string'
uri: 'string'
}
taskType: 'string'
trainingData: {
description: 'string'
jobInputType: 'string'
// For remaining properties, see JobInput objects
}
validationData: {
description: 'string'
jobInputType: 'string'
// For remaining properties, see JobInput objects
}
modelProvider: 'string'
// For remaining properties, see FineTuningVertical objects
}
outputs: {
{customized property}: {
description: 'string'
jobOutputType: 'string'
// For remaining properties, see JobOutput objects
}
}
Pro popiskypoužijte:
jobType: 'Labeling'
dataConfiguration: {
dataId: 'string'
incrementalDataRefresh: 'string'
}
jobInstructions: {
uri: 'string'
}
labelCategories: {
{customized property}: {
classes: {
{customized property}: {
displayName: 'string'
subclasses: {
{customized property}: {}
}
}
displayName: 'string'
multiSelect: 'string'
}
}
labelingJobMediaProperties: {
mediaType: 'string'
// For remaining properties, see LabelingJobMediaProperties objects
}
mlAssistConfiguration: {
mlAssist: 'string'
// For remaining properties, see MLAssistConfiguration objects
}
Prokanálu
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'
Pro Sparkpoužijte:
jobType: 'Spark'
archives: [
'string'
]
args: 'string'
codeId: 'string'
conf: {
{customized property}: 'string'
}
entry: {
sparkJobEntryType: 'string'
// For remaining properties, see SparkJobEntry objects
}
environmentId: 'string'
environmentVariables: {
{customized property}: 'string'
}
files: [
'string'
]
inputs: {
{customized property}: {
description: 'string'
jobInputType: 'string'
// For remaining properties, see JobInput objects
}
}
jars: [
'string'
]
outputs: {
{customized property}: {
description: 'string'
jobOutputType: 'string'
// For remaining properties, see JobOutput objects
}
}
pyFiles: [
'string'
]
queueSettings: {
jobTier: 'string'
priority: int
}
resources: {
instanceType: 'string'
runtimeVersion: 'string'
}
Pro Ukliditpoužijte:
jobType: 'Sweep'
componentConfiguration: {
pipelineSettings: any()
}
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
inputs: {
{customized property}: {
description: 'string'
jobInputType: 'string'
// For remaining properties, see JobInput objects
}
}
limits: {
jobLimitsType: 'string'
maxConcurrentTrials: int
maxTotalTrials: int
timeout: 'string'
trialTimeout: 'string'
}
objective: {
goal: 'string'
primaryMetric: 'string'
}
outputs: {
{customized property}: {
description: 'string'
jobOutputType: 'string'
// For remaining properties, see JobOutput objects
}
}
queueSettings: {
jobTier: 'string'
priority: int
}
resources: {
dockerArgs: 'string'
instanceCount: int
instanceType: 'string'
locations: [
'string'
]
maxInstanceCount: int
properties: {
{customized property}: any()
}
shmSize: 'string'
}
samplingAlgorithm: {
samplingAlgorithmType: 'string'
// For remaining properties, see SamplingAlgorithm objects
}
searchSpace: any()
trial: {
codeId: 'string'
command: 'string'
distribution: {
distributionType: 'string'
// For remaining properties, see DistributionConfiguration objects
}
environmentId: 'string'
environmentVariables: {
{customized property}: 'string'
}
resources: {
dockerArgs: 'string'
instanceCount: int
instanceType: 'string'
locations: [
'string'
]
maxInstanceCount: int
properties: {
{customized property}: any()
}
shmSize: 'string'
}
}
Objekty IdentityConfiguration
Nastavte vlastnost identityType určit typ objektu.
Pro AMLToken použijte:
identityType: 'AMLToken'
Pro spravovanépoužijte:
identityType: 'Managed'
clientId: 'string'
objectId: 'string'
resourceId: 'string'
Pro userIdentitypoužijte:
identityType: 'UserIdentity'
Objekty Webhooku
Nastavte webhookType vlastnost určit typ objektu.
Pro AzureDevOpspoužijte:
webhookType: 'AzureDevOps'
Uzly – objekty
Nastavte vlastnost nodesValueType určit typ objektu.
Pro Všechnypoužijte:
nodesValueType: 'All'
Objekty JobOutput
Nastavte jobOutputType vlastnost určit typ objektu.
Pro custom_modelpoužijte:
jobOutputType: 'custom_model'
assetName: 'string'
assetVersion: 'string'
autoDeleteSetting: {
condition: 'string'
value: 'string'
}
mode: 'string'
pathOnCompute: 'string'
uri: 'string'
Pro mlflow_modelpoužijte:
jobOutputType: 'mlflow_model'
assetName: 'string'
assetVersion: 'string'
autoDeleteSetting: {
condition: 'string'
value: 'string'
}
mode: 'string'
pathOnCompute: 'string'
uri: 'string'
Pro mltable použijte:
jobOutputType: 'mltable'
assetName: 'string'
assetVersion: 'string'
autoDeleteSetting: {
condition: 'string'
value: 'string'
}
mode: 'string'
pathOnCompute: 'string'
uri: 'string'
Pro triton_modelpoužijte:
jobOutputType: 'triton_model'
assetName: 'string'
assetVersion: 'string'
autoDeleteSetting: {
condition: 'string'
value: 'string'
}
mode: 'string'
pathOnCompute: 'string'
uri: 'string'
Pro uri_filepoužijte:
jobOutputType: 'uri_file'
assetName: 'string'
assetVersion: 'string'
autoDeleteSetting: {
condition: 'string'
value: 'string'
}
mode: 'string'
pathOnCompute: 'string'
uri: 'string'
Pro uri_folderpoužijte:
jobOutputType: 'uri_folder'
assetName: 'string'
assetVersion: 'string'
autoDeleteSetting: {
condition: 'string'
value: 'string'
}
mode: 'string'
pathOnCompute: 'string'
uri: 'string'
Objekty AutoMLVertical
Nastavte vlastnost taskType určit typ objektu.
Pro Klasifikacepoužijte:
taskType: 'Classification'
cvSplitColumnNames: [
'string'
]
featurizationSettings: {
blockedTransformers: [
'string'
]
columnNameAndTypes: {
{customized property}: 'string'
}
datasetLanguage: 'string'
enableDnnFeaturization: bool
mode: 'string'
transformerParams: {
{customized property}: [
{
fields: [
'string'
]
parameters: any()
}
]
}
}
fixedParameters: {
booster: 'string'
boostingType: 'string'
growPolicy: 'string'
learningRate: int
maxBin: int
maxDepth: int
maxLeaves: int
minDataInLeaf: int
minSplitGain: int
modelName: 'string'
nEstimators: int
numLeaves: int
preprocessorName: 'string'
regAlpha: int
regLambda: int
subsample: int
subsampleFreq: int
treeMethod: 'string'
withMean: bool
withStd: bool
}
limitSettings: {
enableEarlyTermination: bool
exitScore: int
maxConcurrentTrials: int
maxCoresPerTrial: int
maxNodes: int
maxTrials: int
sweepConcurrentTrials: int
sweepTrials: int
timeout: 'string'
trialTimeout: 'string'
}
nCrossValidations: {
mode: 'string'
// For remaining properties, see NCrossValidations objects
}
positiveLabel: 'string'
primaryMetric: 'string'
searchSpace: [
{
booster: 'string'
boostingType: 'string'
growPolicy: 'string'
learningRate: 'string'
maxBin: 'string'
maxDepth: 'string'
maxLeaves: 'string'
minDataInLeaf: 'string'
minSplitGain: 'string'
modelName: 'string'
nEstimators: 'string'
numLeaves: 'string'
preprocessorName: 'string'
regAlpha: 'string'
regLambda: 'string'
subsample: 'string'
subsampleFreq: 'string'
treeMethod: 'string'
withMean: 'string'
withStd: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm: 'string'
}
testData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
pathOnCompute: 'string'
uri: 'string'
}
testDataSize: int
trainingSettings: {
allowedTrainingAlgorithms: [
'string'
]
blockedTrainingAlgorithms: [
'string'
]
enableDnnTraining: bool
enableModelExplainability: bool
enableOnnxCompatibleModels: bool
enableStackEnsemble: bool
enableVoteEnsemble: bool
ensembleModelDownloadTimeout: 'string'
stackEnsembleSettings: {
stackMetaLearnerKWargs: any()
stackMetaLearnerTrainPercentage: int
stackMetaLearnerType: 'string'
}
trainingMode: 'string'
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
pathOnCompute: 'string'
uri: 'string'
}
validationDataSize: int
weightColumnName: 'string'
Pro prognózy použijte:
taskType: 'Forecasting'
cvSplitColumnNames: [
'string'
]
featurizationSettings: {
blockedTransformers: [
'string'
]
columnNameAndTypes: {
{customized property}: 'string'
}
datasetLanguage: 'string'
enableDnnFeaturization: bool
mode: 'string'
transformerParams: {
{customized property}: [
{
fields: [
'string'
]
parameters: any()
}
]
}
}
fixedParameters: {
booster: 'string'
boostingType: 'string'
growPolicy: 'string'
learningRate: int
maxBin: int
maxDepth: int
maxLeaves: int
minDataInLeaf: int
minSplitGain: int
modelName: 'string'
nEstimators: int
numLeaves: int
preprocessorName: 'string'
regAlpha: int
regLambda: int
subsample: int
subsampleFreq: int
treeMethod: 'string'
withMean: bool
withStd: bool
}
forecastingSettings: {
countryOrRegionForHolidays: 'string'
cvStepSize: int
featureLags: 'string'
featuresUnknownAtForecastTime: [
'string'
]
forecastHorizon: {
mode: 'string'
// For remaining properties, see ForecastHorizon objects
}
frequency: 'string'
seasonality: {
mode: 'string'
// For remaining properties, see Seasonality objects
}
shortSeriesHandlingConfig: 'string'
targetAggregateFunction: 'string'
targetLags: {
mode: 'string'
// For remaining properties, see TargetLags objects
}
targetRollingWindowSize: {
mode: 'string'
// For remaining properties, see TargetRollingWindowSize objects
}
timeColumnName: 'string'
timeSeriesIdColumnNames: [
'string'
]
useStl: 'string'
}
limitSettings: {
enableEarlyTermination: bool
exitScore: int
maxConcurrentTrials: int
maxCoresPerTrial: int
maxNodes: int
maxTrials: int
sweepConcurrentTrials: int
sweepTrials: int
timeout: 'string'
trialTimeout: 'string'
}
nCrossValidations: {
mode: 'string'
// For remaining properties, see NCrossValidations objects
}
primaryMetric: 'string'
searchSpace: [
{
booster: 'string'
boostingType: 'string'
growPolicy: 'string'
learningRate: 'string'
maxBin: 'string'
maxDepth: 'string'
maxLeaves: 'string'
minDataInLeaf: 'string'
minSplitGain: 'string'
modelName: 'string'
nEstimators: 'string'
numLeaves: 'string'
preprocessorName: 'string'
regAlpha: 'string'
regLambda: 'string'
subsample: 'string'
subsampleFreq: 'string'
treeMethod: 'string'
withMean: 'string'
withStd: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm: 'string'
}
testData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
pathOnCompute: 'string'
uri: 'string'
}
testDataSize: int
trainingSettings: {
allowedTrainingAlgorithms: [
'string'
]
blockedTrainingAlgorithms: [
'string'
]
enableDnnTraining: bool
enableModelExplainability: bool
enableOnnxCompatibleModels: bool
enableStackEnsemble: bool
enableVoteEnsemble: bool
ensembleModelDownloadTimeout: 'string'
stackEnsembleSettings: {
stackMetaLearnerKWargs: any()
stackMetaLearnerTrainPercentage: int
stackMetaLearnerType: 'string'
}
trainingMode: 'string'
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
pathOnCompute: 'string'
uri: 'string'
}
validationDataSize: int
weightColumnName: 'string'
Pro ImageClassificationpoužijte:
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'
pathOnCompute: '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'
pathOnCompute: 'string'
uri: 'string'
}
validationDataSize: int
Pro ImageClassificationMultilabelpoužijte:
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'
pathOnCompute: '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'
pathOnCompute: 'string'
uri: 'string'
}
validationDataSize: int
Pro ImageInstanceSegmentationpoužijte:
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'
pathOnCompute: 'string'
uri: 'string'
}
checkpointRunId: 'string'
distributed: bool
earlyStopping: bool
earlyStoppingDelay: int
earlyStoppingPatience: int
enableOnnxNormalization: bool
evaluationFrequency: int
gradientAccumulationStep: int
imageSize: int
layersToFreeze: int
learningRate: int
learningRateScheduler: 'string'
logTrainingMetrics: 'string'
logValidationLoss: 'string'
maxSize: int
minSize: int
modelName: 'string'
modelSize: 'string'
momentum: int
multiScale: bool
nesterov: bool
nmsIouThreshold: int
numberOfEpochs: int
numberOfWorkers: int
optimizer: 'string'
randomSeed: int
stepLRGamma: int
stepLRStepSize: int
tileGridSize: 'string'
tileOverlapRatio: int
tilePredictionsNmsThreshold: int
trainingBatchSize: int
validationBatchSize: int
validationIouThreshold: int
validationMetricType: 'string'
warmupCosineLRCycles: int
warmupCosineLRWarmupEpochs: int
weightDecay: int
}
primaryMetric: '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'
pathOnCompute: 'string'
uri: 'string'
}
validationDataSize: int
Pro ImageObjectDetectionpoužijte:
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'
pathOnCompute: 'string'
uri: 'string'
}
checkpointRunId: 'string'
distributed: bool
earlyStopping: bool
earlyStoppingDelay: int
earlyStoppingPatience: int
enableOnnxNormalization: bool
evaluationFrequency: int
gradientAccumulationStep: int
imageSize: int
layersToFreeze: int
learningRate: int
learningRateScheduler: 'string'
logTrainingMetrics: 'string'
logValidationLoss: 'string'
maxSize: int
minSize: int
modelName: 'string'
modelSize: 'string'
momentum: int
multiScale: bool
nesterov: bool
nmsIouThreshold: int
numberOfEpochs: int
numberOfWorkers: int
optimizer: 'string'
randomSeed: int
stepLRGamma: int
stepLRStepSize: int
tileGridSize: 'string'
tileOverlapRatio: int
tilePredictionsNmsThreshold: int
trainingBatchSize: int
validationBatchSize: int
validationIouThreshold: int
validationMetricType: 'string'
warmupCosineLRCycles: int
warmupCosineLRWarmupEpochs: int
weightDecay: int
}
primaryMetric: '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'
pathOnCompute: 'string'
uri: 'string'
}
validationDataSize: int
Pro regresnípoužijte:
taskType: 'Regression'
cvSplitColumnNames: [
'string'
]
featurizationSettings: {
blockedTransformers: [
'string'
]
columnNameAndTypes: {
{customized property}: 'string'
}
datasetLanguage: 'string'
enableDnnFeaturization: bool
mode: 'string'
transformerParams: {
{customized property}: [
{
fields: [
'string'
]
parameters: any()
}
]
}
}
fixedParameters: {
booster: 'string'
boostingType: 'string'
growPolicy: 'string'
learningRate: int
maxBin: int
maxDepth: int
maxLeaves: int
minDataInLeaf: int
minSplitGain: int
modelName: 'string'
nEstimators: int
numLeaves: int
preprocessorName: 'string'
regAlpha: int
regLambda: int
subsample: int
subsampleFreq: int
treeMethod: 'string'
withMean: bool
withStd: bool
}
limitSettings: {
enableEarlyTermination: bool
exitScore: int
maxConcurrentTrials: int
maxCoresPerTrial: int
maxNodes: int
maxTrials: int
sweepConcurrentTrials: int
sweepTrials: int
timeout: 'string'
trialTimeout: 'string'
}
nCrossValidations: {
mode: 'string'
// For remaining properties, see NCrossValidations objects
}
primaryMetric: 'string'
searchSpace: [
{
booster: 'string'
boostingType: 'string'
growPolicy: 'string'
learningRate: 'string'
maxBin: 'string'
maxDepth: 'string'
maxLeaves: 'string'
minDataInLeaf: 'string'
minSplitGain: 'string'
modelName: 'string'
nEstimators: 'string'
numLeaves: 'string'
preprocessorName: 'string'
regAlpha: 'string'
regLambda: 'string'
subsample: 'string'
subsampleFreq: 'string'
treeMethod: 'string'
withMean: 'string'
withStd: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm: 'string'
}
testData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
pathOnCompute: 'string'
uri: 'string'
}
testDataSize: int
trainingSettings: {
allowedTrainingAlgorithms: [
'string'
]
blockedTrainingAlgorithms: [
'string'
]
enableDnnTraining: bool
enableModelExplainability: bool
enableOnnxCompatibleModels: bool
enableStackEnsemble: bool
enableVoteEnsemble: bool
ensembleModelDownloadTimeout: 'string'
stackEnsembleSettings: {
stackMetaLearnerKWargs: any()
stackMetaLearnerTrainPercentage: int
stackMetaLearnerType: 'string'
}
trainingMode: 'string'
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
pathOnCompute: 'string'
uri: 'string'
}
validationDataSize: int
weightColumnName: 'string'
Pro TextClassification použijte:
taskType: 'TextClassification'
featurizationSettings: {
datasetLanguage: 'string'
}
fixedParameters: {
gradientAccumulationSteps: int
learningRate: int
learningRateScheduler: 'string'
modelName: 'string'
numberOfEpochs: int
trainingBatchSize: int
validationBatchSize: int
warmupRatio: int
weightDecay: int
}
limitSettings: {
maxConcurrentTrials: int
maxNodes: int
maxTrials: int
timeout: 'string'
trialTimeout: 'string'
}
primaryMetric: 'string'
searchSpace: [
{
gradientAccumulationSteps: 'string'
learningRate: 'string'
learningRateScheduler: 'string'
modelName: 'string'
numberOfEpochs: 'string'
trainingBatchSize: 'string'
validationBatchSize: 'string'
warmupRatio: 'string'
weightDecay: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm: 'string'
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
pathOnCompute: 'string'
uri: 'string'
}
Pro TextClassificationMultilabelpoužijte:
taskType: 'TextClassificationMultilabel'
featurizationSettings: {
datasetLanguage: 'string'
}
fixedParameters: {
gradientAccumulationSteps: int
learningRate: int
learningRateScheduler: 'string'
modelName: 'string'
numberOfEpochs: int
trainingBatchSize: int
validationBatchSize: int
warmupRatio: int
weightDecay: int
}
limitSettings: {
maxConcurrentTrials: int
maxNodes: int
maxTrials: int
timeout: 'string'
trialTimeout: 'string'
}
searchSpace: [
{
gradientAccumulationSteps: 'string'
learningRate: 'string'
learningRateScheduler: 'string'
modelName: 'string'
numberOfEpochs: 'string'
trainingBatchSize: 'string'
validationBatchSize: 'string'
warmupRatio: 'string'
weightDecay: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm: 'string'
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
pathOnCompute: 'string'
uri: 'string'
}
Pro TextNERpoužijte:
taskType: 'TextNER'
featurizationSettings: {
datasetLanguage: 'string'
}
fixedParameters: {
gradientAccumulationSteps: int
learningRate: int
learningRateScheduler: 'string'
modelName: 'string'
numberOfEpochs: int
trainingBatchSize: int
validationBatchSize: int
warmupRatio: int
weightDecay: int
}
limitSettings: {
maxConcurrentTrials: int
maxNodes: int
maxTrials: int
timeout: 'string'
trialTimeout: 'string'
}
searchSpace: [
{
gradientAccumulationSteps: 'string'
learningRate: 'string'
learningRateScheduler: 'string'
modelName: 'string'
numberOfEpochs: 'string'
trainingBatchSize: 'string'
validationBatchSize: 'string'
warmupRatio: 'string'
weightDecay: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm: 'string'
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
pathOnCompute: 'string'
uri: 'string'
}
NCrossValidations – objekty
Nastavte režim vlastnost určit typ objektu.
Pro Automaticképoužijte:
mode: 'Auto'
Pro Vlastnípoužijte:
mode: 'Custom'
value: int
EarlyTerminationPolicy – objekty
Nastavte vlastnost policyType určit typ objektu.
Pro banditpoužijte:
policyType: 'Bandit'
slackAmount: int
slackFactor: int
Pro MedianS stop, použijte:
policyType: 'MedianStopping'
Pro TruncationSelectionpoužijte:
policyType: 'TruncationSelection'
truncationPercentage: int
ForecastHorizon – objekty
Nastavte režim vlastnost určit typ objektu.
Pro Automaticképoužijte:
mode: 'Auto'
Pro Vlastnípoužijte:
mode: 'Custom'
value: int
Objekty sezónnosti
Nastavte režim vlastnost určit typ objektu.
Pro Automaticképoužijte:
mode: 'Auto'
Pro Vlastnípoužijte:
mode: 'Custom'
value: int
TargetLags – objekty
Nastavte režim vlastnost určit typ objektu.
Pro Automaticképoužijte:
mode: 'Auto'
Pro Vlastnípoužijte:
mode: 'Custom'
values: [
int
]
TargetRollingWindowSize – objekty
Nastavte režim vlastnost určit typ objektu.
Pro Automaticképoužijte:
mode: 'Auto'
Pro Vlastnípoužijte:
mode: 'Custom'
value: int
Objekty DistributionConfiguration
Nastavte distributionType vlastnost určit typ objektu.
Pro mpipoužijte:
distributionType: 'Mpi'
processCountPerInstance: int
Pro PyTorchpoužijte:
distributionType: 'PyTorch'
processCountPerInstance: int
Pro Raypoužijte:
distributionType: 'Ray'
address: 'string'
dashboardPort: int
headNodeAdditionalArgs: 'string'
includeDashboard: bool
port: int
workerNodeAdditionalArgs: 'string'
Pro TensorFlowpoužijte:
distributionType: 'TensorFlow'
parameterServerCount: int
workerCount: int
Objekty JobInput
Nastavte jobInputType vlastnost určit typ objektu.
Pro custom_modelpoužijte:
jobInputType: 'custom_model'
mode: 'string'
pathOnCompute: 'string'
uri: 'string'
Pro literálpoužijte:
jobInputType: 'literal'
value: 'string'
Pro mlflow_modelpoužijte:
jobInputType: 'mlflow_model'
mode: 'string'
pathOnCompute: 'string'
uri: 'string'
Pro mltable použijte:
jobInputType: 'mltable'
mode: 'string'
pathOnCompute: 'string'
uri: 'string'
Pro triton_modelpoužijte:
jobInputType: 'triton_model'
mode: 'string'
pathOnCompute: 'string'
uri: 'string'
Pro uri_filepoužijte:
jobInputType: 'uri_file'
mode: 'string'
pathOnCompute: 'string'
uri: 'string'
Pro uri_folderpoužijte:
jobInputType: 'uri_folder'
mode: 'string'
pathOnCompute: 'string'
uri: 'string'
FineTuningVertical – objekty
Nastavte modelProvider vlastnost určit typ objektu.
Pro azureOpenAIpoužijte:
modelProvider: 'AzureOpenAI'
hyperParameters: {
batchSize: int
learningRateMultiplier: int
nEpochs: int
}
Pro Vlastnípoužijte:
modelProvider: 'Custom'
hyperParameters: {
{customized property}: 'string'
}
Objekty LabelingJobMediaProperties
Nastavte mediaType vlastnost určit typ objektu.
Pro imagepoužijte:
mediaType: 'Image'
annotationType: 'string'
Pro Textovépoužijte:
mediaType: 'Text'
annotationType: 'string'
MLAssistConfiguration – objekty
Nastavte mlAssist vlastnost určit typ objektu.
Pro Zakázánopoužijte:
mlAssist: 'Disabled'
Pro Povolenopoužijte:
mlAssist: 'Enabled'
inferencingComputeBinding: 'string'
trainingComputeBinding: 'string'
Objekty SparkJobEntry
Nastavte sparkJobEntryType vlastnost určit typ objektu.
Pro SparkJobPythonEntrypoužijte:
sparkJobEntryType: 'SparkJobPythonEntry'
file: 'string'
Pro SparkJobScalaEntrypoužijte:
sparkJobEntryType: 'SparkJobScalaEntry'
className: 'string'
Objekty SamplingAlgorithm
Nastavte samplingAlgorithmType vlastnost určit typ objektu.
Pro Bayesianpoužijte:
samplingAlgorithmType: 'Bayesian'
Pro Gridpoužijte:
samplingAlgorithmType: 'Grid'
Pro Náhodnépoužijte:
samplingAlgorithmType: 'Random'
logbase: 'string'
rule: 'string'
seed: int
Objekty MonitorComputeConfigurationBase
Nastavte computeType vlastnost určit typ objektu.
Pro serverlessSparkpoužijte:
computeType: 'ServerlessSpark'
computeIdentity: {
computeIdentityType: 'string'
// For remaining properties, see MonitorComputeIdentityBase objects
}
instanceType: 'string'
runtimeVersion: 'string'
MonitorComputeIdentityBase – objekty
Nastavte computeIdentityType vlastnost určit typ objektu.
Pro AmlToken použijte:
computeIdentityType: 'AmlToken'
Pro managedIdentitypoužijte:
computeIdentityType: 'ManagedIdentity'
identity: {
type: 'string'
userAssignedIdentities: {
{customized property}: {}
}
}
MonitoringSignalBase – objekty
Nastavte signalType vlastnost určit typ objektu.
Pro Vlastnípoužijte:
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
}
}
]
workspaceConnection: {
environmentVariables: {
{customized property}: 'string'
}
secrets: {
{customized property}: 'string'
}
}
Pro DataDrift použijte:
signalType: 'DataDrift'
dataSegment: {
feature: 'string'
values: [
'string'
]
}
featureDataTypeOverride: {
{customized property}: 'string'
}
featureImportanceSettings: {
mode: 'string'
targetColumn: 'string'
}
features: {
filterType: 'string'
// For remaining properties, see MonitoringFeatureFilterBase objects
}
metricThresholds: [
{
threshold: {
value: int
}
dataType: 'string'
// For remaining properties, see DataDriftMetricThresholdBase objects
}
]
productionData: {
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
referenceData: {
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
Pro DataQualitypoužijte:
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
}
Pro FeatureAttributionDriftpoužijte:
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
}
Pro GenerationSafetyQualitypoužijte:
signalType: 'GenerationSafetyQuality'
metricThresholds: [
{
metric: 'string'
threshold: {
value: int
}
}
]
productionData: [
{
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
]
samplingRate: int
workspaceConnectionId: 'string'
Pro GenerationTokenStatisticspoužijte:
signalType: 'GenerationTokenStatistics'
metricThresholds: [
{
metric: 'string'
threshold: {
value: int
}
}
]
productionData: [
{
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
]
samplingRate: int
Pro ModelPerformancepoužijte:
signalType: 'ModelPerformance'
dataSegment: {
feature: 'string'
values: [
'string'
]
}
metricThreshold: {
threshold: {
value: int
}
modelType: 'string'
// For remaining properties, see ModelPerformanceMetricThresholdBase objects
}
productionData: [
{
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
]
referenceData: {
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
Pro PredictionDriftpoužijte:
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 – objekty
Nastavte inputDataType vlastnost určit typ objektu.
Pro Pevnépoužijte:
inputDataType: 'Fixed'
Pro Rollingpoužijte:
inputDataType: 'Rolling'
preprocessingComponentId: 'string'
windowOffset: 'string'
windowSize: 'string'
Pro Staticpoužijte:
inputDataType: 'Static'
preprocessingComponentId: 'string'
windowEnd: 'string'
windowStart: 'string'
MonitoringFeatureFilterBase – objekty
Nastavte filterType vlastnost určit typ objektu.
Pro AllFeatures použijte:
filterType: 'AllFeatures'
Pro FeatureSubsetpoužijte:
filterType: 'FeatureSubset'
features: [
'string'
]
Pro TopNByAttributionpoužijte:
filterType: 'TopNByAttribution'
top: int
Objekty DataDriftMetricThresholdBase
Nastavte vlastnost dataType určit typ objektu.
Pro kategorickýpoužijte:
dataType: 'Categorical'
metric: 'string'
Pro Číselnýpoužijte:
dataType: 'Numerical'
metric: 'string'
Objekty DataQualityMetricThresholdBase
Nastavte vlastnost dataType určit typ objektu.
Pro kategorickýpoužijte:
dataType: 'Categorical'
metric: 'string'
Pro Číselnýpoužijte:
dataType: 'Numerical'
metric: 'string'
ModelPerformanceMetricThresholdBase – objekty
Nastavte modelType vlastnost určit typ objektu.
Pro Klasifikacepoužijte:
modelType: 'Classification'
metric: 'string'
Pro regresnípoužijte:
modelType: 'Regression'
metric: 'string'
PredictionDriftMetricThresholdBase – objekty
Nastavte vlastnost dataType určit typ objektu.
Pro kategorickýpoužijte:
dataType: 'Categorical'
metric: 'string'
Pro Číselnýpoužijte:
dataType: 'Numerical'
metric: 'string'
Objekty DataImportSource
Nastavte vlastnost sourceType určit typ objektu.
Prodatabáze
sourceType: 'database'
query: 'string'
storedProcedure: 'string'
storedProcedureParams: [
{
{customized property}: 'string'
}
]
tableName: 'string'
Pro file_systempoužijte:
sourceType: 'file_system'
path: 'string'
Objekty TriggerBase
Nastavte vlastnost triggerType určit typ objektu.
Pro Cronpoužijte:
triggerType: 'Cron'
expression: 'string'
Pro opakovánípoužijte:
triggerType: 'Recurrence'
frequency: 'string'
interval: int
schedule: {
hours: [
int
]
minutes: [
int
]
monthDays: [
int
]
weekDays: [
'string'
]
}
Hodnoty vlastností
pracovní prostory/plány
| Jméno | Popis | Hodnota |
|---|---|---|
| Jméno | Název prostředku Podívejte se, jak nastavit názvy a typy podřízených prostředků v Bicep. |
string (povinné) |
| rodič | V bicep můžete zadat nadřazený prostředek pro podřízený prostředek. Tuto vlastnost je potřeba přidat pouze v případě, že je podřízený prostředek deklarován mimo nadřazený prostředek. Další informace najdete v tématu Podřízený prostředek mimo nadřazený prostředek. |
Symbolický název prostředku typu: pracovních prostorů |
| vlastnosti | [Povinné] Další atributy entity. | ScheduleProperties (povinné) |
ScheduleProperties
| Jméno | Popis | Hodnota |
|---|---|---|
| akce | [Povinné] Určuje akci plánu. | ScheduleActionBase (povinné) |
| popis | Text popisu prostředku. | řetězec |
| displayName | Zobrazovaný název plánu | řetězec |
| isEnabled | Je plán povolený? | Bool |
| vlastnosti | Slovník vlastností assetu. | ResourceBaseProperties |
| visačky | Označení slovníku Značky je možné přidávat, odebírat a aktualizovat. | objekt |
| spoušť | [Povinné] Určuje podrobnosti o triggeru. | triggerBase (povinné) |
ScheduleActionBase
| Jméno | Popis | Hodnota |
|---|---|---|
| actionType | Nastavení typu objektu |
createjob CreateMonitor ImportData InvokeBatchEndpoint (povinné) |
JobScheduleAction
| Jméno | Popis | Hodnota |
|---|---|---|
| actionType | [Povinné] Určuje typ akce plánu. | CreateJob (povinné) |
| jobDefinition | [Povinné] Definuje podrobnosti definice plánovače akce. | JobBaseProperties (povinné) |
JobBaseProperties
| Jméno | Popis | Hodnota |
|---|---|---|
| componentId | ID prostředku ARM prostředku komponenty | řetězec |
| computeId | ID prostředku ARM výpočetního prostředku | řetězec |
| popis | Text popisu prostředku. | řetězec |
| displayName | Zobrazovaný název úlohy. | řetězec |
| experimentName | Název experimentu, do které úloha patří. Pokud není nastavená, úloha se umístí do výchozího experimentu. | řetězec |
| identita | Konfigurace identity. Pokud je tato možnost nastavená, měla by to být jedna z AmlToken, ManagedIdentity, UserIdentity nebo null. Výchozí hodnota AmlToken, pokud má hodnotu null. |
IdentityConfiguration |
| isArchived | Archivuje se asset? | Bool |
| notificationSetting | Nastavení oznámení pro úlohu | NotificationSetting |
| vlastnosti | Slovník vlastností assetu. | ResourceBaseProperties |
| secretsConfiguration | Konfigurace pro zpřístupnění tajných kódů během běhu | JobBaseSecretsConfiguration |
| služby | Seznam bodů JobEndpoints Pro místní úlohy bude mít koncový bod úlohy hodnotu koncového bodu FileStreamObject. |
JobBaseServices |
| visačky | Označení slovníku Značky je možné přidávat, odebírat a aktualizovat. | objekt |
| jobType | Nastavení typu objektu |
AutoML příkazu FineTuning popisků Spark uklidit (povinné) |
IdentityConfiguration
| Jméno | Popis | Hodnota |
|---|---|---|
| identityType | Nastavení typu objektu |
AMLToken spravované UserIdentity (povinné) |
AmlToken
| Jméno | Popis | Hodnota |
|---|---|---|
| identityType | [Povinné] Určuje typ architektury identit. | AMLToken (povinné) |
ManagedIdentity
| Jméno | Popis | Hodnota |
|---|---|---|
| identityType | [Povinné] Určuje typ architektury identit. | Spravované (povinné) |
| clientId | Určuje identitu přiřazenou uživatelem podle ID klienta. Pro systém přiřazené pole nenastavujte toto pole. | řetězec Omezení: Minimální délka = 36 Maximální délka = 36 Model = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$ |
| objectId | Určuje identitu přiřazenou uživatelem podle ID objektu. Pro systém přiřazené pole nenastavujte toto pole. | řetězec Omezení: Minimální délka = 36 Maximální délka = 36 Model = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$ |
| resourceId | Určuje identitu přiřazenou uživatelem podle ID prostředku ARM. Pro systém přiřazené pole nenastavujte toto pole. | řetězec |
UserIdentity
| Jméno | Popis | Hodnota |
|---|---|---|
| identityType | [Povinné] Určuje typ architektury identit. | UserIdentity (povinné) |
NotificationSetting
| Jméno | Popis | Hodnota |
|---|---|---|
| emailOn | Odeslání e-mailového oznámení uživateli u zadaného typu oznámení | Řetězcové pole obsahující některou z těchto možností: JobCancelled JobCompleted Úloha se nezdařila. |
| e-maily | Toto je seznam příjemců e-mailů s omezením 499 znaků v celkovém počtu zřetězení s oddělovačem čárky. | string[] |
| webhooky | Odeslání zpětného volání webhooku do služby Klíč je uživatelské jméno webhooku. | NotificationSettingWebhooks |
NotificationSettingWebhooks
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | webhooku |
Webhook
| Jméno | Popis | Hodnota |
|---|---|---|
| eventType | Odeslání zpětného volání u zadané události oznámení | řetězec |
| webhookType | Nastavení typu objektu | AzureDevOps (povinné) |
AzureDevOpsWebhook
| Jméno | Popis | Hodnota |
|---|---|---|
| webhookType | [Povinné] Určuje typ služby pro odeslání zpětného volání. | AzureDevOps (povinné) |
ResourceBaseProperties
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | řetězec |
JobBaseSecretsConfiguration
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | secretConfiguration |
SecretConfiguration
| Jméno | Popis | Hodnota |
|---|---|---|
| identifikátor uri | Identifikátor URI tajného klíče. Ukázkový identifikátor URI: https://myvault.vault.azure.net/secrets/mysecretname/secretversion |
řetězec |
| workspaceSecretName | Název tajného klíče v trezoru klíčů pracovního prostoru | řetězec |
JobBaseServices
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | JobService |
JobService
| Jméno | Popis | Hodnota |
|---|---|---|
| zakončení | Adresa URL koncového bodu | řetězec |
| jobServiceType | Typ koncového bodu. | řetězec |
| uzly | Uzly, na které chce uživatel službu spustit. Pokud uzly nejsou nastaveny nebo nastaveny na hodnotu null, služba se spustí pouze na vodicím uzlu. |
uzly |
| přístav | Port pro koncový bod nastavený uživatelem | Int |
| vlastnosti | Další vlastnosti, které se mají nastavit na koncovém bodu. | JobServiceProperties |
Uzly
| Jméno | Popis | Hodnota |
|---|---|---|
| nodesValueType | Nastavení typu objektu | všechny (povinné) |
AllNodes
| Jméno | Popis | Hodnota |
|---|---|---|
| nodesValueType | [Povinné] Typ hodnoty Uzly | All (povinné) |
JobServiceProperties
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | řetězec |
AutoMLJob
| Jméno | Popis | Hodnota |
|---|---|---|
| jobType | [Povinné] Určuje typ úlohy. | AutoML (povinné) |
| environmentId | ID prostředku ARM specifikace prostředí pro úlohu. Jedná se o volitelnou hodnotu, která se má poskytnout, pokud není k dispozici, autoML tuto hodnotu nastaví na verzi prostředí kurátorované službou Production AutoML při spuštění úlohy. |
řetězec |
| environmentVariables | Proměnné prostředí zahrnuté v úloze | |
| výstupy | Mapování výstupních datových vazeb použitých v úloze | |
| queueSettings | Nastavení fronty pro úlohu | |
| prostředky | Konfigurace výpočetního prostředku pro úlohu | JobResourceConfiguration |
| taskDetails | [Povinné] Tento scénář představuje scénář, který může být jednou z tabulek, NLP nebo image. | AutoMLVertical (povinné) |
AutoMLJobEnvironmentVariables
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | řetězec |
AutoMLJobOutputs
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | JobOutput |
JobOutput
| Jméno | Popis | Hodnota |
|---|---|---|
| popis | Popis výstupu | řetězec |
| jobOutputType | Nastavení typu objektu |
custom_model mlflow_model mltable triton_model uri_file uri_folder (povinné) |
CustomModelJobOutput
AutoDeleteSetting
| Jméno | Popis | Hodnota |
|---|---|---|
| podmínka | Kdy zkontrolovat, jestli vypršela platnost prostředku | 'CreatedGreaterThan' LastAccessedGreaterThan |
| hodnota | Hodnota podmínky vypršení platnosti | řetězec |
MLFlowModelJobOutput
MLTableJobOutput
TritonModelJobOutput
UriFileJobOutput
UriFolderJobOutput
QueueSettings
| Jméno | Popis | Hodnota |
|---|---|---|
| jobTier | Řídí úroveň výpočetní úlohy. | "Základní" Null Premium "Spot" "Standardní" |
| priorita | Řídí prioritu úlohy ve výpočetním prostředí. | Int |
JobResourceConfiguration
| Jméno | Popis | Hodnota |
|---|---|---|
| dockerArgs | Nadbytečné argumenty pro předání příkazu Docker Run. Tím by se přepsaly všechny parametry, které už systém nastavil, nebo v této části. Tento parametr je podporovaný pouze pro výpočetní typy Azure ML. | řetězec |
| instanceCount | Volitelný počet instancí nebo uzlů používaných cílovým výpočetním objektem. | Int |
| instanceType | Volitelný typ virtuálního počítače, který je podporovaný cílovým výpočetním objektem. | řetězec |
| Místa | Umístění, kde může úloha běžet. | string[] |
| maxInstanceCount | Volitelný maximální povolený počet instancí nebo uzlů, které má cílový výpočetní objekt používat. Pro použití s elastickým trénováním aktuálně podporovaným distribučním typem PyTorch. |
Int |
| vlastnosti | Taška s dalšími vlastnostmi. | |
| shmSize | Velikost bloku sdílené paměti kontejneru Dockeru To by mělo být ve formátu (číslo)(jednotka), kde číslo je větší než 0 a jednotka může být jedna z b(bajtů), k(kilobajtů), m(megabajty) nebo g(gigabajty). | řetězec Omezení: Model = \d+[bBkKmMgG] |
ResourceConfigurationProperties
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | Pro Bicep můžete použít funkci any(). |
AutoMLVertical
| Jméno | Popis | Hodnota |
|---|---|---|
| logVerbosity | Protokolování podrobností pro úlohu | Kritické Ladění Chyba Informace NotSet "Upozornění" |
| targetColumnName | Název cílového sloupce: Jedná se o sloupec hodnot predikce. Označuje se také jako název sloupce popisku v kontextu úkolů klasifikace. |
řetězec |
| trainingData | [Povinné] Trénování vstupu dat | MLTableJobInput (povinné) |
| taskType | Nastavení typu objektu | klasifikace prognózování imageClassification imageClassificationMultilabel imageInstanceSegmentation ImageObjectDetection regrese TextClassification TextClassificationMultilabel TextNER (povinné) |
MLTableJobInput
| Jméno | Popis | Hodnota |
|---|---|---|
| popis | Popis vstupu | řetězec |
| jobInputType | [Povinné] Určuje typ úlohy. | "custom_model" Literál "mlflow_model" "mltable" "triton_model" "uri_file" Uri_folder (povinné) |
| režim | Režim doručení vstupního majetku | "Přímý" "Stáhnout" EvalDownload 'EvalMount' ReadOnlyMount ReadWriteMount |
| pathOnCompute | Cesta doručení vstupního majetku | řetězec |
| identifikátor uri | [Povinné] Identifikátor URI vstupního assetu | string (povinné) Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] |
Klasifikace
| Jméno | Popis | Hodnota |
|---|---|---|
| taskType | [Povinné] Typ úlohy pro AutoMLJob | Klasifikace (povinné) |
| cvSplitColumnNames | Sloupce, které se mají použít pro data CVSplit. | string[] |
| featurizationSettings | Vstupy featurizace potřebné pro úlohu AutoML | TableVerticalFeaturizationSettings |
| fixedParameters | Parametry modelu/trénování, které zůstanou v průběhu trénování konstantní. | TableFixedParameters |
| limitSettings | Omezení spouštění pro AutoMLJob. | TableVerticalLimitSettings |
| nCrossValidations | Počet záhybů křížového ověření, které se mají použít u trénovací datové sady pokud není k dispozici ověřovací datová sada. |
NCrossValidations |
| positiveLabel | Kladný popisek pro výpočet binárních metrik | řetězec |
| primaryMetric | Primární metrika úkolu | AUCWeighted Přesnost AveragePrecisionScoreWeighted NormMacroRecall PřesnostScoreWeighted |
| searchSpace | Prohledávejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů. | TableParameterSubspace[] |
| sweepSettings | Nastavení pro úklid modelů a ladění hyperparametrů | TableSweepSettings |
| testData | Otestujte vstup dat. | MLTableJobInput |
| testDataSize | Zlomek testovací datové sady, kterou je potřeba vyhradit pro účely ověření. Hodnoty mezi (0,0 , 1,0) Používá se, pokud není k dispozici ověřovací datová sada. |
Int |
| trainingSettings | Vstupy pro trénovací fázi pro úlohu AutoML. | |
| validationData | Ověřovací vstupy dat. | MLTableJobInput |
| validationDataSize | Zlomek trénovací datové sady, kterou je potřeba pro účely ověřování vyhradit. Hodnoty mezi (0,0 , 1,0) Používá se, pokud není k dispozici ověřovací datová sada. |
Int |
| weightColumnName | Název ukázkového sloupce hmotnosti. Automatizované strojové učení podporuje vážený sloupec jako vstup, což způsobuje, že řádky v datech se vážou nahoru nebo dolů. | řetězec |
TableVerticalFeaturizationSettings
| Jméno | Popis | Hodnota |
|---|---|---|
| blockedTransformers | Tyto transformátory se nesmí používat při featurizaci. | Řetězcové pole obsahující některou z těchto možností: CatTargetEncoder CountVectorizer HashOneHotEncoder LabelEncoder "NaiveBayes" "OneHotEncoder" TextTargetEncoder TfIdf WoETargetEncoder WordEmbedding |
| columnNameAndTypes | Slovník názvu sloupce a jeho typu (int, float, string, datetime atd.) | TableVerticalFeaturizationSettingsColumnNameAndTypes |
| datasetLanguage | Jazyk datové sady, užitečný pro textová data. | řetězec |
| enableDnnFeaturization | Určuje, zda se mají použít featurizátory založené na Dnnu pro funkciaturizace dat. | Bool |
| režim | Režim featurizace – Uživatel může zachovat výchozí režim Auto a AutoML se postará o potřebnou transformaci dat ve fázi featurizace. Pokud je vybrána možnost Vypnuto, není dokončena žádná featurizace. Pokud je vybrána možnost Vlastní, může uživatel zadat další vstupy pro přizpůsobení způsobu provedení featurizace. |
"Automaticky" Vlastní "Vypnuto" |
| transformerParams | Uživatel může zadat další transformátory, které se mají použít spolu se sloupci, na které by byl použit, a parametry pro konstruktor transformátoru. | TableVerticalFeaturizationSettingsTransformerParams |
TableVerticalFeaturizationSettingsColumnNameAndTypes
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | řetězec |
TableVerticalFeaturizationSettingsTransformerParams
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | ColumnTransformer[] |
ColumnTransformer
| Jméno | Popis | Hodnota |
|---|---|---|
| pole | Pole, na která se má použít logika transformátoru | string[] |
| parametry | Různé vlastnosti, které se mají předat transformátoru. Očekávaný vstup je slovník párů klíč,hodnota ve formátu JSON. |
Pro Bicep můžete použít funkci any(). |
TableFixedParameters
| Jméno | Popis | Hodnota |
|---|---|---|
| podpora | Zadejte typ zvýšení, například gbdt pro XGBoost. | řetězec |
| boostingType | Zadejte typ zesílení, například gbdt pro LightGBM. | řetězec |
| growPolicy | Zadejte zásadu zvětšování, která řídí způsob přidání nových uzlů do stromu. | řetězec |
| learningRate | Míra výuky pro postup trénování. | Int |
| maxBin | Zadejte maximální počet samostatných intervalů pro souvislé funkce kontejneru . | Int |
| maxDepth | Zadejte maximální hloubku, která explicitně omezí hloubku stromu. | Int |
| maxLeaves | Zadejte maximální počet listů, které omezí listy stromu explicitně. | Int |
| minDataInLeaf | Minimální počet dat na list. | Int |
| minSplitGain | Minimální snížení ztráty potřebné k vytvoření dalšího oddílu na listovém uzlu stromu. | Int |
| modelName | Název modelu, který se má vytrénovat. | řetězec |
| nEstimátory | Zadejte počet stromů (nebo zaokrouhlování) v modelu. | Int |
| numLeaves | Zadejte počet listů. | Int |
| preprocessorName | Název preprocesoru, který se má použít. | řetězec |
| regAlpha | Termín regularizace L1 na váze. | Int |
| regLambda | Termín regularizace L2 na váze. | Int |
| podsample | Poměr dílčího razítka instance trénování | Int |
| subsampleFreq | Frekvence podsample. | Int |
| treeMethod | Zadejte metodu stromu. | řetězec |
| withMean | Pokud je hodnota true, zacentrujte před škálováním dat pomocí StandardScalar. | Bool |
| withStd | Pokud je hodnota true, škálování dat pomocí odchylky jednotek pomocí StandardScalar. | Bool |
TableVerticalLimitSettings
| Jméno | Popis | Hodnota |
|---|---|---|
| enableEarlyTermination | Povolení předčasného ukončení, určuje, jestli se autoMLJob ukončí brzy, pokud v posledních 20 iteracích nedojde k žádnému zlepšení skóre. | Bool |
| exitScore | Výstupní skóre pro úlohu AutoML | Int |
| maxConcurrentTrials | Maximální počet souběžných iterací | Int |
| maxCoresPerTrial | Maximální počet jader na iteraci | Int |
| maxNodes | Maximální počet uzlů, které se mají použít pro experiment. | Int |
| maxTrials | Počet iterací | Int |
| sweepConcurrentTrials | Počet souběžných spuštění úklidu, která chce uživatel aktivovat. | Int |
| sweepTrials | Počet zametacích spuštění, která chce uživatel aktivovat. | Int |
| přerušení zápasu | Časový limit úlohy AutoML | řetězec |
| trialTimeout | Časový limit iterace | řetězec |
NCrossValidations
| Jméno | Popis | Hodnota |
|---|---|---|
| režim | Nastavení typu objektu | automatické vlastní (povinné) |
AutoNCrossValidations
| Jméno | Popis | Hodnota |
|---|---|---|
| režim | [Povinné] Režim pro určení N-Křížové ověřování | Auto (povinné) |
CustomNCrossValidations
| Jméno | Popis | Hodnota |
|---|---|---|
| režim | [Povinné] Režim pro určení N-Křížové ověřování | Vlastní (povinné) |
| hodnota | [Povinné] Hodnota N-Křížové ověřování | int (povinné) |
TableParameterSubspace
| Jméno | Popis | Hodnota |
|---|---|---|
| podpora | Zadejte typ zvýšení, například gbdt pro XGBoost. | řetězec |
| boostingType | Zadejte typ zesílení, například gbdt pro LightGBM. | řetězec |
| growPolicy | Zadejte zásadu zvětšování, která řídí způsob přidání nových uzlů do stromu. | řetězec |
| learningRate | Míra výuky pro postup trénování. | řetězec |
| maxBin | Zadejte maximální počet samostatných intervalů pro souvislé funkce kontejneru . | řetězec |
| maxDepth | Zadejte maximální hloubku, která explicitně omezí hloubku stromu. | řetězec |
| maxLeaves | Zadejte maximální počet listů, které omezí listy stromu explicitně. | řetězec |
| minDataInLeaf | Minimální počet dat na list. | řetězec |
| minSplitGain | Minimální snížení ztráty potřebné k vytvoření dalšího oddílu na listovém uzlu stromu. | řetězec |
| modelName | Název modelu, který se má vytrénovat. | řetězec |
| nEstimátory | Zadejte počet stromů (nebo zaokrouhlování) v modelu. | řetězec |
| numLeaves | Zadejte počet listů. | řetězec |
| preprocessorName | Název preprocesoru, který se má použít. | řetězec |
| regAlpha | Termín regularizace L1 na váze. | řetězec |
| regLambda | Termín regularizace L2 na váze. | řetězec |
| podsample | Poměr dílčího razítka instance trénování | řetězec |
| subsampleFreq | Frekvence podsample | řetězec |
| treeMethod | Zadejte metodu stromu. | řetězec |
| withMean | Pokud je hodnota true, zacentrujte před škálováním dat pomocí StandardScalar. | řetězec |
| withStd | Pokud je hodnota true, škálování dat pomocí odchylky jednotek pomocí StandardScalar. | řetězec |
TableSweepSettings
| Jméno | Popis | Hodnota |
|---|---|---|
| earlyTermination | Typ zásad předčasného ukončení pro úlohu úklidu | EarlyTerminationPolicy |
| samplingAlgorithm | [Povinné] Typ algoritmu vzorkování | "Bayesian" Mřížka Random (povinné) |
EarlyTerminationPolicy
| Jméno | Popis | Hodnota |
|---|---|---|
| delayEvaluation | Početintervalch | Int |
| evaluationInterval | Interval (počet spuštění) mezi vyhodnoceními zásad | Int |
| policyType | Nastavení typu objektu |
bandit MedianS stop TruncationSelection (povinné) |
BanditPolicy
| Jméno | Popis | Hodnota |
|---|---|---|
| policyType | [Povinné] Název konfigurace zásad | Bandit (povinné) |
| SlackAmount | Absolutní vzdálenost povolená od nejlepšího spuštění. | Int |
| SlackFactor | Poměr povolené vzdálenosti od nejlepšího spuštění | Int |
MedianStoppingPolicy
| Jméno | Popis | Hodnota |
|---|---|---|
| policyType | [Povinné] Název konfigurace zásad | 'MedinStopping' (povinné) |
TruncationSelectionPolicy
| Jméno | Popis | Hodnota |
|---|---|---|
| policyType | [Povinné] Název konfigurace zásad | TruncationSelection (povinné) |
| truncationPercentage | Procento spuštění, která se mají zrušit v každém intervalu vyhodnocení. | Int |
ClassificationTrainingSettings
| Jméno | Popis | Hodnota |
|---|---|---|
| allowedTrainingAlgorithms | Povolené modely pro úlohu klasifikace | Řetězcové pole obsahující některou z těchto možností: BernoulliNaiveBayes DecisionTree ExtremeRandomTrees GradientBoosting "KNN" LightGBM LinearSVM LogisticRegression MultinomialNaiveBayes RandomForest 'SGD' SVM XGBoostClassifier |
| blockedTrainingAlgorithms | Blokované modely pro úlohu klasifikace | Řetězcové pole obsahující některou z těchto možností: BernoulliNaiveBayes DecisionTree ExtremeRandomTrees GradientBoosting "KNN" LightGBM LinearSVM LogisticRegression MultinomialNaiveBayes RandomForest 'SGD' SVM XGBoostClassifier |
| enableDnnTraining | Povolte doporučení modelů DNN. | Bool |
| enableModelExplainability | Příznakem zapněte vysvětlitelnost nejlepšího modelu. | Bool |
| enableOnnxCompatibleModels | Příznak pro povolení kompatibilních modelů onnx. | Bool |
| enableStackEnsemble | Povolte spuštění souboru zásobníku. | Bool |
| enableVoteEnsemble | Povolte spuštění hlasovacího souboru. | Bool |
| ensembleModelDownloadTimeout | Během generování modelu VotingEnsemble a StackEnsemble se stáhne několik fitovaných modelů z předchozích podřízených spuštění. Pokud potřebujete více času, nakonfigurujte tento parametr s vyšší hodnotou než 300 sekund. |
řetězec |
| stackEnsembleSettings | Stack ensemble nastavení pro štosový soubor běh. | |
| trainingMode | Režim TrainingMode – Nastavení na hodnotu Auto je stejné jako nastavení na nedistribuovaný režim, ale v budoucnu může vést ke smíšenému nebo heuristickému výběru režimu. Výchozí hodnota je auto. Pokud je distribuovaná, použije se pouze distribuovaná featurizace a zvolí se distribuované algoritmy. Pokud je "NonDistributed", vyberou se pouze nedistribuované algoritmy. |
"Automaticky" Distribuovaný NonDistributed |
StackEnsembleSettings
| Jméno | Popis | Hodnota |
|---|---|---|
| stackMetaLearnerKWargs | Volitelné parametry, které se mají předat inicializátoru metaučte. | Pro Bicep můžete použít funkci any(). |
| stackMetaLearnerTrainPercentage | Určuje poměr trénovací sady (při výběru typu trénování a ověřování trénování) pro trénování metaučovače. Výchozí hodnota je 0,2. | Int |
| stackMetaLearnerType | Metauč je model natrénovaný na výstupu jednotlivých heterogenních modelů. | ElasticNet ElasticNetCV LightGBMClassifier LightGBMRegressor LinearRegression LogisticRegression LogisticRegressionCV None (Žádný) |
Prognostika
| Jméno | Popis | Hodnota |
|---|---|---|
| taskType | [Povinné] Typ úlohy pro AutoMLJob | Prognózování (povinné) |
| cvSplitColumnNames | Sloupce, které se mají použít pro data CVSplit. | string[] |
| featurizationSettings | Vstupy featurizace potřebné pro úlohu AutoML | TableVerticalFeaturizationSettings |
| fixedParameters | Parametry modelu/trénování, které zůstanou v průběhu trénování konstantní. | TableFixedParameters |
| forecastingSettings | Prognózování vstupů specifických pro úlohu | ForecastingSettings |
| limitSettings | Omezení spouštění pro AutoMLJob. | TableVerticalLimitSettings |
| nCrossValidations | Počet záhybů křížového ověření, které se mají použít u trénovací datové sady pokud není k dispozici ověřovací datová sada. |
NCrossValidations |
| primaryMetric | Primární metrika pro prognózování úkolu | NormalizedMeanAbsoluteError NormalizedRootMeanSquaredError R2Score SpearmanCorrelation |
| searchSpace | Prohledávejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů. | TableParameterSubspace[] |
| sweepSettings | Nastavení pro úklid modelů a ladění hyperparametrů | TableSweepSettings |
| testData | Otestujte vstup dat. | MLTableJobInput |
| testDataSize | Zlomek testovací datové sady, kterou je potřeba vyhradit pro účely ověření. Hodnoty mezi (0,0 , 1,0) Používá se, pokud není k dispozici ověřovací datová sada. |
Int |
| trainingSettings | Vstupy pro trénovací fázi pro úlohu AutoML. | ForecastingTrainingSettings |
| validationData | Ověřovací vstupy dat. | MLTableJobInput |
| validationDataSize | Zlomek trénovací datové sady, kterou je potřeba pro účely ověřování vyhradit. Hodnoty mezi (0,0 , 1,0) Používá se, pokud není k dispozici ověřovací datová sada. |
Int |
| weightColumnName | Název ukázkového sloupce hmotnosti. Automatizované strojové učení podporuje vážený sloupec jako vstup, což způsobuje, že řádky v datech se vážou nahoru nebo dolů. | řetězec |
ForecastingSettings
| Jméno | Popis | Hodnota |
|---|---|---|
| countryOrRegionForHolidays | Země nebo oblast pro svátky pro prognózování úkolů Měly by se jednat o dvoumísmenné kódy země/oblasti ISO 3166, například "USA" nebo "GB". |
řetězec |
| cvStepSize | Početobdobíchch Pro Pokud například CVStepSize = 3 pro denní data, čas počátku každého přeložení budetři dny od sebe. |
Int |
| featureLags | Příznak pro generování prodlev pro číselné funkce s hodnotou auto nebo null | "Automaticky" None (Žádný) |
| featuresUnknownAtForecastTime | Sloupce funkcí, které jsou k dispozici pro trénování, ale neznámé v době prognózy nebo odvozování. Pokud features_unknown_at_forecast_time není nastavená, předpokládá se, že všechny sloupce funkcí v datové sadě jsou známé v době odvození. |
string[] |
| forecastHorizon | Požadovaný maximální horizont prognózy v jednotkách četnosti časových řad. | |
