Microsoft.MachineLearningServices 작업 영역/작업 2023-08-01-preview
Bicep 리소스 정의
작업 영역/작업 리소스 종류는 다음을 대상으로 하는 작업으로 배포할 수 있습니다.
- 리소스 그룹 - 리소스 그룹 배포 명령 참조
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@2023-08-01-preview' = {
name: 'string'
parent: resourceSymbolicName
properties: {
componentId: 'string'
computeId: 'string'
description: 'string'
displayName: 'string'
experimentName: 'string'
identity: {
identityType: 'string'
// For remaining properties, see IdentityConfiguration objects
}
isArchived: bool
notificationSetting: {
emailOn: [
'string'
]
emails: [
'string'
]
webhooks: {
{customized property}: {
eventType: 'string'
webhookType: 'string'
// For remaining properties, see Webhook objects
}
}
}
properties: {
{customized property}: 'string'
}
secretsConfiguration: {
{customized property}: {
uri: 'string'
workspaceSecretName: 'string'
}
}
services: {
{customized property}: {
endpoint: 'string'
jobServiceType: 'string'
nodes: {
nodesValueType: 'string'
// For remaining properties, see Nodes objects
}
port: int
properties: {
{customized property}: 'string'
}
}
}
tags: {}
jobType: 'string'
// For remaining properties, see JobBaseProperties objects
}
}
JobBaseProperties 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
}
}
queueSettings: {
jobTier: 'string'
priority: int
}
resources: {
dockerArgs: 'string'
instanceCount: int
instanceType: 'string'
locations: [
'string'
]
maxInstanceCount: int
properties: {
{customized property}: any()
}
shmSize: 'string'
}
taskDetails: {
logVerbosity: 'string'
targetColumnName: 'string'
trainingData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
taskType: 'string'
// For remaining properties, see AutoMLVertical objects
}
명령경우 다음을 사용합니다.
jobType: 'Command'
autologgerSettings: {
mlflowAutologger: 'string'
}
codeId: 'string'
command: 'string'
distribution: {
distributionType: 'string'
// For remaining properties, see DistributionConfiguration objects
}
environmentId: 'string'
environmentVariables: {
{customized property}: 'string'
}
inputs: {
{customized property}: {
description: 'string'
jobInputType: 'string'
// For remaining properties, see JobInput objects
}
}
limits: {
jobLimitsType: 'string'
timeout: 'string'
}
outputs: {
{customized property}: {
description: 'string'
jobOutputType: 'string'
// For remaining properties, see JobOutput objects
}
}
queueSettings: {
jobTier: 'string'
priority: int
}
resources: {
dockerArgs: 'string'
instanceCount: int
instanceType: 'string'
locations: [
'string'
]
maxInstanceCount: int
properties: {
{customized property}: any()
}
shmSize: 'string'
}
레이블 지정경우 다음을 사용합니다.
jobType: 'Labeling'
dataConfiguration: {
dataId: 'string'
incrementalDataRefresh: 'string'
}
jobInstructions: {
uri: 'string'
}
labelCategories: {
{customized property}: {
classes: {
{customized property}: {
displayName: 'string'
subclasses: {
{customized property}: {}
}
}
displayName: 'string'
multiSelect: 'string'
}
}
labelingJobMediaProperties: {
mediaType: 'string'
// For remaining properties, see LabelingJobMediaProperties objects
}
mlAssistConfiguration: {
mlAssist: 'string'
// For remaining properties, see MLAssistConfiguration objects
}
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()
sourceJobId: 'string'
spark
jobType: 'Spark'
archives: [
'string'
]
args: 'string'
codeId: 'string'
conf: {
{customized property}: 'string'
}
entry: {
sparkJobEntryType: 'string'
// For remaining properties, see SparkJobEntry objects
}
environmentId: 'string'
environmentVariables: {
{customized property}: 'string'
}
files: [
'string'
]
inputs: {
{customized property}: {
description: 'string'
jobInputType: 'string'
// For remaining properties, see JobInput objects
}
}
jars: [
'string'
]
outputs: {
{customized property}: {
description: 'string'
jobOutputType: 'string'
// For remaining properties, see JobOutput objects
}
}
pyFiles: [
'string'
]
queueSettings: {
jobTier: 'string'
priority: int
}
resources: {
instanceType: 'string'
runtimeVersion: 'string'
}
스윕경우 다음을 사용합니다.
jobType: 'Sweep'
componentConfiguration: {
pipelineSettings: any()
}
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
inputs: {
{customized property}: {
description: 'string'
jobInputType: 'string'
// For remaining properties, see JobInput objects
}
}
limits: {
jobLimitsType: 'string'
maxConcurrentTrials: int
maxTotalTrials: int
timeout: 'string'
trialTimeout: 'string'
}
objective: {
goal: 'string'
primaryMetric: 'string'
}
outputs: {
{customized property}: {
description: 'string'
jobOutputType: 'string'
// For remaining properties, see JobOutput objects
}
}
queueSettings: {
jobTier: 'string'
priority: int
}
resources: {
dockerArgs: 'string'
instanceCount: int
instanceType: 'string'
locations: [
'string'
]
maxInstanceCount: int
properties: {
{customized property}: any()
}
shmSize: 'string'
}
samplingAlgorithm: {
samplingAlgorithmType: 'string'
// For remaining properties, see SamplingAlgorithm objects
}
searchSpace: any()
trial: {
codeId: 'string'
command: 'string'
distribution: {
distributionType: 'string'
// For remaining properties, see DistributionConfiguration objects
}
environmentId: 'string'
environmentVariables: {
{customized property}: 'string'
}
resources: {
dockerArgs: 'string'
instanceCount: int
instanceType: 'string'
locations: [
'string'
]
maxInstanceCount: int
properties: {
{customized property}: any()
}
shmSize: 'string'
}
}
IdentityConfiguration 개체
identityType 속성을 설정하여 개체 유형을 지정합니다.
AMLToken
identityType: 'AMLToken'
관리되는경우 다음을 사용합니다.
identityType: 'Managed'
clientId: 'string'
objectId: 'string'
resourceId: 'string'
userIdentity
identityType: 'UserIdentity'
웹후크 개체
webhookType 속성을 설정하여 개체 유형을 지정합니다.
azureDevOps
webhookType: 'AzureDevOps'
노드 개체
nodesValueType 속성을 설정하여 개체 유형을 지정합니다.
