Microsoft.MachineLearningServices 작업 영역/작업 2022-02-01-preview

  • 아티클

Bicep 리소스 정의

작업 영역/작업 리소스 종류는 다음을 대상으로 하는 작업으로 배포할 수 있습니다.

각 API 버전에서 변경된 속성 목록은 변경 로그참조하세요.

리소스 형식

Microsoft.MachineLearningServices/workspaces/jobs 리소스를 만들려면 템플릿에 다음 Bicep을 추가합니다.

resource symbolicname 'Microsoft.MachineLearningServices/workspaces/jobs@2022-02-01-preview' = {
  name: 'string'
  parent: resourceSymbolicName
  properties: {
    computeId: 'string'
    description: 'string'
    displayName: 'string'
    experimentName: 'string'
    identity: {
      identityType: 'string'
      // For remaining properties, see IdentityConfiguration objects
    }
    isArchived: bool
    properties: {
      {customized property}: 'string'
    }
    schedule: {
      endTime: 'string'
      scheduleStatus: 'string'
      startTime: 'string'
      timeZone: 'string'
      scheduleType: 'string'
      // For remaining properties, see ScheduleBase objects
    }
    services: {
      {customized property}: {
        endpoint: 'string'
        jobServiceType: 'string'
        port: int
        properties: {
          {customized property}: 'string'
        }
      }
    }
    tags: {}
    jobType: 'string'
    // For remaining properties, see JobBaseDetails objects
  }
}

JobBaseDetails 개체

jobType 속성을 설정하여 개체 유형을 지정합니다.

AutoML경우 다음을 사용합니다.

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

명령경우 다음을 사용합니다.

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

파이프라인경우 다음을 사용합니다.

  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()

스윕경우 다음을 사용합니다.

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

IdentityConfiguration 개체

identityType 속성을 설정하여 개체 유형을 지정합니다.

AMLToken경우 다음을 사용합니다.

  identityType: 'AMLToken'

관리되는경우 다음을 사용합니다.

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

userIdentity경우 다음을 사용합니다.

  identityType: 'UserIdentity'

ScheduleBase 개체

scheduleType 속성을 설정하여 개체 유형을 지정합니다.

cron경우 다음을 사용합니다.

  scheduleType: 'Cron'
  expression: 'string'

되풀이경우 다음을 사용합니다.

  scheduleType: 'Recurrence'
  frequency: 'string'
  interval: int
  pattern: {
    hours: [
      int
    ]
    minutes: [
      int
    ]
    weekdays: [
      'string'
    ]
  }

JobOutput 개체

jobOutputType 속성을 설정하여 개체 유형을 지정합니다.

customModel경우 다음을 사용합니다.

  jobOutputType: 'CustomModel'
  mode: 'string'
  uri: 'string'

MLFlowModel경우 다음을 사용합니다.

  jobOutputType: 'MLFlowModel'
  mode: 'string'
  uri: 'string'

MLTable경우 다음을 사용합니다.

  jobOutputType: 'MLTable'
  mode: 'string'
  uri: 'string'

TritonModel경우 다음을 사용합니다.

  jobOutputType: 'TritonModel'
  mode: 'string'
  uri: 'string'

UriFile경우 다음을 사용합니다.

  jobOutputType: 'UriFile'
  mode: 'string'
  uri: 'string'

UriFolder경우 다음을 사용합니다.

  jobOutputType: 'UriFolder'
  mode: 'string'
  uri: 'string'

AutoMLVertical 개체

taskType 속성을 설정하여 개체 유형을 지정합니다.

분류경우 다음을 사용합니다.

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

예측경우 다음을 사용합니다.

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

imageClassification경우 다음을 사용합니다.

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

imageClassificationMultilabel경우 다음을 사용합니다.

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

imageInstanceSegmentation경우 다음을 사용합니다.

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

imageObjectDetection경우 다음을 사용합니다.

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

회귀경우 다음을 사용합니다.

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

textClassification경우 다음을 사용합니다.

  taskType: 'TextClassification'
  dataSettings: {
    targetColumnName: 'string'
    testData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      testDataSize: int
    }
    trainingData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
    }
    validationData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      validationDataSize: int
    }
  }
  featurizationSettings: {
    datasetLanguage: 'string'
  }
  limitSettings: {
    maxConcurrentTrials: int
    maxTrials: int
    timeout: 'string'
  }
  primaryMetric: 'string'

TextClassificationMultilabel경우 다음을 사용합니다.

  taskType: 'TextClassificationMultilabel'
  dataSettings: {
    targetColumnName: 'string'
    testData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      testDataSize: int
    }
    trainingData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
    }
    validationData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      validationDataSize: int
    }
  }
  featurizationSettings: {
    datasetLanguage: 'string'
  }
  limitSettings: {
    maxConcurrentTrials: int
    maxTrials: int
    timeout: 'string'
  }

TextNER경우 다음을 사용합니다.

  taskType: 'TextNER'
  dataSettings: {
    targetColumnName: 'string'
    testData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      testDataSize: int
    }
    trainingData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
    }
    validationData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      validationDataSize: int
    }
  }
  featurizationSettings: {
    datasetLanguage: 'string'
  }
  limitSettings: {
    maxConcurrentTrials: int
    maxTrials: int
    timeout: 'string'
  }

NCrossValidations 개체

개체 유형을 지정하려면 모드 속성을 설정합니다.

자동경우 다음을 사용합니다.

  mode: 'Auto'

사용자 지정경우 다음을 사용합니다.

  mode: 'Custom'
  value: int

ForecastHorizon 개체

개체 유형을 지정하려면 모드 속성을 설정합니다.

자동경우 다음을 사용합니다.

  mode: 'Auto'

사용자 지정경우 다음을 사용합니다.

  mode: 'Custom'
  value: int

계절성 개체

개체 유형을 지정하려면 모드 속성을 설정합니다.

자동경우 다음을 사용합니다.

  mode: 'Auto'

사용자 지정경우 다음을 사용합니다.

  mode: 'Custom'
  value: int

TargetLags 개체

개체 유형을 지정하려면 모드 속성을 설정합니다.

자동경우 다음을 사용합니다.

  mode: 'Auto'

사용자 지정경우 다음을 사용합니다.

  mode: 'Custom'
  values: [
    int
  ]

TargetRollingWindowSize 개체

개체 유형을 지정하려면 모드 속성을 설정합니다.

자동경우 다음을 사용합니다.

  mode: 'Auto'

사용자 지정경우 다음을 사용합니다.

  mode: 'Custom'
  value: int

EarlyTerminationPolicy 개체

policyType 속성을 설정하여 개체 유형을 지정합니다.

산적경우 다음을 사용합니다.

  policyType: 'Bandit'
  slackAmount: int
  slackFactor: int

MedianStopping경우 다음을 사용합니다.

  policyType: 'MedianStopping'

TruncationSelection경우 다음을 사용합니다.

  policyType: 'TruncationSelection'
  truncationPercentage: int

DistributionConfiguration 개체

distributionType 속성을 설정하여 개체 유형을 지정합니다.

Mpi경우 다음을 사용합니다.

  distributionType: 'Mpi'
  processCountPerInstance: int

PyTorch경우 다음을 사용합니다.

  distributionType: 'PyTorch'
  processCountPerInstance: int

TensorFlow경우 다음을 사용합니다.

  distributionType: 'TensorFlow'
  parameterServerCount: int
  workerCount: int

JobInput 개체

개체 유형을 지정하려면 jobInputType 속성을 설정합니다.

customModel경우 다음을 사용합니다.

  jobInputType: 'CustomModel'
  mode: 'string'
  uri: 'string'

리터럴경우 다음을 사용합니다.

  jobInputType: 'Literal'
  value: 'string'

MLFlowModel경우 다음을 사용합니다.

  jobInputType: 'MLFlowModel'
  mode: 'string'
  uri: 'string'

MLTable경우 다음을 사용합니다.

  jobInputType: 'MLTable'
  mode: 'string'
  uri: 'string'

TritonModel경우 다음을 사용합니다.

  jobInputType: 'TritonModel'
  mode: 'string'
  uri: 'string'

UriFile경우 다음을 사용합니다.

  jobInputType: 'UriFile'
  mode: 'string'
  uri: 'string'

UriFolder경우 다음을 사용합니다.

  jobInputType: 'UriFolder'
  mode: 'string'
  uri: 'string'

SamplingAlgorithm 개체

샘플링AlgorithmType 속성을 설정하여 개체 유형을 지정합니다.

Bayesian경우 다음을 사용합니다.

  samplingAlgorithmType: 'Bayesian'

Grid경우 다음을 사용합니다.

  samplingAlgorithmType: 'Grid'

임의경우 다음을 사용합니다.

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

속성 값

작업 영역/작업

이름 묘사 값
이름 리소스 이름

Bicep자식 리소스의 이름과 형식을 설정하는 방법을 알아보세요.		 string(필수)
부모 Bicep에서 자식 리소스에 대한 부모 리소스를 지정할 수 있습니다. 자식 리소스가 부모 리소스 외부에서 선언된 경우에만 이 속성을 추가해야 합니다.

자세한 내용은 부모 리소스외부의 자식 리소스 참조하세요.		 형식 리소스의 기호 이름: 작업 영역
속성 [필수] 엔터티의 추가 특성입니다. JobBaseDetails(필수)

JobBaseDetails

이름 묘사 값
computeId 컴퓨팅 리소스의 ARM 리소스 ID입니다. 문자열
묘사 자산 설명 텍스트입니다. 문자열
displayName 작업의 표시 이름입니다. 문자열
experimentName 작업이 속한 실험의 이름입니다. 설정하지 않으면 작업이 "기본" 실험에 배치됩니다. 문자열
신원 ID 구성. 설정된 경우 AmlToken, ManagedIdentity, UserIdentity 또는 null 중 하나여야 합니다.
Null인 경우 기본값은 AmlToken입니다.		 IdentityConfiguration
isArchived 자산이 보관되어 있나요? bool
속성 자산 속성 사전입니다. ResourceBaseProperties
일정 작업의 정의를 예약합니다.
일정이 제공되지 않으면 작업이 제출 직후에 한 번 실행됩니다.		 ScheduleBase
서비스 JobEndpoints 목록입니다.
로컬 작업의 경우 작업 엔드포인트의 엔드포인트 값은 FileStreamObject입니다.		 JobBaseServices
태그 태그 사전입니다. 태그를 추가, 제거 및 업데이트할 수 있습니다. 객체
jobType 개체 유형 설정 AutoML
명령
파이프라인
스윕(필수)

IdentityConfiguration

이름 묘사 값
identityType 개체 유형 설정 AMLToken
관리되는
userIdentity (필수)

AmlToken

이름 묘사 값
identityType [필수] ID 프레임워크의 형식을 지정합니다. 'AMLToken'(필수)

ManagedIdentity

이름 묘사 값
identityType [필수] ID 프레임워크의 형식을 지정합니다. 'Managed'(필수)
clientId 클라이언트 ID별로 사용자 할당 ID를 지정합니다. 시스템 할당의 경우 이 필드를 설정하지 마세요. 문자열

제약 조건:
최소 길이 = 36
최대 길이 = 36
패턴 = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
objectId 개체 ID별로 사용자 할당 ID를 지정합니다. 시스템 할당의 경우 이 필드를 설정하지 마세요. 문자열

제약 조건:
최소 길이 = 36
최대 길이 = 36
패턴 = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
resourceId ARM 리소스 ID별로 사용자 할당 ID를 지정합니다. 시스템 할당의 경우 이 필드를 설정하지 마세요. 문자열

UserIdentity

이름 묘사 값
identityType [필수] ID 프레임워크의 형식을 지정합니다. 'UserIdentity'(필수)

ResourceBaseProperties

이름 묘사 값
{customized property} 문자열

ScheduleBase

이름 묘사 값
endTime ISO 8601 형식으로 일정 종료 시간을 지정합니다.
없는 경우 일정이 무기한 실행됩니다.		 문자열
scheduleStatus 일정의 상태를 지정합니다. '사용 안 함'
'Enabled'
startTime ISO 8601 형식으로 일정의 시작 시간을 지정합니다. 문자열
timeZone 일정이 실행되는 표준 시간대를 지정합니다.
표준 시간대는 Windows 표준 시간대 형식을 따라야 합니다.
 문자열
scheduleType 개체 유형 설정 크론
되풀이(필수)

CronSchedule

이름 묘사 값
scheduleType [필수] 일정 유형을 지정합니다. 'Cron'(필수)
식 [필수] 일정의 cron 식을 지정합니다.
식은 NCronTab 형식을 따라야 합니다.		 string(필수)

제약 조건:
패턴 = [a-zA-Z0-9_]

RecurrenceSchedule

이름 묘사 값
scheduleType [필수] 일정 유형을 지정합니다. '되풀이'(필수)
빈도 [필수] 일정을 트리거할 빈도를 지정합니다. 'Day'
'Hour'
'Minute'
'월'
'Week'(필수)
간 [필수] 빈도와 함께 일정 간격을 지정합니다. int(필수)
무늬 되풀이 일정 패턴을 지정합니다. RecurrencePattern

RecurrencePattern

이름 묘사 값
시간 [필수] 되풀이 일정 패턴의 시간 목록 int[] (필수)
분 [필수] 되풀이 일정 패턴에 대한 분 목록 int[] (필수)
평일 되풀이 일정 패턴의 평일 목록 다음 중 어느 것을 포함하는 문자열 배열:
'금요일'
'월요일'
'토요일'
'일요일'
'목요일'
'화요일'
'수요일'

JobBaseServices

이름 묘사 값
{customized property} jobService

JobService

이름 묘사 값
끝점 엔드포인트의 URL입니다. 문자열
jobServiceType 엔드포인트 유형입니다. 문자열
항구 엔드포인트의 포트입니다. int
속성 엔드포인트에서 설정할 추가 속성입니다. JobServiceProperties

JobServiceProperties

이름 묘사 값
{customized property} 문자열

AutoMLJob

이름 묘사 값
jobType [필수] 작업 유형을 지정합니다. 'AutoML'(필수)
environmentId 작업에 대한 환경 사양의 ARM 리소스 ID입니다.
이 값은 선택적 값이며, 제공되지 않은 경우 AutoML은 작업을 실행할 때 이를 프로덕션 AutoML 큐레이팅된 환경 버전으로 기본값으로 지정합니다.		 문자열
environmentVariables 작업에 포함된 환경 변수입니다. autoMLJobEnvironmentVariables
출력 작업에 사용되는 출력 데이터 바인딩의 매핑입니다. AutoMLJobOutputs
리소스 작업에 대한 컴퓨팅 리소스 구성입니다. resourceConfiguration
taskDetails [필수] 테이블/NLP/이미지 중 하나일 수 있는 시나리오를 나타냅니다. autoMLVertical (필수)

AutoMLJobEnvironmentVariables

이름 묘사 값
{customized property} 문자열

AutoMLJobOutputs

이름 묘사 값
{customized property} JobOutput

JobOutput

이름 묘사 값
묘사 출력에 대한 설명입니다. 문자열
jobOutputType 개체 유형 설정 customModel
MLFlowModel
MLTable
TritonModel
UriFile
UriFolder(필수)

CustomModelJobOutput

이름 묘사 값
jobOutputType [필수] 작업 유형을 지정합니다. 'CustomModel'(필수)
모드 출력 자산 배달 모드입니다. 'ReadWriteMount'
'업로드'
uri 출력 자산 URI입니다. 문자열

MLFlowModelJobOutput

이름 묘사 값
jobOutputType [필수] 작업 유형을 지정합니다. 'MLFlowModel'(필수)
모드 출력 자산 배달 모드입니다. 'ReadWriteMount'
'업로드'
uri 출력 자산 URI입니다. 문자열

MLTableJobOutput

이름 묘사 값
jobOutputType [필수] 작업 유형을 지정합니다. 'MLTable'(필수)
모드 출력 자산 배달 모드입니다. 'ReadWriteMount'
'업로드'
uri 출력 자산 URI입니다. 문자열

TritonModelJobOutput

이름 묘사 값
jobOutputType [필수] 작업 유형을 지정합니다. 'TritonModel'(필수)
모드 출력 자산 배달 모드입니다. 'ReadWriteMount'
'업로드'
uri 출력 자산 URI입니다. 문자열

UriFileJobOutput

이름 묘사 값
jobOutputType [필수] 작업 유형을 지정합니다. 'UriFile'(필수)
모드 출력 자산 배달 모드입니다. 'ReadWriteMount'
'업로드'
uri 출력 자산 URI입니다. 문자열

UriFolderJobOutput

이름 묘사 값
jobOutputType [필수] 작업 유형을 지정합니다. 'UriFolder'(필수)
모드 출력 자산 배달 모드입니다. 'ReadWriteMount'
'업로드'
uri 출력 자산 URI입니다. 문자열

ResourceConfiguration

이름 묘사 값
instanceCount 컴퓨팅 대상에서 사용하는 인스턴스 또는 노드의 선택적 수입니다. int
instanceType 컴퓨팅 대상에서 지원하는 VM의 선택적 형식입니다. 문자열
속성 추가 속성 모음. resourceConfigurationProperties

ResourceConfigurationProperties

이름 묘사 값
{customized property} Bicep의 경우 any() 함수를 사용할 수 있습니다.

AutoMLVertical

이름 묘사 값
logVerbosity 작업에 대한 자세한 정보를 기록합니다. 'Critical'
'디버그'
'Error'
'정보'
'NotSet'
'경고'
taskType 개체 유형 설정 분류
예측
imageClassification
imageClassificationMultilabel
ImageInstanceSegmentation
ImageObjectDetection
회귀
TextClassification
TextClassificationMultilabel
TextNER (필수)

분류

이름 묘사 값
taskType [필수] AutoMLJob의 작업 유형입니다. '분류'(필수)
allowedModels 분류 작업에 허용되는 모델입니다. 다음 중 어느 것을 포함하는 문자열 배열:
'베르누울리나이브베이즈'
'DecisionTree'
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LightGBM'
'LinearSVM'
'LogisticRegression'
'멀티노미알나이브베이즈'
'RandomForest'
'SGD'
'SVM'
'XGBoostClassifier'
blockedModels 분류 태스크에 대한 차단된 모델입니다. 다음 중 어느 것을 포함하는 문자열 배열:
'베르누울리나이브베이즈'
'DecisionTree'
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LightGBM'
'LinearSVM'
'LogisticRegression'
'멀티노미알나이브베이즈'
'RandomForest'
'SGD'
'SVM'
'XGBoostClassifier'
dataSettings AutoMLJob에 대한 데이터 입력입니다. tableVerticalDataSettings
featurizationSettings AutoML 작업에 필요한 기능화 입력입니다. tableVerticalFeaturizationSettings
limitSettings AutoMLJob에 대한 실행 제약 조건입니다. tableVerticalLimitSettings
primaryMetric 작업에 대한 기본 메트릭입니다. 'AUCWeighted'
'정확도'
'AveragePrecisionScoreWeighted'
'NormMacroRecall'
'PrecisionScoreWeighted'
trainingSettings AutoML 작업의 학습 단계에 대한 입력입니다. TrainingSettings

TableVerticalDataSettings

이름 묘사 값
targetColumnName [필수] 대상 열 이름: 예측 값 열입니다.
분류 작업의 컨텍스트에서 레이블 열 이름이라고도 합니다.		 string(필수)

제약 조건:
패턴 = [a-zA-Z0-9_]
testData 데이터 입력을 테스트합니다. TestDataSettings
trainingData [필수] 학습 데이터 입력입니다. TrainingDataSettings(필수)
validationData 유효성 검사 데이터 입력입니다. tableVerticalValidationDataSettings
weightColumnName 샘플 가중치 열의 이름입니다. 자동화된 ML은 가중 열을 입력으로 지원하여 데이터의 행에 가중치를 적용하거나 줄입니다. 문자열

TestDataSettings

이름 묘사 값
데이터 데이터 MLTable을 테스트합니다. MLTableJobInput
testDataSize 유효성 검사를 위해 따로 설정해야 하는 테스트 데이터 세트의 비율입니다.
(0.0, 1.0) 사이의 값
유효성 검사 데이터 세트가 제공되지 않을 때 적용됩니다.
 int

MLTableJobInput

이름 묘사 값
묘사 입력에 대한 설명입니다. 문자열
jobInputType [필수] 작업 유형을 지정합니다. 'CustomModel'
'Literal'
'MLFlowModel'
'MLTable'
'TritonModel'
'UriFile'
'UriFolder'(필수)
모드 입력 자산 배달 모드입니다. 'Direct'
'다운로드'
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
'ReadWriteMount'
uri [필수] 입력 자산 URI입니다. string(필수)

제약 조건:
패턴 = [a-zA-Z0-9_]

TrainingDataSettings

이름 묘사 값
데이터 [필수] 학습 데이터 MLTable. MLTableJobInput(필수)

TableVerticalValidationDataSettings

이름 묘사 값
cvSplitColumnNames CVSplit 데이터에 사용할 열입니다. string[]
데이터 유효성 검사 데이터 MLTable. MLTableJobInput
nCrossValidations 학습 데이터 세트에 적용할 교차 유효성 검사 접기 수
유효성 검사 데이터 세트가 제공되지 않으면 입니다.		 NCrossValidations
validationDataSize 유효성 검사를 위해 따로 설정해야 하는 학습 데이터 세트의 비율입니다.
(0.0, 1.0) 사이의 값
유효성 검사 데이터 세트가 제공되지 않을 때 적용됩니다.
 int

NCrossValidations

이름 묘사 값
모드 개체 유형 설정 자동
사용자 지정(필수)

AutoNCrossValidations

이름 묘사 값
모드 [필수] N 교차 유효성 검사를 결정하는 모드입니다. 'Auto'(필수)

CustomNCrossValidations

이름 묘사 값
모드 [필수] N 교차 유효성 검사를 결정하는 모드입니다. 'Custom'(필수)
값 [필수] N 교차 유효성 검사 값입니다. int(필수)

TableVerticalFeaturizationSettings

이름 묘사 값
blockedTransformers 이러한 변압기는 기능화에 사용되지 않습니다. string[]
columnNameAndTypes 열 이름 및 해당 형식(int, float, string, datetime 등)의 사전입니다. TableVerticalFeaturizationSettingsColumnNameAndTypes
datasetLanguage 텍스트 데이터에 유용한 데이터 세트 언어입니다. 문자열
dropColumns 기능화 중에 데이터에서 삭제할 열입니다. string[]
enableDnnFeaturization 데이터 기능화에 Dnn 기반 기능화기를 사용할지 여부를 결정합니다. bool
모드 기능화 모드 - 사용자는 기본 '자동' 모드를 유지할 수 있으며 AutoML은 기능화 단계에서 필요한 데이터 변환을 처리합니다.
'끄기'를 선택하면 기능화가 수행되지 않습니다.
'사용자 지정'을 선택하면 사용자는 추가 입력을 지정하여 기능화를 수행하는 방법을 사용자 지정할 수 있습니다.		 'Auto'
'Custom'
'Off'
transformerParams 사용자는 적용할 열 및 변환기 생성자에 대한 매개 변수와 함께 사용할 추가 변환기를 지정할 수 있습니다. TableVerticalFeaturizationSettingsTransformerParams

TableVerticalFeaturizationSettingsColumnNameAndTypes

이름 묘사 값
{customized property} 문자열

TableVerticalFeaturizationSettingsTransformerParams

이름 묘사 값
{customized property} ColumnTransformer[]

ColumnTransformer

이름 묘사 값
필드 변환기 논리를 적용할 필드입니다. string[]
매개 변수 변환기에 전달할 다른 속성입니다.
필요한 입력은 키 사전, JSON 형식의 값 쌍입니다.
 Bicep의 경우 any() 함수를 사용할 수 있습니다.

TableVerticalLimitSettings

이름 묘사 값
enableEarlyTermination 조기 종료를 사용하도록 설정하고, 지난 20번의 반복에서 점수 개선이 없는 경우 AutoMLJob이 일찍 종료되는지 여부를 결정합니다. bool
exitScore AutoML 작업의 종료 점수입니다. int
maxConcurrentTrials 최대 동시 반복입니다. int
maxCoresPerTrial 반복당 최대 코어 수입니다. int
maxTrials 반복 횟수입니다. int
타임 아웃 AutoML 작업 시간 제한입니다. 문자열
trialTimeout 반복 시간 제한입니다. 문자열

TrainingSettings

이름 묘사 값
enableDnnTraining DNN 모델의 권장 사항을 사용하도록 설정합니다. bool
enableModelExplainability 최상의 모델에서 설명 기능을 켜는 플래그입니다. bool
enableOnnxCompatibleModels onnx 호환 모델을 사용하도록 설정하기 위한 플래그입니다. bool
enableStackEnsemble 스택 앙상블 실행을 사용하도록 설정합니다. bool
enableVoteEnsemble 투표 앙상블 실행을 사용하도록 설정합니다. bool
ensembleModelDownloadTimeout VotingEnsemble 및 StackEnsemble 모델 생성 중에 이전 자식 실행의 여러 맞춤 모델이 다운로드됩니다.
더 많은 시간이 필요한 경우 이 매개 변수를 300초보다 높은 값으로 구성합니다.		 문자열
stackEnsembleSettings 스택 앙상블 실행에 대한 스택 앙상블 설정입니다. StackEnsembleSettings

StackEnsembleSettings

이름 묘사 값
stackMetaLearnerKWargs 메타 학습자의 이니셜라이저에 전달할 선택적 매개 변수입니다. Bicep의 경우 any() 함수를 사용할 수 있습니다.
stackMetaLearnerTrainPercentage 메타 학습자를 학습하기 위해 예약할 학습 집합의 비율(학습 및 학습 유효성 검사 유형을 선택할 때)을 지정합니다. 기본값은 0.2입니다. int
stackMetaLearnerType 메타 학습자는 개별 이종 모델의 출력에 대해 학습된 모델입니다. 'ElasticNet'
'ElasticNetCV'
'LightGBMClassifier'
'LightGBMRegressor'
'LinearRegression'
'LogisticRegression'
'LogisticRegressionCV'
'None'

예측

이름 묘사 값
taskType [필수] AutoMLJob의 작업 유형입니다. '예측'(필수)
allowedModels 예측 작업에 허용되는 모델입니다. 다음 중 어느 것을 포함하는 문자열 배열:
'아리맥스'
'AutoArima'
'Average'
'DecisionTree'
'ElasticNet'
'ExponentialSmoothing'
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LassoLars'
'LightGBM'
'Naive'
'예언자'
'RandomForest'
'SGD'
'SeasonalAverage'
'SeasonalNaive'
'TCNForecaster'
'XGBoostRegressor'
blockedModels 예측 작업에 대한 차단된 모델입니다. 다음 중 어느 것을 포함하는 문자열 배열:
'아리맥스'
'AutoArima'
'Average'
'DecisionTree'
'ElasticNet'
'ExponentialSmoothing'
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LassoLars'
'LightGBM'
'Naive'
'예언자'
'RandomForest'
'SGD'
'SeasonalAverage'
'SeasonalNaive'
'TCNForecaster'
'XGBoostRegressor'
dataSettings AutoMLJob에 대한 데이터 입력입니다. tableVerticalDataSettings
featurizationSettings AutoML 작업에 필요한 기능화 입력입니다. tableVerticalFeaturizationSettings
forecastingSettings 예측 작업별 입력. ForecastingSettings
limitSettings AutoMLJob에 대한 실행 제약 조건입니다. tableVerticalLimitSettings
primaryMetric 예측 작업에 대한 기본 메트릭입니다. 'NormalizedMeanAbsoluteError'
'NormalizedRootMeanSquaredError'
'R2Score'
'스피어만코렐레이션'
trainingSettings AutoML 작업의 학습 단계에 대한 입력입니다. TrainingSettings

ForecastingSettings

이름 묘사 값
countryOrRegionForHolidays 예측 작업에 대한 휴일의 국가 또는 지역입니다.
ISO 3166 두 글자 국가/지역 코드(예: 'US' 또는 'GB')여야 합니다.		 문자열
cvStepSize 한 CV 접기의 원본 시간과 다음 접기 사이의 기간 수입니다. 때문에
예를 들어 일일 데이터의 경우 CVStepSize = 3이면 각 접기 원본 시간이 됩니다.
3일 간격.		 int
featureLags 'auto' 또는 null을 사용하여 숫자 기능에 대한 지연을 생성하는 플래그입니다. 'Auto'
'None'
forecastHorizon 시계열 빈도 단위로 원하는 최대 예측 수평선입니다. ForecastHorizon
빈도 예측 시 이 매개 변수는 예측이 필요한 기간(예: 매일, 매주, 매년 등)을 나타냅니다. 예측 빈도는 기본적으로 데이터 세트 빈도입니다. 문자열
계절 시계열 계절성을 계열 빈도의 정수 배수로 설정합니다.
계절성이 'auto'로 설정되면 유추됩니다.		 계절성
shortSeriesHandlingConfig AutoML에서 짧은 시계열을 처리하는 방법을 정의하는 매개 변수입니다. 'Auto'
'Drop'
'None'
'Pad'
targetAggregateFunction 사용자가 지정한 빈도를 준수하도록 시계열 대상 열을 집계하는 데 사용할 함수입니다.
TargetAggregateFunction이 설정된 경우(예: 'None'이 아니라 freq 매개 변수가 설정되지 않은 경우) 오류가 발생합니다. 가능한 대상 집계 함수는 "sum", "max", "min" 및 "mean"입니다.		 'Max'
'Mean'
'Min'
'None'
'Sum'
targetLags 대상 열에서 지연할 지난 기간의 수입니다. TargetLags
targetRollingWindowSize 대상 열의 롤링 창 평균을 만드는 데 사용된 이전 기간의 수입니다. TargetRollingWindowSize
timeColumnName 시간 열의 이름입니다. 이 매개 변수는 시계열을 빌드하고 해당 빈도를 유추하는 데 사용되는 입력 데이터의 날짜/시간 열을 지정하도록 예측할 때 필요합니다. 문자열
timeSeriesIdColumnNames 타임스레터를 그룹화하는 데 사용되는 열의 이름입니다. 여러 계열을 만드는 데 사용할 수 있습니다.
그레인이 정의되지 않은 경우 데이터 집합은 하나의 시계열로 간주됩니다. 이 매개 변수는 작업 유형 예측에 사용됩니다.		 string[]
useStl 시계열 대상 열의 STL 분해를 구성합니다. 'None'
'시즌'
'SeasonTrend'