| frekvence | Při prognózování představuje tento parametr období, ve kterém je prognóza požadovaná, například denně, týdně, ročně atd. Frekvence prognózy je ve výchozím nastavení frekvence datových sad. | řetězec |
| sezónnost | Nastavte sezónnost časových řad jako celočíselnou násobek frekvence řady. Pokud je sezónnost nastavená na "auto", bude odvozena. |
sezónnost |
| shortSeriesHandlingConfig | Parametr definující, jak by AutoML měl zpracovávat krátké časové řady. | "Automaticky" Drop None (Žádný) 'Pad' |
| targetAggregateFunction | Funkce, která se má použít k agregaci cílového sloupce časové řady tak, aby odpovídala zadané frekvenci uživatele. Pokud je parametr TargetAggregateFunction nastavený, tj. ne None, ale není nastaven parametr freq, vyvolá se chyba. Možné cílové agregační funkce jsou: "sum", "max", "min" a "střední". |
Max "Střední" "Min" None (Žádný) Sum |
| targetLags | Počet minulých období, která se mají od cílového sloupce zpožďovat. | TargetLags |
| targetRollingWindowSize | Počet minulých období použitých k vytvoření průběžného intervalu cílového sloupce. | TargetRollingWindowSize |
| timeColumnName | Název sloupce času. Tento parametr se vyžaduje při prognózování pro zadání sloupce datetime ve vstupních datech použitých k sestavení časové řady a odvození jeho frekvence. | řetězec |
| timeSeriesIdColumnNames | Názvy sloupců, které se používají k seskupení časových intervalů. Dá se použít k vytvoření více řad. Pokud není definováno agregační interval, předpokládá se, že datová sada je jednorázová. Tento parametr se používá s prognózou typu úlohy. |
string[] |
| useStl | Nakonfigurujte rozklad STL cílového sloupce časové řady. | None (Žádný) 'Sezóna' 'SeasonTrend' |
ForecastHorizon
| Jméno | Popis | Hodnota |
|---|---|---|
| režim | Nastavení typu objektu | automatické vlastní (povinné) |
AutoForecastHorizon
| Jméno | Popis | Hodnota |
|---|---|---|
| režim | [Povinné] Nastavte režim výběru hodnoty horizont prognózy. | Auto (povinné) |
CustomForecastHorizon
| Jméno | Popis | Hodnota |
|---|---|---|
| režim | [Povinné] Nastavte režim výběru hodnoty horizont prognózy. | Vlastní (povinné) |
| hodnota | [Povinné] Hodnota horizontu prognózy. | int (povinné) |
Sezónnost
| Jméno | Popis | Hodnota |
|---|---|---|
| režim | Nastavení typu objektu | automatické vlastní (povinné) |
AutoSeasonality
| Jméno | Popis | Hodnota |
|---|---|---|
| režim | [Povinné] Režim sezónnosti. | Auto (povinné) |
CustomSeasonality
| Jméno | Popis | Hodnota |
|---|---|---|
| režim | [Povinné] Režim sezónnosti. | Vlastní (povinné) |
| hodnota | [Povinné] Hodnota sezónnosti | int (povinné) |
TargetLags
| Jméno | Popis | Hodnota |
|---|---|---|
| režim | Nastavení typu objektu | automatické vlastní (povinné) |
AutoTargetLags
| Jméno | Popis | Hodnota |
|---|---|---|
| režim | [Povinné] Nastavení režimu prodlev cíle – automatické nebo vlastní | Auto (povinné) |
CustomTargetLags
| Jméno | Popis | Hodnota |
|---|---|---|
| režim | [Povinné] Nastavení režimu prodlev cíle – automatické nebo vlastní | Vlastní (povinné) |
| hodnoty | [Povinné] Nastavte hodnoty prodlev cíle. | int[] (povinné) |
TargetRollingWindowSize
| Jméno | Popis | Hodnota |
|---|---|---|
| režim | Nastavení typu objektu | automatické vlastní (povinné) |
AutoTargetRollingWindowSize
| Jméno | Popis | Hodnota |
|---|---|---|
| režim | [Povinné] TargetRollingWindowSiz – režim detekce | Auto (povinné) |
CustomTargetRollingWindowSize
| Jméno | Popis | Hodnota |
|---|---|---|
| režim | [Povinné] TargetRollingWindowSiz – režim detekce | Vlastní (povinné) |
| hodnota | [Povinné] TargetRollingWindowSize value. | int (povinné) |
ForecastingTrainingSettings
| Jméno | Popis | Hodnota |
|---|---|---|
| allowedTrainingAlgorithms | Povolené modely pro prognózování úkolu. | Řetězcové pole obsahující některou z těchto možností: Arimax AutoArima "Průměr" DecisionTree ElasticNet ExponentialSmoothing ExtremeRandomTrees GradientBoosting "KNN" LassoLars LightGBM "Naive" "Prorok" RandomForest 'SGD' 'SeasonalAverage' 'SeasonalNaive' TCNForecaster XGBoostRegressor |
| blockedTrainingAlgorithms | Blokované modely pro úlohu prognózování | Řetězcové pole obsahující některou z těchto možností: Arimax AutoArima "Průměr" DecisionTree ElasticNet ExponentialSmoothing ExtremeRandomTrees GradientBoosting "KNN" LassoLars LightGBM "Naive" "Prorok" RandomForest 'SGD' 'SeasonalAverage' 'SeasonalNaive' TCNForecaster XGBoostRegressor |
| enableDnnTraining | Povolte doporučení modelů DNN. | Bool |
| enableModelExplainability | Příznakem zapněte vysvětlitelnost nejlepšího modelu. | Bool |
| enableOnnxCompatibleModels | Příznak pro povolení kompatibilních modelů onnx. | Bool |
| enableStackEnsemble | Povolte spuštění souboru zásobníku. | Bool |
| enableVoteEnsemble | Povolte spuštění hlasovacího souboru. | Bool |
| ensembleModelDownloadTimeout | Během generování modelu VotingEnsemble a StackEnsemble se stáhne několik fitovaných modelů z předchozích podřízených spuštění. Pokud potřebujete více času, nakonfigurujte tento parametr s vyšší hodnotou než 300 sekund. |
řetězec |
| stackEnsembleSettings | Stack ensemble nastavení pro štosový soubor běh. | |
| trainingMode | Režim TrainingMode – Nastavení na hodnotu Auto je stejné jako nastavení na nedistribuovaný režim, ale v budoucnu může vést ke smíšenému nebo heuristickému výběru režimu. Výchozí hodnota je auto. Pokud je distribuovaná, použije se pouze distribuovaná featurizace a zvolí se distribuované algoritmy. Pokud je "NonDistributed", vyberou se pouze nedistribuované algoritmy. |
"Automaticky" Distribuovaný NonDistributed |
ImageClassification
| Jméno | Popis | Hodnota |
|---|---|---|
| taskType | [Povinné] Typ úlohy pro AutoMLJob | ImageClassification (povinné) |
| limitSettings | [Povinné] Omezte nastavení pro úlohu AutoML. | imageLimitSettings (povinné) |
| modelSettings | Nastavení použitá pro trénování modelu. | imageModelSettingsClassification |
| primaryMetric | Primární metrika pro optimalizaci pro tuto úlohu | AUCWeighted Přesnost AveragePrecisionScoreWeighted NormMacroRecall PřesnostScoreWeighted |
| searchSpace | Prohledávejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů. | ImageModelDistributionSettingsClassification[] |
| sweepSettings | Nastavení související s úklidem modelů a úklidem hyperparametrů | ImageSweepSettings |
| validationData | Ověřovací vstupy dat. | MLTableJobInput |
| validationDataSize | Zlomek trénovací datové sady, kterou je potřeba pro účely ověřování vyhradit. Hodnoty mezi (0,0 , 1,0) Používá se, pokud není k dispozici ověřovací datová sada. |
Int |
ImageLimitSettings
| Jméno | Popis | Hodnota |
|---|---|---|
| maxConcurrentTrials | Maximální počet souběžných iterací AutoML | Int |
| maxTrials | Maximální počet iterací AutoML | Int |
| přerušení zápasu | Časový limit úlohy AutoML | řetězec |
ImageModelSettingsClassification
MLFlowModelJobInput
| Jméno | Popis | Hodnota |
|---|---|---|
| popis | Popis vstupu | řetězec |
| jobInputType | [Povinné] Určuje typ úlohy. | "custom_model" Literál "mlflow_model" "mltable" "triton_model" "uri_file" Uri_folder (povinné) |
| režim | Režim doručení vstupního majetku | "Přímý" "Stáhnout" EvalDownload 'EvalMount' ReadOnlyMount ReadWriteMount |
| pathOnCompute | Cesta doručení vstupního majetku | řetězec |
| identifikátor uri | [Povinné] Identifikátor URI vstupního assetu | string (povinné) Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] |
ImageModelDistributionSettingsClassification
| Jméno | Popis | Hodnota |
|---|---|---|
| amsGradient | Povolte AMSGrad, pokud je optimalizátor adam nebo adamw. | řetězec |
| rozšíření | Nastavení pro použití rozšíření | řetězec |
| beta1 | Hodnota beta1, pokud je optimalizátor "adam" nebo "adamw". Musí to být plovák v rozsahu [0, 1]. | řetězec |
| beta2 | Hodnota beta2, pokud je optimalizátor "adam" nebo "adamw". Musí to být plovák v rozsahu [0, 1]. | řetězec |
| distribuovaný | Zda se má použít trénování distribuátoru. | řetězec |
| počáteční zastavení | Povolte logiku předčasného zastavení během trénování. | řetězec |
| earlyStoppingDelay | Minimální počet epoch nebo vyhodnocení ověření, které se má čekat před primárním zlepšením metriky je sledován pro předčasné zastavení. Musí to být kladné celé číslo. |
řetězec |
| earlyStoppingPatience | Minimální počet epoch nebo vyhodnocení ověření bez primárního zlepšení metriky před spuštění je zastaveno. Musí to být kladné celé číslo. |
řetězec |
| enableOnnxNormalization | Povolte normalizaci při exportu modelu ONNX. | řetězec |
| evaluationFrequency | Frekvence vyhodnocení ověřovací datové sady za účelem získání skóre metrik Musí to být kladné celé číslo. | řetězec |
| gradientAccumulationStep | Akumulace přechodu znamená spuštění nakonfigurovaného počtu kroků GradAccumulationStep bez aktualizace hmotností modelu při nashromáždění přechodů těchto kroků a následné použití kumulované přechody pro výpočet aktualizací hmotnosti. Musí to být kladné celé číslo. |
řetězec |
| vrstvyToFreeze | Počet vrstev, které se mají u modelu ukotvit. Musí to být kladné celé číslo. Například předání hodnoty 2 jako hodnoty pro "seresnext" znamená zamrznutí vrstvy 0 a vrstvy1. Úplný seznam podporovaných modelů a podrobnosti o ukotvení vrstvy viz: /azure/machine-learning/how-to-auto-train-image-models. |
řetězec |
| learningRate | Počáteční rychlost učení. Musí to být plovák v rozsahu [0, 1]. | řetězec |
| learningRateScheduler | Typ plánovače rychlosti učení Musí to být "warmup_cosine" nebo "step". | řetězec |
| modelName | Název modelu, který se má použít pro trénování Další informace o dostupných modelech najdete v oficiální dokumentaci: /azure/machine-learning/how-to-auto-train-image-models. |
řetězec |
| hybnost | Hodnota dynamiky při optimalizaci je "sgd". Musí to být plovák v rozsahu [0, 1]. | řetězec |
| nesterov | Povolte nesterov, pokud je optimalizátor sgd. | řetězec |
| numberOfEpochs | Počet epoch trénování. Musí to být kladné celé číslo. | řetězec |
| numberOfWorkers | Počet pracovních procesů zavaděče dat Musí to být nezáporné celé číslo. | řetězec |
| optimizátor | Typ optimalizátoru Musí to být buď 'sgd', 'adam', nebo 'adamw'. | řetězec |
| randomSeed | Náhodná počáteční hodnota, která se má použít při použití deterministického trénování. | řetězec |
| stepLRGamma | Hodnota gama při učení plánovače rychlosti je krok. Musí to být plovák v rozsahu [0, 1]. | řetězec |
| stepLRStepSize | Hodnota velikosti kroku při plánování rychlosti učení je krok. Musí to být kladné celé číslo. | řetězec |
| trainingBatchSize | Trénovací velikost dávky. Musí to být kladné celé číslo. | řetězec |
| trainingCropSize | Velikost oříznutí obrázku, která je vstupní do neurální sítě pro trénovací datovou sadu Musí to být kladné celé číslo. | řetězec |
| validationBatchSize | Velikost dávky ověření. Musí to být kladné celé číslo. | řetězec |
| validationCropSize | Velikost oříznutí obrázku, která je vstupní do neurální sítě pro ověřovací datovou sadu. Musí to být kladné celé číslo. | řetězec |
| validationResizeSize | Velikost obrázku, na kterou se má změnit velikost před oříznutím pro ověřovací datovou sadu Musí to být kladné celé číslo. | řetězec |
| warmupCosineLRCycles | Hodnota kosinusového cyklu při plánování rychlosti učení je "warmup_cosine". Musí to být plovák v rozsahu [0, 1]. | řetězec |
| warmupCosineLRWarmupEpochs | Hodnota epochy warmup při učení plánovače rychlosti je "warmup_cosine". Musí to být kladné celé číslo. | řetězec |
| weightDecay | Hodnota hmotnosti se rozpadne, když je optimalizátor 'sgd', 'adam' nebo 'adamw'. Musí to být plovák v rozsahu[0, 1]. | řetězec |
| weightedLoss | Vážená ztráta. Přijaté hodnoty jsou 0 pro žádnou váženou ztrátu. 1 pro váženou ztrátu sqrtem. (class_weights). 2 pro váženou ztrátu s class_weights. Musí být 0 nebo 1 nebo 2. |
řetězec |
ImageSweepSettings
| Jméno | Popis | Hodnota |
|---|---|---|
| earlyTermination | Typ zásad předčasného ukončení | EarlyTerminationPolicy |
| samplingAlgorithm | [Povinné] Typ algoritmů vzorkování hyperparametrů | "Bayesian" Mřížka Random (povinné) |
ImageClassificationMultilabel
| Jméno | Popis | Hodnota |
|---|---|---|
| taskType | [Povinné] Typ úlohy pro AutoMLJob | ImageClassificationMultilabel (povinné) |
| limitSettings | [Povinné] Omezte nastavení pro úlohu AutoML. | imageLimitSettings (povinné) |
| modelSettings | Nastavení použitá pro trénování modelu. | imageModelSettingsClassification |
| primaryMetric | Primární metrika pro optimalizaci pro tuto úlohu | AUCWeighted Přesnost AveragePrecisionScoreWeighted "IOU" NormMacroRecall PřesnostScoreWeighted |
| searchSpace | Prohledávejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů. | ImageModelDistributionSettingsClassification[] |
| sweepSettings | Nastavení související s úklidem modelů a úklidem hyperparametrů | ImageSweepSettings |
| validationData | Ověřovací vstupy dat. | MLTableJobInput |
| validationDataSize | Zlomek trénovací datové sady, kterou je potřeba pro účely ověřování vyhradit. Hodnoty mezi (0,0 , 1,0) Používá se, pokud není k dispozici ověřovací datová sada. |
Int |
ImageInstanceSegmentation
| Jméno | Popis | Hodnota |
|---|---|---|
| taskType | [Povinné] Typ úlohy pro AutoMLJob | ImageInstanceSegmentation (povinné) |
| limitSettings | [Povinné] Omezte nastavení pro úlohu AutoML. | imageLimitSettings (povinné) |
| modelSettings | Nastavení použitá pro trénování modelu. | ImageModelSettingsObjectDetection |
| primaryMetric | Primární metrika pro optimalizaci pro tuto úlohu | 'MeanAveragePrecision' |
| searchSpace | Prohledávejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů. | ImageModelDistributionSettingsObjectDetection[] |
| sweepSettings | Nastavení související s úklidem modelů a úklidem hyperparametrů | ImageSweepSettings |
| validationData | Ověřovací vstupy dat. | MLTableJobInput |
| validationDataSize | Zlomek trénovací datové sady, kterou je potřeba pro účely ověřování vyhradit. Hodnoty mezi (0,0 , 1,0) Používá se, pokud není k dispozici ověřovací datová sada. |
Int |
ImageModelSettingsObjectDetection
ImageModelDistributionSettingsObjectDetection
| Jméno | Popis | Hodnota |
|---|---|---|
| amsGradient | Povolte AMSGrad, pokud je optimalizátor adam nebo adamw. | řetězec |
| rozšíření | Nastavení pro použití rozšíření | řetězec |
| beta1 | Hodnota beta1, pokud je optimalizátor "adam" nebo "adamw". Musí to být plovák v rozsahu [0, 1]. | řetězec |
| beta2 | Hodnota beta2, pokud je optimalizátor "adam" nebo "adamw". Musí to být plovák v rozsahu [0, 1]. | řetězec |
| boxDetectionsPerImage | Maximální počet detekcí na obrázek pro všechny třídy. Musí to být kladné celé číslo. Poznámka: Toto nastavení není podporováno pro algoritmus yolov5. |
řetězec |
| boxScoreThreshold | Při odvozování vrátí pouze návrhy s vyšším skóre klasifikace než BoxScoreThreshold. Musí to být plovák v rozsahu[0, 1]. |
řetězec |
| distribuovaný | Zda se má použít trénování distribuátoru. | řetězec |
| počáteční zastavení | Povolte logiku předčasného zastavení během trénování. | řetězec |
| earlyStoppingDelay | Minimální počet epoch nebo vyhodnocení ověření, které se má čekat před primárním zlepšením metriky je sledován pro předčasné zastavení. Musí to být kladné celé číslo. |
řetězec |
| earlyStoppingPatience | Minimální počet epoch nebo vyhodnocení ověření bez primárního zlepšení metriky před spuštění je zastaveno. Musí to být kladné celé číslo. |
řetězec |
| enableOnnxNormalization | Povolte normalizaci při exportu modelu ONNX. | řetězec |
| evaluationFrequency | Frekvence vyhodnocení ověřovací datové sady za účelem získání skóre metrik Musí to být kladné celé číslo. | řetězec |
| gradientAccumulationStep | Akumulace přechodu znamená spuštění nakonfigurovaného počtu kroků GradAccumulationStep bez aktualizace hmotností modelu při nashromáždění přechodů těchto kroků a následné použití kumulované přechody pro výpočet aktualizací hmotnosti. Musí to být kladné celé číslo. |
řetězec |
| imageSize | Velikost obrázku pro trénování a ověření Musí to být kladné celé číslo. Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud je velikost příliš velká. Poznámka: Toto nastavení je podporováno pouze pro algoritmus yolov5. |
řetězec |
| vrstvyToFreeze | Počet vrstev, které se mají u modelu ukotvit. Musí to být kladné celé číslo. Například předání hodnoty 2 jako hodnoty pro "seresnext" znamená zamrznutí vrstvy 0 a vrstvy1. Úplný seznam podporovaných modelů a podrobnosti o ukotvení vrstvy viz: /azure/machine-learning/how-to-auto-train-image-models. |
řetězec |
| learningRate | Počáteční rychlost učení. Musí to být plovák v rozsahu [0, 1]. | řetězec |
| learningRateScheduler | Typ plánovače rychlosti učení Musí to být "warmup_cosine" nebo "step". | řetězec |
| maxSize | Maximální velikost obrázku, která se má znovu škálovat, než ho podáte do páteřní sítě. Musí to být kladné celé číslo. Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud je velikost příliš velká. Poznámka: Toto nastavení není podporováno pro algoritmus yolov5. |
řetězec |
| minSize | Minimální velikost obrázku, která se má před podáváním do páteřní sítě znovu škálovat. Musí to být kladné celé číslo. Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud je velikost příliš velká. Poznámka: Toto nastavení není podporováno pro algoritmus yolov5. |
řetězec |
| modelName | Název modelu, který se má použít pro trénování Další informace o dostupných modelech najdete v oficiální dokumentaci: /azure/machine-learning/how-to-auto-train-image-models. |
řetězec |
| modelSize | Velikost modelu Musí být "small", "medium", "large" nebo "xlarge". Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud je velikost modelu příliš velká. Poznámka: Toto nastavení je podporováno pouze pro algoritmus yolov5. |
řetězec |
| hybnost | Hodnota dynamiky při optimalizaci je "sgd". Musí to být plovák v rozsahu [0, 1]. | řetězec |
| multiScale | Povolte vícenásobný obrázek tak, že se liší velikostí obrázku o velikosti +/- 50%. Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud není dostatek paměti GPU. Poznámka: Toto nastavení je podporováno pouze pro algoritmus yolov5. |
řetězec |
| nesterov | Povolte nesterov, pokud je optimalizátor sgd. | řetězec |
| nmsIouThreshold | Prahová hodnota IOU použitá při odvození v NMS po zpracování. Musí být plovoucí v rozsahu [0, 1]. | řetězec |
| numberOfEpochs | Počet epoch trénování. Musí to být kladné celé číslo. | řetězec |
| numberOfWorkers | Počet pracovních procesů zavaděče dat Musí to být nezáporné celé číslo. | řetězec |
| optimizátor | Typ optimalizátoru Musí to být buď 'sgd', 'adam', nebo 'adamw'. | řetězec |
| randomSeed | Náhodná počáteční hodnota, která se má použít při použití deterministického trénování. | řetězec |
| stepLRGamma | Hodnota gama při učení plánovače rychlosti je krok. Musí to být plovák v rozsahu [0, 1]. | řetězec |
| stepLRStepSize | Hodnota velikosti kroku při plánování rychlosti učení je krok. Musí to být kladné celé číslo. | řetězec |
| tileGridSize | Velikost mřížky, která se má použít pro provazování jednotlivých obrázků. Poznámka: TileGridSize nesmí být Žádná pro povolení logiky detekce malých objektů Řetězec obsahující dvě celá čísla ve formátu mxn. Poznámka: Toto nastavení není podporováno pro algoritmus yolov5. |
řetězec |
| tileOverlapRatio | Poměr překrytí mezi sousedními dlaždicemi v každé dimenzi Musí být plovoucí v rozsahu [0, 1). Poznámka: Toto nastavení není podporováno pro algoritmus yolov5. |
řetězec |
| tilePredictionsNmsThreshold | Prahová hodnota IOU, která se má použít k provádění NMS při slučování předpovědí z dlaždic a obrázků. Používá se při ověřování nebo odvozování. Musí být plovoucí v rozsahu [0, 1]. Poznámka: Toto nastavení není podporováno pro algoritmus yolov5. NMS: Nevýkonné potlačení |
řetězec |
| trainingBatchSize | Trénovací velikost dávky. Musí to být kladné celé číslo. | řetězec |
| validationBatchSize | Velikost dávky ověření. Musí to být kladné celé číslo. | řetězec |
| validationIouThreshold | Prahová hodnota IOU, která se má použít při výpočetní metrikě ověřování. Musí být plovoucí v rozsahu [0, 1]. | řetězec |
| validationMetricType | Metoda výpočtů metrik, která se má použít pro ověřovací metriky. Musí to být žádná, coco, voc nebo coco_voc. | řetězec |
| warmupCosineLRCycles | Hodnota kosinusového cyklu při plánování rychlosti učení je "warmup_cosine". Musí to být plovák v rozsahu [0, 1]. | řetězec |
| warmupCosineLRWarmupEpochs | Hodnota epochy warmup při učení plánovače rychlosti je "warmup_cosine". Musí to být kladné celé číslo. | řetězec |
| weightDecay | Hodnota hmotnosti se rozpadne, když je optimalizátor 'sgd', 'adam' nebo 'adamw'. Musí to být plovák v rozsahu[0, 1]. | řetězec |
ImageObjectDetection
| Jméno | Popis | Hodnota |
|---|---|---|
| taskType | [Povinné] Typ úlohy pro AutoMLJob | ImageObjectDetection (povinné) |
| limitSettings | [Povinné] Omezte nastavení pro úlohu AutoML. | imageLimitSettings (povinné) |
| modelSettings | Nastavení použitá pro trénování modelu. | ImageModelSettingsObjectDetection |
| primaryMetric | Primární metrika pro optimalizaci pro tuto úlohu | 'MeanAveragePrecision' |
| searchSpace | Prohledávejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů. | ImageModelDistributionSettingsObjectDetection[] |
| sweepSettings | Nastavení související s úklidem modelů a úklidem hyperparametrů | ImageSweepSettings |
| validationData | Ověřovací vstupy dat. | MLTableJobInput |
| validationDataSize | Zlomek trénovací datové sady, kterou je potřeba pro účely ověřování vyhradit. Hodnoty mezi (0,0 , 1,0) Používá se, pokud není k dispozici ověřovací datová sada. |
Int |
Regrese
| Jméno | Popis | Hodnota |
|---|---|---|
| taskType | [Povinné] Typ úlohy pro AutoMLJob | Regrese (povinné) |
| cvSplitColumnNames | Sloupce, které se mají použít pro data CVSplit. | string[] |
| featurizationSettings | Vstupy featurizace potřebné pro úlohu AutoML | TableVerticalFeaturizationSettings |
| fixedParameters | Parametry modelu/trénování, které zůstanou v průběhu trénování konstantní. | TableFixedParameters |
| limitSettings | Omezení spouštění pro AutoMLJob. | TableVerticalLimitSettings |
| nCrossValidations | Počet záhybů křížového ověření, které se mají použít u trénovací datové sady pokud není k dispozici ověřovací datová sada. |
NCrossValidations |
| primaryMetric | Primární metrika pro regresní úlohu | NormalizedMeanAbsoluteError NormalizedRootMeanSquaredError R2Score SpearmanCorrelation |
| searchSpace | Prohledávejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů. | TableParameterSubspace[] |
| sweepSettings | Nastavení pro úklid modelů a ladění hyperparametrů | TableSweepSettings |
| testData | Otestujte vstup dat. | MLTableJobInput |
| testDataSize | Zlomek testovací datové sady, kterou je potřeba vyhradit pro účely ověření. Hodnoty mezi (0,0 , 1,0) Používá se, pokud není k dispozici ověřovací datová sada. |
Int |
| trainingSettings | Vstupy pro trénovací fázi pro úlohu AutoML. | |
| validationData | Ověřovací vstupy dat. | MLTableJobInput |
| validationDataSize | Zlomek trénovací datové sady, kterou je potřeba pro účely ověřování vyhradit. Hodnoty mezi (0,0 , 1,0) Používá se, pokud není k dispozici ověřovací datová sada. |
Int |
| weightColumnName | Název ukázkového sloupce hmotnosti. Automatizované strojové učení podporuje vážený sloupec jako vstup, což způsobuje, že řádky v datech se vážou nahoru nebo dolů. | řetězec |
RegressionTrainingSettings
| Jméno | Popis | Hodnota |
|---|---|---|
| allowedTrainingAlgorithms | Povolené modely pro regresní úlohu | Řetězcové pole obsahující některou z těchto možností: DecisionTree ElasticNet ExtremeRandomTrees GradientBoosting "KNN" LassoLars LightGBM RandomForest 'SGD' XGBoostRegressor |
| blockedTrainingAlgorithms | Blokované modely pro regresní úlohu | Řetězcové pole obsahující některou z těchto možností: DecisionTree ElasticNet ExtremeRandomTrees GradientBoosting "KNN" LassoLars LightGBM RandomForest 'SGD' XGBoostRegressor |
| enableDnnTraining | Povolte doporučení modelů DNN. | Bool |
| enableModelExplainability | Příznakem zapněte vysvětlitelnost nejlepšího modelu. | Bool |
| enableOnnxCompatibleModels | Příznak pro povolení kompatibilních modelů onnx. | Bool |
| enableStackEnsemble | Povolte spuštění souboru zásobníku. | Bool |
| enableVoteEnsemble | Povolte spuštění hlasovacího souboru. | Bool |
| ensembleModelDownloadTimeout | Během generování modelu VotingEnsemble a StackEnsemble se stáhne několik fitovaných modelů z předchozích podřízených spuštění. Pokud potřebujete více času, nakonfigurujte tento parametr s vyšší hodnotou než 300 sekund. |
řetězec |
| stackEnsembleSettings | Stack ensemble nastavení pro štosový soubor běh. | |
| trainingMode | Režim TrainingMode – Nastavení na hodnotu Auto je stejné jako nastavení na nedistribuovaný režim, ale v budoucnu může vést ke smíšenému nebo heuristickému výběru režimu. Výchozí hodnota je auto. Pokud je distribuovaná, použije se pouze distribuovaná featurizace a zvolí se distribuované algoritmy. Pokud je "NonDistributed", vyberou se pouze nedistribuované algoritmy. |
"Automaticky" Distribuovaný NonDistributed |
TextClassification
| Jméno | Popis | Hodnota |
|---|---|---|
| taskType | [Povinné] Typ úlohy pro AutoMLJob | TextClassification (povinné) |
| featurizationSettings | Vstupy featurizace potřebné pro úlohu AutoML | NlpVerticalFeaturizationSettings |
| fixedParameters | Parametry modelu/trénování, které zůstanou v průběhu trénování konstantní. | NlpFixedParameters |
| limitSettings | Omezení spouštění pro AutoMLJob. | NlpVerticalLimitSettings |
| primaryMetric | Primární metrika pro Text-Classification úkol | AUCWeighted Přesnost AveragePrecisionScoreWeighted NormMacroRecall PřesnostScoreWeighted |
| searchSpace | Prohledávejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů. | NlpParameterSubspace[] |
| sweepSettings | Nastavení pro úklid modelů a ladění hyperparametrů | NlpSweepSettings |
| validationData | Ověřovací vstupy dat. | MLTableJobInput |
NlpVerticalFeaturizationSettings
| Jméno | Popis | Hodnota |
|---|---|---|
| datasetLanguage | Jazyk datové sady, užitečný pro textová data. | řetězec |
NlpFixedParameters
| Jméno | Popis | Hodnota |
|---|---|---|
| gradientAccumulationSteps | Počet kroků pro kumulování přechodů před spuštěním zpětného průchodu | Int |
| learningRate | Míra výuky pro postup trénování. | Int |
| learningRateScheduler | Typ plánu rychlosti učení, který se má použít během trénovacího postupu. | Konstanta ConstantWithWarmup "Kosinus" CosineWithRestarts Lineární None (Žádný) Polynomické |
| modelName | Název modelu, který se má vytrénovat. | řetězec |
| numberOfEpochs | Počet epoch trénování. | Int |
| trainingBatchSize | Velikost dávky pro trénovací proceduru. | Int |
| validationBatchSize | Velikost dávky, která se má použít při vyhodnocování. | Int |
| warmupRatio | Poměr tepla, použitý spolu s LrSchedulerType. | Int |
| weightDecay | Hmotnost pro trénovací proceduru se rozpadla. | Int |
NlpVerticalLimitSettings
| Jméno | Popis | Hodnota |
|---|---|---|
| maxConcurrentTrials | Maximální počet souběžných iterací AutoML | Int |
| maxNodes | Maximální počet uzlů, které se mají použít pro experiment. | Int |
| maxTrials | Počet iterací AutoML | Int |
| přerušení zápasu | Časový limit úlohy AutoML | řetězec |
| trialTimeout | Časový limit jednotlivých zkušebních verzí HD | řetězec |
NlpParameterSubspace
| Jméno | Popis | Hodnota |
|---|---|---|
| gradientAccumulationSteps | Počet kroků pro kumulování přechodů před spuštěním zpětného průchodu | řetězec |
| learningRate | Míra výuky pro postup trénování. | řetězec |
| learningRateScheduler | Typ plánu rychlosti učení, který se má použít během trénovacího postupu. | řetězec |
| modelName | Název modelu, který se má vytrénovat. | řetězec |
| numberOfEpochs | Počet epoch trénování. | řetězec |
| trainingBatchSize | Velikost dávky pro trénovací proceduru. | řetězec |
| validationBatchSize | Velikost dávky, která se má použít při vyhodnocování. | řetězec |
| warmupRatio | Poměr tepla, použitý spolu s LrSchedulerType. | řetězec |
| weightDecay | Hmotnost pro trénovací proceduru se rozpadla. | řetězec |
NlpSweepSettings
| Jméno | Popis | Hodnota |
|---|---|---|
| earlyTermination | Typ zásad předčasného ukončení pro úlohu úklidu | EarlyTerminationPolicy |
| samplingAlgorithm | [Povinné] Typ algoritmu vzorkování | "Bayesian" Mřížka Random (povinné) |
TextClassificationMultilabel
| Jméno | Popis | Hodnota |
|---|---|---|
| taskType | [Povinné] Typ úlohy pro AutoMLJob | TextClassificationMultilabel (povinné) |
| featurizationSettings | Vstupy featurizace potřebné pro úlohu AutoML | NlpVerticalFeaturizationSettings |
| fixedParameters | Parametry modelu/trénování, které zůstanou v průběhu trénování konstantní. | NlpFixedParameters |
| limitSettings | Omezení spouštění pro AutoMLJob. | NlpVerticalLimitSettings |
| searchSpace | Prohledávejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů. | NlpParameterSubspace[] |
| sweepSettings | Nastavení pro úklid modelů a ladění hyperparametrů | NlpSweepSettings |
| validationData | Ověřovací vstupy dat. | MLTableJobInput |
TextNer
| Jméno | Popis | Hodnota |
|---|---|---|
| taskType | [Povinné] Typ úlohy pro AutoMLJob | TextNER (povinné) |
| featurizationSettings | Vstupy featurizace potřebné pro úlohu AutoML | NlpVerticalFeaturizationSettings |
| fixedParameters | Parametry modelu/trénování, které zůstanou v průběhu trénování konstantní. | NlpFixedParameters |
| limitSettings | Omezení spouštění pro AutoMLJob. | NlpVerticalLimitSettings |
| searchSpace | Prohledávejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů. | NlpParameterSubspace[] |
| sweepSettings | Nastavení pro úklid modelů a ladění hyperparametrů | NlpSweepSettings |
| validationData | Ověřovací vstupy dat. | MLTableJobInput |
CommandJob
| Jméno | Popis | Hodnota |
|---|---|---|
| jobType | [Povinné] Určuje typ úlohy. | Příkaz (povinné) |
| autologgerSettings | Konfigurace distribuce úlohy Pokud je tato možnost nastavená, měla by to být jedna z mpi, Tensorflow, PyTorch nebo null. | |
| codeId | ID prostředku ARM prostředku kódu | řetězec |
| příkaz | [Povinné] Příkaz, který se spustí při spuštění úlohy. Např. Python train.py | string (povinné) Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] |
| distribuce | Konfigurace distribuce úlohy Pokud je tato možnost nastavená, měla by to být jedna z Mpi, Tensorflow, PyTorch, Ray nebo null. | |
| environmentId | [Povinné] ID prostředku ARM specifikace prostředí pro úlohu. | string (povinné) Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] |
| environmentVariables | Proměnné prostředí zahrnuté v úloze | CommandJobEnvironmentVariables |
| vstupy | Mapování vstupních datových vazeb použitých v úloze | CommandJobInputs |
| hranice | Limit úlohy příkazu. | CommandJobLimits |
| výstupy | Mapování výstupních datových vazeb použitých v úloze | CommandJobOutputs |
| queueSettings | Nastavení fronty pro úlohu | |
| prostředky | Konfigurace výpočetního prostředku pro úlohu | JobResourceConfiguration |
AutologgerSettings
| Jméno | Popis | Hodnota |
|---|---|---|
| mlflowAutologger | [Povinné] Určuje, jestli je povolený autologger mlflow. | Zakázáno Povoleno (povinné) |
DistributionConfiguration
| Jméno | Popis | Hodnota |
|---|---|---|
| distributionType | Nastavení typu objektu |
mpi PyTorch Ray tensorFlow (povinné) |
Mpi
| Jméno | Popis | Hodnota |
|---|---|---|
| distributionType | [Povinné] Určuje typ distribuční architektury. | Mpi (povinné) |
| processCountPerInstance | Počet procesů na uzel MPI | Int |
PyTorch
| Jméno | Popis | Hodnota |
|---|---|---|
| distributionType | [Povinné] Určuje typ distribuční architektury. | PyTorch (povinné) |
| processCountPerInstance | Počet procesů na uzel | Int |
Paprsek
| Jméno | Popis | Hodnota |
|---|---|---|
| distributionType | [Povinné] Určuje typ distribuční architektury. | Ray (povinné) |
| adresa | Adresa hlavního uzlu Ray. | řetězec |
| dashboardPort | Port pro vazbu serveru řídicího panelu. | Int |
| headNodeAdditionalArgs | Další argumenty předané paprsku v hlavním uzlu. | řetězec |
| includeDashboard | Zadejte tento argument pro spuštění grafického uživatelského rozhraní řídicího panelu Ray. | Bool |
| přístav | Port procesu paprsku hlavy. | Int |
| workerNodeAdditionalArgs | Další argumenty předané ray startu v pracovním uzlu. | řetězec |
TensorFlow
| Jméno | Popis | Hodnota |
|---|---|---|
| distributionType | [Povinné] Určuje typ distribuční architektury. | TensorFlow (povinné) |
| parameterServerCount | Počet úloh serveru parametrů | Int |
| workerCount | Počet pracovníků. Pokud není zadaný, nastaví se výchozí počet instancí. | Int |
CommandJobEnvironmentVariables
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | řetězec |
CommandJobInputs
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | jobInput |
JobInput
| Jméno | Popis | Hodnota |
|---|---|---|
| popis | Popis vstupu | řetězec |
| jobInputType | Nastavení typu objektu |
custom_model literál mlflow_model mltable triton_model uri_file uri_folder (povinné) |
CustomModelJobInput
| Jméno | Popis | Hodnota |
|---|---|---|
| jobInputType | [Povinné] Určuje typ úlohy. | Custom_model (povinné) |
| režim | Režim doručení vstupního majetku | "Přímý" "Stáhnout" EvalDownload 'EvalMount' ReadOnlyMount ReadWriteMount |
| pathOnCompute | Cesta doručení vstupního majetku | řetězec |
| identifikátor uri | [Povinné] Identifikátor URI vstupního assetu | string (povinné) Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] |
LiteralJobInput
| Jméno | Popis | Hodnota |
|---|---|---|
| jobInputType | [Povinné] Určuje typ úlohy. | Literál (povinné) |
| hodnota | [Povinné] Hodnota literálu pro vstup | string (povinné) Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] |
TritonModelJobInput
| Jméno | Popis | Hodnota |
|---|---|---|
| jobInputType | [Povinné] Určuje typ úlohy. | "triton_model" (povinné) |
| režim | Režim doručení vstupního majetku | "Přímý" "Stáhnout" EvalDownload 'EvalMount' ReadOnlyMount ReadWriteMount |
| pathOnCompute | Cesta doručení vstupního majetku | řetězec |
| identifikátor uri | [Povinné] Identifikátor URI vstupního assetu | string (povinné) Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] |
UriFileJobInput
| Jméno | Popis | Hodnota |
|---|---|---|
| jobInputType | [Povinné] Určuje typ úlohy. | "uri_file" (povinné) |
| režim | Režim doručení vstupního majetku | "Přímý" "Stáhnout" EvalDownload 'EvalMount' ReadOnlyMount ReadWriteMount |
| pathOnCompute | Cesta doručení vstupního majetku | řetězec |
| identifikátor uri | [Povinné] Identifikátor URI vstupního assetu | string (povinné) Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] |
UriFolderJobInput
| Jméno | Popis | Hodnota |
|---|---|---|
| jobInputType | [Povinné] Určuje typ úlohy. | Uri_folder (povinné) |
| režim | Režim doručení vstupního majetku | "Přímý" "Stáhnout" EvalDownload 'EvalMount' ReadOnlyMount ReadWriteMount |
| pathOnCompute | Cesta doručení vstupního majetku | řetězec |
| identifikátor uri | [Povinné] Identifikátor URI vstupního assetu | string (povinné) Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] |
CommandJobLimits
| Jméno | Popis | Hodnota |
|---|---|---|
| jobLimitsType | [Povinné] Typ JobLimit. | Příkaz Uklidit (povinné) |
| přerušení zápasu | Maximální doba běhu ve formátu ISO 8601, po které bude úloha zrušena. Podporuje pouze dobu trvání s přesností v sekundách. | řetězec |
CommandJobOutputs
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | JobOutput |
FineTuningJob
| Jméno | Popis | Hodnota |
|---|---|---|
| jobType | [Povinné] Určuje typ úlohy. | FineTuning (povinné) |
| fineTuningDetails | [Povinné] | FineTuningVertical (povinné) |
| výstupy | [Povinné] | FineTuningJobOutputs (povinné) |
FineTuningVertical
| Jméno | Popis | Hodnota |
|---|---|---|
| model | [Povinné] Vstupní model pro vyladění | MLFlowModelJobInput (povinné) |
| taskType | [Povinné] Typ úkolu je dolaďovací. | ChatCompletion ImageClassification ImageInstanceSegmentation ImageObjectDetection 'QuestionAnswering' 'TextClassification' TextCompletion TextSummarization TextTranslation TokenClassification VideoMultiObjectTracking (povinné) |
| trainingData | [Povinné] Trénovací data pro vyladění | jobInput (povinné) |
| validationData | Ověřovací data pro vyladění | jobInput |
| modelProvider | Nastavení typu objektu |
AzureOpenAI vlastní (povinné) |
AzureOpenAiFineTuning
| Jméno | Popis | Hodnota |
|---|---|---|
| modelProvider | [Povinné] Výčet k určení typu jemného ladění. | AzureOpenAI (povinné) |
| hyperParametry | HyperParametry pro vyladění modelu Azure Open AI | azureOpenAiHyperParameters |
AzureOpenAiHyperParameters
| Jméno | Popis | Hodnota |
|---|---|---|
| batchSize | Počet příkladů v každé dávce Větší velikost dávky znamená, že parametry modelu se aktualizují méně často, ale s nižší odchylkou. | Int |
| learningRateMultiplier | Faktor škálování pro rychlost učení. Menší rychlost učení může být užitečná, aby se zabránilo přehodování. | Int |
| nEpochs | Počet epoch pro trénování modelu. Epocha odkazuje na jeden celý cyklus prostřednictvím trénovací datové sady. | Int |
CustomModelFineTuning
| Jméno | Popis | Hodnota |
|---|---|---|
| modelProvider | [Povinné] Výčet k určení typu jemného ladění. | Vlastní (povinné) |
| hyperParametry | HyperParametry pro vyladění vlastního modelu | CustomModelFineTuningHyperParameters |
CustomModelFineTuningHyperParameters
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | řetězec |
FineTuningJobOutputs
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | JobOutput |
PopiskyJobProperties
| Jméno | Popis | Hodnota |
|---|---|---|
| componentId | ID prostředku ARM prostředku komponenty | řetězec |
| computeId | ID prostředku ARM výpočetního prostředku | řetězec |
| dataConfiguration | Konfigurace dat použitých v úloze | LabelingDataConfiguration |
| popis | Text popisu prostředku. | řetězec |
| displayName | Zobrazovaný název úlohy. | řetězec |
| experimentName | Název experimentu, do které úloha patří. Pokud není nastavená, úloha se umístí do výchozího experimentu. | řetězec |
| identita | Konfigurace identity. Pokud je tato možnost nastavená, měla by to být jedna z AmlToken, ManagedIdentity, UserIdentity nebo null. Výchozí hodnota AmlToken, pokud má hodnotu null. |
IdentityConfiguration |
| isArchived | Archivuje se asset? | Bool |
| jobInstructions | Pokyny k označení úlohy | labelingJobInstructions |
| jobType | [Povinné] Určuje typ úlohy. | AutoML Příkaz "FineTuning" "Popisování" Kanál Spark Uklidit (povinné) |
| labelCategories | Označte kategorie úlohy. | labelingJobLabelCategories |
| labelingJobMediaProperties | Vlastnosti specifické pro typ média v úloze | labelingJobMediaProperties |
| mlAssistConfiguration | Konfigurace funkce MLAssist v úloze | MLAssistConfiguration |
| notificationSetting | Nastavení oznámení pro úlohu | NotificationSetting |
| vlastnosti | Slovník vlastností assetu. | ResourceBaseProperties |
| secretsConfiguration | Konfigurace pro zpřístupnění tajných kódů během běhu | JobBaseSecretsConfiguration |
| služby | Seznam bodů JobEndpoints Pro místní úlohy bude mít koncový bod úlohy hodnotu koncového bodu FileStreamObject. |
JobBaseServices |
| visačky | Označení slovníku Značky je možné přidávat, odebírat a aktualizovat. | objekt |
LabelingDataConfiguration
| Jméno | Popis | Hodnota |
|---|---|---|
| dataId | ID prostředku datového prostředku, který má být označen. | řetězec |
| incrementalDataRefresh | Určuje, jestli se má přírůstková aktualizace dat povolit. | Zakázáno Povoleno |
LabelingJobInstructions
| Jméno | Popis | Hodnota |
|---|---|---|
| identifikátor uri | Odkaz na stránku s podrobnými pokyny pro popisky popisků | řetězec |
PopiskyJobLabelCategories
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | LabelCategory |
LabelCategory
LabelCategoryClasses
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | LabelClass |
LabelClass
| Jméno | Popis | Hodnota |
|---|---|---|
| displayName | Zobrazovaný název třídy popisku | řetězec |
| Podtříd | Slovník podtříd popisků třídy. | LabelClassSubclasses |
LabelClassSubclasses
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | LabelClass |
PopiskyJobMediaProperties
| Jméno | Popis | Hodnota |
|---|---|---|
| mediaType | Nastavení typu objektu | obrázku textové (povinné) |
PopiskyJobImageProperties
| Jméno | Popis | Hodnota |
|---|---|---|
| mediaType | [Povinné] Typ média úlohy. | Image (povinné) |
| annotationType | Typ poznámky úlohy popisování obrázků | "BoundingBox" Klasifikace InstanceSegmentation |
PopiskyJobTextProperties
| Jméno | Popis | Hodnota |
|---|---|---|
| mediaType | [Povinné] Typ média úlohy. | Text (povinné) |
| annotationType | Typ poznámky úlohy popisování textu | Klasifikace NamedEntityRecognition |
MLAssistConfiguration
| Jméno | Popis | Hodnota |
|---|---|---|
| mlAssist | Nastavení typu objektu |
Zakázáno Povoleno (povinné) |
MLAssistConfigurationDisabled
| Jméno | Popis | Hodnota |
|---|---|---|
| mlAssist | [Povinné] Určuje, jestli je povolená funkce MLAssist. | Zakázáno (povinné) |
MLAssistConfigurationEnabled
| Jméno | Popis | Hodnota |
|---|---|---|
| mlAssist | [Povinné] Určuje, jestli je povolená funkce MLAssist. | Povoleno (povinné) |
| odvozováníComputeBinding | [Povinné] Výpočetní vazba AML použitá při odvozování | string (povinné) Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] |
| trainingComputeBinding | [Povinné] Výpočetní vazba AML použitá při trénování | string (povinné) Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] |
PipelineJob
| Jméno | Popis | Hodnota |
|---|---|---|
| jobType | [Povinné] Určuje typ úlohy. | Kanál (povinné) |
| vstupy | Vstupy pro úlohu kanálu. | |
| pracovní místa | Úlohy sestavují úlohu kanálu. | PipelineJobJobs |
| výstupy | Výstupy pro úlohu kanálu | PipelineJobOutputs |
| nastavení | Nastavení kanálu, například ContinueRunOnStepFailure atd. | Pro Bicep můžete použít funkci any(). |
| sourceJobId | ID prostředku ARM zdrojové úlohy. | řetězec |
PipelineJobInputs
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | jobInput |
PipelineJobJobs
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | Pro Bicep můžete použít funkci any(). |
PipelineJobOutputs
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | JobOutput |
SparkJob
| Jméno | Popis | Hodnota |
|---|---|---|
| jobType | [Povinné] Určuje typ úlohy. | Spark (povinné) |
| archiv | Archivovat soubory použité v úloze | string[] |
| args | Argumenty pro úlohu. | řetězec |
| codeId | [Povinné] ID prostředku ARM prostředku kódu | string (povinné) Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] |
| Conf | Nakonfigurované vlastnosti Sparku | SparkJobConf |
| položka | [Povinné] Položka, která se má provést při spuštění úlohy. | sparkjobEntry (povinné) |
| environmentId | ID prostředku ARM specifikace prostředí pro úlohu. | řetězec |
| environmentVariables | Proměnné prostředí zahrnuté v úloze | SparkJobEnvironmentVariables |
| soubory | Soubory použité v úloze. | string[] |
| vstupy | Mapování vstupních datových vazeb použitých v úloze | SparkJobInputs |
| nádoby | Soubory JAR použité v úloze. | string[] |
| výstupy | Mapování výstupních datových vazeb použitých v úloze | SparkJobOutputs |
| pyFiles | Soubory Pythonu používané v úloze | string[] |
| queueSettings | Nastavení fronty pro úlohu | |
| prostředky | Konfigurace výpočetního prostředku pro úlohu | SparkResourceConfiguration |
SparkJobConf
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | řetězec |
SparkJobEntry
| Jméno | Popis | Hodnota |
|---|---|---|
| sparkJobEntryType | Nastavení typu objektu |
SparkJobPythonEntry SparkJobScalaEntry (povinné) |
SparkJobPythonEntry
| Jméno | Popis | Hodnota |
|---|---|---|
| sparkJobEntryType | [Povinné] Typ vstupního bodu úlohy | SparkJobPythonEntry (povinné) |
| soubor | [Povinné] Relativní cesta k souboru Pythonu pro vstupní bod úlohy | string (povinné) Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] |
SparkJobScalaEntry
| Jméno | Popis | Hodnota |
|---|---|---|
| sparkJobEntryType | [Povinné] Typ vstupního bodu úlohy | SparkJobScalaEntry (povinné) |
| className | [Povinné] Název třídy Scala použitý jako vstupní bod | string (povinné) Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] |
SparkJobEnvironmentVariables
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | řetězec |
SparkJobInputs
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | jobInput |
SparkJobOutputs
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | JobOutput |
SparkResourceConfiguration
| Jméno | Popis | Hodnota |
|---|---|---|
| instanceType | Volitelný typ virtuálního počítače, který je podporovaný cílovým výpočetním objektem. | řetězec |
| runtimeVersion | Verze modulu runtime Spark použitého pro úlohu. | řetězec |
SweepJob
| Jméno | Popis | Hodnota |
|---|---|---|
| jobType | [Povinné] Určuje typ úlohy. | Uklidit (povinné) |
| componentConfiguration | Konfigurace komponenty pro přemístání komponent | ComponentConfiguration |
| earlyTermination | Zásady předčasného ukončení umožňují před dokončením zrušit spuštění s nízkým výkonem. | EarlyTerminationPolicy |
| vstupy | Mapování vstupních datových vazeb použitých v úloze | SweepJobInputs |
| hranice | Limit úlohy uklidit. | SweepJobLimits |
| objektivní | [Povinné] Cíl optimalizace | objective (povinné) |
| výstupy | Mapování výstupních datových vazeb použitých v úloze | |
| queueSettings | Nastavení fronty pro úlohu | |
| prostředky | Konfigurace výpočetního prostředku pro úlohu | JobResourceConfiguration |
| samplingAlgorithm | [Povinné] Algoritmus vzorkování hyperparametrů | samplingAlgorithm (povinné) |
| searchSpace | [Povinné] Slovník obsahující každý parametr a jeho distribuci. Klíč slovníku je název parametru. | Pro Bicep můžete použít funkci any(). (povinné) |
| přelíčení | [Povinné] Definice zkušební komponenty. | zkušební (povinné) |
ComponentConfiguration
| Jméno | Popis | Hodnota |
|---|---|---|
| PipelineSettings | Nastavení kanálu, například ContinueRunOnStepFailure atd. | Pro Bicep můžete použít funkci any(). |
SweepJobInputs
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | jobInput |
SweepJobLimits
| Jméno | Popis | Hodnota |
|---|---|---|
| jobLimitsType | [Povinné] Typ JobLimit. | Příkaz Uklidit (povinné) |
| maxConcurrentTrials | Maximální počet souběžných zkušebních verzí úlohy uklidit. | Int |
| maxTotalTrials | Uklidit job max total trials. | Int |
| přerušení zápasu | Maximální doba běhu ve formátu ISO 8601, po které bude úloha zrušena. Podporuje pouze dobu trvání s přesností v sekundách. | řetězec |
| trialTimeout | Hodnota časového limitu zkušební verze úlohy uklidit | řetězec |
Objektivní
| Jméno | Popis | Hodnota |
|---|---|---|
| branka | [Povinné] Definuje podporované cíle metrik pro ladění hyperparametrů. | Maximalizovat Minimalizovat (povinné) |
| primaryMetric | [Povinné] Název metriky pro optimalizaci | string (povinné) Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] |
SweepJobOutputs
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | JobOutput |
SamplingAlgorithm
| Jméno | Popis | Hodnota |
|---|---|---|
| samplingAlgorithmType | Nastavení typu objektu |
Bayesian mřížky náhodné (povinné) |
BayesianSamplingAlgorithm
| Jméno | Popis | Hodnota |
|---|---|---|
| samplingAlgorithmType | [Povinné] Algoritmus používaný ke generování hodnot hyperparametrů spolu s vlastnostmi konfigurace | Bayesian (povinné) |
GridSamplingAlgorithm
| Jméno | Popis | Hodnota |
|---|---|---|
| samplingAlgorithmType | [Povinné] Algoritmus používaný ke generování hodnot hyperparametrů spolu s vlastnostmi konfigurace | "Mřížka" (povinné) |
RandomSamplingAlgorithm
| Jméno | Popis | Hodnota |
|---|---|---|
| samplingAlgorithmType | [Povinné] Algoritmus používaný ke generování hodnot hyperparametrů spolu s vlastnostmi konfigurace | Random (povinné) |
| logbase | Volitelné kladné číslo nebo e ve formátu řetězce, které se má použít jako základ pro náhodné vzorkování založené na protokolu | řetězec |
| pravidlo | Konkrétní typ náhodného algoritmu | Random "Sobol" |
| semeno | Volitelné celé číslo, které se použije jako počáteční hodnota pro generování náhodných čísel | Int |
TrialComponent
| Jméno | Popis | Hodnota |
|---|---|---|
| codeId | ID prostředku ARM prostředku kódu | řetězec |
| příkaz | [Povinné] Příkaz, který se spustí při spuštění úlohy. Např. Python train.py | string (povinné) Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] |
| distribuce | Konfigurace distribuce úlohy Pokud je tato možnost nastavená, měla by to být jedna z mpi, Tensorflow, PyTorch nebo null. | |
| environmentId | [Povinné] ID prostředku ARM specifikace prostředí pro úlohu. | string (povinné) Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] |
| environmentVariables | Proměnné prostředí zahrnuté v úloze | TrialComponentEnvironmentVariables |
| prostředky | Konfigurace výpočetního prostředku pro úlohu | JobResourceConfiguration |
TrialComponentEnvironmentVariables
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | řetězec |
CreateMonitorAction
| Jméno | Popis | Hodnota |
|---|---|---|
| actionType | [Povinné] Určuje typ akce plánu. | CreateMonitor (povinné) |
| monitorDefinition | [Povinné] Definuje monitorování. | MonitorDefinition (povinné) |
MonitorováníDefinition
| Jméno | Popis | Hodnota |
|---|---|---|
| alertNotificationSettings | Nastavení oznámení monitoru. | MonitorNotificationSettings |
| computeConfiguration | [Povinné] ID prostředku ARM výpočetního prostředku pro spuštění úlohy monitorování. | MonitorComputeConfigurationBase (povinné) |
| monitoringTarget | ID prostředku ARM modelu nebo nasazení cíleného tímto monitorováním. | monitoringTarget |
| signály | [Povinné] Signály, které se mají monitorovat. | MonitorDefinitionSignals (povinné) |
MonitorNotificationSettings
| Jméno | Popis | Hodnota |
|---|---|---|
| emailNotificationSettings | Nastavení e-mailu s oznámením AML | MonitorEmailNotificationSettings |
MonitorEmailNotificationSettings
| Jméno | Popis | Hodnota |
|---|---|---|
| e-maily | Toto je seznam příjemců e-mailu, který má celkem omezení 499 znaků. | string[] |
MonitorComputeConfigurationBase
| Jméno | Popis | Hodnota |
|---|---|---|
| computeType | Nastavení typu objektu | serverlessSpark (povinné) |
MonitorováníServerlessSparkCompute
MonitorComputeIdentityBase
| Jméno | Popis | Hodnota |
|---|---|---|
| computeIdentityType | Nastavení typu objektu |
AmlToken ManagedIdentity (povinné) |
AmlTokenComputeIdentity
| Jméno | Popis | Hodnota |
|---|---|---|
| computeIdentityType | [Povinné] Monitorování výčtu typu výpočetní identity | AmlToken (povinné) |
ManagedComputeIdentity
| Jméno | Popis | Hodnota |
|---|---|---|
| computeIdentityType | [Povinné] Monitorování výčtu typu výpočetní identity | ManagedIdentity (povinné) |
| identita | Identita spravované služby (identita přiřazená systémem nebo identita přiřazená uživatelem) | |
ManagedServiceIdentity
| Jméno | Popis | Hodnota |
|---|---|---|
| typ | Typ identity spravované služby (kde jsou povolené typy SystemAssigned i UserAssigned). | None (Žádný) SystemAssigned SystemAssigned, UserAssigned UserAssigned (povinné) |
| userAssignedIdentities | Sada identit přiřazených uživatelem přidružená k prostředku. Klíče slovníku userAssignedIdentities budou ID prostředků ARM ve formuláři: /subscriptions/{subscriptionId}/resourceGroups/{resourceGroupName}/providers/Microsoft.ManagedIdentity/userAssignedIdentities/{identityName}. Hodnoty slovníku můžou být prázdné objekty ({}) v požadavcích. | userAssignedIdentities |
UserAssignedIdentities
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | userAssignedIdentity |
UserAssignedIdentity
Tento objekt neobsahuje žádné vlastnosti, které se mají nastavit během nasazení. Všechny vlastnosti jsou Jen pro čtení.