모든
nodesValueType: 'All'
JobOutput 개체
jobOutputType 속성을 설정하여 개체 유형을 지정합니다.
custom_model경우 다음을 사용합니다.
jobOutputType: 'custom_model'
assetName: 'string'
assetVersion: 'string'
autoDeleteSetting: {
condition: 'string'
value: 'string'
}
mode: 'string'
uri: 'string'
mlflow_model경우 다음을 사용합니다.
jobOutputType: 'mlflow_model'
assetName: 'string'
assetVersion: 'string'
autoDeleteSetting: {
condition: 'string'
value: 'string'
}
mode: 'string'
uri: 'string'
mltable
jobOutputType: 'mltable'
assetName: 'string'
assetVersion: 'string'
autoDeleteSetting: {
condition: 'string'
value: 'string'
}
mode: 'string'
uri: 'string'
triton_model경우 다음을 사용합니다.
jobOutputType: 'triton_model'
assetName: 'string'
assetVersion: 'string'
autoDeleteSetting: {
condition: 'string'
value: 'string'
}
mode: 'string'
uri: 'string'
uri_file경우 다음을 사용합니다.
jobOutputType: 'uri_file'
assetName: 'string'
assetVersion: 'string'
autoDeleteSetting: {
condition: 'string'
value: 'string'
}
mode: 'string'
uri: 'string'
uri_folder경우 다음을 사용합니다.
jobOutputType: 'uri_folder'
assetName: 'string'
assetVersion: 'string'
autoDeleteSetting: {
condition: 'string'
value: 'string'
}
mode: 'string'
uri: 'string'
AutoMLVertical 개체
taskType 속성을 설정하여 개체 유형을 지정합니다.
분류경우 다음을 사용합니다.
taskType: 'Classification'
cvSplitColumnNames: [
'string'
]
featurizationSettings: {
blockedTransformers: [
'string'
]
columnNameAndTypes: {
{customized property}: 'string'
}
datasetLanguage: 'string'
enableDnnFeaturization: bool
mode: 'string'
transformerParams: {
{customized property}: [
{
fields: [
'string'
]
parameters: any()
}
]
}
}
fixedParameters: {
booster: 'string'
boostingType: 'string'
growPolicy: 'string'
learningRate: int
maxBin: int
maxDepth: int
maxLeaves: int
minDataInLeaf: int
minSplitGain: int
modelName: 'string'
nEstimators: int
numLeaves: int
preprocessorName: 'string'
regAlpha: int
regLambda: int
subsample: int
subsampleFreq: int
treeMethod: 'string'
withMean: bool
withStd: bool
}
limitSettings: {
enableEarlyTermination: bool
exitScore: int
maxConcurrentTrials: int
maxCoresPerTrial: int
maxNodes: int
maxTrials: int
sweepConcurrentTrials: int
sweepTrials: int
timeout: 'string'
trialTimeout: 'string'
}
nCrossValidations: {
mode: 'string'
// For remaining properties, see NCrossValidations objects
}
positiveLabel: 'string'
primaryMetric: 'string'
searchSpace: [
{
booster: 'string'
boostingType: 'string'
growPolicy: 'string'
learningRate: 'string'
maxBin: 'string'
maxDepth: 'string'
maxLeaves: 'string'
minDataInLeaf: 'string'
minSplitGain: 'string'
modelName: 'string'
nEstimators: 'string'
numLeaves: 'string'
preprocessorName: 'string'
regAlpha: 'string'
regLambda: 'string'
subsample: 'string'
subsampleFreq: 'string'
treeMethod: 'string'
withMean: 'string'
withStd: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm: 'string'
}
testData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
testDataSize: int
trainingSettings: {
allowedTrainingAlgorithms: [
'string'
]
blockedTrainingAlgorithms: [
'string'
]
enableDnnTraining: bool
enableModelExplainability: bool
enableOnnxCompatibleModels: bool
enableStackEnsemble: bool
enableVoteEnsemble: bool
ensembleModelDownloadTimeout: 'string'
stackEnsembleSettings: {
stackMetaLearnerKWargs: any()
stackMetaLearnerTrainPercentage: int
stackMetaLearnerType: 'string'
}
trainingMode: 'string'
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
weightColumnName: 'string'
예측경우 다음을 사용합니다.
taskType: 'Forecasting'
cvSplitColumnNames: [
'string'
]
featurizationSettings: {
blockedTransformers: [
'string'
]
columnNameAndTypes: {
{customized property}: 'string'
}
datasetLanguage: 'string'
enableDnnFeaturization: bool
mode: 'string'
transformerParams: {
{customized property}: [
{
fields: [
'string'
]
parameters: any()
}
]
}
}
fixedParameters: {
booster: 'string'
boostingType: 'string'
growPolicy: 'string'
learningRate: int
maxBin: int
maxDepth: int
maxLeaves: int
minDataInLeaf: int
minSplitGain: int
modelName: 'string'
nEstimators: int
numLeaves: int
preprocessorName: 'string'
regAlpha: int
regLambda: int
subsample: int
subsampleFreq: int
treeMethod: 'string'
withMean: bool
withStd: bool
}
forecastingSettings: {
countryOrRegionForHolidays: 'string'
cvStepSize: int
featureLags: 'string'
featuresUnknownAtForecastTime: [
'string'
]
forecastHorizon: {
mode: 'string'
// For remaining properties, see ForecastHorizon objects
}
frequency: 'string'
seasonality: {
mode: 'string'
// For remaining properties, see Seasonality objects
}
shortSeriesHandlingConfig: 'string'
targetAggregateFunction: 'string'
targetLags: {
mode: 'string'
// For remaining properties, see TargetLags objects
}
targetRollingWindowSize: {
mode: 'string'
// For remaining properties, see TargetRollingWindowSize objects
}
timeColumnName: 'string'
timeSeriesIdColumnNames: [
'string'
]
useStl: 'string'
}
limitSettings: {
enableEarlyTermination: bool
exitScore: int
maxConcurrentTrials: int
maxCoresPerTrial: int
maxNodes: int
maxTrials: int
sweepConcurrentTrials: int
sweepTrials: int
timeout: 'string'
trialTimeout: 'string'
}
nCrossValidations: {
mode: 'string'
// For remaining properties, see NCrossValidations objects
}
primaryMetric: 'string'
searchSpace: [
{
booster: 'string'
boostingType: 'string'
growPolicy: 'string'
learningRate: 'string'
maxBin: 'string'
maxDepth: 'string'
maxLeaves: 'string'
minDataInLeaf: 'string'
minSplitGain: 'string'
modelName: 'string'
nEstimators: 'string'
numLeaves: 'string'
preprocessorName: 'string'
regAlpha: 'string'