ForecastHorizon

이름 묘사 값
모드 개체 유형 설정 자동
사용자 지정(필수)

AutoForecastHorizon

이름 묘사 값
모드 [필수] 예측 수평선 값 선택 모드를 설정합니다. 'Auto'(필수)

CustomForecastHorizon

이름 묘사 값
모드 [필수] 예측 수평선 값 선택 모드를 설정합니다. 'Custom'(필수)
값 [필수] 예측 수평선 값입니다. int(필수)

계절

이름 묘사 값
모드 개체 유형 설정 자동
사용자 지정(필수)

AutoSeasonality

이름 묘사 값
모드 [필수] 계절성 모드입니다. 'Auto'(필수)

CustomSeasonality

이름 묘사 값
모드 [필수] 계절성 모드입니다. 'Custom'(필수)
값 [필수] 계절성 값입니다. int(필수)

TargetLags

이름 묘사 값
모드 개체 유형 설정 자동
사용자 지정(필수)

AutoTargetLags

이름 묘사 값
모드 [필수] 대상 지연 모드 설정 - 자동/사용자 지정 'Auto'(필수)

CustomTargetLags

이름 묘사 값
모드 [필수] 대상 지연 모드 설정 - 자동/사용자 지정 'Custom'(필수)
값 [필수] 대상 지연 값을 설정합니다. int[] (필수)

TargetRollingWindowSize

이름 묘사 값
모드 개체 유형 설정 자동
사용자 지정(필수)

AutoTargetRollingWindowSize

이름 묘사 값
모드 [필수] TargetRollingWindowSiz 검색 모드입니다. 'Auto'(필수)

CustomTargetRollingWindowSize

이름 묘사 값
모드 [필수] TargetRollingWindowSiz 검색 모드입니다. 'Custom'(필수)
값 [필수] TargetRollingWindowSize 값입니다. int(필수)

ImageClassification

이름 묘사 값
taskType [필수] AutoMLJob의 작업 유형입니다. 'ImageClassification'(필수)
dataSettings [필수] 등록된 테이블 형식 데이터 세트 ID 및 모델 학습 및 유효성 검사에 필요한 기타 데이터 설정의 컬렉션입니다. ImageVerticalDataSettings (필수)
limitSettings [필수] AutoML 작업에 대한 설정을 제한합니다. ImageLimitSettings (필수)
modelSettings 모델 학습에 사용되는 설정입니다. ImageModelSettingsClassification
primaryMetric 이 작업에 최적화할 기본 메트릭입니다. 'AUCWeighted'
'정확도'
'AveragePrecisionScoreWeighted'
'NormMacroRecall'
'PrecisionScoreWeighted'
searchSpace 모델과 해당 하이퍼 매개 변수의 다양한 조합을 샘플링하기 위한 공간을 검색합니다. ImageModelDistributionSettingsClassification[]
sweepSettings 모델 비우기 및 하이퍼 매개 변수 비우기 관련 설정입니다. imageSweepSettings

ImageVerticalDataSettings

이름 묘사 값
targetColumnName [필수] 대상 열 이름: 예측 값 열입니다.
분류 작업의 컨텍스트에서 레이블 열 이름이라고도 합니다.		 string(필수)

제약 조건:
패턴 = [a-zA-Z0-9_]
testData 데이터 입력을 테스트합니다. TestDataSettings
trainingData [필수] 학습 데이터 입력입니다. TrainingDataSettings(필수)
validationData 유효성 검사 데이터 세트에 대한 설정입니다. imageVerticalValidationDataSettings

ImageVerticalValidationDataSettings

이름 묘사 값
데이터 유효성 검사 데이터 MLTable. MLTableJobInput
validationDataSize 유효성 검사를 위해 따로 설정해야 하는 학습 데이터 세트의 비율입니다.
(0.0, 1.0) 사이의 값
유효성 검사 데이터 세트가 제공되지 않을 때 적용됩니다.
 int

ImageLimitSettings

이름 묘사 값
maxConcurrentTrials 동시 AutoML 반복의 최대 수입니다. int
maxTrials AutoML 반복의 최대 수입니다. int
타임 아웃 AutoML 작업 시간 제한입니다. 문자열

ImageModelSettingsClassification

이름 묘사 값
advancedSettings 고급 시나리오에 대한 설정입니다. 문자열
amsGradient 최적화 프로그램이 'adam' 또는 'adamw'인 경우 AMSGrad를 사용하도록 설정합니다. bool
확대 확대를 사용하기 위한 설정입니다. 문자열
beta1 최적화 프로그램이 'adam' 또는 'adamw'인 경우 'beta1' 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다. int
beta2 최적화 프로그램이 'adam' 또는 'adamw'인 경우 'beta2' 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다. int
checkpointDatasetId 증분 학습에 대한 미리 학습된 검사점의 FileDataset ID입니다.
CheckpointDatasetId와 함께 CheckpointFilename을 전달해야 합니다.		 문자열
checkpointFilename 증분 학습을 위한 FileDataset의 미리 학습된 검사점 파일 이름입니다.
CheckpointFilename과 함께 CheckpointDatasetId를 전달해야 합니다.		 문자열
checkpointFrequency 모델 검사점을 저장하는 빈도입니다. 양의 정수여야 합니다. int
checkpointRunId 증분 학습에 대한 미리 학습된 검사점이 있는 이전 실행의 ID입니다. 문자열
분산 분산 학습을 사용할지 여부입니다. bool
earlyStopping 학습 중에 조기 중지 논리를 사용하도록 설정합니다. bool
earlyStoppingDelay 기본 메트릭 개선 전에 대기할 최소 Epoch 수 또는 유효성 검사 평가
는 조기 중지를 위해 추적됩니다. 양의 정수여야 합니다.		 int
earlyStoppingPatience 이전의 기본 메트릭 개선 없이 Epoch 또는 유효성 검사 평가의 최소 수
실행이 중지되었습니다. 양의 정수여야 합니다.		 int
enableOnnxNormalization ONNX 모델을 내보낼 때 정규화를 사용하도록 설정합니다. bool
evaluationFrequency 메트릭 점수를 얻기 위해 유효성 검사 데이터 세트를 평가하는 빈도입니다. 양의 정수여야 합니다. int
gradientAccumulationStep 그라데이션 누적은 구성된 수의 "GradAccumulationStep" 단계를 실행하지 않고 실행됨을 의미합니다.
해당 단계의 그라데이션을 누적하는 동안 모델 가중치를 업데이트한 다음
가중치 업데이트를 계산하기 위한 누적 그라데이션입니다. 양의 정수여야 합니다.		 int
layersToFreeze 모델에 대해 고정할 레이어 수입니다. 양의 정수여야 합니다.
예를 들어 'seresnext'에 대한 값으로 2를 전달하는 것은
freezing layer0 및 layer1. 지원되는 모델의 전체 목록 및 계층 고정에 대한 세부 정보는 다음을 참조하세요.
참조: /azure/machine-learning/how-to-auto-train-image-models.		 int
learningRate 초기 학습 속도입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다. int
learningRateScheduler 학습 속도 스케줄러의 유형입니다. 'warmup_cosine' 또는 '단계'여야 합니다. 'None'
'Step'
'WarmupCosine'
modelName 학습에 사용할 모델의 이름입니다.
사용 가능한 모델에 대한 자세한 내용은 공식 설명서를 참조하세요.
/azure/machine-learning/how-to-auto-train-image-models.		 문자열
운동량 최적화 프로그램이 'sgd'일 때의 모멘텀 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다. int
nesterov 최적화 프로그램이 'sgd'일 때 nesterov를 사용하도록 설정합니다. bool
numberOfEpochs 학습 epoch의 수입니다. 양의 정수여야 합니다. int
numberOfWorkers 데이터 로더 작업자 수입니다. 음수가 아닌 정수여야 합니다. int
최적화 최적화 프로그램의 유형입니다. '아담'
'Adamw'
'None'
'Sgd'
randomSeed 결정적 학습을 사용할 때 사용할 임의 시드입니다. int
splitRatio 유효성 검사 데이터가 정의되지 않은 경우 분할에 대한 분할 비율을 지정합니다.
데이터를 임의 학습 및 유효성 검사 하위 집합으로 학습시킵니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.		 int
stepLRGamma 학습 속도 스케줄러가 '단계'인 경우 감마 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다. int
stepLRStepSize 학습 속도 스케줄러가 '단계'인 경우 단계 크기의 값입니다. 양의 정수여야 합니다. int
trainingBatchSize 학습 일괄 처리 크기입니다. 양의 정수여야 합니다. int
trainingCropSize 학습 데이터 세트에 대한 신경망에 입력되는 이미지 자르기 크기입니다. 양의 정수여야 합니다. int
validationBatchSize 유효성 검사 일괄 처리 크기입니다. 양의 정수여야 합니다. int
validationCropSize 유효성 검사 데이터 세트에 대한 신경망에 입력되는 이미지 자르기 크기입니다. 양의 정수여야 합니다. int
validationResizeSize 유효성 검사 데이터 세트를 자르기 전에 크기를 조정할 이미지 크기입니다. 양의 정수여야 합니다. int
warmupCosineLRCycles 학습 속도 스케줄러가 'warmup_cosine'인 경우 코사인 주기의 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다. int
warmupCosineLRWarmupEpochs 학습 속도 스케줄러가 'warmup_cosine'인 경우 준비 epoch의 값입니다. 양의 정수여야 합니다. int
weightDecay 최적화 프로그램이 'sgd', 'adam' 또는 'adamw'인 경우 가중치 감쇠 값입니다. 범위[0, 1]의 부동 소수 자릿수여야 합니다. int
weightedLoss 가중 손실. 허용되는 값은 가중치 손실 없이 0입니다.
sqrt를 사용한 가중치 손실의 경우 1. (class_weights). class_weights 가중치 손실에 대한 2. 0 또는 1 또는 2여야 합니다.
 int

ImageModelDistributionSettingsClassification

이름 묘사 값
amsGradient 최적화 프로그램이 'adam' 또는 'adamw'인 경우 AMSGrad를 사용하도록 설정합니다. 문자열
확대 확대를 사용하기 위한 설정입니다. 문자열
beta1 최적화 프로그램이 'adam' 또는 'adamw'인 경우 'beta1' 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다. 문자열
beta2 최적화 프로그램이 'adam' 또는 'adamw'인 경우 'beta2' 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다. 문자열
분산 배포자 학습을 사용할지 여부입니다. 문자열
earlyStopping 학습 중에 조기 중지 논리를 사용하도록 설정합니다. 문자열
earlyStoppingDelay 기본 메트릭 개선 전에 대기할 최소 Epoch 수 또는 유효성 검사 평가
는 조기 중지를 위해 추적됩니다. 양의 정수여야 합니다.		 문자열
earlyStoppingPatience 이전의 기본 메트릭 개선 없이 Epoch 또는 유효성 검사 평가의 최소 수
실행이 중지되었습니다. 양의 정수여야 합니다.		 문자열
enableOnnxNormalization ONNX 모델을 내보낼 때 정규화를 사용하도록 설정합니다. 문자열
evaluationFrequency 메트릭 점수를 얻기 위해 유효성 검사 데이터 세트를 평가하는 빈도입니다. 양의 정수여야 합니다. 문자열
gradientAccumulationStep 그라데이션 누적은 구성된 수의 "GradAccumulationStep" 단계를 실행하지 않고 실행됨을 의미합니다.
해당 단계의 그라데이션을 누적하는 동안 모델 가중치를 업데이트한 다음
가중치 업데이트를 계산하기 위한 누적 그라데이션입니다. 양의 정수여야 합니다.		 문자열
layersToFreeze 모델에 대해 고정할 레이어 수입니다. 양의 정수여야 합니다.
예를 들어 'seresnext'에 대한 값으로 2를 전달하는 것은
freezing layer0 및 layer1. 지원되는 모델의 전체 목록 및 계층 고정에 대한 세부 정보는 다음을 참조하세요.
참조: /azure/machine-learning/how-to-auto-train-image-models.		 문자열
learningRate 초기 학습 속도입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다. 문자열
learningRateScheduler 학습 속도 스케줄러의 유형입니다. 'warmup_cosine' 또는 '단계'여야 합니다. 문자열
modelName 학습에 사용할 모델의 이름입니다.
사용 가능한 모델에 대한 자세한 내용은 공식 설명서를 참조하세요.
/azure/machine-learning/how-to-auto-train-image-models.		 문자열
운동량 최적화 프로그램이 'sgd'일 때의 모멘텀 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다. 문자열
nesterov 최적화 프로그램이 'sgd'일 때 nesterov를 사용하도록 설정합니다. 문자열
numberOfEpochs 학습 epoch의 수입니다. 양의 정수여야 합니다. 문자열
numberOfWorkers 데이터 로더 작업자 수입니다. 음수가 아닌 정수여야 합니다. 문자열
최적화 최적화 프로그램의 유형입니다. 'sgd', 'adam' 또는 'adamw'여야 합니다. 문자열
randomSeed 결정적 학습을 사용할 때 사용할 임의 시드입니다. 문자열
splitRatio 유효성 검사 데이터가 정의되지 않은 경우 분할에 대한 분할 비율을 지정합니다.
데이터를 임의 학습 및 유효성 검사 하위 집합으로 학습시킵니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.		 문자열
stepLRGamma 학습 속도 스케줄러가 '단계'인 경우 감마 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다. 문자열
stepLRStepSize 학습 속도 스케줄러가 '단계'인 경우 단계 크기의 값입니다. 양의 정수여야 합니다. 문자열
trainingBatchSize 학습 일괄 처리 크기입니다. 양의 정수여야 합니다. 문자열
trainingCropSize 학습 데이터 세트에 대한 신경망에 입력되는 이미지 자르기 크기입니다. 양의 정수여야 합니다. 문자열
validationBatchSize 유효성 검사 일괄 처리 크기입니다. 양의 정수여야 합니다. 문자열
validationCropSize 유효성 검사 데이터 세트에 대한 신경망에 입력되는 이미지 자르기 크기입니다. 양의 정수여야 합니다. 문자열
validationResizeSize 유효성 검사 데이터 세트를 자르기 전에 크기를 조정할 이미지 크기입니다. 양의 정수여야 합니다. 문자열
warmupCosineLRCycles 학습 속도 스케줄러가 'warmup_cosine'인 경우 코사인 주기의 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다. 문자열
warmupCosineLRWarmupEpochs 학습 속도 스케줄러가 'warmup_cosine'인 경우 준비 epoch의 값입니다. 양의 정수여야 합니다. 문자열
weightDecay 최적화 프로그램이 'sgd', 'adam' 또는 'adamw'인 경우 가중치 감쇠 값입니다. 범위[0, 1]의 부동 소수 자릿수여야 합니다. 문자열
weightedLoss 가중 손실. 허용되는 값은 가중치 손실 없이 0입니다.
sqrt를 사용한 가중치 손실의 경우 1. (class_weights). class_weights 가중치 손실에 대한 2. 0 또는 1 또는 2여야 합니다.
 문자열

ImageSweepSettings

이름 묘사 값
earlyTermination 조기 종료 정책의 유형입니다. earlyTerminationPolicy
제한 [필수] 모델 비우기 및 하이퍼 매개 변수 비우기에 대한 제한 설정입니다. imageSweepLimitSettings (필수)
samplingAlgorithm [필수] 하이퍼 매개 변수 샘플링 알고리즘의 형식입니다. '베이지안'
'Grid'
'Random'(필수)

EarlyTerminationPolicy

이름 묘사 값
delayEvaluation 첫 번째 평가를 지연할 간격 수입니다. int
evaluationInterval 정책 평가 사이의 간격(실행 수)입니다. int
policyType 개체 유형 설정 산적
MedianStopping
TruncationSelection(필수)

BanditPolicy

이름 묘사 값
policyType [필수] 정책 구성의 이름 'Bandit'(필수)
slackAmount 최상의 실행에서 허용되는 절대 거리입니다. int
slackFactor 가장 성능이 좋은 실행에서 허용된 거리의 비율입니다. int

MedianStoppingPolicy

이름 묘사 값
policyType [필수] 정책 구성의 이름 'MedianStopping'(필수)

TruncationSelectionPolicy

이름 묘사 값
policyType [필수] 정책 구성의 이름 'TruncationSelection'(필수)
truncationPercentage 각 평가 간격에서 취소할 실행의 백분율입니다. int

ImageSweepLimitSettings

이름 묘사 값
maxConcurrentTrials 기본 스윕 작업에 대한 최대 동시 반복 수입니다. int
maxTrials 기본 스윕 작업의 최대 반복 횟수입니다. int

ImageClassificationMultilabel

이름 묘사 값
taskType [필수] AutoMLJob의 작업 유형입니다. 'ImageClassificationMultilabel'(필수)
dataSettings [필수] 등록된 테이블 형식 데이터 세트 ID 및 모델 학습 및 유효성 검사에 필요한 기타 데이터 설정의 컬렉션입니다. ImageVerticalDataSettings (필수)
limitSettings [필수] AutoML 작업에 대한 설정을 제한합니다. ImageLimitSettings (필수)
modelSettings 모델 학습에 사용되는 설정입니다. ImageModelSettingsClassification
primaryMetric 이 작업에 최적화할 기본 메트릭입니다. 'AUCWeighted'
'정확도'
'AveragePrecisionScoreWeighted'
'IOU'
'NormMacroRecall'
'PrecisionScoreWeighted'
searchSpace 모델과 해당 하이퍼 매개 변수의 다양한 조합을 샘플링하기 위한 공간을 검색합니다. ImageModelDistributionSettingsClassification[]
sweepSettings 모델 비우기 및 하이퍼 매개 변수 비우기 관련 설정입니다. imageSweepSettings

ImageInstanceSegmentation

이름 묘사 값
taskType [필수] AutoMLJob의 작업 유형입니다. 'ImageInstanceSegmentation'(필수)
dataSettings [필수] 등록된 테이블 형식 데이터 세트 ID 및 모델 학습 및 유효성 검사에 필요한 기타 데이터 설정의 컬렉션입니다. ImageVerticalDataSettings (필수)
limitSettings [필수] AutoML 작업에 대한 설정을 제한합니다. ImageLimitSettings (필수)
modelSettings 모델 학습에 사용되는 설정입니다. ImageModelSettingsObjectDetection
primaryMetric 이 작업에 최적화할 기본 메트릭입니다. 'MeanAveragePrecision'
searchSpace 모델과 해당 하이퍼 매개 변수의 다양한 조합을 샘플링하기 위한 공간을 검색합니다. imageModelDistributionSettingsObjectDetection[]
sweepSettings 모델 비우기 및 하이퍼 매개 변수 비우기 관련 설정입니다. imageSweepSettings

ImageModelSettingsObjectDetection

이름 묘사 값
advancedSettings 고급 시나리오에 대한 설정입니다. 문자열
amsGradient 최적화 프로그램이 'adam' 또는 'adamw'인 경우 AMSGrad를 사용하도록 설정합니다. bool
확대 확대를 사용하기 위한 설정입니다. 문자열
beta1 최적화 프로그램이 'adam' 또는 'adamw'인 경우 'beta1' 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다. int
beta2 최적화 프로그램이 'adam' 또는 'adamw'인 경우 'beta2' 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다. int
boxDetectionsPerImage 모든 클래스에 대한 이미지당 최대 검색 수입니다. 양의 정수여야 합니다.
참고: 이 설정은 'yolov5' 알고리즘에 대해 지원되지 않습니다.		 int
boxScoreThreshold 유추하는 동안 분류 점수가 다음보다 큰 제안만 반환합니다.
BoxScoreThreshold. 범위[0, 1]의 부동 소수 자릿수여야 합니다.		 int
checkpointDatasetId 증분 학습에 대한 미리 학습된 검사점의 FileDataset ID입니다.
CheckpointDatasetId와 함께 CheckpointFilename을 전달해야 합니다.		 문자열
checkpointFilename 증분 학습을 위한 FileDataset의 미리 학습된 검사점 파일 이름입니다.
CheckpointFilename과 함께 CheckpointDatasetId를 전달해야 합니다.		 문자열
checkpointFrequency 모델 검사점을 저장하는 빈도입니다. 양의 정수여야 합니다. int
checkpointRunId 증분 학습에 대한 미리 학습된 검사점이 있는 이전 실행의 ID입니다. 문자열
분산 분산 학습을 사용할지 여부입니다. bool
earlyStopping 학습 중에 조기 중지 논리를 사용하도록 설정합니다. bool
earlyStoppingDelay 기본 메트릭 개선 전에 대기할 최소 Epoch 수 또는 유효성 검사 평가
는 조기 중지를 위해 추적됩니다. 양의 정수여야 합니다.		 int
earlyStoppingPatience 이전의 기본 메트릭 개선 없이 Epoch 또는 유효성 검사 평가의 최소 수
실행이 중지되었습니다. 양의 정수여야 합니다.		 int
enableOnnxNormalization ONNX 모델을 내보낼 때 정규화를 사용하도록 설정합니다. bool
evaluationFrequency 메트릭 점수를 얻기 위해 유효성 검사 데이터 세트를 평가하는 빈도입니다. 양의 정수여야 합니다. int
gradientAccumulationStep 그라데이션 누적은 구성된 수의 "GradAccumulationStep" 단계를 실행하지 않고 실행됨을 의미합니다.
해당 단계의 그라데이션을 누적하는 동안 모델 가중치를 업데이트한 다음
가중치 업데이트를 계산하기 위한 누적 그라데이션입니다. 양의 정수여야 합니다.		 int
imageSize 학습 및 유효성 검사를 위한 이미지 크기입니다. 양의 정수여야 합니다.
참고: 크기가 너무 크면 학습 실행이 CUDA OOM에 들어갈 수 있습니다.
참고: 이 설정은 'yolov5' 알고리즘에 대해서만 지원됩니다.		 int
layersToFreeze 모델에 대해 고정할 레이어 수입니다. 양의 정수여야 합니다.
예를 들어 'seresnext'에 대한 값으로 2를 전달하는 것은
freezing layer0 및 layer1. 지원되는 모델의 전체 목록 및 계층 고정에 대한 세부 정보는 다음을 참조하세요.
참조: /azure/machine-learning/how-to-auto-train-image-models.		 int
learningRate 초기 학습 속도입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다. int
learningRateScheduler 학습 속도 스케줄러의 유형입니다. 'warmup_cosine' 또는 '단계'여야 합니다. 'None'
'Step'
'WarmupCosine'
maxSize 백본에 공급하기 전에 크기가 조정될 이미지의 최대 크기입니다.
양의 정수여야 합니다. 참고: 크기가 너무 크면 학습 실행이 CUDA OOM에 들어갈 수 있습니다.
참고: 이 설정은 'yolov5' 알고리즘에 대해 지원되지 않습니다.		 int
minSize 백본에 공급하기 전에 크기가 조정될 이미지의 최소 크기입니다.
양의 정수여야 합니다. 참고: 크기가 너무 크면 학습 실행이 CUDA OOM에 들어갈 수 있습니다.
참고: 이 설정은 'yolov5' 알고리즘에 대해 지원되지 않습니다.		 int
modelName 학습에 사용할 모델의 이름입니다.
사용 가능한 모델에 대한 자세한 내용은 공식 설명서를 참조하세요.
/azure/machine-learning/how-to-auto-train-image-models.		 문자열
modelSize 모델 크기입니다. 'small', 'medium', 'large' 또는 'xlarge'여야 합니다.
참고: 모델 크기가 너무 크면 학습 실행이 CUDA OOM에 들어갈 수 있습니다.
참고: 이 설정은 'yolov5' 알고리즘에 대해서만 지원됩니다.		 'ExtraLarge'
'Large'
'Medium'
'None'
'Small'
운동량 최적화 프로그램이 'sgd'일 때의 모멘텀 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다. int
multiScale 이미지 크기를 +/- 50%변경하여 다중 크기 이미지를 사용하도록 설정합니다.
참고: 충분한 GPU 메모리가 없는 경우 학습 실행이 CUDA OOM에 들어갈 수 있습니다.
참고: 이 설정은 'yolov5' 알고리즘에 대해서만 지원됩니다.		 bool
nesterov 최적화 프로그램이 'sgd'일 때 nesterov를 사용하도록 설정합니다. bool
nmsIouThreshold NMS 사후 처리에서 유추하는 동안 사용되는 IOU 임계값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다. int
numberOfEpochs 학습 epoch의 수입니다. 양의 정수여야 합니다. int
numberOfWorkers 데이터 로더 작업자 수입니다. 음수가 아닌 정수여야 합니다. int
최적화 최적화 프로그램의 유형입니다. '아담'
'Adamw'
'None'
'Sgd'
randomSeed 결정적 학습을 사용할 때 사용할 임의 시드입니다. int
splitRatio 유효성 검사 데이터가 정의되지 않은 경우 분할에 대한 분할 비율을 지정합니다.
데이터를 임의 학습 및 유효성 검사 하위 집합으로 학습시킵니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.		 int
stepLRGamma 학습 속도 스케줄러가 '단계'인 경우 감마 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다. int
stepLRStepSize 학습 속도 스케줄러가 '단계'인 경우 단계 크기의 값입니다. 양의 정수여야 합니다. int
tileGridSize 각 이미지를 타일링하는 데 사용할 그리드 크기입니다. 참고: TileGridSize는
작은 개체 검색 논리를 사용하도록 설정할 수 없습니다. mxn 형식의 두 정수가 포함된 문자열입니다.
참고: 이 설정은 'yolov5' 알고리즘에 대해 지원되지 않습니다.		 문자열
tileOverlapRatio 각 차원의 인접 타일 간의 겹침 비율입니다. 범위 [0, 1)에 부동 소수 자릿수여야 합니다.
참고: 이 설정은 'yolov5' 알고리즘에 대해 지원되지 않습니다.		 int
tilePredictionsNmsThreshold 타일 및 이미지에서 예측을 병합하는 동안 NMS를 수행하는 데 사용할 IOU 임계값입니다.
유효성 검사/유추에 사용됩니다. 범위 [0, 1]에 부동 소수 자릿수여야 합니다.
참고: 이 설정은 'yolov5' 알고리즘에 대해 지원되지 않습니다.		 int
trainingBatchSize 학습 일괄 처리 크기입니다. 양의 정수여야 합니다. int
validationBatchSize 유효성 검사 일괄 처리 크기입니다. 양의 정수여야 합니다. int
validationIouThreshold 유효성 검사 메트릭을 계산할 때 사용할 IOU 임계값입니다. 범위 [0, 1]에 부동 소수 자릿수여야 합니다. int
validationMetricType 유효성 검사 메트릭에 사용할 메트릭 계산 방법입니다. '코코'
'CocoVoc'
'None'
'Voc'
warmupCosineLRCycles 학습 속도 스케줄러가 'warmup_cosine'인 경우 코사인 주기의 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다. int
warmupCosineLRWarmupEpochs 학습 속도 스케줄러가 'warmup_cosine'인 경우 준비 epoch의 값입니다. 양의 정수여야 합니다. int
weightDecay 최적화 프로그램이 'sgd', 'adam' 또는 'adamw'인 경우 가중치 감쇠 값입니다. 범위[0, 1]의 부동 소수 자릿수여야 합니다. int