MonitoringTarget
| Jméno | Popis | Hodnota |
|---|---|---|
| deploymentId | ID prostředku ARM pro nasazení cílené tímto monitorováním. | řetězec |
| modelId | ID prostředku ARM modelu, který je cílem tohoto monitorování. | řetězec |
| taskType | [Povinné] Typ úlohy strojového učení modelu. | Klasifikace 'QuestionAnswering' Regrese (povinné) |
MonitorDefinitionSignals
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | MonitoringSignalBase |
MonitoringSignalBase
| Jméno | Popis | Hodnota |
|---|---|---|
| notificationTypes | Aktuální režim oznámení pro tento signál. | Řetězcové pole obsahující některou z těchto možností: AmlNotification AzureMonitor |
| vlastnosti | Slovník vlastností Vlastnosti lze přidat, ale ne odebrat nebo změnit. | MonitoringSignalBaseProperties |
| signalType | Nastavení typu objektu |
vlastní dataDrift FeatureAttributionDrift GenerationSafetyQuality GenerationTokenStatistics ModelPerformance PredictionDrift (povinné) |
MonitoringSignalBaseProperties
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | řetězec |
CustomMonitoringSignal
| Jméno | Popis | Hodnota |
|---|---|---|
| signalType | [Povinné] Určuje typ signálu, který se má monitorovat. | Vlastní (povinné) |
| componentId | [Povinné] ID prostředku ARM prostředku komponenty použitého k výpočtu vlastních metrik. | string (povinné) Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] |
| inputAssets | Monitorování prostředků, které se mají vzít jako vstup Klíč je název vstupního portu komponenty, hodnota je datový asset. | customMonitoringSignalInputAssets |
| vstupy | Další parametry komponent, které se mají vzít jako vstup. Klíč je název vstupního portu vstupního portu komponenty, hodnota je hodnota parametru. | customMonitoringSignalInputs |
| metricThresholds | [Povinné] Seznam metrik pro výpočet a jejich přidružené prahové hodnoty. | CustomMetricThreshold[] (povinné) |
| workspaceConnection | Seznam metrik pro výpočet a jejich přidružené prahové hodnoty. | MonitoringWorkspaceConnection |
CustomMonitoringSignalInputAssets
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | MonitoringInputDataBase |
MonitoringInputDataBase
| Jméno | Popis | Hodnota |
|---|---|---|
| sloupce | Mapování názvů sloupců na speciální použití | MonitoringInputDataBaseColumns |
| dataContext | Kontextová metadata zdroje dat. | řetězec |
| jobInputType | [Povinné] Určuje typ úlohy. | "custom_model" Literál "mlflow_model" "mltable" "triton_model" "uri_file" Uri_folder (povinné) |
| identifikátor uri | [Povinné] Identifikátor URI vstupního assetu | string (povinné) Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] |
| inputDataType | Nastavení typu objektu |
pevné rolling statické (povinné) |
MonitoringInputDataBaseColumns
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | řetězec |
FixedInputData
| Jméno | Popis | Hodnota |
|---|---|---|
| inputDataType | [Povinné] Určuje typ signálu, který se má monitorovat. | "Opraveno" (povinné) |
RollingInputData
| Jméno | Popis | Hodnota |
|---|---|---|
| inputDataType | [Povinné] Určuje typ signálu, který se má monitorovat. | "Rolling" (povinné) |
| preprocessingComponentId | ID prostředku ARM prostředku komponenty použitého k předběžnému zpracování dat. | řetězec |
| windowOffset | [Povinné] Časový posun mezi koncem datového okna a aktuálním časem běhu monitorování. | string (povinné) |
| windowSize | [Povinné] Velikost koncového okna dat. | string (povinné) |
StaticInputData
| Jméno | Popis | Hodnota |
|---|---|---|
| inputDataType | [Povinné] Určuje typ signálu, který se má monitorovat. | Statická (povinné) |
| preprocessingComponentId | ID prostředku ARM prostředku komponenty použitého k předběžnému zpracování dat. | řetězec |
| windowEnd | [Povinné] Koncové datum okna dat. | string (povinné) |
| windowStart | [Povinné] Počáteční datum okna dat. | string (povinné) |
CustomMonitoringSignalInputs
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | jobInput |
CustomMetricThreshold
| Jméno | Popis | Hodnota |
|---|---|---|
| metrický | [Povinné] Metrika definovaná uživatelem, která se má vypočítat. | string (povinné) Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] |
| práh | Prahová hodnota. Pokud je hodnota null, nastaví se výchozí hodnota v závislosti na vybrané metrice. | MonitoringThreshold |
MonitoringThreshold
| Jméno | Popis | Hodnota |
|---|---|---|
| hodnota | Prahová hodnota. Pokud je hodnota null, je výchozí nastavení závislé na typu metriky. | Int |
MonitoringWorkspaceConnection
| Jméno | Popis | Hodnota |
|---|---|---|
| environmentVariables | Vlastnosti připojení služby pracovního prostoru, které se mají uložit jako proměnné prostředí v odeslaných úlohách. Klíč je cesta vlastnosti připojení pracovního prostoru, název je klíč proměnné prostředí. |
MonitoringWorkspaceConnectionEnvironmentVariables |
| tajemství | Vlastnosti připojení služby pracovního prostoru k uložení jako tajné kódy v odeslaných úlohách. Klíč je cesta vlastnosti připojení pracovního prostoru, název je tajný klíč. |
MonitoringWorkspaceConnectionSecrets |
MonitoringWorkspaceConnectionEnvironmentVariables
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | řetězec |
MonitoringWorkspaceConnectionSecrets
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | řetězec |
DataDriftMonitoringSignal
| Jméno | Popis | Hodnota |
|---|---|---|
| signalType | [Povinné] Určuje typ signálu, který se má monitorovat. | DataDrift (povinné) |
| dataSegment | Datový segment použitý k určení rozsahu podmnožinu základního souboru dat. | MonitoringDataSegment |
| featureDataTypeOverride | Slovník, který mapuje názvy funkcí na příslušné datové typy. | DataDriftMonitoringSignalFeatureDataTypeOverride |
| featureImportanceSettings | Nastavení důležitosti výpočetních funkcí. | FeatureImportanceSettings |
| rysy | Filtr funkcí, který identifikuje, která funkce k výpočtu posunu. | MonitoringFeatureFilterBase |
| metricThresholds | [Povinné] Seznam metrik pro výpočet a jejich přidružené prahové hodnoty. | DataDriftMetricThresholdBase[] (povinné) |
| productionData | [Povinné] Data, pro která se bude vypočítat posun. | MonitoringInputDataBase (povinné) |
| referenceData | [Povinné] Data pro výpočet posunu. | MonitoringInputDataBase (povinné) |
MonitoringDataSegment
| Jméno | Popis | Hodnota |
|---|---|---|
| rys | Funkce pro segmentování dat. | řetězec |
| hodnoty | Filtruje pouze zadané hodnoty dané segmentované funkce. | string[] |
DataDriftMonitoringSignalFeatureDataTypeOverride
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | Kategorický 'Numeric' |
FeatureImportanceSettings
| Jméno | Popis | Hodnota |
|---|---|---|
| režim | Režim provozu pro důležitost výpočetních funkcí. | Zakázáno Povoleno |
| targetColumn | Název cílového sloupce v rámci vstupního datového prostředku. | řetězec |
MonitoringFeatureFilterBase
| Jméno | Popis | Hodnota |
|---|---|---|
| filterType | Nastavení typu objektu | FeatureSubset TopNByAttribution (povinné) |
AllFeatures
| Jméno | Popis | Hodnota |
|---|---|---|
| filterType | [Povinné] Určuje filtr funkcí, který se má využít při výběru funkcí k výpočtu metrik. | AllFeatures (povinné) |
FeatureSubset
| Jméno | Popis | Hodnota |
|---|---|---|
| filterType | [Povinné] Určuje filtr funkcí, který se má využít při výběru funkcí k výpočtu metrik. | FeatureSubset (povinné) |
| rysy | [Povinné] Seznam funkcí, které chcete zahrnout. | string[] (povinné) |
TopNFeaturesByAttribution
| Jméno | Popis | Hodnota |
|---|---|---|
| filterType | [Povinné] Určuje filtr funkcí, který se má využít při výběru funkcí k výpočtu metrik. | TopNByAttribution (povinné) |
| vrchol | Počet hlavních funkcí, které se mají zahrnout. | Int |
DataDriftMetricThresholdBase
| Jméno | Popis | Hodnota |
|---|---|---|
| práh | Prahová hodnota. Pokud je hodnota null, nastaví se výchozí hodnota v závislosti na vybrané metrice. | MonitoringThreshold |
| Datatype | Nastavení typu objektu |
kategorické numerické (povinné) |
KategoricalDataDriftMetricThreshold
| Jméno | Popis | Hodnota |
|---|---|---|
| Datatype | [Povinné] Určuje datový typ prahové hodnoty metriky. | Kategorický (povinné) |
| metrický | [Povinné] Metrika posunu dat kategorií, která se má vypočítat. | JensenShannonDistance PearsonsChiSquaredTest PopulationStabilityIndex (povinné) |
NumericDataDriftMetricThreshold
| Jméno | Popis | Hodnota |
|---|---|---|
| Datatype | [Povinné] Určuje datový typ prahové hodnoty metriky. | 'Numeric' (povinné) |
| metrický | [Povinné] Metrika posunu číselných dat k výpočtu. | JensenShannonDistance NormalizedWassersteinDistance PopulationStabilityIndex TwoSampleKolmogorovSmirnovTest (povinné) |
DataQualityMonitoringSignal
| Jméno | Popis | Hodnota |
|---|---|---|
| signalType | [Povinné] Určuje typ signálu, který se má monitorovat. | DataQuality (povinné) |
| featureDataTypeOverride | Slovník, který mapuje názvy funkcí na příslušné datové typy. | DataQualityMonitoringSignalFeatureDataTypeOverride |
| featureImportanceSettings | Nastavení důležitosti výpočetních funkcí. | FeatureImportanceSettings |
| rysy | Funkce pro výpočet posunu. | MonitoringFeatureFilterBase |
| metricThresholds | [Povinné] Seznam metrik pro výpočet a jejich přidružené prahové hodnoty. | DataQualityMetricThresholdBase[] (povinné) |
| productionData | [Povinné] Data vytvořená produkční službou, pro která se bude počítat posun. | MonitoringInputDataBase (povinné) |
| referenceData | [Povinné] Data pro výpočet posunu. | MonitoringInputDataBase (povinné) |
DataQualityMonitoringSignalFeatureDataTypeOverride
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | Kategorický 'Numeric' |
DataQualityMetricThresholdBase
| Jméno | Popis | Hodnota |
|---|---|---|
| práh | Prahová hodnota. Pokud je hodnota null, nastaví se výchozí hodnota v závislosti na vybrané metrice. | MonitoringThreshold |
| Datatype | Nastavení typu objektu |
kategorické numerické (povinné) |
KategoricalDataQualityMetricThreshold
| Jméno | Popis | Hodnota |
|---|---|---|
| Datatype | [Povinné] Určuje datový typ prahové hodnoty metriky. | Kategorický (povinné) |
| metrický | [Povinné] Metrika kvality dat kategorií, která se má vypočítat. | DataTypeErrorRate NullValueRate OutOfBoundsRate (povinné) |
NumericDataQualityMetricThreshold
| Jméno | Popis | Hodnota |
|---|---|---|
| Datatype | [Povinné] Určuje datový typ prahové hodnoty metriky. | 'Numeric' (povinné) |
| metrický | [Povinné] Metrika kvality číselných dat, která se má vypočítat. | DataTypeErrorRate NullValueRate OutOfBoundsRate (povinné) |
FeatureAttributionDriftMonitoringSignal
| Jméno | Popis | Hodnota |
|---|---|---|
| signalType | [Povinné] Určuje typ signálu, který se má monitorovat. | FeatureAttributionDrift (povinné) |
| featureDataTypeOverride | Slovník, který mapuje názvy funkcí na příslušné datové typy. | FeatureAttributionDriftMonitoringSignalFeatureDataTy... |
| featureImportanceSettings | [Povinné] Nastavení důležitosti výpočetních funkcí. | FeatureImportanceSettings (povinné) |
| metricThreshold | [Povinné] Seznam metrik pro výpočet a jejich přidružené prahové hodnoty. | FeatureAttributionMetricThreshold (povinné) |
| productionData | [Povinné] Data, pro která se bude vypočítat posun. | MonitoringInputDataBase[] (povinné) |
| referenceData | [Povinné] Data pro výpočet posunu. | MonitoringInputDataBase (povinné) |
FeatureAttributionDriftMonitoringSignalFeatureDataTy...
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | Kategorický 'Numeric' |
FeatureAttributionMetricThreshold
| Jméno | Popis | Hodnota |
|---|---|---|
| metrický | [Povinné] Metrika přisuzování funkce k výpočtu. | NormaldDis cumulativeGain (povinné) |
| práh | Prahová hodnota. Pokud je hodnota null, nastaví se výchozí hodnota v závislosti na vybrané metrice. | MonitoringThreshold |
GenerationSafetyQualityMonitoringSignal
| Jméno | Popis | Hodnota |
|---|---|---|
| signalType | [Povinné] Určuje typ signálu, který se má monitorovat. | GenerationSafetyQuality (povinné) |
| metricThresholds | [Povinné] Získá nebo nastaví metriky pro výpočet a odpovídající prahové hodnoty. | GenerationSafetyQualityMetricThreshold[] (povinné) |
| productionData | Získá nebo nastaví produkční data pro výpočetní metriky. | MonitoringInputDataBase[] |
| vzorkovací rychlost | [Povinné] Vzorkovací frekvence produkčních dat by měla být větší než 0 a maximálně 1. | int (povinné) |
| workspaceConnectionId | Získá nebo nastaví ID připojení pracovního prostoru použité k připojení ke koncovému bodu generování obsahu. | řetězec |
GenerationSafetyQualityMetricThreshold
| Jméno | Popis | Hodnota |
|---|---|---|
| metrický | [Povinné] Získá nebo nastaví metriku přisuzování funkce pro výpočet. | "AcceptableCoherenceScorePerInstance" "AcceptableFluencyScorePerInstance" "AcceptableGroundednessScorePerInstance" Přijatelné relevanceScorePerInstance "PřijatelnéSimilarityScorePerInstance" AggregatedCoherencePassRate AggregatedFluencyPassRate AggregatedGroundednessPassRate AggregatedRelevancePassRate AggregatedSimilarityPassRate (povinné) |
| práh | Získá nebo nastaví prahovou hodnotu. Pokud je hodnota null, nastaví se výchozí hodnota v závislosti na vybrané metrice. |
MonitoringThreshold |
GenerationTokenUsageSignal
| Jméno | Popis | Hodnota |
|---|---|---|
| signalType | [Povinné] Určuje typ signálu, který se má monitorovat. | GenerationTokenStatistics (povinné) |
| metricThresholds | [Povinné] Získá nebo nastaví metriky pro výpočet a odpovídající prahové hodnoty. | GenerationTokenUsageMetricThreshold[] (povinné) |
| productionData | Získá nebo nastaví produkční data pro výpočetní metriky. | MonitoringInputDataBase[] |
| vzorkovací rychlost | [Povinné] Vzorkovací frekvence produkčních dat by měla být větší než 0 a maximálně 1. | int (povinné) |
GenerationTokenUsageMetricThreshold
| Jméno | Popis | Hodnota |
|---|---|---|
| metrický | [Povinné] Získá nebo nastaví metriku přisuzování funkce pro výpočet. | TotalTokenCount TotalTokenCountPerGroup (povinné) |
| práh | Získá nebo nastaví prahovou hodnotu. Pokud je hodnota null, nastaví se výchozí hodnota v závislosti na vybrané metrice. |
MonitoringThreshold |
ModelPerformanceSignal
| Jméno | Popis | Hodnota |
|---|---|---|
| signalType | [Povinné] Určuje typ signálu, který se má monitorovat. | ModelPerformance (povinné) |
| dataSegment | Datový segment. | MonitoringDataSegment |
| metricThreshold | [Povinné] Seznam metrik pro výpočet a jejich přidružené prahové hodnoty. | ModelPerformanceMetricThresholdBase (povinné) |
| productionData | [Povinné] Data vytvořená produkční službou, pro která se bude počítat výkon. | MonitoringInputDataBase[] (povinné) |
| referenceData | [Povinné] Referenční data použitá jako základ k výpočtu výkonu modelu. | MonitoringInputDataBase (povinné) |
ModelPerformanceMetricThresholdBase
| Jméno | Popis | Hodnota |
|---|---|---|
| práh | Prahová hodnota. Pokud je hodnota null, nastaví se výchozí hodnota v závislosti na vybrané metrice. | MonitoringThreshold |
| modelType | Nastavení typu objektu | klasifikace regrese (povinné) |
ClassificationModelPerformanceMetricThreshold
| Jméno | Popis | Hodnota |
|---|---|---|
| modelType | [Povinné] Určuje datový typ prahové hodnoty metriky. | Klasifikace (povinné) |
| metrický | [Povinné] Výkon klasifikačního modelu, který se má vypočítat. | Přesnost Přesnost Odvolání (povinné) |
RegressionModelPerformanceMetricThreshold
| Jméno | Popis | Hodnota |
|---|---|---|
| modelType | [Povinné] Určuje datový typ prahové hodnoty metriky. | Regrese (povinné) |
| metrický | [Povinné] Metrika výkonu regresního modelu, která se má vypočítat. | MeanAbsoluteError MeanSquaredError RootMeanSquaredError (povinné) |
PredictionDriftMonitoringSignal
| Jméno | Popis | Hodnota |
|---|---|---|
| signalType | [Povinné] Určuje typ signálu, který se má monitorovat. | PredictionDrift (povinné) |
| featureDataTypeOverride | Slovník, který mapuje názvy funkcí na příslušné datové typy. | PredictionDriftMonitoringSignalFeatureDataTypeOverri... |
| metricThresholds | [Povinné] Seznam metrik pro výpočet a jejich přidružené prahové hodnoty. | PredictionDriftMetricThresholdBase[] (povinné) |
| productionData | [Povinné] Data, pro která se bude vypočítat posun. | MonitoringInputDataBase (povinné) |
| referenceData | [Povinné] Data pro výpočet posunu. | MonitoringInputDataBase (povinné) |
PredictionDriftMonitoringSignalFeatureDataTypeOverri...
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | Kategorický 'Numeric' |
PredictionDriftMetricThresholdBase
| Jméno | Popis | Hodnota |
|---|---|---|
| práh | Prahová hodnota. Pokud je hodnota null, nastaví se výchozí hodnota v závislosti na vybrané metrice. | MonitoringThreshold |
| Datatype | Nastavení typu objektu |
kategorické numerické (povinné) |
CategoricalPredictionDriftMetricThreshold
| Jméno | Popis | Hodnota |
|---|---|---|
| Datatype | [Povinné] Určuje datový typ prahové hodnoty metriky. | Kategorický (povinné) |
| metrický | [Povinné] Metrika posunu predikce kategorií, která se má vypočítat. | JensenShannonDistance PearsonsChiSquaredTest PopulationStabilityIndex (povinné) |
NumericPredictionDriftMetricThreshold
| Jméno | Popis | Hodnota |
|---|---|---|
| Datatype | [Povinné] Určuje datový typ prahové hodnoty metriky. | 'Numeric' (povinné) |
| metrický | [Povinné] Metrika posunu číselné předpovědi, která se má vypočítat. | JensenShannonDistance NormalizedWassersteinDistance PopulationStabilityIndex TwoSampleKolmogorovSmirnovTest (povinné) |
ImportDataAction
| Jméno | Popis | Hodnota |
|---|---|---|
| actionType | [Povinné] Určuje typ akce plánu. | ImportData (povinné) |
| dataImportDefinition | [Povinné] Definuje podrobnosti definice plánovače akce. | dataImport (povinné) |
DataImport
| Jméno | Popis | Hodnota |
|---|---|---|
| assetName | Název prostředku pro úlohu importu dat, která se má vytvořit | řetězec |
| autoDeleteSetting | Určuje nastavení životního cyklu spravovaného datového prostředku. | AutoDeleteSetting |
| Datatype | [Povinné] Určuje typ dat. | "mltable" "uri_file" Uri_folder (povinné) |
| identifikátor dataURI | [Povinné] Identifikátor URI dat. Příklad: https://go.microsoft.com/fwlink/?linkid=2202330 |
string (povinné) Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] |
| popis | Text popisu prostředku. | řetězec |
| intellectualProperty | Podrobnosti o duševním vlastnictví. Používá se, pokud jsou data duševním vlastnictvím. | intellectualProperty |
| isAnonymous | Pokud je verze názvu vygenerovaná systémem (anonymní registrace). U typů, ve kterých je fáze definována, použije se k naplnění fáze IsAnonymous. | Bool |
| isArchived | Archivuje se asset? U typů, ve kterých je definována fáze, se při poskytnutí fáze použije k naplnění isArchived. | Bool |
| vlastnosti | Slovník vlastností assetu. | ResourceBaseProperties |
| zdroj | Zdrojová data prostředku, ze které chcete importovat | DataImportSource |
| etapa | Fáze životního cyklu dat přiřazeného k tomuto datovému assetu | řetězec |
| visačky | Označení slovníku Značky je možné přidávat, odebírat a aktualizovat. | objekt |
IntellectualProperty
| Jméno | Popis | Hodnota |
|---|---|---|
| protectionLevel | Úroveň ochrany duševního vlastnictví. | "Vše" None (Žádný) |
| vydavatel | [Povinné] Vydavatel duševního vlastnictví. Musí být stejný jako název vydavatele registru. | string (povinné) Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] |
DataImportSource
| Jméno | Popis | Hodnota |
|---|---|---|
| připojení | Připojení pracovního prostoru pro úložiště zdroje importu dat | řetězec |
| sourceType | Nastavení typu objektu |
databáze file_system (povinné) |
DatabaseSource
| Jméno | Popis | Hodnota |
|---|---|---|
| sourceType | [Povinné] Určuje typ dat. | "database" (povinné) |
| dotaz | Příkaz sql Query pro zdroj databáze importu dat | řetězec |
| storedProcedure | Sql StoredProcedure pro zdroj databáze importu dat | řetězec |
| storedProcedureParams | Parametry SQL StoredProcedure | DatabaseSourceStoredProcedureParamsItem[] |
| tableName | Název tabulky pro zdroj databáze importu dat | řetězec |
DatabaseSourceStoredProcedureParamsItem
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | řetězec |
FileSystemSource
| Jméno | Popis | Hodnota |
|---|---|---|
| sourceType | [Povinné] Určuje typ dat. | File_system (povinné) |
| cesta | Cesta ke zdroji FileSystem importu dat | řetězec |
EndpointScheduleAction
| Jméno | Popis | Hodnota |
|---|---|---|
| actionType | [Povinné] Určuje typ akce plánu. | InvokeBatchEndpoint (povinné) |
| endpointInvocationDefinition | [Povinné] Definuje podrobnosti definice plánovače akce. {see href="TBD" /} |
Pro Bicep můžete použít funkci any(). (povinné) |
TriggerBase
| Jméno | Popis | Hodnota |
|---|---|---|
| endTime | Určuje koncový čas plánu v ISO 8601, ale bez posunu UTC. Referenční https://en.wikipedia.org/wiki/ISO_8601.Formát recommented by byl "2022-06-01T00:00:01" Pokud není k dispozici, plán se spustí na neomezenou dobu. |
řetězec |
| startTime | Určuje počáteční čas plánu ve formátu ISO 8601, ale bez posunu UTC. | řetězec |
| timeZone | Určuje časové pásmo, ve kterém se plán spouští. TimeZone by měl dodržovat formát časového pásma Windows. Viz: /windows-hardware/manufacture/desktop/default-time-zones /> |
řetězec |
| triggerType | Nastavení typu objektu |
Cron opakování (povinné) |
CronTrigger
| Jméno | Popis | Hodnota |
|---|---|---|
| triggerType | [Povinné] | Cron (povinné) |
| výraz | [Povinné] Určuje výraz cron plánu. Výraz by měl následovat ve formátu NCronTab. |
string (povinné) Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] |
RecurrenceTrigger
RecurrenceSchedule
| Jméno | Popis | Hodnota |
|---|---|---|
| hodiny | [Povinné] Seznam hodin pro plán | int[] (povinné) |
| minuty | [Povinné] Seznam minut pro plán | int[] (povinné) |
| monthDays | Seznam dnů měsíce pro plán | int[] |
| všední dny | Seznam dnů pro plán | Řetězcové pole obsahující některou z těchto možností: "Pátek" "Pondělí" "Sobota" "Neděle" "Čtvrtek" "Úterý" "Středa" |
Definice prostředku šablony ARM
Typ prostředku pracovních prostorů/plánů je možné nasadit s operacemi, které cílí:
- skupiny prostředků – viz příkazy nasazení skupiny prostředků
Seznam změněných vlastností v jednotlivých verzích rozhraní API najdete v protokolu změn.
Formát prostředku
Pokud chcete vytvořit prostředek Microsoft.MachineLearningServices/workspaces/schedules, přidejte do šablony následující JSON.
{
"type": "Microsoft.MachineLearningServices/workspaces/schedules",
"apiVersion": "2024-01-01-preview",
"name": "string",
"properties": {
"action": {
"actionType": "string"
// For remaining properties, see ScheduleActionBase objects
},
"description": "string",
"displayName": "string",
"isEnabled": "bool",
"properties": {
"{customized property}": "string"
},
"tags": {},
"trigger": {
"endTime": "string",
"startTime": "string",
"timeZone": "string",
"triggerType": "string"
// For remaining properties, see TriggerBase objects
}
}
}
ScheduleActionBase – objekty
Nastavte actionType vlastnost určit typ objektu.
Pro CreateJobpoužijte:
"actionType": "CreateJob",
"jobDefinition": {
"componentId": "string",
"computeId": "string",
"description": "string",
"displayName": "string",
"experimentName": "string",
"identity": {
"identityType": "string"
// For remaining properties, see IdentityConfiguration objects
},
"isArchived": "bool",
"notificationSetting": {
"emailOn": [ "string" ],
"emails": [ "string" ],
"webhooks": {
"{customized property}": {
"eventType": "string",
"webhookType": "string"
// For remaining properties, see Webhook objects
}
}
},
"properties": {
"{customized property}": "string"
},
"secretsConfiguration": {
"{customized property}": {
"uri": "string",
"workspaceSecretName": "string"
}
},
"services": {
"{customized property}": {
"endpoint": "string",
"jobServiceType": "string",
"nodes": {
"nodesValueType": "string"
// For remaining properties, see Nodes objects
},
"port": "int",
"properties": {
"{customized property}": "string"
}
}
},
"tags": {},
"jobType": "string"
// For remaining properties, see JobBaseProperties objects
}
Pro CreateMonitorpoužijte:
"actionType": "CreateMonitor",
"monitorDefinition": {
"alertNotificationSettings": {
"emailNotificationSettings": {
"emails": [ "string" ]
}
},
"computeConfiguration": {
"computeType": "string"
// For remaining properties, see MonitorComputeConfigurationBase objects
},
"monitoringTarget": {
"deploymentId": "string",
"modelId": "string",
"taskType": "string"
},
"signals": {
"{customized property}": {
"notificationTypes": [ "string" ],
"properties": {
"{customized property}": "string"
},
"signalType": "string"
// For remaining properties, see MonitoringSignalBase objects
}
}
}
Pro ImportData použijte:
"actionType": "ImportData",
"dataImportDefinition": {
"assetName": "string",
"autoDeleteSetting": {
"condition": "string",
"value": "string"
},
"dataType": "string",
"dataUri": "string",
"description": "string",
"intellectualProperty": {
"protectionLevel": "string",
"publisher": "string"
},
"isAnonymous": "bool",
"isArchived": "bool",
"properties": {
"{customized property}": "string"
},
"source": {
"connection": "string",
"sourceType": "string"
// For remaining properties, see DataImportSource objects
},
"stage": "string",
"tags": {}
}
Pro InvokeBatchEndpointpoužijte:
"actionType": "InvokeBatchEndpoint",
"endpointInvocationDefinition": {}
Objekty JobBaseProperties
Nastavte vlastnost jobType určit typ objektu.
Pro AutoML použijte:
"jobType": "AutoML",
"environmentId": "string",
"environmentVariables": {
"{customized property}": "string"
},
"outputs": {
"{customized property}": {
"description": "string",
"jobOutputType": "string"
// For remaining properties, see JobOutput objects
}
},
"queueSettings": {
"jobTier": "string",
"priority": "int"
},
"resources": {
"dockerArgs": "string",
"instanceCount": "int",
"instanceType": "string",
"locations": [ "string" ],
"maxInstanceCount": "int",
"properties": {
"{customized property}": {}
},
"shmSize": "string"
},
"taskDetails": {
"logVerbosity": "string",
"targetColumnName": "string",
"trainingData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"pathOnCompute": "string",
"uri": "string"
},
"taskType": "string"
// For remaining properties, see AutoMLVertical objects
}
Vpříkazu
"jobType": "Command",
"autologgerSettings": {
"mlflowAutologger": "string"
},
"codeId": "string",
"command": "string",
"distribution": {
"distributionType": "string"
// For remaining properties, see DistributionConfiguration objects
},
"environmentId": "string",
"environmentVariables": {
"{customized property}": "string"
},
"inputs": {
"{customized property}": {
"description": "string",
"jobInputType": "string"
// For remaining properties, see JobInput objects
}
},
"limits": {
"jobLimitsType": "string",
"timeout": "string"
},
"outputs": {
"{customized property}": {
"description": "string",
"jobOutputType": "string"
// For remaining properties, see JobOutput objects
}
},
"queueSettings": {
"jobTier": "string",
"priority": "int"
},
"resources": {
"dockerArgs": "string",
"instanceCount": "int",
"instanceType": "string",
"locations": [ "string" ],
"maxInstanceCount": "int",
"properties": {
"{customized property}": {}
},
"shmSize": "string"
}
Pro FineTuning použijte:
"jobType": "FineTuning",
"fineTuningDetails": {
"model": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"pathOnCompute": "string",
"uri": "string"
},
"taskType": "string",
"trainingData": {
"description": "string",
"jobInputType": "string"
// For remaining properties, see JobInput objects
},
"validationData": {
"description": "string",
"jobInputType": "string"
// For remaining properties, see JobInput objects
},
"modelProvider": "string"
// For remaining properties, see FineTuningVertical objects
},
"outputs": {
"{customized property}": {
"description": "string",
"jobOutputType": "string"
// For remaining properties, see JobOutput objects
}
}
Pro popiskypoužijte:
"jobType": "Labeling",
"dataConfiguration": {
"dataId": "string",
"incrementalDataRefresh": "string"
},
"jobInstructions": {
"uri": "string"
},
"labelCategories": {
"{customized property}": {
"classes": {
"{customized property}": {
"displayName": "string",
"subclasses": {
"{customized property}": {}
}
},
"displayName": "string",
"multiSelect": "string"
}
},
"labelingJobMediaProperties": {
"mediaType": "string"
// For remaining properties, see LabelingJobMediaProperties objects
},
"mlAssistConfiguration": {
"mlAssist": "string"
// For remaining properties, see MLAssistConfiguration objects
}
Prokanálu
"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"
Pro Sparkpoužijte:
"jobType": "Spark",
"archives": [ "string" ],
"args": "string",
"codeId": "string",
"conf": {
"{customized property}": "string"
},
"entry": {
"sparkJobEntryType": "string"
// For remaining properties, see SparkJobEntry objects
},
"environmentId": "string",
"environmentVariables": {
"{customized property}": "string"
},
"files": [ "string" ],
"inputs": {
"{customized property}": {
"description": "string",
"jobInputType": "string"
// For remaining properties, see JobInput objects
}
},
"jars": [ "string" ],
"outputs": {
"{customized property}": {
"description": "string",
"jobOutputType": "string"
// For remaining properties, see JobOutput objects
}
},
"pyFiles": [ "string" ],
"queueSettings": {
"jobTier": "string",
"priority": "int"
},
"resources": {
"instanceType": "string",
"runtimeVersion": "string"
}
Pro Ukliditpoužijte:
"jobType": "Sweep",
"componentConfiguration": {
"pipelineSettings": {}
},
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"inputs": {
"{customized property}": {
"description": "string",
"jobInputType": "string"
// For remaining properties, see JobInput objects
}
},
"limits": {
"jobLimitsType": "string",
"maxConcurrentTrials": "int",
"maxTotalTrials": "int",
"timeout": "string",
"trialTimeout": "string"
},
"objective": {
"goal": "string",
"primaryMetric": "string"
},
"outputs": {
"{customized property}": {
"description": "string",
"jobOutputType": "string"
// For remaining properties, see JobOutput objects
}
},
"queueSettings": {
"jobTier": "string",
"priority": "int"
},
"resources": {
"dockerArgs": "string",
"instanceCount": "int",
"instanceType": "string",
"locations": [ "string" ],
"maxInstanceCount": "int",
"properties": {
"{customized property}": {}
},
"shmSize": "string"
},
"samplingAlgorithm": {
"samplingAlgorithmType": "string"
// For remaining properties, see SamplingAlgorithm objects
},
"searchSpace": {},
"trial": {
"codeId": "string",
"command": "string",
"distribution": {
"distributionType": "string"
// For remaining properties, see DistributionConfiguration objects
},
"environmentId": "string",
"environmentVariables": {
"{customized property}": "string"
},
"resources": {
"dockerArgs": "string",
"instanceCount": "int",
"instanceType": "string",
"locations": [ "string" ],
"maxInstanceCount": "int",
"properties": {
"{customized property}": {}
},
"shmSize": "string"
}
}
Objekty IdentityConfiguration
Nastavte vlastnost identityType určit typ objektu.
Pro AMLToken použijte:
"identityType": "AMLToken"
Pro spravovanépoužijte:
"identityType": "Managed",
"clientId": "string",
"objectId": "string",
"resourceId": "string"
Pro userIdentitypoužijte:
"identityType": "UserIdentity"
Objekty Webhooku
Nastavte webhookType vlastnost určit typ objektu.
Pro AzureDevOpspoužijte:
"webhookType": "AzureDevOps"
Uzly – objekty
Nastavte vlastnost nodesValueType určit typ objektu.
Pro Všechnypoužijte:
"nodesValueType": "All"
Objekty JobOutput
Nastavte jobOutputType vlastnost určit typ objektu.
Pro custom_modelpoužijte:
"jobOutputType": "custom_model",
"assetName": "string",
"assetVersion": "string",
"autoDeleteSetting": {
"condition": "string",
"value": "string"
},
"mode": "string",
"pathOnCompute": "string",
"uri": "string"
Pro mlflow_modelpoužijte:
"jobOutputType": "mlflow_model",
"assetName": "string",
"assetVersion": "string",
"autoDeleteSetting": {
"condition": "string",
"value": "string"
},
"mode": "string",
"pathOnCompute": "string",
"uri": "string"
Pro mltable použijte:
"jobOutputType": "mltable",
"assetName": "string",
"assetVersion": "string",
"autoDeleteSetting": {
"condition": "string",
"value": "string"
},
"mode": "string",
"pathOnCompute": "string",
"uri": "string"
Pro triton_modelpoužijte:
"jobOutputType": "triton_model",
"assetName": "string",
"assetVersion": "string",
"autoDeleteSetting": {
"condition": "string",
"value": "string"
},
"mode": "string",
"pathOnCompute": "string",
"uri": "string"
Pro uri_filepoužijte:
"jobOutputType": "uri_file",
"assetName": "string",
"assetVersion": "string",
"autoDeleteSetting": {
"condition": "string",
"value": "string"
},
"mode": "string",
"pathOnCompute": "string",
"uri": "string"
Pro uri_folderpoužijte:
"jobOutputType": "uri_folder",
"assetName": "string",
"assetVersion": "string",
"autoDeleteSetting": {
"condition": "string",
"value": "string"
},
"mode": "string",
"pathOnCompute": "string",
"uri": "string"
Objekty AutoMLVertical
Nastavte vlastnost taskType určit typ objektu.
Pro Klasifikacepoužijte:
"taskType": "Classification",
"cvSplitColumnNames": [ "string" ],
"featurizationSettings": {
"blockedTransformers": [ "string" ],
"columnNameAndTypes": {
"{customized property}": "string"
},
"datasetLanguage": "string",
"enableDnnFeaturization": "bool",
"mode": "string",
"transformerParams": {
"{customized property}": [
{
"fields": [ "string" ],
"parameters": {}
}
]
}
},
"fixedParameters": {
"booster": "string",
"boostingType": "string",
"growPolicy": "string",
"learningRate": "int",
"maxBin": "int",
"maxDepth": "int",
"maxLeaves": "int",
"minDataInLeaf": "int",
"minSplitGain": "int",
"modelName": "string",
"nEstimators": "int",
"numLeaves": "int",
"preprocessorName": "string",
"regAlpha": "int",
"regLambda": "int",
"subsample": "int",
"subsampleFreq": "int",
"treeMethod": "string",
"withMean": "bool",
"withStd": "bool"
},
"limitSettings": {
"enableEarlyTermination": "bool",
"exitScore": "int",
"maxConcurrentTrials": "int",
"maxCoresPerTrial": "int",
"maxNodes": "int",
"maxTrials": "int",
"sweepConcurrentTrials": "int",
"sweepTrials": "int",
"timeout": "string",
"trialTimeout": "string"
},
"nCrossValidations": {
"mode": "string"
// For remaining properties, see NCrossValidations objects
},
"positiveLabel": "string",
"primaryMetric": "string",
"searchSpace": [
{
"booster": "string",
"boostingType": "string",
"growPolicy": "string",
"learningRate": "string",
"maxBin": "string",
"maxDepth": "string",
"maxLeaves": "string",
"minDataInLeaf": "string",
"minSplitGain": "string",
"modelName": "string",
"nEstimators": "string",
"numLeaves": "string",
"preprocessorName": "string",
"regAlpha": "string",
"regLambda": "string",
"subsample": "string",
"subsampleFreq": "string",
"treeMethod": "string",
"withMean": "string",
"withStd": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"samplingAlgorithm": "string"
},
"testData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"pathOnCompute": "string",
"uri": "string"
},
"testDataSize": "int",
"trainingSettings": {
"allowedTrainingAlgorithms": [ "string" ],
"blockedTrainingAlgorithms": [ "string" ],
"enableDnnTraining": "bool",
"enableModelExplainability": "bool",
"enableOnnxCompatibleModels": "bool",
"enableStackEnsemble": "bool",
"enableVoteEnsemble": "bool",
"ensembleModelDownloadTimeout": "string",
"stackEnsembleSettings": {
"stackMetaLearnerKWargs": {},
"stackMetaLearnerTrainPercentage": "int",
"stackMetaLearnerType": "string"
},
"trainingMode": "string"
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"pathOnCompute": "string",
"uri": "string"
},
"validationDataSize": "int",
"weightColumnName": "string"
Pro prognózy použijte:
"taskType": "Forecasting",
"cvSplitColumnNames": [ "string" ],
"featurizationSettings": {
"blockedTransformers": [ "string" ],
"columnNameAndTypes": {
"{customized property}": "string"
},
"datasetLanguage": "string",
"enableDnnFeaturization": "bool",
"mode": "string",
"transformerParams": {
"{customized property}": [
{
"fields": [ "string" ],
"parameters": {}
}
]
}
},
"fixedParameters": {
"booster": "string",
"boostingType": "string",
"growPolicy": "string",
"learningRate": "int",
"maxBin": "int",
"maxDepth": "int",
"maxLeaves": "int",
"minDataInLeaf": "int",
"minSplitGain": "int",
"modelName": "string",
"nEstimators": "int",
"numLeaves": "int",
"preprocessorName": "string",
"regAlpha": "int",
"regLambda": "int",
"subsample": "int",
"subsampleFreq": "int",
"treeMethod": "string",
"withMean": "bool",
"withStd": "bool"
},
"forecastingSettings": {
"countryOrRegionForHolidays": "string",
"cvStepSize": "int",
"featureLags": "string",
"featuresUnknownAtForecastTime": [ "string" ],
"forecastHorizon": {
"mode": "string"
// For remaining properties, see ForecastHorizon objects
},
"frequency": "string",
"seasonality": {
"mode": "string"
// For remaining properties, see Seasonality objects
},
"shortSeriesHandlingConfig": "string",
"targetAggregateFunction": "string",
"targetLags": {
"mode": "string"
// For remaining properties, see TargetLags objects
},
"targetRollingWindowSize": {
"mode": "string"
// For remaining properties, see TargetRollingWindowSize objects
},
"timeColumnName": "string",
"timeSeriesIdColumnNames": [ "string" ],
"useStl": "string"
},
"limitSettings": {
"enableEarlyTermination": "bool",
"exitScore": "int",
"maxConcurrentTrials": "int",
"maxCoresPerTrial": "int",
"maxNodes": "int",
"maxTrials": "int",
"sweepConcurrentTrials": "int",
"sweepTrials": "int",
"timeout": "string",
"trialTimeout": "string"
},
"nCrossValidations": {
"mode": "string"
// For remaining properties, see NCrossValidations objects
},
"primaryMetric": "string",
"searchSpace": [
{
"booster": "string",
"boostingType": "string",
"growPolicy": "string",
"learningRate": "string",
"maxBin": "string",
"maxDepth": "string",
"maxLeaves": "string",
"minDataInLeaf": "string",
"minSplitGain": "string",
"modelName": "string",
"nEstimators": "string",
"numLeaves": "string",
"preprocessorName": "string",
"regAlpha": "string",
"regLambda": "string",
"subsample": "string",
"subsampleFreq": "string",
"treeMethod": "string",
"withMean": "string",
"withStd": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"samplingAlgorithm": "string"
},
"testData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"pathOnCompute": "string",
"uri": "string"
},
"testDataSize": "int",
"trainingSettings": {
"allowedTrainingAlgorithms": [ "string" ],
"blockedTrainingAlgorithms": [ "string" ],
"enableDnnTraining": "bool",
"enableModelExplainability": "bool",
"enableOnnxCompatibleModels": "bool",
"enableStackEnsemble": "bool",
"enableVoteEnsemble": "bool",
"ensembleModelDownloadTimeout": "string",
"stackEnsembleSettings": {
"stackMetaLearnerKWargs": {},
"stackMetaLearnerTrainPercentage": "int",
"stackMetaLearnerType": "string"
},
"trainingMode": "string"
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"pathOnCompute": "string",
"uri": "string"
},
"validationDataSize": "int",
"weightColumnName": "string"
Pro ImageClassificationpoužijte:
"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",
"pathOnCompute": "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",
"pathOnCompute": "string",
"uri": "string"
},
"validationDataSize": "int"
Pro ImageClassificationMultilabelpoužijte:
"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",
"pathOnCompute": "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",
"pathOnCompute": "string",
"uri": "string"
},
"validationDataSize": "int"
Pro ImageInstanceSegmentationpoužijte:
"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",
"pathOnCompute": "string",
"uri": "string"
},
"checkpointRunId": "string",
"distributed": "bool",
"earlyStopping": "bool",
"earlyStoppingDelay": "int",
"earlyStoppingPatience": "int",
"enableOnnxNormalization": "bool",
"evaluationFrequency": "int",
"gradientAccumulationStep": "int",
"imageSize": "int",
"layersToFreeze": "int",
"learningRate": "int",
"learningRateScheduler": "string",
"logTrainingMetrics": "string",
"logValidationLoss": "string",
"maxSize": "int",
"minSize": "int",
"modelName": "string",
"modelSize": "string",
"momentum": "int",
"multiScale": "bool",
"nesterov": "bool",
"nmsIouThreshold": "int",
"numberOfEpochs": "int",
"numberOfWorkers": "int",
"optimizer": "string",
"randomSeed": "int",
"stepLRGamma": "int",
"stepLRStepSize": "int",
"tileGridSize": "string",
"tileOverlapRatio": "int",
"tilePredictionsNmsThreshold": "int",
"trainingBatchSize": "int",
"validationBatchSize": "int",
"validationIouThreshold": "int",
"validationMetricType": "string",
"warmupCosineLRCycles": "int",
"warmupCosineLRWarmupEpochs": "int",
"weightDecay": "int"
},
"primaryMetric": "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",
"pathOnCompute": "string",
"uri": "string"
},
"validationDataSize": "int"
Pro ImageObjectDetectionpoužijte:
"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",
"pathOnCompute": "string",
"uri": "string"
},
"checkpointRunId": "string",
"distributed": "bool",
"earlyStopping": "bool",
"earlyStoppingDelay": "int",
"earlyStoppingPatience": "int",
"enableOnnxNormalization": "bool",
"evaluationFrequency": "int",
"gradientAccumulationStep": "int",
"imageSize": "int",
"layersToFreeze": "int",
"learningRate": "int",
"learningRateScheduler": "string",
"logTrainingMetrics": "string",
"logValidationLoss": "string",
"maxSize": "int",
"minSize": "int",
"modelName": "string",
"modelSize": "string",
"momentum": "int",
"multiScale": "bool",
"nesterov": "bool",
"nmsIouThreshold": "int",
"numberOfEpochs": "int",
"numberOfWorkers": "int",
"optimizer": "string",
"randomSeed": "int",
"stepLRGamma": "int",
"stepLRStepSize": "int",
"tileGridSize": "string",
"tileOverlapRatio": "int",
"tilePredictionsNmsThreshold": "int",
"trainingBatchSize": "int",
"validationBatchSize": "int",
"validationIouThreshold": "int",
"validationMetricType": "string",
"warmupCosineLRCycles": "int",
"warmupCosineLRWarmupEpochs": "int",
"weightDecay": "int"
},
"primaryMetric": "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",
"pathOnCompute": "string",
"uri": "string"
},
"validationDataSize": "int"
Pro regresnípoužijte:
"taskType": "Regression",
"cvSplitColumnNames": [ "string" ],
"featurizationSettings": {
"blockedTransformers": [ "string" ],
"columnNameAndTypes": {
"{customized property}": "string"
},
"datasetLanguage": "string",
"enableDnnFeaturization": "bool",
"mode": "string",
"transformerParams": {
"{customized property}": [
{
"fields": [ "string" ],
"parameters": {}
}
]
}
},
"fixedParameters": {
"booster": "string",
"boostingType": "string",
"growPolicy": "string",
"learningRate": "int",
"maxBin": "int",
"maxDepth": "int",
"maxLeaves": "int",
"minDataInLeaf": "int",
"minSplitGain": "int",
"modelName": "string",
"nEstimators": "int",
"numLeaves": "int",
"preprocessorName": "string",
"regAlpha": "int",
"regLambda": "int",
"subsample": "int",
"subsampleFreq": "int",
"treeMethod": "string",
"withMean": "bool",
"withStd": "bool"
},
"limitSettings": {
"enableEarlyTermination": "bool",
"exitScore": "int",
"maxConcurrentTrials": "int",
"maxCoresPerTrial": "int",
"maxNodes": "int",
"maxTrials": "int",
"sweepConcurrentTrials": "int",
"sweepTrials": "int",
"timeout": "string",
"trialTimeout": "string"
},
"nCrossValidations": {
"mode": "string"
// For remaining properties, see NCrossValidations objects
},
"primaryMetric": "string",
"searchSpace": [
{
"booster": "string",
"boostingType": "string",
"growPolicy": "string",
"learningRate": "string",
"maxBin": "string",
"maxDepth": "string",
"maxLeaves": "string",
"minDataInLeaf": "string",
"minSplitGain": "string",
"modelName": "string",
"nEstimators": "string",
"numLeaves": "string",
"preprocessorName": "string",
"regAlpha": "string",
"regLambda": "string",
"subsample": "string",
"subsampleFreq": "string",
"treeMethod": "string",
"withMean": "string",
"withStd": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"samplingAlgorithm": "string"
},
"testData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"pathOnCompute": "string",
"uri": "string"
},
"testDataSize": "int",
"trainingSettings": {
"allowedTrainingAlgorithms": [ "string" ],
"blockedTrainingAlgorithms": [ "string" ],
"enableDnnTraining": "bool",
"enableModelExplainability": "bool",
"enableOnnxCompatibleModels": "bool",
"enableStackEnsemble": "bool",
"enableVoteEnsemble": "bool",
"ensembleModelDownloadTimeout": "string",
"stackEnsembleSettings": {
"stackMetaLearnerKWargs": {},
"stackMetaLearnerTrainPercentage": "int",
"stackMetaLearnerType": "string"
},
"trainingMode": "string"
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"pathOnCompute": "string",
"uri": "string"
},
"validationDataSize": "int",
"weightColumnName": "string"
Pro TextClassification použijte:
"taskType": "TextClassification",
"featurizationSettings": {
"datasetLanguage": "string"
},
"fixedParameters": {
"gradientAccumulationSteps": "int",
"learningRate": "int",
"learningRateScheduler": "string",
"modelName": "string",
"numberOfEpochs": "int",
"trainingBatchSize": "int",
"validationBatchSize": "int",
"warmupRatio": "int",
"weightDecay": "int"
},
"limitSettings": {
"maxConcurrentTrials": "int",
"maxNodes": "int",
"maxTrials": "int",
"timeout": "string",
"trialTimeout": "string"
},
"primaryMetric": "string",
"searchSpace": [
{
"gradientAccumulationSteps": "string",
"learningRate": "string",
"learningRateScheduler": "string",
"modelName": "string",
"numberOfEpochs": "string",
"trainingBatchSize": "string",
"validationBatchSize": "string",
"warmupRatio": "string",
"weightDecay": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"samplingAlgorithm": "string"
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"pathOnCompute": "string",
"uri": "string"
}
Pro TextClassificationMultilabelpoužijte:
"taskType": "TextClassificationMultilabel",
"featurizationSettings": {
"datasetLanguage": "string"
},
"fixedParameters": {
"gradientAccumulationSteps": "int",
"learningRate": "int",
"learningRateScheduler": "string",
"modelName": "string",
"numberOfEpochs": "int",
"trainingBatchSize": "int",
"validationBatchSize": "int",
"warmupRatio": "int",
"weightDecay": "int"
},
"limitSettings": {
"maxConcurrentTrials": "int",
"maxNodes": "int",
"maxTrials": "int",
"timeout": "string",
"trialTimeout": "string"
},
"searchSpace": [
{
"gradientAccumulationSteps": "string",
"learningRate": "string",
"learningRateScheduler": "string",
"modelName": "string",
"numberOfEpochs": "string",
"trainingBatchSize": "string",
"validationBatchSize": "string",
"warmupRatio": "string",
"weightDecay": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"samplingAlgorithm": "string"
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"pathOnCompute": "string",
"uri": "string"
}
Pro TextNERpoužijte:
"taskType": "TextNER",
"featurizationSettings": {
"datasetLanguage": "string"
},
"fixedParameters": {
"gradientAccumulationSteps": "int",
"learningRate": "int",
"learningRateScheduler": "string",
"modelName": "string",
"numberOfEpochs": "int",
"trainingBatchSize": "int",
"validationBatchSize": "int",
"warmupRatio": "int",
"weightDecay": "int"
},
"limitSettings": {
"maxConcurrentTrials": "int",
"maxNodes": "int",
"maxTrials": "int",
"timeout": "string",
"trialTimeout": "string"
},
"searchSpace": [
{
"gradientAccumulationSteps": "string",
"learningRate": "string",
"learningRateScheduler": "string",
"modelName": "string",
"numberOfEpochs": "string",
"trainingBatchSize": "string",
"validationBatchSize": "string",
"warmupRatio": "string",
"weightDecay": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"samplingAlgorithm": "string"
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"pathOnCompute": "string",
"uri": "string"
}
NCrossValidations – objekty
Nastavte režim vlastnost určit typ objektu.