regLambda: 'string'
subsample: 'string'
subsampleFreq: 'string'
treeMethod: 'string'
withMean: 'string'
withStd: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm: 'string'
}
testData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
testDataSize: int
trainingSettings: {
allowedTrainingAlgorithms: [
'string'
]
blockedTrainingAlgorithms: [
'string'
]
enableDnnTraining: bool
enableModelExplainability: bool
enableOnnxCompatibleModels: bool
enableStackEnsemble: bool
enableVoteEnsemble: bool
ensembleModelDownloadTimeout: 'string'
stackEnsembleSettings: {
stackMetaLearnerKWargs: any()
stackMetaLearnerTrainPercentage: int
stackMetaLearnerType: 'string'
}
trainingMode: 'string'
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
weightColumnName: 'string'
imageClassification
taskType: 'ImageClassification'
limitSettings: {
maxConcurrentTrials: int
maxTrials: int
timeout: 'string'
}
modelSettings: {
advancedSettings: 'string'
amsGradient: bool
augmentations: 'string'
beta1: int
beta2: int
checkpointFrequency: int
checkpointModel: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
checkpointRunId: 'string'
distributed: bool
earlyStopping: bool
earlyStoppingDelay: int
earlyStoppingPatience: int
enableOnnxNormalization: bool
evaluationFrequency: int
gradientAccumulationStep: int
layersToFreeze: int
learningRate: int
learningRateScheduler: 'string'
modelName: 'string'
momentum: int
nesterov: bool
numberOfEpochs: int
numberOfWorkers: int
optimizer: 'string'
randomSeed: int
stepLRGamma: int
stepLRStepSize: int
trainingBatchSize: int
trainingCropSize: int
validationBatchSize: int
validationCropSize: int
validationResizeSize: int
warmupCosineLRCycles: int
warmupCosineLRWarmupEpochs: int
weightDecay: int
weightedLoss: int
}
primaryMetric: 'string'
searchSpace: [
{
amsGradient: 'string'
augmentations: 'string'
beta1: 'string'
beta2: 'string'
distributed: 'string'
earlyStopping: 'string'
earlyStoppingDelay: 'string'
earlyStoppingPatience: 'string'
enableOnnxNormalization: 'string'
evaluationFrequency: 'string'
gradientAccumulationStep: 'string'
layersToFreeze: 'string'
learningRate: 'string'
learningRateScheduler: 'string'
modelName: 'string'
momentum: 'string'
nesterov: 'string'
numberOfEpochs: 'string'
numberOfWorkers: 'string'
optimizer: 'string'
randomSeed: 'string'
stepLRGamma: 'string'
stepLRStepSize: 'string'
trainingBatchSize: 'string'
trainingCropSize: 'string'
validationBatchSize: 'string'
validationCropSize: 'string'
validationResizeSize: 'string'
warmupCosineLRCycles: 'string'
warmupCosineLRWarmupEpochs: 'string'
weightDecay: 'string'
weightedLoss: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm: 'string'
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
imageClassificationMultilabel
taskType: 'ImageClassificationMultilabel'
limitSettings: {
maxConcurrentTrials: int
maxTrials: int
timeout: 'string'
}
modelSettings: {
advancedSettings: 'string'
amsGradient: bool
augmentations: 'string'
beta1: int
beta2: int
checkpointFrequency: int
checkpointModel: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
checkpointRunId: 'string'
distributed: bool
earlyStopping: bool
earlyStoppingDelay: int
earlyStoppingPatience: int
enableOnnxNormalization: bool
evaluationFrequency: int
gradientAccumulationStep: int
layersToFreeze: int
learningRate: int
learningRateScheduler: 'string'
modelName: 'string'
momentum: int
nesterov: bool
numberOfEpochs: int
numberOfWorkers: int
optimizer: 'string'
randomSeed: int
stepLRGamma: int
stepLRStepSize: int
trainingBatchSize: int
trainingCropSize: int
validationBatchSize: int
validationCropSize: int
validationResizeSize: int
warmupCosineLRCycles: int
warmupCosineLRWarmupEpochs: int
weightDecay: int
weightedLoss: int
}
primaryMetric: 'string'
searchSpace: [
{
amsGradient: 'string'
augmentations: 'string'
beta1: 'string'
beta2: 'string'
distributed: 'string'
earlyStopping: 'string'
earlyStoppingDelay: 'string'
earlyStoppingPatience: 'string'
enableOnnxNormalization: 'string'
evaluationFrequency: 'string'
gradientAccumulationStep: 'string'
layersToFreeze: 'string'
learningRate: 'string'
learningRateScheduler: 'string'
modelName: 'string'
momentum: 'string'
nesterov: 'string'
numberOfEpochs: 'string'
numberOfWorkers: 'string'
optimizer: 'string'
randomSeed: 'string'
stepLRGamma: 'string'
stepLRStepSize: 'string'
trainingBatchSize: 'string'
trainingCropSize: 'string'
validationBatchSize: 'string'
validationCropSize: 'string'
validationResizeSize: 'string'
warmupCosineLRCycles: 'string'
warmupCosineLRWarmupEpochs: 'string'
weightDecay: 'string'
weightedLoss: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm: 'string'
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
imageInstanceSegmentation
taskType: 'ImageInstanceSegmentation'
limitSettings: {
maxConcurrentTrials: int
maxTrials: int
timeout: 'string'
}
modelSettings: {
advancedSettings: 'string'
amsGradient: bool
augmentations: 'string'
beta1: int
beta2: int
boxDetectionsPerImage: int
boxScoreThreshold: int
checkpointFrequency: int
checkpointModel: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
checkpointRunId: 'string'
distributed: bool
earlyStopping: bool
earlyStoppingDelay: int
earlyStoppingPatience: int
enableOnnxNormalization: bool
evaluationFrequency: int
gradientAccumulationStep: int
imageSize: int
layersToFreeze: int
learningRate: int
learningRateScheduler: 'string'
logTrainingMetrics: 'string'
logValidationLoss: 'string'
maxSize: int
minSize: int
modelName: 'string'