ImageModelDistributionSettingsObjectDetection

이름 묘사 값
amsGradient 최적화 프로그램이 'adam' 또는 'adamw'인 경우 AMSGrad를 사용하도록 설정합니다. 문자열
확대 확대를 사용하기 위한 설정입니다. 문자열
beta1 최적화 프로그램이 'adam' 또는 'adamw'인 경우 'beta1' 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다. 문자열
beta2 최적화 프로그램이 'adam' 또는 'adamw'인 경우 'beta2' 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다. 문자열
boxDetectionsPerImage 모든 클래스에 대한 이미지당 최대 검색 수입니다. 양의 정수여야 합니다.
참고: 이 설정은 'yolov5' 알고리즘에 대해 지원되지 않습니다.		 문자열
boxScoreThreshold 유추하는 동안 분류 점수가 다음보다 큰 제안만 반환합니다.
BoxScoreThreshold. 범위[0, 1]의 부동 소수 자릿수여야 합니다.		 문자열
분산 배포자 학습을 사용할지 여부입니다. 문자열
earlyStopping 학습 중에 조기 중지 논리를 사용하도록 설정합니다. 문자열
earlyStoppingDelay 기본 메트릭 개선 전에 대기할 최소 Epoch 수 또는 유효성 검사 평가
는 조기 중지를 위해 추적됩니다. 양의 정수여야 합니다.		 문자열
earlyStoppingPatience 이전의 기본 메트릭 개선 없이 Epoch 또는 유효성 검사 평가의 최소 수
실행이 중지되었습니다. 양의 정수여야 합니다.		 문자열
enableOnnxNormalization ONNX 모델을 내보낼 때 정규화를 사용하도록 설정합니다. 문자열
evaluationFrequency 메트릭 점수를 얻기 위해 유효성 검사 데이터 세트를 평가하는 빈도입니다. 양의 정수여야 합니다. 문자열
gradientAccumulationStep 그라데이션 누적은 구성된 수의 "GradAccumulationStep" 단계를 실행하지 않고 실행됨을 의미합니다.
해당 단계의 그라데이션을 누적하는 동안 모델 가중치를 업데이트한 다음
가중치 업데이트를 계산하기 위한 누적 그라데이션입니다. 양의 정수여야 합니다.		 문자열
imageSize 학습 및 유효성 검사를 위한 이미지 크기입니다. 양의 정수여야 합니다.
참고: 크기가 너무 크면 학습 실행이 CUDA OOM에 들어갈 수 있습니다.
참고: 이 설정은 'yolov5' 알고리즘에 대해서만 지원됩니다.		 문자열
layersToFreeze 모델에 대해 고정할 레이어 수입니다. 양의 정수여야 합니다.
예를 들어 'seresnext'에 대한 값으로 2를 전달하는 것은
freezing layer0 및 layer1. 지원되는 모델의 전체 목록 및 계층 고정에 대한 세부 정보는 다음을 참조하세요.
참조: /azure/machine-learning/how-to-auto-train-image-models.		 문자열
learningRate 초기 학습 속도입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다. 문자열
learningRateScheduler 학습 속도 스케줄러의 유형입니다. 'warmup_cosine' 또는 '단계'여야 합니다. 문자열
maxSize 백본에 공급하기 전에 크기가 조정될 이미지의 최대 크기입니다.
양의 정수여야 합니다. 참고: 크기가 너무 크면 학습 실행이 CUDA OOM에 들어갈 수 있습니다.
참고: 이 설정은 'yolov5' 알고리즘에 대해 지원되지 않습니다.		 문자열
minSize 백본에 공급하기 전에 크기가 조정될 이미지의 최소 크기입니다.
양의 정수여야 합니다. 참고: 크기가 너무 크면 학습 실행이 CUDA OOM에 들어갈 수 있습니다.
참고: 이 설정은 'yolov5' 알고리즘에 대해 지원되지 않습니다.		 문자열
modelName 학습에 사용할 모델의 이름입니다.
사용 가능한 모델에 대한 자세한 내용은 공식 설명서를 참조하세요.
/azure/machine-learning/how-to-auto-train-image-models.		 문자열
modelSize 모델 크기입니다. 'small', 'medium', 'large' 또는 'xlarge'여야 합니다.
참고: 모델 크기가 너무 크면 학습 실행이 CUDA OOM에 들어갈 수 있습니다.
참고: 이 설정은 'yolov5' 알고리즘에 대해서만 지원됩니다.		 문자열
운동량 최적화 프로그램이 'sgd'일 때의 모멘텀 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다. 문자열
multiScale 이미지 크기를 +/- 50%변경하여 다중 크기 이미지를 사용하도록 설정합니다.
참고: 충분한 GPU 메모리가 없는 경우 학습 실행이 CUDA OOM에 들어갈 수 있습니다.
참고: 이 설정은 'yolov5' 알고리즘에 대해서만 지원됩니다.		 문자열
nesterov 최적화 프로그램이 'sgd'일 때 nesterov를 사용하도록 설정합니다. 문자열
nmsIouThreshold NMS 사후 처리에서 유추하는 동안 사용되는 IOU 임계값입니다. 범위 [0, 1]에 부동 소수 자릿수여야 합니다. 문자열
numberOfEpochs 학습 epoch의 수입니다. 양의 정수여야 합니다. 문자열
numberOfWorkers 데이터 로더 작업자 수입니다. 음수가 아닌 정수여야 합니다. 문자열
최적화 최적화 프로그램의 유형입니다. 'sgd', 'adam' 또는 'adamw'여야 합니다. 문자열
randomSeed 결정적 학습을 사용할 때 사용할 임의 시드입니다. 문자열
splitRatio 유효성 검사 데이터가 정의되지 않은 경우 분할에 대한 분할 비율을 지정합니다.
데이터를 임의 학습 및 유효성 검사 하위 집합으로 학습시킵니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.		 문자열
stepLRGamma 학습 속도 스케줄러가 '단계'인 경우 감마 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다. 문자열
stepLRStepSize 학습 속도 스케줄러가 '단계'인 경우 단계 크기의 값입니다. 양의 정수여야 합니다. 문자열
tileGridSize 각 이미지를 타일링하는 데 사용할 그리드 크기입니다. 참고: TileGridSize는
작은 개체 검색 논리를 사용하도록 설정할 수 없습니다. mxn 형식의 두 정수가 포함된 문자열입니다.
참고: 이 설정은 'yolov5' 알고리즘에 대해 지원되지 않습니다.		 문자열
tileOverlapRatio 각 차원의 인접 타일 간의 겹침 비율입니다. 범위 [0, 1)에 부동 소수 자릿수여야 합니다.
참고: 이 설정은 'yolov5' 알고리즘에 대해 지원되지 않습니다.		 문자열
tilePredictionsNmsThreshold 타일 및 이미지에서 예측을 병합하는 동안 NMS를 수행하는 데 사용할 IOU 임계값입니다.
유효성 검사/유추에 사용됩니다. 범위 [0, 1]에 부동 소수 자릿수여야 합니다.
참고: 이 설정은 'yolov5' 알고리즘에 대해 지원되지 않습니다.
NMS: 최대값이 아닌 표시 안 함		 문자열
trainingBatchSize 학습 일괄 처리 크기입니다. 양의 정수여야 합니다. 문자열
validationBatchSize 유효성 검사 일괄 처리 크기입니다. 양의 정수여야 합니다. 문자열
validationIouThreshold 유효성 검사 메트릭을 계산할 때 사용할 IOU 임계값입니다. 범위 [0, 1]에 부동 소수 자릿수여야 합니다. 문자열
validationMetricType 유효성 검사 메트릭에 사용할 메트릭 계산 방법입니다. 'none', 'coco', 'voc' 또는 'coco_voc'이어야 합니다. 문자열
warmupCosineLRCycles 학습 속도 스케줄러가 'warmup_cosine'인 경우 코사인 주기의 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다. 문자열
warmupCosineLRWarmupEpochs 학습 속도 스케줄러가 'warmup_cosine'인 경우 준비 epoch의 값입니다. 양의 정수여야 합니다. 문자열
weightDecay 최적화 프로그램이 'sgd', 'adam' 또는 'adamw'인 경우 가중치 감쇠 값입니다. 범위[0, 1]의 부동 소수 자릿수여야 합니다. 문자열

ImageObjectDetection

이름 묘사 값
taskType [필수] AutoMLJob의 작업 유형입니다. 'ImageObjectDetection'(필수)
dataSettings [필수] 등록된 테이블 형식 데이터 세트 ID 및 모델 학습 및 유효성 검사에 필요한 기타 데이터 설정의 컬렉션입니다. ImageVerticalDataSettings (필수)
limitSettings [필수] AutoML 작업에 대한 설정을 제한합니다. ImageLimitSettings (필수)
modelSettings 모델 학습에 사용되는 설정입니다. ImageModelSettingsObjectDetection
primaryMetric 이 작업에 최적화할 기본 메트릭입니다. 'MeanAveragePrecision'
searchSpace 모델과 해당 하이퍼 매개 변수의 다양한 조합을 샘플링하기 위한 공간을 검색합니다. imageModelDistributionSettingsObjectDetection[]
sweepSettings 모델 비우기 및 하이퍼 매개 변수 비우기 관련 설정입니다. imageSweepSettings

회귀

이름 묘사 값
taskType [필수] AutoMLJob의 작업 유형입니다. '회귀'(필수)
allowedModels 회귀 태스크에 허용되는 모델입니다. 다음 중 어느 것을 포함하는 문자열 배열:
'DecisionTree'
'ElasticNet'
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LassoLars'
'LightGBM'
'RandomForest'
'SGD'
'XGBoostRegressor'
blockedModels 회귀 태스크에 대한 차단된 모델입니다. 다음 중 어느 것을 포함하는 문자열 배열:
'DecisionTree'
'ElasticNet'
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LassoLars'
'LightGBM'
'RandomForest'
'SGD'
'XGBoostRegressor'
dataSettings AutoMLJob에 대한 데이터 입력입니다. tableVerticalDataSettings
featurizationSettings AutoML 작업에 필요한 기능화 입력입니다. tableVerticalFeaturizationSettings
limitSettings AutoMLJob에 대한 실행 제약 조건입니다. tableVerticalLimitSettings
primaryMetric 회귀 태스크에 대한 기본 메트릭입니다. 'NormalizedMeanAbsoluteError'
'NormalizedRootMeanSquaredError'
'R2Score'
'스피어만코렐레이션'
trainingSettings AutoML 작업의 학습 단계에 대한 입력입니다. TrainingSettings

TextClassification

이름 묘사 값
taskType [필수] AutoMLJob의 작업 유형입니다. 'TextClassification'(필수)
dataSettings AutoMLJob에 대한 데이터 입력입니다. nlpVerticalDataSettings
featurizationSettings AutoML 작업에 필요한 기능화 입력입니다. NlpVerticalFeaturizationSettings
limitSettings AutoMLJob에 대한 실행 제약 조건입니다. nlpVerticalLimitSettings
primaryMetric Text-Classification 작업에 대한 기본 메트릭입니다. 'AUCWeighted'
'정확도'
'AveragePrecisionScoreWeighted'
'NormMacroRecall'
'PrecisionScoreWeighted'

NlpVerticalDataSettings

이름 묘사 값
targetColumnName [필수] 대상 열 이름: 예측 값 열입니다.
분류 작업의 컨텍스트에서 레이블 열 이름이라고도 합니다.		 string(필수)

제약 조건:
패턴 = [a-zA-Z0-9_]
testData 데이터 입력을 테스트합니다. TestDataSettings
trainingData [필수] 학습 데이터 입력입니다. TrainingDataSettings(필수)
validationData 유효성 검사 데이터 입력입니다. NlpVerticalValidationDataSettings

NlpVerticalValidationDataSettings

이름 묘사 값
데이터 유효성 검사 데이터 MLTable. MLTableJobInput
validationDataSize 유효성 검사를 위해 따로 설정해야 하는 학습 데이터 세트의 비율입니다.
(0.0, 1.0) 사이의 값
유효성 검사 데이터 세트가 제공되지 않을 때 적용됩니다.
 int

NlpVerticalFeaturizationSettings

이름 묘사 값
datasetLanguage 텍스트 데이터에 유용한 데이터 세트 언어입니다. 문자열

NlpVerticalLimitSettings

이름 묘사 값
maxConcurrentTrials 최대 동시 AutoML 반복입니다. int
maxTrials AutoML 반복 횟수입니다. int
타임 아웃 AutoML 작업 시간 제한입니다. 문자열

TextClassificationMultilabel

이름 묘사 값
taskType [필수] AutoMLJob의 작업 유형입니다. 'TextClassificationMultilabel'(필수)
dataSettings AutoMLJob에 대한 데이터 입력입니다. nlpVerticalDataSettings
featurizationSettings AutoML 작업에 필요한 기능화 입력입니다. NlpVerticalFeaturizationSettings
limitSettings AutoMLJob에 대한 실행 제약 조건입니다. nlpVerticalLimitSettings

TextNer

이름 묘사 값
taskType [필수] AutoMLJob의 작업 유형입니다. 'TextNER'(필수)
dataSettings AutoMLJob에 대한 데이터 입력입니다. nlpVerticalDataSettings
featurizationSettings AutoML 작업에 필요한 기능화 입력입니다. NlpVerticalFeaturizationSettings
limitSettings AutoMLJob에 대한 실행 제약 조건입니다. nlpVerticalLimitSettings

CommandJob

이름 묘사 값
jobType [필수] 작업 유형을 지정합니다. 'Command'(필수)
codeId 코드 자산의 ARM 리소스 ID입니다. 문자열
명령 [필수] 작업을 시작할 때 실행할 명령입니다. 예. "python train.py" string(필수)

제약 조건:
최소 길이 = 1
패턴 = [a-zA-Z0-9_]
분포 작업의 배포 구성입니다. 설정된 경우 Mpi, Tensorflow, PyTorch 또는 null 중 하나여야 합니다. DistributionConfiguration
environmentId [필수] 작업에 대한 환경 사양의 ARM 리소스 ID입니다. string(필수)

제약 조건:
패턴 = [a-zA-Z0-9_]
environmentVariables 작업에 포함된 환경 변수입니다. CommandJobEnvironmentVariables
입력 작업에 사용되는 입력 데이터 바인딩의 매핑입니다. commandJobInputs
제한 명령 작업 제한입니다. CommandJobLimits
출력 작업에 사용되는 출력 데이터 바인딩의 매핑입니다. CommandJobOutputs
리소스 작업에 대한 컴퓨팅 리소스 구성입니다. resourceConfiguration

DistributionConfiguration

이름 묘사 값
distributionType 개체 유형 설정 Mpi
PyTorch
TensorFlow(필수)

Mpi

이름 묘사 값
distributionType [필수] 배포 프레임워크의 유형을 지정합니다. 'Mpi'(필수)
processCountPerInstance MPI 노드당 프로세스 수입니다. int

PyTorch

이름 묘사 값
distributionType [필수] 배포 프레임워크의 유형을 지정합니다. 'PyTorch'(필수)
processCountPerInstance 노드당 프로세스 수입니다. int

TensorFlow

이름 묘사 값
distributionType [필수] 배포 프레임워크의 유형을 지정합니다. 'TensorFlow'(필수)
parameterServerCount 매개 변수 서버 작업의 수입니다. int
workerCount 작업자 수입니다. 지정하지 않으면 기본값은 인스턴스 수입니다. int

CommandJobEnvironmentVariables

이름 묘사 값
{customized property} 문자열

CommandJobInputs

이름 묘사 값
{customized property} JobInput

JobInput

이름 묘사 값
묘사 입력에 대한 설명입니다. 문자열
jobInputType 개체 유형 설정 customModel
리터럴
MLFlowModel
MLTable
TritonModel
UriFile
UriFolder(필수)

CustomModelJobInput

이름 묘사 값
jobInputType [필수] 작업 유형을 지정합니다. 'CustomModel'(필수)
모드 입력 자산 배달 모드입니다. 'Direct'
'다운로드'
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
'ReadWriteMount'
uri [필수] 입력 자산 URI입니다. string(필수)

제약 조건:
패턴 = [a-zA-Z0-9_]

LiteralJobInput

이름 묘사 값
jobInputType [필수] 작업 유형을 지정합니다. 'Literal'(필수)
값 [필수] 입력에 대한 리터럴 값입니다. string(필수)

제약 조건:
패턴 = [a-zA-Z0-9_]

MLFlowModelJobInput

이름 묘사 값
jobInputType [필수] 작업 유형을 지정합니다. 'MLFlowModel'(필수)
모드 입력 자산 배달 모드입니다. 'Direct'
'다운로드'
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
'ReadWriteMount'
uri [필수] 입력 자산 URI입니다. string(필수)

제약 조건:
패턴 = [a-zA-Z0-9_]

TritonModelJobInput

이름 묘사 값
jobInputType [필수] 작업 유형을 지정합니다. 'TritonModel'(필수)
모드 입력 자산 배달 모드입니다. 'Direct'
'다운로드'
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
'ReadWriteMount'
uri [필수] 입력 자산 URI입니다. string(필수)

제약 조건:
패턴 = [a-zA-Z0-9_]

UriFileJobInput

이름 묘사 값
jobInputType [필수] 작업 유형을 지정합니다. 'UriFile'(필수)
모드 입력 자산 배달 모드입니다. 'Direct'
'다운로드'
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
'ReadWriteMount'
uri [필수] 입력 자산 URI입니다. string(필수)

제약 조건:
패턴 = [a-zA-Z0-9_]

UriFolderJobInput

이름 묘사 값
jobInputType [필수] 작업 유형을 지정합니다. 'UriFolder'(필수)
모드 입력 자산 배달 모드입니다. 'Direct'
'다운로드'
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
'ReadWriteMount'
uri [필수] 입력 자산 URI입니다. string(필수)

제약 조건:
패턴 = [a-zA-Z0-9_]

CommandJobLimits

이름 묘사 값
jobLimitsType [필수] JobLimit 형식입니다. 'Command'
'Sweep'(필수)
타임 아웃 ISO 8601 형식의 최대 실행 기간이며, 그 후에 작업이 취소됩니다. 전체 자릿수가 초인 기간만 지원합니다. 문자열

CommandJobOutputs

이름 묘사 값
{customized property} JobOutput

PipelineJob

이름 묘사 값
jobType [필수] 작업 유형을 지정합니다. 'Pipeline'(필수)
입력 파이프라인 작업에 대한 입력입니다. pipelineJobInputs
작업 작업은 파이프라인 작업을 생성합니다. pipelineJobJobs
출력 파이프라인 작업에 대한 출력 PipelineJobOutputs
설정 ContinueRunOnStepFailure 등의 파이프라인 설정 Bicep의 경우 any() 함수를 사용할 수 있습니다.

PipelineJobInputs

이름 묘사 값
{customized property} JobInput

PipelineJobJobs

이름 묘사 값
{customized property} Bicep의 경우 any() 함수를 사용할 수 있습니다.

PipelineJobOutputs

이름 묘사 값
{customized property} JobOutput

SweepJob

이름 묘사 값
jobType [필수] 작업 유형을 지정합니다. 'Sweep'(필수)
earlyTermination 조기 종료 정책을 사용하면 완료하기 전에 성능이 저하된 실행을 취소할 수 있습니다. earlyTerminationPolicy
입력 작업에 사용되는 입력 데이터 바인딩의 매핑입니다. SweepJobInputs
제한 스윕 작업 제한입니다. SweepJobLimits
목표 [필수] 최적화 목표입니다. Objective(필수)
출력 작업에 사용되는 출력 데이터 바인딩의 매핑입니다. SweepJobOutputs
samplingAlgorithm [필수] 하이퍼 매개 변수 샘플링 알고리즘 SamplingAlgorithm(필수)
searchSpace [필수] 각 매개 변수와 해당 분포를 포함하는 사전입니다. 사전 키는 매개 변수의 이름입니다. Bicep의 경우 any() 함수를 사용할 수 있습니다. (필수)
재판 [필수] 평가판 구성 요소 정의입니다. trialComponent (필수)

SweepJobInputs

이름 묘사 값
{customized property} JobInput

SweepJobLimits

이름 묘사 값
jobLimitsType [필수] JobLimit 형식입니다. 'Command'
'Sweep'(필수)
maxConcurrentTrials 작업 최대 동시 평가판을 스윕합니다. int
maxTotalTrials 스윕 작업 최대 총 평가판입니다. int
타임 아웃 ISO 8601 형식의 최대 실행 기간이며, 그 후에 작업이 취소됩니다. 전체 자릿수가 초인 기간만 지원합니다. 문자열
trialTimeout 비우기 작업 평가판 시간 제한 값입니다. 문자열

목표

이름 묘사 값
골 [필수] 하이퍼 매개 변수 튜닝에 지원되는 메트릭 목표를 정의합니다. '최대화'
'최소화'(필수)
primaryMetric [필수] 최적화할 메트릭의 이름입니다. string(필수)

제약 조건:
패턴 = [a-zA-Z0-9_]

SweepJobOutputs

이름 묘사 값
{customized property} JobOutput

SamplingAlgorithm

이름 묘사 값
samplingAlgorithmType 개체 유형 설정 베이지안
Grid
임의 (필수)

BayesianSamplingAlgorithm

이름 묘사 값
samplingAlgorithmType [필수] 구성 속성과 함께 하이퍼 매개 변수 값을 생성하는 데 사용되는 알고리즘 'Bayesian'(필수)

GridSamplingAlgorithm

이름 묘사 값
samplingAlgorithmType [필수] 구성 속성과 함께 하이퍼 매개 변수 값을 생성하는 데 사용되는 알고리즘 'Grid'(필수)

RandomSamplingAlgorithm

이름 묘사 값
samplingAlgorithmType [필수] 구성 속성과 함께 하이퍼 매개 변수 값을 생성하는 데 사용되는 알고리즘 'Random'(필수)
규칙 특정 유형의 임의 알고리즘 'Random'
'Sobol'
씨 난수 생성을 위한 시드로 사용할 선택적 정수입니다. int

TrialComponent

이름 묘사 값
codeId 코드 자산의 ARM 리소스 ID입니다. 문자열
명령 [필수] 작업을 시작할 때 실행할 명령입니다. 예. "python train.py" string(필수)

제약 조건:
최소 길이 = 1
패턴 = [a-zA-Z0-9_]
분포 작업의 배포 구성입니다. 설정된 경우 Mpi, Tensorflow, PyTorch 또는 null 중 하나여야 합니다. DistributionConfiguration
environmentId [필수] 작업에 대한 환경 사양의 ARM 리소스 ID입니다. string(필수)

제약 조건:
패턴 = [a-zA-Z0-9_]
environmentVariables 작업에 포함된 환경 변수입니다. trialComponentEnvironmentVariables
리소스 작업에 대한 컴퓨팅 리소스 구성입니다. resourceConfiguration

TrialComponentEnvironmentVariables

이름 묘사 값
{customized property} 문자열

빠른 시작 템플릿

다음 빠른 시작 템플릿은 이 리소스 유형을 배포합니다.

템플렛 묘사
Azure Machine Learning AutoML 분류 작업 만들기

Azure 배포 		이 템플릿은 Azure Machine Learning AutoML 분류 작업을 만들어 클라이언트가 금융 기관과 고정 기간 보증금을 구독할지 예측하는 데 가장 적합한 모델을 찾습니다.
Azure Machine Learning 명령 작업 만들기

Azure 배포 		이 템플릿은 기본 hello_world 스크립트를 사용하여 Azure Machine Learning 명령 작업을 만듭니다.
azure Machine Learning Sweep 작업 만들기

Azure 배포 		이 템플릿은 하이퍼 매개 변수 튜닝을 위한 Azure Machine Learning Sweep 작업을 만듭니다.

ARM 템플릿 리소스 정의

작업 영역/작업 리소스 종류는 다음을 대상으로 하는 작업으로 배포할 수 있습니다.

각 API 버전에서 변경된 속성 목록은 변경 로그참조하세요.

리소스 형식

Microsoft.MachineLearningServices/workspaces/jobs 리소스를 만들려면 템플릿에 다음 JSON을 추가합니다.

{
  "type": "Microsoft.MachineLearningServices/workspaces/jobs",
  "apiVersion": "2022-02-01-preview",
  "name": "string",
  "properties": {
    "computeId": "string",
    "description": "string",
    "displayName": "string",
    "experimentName": "string",
    "identity": {
      "identityType": "string"
      // For remaining properties, see IdentityConfiguration objects
    },
    "isArchived": "bool",
    "properties": {
      "{customized property}": "string"
    },
    "schedule": {
      "endTime": "string",
      "scheduleStatus": "string",
      "startTime": "string",
      "timeZone": "string",
      "scheduleType": "string"
      // For remaining properties, see ScheduleBase objects
    },
    "services": {
      "{customized property}": {
        "endpoint": "string",
        "jobServiceType": "string",
        "port": "int",
        "properties": {
          "{customized property}": "string"
        }
      }
    },
    "tags": {},
    "jobType": "string"
    // For remaining properties, see JobBaseDetails objects
  }
}

JobBaseDetails 개체

jobType 속성을 설정하여 개체 유형을 지정합니다.

AutoML경우 다음을 사용합니다.

  "jobType": "AutoML",
  "environmentId": "string",
  "environmentVariables": {
    "{customized property}": "string"
  },
  "outputs": {
    "{customized property}": {
      "description": "string",
      "jobOutputType": "string"
      // For remaining properties, see JobOutput objects
    }
  },
  "resources": {
    "instanceCount": "int",
    "instanceType": "string",
    "properties": {
      "{customized property}": {}
    }
  },
  "taskDetails": {
    "logVerbosity": "string",
    "taskType": "string"
    // For remaining properties, see AutoMLVertical objects
  }

명령경우 다음을 사용합니다.

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

파이프라인경우 다음을 사용합니다.

  "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": {}

스윕경우 다음을 사용합니다.

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

IdentityConfiguration 개체

identityType 속성을 설정하여 개체 유형을 지정합니다.

AMLToken경우 다음을 사용합니다.

  "identityType": "AMLToken"

관리되는경우 다음을 사용합니다.

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

userIdentity경우 다음을 사용합니다.

  "identityType": "UserIdentity"

ScheduleBase 개체

scheduleType 속성을 설정하여 개체 유형을 지정합니다.

cron경우 다음을 사용합니다.

  "scheduleType": "Cron",
  "expression": "string"

되풀이경우 다음을 사용합니다.

  "scheduleType": "Recurrence",
  "frequency": "string",
  "interval": "int",
  "pattern": {
    "hours": [ "int" ],
    "minutes": [ "int" ],
    "weekdays": [ "string" ]
  }

JobOutput 개체

jobOutputType 속성을 설정하여 개체 유형을 지정합니다.

customModel경우 다음을 사용합니다.

  "jobOutputType": "CustomModel",
  "mode": "string",
  "uri": "string"

MLFlowModel경우 다음을 사용합니다.

  "jobOutputType": "MLFlowModel",
  "mode": "string",
  "uri": "string"

MLTable경우 다음을 사용합니다.

  "jobOutputType": "MLTable",
  "mode": "string",
  "uri": "string"

TritonModel경우 다음을 사용합니다.

  "jobOutputType": "TritonModel",
  "mode": "string",
  "uri": "string"

UriFile경우 다음을 사용합니다.

  "jobOutputType": "UriFile",
  "mode": "string",
  "uri": "string"

UriFolder경우 다음을 사용합니다.

  "jobOutputType": "UriFolder",
  "mode": "string",
  "uri": "string"

AutoMLVertical 개체

taskType 속성을 설정하여 개체 유형을 지정합니다.

분류경우 다음을 사용합니다.

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

예측경우 다음을 사용합니다.

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

imageClassification경우 다음을 사용합니다.

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

imageClassificationMultilabel경우 다음을 사용합니다.

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

imageInstanceSegmentation경우 다음을 사용합니다.

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

imageObjectDetection경우 다음을 사용합니다.

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

회귀경우 다음을 사용합니다.

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

textClassification경우 다음을 사용합니다.

  "taskType": "TextClassification",
  "dataSettings": {
    "targetColumnName": "string",
    "testData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "testDataSize": "int"
    },
    "trainingData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      }
    },
    "validationData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "validationDataSize": "int"
    }
  },
  "featurizationSettings": {
    "datasetLanguage": "string"
  },
  "limitSettings": {
    "maxConcurrentTrials": "int",
    "maxTrials": "int",
    "timeout": "string"
  },
  "primaryMetric": "string"

TextClassificationMultilabel경우 다음을 사용합니다.

  "taskType": "TextClassificationMultilabel",
  "dataSettings": {
    "targetColumnName": "string",
    "testData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "testDataSize": "int"
    },
    "trainingData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      }
    },
    "validationData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "validationDataSize": "int"
    }
  },
  "featurizationSettings": {
    "datasetLanguage": "string"
  },
  "limitSettings": {
    "maxConcurrentTrials": "int",
    "maxTrials": "int",
    "timeout": "string"
  }

TextNER경우 다음을 사용합니다.

  "taskType": "TextNER",
  "dataSettings": {
    "targetColumnName": "string",
    "testData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "testDataSize": "int"
    },
    "trainingData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      }
    },
    "validationData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "validationDataSize": "int"
    }
  },
  "featurizationSettings": {
    "datasetLanguage": "string"
  },
  "limitSettings": {
    "maxConcurrentTrials": "int",
    "maxTrials": "int",
    "timeout": "string"
  }

NCrossValidations 개체

개체 유형을 지정하려면 모드 속성을 설정합니다.

자동경우 다음을 사용합니다.

  "mode": "Auto"

사용자 지정경우 다음을 사용합니다.

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

ForecastHorizon 개체

개체 유형을 지정하려면 모드 속성을 설정합니다.

자동경우 다음을 사용합니다.

  "mode": "Auto"

사용자 지정경우 다음을 사용합니다.

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

계절성 개체

개체 유형을 지정하려면 모드 속성을 설정합니다.

자동경우 다음을 사용합니다.

  "mode": "Auto"

사용자 지정경우 다음을 사용합니다.

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

TargetLags 개체

개체 유형을 지정하려면 모드 속성을 설정합니다.

자동경우 다음을 사용합니다.

  "mode": "Auto"

사용자 지정경우 다음을 사용합니다.

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

TargetRollingWindowSize 개체

개체 유형을 지정하려면 모드 속성을 설정합니다.

자동경우 다음을 사용합니다.

  "mode": "Auto"

사용자 지정경우 다음을 사용합니다.

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

EarlyTerminationPolicy 개체

policyType 속성을 설정하여 개체 유형을 지정합니다.

산적경우 다음을 사용합니다.

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

MedianStopping경우 다음을 사용합니다.

  "policyType": "MedianStopping"

TruncationSelection경우 다음을 사용합니다.

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

DistributionConfiguration 개체

distributionType 속성을 설정하여 개체 유형을 지정합니다.

Mpi경우 다음을 사용합니다.

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

PyTorch경우 다음을 사용합니다.

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

TensorFlow경우 다음을 사용합니다.

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

JobInput 개체

개체 유형을 지정하려면 jobInputType 속성을 설정합니다.

customModel경우 다음을 사용합니다.

  "jobInputType": "CustomModel",
  "mode": "string",
  "uri": "string"

리터럴경우 다음을 사용합니다.

  "jobInputType": "Literal",
  "value": "string"

MLFlowModel경우 다음을 사용합니다.

  "jobInputType": "MLFlowModel",
  "mode": "string",
  "uri": "string"

MLTable경우 다음을 사용합니다.

  "jobInputType": "MLTable",
  "mode": "string",
  "uri": "string"

TritonModel경우 다음을 사용합니다.

  "jobInputType": "TritonModel",
  "mode": "string",
  "uri": "string"

UriFile경우 다음을 사용합니다.

  "jobInputType": "UriFile",
  "mode": "string",
  "uri": "string"

UriFolder경우 다음을 사용합니다.

  "jobInputType": "UriFolder",
  "mode": "string",
  "uri": "string"

SamplingAlgorithm 개체

샘플링AlgorithmType 속성을 설정하여 개체 유형을 지정합니다.

Bayesian경우 다음을 사용합니다.

  "samplingAlgorithmType": "Bayesian"

Grid경우 다음을 사용합니다.

  "samplingAlgorithmType": "Grid"

임의경우 다음을 사용합니다.