Pro Automaticképoužijte:
"mode": "Auto"
Pro Vlastnípoužijte:
"mode": "Custom",
"value": "int"
EarlyTerminationPolicy – objekty
Nastavte vlastnost policyType určit typ objektu.
Pro banditpoužijte:
"policyType": "Bandit",
"slackAmount": "int",
"slackFactor": "int"
Pro MedianS stop, použijte:
"policyType": "MedianStopping"
Pro TruncationSelectionpoužijte:
"policyType": "TruncationSelection",
"truncationPercentage": "int"
ForecastHorizon – objekty
Nastavte režim vlastnost určit typ objektu.
Pro Automaticképoužijte:
"mode": "Auto"
Pro Vlastnípoužijte:
"mode": "Custom",
"value": "int"
Objekty sezónnosti
Nastavte režim vlastnost určit typ objektu.
Pro Automaticképoužijte:
"mode": "Auto"
Pro Vlastnípoužijte:
"mode": "Custom",
"value": "int"
TargetLags – objekty
Nastavte režim vlastnost určit typ objektu.
Pro Automaticképoužijte:
"mode": "Auto"
Pro Vlastnípoužijte:
"mode": "Custom",
"values": [ "int" ]
TargetRollingWindowSize – objekty
Nastavte režim vlastnost určit typ objektu.
Pro Automaticképoužijte:
"mode": "Auto"
Pro Vlastnípoužijte:
"mode": "Custom",
"value": "int"
Objekty DistributionConfiguration
Nastavte distributionType vlastnost určit typ objektu.
Pro mpipoužijte:
"distributionType": "Mpi",
"processCountPerInstance": "int"
Pro PyTorchpoužijte:
"distributionType": "PyTorch",
"processCountPerInstance": "int"
Pro Raypoužijte:
"distributionType": "Ray",
"address": "string",
"dashboardPort": "int",
"headNodeAdditionalArgs": "string",
"includeDashboard": "bool",
"port": "int",
"workerNodeAdditionalArgs": "string"
Pro TensorFlowpoužijte:
"distributionType": "TensorFlow",
"parameterServerCount": "int",
"workerCount": "int"
Objekty JobInput
Nastavte jobInputType vlastnost určit typ objektu.
Pro custom_modelpoužijte:
"jobInputType": "custom_model",
"mode": "string",
"pathOnCompute": "string",
"uri": "string"
Pro literálpoužijte:
"jobInputType": "literal",
"value": "string"
Pro mlflow_modelpoužijte:
"jobInputType": "mlflow_model",
"mode": "string",
"pathOnCompute": "string",
"uri": "string"
Pro mltable použijte:
"jobInputType": "mltable",
"mode": "string",
"pathOnCompute": "string",
"uri": "string"
Pro triton_modelpoužijte:
"jobInputType": "triton_model",
"mode": "string",
"pathOnCompute": "string",
"uri": "string"
Pro uri_filepoužijte:
"jobInputType": "uri_file",
"mode": "string",
"pathOnCompute": "string",
"uri": "string"
Pro uri_folderpoužijte:
"jobInputType": "uri_folder",
"mode": "string",
"pathOnCompute": "string",
"uri": "string"
FineTuningVertical – objekty
Nastavte modelProvider vlastnost určit typ objektu.
Pro azureOpenAIpoužijte:
"modelProvider": "AzureOpenAI",
"hyperParameters": {
"batchSize": "int",
"learningRateMultiplier": "int",
"nEpochs": "int"
}
Pro Vlastnípoužijte:
"modelProvider": "Custom",
"hyperParameters": {
"{customized property}": "string"
}
Objekty LabelingJobMediaProperties
Nastavte mediaType vlastnost určit typ objektu.
Pro imagepoužijte:
"mediaType": "Image",
"annotationType": "string"
Pro Textovépoužijte:
"mediaType": "Text",
"annotationType": "string"
MLAssistConfiguration – objekty
Nastavte mlAssist vlastnost určit typ objektu.
Pro Zakázánopoužijte:
"mlAssist": "Disabled"
Pro Povolenopoužijte:
"mlAssist": "Enabled",
"inferencingComputeBinding": "string",
"trainingComputeBinding": "string"
Objekty SparkJobEntry
Nastavte sparkJobEntryType vlastnost určit typ objektu.
Pro SparkJobPythonEntrypoužijte:
"sparkJobEntryType": "SparkJobPythonEntry",
"file": "string"
Pro SparkJobScalaEntrypoužijte:
"sparkJobEntryType": "SparkJobScalaEntry",
"className": "string"
Objekty SamplingAlgorithm
Nastavte samplingAlgorithmType vlastnost určit typ objektu.
Pro Bayesianpoužijte:
"samplingAlgorithmType": "Bayesian"
Pro Gridpoužijte:
"samplingAlgorithmType": "Grid"
Pro Náhodnépoužijte:
"samplingAlgorithmType": "Random",
"logbase": "string",
"rule": "string",
"seed": "int"
Objekty MonitorComputeConfigurationBase
Nastavte computeType vlastnost určit typ objektu.
Pro serverlessSparkpoužijte:
"computeType": "ServerlessSpark",
"computeIdentity": {
"computeIdentityType": "string"
// For remaining properties, see MonitorComputeIdentityBase objects
},
"instanceType": "string",
"runtimeVersion": "string"
MonitorComputeIdentityBase – objekty
Nastavte computeIdentityType vlastnost určit typ objektu.
Pro AmlToken použijte:
"computeIdentityType": "AmlToken"
Pro managedIdentitypoužijte:
"computeIdentityType": "ManagedIdentity",
"identity": {
"type": "string",
"userAssignedIdentities": {
"{customized property}": {}
}
}
MonitoringSignalBase – objekty
Nastavte signalType vlastnost určit typ objektu.
Pro Vlastnípoužijte:
"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"
}
}
],
"workspaceConnection": {
"environmentVariables": {
"{customized property}": "string"
},
"secrets": {
"{customized property}": "string"
}
}
Pro DataDrift použijte:
"signalType": "DataDrift",
"dataSegment": {
"feature": "string",
"values": [ "string" ]
},
"featureDataTypeOverride": {
"{customized property}": "string"
},
"featureImportanceSettings": {
"mode": "string",
"targetColumn": "string"
},
"features": {
"filterType": "string"
// For remaining properties, see MonitoringFeatureFilterBase objects
},
"metricThresholds": [
{
"threshold": {
"value": "int"
},
"dataType": "string"
// For remaining properties, see DataDriftMetricThresholdBase objects
}
],
"productionData": {
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
},
"referenceData": {
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
}
Pro DataQualitypoužijte:
"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
}
Pro FeatureAttributionDriftpoužijte:
"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
}
Pro GenerationSafetyQualitypoužijte:
"signalType": "GenerationSafetyQuality",
"metricThresholds": [
{
"metric": "string",
"threshold": {
"value": "int"
}
}
],
"productionData": [
{
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
}
],
"samplingRate": "int",
"workspaceConnectionId": "string"
Pro GenerationTokenStatisticspoužijte:
"signalType": "GenerationTokenStatistics",
"metricThresholds": [
{
"metric": "string",
"threshold": {
"value": "int"
}
}
],
"productionData": [
{
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
}
],
"samplingRate": "int"
Pro ModelPerformancepoužijte:
"signalType": "ModelPerformance",
"dataSegment": {
"feature": "string",
"values": [ "string" ]
},
"metricThreshold": {
"threshold": {
"value": "int"
},
"modelType": "string"
// For remaining properties, see ModelPerformanceMetricThresholdBase objects
},
"productionData": [
{
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
}
],
"referenceData": {
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
}
Pro PredictionDriftpoužijte:
"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 – objekty
Nastavte inputDataType vlastnost určit typ objektu.
Pro Pevnépoužijte:
"inputDataType": "Fixed"
Pro Rollingpoužijte:
"inputDataType": "Rolling",
"preprocessingComponentId": "string",
"windowOffset": "string",
"windowSize": "string"
Pro Staticpoužijte:
"inputDataType": "Static",
"preprocessingComponentId": "string",
"windowEnd": "string",
"windowStart": "string"
MonitoringFeatureFilterBase – objekty
Nastavte filterType vlastnost určit typ objektu.
Pro AllFeatures použijte:
"filterType": "AllFeatures"
Pro FeatureSubsetpoužijte:
"filterType": "FeatureSubset",
"features": [ "string" ]
Pro TopNByAttributionpoužijte:
"filterType": "TopNByAttribution",
"top": "int"
Objekty DataDriftMetricThresholdBase
Nastavte vlastnost dataType určit typ objektu.
Pro kategorickýpoužijte:
"dataType": "Categorical",
"metric": "string"
Pro Číselnýpoužijte:
"dataType": "Numerical",
"metric": "string"
Objekty DataQualityMetricThresholdBase
Nastavte vlastnost dataType určit typ objektu.
Pro kategorickýpoužijte:
"dataType": "Categorical",
"metric": "string"
Pro Číselnýpoužijte:
"dataType": "Numerical",
"metric": "string"
ModelPerformanceMetricThresholdBase – objekty
Nastavte modelType vlastnost určit typ objektu.
Pro Klasifikacepoužijte:
"modelType": "Classification",
"metric": "string"
Pro regresnípoužijte:
"modelType": "Regression",
"metric": "string"
PredictionDriftMetricThresholdBase – objekty
Nastavte vlastnost dataType určit typ objektu.
Pro kategorickýpoužijte:
"dataType": "Categorical",
"metric": "string"
Pro Číselnýpoužijte:
"dataType": "Numerical",
"metric": "string"
Objekty DataImportSource
Nastavte vlastnost sourceType určit typ objektu.
Prodatabáze
"sourceType": "database",
"query": "string",
"storedProcedure": "string",
"storedProcedureParams": [
{
"{customized property}": "string"
}
],
"tableName": "string"
Pro file_systempoužijte:
"sourceType": "file_system",
"path": "string"
Objekty TriggerBase
Nastavte vlastnost triggerType určit typ objektu.
Pro Cronpoužijte:
"triggerType": "Cron",
"expression": "string"
Pro opakovánípoužijte:
"triggerType": "Recurrence",
"frequency": "string",
"interval": "int",
"schedule": {
"hours": [ "int" ],
"minutes": [ "int" ],
"monthDays": [ "int" ],
"weekDays": [ "string" ]
}
Hodnoty vlastností
pracovní prostory/plány
| Jméno | Popis | Hodnota |
|---|---|---|
| typ | Typ prostředku | Microsoft.MachineLearningServices/workspaces/schedules |
| apiVersion | Verze rozhraní API prostředku | 2024-01-01-preview |
| Jméno | Název prostředku Podívejte se, jak nastavit názvy a typy podřízených prostředků v šablonách JSON ARM. |
string (povinné) |
| vlastnosti | [Povinné] Další atributy entity. | ScheduleProperties (povinné) |
ScheduleProperties
| Jméno | Popis | Hodnota |
|---|---|---|
| akce | [Povinné] Určuje akci plánu. | ScheduleActionBase (povinné) |
| popis | Text popisu prostředku. | řetězec |
| displayName | Zobrazovaný název plánu | řetězec |
| isEnabled | Je plán povolený? | Bool |
| vlastnosti | Slovník vlastností assetu. | ResourceBaseProperties |
| visačky | Označení slovníku Značky je možné přidávat, odebírat a aktualizovat. | objekt |
| spoušť | [Povinné] Určuje podrobnosti o triggeru. | triggerBase (povinné) |
ScheduleActionBase
| Jméno | Popis | Hodnota |
|---|---|---|
| actionType | Nastavení typu objektu |
createjob CreateMonitor ImportData InvokeBatchEndpoint (povinné) |
JobScheduleAction
| Jméno | Popis | Hodnota |
|---|---|---|
| actionType | [Povinné] Určuje typ akce plánu. | CreateJob (povinné) |
| jobDefinition | [Povinné] Definuje podrobnosti definice plánovače akce. | JobBaseProperties (povinné) |
JobBaseProperties
| Jméno | Popis | Hodnota |
|---|---|---|
| componentId | ID prostředku ARM prostředku komponenty | řetězec |
| computeId | ID prostředku ARM výpočetního prostředku | řetězec |
| popis | Text popisu prostředku. | řetězec |
| displayName | Zobrazovaný název úlohy. | řetězec |
| experimentName | Název experimentu, do které úloha patří. Pokud není nastavená, úloha se umístí do výchozího experimentu. | řetězec |
| identita | Konfigurace identity. Pokud je tato možnost nastavená, měla by to být jedna z AmlToken, ManagedIdentity, UserIdentity nebo null. Výchozí hodnota AmlToken, pokud má hodnotu null. |
IdentityConfiguration |
| isArchived | Archivuje se asset? | Bool |
| notificationSetting | Nastavení oznámení pro úlohu | NotificationSetting |
| vlastnosti | Slovník vlastností assetu. | ResourceBaseProperties |
| secretsConfiguration | Konfigurace pro zpřístupnění tajných kódů během běhu | JobBaseSecretsConfiguration |
| služby | Seznam bodů JobEndpoints Pro místní úlohy bude mít koncový bod úlohy hodnotu koncového bodu FileStreamObject. |
JobBaseServices |
| visačky | Označení slovníku Značky je možné přidávat, odebírat a aktualizovat. | objekt |
| jobType | Nastavení typu objektu |
AutoML příkazu FineTuning popisků Spark uklidit (povinné) |
IdentityConfiguration
| Jméno | Popis | Hodnota |
|---|---|---|
| identityType | Nastavení typu objektu |
AMLToken spravované UserIdentity (povinné) |
AmlToken
| Jméno | Popis | Hodnota |
|---|---|---|
| identityType | [Povinné] Určuje typ architektury identit. | AMLToken (povinné) |
ManagedIdentity
| Jméno | Popis | Hodnota |
|---|---|---|
| identityType | [Povinné] Určuje typ architektury identit. | Spravované (povinné) |
| clientId | Určuje identitu přiřazenou uživatelem podle ID klienta. Pro systém přiřazené pole nenastavujte toto pole. | řetězec Omezení: Minimální délka = 36 Maximální délka = 36 Model = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$ |
| objectId | Určuje identitu přiřazenou uživatelem podle ID objektu. Pro systém přiřazené pole nenastavujte toto pole. | řetězec Omezení: Minimální délka = 36 Maximální délka = 36 Model = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$ |
| resourceId | Určuje identitu přiřazenou uživatelem podle ID prostředku ARM. Pro systém přiřazené pole nenastavujte toto pole. | řetězec |
UserIdentity
| Jméno | Popis | Hodnota |
|---|---|---|
| identityType | [Povinné] Určuje typ architektury identit. | UserIdentity (povinné) |
NotificationSetting
| Jméno | Popis | Hodnota |
|---|---|---|
| emailOn | Odeslání e-mailového oznámení uživateli u zadaného typu oznámení | Řetězcové pole obsahující některou z těchto možností: JobCancelled JobCompleted Úloha se nezdařila. |
| e-maily | Toto je seznam příjemců e-mailů s omezením 499 znaků v celkovém počtu zřetězení s oddělovačem čárky. | string[] |
| webhooky | Odeslání zpětného volání webhooku do služby Klíč je uživatelské jméno webhooku. | NotificationSettingWebhooks |
NotificationSettingWebhooks
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | webhooku |
Webhook
| Jméno | Popis | Hodnota |
|---|---|---|
| eventType | Odeslání zpětného volání u zadané události oznámení | řetězec |
| webhookType | Nastavení typu objektu | AzureDevOps (povinné) |
AzureDevOpsWebhook
| Jméno | Popis | Hodnota |
|---|---|---|
| webhookType | [Povinné] Určuje typ služby pro odeslání zpětného volání. | AzureDevOps (povinné) |
ResourceBaseProperties
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | řetězec |
JobBaseSecretsConfiguration
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | secretConfiguration |
SecretConfiguration
| Jméno | Popis | Hodnota |
|---|---|---|
| identifikátor uri | Identifikátor URI tajného klíče. Ukázkový identifikátor URI: https://myvault.vault.azure.net/secrets/mysecretname/secretversion |
řetězec |
| workspaceSecretName | Název tajného klíče v trezoru klíčů pracovního prostoru | řetězec |
JobBaseServices
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | JobService |
JobService
| Jméno | Popis | Hodnota |
|---|---|---|
| zakončení | Adresa URL koncového bodu | řetězec |
| jobServiceType | Typ koncového bodu. | řetězec |
| uzly | Uzly, na které chce uživatel službu spustit. Pokud uzly nejsou nastaveny nebo nastaveny na hodnotu null, služba se spustí pouze na vodicím uzlu. |
uzly |
| přístav | Port pro koncový bod nastavený uživatelem | Int |
| vlastnosti | Další vlastnosti, které se mají nastavit na koncovém bodu. | JobServiceProperties |
Uzly
| Jméno | Popis | Hodnota |
|---|---|---|
| nodesValueType | Nastavení typu objektu | všechny (povinné) |
AllNodes
| Jméno | Popis | Hodnota |
|---|---|---|
| nodesValueType | [Povinné] Typ hodnoty Uzly | All (povinné) |
JobServiceProperties
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | řetězec |
AutoMLJob
| Jméno | Popis | Hodnota |
|---|---|---|
| jobType | [Povinné] Určuje typ úlohy. | AutoML (povinné) |
| environmentId | ID prostředku ARM specifikace prostředí pro úlohu. Jedná se o volitelnou hodnotu, která se má poskytnout, pokud není k dispozici, autoML tuto hodnotu nastaví na verzi prostředí kurátorované službou Production AutoML při spuštění úlohy. |
řetězec |
| environmentVariables | Proměnné prostředí zahrnuté v úloze | |
| výstupy | Mapování výstupních datových vazeb použitých v úloze | |
| queueSettings | Nastavení fronty pro úlohu | |
| prostředky | Konfigurace výpočetního prostředku pro úlohu | JobResourceConfiguration |
| taskDetails | [Povinné] Tento scénář představuje scénář, který může být jednou z tabulek, NLP nebo image. | AutoMLVertical (povinné) |
AutoMLJobEnvironmentVariables
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | řetězec |
AutoMLJobOutputs
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | JobOutput |
JobOutput
| Jméno | Popis | Hodnota |
|---|---|---|
| popis | Popis výstupu | řetězec |
| jobOutputType | Nastavení typu objektu |
custom_model mlflow_model mltable triton_model uri_file uri_folder (povinné) |
CustomModelJobOutput
AutoDeleteSetting
| Jméno | Popis | Hodnota |
|---|---|---|
| podmínka | Kdy zkontrolovat, jestli vypršela platnost prostředku | 'CreatedGreaterThan' LastAccessedGreaterThan |
| hodnota | Hodnota podmínky vypršení platnosti | řetězec |
MLFlowModelJobOutput
MLTableJobOutput
TritonModelJobOutput
UriFileJobOutput
UriFolderJobOutput
QueueSettings
| Jméno | Popis | Hodnota |
|---|---|---|
| jobTier | Řídí úroveň výpočetní úlohy. | "Základní" Null Premium "Spot" "Standardní" |
| priorita | Řídí prioritu úlohy ve výpočetním prostředí. | Int |
JobResourceConfiguration
| Jméno | Popis | Hodnota |
|---|---|---|
| dockerArgs | Nadbytečné argumenty pro předání příkazu Docker Run. Tím by se přepsaly všechny parametry, které už systém nastavil, nebo v této části. Tento parametr je podporovaný pouze pro výpočetní typy Azure ML. | řetězec |
| instanceCount | Volitelný počet instancí nebo uzlů používaných cílovým výpočetním objektem. | Int |
| instanceType | Volitelný typ virtuálního počítače, který je podporovaný cílovým výpočetním objektem. | řetězec |
| Místa | Umístění, kde může úloha běžet. | string[] |
| maxInstanceCount | Volitelný maximální povolený počet instancí nebo uzlů, které má cílový výpočetní objekt používat. Pro použití s elastickým trénováním aktuálně podporovaným distribučním typem PyTorch. |
Int |
| vlastnosti | Taška s dalšími vlastnostmi. | |
| shmSize | Velikost bloku sdílené paměti kontejneru Dockeru To by mělo být ve formátu (číslo)(jednotka), kde číslo je větší než 0 a jednotka může být jedna z b(bajtů), k(kilobajtů), m(megabajty) nebo g(gigabajty). | řetězec Omezení: Model = \d+[bBkKmMgG] |
ResourceConfigurationProperties
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} |
AutoMLVertical
| Jméno | Popis | Hodnota |
|---|---|---|
| logVerbosity | Protokolování podrobností pro úlohu | Kritické Ladění Chyba Informace NotSet "Upozornění" |
| targetColumnName | Název cílového sloupce: Jedná se o sloupec hodnot predikce. Označuje se také jako název sloupce popisku v kontextu úkolů klasifikace. |
řetězec |
| trainingData | [Povinné] Trénování vstupu dat | MLTableJobInput (povinné) |
| taskType | Nastavení typu objektu | klasifikace prognózování imageClassification imageClassificationMultilabel imageInstanceSegmentation ImageObjectDetection regrese TextClassification TextClassificationMultilabel TextNER (povinné) |
MLTableJobInput
| Jméno | Popis | Hodnota |
|---|---|---|
| popis | Popis vstupu | řetězec |
| jobInputType | [Povinné] Určuje typ úlohy. | "custom_model" Literál "mlflow_model" "mltable" "triton_model" "uri_file" Uri_folder (povinné) |
| režim | Režim doručení vstupního majetku | "Přímý" "Stáhnout" EvalDownload 'EvalMount' ReadOnlyMount ReadWriteMount |
| pathOnCompute | Cesta doručení vstupního majetku | řetězec |
| identifikátor uri | [Povinné] Identifikátor URI vstupního assetu | string (povinné) Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] |
Klasifikace
| Jméno | Popis | Hodnota |
|---|---|---|
| taskType | [Povinné] Typ úlohy pro AutoMLJob | Klasifikace (povinné) |
| cvSplitColumnNames | Sloupce, které se mají použít pro data CVSplit. | string[] |
| featurizationSettings | Vstupy featurizace potřebné pro úlohu AutoML | TableVerticalFeaturizationSettings |
| fixedParameters | Parametry modelu/trénování, které zůstanou v průběhu trénování konstantní. | TableFixedParameters |
| limitSettings | Omezení spouštění pro AutoMLJob. | TableVerticalLimitSettings |
| nCrossValidations | Počet záhybů křížového ověření, které se mají použít u trénovací datové sady pokud není k dispozici ověřovací datová sada. |
NCrossValidations |
| positiveLabel | Kladný popisek pro výpočet binárních metrik | řetězec |
| primaryMetric | Primární metrika úkolu | AUCWeighted Přesnost AveragePrecisionScoreWeighted NormMacroRecall PřesnostScoreWeighted |
| searchSpace | Prohledávejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů. | TableParameterSubspace[] |
| sweepSettings | Nastavení pro úklid modelů a ladění hyperparametrů | TableSweepSettings |
| testData | Otestujte vstup dat. | MLTableJobInput |
| testDataSize | Zlomek testovací datové sady, kterou je potřeba vyhradit pro účely ověření. Hodnoty mezi (0,0 , 1,0) Používá se, pokud není k dispozici ověřovací datová sada. |
Int |
| trainingSettings | Vstupy pro trénovací fázi pro úlohu AutoML. | |
| validationData | Ověřovací vstupy dat. | MLTableJobInput |
| validationDataSize | Zlomek trénovací datové sady, kterou je potřeba pro účely ověřování vyhradit. Hodnoty mezi (0,0 , 1,0) Používá se, pokud není k dispozici ověřovací datová sada. |
Int |
| weightColumnName | Název ukázkového sloupce hmotnosti. Automatizované strojové učení podporuje vážený sloupec jako vstup, což způsobuje, že řádky v datech se vážou nahoru nebo dolů. | řetězec |
TableVerticalFeaturizationSettings
| Jméno | Popis | Hodnota |
|---|---|---|
| blockedTransformers | Tyto transformátory se nesmí používat při featurizaci. | Řetězcové pole obsahující některou z těchto možností: CatTargetEncoder CountVectorizer HashOneHotEncoder LabelEncoder "NaiveBayes" "OneHotEncoder" TextTargetEncoder TfIdf WoETargetEncoder WordEmbedding |
| columnNameAndTypes | Slovník názvu sloupce a jeho typu (int, float, string, datetime atd.) | TableVerticalFeaturizationSettingsColumnNameAndTypes |
| datasetLanguage | Jazyk datové sady, užitečný pro textová data. | řetězec |
| enableDnnFeaturization | Určuje, zda se mají použít featurizátory založené na Dnnu pro funkciaturizace dat. | Bool |
| režim | Režim featurizace – Uživatel může zachovat výchozí režim Auto a AutoML se postará o potřebnou transformaci dat ve fázi featurizace. Pokud je vybrána možnost Vypnuto, není dokončena žádná featurizace. Pokud je vybrána možnost Vlastní, může uživatel zadat další vstupy pro přizpůsobení způsobu provedení featurizace. |
"Automaticky" Vlastní "Vypnuto" |
| transformerParams | Uživatel může zadat další transformátory, které se mají použít spolu se sloupci, na které by byl použit, a parametry pro konstruktor transformátoru. | TableVerticalFeaturizationSettingsTransformerParams |
TableVerticalFeaturizationSettingsColumnNameAndTypes
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | řetězec |
TableVerticalFeaturizationSettingsTransformerParams
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | ColumnTransformer[] |
ColumnTransformer
| Jméno | Popis | Hodnota |
|---|---|---|
| pole | Pole, na která se má použít logika transformátoru | string[] |
| parametry | Různé vlastnosti, které se mají předat transformátoru. Očekávaný vstup je slovník párů klíč,hodnota ve formátu JSON. |
TableFixedParameters
| Jméno | Popis | Hodnota |
|---|---|---|
| podpora | Zadejte typ zvýšení, například gbdt pro XGBoost. | řetězec |
| boostingType | Zadejte typ zesílení, například gbdt pro LightGBM. | řetězec |
| growPolicy | Zadejte zásadu zvětšování, která řídí způsob přidání nových uzlů do stromu. | řetězec |
| learningRate | Míra výuky pro postup trénování. | Int |
| maxBin | Zadejte maximální počet samostatných intervalů pro souvislé funkce kontejneru . | Int |
| maxDepth | Zadejte maximální hloubku, která explicitně omezí hloubku stromu. | Int |
| maxLeaves | Zadejte maximální počet listů, které omezí listy stromu explicitně. | Int |
| minDataInLeaf | Minimální počet dat na list. | Int |
| minSplitGain | Minimální snížení ztráty potřebné k vytvoření dalšího oddílu na listovém uzlu stromu. | Int |
| modelName | Název modelu, který se má vytrénovat. | řetězec |
| nEstimátory | Zadejte počet stromů (nebo zaokrouhlování) v modelu. | Int |
| numLeaves | Zadejte počet listů. | Int |
| preprocessorName | Název preprocesoru, který se má použít. | řetězec |
| regAlpha | Termín regularizace L1 na váze. | Int |
| regLambda | Termín regularizace L2 na váze. | Int |
| podsample | Poměr dílčího razítka instance trénování | Int |
| subsampleFreq | Frekvence podsample. | Int |
| treeMethod | Zadejte metodu stromu. | řetězec |
| withMean | Pokud je hodnota true, zacentrujte před škálováním dat pomocí StandardScalar. | Bool |
| withStd | Pokud je hodnota true, škálování dat pomocí odchylky jednotek pomocí StandardScalar. | Bool |
TableVerticalLimitSettings
| Jméno | Popis | Hodnota |
|---|---|---|
| enableEarlyTermination | Povolení předčasného ukončení, určuje, jestli se autoMLJob ukončí brzy, pokud v posledních 20 iteracích nedojde k žádnému zlepšení skóre. | Bool |
| exitScore | Výstupní skóre pro úlohu AutoML | Int |
| maxConcurrentTrials | Maximální počet souběžných iterací | Int |
| maxCoresPerTrial | Maximální počet jader na iteraci | Int |
| maxNodes | Maximální počet uzlů, které se mají použít pro experiment. | Int |
| maxTrials | Počet iterací | Int |
| sweepConcurrentTrials | Počet souběžných spuštění úklidu, která chce uživatel aktivovat. | Int |
| sweepTrials | Počet zametacích spuštění, která chce uživatel aktivovat. | Int |
| přerušení zápasu | Časový limit úlohy AutoML | řetězec |
| trialTimeout | Časový limit iterace | řetězec |
NCrossValidations
| Jméno | Popis | Hodnota |
|---|---|---|
| režim | Nastavení typu objektu | automatické vlastní (povinné) |
AutoNCrossValidations
| Jméno | Popis | Hodnota |
|---|---|---|
| režim | [Povinné] Režim pro určení N-Křížové ověřování | Auto (povinné) |
CustomNCrossValidations
| Jméno | Popis | Hodnota |
|---|---|---|
| režim | [Povinné] Režim pro určení N-Křížové ověřování | Vlastní (povinné) |
| hodnota | [Povinné] Hodnota N-Křížové ověřování | int (povinné) |
TableParameterSubspace
| Jméno | Popis | Hodnota |
|---|---|---|
| podpora | Zadejte typ zvýšení, například gbdt pro XGBoost. | řetězec |
| boostingType | Zadejte typ zesílení, například gbdt pro LightGBM. | řetězec |
| growPolicy | Zadejte zásadu zvětšování, která řídí způsob přidání nových uzlů do stromu. | řetězec |
| learningRate | Míra výuky pro postup trénování. | řetězec |
| maxBin | Zadejte maximální počet samostatných intervalů pro souvislé funkce kontejneru . | řetězec |
| maxDepth | Zadejte maximální hloubku, která explicitně omezí hloubku stromu. | řetězec |
| maxLeaves | Zadejte maximální počet listů, které omezí listy stromu explicitně. | řetězec |
| minDataInLeaf | Minimální počet dat na list. | řetězec |
| minSplitGain | Minimální snížení ztráty potřebné k vytvoření dalšího oddílu na listovém uzlu stromu. | řetězec |
| modelName | Název modelu, který se má vytrénovat. | řetězec |
| nEstimátory | Zadejte počet stromů (nebo zaokrouhlování) v modelu. | řetězec |
| numLeaves | Zadejte počet listů. | řetězec |
| preprocessorName | Název preprocesoru, který se má použít. | řetězec |
| regAlpha | Termín regularizace L1 na váze. | řetězec |
| regLambda | Termín regularizace L2 na váze. | řetězec |
| podsample | Poměr dílčího razítka instance trénování | řetězec |
| subsampleFreq | Frekvence podsample | řetězec |
| treeMethod | Zadejte metodu stromu. | řetězec |
| withMean | Pokud je hodnota true, zacentrujte před škálováním dat pomocí StandardScalar. | řetězec |
| withStd | Pokud je hodnota true, škálování dat pomocí odchylky jednotek pomocí StandardScalar. | řetězec |
TableSweepSettings
| Jméno | Popis | Hodnota |
|---|---|---|
| earlyTermination | Typ zásad předčasného ukončení pro úlohu úklidu | EarlyTerminationPolicy |
| samplingAlgorithm | [Povinné] Typ algoritmu vzorkování | "Bayesian" Mřížka Random (povinné) |
EarlyTerminationPolicy
| Jméno | Popis | Hodnota |
|---|---|---|
| delayEvaluation | Početintervalch | Int |
| evaluationInterval | Interval (počet spuštění) mezi vyhodnoceními zásad | Int |
| policyType | Nastavení typu objektu |
bandit MedianS stop TruncationSelection (povinné) |
BanditPolicy
| Jméno | Popis | Hodnota |
|---|---|---|
| policyType | [Povinné] Název konfigurace zásad | Bandit (povinné) |
| SlackAmount | Absolutní vzdálenost povolená od nejlepšího spuštění. | Int |
| SlackFactor | Poměr povolené vzdálenosti od nejlepšího spuštění | Int |
MedianStoppingPolicy
| Jméno | Popis | Hodnota |
|---|---|---|
| policyType | [Povinné] Název konfigurace zásad | 'MedinStopping' (povinné) |
TruncationSelectionPolicy
| Jméno | Popis | Hodnota |
|---|---|---|
| policyType | [Povinné] Název konfigurace zásad | TruncationSelection (povinné) |
| truncationPercentage | Procento spuštění, která se mají zrušit v každém intervalu vyhodnocení. | Int |
ClassificationTrainingSettings
| Jméno | Popis | Hodnota |
|---|---|---|
| allowedTrainingAlgorithms | Povolené modely pro úlohu klasifikace | Řetězcové pole obsahující některou z těchto možností: BernoulliNaiveBayes DecisionTree ExtremeRandomTrees GradientBoosting "KNN" LightGBM LinearSVM LogisticRegression MultinomialNaiveBayes RandomForest 'SGD' SVM XGBoostClassifier |
| blockedTrainingAlgorithms | Blokované modely pro úlohu klasifikace | Řetězcové pole obsahující některou z těchto možností: BernoulliNaiveBayes DecisionTree ExtremeRandomTrees GradientBoosting "KNN" LightGBM LinearSVM LogisticRegression MultinomialNaiveBayes RandomForest 'SGD' SVM XGBoostClassifier |
| enableDnnTraining | Povolte doporučení modelů DNN. | Bool |
| enableModelExplainability | Příznakem zapněte vysvětlitelnost nejlepšího modelu. | Bool |
| enableOnnxCompatibleModels | Příznak pro povolení kompatibilních modelů onnx. | Bool |
| enableStackEnsemble | Povolte spuštění souboru zásobníku. | Bool |
| enableVoteEnsemble | Povolte spuštění hlasovacího souboru. | Bool |
| ensembleModelDownloadTimeout | Během generování modelu VotingEnsemble a StackEnsemble se stáhne několik fitovaných modelů z předchozích podřízených spuštění. Pokud potřebujete více času, nakonfigurujte tento parametr s vyšší hodnotou než 300 sekund. |
řetězec |
| stackEnsembleSettings | Stack ensemble nastavení pro štosový soubor běh. | |
| trainingMode | Režim TrainingMode – Nastavení na hodnotu Auto je stejné jako nastavení na nedistribuovaný režim, ale v budoucnu může vést ke smíšenému nebo heuristickému výběru režimu. Výchozí hodnota je auto. Pokud je distribuovaná, použije se pouze distribuovaná featurizace a zvolí se distribuované algoritmy. Pokud je "NonDistributed", vyberou se pouze nedistribuované algoritmy. |
"Automaticky" Distribuovaný NonDistributed |
StackEnsembleSettings
| Jméno | Popis | Hodnota |
|---|---|---|
| stackMetaLearnerKWargs | Volitelné parametry, které se mají předat inicializátoru metaučte. | |
| stackMetaLearnerTrainPercentage | Určuje poměr trénovací sady (při výběru typu trénování a ověřování trénování) pro trénování metaučovače. Výchozí hodnota je 0,2. | Int |
| stackMetaLearnerType | Metauč je model natrénovaný na výstupu jednotlivých heterogenních modelů. | ElasticNet ElasticNetCV LightGBMClassifier LightGBMRegressor LinearRegression LogisticRegression LogisticRegressionCV None (Žádný) |
Prognostika
| Jméno | Popis | Hodnota |
|---|---|---|
| taskType | [Povinné] Typ úlohy pro AutoMLJob | Prognózování (povinné) |
| cvSplitColumnNames | Sloupce, které se mají použít pro data CVSplit. | string[] |
| featurizationSettings | Vstupy featurizace potřebné pro úlohu AutoML | TableVerticalFeaturizationSettings |
| fixedParameters | Parametry modelu/trénování, které zůstanou v průběhu trénování konstantní. | TableFixedParameters |
| forecastingSettings | Prognózování vstupů specifických pro úlohu | ForecastingSettings |
| limitSettings | Omezení spouštění pro AutoMLJob. | TableVerticalLimitSettings |
| nCrossValidations | Počet záhybů křížového ověření, které se mají použít u trénovací datové sady pokud není k dispozici ověřovací datová sada. |
NCrossValidations |
| primaryMetric | Primární metrika pro prognózování úkolu | NormalizedMeanAbsoluteError NormalizedRootMeanSquaredError R2Score SpearmanCorrelation |
| searchSpace | Prohledávejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů. | TableParameterSubspace[] |
| sweepSettings | Nastavení pro úklid modelů a ladění hyperparametrů | TableSweepSettings |
| testData | Otestujte vstup dat. | MLTableJobInput |
| testDataSize | Zlomek testovací datové sady, kterou je potřeba vyhradit pro účely ověření. Hodnoty mezi (0,0 , 1,0) Používá se, pokud není k dispozici ověřovací datová sada. |
Int |
| trainingSettings | Vstupy pro trénovací fázi pro úlohu AutoML. | ForecastingTrainingSettings |
| validationData | Ověřovací vstupy dat. | MLTableJobInput |
| validationDataSize | Zlomek trénovací datové sady, kterou je potřeba pro účely ověřování vyhradit. Hodnoty mezi (0,0 , 1,0) Používá se, pokud není k dispozici ověřovací datová sada. |
Int |
| weightColumnName | Název ukázkového sloupce hmotnosti. Automatizované strojové učení podporuje vážený sloupec jako vstup, což způsobuje, že řádky v datech se vážou nahoru nebo dolů. | řetězec |
ForecastingSettings
| Jméno | Popis | Hodnota |
|---|---|---|
| countryOrRegionForHolidays | Země nebo oblast pro svátky pro prognózování úkolů Měly by se jednat o dvoumísmenné kódy země/oblasti ISO 3166, například "USA" nebo "GB". |
řetězec |
| cvStepSize | Početobdobíchch Pro Pokud například CVStepSize = 3 pro denní data, čas počátku každého přeložení budetři dny od sebe. |
Int |
| featureLags | Příznak pro generování prodlev pro číselné funkce s hodnotou auto nebo null | "Automaticky" None (Žádný) |
| featuresUnknownAtForecastTime | Sloupce funkcí, které jsou k dispozici pro trénování, ale neznámé v době prognózy nebo odvozování. Pokud features_unknown_at_forecast_time není nastavená, předpokládá se, že všechny sloupce funkcí v datové sadě jsou známé v době odvození. |
string[] |
| forecastHorizon | Požadovaný maximální horizont prognózy v jednotkách četnosti časových řad. | |
| frekvence | Při prognózování představuje tento parametr období, ve kterém je prognóza požadovaná, například denně, týdně, ročně atd. Frekvence prognózy je ve výchozím nastavení frekvence datových sad. | řetězec |
| sezónnost | Nastavte sezónnost časových řad jako celočíselnou násobek frekvence řady. Pokud je sezónnost nastavená na "auto", bude odvozena. |
sezónnost |
| shortSeriesHandlingConfig | Parametr definující, jak by AutoML měl zpracovávat krátké časové řady. | "Automaticky" Drop None (Žádný) 'Pad' |
| targetAggregateFunction | Funkce, která se má použít k agregaci cílového sloupce časové řady tak, aby odpovídala zadané frekvenci uživatele. Pokud je parametr TargetAggregateFunction nastavený, tj. ne None, ale není nastaven parametr freq, vyvolá se chyba. Možné cílové agregační funkce jsou: "sum", "max", "min" a "střední". |
Max "Střední" "Min" None (Žádný) Sum |
| targetLags | Počet minulých období, která se mají od cílového sloupce zpožďovat. | TargetLags |
| targetRollingWindowSize | Počet minulých období použitých k vytvoření průběžného intervalu cílového sloupce. | TargetRollingWindowSize |
| timeColumnName | Název sloupce času. Tento parametr se vyžaduje při prognózování pro zadání sloupce datetime ve vstupních datech použitých k sestavení časové řady a odvození jeho frekvence. | řetězec |
| timeSeriesIdColumnNames | Názvy sloupců, které se používají k seskupení časových intervalů. Dá se použít k vytvoření více řad. Pokud není definováno agregační interval, předpokládá se, že datová sada je jednorázová. Tento parametr se používá s prognózou typu úlohy. |
string[] |
| useStl | Nakonfigurujte rozklad STL cílového sloupce časové řady. | None (Žádný) 'Sezóna' 'SeasonTrend' |
ForecastHorizon
| Jméno | Popis | Hodnota |
|---|---|---|
| režim | Nastavení typu objektu | automatické vlastní (povinné) |
AutoForecastHorizon
| Jméno | Popis | Hodnota |
|---|---|---|
| režim | [Povinné] Nastavte režim výběru hodnoty horizont prognózy. | Auto (povinné) |
CustomForecastHorizon
| Jméno | Popis | Hodnota |
|---|---|---|
| režim | [Povinné] Nastavte režim výběru hodnoty horizont prognózy. | Vlastní (povinné) |
| hodnota | [Povinné] Hodnota horizontu prognózy. | int (povinné) |
Sezónnost
| Jméno | Popis | Hodnota |
|---|---|---|
| režim | Nastavení typu objektu | automatické vlastní (povinné) |
AutoSeasonality
| Jméno | Popis | Hodnota |
|---|---|---|
| režim | [Povinné] Režim sezónnosti. | Auto (povinné) |
CustomSeasonality
| Jméno | Popis | Hodnota |
|---|---|---|
| režim | [Povinné] Režim sezónnosti. | Vlastní (povinné) |
| hodnota | [Povinné] Hodnota sezónnosti | int (povinné) |
TargetLags
| Jméno | Popis | Hodnota |
|---|---|---|
| režim | Nastavení typu objektu | automatické vlastní (povinné) |
AutoTargetLags
| Jméno | Popis | Hodnota |
|---|---|---|
| režim | [Povinné] Nastavení režimu prodlev cíle – automatické nebo vlastní | Auto (povinné) |
CustomTargetLags
| Jméno | Popis | Hodnota |
|---|---|---|
| režim | [Povinné] Nastavení režimu prodlev cíle – automatické nebo vlastní | Vlastní (povinné) |
| hodnoty | [Povinné] Nastavte hodnoty prodlev cíle. | int[] (povinné) |
TargetRollingWindowSize
| Jméno | Popis | Hodnota |
|---|---|---|
| režim | Nastavení typu objektu | automatické vlastní (povinné) |
AutoTargetRollingWindowSize
| Jméno | Popis | Hodnota |
|---|---|---|
| režim | [Povinné] TargetRollingWindowSiz – režim detekce | Auto (povinné) |
CustomTargetRollingWindowSize
| Jméno | Popis | Hodnota |
|---|---|---|
| režim | [Povinné] TargetRollingWindowSiz – režim detekce | Vlastní (povinné) |
| hodnota | [Povinné] TargetRollingWindowSize value. | int (povinné) |
ForecastingTrainingSettings
| Jméno | Popis | Hodnota |
|---|---|---|
| allowedTrainingAlgorithms | Povolené modely pro prognózování úkolu. | Řetězcové pole obsahující některou z těchto možností: Arimax AutoArima "Průměr" DecisionTree ElasticNet ExponentialSmoothing ExtremeRandomTrees GradientBoosting "KNN" LassoLars LightGBM "Naive" "Prorok" RandomForest 'SGD' 'SeasonalAverage' 'SeasonalNaive' TCNForecaster XGBoostRegressor |
| blockedTrainingAlgorithms | Blokované modely pro úlohu prognózování | Řetězcové pole obsahující některou z těchto možností: Arimax AutoArima "Průměr" DecisionTree ElasticNet ExponentialSmoothing ExtremeRandomTrees GradientBoosting "KNN" LassoLars LightGBM "Naive" "Prorok" RandomForest 'SGD' 'SeasonalAverage' 'SeasonalNaive' TCNForecaster XGBoostRegressor |
| enableDnnTraining | Povolte doporučení modelů DNN. | Bool |
| enableModelExplainability | Příznakem zapněte vysvětlitelnost nejlepšího modelu. | Bool |
| enableOnnxCompatibleModels | Příznak pro povolení kompatibilních modelů onnx. | Bool |
| enableStackEnsemble | Povolte spuštění souboru zásobníku. | Bool |
| enableVoteEnsemble | Povolte spuštění hlasovacího souboru. | Bool |
| ensembleModelDownloadTimeout | Během generování modelu VotingEnsemble a StackEnsemble se stáhne několik fitovaných modelů z předchozích podřízených spuštění. Pokud potřebujete více času, nakonfigurujte tento parametr s vyšší hodnotou než 300 sekund. |
řetězec |
| stackEnsembleSettings | Stack ensemble nastavení pro štosový soubor běh. | |
| trainingMode | Režim TrainingMode – Nastavení na hodnotu Auto je stejné jako nastavení na nedistribuovaný režim, ale v budoucnu může vést ke smíšenému nebo heuristickému výběru režimu. Výchozí hodnota je auto. Pokud je distribuovaná, použije se pouze distribuovaná featurizace a zvolí se distribuované algoritmy. Pokud je "NonDistributed", vyberou se pouze nedistribuované algoritmy. |
"Automaticky" Distribuovaný NonDistributed |
ImageClassification
| Jméno | Popis | Hodnota |
|---|---|---|
| taskType | [Povinné] Typ úlohy pro AutoMLJob | ImageClassification (povinné) |
| limitSettings | [Povinné] Omezte nastavení pro úlohu AutoML. | imageLimitSettings (povinné) |
| modelSettings | Nastavení použitá pro trénování modelu. | imageModelSettingsClassification |
| primaryMetric | Primární metrika pro optimalizaci pro tuto úlohu | AUCWeighted Přesnost AveragePrecisionScoreWeighted NormMacroRecall PřesnostScoreWeighted |
| searchSpace | Prohledávejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů. | ImageModelDistributionSettingsClassification[] |
| sweepSettings | Nastavení související s úklidem modelů a úklidem hyperparametrů | ImageSweepSettings |
| validationData | Ověřovací vstupy dat. | MLTableJobInput |
| validationDataSize | Zlomek trénovací datové sady, kterou je potřeba pro účely ověřování vyhradit. Hodnoty mezi (0,0 , 1,0) Používá se, pokud není k dispozici ověřovací datová sada. |
Int |
ImageLimitSettings
| Jméno | Popis | Hodnota |
|---|---|---|
| maxConcurrentTrials | Maximální počet souběžných iterací AutoML | Int |
| maxTrials | Maximální počet iterací AutoML | Int |
| přerušení zápasu | Časový limit úlohy AutoML | řetězec |
ImageModelSettingsClassification
MLFlowModelJobInput
| Jméno | Popis | Hodnota |
|---|---|---|
| popis | Popis vstupu | řetězec |
| jobInputType | [Povinné] Určuje typ úlohy. | "custom_model" Literál "mlflow_model" "mltable" "triton_model" "uri_file" Uri_folder (povinné) |
| režim | Režim doručení vstupního majetku | "Přímý" "Stáhnout" EvalDownload 'EvalMount' ReadOnlyMount ReadWriteMount |
| pathOnCompute | Cesta doručení vstupního majetku | řetězec |
| identifikátor uri | [Povinné] Identifikátor URI vstupního assetu | string (povinné) Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] |
ImageModelDistributionSettingsClassification
| Jméno | Popis | Hodnota |
|---|---|---|
| amsGradient | Povolte AMSGrad, pokud je optimalizátor adam nebo adamw. | řetězec |
| rozšíření | Nastavení pro použití rozšíření | řetězec |
| beta1 | Hodnota beta1, pokud je optimalizátor "adam" nebo "adamw". Musí to být plovák v rozsahu [0, 1]. | řetězec |
| beta2 | Hodnota beta2, pokud je optimalizátor "adam" nebo "adamw". Musí to být plovák v rozsahu [0, 1]. | řetězec |
| distribuovaný | Zda se má použít trénování distribuátoru. | řetězec |
| počáteční zastavení | Povolte logiku předčasného zastavení během trénování. | řetězec |
| earlyStoppingDelay | Minimální počet epoch nebo vyhodnocení ověření, které se má čekat před primárním zlepšením metriky je sledován pro předčasné zastavení. Musí to být kladné celé číslo. |
řetězec |
| earlyStoppingPatience | Minimální počet epoch nebo vyhodnocení ověření bez primárního zlepšení metriky před spuštění je zastaveno. Musí to být kladné celé číslo. |
řetězec |
| enableOnnxNormalization | Povolte normalizaci při exportu modelu ONNX. | řetězec |
| evaluationFrequency | Frekvence vyhodnocení ověřovací datové sady za účelem získání skóre metrik Musí to být kladné celé číslo. | řetězec |
| gradientAccumulationStep | Akumulace přechodu znamená spuštění nakonfigurovaného počtu kroků GradAccumulationStep bez aktualizace hmotností modelu při nashromáždění přechodů těchto kroků a následné použití kumulované přechody pro výpočet aktualizací hmotnosti. Musí to být kladné celé číslo. |