modelSize: 'string'
momentum: int
multiScale: bool
nesterov: bool
nmsIouThreshold: int
numberOfEpochs: int
numberOfWorkers: int
optimizer: 'string'
randomSeed: int
stepLRGamma: int
stepLRStepSize: int
tileGridSize: 'string'
tileOverlapRatio: int
tilePredictionsNmsThreshold: int
trainingBatchSize: int
validationBatchSize: int
validationIouThreshold: int
validationMetricType: 'string'
warmupCosineLRCycles: int
warmupCosineLRWarmupEpochs: int
weightDecay: int
}
primaryMetric: 'MeanAveragePrecision'
searchSpace: [
{
amsGradient: 'string'
augmentations: 'string'
beta1: 'string'
beta2: 'string'
boxDetectionsPerImage: 'string'
boxScoreThreshold: 'string'
distributed: 'string'
earlyStopping: 'string'
earlyStoppingDelay: 'string'
earlyStoppingPatience: 'string'
enableOnnxNormalization: 'string'
evaluationFrequency: 'string'
gradientAccumulationStep: 'string'
imageSize: 'string'
layersToFreeze: 'string'
learningRate: 'string'
learningRateScheduler: 'string'
maxSize: 'string'
minSize: 'string'
modelName: 'string'
modelSize: 'string'
momentum: 'string'
multiScale: 'string'
nesterov: 'string'
nmsIouThreshold: 'string'
numberOfEpochs: 'string'
numberOfWorkers: 'string'
optimizer: 'string'
randomSeed: 'string'
stepLRGamma: 'string'
stepLRStepSize: 'string'
tileGridSize: 'string'
tileOverlapRatio: 'string'
tilePredictionsNmsThreshold: 'string'
trainingBatchSize: 'string'
validationBatchSize: 'string'
validationIouThreshold: 'string'
validationMetricType: 'string'
warmupCosineLRCycles: 'string'
warmupCosineLRWarmupEpochs: 'string'
weightDecay: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm: 'string'
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
imageObjectDetection
taskType: 'ImageObjectDetection'
limitSettings: {
maxConcurrentTrials: int
maxTrials: int
timeout: 'string'
}
modelSettings: {
advancedSettings: 'string'
amsGradient: bool
augmentations: 'string'
beta1: int
beta2: int
boxDetectionsPerImage: int
boxScoreThreshold: int
checkpointFrequency: int
checkpointModel: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
checkpointRunId: 'string'
distributed: bool
earlyStopping: bool
earlyStoppingDelay: int
earlyStoppingPatience: int
enableOnnxNormalization: bool
evaluationFrequency: int
gradientAccumulationStep: int
imageSize: int
layersToFreeze: int
learningRate: int
learningRateScheduler: 'string'
logTrainingMetrics: 'string'
logValidationLoss: 'string'
maxSize: int
minSize: int
modelName: 'string'
modelSize: 'string'
momentum: int
multiScale: bool
nesterov: bool
nmsIouThreshold: int
numberOfEpochs: int
numberOfWorkers: int
optimizer: 'string'
randomSeed: int
stepLRGamma: int
stepLRStepSize: int
tileGridSize: 'string'
tileOverlapRatio: int
tilePredictionsNmsThreshold: int
trainingBatchSize: int
validationBatchSize: int
validationIouThreshold: int
validationMetricType: 'string'
warmupCosineLRCycles: int
warmupCosineLRWarmupEpochs: int
weightDecay: int
}
primaryMetric: 'MeanAveragePrecision'
searchSpace: [
{
amsGradient: 'string'
augmentations: 'string'
beta1: 'string'
beta2: 'string'
boxDetectionsPerImage: 'string'
boxScoreThreshold: 'string'
distributed: 'string'
earlyStopping: 'string'
earlyStoppingDelay: 'string'
earlyStoppingPatience: 'string'
enableOnnxNormalization: 'string'
evaluationFrequency: 'string'
gradientAccumulationStep: 'string'
imageSize: 'string'
layersToFreeze: 'string'
learningRate: 'string'
learningRateScheduler: 'string'
maxSize: 'string'
minSize: 'string'
modelName: 'string'
modelSize: 'string'
momentum: 'string'
multiScale: 'string'
nesterov: 'string'
nmsIouThreshold: 'string'
numberOfEpochs: 'string'
numberOfWorkers: 'string'
optimizer: 'string'
randomSeed: 'string'
stepLRGamma: 'string'
stepLRStepSize: 'string'
tileGridSize: 'string'
tileOverlapRatio: 'string'
tilePredictionsNmsThreshold: 'string'
trainingBatchSize: 'string'
validationBatchSize: 'string'
validationIouThreshold: 'string'
validationMetricType: 'string'
warmupCosineLRCycles: 'string'
warmupCosineLRWarmupEpochs: 'string'
weightDecay: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm: 'string'
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
회귀경우 다음을 사용합니다.
taskType: 'Regression'
cvSplitColumnNames: [
'string'
]
featurizationSettings: {
blockedTransformers: [
'string'
]
columnNameAndTypes: {
{customized property}: 'string'
}
datasetLanguage: 'string'
enableDnnFeaturization: bool
mode: 'string'
transformerParams: {
{customized property}: [
{
fields: [
'string'
]
parameters: any()
}
]
}
}
fixedParameters: {
booster: 'string'
boostingType: 'string'
growPolicy: 'string'
learningRate: int
maxBin: int
maxDepth: int
maxLeaves: int
minDataInLeaf: int
minSplitGain: int
modelName: 'string'
nEstimators: int
numLeaves: int
preprocessorName: 'string'
regAlpha: int
regLambda: int
subsample: int
subsampleFreq: int
treeMethod: 'string'
withMean: bool
withStd: bool
}
limitSettings: {
enableEarlyTermination: bool
exitScore: int
maxConcurrentTrials: int
maxCoresPerTrial: int
maxNodes: int
maxTrials: int
sweepConcurrentTrials: int
sweepTrials: int
timeout: 'string'
trialTimeout: 'string'
}
nCrossValidations: {
mode: 'string'
// For remaining properties, see NCrossValidations objects
}
primaryMetric: 'string'
searchSpace: [
{
booster: 'string'
boostingType: 'string'
growPolicy: 'string'
learningRate: 'string'
maxBin: 'string'
maxDepth: 'string'
maxLeaves: 'string'
minDataInLeaf: 'string'
minSplitGain: 'string'
modelName: 'string'
nEstimators: 'string'
numLeaves: 'string'
preprocessorName: 'string'