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

속성 값

작업 영역/작업

이름 묘사 값
형 리소스 종류 'Microsoft.MachineLearningServices/workspaces/jobs'
apiVersion 리소스 api 버전 '2022-02-01-preview'
이름 리소스 이름

JSON ARM 템플릿자식 리소스의 이름과 형식을 설정하는 방법을 참조하세요.		 string(필수)
속성 [필수] 엔터티의 추가 특성입니다. JobBaseDetails(필수)

JobBaseDetails

이름 묘사 값
computeId 컴퓨팅 리소스의 ARM 리소스 ID입니다. 문자열
묘사 자산 설명 텍스트입니다. 문자열
displayName 작업의 표시 이름입니다. 문자열
experimentName 작업이 속한 실험의 이름입니다. 설정하지 않으면 작업이 "기본" 실험에 배치됩니다. 문자열
신원 ID 구성. 설정된 경우 AmlToken, ManagedIdentity, UserIdentity 또는 null 중 하나여야 합니다.
Null인 경우 기본값은 AmlToken입니다.		 IdentityConfiguration
isArchived 자산이 보관되어 있나요? bool
속성 자산 속성 사전입니다. ResourceBaseProperties
일정 작업의 정의를 예약합니다.
일정이 제공되지 않으면 작업이 제출 직후에 한 번 실행됩니다.		 ScheduleBase
서비스 JobEndpoints 목록입니다.
로컬 작업의 경우 작업 엔드포인트의 엔드포인트 값은 FileStreamObject입니다.		 JobBaseServices
태그 태그 사전입니다. 태그를 추가, 제거 및 업데이트할 수 있습니다. 객체
jobType 개체 유형 설정 AutoML
명령
파이프라인
스윕(필수)

IdentityConfiguration

이름 묘사 값
identityType 개체 유형 설정 AMLToken
관리되는
userIdentity (필수)

AmlToken

이름 묘사 값
identityType [필수] ID 프레임워크의 형식을 지정합니다. 'AMLToken'(필수)

ManagedIdentity

이름 묘사 값
identityType [필수] ID 프레임워크의 형식을 지정합니다. 'Managed'(필수)
clientId 클라이언트 ID별로 사용자 할당 ID를 지정합니다. 시스템 할당의 경우 이 필드를 설정하지 마세요. 문자열

제약 조건:
최소 길이 = 36
최대 길이 = 36
패턴 = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
objectId 개체 ID별로 사용자 할당 ID를 지정합니다. 시스템 할당의 경우 이 필드를 설정하지 마세요. 문자열

제약 조건:
최소 길이 = 36
최대 길이 = 36
패턴 = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
resourceId ARM 리소스 ID별로 사용자 할당 ID를 지정합니다. 시스템 할당의 경우 이 필드를 설정하지 마세요. 문자열

UserIdentity

이름 묘사 값
identityType [필수] ID 프레임워크의 형식을 지정합니다. 'UserIdentity'(필수)

ResourceBaseProperties

이름 묘사 값
{customized property} 문자열

ScheduleBase

이름 묘사 값
endTime ISO 8601 형식으로 일정 종료 시간을 지정합니다.
없는 경우 일정이 무기한 실행됩니다.		 문자열
scheduleStatus 일정의 상태를 지정합니다. '사용 안 함'
'Enabled'
startTime ISO 8601 형식으로 일정의 시작 시간을 지정합니다. 문자열
timeZone 일정이 실행되는 표준 시간대를 지정합니다.
표준 시간대는 Windows 표준 시간대 형식을 따라야 합니다.
 문자열
scheduleType 개체 유형 설정 크론
되풀이(필수)

CronSchedule

이름 묘사 값
scheduleType [필수] 일정 유형을 지정합니다. 'Cron'(필수)
식 [필수] 일정의 cron 식을 지정합니다.
식은 NCronTab 형식을 따라야 합니다.		 string(필수)

제약 조건:
패턴 = [a-zA-Z0-9_]

RecurrenceSchedule

이름 묘사 값
scheduleType [필수] 일정 유형을 지정합니다. '되풀이'(필수)
빈도 [필수] 일정을 트리거할 빈도를 지정합니다. 'Day'
'Hour'
'Minute'
'월'
'Week'(필수)
간 [필수] 빈도와 함께 일정 간격을 지정합니다. int(필수)
무늬 되풀이 일정 패턴을 지정합니다. RecurrencePattern

RecurrencePattern

이름 묘사 값
시간 [필수] 되풀이 일정 패턴의 시간 목록 int[] (필수)
분 [필수] 되풀이 일정 패턴에 대한 분 목록 int[] (필수)
평일 되풀이 일정 패턴의 평일 목록 다음 중 어느 것을 포함하는 문자열 배열:
'금요일'
'월요일'
'토요일'
'일요일'
'목요일'
'화요일'
'수요일'

JobBaseServices

이름 묘사 값
{customized property} jobService

JobService

이름 묘사 값
끝점 엔드포인트의 URL입니다. 문자열
jobServiceType 엔드포인트 유형입니다. 문자열
항구 엔드포인트의 포트입니다. int
속성 엔드포인트에서 설정할 추가 속성입니다. JobServiceProperties

JobServiceProperties

이름 묘사 값
{customized property} 문자열

AutoMLJob

이름 묘사 값
jobType [필수] 작업 유형을 지정합니다. 'AutoML'(필수)
environmentId 작업에 대한 환경 사양의 ARM 리소스 ID입니다.
이 값은 선택적 값이며, 제공되지 않은 경우 AutoML은 작업을 실행할 때 이를 프로덕션 AutoML 큐레이팅된 환경 버전으로 기본값으로 지정합니다.		 문자열
environmentVariables 작업에 포함된 환경 변수입니다. autoMLJobEnvironmentVariables
출력 작업에 사용되는 출력 데이터 바인딩의 매핑입니다. AutoMLJobOutputs
리소스 작업에 대한 컴퓨팅 리소스 구성입니다. resourceConfiguration
taskDetails [필수] 테이블/NLP/이미지 중 하나일 수 있는 시나리오를 나타냅니다. autoMLVertical (필수)

AutoMLJobEnvironmentVariables

이름 묘사 값
{customized property} 문자열

AutoMLJobOutputs

이름 묘사 값
{customized property} JobOutput

JobOutput

이름 묘사 값
묘사 출력에 대한 설명입니다. 문자열
jobOutputType 개체 유형 설정 customModel
MLFlowModel
MLTable
TritonModel
UriFile
UriFolder(필수)

CustomModelJobOutput

이름 묘사 값
jobOutputType [필수] 작업 유형을 지정합니다. 'CustomModel'(필수)
모드 출력 자산 배달 모드입니다. 'ReadWriteMount'
'업로드'
uri 출력 자산 URI입니다. 문자열

MLFlowModelJobOutput

이름 묘사 값
jobOutputType [필수] 작업 유형을 지정합니다. 'MLFlowModel'(필수)
모드 출력 자산 배달 모드입니다. 'ReadWriteMount'
'업로드'
uri 출력 자산 URI입니다. 문자열

MLTableJobOutput

이름 묘사 값
jobOutputType [필수] 작업 유형을 지정합니다. 'MLTable'(필수)
모드 출력 자산 배달 모드입니다. 'ReadWriteMount'
'업로드'
uri 출력 자산 URI입니다. 문자열

TritonModelJobOutput

이름 묘사 값
jobOutputType [필수] 작업 유형을 지정합니다. 'TritonModel'(필수)
모드 출력 자산 배달 모드입니다. 'ReadWriteMount'
'업로드'
uri 출력 자산 URI입니다. 문자열

UriFileJobOutput

이름 묘사 값
jobOutputType [필수] 작업 유형을 지정합니다. 'UriFile'(필수)
모드 출력 자산 배달 모드입니다. 'ReadWriteMount'
'업로드'
uri 출력 자산 URI입니다. 문자열

UriFolderJobOutput

이름 묘사 값
jobOutputType [필수] 작업 유형을 지정합니다. 'UriFolder'(필수)
모드 출력 자산 배달 모드입니다. 'ReadWriteMount'
'업로드'
uri 출력 자산 URI입니다. 문자열

ResourceConfiguration

이름 묘사 값
instanceCount 컴퓨팅 대상에서 사용하는 인스턴스 또는 노드의 선택적 수입니다. int
instanceType 컴퓨팅 대상에서 지원하는 VM의 선택적 형식입니다. 문자열
속성 추가 속성 모음. resourceConfigurationProperties

ResourceConfigurationProperties

이름 묘사 값
{customized property}

AutoMLVertical

이름 묘사 값
logVerbosity 작업에 대한 자세한 정보를 기록합니다. 'Critical'
'디버그'
'Error'
'정보'
'NotSet'
'경고'
taskType 개체 유형 설정 분류
예측
imageClassification
imageClassificationMultilabel
ImageInstanceSegmentation
ImageObjectDetection
회귀
TextClassification
TextClassificationMultilabel
TextNER (필수)

분류

이름 묘사 값
taskType [필수] AutoMLJob의 작업 유형입니다. '분류'(필수)
allowedModels 분류 작업에 허용되는 모델입니다. 다음 중 어느 것을 포함하는 문자열 배열:
'베르누울리나이브베이즈'
'DecisionTree'
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LightGBM'
'LinearSVM'
'LogisticRegression'
'멀티노미알나이브베이즈'
'RandomForest'
'SGD'
'SVM'
'XGBoostClassifier'
blockedModels 분류 태스크에 대한 차단된 모델입니다. 다음 중 어느 것을 포함하는 문자열 배열:
'베르누울리나이브베이즈'
'DecisionTree'
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LightGBM'
'LinearSVM'
'LogisticRegression'
'멀티노미알나이브베이즈'
'RandomForest'
'SGD'
'SVM'
'XGBoostClassifier'
dataSettings AutoMLJob에 대한 데이터 입력입니다. tableVerticalDataSettings
featurizationSettings AutoML 작업에 필요한 기능화 입력입니다. tableVerticalFeaturizationSettings
limitSettings AutoMLJob에 대한 실행 제약 조건입니다. tableVerticalLimitSettings
primaryMetric 작업에 대한 기본 메트릭입니다. 'AUCWeighted'
'정확도'
'AveragePrecisionScoreWeighted'
'NormMacroRecall'
'PrecisionScoreWeighted'
trainingSettings AutoML 작업의 학습 단계에 대한 입력입니다. TrainingSettings

TableVerticalDataSettings

이름 묘사 값
targetColumnName [필수] 대상 열 이름: 예측 값 열입니다.
분류 작업의 컨텍스트에서 레이블 열 이름이라고도 합니다.		 string(필수)

제약 조건:
패턴 = [a-zA-Z0-9_]
testData 데이터 입력을 테스트합니다. TestDataSettings
trainingData [필수] 학습 데이터 입력입니다. TrainingDataSettings(필수)
validationData 유효성 검사 데이터 입력입니다. tableVerticalValidationDataSettings
weightColumnName 샘플 가중치 열의 이름입니다. 자동화된 ML은 가중 열을 입력으로 지원하여 데이터의 행에 가중치를 적용하거나 줄입니다. 문자열

TestDataSettings

이름 묘사 값
데이터 데이터 MLTable을 테스트합니다. MLTableJobInput
testDataSize 유효성 검사를 위해 따로 설정해야 하는 테스트 데이터 세트의 비율입니다.
(0.0, 1.0) 사이의 값
유효성 검사 데이터 세트가 제공되지 않을 때 적용됩니다.
 int

MLTableJobInput

이름 묘사 값
묘사 입력에 대한 설명입니다. 문자열
jobInputType [필수] 작업 유형을 지정합니다. 'CustomModel'
'Literal'
'MLFlowModel'
'MLTable'
'TritonModel'
'UriFile'
'UriFolder'(필수)
모드 입력 자산 배달 모드입니다. 'Direct'
'다운로드'
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
'ReadWriteMount'
uri [필수] 입력 자산 URI입니다. string(필수)

제약 조건:
패턴 = [a-zA-Z0-9_]

TrainingDataSettings

이름 묘사 값
데이터 [필수] 학습 데이터 MLTable. MLTableJobInput(필수)

TableVerticalValidationDataSettings

이름 묘사 값
cvSplitColumnNames CVSplit 데이터에 사용할 열입니다. string[]
데이터 유효성 검사 데이터 MLTable. MLTableJobInput
nCrossValidations 학습 데이터 세트에 적용할 교차 유효성 검사 접기 수
유효성 검사 데이터 세트가 제공되지 않으면 입니다.		 NCrossValidations
validationDataSize 유효성 검사를 위해 따로 설정해야 하는 학습 데이터 세트의 비율입니다.
(0.0, 1.0) 사이의 값
유효성 검사 데이터 세트가 제공되지 않을 때 적용됩니다.
 int

NCrossValidations

이름 묘사 값
모드 개체 유형 설정 자동
사용자 지정(필수)

AutoNCrossValidations

이름 묘사 값
모드 [필수] N 교차 유효성 검사를 결정하는 모드입니다. 'Auto'(필수)

CustomNCrossValidations

이름 묘사 값
모드 [필수] N 교차 유효성 검사를 결정하는 모드입니다. 'Custom'(필수)
값 [필수] N 교차 유효성 검사 값입니다. int(필수)

TableVerticalFeaturizationSettings

이름 묘사 값
blockedTransformers 이러한 변압기는 기능화에 사용되지 않습니다. string[]
columnNameAndTypes 열 이름 및 해당 형식(int, float, string, datetime 등)의 사전입니다. TableVerticalFeaturizationSettingsColumnNameAndTypes
datasetLanguage 텍스트 데이터에 유용한 데이터 세트 언어입니다. 문자열
dropColumns 기능화 중에 데이터에서 삭제할 열입니다. string[]
enableDnnFeaturization 데이터 기능화에 Dnn 기반 기능화기를 사용할지 여부를 결정합니다. bool
모드 기능화 모드 - 사용자는 기본 '자동' 모드를 유지할 수 있으며 AutoML은 기능화 단계에서 필요한 데이터 변환을 처리합니다.
'끄기'를 선택하면 기능화가 수행되지 않습니다.
'사용자 지정'을 선택하면 사용자는 추가 입력을 지정하여 기능화를 수행하는 방법을 사용자 지정할 수 있습니다.		 'Auto'
'Custom'
'Off'
transformerParams 사용자는 적용할 열 및 변환기 생성자에 대한 매개 변수와 함께 사용할 추가 변환기를 지정할 수 있습니다. TableVerticalFeaturizationSettingsTransformerParams

TableVerticalFeaturizationSettingsColumnNameAndTypes

이름 묘사 값
{customized property} 문자열

TableVerticalFeaturizationSettingsTransformerParams

이름 묘사 값
{customized property} ColumnTransformer[]

ColumnTransformer

이름 묘사 값
필드 변환기 논리를 적용할 필드입니다. string[]
매개 변수 변환기에 전달할 다른 속성입니다.
필요한 입력은 키 사전, JSON 형식의 값 쌍입니다.

TableVerticalLimitSettings

이름 묘사 값
enableEarlyTermination 조기 종료를 사용하도록 설정하고, 지난 20번의 반복에서 점수 개선이 없는 경우 AutoMLJob이 일찍 종료되는지 여부를 결정합니다. bool
exitScore AutoML 작업의 종료 점수입니다. int
maxConcurrentTrials 최대 동시 반복입니다. int
maxCoresPerTrial 반복당 최대 코어 수입니다. int
maxTrials 반복 횟수입니다. int
타임 아웃 AutoML 작업 시간 제한입니다. 문자열
trialTimeout 반복 시간 제한입니다. 문자열

TrainingSettings

이름 묘사 값
enableDnnTraining DNN 모델의 권장 사항을 사용하도록 설정합니다. bool
enableModelExplainability 최상의 모델에서 설명 기능을 켜는 플래그입니다. bool
enableOnnxCompatibleModels onnx 호환 모델을 사용하도록 설정하기 위한 플래그입니다. bool
enableStackEnsemble 스택 앙상블 실행을 사용하도록 설정합니다. bool
enableVoteEnsemble 투표 앙상블 실행을 사용하도록 설정합니다. bool
ensembleModelDownloadTimeout VotingEnsemble 및 StackEnsemble 모델 생성 중에 이전 자식 실행의 여러 맞춤 모델이 다운로드됩니다.
더 많은 시간이 필요한 경우 이 매개 변수를 300초보다 높은 값으로 구성합니다.		 문자열
stackEnsembleSettings 스택 앙상블 실행에 대한 스택 앙상블 설정입니다. StackEnsembleSettings

StackEnsembleSettings

이름 묘사 값
stackMetaLearnerKWargs 메타 학습자의 이니셜라이저에 전달할 선택적 매개 변수입니다.
stackMetaLearnerTrainPercentage 메타 학습자를 학습하기 위해 예약할 학습 집합의 비율(학습 및 학습 유효성 검사 유형을 선택할 때)을 지정합니다. 기본값은 0.2입니다. int
stackMetaLearnerType 메타 학습자는 개별 이종 모델의 출력에 대해 학습된 모델입니다. 'ElasticNet'
'ElasticNetCV'
'LightGBMClassifier'
'LightGBMRegressor'
'LinearRegression'
'LogisticRegression'
'LogisticRegressionCV'
'None'

예측

이름 묘사 값
taskType [필수] AutoMLJob의 작업 유형입니다. '예측'(필수)
allowedModels 예측 작업에 허용되는 모델입니다. 다음 중 어느 것을 포함하는 문자열 배열:
'아리맥스'
'AutoArima'
'Average'
'DecisionTree'
'ElasticNet'
'ExponentialSmoothing'
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LassoLars'
'LightGBM'
'Naive'
'예언자'
'RandomForest'
'SGD'
'SeasonalAverage'
'SeasonalNaive'
'TCNForecaster'
'XGBoostRegressor'
blockedModels 예측 작업에 대한 차단된 모델입니다. 다음 중 어느 것을 포함하는 문자열 배열:
'아리맥스'
'AutoArima'
'Average'
'DecisionTree'
'ElasticNet'
'ExponentialSmoothing'
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LassoLars'
'LightGBM'
'Naive'
'예언자'
'RandomForest'
'SGD'
'SeasonalAverage'
'SeasonalNaive'
'TCNForecaster'
'XGBoostRegressor'
dataSettings AutoMLJob에 대한 데이터 입력입니다. tableVerticalDataSettings
featurizationSettings AutoML 작업에 필요한 기능화 입력입니다. tableVerticalFeaturizationSettings
forecastingSettings 예측 작업별 입력. ForecastingSettings
limitSettings AutoMLJob에 대한 실행 제약 조건입니다. tableVerticalLimitSettings
primaryMetric 예측 작업에 대한 기본 메트릭입니다. 'NormalizedMeanAbsoluteError'
'NormalizedRootMeanSquaredError'
'R2Score'
'스피어만코렐레이션'
trainingSettings AutoML 작업의 학습 단계에 대한 입력입니다. TrainingSettings

ForecastingSettings

이름 묘사 값
countryOrRegionForHolidays 예측 작업에 대한 휴일의 국가 또는 지역입니다.
ISO 3166 두 글자 국가/지역 코드(예: 'US' 또는 'GB')여야 합니다.		 문자열
cvStepSize 한 CV 접기의 원본 시간과 다음 접기 사이의 기간 수입니다. 때문에
예를 들어 일일 데이터의 경우 CVStepSize = 3이면 각 접기 원본 시간이 됩니다.
3일 간격.		 int
featureLags 'auto' 또는 null을 사용하여 숫자 기능에 대한 지연을 생성하는 플래그입니다. 'Auto'
'None'
forecastHorizon 시계열 빈도 단위로 원하는 최대 예측 수평선입니다. ForecastHorizon
빈도 예측 시 이 매개 변수는 예측이 필요한 기간(예: 매일, 매주, 매년 등)을 나타냅니다. 예측 빈도는 기본적으로 데이터 세트 빈도입니다. 문자열
계절 시계열 계절성을 계열 빈도의 정수 배수로 설정합니다.
계절성이 'auto'로 설정되면 유추됩니다.		 계절성
shortSeriesHandlingConfig AutoML에서 짧은 시계열을 처리하는 방법을 정의하는 매개 변수입니다. 'Auto'
'Drop'
'None'
'Pad'
targetAggregateFunction 사용자가 지정한 빈도를 준수하도록 시계열 대상 열을 집계하는 데 사용할 함수입니다.
TargetAggregateFunction이 설정된 경우(예: 'None'이 아니라 freq 매개 변수가 설정되지 않은 경우) 오류가 발생합니다. 가능한 대상 집계 함수는 "sum", "max", "min" 및 "mean"입니다.		 'Max'
'Mean'
'Min'
'None'
'Sum'
targetLags 대상 열에서 지연할 지난 기간의 수입니다. TargetLags
targetRollingWindowSize 대상 열의 롤링 창 평균을 만드는 데 사용된 이전 기간의 수입니다. TargetRollingWindowSize
timeColumnName 시간 열의 이름입니다. 이 매개 변수는 시계열을 빌드하고 해당 빈도를 유추하는 데 사용되는 입력 데이터의 날짜/시간 열을 지정하도록 예측할 때 필요합니다. 문자열
timeSeriesIdColumnNames 타임스레터를 그룹화하는 데 사용되는 열의 이름입니다. 여러 계열을 만드는 데 사용할 수 있습니다.
그레인이 정의되지 않은 경우 데이터 집합은 하나의 시계열로 간주됩니다. 이 매개 변수는 작업 유형 예측에 사용됩니다.		 string[]
useStl 시계열 대상 열의 STL 분해를 구성합니다. 'None'
'시즌'
'SeasonTrend'

ForecastHorizon

이름 묘사 값
모드 개체 유형 설정 자동
사용자 지정(필수)

AutoForecastHorizon

이름 묘사 값
모드 [필수] 예측 수평선 값 선택 모드를 설정합니다. 'Auto'(필수)

CustomForecastHorizon

이름 묘사 값
모드 [필수] 예측 수평선 값 선택 모드를 설정합니다. 'Custom'(필수)
값 [필수] 예측 수평선 값입니다. int(필수)

계절

이름 묘사 값
모드 개체 유형 설정 자동
사용자 지정(필수)

AutoSeasonality

이름 묘사 값
모드 [필수] 계절성 모드입니다. 'Auto'(필수)

CustomSeasonality

이름 묘사 값
모드 [필수] 계절성 모드입니다. 'Custom'(필수)
값 [필수] 계절성 값입니다. int(필수)

TargetLags

이름 묘사 값
모드 개체 유형 설정 자동
사용자 지정(필수)

AutoTargetLags

이름 묘사 값
모드 [필수] 대상 지연 모드 설정 - 자동/사용자 지정 'Auto'(필수)

CustomTargetLags

이름 묘사 값
모드 [필수] 대상 지연 모드 설정 - 자동/사용자 지정 'Custom'(필수)
값 [필수] 대상 지연 값을 설정합니다. int[] (필수)

TargetRollingWindowSize

이름 묘사 값
모드 개체 유형 설정 자동
사용자 지정(필수)

AutoTargetRollingWindowSize

이름 묘사 값
모드 [필수] TargetRollingWindowSiz 검색 모드입니다. 'Auto'(필수)

CustomTargetRollingWindowSize

이름 묘사 값
모드 [필수] TargetRollingWindowSiz 검색 모드입니다. 'Custom'(필수)
값 [필수] TargetRollingWindowSize 값입니다. int(필수)

ImageClassification

이름 묘사 값
taskType [필수] AutoMLJob의 작업 유형입니다. 'ImageClassification'(필수)
dataSettings [필수] 등록된 테이블 형식 데이터 세트 ID 및 모델 학습 및 유효성 검사에 필요한 기타 데이터 설정의 컬렉션입니다. ImageVerticalDataSettings (필수)
limitSettings [필수] AutoML 작업에 대한 설정을 제한합니다. ImageLimitSettings (필수)
modelSettings 모델 학습에 사용되는 설정입니다. ImageModelSettingsClassification
primaryMetric 이 작업에 최적화할 기본 메트릭입니다. 'AUCWeighted'
'정확도'
'AveragePrecisionScoreWeighted'
'NormMacroRecall'
'PrecisionScoreWeighted'
searchSpace 모델과 해당 하이퍼 매개 변수의 다양한 조합을 샘플링하기 위한 공간을 검색합니다. ImageModelDistributionSettingsClassification[]
sweepSettings 모델 비우기 및 하이퍼 매개 변수 비우기 관련 설정입니다. imageSweepSettings

ImageVerticalDataSettings

이름 묘사 값
targetColumnName [필수] 대상 열 이름: 예측 값 열입니다.
분류 작업의 컨텍스트에서 레이블 열 이름이라고도 합니다.		 string(필수)

제약 조건:
패턴 = [a-zA-Z0-9_]
testData 데이터 입력을 테스트합니다. TestDataSettings
trainingData [필수] 학습 데이터 입력입니다. TrainingDataSettings(필수)
validationData 유효성 검사 데이터 세트에 대한 설정입니다. imageVerticalValidationDataSettings

ImageVerticalValidationDataSettings

이름 묘사 값
데이터 유효성 검사 데이터 MLTable. MLTableJobInput
validationDataSize 유효성 검사를 위해 따로 설정해야 하는 학습 데이터 세트의 비율입니다.
(0.0, 1.0) 사이의 값
유효성 검사 데이터 세트가 제공되지 않을 때 적용됩니다.
 int

ImageLimitSettings

이름 묘사 값
maxConcurrentTrials 동시 AutoML 반복의 최대 수입니다. int
maxTrials AutoML 반복의 최대 수입니다. int
타임 아웃 AutoML 작업 시간 제한입니다. 문자열

ImageModelSettingsClassification

이름 묘사 값
advancedSettings 고급 시나리오에 대한 설정입니다. 문자열
amsGradient 최적화 프로그램이 'adam' 또는 'adamw'인 경우 AMSGrad를 사용하도록 설정합니다. bool
확대 확대를 사용하기 위한 설정입니다. 문자열
beta1 최적화 프로그램이 'adam' 또는 'adamw'인 경우 'beta1' 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다. int
beta2 최적화 프로그램이 'adam' 또는 'adamw'인 경우 'beta2' 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다. int
checkpointDatasetId 증분 학습에 대한 미리 학습된 검사점의 FileDataset ID입니다.
CheckpointDatasetId와 함께 CheckpointFilename을 전달해야 합니다.		 문자열
checkpointFilename 증분 학습을 위한 FileDataset의 미리 학습된 검사점 파일 이름입니다.
CheckpointFilename과 함께 CheckpointDatasetId를 전달해야 합니다.		 문자열
checkpointFrequency 모델 검사점을 저장하는 빈도입니다. 양의 정수여야 합니다. int
checkpointRunId 증분 학습에 대한 미리 학습된 검사점이 있는 이전 실행의 ID입니다. 문자열
분산 분산 학습을 사용할지 여부입니다. bool
earlyStopping 학습 중에 조기 중지 논리를 사용하도록 설정합니다. bool
earlyStoppingDelay 기본 메트릭 개선 전에 대기할 최소 Epoch 수 또는 유효성 검사 평가
는 조기 중지를 위해 추적됩니다. 양의 정수여야 합니다.		 int
earlyStoppingPatience 이전의 기본 메트릭 개선 없이 Epoch 또는 유효성 검사 평가의 최소 수
실행이 중지되었습니다. 양의 정수여야 합니다.		 int
enableOnnxNormalization ONNX 모델을 내보낼 때 정규화를 사용하도록 설정합니다. bool
evaluationFrequency 메트릭 점수를 얻기 위해 유효성 검사 데이터 세트를 평가하는 빈도입니다. 양의 정수여야 합니다. int
gradientAccumulationStep 그라데이션 누적은 구성된 수의 "GradAccumulationStep" 단계를 실행하지 않고 실행됨을 의미합니다.
해당 단계의 그라데이션을 누적하는 동안 모델 가중치를 업데이트한 다음
가중치 업데이트를 계산하기 위한 누적 그라데이션입니다. 양의 정수여야 합니다.		 int
layersToFreeze 모델에 대해 고정할 레이어 수입니다. 양의 정수여야 합니다.
예를 들어 'seresnext'에 대한 값으로 2를 전달하는 것은
freezing layer0 및 layer1. 지원되는 모델의 전체 목록 및 계층 고정에 대한 세부 정보는 다음을 참조하세요.
참조: /azure/machine-learning/how-to-auto-train-image-models.		 int
learningRate 초기 학습 속도입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다. int
learningRateScheduler 학습 속도 스케줄러의 유형입니다. 'warmup_cosine' 또는 '단계'여야 합니다. 'None'
'Step'
'WarmupCosine'
modelName 학습에 사용할 모델의 이름입니다.
사용 가능한 모델에 대한 자세한 내용은 공식 설명서를 참조하세요.
/azure/machine-learning/how-to-auto-train-image-models.		 문자열
운동량 최적화 프로그램이 'sgd'일 때의 모멘텀 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다. int
nesterov 최적화 프로그램이 'sgd'일 때 nesterov를 사용하도록 설정합니다. bool
numberOfEpochs 학습 epoch의 수입니다. 양의 정수여야 합니다. int
numberOfWorkers 데이터 로더 작업자 수입니다. 음수가 아닌 정수여야 합니다. int
최적화 최적화 프로그램의 유형입니다. '아담'
'Adamw'
'None'
'Sgd'
randomSeed 결정적 학습을 사용할 때 사용할 임의 시드입니다. int
splitRatio 유효성 검사 데이터가 정의되지 않은 경우 분할에 대한 분할 비율을 지정합니다.
데이터를 임의 학습 및 유효성 검사 하위 집합으로 학습시킵니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.		 int
stepLRGamma 학습 속도 스케줄러가 '단계'인 경우 감마 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다. int
stepLRStepSize 학습 속도 스케줄러가 '단계'인 경우 단계 크기의 값입니다. 양의 정수여야 합니다. int
trainingBatchSize 학습 일괄 처리 크기입니다. 양의 정수여야 합니다. int
trainingCropSize 학습 데이터 세트에 대한 신경망에 입력되는 이미지 자르기 크기입니다. 양의 정수여야 합니다. int
validationBatchSize 유효성 검사 일괄 처리 크기입니다. 양의 정수여야 합니다. int
validationCropSize 유효성 검사 데이터 세트에 대한 신경망에 입력되는 이미지 자르기 크기입니다. 양의 정수여야 합니다. int
validationResizeSize 유효성 검사 데이터 세트를 자르기 전에 크기를 조정할 이미지 크기입니다. 양의 정수여야 합니다. int
warmupCosineLRCycles 학습 속도 스케줄러가 'warmup_cosine'인 경우 코사인 주기의 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다. int
warmupCosineLRWarmupEpochs 학습 속도 스케줄러가 'warmup_cosine'인 경우 준비 epoch의 값입니다. 양의 정수여야 합니다. int
weightDecay 최적화 프로그램이 'sgd', 'adam' 또는 'adamw'인 경우 가중치 감쇠 값입니다. 범위[0, 1]의 부동 소수 자릿수여야 합니다. int
weightedLoss 가중 손실. 허용되는 값은 가중치 손실 없이 0입니다.
sqrt를 사용한 가중치 손실의 경우 1. (class_weights). class_weights 가중치 손실에 대한 2. 0 또는 1 또는 2여야 합니다.
 int