řetězec |
| vrstvyToFreeze | Počet vrstev, které se mají u modelu ukotvit. Musí to být kladné celé číslo. Například předání hodnoty 2 jako hodnoty pro "seresnext" znamená zamrznutí vrstvy 0 a vrstvy1. Úplný seznam podporovaných modelů a podrobnosti o ukotvení vrstvy viz: /azure/machine-learning/how-to-auto-train-image-models. |
řetězec |
| learningRate | Počáteční rychlost učení. Musí to být plovák v rozsahu [0, 1]. | řetězec |
| learningRateScheduler | Typ plánovače rychlosti učení Musí to být "warmup_cosine" nebo "step". | řetězec |
| modelName | Název modelu, který se má použít pro trénování Další informace o dostupných modelech najdete v oficiální dokumentaci: /azure/machine-learning/how-to-auto-train-image-models. |
řetězec |
| hybnost | Hodnota dynamiky při optimalizaci je "sgd". Musí to být plovák v rozsahu [0, 1]. | řetězec |
| nesterov | Povolte nesterov, pokud je optimalizátor sgd. | řetězec |
| numberOfEpochs | Počet epoch trénování. Musí to být kladné celé číslo. | řetězec |
| numberOfWorkers | Počet pracovních procesů zavaděče dat Musí to být nezáporné celé číslo. | řetězec |
| optimizátor | Typ optimalizátoru Musí to být buď 'sgd', 'adam', nebo 'adamw'. | řetězec |
| randomSeed | Náhodná počáteční hodnota, která se má použít při použití deterministického trénování. | řetězec |
| stepLRGamma | Hodnota gama při učení plánovače rychlosti je krok. Musí to být plovák v rozsahu [0, 1]. | řetězec |
| stepLRStepSize | Hodnota velikosti kroku při plánování rychlosti učení je krok. Musí to být kladné celé číslo. | řetězec |
| trainingBatchSize | Trénovací velikost dávky. Musí to být kladné celé číslo. | řetězec |
| trainingCropSize | Velikost oříznutí obrázku, která je vstupní do neurální sítě pro trénovací datovou sadu Musí to být kladné celé číslo. | řetězec |
| validationBatchSize | Velikost dávky ověření. Musí to být kladné celé číslo. | řetězec |
| validationCropSize | Velikost oříznutí obrázku, která je vstupní do neurální sítě pro ověřovací datovou sadu. Musí to být kladné celé číslo. | řetězec |
| validationResizeSize | Velikost obrázku, na kterou se má změnit velikost před oříznutím pro ověřovací datovou sadu Musí to být kladné celé číslo. | řetězec |
| warmupCosineLRCycles | Hodnota kosinusového cyklu při plánování rychlosti učení je "warmup_cosine". Musí to být plovák v rozsahu [0, 1]. | řetězec |
| warmupCosineLRWarmupEpochs | Hodnota epochy warmup při učení plánovače rychlosti je "warmup_cosine". Musí to být kladné celé číslo. | řetězec |
| weightDecay | Hodnota hmotnosti se rozpadne, když je optimalizátor 'sgd', 'adam' nebo 'adamw'. Musí to být plovák v rozsahu[0, 1]. | řetězec |
| weightedLoss | Vážená ztráta. Přijaté hodnoty jsou 0 pro žádnou váženou ztrátu. 1 pro váženou ztrátu sqrtem. (class_weights). 2 pro váženou ztrátu s class_weights. Musí být 0 nebo 1 nebo 2. |
řetězec |
ImageSweepSettings
| Jméno | Popis | Hodnota |
|---|---|---|
| earlyTermination | Typ zásad předčasného ukončení | EarlyTerminationPolicy |
| samplingAlgorithm | [Povinné] Typ algoritmů vzorkování hyperparametrů | "Bayesian" Mřížka Random (povinné) |
ImageClassificationMultilabel
| Jméno | Popis | Hodnota |
|---|---|---|
| taskType | [Povinné] Typ úlohy pro AutoMLJob | ImageClassificationMultilabel (povinné) |
| limitSettings | [Povinné] Omezte nastavení pro úlohu AutoML. | imageLimitSettings (povinné) |
| modelSettings | Nastavení použitá pro trénování modelu. | imageModelSettingsClassification |
| primaryMetric | Primární metrika pro optimalizaci pro tuto úlohu | AUCWeighted Přesnost AveragePrecisionScoreWeighted "IOU" NormMacroRecall PřesnostScoreWeighted |
| searchSpace | Prohledávejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů. | ImageModelDistributionSettingsClassification[] |
| sweepSettings | Nastavení související s úklidem modelů a úklidem hyperparametrů | ImageSweepSettings |
| validationData | Ověřovací vstupy dat. | MLTableJobInput |
| validationDataSize | Zlomek trénovací datové sady, kterou je potřeba pro účely ověřování vyhradit. Hodnoty mezi (0,0 , 1,0) Používá se, pokud není k dispozici ověřovací datová sada. |
Int |
ImageInstanceSegmentation
| Jméno | Popis | Hodnota |
|---|---|---|
| taskType | [Povinné] Typ úlohy pro AutoMLJob | ImageInstanceSegmentation (povinné) |
| limitSettings | [Povinné] Omezte nastavení pro úlohu AutoML. | imageLimitSettings (povinné) |
| modelSettings | Nastavení použitá pro trénování modelu. | ImageModelSettingsObjectDetection |
| primaryMetric | Primární metrika pro optimalizaci pro tuto úlohu | 'MeanAveragePrecision' |
| searchSpace | Prohledávejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů. | ImageModelDistributionSettingsObjectDetection[] |
| sweepSettings | Nastavení související s úklidem modelů a úklidem hyperparametrů | ImageSweepSettings |
| validationData | Ověřovací vstupy dat. | MLTableJobInput |
| validationDataSize | Zlomek trénovací datové sady, kterou je potřeba pro účely ověřování vyhradit. Hodnoty mezi (0,0 , 1,0) Používá se, pokud není k dispozici ověřovací datová sada. |
Int |
ImageModelSettingsObjectDetection
ImageModelDistributionSettingsObjectDetection
| Jméno | Popis | Hodnota |
|---|---|---|
| amsGradient | Povolte AMSGrad, pokud je optimalizátor adam nebo adamw. | řetězec |
| rozšíření | Nastavení pro použití rozšíření | řetězec |
| beta1 | Hodnota beta1, pokud je optimalizátor "adam" nebo "adamw". Musí to být plovák v rozsahu [0, 1]. | řetězec |
| beta2 | Hodnota beta2, pokud je optimalizátor "adam" nebo "adamw". Musí to být plovák v rozsahu [0, 1]. | řetězec |
| boxDetectionsPerImage | Maximální počet detekcí na obrázek pro všechny třídy. Musí to být kladné celé číslo. Poznámka: Toto nastavení není podporováno pro algoritmus yolov5. |
řetězec |
| boxScoreThreshold | Při odvozování vrátí pouze návrhy s vyšším skóre klasifikace než BoxScoreThreshold. Musí to být plovák v rozsahu[0, 1]. |
řetězec |
| distribuovaný | Zda se má použít trénování distribuátoru. | řetězec |
| počáteční zastavení | Povolte logiku předčasného zastavení během trénování. | řetězec |
| earlyStoppingDelay | Minimální počet epoch nebo vyhodnocení ověření, které se má čekat před primárním zlepšením metriky je sledován pro předčasné zastavení. Musí to být kladné celé číslo. |
řetězec |
| earlyStoppingPatience | Minimální počet epoch nebo vyhodnocení ověření bez primárního zlepšení metriky před spuštění je zastaveno. Musí to být kladné celé číslo. |
řetězec |
| enableOnnxNormalization | Povolte normalizaci při exportu modelu ONNX. | řetězec |
| evaluationFrequency | Frekvence vyhodnocení ověřovací datové sady za účelem získání skóre metrik Musí to být kladné celé číslo. | řetězec |
| gradientAccumulationStep | Akumulace přechodu znamená spuštění nakonfigurovaného počtu kroků GradAccumulationStep bez aktualizace hmotností modelu při nashromáždění přechodů těchto kroků a následné použití kumulované přechody pro výpočet aktualizací hmotnosti. Musí to být kladné celé číslo. |
řetězec |
| imageSize | Velikost obrázku pro trénování a ověření Musí to být kladné celé číslo. Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud je velikost příliš velká. Poznámka: Toto nastavení je podporováno pouze pro algoritmus yolov5. |
řetězec |
| vrstvyToFreeze | Počet vrstev, které se mají u modelu ukotvit. Musí to být kladné celé číslo. Například předání hodnoty 2 jako hodnoty pro "seresnext" znamená zamrznutí vrstvy 0 a vrstvy1. Úplný seznam podporovaných modelů a podrobnosti o ukotvení vrstvy viz: /azure/machine-learning/how-to-auto-train-image-models. |
řetězec |
| learningRate | Počáteční rychlost učení. Musí to být plovák v rozsahu [0, 1]. | řetězec |
| learningRateScheduler | Typ plánovače rychlosti učení Musí to být "warmup_cosine" nebo "step". | řetězec |
| maxSize | Maximální velikost obrázku, která se má znovu škálovat, než ho podáte do páteřní sítě. Musí to být kladné celé číslo. Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud je velikost příliš velká. Poznámka: Toto nastavení není podporováno pro algoritmus yolov5. |
řetězec |
| minSize | Minimální velikost obrázku, která se má před podáváním do páteřní sítě znovu škálovat. Musí to být kladné celé číslo. Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud je velikost příliš velká. Poznámka: Toto nastavení není podporováno pro algoritmus yolov5. |
řetězec |
| modelName | Název modelu, který se má použít pro trénování Další informace o dostupných modelech najdete v oficiální dokumentaci: /azure/machine-learning/how-to-auto-train-image-models. |
řetězec |
| modelSize | Velikost modelu Musí být "small", "medium", "large" nebo "xlarge". Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud je velikost modelu příliš velká. Poznámka: Toto nastavení je podporováno pouze pro algoritmus yolov5. |
řetězec |
| hybnost | Hodnota dynamiky při optimalizaci je "sgd". Musí to být plovák v rozsahu [0, 1]. | řetězec |
| multiScale | Povolte vícenásobný obrázek tak, že se liší velikostí obrázku o velikosti +/- 50%. Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud není dostatek paměti GPU. Poznámka: Toto nastavení je podporováno pouze pro algoritmus yolov5. |
řetězec |
| nesterov | Povolte nesterov, pokud je optimalizátor sgd. | řetězec |
| nmsIouThreshold | Prahová hodnota IOU použitá při odvození v NMS po zpracování. Musí být plovoucí v rozsahu [0, 1]. | řetězec |
| numberOfEpochs | Počet epoch trénování. Musí to být kladné celé číslo. | řetězec |
| numberOfWorkers | Počet pracovních procesů zavaděče dat Musí to být nezáporné celé číslo. | řetězec |
| optimizátor | Typ optimalizátoru Musí to být buď 'sgd', 'adam', nebo 'adamw'. | řetězec |
| randomSeed | Náhodná počáteční hodnota, která se má použít při použití deterministického trénování. | řetězec |
| stepLRGamma | Hodnota gama při učení plánovače rychlosti je krok. Musí to být plovák v rozsahu [0, 1]. | řetězec |
| stepLRStepSize | Hodnota velikosti kroku při plánování rychlosti učení je krok. Musí to být kladné celé číslo. | řetězec |
| tileGridSize | Velikost mřížky, která se má použít pro provazování jednotlivých obrázků. Poznámka: TileGridSize nesmí být Žádná pro povolení logiky detekce malých objektů Řetězec obsahující dvě celá čísla ve formátu mxn. Poznámka: Toto nastavení není podporováno pro algoritmus yolov5. |
řetězec |
| tileOverlapRatio | Poměr překrytí mezi sousedními dlaždicemi v každé dimenzi Musí být plovoucí v rozsahu [0, 1). Poznámka: Toto nastavení není podporováno pro algoritmus yolov5. |
řetězec |
| tilePredictionsNmsThreshold | Prahová hodnota IOU, která se má použít k provádění NMS při slučování předpovědí z dlaždic a obrázků. Používá se při ověřování nebo odvozování. Musí být plovoucí v rozsahu [0, 1]. Poznámka: Toto nastavení není podporováno pro algoritmus yolov5. NMS: Nevýkonné potlačení |
řetězec |
| trainingBatchSize | Trénovací velikost dávky. Musí to být kladné celé číslo. | řetězec |
| validationBatchSize | Velikost dávky ověření. Musí to být kladné celé číslo. | řetězec |
| validationIouThreshold | Prahová hodnota IOU, která se má použít při výpočetní metrikě ověřování. Musí být plovoucí v rozsahu [0, 1]. | řetězec |
| validationMetricType | Metoda výpočtů metrik, která se má použít pro ověřovací metriky. Musí to být žádná, coco, voc nebo coco_voc. | řetězec |
| warmupCosineLRCycles | Hodnota kosinusového cyklu při plánování rychlosti učení je "warmup_cosine". Musí to být plovák v rozsahu [0, 1]. | řetězec |
| warmupCosineLRWarmupEpochs | Hodnota epochy warmup při učení plánovače rychlosti je "warmup_cosine". Musí to být kladné celé číslo. | řetězec |
| weightDecay | Hodnota hmotnosti se rozpadne, když je optimalizátor 'sgd', 'adam' nebo 'adamw'. Musí to být plovák v rozsahu[0, 1]. | řetězec |
ImageObjectDetection
| Jméno | Popis | Hodnota |
|---|---|---|
| taskType | [Povinné] Typ úlohy pro AutoMLJob | ImageObjectDetection (povinné) |
| limitSettings | [Povinné] Omezte nastavení pro úlohu AutoML. | imageLimitSettings (povinné) |
| modelSettings | Nastavení použitá pro trénování modelu. | ImageModelSettingsObjectDetection |
| primaryMetric | Primární metrika pro optimalizaci pro tuto úlohu | 'MeanAveragePrecision' |
| searchSpace | Prohledávejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů. | ImageModelDistributionSettingsObjectDetection[] |
| sweepSettings | Nastavení související s úklidem modelů a úklidem hyperparametrů | ImageSweepSettings |
| validationData | Ověřovací vstupy dat. | MLTableJobInput |
| validationDataSize | Zlomek trénovací datové sady, kterou je potřeba pro účely ověřování vyhradit. Hodnoty mezi (0,0 , 1,0) Používá se, pokud není k dispozici ověřovací datová sada. |
Int |
Regrese
| Jméno | Popis | Hodnota |
|---|---|---|
| taskType | [Povinné] Typ úlohy pro AutoMLJob | Regrese (povinné) |
| cvSplitColumnNames | Sloupce, které se mají použít pro data CVSplit. | string[] |
| featurizationSettings | Vstupy featurizace potřebné pro úlohu AutoML | TableVerticalFeaturizationSettings |
| fixedParameters | Parametry modelu/trénování, které zůstanou v průběhu trénování konstantní. | TableFixedParameters |
| limitSettings | Omezení spouštění pro AutoMLJob. | TableVerticalLimitSettings |
| nCrossValidations | Počet záhybů křížového ověření, které se mají použít u trénovací datové sady pokud není k dispozici ověřovací datová sada. |
NCrossValidations |
| primaryMetric | Primární metrika pro regresní úlohu | NormalizedMeanAbsoluteError NormalizedRootMeanSquaredError R2Score SpearmanCorrelation |
| searchSpace | Prohledávejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů. | TableParameterSubspace[] |
| sweepSettings | Nastavení pro úklid modelů a ladění hyperparametrů | TableSweepSettings |
| testData | Otestujte vstup dat. | MLTableJobInput |
| testDataSize | Zlomek testovací datové sady, kterou je potřeba vyhradit pro účely ověření. Hodnoty mezi (0,0 , 1,0) Používá se, pokud není k dispozici ověřovací datová sada. |
Int |
| trainingSettings | Vstupy pro trénovací fázi pro úlohu AutoML. | |
| validationData | Ověřovací vstupy dat. | MLTableJobInput |
| validationDataSize | Zlomek trénovací datové sady, kterou je potřeba pro účely ověřování vyhradit. Hodnoty mezi (0,0 , 1,0) Používá se, pokud není k dispozici ověřovací datová sada. |
Int |
| weightColumnName | Název ukázkového sloupce hmotnosti. Automatizované strojové učení podporuje vážený sloupec jako vstup, což způsobuje, že řádky v datech se vážou nahoru nebo dolů. | řetězec |
RegressionTrainingSettings
| Jméno | Popis | Hodnota |
|---|---|---|
| allowedTrainingAlgorithms | Povolené modely pro regresní úlohu | Řetězcové pole obsahující některou z těchto možností: DecisionTree ElasticNet ExtremeRandomTrees GradientBoosting "KNN" LassoLars LightGBM RandomForest 'SGD' XGBoostRegressor |
| blockedTrainingAlgorithms | Blokované modely pro regresní úlohu | Řetězcové pole obsahující některou z těchto možností: DecisionTree ElasticNet ExtremeRandomTrees GradientBoosting "KNN" LassoLars LightGBM RandomForest 'SGD' XGBoostRegressor |
| enableDnnTraining | Povolte doporučení modelů DNN. | Bool |
| enableModelExplainability | Příznakem zapněte vysvětlitelnost nejlepšího modelu. | Bool |
| enableOnnxCompatibleModels | Příznak pro povolení kompatibilních modelů onnx. | Bool |
| enableStackEnsemble | Povolte spuštění souboru zásobníku. | Bool |
| enableVoteEnsemble | Povolte spuštění hlasovacího souboru. | Bool |
| ensembleModelDownloadTimeout | Během generování modelu VotingEnsemble a StackEnsemble se stáhne několik fitovaných modelů z předchozích podřízených spuštění. Pokud potřebujete více času, nakonfigurujte tento parametr s vyšší hodnotou než 300 sekund. |
řetězec |
| stackEnsembleSettings | Stack ensemble nastavení pro štosový soubor běh. | |
| trainingMode | Režim TrainingMode – Nastavení na hodnotu Auto je stejné jako nastavení na nedistribuovaný režim, ale v budoucnu může vést ke smíšenému nebo heuristickému výběru režimu. Výchozí hodnota je auto. Pokud je distribuovaná, použije se pouze distribuovaná featurizace a zvolí se distribuované algoritmy. Pokud je "NonDistributed", vyberou se pouze nedistribuované algoritmy. |
"Automaticky" Distribuovaný NonDistributed |
TextClassification
| Jméno | Popis | Hodnota |
|---|---|---|
| taskType | [Povinné] Typ úlohy pro AutoMLJob | TextClassification (povinné) |
| featurizationSettings | Vstupy featurizace potřebné pro úlohu AutoML | NlpVerticalFeaturizationSettings |
| fixedParameters | Parametry modelu/trénování, které zůstanou v průběhu trénování konstantní. | NlpFixedParameters |
| limitSettings | Omezení spouštění pro AutoMLJob. | NlpVerticalLimitSettings |
| primaryMetric | Primární metrika pro Text-Classification úkol | AUCWeighted Přesnost AveragePrecisionScoreWeighted NormMacroRecall PřesnostScoreWeighted |
| searchSpace | Prohledávejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů. | NlpParameterSubspace[] |
| sweepSettings | Nastavení pro úklid modelů a ladění hyperparametrů | NlpSweepSettings |
| validationData | Ověřovací vstupy dat. | MLTableJobInput |
NlpVerticalFeaturizationSettings
| Jméno | Popis | Hodnota |
|---|---|---|
| datasetLanguage | Jazyk datové sady, užitečný pro textová data. | řetězec |
NlpFixedParameters
| Jméno | Popis | Hodnota |
|---|---|---|
| gradientAccumulationSteps | Počet kroků pro kumulování přechodů před spuštěním zpětného průchodu | Int |
| learningRate | Míra výuky pro postup trénování. | Int |
| learningRateScheduler | Typ plánu rychlosti učení, který se má použít během trénovacího postupu. | Konstanta ConstantWithWarmup "Kosinus" CosineWithRestarts Lineární None (Žádný) Polynomické |
| modelName | Název modelu, který se má vytrénovat. | řetězec |
| numberOfEpochs | Počet epoch trénování. | Int |
| trainingBatchSize | Velikost dávky pro trénovací proceduru. | Int |
| validationBatchSize | Velikost dávky, která se má použít při vyhodnocování. | Int |
| warmupRatio | Poměr tepla, použitý spolu s LrSchedulerType. | Int |
| weightDecay | Hmotnost pro trénovací proceduru se rozpadla. | Int |
NlpVerticalLimitSettings
| Jméno | Popis | Hodnota |
|---|---|---|
| maxConcurrentTrials | Maximální počet souběžných iterací AutoML | Int |
| maxNodes | Maximální počet uzlů, které se mají použít pro experiment. | Int |
| maxTrials | Počet iterací AutoML | Int |
| přerušení zápasu | Časový limit úlohy AutoML | řetězec |
| trialTimeout | Časový limit jednotlivých zkušebních verzí HD | řetězec |
NlpParameterSubspace
| Jméno | Popis | Hodnota |
|---|---|---|
| gradientAccumulationSteps | Počet kroků pro kumulování přechodů před spuštěním zpětného průchodu | řetězec |
| learningRate | Míra výuky pro postup trénování. | řetězec |
| learningRateScheduler | Typ plánu rychlosti učení, který se má použít během trénovacího postupu. | řetězec |
| modelName | Název modelu, který se má vytrénovat. | řetězec |
| numberOfEpochs | Počet epoch trénování. | řetězec |
| trainingBatchSize | Velikost dávky pro trénovací proceduru. | řetězec |
| validationBatchSize | Velikost dávky, která se má použít při vyhodnocování. | řetězec |
| warmupRatio | Poměr tepla, použitý spolu s LrSchedulerType. | řetězec |
| weightDecay | Hmotnost pro trénovací proceduru se rozpadla. | řetězec |
NlpSweepSettings
| Jméno | Popis | Hodnota |
|---|---|---|
| earlyTermination | Typ zásad předčasného ukončení pro úlohu úklidu | EarlyTerminationPolicy |
| samplingAlgorithm | [Povinné] Typ algoritmu vzorkování | "Bayesian" Mřížka Random (povinné) |
TextClassificationMultilabel
| Jméno | Popis | Hodnota |
|---|---|---|
| taskType | [Povinné] Typ úlohy pro AutoMLJob | TextClassificationMultilabel (povinné) |
| featurizationSettings | Vstupy featurizace potřebné pro úlohu AutoML | NlpVerticalFeaturizationSettings |
| fixedParameters | Parametry modelu/trénování, které zůstanou v průběhu trénování konstantní. | NlpFixedParameters |
| limitSettings | Omezení spouštění pro AutoMLJob. | NlpVerticalLimitSettings |
| searchSpace | Prohledávejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů. | NlpParameterSubspace[] |
| sweepSettings | Nastavení pro úklid modelů a ladění hyperparametrů | NlpSweepSettings |
| validationData | Ověřovací vstupy dat. | MLTableJobInput |
TextNer
| Jméno | Popis | Hodnota |
|---|---|---|
| taskType | [Povinné] Typ úlohy pro AutoMLJob | TextNER (povinné) |
| featurizationSettings | Vstupy featurizace potřebné pro úlohu AutoML | NlpVerticalFeaturizationSettings |
| fixedParameters | Parametry modelu/trénování, které zůstanou v průběhu trénování konstantní. | NlpFixedParameters |
| limitSettings | Omezení spouštění pro AutoMLJob. | NlpVerticalLimitSettings |
| searchSpace | Prohledávejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů. | NlpParameterSubspace[] |
| sweepSettings | Nastavení pro úklid modelů a ladění hyperparametrů | NlpSweepSettings |
| validationData | Ověřovací vstupy dat. | MLTableJobInput |
CommandJob
| Jméno | Popis | Hodnota |
|---|---|---|
| jobType | [Povinné] Určuje typ úlohy. | Příkaz (povinné) |
| autologgerSettings | Konfigurace distribuce úlohy Pokud je tato možnost nastavená, měla by to být jedna z mpi, Tensorflow, PyTorch nebo null. | |
| codeId | ID prostředku ARM prostředku kódu | řetězec |
| příkaz | [Povinné] Příkaz, který se spustí při spuštění úlohy. Např. Python train.py | string (povinné) Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] |
| distribuce | Konfigurace distribuce úlohy Pokud je tato možnost nastavená, měla by to být jedna z Mpi, Tensorflow, PyTorch, Ray nebo null. | |
| environmentId | [Povinné] ID prostředku ARM specifikace prostředí pro úlohu. | string (povinné) Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] |
| environmentVariables | Proměnné prostředí zahrnuté v úloze | CommandJobEnvironmentVariables |
| vstupy | Mapování vstupních datových vazeb použitých v úloze | CommandJobInputs |
| hranice | Limit úlohy příkazu. | CommandJobLimits |
| výstupy | Mapování výstupních datových vazeb použitých v úloze | CommandJobOutputs |
| queueSettings | Nastavení fronty pro úlohu | |
| prostředky | Konfigurace výpočetního prostředku pro úlohu | JobResourceConfiguration |
AutologgerSettings
| Jméno | Popis | Hodnota |
|---|---|---|
| mlflowAutologger | [Povinné] Určuje, jestli je povolený autologger mlflow. | Zakázáno Povoleno (povinné) |
DistributionConfiguration
| Jméno | Popis | Hodnota |
|---|---|---|
| distributionType | Nastavení typu objektu |
mpi PyTorch Ray tensorFlow (povinné) |
Mpi
| Jméno | Popis | Hodnota |
|---|---|---|
| distributionType | [Povinné] Určuje typ distribuční architektury. | Mpi (povinné) |
| processCountPerInstance | Počet procesů na uzel MPI | Int |
PyTorch
| Jméno | Popis | Hodnota |
|---|---|---|
| distributionType | [Povinné] Určuje typ distribuční architektury. | PyTorch (povinné) |
| processCountPerInstance | Počet procesů na uzel | Int |
Paprsek
| Jméno | Popis | Hodnota |
|---|---|---|
| distributionType | [Povinné] Určuje typ distribuční architektury. | Ray (povinné) |
| adresa | Adresa hlavního uzlu Ray. | řetězec |
| dashboardPort | Port pro vazbu serveru řídicího panelu. | Int |
| headNodeAdditionalArgs | Další argumenty předané paprsku v hlavním uzlu. | řetězec |
| includeDashboard | Zadejte tento argument pro spuštění grafického uživatelského rozhraní řídicího panelu Ray. | Bool |
| přístav | Port procesu paprsku hlavy. | Int |
| workerNodeAdditionalArgs | Další argumenty předané ray startu v pracovním uzlu. | řetězec |
TensorFlow
| Jméno | Popis | Hodnota |
|---|---|---|
| distributionType | [Povinné] Určuje typ distribuční architektury. | TensorFlow (povinné) |
| parameterServerCount | Počet úloh serveru parametrů | Int |
| workerCount | Počet pracovníků. Pokud není zadaný, nastaví se výchozí počet instancí. | Int |
CommandJobEnvironmentVariables
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | řetězec |
CommandJobInputs
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | jobInput |
JobInput
| Jméno | Popis | Hodnota |
|---|---|---|
| popis | Popis vstupu | řetězec |
| jobInputType | Nastavení typu objektu |
custom_model literál mlflow_model mltable triton_model uri_file uri_folder (povinné) |
CustomModelJobInput
| Jméno | Popis | Hodnota |
|---|---|---|
| jobInputType | [Povinné] Určuje typ úlohy. | Custom_model (povinné) |
| režim | Režim doručení vstupního majetku | "Přímý" "Stáhnout" EvalDownload 'EvalMount' ReadOnlyMount ReadWriteMount |
| pathOnCompute | Cesta doručení vstupního majetku | řetězec |
| identifikátor uri | [Povinné] Identifikátor URI vstupního assetu | string (povinné) Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] |
LiteralJobInput
| Jméno | Popis | Hodnota |
|---|---|---|
| jobInputType | [Povinné] Určuje typ úlohy. | Literál (povinné) |
| hodnota | [Povinné] Hodnota literálu pro vstup | string (povinné) Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] |
TritonModelJobInput
| Jméno | Popis | Hodnota |
|---|---|---|
| jobInputType | [Povinné] Určuje typ úlohy. | "triton_model" (povinné) |
| režim | Režim doručení vstupního majetku | "Přímý" "Stáhnout" EvalDownload 'EvalMount' ReadOnlyMount ReadWriteMount |
| pathOnCompute | Cesta doručení vstupního majetku | řetězec |
| identifikátor uri | [Povinné] Identifikátor URI vstupního assetu | string (povinné) Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] |
UriFileJobInput
| Jméno | Popis | Hodnota |
|---|---|---|
| jobInputType | [Povinné] Určuje typ úlohy. | "uri_file" (povinné) |
| režim | Režim doručení vstupního majetku | "Přímý" "Stáhnout" EvalDownload 'EvalMount' ReadOnlyMount ReadWriteMount |
| pathOnCompute | Cesta doručení vstupního majetku | řetězec |
| identifikátor uri | [Povinné] Identifikátor URI vstupního assetu | string (povinné) Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] |
UriFolderJobInput
| Jméno | Popis | Hodnota |
|---|---|---|
| jobInputType | [Povinné] Určuje typ úlohy. | Uri_folder (povinné) |
| režim | Režim doručení vstupního majetku | "Přímý" "Stáhnout" EvalDownload 'EvalMount' ReadOnlyMount ReadWriteMount |
| pathOnCompute | Cesta doručení vstupního majetku | řetězec |
| identifikátor uri | [Povinné] Identifikátor URI vstupního assetu | string (povinné) Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] |
CommandJobLimits
| Jméno | Popis | Hodnota |
|---|---|---|
| jobLimitsType | [Povinné] Typ JobLimit. | Příkaz Uklidit (povinné) |
| přerušení zápasu | Maximální doba běhu ve formátu ISO 8601, po které bude úloha zrušena. Podporuje pouze dobu trvání s přesností v sekundách. | řetězec |
CommandJobOutputs
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | JobOutput |
FineTuningJob
| Jméno | Popis | Hodnota |
|---|---|---|
| jobType | [Povinné] Určuje typ úlohy. | FineTuning (povinné) |
| fineTuningDetails | [Povinné] | FineTuningVertical (povinné) |
| výstupy | [Povinné] | FineTuningJobOutputs (povinné) |
FineTuningVertical
| Jméno | Popis | Hodnota |
|---|---|---|
| model | [Povinné] Vstupní model pro vyladění | MLFlowModelJobInput (povinné) |
| taskType | [Povinné] Typ úkolu je dolaďovací. | ChatCompletion ImageClassification ImageInstanceSegmentation ImageObjectDetection 'QuestionAnswering' 'TextClassification' TextCompletion TextSummarization TextTranslation TokenClassification VideoMultiObjectTracking (povinné) |
| trainingData | [Povinné] Trénovací data pro vyladění | jobInput (povinné) |
| validationData | Ověřovací data pro vyladění | jobInput |
| modelProvider | Nastavení typu objektu |
AzureOpenAI vlastní (povinné) |
AzureOpenAiFineTuning
| Jméno | Popis | Hodnota |
|---|---|---|
| modelProvider | [Povinné] Výčet k určení typu jemného ladění. | AzureOpenAI (povinné) |
| hyperParametry | HyperParametry pro vyladění modelu Azure Open AI | azureOpenAiHyperParameters |
AzureOpenAiHyperParameters
| Jméno | Popis | Hodnota |
|---|---|---|
| batchSize | Počet příkladů v každé dávce Větší velikost dávky znamená, že parametry modelu se aktualizují méně často, ale s nižší odchylkou. | Int |
| learningRateMultiplier | Faktor škálování pro rychlost učení. Menší rychlost učení může být užitečná, aby se zabránilo přehodování. | Int |
| nEpochs | Počet epoch pro trénování modelu. Epocha odkazuje na jeden celý cyklus prostřednictvím trénovací datové sady. | Int |
CustomModelFineTuning
| Jméno | Popis | Hodnota |
|---|---|---|
| modelProvider | [Povinné] Výčet k určení typu jemného ladění. | Vlastní (povinné) |
| hyperParametry | HyperParametry pro vyladění vlastního modelu | CustomModelFineTuningHyperParameters |
CustomModelFineTuningHyperParameters
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | řetězec |
FineTuningJobOutputs
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | JobOutput |
PopiskyJobProperties
| Jméno | Popis | Hodnota |
|---|---|---|
| componentId | ID prostředku ARM prostředku komponenty | řetězec |
| computeId | ID prostředku ARM výpočetního prostředku | řetězec |
| dataConfiguration | Konfigurace dat použitých v úloze | LabelingDataConfiguration |
| popis | Text popisu prostředku. | řetězec |
| displayName | Zobrazovaný název úlohy. | řetězec |
| experimentName | Název experimentu, do které úloha patří. Pokud není nastavená, úloha se umístí do výchozího experimentu. | řetězec |
| identita | Konfigurace identity. Pokud je tato možnost nastavená, měla by to být jedna z AmlToken, ManagedIdentity, UserIdentity nebo null. Výchozí hodnota AmlToken, pokud má hodnotu null. |
IdentityConfiguration |
| isArchived | Archivuje se asset? | Bool |
| jobInstructions | Pokyny k označení úlohy | labelingJobInstructions |
| jobType | [Povinné] Určuje typ úlohy. | AutoML Příkaz "FineTuning" "Popisování" Kanál Spark Uklidit (povinné) |
| labelCategories | Označte kategorie úlohy. | labelingJobLabelCategories |
| labelingJobMediaProperties | Vlastnosti specifické pro typ média v úloze | labelingJobMediaProperties |
| mlAssistConfiguration | Konfigurace funkce MLAssist v úloze | MLAssistConfiguration |
| notificationSetting | Nastavení oznámení pro úlohu | NotificationSetting |
| vlastnosti | Slovník vlastností assetu. | ResourceBaseProperties |
| secretsConfiguration | Konfigurace pro zpřístupnění tajných kódů během běhu | JobBaseSecretsConfiguration |
| služby | Seznam bodů JobEndpoints Pro místní úlohy bude mít koncový bod úlohy hodnotu koncového bodu FileStreamObject. |
JobBaseServices |
| visačky | Označení slovníku Značky je možné přidávat, odebírat a aktualizovat. | objekt |
LabelingDataConfiguration
| Jméno | Popis | Hodnota |
|---|---|---|
| dataId | ID prostředku datového prostředku, který má být označen. | řetězec |
| incrementalDataRefresh | Určuje, jestli se má přírůstková aktualizace dat povolit. | Zakázáno Povoleno |
LabelingJobInstructions
| Jméno | Popis | Hodnota |
|---|---|---|
| identifikátor uri | Odkaz na stránku s podrobnými pokyny pro popisky popisků | řetězec |
PopiskyJobLabelCategories
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | LabelCategory |
LabelCategory
LabelCategoryClasses
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | LabelClass |
LabelClass
| Jméno | Popis | Hodnota |
|---|---|---|
| displayName | Zobrazovaný název třídy popisku | řetězec |
| Podtříd | Slovník podtříd popisků třídy. | LabelClassSubclasses |
LabelClassSubclasses
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | LabelClass |
PopiskyJobMediaProperties
| Jméno | Popis | Hodnota |
|---|---|---|
| mediaType | Nastavení typu objektu | obrázku textové (povinné) |
PopiskyJobImageProperties
| Jméno | Popis | Hodnota |
|---|---|---|
| mediaType | [Povinné] Typ média úlohy. | Image (povinné) |
| annotationType | Typ poznámky úlohy popisování obrázků | "BoundingBox" Klasifikace InstanceSegmentation |
PopiskyJobTextProperties
| Jméno | Popis | Hodnota |
|---|---|---|
| mediaType | [Povinné] Typ média úlohy. | Text (povinné) |
| annotationType | Typ poznámky úlohy popisování textu | Klasifikace NamedEntityRecognition |
MLAssistConfiguration
| Jméno | Popis | Hodnota |
|---|---|---|
| mlAssist | Nastavení typu objektu |
Zakázáno Povoleno (povinné) |
MLAssistConfigurationDisabled
| Jméno | Popis | Hodnota |
|---|---|---|
| mlAssist | [Povinné] Určuje, jestli je povolená funkce MLAssist. | Zakázáno (povinné) |
MLAssistConfigurationEnabled
| Jméno | Popis | Hodnota |
|---|---|---|
| mlAssist | [Povinné] Určuje, jestli je povolená funkce MLAssist. | Povoleno (povinné) |
| odvozováníComputeBinding | [Povinné] Výpočetní vazba AML použitá při odvozování | string (povinné) Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] |
| trainingComputeBinding | [Povinné] Výpočetní vazba AML použitá při trénování | string (povinné) Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] |
PipelineJob
| Jméno | Popis | Hodnota |
|---|---|---|
| jobType | [Povinné] Určuje typ úlohy. | Kanál (povinné) |
| vstupy | Vstupy pro úlohu kanálu. | |
| pracovní místa | Úlohy sestavují úlohu kanálu. | PipelineJobJobs |
| výstupy | Výstupy pro úlohu kanálu | PipelineJobOutputs |
| nastavení | Nastavení kanálu, například ContinueRunOnStepFailure atd. | |
| sourceJobId | ID prostředku ARM zdrojové úlohy. | řetězec |
PipelineJobInputs
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | jobInput |
PipelineJobJobs
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} |
PipelineJobOutputs
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | JobOutput |
SparkJob
| Jméno | Popis | Hodnota |
|---|---|---|
| jobType | [Povinné] Určuje typ úlohy. | Spark (povinné) |
| archiv | Archivovat soubory použité v úloze | string[] |
| args | Argumenty pro úlohu. | řetězec |
| codeId | [Povinné] ID prostředku ARM prostředku kódu | string (povinné) Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] |
| Conf | Nakonfigurované vlastnosti Sparku | SparkJobConf |
| položka | [Povinné] Položka, která se má provést při spuštění úlohy. | sparkjobEntry (povinné) |
| environmentId | ID prostředku ARM specifikace prostředí pro úlohu. | řetězec |
| environmentVariables | Proměnné prostředí zahrnuté v úloze | SparkJobEnvironmentVariables |
| soubory | Soubory použité v úloze. | string[] |
| vstupy | Mapování vstupních datových vazeb použitých v úloze | SparkJobInputs |
| nádoby | Soubory JAR použité v úloze. | string[] |
| výstupy | Mapování výstupních datových vazeb použitých v úloze | SparkJobOutputs |
| pyFiles | Soubory Pythonu používané v úloze | string[] |
| queueSettings | Nastavení fronty pro úlohu | |
| prostředky | Konfigurace výpočetního prostředku pro úlohu | SparkResourceConfiguration |
SparkJobConf
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | řetězec |
SparkJobEntry
| Jméno | Popis | Hodnota |
|---|---|---|
| sparkJobEntryType | Nastavení typu objektu |
SparkJobPythonEntry SparkJobScalaEntry (povinné) |
SparkJobPythonEntry
| Jméno | Popis | Hodnota |
|---|---|---|
| sparkJobEntryType | [Povinné] Typ vstupního bodu úlohy | SparkJobPythonEntry (povinné) |
| soubor | [Povinné] Relativní cesta k souboru Pythonu pro vstupní bod úlohy | string (povinné) Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] |
SparkJobScalaEntry
| Jméno | Popis | Hodnota |
|---|---|---|
| sparkJobEntryType | [Povinné] Typ vstupního bodu úlohy | SparkJobScalaEntry (povinné) |
| className | [Povinné] Název třídy Scala použitý jako vstupní bod | string (povinné) Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] |
SparkJobEnvironmentVariables
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | řetězec |
SparkJobInputs
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | jobInput |
SparkJobOutputs
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | JobOutput |
SparkResourceConfiguration
| Jméno | Popis | Hodnota |
|---|---|---|
| instanceType | Volitelný typ virtuálního počítače, který je podporovaný cílovým výpočetním objektem. | řetězec |
| runtimeVersion | Verze modulu runtime Spark použitého pro úlohu. | řetězec |
SweepJob
| Jméno | Popis | Hodnota |
|---|---|---|
| jobType | [Povinné] Určuje typ úlohy. | Uklidit (povinné) |
| componentConfiguration | Konfigurace komponenty pro přemístání komponent | ComponentConfiguration |
| earlyTermination | Zásady předčasného ukončení umožňují před dokončením zrušit spuštění s nízkým výkonem. | EarlyTerminationPolicy |
| vstupy | Mapování vstupních datových vazeb použitých v úloze | SweepJobInputs |
| hranice | Limit úlohy uklidit. | SweepJobLimits |
| objektivní | [Povinné] Cíl optimalizace | objective (povinné) |
| výstupy | Mapování výstupních datových vazeb použitých v úloze | |
| queueSettings | Nastavení fronty pro úlohu | |
| prostředky | Konfigurace výpočetního prostředku pro úlohu | JobResourceConfiguration |
| samplingAlgorithm | [Povinné] Algoritmus vzorkování hyperparametrů | samplingAlgorithm (povinné) |
| searchSpace | [Povinné] Slovník obsahující každý parametr a jeho distribuci. Klíč slovníku je název parametru. | |
| přelíčení | [Povinné] Definice zkušební komponenty. | zkušební (povinné) |
ComponentConfiguration
| Jméno | Popis | Hodnota |
|---|---|---|
| PipelineSettings | Nastavení kanálu, například ContinueRunOnStepFailure atd. |
SweepJobInputs
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | jobInput |
SweepJobLimits
| Jméno | Popis | Hodnota |
|---|---|---|
| jobLimitsType | [Povinné] Typ JobLimit. | Příkaz Uklidit (povinné) |
| maxConcurrentTrials | Maximální počet souběžných zkušebních verzí úlohy uklidit. | Int |
| maxTotalTrials | Uklidit job max total trials. | Int |
| přerušení zápasu | Maximální doba běhu ve formátu ISO 8601, po které bude úloha zrušena. Podporuje pouze dobu trvání s přesností v sekundách. | řetězec |
| trialTimeout | Hodnota časového limitu zkušební verze úlohy uklidit | řetězec |
Objektivní
| Jméno | Popis | Hodnota |
|---|---|---|
| branka | [Povinné] Definuje podporované cíle metrik pro ladění hyperparametrů. | Maximalizovat Minimalizovat (povinné) |
| primaryMetric | [Povinné] Název metriky pro optimalizaci | string (povinné) Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] |
SweepJobOutputs
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | JobOutput |
SamplingAlgorithm
| Jméno | Popis | Hodnota |
|---|---|---|
| samplingAlgorithmType | Nastavení typu objektu |
Bayesian mřížky náhodné (povinné) |
BayesianSamplingAlgorithm
| Jméno | Popis | Hodnota |
|---|---|---|
| samplingAlgorithmType | [Povinné] Algoritmus používaný ke generování hodnot hyperparametrů spolu s vlastnostmi konfigurace | Bayesian (povinné) |
GridSamplingAlgorithm
| Jméno | Popis | Hodnota |
|---|---|---|
| samplingAlgorithmType | [Povinné] Algoritmus používaný ke generování hodnot hyperparametrů spolu s vlastnostmi konfigurace | "Mřížka" (povinné) |
RandomSamplingAlgorithm
| Jméno | Popis | Hodnota |
|---|---|---|
| samplingAlgorithmType | [Povinné] Algoritmus používaný ke generování hodnot hyperparametrů spolu s vlastnostmi konfigurace | Random (povinné) |
| logbase | Volitelné kladné číslo nebo e ve formátu řetězce, které se má použít jako základ pro náhodné vzorkování založené na protokolu | řetězec |
| pravidlo | Konkrétní typ náhodného algoritmu | Random "Sobol" |
| semeno | Volitelné celé číslo, které se použije jako počáteční hodnota pro generování náhodných čísel | Int |
TrialComponent
| Jméno | Popis | Hodnota |
|---|---|---|
| codeId | ID prostředku ARM prostředku kódu | řetězec |
| příkaz | [Povinné] Příkaz, který se spustí při spuštění úlohy. Např. Python train.py | string (povinné) Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] |
| distribuce | Konfigurace distribuce úlohy Pokud je tato možnost nastavená, měla by to být jedna z mpi, Tensorflow, PyTorch nebo null. | |
| environmentId | [Povinné] ID prostředku ARM specifikace prostředí pro úlohu. | string (povinné) Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] |
| environmentVariables | Proměnné prostředí zahrnuté v úloze | TrialComponentEnvironmentVariables |
| prostředky | Konfigurace výpočetního prostředku pro úlohu | JobResourceConfiguration |
TrialComponentEnvironmentVariables
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | řetězec |
CreateMonitorAction
| Jméno | Popis | Hodnota |
|---|---|---|
| actionType | [Povinné] Určuje typ akce plánu. | CreateMonitor (povinné) |
| monitorDefinition | [Povinné] Definuje monitorování. | MonitorDefinition (povinné) |
MonitorováníDefinition
| Jméno | Popis | Hodnota |
|---|---|---|
| alertNotificationSettings | Nastavení oznámení monitoru. | MonitorNotificationSettings |
| computeConfiguration | [Povinné] ID prostředku ARM výpočetního prostředku pro spuštění úlohy monitorování. | MonitorComputeConfigurationBase (povinné) |
| monitoringTarget | ID prostředku ARM modelu nebo nasazení cíleného tímto monitorováním. | monitoringTarget |
| signály | [Povinné] Signály, které se mají monitorovat. | MonitorDefinitionSignals (povinné) |
MonitorNotificationSettings
| Jméno | Popis | Hodnota |
|---|---|---|
| emailNotificationSettings | Nastavení e-mailu s oznámením AML | MonitorEmailNotificationSettings |
MonitorEmailNotificationSettings
| Jméno | Popis | Hodnota |
|---|---|---|
| e-maily | Toto je seznam příjemců e-mailu, který má celkem omezení 499 znaků. | string[] |
MonitorComputeConfigurationBase
| Jméno | Popis | Hodnota |
|---|---|---|
| computeType | Nastavení typu objektu | serverlessSpark (povinné) |
MonitorováníServerlessSparkCompute
MonitorComputeIdentityBase
| Jméno | Popis | Hodnota |
|---|---|---|
| computeIdentityType | Nastavení typu objektu |
AmlToken ManagedIdentity (povinné) |
AmlTokenComputeIdentity
| Jméno | Popis | Hodnota |
|---|---|---|
| computeIdentityType | [Povinné] Monitorování výčtu typu výpočetní identity | AmlToken (povinné) |
ManagedComputeIdentity
| Jméno | Popis | Hodnota |
|---|---|---|
| computeIdentityType | [Povinné] Monitorování výčtu typu výpočetní identity | ManagedIdentity (povinné) |
| identita | Identita spravované služby (identita přiřazená systémem nebo identita přiřazená uživatelem) | |
ManagedServiceIdentity
| Jméno | Popis | Hodnota |
|---|---|---|
| typ | Typ identity spravované služby (kde jsou povolené typy SystemAssigned i UserAssigned). | None (Žádný) SystemAssigned SystemAssigned, UserAssigned UserAssigned (povinné) |
| userAssignedIdentities | Sada identit přiřazených uživatelem přidružená k prostředku. Klíče slovníku userAssignedIdentities budou ID prostředků ARM ve formuláři: /subscriptions/{subscriptionId}/resourceGroups/{resourceGroupName}/providers/Microsoft.ManagedIdentity/userAssignedIdentities/{identityName}. Hodnoty slovníku můžou být prázdné objekty ({}) v požadavcích. | userAssignedIdentities |
UserAssignedIdentities
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | userAssignedIdentity |
UserAssignedIdentity
Tento objekt neobsahuje žádné vlastnosti, které se mají nastavit během nasazení. Všechny vlastnosti jsou Jen pro čtení.