regAlpha: 'string'
regLambda: 'string'
subsample: 'string'
subsampleFreq: 'string'
treeMethod: 'string'
withMean: 'string'
withStd: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm: 'string'
}
testData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
testDataSize: int
trainingSettings: {
allowedTrainingAlgorithms: [
'string'
]
blockedTrainingAlgorithms: [
'string'
]
enableDnnTraining: bool
enableModelExplainability: bool
enableOnnxCompatibleModels: bool
enableStackEnsemble: bool
enableVoteEnsemble: bool
ensembleModelDownloadTimeout: 'string'
stackEnsembleSettings: {
stackMetaLearnerKWargs: any()
stackMetaLearnerTrainPercentage: int
stackMetaLearnerType: 'string'
}
trainingMode: 'string'
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
weightColumnName: 'string'
textClassification
taskType: 'TextClassification'
featurizationSettings: {
datasetLanguage: 'string'
}
fixedParameters: {
gradientAccumulationSteps: int
learningRate: int
learningRateScheduler: 'string'
modelName: 'string'
numberOfEpochs: int
trainingBatchSize: int
validationBatchSize: int
warmupRatio: int
weightDecay: int
}
limitSettings: {
maxConcurrentTrials: int
maxNodes: int
maxTrials: int
timeout: 'string'
trialTimeout: 'string'
}
primaryMetric: 'string'
searchSpace: [
{
gradientAccumulationSteps: 'string'
learningRate: 'string'
learningRateScheduler: 'string'
modelName: 'string'
numberOfEpochs: 'string'
trainingBatchSize: 'string'
validationBatchSize: 'string'
warmupRatio: 'string'
weightDecay: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm: 'string'
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
TextClassificationMultilabel
taskType: 'TextClassificationMultilabel'
featurizationSettings: {
datasetLanguage: 'string'
}
fixedParameters: {
gradientAccumulationSteps: int
learningRate: int
learningRateScheduler: 'string'
modelName: 'string'
numberOfEpochs: int
trainingBatchSize: int
validationBatchSize: int
warmupRatio: int
weightDecay: int
}
limitSettings: {
maxConcurrentTrials: int
maxNodes: int
maxTrials: int
timeout: 'string'
trialTimeout: 'string'
}
searchSpace: [
{
gradientAccumulationSteps: 'string'
learningRate: 'string'
learningRateScheduler: 'string'
modelName: 'string'
numberOfEpochs: 'string'
trainingBatchSize: 'string'
validationBatchSize: 'string'
warmupRatio: 'string'
weightDecay: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm: 'string'
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
TextNER
taskType: 'TextNER'
featurizationSettings: {
datasetLanguage: 'string'
}
fixedParameters: {
gradientAccumulationSteps: int
learningRate: int
learningRateScheduler: 'string'
modelName: 'string'
numberOfEpochs: int
trainingBatchSize: int
validationBatchSize: int
warmupRatio: int
weightDecay: int
}
limitSettings: {
maxConcurrentTrials: int
maxNodes: int
maxTrials: int
timeout: 'string'
trialTimeout: 'string'
}
searchSpace: [
{
gradientAccumulationSteps: 'string'
learningRate: 'string'
learningRateScheduler: 'string'
modelName: 'string'
numberOfEpochs: 'string'
trainingBatchSize: 'string'
validationBatchSize: 'string'
warmupRatio: 'string'
weightDecay: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm: 'string'
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
NCrossValidations 개체
개체 유형을 지정하려면 모드 속성을 설정합니다.
자동
mode: 'Auto'
사용자 지정
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
ForecastHorizon 개체
개체 유형을 지정하려면 모드 속성을 설정합니다.
자동
mode: 'Auto'
사용자 지정
mode: 'Custom'
value: int
계절성 개체
개체 유형을 지정하려면 모드 속성을 설정합니다.
자동
mode: 'Auto'
사용자 지정
mode: 'Custom'
value: int
TargetLags 개체
개체 유형을 지정하려면 모드 속성을 설정합니다.
자동
mode: 'Auto'
사용자 지정
mode: 'Custom'
values: [
int
]
TargetRollingWindowSize 개체
개체 유형을 지정하려면 모드 속성을 설정합니다.
자동
mode: 'Auto'
사용자 지정
mode: 'Custom'
value: int
DistributionConfiguration 개체
distributionType 속성을 설정하여 개체 유형을 지정합니다.
Mpi경우 다음을 사용합니다.
distributionType: 'Mpi'
processCountPerInstance: int
PyTorch
distributionType: 'PyTorch'
processCountPerInstance: int
Ray경우 다음을 사용합니다.
distributionType: 'Ray'
address: 'string'
dashboardPort: int
headNodeAdditionalArgs: 'string'
includeDashboard: bool
port: int
workerNodeAdditionalArgs: 'string'
TensorFlow경우 다음을 사용합니다.
distributionType: 'TensorFlow'
parameterServerCount: int
workerCount: int
JobInput 개체
개체 유형을 지정하려면 jobInputType 속성을 설정합니다.
custom_model경우 다음을 사용합니다.
jobInputType: 'custom_model'
mode: 'string'
uri: 'string'
리터럴경우 다음을 사용합니다.
jobInputType: 'literal'
value: 'string'
mlflow_model경우 다음을 사용합니다.
jobInputType: 'mlflow_model'
mode: 'string'
uri: 'string'
mltable
jobInputType: 'mltable'
mode: 'string'
uri: 'string'
triton_model경우 다음을 사용합니다.
jobInputType: 'triton_model'
mode: 'string'
uri: 'string'
uri_file경우 다음을 사용합니다.
jobInputType: 'uri_file'
mode: 'string'
uri: 'string'
uri_folder경우 다음을 사용합니다.
jobInputType: 'uri_folder'
mode: 'string'
uri: 'string'
LabelingJobMediaProperties 개체
mediaType 속성을 설정하여 개체 유형을 지정합니다.
이미지경우 다음을 사용합니다.
mediaType: 'Image'
annotationType: 'string'
텍스트
mediaType: 'Text'
annotationType: 'string'
MLAssistConfiguration 개체
mlAssist 속성을 설정하여 개체 유형을 지정합니다.
사용 안 함경우 다음을 사용합니다.
mlAssist: 'Disabled'
사용경우 다음을 사용합니다.
mlAssist: 'Enabled'
inferencingComputeBinding: 'string'
trainingComputeBinding: 'string'
SparkJobEntry 개체
sparkJobEntryType 속성을 설정하여 개체 유형을 지정합니다.
SparkJobPythonEntry경우 다음을 사용합니다.
sparkJobEntryType: 'SparkJobPythonEntry'
file: 'string'
SparkJobScalaEntry경우 다음을 사용합니다.
sparkJobEntryType: 'SparkJobScalaEntry'
className: 'string'
SamplingAlgorithm 개체
샘플링AlgorithmType 속성을 설정하여 개체 유형을 지정합니다.