ImageModelDistributionSettingsClassification

이름 묘사 값
amsGradient 최적화 프로그램이 'adam' 또는 'adamw'인 경우 AMSGrad를 사용하도록 설정합니다. 문자열
확대 확대를 사용하기 위한 설정입니다. 문자열
beta1 최적화 프로그램이 'adam' 또는 'adamw'인 경우 'beta1' 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다. 문자열
beta2 최적화 프로그램이 'adam' 또는 'adamw'인 경우 'beta2' 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다. 문자열
분산 배포자 학습을 사용할지 여부입니다. 문자열
earlyStopping 학습 중에 조기 중지 논리를 사용하도록 설정합니다. 문자열
earlyStoppingDelay 기본 메트릭 개선 전에 대기할 최소 Epoch 수 또는 유효성 검사 평가
는 조기 중지를 위해 추적됩니다. 양의 정수여야 합니다.		 문자열
earlyStoppingPatience 이전의 기본 메트릭 개선 없이 Epoch 또는 유효성 검사 평가의 최소 수
실행이 중지되었습니다. 양의 정수여야 합니다.		 문자열
enableOnnxNormalization ONNX 모델을 내보낼 때 정규화를 사용하도록 설정합니다. 문자열
evaluationFrequency 메트릭 점수를 얻기 위해 유효성 검사 데이터 세트를 평가하는 빈도입니다. 양의 정수여야 합니다. 문자열
gradientAccumulationStep 그라데이션 누적은 구성된 수의 "GradAccumulationStep" 단계를 실행하지 않고 실행됨을 의미합니다.
해당 단계의 그라데이션을 누적하는 동안 모델 가중치를 업데이트한 다음
가중치 업데이트를 계산하기 위한 누적 그라데이션입니다. 양의 정수여야 합니다.		 문자열
layersToFreeze 모델에 대해 고정할 레이어 수입니다. 양의 정수여야 합니다.
예를 들어 'seresnext'에 대한 값으로 2를 전달하는 것은
freezing layer0 및 layer1. 지원되는 모델의 전체 목록 및 계층 고정에 대한 세부 정보는 다음을 참조하세요.
참조: /azure/machine-learning/how-to-auto-train-image-models.		 문자열
learningRate 초기 학습 속도입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다. 문자열
learningRateScheduler 학습 속도 스케줄러의 유형입니다. 'warmup_cosine' 또는 '단계'여야 합니다. 문자열
modelName 학습에 사용할 모델의 이름입니다.
사용 가능한 모델에 대한 자세한 내용은 공식 설명서를 참조하세요.
/azure/machine-learning/how-to-auto-train-image-models.		 문자열
운동량 최적화 프로그램이 'sgd'일 때의 모멘텀 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다. 문자열
nesterov 최적화 프로그램이 'sgd'일 때 nesterov를 사용하도록 설정합니다. 문자열
numberOfEpochs 학습 epoch의 수입니다. 양의 정수여야 합니다. 문자열
numberOfWorkers 데이터 로더 작업자 수입니다. 음수가 아닌 정수여야 합니다. 문자열
최적화 최적화 프로그램의 유형입니다. 'sgd', 'adam' 또는 'adamw'여야 합니다. 문자열
randomSeed 결정적 학습을 사용할 때 사용할 임의 시드입니다. 문자열
splitRatio 유효성 검사 데이터가 정의되지 않은 경우 분할에 대한 분할 비율을 지정합니다.
데이터를 임의 학습 및 유효성 검사 하위 집합으로 학습시킵니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.		 문자열
stepLRGamma 학습 속도 스케줄러가 '단계'인 경우 감마 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다. 문자열
stepLRStepSize 학습 속도 스케줄러가 '단계'인 경우 단계 크기의 값입니다. 양의 정수여야 합니다. 문자열
trainingBatchSize 학습 일괄 처리 크기입니다. 양의 정수여야 합니다. 문자열
trainingCropSize 학습 데이터 세트에 대한 신경망에 입력되는 이미지 자르기 크기입니다. 양의 정수여야 합니다. 문자열
validationBatchSize 유효성 검사 일괄 처리 크기입니다. 양의 정수여야 합니다. 문자열
validationCropSize 유효성 검사 데이터 세트에 대한 신경망에 입력되는 이미지 자르기 크기입니다. 양의 정수여야 합니다. 문자열
validationResizeSize 유효성 검사 데이터 세트를 자르기 전에 크기를 조정할 이미지 크기입니다. 양의 정수여야 합니다. 문자열
warmupCosineLRCycles 학습 속도 스케줄러가 'warmup_cosine'인 경우 코사인 주기의 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다. 문자열
warmupCosineLRWarmupEpochs 학습 속도 스케줄러가 'warmup_cosine'인 경우 준비 epoch의 값입니다. 양의 정수여야 합니다. 문자열
weightDecay 최적화 프로그램이 'sgd', 'adam' 또는 'adamw'인 경우 가중치 감쇠 값입니다. 범위[0, 1]의 부동 소수 자릿수여야 합니다. 문자열
weightedLoss 가중 손실. 허용되는 값은 가중치 손실 없이 0입니다.
sqrt를 사용한 가중치 손실의 경우 1. (class_weights). class_weights 가중치 손실에 대한 2. 0 또는 1 또는 2여야 합니다.
 문자열

ImageSweepSettings

이름 묘사 값
earlyTermination 조기 종료 정책의 유형입니다. earlyTerminationPolicy
제한 [필수] 모델 비우기 및 하이퍼 매개 변수 비우기에 대한 제한 설정입니다. imageSweepLimitSettings (필수)
samplingAlgorithm [필수] 하이퍼 매개 변수 샘플링 알고리즘의 형식입니다. '베이지안'
'Grid'
'Random'(필수)

EarlyTerminationPolicy

이름 묘사 값
delayEvaluation 첫 번째 평가를 지연할 간격 수입니다. int
evaluationInterval 정책 평가 사이의 간격(실행 수)입니다. int
policyType 개체 유형 설정 산적
MedianStopping
TruncationSelection(필수)

BanditPolicy

이름 묘사 값
policyType [필수] 정책 구성의 이름 'Bandit'(필수)
slackAmount 최상의 실행에서 허용되는 절대 거리입니다. int
slackFactor 가장 성능이 좋은 실행에서 허용된 거리의 비율입니다. int

MedianStoppingPolicy

이름 묘사 값
policyType [필수] 정책 구성의 이름 'MedianStopping'(필수)

TruncationSelectionPolicy

이름 묘사 값
policyType [필수] 정책 구성의 이름 'TruncationSelection'(필수)
truncationPercentage 각 평가 간격에서 취소할 실행의 백분율입니다. int

ImageSweepLimitSettings

이름 묘사 값
maxConcurrentTrials 기본 스윕 작업에 대한 최대 동시 반복 수입니다. int
maxTrials 기본 스윕 작업의 최대 반복 횟수입니다. int

ImageClassificationMultilabel

이름 묘사 값
taskType [필수] AutoMLJob의 작업 유형입니다. 'ImageClassificationMultilabel'(필수)
dataSettings [필수] 등록된 테이블 형식 데이터 세트 ID 및 모델 학습 및 유효성 검사에 필요한 기타 데이터 설정의 컬렉션입니다. ImageVerticalDataSettings (필수)
limitSettings [필수] AutoML 작업에 대한 설정을 제한합니다. ImageLimitSettings (필수)
modelSettings 모델 학습에 사용되는 설정입니다. ImageModelSettingsClassification
primaryMetric 이 작업에 최적화할 기본 메트릭입니다. 'AUCWeighted'
'정확도'
'AveragePrecisionScoreWeighted'
'IOU'
'NormMacroRecall'
'PrecisionScoreWeighted'
searchSpace 모델과 해당 하이퍼 매개 변수의 다양한 조합을 샘플링하기 위한 공간을 검색합니다. ImageModelDistributionSettingsClassification[]
sweepSettings 모델 비우기 및 하이퍼 매개 변수 비우기 관련 설정입니다. imageSweepSettings

ImageInstanceSegmentation

이름 묘사 값
taskType [필수] AutoMLJob의 작업 유형입니다. 'ImageInstanceSegmentation'(필수)
dataSettings [필수] 등록된 테이블 형식 데이터 세트 ID 및 모델 학습 및 유효성 검사에 필요한 기타 데이터 설정의 컬렉션입니다. ImageVerticalDataSettings (필수)
limitSettings [필수] AutoML 작업에 대한 설정을 제한합니다. ImageLimitSettings (필수)
modelSettings 모델 학습에 사용되는 설정입니다. ImageModelSettingsObjectDetection
primaryMetric 이 작업에 최적화할 기본 메트릭입니다. 'MeanAveragePrecision'
searchSpace 모델과 해당 하이퍼 매개 변수의 다양한 조합을 샘플링하기 위한 공간을 검색합니다. imageModelDistributionSettingsObjectDetection[]
sweepSettings 모델 비우기 및 하이퍼 매개 변수 비우기 관련 설정입니다. imageSweepSettings

ImageModelSettingsObjectDetection

이름 묘사 값
advancedSettings 고급 시나리오에 대한 설정입니다. 문자열
amsGradient 최적화 프로그램이 'adam' 또는 'adamw'인 경우 AMSGrad를 사용하도록 설정합니다. bool
확대 확대를 사용하기 위한 설정입니다. 문자열
beta1 최적화 프로그램이 'adam' 또는 'adamw'인 경우 'beta1' 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다. int
beta2 최적화 프로그램이 'adam' 또는 'adamw'인 경우 'beta2' 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다. int
boxDetectionsPerImage 모든 클래스에 대한 이미지당 최대 검색 수입니다. 양의 정수여야 합니다.
참고: 이 설정은 'yolov5' 알고리즘에 대해 지원되지 않습니다.		 int
boxScoreThreshold 유추하는 동안 분류 점수가 다음보다 큰 제안만 반환합니다.
BoxScoreThreshold. 범위[0, 1]의 부동 소수 자릿수여야 합니다.		 int
checkpointDatasetId 증분 학습에 대한 미리 학습된 검사점의 FileDataset ID입니다.
CheckpointDatasetId와 함께 CheckpointFilename을 전달해야 합니다.		 문자열
checkpointFilename 증분 학습을 위한 FileDataset의 미리 학습된 검사점 파일 이름입니다.
CheckpointFilename과 함께 CheckpointDatasetId를 전달해야 합니다.		 문자열
checkpointFrequency 모델 검사점을 저장하는 빈도입니다. 양의 정수여야 합니다. int
checkpointRunId 증분 학습에 대한 미리 학습된 검사점이 있는 이전 실행의 ID입니다. 문자열
분산 분산 학습을 사용할지 여부입니다. bool
earlyStopping 학습 중에 조기 중지 논리를 사용하도록 설정합니다. bool
earlyStoppingDelay 기본 메트릭 개선 전에 대기할 최소 Epoch 수 또는 유효성 검사 평가
는 조기 중지를 위해 추적됩니다. 양의 정수여야 합니다.		 int
earlyStoppingPatience 이전의 기본 메트릭 개선 없이 Epoch 또는 유효성 검사 평가의 최소 수
실행이 중지되었습니다. 양의 정수여야 합니다.		 int
enableOnnxNormalization ONNX 모델을 내보낼 때 정규화를 사용하도록 설정합니다. bool
evaluationFrequency 메트릭 점수를 얻기 위해 유효성 검사 데이터 세트를 평가하는 빈도입니다. 양의 정수여야 합니다. int
gradientAccumulationStep 그라데이션 누적은 구성된 수의 "GradAccumulationStep" 단계를 실행하지 않고 실행됨을 의미합니다.
해당 단계의 그라데이션을 누적하는 동안 모델 가중치를 업데이트한 다음
가중치 업데이트를 계산하기 위한 누적 그라데이션입니다. 양의 정수여야 합니다.		 int
imageSize 학습 및 유효성 검사를 위한 이미지 크기입니다. 양의 정수여야 합니다.
참고: 크기가 너무 크면 학습 실행이 CUDA OOM에 들어갈 수 있습니다.
참고: 이 설정은 'yolov5' 알고리즘에 대해서만 지원됩니다.		 int
layersToFreeze 모델에 대해 고정할 레이어 수입니다. 양의 정수여야 합니다.
예를 들어 'seresnext'에 대한 값으로 2를 전달하는 것은
freezing layer0 및 layer1. 지원되는 모델의 전체 목록 및 계층 고정에 대한 세부 정보는 다음을 참조하세요.
참조: /azure/machine-learning/how-to-auto-train-image-models.		 int
learningRate 초기 학습 속도입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다. int
learningRateScheduler 학습 속도 스케줄러의 유형입니다. 'warmup_cosine' 또는 '단계'여야 합니다. 'None'
'Step'
'WarmupCosine'
maxSize 백본에 공급하기 전에 크기가 조정될 이미지의 최대 크기입니다.
양의 정수여야 합니다. 참고: 크기가 너무 크면 학습 실행이 CUDA OOM에 들어갈 수 있습니다.
참고: 이 설정은 'yolov5' 알고리즘에 대해 지원되지 않습니다.		 int
minSize 백본에 공급하기 전에 크기가 조정될 이미지의 최소 크기입니다.
양의 정수여야 합니다. 참고: 크기가 너무 크면 학습 실행이 CUDA OOM에 들어갈 수 있습니다.
참고: 이 설정은 'yolov5' 알고리즘에 대해 지원되지 않습니다.		 int
modelName 학습에 사용할 모델의 이름입니다.
사용 가능한 모델에 대한 자세한 내용은 공식 설명서를 참조하세요.
/azure/machine-learning/how-to-auto-train-image-models.		 문자열
modelSize 모델 크기입니다. 'small', 'medium', 'large' 또는 'xlarge'여야 합니다.
참고: 모델 크기가 너무 크면 학습 실행이 CUDA OOM에 들어갈 수 있습니다.
참고: 이 설정은 'yolov5' 알고리즘에 대해서만 지원됩니다.		 'ExtraLarge'
'Large'
'Medium'
'None'
'Small'
운동량 최적화 프로그램이 'sgd'일 때의 모멘텀 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다. int
multiScale 이미지 크기를 +/- 50%변경하여 다중 크기 이미지를 사용하도록 설정합니다.
참고: 충분한 GPU 메모리가 없는 경우 학습 실행이 CUDA OOM에 들어갈 수 있습니다.
참고: 이 설정은 'yolov5' 알고리즘에 대해서만 지원됩니다.		 bool
nesterov 최적화 프로그램이 'sgd'일 때 nesterov를 사용하도록 설정합니다. bool
nmsIouThreshold NMS 사후 처리에서 유추하는 동안 사용되는 IOU 임계값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다. int
numberOfEpochs 학습 epoch의 수입니다. 양의 정수여야 합니다. int
numberOfWorkers 데이터 로더 작업자 수입니다. 음수가 아닌 정수여야 합니다. int
최적화 최적화 프로그램의 유형입니다. '아담'
'Adamw'
'None'
'Sgd'
randomSeed 결정적 학습을 사용할 때 사용할 임의 시드입니다. int
splitRatio 유효성 검사 데이터가 정의되지 않은 경우 분할에 대한 분할 비율을 지정합니다.
데이터를 임의 학습 및 유효성 검사 하위 집합으로 학습시킵니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.		 int
stepLRGamma 학습 속도 스케줄러가 '단계'인 경우 감마 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다. int
stepLRStepSize 학습 속도 스케줄러가 '단계'인 경우 단계 크기의 값입니다. 양의 정수여야 합니다. int
tileGridSize 각 이미지를 타일링하는 데 사용할 그리드 크기입니다. 참고: TileGridSize는
작은 개체 검색 논리를 사용하도록 설정할 수 없습니다. mxn 형식의 두 정수가 포함된 문자열입니다.
참고: 이 설정은 'yolov5' 알고리즘에 대해 지원되지 않습니다.		 문자열
tileOverlapRatio 각 차원의 인접 타일 간의 겹침 비율입니다. 범위 [0, 1)에 부동 소수 자릿수여야 합니다.
참고: 이 설정은 'yolov5' 알고리즘에 대해 지원되지 않습니다.		 int
tilePredictionsNmsThreshold 타일 및 이미지에서 예측을 병합하는 동안 NMS를 수행하는 데 사용할 IOU 임계값입니다.
유효성 검사/유추에 사용됩니다. 범위 [0, 1]에 부동 소수 자릿수여야 합니다.
참고: 이 설정은 'yolov5' 알고리즘에 대해 지원되지 않습니다.		 int
trainingBatchSize 학습 일괄 처리 크기입니다. 양의 정수여야 합니다. int
validationBatchSize 유효성 검사 일괄 처리 크기입니다. 양의 정수여야 합니다. int
validationIouThreshold 유효성 검사 메트릭을 계산할 때 사용할 IOU 임계값입니다. 범위 [0, 1]에 부동 소수 자릿수여야 합니다. int
validationMetricType 유효성 검사 메트릭에 사용할 메트릭 계산 방법입니다. '코코'
'CocoVoc'
'None'
'Voc'
warmupCosineLRCycles 학습 속도 스케줄러가 'warmup_cosine'인 경우 코사인 주기의 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다. int
warmupCosineLRWarmupEpochs 학습 속도 스케줄러가 'warmup_cosine'인 경우 준비 epoch의 값입니다. 양의 정수여야 합니다. int
weightDecay 최적화 프로그램이 'sgd', 'adam' 또는 'adamw'인 경우 가중치 감쇠 값입니다. 범위[0, 1]의 부동 소수 자릿수여야 합니다. int

ImageModelDistributionSettingsObjectDetection

이름 묘사 값
amsGradient 최적화 프로그램이 'adam' 또는 'adamw'인 경우 AMSGrad를 사용하도록 설정합니다. 문자열
확대 확대를 사용하기 위한 설정입니다. 문자열
beta1 최적화 프로그램이 'adam' 또는 'adamw'인 경우 'beta1' 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다. 문자열
beta2 최적화 프로그램이 'adam' 또는 'adamw'인 경우 'beta2' 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다. 문자열
boxDetectionsPerImage 모든 클래스에 대한 이미지당 최대 검색 수입니다. 양의 정수여야 합니다.
참고: 이 설정은 'yolov5' 알고리즘에 대해 지원되지 않습니다.		 문자열
boxScoreThreshold 유추하는 동안 분류 점수가 다음보다 큰 제안만 반환합니다.
BoxScoreThreshold. 범위[0, 1]의 부동 소수 자릿수여야 합니다.		 문자열
분산 배포자 학습을 사용할지 여부입니다. 문자열
earlyStopping 학습 중에 조기 중지 논리를 사용하도록 설정합니다. 문자열
earlyStoppingDelay 기본 메트릭 개선 전에 대기할 최소 Epoch 수 또는 유효성 검사 평가
는 조기 중지를 위해 추적됩니다. 양의 정수여야 합니다.		 문자열
earlyStoppingPatience 이전의 기본 메트릭 개선 없이 Epoch 또는 유효성 검사 평가의 최소 수
실행이 중지되었습니다. 양의 정수여야 합니다.		 문자열
enableOnnxNormalization ONNX 모델을 내보낼 때 정규화를 사용하도록 설정합니다. 문자열
evaluationFrequency 메트릭 점수를 얻기 위해 유효성 검사 데이터 세트를 평가하는 빈도입니다. 양의 정수여야 합니다. 문자열
gradientAccumulationStep 그라데이션 누적은 구성된 수의 "GradAccumulationStep" 단계를 실행하지 않고 실행됨을 의미합니다.
해당 단계의 그라데이션을 누적하는 동안 모델 가중치를 업데이트한 다음
가중치 업데이트를 계산하기 위한 누적 그라데이션입니다. 양의 정수여야 합니다.		 문자열
imageSize 학습 및 유효성 검사를 위한 이미지 크기입니다. 양의 정수여야 합니다.
참고: 크기가 너무 크면 학습 실행이 CUDA OOM에 들어갈 수 있습니다.
참고: 이 설정은 'yolov5' 알고리즘에 대해서만 지원됩니다.		 문자열
layersToFreeze 모델에 대해 고정할 레이어 수입니다. 양의 정수여야 합니다.
예를 들어 'seresnext'에 대한 값으로 2를 전달하는 것은
freezing layer0 및 layer1. 지원되는 모델의 전체 목록 및 계층 고정에 대한 세부 정보는 다음을 참조하세요.
참조: /azure/machine-learning/how-to-auto-train-image-models.		 문자열
learningRate 초기 학습 속도입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다. 문자열
learningRateScheduler 학습 속도 스케줄러의 유형입니다. 'warmup_cosine' 또는 '단계'여야 합니다. 문자열
maxSize 백본에 공급하기 전에 크기가 조정될 이미지의 최대 크기입니다.
양의 정수여야 합니다. 참고: 크기가 너무 크면 학습 실행이 CUDA OOM에 들어갈 수 있습니다.
참고: 이 설정은 'yolov5' 알고리즘에 대해 지원되지 않습니다.		 문자열
minSize 백본에 공급하기 전에 크기가 조정될 이미지의 최소 크기입니다.
양의 정수여야 합니다. 참고: 크기가 너무 크면 학습 실행이 CUDA OOM에 들어갈 수 있습니다.
참고: 이 설정은 'yolov5' 알고리즘에 대해 지원되지 않습니다.		 문자열
modelName 학습에 사용할 모델의 이름입니다.
사용 가능한 모델에 대한 자세한 내용은 공식 설명서를 참조하세요.
/azure/machine-learning/how-to-auto-train-image-models.		 문자열
modelSize 모델 크기입니다. 'small', 'medium', 'large' 또는 'xlarge'여야 합니다.
참고: 모델 크기가 너무 크면 학습 실행이 CUDA OOM에 들어갈 수 있습니다.
참고: 이 설정은 'yolov5' 알고리즘에 대해서만 지원됩니다.		 문자열
운동량 최적화 프로그램이 'sgd'일 때의 모멘텀 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다. 문자열
multiScale 이미지 크기를 +/- 50%변경하여 다중 크기 이미지를 사용하도록 설정합니다.
참고: 충분한 GPU 메모리가 없는 경우 학습 실행이 CUDA OOM에 들어갈 수 있습니다.
참고: 이 설정은 'yolov5' 알고리즘에 대해서만 지원됩니다.		 문자열
nesterov 최적화 프로그램이 'sgd'일 때 nesterov를 사용하도록 설정합니다. 문자열
nmsIouThreshold NMS 사후 처리에서 유추하는 동안 사용되는 IOU 임계값입니다. 범위 [0, 1]에 부동 소수 자릿수여야 합니다. 문자열
numberOfEpochs 학습 epoch의 수입니다. 양의 정수여야 합니다. 문자열
numberOfWorkers 데이터 로더 작업자 수입니다. 음수가 아닌 정수여야 합니다. 문자열
최적화 최적화 프로그램의 유형입니다. 'sgd', 'adam' 또는 'adamw'여야 합니다. 문자열
randomSeed 결정적 학습을 사용할 때 사용할 임의 시드입니다. 문자열
splitRatio 유효성 검사 데이터가 정의되지 않은 경우 분할에 대한 분할 비율을 지정합니다.
데이터를 임의 학습 및 유효성 검사 하위 집합으로 학습시킵니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.		 문자열
stepLRGamma 학습 속도 스케줄러가 '단계'인 경우 감마 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다. 문자열
stepLRStepSize 학습 속도 스케줄러가 '단계'인 경우 단계 크기의 값입니다. 양의 정수여야 합니다. 문자열
tileGridSize 각 이미지를 타일링하는 데 사용할 그리드 크기입니다. 참고: TileGridSize는
작은 개체 검색 논리를 사용하도록 설정할 수 없습니다. mxn 형식의 두 정수가 포함된 문자열입니다.
참고: 이 설정은 'yolov5' 알고리즘에 대해 지원되지 않습니다.		 문자열
tileOverlapRatio 각 차원의 인접 타일 간의 겹침 비율입니다. 범위 [0, 1)에 부동 소수 자릿수여야 합니다.
참고: 이 설정은 'yolov5' 알고리즘에 대해 지원되지 않습니다.		 문자열
tilePredictionsNmsThreshold 타일 및 이미지에서 예측을 병합하는 동안 NMS를 수행하는 데 사용할 IOU 임계값입니다.
유효성 검사/유추에 사용됩니다. 범위 [0, 1]에 부동 소수 자릿수여야 합니다.
참고: 이 설정은 'yolov5' 알고리즘에 대해 지원되지 않습니다.
NMS: 최대값이 아닌 표시 안 함		 문자열
trainingBatchSize 학습 일괄 처리 크기입니다. 양의 정수여야 합니다. 문자열
validationBatchSize 유효성 검사 일괄 처리 크기입니다. 양의 정수여야 합니다. 문자열
validationIouThreshold 유효성 검사 메트릭을 계산할 때 사용할 IOU 임계값입니다. 범위 [0, 1]에 부동 소수 자릿수여야 합니다. 문자열
validationMetricType 유효성 검사 메트릭에 사용할 메트릭 계산 방법입니다. 'none', 'coco', 'voc' 또는 'coco_voc'이어야 합니다. 문자열
warmupCosineLRCycles 학습 속도 스케줄러가 'warmup_cosine'인 경우 코사인 주기의 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다. 문자열
warmupCosineLRWarmupEpochs 학습 속도 스케줄러가 'warmup_cosine'인 경우 준비 epoch의 값입니다. 양의 정수여야 합니다. 문자열
weightDecay 최적화 프로그램이 'sgd', 'adam' 또는 'adamw'인 경우 가중치 감쇠 값입니다. 범위[0, 1]의 부동 소수 자릿수여야 합니다. 문자열

ImageObjectDetection

이름 묘사 값
taskType [필수] AutoMLJob의 작업 유형입니다. 'ImageObjectDetection'(필수)
dataSettings [필수] 등록된 테이블 형식 데이터 세트 ID 및 모델 학습 및 유효성 검사에 필요한 기타 데이터 설정의 컬렉션입니다. ImageVerticalDataSettings (필수)
limitSettings [필수] AutoML 작업에 대한 설정을 제한합니다. ImageLimitSettings (필수)
modelSettings 모델 학습에 사용되는 설정입니다. ImageModelSettingsObjectDetection
primaryMetric 이 작업에 최적화할 기본 메트릭입니다. 'MeanAveragePrecision'
searchSpace 모델과 해당 하이퍼 매개 변수의 다양한 조합을 샘플링하기 위한 공간을 검색합니다. imageModelDistributionSettingsObjectDetection[]
sweepSettings 모델 비우기 및 하이퍼 매개 변수 비우기 관련 설정입니다. imageSweepSettings

회귀

이름 묘사 값
taskType [필수] AutoMLJob의 작업 유형입니다. '회귀'(필수)
allowedModels 회귀 태스크에 허용되는 모델입니다. 다음 중 어느 것을 포함하는 문자열 배열:
'DecisionTree'
'ElasticNet'
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LassoLars'
'LightGBM'
'RandomForest'
'SGD'
'XGBoostRegressor'
blockedModels 회귀 태스크에 대한 차단된 모델입니다. 다음 중 어느 것을 포함하는 문자열 배열:
'DecisionTree'
'ElasticNet'
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LassoLars'
'LightGBM'
'RandomForest'
'SGD'
'XGBoostRegressor'
dataSettings AutoMLJob에 대한 데이터 입력입니다. tableVerticalDataSettings
featurizationSettings AutoML 작업에 필요한 기능화 입력입니다. tableVerticalFeaturizationSettings
limitSettings AutoMLJob에 대한 실행 제약 조건입니다. tableVerticalLimitSettings
primaryMetric 회귀 태스크에 대한 기본 메트릭입니다. 'NormalizedMeanAbsoluteError'
'NormalizedRootMeanSquaredError'
'R2Score'
'스피어만코렐레이션'
trainingSettings AutoML 작업의 학습 단계에 대한 입력입니다. TrainingSettings

TextClassification

이름 묘사 값
taskType [필수] AutoMLJob의 작업 유형입니다. 'TextClassification'(필수)
dataSettings AutoMLJob에 대한 데이터 입력입니다. nlpVerticalDataSettings
featurizationSettings AutoML 작업에 필요한 기능화 입력입니다. NlpVerticalFeaturizationSettings
limitSettings AutoMLJob에 대한 실행 제약 조건입니다. nlpVerticalLimitSettings
primaryMetric Text-Classification 작업에 대한 기본 메트릭입니다. 'AUCWeighted'
'정확도'
'AveragePrecisionScoreWeighted'
'NormMacroRecall'
'PrecisionScoreWeighted'

NlpVerticalDataSettings

이름 묘사 값
targetColumnName [필수] 대상 열 이름: 예측 값 열입니다.
분류 작업의 컨텍스트에서 레이블 열 이름이라고도 합니다.		 string(필수)

제약 조건:
패턴 = [a-zA-Z0-9_]
testData 데이터 입력을 테스트합니다. TestDataSettings
trainingData [필수] 학습 데이터 입력입니다. TrainingDataSettings(필수)
validationData 유효성 검사 데이터 입력입니다. NlpVerticalValidationDataSettings

NlpVerticalValidationDataSettings

이름 묘사 값
데이터 유효성 검사 데이터 MLTable. MLTableJobInput
validationDataSize 유효성 검사를 위해 따로 설정해야 하는 학습 데이터 세트의 비율입니다.
(0.0, 1.0) 사이의 값
유효성 검사 데이터 세트가 제공되지 않을 때 적용됩니다.
 int

NlpVerticalFeaturizationSettings

이름 묘사 값
datasetLanguage 텍스트 데이터에 유용한 데이터 세트 언어입니다. 문자열

NlpVerticalLimitSettings

이름 묘사 값
maxConcurrentTrials 최대 동시 AutoML 반복입니다. int
maxTrials AutoML 반복 횟수입니다. int
타임 아웃 AutoML 작업 시간 제한입니다. 문자열

TextClassificationMultilabel

이름 묘사 값
taskType [필수] AutoMLJob의 작업 유형입니다. 'TextClassificationMultilabel'(필수)
dataSettings AutoMLJob에 대한 데이터 입력입니다. nlpVerticalDataSettings
featurizationSettings AutoML 작업에 필요한 기능화 입력입니다. NlpVerticalFeaturizationSettings
limitSettings AutoMLJob에 대한 실행 제약 조건입니다. nlpVerticalLimitSettings

TextNer

이름 묘사 값
taskType [필수] AutoMLJob의 작업 유형입니다. 'TextNER'(필수)
dataSettings AutoMLJob에 대한 데이터 입력입니다. nlpVerticalDataSettings
featurizationSettings AutoML 작업에 필요한 기능화 입력입니다. NlpVerticalFeaturizationSettings
limitSettings AutoMLJob에 대한 실행 제약 조건입니다. nlpVerticalLimitSettings