MonitoringTarget
| Jméno | Popis | Hodnota |
|---|---|---|
| deploymentId | ID prostředku ARM pro nasazení cílené tímto monitorováním. | řetězec |
| modelId | ID prostředku ARM modelu, který je cílem tohoto monitorování. | řetězec |
| taskType | [Povinné] Typ úlohy strojového učení modelu. | Klasifikace 'QuestionAnswering' Regrese (povinné) |
MonitorDefinitionSignals
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | MonitoringSignalBase |
MonitoringSignalBase
| Jméno | Popis | Hodnota |
|---|---|---|
| notificationTypes | Aktuální režim oznámení pro tento signál. | Řetězcové pole obsahující některou z těchto možností: AmlNotification AzureMonitor |
| vlastnosti | Slovník vlastností Vlastnosti lze přidat, ale ne odebrat nebo změnit. | MonitoringSignalBaseProperties |
| signalType | Nastavení typu objektu |
vlastní dataDrift FeatureAttributionDrift GenerationSafetyQuality GenerationTokenStatistics ModelPerformance PredictionDrift (povinné) |
MonitoringSignalBaseProperties
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | řetězec |
CustomMonitoringSignal
| Jméno | Popis | Hodnota |
|---|---|---|
| signalType | [Povinné] Určuje typ signálu, který se má monitorovat. | Vlastní (povinné) |
| componentId | [Povinné] ID prostředku ARM prostředku komponenty použitého k výpočtu vlastních metrik. | string (povinné) Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] |
| inputAssets | Monitorování prostředků, které se mají vzít jako vstup Klíč je název vstupního portu komponenty, hodnota je datový asset. | customMonitoringSignalInputAssets |
| vstupy | Další parametry komponent, které se mají vzít jako vstup. Klíč je název vstupního portu vstupního portu komponenty, hodnota je hodnota parametru. | customMonitoringSignalInputs |
| metricThresholds | [Povinné] Seznam metrik pro výpočet a jejich přidružené prahové hodnoty. | CustomMetricThreshold[] (povinné) |
| workspaceConnection | Seznam metrik pro výpočet a jejich přidružené prahové hodnoty. | MonitoringWorkspaceConnection |
CustomMonitoringSignalInputAssets
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | MonitoringInputDataBase |
MonitoringInputDataBase
| Jméno | Popis | Hodnota |
|---|---|---|
| sloupce | Mapování názvů sloupců na speciální použití | MonitoringInputDataBaseColumns |
| dataContext | Kontextová metadata zdroje dat. | řetězec |
| jobInputType | [Povinné] Určuje typ úlohy. | "custom_model" Literál "mlflow_model" "mltable" "triton_model" "uri_file" Uri_folder (povinné) |
| identifikátor uri | [Povinné] Identifikátor URI vstupního assetu | string (povinné) Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] |
| inputDataType | Nastavení typu objektu |
pevné rolling statické (povinné) |
MonitoringInputDataBaseColumns
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | řetězec |
FixedInputData
| Jméno | Popis | Hodnota |
|---|---|---|
| inputDataType | [Povinné] Určuje typ signálu, který se má monitorovat. | "Opraveno" (povinné) |
RollingInputData
| Jméno | Popis | Hodnota |
|---|---|---|
| inputDataType | [Povinné] Určuje typ signálu, který se má monitorovat. | "Rolling" (povinné) |
| preprocessingComponentId | ID prostředku ARM prostředku komponenty použitého k předběžnému zpracování dat. | řetězec |
| windowOffset | [Povinné] Časový posun mezi koncem datového okna a aktuálním časem běhu monitorování. | string (povinné) |
| windowSize | [Povinné] Velikost koncového okna dat. | string (povinné) |
StaticInputData
| Jméno | Popis | Hodnota |
|---|---|---|
| inputDataType | [Povinné] Určuje typ signálu, který se má monitorovat. | Statická (povinné) |
| preprocessingComponentId | ID prostředku ARM prostředku komponenty použitého k předběžnému zpracování dat. | řetězec |
| windowEnd | [Povinné] Koncové datum okna dat. | string (povinné) |
| windowStart | [Povinné] Počáteční datum okna dat. | string (povinné) |
CustomMonitoringSignalInputs
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | jobInput |
CustomMetricThreshold
| Jméno | Popis | Hodnota |
|---|---|---|
| metrický | [Povinné] Metrika definovaná uživatelem, která se má vypočítat. | string (povinné) Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] |
| práh | Prahová hodnota. Pokud je hodnota null, nastaví se výchozí hodnota v závislosti na vybrané metrice. | MonitoringThreshold |
MonitoringThreshold
| Jméno | Popis | Hodnota |
|---|---|---|
| hodnota | Prahová hodnota. Pokud je hodnota null, je výchozí nastavení závislé na typu metriky. | Int |
MonitoringWorkspaceConnection
| Jméno | Popis | Hodnota |
|---|---|---|
| environmentVariables | Vlastnosti připojení služby pracovního prostoru, které se mají uložit jako proměnné prostředí v odeslaných úlohách. Klíč je cesta vlastnosti připojení pracovního prostoru, název je klíč proměnné prostředí. |
MonitoringWorkspaceConnectionEnvironmentVariables |
| tajemství | Vlastnosti připojení služby pracovního prostoru k uložení jako tajné kódy v odeslaných úlohách. Klíč je cesta vlastnosti připojení pracovního prostoru, název je tajný klíč. |
MonitoringWorkspaceConnectionSecrets |
MonitoringWorkspaceConnectionEnvironmentVariables
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | řetězec |
MonitoringWorkspaceConnectionSecrets
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | řetězec |
DataDriftMonitoringSignal
| Jméno | Popis | Hodnota |
|---|---|---|
| signalType | [Povinné] Určuje typ signálu, který se má monitorovat. | DataDrift (povinné) |
| dataSegment | Datový segment použitý k určení rozsahu podmnožinu základního souboru dat. | MonitoringDataSegment |
| featureDataTypeOverride | Slovník, který mapuje názvy funkcí na příslušné datové typy. | DataDriftMonitoringSignalFeatureDataTypeOverride |
| featureImportanceSettings | Nastavení důležitosti výpočetních funkcí. | FeatureImportanceSettings |
| rysy | Filtr funkcí, který identifikuje, která funkce k výpočtu posunu. | MonitoringFeatureFilterBase |
| metricThresholds | [Povinné] Seznam metrik pro výpočet a jejich přidružené prahové hodnoty. | DataDriftMetricThresholdBase[] (povinné) |
| productionData | [Povinné] Data, pro která se bude vypočítat posun. | MonitoringInputDataBase (povinné) |
| referenceData | [Povinné] Data pro výpočet posunu. | MonitoringInputDataBase (povinné) |
MonitoringDataSegment
| Jméno | Popis | Hodnota |
|---|---|---|
| rys | Funkce pro segmentování dat. | řetězec |
| hodnoty | Filtruje pouze zadané hodnoty dané segmentované funkce. | string[] |
DataDriftMonitoringSignalFeatureDataTypeOverride
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | Kategorický 'Numeric' |
FeatureImportanceSettings
| Jméno | Popis | Hodnota |
|---|---|---|
| režim | Režim provozu pro důležitost výpočetních funkcí. | Zakázáno Povoleno |
| targetColumn | Název cílového sloupce v rámci vstupního datového prostředku. | řetězec |
MonitoringFeatureFilterBase
| Jméno | Popis | Hodnota |
|---|---|---|
| filterType | Nastavení typu objektu | FeatureSubset TopNByAttribution (povinné) |
AllFeatures
| Jméno | Popis | Hodnota |
|---|---|---|
| filterType | [Povinné] Určuje filtr funkcí, který se má využít při výběru funkcí k výpočtu metrik. | AllFeatures (povinné) |
FeatureSubset
| Jméno | Popis | Hodnota |
|---|---|---|
| filterType | [Povinné] Určuje filtr funkcí, který se má využít při výběru funkcí k výpočtu metrik. | FeatureSubset (povinné) |
| rysy | [Povinné] Seznam funkcí, které chcete zahrnout. | string[] (povinné) |
TopNFeaturesByAttribution
| Jméno | Popis | Hodnota |
|---|---|---|
| filterType | [Povinné] Určuje filtr funkcí, který se má využít při výběru funkcí k výpočtu metrik. | TopNByAttribution (povinné) |
| vrchol | Počet hlavních funkcí, které se mají zahrnout. | Int |
DataDriftMetricThresholdBase
| Jméno | Popis | Hodnota |
|---|---|---|
| práh | Prahová hodnota. Pokud je hodnota null, nastaví se výchozí hodnota v závislosti na vybrané metrice. | MonitoringThreshold |
| Datatype | Nastavení typu objektu |
kategorické numerické (povinné) |
KategoricalDataDriftMetricThreshold
| Jméno | Popis | Hodnota |
|---|---|---|
| Datatype | [Povinné] Určuje datový typ prahové hodnoty metriky. | Kategorický (povinné) |
| metrický | [Povinné] Metrika posunu dat kategorií, která se má vypočítat. | JensenShannonDistance PearsonsChiSquaredTest PopulationStabilityIndex (povinné) |
NumericDataDriftMetricThreshold
| Jméno | Popis | Hodnota |
|---|---|---|
| Datatype | [Povinné] Určuje datový typ prahové hodnoty metriky. | 'Numeric' (povinné) |
| metrický | [Povinné] Metrika posunu číselných dat k výpočtu. | JensenShannonDistance NormalizedWassersteinDistance PopulationStabilityIndex TwoSampleKolmogorovSmirnovTest (povinné) |
DataQualityMonitoringSignal
| Jméno | Popis | Hodnota |
|---|---|---|
| signalType | [Povinné] Určuje typ signálu, který se má monitorovat. | DataQuality (povinné) |
| featureDataTypeOverride | Slovník, který mapuje názvy funkcí na příslušné datové typy. | DataQualityMonitoringSignalFeatureDataTypeOverride |
| featureImportanceSettings | Nastavení důležitosti výpočetních funkcí. | FeatureImportanceSettings |
| rysy | Funkce pro výpočet posunu. | MonitoringFeatureFilterBase |
| metricThresholds | [Povinné] Seznam metrik pro výpočet a jejich přidružené prahové hodnoty. | DataQualityMetricThresholdBase[] (povinné) |
| productionData | [Povinné] Data vytvořená produkční službou, pro která se bude počítat posun. | MonitoringInputDataBase (povinné) |
| referenceData | [Povinné] Data pro výpočet posunu. | MonitoringInputDataBase (povinné) |
DataQualityMonitoringSignalFeatureDataTypeOverride
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | Kategorický 'Numeric' |
DataQualityMetricThresholdBase
| Jméno | Popis | Hodnota |
|---|---|---|
| práh | Prahová hodnota. Pokud je hodnota null, nastaví se výchozí hodnota v závislosti na vybrané metrice. | MonitoringThreshold |
| Datatype | Nastavení typu objektu |
kategorické numerické (povinné) |
KategoricalDataQualityMetricThreshold
| Jméno | Popis | Hodnota |
|---|---|---|
| Datatype | [Povinné] Určuje datový typ prahové hodnoty metriky. | Kategorický (povinné) |
| metrický | [Povinné] Metrika kvality dat kategorií, která se má vypočítat. | DataTypeErrorRate NullValueRate OutOfBoundsRate (povinné) |
NumericDataQualityMetricThreshold
| Jméno | Popis | Hodnota |
|---|---|---|
| Datatype | [Povinné] Určuje datový typ prahové hodnoty metriky. | 'Numeric' (povinné) |
| metrický | [Povinné] Metrika kvality číselných dat, která se má vypočítat. | DataTypeErrorRate NullValueRate OutOfBoundsRate (povinné) |
FeatureAttributionDriftMonitoringSignal
| Jméno | Popis | Hodnota |
|---|---|---|
| signalType | [Povinné] Určuje typ signálu, který se má monitorovat. | FeatureAttributionDrift (povinné) |
| featureDataTypeOverride | Slovník, který mapuje názvy funkcí na příslušné datové typy. | FeatureAttributionDriftMonitoringSignalFeatureDataTy... |
| featureImportanceSettings | [Povinné] Nastavení důležitosti výpočetních funkcí. | FeatureImportanceSettings (povinné) |
| metricThreshold | [Povinné] Seznam metrik pro výpočet a jejich přidružené prahové hodnoty. | FeatureAttributionMetricThreshold (povinné) |
| productionData | [Povinné] Data, pro která se bude vypočítat posun. | MonitoringInputDataBase[] (povinné) |
| referenceData | [Povinné] Data pro výpočet posunu. | MonitoringInputDataBase (povinné) |
FeatureAttributionDriftMonitoringSignalFeatureDataTy...
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | Kategorický 'Numeric' |
FeatureAttributionMetricThreshold
| Jméno | Popis | Hodnota |
|---|---|---|
| metrický | [Povinné] Metrika přisuzování funkce k výpočtu. | NormaldDis cumulativeGain (povinné) |
| práh | Prahová hodnota. Pokud je hodnota null, nastaví se výchozí hodnota v závislosti na vybrané metrice. | MonitoringThreshold |
GenerationSafetyQualityMonitoringSignal
| Jméno | Popis | Hodnota |
|---|---|---|
| signalType | [Povinné] Určuje typ signálu, který se má monitorovat. | GenerationSafetyQuality (povinné) |
| metricThresholds | [Povinné] Získá nebo nastaví metriky pro výpočet a odpovídající prahové hodnoty. | GenerationSafetyQualityMetricThreshold[] (povinné) |
| productionData | Získá nebo nastaví produkční data pro výpočetní metriky. | MonitoringInputDataBase[] |
| vzorkovací rychlost | [Povinné] Vzorkovací frekvence produkčních dat by měla být větší než 0 a maximálně 1. | int (povinné) |
| workspaceConnectionId | Získá nebo nastaví ID připojení pracovního prostoru použité k připojení ke koncovému bodu generování obsahu. | řetězec |
GenerationSafetyQualityMetricThreshold
| Jméno | Popis | Hodnota |
|---|---|---|
| metrický | [Povinné] Získá nebo nastaví metriku přisuzování funkce pro výpočet. | "AcceptableCoherenceScorePerInstance" "AcceptableFluencyScorePerInstance" "AcceptableGroundednessScorePerInstance" Přijatelné relevanceScorePerInstance "PřijatelnéSimilarityScorePerInstance" AggregatedCoherencePassRate AggregatedFluencyPassRate AggregatedGroundednessPassRate AggregatedRelevancePassRate AggregatedSimilarityPassRate (povinné) |
| práh | Získá nebo nastaví prahovou hodnotu. Pokud je hodnota null, nastaví se výchozí hodnota v závislosti na vybrané metrice. |
MonitoringThreshold |
GenerationTokenUsageSignal
| Jméno | Popis | Hodnota |
|---|---|---|
| signalType | [Povinné] Určuje typ signálu, který se má monitorovat. | GenerationTokenStatistics (povinné) |
| metricThresholds | [Povinné] Získá nebo nastaví metriky pro výpočet a odpovídající prahové hodnoty. | GenerationTokenUsageMetricThreshold[] (povinné) |
| productionData | Získá nebo nastaví produkční data pro výpočetní metriky. | MonitoringInputDataBase[] |
| vzorkovací rychlost | [Povinné] Vzorkovací frekvence produkčních dat by měla být větší než 0 a maximálně 1. | int (povinné) |
GenerationTokenUsageMetricThreshold
| Jméno | Popis | Hodnota |
|---|---|---|
| metrický | [Povinné] Získá nebo nastaví metriku přisuzování funkce pro výpočet. | TotalTokenCount TotalTokenCountPerGroup (povinné) |
| práh | Získá nebo nastaví prahovou hodnotu. Pokud je hodnota null, nastaví se výchozí hodnota v závislosti na vybrané metrice. |
MonitoringThreshold |
ModelPerformanceSignal
| Jméno | Popis | Hodnota |
|---|---|---|
| signalType | [Povinné] Určuje typ signálu, který se má monitorovat. | ModelPerformance (povinné) |
| dataSegment | Datový segment. | MonitoringDataSegment |
| metricThreshold | [Povinné] Seznam metrik pro výpočet a jejich přidružené prahové hodnoty. | ModelPerformanceMetricThresholdBase (povinné) |
| productionData | [Povinné] Data vytvořená produkční službou, pro která se bude počítat výkon. | MonitoringInputDataBase[] (povinné) |
| referenceData | [Povinné] Referenční data použitá jako základ k výpočtu výkonu modelu. | MonitoringInputDataBase (povinné) |
ModelPerformanceMetricThresholdBase
| Jméno | Popis | Hodnota |
|---|---|---|
| práh | Prahová hodnota. Pokud je hodnota null, nastaví se výchozí hodnota v závislosti na vybrané metrice. | MonitoringThreshold |
| modelType | Nastavení typu objektu | klasifikace regrese (povinné) |
ClassificationModelPerformanceMetricThreshold
| Jméno | Popis | Hodnota |
|---|---|---|
| modelType | [Povinné] Určuje datový typ prahové hodnoty metriky. | Klasifikace (povinné) |
| metrický | [Povinné] Výkon klasifikačního modelu, který se má vypočítat. | Přesnost Přesnost Odvolání (povinné) |
RegressionModelPerformanceMetricThreshold
| Jméno | Popis | Hodnota |
|---|---|---|
| modelType | [Povinné] Určuje datový typ prahové hodnoty metriky. | Regrese (povinné) |
| metrický | [Povinné] Metrika výkonu regresního modelu, která se má vypočítat. | MeanAbsoluteError MeanSquaredError RootMeanSquaredError (povinné) |
PredictionDriftMonitoringSignal
| Jméno | Popis | Hodnota |
|---|---|---|
| signalType | [Povinné] Určuje typ signálu, který se má monitorovat. | PredictionDrift (povinné) |
| featureDataTypeOverride | Slovník, který mapuje názvy funkcí na příslušné datové typy. | PredictionDriftMonitoringSignalFeatureDataTypeOverri... |
| metricThresholds | [Povinné] Seznam metrik pro výpočet a jejich přidružené prahové hodnoty. | PredictionDriftMetricThresholdBase[] (povinné) |
| productionData | [Povinné] Data, pro která se bude vypočítat posun. | MonitoringInputDataBase (povinné) |
| referenceData | [Povinné] Data pro výpočet posunu. | MonitoringInputDataBase (povinné) |
PredictionDriftMonitoringSignalFeatureDataTypeOverri...
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | Kategorický 'Numeric' |
PredictionDriftMetricThresholdBase
| Jméno | Popis | Hodnota |
|---|---|---|
| práh | Prahová hodnota. Pokud je hodnota null, nastaví se výchozí hodnota v závislosti na vybrané metrice. | MonitoringThreshold |
| Datatype | Nastavení typu objektu |
kategorické numerické (povinné) |
CategoricalPredictionDriftMetricThreshold
| Jméno | Popis | Hodnota |
|---|---|---|
| Datatype | [Povinné] Určuje datový typ prahové hodnoty metriky. | Kategorický (povinné) |
| metrický | [Povinné] Metrika posunu predikce kategorií, která se má vypočítat. | JensenShannonDistance PearsonsChiSquaredTest PopulationStabilityIndex (povinné) |
NumericPredictionDriftMetricThreshold
| Jméno | Popis | Hodnota |
|---|---|---|
| Datatype | [Povinné] Určuje datový typ prahové hodnoty metriky. | 'Numeric' (povinné) |
| metrický | [Povinné] Metrika posunu číselné předpovědi, která se má vypočítat. | JensenShannonDistance NormalizedWassersteinDistance PopulationStabilityIndex TwoSampleKolmogorovSmirnovTest (povinné) |
ImportDataAction
| Jméno | Popis | Hodnota |
|---|---|---|
| actionType | [Povinné] Určuje typ akce plánu. | ImportData (povinné) |
| dataImportDefinition | [Povinné] Definuje podrobnosti definice plánovače akce. | dataImport (povinné) |
DataImport
| Jméno | Popis | Hodnota |
|---|---|---|
| assetName | Název prostředku pro úlohu importu dat, která se má vytvořit | řetězec |
| autoDeleteSetting | Určuje nastavení životního cyklu spravovaného datového prostředku. | AutoDeleteSetting |
| Datatype | [Povinné] Určuje typ dat. | "mltable" "uri_file" Uri_folder (povinné) |
| identifikátor dataURI | [Povinné] Identifikátor URI dat. Příklad: https://go.microsoft.com/fwlink/?linkid=2202330 |
string (povinné) Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] |
| popis | Text popisu prostředku. | řetězec |
| intellectualProperty | Podrobnosti o duševním vlastnictví. Používá se, pokud jsou data duševním vlastnictvím. | intellectualProperty |
| isAnonymous | Pokud je verze názvu vygenerovaná systémem (anonymní registrace). U typů, ve kterých je fáze definována, použije se k naplnění fáze IsAnonymous. | Bool |
| isArchived | Archivuje se asset? U typů, ve kterých je definována fáze, se při poskytnutí fáze použije k naplnění isArchived. | Bool |
| vlastnosti | Slovník vlastností assetu. | ResourceBaseProperties |
| zdroj | Zdrojová data prostředku, ze které chcete importovat | DataImportSource |
| etapa | Fáze životního cyklu dat přiřazeného k tomuto datovému assetu | řetězec |
| visačky | Označení slovníku Značky je možné přidávat, odebírat a aktualizovat. | objekt |
IntellectualProperty
| Jméno | Popis | Hodnota |
|---|---|---|
| protectionLevel | Úroveň ochrany duševního vlastnictví. | "Vše" None (Žádný) |
| vydavatel | [Povinné] Vydavatel duševního vlastnictví. Musí být stejný jako název vydavatele registru. | string (povinné) Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] |
DataImportSource
| Jméno | Popis | Hodnota |
|---|---|---|
| připojení | Připojení pracovního prostoru pro úložiště zdroje importu dat | řetězec |
| sourceType | Nastavení typu objektu |
databáze file_system (povinné) |
DatabaseSource
| Jméno | Popis | Hodnota |
|---|---|---|
| sourceType | [Povinné] Určuje typ dat. | "database" (povinné) |
| dotaz | Příkaz sql Query pro zdroj databáze importu dat | řetězec |
| storedProcedure | Sql StoredProcedure pro zdroj databáze importu dat | řetězec |
| storedProcedureParams | Parametry SQL StoredProcedure | DatabaseSourceStoredProcedureParamsItem[] |
| tableName | Název tabulky pro zdroj databáze importu dat | řetězec |
DatabaseSourceStoredProcedureParamsItem
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | řetězec |
FileSystemSource
| Jméno | Popis | Hodnota |
|---|---|---|
| sourceType | [Povinné] Určuje typ dat. | File_system (povinné) |
| cesta | Cesta ke zdroji FileSystem importu dat | řetězec |
EndpointScheduleAction
| Jméno | Popis | Hodnota |
|---|---|---|
| actionType | [Povinné] Určuje typ akce plánu. | InvokeBatchEndpoint (povinné) |
| endpointInvocationDefinition | [Povinné] Definuje podrobnosti definice plánovače akce. {see href="TBD" /} |
TriggerBase
| Jméno | Popis | Hodnota |
|---|---|---|
| endTime | Určuje koncový čas plánu v ISO 8601, ale bez posunu UTC. Referenční https://en.wikipedia.org/wiki/ISO_8601.Formát recommented by byl "2022-06-01T00:00:01" Pokud není k dispozici, plán se spustí na neomezenou dobu. |
řetězec |
| startTime | Určuje počáteční čas plánu ve formátu ISO 8601, ale bez posunu UTC. | řetězec |
| timeZone | Určuje časové pásmo, ve kterém se plán spouští. TimeZone by měl dodržovat formát časového pásma Windows. Viz: /windows-hardware/manufacture/desktop/default-time-zones /> |
řetězec |
| triggerType | Nastavení typu objektu |
Cron opakování (povinné) |
CronTrigger
| Jméno | Popis | Hodnota |
|---|---|---|
| triggerType | [Povinné] | Cron (povinné) |
| výraz | [Povinné] Určuje výraz cron plánu. Výraz by měl následovat ve formátu NCronTab. |
string (povinné) Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] |
RecurrenceTrigger
RecurrenceSchedule
| Jméno | Popis | Hodnota |
|---|---|---|
| hodiny | [Povinné] Seznam hodin pro plán | int[] (povinné) |
| minuty | [Povinné] Seznam minut pro plán | int[] (povinné) |
| monthDays | Seznam dnů měsíce pro plán | int[] |
| všední dny | Seznam dnů pro plán | Řetězcové pole obsahující některou z těchto možností: "Pátek" "Pondělí" "Sobota" "Neděle" "Čtvrtek" "Úterý" "Středa" |
Definice prostředku Terraformu (poskytovatel AzAPI)
Typ prostředku pracovních prostorů/plánů je možné nasadit s operacemi, které cílí:
- skupiny prostředků
Seznam změněných vlastností v jednotlivých verzích rozhraní API najdete v protokolu změn.
Formát prostředku
Pokud chcete vytvořit prostředek Microsoft.MachineLearningServices/workspaces/schedules, přidejte do šablony následující Terraform.
resource "azapi_resource" "symbolicname" {
type = "Microsoft.MachineLearningServices/workspaces/schedules@2024-01-01-preview"
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"
}
tags = {}
trigger = {
endTime = "string"
startTime = "string"
timeZone = "string"
triggerType = "string"
// For remaining properties, see TriggerBase objects
}
}
})
}
ScheduleActionBase – objekty
Nastavte actionType vlastnost určit typ objektu.
Pro CreateJobpoužijte:
actionType = "CreateJob"
jobDefinition = {
componentId = "string"
computeId = "string"
description = "string"
displayName = "string"
experimentName = "string"
identity {
identityType = "string"
// For remaining properties, see IdentityConfiguration objects
}
isArchived = bool
notificationSetting = {
emailOn = [
"string"
]
emails = [
"string"
]
webhooks = {
{customized property} = {
eventType = "string"
webhookType = "string"
// For remaining properties, see Webhook objects
}
}
}
properties = {
{customized property} = "string"
}
secretsConfiguration = {
{customized property} = {
uri = "string"
workspaceSecretName = "string"
}
}
services = {
{customized property} = {
endpoint = "string"
jobServiceType = "string"
nodes = {
nodesValueType = "string"
// For remaining properties, see Nodes objects
}
port = int
properties = {
{customized property} = "string"
}
}
}
tags = {}
jobType = "string"
// For remaining properties, see JobBaseProperties objects
}
Pro CreateMonitorpoužijte:
actionType = "CreateMonitor"
monitorDefinition = {
alertNotificationSettings = {
emailNotificationSettings = {
emails = [
"string"
]
}
}
computeConfiguration = {
computeType = "string"
// For remaining properties, see MonitorComputeConfigurationBase objects
}
monitoringTarget = {
deploymentId = "string"
modelId = "string"
taskType = "string"
}
signals = {
{customized property} = {
notificationTypes = [
"string"
]
properties = {
{customized property} = "string"
}
signalType = "string"
// For remaining properties, see MonitoringSignalBase objects
}
}
}
Pro ImportData použijte:
actionType = "ImportData"
dataImportDefinition = {
assetName = "string"
autoDeleteSetting = {
condition = "string"
value = "string"
}
dataType = "string"
dataUri = "string"
description = "string"
intellectualProperty = {
protectionLevel = "string"
publisher = "string"
}
isAnonymous = bool
isArchived = bool
properties = {
{customized property} = "string"
}
source = {
connection = "string"
sourceType = "string"
// For remaining properties, see DataImportSource objects
}
stage = "string"
tags = {}
}
Pro InvokeBatchEndpointpoužijte:
actionType = "InvokeBatchEndpoint"
Objekty JobBaseProperties
Nastavte vlastnost jobType určit typ objektu.
Pro AutoML použijte:
jobType = "AutoML"
environmentId = "string"
environmentVariables = {
{customized property} = "string"
}
outputs = {
{customized property} = {
description = "string"
jobOutputType = "string"
// For remaining properties, see JobOutput objects
}
}
queueSettings = {
jobTier = "string"
priority = int
}
resources = {
dockerArgs = "string"
instanceCount = int
instanceType = "string"
locations = [
"string"
]
maxInstanceCount = int
properties = {}
shmSize = "string"
}
taskDetails = {
logVerbosity = "string"
targetColumnName = "string"
trainingData = {
description = "string"
jobInputType = "string"
mode = "string"
pathOnCompute = "string"
uri = "string"
}
taskType = "string"
// For remaining properties, see AutoMLVertical objects
}
Vpříkazu
jobType = "Command"
autologgerSettings = {
mlflowAutologger = "string"
}
codeId = "string"
command = "string"
distribution = {
distributionType = "string"
// For remaining properties, see DistributionConfiguration objects
}
environmentId = "string"
environmentVariables = {
{customized property} = "string"
}
inputs = {
{customized property} = {
description = "string"
jobInputType = "string"
// For remaining properties, see JobInput objects
}
}
limits = {
jobLimitsType = "string"
timeout = "string"
}
outputs = {
{customized property} = {
description = "string"
jobOutputType = "string"
// For remaining properties, see JobOutput objects
}
}
queueSettings = {
jobTier = "string"
priority = int
}
resources = {
dockerArgs = "string"
instanceCount = int
instanceType = "string"
locations = [
"string"
]
maxInstanceCount = int
properties = {}
shmSize = "string"
}
Pro FineTuning použijte:
jobType = "FineTuning"
fineTuningDetails = {
model = {
description = "string"
jobInputType = "string"
mode = "string"
pathOnCompute = "string"
uri = "string"
}
taskType = "string"
trainingData = {
description = "string"
jobInputType = "string"
// For remaining properties, see JobInput objects
}
validationData = {
description = "string"
jobInputType = "string"
// For remaining properties, see JobInput objects
}
modelProvider = "string"
// For remaining properties, see FineTuningVertical objects
}
outputs = {
{customized property} = {
description = "string"
jobOutputType = "string"
// For remaining properties, see JobOutput objects
}
}
Pro popiskypoužijte:
jobType = "Labeling"
dataConfiguration = {
dataId = "string"
incrementalDataRefresh = "string"
}
jobInstructions = {
uri = "string"
}
labelCategories = {
{customized property} = {
classes = {
{customized property} = {
displayName = "string"
subclasses = {
{customized property} = {}
}
}
displayName = "string"
multiSelect = "string"
}
}
labelingJobMediaProperties = {
mediaType = "string"
// For remaining properties, see LabelingJobMediaProperties objects
}
mlAssistConfiguration = {
mlAssist = "string"
// For remaining properties, see MLAssistConfiguration objects
}
Prokanálu
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"
Pro Sparkpoužijte:
jobType = "Spark"
archives = [
"string"
]
args = "string"
codeId = "string"
conf = {
{customized property} = "string"
}
entry = {
sparkJobEntryType = "string"
// For remaining properties, see SparkJobEntry objects
}
environmentId = "string"
environmentVariables = {
{customized property} = "string"
}
files = [
"string"
]
inputs = {
{customized property} = {
description = "string"
jobInputType = "string"
// For remaining properties, see JobInput objects
}
}
jars = [
"string"
]
outputs = {
{customized property} = {
description = "string"
jobOutputType = "string"
// For remaining properties, see JobOutput objects
}
}
pyFiles = [
"string"
]
queueSettings = {
jobTier = "string"
priority = int
}
resources = {
instanceType = "string"
runtimeVersion = "string"
}
Pro Ukliditpoužijte:
jobType = "Sweep"
componentConfiguration = {}
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"
priority = int
}
resources = {
dockerArgs = "string"
instanceCount = int
instanceType = "string"
locations = [
"string"
]
maxInstanceCount = int
properties = {}
shmSize = "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"
locations = [
"string"
]
maxInstanceCount = int
properties = {}
shmSize = "string"
}
}
Objekty IdentityConfiguration
Nastavte vlastnost identityType určit typ objektu.
Pro AMLToken použijte:
identityType = "AMLToken"
Pro spravovanépoužijte:
identityType = "Managed"
clientId = "string"
objectId = "string"
resourceId = "string"
Pro userIdentitypoužijte:
identityType = "UserIdentity"
Objekty Webhooku
Nastavte webhookType vlastnost určit typ objektu.
Pro AzureDevOpspoužijte:
webhookType = "AzureDevOps"
Uzly – objekty
Nastavte vlastnost nodesValueType určit typ objektu.
Pro Všechnypoužijte:
nodesValueType = "All"
Objekty JobOutput
Nastavte jobOutputType vlastnost určit typ objektu.
Pro custom_modelpoužijte:
jobOutputType = "custom_model"
assetName = "string"
assetVersion = "string"
autoDeleteSetting = {
condition = "string"
value = "string"
}
mode = "string"
pathOnCompute = "string"
uri = "string"
Pro mlflow_modelpoužijte:
jobOutputType = "mlflow_model"
assetName = "string"
assetVersion = "string"
autoDeleteSetting = {
condition = "string"
value = "string"
}
mode = "string"
pathOnCompute = "string"
uri = "string"
Pro mltable použijte:
jobOutputType = "mltable"
assetName = "string"
assetVersion = "string"
autoDeleteSetting = {
condition = "string"
value = "string"
}
mode = "string"
pathOnCompute = "string"
uri = "string"
Pro triton_modelpoužijte:
jobOutputType = "triton_model"
assetName = "string"
assetVersion = "string"
autoDeleteSetting = {
condition = "string"
value = "string"
}
mode = "string"
pathOnCompute = "string"
uri = "string"
Pro uri_filepoužijte:
jobOutputType = "uri_file"
assetName = "string"
assetVersion = "string"
autoDeleteSetting = {
condition = "string"
value = "string"
}
mode = "string"
pathOnCompute = "string"
uri = "string"
Pro uri_folderpoužijte:
jobOutputType = "uri_folder"
assetName = "string"
assetVersion = "string"
autoDeleteSetting = {
condition = "string"
value = "string"
}
mode = "string"
pathOnCompute = "string"
uri = "string"
Objekty AutoMLVertical
Nastavte vlastnost taskType určit typ objektu.
Pro Klasifikacepoužijte:
taskType = "Classification"
cvSplitColumnNames = [
"string"
]
featurizationSettings = {
blockedTransformers = [
"string"
]
columnNameAndTypes = {
{customized property} = "string"
}
datasetLanguage = "string"
enableDnnFeaturization = bool
mode = "string"
transformerParams = {
{customized property} = [
{
fields = [
"string"
]
}
]
}
}
fixedParameters = {
booster = "string"
boostingType = "string"
growPolicy = "string"
learningRate = int
maxBin = int
maxDepth = int
maxLeaves = int
minDataInLeaf = int
minSplitGain = int
modelName = "string"
nEstimators = int
numLeaves = int
preprocessorName = "string"
regAlpha = int
regLambda = int
subsample = int
subsampleFreq = int
treeMethod = "string"
withMean = bool
withStd = bool
}
limitSettings = {
enableEarlyTermination = bool
exitScore = int
maxConcurrentTrials = int
maxCoresPerTrial = int
maxNodes = int
maxTrials = int
sweepConcurrentTrials = int
sweepTrials = int
timeout = "string"
trialTimeout = "string"
}
nCrossValidations = {
mode = "string"
// For remaining properties, see NCrossValidations objects
}
positiveLabel = "string"
primaryMetric = "string"
searchSpace = [
{
booster = "string"
boostingType = "string"
growPolicy = "string"
learningRate = "string"
maxBin = "string"
maxDepth = "string"
maxLeaves = "string"
minDataInLeaf = "string"
minSplitGain = "string"
modelName = "string"
nEstimators = "string"
numLeaves = "string"
preprocessorName = "string"
regAlpha = "string"
regLambda = "string"
subsample = "string"
subsampleFreq = "string"
treeMethod = "string"
withMean = "string"
withStd = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm = "string"
}
testData = {
description = "string"
jobInputType = "string"
mode = "string"
pathOnCompute = "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"
}
trainingMode = "string"
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
pathOnCompute = "string"
uri = "string"
}
validationDataSize = int
weightColumnName = "string"
Pro prognózy použijte:
taskType = "Forecasting"
cvSplitColumnNames = [
"string"
]
featurizationSettings = {
blockedTransformers = [
"string"
]
columnNameAndTypes = {
{customized property} = "string"
}
datasetLanguage = "string"
enableDnnFeaturization = bool
mode = "string"
transformerParams = {
{customized property} = [
{
fields = [
"string"
]
}
]
}
}
fixedParameters = {
booster = "string"
boostingType = "string"
growPolicy = "string"
learningRate = int
maxBin = int
maxDepth = int
maxLeaves = int
minDataInLeaf = int
minSplitGain = int
modelName = "string"
nEstimators = int
numLeaves = int
preprocessorName = "string"
regAlpha = int
regLambda = int
subsample = int
subsampleFreq = int
treeMethod = "string"
withMean = bool
withStd = bool
}
forecastingSettings = {
countryOrRegionForHolidays = "string"
cvStepSize = int
featureLags = "string"
featuresUnknownAtForecastTime = [
"string"
]
forecastHorizon = {
mode = "string"
// For remaining properties, see ForecastHorizon objects
}
frequency = "string"
seasonality = {
mode = "string"
// For remaining properties, see Seasonality objects
}
shortSeriesHandlingConfig = "string"
targetAggregateFunction = "string"
targetLags = {
mode = "string"
// For remaining properties, see TargetLags objects
}
targetRollingWindowSize = {
mode = "string"
// For remaining properties, see TargetRollingWindowSize objects
}
timeColumnName = "string"
timeSeriesIdColumnNames = [
"string"
]
useStl = "string"
}
limitSettings = {
enableEarlyTermination = bool
exitScore = int
maxConcurrentTrials = int
maxCoresPerTrial = int
maxNodes = int
maxTrials = int
sweepConcurrentTrials = int
sweepTrials = int
timeout = "string"
trialTimeout = "string"
}
nCrossValidations = {
mode = "string"
// For remaining properties, see NCrossValidations objects
}
primaryMetric = "string"
searchSpace = [
{
booster = "string"
boostingType = "string"
growPolicy = "string"
learningRate = "string"
maxBin = "string"
maxDepth = "string"
maxLeaves = "string"
minDataInLeaf = "string"
minSplitGain = "string"
modelName = "string"
nEstimators = "string"
numLeaves = "string"
preprocessorName = "string"
regAlpha = "string"
regLambda = "string"
subsample = "string"
subsampleFreq = "string"
treeMethod = "string"
withMean = "string"
withStd = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm = "string"
}
testData = {
description = "string"
jobInputType = "string"
mode = "string"
pathOnCompute = "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"
}
trainingMode = "string"
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
pathOnCompute = "string"
uri = "string"
}
validationDataSize = int
weightColumnName = "string"
Pro ImageClassificationpoužijte:
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"
pathOnCompute = "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"
pathOnCompute = "string"
uri = "string"
}
validationDataSize = int
Pro ImageClassificationMultilabelpoužijte:
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"
pathOnCompute = "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"
pathOnCompute = "string"
uri = "string"
}
validationDataSize = int
Pro ImageInstanceSegmentationpoužijte:
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"
pathOnCompute = "string"
uri = "string"
}
checkpointRunId = "string"
distributed = bool
earlyStopping = bool
earlyStoppingDelay = int
earlyStoppingPatience = int
enableOnnxNormalization = bool
evaluationFrequency = int
gradientAccumulationStep = int
imageSize = int
layersToFreeze = int
learningRate = int
learningRateScheduler = "string"
logTrainingMetrics = "string"
logValidationLoss = "string"
maxSize = int
minSize = int
modelName = "string"
modelSize = "string"
momentum = int
multiScale = bool
nesterov = bool
nmsIouThreshold = int
numberOfEpochs = int
numberOfWorkers = int
optimizer = "string"
randomSeed = int
stepLRGamma = int
stepLRStepSize = int
tileGridSize = "string"
tileOverlapRatio = int
tilePredictionsNmsThreshold = int
trainingBatchSize = int
validationBatchSize = int
validationIouThreshold = int
validationMetricType = "string"
warmupCosineLRCycles = int
warmupCosineLRWarmupEpochs = int
weightDecay = int
}
primaryMetric = "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"
pathOnCompute = "string"
uri = "string"
}
validationDataSize = int
Pro ImageObjectDetectionpoužijte:
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"
pathOnCompute = "string"
uri = "string"
}
checkpointRunId = "string"
distributed = bool
earlyStopping = bool
earlyStoppingDelay = int
earlyStoppingPatience = int
enableOnnxNormalization = bool
evaluationFrequency = int
gradientAccumulationStep = int
imageSize = int
layersToFreeze = int
learningRate = int
learningRateScheduler = "string"
logTrainingMetrics = "string"
logValidationLoss = "string"
maxSize = int
minSize = int
modelName = "string"
modelSize = "string"
momentum = int
multiScale = bool
nesterov = bool
nmsIouThreshold = int
numberOfEpochs = int
numberOfWorkers = int
optimizer = "string"
randomSeed = int
stepLRGamma = int
stepLRStepSize = int
tileGridSize = "string"
tileOverlapRatio = int
tilePredictionsNmsThreshold = int
trainingBatchSize = int
validationBatchSize = int
validationIouThreshold = int
validationMetricType = "string"
warmupCosineLRCycles = int
warmupCosineLRWarmupEpochs = int
weightDecay = int
}
primaryMetric = "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"
pathOnCompute = "string"
uri = "string"
}
validationDataSize = int
Pro regresnípoužijte:
taskType = "Regression"
cvSplitColumnNames = [
"string"
]
featurizationSettings = {
blockedTransformers = [
"string"
]
columnNameAndTypes = {
{customized property} = "string"
}
datasetLanguage = "string"
enableDnnFeaturization = bool
mode = "string"
transformerParams = {
{customized property} = [
{
fields = [
"string"
]
}
]
}
}
fixedParameters = {
booster = "string"
boostingType = "string"
growPolicy = "string"
learningRate = int
maxBin = int
maxDepth = int
maxLeaves = int
minDataInLeaf = int
minSplitGain = int
modelName = "string"
nEstimators = int
numLeaves = int
preprocessorName = "string"
regAlpha = int
regLambda = int
subsample = int
subsampleFreq = int
treeMethod = "string"
withMean = bool
withStd = bool
}
limitSettings = {
enableEarlyTermination = bool
exitScore = int
maxConcurrentTrials = int
maxCoresPerTrial = int
maxNodes = int
maxTrials = int
sweepConcurrentTrials = int
sweepTrials = int
timeout = "string"
trialTimeout = "string"
}
nCrossValidations = {
mode = "string"
// For remaining properties, see NCrossValidations objects
}
primaryMetric = "string"
searchSpace = [
{
booster = "string"
boostingType = "string"
growPolicy = "string"
learningRate = "string"
maxBin = "string"
maxDepth = "string"
maxLeaves = "string"
minDataInLeaf = "string"
minSplitGain = "string"
modelName = "string"
nEstimators = "string"
numLeaves = "string"
preprocessorName = "string"
regAlpha = "string"
regLambda = "string"
subsample = "string"
subsampleFreq = "string"
treeMethod = "string"
withMean = "string"
withStd = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm = "string"
}
testData = {
description = "string"
jobInputType = "string"
mode = "string"
pathOnCompute = "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"
}
trainingMode = "string"
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
pathOnCompute = "string"
uri = "string"
}
validationDataSize = int
weightColumnName = "string"
Pro TextClassification použijte:
taskType = "TextClassification"
featurizationSettings = {
datasetLanguage = "string"
}
fixedParameters = {
gradientAccumulationSteps = int
learningRate = int
learningRateScheduler = "string"
modelName = "string"
numberOfEpochs = int
trainingBatchSize = int
validationBatchSize = int
warmupRatio = int
weightDecay = int
}
limitSettings = {
maxConcurrentTrials = int
maxNodes = int
maxTrials = int
timeout = "string"
trialTimeout = "string"
}
primaryMetric = "string"
searchSpace = [
{
gradientAccumulationSteps = "string"
learningRate = "string"
learningRateScheduler = "string"
modelName = "string"
numberOfEpochs = "string"
trainingBatchSize = "string"
validationBatchSize = "string"
warmupRatio = "string"
weightDecay = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm = "string"
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
pathOnCompute = "string"
uri = "string"
}
Pro TextClassificationMultilabelpoužijte:
taskType = "TextClassificationMultilabel"
featurizationSettings = {
datasetLanguage = "string"
}
fixedParameters = {
gradientAccumulationSteps = int
learningRate = int
learningRateScheduler = "string"
modelName = "string"
numberOfEpochs = int
trainingBatchSize = int
validationBatchSize = int
warmupRatio = int
weightDecay = int
}
limitSettings = {
maxConcurrentTrials = int
maxNodes = int
maxTrials = int
timeout = "string"
trialTimeout = "string"
}
searchSpace = [
{
gradientAccumulationSteps = "string"
learningRate = "string"
learningRateScheduler = "string"
modelName = "string"
numberOfEpochs = "string"
trainingBatchSize = "string"
validationBatchSize = "string"
warmupRatio = "string"
weightDecay = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm = "string"
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
pathOnCompute = "string"
uri = "string"
}
Pro TextNERpoužijte:
taskType = "TextNER"
featurizationSettings = {
datasetLanguage = "string"
}
fixedParameters = {
gradientAccumulationSteps = int
learningRate = int
learningRateScheduler = "string"
modelName = "string"
numberOfEpochs = int
trainingBatchSize = int
validationBatchSize = int
warmupRatio = int
weightDecay = int
}
limitSettings = {
maxConcurrentTrials = int
maxNodes = int
maxTrials = int
timeout = "string"
trialTimeout = "string"
}
searchSpace = [
{
gradientAccumulationSteps = "string"
learningRate = "string"
learningRateScheduler = "string"
modelName = "string"
numberOfEpochs = "string"
trainingBatchSize = "string"
validationBatchSize = "string"
warmupRatio = "string"
weightDecay = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm = "string"
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
pathOnCompute = "string"
uri = "string"
}
NCrossValidations – objekty
Nastavte režim vlastnost určit typ objektu.
Pro Automaticképoužijte:
mode = "Auto"
Pro Vlastnípoužijte:
mode = "Custom"
value = int
EarlyTerminationPolicy – objekty
Nastavte vlastnost policyType určit typ objektu.
Pro banditpoužijte:
policyType = "Bandit"
slackAmount = int
slackFactor = int
Pro MedianS stop, použijte:
policyType = "MedianStopping"
Pro TruncationSelectionpoužijte:
policyType = "TruncationSelection"
truncationPercentage = int
ForecastHorizon – objekty
Nastavte režim vlastnost určit typ objektu.
Pro Automaticképoužijte:
mode = "Auto"
Pro Vlastnípoužijte:
mode = "Custom"
value = int
Objekty sezónnosti
Nastavte režim vlastnost určit typ objektu.
Pro Automaticképoužijte:
mode = "Auto"
Pro Vlastnípoužijte:
mode = "Custom"
value = int
TargetLags – objekty
Nastavte režim vlastnost určit typ objektu.
Pro Automaticképoužijte:
mode = "Auto"
Pro Vlastnípoužijte:
mode = "Custom"
values = [
int
]
TargetRollingWindowSize – objekty
Nastavte režim vlastnost určit typ objektu.
Pro Automaticképoužijte:
mode = "Auto"
Pro Vlastnípoužijte:
mode = "Custom"
value = int
Objekty DistributionConfiguration
Nastavte distributionType vlastnost určit typ objektu.
Pro mpipoužijte:
distributionType = "Mpi"
processCountPerInstance = int
Pro PyTorchpoužijte:
distributionType = "PyTorch"
processCountPerInstance = int
Pro Raypoužijte:
distributionType = "Ray"
address = "string"
dashboardPort = int
headNodeAdditionalArgs = "string"
includeDashboard = bool
port = int
workerNodeAdditionalArgs = "string"
Pro TensorFlowpoužijte:
distributionType = "TensorFlow"
parameterServerCount = int
workerCount = int
Objekty JobInput
Nastavte jobInputType vlastnost určit typ objektu.
Pro custom_modelpoužijte:
jobInputType = "custom_model"
mode = "string"
pathOnCompute = "string"
uri = "string"
Pro literálpoužijte:
jobInputType = "literal"
value = "string"
Pro mlflow_modelpoužijte:
jobInputType = "mlflow_model"
mode = "string"
pathOnCompute = "string"
uri = "string"
Pro mltable použijte:
jobInputType = "mltable"
mode = "string"
pathOnCompute = "string"
uri = "string"
Pro triton_modelpoužijte:
jobInputType = "triton_model"
mode = "string"
pathOnCompute = "string"
uri = "string"
Pro uri_filepoužijte:
jobInputType = "uri_file"
mode = "string"
pathOnCompute = "string"
uri = "string"
Pro uri_folderpoužijte:
jobInputType = "uri_folder"
mode = "string"
pathOnCompute = "string"
uri = "string"
FineTuningVertical – objekty
Nastavte modelProvider vlastnost určit typ objektu.
Pro azureOpenAIpoužijte:
modelProvider = "AzureOpenAI"
hyperParameters = {
batchSize = int
learningRateMultiplier = int
nEpochs = int
}
Pro Vlastnípoužijte:
modelProvider = "Custom"
hyperParameters = {
{customized property} = "string"
}
Objekty LabelingJobMediaProperties
Nastavte mediaType vlastnost určit typ objektu.
Pro imagepoužijte:
mediaType = "Image"
annotationType = "string"
Pro Textovépoužijte:
mediaType = "Text"
annotationType = "string"
MLAssistConfiguration – objekty
Nastavte mlAssist vlastnost určit typ objektu.
Pro Zakázánopoužijte:
mlAssist = "Disabled"
Pro Povolenopoužijte:
mlAssist = "Enabled"
inferencingComputeBinding = "string"
trainingComputeBinding = "string"
Objekty SparkJobEntry
Nastavte sparkJobEntryType vlastnost určit typ objektu.
Pro SparkJobPythonEntrypoužijte:
sparkJobEntryType = "SparkJobPythonEntry"
file = "string"
Pro SparkJobScalaEntrypoužijte:
sparkJobEntryType = "SparkJobScalaEntry"
className = "string"
Objekty SamplingAlgorithm
Nastavte samplingAlgorithmType vlastnost určit typ objektu.
Pro Bayesianpoužijte:
samplingAlgorithmType = "Bayesian"
Pro Gridpoužijte:
samplingAlgorithmType = "Grid"
Pro Náhodnépoužijte:
samplingAlgorithmType = "Random"
logbase = "string"
rule = "string"
seed = int
Objekty MonitorComputeConfigurationBase
Nastavte computeType vlastnost určit typ objektu.
Pro serverlessSparkpoužijte:
computeType = "ServerlessSpark"
computeIdentity = {
computeIdentityType = "string"
// For remaining properties, see MonitorComputeIdentityBase objects
}
instanceType = "string"
runtimeVersion = "string"
MonitorComputeIdentityBase – objekty
Nastavte computeIdentityType vlastnost určit typ objektu.
Pro AmlToken použijte:
computeIdentityType = "AmlToken"
Pro managedIdentitypoužijte:
computeIdentityType = "ManagedIdentity"
identity {
type = "string"
identity_ids = []
}
MonitoringSignalBase – objekty
Nastavte signalType vlastnost určit typ objektu.
Pro Vlastnípoužijte:
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
}
}
]
workspaceConnection = {
environmentVariables = {
{customized property} = "string"
}
secrets = {
{customized property} = "string"
}
}
Pro DataDrift použijte:
signalType = "DataDrift"
dataSegment = {
feature = "string"
values = [
"string"
]
}
featureDataTypeOverride = {
{customized property} = "string"
}
featureImportanceSettings = {
mode = "string"
targetColumn = "string"
}
features = {
filterType = "string"
// For remaining properties, see MonitoringFeatureFilterBase objects
}
metricThresholds = [
{
threshold = {
value = int
}
dataType = "string"
// For remaining properties, see DataDriftMetricThresholdBase objects
}
]
productionData = {
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
referenceData = {
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
Pro DataQualitypoužijte:
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
}
Pro FeatureAttributionDriftpoužijte:
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
}
Pro GenerationSafetyQualitypoužijte:
signalType = "GenerationSafetyQuality"
metricThresholds = [
{
metric = "string"
threshold = {
value = int
}
}
]
productionData = [
{
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
]
samplingRate = int
workspaceConnectionId = "string"
Pro GenerationTokenStatisticspoužijte:
signalType = "GenerationTokenStatistics"
metricThresholds = [
{
metric = "string"
threshold = {
value = int
}
}
]
productionData = [
{
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
]
samplingRate = int
Pro ModelPerformancepoužijte:
signalType = "ModelPerformance"
dataSegment = {
feature = "string"
values = [
"string"
]
}
metricThreshold = {
threshold = {
value = int
}
modelType = "string"
// For remaining properties, see ModelPerformanceMetricThresholdBase objects
}
productionData = [
{
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
]
referenceData = {
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
Pro PredictionDriftpoužijte:
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 – objekty
Nastavte inputDataType vlastnost určit typ objektu.
Pro Pevnépoužijte:
inputDataType = "Fixed"
Pro Rollingpoužijte:
inputDataType = "Rolling"
preprocessingComponentId = "string"
windowOffset = "string"
windowSize = "string"
Pro Staticpoužijte:
inputDataType = "Static"
preprocessingComponentId = "string"
windowEnd = "string"
windowStart = "string"
MonitoringFeatureFilterBase – objekty
Nastavte filterType vlastnost určit typ objektu.
Pro AllFeatures použijte:
filterType = "AllFeatures"
Pro FeatureSubsetpoužijte:
filterType = "FeatureSubset"
features = [
"string"
]
Pro TopNByAttributionpoužijte:
filterType = "TopNByAttribution"
top = int
Objekty DataDriftMetricThresholdBase
Nastavte vlastnost dataType určit typ objektu.
Pro kategorickýpoužijte:
dataType = "Categorical"
metric = "string"
Pro Číselnýpoužijte:
dataType = "Numerical"
metric = "string"
Objekty DataQualityMetricThresholdBase
Nastavte vlastnost dataType určit typ objektu.
Pro kategorickýpoužijte:
dataType = "Categorical"
metric = "string"
Pro Číselnýpoužijte:
dataType = "Numerical"
metric = "string"
ModelPerformanceMetricThresholdBase – objekty
Nastavte modelType vlastnost určit typ objektu.
Pro Klasifikacepoužijte:
modelType = "Classification"
metric = "string"
Pro regresnípoužijte:
modelType = "Regression"
metric = "string"
PredictionDriftMetricThresholdBase – objekty
Nastavte vlastnost dataType určit typ objektu.
Pro kategorickýpoužijte:
dataType = "Categorical"
metric = "string"
Pro Číselnýpoužijte:
dataType = "Numerical"
metric = "string"
Objekty DataImportSource
Nastavte vlastnost sourceType určit typ objektu.
Prodatabáze
sourceType = "database"
query = "string"
storedProcedure = "string"
storedProcedureParams = [
{
{customized property} = "string"
}
]
tableName = "string"
Pro file_systempoužijte:
sourceType = "file_system"
path = "string"
Objekty TriggerBase
Nastavte vlastnost triggerType určit typ objektu.