Bayesian경우 다음을 사용합니다.
samplingAlgorithmType: 'Bayesian'
Grid경우 다음을 사용합니다.
samplingAlgorithmType: 'Grid'
임의
samplingAlgorithmType: 'Random'
logbase: 'string'
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 |
형식 리소스의 기호 이름: 작업 영역 |
| 속성 | [필수] 엔터티의 추가 특성입니다. | JobBaseProperties(필수) |
JobBaseProperties
| 이름 | 묘사 | 값 |
|---|---|---|
| componentId | 구성 요소 리소스의 ARM 리소스 ID입니다. | 문자열 |
| 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 |
| notificationSetting | 작업에 대한 알림 설정 | notificationSetting |
| 속성 | 자산 속성 사전입니다. | ResourceBaseProperties |
| secretsConfiguration | 런타임 중에 사용할 수 있는 비밀에 대한 구성입니다. | jobBaseSecretsConfiguration |
| 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 레이블 지정 파이프라인 Spark 스윕(필수) |
IdentityConfiguration
| 이름 | 묘사 | 값 |
|---|---|---|
| identityType | 개체 유형 설정 | AMLToken 관리되는 userIdentity |
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) |
NotificationSetting
| 이름 | 묘사 | 값 |
|---|---|---|
| emailOn | 지정된 알림 유형에서 사용자에게 전자 메일 알림 보내기 | 다음 중 어느 것을 포함하는 문자열 배열: 'JobCancelled' 'JobCompleted' 'JobFailed' |
| 전자 메일 | 쉼표 구분 기호를 사용하여 총 구성에서 499자로 제한되는 전자 메일 받는 사람 목록입니다. | string[] |
| 웹후크 | 서비스에 웹후크 콜백을 보냅니다. 키는 웹후크의 사용자 제공 이름입니다. | NotificationSettingWebhooks |
NotificationSettingWebhooks
| 이름 | 묘사 | 값 |
|---|---|---|
| {customized property} | 웹후크 |
웹후크
| 이름 | 묘사 | 값 |
|---|---|---|
| eventType | 지정된 알림 이벤트에 콜백 보내기 | 문자열 |
| webhookType | 개체 유형 설정 | AzureDevOps |
AzureDevOpsWebhook
| 이름 | 묘사 | 값 |
|---|---|---|
| webhookType | [필수] 콜백을 보낼 서비스 유형을 지정합니다. | 'AzureDevOps'(필수) |
ResourceBaseProperties
| 이름 | 묘사 | 값 |
|---|---|---|
| {customized property} | 문자열 |
JobBaseSecretsConfiguration
| 이름 | 묘사 | 값 |
|---|---|---|
| {customized property} | SecretConfiguration |
SecretConfiguration
| 이름 | 묘사 | 값 |
|---|---|---|
| uri | 비밀 Uri입니다. 샘플 URI: https://myvault.vault.azure.net/secrets/mysecretname/secretversion |
문자열 |
| workspaceSecretName | 작업 영역 키 자격 증명 모음의 비밀 이름입니다. | 문자열 |
JobBaseServices
| 이름 | 묘사 | 값 |
|---|---|---|
| {customized property} | jobService |
JobService
| 이름 | 묘사 | 값 |
|---|---|---|
| 끝점 | 엔드포인트의 URL입니다. | 문자열 |
| jobServiceType | 엔드포인트 유형입니다. | 문자열 |
| 노드 | 사용자가 서비스를 시작하려는 노드입니다. 노드가 null로 설정되거나 설정되지 않은 경우 서비스는 리더 노드에서만 시작됩니다. |
노드 |
| 항구 | 사용자가 설정한 엔드포인트에 대한 포트입니다. | int |
| 속성 | 엔드포인트에서 설정할 추가 속성입니다. | JobServiceProperties |
노드
| 이름 | 묘사 | 값 |
|---|---|---|
| nodesValueType | 개체 유형 설정 | 모든 |
AllNodes
| 이름 | 묘사 | 값 |
|---|---|---|
| nodesValueType | [필수] 노드 값의 형식 | 'All'(필수) |
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 |
| queueSettings | 작업에 대한 큐 설정 | QueueSettings |
| 리소스 | 작업에 대한 컴퓨팅 리소스 구성입니다. | JobResourceConfiguration |
| taskDetails | [필수] 테이블/NLP/이미지 중 하나일 수 있는 시나리오를 나타냅니다. | autoMLVertical |
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 |
custom_model mlflow_model mltable triton_model uri_file uri_folder(필수) |
CustomModelJobOutput
| 이름 | 묘사 | 값 |
|---|---|---|
| jobOutputType | [필수] 작업 유형을 지정합니다. | 'custom_model'(필수) |
| assetName | 출력 자산 이름입니다. | 문자열 |
| assetVersion | 출력 자산 버전입니다. | 문자열 |
| autoDeleteSetting | 출력 데이터 자산의 자동 삭제 설정입니다. | autoDeleteSetting |
| 모드 | 출력 자산 배달 모드입니다. | 'Direct' 'ReadWriteMount' '업로드' |
| uri | 출력 자산 URI입니다. | 문자열 |
AutoDeleteSetting
| 이름 | 묘사 | 값 |
|---|---|---|
| 조건 | 자산이 만료되었는지 확인하는 경우 | 'CreatedGreaterThan' 'LastAccessedGreaterThan' |
| 값 | 만료 조건 값입니다. | 문자열 |
MLFlowModelJobOutput
| 이름 | 묘사 | 값 |
|---|---|---|
| jobOutputType | [필수] 작업 유형을 지정합니다. | 'mlflow_model'(필수) |
| assetName | 출력 자산 이름입니다. | 문자열 |
| assetVersion | 출력 자산 버전입니다. | 문자열 |
| autoDeleteSetting | 출력 데이터 자산의 자동 삭제 설정입니다. | autoDeleteSetting |
| 모드 | 출력 자산 배달 모드입니다. | 'Direct' 'ReadWriteMount' '업로드' |
| uri | 출력 자산 URI입니다. | 문자열 |
MLTableJobOutput
| 이름 | 묘사 | 값 |
|---|---|---|