CommandJob

이름 묘사 값
jobType [필수] 작업 유형을 지정합니다. 'Command'(필수)
codeId 코드 자산의 ARM 리소스 ID입니다. 문자열
명령 [필수] 작업을 시작할 때 실행할 명령입니다. 예. "python train.py" string(필수)

제약 조건:
최소 길이 = 1
패턴 = [a-zA-Z0-9_]
분포 작업의 배포 구성입니다. 설정된 경우 Mpi, Tensorflow, PyTorch 또는 null 중 하나여야 합니다. DistributionConfiguration
environmentId [필수] 작업에 대한 환경 사양의 ARM 리소스 ID입니다. string(필수)

제약 조건:
패턴 = [a-zA-Z0-9_]
environmentVariables 작업에 포함된 환경 변수입니다. CommandJobEnvironmentVariables
입력 작업에 사용되는 입력 데이터 바인딩의 매핑입니다. commandJobInputs
제한 명령 작업 제한입니다. CommandJobLimits
출력 작업에 사용되는 출력 데이터 바인딩의 매핑입니다. CommandJobOutputs
리소스 작업에 대한 컴퓨팅 리소스 구성입니다. resourceConfiguration

DistributionConfiguration

이름 묘사 값
distributionType 개체 유형 설정 Mpi
PyTorch
TensorFlow(필수)

Mpi

이름 묘사 값
distributionType [필수] 배포 프레임워크의 유형을 지정합니다. 'Mpi'(필수)
processCountPerInstance MPI 노드당 프로세스 수입니다. int

PyTorch

이름 묘사 값
distributionType [필수] 배포 프레임워크의 유형을 지정합니다. 'PyTorch'(필수)
processCountPerInstance 노드당 프로세스 수입니다. int

TensorFlow

이름 묘사 값
distributionType [필수] 배포 프레임워크의 유형을 지정합니다. 'TensorFlow'(필수)
parameterServerCount 매개 변수 서버 작업의 수입니다. int
workerCount 작업자 수입니다. 지정하지 않으면 기본값은 인스턴스 수입니다. int

CommandJobEnvironmentVariables

이름 묘사 값
{customized property} 문자열

CommandJobInputs

이름 묘사 값
{customized property} JobInput

JobInput

이름 묘사 값
묘사 입력에 대한 설명입니다. 문자열
jobInputType 개체 유형 설정 customModel
리터럴
MLFlowModel
MLTable
TritonModel
UriFile
UriFolder(필수)

CustomModelJobInput

이름 묘사 값
jobInputType [필수] 작업 유형을 지정합니다. 'CustomModel'(필수)
모드 입력 자산 배달 모드입니다. 'Direct'
'다운로드'
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
'ReadWriteMount'
uri [필수] 입력 자산 URI입니다. string(필수)

제약 조건:
패턴 = [a-zA-Z0-9_]

LiteralJobInput

이름 묘사 값
jobInputType [필수] 작업 유형을 지정합니다. 'Literal'(필수)
값 [필수] 입력에 대한 리터럴 값입니다. string(필수)

제약 조건:
패턴 = [a-zA-Z0-9_]

MLFlowModelJobInput

이름 묘사 값
jobInputType [필수] 작업 유형을 지정합니다. 'MLFlowModel'(필수)
모드 입력 자산 배달 모드입니다. 'Direct'
'다운로드'
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
'ReadWriteMount'
uri [필수] 입력 자산 URI입니다. string(필수)

제약 조건:
패턴 = [a-zA-Z0-9_]

TritonModelJobInput

이름 묘사 값
jobInputType [필수] 작업 유형을 지정합니다. 'TritonModel'(필수)
모드 입력 자산 배달 모드입니다. 'Direct'
'다운로드'
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
'ReadWriteMount'
uri [필수] 입력 자산 URI입니다. string(필수)

제약 조건:
패턴 = [a-zA-Z0-9_]

UriFileJobInput

이름 묘사 값
jobInputType [필수] 작업 유형을 지정합니다. 'UriFile'(필수)
모드 입력 자산 배달 모드입니다. 'Direct'
'다운로드'
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
'ReadWriteMount'
uri [필수] 입력 자산 URI입니다. string(필수)

제약 조건:
패턴 = [a-zA-Z0-9_]

UriFolderJobInput

이름 묘사 값
jobInputType [필수] 작업 유형을 지정합니다. 'UriFolder'(필수)
모드 입력 자산 배달 모드입니다. 'Direct'
'다운로드'
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
'ReadWriteMount'
uri [필수] 입력 자산 URI입니다. string(필수)

제약 조건:
패턴 = [a-zA-Z0-9_]

CommandJobLimits

이름 묘사 값
jobLimitsType [필수] JobLimit 형식입니다. 'Command'
'Sweep'(필수)
타임 아웃 ISO 8601 형식의 최대 실행 기간이며, 그 후에 작업이 취소됩니다. 전체 자릿수가 초인 기간만 지원합니다. 문자열

CommandJobOutputs

이름 묘사 값
{customized property} JobOutput

PipelineJob

이름 묘사 값
jobType [필수] 작업 유형을 지정합니다. 'Pipeline'(필수)
입력 파이프라인 작업에 대한 입력입니다. pipelineJobInputs
작업 작업은 파이프라인 작업을 생성합니다. pipelineJobJobs
출력 파이프라인 작업에 대한 출력 PipelineJobOutputs
설정 ContinueRunOnStepFailure 등의 파이프라인 설정

PipelineJobInputs

이름 묘사 값
{customized property} JobInput

PipelineJobJobs

이름 묘사 값
{customized property}

PipelineJobOutputs

이름 묘사 값
{customized property} JobOutput

SweepJob

이름 묘사 값
jobType [필수] 작업 유형을 지정합니다. 'Sweep'(필수)
earlyTermination 조기 종료 정책을 사용하면 완료하기 전에 성능이 저하된 실행을 취소할 수 있습니다. earlyTerminationPolicy
입력 작업에 사용되는 입력 데이터 바인딩의 매핑입니다. SweepJobInputs
제한 스윕 작업 제한입니다. SweepJobLimits
목표 [필수] 최적화 목표입니다. Objective(필수)
출력 작업에 사용되는 출력 데이터 바인딩의 매핑입니다. SweepJobOutputs
samplingAlgorithm [필수] 하이퍼 매개 변수 샘플링 알고리즘 SamplingAlgorithm(필수)
searchSpace [필수] 각 매개 변수와 해당 분포를 포함하는 사전입니다. 사전 키는 매개 변수의 이름입니다.
재판 [필수] 평가판 구성 요소 정의입니다. trialComponent (필수)

SweepJobInputs

이름 묘사 값
{customized property} JobInput

SweepJobLimits

이름 묘사 값
jobLimitsType [필수] JobLimit 형식입니다. 'Command'
'Sweep'(필수)
maxConcurrentTrials 작업 최대 동시 평가판을 스윕합니다. int
maxTotalTrials 스윕 작업 최대 총 평가판입니다. int
타임 아웃 ISO 8601 형식의 최대 실행 기간이며, 그 후에 작업이 취소됩니다. 전체 자릿수가 초인 기간만 지원합니다. 문자열
trialTimeout 비우기 작업 평가판 시간 제한 값입니다. 문자열

목표

이름 묘사 값
골 [필수] 하이퍼 매개 변수 튜닝에 지원되는 메트릭 목표를 정의합니다. '최대화'
'최소화'(필수)
primaryMetric [필수] 최적화할 메트릭의 이름입니다. string(필수)

제약 조건:
패턴 = [a-zA-Z0-9_]

SweepJobOutputs

이름 묘사 값
{customized property} JobOutput

SamplingAlgorithm

이름 묘사 값
samplingAlgorithmType 개체 유형 설정 베이지안
Grid
임의 (필수)

BayesianSamplingAlgorithm

이름 묘사 값
samplingAlgorithmType [필수] 구성 속성과 함께 하이퍼 매개 변수 값을 생성하는 데 사용되는 알고리즘 'Bayesian'(필수)

GridSamplingAlgorithm

이름 묘사 값
samplingAlgorithmType [필수] 구성 속성과 함께 하이퍼 매개 변수 값을 생성하는 데 사용되는 알고리즘 'Grid'(필수)

RandomSamplingAlgorithm

이름 묘사 값
samplingAlgorithmType [필수] 구성 속성과 함께 하이퍼 매개 변수 값을 생성하는 데 사용되는 알고리즘 'Random'(필수)
규칙 특정 유형의 임의 알고리즘 'Random'
'Sobol'
씨 난수 생성을 위한 시드로 사용할 선택적 정수입니다. int

TrialComponent

이름 묘사 값
codeId 코드 자산의 ARM 리소스 ID입니다. 문자열
명령 [필수] 작업을 시작할 때 실행할 명령입니다. 예. "python train.py" string(필수)

제약 조건:
최소 길이 = 1
패턴 = [a-zA-Z0-9_]
분포 작업의 배포 구성입니다. 설정된 경우 Mpi, Tensorflow, PyTorch 또는 null 중 하나여야 합니다. DistributionConfiguration
environmentId [필수] 작업에 대한 환경 사양의 ARM 리소스 ID입니다. string(필수)

제약 조건:
패턴 = [a-zA-Z0-9_]
environmentVariables 작업에 포함된 환경 변수입니다. trialComponentEnvironmentVariables
리소스 작업에 대한 컴퓨팅 리소스 구성입니다. resourceConfiguration

TrialComponentEnvironmentVariables

이름 묘사 값
{customized property} 문자열

빠른 시작 템플릿

다음 빠른 시작 템플릿은 이 리소스 유형을 배포합니다.

템플렛 묘사
Azure Machine Learning AutoML 분류 작업 만들기

Azure 배포 		이 템플릿은 Azure Machine Learning AutoML 분류 작업을 만들어 클라이언트가 금융 기관과 고정 기간 보증금을 구독할지 예측하는 데 가장 적합한 모델을 찾습니다.
Azure Machine Learning 명령 작업 만들기

Azure 배포 		이 템플릿은 기본 hello_world 스크립트를 사용하여 Azure Machine Learning 명령 작업을 만듭니다.
azure Machine Learning Sweep 작업 만들기

Azure 배포 		이 템플릿은 하이퍼 매개 변수 튜닝을 위한 Azure Machine Learning Sweep 작업을 만듭니다.

Terraform(AzAPI 공급자) 리소스 정의

작업 영역/작업 리소스 종류는 다음을 대상으로 하는 작업으로 배포할 수 있습니다.

  • 리소스 그룹

각 API 버전에서 변경된 속성 목록은 변경 로그참조하세요.

리소스 형식

Microsoft.MachineLearningServices/workspaces/jobs 리소스를 만들려면 템플릿에 다음 Terraform을 추가합니다.

resource "azapi_resource" "symbolicname" {
  type = "Microsoft.MachineLearningServices/workspaces/jobs@2022-02-01-preview"
  name = "string"
  parent_id = "string"
  body = jsonencode({
    properties = {
      computeId = "string"
      description = "string"
      displayName = "string"
      experimentName = "string"
      identity = {
        identityType = "string"
        // For remaining properties, see IdentityConfiguration objects
      }
      isArchived = bool
      properties = {
        {customized property} = "string"
      }
      schedule = {
        endTime = "string"
        scheduleStatus = "string"
        startTime = "string"
        timeZone = "string"
        scheduleType = "string"
        // For remaining properties, see ScheduleBase objects
      }
      services = {
        {customized property} = {
          endpoint = "string"
          jobServiceType = "string"
          port = int
          properties = {
            {customized property} = "string"
          }
        }
      }
      tags = {}
      jobType = "string"
      // For remaining properties, see JobBaseDetails objects
    }
  })
}

JobBaseDetails 개체

jobType 속성을 설정하여 개체 유형을 지정합니다.

AutoML경우 다음을 사용합니다.

  jobType = "AutoML"
  environmentId = "string"
  environmentVariables = {
    {customized property} = "string"
  }
  outputs = {
    {customized property} = {
      description = "string"
      jobOutputType = "string"
      // For remaining properties, see JobOutput objects
    }
  }
  resources = {
    instanceCount = int
    instanceType = "string"
    properties = {}
  }
  taskDetails = {
    logVerbosity = "string"
    taskType = "string"
    // For remaining properties, see AutoMLVertical objects
  }

명령경우 다음을 사용합니다.

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

파이프라인경우 다음을 사용합니다.

  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
    }
  }

스윕경우 다음을 사용합니다.

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

IdentityConfiguration 개체

identityType 속성을 설정하여 개체 유형을 지정합니다.

AMLToken경우 다음을 사용합니다.

  identityType = "AMLToken"

관리되는경우 다음을 사용합니다.

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

userIdentity경우 다음을 사용합니다.

  identityType = "UserIdentity"

ScheduleBase 개체

scheduleType 속성을 설정하여 개체 유형을 지정합니다.

cron경우 다음을 사용합니다.

  scheduleType = "Cron"
  expression = "string"

되풀이경우 다음을 사용합니다.

  scheduleType = "Recurrence"
  frequency = "string"
  interval = int
  pattern = {
    hours = [
      int
    ]
    minutes = [
      int
    ]
    weekdays = [
      "string"
    ]
  }

JobOutput 개체

jobOutputType 속성을 설정하여 개체 유형을 지정합니다.

customModel경우 다음을 사용합니다.

  jobOutputType = "CustomModel"
  mode = "string"
  uri = "string"

MLFlowModel경우 다음을 사용합니다.

  jobOutputType = "MLFlowModel"
  mode = "string"
  uri = "string"

MLTable경우 다음을 사용합니다.

  jobOutputType = "MLTable"
  mode = "string"
  uri = "string"

TritonModel경우 다음을 사용합니다.

  jobOutputType = "TritonModel"
  mode = "string"
  uri = "string"

UriFile경우 다음을 사용합니다.

  jobOutputType = "UriFile"
  mode = "string"
  uri = "string"

UriFolder경우 다음을 사용합니다.

  jobOutputType = "UriFolder"
  mode = "string"
  uri = "string"

AutoMLVertical 개체

taskType 속성을 설정하여 개체 유형을 지정합니다.

분류경우 다음을 사용합니다.

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

예측경우 다음을 사용합니다.

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

imageClassification경우 다음을 사용합니다.

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

imageClassificationMultilabel경우 다음을 사용합니다.

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

imageInstanceSegmentation경우 다음을 사용합니다.

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

imageObjectDetection경우 다음을 사용합니다.

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

회귀경우 다음을 사용합니다.

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

textClassification경우 다음을 사용합니다.

  taskType = "TextClassification"
  dataSettings = {
    targetColumnName = "string"
    testData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      testDataSize = int
    }
    trainingData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
    }
    validationData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      validationDataSize = int
    }
  }
  featurizationSettings = {
    datasetLanguage = "string"
  }
  limitSettings = {
    maxConcurrentTrials = int
    maxTrials = int
    timeout = "string"
  }
  primaryMetric = "string"

TextClassificationMultilabel경우 다음을 사용합니다.

  taskType = "TextClassificationMultilabel"
  dataSettings = {
    targetColumnName = "string"
    testData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      testDataSize = int
    }
    trainingData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
    }
    validationData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      validationDataSize = int
    }
  }
  featurizationSettings = {
    datasetLanguage = "string"
  }
  limitSettings = {
    maxConcurrentTrials = int
    maxTrials = int
    timeout = "string"
  }

TextNER경우 다음을 사용합니다.

  taskType = "TextNER"
  dataSettings = {
    targetColumnName = "string"
    testData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      testDataSize = int
    }
    trainingData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
    }
    validationData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      validationDataSize = int
    }
  }
  featurizationSettings = {
    datasetLanguage = "string"
  }
  limitSettings = {
    maxConcurrentTrials = int
    maxTrials = int
    timeout = "string"
  }

NCrossValidations 개체

개체 유형을 지정하려면 모드 속성을 설정합니다.

자동경우 다음을 사용합니다.

  mode = "Auto"

사용자 지정경우 다음을 사용합니다.

  mode = "Custom"
  value = int

ForecastHorizon 개체

개체 유형을 지정하려면 모드 속성을 설정합니다.

자동경우 다음을 사용합니다.

  mode = "Auto"

사용자 지정경우 다음을 사용합니다.

  mode = "Custom"
  value = int

계절성 개체

개체 유형을 지정하려면 모드 속성을 설정합니다.

자동경우 다음을 사용합니다.

  mode = "Auto"

사용자 지정경우 다음을 사용합니다.

  mode = "Custom"
  value = int

TargetLags 개체

개체 유형을 지정하려면 모드 속성을 설정합니다.

자동경우 다음을 사용합니다.

  mode = "Auto"

사용자 지정경우 다음을 사용합니다.

  mode = "Custom"
  values = [
    int
  ]

TargetRollingWindowSize 개체

개체 유형을 지정하려면 모드 속성을 설정합니다.

자동경우 다음을 사용합니다.

  mode = "Auto"

사용자 지정경우 다음을 사용합니다.

  mode = "Custom"
  value = int

EarlyTerminationPolicy 개체

policyType 속성을 설정하여 개체 유형을 지정합니다.

산적경우 다음을 사용합니다.

  policyType = "Bandit"
  slackAmount = int
  slackFactor = int

MedianStopping경우 다음을 사용합니다.

  policyType = "MedianStopping"

TruncationSelection경우 다음을 사용합니다.

  policyType = "TruncationSelection"
  truncationPercentage = int

DistributionConfiguration 개체

distributionType 속성을 설정하여 개체 유형을 지정합니다.

Mpi경우 다음을 사용합니다.

  distributionType = "Mpi"
  processCountPerInstance = int

PyTorch경우 다음을 사용합니다.

  distributionType = "PyTorch"
  processCountPerInstance = int

TensorFlow경우 다음을 사용합니다.

  distributionType = "TensorFlow"
  parameterServerCount = int
  workerCount = int

JobInput 개체

개체 유형을 지정하려면 jobInputType 속성을 설정합니다.

customModel경우 다음을 사용합니다.

  jobInputType = "CustomModel"
  mode = "string"
  uri = "string"

리터럴경우 다음을 사용합니다.

  jobInputType = "Literal"
  value = "string"

MLFlowModel경우 다음을 사용합니다.

  jobInputType = "MLFlowModel"
  mode = "string"
  uri = "string"

MLTable경우 다음을 사용합니다.

  jobInputType = "MLTable"
  mode = "string"
  uri = "string"

TritonModel경우 다음을 사용합니다.

  jobInputType = "TritonModel"
  mode = "string"
  uri = "string"

UriFile경우 다음을 사용합니다.

  jobInputType = "UriFile"
  mode = "string"
  uri = "string"

UriFolder경우 다음을 사용합니다.

  jobInputType = "UriFolder"
  mode = "string"
  uri = "string"

SamplingAlgorithm 개체

샘플링AlgorithmType 속성을 설정하여 개체 유형을 지정합니다.

Bayesian경우 다음을 사용합니다.

  samplingAlgorithmType = "Bayesian"

Grid경우 다음을 사용합니다.

  samplingAlgorithmType = "Grid"

임의경우 다음을 사용합니다.

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

속성 값

작업 영역/작업

이름 묘사 값
형 리소스 종류 "Microsoft.MachineLearningServices/workspaces/jobs@2022-02-01-preview"
이름 리소스 이름 string(필수)
parent_id 이 리소스의 부모인 리소스의 ID입니다. 형식 리소스의 ID: 작업 영역
속성 [필수] 엔터티의 추가 특성입니다. JobBaseDetails(필수)

JobBaseDetails

이름 묘사 값
computeId 컴퓨팅 리소스의 ARM 리소스 ID입니다. 문자열
묘사 자산 설명 텍스트입니다. 문자열
displayName 작업의 표시 이름입니다. 문자열
experimentName 작업이 속한 실험의 이름입니다. 설정하지 않으면 작업이 "기본" 실험에 배치됩니다. 문자열
신원 ID 구성. 설정된 경우 AmlToken, ManagedIdentity, UserIdentity 또는 null 중 하나여야 합니다.
Null인 경우 기본값은 AmlToken입니다.		 IdentityConfiguration
isArchived 자산이 보관되어 있나요? bool
속성 자산 속성 사전입니다. ResourceBaseProperties
일정 작업의 정의를 예약합니다.
일정이 제공되지 않으면 작업이 제출 직후에 한 번 실행됩니다.		 ScheduleBase
서비스 JobEndpoints 목록입니다.
로컬 작업의 경우 작업 엔드포인트의 엔드포인트 값은 FileStreamObject입니다.		 JobBaseServices
태그 태그 사전입니다. 태그를 추가, 제거 및 업데이트할 수 있습니다. 객체
jobType 개체 유형 설정 AutoML
명령
파이프라인
스윕(필수)

IdentityConfiguration

이름 묘사 값
identityType 개체 유형 설정 AMLToken
관리되는
userIdentity (필수)

AmlToken

이름 묘사 값
identityType [필수] ID 프레임워크의 형식을 지정합니다. "AMLToken"(필수)

ManagedIdentity

이름 묘사 값
identityType [필수] ID 프레임워크의 형식을 지정합니다. "관리"(필수)
clientId 클라이언트 ID별로 사용자 할당 ID를 지정합니다. 시스템 할당의 경우 이 필드를 설정하지 마세요. 문자열

제약 조건:
최소 길이 = 36
최대 길이 = 36
패턴 = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
objectId 개체 ID별로 사용자 할당 ID를 지정합니다. 시스템 할당의 경우 이 필드를 설정하지 마세요. 문자열

제약 조건:
최소 길이 = 36
최대 길이 = 36
패턴 = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
resourceId ARM 리소스 ID별로 사용자 할당 ID를 지정합니다. 시스템 할당의 경우 이 필드를 설정하지 마세요. 문자열

UserIdentity

이름 묘사 값
identityType [필수] ID 프레임워크의 형식을 지정합니다. "UserIdentity"(필수)

ResourceBaseProperties

이름 묘사 값
{customized property} 문자열

ScheduleBase

이름 묘사 값
endTime ISO 8601 형식으로 일정 종료 시간을 지정합니다.
없는 경우 일정이 무기한 실행됩니다.		 문자열
scheduleStatus 일정의 상태를 지정합니다. "사용 안 함"
"사용"
startTime ISO 8601 형식으로 일정의 시작 시간을 지정합니다. 문자열
timeZone 일정이 실행되는 표준 시간대를 지정합니다.
표준 시간대는 Windows 표준 시간대 형식을 따라야 합니다.
 문자열
scheduleType 개체 유형 설정 크론
되풀이(필수)

CronSchedule

이름 묘사 값
scheduleType [필수] 일정 유형을 지정합니다. "Cron"(필수)
식 [필수] 일정의 cron 식을 지정합니다.
식은 NCronTab 형식을 따라야 합니다.		 string(필수)

제약 조건:
패턴 = [a-zA-Z0-9_]

RecurrenceSchedule

이름 묘사 값
scheduleType [필수] 일정 유형을 지정합니다. "되풀이"(필수)
빈도 [필수] 일정을 트리거할 빈도를 지정합니다. "Day"
"시간"
"Minute"
"월"
"주"(필수)
간 [필수] 빈도와 함께 일정 간격을 지정합니다. int(필수)
무늬 되풀이 일정 패턴을 지정합니다. RecurrencePattern

RecurrencePattern

이름 묘사 값
시간 [필수] 되풀이 일정 패턴의 시간 목록 int[] (필수)
분 [필수] 되풀이 일정 패턴에 대한 분 목록 int[] (필수)
평일 되풀이 일정 패턴의 평일 목록 다음 중 어느 것을 포함하는 문자열 배열:
"금요일"
"월요일"
"토요일"
"일요일"
"목요일"
"화요일"
"수요일"

JobBaseServices

이름 묘사 값
{customized property} jobService

JobService

이름 묘사 값
끝점 엔드포인트의 URL입니다. 문자열
jobServiceType 엔드포인트 유형입니다. 문자열
항구 엔드포인트의 포트입니다. int
속성 엔드포인트에서 설정할 추가 속성입니다. JobServiceProperties

JobServiceProperties

이름 묘사 값
{customized property} 문자열

AutoMLJob

이름 묘사 값
jobType [필수] 작업 유형을 지정합니다. "AutoML"(필수)
environmentId 작업에 대한 환경 사양의 ARM 리소스 ID입니다.
이 값은 선택적 값이며, 제공되지 않은 경우 AutoML은 작업을 실행할 때 이를 프로덕션 AutoML 큐레이팅된 환경 버전으로 기본값으로 지정합니다.		 문자열
environmentVariables 작업에 포함된 환경 변수입니다. autoMLJobEnvironmentVariables
출력 작업에 사용되는 출력 데이터 바인딩의 매핑입니다. AutoMLJobOutputs
리소스 작업에 대한 컴퓨팅 리소스 구성입니다. resourceConfiguration
taskDetails [필수] 테이블/NLP/이미지 중 하나일 수 있는 시나리오를 나타냅니다. autoMLVertical (필수)

AutoMLJobEnvironmentVariables

이름 묘사 값
{customized property} 문자열

AutoMLJobOutputs

이름 묘사 값
{customized property} JobOutput

JobOutput

이름 묘사 값
묘사 출력에 대한 설명입니다. 문자열
jobOutputType 개체 유형 설정 customModel
MLFlowModel
MLTable
TritonModel
UriFile
UriFolder(필수)

CustomModelJobOutput

이름 묘사 값
jobOutputType [필수] 작업 유형을 지정합니다. "CustomModel"(필수)
모드 출력 자산 배달 모드입니다. "ReadWriteMount"
"업로드"
uri 출력 자산 URI입니다. 문자열

MLFlowModelJobOutput

이름 묘사 값
jobOutputType [필수] 작업 유형을 지정합니다. "MLFlowModel"(필수)
모드 출력 자산 배달 모드입니다. "ReadWriteMount"
"업로드"
uri 출력 자산 URI입니다. 문자열

MLTableJobOutput

이름 묘사 값
jobOutputType [필수] 작업 유형을 지정합니다. "MLTable"(필수)
모드 출력 자산 배달 모드입니다. "ReadWriteMount"
"업로드"
uri 출력 자산 URI입니다. 문자열

TritonModelJobOutput

이름 묘사 값
jobOutputType [필수] 작업 유형을 지정합니다. "TritonModel"(필수)
모드 출력 자산 배달 모드입니다. "ReadWriteMount"
"업로드"
uri 출력 자산 URI입니다. 문자열

UriFileJobOutput

이름 묘사 값
jobOutputType [필수] 작업 유형을 지정합니다. "UriFile"(필수)
모드 출력 자산 배달 모드입니다. "ReadWriteMount"
"업로드"
uri 출력 자산 URI입니다. 문자열

UriFolderJobOutput

이름 묘사 값
jobOutputType [필수] 작업 유형을 지정합니다. "UriFolder"(필수)
모드 출력 자산 배달 모드입니다. "ReadWriteMount"
"업로드"
uri 출력 자산 URI입니다. 문자열

ResourceConfiguration

이름 묘사 값
instanceCount 컴퓨팅 대상에서 사용하는 인스턴스 또는 노드의 선택적 수입니다. int
instanceType 컴퓨팅 대상에서 지원하는 VM의 선택적 형식입니다. 문자열
속성 추가 속성 모음. resourceConfigurationProperties

ResourceConfigurationProperties

이름 묘사 값
{customized property}

AutoMLVertical

이름 묘사 값
logVerbosity 작업에 대한 자세한 정보를 기록합니다. "위험"
"디버그"
"오류"
"정보"
"NotSet"
"경고"
taskType 개체 유형 설정 분류
예측
imageClassification
imageClassificationMultilabel
ImageInstanceSegmentation
ImageObjectDetection
회귀
TextClassification
TextClassificationMultilabel
TextNER (필수)

분류

이름 묘사 값
taskType [필수] AutoMLJob의 작업 유형입니다. "분류"(필수)
allowedModels 분류 작업에 허용되는 모델입니다. 다음 중 어느 것을 포함하는 문자열 배열:
"베르누울리나이브베이즈"
"DecisionTree"
"ExtremeRandomTrees"
"GradientBoosting"
"KNN"
"LightGBM"
"LinearSVM"
"LogisticRegression"
"MultinomialNaiveBayes"
"RandomForest"
"SGD"
"SVM"
"XGBoostClassifier"
blockedModels 분류 태스크에 대한 차단된 모델입니다. 다음 중 어느 것을 포함하는 문자열 배열:
"베르누울리나이브베이즈"
"DecisionTree"
"ExtremeRandomTrees"
"GradientBoosting"
"KNN"
"LightGBM"
"LinearSVM"
"LogisticRegression"
"MultinomialNaiveBayes"
"RandomForest"
"SGD"
"SVM"
"XGBoostClassifier"
dataSettings AutoMLJob에 대한 데이터 입력입니다. tableVerticalDataSettings
featurizationSettings AutoML 작업에 필요한 기능화 입력입니다. tableVerticalFeaturizationSettings
limitSettings AutoMLJob에 대한 실행 제약 조건입니다. tableVerticalLimitSettings
primaryMetric 작업에 대한 기본 메트릭입니다. "AUCWeighted"
"정확도"
"AveragePrecisionScoreWeighted"
"NormMacroRecall"
"PrecisionScoreWeighted"
trainingSettings AutoML 작업의 학습 단계에 대한 입력입니다. TrainingSettings

TableVerticalDataSettings

이름 묘사 값
targetColumnName [필수] 대상 열 이름: 예측 값 열입니다.
분류 작업의 컨텍스트에서 레이블 열 이름이라고도 합니다.		 string(필수)

제약 조건:
패턴 = [a-zA-Z0-9_]
testData 데이터 입력을 테스트합니다. TestDataSettings
trainingData [필수] 학습 데이터 입력입니다. TrainingDataSettings(필수)
validationData 유효성 검사 데이터 입력입니다. tableVerticalValidationDataSettings
weightColumnName 샘플 가중치 열의 이름입니다. 자동화된 ML은 가중 열을 입력으로 지원하여 데이터의 행에 가중치를 적용하거나 줄입니다. 문자열

TestDataSettings

이름 묘사 값
데이터 데이터 MLTable을 테스트합니다. MLTableJobInput
testDataSize 유효성 검사를 위해 따로 설정해야 하는 테스트 데이터 세트의 비율입니다.
(0.0, 1.0) 사이의 값
유효성 검사 데이터 세트가 제공되지 않을 때 적용됩니다.
 int

MLTableJobInput

이름 묘사 값
묘사 입력에 대한 설명입니다. 문자열
jobInputType [필수] 작업 유형을 지정합니다. "CustomModel"
"리터럴"
"MLFlowModel"
"MLTable"
"TritonModel"
"UriFile"
"UriFolder"(필수)
모드 입력 자산 배달 모드입니다. "Direct"
"다운로드"
"EvalDownload"
"EvalMount"
"ReadOnlyMount"
"ReadWriteMount"
uri [필수] 입력 자산 URI입니다. string(필수)

제약 조건:
패턴 = [a-zA-Z0-9_]

TrainingDataSettings

이름 묘사 값
데이터 [필수] 학습 데이터 MLTable. MLTableJobInput(필수)

TableVerticalValidationDataSettings

이름 묘사 값
cvSplitColumnNames CVSplit 데이터에 사용할 열입니다. string[]
데이터 유효성 검사 데이터 MLTable. MLTableJobInput
nCrossValidations 학습 데이터 세트에 적용할 교차 유효성 검사 접기 수
유효성 검사 데이터 세트가 제공되지 않으면 입니다.		 NCrossValidations
validationDataSize 유효성 검사를 위해 따로 설정해야 하는 학습 데이터 세트의 비율입니다.
(0.0, 1.0) 사이의 값
유효성 검사 데이터 세트가 제공되지 않을 때 적용됩니다.
 int

NCrossValidations

이름 묘사 값
모드 개체 유형 설정 자동
사용자 지정(필수)

AutoNCrossValidations

이름 묘사 값
모드 [필수] N 교차 유효성 검사를 결정하는 모드입니다. "Auto"(필수)

CustomNCrossValidations

이름 묘사 값
모드 [필수] N 교차 유효성 검사를 결정하는 모드입니다. "사용자 지정"(필수)
값 [필수] N 교차 유효성 검사 값입니다. int(필수)

TableVerticalFeaturizationSettings

이름 묘사 값
blockedTransformers 이러한 변압기는 기능화에 사용되지 않습니다. string[]
columnNameAndTypes 열 이름 및 해당 형식(int, float, string, datetime 등)의 사전입니다. TableVerticalFeaturizationSettingsColumnNameAndTypes
datasetLanguage 텍스트 데이터에 유용한 데이터 세트 언어입니다. 문자열
dropColumns 기능화 중에 데이터에서 삭제할 열입니다. string[]
enableDnnFeaturization 데이터 기능화에 Dnn 기반 기능화기를 사용할지 여부를 결정합니다. bool
모드 기능화 모드 - 사용자는 기본 '자동' 모드를 유지할 수 있으며 AutoML은 기능화 단계에서 필요한 데이터 변환을 처리합니다.
'끄기'를 선택하면 기능화가 수행되지 않습니다.
'사용자 지정'을 선택하면 사용자는 추가 입력을 지정하여 기능화를 수행하는 방법을 사용자 지정할 수 있습니다.		 "Auto"
"사용자 지정"
"Off"
transformerParams 사용자는 적용할 열 및 변환기 생성자에 대한 매개 변수와 함께 사용할 추가 변환기를 지정할 수 있습니다. TableVerticalFeaturizationSettingsTransformerParams

TableVerticalFeaturizationSettingsColumnNameAndTypes

이름 묘사 값
{customized property} 문자열

TableVerticalFeaturizationSettingsTransformerParams

이름 묘사 값
{customized property} ColumnTransformer[]

ColumnTransformer

이름 묘사 값
필드 변환기 논리를 적용할 필드입니다. string[]
매개 변수 변환기에 전달할 다른 속성입니다.
필요한 입력은 키 사전, JSON 형식의 값 쌍입니다.