Pro Cronpoužijte:
triggerType = "Cron"
expression = "string"
Pro opakovánípoužijte:
triggerType = "Recurrence"
frequency = "string"
interval = int
schedule = {
hours = [
int
]
minutes = [
int
]
monthDays = [
int
]
weekDays = [
"string"
]
}
Hodnoty vlastností
pracovní prostory/plány
| Jméno | Popis | Hodnota |
|---|---|---|
| typ | Typ prostředku | Microsoft.MachineLearningServices/workspaces/schedules@2024-01-01-preview |
| Jméno | Název prostředku | string (povinné) |
| parent_id | ID prostředku, který je nadřazený pro tento prostředek. | ID prostředku typu: pracovních prostorů |
| vlastnosti | [Povinné] Další atributy entity. | ScheduleProperties (povinné) |
ScheduleProperties
| Jméno | Popis | Hodnota |
|---|---|---|
| akce | [Povinné] Určuje akci plánu. | ScheduleActionBase (povinné) |
| popis | Text popisu prostředku. | řetězec |
| displayName | Zobrazovaný název plánu | řetězec |
| isEnabled | Je plán povolený? | Bool |
| vlastnosti | Slovník vlastností assetu. | ResourceBaseProperties |
| visačky | Označení slovníku Značky je možné přidávat, odebírat a aktualizovat. | objekt |
| spoušť | [Povinné] Určuje podrobnosti o triggeru. | triggerBase (povinné) |
ScheduleActionBase
| Jméno | Popis | Hodnota |
|---|---|---|
| actionType | Nastavení typu objektu |
createjob CreateMonitor ImportData InvokeBatchEndpoint (povinné) |
JobScheduleAction
| Jméno | Popis | Hodnota |
|---|---|---|
| actionType | [Povinné] Určuje typ akce plánu. | CreateJob (povinné) |
| jobDefinition | [Povinné] Definuje podrobnosti definice plánovače akce. | JobBaseProperties (povinné) |
JobBaseProperties
| Jméno | Popis | Hodnota |
|---|---|---|
| componentId | ID prostředku ARM prostředku komponenty | řetězec |
| computeId | ID prostředku ARM výpočetního prostředku | řetězec |
| popis | Text popisu prostředku. | řetězec |
| displayName | Zobrazovaný název úlohy. | řetězec |
| experimentName | Název experimentu, do které úloha patří. Pokud není nastavená, úloha se umístí do výchozího experimentu. | řetězec |
| identita | Konfigurace identity. Pokud je tato možnost nastavená, měla by to být jedna z AmlToken, ManagedIdentity, UserIdentity nebo null. Výchozí hodnota AmlToken, pokud má hodnotu null. |
IdentityConfiguration |
| isArchived | Archivuje se asset? | Bool |
| notificationSetting | Nastavení oznámení pro úlohu | NotificationSetting |
| vlastnosti | Slovník vlastností assetu. | ResourceBaseProperties |
| secretsConfiguration | Konfigurace pro zpřístupnění tajných kódů během běhu | JobBaseSecretsConfiguration |
| služby | Seznam bodů JobEndpoints Pro místní úlohy bude mít koncový bod úlohy hodnotu koncového bodu FileStreamObject. |
JobBaseServices |
| visačky | Označení slovníku Značky je možné přidávat, odebírat a aktualizovat. | objekt |
| jobType | Nastavení typu objektu |
AutoML příkazu FineTuning popisků Spark uklidit (povinné) |
IdentityConfiguration
| Jméno | Popis | Hodnota |
|---|---|---|
| identityType | Nastavení typu objektu |
AMLToken spravované UserIdentity (povinné) |
AmlToken
| Jméno | Popis | Hodnota |
|---|---|---|
| identityType | [Povinné] Určuje typ architektury identit. | "AMLToken" (povinné) |
ManagedIdentity
| Jméno | Popis | Hodnota |
|---|---|---|
| identityType | [Povinné] Určuje typ architektury identit. | Spravované (povinné) |
| clientId | Určuje identitu přiřazenou uživatelem podle ID klienta. Pro systém přiřazené pole nenastavujte toto pole. | řetězec Omezení: Minimální délka = 36 Maximální délka = 36 Model = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$ |
| objectId | Určuje identitu přiřazenou uživatelem podle ID objektu. Pro systém přiřazené pole nenastavujte toto pole. | řetězec Omezení: Minimální délka = 36 Maximální délka = 36 Model = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$ |
| resourceId | Určuje identitu přiřazenou uživatelem podle ID prostředku ARM. Pro systém přiřazené pole nenastavujte toto pole. | řetězec |
UserIdentity
| Jméno | Popis | Hodnota |
|---|---|---|
| identityType | [Povinné] Určuje typ architektury identit. | UserIdentity (povinné) |
NotificationSetting
| Jméno | Popis | Hodnota |
|---|---|---|
| emailOn | Odeslání e-mailového oznámení uživateli u zadaného typu oznámení | Řetězcové pole obsahující některou z těchto možností: "JobCancelled" "JobCompleted" Úloha se nezdařila. |
| e-maily | Toto je seznam příjemců e-mailů s omezením 499 znaků v celkovém počtu zřetězení s oddělovačem čárky. | string[] |
| webhooky | Odeslání zpětného volání webhooku do služby Klíč je uživatelské jméno webhooku. | NotificationSettingWebhooks |
NotificationSettingWebhooks
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | webhooku |
Webhook
| Jméno | Popis | Hodnota |
|---|---|---|
| eventType | Odeslání zpětného volání u zadané události oznámení | řetězec |
| webhookType | Nastavení typu objektu | AzureDevOps (povinné) |
AzureDevOpsWebhook
| Jméno | Popis | Hodnota |
|---|---|---|
| webhookType | [Povinné] Určuje typ služby pro odeslání zpětného volání. | AzureDevOps (povinné) |
ResourceBaseProperties
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | řetězec |
JobBaseSecretsConfiguration
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | secretConfiguration |
SecretConfiguration
| Jméno | Popis | Hodnota |
|---|---|---|
| identifikátor uri | Identifikátor URI tajného klíče. Ukázkový identifikátor URI: https://myvault.vault.azure.net/secrets/mysecretname/secretversion |
řetězec |
| workspaceSecretName | Název tajného klíče v trezoru klíčů pracovního prostoru | řetězec |
JobBaseServices
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | JobService |
JobService
| Jméno | Popis | Hodnota |
|---|---|---|
| zakončení | Adresa URL koncového bodu | řetězec |
| jobServiceType | Typ koncového bodu. | řetězec |
| uzly | Uzly, na které chce uživatel službu spustit. Pokud uzly nejsou nastaveny nebo nastaveny na hodnotu null, služba se spustí pouze na vodicím uzlu. |
uzly |
| přístav | Port pro koncový bod nastavený uživatelem | Int |
| vlastnosti | Další vlastnosti, které se mají nastavit na koncovém bodu. | JobServiceProperties |
Uzly
| Jméno | Popis | Hodnota |
|---|---|---|
| nodesValueType | Nastavení typu objektu | všechny (povinné) |
AllNodes
| Jméno | Popis | Hodnota |
|---|---|---|
| nodesValueType | [Povinné] Typ hodnoty Uzly | "Vše" (povinné) |
JobServiceProperties
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | řetězec |
AutoMLJob
| Jméno | Popis | Hodnota |
|---|---|---|
| jobType | [Povinné] Určuje typ úlohy. | AutoML (povinné) |
| environmentId | ID prostředku ARM specifikace prostředí pro úlohu. Jedná se o volitelnou hodnotu, která se má poskytnout, pokud není k dispozici, autoML tuto hodnotu nastaví na verzi prostředí kurátorované službou Production AutoML při spuštění úlohy. |
řetězec |
| environmentVariables | Proměnné prostředí zahrnuté v úloze | |
| výstupy | Mapování výstupních datových vazeb použitých v úloze | |
| queueSettings | Nastavení fronty pro úlohu | |
| prostředky | Konfigurace výpočetního prostředku pro úlohu | JobResourceConfiguration |
| taskDetails | [Povinné] Tento scénář představuje scénář, který může být jednou z tabulek, NLP nebo image. | AutoMLVertical (povinné) |
AutoMLJobEnvironmentVariables
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | řetězec |
AutoMLJobOutputs
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | JobOutput |
JobOutput
| Jméno | Popis | Hodnota |
|---|---|---|
| popis | Popis výstupu | řetězec |
| jobOutputType | Nastavení typu objektu |
custom_model mlflow_model mltable triton_model uri_file uri_folder (povinné) |
CustomModelJobOutput
AutoDeleteSetting
| Jméno | Popis | Hodnota |
|---|---|---|
| podmínka | Kdy zkontrolovat, jestli vypršela platnost prostředku | "CreatedGreaterThan" "LastAccessedGreaterThan" |
| hodnota | Hodnota podmínky vypršení platnosti | řetězec |
MLFlowModelJobOutput
MLTableJobOutput
TritonModelJobOutput
UriFileJobOutput
UriFolderJobOutput
QueueSettings
| Jméno | Popis | Hodnota |
|---|---|---|
| jobTier | Řídí úroveň výpočetní úlohy. | "Základní" "Null" "Premium" "Spot" "Standardní" |
| priorita | Řídí prioritu úlohy ve výpočetním prostředí. | Int |
JobResourceConfiguration
| Jméno | Popis | Hodnota |
|---|---|---|
| dockerArgs | Nadbytečné argumenty pro předání příkazu Docker Run. Tím by se přepsaly všechny parametry, které už systém nastavil, nebo v této části. Tento parametr je podporovaný pouze pro výpočetní typy Azure ML. | řetězec |
| instanceCount | Volitelný počet instancí nebo uzlů používaných cílovým výpočetním objektem. | Int |
| instanceType | Volitelný typ virtuálního počítače, který je podporovaný cílovým výpočetním objektem. | řetězec |
| Místa | Umístění, kde může úloha běžet. | string[] |
| maxInstanceCount | Volitelný maximální povolený počet instancí nebo uzlů, které má cílový výpočetní objekt používat. Pro použití s elastickým trénováním aktuálně podporovaným distribučním typem PyTorch. |
Int |
| vlastnosti | Taška s dalšími vlastnostmi. | |
| shmSize | Velikost bloku sdílené paměti kontejneru Dockeru To by mělo být ve formátu (číslo)(jednotka), kde číslo je větší než 0 a jednotka může být jedna z b(bajtů), k(kilobajtů), m(megabajty) nebo g(gigabajty). | řetězec Omezení: Model = \d+[bBkKmMgG] |
ResourceConfigurationProperties
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} |
AutoMLVertical
| Jméno | Popis | Hodnota |
|---|---|---|
| logVerbosity | Protokolování podrobností pro úlohu | "Kritické" "Ladit" "Chyba" "Informace" NotSet "Upozornění" |
| targetColumnName | Název cílového sloupce: Jedná se o sloupec hodnot predikce. Označuje se také jako název sloupce popisku v kontextu úkolů klasifikace. |
řetězec |
| trainingData | [Povinné] Trénování vstupu dat | MLTableJobInput (povinné) |
| taskType | Nastavení typu objektu | klasifikace prognózování imageClassification imageClassificationMultilabel imageInstanceSegmentation ImageObjectDetection regrese TextClassification TextClassificationMultilabel TextNER (povinné) |
MLTableJobInput
| Jméno | Popis | Hodnota |
|---|---|---|
| popis | Popis vstupu | řetězec |
| jobInputType | [Povinné] Určuje typ úlohy. | "custom_model" "literál" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (povinné) |
| režim | Režim doručení vstupního majetku | "Direct" "Stáhnout" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
| pathOnCompute | Cesta doručení vstupního majetku | řetězec |
| identifikátor uri | [Povinné] Identifikátor URI vstupního assetu | string (povinné) Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] |
Klasifikace
| Jméno | Popis | Hodnota |
|---|---|---|
| taskType | [Povinné] Typ úlohy pro AutoMLJob | "Klasifikace" (povinné) |
| cvSplitColumnNames | Sloupce, které se mají použít pro data CVSplit. | string[] |
| featurizationSettings | Vstupy featurizace potřebné pro úlohu AutoML | TableVerticalFeaturizationSettings |
| fixedParameters | Parametry modelu/trénování, které zůstanou v průběhu trénování konstantní. | TableFixedParameters |
| limitSettings | Omezení spouštění pro AutoMLJob. | TableVerticalLimitSettings |
| nCrossValidations | Počet záhybů křížového ověření, které se mají použít u trénovací datové sady pokud není k dispozici ověřovací datová sada. |
NCrossValidations |
| positiveLabel | Kladný popisek pro výpočet binárních metrik | řetězec |
| primaryMetric | Primární metrika úkolu | "AUCWeighted" "Přesnost" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted" |
| searchSpace | Prohledávejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů. | TableParameterSubspace[] |
| sweepSettings | Nastavení pro úklid modelů a ladění hyperparametrů | TableSweepSettings |
| testData | Otestujte vstup dat. | MLTableJobInput |
| testDataSize | Zlomek testovací datové sady, kterou je potřeba vyhradit pro účely ověření. Hodnoty mezi (0,0 , 1,0) Používá se, pokud není k dispozici ověřovací datová sada. |
Int |
| trainingSettings | Vstupy pro trénovací fázi pro úlohu AutoML. | |
| validationData | Ověřovací vstupy dat. | MLTableJobInput |
| validationDataSize | Zlomek trénovací datové sady, kterou je potřeba pro účely ověřování vyhradit. Hodnoty mezi (0,0 , 1,0) Používá se, pokud není k dispozici ověřovací datová sada. |
Int |
| weightColumnName | Název ukázkového sloupce hmotnosti. Automatizované strojové učení podporuje vážený sloupec jako vstup, což způsobuje, že řádky v datech se vážou nahoru nebo dolů. | řetězec |
TableVerticalFeaturizationSettings
| Jméno | Popis | Hodnota |
|---|---|---|
| blockedTransformers | Tyto transformátory se nesmí používat při featurizaci. | Řetězcové pole obsahující některou z těchto možností: "CatTargetEncoder" "CountVectorizer" "HashOneHotEncoder" "LabelEncoder" "NaiveBayes" "OneHotEncoder" "TextTargetEncoder" "TfIdf" "WoETargetEncoder" "WordEmbedding" |
| columnNameAndTypes | Slovník názvu sloupce a jeho typu (int, float, string, datetime atd.) | TableVerticalFeaturizationSettingsColumnNameAndTypes |
| datasetLanguage | Jazyk datové sady, užitečný pro textová data. | řetězec |
| enableDnnFeaturization | Určuje, zda se mají použít featurizátory založené na Dnnu pro funkciaturizace dat. | Bool |
| režim | Režim featurizace – Uživatel může zachovat výchozí režim Auto a AutoML se postará o potřebnou transformaci dat ve fázi featurizace. Pokud je vybrána možnost Vypnuto, není dokončena žádná featurizace. Pokud je vybrána možnost Vlastní, může uživatel zadat další vstupy pro přizpůsobení způsobu provedení featurizace. |
"Automaticky" "Vlastní" "Vypnuto" |
| transformerParams | Uživatel může zadat další transformátory, které se mají použít spolu se sloupci, na které by byl použit, a parametry pro konstruktor transformátoru. | TableVerticalFeaturizationSettingsTransformerParams |
TableVerticalFeaturizationSettingsColumnNameAndTypes
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | řetězec |
TableVerticalFeaturizationSettingsTransformerParams
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | ColumnTransformer[] |
ColumnTransformer
| Jméno | Popis | Hodnota |
|---|---|---|
| pole | Pole, na která se má použít logika transformátoru | string[] |
| parametry | Různé vlastnosti, které se mají předat transformátoru. Očekávaný vstup je slovník párů klíč,hodnota ve formátu JSON. |
TableFixedParameters
| Jméno | Popis | Hodnota |
|---|---|---|
| podpora | Zadejte typ zvýšení, například gbdt pro XGBoost. | řetězec |
| boostingType | Zadejte typ zesílení, například gbdt pro LightGBM. | řetězec |
| growPolicy | Zadejte zásadu zvětšování, která řídí způsob přidání nových uzlů do stromu. | řetězec |
| learningRate | Míra výuky pro postup trénování. | Int |
| maxBin | Zadejte maximální počet samostatných intervalů pro souvislé funkce kontejneru . | Int |
| maxDepth | Zadejte maximální hloubku, která explicitně omezí hloubku stromu. | Int |
| maxLeaves | Zadejte maximální počet listů, které omezí listy stromu explicitně. | Int |
| minDataInLeaf | Minimální počet dat na list. | Int |
| minSplitGain | Minimální snížení ztráty potřebné k vytvoření dalšího oddílu na listovém uzlu stromu. | Int |
| modelName | Název modelu, který se má vytrénovat. | řetězec |
| nEstimátory | Zadejte počet stromů (nebo zaokrouhlování) v modelu. | Int |
| numLeaves | Zadejte počet listů. | Int |
| preprocessorName | Název preprocesoru, který se má použít. | řetězec |
| regAlpha | Termín regularizace L1 na váze. | Int |
| regLambda | Termín regularizace L2 na váze. | Int |
| podsample | Poměr dílčího razítka instance trénování | Int |
| subsampleFreq | Frekvence podsample. | Int |
| treeMethod | Zadejte metodu stromu. | řetězec |
| withMean | Pokud je hodnota true, zacentrujte před škálováním dat pomocí StandardScalar. | Bool |
| withStd | Pokud je hodnota true, škálování dat pomocí odchylky jednotek pomocí StandardScalar. | Bool |
TableVerticalLimitSettings
| Jméno | Popis | Hodnota |
|---|---|---|
| enableEarlyTermination | Povolení předčasného ukončení, určuje, jestli se autoMLJob ukončí brzy, pokud v posledních 20 iteracích nedojde k žádnému zlepšení skóre. | Bool |
| exitScore | Výstupní skóre pro úlohu AutoML | Int |
| maxConcurrentTrials | Maximální počet souběžných iterací | Int |
| maxCoresPerTrial | Maximální počet jader na iteraci | Int |
| maxNodes | Maximální počet uzlů, které se mají použít pro experiment. | Int |
| maxTrials | Počet iterací | Int |
| sweepConcurrentTrials | Počet souběžných spuštění úklidu, která chce uživatel aktivovat. | Int |
| sweepTrials | Počet zametacích spuštění, která chce uživatel aktivovat. | Int |
| přerušení zápasu | Časový limit úlohy AutoML | řetězec |
| trialTimeout | Časový limit iterace | řetězec |
NCrossValidations
| Jméno | Popis | Hodnota |
|---|---|---|
| režim | Nastavení typu objektu | automatické vlastní (povinné) |
AutoNCrossValidations
| Jméno | Popis | Hodnota |
|---|---|---|
| režim | [Povinné] Režim pro určení N-Křížové ověřování | "Auto" (povinné) |
CustomNCrossValidations
| Jméno | Popis | Hodnota |
|---|---|---|
| režim | [Povinné] Režim pro určení N-Křížové ověřování | Vlastní (povinné) |
| hodnota | [Povinné] Hodnota N-Křížové ověřování | int (povinné) |
TableParameterSubspace
| Jméno | Popis | Hodnota |
|---|---|---|
| podpora | Zadejte typ zvýšení, například gbdt pro XGBoost. | řetězec |
| boostingType | Zadejte typ zesílení, například gbdt pro LightGBM. | řetězec |
| growPolicy | Zadejte zásadu zvětšování, která řídí způsob přidání nových uzlů do stromu. | řetězec |
| learningRate | Míra výuky pro postup trénování. | řetězec |
| maxBin | Zadejte maximální počet samostatných intervalů pro souvislé funkce kontejneru . | řetězec |
| maxDepth | Zadejte maximální hloubku, která explicitně omezí hloubku stromu. | řetězec |
| maxLeaves | Zadejte maximální počet listů, které omezí listy stromu explicitně. | řetězec |
| minDataInLeaf | Minimální počet dat na list. | řetězec |
| minSplitGain | Minimální snížení ztráty potřebné k vytvoření dalšího oddílu na listovém uzlu stromu. | řetězec |
| modelName | Název modelu, který se má vytrénovat. | řetězec |
| nEstimátory | Zadejte počet stromů (nebo zaokrouhlování) v modelu. | řetězec |
| numLeaves | Zadejte počet listů. | řetězec |
| preprocessorName | Název preprocesoru, který se má použít. | řetězec |
| regAlpha | Termín regularizace L1 na váze. | řetězec |
| regLambda | Termín regularizace L2 na váze. | řetězec |
| podsample | Poměr dílčího razítka instance trénování | řetězec |
| subsampleFreq | Frekvence podsample | řetězec |
| treeMethod | Zadejte metodu stromu. | řetězec |
| withMean | Pokud je hodnota true, zacentrujte před škálováním dat pomocí StandardScalar. | řetězec |
| withStd | Pokud je hodnota true, škálování dat pomocí odchylky jednotek pomocí StandardScalar. | řetězec |
TableSweepSettings
| Jméno | Popis | Hodnota |
|---|---|---|
| earlyTermination | Typ zásad předčasného ukončení pro úlohu úklidu | EarlyTerminationPolicy |
| samplingAlgorithm | [Povinné] Typ algoritmu vzorkování | "Bayesian" "Mřížka" "Random" (povinné) |
EarlyTerminationPolicy
| Jméno | Popis | Hodnota |
|---|---|---|
| delayEvaluation | Početintervalch | Int |
| evaluationInterval | Interval (počet spuštění) mezi vyhodnoceními zásad | Int |
| policyType | Nastavení typu objektu |
bandit MedianS stop TruncationSelection (povinné) |
BanditPolicy
| Jméno | Popis | Hodnota |
|---|---|---|
| policyType | [Povinné] Název konfigurace zásad | "Bandit" (povinné) |
| SlackAmount | Absolutní vzdálenost povolená od nejlepšího spuštění. | Int |
| SlackFactor | Poměr povolené vzdálenosti od nejlepšího spuštění | Int |
MedianStoppingPolicy
| Jméno | Popis | Hodnota |
|---|---|---|
| policyType | [Povinné] Název konfigurace zásad | "MediánStopping" (povinné) |
TruncationSelectionPolicy
| Jméno | Popis | Hodnota |
|---|---|---|
| policyType | [Povinné] Název konfigurace zásad | "TruncationSelection" (povinné) |
| truncationPercentage | Procento spuštění, která se mají zrušit v každém intervalu vyhodnocení. | Int |
ClassificationTrainingSettings
| Jméno | Popis | Hodnota |
|---|---|---|
| allowedTrainingAlgorithms | Povolené modely pro úlohu klasifikace | Řetězcové pole obsahující některou z těchto možností: "BernoulliNaiveBayes" "DecisionTree" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LightGBM" "LinearSVM" "LogisticRegression" "MultinomialNaiveBayes" "RandomForest" "SGD" "SVM" "XGBoostClassifier" |
| blockedTrainingAlgorithms | Blokované modely pro úlohu klasifikace | Řetězcové pole obsahující některou z těchto možností: "BernoulliNaiveBayes" "DecisionTree" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LightGBM" "LinearSVM" "LogisticRegression" "MultinomialNaiveBayes" "RandomForest" "SGD" "SVM" "XGBoostClassifier" |
| enableDnnTraining | Povolte doporučení modelů DNN. | Bool |
| enableModelExplainability | Příznakem zapněte vysvětlitelnost nejlepšího modelu. | Bool |
| enableOnnxCompatibleModels | Příznak pro povolení kompatibilních modelů onnx. | Bool |
| enableStackEnsemble | Povolte spuštění souboru zásobníku. | Bool |
| enableVoteEnsemble | Povolte spuštění hlasovacího souboru. | Bool |
| ensembleModelDownloadTimeout | Během generování modelu VotingEnsemble a StackEnsemble se stáhne několik fitovaných modelů z předchozích podřízených spuštění. Pokud potřebujete více času, nakonfigurujte tento parametr s vyšší hodnotou než 300 sekund. |
řetězec |
| stackEnsembleSettings | Stack ensemble nastavení pro štosový soubor běh. | |
| trainingMode | Režim TrainingMode – Nastavení na hodnotu Auto je stejné jako nastavení na nedistribuovaný režim, ale v budoucnu může vést ke smíšenému nebo heuristickému výběru režimu. Výchozí hodnota je auto. Pokud je distribuovaná, použije se pouze distribuovaná featurizace a zvolí se distribuované algoritmy. Pokud je "NonDistributed", vyberou se pouze nedistribuované algoritmy. |
"Automaticky" "Distribuovaná" "NonDistributed" |
StackEnsembleSettings
| Jméno | Popis | Hodnota |
|---|---|---|
| stackMetaLearnerKWargs | Volitelné parametry, které se mají předat inicializátoru metaučte. | |
| stackMetaLearnerTrainPercentage | Určuje poměr trénovací sady (při výběru typu trénování a ověřování trénování) pro trénování metaučovače. Výchozí hodnota je 0,2. | Int |
| stackMetaLearnerType | Metauč je model natrénovaný na výstupu jednotlivých heterogenních modelů. | ElasticNet ElasticNetCV "LightGBMClassifier" "LightGBMRegressor" "LinearRegression" "LogisticRegression" "LogisticRegressionCV" "Žádný" |
Prognostika
| Jméno | Popis | Hodnota |
|---|---|---|
| taskType | [Povinné] Typ úlohy pro AutoMLJob | "Prognózování" (povinné) |
| cvSplitColumnNames | Sloupce, které se mají použít pro data CVSplit. | string[] |
| featurizationSettings | Vstupy featurizace potřebné pro úlohu AutoML | TableVerticalFeaturizationSettings |
| fixedParameters | Parametry modelu/trénování, které zůstanou v průběhu trénování konstantní. | TableFixedParameters |
| forecastingSettings | Prognózování vstupů specifických pro úlohu | ForecastingSettings |
| limitSettings | Omezení spouštění pro AutoMLJob. | TableVerticalLimitSettings |
| nCrossValidations | Počet záhybů křížového ověření, které se mají použít u trénovací datové sady pokud není k dispozici ověřovací datová sada. |
NCrossValidations |
| primaryMetric | Primární metrika pro prognózování úkolu | NormalizedMeanAbsoluteError NormalizedRootMeanSquaredError "R2Score" "SpearmanCorrelation" |
| searchSpace | Prohledávejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů. | TableParameterSubspace[] |
| sweepSettings | Nastavení pro úklid modelů a ladění hyperparametrů | TableSweepSettings |
| testData | Otestujte vstup dat. | MLTableJobInput |
| testDataSize | Zlomek testovací datové sady, kterou je potřeba vyhradit pro účely ověření. Hodnoty mezi (0,0 , 1,0) Používá se, pokud není k dispozici ověřovací datová sada. |
Int |
| trainingSettings | Vstupy pro trénovací fázi pro úlohu AutoML. | ForecastingTrainingSettings |
| validationData | Ověřovací vstupy dat. | MLTableJobInput |
| validationDataSize | Zlomek trénovací datové sady, kterou je potřeba pro účely ověřování vyhradit. Hodnoty mezi (0,0 , 1,0) Používá se, pokud není k dispozici ověřovací datová sada. |
Int |
| weightColumnName | Název ukázkového sloupce hmotnosti. Automatizované strojové učení podporuje vážený sloupec jako vstup, což způsobuje, že řádky v datech se vážou nahoru nebo dolů. | řetězec |
ForecastingSettings
| Jméno | Popis | Hodnota |
|---|---|---|
| countryOrRegionForHolidays | Země nebo oblast pro svátky pro prognózování úkolů Měly by se jednat o dvoumísmenné kódy země/oblasti ISO 3166, například "USA" nebo "GB". |
řetězec |
| cvStepSize | Početobdobíchch Pro Pokud například CVStepSize = 3 pro denní data, čas počátku každého přeložení budetři dny od sebe. |
Int |
| featureLags | Příznak pro generování prodlev pro číselné funkce s hodnotou auto nebo null | "Automaticky" "Žádný" |
| featuresUnknownAtForecastTime | Sloupce funkcí, které jsou k dispozici pro trénování, ale neznámé v době prognózy nebo odvozování. Pokud features_unknown_at_forecast_time není nastavená, předpokládá se, že všechny sloupce funkcí v datové sadě jsou známé v době odvození. |
string[] |
| forecastHorizon | Požadovaný maximální horizont prognózy v jednotkách četnosti časových řad. | |
| frekvence | Při prognózování představuje tento parametr období, ve kterém je prognóza požadovaná, například denně, týdně, ročně atd. Frekvence prognózy je ve výchozím nastavení frekvence datových sad. | řetězec |
| sezónnost | Nastavte sezónnost časových řad jako celočíselnou násobek frekvence řady. Pokud je sezónnost nastavená na "auto", bude odvozena. |
sezónnost |
| shortSeriesHandlingConfig | Parametr definující, jak by AutoML měl zpracovávat krátké časové řady. | "Automaticky" "Drop" "Žádný" "Pad" |
| targetAggregateFunction | Funkce, která se má použít k agregaci cílového sloupce časové řady tak, aby odpovídala zadané frekvenci uživatele. Pokud je parametr TargetAggregateFunction nastavený, tj. ne None, ale není nastaven parametr freq, vyvolá se chyba. Možné cílové agregační funkce jsou: "sum", "max", "min" a "střední". |
"Max" "Střední" "Min" "Žádný" "Součet" |
| targetLags | Počet minulých období, která se mají od cílového sloupce zpožďovat. | TargetLags |
| targetRollingWindowSize | Počet minulých období použitých k vytvoření průběžného intervalu cílového sloupce. | TargetRollingWindowSize |
| timeColumnName | Název sloupce času. Tento parametr se vyžaduje při prognózování pro zadání sloupce datetime ve vstupních datech použitých k sestavení časové řady a odvození jeho frekvence. | řetězec |
| timeSeriesIdColumnNames | Názvy sloupců, které se používají k seskupení časových intervalů. Dá se použít k vytvoření více řad. Pokud není definováno agregační interval, předpokládá se, že datová sada je jednorázová. Tento parametr se používá s prognózou typu úlohy. |
string[] |
| useStl | Nakonfigurujte rozklad STL cílového sloupce časové řady. | "Žádný" "Sezóna" "SeasonTrend" |
ForecastHorizon
| Jméno | Popis | Hodnota |
|---|---|---|
| režim | Nastavení typu objektu | automatické vlastní (povinné) |
AutoForecastHorizon
| Jméno | Popis | Hodnota |
|---|---|---|
| režim | [Povinné] Nastavte režim výběru hodnoty horizont prognózy. | "Auto" (povinné) |
CustomForecastHorizon
| Jméno | Popis | Hodnota |
|---|---|---|
| režim | [Povinné] Nastavte režim výběru hodnoty horizont prognózy. | Vlastní (povinné) |
| hodnota | [Povinné] Hodnota horizontu prognózy. | int (povinné) |
Sezónnost
| Jméno | Popis | Hodnota |
|---|---|---|
| režim | Nastavení typu objektu | automatické vlastní (povinné) |
AutoSeasonality
| Jméno | Popis | Hodnota |
|---|---|---|
| režim | [Povinné] Režim sezónnosti. | "Auto" (povinné) |
CustomSeasonality
| Jméno | Popis | Hodnota |
|---|---|---|
| režim | [Povinné] Režim sezónnosti. | Vlastní (povinné) |
| hodnota | [Povinné] Hodnota sezónnosti | int (povinné) |
TargetLags
| Jméno | Popis | Hodnota |
|---|---|---|
| režim | Nastavení typu objektu | automatické vlastní (povinné) |
AutoTargetLags
| Jméno | Popis | Hodnota |
|---|---|---|
| režim | [Povinné] Nastavení režimu prodlev cíle – automatické nebo vlastní | "Auto" (povinné) |
CustomTargetLags
| Jméno | Popis | Hodnota |
|---|---|---|
| režim | [Povinné] Nastavení režimu prodlev cíle – automatické nebo vlastní | Vlastní (povinné) |
| hodnoty | [Povinné] Nastavte hodnoty prodlev cíle. | int[] (povinné) |
TargetRollingWindowSize
| Jméno | Popis | Hodnota |
|---|---|---|
| režim | Nastavení typu objektu | automatické vlastní (povinné) |
AutoTargetRollingWindowSize
| Jméno | Popis | Hodnota |
|---|---|---|
| režim | [Povinné] TargetRollingWindowSiz – režim detekce | "Auto" (povinné) |
CustomTargetRollingWindowSize
| Jméno | Popis | Hodnota |
|---|---|---|
| režim | [Povinné] TargetRollingWindowSiz – režim detekce | Vlastní (povinné) |
| hodnota | [Povinné] TargetRollingWindowSize value. | int (povinné) |
ForecastingTrainingSettings
| Jméno | Popis | Hodnota |
|---|---|---|
| allowedTrainingAlgorithms | Povolené modely pro prognózování úkolu. | Řetězcové pole obsahující některou z těchto možností: "Arimax" "AutoArima" "Průměr" "DecisionTree" ElasticNet "ExponentialSmoothing" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LasoLars" "LightGBM" "Naive" "Prorok" "RandomForest" "SGD" "SeasonalAverage" "SeasonalNaive" "TCNForecaster" "XGBoostRegressor" |
| blockedTrainingAlgorithms | Blokované modely pro úlohu prognózování | Řetězcové pole obsahující některou z těchto možností: "Arimax" "AutoArima" "Průměr" "DecisionTree" ElasticNet "ExponentialSmoothing" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LasoLars" "LightGBM" "Naive" "Prorok" "RandomForest" "SGD" "SeasonalAverage" "SeasonalNaive" "TCNForecaster" "XGBoostRegressor" |
| enableDnnTraining | Povolte doporučení modelů DNN. | Bool |
| enableModelExplainability | Příznakem zapněte vysvětlitelnost nejlepšího modelu. | Bool |
| enableOnnxCompatibleModels | Příznak pro povolení kompatibilních modelů onnx. | Bool |
| enableStackEnsemble | Povolte spuštění souboru zásobníku. | Bool |
| enableVoteEnsemble | Povolte spuštění hlasovacího souboru. | Bool |
| ensembleModelDownloadTimeout | Během generování modelu VotingEnsemble a StackEnsemble se stáhne několik fitovaných modelů z předchozích podřízených spuštění. Pokud potřebujete více času, nakonfigurujte tento parametr s vyšší hodnotou než 300 sekund. |
řetězec |
| stackEnsembleSettings | Stack ensemble nastavení pro štosový soubor běh. | |
| trainingMode | Režim TrainingMode – Nastavení na hodnotu Auto je stejné jako nastavení na nedistribuovaný režim, ale v budoucnu může vést ke smíšenému nebo heuristickému výběru režimu. Výchozí hodnota je auto. Pokud je distribuovaná, použije se pouze distribuovaná featurizace a zvolí se distribuované algoritmy. Pokud je "NonDistributed", vyberou se pouze nedistribuované algoritmy. |
"Automaticky" "Distribuovaná" "NonDistributed" |
ImageClassification
| Jméno | Popis | Hodnota |
|---|---|---|
| taskType | [Povinné] Typ úlohy pro AutoMLJob | ImageClassification (povinné) |
| limitSettings | [Povinné] Omezte nastavení pro úlohu AutoML. | imageLimitSettings (povinné) |
| modelSettings | Nastavení použitá pro trénování modelu. | imageModelSettingsClassification |
| primaryMetric | Primární metrika pro optimalizaci pro tuto úlohu | "AUCWeighted" "Přesnost" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted" |
| searchSpace | Prohledávejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů. | ImageModelDistributionSettingsClassification[] |
| sweepSettings | Nastavení související s úklidem modelů a úklidem hyperparametrů | ImageSweepSettings |
| validationData | Ověřovací vstupy dat. | MLTableJobInput |
| validationDataSize | Zlomek trénovací datové sady, kterou je potřeba pro účely ověřování vyhradit. Hodnoty mezi (0,0 , 1,0) Používá se, pokud není k dispozici ověřovací datová sada. |
Int |
ImageLimitSettings
| Jméno | Popis | Hodnota |
|---|---|---|
| maxConcurrentTrials | Maximální počet souběžných iterací AutoML | Int |
| maxTrials | Maximální počet iterací AutoML | Int |
| přerušení zápasu | Časový limit úlohy AutoML | řetězec |
ImageModelSettingsClassification
MLFlowModelJobInput
| Jméno | Popis | Hodnota |
|---|---|---|
| popis | Popis vstupu | řetězec |
| jobInputType | [Povinné] Určuje typ úlohy. | "custom_model" "literál" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (povinné) |
| režim | Režim doručení vstupního majetku | "Direct" "Stáhnout" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
| pathOnCompute | Cesta doručení vstupního majetku | řetězec |
| identifikátor uri | [Povinné] Identifikátor URI vstupního assetu | string (povinné) Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] |
ImageModelDistributionSettingsClassification
| Jméno | Popis | Hodnota |
|---|---|---|
| amsGradient | Povolte AMSGrad, pokud je optimalizátor adam nebo adamw. | řetězec |
| rozšíření | Nastavení pro použití rozšíření | řetězec |
| beta1 | Hodnota beta1, pokud je optimalizátor "adam" nebo "adamw". Musí to být plovák v rozsahu [0, 1]. | řetězec |
| beta2 | Hodnota beta2, pokud je optimalizátor "adam" nebo "adamw". Musí to být plovák v rozsahu [0, 1]. | řetězec |
| distribuovaný | Zda se má použít trénování distribuátoru. | řetězec |
| počáteční zastavení | Povolte logiku předčasného zastavení během trénování. | řetězec |
| earlyStoppingDelay | Minimální počet epoch nebo vyhodnocení ověření, které se má čekat před primárním zlepšením metriky je sledován pro předčasné zastavení. Musí to být kladné celé číslo. |
řetězec |
| earlyStoppingPatience | Minimální počet epoch nebo vyhodnocení ověření bez primárního zlepšení metriky před spuštění je zastaveno. Musí to být kladné celé číslo. |
řetězec |
| enableOnnxNormalization | Povolte normalizaci při exportu modelu ONNX. | řetězec |
| evaluationFrequency | Frekvence vyhodnocení ověřovací datové sady za účelem získání skóre metrik Musí to být kladné celé číslo. | řetězec |
| gradientAccumulationStep | Akumulace přechodu znamená spuštění nakonfigurovaného počtu kroků GradAccumulationStep bez aktualizace hmotností modelu při nashromáždění přechodů těchto kroků a následné použití kumulované přechody pro výpočet aktualizací hmotnosti. Musí to být kladné celé číslo. |
řetězec |
| vrstvyToFreeze | Počet vrstev, které se mají u modelu ukotvit. Musí to být kladné celé číslo. Například předání hodnoty 2 jako hodnoty pro "seresnext" znamená zamrznutí vrstvy 0 a vrstvy1. Úplný seznam podporovaných modelů a podrobnosti o ukotvení vrstvy viz: /azure/machine-learning/how-to-auto-train-image-models. |
řetězec |
| learningRate | Počáteční rychlost učení. Musí to být plovák v rozsahu [0, 1]. | řetězec |
| learningRateScheduler | Typ plánovače rychlosti učení Musí to být "warmup_cosine" nebo "step". | řetězec |
| modelName | Název modelu, který se má použít pro trénování Další informace o dostupných modelech najdete v oficiální dokumentaci: /azure/machine-learning/how-to-auto-train-image-models. |
řetězec |
| hybnost | Hodnota dynamiky při optimalizaci je "sgd". Musí to být plovák v rozsahu [0, 1]. | řetězec |
| nesterov | Povolte nesterov, pokud je optimalizátor sgd. | řetězec |
| numberOfEpochs | Počet epoch trénování. Musí to být kladné celé číslo. | řetězec |
| numberOfWorkers | Počet pracovních procesů zavaděče dat Musí to být nezáporné celé číslo. | řetězec |
| optimizátor | Typ optimalizátoru Musí to být buď 'sgd', 'adam', nebo 'adamw'. | řetězec |
| randomSeed | Náhodná počáteční hodnota, která se má použít při použití deterministického trénování. | řetězec |
| stepLRGamma | Hodnota gama při učení plánovače rychlosti je krok. Musí to být plovák v rozsahu [0, 1]. | řetězec |
| stepLRStepSize | Hodnota velikosti kroku při plánování rychlosti učení je krok. Musí to být kladné celé číslo. | řetězec |
| trainingBatchSize | Trénovací velikost dávky. Musí to být kladné celé číslo. | řetězec |
| trainingCropSize | Velikost oříznutí obrázku, která je vstupní do neurální sítě pro trénovací datovou sadu Musí to být kladné celé číslo. | řetězec |
| validationBatchSize | Velikost dávky ověření. Musí to být kladné celé číslo. | řetězec |
| validationCropSize | Velikost oříznutí obrázku, která je vstupní do neurální sítě pro ověřovací datovou sadu. Musí to být kladné celé číslo. | řetězec |
| validationResizeSize | Velikost obrázku, na kterou se má změnit velikost před oříznutím pro ověřovací datovou sadu Musí to být kladné celé číslo. | řetězec |
| warmupCosineLRCycles | Hodnota kosinusového cyklu při plánování rychlosti učení je "warmup_cosine". Musí to být plovák v rozsahu [0, 1]. | řetězec |
| warmupCosineLRWarmupEpochs | Hodnota epochy warmup při učení plánovače rychlosti je "warmup_cosine". Musí to být kladné celé číslo. | řetězec |
| weightDecay | Hodnota hmotnosti se rozpadne, když je optimalizátor 'sgd', 'adam' nebo 'adamw'. Musí to být plovák v rozsahu[0, 1]. | řetězec |
| weightedLoss | Vážená ztráta. Přijaté hodnoty jsou 0 pro žádnou váženou ztrátu. 1 pro váženou ztrátu sqrtem. (class_weights). 2 pro váženou ztrátu s class_weights. Musí být 0 nebo 1 nebo 2. |
řetězec |
ImageSweepSettings
| Jméno | Popis | Hodnota |
|---|---|---|
| earlyTermination | Typ zásad předčasného ukončení | EarlyTerminationPolicy |
| samplingAlgorithm | [Povinné] Typ algoritmů vzorkování hyperparametrů | "Bayesian" "Mřížka" "Random" (povinné) |
ImageClassificationMultilabel
| Jméno | Popis | Hodnota |
|---|---|---|
| taskType | [Povinné] Typ úlohy pro AutoMLJob | ImageClassificationMultilabel (povinné) |
| limitSettings | [Povinné] Omezte nastavení pro úlohu AutoML. | imageLimitSettings (povinné) |
| modelSettings | Nastavení použitá pro trénování modelu. | imageModelSettingsClassification |
| primaryMetric | Primární metrika pro optimalizaci pro tuto úlohu | "AUCWeighted" "Přesnost" "AveragePrecisionScoreWeighted" "IOU" "NormMacroRecall" "PrecisionScoreWeighted" |
| searchSpace | Prohledávejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů. | ImageModelDistributionSettingsClassification[] |
| sweepSettings | Nastavení související s úklidem modelů a úklidem hyperparametrů | ImageSweepSettings |
| validationData | Ověřovací vstupy dat. | MLTableJobInput |
| validationDataSize | Zlomek trénovací datové sady, kterou je potřeba pro účely ověřování vyhradit. Hodnoty mezi (0,0 , 1,0) Používá se, pokud není k dispozici ověřovací datová sada. |
Int |
ImageInstanceSegmentation
| Jméno | Popis | Hodnota |
|---|---|---|
| taskType | [Povinné] Typ úlohy pro AutoMLJob | ImageInstanceSegmentation (povinné) |
| limitSettings | [Povinné] Omezte nastavení pro úlohu AutoML. | imageLimitSettings (povinné) |
| modelSettings | Nastavení použitá pro trénování modelu. | ImageModelSettingsObjectDetection |
| primaryMetric | Primární metrika pro optimalizaci pro tuto úlohu | "MeanAveragePrecision" |
| searchSpace | Prohledávejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů. | ImageModelDistributionSettingsObjectDetection[] |
| sweepSettings | Nastavení související s úklidem modelů a úklidem hyperparametrů | ImageSweepSettings |
| validationData | Ověřovací vstupy dat. | MLTableJobInput |
| validationDataSize | Zlomek trénovací datové sady, kterou je potřeba pro účely ověřování vyhradit. Hodnoty mezi (0,0 , 1,0) Používá se, pokud není k dispozici ověřovací datová sada. |
Int |
ImageModelSettingsObjectDetection
ImageModelDistributionSettingsObjectDetection
| Jméno | Popis | Hodnota |
|---|---|---|
| amsGradient | Povolte AMSGrad, pokud je optimalizátor adam nebo adamw. | řetězec |
| rozšíření | Nastavení pro použití rozšíření | řetězec |
| beta1 | Hodnota beta1, pokud je optimalizátor "adam" nebo "adamw". Musí to být plovák v rozsahu [0, 1]. | řetězec |
| beta2 | Hodnota beta2, pokud je optimalizátor "adam" nebo "adamw". Musí to být plovák v rozsahu [0, 1]. | řetězec |
| boxDetectionsPerImage | Maximální počet detekcí na obrázek pro všechny třídy. Musí to být kladné celé číslo. Poznámka: Toto nastavení není podporováno pro algoritmus yolov5. |
řetězec |
| boxScoreThreshold | Při odvozování vrátí pouze návrhy s vyšším skóre klasifikace než BoxScoreThreshold. Musí to být plovák v rozsahu[0, 1]. |
řetězec |
| distribuovaný | Zda se má použít trénování distribuátoru. | řetězec |
| počáteční zastavení | Povolte logiku předčasného zastavení během trénování. | řetězec |
| earlyStoppingDelay | Minimální počet epoch nebo vyhodnocení ověření, které se má čekat před primárním zlepšením metriky je sledován pro předčasné zastavení. Musí to být kladné celé číslo. |
řetězec |
| earlyStoppingPatience | Minimální počet epoch nebo vyhodnocení ověření bez primárního zlepšení metriky před spuštění je zastaveno. Musí to být kladné celé číslo. |
řetězec |
| enableOnnxNormalization | Povolte normalizaci při exportu modelu ONNX. | řetězec |
| evaluationFrequency | Frekvence vyhodnocení ověřovací datové sady za účelem získání skóre metrik Musí to být kladné celé číslo. | řetězec |
| gradientAccumulationStep | Akumulace přechodu znamená spuštění nakonfigurovaného počtu kroků GradAccumulationStep bez aktualizace hmotností modelu při nashromáždění přechodů těchto kroků a následné použití kumulované přechody pro výpočet aktualizací hmotnosti. Musí to být kladné celé číslo. |
řetězec |
| imageSize | Velikost obrázku pro trénování a ověření Musí to být kladné celé číslo. Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud je velikost příliš velká. Poznámka: Toto nastavení je podporováno pouze pro algoritmus yolov5. |
řetězec |
| vrstvyToFreeze | Počet vrstev, které se mají u modelu ukotvit. Musí to být kladné celé číslo. Například předání hodnoty 2 jako hodnoty pro "seresnext" znamená zamrznutí vrstvy 0 a vrstvy1. Úplný seznam podporovaných modelů a podrobnosti o ukotvení vrstvy viz: /azure/machine-learning/how-to-auto-train-image-models. |
řetězec |
| learningRate | Počáteční rychlost učení. Musí to být plovák v rozsahu [0, 1]. | řetězec |
| learningRateScheduler | Typ plánovače rychlosti učení Musí to být "warmup_cosine" nebo "step". | řetězec |
| maxSize | Maximální velikost obrázku, která se má znovu škálovat, než ho podáte do páteřní sítě. Musí to být kladné celé číslo. Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud je velikost příliš velká. Poznámka: Toto nastavení není podporováno pro algoritmus yolov5. |
řetězec |
| minSize | Minimální velikost obrázku, která se má před podáváním do páteřní sítě znovu škálovat. Musí to být kladné celé číslo. Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud je velikost příliš velká. Poznámka: Toto nastavení není podporováno pro algoritmus yolov5. |
řetězec |
| modelName | Název modelu, který se má použít pro trénování Další informace o dostupných modelech najdete v oficiální dokumentaci: /azure/machine-learning/how-to-auto-train-image-models. |
řetězec |
| modelSize | Velikost modelu Musí být "small", "medium", "large" nebo "xlarge". Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud je velikost modelu příliš velká. Poznámka: Toto nastavení je podporováno pouze pro algoritmus yolov5. |
řetězec |
| hybnost | Hodnota dynamiky při optimalizaci je "sgd". Musí to být plovák v rozsahu [0, 1]. | řetězec |
| multiScale | Povolte vícenásobný obrázek tak, že se liší velikostí obrázku o velikosti +/- 50%. Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud není dostatek paměti GPU. Poznámka: Toto nastavení je podporováno pouze pro algoritmus yolov5. |
řetězec |
| nesterov | Povolte nesterov, pokud je optimalizátor sgd. | řetězec |
| nmsIouThreshold | Prahová hodnota IOU použitá při odvození v NMS po zpracování. Musí být plovoucí v rozsahu [0, 1]. | řetězec |
| numberOfEpochs | Počet epoch trénování. Musí to být kladné celé číslo. | řetězec |
| numberOfWorkers | Počet pracovních procesů zavaděče dat Musí to být nezáporné celé číslo. | řetězec |
| optimizátor | Typ optimalizátoru Musí to být buď 'sgd', 'adam', nebo 'adamw'. | řetězec |
| randomSeed | Náhodná počáteční hodnota, která se má použít při použití deterministického trénování. | řetězec |
| stepLRGamma | Hodnota gama při učení plánovače rychlosti je krok. Musí to být plovák v rozsahu [0, 1]. | řetězec |
| stepLRStepSize | Hodnota velikosti kroku při plánování rychlosti učení je krok. Musí to být kladné celé číslo. | řetězec |
| tileGridSize | Velikost mřížky, která se má použít pro provazování jednotlivých obrázků. Poznámka: TileGridSize nesmí být Žádná pro povolení logiky detekce malých objektů Řetězec obsahující dvě celá čísla ve formátu mxn. Poznámka: Toto nastavení není podporováno pro algoritmus yolov5. |
řetězec |
| tileOverlapRatio | Poměr překrytí mezi sousedními dlaždicemi v každé dimenzi Musí být plovoucí v rozsahu [0, 1). Poznámka: Toto nastavení není podporováno pro algoritmus yolov5. |
řetězec |
| tilePredictionsNmsThreshold | Prahová hodnota IOU, která se má použít k provádění NMS při slučování předpovědí z dlaždic a obrázků. Používá se při ověřování nebo odvozování. Musí být plovoucí v rozsahu [0, 1]. Poznámka: Toto nastavení není podporováno pro algoritmus yolov5. NMS: Nevýkonné potlačení |
řetězec |
| trainingBatchSize | Trénovací velikost dávky. Musí to být kladné celé číslo. | řetězec |
| validationBatchSize | Velikost dávky ověření. Musí to být kladné celé číslo. | řetězec |
| validationIouThreshold | Prahová hodnota IOU, která se má použít při výpočetní metrikě ověřování. Musí být plovoucí v rozsahu [0, 1]. | řetězec |
| validationMetricType | Metoda výpočtů metrik, která se má použít pro ověřovací metriky. Musí to být žádná, coco, voc nebo coco_voc. | řetězec |
| warmupCosineLRCycles | Hodnota kosinusového cyklu při plánování rychlosti učení je "warmup_cosine". Musí to být plovák v rozsahu [0, 1]. | řetězec |
| warmupCosineLRWarmupEpochs | Hodnota epochy warmup při učení plánovače rychlosti je "warmup_cosine". Musí to být kladné celé číslo. | řetězec |
| weightDecay | Hodnota hmotnosti se rozpadne, když je optimalizátor 'sgd', 'adam' nebo 'adamw'. Musí to být plovák v rozsahu[0, 1]. | řetězec |
ImageObjectDetection
| Jméno | Popis | Hodnota |
|---|---|---|
| taskType | [Povinné] Typ úlohy pro AutoMLJob | ImageObjectDetection (povinné) |
| limitSettings | [Povinné] Omezte nastavení pro úlohu AutoML. | imageLimitSettings (povinné) |
| modelSettings | Nastavení použitá pro trénování modelu. | ImageModelSettingsObjectDetection |
| primaryMetric | Primární metrika pro optimalizaci pro tuto úlohu | "MeanAveragePrecision" |
| searchSpace | Prohledávejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů. | ImageModelDistributionSettingsObjectDetection[] |
| sweepSettings | Nastavení související s úklidem modelů a úklidem hyperparametrů | ImageSweepSettings |
| validationData | Ověřovací vstupy dat. | MLTableJobInput |
| validationDataSize | Zlomek trénovací datové sady, kterou je potřeba pro účely ověřování vyhradit. Hodnoty mezi (0,0 , 1,0) Používá se, pokud není k dispozici ověřovací datová sada. |
Int |
Regrese
| Jméno | Popis | Hodnota |
|---|---|---|
| taskType | [Povinné] Typ úlohy pro AutoMLJob | "Regrese" (povinné) |
| cvSplitColumnNames | Sloupce, které se mají použít pro data CVSplit. | string[] |
| featurizationSettings | Vstupy featurizace potřebné pro úlohu AutoML | TableVerticalFeaturizationSettings |
| fixedParameters | Parametry modelu/trénování, které zůstanou v průběhu trénování konstantní. | TableFixedParameters |
| limitSettings | Omezení spouštění pro AutoMLJob. | TableVerticalLimitSettings |
| nCrossValidations | Počet záhybů křížového ověření, které se mají použít u trénovací datové sady pokud není k dispozici ověřovací datová sada. |
NCrossValidations |
| primaryMetric | Primární metrika pro regresní úlohu | NormalizedMeanAbsoluteError NormalizedRootMeanSquaredError "R2Score" "SpearmanCorrelation" |
| searchSpace | Prohledávejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů. | TableParameterSubspace[] |
| sweepSettings | Nastavení pro úklid modelů a ladění hyperparametrů | TableSweepSettings |
| testData | Otestujte vstup dat. | MLTableJobInput |
| testDataSize | Zlomek testovací datové sady, kterou je potřeba vyhradit pro účely ověření. Hodnoty mezi (0,0 , 1,0) Používá se, pokud není k dispozici ověřovací datová sada. |
Int |
| trainingSettings | Vstupy pro trénovací fázi pro úlohu AutoML. | |
| validationData | Ověřovací vstupy dat. | MLTableJobInput |
| validationDataSize | Zlomek trénovací datové sady, kterou je potřeba pro účely ověřování vyhradit. Hodnoty mezi (0,0 , 1,0) Používá se, pokud není k dispozici ověřovací datová sada. |
Int |
| weightColumnName | Název ukázkového sloupce hmotnosti. Automatizované strojové učení podporuje vážený sloupec jako vstup, což způsobuje, že řádky v datech se vážou nahoru nebo dolů. | řetězec |
RegressionTrainingSettings
| Jméno | Popis | Hodnota |
|---|---|---|
| allowedTrainingAlgorithms | Povolené modely pro regresní úlohu | Řetězcové pole obsahující některou z těchto možností: "DecisionTree" ElasticNet "ExtremeRandomTrees" "GradientBoosting" "KNN" "LasoLars" "LightGBM" "RandomForest" "SGD" "XGBoostRegressor" |
| blockedTrainingAlgorithms | Blokované modely pro regresní úlohu | Řetězcové pole obsahující některou z těchto možností: "DecisionTree" ElasticNet "ExtremeRandomTrees" "GradientBoosting" "KNN" "LasoLars" "LightGBM" "RandomForest" "SGD" "XGBoostRegressor" |
| enableDnnTraining | Povolte doporučení modelů DNN. | Bool |
| enableModelExplainability | Příznakem zapněte vysvětlitelnost nejlepšího modelu. | Bool |
| enableOnnxCompatibleModels | Příznak pro povolení kompatibilních modelů onnx. | Bool |