| jobOutputType | [필수] 작업 유형을 지정합니다. | 'mltable'(필수) |
| assetName | 출력 자산 이름입니다. | 문자열 |
| assetVersion | 출력 자산 버전입니다. | 문자열 |
| autoDeleteSetting | 출력 데이터 자산의 자동 삭제 설정입니다. | autoDeleteSetting |
| 모드 | 출력 자산 배달 모드입니다. | 'Direct' 'ReadWriteMount' '업로드' |
| uri | 출력 자산 URI입니다. | 문자열 |
TritonModelJobOutput
| 이름 | 묘사 | 값 |
|---|---|---|
| jobOutputType | [필수] 작업 유형을 지정합니다. | 'triton_model'(필수) |
| assetName | 출력 자산 이름입니다. | 문자열 |
| assetVersion | 출력 자산 버전입니다. | 문자열 |
| autoDeleteSetting | 출력 데이터 자산의 자동 삭제 설정입니다. | autoDeleteSetting |
| 모드 | 출력 자산 배달 모드입니다. | 'Direct' 'ReadWriteMount' '업로드' |
| uri | 출력 자산 URI입니다. | 문자열 |
UriFileJobOutput
| 이름 | 묘사 | 값 |
|---|---|---|
| jobOutputType | [필수] 작업 유형을 지정합니다. | 'uri_file'(필수) |
| assetName | 출력 자산 이름입니다. | 문자열 |
| assetVersion | 출력 자산 버전입니다. | 문자열 |
| autoDeleteSetting | 출력 데이터 자산의 자동 삭제 설정입니다. | autoDeleteSetting |
| 모드 | 출력 자산 배달 모드입니다. | 'Direct' 'ReadWriteMount' '업로드' |
| uri | 출력 자산 URI입니다. | 문자열 |
UriFolderJobOutput
| 이름 | 묘사 | 값 |
|---|---|---|
| jobOutputType | [필수] 작업 유형을 지정합니다. | 'uri_folder'(필수) |
| assetName | 출력 자산 이름입니다. | 문자열 |
| assetVersion | 출력 자산 버전입니다. | 문자열 |
| autoDeleteSetting | 출력 데이터 자산의 자동 삭제 설정입니다. | autoDeleteSetting |
| 모드 | 출력 자산 배달 모드입니다. | 'Direct' 'ReadWriteMount' '업로드' |
| uri | 출력 자산 URI입니다. | 문자열 |
QueueSettings
| 이름 | 묘사 | 값 |
|---|---|---|
| jobTier | 컴퓨팅 작업 계층을 제어합니다. | '기본' 'Null' '프리미엄' 'Spot' 'Standard' |
| 우선권 | 컴퓨팅에서 작업의 우선 순위를 제어합니다. | int |
JobResourceConfiguration
| 이름 | 묘사 | 값 |
|---|---|---|
| dockerArgs | Docker 실행 명령에 전달할 추가 인수입니다. 이렇게 하면 시스템 또는 이 섹션에서 이미 설정한 매개 변수가 재정의됩니다. 이 매개 변수는 Azure ML 컴퓨팅 유형에 대해서만 지원됩니다. | 문자열 |
| instanceCount | 컴퓨팅 대상에서 사용하는 인스턴스 또는 노드의 선택적 수입니다. | int |
| instanceType | 컴퓨팅 대상에서 지원하는 VM의 선택적 형식입니다. | 문자열 |
| 위치 | 작업을 실행할 수 있는 위치입니다. | string[] |
| maxInstanceCount | 컴퓨팅 대상에서 사용할 인스턴스 또는 노드의 선택적 최대 허용 수입니다. 탄력적 학습에 사용하기 위해 현재 PyTorch 배포 유형에서만 지원됩니다. |
int |
| 속성 | 추가 속성 모음. | resourceConfigurationProperties |
| shmSize | Docker 컨테이너의 공유 메모리 블록 크기입니다. 이 형식은 (number)(unit) 형식이어야 합니다. 여기서 숫자는 0보다 크고 단위는 b(바이트), k(킬로바이트), m(메가바이트) 또는 g(기가바이트) 중 하나일 수 있습니다. | 문자열 제약 조건: 패턴 = \d+[bBkKmMgG] |
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' |
| targetColumnName | 대상 열 이름: 예측 값 열입니다. 분류 작업의 컨텍스트에서 레이블 열 이름이라고도 합니다. |
문자열 |
| trainingData | [필수] 학습 데이터 입력입니다. | MLTableJobInput(필수) |
| taskType | 개체 유형 설정 |
분류 예측 imageClassification imageClassificationMultilabel ImageInstanceSegmentation ImageObjectDetection 회귀 TextClassification TextClassificationMultilabel TextNER |
MLTableJobInput
| 이름 | 묘사 | 값 |
|---|---|---|
| 묘사 | 입력에 대한 설명입니다. | 문자열 |
| jobInputType | [필수] 작업 유형을 지정합니다. | 'custom_model' 'literal' 'mlflow_model' 'mltable' 'triton_model' 'uri_file' 'uri_folder'(필수) |
| 모드 | 입력 자산 배달 모드입니다. | 'Direct' '다운로드' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
| uri | [필수] 입력 자산 URI입니다. | string(필수) 제약 조건: 최소 길이 = 1 패턴 = [a-zA-Z0-9_] |
분류
| 이름 | 묘사 | 값 |
|---|---|---|
| taskType | [필수] AutoMLJob의 작업 유형입니다. | '분류'(필수) |
| cvSplitColumnNames | CVSplit 데이터에 사용할 열입니다. | string[] |
| featurizationSettings | AutoML 작업에 필요한 기능화 입력입니다. | tableVerticalFeaturizationSettings |
| fixedParameters | 학습 내내 일정하게 유지되는 모델/학습 매개 변수입니다. | TableFixedParameters |
| limitSettings | AutoMLJob에 대한 실행 제약 조건입니다. | tableVerticalLimitSettings |
| nCrossValidations | 학습 데이터 세트에 적용할 교차 유효성 검사 접기 수 유효성 검사 데이터 세트가 제공되지 않으면 입니다. |
NCrossValidations |
| positiveLabel | 이진 메트릭 계산에 대한 양의 레이블입니다. | 문자열 |
| primaryMetric | 작업에 대한 기본 메트릭입니다. | 'AUCWeighted' '정확도' 'AveragePrecisionScoreWeighted' 'NormMacroRecall' 'PrecisionScoreWeighted' |
| searchSpace | 모델과 해당 하이퍼 매개 변수의 다양한 조합을 샘플링하기 위한 공간을 검색합니다. | tableParameterSubspace |
| sweepSettings | 모델 비우기 및 하이퍼 매개 변수 튜닝에 대한 설정입니다. | tableSweepSettings |