TableVerticalLimitSettings

이름 묘사 값
enableEarlyTermination 조기 종료를 사용하도록 설정하고, 지난 20번의 반복에서 점수 개선이 없는 경우 AutoMLJob이 일찍 종료되는지 여부를 결정합니다. bool
exitScore AutoML 작업의 종료 점수입니다. int
maxConcurrentTrials 최대 동시 반복입니다. int
maxCoresPerTrial 반복당 최대 코어 수입니다. int
maxTrials 반복 횟수입니다. int
타임 아웃 AutoML 작업 시간 제한입니다. 문자열
trialTimeout 반복 시간 제한입니다. 문자열

TrainingSettings

이름 묘사 값
enableDnnTraining DNN 모델의 권장 사항을 사용하도록 설정합니다. bool
enableModelExplainability 최상의 모델에서 설명 기능을 켜는 플래그입니다. bool
enableOnnxCompatibleModels onnx 호환 모델을 사용하도록 설정하기 위한 플래그입니다. bool
enableStackEnsemble 스택 앙상블 실행을 사용하도록 설정합니다. bool
enableVoteEnsemble 투표 앙상블 실행을 사용하도록 설정합니다. bool
ensembleModelDownloadTimeout VotingEnsemble 및 StackEnsemble 모델 생성 중에 이전 자식 실행의 여러 맞춤 모델이 다운로드됩니다.
더 많은 시간이 필요한 경우 이 매개 변수를 300초보다 높은 값으로 구성합니다.		 문자열
stackEnsembleSettings 스택 앙상블 실행에 대한 스택 앙상블 설정입니다. StackEnsembleSettings

StackEnsembleSettings

이름 묘사 값
stackMetaLearnerKWargs 메타 학습자의 이니셜라이저에 전달할 선택적 매개 변수입니다.
stackMetaLearnerTrainPercentage 메타 학습자를 학습하기 위해 예약할 학습 집합의 비율(학습 및 학습 유효성 검사 유형을 선택할 때)을 지정합니다. 기본값은 0.2입니다. int
stackMetaLearnerType 메타 학습자는 개별 이종 모델의 출력에 대해 학습된 모델입니다. "ElasticNet"
"ElasticNetCV"
"LightGBMClassifier"
"LightGBMRegressor"
"LinearRegression"
"LogisticRegression"
"LogisticRegressionCV"
"없음"

예측

이름 묘사 값
taskType [필수] AutoMLJob의 작업 유형입니다. "예측"(필수)
allowedModels 예측 작업에 허용되는 모델입니다. 다음 중 어느 것을 포함하는 문자열 배열:
"아리맥스"
"AutoArima"
"Average"
"DecisionTree"
"ElasticNet"
"ExponentialSmoothing"
"ExtremeRandomTrees"
"GradientBoosting"
"KNN"
"LassoLars"
"LightGBM"
"Naive"
"예언자"
"RandomForest"
"SGD"
"SeasonalAverage"
"SeasonalNaive"
"TCNForecaster"
"XGBoostRegressor"
blockedModels 예측 작업에 대한 차단된 모델입니다. 다음 중 어느 것을 포함하는 문자열 배열:
"아리맥스"
"AutoArima"
"Average"
"DecisionTree"
"ElasticNet"
"ExponentialSmoothing"
"ExtremeRandomTrees"
"GradientBoosting"
"KNN"
"LassoLars"
"LightGBM"
"Naive"
"예언자"
"RandomForest"
"SGD"
"SeasonalAverage"
"SeasonalNaive"
"TCNForecaster"
"XGBoostRegressor"
dataSettings AutoMLJob에 대한 데이터 입력입니다. tableVerticalDataSettings
featurizationSettings AutoML 작업에 필요한 기능화 입력입니다. tableVerticalFeaturizationSettings
forecastingSettings 예측 작업별 입력. ForecastingSettings
limitSettings AutoMLJob에 대한 실행 제약 조건입니다. tableVerticalLimitSettings
primaryMetric 예측 작업에 대한 기본 메트릭입니다. "NormalizedMeanAbsoluteError"
"NormalizedRootMeanSquaredError"
"R2Score"
"SpearmanCorrelation"
trainingSettings AutoML 작업의 학습 단계에 대한 입력입니다. TrainingSettings

ForecastingSettings

이름 묘사 값
countryOrRegionForHolidays 예측 작업에 대한 휴일의 국가 또는 지역입니다.
ISO 3166 두 글자 국가/지역 코드(예: 'US' 또는 'GB')여야 합니다.		 문자열
cvStepSize 한 CV 접기의 원본 시간과 다음 접기 사이의 기간 수입니다. 때문에
예를 들어 일일 데이터의 경우 CVStepSize = 3이면 각 접기 원본 시간이 됩니다.
3일 간격.		 int
featureLags 'auto' 또는 null을 사용하여 숫자 기능에 대한 지연을 생성하는 플래그입니다. "Auto"
"없음"
forecastHorizon 시계열 빈도 단위로 원하는 최대 예측 수평선입니다. ForecastHorizon
빈도 예측 시 이 매개 변수는 예측이 필요한 기간(예: 매일, 매주, 매년 등)을 나타냅니다. 예측 빈도는 기본적으로 데이터 세트 빈도입니다. 문자열
계절 시계열 계절성을 계열 빈도의 정수 배수로 설정합니다.
계절성이 'auto'로 설정되면 유추됩니다.		 계절성
shortSeriesHandlingConfig AutoML에서 짧은 시계열을 처리하는 방법을 정의하는 매개 변수입니다. "Auto"
"Drop"
"없음"
"패드"
targetAggregateFunction 사용자가 지정한 빈도를 준수하도록 시계열 대상 열을 집계하는 데 사용할 함수입니다.
TargetAggregateFunction이 설정된 경우(예: 'None'이 아니라 freq 매개 변수가 설정되지 않은 경우) 오류가 발생합니다. 가능한 대상 집계 함수는 "sum", "max", "min" 및 "mean"입니다.		 "Max"
"평균"
"최소"
"없음"
"Sum"
targetLags 대상 열에서 지연할 지난 기간의 수입니다. TargetLags
targetRollingWindowSize 대상 열의 롤링 창 평균을 만드는 데 사용된 이전 기간의 수입니다. TargetRollingWindowSize
timeColumnName 시간 열의 이름입니다. 이 매개 변수는 시계열을 빌드하고 해당 빈도를 유추하는 데 사용되는 입력 데이터의 날짜/시간 열을 지정하도록 예측할 때 필요합니다. 문자열
timeSeriesIdColumnNames 타임스레터를 그룹화하는 데 사용되는 열의 이름입니다. 여러 계열을 만드는 데 사용할 수 있습니다.
그레인이 정의되지 않은 경우 데이터 집합은 하나의 시계열로 간주됩니다. 이 매개 변수는 작업 유형 예측에 사용됩니다.		 string[]
useStl 시계열 대상 열의 STL 분해를 구성합니다. "없음"
"시즌"
"SeasonTrend"

ForecastHorizon

이름 묘사 값
모드 개체 유형 설정 자동
사용자 지정(필수)

AutoForecastHorizon

이름 묘사 값
모드 [필수] 예측 수평선 값 선택 모드를 설정합니다. "Auto"(필수)

CustomForecastHorizon

이름 묘사 값
모드 [필수] 예측 수평선 값 선택 모드를 설정합니다. "사용자 지정"(필수)
값 [필수] 예측 수평선 값입니다. int(필수)

계절

이름 묘사 값
모드 개체 유형 설정 자동
사용자 지정(필수)

AutoSeasonality

이름 묘사 값
모드 [필수] 계절성 모드입니다. "Auto"(필수)

CustomSeasonality

이름 묘사 값
모드 [필수] 계절성 모드입니다. "사용자 지정"(필수)
값 [필수] 계절성 값입니다. int(필수)

TargetLags

이름 묘사 값
모드 개체 유형 설정 자동
사용자 지정(필수)

AutoTargetLags

이름 묘사 값
모드 [필수] 대상 지연 모드 설정 - 자동/사용자 지정 "Auto"(필수)

CustomTargetLags

이름 묘사 값
모드 [필수] 대상 지연 모드 설정 - 자동/사용자 지정 "사용자 지정"(필수)
값 [필수] 대상 지연 값을 설정합니다. int[] (필수)

TargetRollingWindowSize

이름 묘사 값
모드 개체 유형 설정 자동
사용자 지정(필수)

AutoTargetRollingWindowSize

이름 묘사 값
모드 [필수] TargetRollingWindowSiz 검색 모드입니다. "Auto"(필수)

CustomTargetRollingWindowSize

이름 묘사 값
모드 [필수] TargetRollingWindowSiz 검색 모드입니다. "사용자 지정"(필수)
값 [필수] TargetRollingWindowSize 값입니다. int(필수)

ImageClassification

이름 묘사 값
taskType [필수] AutoMLJob의 작업 유형입니다. "ImageClassification"(필수)
dataSettings [필수] 등록된 테이블 형식 데이터 세트 ID 및 모델 학습 및 유효성 검사에 필요한 기타 데이터 설정의 컬렉션입니다. ImageVerticalDataSettings (필수)
limitSettings [필수] AutoML 작업에 대한 설정을 제한합니다. ImageLimitSettings (필수)
modelSettings 모델 학습에 사용되는 설정입니다. ImageModelSettingsClassification
primaryMetric 이 작업에 최적화할 기본 메트릭입니다. "AUCWeighted"
"정확도"
"AveragePrecisionScoreWeighted"
"NormMacroRecall"
"PrecisionScoreWeighted"
searchSpace 모델과 해당 하이퍼 매개 변수의 다양한 조합을 샘플링하기 위한 공간을 검색합니다. ImageModelDistributionSettingsClassification[]
sweepSettings 모델 비우기 및 하이퍼 매개 변수 비우기 관련 설정입니다. imageSweepSettings

ImageVerticalDataSettings

이름 묘사 값
targetColumnName [필수] 대상 열 이름: 예측 값 열입니다.
분류 작업의 컨텍스트에서 레이블 열 이름이라고도 합니다.		 string(필수)

제약 조건:
패턴 = [a-zA-Z0-9_]
testData 데이터 입력을 테스트합니다. TestDataSettings
trainingData [필수] 학습 데이터 입력입니다. TrainingDataSettings(필수)
validationData 유효성 검사 데이터 세트에 대한 설정입니다. imageVerticalValidationDataSettings

ImageVerticalValidationDataSettings

이름 묘사 값
데이터 유효성 검사 데이터 MLTable. MLTableJobInput
validationDataSize 유효성 검사를 위해 따로 설정해야 하는 학습 데이터 세트의 비율입니다.
(0.0, 1.0) 사이의 값
유효성 검사 데이터 세트가 제공되지 않을 때 적용됩니다.
 int

ImageLimitSettings

이름 묘사 값
maxConcurrentTrials 동시 AutoML 반복의 최대 수입니다. int
maxTrials AutoML 반복의 최대 수입니다. int
타임 아웃 AutoML 작업 시간 제한입니다. 문자열

ImageModelSettingsClassification

이름 묘사 값
advancedSettings 고급 시나리오에 대한 설정입니다. 문자열
amsGradient 최적화 프로그램이 'adam' 또는 'adamw'인 경우 AMSGrad를 사용하도록 설정합니다. bool
확대 확대를 사용하기 위한 설정입니다. 문자열
beta1 최적화 프로그램이 'adam' 또는 'adamw'인 경우 'beta1' 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다. int
beta2 최적화 프로그램이 'adam' 또는 'adamw'인 경우 'beta2' 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다. int
checkpointDatasetId 증분 학습에 대한 미리 학습된 검사점의 FileDataset ID입니다.
CheckpointDatasetId와 함께 CheckpointFilename을 전달해야 합니다.		 문자열
checkpointFilename 증분 학습을 위한 FileDataset의 미리 학습된 검사점 파일 이름입니다.
CheckpointFilename과 함께 CheckpointDatasetId를 전달해야 합니다.		 문자열
checkpointFrequency 모델 검사점을 저장하는 빈도입니다. 양의 정수여야 합니다. int
checkpointRunId 증분 학습에 대한 미리 학습된 검사점이 있는 이전 실행의 ID입니다. 문자열
분산 분산 학습을 사용할지 여부입니다. bool
earlyStopping 학습 중에 조기 중지 논리를 사용하도록 설정합니다. bool
earlyStoppingDelay 기본 메트릭 개선 전에 대기할 최소 Epoch 수 또는 유효성 검사 평가
는 조기 중지를 위해 추적됩니다. 양의 정수여야 합니다.		 int
earlyStoppingPatience 이전의 기본 메트릭 개선 없이 Epoch 또는 유효성 검사 평가의 최소 수
실행이 중지되었습니다. 양의 정수여야 합니다.		 int
enableOnnxNormalization ONNX 모델을 내보낼 때 정규화를 사용하도록 설정합니다. bool
evaluationFrequency 메트릭 점수를 얻기 위해 유효성 검사 데이터 세트를 평가하는 빈도입니다. 양의 정수여야 합니다. int
gradientAccumulationStep 그라데이션 누적은 구성된 수의 "GradAccumulationStep" 단계를 실행하지 않고 실행됨을 의미합니다.
해당 단계의 그라데이션을 누적하는 동안 모델 가중치를 업데이트한 다음
가중치 업데이트를 계산하기 위한 누적 그라데이션입니다. 양의 정수여야 합니다.		 int
layersToFreeze 모델에 대해 고정할 레이어 수입니다. 양의 정수여야 합니다.
예를 들어 'seresnext'에 대한 값으로 2를 전달하는 것은
freezing layer0 및 layer1. 지원되는 모델의 전체 목록 및 계층 고정에 대한 세부 정보는 다음을 참조하세요.
참조: /azure/machine-learning/how-to-auto-train-image-models.		 int
learningRate 초기 학습 속도입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다. int
learningRateScheduler 학습 속도 스케줄러의 유형입니다. 'warmup_cosine' 또는 '단계'여야 합니다. "없음"
"단계"
"WarmupCosine"
modelName 학습에 사용할 모델의 이름입니다.
사용 가능한 모델에 대한 자세한 내용은 공식 설명서를 참조하세요.
/azure/machine-learning/how-to-auto-train-image-models.		 문자열
운동량 최적화 프로그램이 'sgd'일 때의 모멘텀 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다. int
nesterov 최적화 프로그램이 'sgd'일 때 nesterov를 사용하도록 설정합니다. bool
numberOfEpochs 학습 epoch의 수입니다. 양의 정수여야 합니다. int
numberOfWorkers 데이터 로더 작업자 수입니다. 음수가 아닌 정수여야 합니다. int
최적화 최적화 프로그램의 유형입니다. "Adam"
"Adamw"
"없음"
"Sgd"
randomSeed 결정적 학습을 사용할 때 사용할 임의 시드입니다. int
splitRatio 유효성 검사 데이터가 정의되지 않은 경우 분할에 대한 분할 비율을 지정합니다.
데이터를 임의 학습 및 유효성 검사 하위 집합으로 학습시킵니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.		 int
stepLRGamma 학습 속도 스케줄러가 '단계'인 경우 감마 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다. int
stepLRStepSize 학습 속도 스케줄러가 '단계'인 경우 단계 크기의 값입니다. 양의 정수여야 합니다. int
trainingBatchSize 학습 일괄 처리 크기입니다. 양의 정수여야 합니다. int
trainingCropSize 학습 데이터 세트에 대한 신경망에 입력되는 이미지 자르기 크기입니다. 양의 정수여야 합니다. int
validationBatchSize 유효성 검사 일괄 처리 크기입니다. 양의 정수여야 합니다. int
validationCropSize 유효성 검사 데이터 세트에 대한 신경망에 입력되는 이미지 자르기 크기입니다. 양의 정수여야 합니다. int
validationResizeSize 유효성 검사 데이터 세트를 자르기 전에 크기를 조정할 이미지 크기입니다. 양의 정수여야 합니다. int
warmupCosineLRCycles 학습 속도 스케줄러가 'warmup_cosine'인 경우 코사인 주기의 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다. int
warmupCosineLRWarmupEpochs 학습 속도 스케줄러가 'warmup_cosine'인 경우 준비 epoch의 값입니다. 양의 정수여야 합니다. int
weightDecay 최적화 프로그램이 'sgd', 'adam' 또는 'adamw'인 경우 가중치 감쇠 값입니다. 범위[0, 1]의 부동 소수 자릿수여야 합니다. int
weightedLoss 가중 손실. 허용되는 값은 가중치 손실 없이 0입니다.
sqrt를 사용한 가중치 손실의 경우 1. (class_weights). class_weights 가중치 손실에 대한 2. 0 또는 1 또는 2여야 합니다.
 int

ImageModelDistributionSettingsClassification

이름 묘사 값
amsGradient 최적화 프로그램이 'adam' 또는 'adamw'인 경우 AMSGrad를 사용하도록 설정합니다. 문자열
확대 확대를 사용하기 위한 설정입니다. 문자열
beta1 최적화 프로그램이 'adam' 또는 'adamw'인 경우 'beta1' 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다. 문자열
beta2 최적화 프로그램이 'adam' 또는 'adamw'인 경우 'beta2' 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다. 문자열
분산 배포자 학습을 사용할지 여부입니다. 문자열
earlyStopping 학습 중에 조기 중지 논리를 사용하도록 설정합니다. 문자열
earlyStoppingDelay 기본 메트릭 개선 전에 대기할 최소 Epoch 수 또는 유효성 검사 평가
는 조기 중지를 위해 추적됩니다. 양의 정수여야 합니다.		 문자열
earlyStoppingPatience 이전의 기본 메트릭 개선 없이 Epoch 또는 유효성 검사 평가의 최소 수
실행이 중지되었습니다. 양의 정수여야 합니다.		 문자열
enableOnnxNormalization ONNX 모델을 내보낼 때 정규화를 사용하도록 설정합니다. 문자열
evaluationFrequency 메트릭 점수를 얻기 위해 유효성 검사 데이터 세트를 평가하는 빈도입니다. 양의 정수여야 합니다. 문자열
gradientAccumulationStep 그라데이션 누적은 구성된 수의 "GradAccumulationStep" 단계를 실행하지 않고 실행됨을 의미합니다.
해당 단계의 그라데이션을 누적하는 동안 모델 가중치를 업데이트한 다음
가중치 업데이트를 계산하기 위한 누적 그라데이션입니다. 양의 정수여야 합니다.		 문자열
layersToFreeze 모델에 대해 고정할 레이어 수입니다. 양의 정수여야 합니다.
예를 들어 'seresnext'에 대한 값으로 2를 전달하는 것은
freezing layer0 및 layer1. 지원되는 모델의 전체 목록 및 계층 고정에 대한 세부 정보는 다음을 참조하세요.
참조: /azure/machine-learning/how-to-auto-train-image-models.		 문자열
learningRate 초기 학습 속도입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다. 문자열
learningRateScheduler 학습 속도 스케줄러의 유형입니다. 'warmup_cosine' 또는 '단계'여야 합니다. 문자열
modelName 학습에 사용할 모델의 이름입니다.
사용 가능한 모델에 대한 자세한 내용은 공식 설명서를 참조하세요.
/azure/machine-learning/how-to-auto-train-image-models.		 문자열
운동량 최적화 프로그램이 'sgd'일 때의 모멘텀 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다. 문자열
nesterov 최적화 프로그램이 'sgd'일 때 nesterov를 사용하도록 설정합니다. 문자열
numberOfEpochs 학습 epoch의 수입니다. 양의 정수여야 합니다. 문자열
numberOfWorkers 데이터 로더 작업자 수입니다. 음수가 아닌 정수여야 합니다. 문자열
최적화 최적화 프로그램의 유형입니다. 'sgd', 'adam' 또는 'adamw'여야 합니다. 문자열
randomSeed 결정적 학습을 사용할 때 사용할 임의 시드입니다. 문자열
splitRatio 유효성 검사 데이터가 정의되지 않은 경우 분할에 대한 분할 비율을 지정합니다.
데이터를 임의 학습 및 유효성 검사 하위 집합으로 학습시킵니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.		 문자열
stepLRGamma 학습 속도 스케줄러가 '단계'인 경우 감마 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다. 문자열
stepLRStepSize 학습 속도 스케줄러가 '단계'인 경우 단계 크기의 값입니다. 양의 정수여야 합니다. 문자열
trainingBatchSize 학습 일괄 처리 크기입니다. 양의 정수여야 합니다. 문자열
trainingCropSize 학습 데이터 세트에 대한 신경망에 입력되는 이미지 자르기 크기입니다. 양의 정수여야 합니다. 문자열
validationBatchSize 유효성 검사 일괄 처리 크기입니다. 양의 정수여야 합니다. 문자열
validationCropSize 유효성 검사 데이터 세트에 대한 신경망에 입력되는 이미지 자르기 크기입니다. 양의 정수여야 합니다. 문자열
validationResizeSize 유효성 검사 데이터 세트를 자르기 전에 크기를 조정할 이미지 크기입니다. 양의 정수여야 합니다. 문자열
warmupCosineLRCycles 학습 속도 스케줄러가 'warmup_cosine'인 경우 코사인 주기의 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다. 문자열
warmupCosineLRWarmupEpochs 학습 속도 스케줄러가 'warmup_cosine'인 경우 준비 epoch의 값입니다. 양의 정수여야 합니다. 문자열
weightDecay 최적화 프로그램이 'sgd', 'adam' 또는 'adamw'인 경우 가중치 감쇠 값입니다. 범위[0, 1]의 부동 소수 자릿수여야 합니다. 문자열
weightedLoss 가중 손실. 허용되는 값은 가중치 손실 없이 0입니다.
sqrt를 사용한 가중치 손실의 경우 1. (class_weights). class_weights 가중치 손실에 대한 2. 0 또는 1 또는 2여야 합니다.
 문자열

ImageSweepSettings

이름 묘사 값
earlyTermination 조기 종료 정책의 유형입니다. earlyTerminationPolicy
제한 [필수] 모델 비우기 및 하이퍼 매개 변수 비우기에 대한 제한 설정입니다. imageSweepLimitSettings (필수)
samplingAlgorithm [필수] 하이퍼 매개 변수 샘플링 알고리즘의 형식입니다. "베이지안"
"Grid"
"Random"(필수)

EarlyTerminationPolicy

이름 묘사 값
delayEvaluation 첫 번째 평가를 지연할 간격 수입니다. int
evaluationInterval 정책 평가 사이의 간격(실행 수)입니다. int
policyType 개체 유형 설정 산적
MedianStopping
TruncationSelection(필수)

BanditPolicy

이름 묘사 값
policyType [필수] 정책 구성의 이름 "산적"(필수)
slackAmount 최상의 실행에서 허용되는 절대 거리입니다. int
slackFactor 가장 성능이 좋은 실행에서 허용된 거리의 비율입니다. int

MedianStoppingPolicy

이름 묘사 값
policyType [필수] 정책 구성의 이름 "MedianStopping"(필수)

TruncationSelectionPolicy

이름 묘사 값
policyType [필수] 정책 구성의 이름 "TruncationSelection"(필수)
truncationPercentage 각 평가 간격에서 취소할 실행의 백분율입니다. int

ImageSweepLimitSettings

이름 묘사 값
maxConcurrentTrials 기본 스윕 작업에 대한 최대 동시 반복 수입니다. int
maxTrials 기본 스윕 작업의 최대 반복 횟수입니다. int

ImageClassificationMultilabel

이름 묘사 값
taskType [필수] AutoMLJob의 작업 유형입니다. "ImageClassificationMultilabel"(필수)
dataSettings [필수] 등록된 테이블 형식 데이터 세트 ID 및 모델 학습 및 유효성 검사에 필요한 기타 데이터 설정의 컬렉션입니다. ImageVerticalDataSettings (필수)
limitSettings [필수] AutoML 작업에 대한 설정을 제한합니다. ImageLimitSettings (필수)
modelSettings 모델 학습에 사용되는 설정입니다. ImageModelSettingsClassification
primaryMetric 이 작업에 최적화할 기본 메트릭입니다. "AUCWeighted"
"정확도"
"AveragePrecisionScoreWeighted"
"IOU"
"NormMacroRecall"
"PrecisionScoreWeighted"
searchSpace 모델과 해당 하이퍼 매개 변수의 다양한 조합을 샘플링하기 위한 공간을 검색합니다. ImageModelDistributionSettingsClassification[]
sweepSettings 모델 비우기 및 하이퍼 매개 변수 비우기 관련 설정입니다. imageSweepSettings

ImageInstanceSegmentation

이름 묘사 값
taskType [필수] AutoMLJob의 작업 유형입니다. "ImageInstanceSegmentation"(필수)
dataSettings [필수] 등록된 테이블 형식 데이터 세트 ID 및 모델 학습 및 유효성 검사에 필요한 기타 데이터 설정의 컬렉션입니다. ImageVerticalDataSettings (필수)
limitSettings [필수] AutoML 작업에 대한 설정을 제한합니다. ImageLimitSettings (필수)
modelSettings 모델 학습에 사용되는 설정입니다. ImageModelSettingsObjectDetection
primaryMetric 이 작업에 최적화할 기본 메트릭입니다. "MeanAveragePrecision"
searchSpace 모델과 해당 하이퍼 매개 변수의 다양한 조합을 샘플링하기 위한 공간을 검색합니다. imageModelDistributionSettingsObjectDetection[]
sweepSettings 모델 비우기 및 하이퍼 매개 변수 비우기 관련 설정입니다. imageSweepSettings