| enableStackEnsemble | Povolte spuštění souboru zásobníku. | Bool |
| enableVoteEnsemble | Povolte spuštění hlasovacího souboru. | Bool |
| ensembleModelDownloadTimeout | Během generování modelu VotingEnsemble a StackEnsemble se stáhne několik fitovaných modelů z předchozích podřízených spuštění. Pokud potřebujete více času, nakonfigurujte tento parametr s vyšší hodnotou než 300 sekund. |
řetězec |
| stackEnsembleSettings | Stack ensemble nastavení pro štosový soubor běh. | |
| trainingMode | Režim TrainingMode – Nastavení na hodnotu Auto je stejné jako nastavení na nedistribuovaný režim, ale v budoucnu může vést ke smíšenému nebo heuristickému výběru režimu. Výchozí hodnota je auto. Pokud je distribuovaná, použije se pouze distribuovaná featurizace a zvolí se distribuované algoritmy. Pokud je "NonDistributed", vyberou se pouze nedistribuované algoritmy. |
"Automaticky" "Distribuovaná" "NonDistributed" |
TextClassification
| Jméno | Popis | Hodnota |
|---|---|---|
| taskType | [Povinné] Typ úlohy pro AutoMLJob | TextClassification (povinné) |
| featurizationSettings | Vstupy featurizace potřebné pro úlohu AutoML | NlpVerticalFeaturizationSettings |
| fixedParameters | Parametry modelu/trénování, které zůstanou v průběhu trénování konstantní. | NlpFixedParameters |
| limitSettings | Omezení spouštění pro AutoMLJob. | NlpVerticalLimitSettings |
| primaryMetric | Primární metrika pro Text-Classification úkol | "AUCWeighted" "Přesnost" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted" |
| searchSpace | Prohledávejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů. | NlpParameterSubspace[] |
| sweepSettings | Nastavení pro úklid modelů a ladění hyperparametrů | NlpSweepSettings |
| validationData | Ověřovací vstupy dat. | MLTableJobInput |
NlpVerticalFeaturizationSettings
| Jméno | Popis | Hodnota |
|---|---|---|
| datasetLanguage | Jazyk datové sady, užitečný pro textová data. | řetězec |
NlpFixedParameters
| Jméno | Popis | Hodnota |
|---|---|---|
| gradientAccumulationSteps | Počet kroků pro kumulování přechodů před spuštěním zpětného průchodu | Int |
| learningRate | Míra výuky pro postup trénování. | Int |
| learningRateScheduler | Typ plánu rychlosti učení, který se má použít během trénovacího postupu. | "Konstanta" "ConstantWithWarmup" "Kosinus" "CosineWithRestarts" "Lineární" "Žádný" "Polynomický" |
| modelName | Název modelu, který se má vytrénovat. | řetězec |
| numberOfEpochs | Počet epoch trénování. | Int |
| trainingBatchSize | Velikost dávky pro trénovací proceduru. | Int |
| validationBatchSize | Velikost dávky, která se má použít při vyhodnocování. | Int |
| warmupRatio | Poměr tepla, použitý spolu s LrSchedulerType. | Int |
| weightDecay | Hmotnost pro trénovací proceduru se rozpadla. | Int |
NlpVerticalLimitSettings
| Jméno | Popis | Hodnota |
|---|---|---|
| maxConcurrentTrials | Maximální počet souběžných iterací AutoML | Int |
| maxNodes | Maximální počet uzlů, které se mají použít pro experiment. | Int |
| maxTrials | Počet iterací AutoML | Int |
| přerušení zápasu | Časový limit úlohy AutoML | řetězec |
| trialTimeout | Časový limit jednotlivých zkušebních verzí HD | řetězec |
NlpParameterSubspace
| Jméno | Popis | Hodnota |
|---|---|---|
| gradientAccumulationSteps | Počet kroků pro kumulování přechodů před spuštěním zpětného průchodu | řetězec |
| learningRate | Míra výuky pro postup trénování. | řetězec |
| learningRateScheduler | Typ plánu rychlosti učení, který se má použít během trénovacího postupu. | řetězec |
| modelName | Název modelu, který se má vytrénovat. | řetězec |
| numberOfEpochs | Počet epoch trénování. | řetězec |
| trainingBatchSize | Velikost dávky pro trénovací proceduru. | řetězec |
| validationBatchSize | Velikost dávky, která se má použít při vyhodnocování. | řetězec |
| warmupRatio | Poměr tepla, použitý spolu s LrSchedulerType. | řetězec |
| weightDecay | Hmotnost pro trénovací proceduru se rozpadla. | řetězec |
NlpSweepSettings
| Jméno | Popis | Hodnota |
|---|---|---|
| earlyTermination | Typ zásad předčasného ukončení pro úlohu úklidu | EarlyTerminationPolicy |
| samplingAlgorithm | [Povinné] Typ algoritmu vzorkování | "Bayesian" "Mřížka" "Random" (povinné) |
TextClassificationMultilabel
| Jméno | Popis | Hodnota |
|---|---|---|
| taskType | [Povinné] Typ úlohy pro AutoMLJob | TextClassificationMultilabel (povinné) |
| featurizationSettings | Vstupy featurizace potřebné pro úlohu AutoML | NlpVerticalFeaturizationSettings |
| fixedParameters | Parametry modelu/trénování, které zůstanou v průběhu trénování konstantní. | NlpFixedParameters |
| limitSettings | Omezení spouštění pro AutoMLJob. | NlpVerticalLimitSettings |
| searchSpace | Prohledávejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů. | NlpParameterSubspace[] |
| sweepSettings | Nastavení pro úklid modelů a ladění hyperparametrů | NlpSweepSettings |
| validationData | Ověřovací vstupy dat. | MLTableJobInput |
TextNer
| Jméno | Popis | Hodnota |
|---|---|---|
| taskType | [Povinné] Typ úlohy pro AutoMLJob | "TextNER" (povinné) |
| featurizationSettings | Vstupy featurizace potřebné pro úlohu AutoML | NlpVerticalFeaturizationSettings |
| fixedParameters | Parametry modelu/trénování, které zůstanou v průběhu trénování konstantní. | NlpFixedParameters |
| limitSettings | Omezení spouštění pro AutoMLJob. | NlpVerticalLimitSettings |
| searchSpace | Prohledávejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů. | NlpParameterSubspace[] |
| sweepSettings | Nastavení pro úklid modelů a ladění hyperparametrů | NlpSweepSettings |
| validationData | Ověřovací vstupy dat. | MLTableJobInput |
CommandJob
| Jméno | Popis | Hodnota |
|---|---|---|
| jobType | [Povinné] Určuje typ úlohy. | Příkaz (povinné) |
| autologgerSettings | Konfigurace distribuce úlohy Pokud je tato možnost nastavená, měla by to být jedna z mpi, Tensorflow, PyTorch nebo null. | |
| codeId | ID prostředku ARM prostředku kódu | řetězec |
| příkaz | [Povinné] Příkaz, který se spustí při spuštění úlohy. Např. Python train.py | string (povinné) Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] |
| distribuce | Konfigurace distribuce úlohy Pokud je tato možnost nastavená, měla by to být jedna z Mpi, Tensorflow, PyTorch, Ray nebo null. | |
| environmentId | [Povinné] ID prostředku ARM specifikace prostředí pro úlohu. | string (povinné) Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] |
| environmentVariables | Proměnné prostředí zahrnuté v úloze | CommandJobEnvironmentVariables |
| vstupy | Mapování vstupních datových vazeb použitých v úloze | CommandJobInputs |
| hranice | Limit úlohy příkazu. | CommandJobLimits |
| výstupy | Mapování výstupních datových vazeb použitých v úloze | CommandJobOutputs |
| queueSettings | Nastavení fronty pro úlohu | |
| prostředky | Konfigurace výpočetního prostředku pro úlohu | JobResourceConfiguration |
AutologgerSettings
| Jméno | Popis | Hodnota |
|---|---|---|
| mlflowAutologger | [Povinné] Určuje, jestli je povolený autologger mlflow. | "Zakázáno" "Povoleno" (povinné) |
DistributionConfiguration
| Jméno | Popis | Hodnota |
|---|---|---|
| distributionType | Nastavení typu objektu |
mpi PyTorch Ray tensorFlow (povinné) |
Mpi
| Jméno | Popis | Hodnota |
|---|---|---|
| distributionType | [Povinné] Určuje typ distribuční architektury. | Mpi (povinné) |
| processCountPerInstance | Počet procesů na uzel MPI | Int |
PyTorch
| Jméno | Popis | Hodnota |
|---|---|---|
| distributionType | [Povinné] Určuje typ distribuční architektury. | "PyTorch" (povinné) |
| processCountPerInstance | Počet procesů na uzel | Int |
Paprsek
| Jméno | Popis | Hodnota |
|---|---|---|
| distributionType | [Povinné] Určuje typ distribuční architektury. | "Ray" (povinné) |
| adresa | Adresa hlavního uzlu Ray. | řetězec |
| dashboardPort | Port pro vazbu serveru řídicího panelu. | Int |
| headNodeAdditionalArgs | Další argumenty předané paprsku v hlavním uzlu. | řetězec |
| includeDashboard | Zadejte tento argument pro spuštění grafického uživatelského rozhraní řídicího panelu Ray. | Bool |
| přístav | Port procesu paprsku hlavy. | Int |
| workerNodeAdditionalArgs | Další argumenty předané ray startu v pracovním uzlu. | řetězec |
TensorFlow
| Jméno | Popis | Hodnota |
|---|---|---|
| distributionType | [Povinné] Určuje typ distribuční architektury. | TensorFlow (povinné) |
| parameterServerCount | Počet úloh serveru parametrů | Int |
| workerCount | Počet pracovníků. Pokud není zadaný, nastaví se výchozí počet instancí. | Int |
CommandJobEnvironmentVariables
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | řetězec |
CommandJobInputs
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | jobInput |
JobInput
| Jméno | Popis | Hodnota |
|---|---|---|
| popis | Popis vstupu | řetězec |
| jobInputType | Nastavení typu objektu |
custom_model literál mlflow_model mltable triton_model uri_file uri_folder (povinné) |
CustomModelJobInput
| Jméno | Popis | Hodnota |
|---|---|---|
| jobInputType | [Povinné] Určuje typ úlohy. | "custom_model" (povinné) |
| režim | Režim doručení vstupního majetku | "Direct" "Stáhnout" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
| pathOnCompute | Cesta doručení vstupního majetku | řetězec |
| identifikátor uri | [Povinné] Identifikátor URI vstupního assetu | string (povinné) Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] |
LiteralJobInput
| Jméno | Popis | Hodnota |
|---|---|---|
| jobInputType | [Povinné] Určuje typ úlohy. | "literál" (povinné) |
| hodnota | [Povinné] Hodnota literálu pro vstup | string (povinné) Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] |
TritonModelJobInput
| Jméno | Popis | Hodnota |
|---|---|---|
| jobInputType | [Povinné] Určuje typ úlohy. | "triton_model" (povinné) |
| režim | Režim doručení vstupního majetku | "Direct" "Stáhnout" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
| pathOnCompute | Cesta doručení vstupního majetku | řetězec |
| identifikátor uri | [Povinné] Identifikátor URI vstupního assetu | string (povinné) Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] |
UriFileJobInput
| Jméno | Popis | Hodnota |
|---|---|---|
| jobInputType | [Povinné] Určuje typ úlohy. | "uri_file" (povinné) |
| režim | Režim doručení vstupního majetku | "Direct" "Stáhnout" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
| pathOnCompute | Cesta doručení vstupního majetku | řetězec |
| identifikátor uri | [Povinné] Identifikátor URI vstupního assetu | string (povinné) Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] |
UriFolderJobInput
| Jméno | Popis | Hodnota |
|---|---|---|
| jobInputType | [Povinné] Určuje typ úlohy. | "uri_folder" (povinné) |
| režim | Režim doručení vstupního majetku | "Direct" "Stáhnout" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
| pathOnCompute | Cesta doručení vstupního majetku | řetězec |
| identifikátor uri | [Povinné] Identifikátor URI vstupního assetu | string (povinné) Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] |
CommandJobLimits
| Jméno | Popis | Hodnota |
|---|---|---|
| jobLimitsType | [Povinné] Typ JobLimit. | "Příkaz" "Uklidit" (povinné) |
| přerušení zápasu | Maximální doba běhu ve formátu ISO 8601, po které bude úloha zrušena. Podporuje pouze dobu trvání s přesností v sekundách. | řetězec |
CommandJobOutputs
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | JobOutput |
FineTuningJob
| Jméno | Popis | Hodnota |
|---|---|---|
| jobType | [Povinné] Určuje typ úlohy. | "FineTuning" (povinné) |
| fineTuningDetails | [Povinné] | FineTuningVertical (povinné) |
| výstupy | [Povinné] | FineTuningJobOutputs (povinné) |
FineTuningVertical
| Jméno | Popis | Hodnota |
|---|---|---|
| model | [Povinné] Vstupní model pro vyladění | MLFlowModelJobInput (povinné) |
| taskType | [Povinné] Typ úkolu je dolaďovací. | "ChatCompletion" "ImageClassification" ImageInstanceSegmentation ImageObjectDetection "QuestionAnswering" "TextClassification" "TextCompletion" "TextSummarization" "TextTranslation" TokenClassification "VideoMultiObjectTracking" (povinné) |
| trainingData | [Povinné] Trénovací data pro vyladění | jobInput (povinné) |
| validationData | Ověřovací data pro vyladění | jobInput |
| modelProvider | Nastavení typu objektu |
AzureOpenAI vlastní (povinné) |
AzureOpenAiFineTuning
| Jméno | Popis | Hodnota |
|---|---|---|
| modelProvider | [Povinné] Výčet k určení typu jemného ladění. | AzureOpenAI (povinné) |
| hyperParametry | HyperParametry pro vyladění modelu Azure Open AI | azureOpenAiHyperParameters |
AzureOpenAiHyperParameters
| Jméno | Popis | Hodnota |
|---|---|---|
| batchSize | Počet příkladů v každé dávce Větší velikost dávky znamená, že parametry modelu se aktualizují méně často, ale s nižší odchylkou. | Int |
| learningRateMultiplier | Faktor škálování pro rychlost učení. Menší rychlost učení může být užitečná, aby se zabránilo přehodování. | Int |
| nEpochs | Počet epoch pro trénování modelu. Epocha odkazuje na jeden celý cyklus prostřednictvím trénovací datové sady. | Int |
CustomModelFineTuning
| Jméno | Popis | Hodnota |
|---|---|---|
| modelProvider | [Povinné] Výčet k určení typu jemného ladění. | Vlastní (povinné) |
| hyperParametry | HyperParametry pro vyladění vlastního modelu | CustomModelFineTuningHyperParameters |
CustomModelFineTuningHyperParameters
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | řetězec |
FineTuningJobOutputs
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | JobOutput |
PopiskyJobProperties
| Jméno | Popis | Hodnota |
|---|---|---|
| componentId | ID prostředku ARM prostředku komponenty | řetězec |
| computeId | ID prostředku ARM výpočetního prostředku | řetězec |
| dataConfiguration | Konfigurace dat použitých v úloze | LabelingDataConfiguration |
| popis | Text popisu prostředku. | řetězec |
| displayName | Zobrazovaný název úlohy. | řetězec |
| experimentName | Název experimentu, do které úloha patří. Pokud není nastavená, úloha se umístí do výchozího experimentu. | řetězec |
| identita | Konfigurace identity. Pokud je tato možnost nastavená, měla by to být jedna z AmlToken, ManagedIdentity, UserIdentity nebo null. Výchozí hodnota AmlToken, pokud má hodnotu null. |
IdentityConfiguration |
| isArchived | Archivuje se asset? | Bool |
| jobInstructions | Pokyny k označení úlohy | labelingJobInstructions |
| jobType | [Povinné] Určuje typ úlohy. | "AutoML" "Příkaz" "FineTuning" "Popisování" "Kanál" "Spark" "Uklidit" (povinné) |
| labelCategories | Označte kategorie úlohy. | labelingJobLabelCategories |
| labelingJobMediaProperties | Vlastnosti specifické pro typ média v úloze | labelingJobMediaProperties |
| mlAssistConfiguration | Konfigurace funkce MLAssist v úloze | MLAssistConfiguration |
| notificationSetting | Nastavení oznámení pro úlohu | NotificationSetting |
| vlastnosti | Slovník vlastností assetu. | ResourceBaseProperties |
| secretsConfiguration | Konfigurace pro zpřístupnění tajných kódů během běhu | JobBaseSecretsConfiguration |
| služby | Seznam bodů JobEndpoints Pro místní úlohy bude mít koncový bod úlohy hodnotu koncového bodu FileStreamObject. |
JobBaseServices |
| visačky | Označení slovníku Značky je možné přidávat, odebírat a aktualizovat. | objekt |
LabelingDataConfiguration
| Jméno | Popis | Hodnota |
|---|---|---|
| dataId | ID prostředku datového prostředku, který má být označen. | řetězec |
| incrementalDataRefresh | Určuje, jestli se má přírůstková aktualizace dat povolit. | "Zakázáno" "Povoleno" |
LabelingJobInstructions
| Jméno | Popis | Hodnota |
|---|---|---|
| identifikátor uri | Odkaz na stránku s podrobnými pokyny pro popisky popisků | řetězec |
PopiskyJobLabelCategories
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | LabelCategory |
LabelCategory
LabelCategoryClasses
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | LabelClass |
LabelClass
| Jméno | Popis | Hodnota |
|---|---|---|
| displayName | Zobrazovaný název třídy popisku | řetězec |
| Podtříd | Slovník podtříd popisků třídy. | LabelClassSubclasses |
LabelClassSubclasses
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | LabelClass |
PopiskyJobMediaProperties
| Jméno | Popis | Hodnota |
|---|---|---|
| mediaType | Nastavení typu objektu | obrázku textové (povinné) |
PopiskyJobImageProperties
| Jméno | Popis | Hodnota |
|---|---|---|
| mediaType | [Povinné] Typ média úlohy. | "Obrázek" (povinné) |
| annotationType | Typ poznámky úlohy popisování obrázků | "BoundingBox" "Klasifikace" "InstanceSegmentation" |
PopiskyJobTextProperties
| Jméno | Popis | Hodnota |
|---|---|---|
| mediaType | [Povinné] Typ média úlohy. | "Text" (povinné) |
| annotationType | Typ poznámky úlohy popisování textu | "Klasifikace" "NamedEntityRecognition" |
MLAssistConfiguration
| Jméno | Popis | Hodnota |
|---|---|---|
| mlAssist | Nastavení typu objektu |
Zakázáno Povoleno (povinné) |
MLAssistConfigurationDisabled
| Jméno | Popis | Hodnota |
|---|---|---|
| mlAssist | [Povinné] Určuje, jestli je povolená funkce MLAssist. | Zakázáno (povinné) |
MLAssistConfigurationEnabled
| Jméno | Popis | Hodnota |
|---|---|---|
| mlAssist | [Povinné] Určuje, jestli je povolená funkce MLAssist. | "Povoleno" (povinné) |
| odvozováníComputeBinding | [Povinné] Výpočetní vazba AML použitá při odvozování | string (povinné) Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] |
| trainingComputeBinding | [Povinné] Výpočetní vazba AML použitá při trénování | string (povinné) Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] |
PipelineJob
| Jméno | Popis | Hodnota |
|---|---|---|
| jobType | [Povinné] Určuje typ úlohy. | Kanál (povinné) |
| vstupy | Vstupy pro úlohu kanálu. | |
| pracovní místa | Úlohy sestavují úlohu kanálu. | PipelineJobJobs |
| výstupy | Výstupy pro úlohu kanálu | PipelineJobOutputs |
| nastavení | Nastavení kanálu, například ContinueRunOnStepFailure atd. | |
| sourceJobId | ID prostředku ARM zdrojové úlohy. | řetězec |
PipelineJobInputs
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | jobInput |
PipelineJobJobs
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} |
PipelineJobOutputs
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | JobOutput |
SparkJob
| Jméno | Popis | Hodnota |
|---|---|---|
| jobType | [Povinné] Určuje typ úlohy. | Spark (povinné) |
| archiv | Archivovat soubory použité v úloze | string[] |
| args | Argumenty pro úlohu. | řetězec |
| codeId | [Povinné] ID prostředku ARM prostředku kódu | string (povinné) Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] |
| Conf | Nakonfigurované vlastnosti Sparku | SparkJobConf |
| položka | [Povinné] Položka, která se má provést při spuštění úlohy. | sparkjobEntry (povinné) |
| environmentId | ID prostředku ARM specifikace prostředí pro úlohu. | řetězec |
| environmentVariables | Proměnné prostředí zahrnuté v úloze | SparkJobEnvironmentVariables |
| soubory | Soubory použité v úloze. | string[] |
| vstupy | Mapování vstupních datových vazeb použitých v úloze | SparkJobInputs |
| nádoby | Soubory JAR použité v úloze. | string[] |
| výstupy | Mapování výstupních datových vazeb použitých v úloze | SparkJobOutputs |
| pyFiles | Soubory Pythonu používané v úloze | string[] |
| queueSettings | Nastavení fronty pro úlohu | |
| prostředky | Konfigurace výpočetního prostředku pro úlohu | SparkResourceConfiguration |
SparkJobConf
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | řetězec |
SparkJobEntry
| Jméno | Popis | Hodnota |
|---|---|---|
| sparkJobEntryType | Nastavení typu objektu |
SparkJobPythonEntry SparkJobScalaEntry (povinné) |
SparkJobPythonEntry
| Jméno | Popis | Hodnota |
|---|---|---|
| sparkJobEntryType | [Povinné] Typ vstupního bodu úlohy | SparkJobPythonEntry (povinné) |
| soubor | [Povinné] Relativní cesta k souboru Pythonu pro vstupní bod úlohy | string (povinné) Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] |
SparkJobScalaEntry
| Jméno | Popis | Hodnota |
|---|---|---|
| sparkJobEntryType | [Povinné] Typ vstupního bodu úlohy | SparkJobScalaEntry (povinné) |
| className | [Povinné] Název třídy Scala použitý jako vstupní bod | string (povinné) Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] |
SparkJobEnvironmentVariables
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | řetězec |
SparkJobInputs
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | jobInput |
SparkJobOutputs
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | JobOutput |
SparkResourceConfiguration
| Jméno | Popis | Hodnota |
|---|---|---|
| instanceType | Volitelný typ virtuálního počítače, který je podporovaný cílovým výpočetním objektem. | řetězec |
| runtimeVersion | Verze modulu runtime Spark použitého pro úlohu. | řetězec |
SweepJob
| Jméno | Popis | Hodnota |
|---|---|---|
| jobType | [Povinné] Určuje typ úlohy. | "Uklidit" (povinné) |
| componentConfiguration | Konfigurace komponenty pro přemístání komponent | ComponentConfiguration |
| earlyTermination | Zásady předčasného ukončení umožňují před dokončením zrušit spuštění s nízkým výkonem. | EarlyTerminationPolicy |
| vstupy | Mapování vstupních datových vazeb použitých v úloze | SweepJobInputs |
| hranice | Limit úlohy uklidit. | SweepJobLimits |
| objektivní | [Povinné] Cíl optimalizace | objective (povinné) |
| výstupy | Mapování výstupních datových vazeb použitých v úloze | |
| queueSettings | Nastavení fronty pro úlohu | |
| prostředky | Konfigurace výpočetního prostředku pro úlohu | JobResourceConfiguration |
| samplingAlgorithm | [Povinné] Algoritmus vzorkování hyperparametrů | samplingAlgorithm (povinné) |
| searchSpace | [Povinné] Slovník obsahující každý parametr a jeho distribuci. Klíč slovníku je název parametru. | |
| přelíčení | [Povinné] Definice zkušební komponenty. | zkušební (povinné) |
ComponentConfiguration
| Jméno | Popis | Hodnota |
|---|---|---|
| PipelineSettings | Nastavení kanálu, například ContinueRunOnStepFailure atd. |
SweepJobInputs
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | jobInput |
SweepJobLimits
| Jméno | Popis | Hodnota |
|---|---|---|
| jobLimitsType | [Povinné] Typ JobLimit. | "Příkaz" "Uklidit" (povinné) |
| maxConcurrentTrials | Maximální počet souběžných zkušebních verzí úlohy uklidit. | Int |
| maxTotalTrials | Uklidit job max total trials. | Int |
| přerušení zápasu | Maximální doba běhu ve formátu ISO 8601, po které bude úloha zrušena. Podporuje pouze dobu trvání s přesností v sekundách. | řetězec |
| trialTimeout | Hodnota časového limitu zkušební verze úlohy uklidit | řetězec |
Objektivní
| Jméno | Popis | Hodnota |
|---|---|---|
| branka | [Povinné] Definuje podporované cíle metrik pro ladění hyperparametrů. | "Maximalizovat" "Minimalizovat" (povinné) |
| primaryMetric | [Povinné] Název metriky pro optimalizaci | string (povinné) Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] |
SweepJobOutputs
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | JobOutput |
SamplingAlgorithm
| Jméno | Popis | Hodnota |
|---|---|---|
| samplingAlgorithmType | Nastavení typu objektu |
Bayesian mřížky náhodné (povinné) |
BayesianSamplingAlgorithm
| Jméno | Popis | Hodnota |
|---|---|---|
| samplingAlgorithmType | [Povinné] Algoritmus používaný ke generování hodnot hyperparametrů spolu s vlastnostmi konfigurace | "Bayesian" (povinné) |
GridSamplingAlgorithm
| Jméno | Popis | Hodnota |
|---|---|---|
| samplingAlgorithmType | [Povinné] Algoritmus používaný ke generování hodnot hyperparametrů spolu s vlastnostmi konfigurace | "Mřížka" (povinné) |
RandomSamplingAlgorithm
| Jméno | Popis | Hodnota |
|---|---|---|
| samplingAlgorithmType | [Povinné] Algoritmus používaný ke generování hodnot hyperparametrů spolu s vlastnostmi konfigurace | "Random" (povinné) |
| logbase | Volitelné kladné číslo nebo e ve formátu řetězce, které se má použít jako základ pro náhodné vzorkování založené na protokolu | řetězec |
| pravidlo | Konkrétní typ náhodného algoritmu | "Náhodná" "Sobol" |
| semeno | Volitelné celé číslo, které se použije jako počáteční hodnota pro generování náhodných čísel | Int |
TrialComponent
| Jméno | Popis | Hodnota |
|---|---|---|
| codeId | ID prostředku ARM prostředku kódu | řetězec |
| příkaz | [Povinné] Příkaz, který se spustí při spuštění úlohy. Např. Python train.py | string (povinné) Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] |
| distribuce | Konfigurace distribuce úlohy Pokud je tato možnost nastavená, měla by to být jedna z mpi, Tensorflow, PyTorch nebo null. | |
| environmentId | [Povinné] ID prostředku ARM specifikace prostředí pro úlohu. | string (povinné) Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] |
| environmentVariables | Proměnné prostředí zahrnuté v úloze | TrialComponentEnvironmentVariables |
| prostředky | Konfigurace výpočetního prostředku pro úlohu | JobResourceConfiguration |
TrialComponentEnvironmentVariables
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | řetězec |
CreateMonitorAction
| Jméno | Popis | Hodnota |
|---|---|---|
| actionType | [Povinné] Určuje typ akce plánu. | CreateMonitor (povinné) |
| monitorDefinition | [Povinné] Definuje monitorování. | MonitorDefinition (povinné) |
MonitorováníDefinition
| Jméno | Popis | Hodnota |
|---|---|---|
| alertNotificationSettings | Nastavení oznámení monitoru. | MonitorNotificationSettings |
| computeConfiguration | [Povinné] ID prostředku ARM výpočetního prostředku pro spuštění úlohy monitorování. | MonitorComputeConfigurationBase (povinné) |
| monitoringTarget | ID prostředku ARM modelu nebo nasazení cíleného tímto monitorováním. | monitoringTarget |
| signály | [Povinné] Signály, které se mají monitorovat. | MonitorDefinitionSignals (povinné) |
MonitorNotificationSettings
| Jméno | Popis | Hodnota |
|---|---|---|
| emailNotificationSettings | Nastavení e-mailu s oznámením AML | MonitorEmailNotificationSettings |
MonitorEmailNotificationSettings
| Jméno | Popis | Hodnota |
|---|---|---|
| e-maily | Toto je seznam příjemců e-mailu, který má celkem omezení 499 znaků. | string[] |
MonitorComputeConfigurationBase
| Jméno | Popis | Hodnota |
|---|---|---|
| computeType | Nastavení typu objektu | serverlessSpark (povinné) |
MonitorováníServerlessSparkCompute
MonitorComputeIdentityBase
| Jméno | Popis | Hodnota |
|---|---|---|
| computeIdentityType | Nastavení typu objektu |
AmlToken ManagedIdentity (povinné) |
AmlTokenComputeIdentity
| Jméno | Popis | Hodnota |
|---|---|---|
| computeIdentityType | [Povinné] Monitorování výčtu typu výpočetní identity | "AmlToken" (povinné) |
ManagedComputeIdentity
| Jméno | Popis | Hodnota |
|---|---|---|
| computeIdentityType | [Povinné] Monitorování výčtu typu výpočetní identity | ManagedIdentity (povinné) |
| identita | Identita spravované služby (identita přiřazená systémem nebo identita přiřazená uživatelem) | |
ManagedServiceIdentity
| Jméno | Popis | Hodnota |
|---|---|---|
| typ | Typ identity spravované služby (kde jsou povolené typy SystemAssigned i UserAssigned). | "SystemAssigned" "SystemAssigned,UserAssigned" UserAssigned (povinné) |
| identity_ids | Sada identit přiřazených uživatelem přidružená k prostředku. Klíče slovníku userAssignedIdentities budou ID prostředků ARM ve formuláři: /subscriptions/{subscriptionId}/resourceGroups/{resourceGroupName}/providers/Microsoft.ManagedIdentity/userAssignedIdentities/{identityName}. Hodnoty slovníku můžou být prázdné objekty ({}) v požadavcích. | Pole ID identit uživatele |
UserAssignedIdentities
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | userAssignedIdentity |
UserAssignedIdentity
Tento objekt neobsahuje žádné vlastnosti, které se mají nastavit během nasazení. Všechny vlastnosti jsou Jen pro čtení.
MonitoringTarget
| Jméno | Popis | Hodnota |
|---|---|---|
| deploymentId | ID prostředku ARM pro nasazení cílené tímto monitorováním. | řetězec |
| modelId | ID prostředku ARM modelu, který je cílem tohoto monitorování. | řetězec |
| taskType | [Povinné] Typ úlohy strojového učení modelu. | "Klasifikace" "QuestionAnswering" "Regrese" (povinné) |
MonitorDefinitionSignals
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | MonitoringSignalBase |
MonitoringSignalBase
| Jméno | Popis | Hodnota |
|---|---|---|
| notificationTypes | Aktuální režim oznámení pro tento signál. | Řetězcové pole obsahující některou z těchto možností: "AmlNotification" AzureMonitor |
| vlastnosti | Slovník vlastností Vlastnosti lze přidat, ale ne odebrat nebo změnit. | MonitoringSignalBaseProperties |
| signalType | Nastavení typu objektu |
vlastní dataDrift FeatureAttributionDrift GenerationSafetyQuality GenerationTokenStatistics ModelPerformance PredictionDrift (povinné) |
MonitoringSignalBaseProperties
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | řetězec |
CustomMonitoringSignal
| Jméno | Popis | Hodnota |
|---|---|---|
| signalType | [Povinné] Určuje typ signálu, který se má monitorovat. | Vlastní (povinné) |
| componentId | [Povinné] ID prostředku ARM prostředku komponenty použitého k výpočtu vlastních metrik. | string (povinné) Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] |
| inputAssets | Monitorování prostředků, které se mají vzít jako vstup Klíč je název vstupního portu komponenty, hodnota je datový asset. | customMonitoringSignalInputAssets |
| vstupy | Další parametry komponent, které se mají vzít jako vstup. Klíč je název vstupního portu vstupního portu komponenty, hodnota je hodnota parametru. | customMonitoringSignalInputs |
| metricThresholds | [Povinné] Seznam metrik pro výpočet a jejich přidružené prahové hodnoty. | CustomMetricThreshold[] (povinné) |
| workspaceConnection | Seznam metrik pro výpočet a jejich přidružené prahové hodnoty. | MonitoringWorkspaceConnection |
CustomMonitoringSignalInputAssets
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | MonitoringInputDataBase |
MonitoringInputDataBase
| Jméno | Popis | Hodnota |
|---|---|---|
| sloupce | Mapování názvů sloupců na speciální použití | MonitoringInputDataBaseColumns |
| dataContext | Kontextová metadata zdroje dat. | řetězec |
| jobInputType | [Povinné] Určuje typ úlohy. | "custom_model" "literál" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (povinné) |
| identifikátor uri | [Povinné] Identifikátor URI vstupního assetu | string (povinné) Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] |
| inputDataType | Nastavení typu objektu |
pevné rolling statické (povinné) |
MonitoringInputDataBaseColumns
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | řetězec |
FixedInputData
| Jméno | Popis | Hodnota |
|---|---|---|
| inputDataType | [Povinné] Určuje typ signálu, který se má monitorovat. | "Opraveno" (povinné) |
RollingInputData
| Jméno | Popis | Hodnota |
|---|---|---|
| inputDataType | [Povinné] Určuje typ signálu, který se má monitorovat. | "Rolling" (povinné) |
| preprocessingComponentId | ID prostředku ARM prostředku komponenty použitého k předběžnému zpracování dat. | řetězec |
| windowOffset | [Povinné] Časový posun mezi koncem datového okna a aktuálním časem běhu monitorování. | string (povinné) |
| windowSize | [Povinné] Velikost koncového okna dat. | string (povinné) |
StaticInputData
| Jméno | Popis | Hodnota |
|---|---|---|
| inputDataType | [Povinné] Určuje typ signálu, který se má monitorovat. | "Static" (povinné) |
| preprocessingComponentId | ID prostředku ARM prostředku komponenty použitého k předběžnému zpracování dat. | řetězec |
| windowEnd | [Povinné] Koncové datum okna dat. | string (povinné) |
| windowStart | [Povinné] Počáteční datum okna dat. | string (povinné) |
CustomMonitoringSignalInputs
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | jobInput |
CustomMetricThreshold
| Jméno | Popis | Hodnota |
|---|---|---|
| metrický | [Povinné] Metrika definovaná uživatelem, která se má vypočítat. | string (povinné) Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] |
| práh | Prahová hodnota. Pokud je hodnota null, nastaví se výchozí hodnota v závislosti na vybrané metrice. | MonitoringThreshold |
MonitoringThreshold
| Jméno | Popis | Hodnota |
|---|---|---|
| hodnota | Prahová hodnota. Pokud je hodnota null, je výchozí nastavení závislé na typu metriky. | Int |
MonitoringWorkspaceConnection
| Jméno | Popis | Hodnota |
|---|---|---|
| environmentVariables | Vlastnosti připojení služby pracovního prostoru, které se mají uložit jako proměnné prostředí v odeslaných úlohách. Klíč je cesta vlastnosti připojení pracovního prostoru, název je klíč proměnné prostředí. |
MonitoringWorkspaceConnectionEnvironmentVariables |
| tajemství | Vlastnosti připojení služby pracovního prostoru k uložení jako tajné kódy v odeslaných úlohách. Klíč je cesta vlastnosti připojení pracovního prostoru, název je tajný klíč. |
MonitoringWorkspaceConnectionSecrets |
MonitoringWorkspaceConnectionEnvironmentVariables
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | řetězec |
MonitoringWorkspaceConnectionSecrets
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | řetězec |
DataDriftMonitoringSignal
| Jméno | Popis | Hodnota |
|---|---|---|
| signalType | [Povinné] Určuje typ signálu, který se má monitorovat. | DataDrift (povinné) |
| dataSegment | Datový segment použitý k určení rozsahu podmnožinu základního souboru dat. | MonitoringDataSegment |
| featureDataTypeOverride | Slovník, který mapuje názvy funkcí na příslušné datové typy. | DataDriftMonitoringSignalFeatureDataTypeOverride |
| featureImportanceSettings | Nastavení důležitosti výpočetních funkcí. | FeatureImportanceSettings |
| rysy | Filtr funkcí, který identifikuje, která funkce k výpočtu posunu. | MonitoringFeatureFilterBase |
| metricThresholds | [Povinné] Seznam metrik pro výpočet a jejich přidružené prahové hodnoty. | DataDriftMetricThresholdBase[] (povinné) |
| productionData | [Povinné] Data, pro která se bude vypočítat posun. | MonitoringInputDataBase (povinné) |
| referenceData | [Povinné] Data pro výpočet posunu. | MonitoringInputDataBase (povinné) |
MonitoringDataSegment
| Jméno | Popis | Hodnota |
|---|---|---|
| rys | Funkce pro segmentování dat. | řetězec |
| hodnoty | Filtruje pouze zadané hodnoty dané segmentované funkce. | string[] |
DataDriftMonitoringSignalFeatureDataTypeOverride
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | "Kategorický" "Číselné" |
FeatureImportanceSettings
| Jméno | Popis | Hodnota |
|---|---|---|
| režim | Režim provozu pro důležitost výpočetních funkcí. | "Zakázáno" "Povoleno" |
| targetColumn | Název cílového sloupce v rámci vstupního datového prostředku. | řetězec |
MonitoringFeatureFilterBase
| Jméno | Popis | Hodnota |
|---|---|---|
| filterType | Nastavení typu objektu | FeatureSubset TopNByAttribution (povinné) |
AllFeatures
| Jméno | Popis | Hodnota |
|---|---|---|
| filterType | [Povinné] Určuje filtr funkcí, který se má využít při výběru funkcí k výpočtu metrik. | AllFeatures (povinné) |
FeatureSubset
| Jméno | Popis | Hodnota |
|---|---|---|
| filterType | [Povinné] Určuje filtr funkcí, který se má využít při výběru funkcí k výpočtu metrik. | FeatureSubset (povinné) |
| rysy | [Povinné] Seznam funkcí, které chcete zahrnout. | string[] (povinné) |
TopNFeaturesByAttribution
| Jméno | Popis | Hodnota |
|---|---|---|
| filterType | [Povinné] Určuje filtr funkcí, který se má využít při výběru funkcí k výpočtu metrik. | TopNByAttribution (povinné) |
| vrchol | Počet hlavních funkcí, které se mají zahrnout. | Int |
DataDriftMetricThresholdBase
| Jméno | Popis | Hodnota |
|---|---|---|
| práh | Prahová hodnota. Pokud je hodnota null, nastaví se výchozí hodnota v závislosti na vybrané metrice. | MonitoringThreshold |
| Datatype | Nastavení typu objektu |
kategorické numerické (povinné) |
KategoricalDataDriftMetricThreshold
| Jméno | Popis | Hodnota |
|---|---|---|
| Datatype | [Povinné] Určuje datový typ prahové hodnoty metriky. | "Kategorický" (povinné) |
| metrický | [Povinné] Metrika posunu dat kategorií, která se má vypočítat. | "JensenShannonDistance" "PearsonsChiSquaredTest" PopulationStabilityIndex (povinné) |
NumericDataDriftMetricThreshold
| Jméno | Popis | Hodnota |
|---|---|---|
| Datatype | [Povinné] Určuje datový typ prahové hodnoty metriky. | "Numerická" (povinné) |
| metrický | [Povinné] Metrika posunu číselných dat k výpočtu. | "JensenShannonDistance" "NormalizedWassersteinDistance" PopulationStabilityIndex "TwoSampleKolmogorovSmirnovTest" (povinné) |
DataQualityMonitoringSignal
| Jméno | Popis | Hodnota |
|---|---|---|
| signalType | [Povinné] Určuje typ signálu, který se má monitorovat. | "DataQuality" (povinné) |
| featureDataTypeOverride | Slovník, který mapuje názvy funkcí na příslušné datové typy. | DataQualityMonitoringSignalFeatureDataTypeOverride |
| featureImportanceSettings | Nastavení důležitosti výpočetních funkcí. | FeatureImportanceSettings |
| rysy | Funkce pro výpočet posunu. | MonitoringFeatureFilterBase |
| metricThresholds | [Povinné] Seznam metrik pro výpočet a jejich přidružené prahové hodnoty. | DataQualityMetricThresholdBase[] (povinné) |
| productionData | [Povinné] Data vytvořená produkční službou, pro která se bude počítat posun. | MonitoringInputDataBase (povinné) |
| referenceData | [Povinné] Data pro výpočet posunu. | MonitoringInputDataBase (povinné) |
DataQualityMonitoringSignalFeatureDataTypeOverride
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | "Kategorický" "Číselné" |
DataQualityMetricThresholdBase
| Jméno | Popis | Hodnota |
|---|---|---|
| práh | Prahová hodnota. Pokud je hodnota null, nastaví se výchozí hodnota v závislosti na vybrané metrice. | MonitoringThreshold |
| Datatype | Nastavení typu objektu |
kategorické numerické (povinné) |
KategoricalDataQualityMetricThreshold
| Jméno | Popis | Hodnota |
|---|---|---|
| Datatype | [Povinné] Určuje datový typ prahové hodnoty metriky. | "Kategorický" (povinné) |
| metrický | [Povinné] Metrika kvality dat kategorií, která se má vypočítat. | DataTypeErrorRate NullValueRate OutOfBoundsRate (povinné) |
NumericDataQualityMetricThreshold
| Jméno | Popis | Hodnota |
|---|---|---|
| Datatype | [Povinné] Určuje datový typ prahové hodnoty metriky. | "Numerická" (povinné) |
| metrický | [Povinné] Metrika kvality číselných dat, která se má vypočítat. | DataTypeErrorRate NullValueRate OutOfBoundsRate (povinné) |
FeatureAttributionDriftMonitoringSignal
| Jméno | Popis | Hodnota |
|---|---|---|
| signalType | [Povinné] Určuje typ signálu, který se má monitorovat. | FeatureAttributionDrift (povinné) |
| featureDataTypeOverride | Slovník, který mapuje názvy funkcí na příslušné datové typy. | FeatureAttributionDriftMonitoringSignalFeatureDataTy... |
| featureImportanceSettings | [Povinné] Nastavení důležitosti výpočetních funkcí. | FeatureImportanceSettings (povinné) |
| metricThreshold | [Povinné] Seznam metrik pro výpočet a jejich přidružené prahové hodnoty. | FeatureAttributionMetricThreshold (povinné) |
| productionData | [Povinné] Data, pro která se bude vypočítat posun. | MonitoringInputDataBase[] (povinné) |
| referenceData | [Povinné] Data pro výpočet posunu. | MonitoringInputDataBase (povinné) |
FeatureAttributionDriftMonitoringSignalFeatureDataTy...
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | "Kategorický" "Číselné" |
FeatureAttributionMetricThreshold
| Jméno | Popis | Hodnota |
|---|---|---|
| metrický | [Povinné] Metrika přisuzování funkce k výpočtu. | NormaldDis cumulativeGain (povinné) |
| práh | Prahová hodnota. Pokud je hodnota null, nastaví se výchozí hodnota v závislosti na vybrané metrice. | MonitoringThreshold |
GenerationSafetyQualityMonitoringSignal
| Jméno | Popis | Hodnota |
|---|---|---|
| signalType | [Povinné] Určuje typ signálu, který se má monitorovat. | GenerationSafetyQuality (povinné) |
| metricThresholds | [Povinné] Získá nebo nastaví metriky pro výpočet a odpovídající prahové hodnoty. | GenerationSafetyQualityMetricThreshold[] (povinné) |
| productionData | Získá nebo nastaví produkční data pro výpočetní metriky. | MonitoringInputDataBase[] |
| vzorkovací rychlost | [Povinné] Vzorkovací frekvence produkčních dat by měla být větší než 0 a maximálně 1. | int (povinné) |
| workspaceConnectionId | Získá nebo nastaví ID připojení pracovního prostoru použité k připojení ke koncovému bodu generování obsahu. | řetězec |
GenerationSafetyQualityMetricThreshold
| Jméno | Popis | Hodnota |
|---|---|---|
| metrický | [Povinné] Získá nebo nastaví metriku přisuzování funkce pro výpočet. | "AcceptableCoherenceScorePerInstance" "AcceptableFluencyScorePerInstance" "AcceptableGroundednessScorePerInstance" "Přijatelná relevanceScorePerInstance" "PřijatelnéSimilarityScorePerInstance" "AggregatedCoherencePassRate" "AggregatedFluencyPassRate" "AggregatedGroundednessPassRate" "AggregatedRelevancePassRate" AggregatedSimilarityPassRate (povinné) |
| práh | Získá nebo nastaví prahovou hodnotu. Pokud je hodnota null, nastaví se výchozí hodnota v závislosti na vybrané metrice. |
MonitoringThreshold |
GenerationTokenUsageSignal
| Jméno | Popis | Hodnota |
|---|---|---|
| signalType | [Povinné] Určuje typ signálu, který se má monitorovat. | GenerationTokenStatistics (povinné) |
| metricThresholds | [Povinné] Získá nebo nastaví metriky pro výpočet a odpovídající prahové hodnoty. | GenerationTokenUsageMetricThreshold[] (povinné) |
| productionData | Získá nebo nastaví produkční data pro výpočetní metriky. | MonitoringInputDataBase[] |
| vzorkovací rychlost | [Povinné] Vzorkovací frekvence produkčních dat by měla být větší než 0 a maximálně 1. | int (povinné) |
GenerationTokenUsageMetricThreshold
| Jméno | Popis | Hodnota |
|---|---|---|
| metrický | [Povinné] Získá nebo nastaví metriku přisuzování funkce pro výpočet. | "TotalTokenCount" TotalTokenCountPerGroup (povinné) |
| práh | Získá nebo nastaví prahovou hodnotu. Pokud je hodnota null, nastaví se výchozí hodnota v závislosti na vybrané metrice. |
MonitoringThreshold |
ModelPerformanceSignal
| Jméno | Popis | Hodnota |
|---|---|---|
| signalType | [Povinné] Určuje typ signálu, který se má monitorovat. | ModelPerformance (povinné) |
| dataSegment | Datový segment. | MonitoringDataSegment |
| metricThreshold | [Povinné] Seznam metrik pro výpočet a jejich přidružené prahové hodnoty. | ModelPerformanceMetricThresholdBase (povinné) |
| productionData | [Povinné] Data vytvořená produkční službou, pro která se bude počítat výkon. | MonitoringInputDataBase[] (povinné) |
| referenceData | [Povinné] Referenční data použitá jako základ k výpočtu výkonu modelu. | MonitoringInputDataBase (povinné) |
ModelPerformanceMetricThresholdBase
| Jméno | Popis | Hodnota |
|---|---|---|
| práh | Prahová hodnota. Pokud je hodnota null, nastaví se výchozí hodnota v závislosti na vybrané metrice. | MonitoringThreshold |
| modelType | Nastavení typu objektu | klasifikace regrese (povinné) |
ClassificationModelPerformanceMetricThreshold
| Jméno | Popis | Hodnota |
|---|---|---|
| modelType | [Povinné] Určuje datový typ prahové hodnoty metriky. | "Klasifikace" (povinné) |
| metrický | [Povinné] Výkon klasifikačního modelu, který se má vypočítat. | "Přesnost" "Přesnost" "Odvolání" (povinné) |
RegressionModelPerformanceMetricThreshold
| Jméno | Popis | Hodnota |
|---|---|---|
| modelType | [Povinné] Určuje datový typ prahové hodnoty metriky. | "Regrese" (povinné) |
| metrický | [Povinné] Metrika výkonu regresního modelu, která se má vypočítat. | "MeanAbsoluteError" "MeanSquaredError" RootMeanSquaredError (povinné) |
PredictionDriftMonitoringSignal
| Jméno | Popis | Hodnota |
|---|---|---|
| signalType | [Povinné] Určuje typ signálu, který se má monitorovat. | PredictionDrift (povinné) |
| featureDataTypeOverride | Slovník, který mapuje názvy funkcí na příslušné datové typy. | PredictionDriftMonitoringSignalFeatureDataTypeOverri... |
| metricThresholds | [Povinné] Seznam metrik pro výpočet a jejich přidružené prahové hodnoty. | PredictionDriftMetricThresholdBase[] (povinné) |
| productionData | [Povinné] Data, pro která se bude vypočítat posun. | MonitoringInputDataBase (povinné) |
| referenceData | [Povinné] Data pro výpočet posunu. | MonitoringInputDataBase (povinné) |
PredictionDriftMonitoringSignalFeatureDataTypeOverri...
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | "Kategorický" "Číselné" |
PredictionDriftMetricThresholdBase
| Jméno | Popis | Hodnota |
|---|---|---|
| práh | Prahová hodnota. Pokud je hodnota null, nastaví se výchozí hodnota v závislosti na vybrané metrice. | MonitoringThreshold |
| Datatype | Nastavení typu objektu |
kategorické numerické (povinné) |
CategoricalPredictionDriftMetricThreshold
| Jméno | Popis | Hodnota |
|---|---|---|
| Datatype | [Povinné] Určuje datový typ prahové hodnoty metriky. | "Kategorický" (povinné) |
| metrický | [Povinné] Metrika posunu predikce kategorií, která se má vypočítat. | "JensenShannonDistance" "PearsonsChiSquaredTest" PopulationStabilityIndex (povinné) |
NumericPredictionDriftMetricThreshold
| Jméno | Popis | Hodnota |
|---|---|---|
| Datatype | [Povinné] Určuje datový typ prahové hodnoty metriky. | "Numerická" (povinné) |
| metrický | [Povinné] Metrika posunu číselné předpovědi, která se má vypočítat. | "JensenShannonDistance" "NormalizedWassersteinDistance" PopulationStabilityIndex "TwoSampleKolmogorovSmirnovTest" (povinné) |
ImportDataAction
| Jméno | Popis | Hodnota |
|---|---|---|
| actionType | [Povinné] Určuje typ akce plánu. | "ImportData" (povinné) |
| dataImportDefinition | [Povinné] Definuje podrobnosti definice plánovače akce. | dataImport (povinné) |
DataImport
| Jméno | Popis | Hodnota |
|---|---|---|
| assetName | Název prostředku pro úlohu importu dat, která se má vytvořit | řetězec |
| autoDeleteSetting | Určuje nastavení životního cyklu spravovaného datového prostředku. | AutoDeleteSetting |
| Datatype | [Povinné] Určuje typ dat. | "mltable" "uri_file" "uri_folder" (povinné) |
| identifikátor dataURI | [Povinné] Identifikátor URI dat. Příklad: https://go.microsoft.com/fwlink/?linkid=2202330 |
string (povinné) Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] |
| popis | Text popisu prostředku. | řetězec |
| intellectualProperty | Podrobnosti o duševním vlastnictví. Používá se, pokud jsou data duševním vlastnictvím. | intellectualProperty |
| isAnonymous | Pokud je verze názvu vygenerovaná systémem (anonymní registrace). U typů, ve kterých je fáze definována, použije se k naplnění fáze IsAnonymous. | Bool |
| isArchived | Archivuje se asset? U typů, ve kterých je definována fáze, se při poskytnutí fáze použije k naplnění isArchived. | Bool |
| vlastnosti | Slovník vlastností assetu. | ResourceBaseProperties |
| zdroj | Zdrojová data prostředku, ze které chcete importovat | DataImportSource |
| etapa | Fáze životního cyklu dat přiřazeného k tomuto datovému assetu | řetězec |
| visačky | Označení slovníku Značky je možné přidávat, odebírat a aktualizovat. | objekt |
IntellectualProperty
| Jméno | Popis | Hodnota |
|---|---|---|
| protectionLevel | Úroveň ochrany duševního vlastnictví. | "Vše" "Žádný" |
| vydavatel | [Povinné] Vydavatel duševního vlastnictví. Musí být stejný jako název vydavatele registru. | string (povinné) Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] |
DataImportSource
| Jméno | Popis | Hodnota |
|---|---|---|
| připojení | Připojení pracovního prostoru pro úložiště zdroje importu dat | řetězec |
| sourceType | Nastavení typu objektu |
databáze file_system (povinné) |
DatabaseSource
| Jméno | Popis | Hodnota |
|---|---|---|
| sourceType | [Povinné] Určuje typ dat. | "database" (povinné) |
| dotaz | Příkaz sql Query pro zdroj databáze importu dat | řetězec |
| storedProcedure | Sql StoredProcedure pro zdroj databáze importu dat | řetězec |
| storedProcedureParams | Parametry SQL StoredProcedure | DatabaseSourceStoredProcedureParamsItem[] |
| tableName | Název tabulky pro zdroj databáze importu dat | řetězec |
DatabaseSourceStoredProcedureParamsItem
| Jméno | Popis | Hodnota |
|---|---|---|
| {přizpůsobená vlastnost} | řetězec |
FileSystemSource
| Jméno | Popis | Hodnota |
|---|---|---|
| sourceType | [Povinné] Určuje typ dat. | "file_system" (povinné) |
| cesta | Cesta ke zdroji FileSystem importu dat | řetězec |
EndpointScheduleAction
| Jméno | Popis | Hodnota |
|---|---|---|
| actionType | [Povinné] Určuje typ akce plánu. | InvokeBatchEndpoint (povinné) |
| endpointInvocationDefinition | [Povinné] Definuje podrobnosti definice plánovače akce. {see href="TBD" /} |
TriggerBase
| Jméno | Popis | Hodnota |
|---|---|---|
| endTime | Určuje koncový čas plánu v ISO 8601, ale bez posunu UTC. Referenční https://en.wikipedia.org/wiki/ISO_8601.Formát recommented by byl "2022-06-01T00:00:01" Pokud není k dispozici, plán se spustí na neomezenou dobu. |
řetězec |
| startTime | Určuje počáteční čas plánu ve formátu ISO 8601, ale bez posunu UTC. | řetězec |
| timeZone | Určuje časové pásmo, ve kterém se plán spouští. TimeZone by měl dodržovat formát časového pásma Windows. Viz: /windows-hardware/manufacture/desktop/default-time-zones /> |
řetězec |
| triggerType | Nastavení typu objektu |
Cron opakování (povinné) |
CronTrigger
| Jméno | Popis | Hodnota |
|---|---|---|
| triggerType | [Povinné] | "Cron" (povinné) |
| výraz | [Povinné] Určuje výraz cron plánu. Výraz by měl následovat ve formátu NCronTab. |
string (povinné) Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] |
RecurrenceTrigger
RecurrenceSchedule
| Jméno | Popis | Hodnota |
|---|---|---|
| hodiny | [Povinné] Seznam hodin pro plán | int[] (povinné) |
| minuty | [Povinné] Seznam minut pro plán | int[] (povinné) |
| monthDays | Seznam dnů měsíce pro plán | int[] |
| všední dny | Seznam dnů pro plán | Řetězcové pole obsahující některou z těchto možností: "Pátek" "Pondělí" "Sobota" "Neděle" "Čtvrtek" "Úterý" "Středa" |