ImageModelSettingsObjectDetection

이름 묘사 값
advancedSettings 고급 시나리오에 대한 설정입니다. 문자열
amsGradient 최적화 프로그램이 'adam' 또는 'adamw'인 경우 AMSGrad를 사용하도록 설정합니다. bool
확대 확대를 사용하기 위한 설정입니다. 문자열
beta1 최적화 프로그램이 'adam' 또는 'adamw'인 경우 'beta1' 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다. int
beta2 최적화 프로그램이 'adam' 또는 'adamw'인 경우 'beta2' 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다. int
boxDetectionsPerImage 모든 클래스에 대한 이미지당 최대 검색 수입니다. 양의 정수여야 합니다.
참고: 이 설정은 'yolov5' 알고리즘에 대해 지원되지 않습니다.		 int
boxScoreThreshold 유추하는 동안 분류 점수가 다음보다 큰 제안만 반환합니다.
BoxScoreThreshold. 범위[0, 1]의 부동 소수 자릿수여야 합니다.		 int
checkpointDatasetId 증분 학습에 대한 미리 학습된 검사점의 FileDataset ID입니다.
CheckpointDatasetId와 함께 CheckpointFilename을 전달해야 합니다.		 문자열
checkpointFilename 증분 학습을 위한 FileDataset의 미리 학습된 검사점 파일 이름입니다.
CheckpointFilename과 함께 CheckpointDatasetId를 전달해야 합니다.		 문자열
checkpointFrequency 모델 검사점을 저장하는 빈도입니다. 양의 정수여야 합니다. int
checkpointRunId 증분 학습에 대한 미리 학습된 검사점이 있는 이전 실행의 ID입니다. 문자열
분산 분산 학습을 사용할지 여부입니다. bool
earlyStopping 학습 중에 조기 중지 논리를 사용하도록 설정합니다. bool
earlyStoppingDelay 기본 메트릭 개선 전에 대기할 최소 Epoch 수 또는 유효성 검사 평가
는 조기 중지를 위해 추적됩니다. 양의 정수여야 합니다.		 int
earlyStoppingPatience 이전의 기본 메트릭 개선 없이 Epoch 또는 유효성 검사 평가의 최소 수
실행이 중지되었습니다. 양의 정수여야 합니다.		 int
enableOnnxNormalization ONNX 모델을 내보낼 때 정규화를 사용하도록 설정합니다. bool
evaluationFrequency 메트릭 점수를 얻기 위해 유효성 검사 데이터 세트를 평가하는 빈도입니다. 양의 정수여야 합니다. int
gradientAccumulationStep 그라데이션 누적은 구성된 수의 "GradAccumulationStep" 단계를 실행하지 않고 실행됨을 의미합니다.
해당 단계의 그라데이션을 누적하는 동안 모델 가중치를 업데이트한 다음
가중치 업데이트를 계산하기 위한 누적 그라데이션입니다. 양의 정수여야 합니다.		 int
imageSize 학습 및 유효성 검사를 위한 이미지 크기입니다. 양의 정수여야 합니다.
참고: 크기가 너무 크면 학습 실행이 CUDA OOM에 들어갈 수 있습니다.
참고: 이 설정은 'yolov5' 알고리즘에 대해서만 지원됩니다.		 int
layersToFreeze 모델에 대해 고정할 레이어 수입니다. 양의 정수여야 합니다.
예를 들어 'seresnext'에 대한 값으로 2를 전달하는 것은
freezing layer0 및 layer1. 지원되는 모델의 전체 목록 및 계층 고정에 대한 세부 정보는 다음을 참조하세요.
참조: /azure/machine-learning/how-to-auto-train-image-models.		 int
learningRate 초기 학습 속도입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다. int
learningRateScheduler 학습 속도 스케줄러의 유형입니다. 'warmup_cosine' 또는 '단계'여야 합니다. "없음"
"단계"
"WarmupCosine"
maxSize 백본에 공급하기 전에 크기가 조정될 이미지의 최대 크기입니다.
양의 정수여야 합니다. 참고: 크기가 너무 크면 학습 실행이 CUDA OOM에 들어갈 수 있습니다.
참고: 이 설정은 'yolov5' 알고리즘에 대해 지원되지 않습니다.		 int
minSize 백본에 공급하기 전에 크기가 조정될 이미지의 최소 크기입니다.
양의 정수여야 합니다. 참고: 크기가 너무 크면 학습 실행이 CUDA OOM에 들어갈 수 있습니다.
참고: 이 설정은 'yolov5' 알고리즘에 대해 지원되지 않습니다.		 int
modelName 학습에 사용할 모델의 이름입니다.
사용 가능한 모델에 대한 자세한 내용은 공식 설명서를 참조하세요.
/azure/machine-learning/how-to-auto-train-image-models.		 문자열
modelSize 모델 크기입니다. 'small', 'medium', 'large' 또는 'xlarge'여야 합니다.
참고: 모델 크기가 너무 크면 학습 실행이 CUDA OOM에 들어갈 수 있습니다.
참고: 이 설정은 'yolov5' 알고리즘에 대해서만 지원됩니다.		 "ExtraLarge"
"Large"
"보통"
"없음"
"작음"
운동량 최적화 프로그램이 'sgd'일 때의 모멘텀 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다. int
multiScale 이미지 크기를 +/- 50%변경하여 다중 크기 이미지를 사용하도록 설정합니다.
참고: 충분한 GPU 메모리가 없는 경우 학습 실행이 CUDA OOM에 들어갈 수 있습니다.
참고: 이 설정은 'yolov5' 알고리즘에 대해서만 지원됩니다.		 bool
nesterov 최적화 프로그램이 'sgd'일 때 nesterov를 사용하도록 설정합니다. bool
nmsIouThreshold NMS 사후 처리에서 유추하는 동안 사용되는 IOU 임계값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다. int
numberOfEpochs 학습 epoch의 수입니다. 양의 정수여야 합니다. int
numberOfWorkers 데이터 로더 작업자 수입니다. 음수가 아닌 정수여야 합니다. int
최적화 최적화 프로그램의 유형입니다. "Adam"
"Adamw"
"없음"
"Sgd"
randomSeed 결정적 학습을 사용할 때 사용할 임의 시드입니다. int
splitRatio 유효성 검사 데이터가 정의되지 않은 경우 분할에 대한 분할 비율을 지정합니다.
데이터를 임의 학습 및 유효성 검사 하위 집합으로 학습시킵니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.		 int
stepLRGamma 학습 속도 스케줄러가 '단계'인 경우 감마 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다. int
stepLRStepSize 학습 속도 스케줄러가 '단계'인 경우 단계 크기의 값입니다. 양의 정수여야 합니다. int
tileGridSize 각 이미지를 타일링하는 데 사용할 그리드 크기입니다. 참고: TileGridSize는
작은 개체 검색 논리를 사용하도록 설정할 수 없습니다. mxn 형식의 두 정수가 포함된 문자열입니다.
참고: 이 설정은 'yolov5' 알고리즘에 대해 지원되지 않습니다.		 문자열
tileOverlapRatio 각 차원의 인접 타일 간의 겹침 비율입니다. 범위 [0, 1)에 부동 소수 자릿수여야 합니다.
참고: 이 설정은 'yolov5' 알고리즘에 대해 지원되지 않습니다.		 int
tilePredictionsNmsThreshold 타일 및 이미지에서 예측을 병합하는 동안 NMS를 수행하는 데 사용할 IOU 임계값입니다.
유효성 검사/유추에 사용됩니다. 범위 [0, 1]에 부동 소수 자릿수여야 합니다.
참고: 이 설정은 'yolov5' 알고리즘에 대해 지원되지 않습니다.		 int
trainingBatchSize 학습 일괄 처리 크기입니다. 양의 정수여야 합니다. int
validationBatchSize 유효성 검사 일괄 처리 크기입니다. 양의 정수여야 합니다. int
validationIouThreshold 유효성 검사 메트릭을 계산할 때 사용할 IOU 임계값입니다. 범위 [0, 1]에 부동 소수 자릿수여야 합니다. int
validationMetricType 유효성 검사 메트릭에 사용할 메트릭 계산 방법입니다. "코코"
"CocoVoc"
"없음"
"Voc"
warmupCosineLRCycles 학습 속도 스케줄러가 'warmup_cosine'인 경우 코사인 주기의 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다. int
warmupCosineLRWarmupEpochs 학습 속도 스케줄러가 'warmup_cosine'인 경우 준비 epoch의 값입니다. 양의 정수여야 합니다. int
weightDecay 최적화 프로그램이 'sgd', 'adam' 또는 'adamw'인 경우 가중치 감쇠 값입니다. 범위[0, 1]의 부동 소수 자릿수여야 합니다. int

ImageModelDistributionSettingsObjectDetection

이름 묘사 값
amsGradient 최적화 프로그램이 'adam' 또는 'adamw'인 경우 AMSGrad를 사용하도록 설정합니다. 문자열
확대 확대를 사용하기 위한 설정입니다. 문자열
beta1 최적화 프로그램이 'adam' 또는 'adamw'인 경우 'beta1' 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다. 문자열
beta2 최적화 프로그램이 'adam' 또는 'adamw'인 경우 'beta2' 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다. 문자열
boxDetectionsPerImage 모든 클래스에 대한 이미지당 최대 검색 수입니다. 양의 정수여야 합니다.
참고: 이 설정은 'yolov5' 알고리즘에 대해 지원되지 않습니다.		 문자열
boxScoreThreshold 유추하는 동안 분류 점수가 다음보다 큰 제안만 반환합니다.
BoxScoreThreshold. 범위[0, 1]의 부동 소수 자릿수여야 합니다.		 문자열
분산 배포자 학습을 사용할지 여부입니다. 문자열
earlyStopping 학습 중에 조기 중지 논리를 사용하도록 설정합니다. 문자열
earlyStoppingDelay 기본 메트릭 개선 전에 대기할 최소 Epoch 수 또는 유효성 검사 평가
는 조기 중지를 위해 추적됩니다. 양의 정수여야 합니다.		 문자열
earlyStoppingPatience 이전의 기본 메트릭 개선 없이 Epoch 또는 유효성 검사 평가의 최소 수
실행이 중지되었습니다. 양의 정수여야 합니다.		 문자열
enableOnnxNormalization ONNX 모델을 내보낼 때 정규화를 사용하도록 설정합니다. 문자열
evaluationFrequency 메트릭 점수를 얻기 위해 유효성 검사 데이터 세트를 평가하는 빈도입니다. 양의 정수여야 합니다. 문자열
gradientAccumulationStep 그라데이션 누적은 구성된 수의 "GradAccumulationStep" 단계를 실행하지 않고 실행됨을 의미합니다.
해당 단계의 그라데이션을 누적하는 동안 모델 가중치를 업데이트한 다음
가중치 업데이트를 계산하기 위한 누적 그라데이션입니다. 양의 정수여야 합니다.		 문자열
imageSize 학습 및 유효성 검사를 위한 이미지 크기입니다. 양의 정수여야 합니다.
참고: 크기가 너무 크면 학습 실행이 CUDA OOM에 들어갈 수 있습니다.
참고: 이 설정은 'yolov5' 알고리즘에 대해서만 지원됩니다.		 문자열
layersToFreeze 모델에 대해 고정할 레이어 수입니다. 양의 정수여야 합니다.
예를 들어 'seresnext'에 대한 값으로 2를 전달하는 것은
freezing layer0 및 layer1. 지원되는 모델의 전체 목록 및 계층 고정에 대한 세부 정보는 다음을 참조하세요.
참조: /azure/machine-learning/how-to-auto-train-image-models.		 문자열
learningRate 초기 학습 속도입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다. 문자열
learningRateScheduler 학습 속도 스케줄러의 유형입니다. 'warmup_cosine' 또는 '단계'여야 합니다. 문자열
maxSize 백본에 공급하기 전에 크기가 조정될 이미지의 최대 크기입니다.
양의 정수여야 합니다. 참고: 크기가 너무 크면 학습 실행이 CUDA OOM에 들어갈 수 있습니다.
참고: 이 설정은 'yolov5' 알고리즘에 대해 지원되지 않습니다.		 문자열
minSize 백본에 공급하기 전에 크기가 조정될 이미지의 최소 크기입니다.
양의 정수여야 합니다. 참고: 크기가 너무 크면 학습 실행이 CUDA OOM에 들어갈 수 있습니다.
참고: 이 설정은 'yolov5' 알고리즘에 대해 지원되지 않습니다.		 문자열
modelName 학습에 사용할 모델의 이름입니다.
사용 가능한 모델에 대한 자세한 내용은 공식 설명서를 참조하세요.
/azure/machine-learning/how-to-auto-train-image-models.		 문자열
modelSize 모델 크기입니다. 'small', 'medium', 'large' 또는 'xlarge'여야 합니다.
참고: 모델 크기가 너무 크면 학습 실행이 CUDA OOM에 들어갈 수 있습니다.
참고: 이 설정은 'yolov5' 알고리즘에 대해서만 지원됩니다.		 문자열
운동량 최적화 프로그램이 'sgd'일 때의 모멘텀 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다. 문자열
multiScale 이미지 크기를 +/- 50%변경하여 다중 크기 이미지를 사용하도록 설정합니다.
참고: 충분한 GPU 메모리가 없는 경우 학습 실행이 CUDA OOM에 들어갈 수 있습니다.
참고: 이 설정은 'yolov5' 알고리즘에 대해서만 지원됩니다.		 문자열
nesterov 최적화 프로그램이 'sgd'일 때 nesterov를 사용하도록 설정합니다. 문자열
nmsIouThreshold NMS 사후 처리에서 유추하는 동안 사용되는 IOU 임계값입니다. 범위 [0, 1]에 부동 소수 자릿수여야 합니다. 문자열
numberOfEpochs 학습 epoch의 수입니다. 양의 정수여야 합니다. 문자열
numberOfWorkers 데이터 로더 작업자 수입니다. 음수가 아닌 정수여야 합니다. 문자열
최적화 최적화 프로그램의 유형입니다. 'sgd', 'adam' 또는 'adamw'여야 합니다. 문자열
randomSeed 결정적 학습을 사용할 때 사용할 임의 시드입니다. 문자열
splitRatio 유효성 검사 데이터가 정의되지 않은 경우 분할에 대한 분할 비율을 지정합니다.
데이터를 임의 학습 및 유효성 검사 하위 집합으로 학습시킵니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.		 문자열
stepLRGamma 학습 속도 스케줄러가 '단계'인 경우 감마 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다. 문자열
stepLRStepSize 학습 속도 스케줄러가 '단계'인 경우 단계 크기의 값입니다. 양의 정수여야 합니다. 문자열
tileGridSize 각 이미지를 타일링하는 데 사용할 그리드 크기입니다. 참고: TileGridSize는
작은 개체 검색 논리를 사용하도록 설정할 수 없습니다. mxn 형식의 두 정수가 포함된 문자열입니다.
참고: 이 설정은 'yolov5' 알고리즘에 대해 지원되지 않습니다.		 문자열
tileOverlapRatio 각 차원의 인접 타일 간의 겹침 비율입니다. 범위 [0, 1)에 부동 소수 자릿수여야 합니다.
참고: 이 설정은 'yolov5' 알고리즘에 대해 지원되지 않습니다.		 문자열
tilePredictionsNmsThreshold 타일 및 이미지에서 예측을 병합하는 동안 NMS를 수행하는 데 사용할 IOU 임계값입니다.
유효성 검사/유추에 사용됩니다. 범위 [0, 1]에 부동 소수 자릿수여야 합니다.
참고: 이 설정은 'yolov5' 알고리즘에 대해 지원되지 않습니다.
NMS: 최대값이 아닌 표시 안 함		 문자열
trainingBatchSize 학습 일괄 처리 크기입니다. 양의 정수여야 합니다. 문자열
validationBatchSize 유효성 검사 일괄 처리 크기입니다. 양의 정수여야 합니다. 문자열
validationIouThreshold 유효성 검사 메트릭을 계산할 때 사용할 IOU 임계값입니다. 범위 [0, 1]에 부동 소수 자릿수여야 합니다. 문자열
validationMetricType 유효성 검사 메트릭에 사용할 메트릭 계산 방법입니다. 'none', 'coco', 'voc' 또는 'coco_voc'이어야 합니다. 문자열
warmupCosineLRCycles 학습 속도 스케줄러가 'warmup_cosine'인 경우 코사인 주기의 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다. 문자열
warmupCosineLRWarmupEpochs 학습 속도 스케줄러가 'warmup_cosine'인 경우 준비 epoch의 값입니다. 양의 정수여야 합니다. 문자열
weightDecay 최적화 프로그램이 'sgd', 'adam' 또는 'adamw'인 경우 가중치 감쇠 값입니다. 범위[0, 1]의 부동 소수 자릿수여야 합니다. 문자열

ImageObjectDetection

이름 묘사 값
taskType [필수] AutoMLJob의 작업 유형입니다. "ImageObjectDetection"(필수)
dataSettings [필수] 등록된 테이블 형식 데이터 세트 ID 및 모델 학습 및 유효성 검사에 필요한 기타 데이터 설정의 컬렉션입니다. ImageVerticalDataSettings (필수)
limitSettings [필수] AutoML 작업에 대한 설정을 제한합니다. ImageLimitSettings (필수)
modelSettings 모델 학습에 사용되는 설정입니다. ImageModelSettingsObjectDetection
primaryMetric 이 작업에 최적화할 기본 메트릭입니다. "MeanAveragePrecision"
searchSpace 모델과 해당 하이퍼 매개 변수의 다양한 조합을 샘플링하기 위한 공간을 검색합니다. imageModelDistributionSettingsObjectDetection[]
sweepSettings 모델 비우기 및 하이퍼 매개 변수 비우기 관련 설정입니다. imageSweepSettings

회귀

이름 묘사 값
taskType [필수] AutoMLJob의 작업 유형입니다. "회귀"(필수)
allowedModels 회귀 태스크에 허용되는 모델입니다. 다음 중 어느 것을 포함하는 문자열 배열:
"DecisionTree"
"ElasticNet"
"ExtremeRandomTrees"
"GradientBoosting"
"KNN"
"LassoLars"
"LightGBM"
"RandomForest"
"SGD"
"XGBoostRegressor"
blockedModels 회귀 태스크에 대한 차단된 모델입니다. 다음 중 어느 것을 포함하는 문자열 배열:
"DecisionTree"
"ElasticNet"
"ExtremeRandomTrees"
"GradientBoosting"
"KNN"
"LassoLars"
"LightGBM"
"RandomForest"
"SGD"
"XGBoostRegressor"
dataSettings AutoMLJob에 대한 데이터 입력입니다. tableVerticalDataSettings
featurizationSettings AutoML 작업에 필요한 기능화 입력입니다. tableVerticalFeaturizationSettings
limitSettings AutoMLJob에 대한 실행 제약 조건입니다. tableVerticalLimitSettings
primaryMetric 회귀 태스크에 대한 기본 메트릭입니다. "NormalizedMeanAbsoluteError"
"NormalizedRootMeanSquaredError"
"R2Score"
"SpearmanCorrelation"
trainingSettings AutoML 작업의 학습 단계에 대한 입력입니다. TrainingSettings

TextClassification

이름 묘사 값
taskType [필수] AutoMLJob의 작업 유형입니다. "TextClassification"(필수)
dataSettings AutoMLJob에 대한 데이터 입력입니다. nlpVerticalDataSettings
featurizationSettings AutoML 작업에 필요한 기능화 입력입니다. NlpVerticalFeaturizationSettings
limitSettings AutoMLJob에 대한 실행 제약 조건입니다. nlpVerticalLimitSettings
primaryMetric Text-Classification 작업에 대한 기본 메트릭입니다. "AUCWeighted"
"정확도"
"AveragePrecisionScoreWeighted"
"NormMacroRecall"
"PrecisionScoreWeighted"

NlpVerticalDataSettings

이름 묘사 값
targetColumnName [필수] 대상 열 이름: 예측 값 열입니다.
분류 작업의 컨텍스트에서 레이블 열 이름이라고도 합니다.		 string(필수)

제약 조건:
패턴 = [a-zA-Z0-9_]
testData 데이터 입력을 테스트합니다. TestDataSettings
trainingData [필수] 학습 데이터 입력입니다. TrainingDataSettings(필수)
validationData 유효성 검사 데이터 입력입니다. NlpVerticalValidationDataSettings

NlpVerticalValidationDataSettings

이름 묘사 값
데이터 유효성 검사 데이터 MLTable. MLTableJobInput
validationDataSize 유효성 검사를 위해 따로 설정해야 하는 학습 데이터 세트의 비율입니다.
(0.0, 1.0) 사이의 값
유효성 검사 데이터 세트가 제공되지 않을 때 적용됩니다.
 int

NlpVerticalFeaturizationSettings

이름 묘사 값
datasetLanguage 텍스트 데이터에 유용한 데이터 세트 언어입니다. 문자열

NlpVerticalLimitSettings

이름 묘사 값
maxConcurrentTrials 최대 동시 AutoML 반복입니다. int
maxTrials AutoML 반복 횟수입니다. int
타임 아웃 AutoML 작업 시간 제한입니다. 문자열

TextClassificationMultilabel

이름 묘사 값
taskType [필수] AutoMLJob의 작업 유형입니다. "TextClassificationMultilabel"(필수)
dataSettings AutoMLJob에 대한 데이터 입력입니다. nlpVerticalDataSettings
featurizationSettings AutoML 작업에 필요한 기능화 입력입니다. NlpVerticalFeaturizationSettings
limitSettings AutoMLJob에 대한 실행 제약 조건입니다. nlpVerticalLimitSettings

TextNer

이름 묘사 값
taskType [필수] AutoMLJob의 작업 유형입니다. "TextNER"(필수)
dataSettings AutoMLJob에 대한 데이터 입력입니다. nlpVerticalDataSettings
featurizationSettings AutoML 작업에 필요한 기능화 입력입니다. NlpVerticalFeaturizationSettings
limitSettings AutoMLJob에 대한 실행 제약 조건입니다. nlpVerticalLimitSettings

CommandJob

이름 묘사 값
jobType [필수] 작업 유형을 지정합니다. "명령"(필수)
codeId 코드 자산의 ARM 리소스 ID입니다. 문자열
명령 [필수] 작업을 시작할 때 실행할 명령입니다. 예. "python train.py" string(필수)

제약 조건:
최소 길이 = 1
패턴 = [a-zA-Z0-9_]
분포 작업의 배포 구성입니다. 설정된 경우 Mpi, Tensorflow, PyTorch 또는 null 중 하나여야 합니다. DistributionConfiguration
environmentId [필수] 작업에 대한 환경 사양의 ARM 리소스 ID입니다. string(필수)

제약 조건:
패턴 = [a-zA-Z0-9_]
environmentVariables 작업에 포함된 환경 변수입니다. CommandJobEnvironmentVariables
입력 작업에 사용되는 입력 데이터 바인딩의 매핑입니다. commandJobInputs
제한 명령 작업 제한입니다. CommandJobLimits
출력 작업에 사용되는 출력 데이터 바인딩의 매핑입니다. CommandJobOutputs
리소스 작업에 대한 컴퓨팅 리소스 구성입니다. resourceConfiguration

DistributionConfiguration

이름 묘사 값
distributionType 개체 유형 설정 Mpi
PyTorch
TensorFlow(필수)

Mpi

이름 묘사 값
distributionType [필수] 배포 프레임워크의 유형을 지정합니다. "Mpi"(필수)
processCountPerInstance MPI 노드당 프로세스 수입니다. int

PyTorch

이름 묘사 값
distributionType [필수] 배포 프레임워크의 유형을 지정합니다. "PyTorch"(필수)
processCountPerInstance 노드당 프로세스 수입니다. int

TensorFlow

이름 묘사 값
distributionType [필수] 배포 프레임워크의 유형을 지정합니다. "TensorFlow"(필수)
parameterServerCount 매개 변수 서버 작업의 수입니다. int
workerCount 작업자 수입니다. 지정하지 않으면 기본값은 인스턴스 수입니다. int

CommandJobEnvironmentVariables

이름 묘사 값
{customized property} 문자열

CommandJobInputs

이름 묘사 값
{customized property} JobInput

JobInput

이름 묘사 값
묘사 입력에 대한 설명입니다. 문자열
jobInputType 개체 유형 설정 customModel
리터럴
MLFlowModel
MLTable
TritonModel
UriFile
UriFolder(필수)

CustomModelJobInput

이름 묘사 값
jobInputType [필수] 작업 유형을 지정합니다. "CustomModel"(필수)
모드 입력 자산 배달 모드입니다. "Direct"
"다운로드"
"EvalDownload"
"EvalMount"
"ReadOnlyMount"
"ReadWriteMount"
uri [필수] 입력 자산 URI입니다. string(필수)

제약 조건:
패턴 = [a-zA-Z0-9_]

LiteralJobInput

이름 묘사 값
jobInputType [필수] 작업 유형을 지정합니다. "Literal"(필수)
값 [필수] 입력에 대한 리터럴 값입니다. string(필수)

제약 조건:
패턴 = [a-zA-Z0-9_]

MLFlowModelJobInput

이름 묘사 값
jobInputType [필수] 작업 유형을 지정합니다. "MLFlowModel"(필수)
모드 입력 자산 배달 모드입니다. "Direct"
"다운로드"
"EvalDownload"
"EvalMount"
"ReadOnlyMount"
"ReadWriteMount"
uri [필수] 입력 자산 URI입니다. string(필수)

제약 조건:
패턴 = [a-zA-Z0-9_]

TritonModelJobInput

이름 묘사 값
jobInputType [필수] 작업 유형을 지정합니다. "TritonModel"(필수)
모드 입력 자산 배달 모드입니다. "Direct"
"다운로드"
"EvalDownload"
"EvalMount"
"ReadOnlyMount"
"ReadWriteMount"
uri [필수] 입력 자산 URI입니다. string(필수)

제약 조건:
패턴 = [a-zA-Z0-9_]

UriFileJobInput

이름 묘사 값
jobInputType [필수] 작업 유형을 지정합니다. "UriFile"(필수)
모드 입력 자산 배달 모드입니다. "Direct"
"다운로드"
"EvalDownload"
"EvalMount"
"ReadOnlyMount"
"ReadWriteMount"
uri [필수] 입력 자산 URI입니다. string(필수)

제약 조건:
패턴 = [a-zA-Z0-9_]

UriFolderJobInput

이름 묘사 값
jobInputType [필수] 작업 유형을 지정합니다. "UriFolder"(필수)
모드 입력 자산 배달 모드입니다. "Direct"
"다운로드"
"EvalDownload"
"EvalMount"
"ReadOnlyMount"
"ReadWriteMount"
uri [필수] 입력 자산 URI입니다. string(필수)

제약 조건:
패턴 = [a-zA-Z0-9_]

CommandJobLimits

이름 묘사 값
jobLimitsType [필수] JobLimit 형식입니다. "명령"
"Sweep"(필수)
타임 아웃 ISO 8601 형식의 최대 실행 기간이며, 그 후에 작업이 취소됩니다. 전체 자릿수가 초인 기간만 지원합니다. 문자열

CommandJobOutputs

이름 묘사 값
{customized property} JobOutput

PipelineJob

이름 묘사 값
jobType [필수] 작업 유형을 지정합니다. "파이프라인"(필수)
입력 파이프라인 작업에 대한 입력입니다. pipelineJobInputs
작업 작업은 파이프라인 작업을 생성합니다. pipelineJobJobs
출력 파이프라인 작업에 대한 출력 PipelineJobOutputs
설정 ContinueRunOnStepFailure 등의 파이프라인 설정

PipelineJobInputs

이름 묘사 값
{customized property} JobInput

PipelineJobJobs

이름 묘사 값
{customized property}

PipelineJobOutputs

이름 묘사 값
{customized property} JobOutput

SweepJob

이름 묘사 값
jobType [필수] 작업 유형을 지정합니다. "Sweep"(필수)
earlyTermination 조기 종료 정책을 사용하면 완료하기 전에 성능이 저하된 실행을 취소할 수 있습니다. earlyTerminationPolicy
입력 작업에 사용되는 입력 데이터 바인딩의 매핑입니다. SweepJobInputs
제한 스윕 작업 제한입니다. SweepJobLimits
목표 [필수] 최적화 목표입니다. Objective(필수)
출력 작업에 사용되는 출력 데이터 바인딩의 매핑입니다. SweepJobOutputs
samplingAlgorithm [필수] 하이퍼 매개 변수 샘플링 알고리즘 SamplingAlgorithm(필수)
searchSpace [필수] 각 매개 변수와 해당 분포를 포함하는 사전입니다. 사전 키는 매개 변수의 이름입니다.
재판 [필수] 평가판 구성 요소 정의입니다. trialComponent (필수)

SweepJobInputs

이름 묘사 값
{customized property} JobInput

SweepJobLimits

이름 묘사 값
jobLimitsType [필수] JobLimit 형식입니다. "명령"
"Sweep"(필수)
maxConcurrentTrials 작업 최대 동시 평가판을 스윕합니다. int
maxTotalTrials 스윕 작업 최대 총 평가판입니다. int
타임 아웃 ISO 8601 형식의 최대 실행 기간이며, 그 후에 작업이 취소됩니다. 전체 자릿수가 초인 기간만 지원합니다. 문자열
trialTimeout 비우기 작업 평가판 시간 제한 값입니다. 문자열

목표

이름 묘사 값
골 [필수] 하이퍼 매개 변수 튜닝에 지원되는 메트릭 목표를 정의합니다. "최대화"
"최소화"(필수)
primaryMetric [필수] 최적화할 메트릭의 이름입니다. string(필수)

제약 조건:
패턴 = [a-zA-Z0-9_]

SweepJobOutputs

이름 묘사 값
{customized property} JobOutput

SamplingAlgorithm

이름 묘사 값
samplingAlgorithmType 개체 유형 설정 베이지안
Grid
임의 (필수)

BayesianSamplingAlgorithm

이름 묘사 값
samplingAlgorithmType [필수] 구성 속성과 함께 하이퍼 매개 변수 값을 생성하는 데 사용되는 알고리즘 "Bayesian"(필수)

GridSamplingAlgorithm

이름 묘사 값
samplingAlgorithmType [필수] 구성 속성과 함께 하이퍼 매개 변수 값을 생성하는 데 사용되는 알고리즘 "Grid"(필수)

RandomSamplingAlgorithm

이름 묘사 값
samplingAlgorithmType [필수] 구성 속성과 함께 하이퍼 매개 변수 값을 생성하는 데 사용되는 알고리즘 "Random"(필수)
규칙 특정 유형의 임의 알고리즘 "Random"
"Sobol"
씨 난수 생성을 위한 시드로 사용할 선택적 정수입니다. int

TrialComponent

이름 묘사 값
codeId 코드 자산의 ARM 리소스 ID입니다. 문자열
명령 [필수] 작업을 시작할 때 실행할 명령입니다. 예. "python train.py" string(필수)

제약 조건:
최소 길이 = 1
패턴 = [a-zA-Z0-9_]
분포 작업의 배포 구성입니다. 설정된 경우 Mpi, Tensorflow, PyTorch 또는 null 중 하나여야 합니다. DistributionConfiguration
environmentId [필수] 작업에 대한 환경 사양의 ARM 리소스 ID입니다. string(필수)

제약 조건:
패턴 = [a-zA-Z0-9_]
environmentVariables 작업에 포함된 환경 변수입니다. trialComponentEnvironmentVariables
리소스 작업에 대한 컴퓨팅 리소스 구성입니다. resourceConfiguration

TrialComponentEnvironmentVariables

이름 묘사 값
{customized property} 문자열