| testData | 데이터 입력을 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 |
| trainingSettings | AutoML 작업의 학습 단계에 대한 입력입니다. | ClassificationTrainingSettings |
| validationData | 유효성 검사 데이터 입력입니다. | 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 |
| weightColumnName | 샘플 가중치 열의 이름입니다. 자동화된 ML은 가중 열을 입력으로 지원하여 데이터의 행에 가중치를 적용하거나 줄입니다. | 문자열 |
TableVerticalFeaturizationSettings
| 이름 | 묘사 | 값 |
|---|---|---|
| blockedTransformers | 이러한 변압기는 기능화에 사용되지 않습니다. | 다음 중 어느 것을 포함하는 문자열 배열: 'CatTargetEncoder' 'CountVectorizer' 'HashOneHotEncoder' 'LabelEncoder' '나이브베이즈' 'OneHotEncoder' 'TextTargetEncoder' 'TfIdf' 'WoETargetEncoder' 'WordEmbedding' |
| columnNameAndTypes | 열 이름 및 해당 형식(int, float, string, datetime 등)의 사전입니다. | TableVerticalFeaturizationSettingsColumnNameAndTypes |
| datasetLanguage | 텍스트 데이터에 유용한 데이터 세트 언어입니다. | 문자열 |
| 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. |
TableFixedParameters
| 이름 | 묘사 | 값 |
|---|---|---|
| 부스터 | 부스팅 유형(예: XGBoost의 경우 gbdt)을 지정합니다. | 문자열 |
| boostingType | 증폭 유형(예: LightGBM의 경우 gbdt)을 지정합니다. | 문자열 |
| growPolicy | 새 노드가 트리에 추가되는 방식을 제어하는 증가 정책을 지정합니다. | 문자열 |
| learningRate | 학습 절차의 학습 속도입니다. | int |
| maxBin | 버킷 연속 기능에 대한 최대 불연속 bin 수를 지정합니다. | int |
| maxDepth | 트리 깊이를 명시적으로 제한하려면 최대 깊이를 지정합니다. | int |
| maxLeaves | 트리 잎을 명시적으로 제한하려면 최대 잎을 지정합니다. | int |
| minDataInLeaf | 리프당 최소 데이터 수입니다. | int |
| minSplitGain | 트리의 리프 노드에서 추가 파티션을 만드는 데 필요한 최소 손실 감소입니다. | int |
| modelName | 학습할 모델의 이름입니다. | 문자열 |
| nEstimators | 모델에서 트리(또는 반올림) 수를 지정합니다. | int |
| numLeaves | 나뭇잎 수를 지정합니다. | int |
| preprocessorName | 사용할 전처리기의 이름입니다. | 문자열 |
| regAlpha | 가중치에 대한 L1 정규화 용어입니다. | int |
| regLambda | 가중치에 대한 L2 정규화 용어입니다. | int |
| subsample | 학습 인스턴스의 하위 샘플 비율입니다. | int |
| subsampleFreq | 하위 샘플의 빈도입니다. | int |
| treeMethod | 트리 메서드를 지정합니다. | 문자열 |
| withMean | true이면 StandardScalar를 사용하여 데이터를 크기 조정하기 전에 가운데를 맞춥니다. | bool |
| withStd | true이면 StandardScalar를 사용하여 단위 분산을 사용하여 데이터 크기를 조정합니다. | bool |
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 |
| maxNodes | 실험에 사용할 최대 노드입니다. | int |
| maxTrials | 반복 횟수입니다. | int |
| sweepConcurrentTrials | 사용자가 트리거하려는 동시 스윕 실행의 수입니다. | int |
| sweepTrials | 사용자가 트리거하려는 스윕 실행 수입니다. | int |
| 타임 아웃 | AutoML 작업 시간 제한입니다. | 문자열 |
| trialTimeout | 반복 시간 제한입니다. | 문자열 |
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) |
TableParameterSubspace
| 이름 | 묘사 | 값 |
|---|---|---|
| 부스터 | 부스팅 유형(예: XGBoost의 경우 gbdt)을 지정합니다. | 문자열 |
| boostingType | 증폭 유형(예: LightGBM의 경우 gbdt)을 지정합니다. | 문자열 |
| growPolicy | 새 노드가 트리에 추가되는 방식을 제어하는 증가 정책을 지정합니다. | 문자열 |
| learningRate | 학습 절차의 학습 속도입니다. | 문자열 |
| maxBin | 버킷 연속 기능에 대한 최대 불연속 bin 수를 지정합니다. | 문자열 |
| maxDepth | 트리 깊이를 명시적으로 제한하려면 최대 깊이를 지정합니다. | 문자열 |
| maxLeaves | 트리 잎을 명시적으로 제한하려면 최대 잎을 지정합니다. | 문자열 |
| minDataInLeaf | 리프당 최소 데이터 수입니다. | 문자열 |
| minSplitGain | 트리의 리프 노드에서 추가 파티션을 만드는 데 필요한 최소 손실 감소입니다. | 문자열 |
| modelName | 학습할 모델의 이름입니다. | 문자열 |
| nEstimators | 모델에서 트리(또는 반올림) 수를 지정합니다. | 문자열 |
| numLeaves | 나뭇잎 수를 지정합니다. | 문자열 |
| preprocessorName | 사용할 전처리기의 이름입니다. | 문자열 |
| regAlpha | 가중치에 대한 L1 정규화 용어입니다. | 문자열 |
| regLambda | 가중치에 대한 L2 정규화 용어입니다. | 문자열 |
| subsample | 학습 인스턴스의 하위 샘플 비율입니다. | 문자열 |
| subsampleFreq | 하위 샘플의 빈도 | 문자열 |
| treeMethod | 트리 메서드를 지정합니다. | 문자열 |
| withMean | true이면 StandardScalar를 사용하여 데이터를 크기 조정하기 전에 가운데를 맞춥니다. | 문자열 |
| withStd | true이면 StandardScalar를 사용하여 단위 분산을 사용하여 데이터 크기를 조정합니다. | 문자열 |
TableSweepSettings
| 이름 | 묘사 | 값 |
|---|---|---|
| earlyTermination | 비우기 작업에 대한 조기 종료 정책 유형입니다. | earlyTerminationPolicy |
| samplingAlgorithm | [필수] 샘플링 알고리즘의 유형입니다. | '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 |
ClassificationTrainingSettings
| 이름 | 묘사 | 값 |
|---|---|---|
| allowedTrainingAlgorithms | 분류 작업에 허용되는 모델입니다. | 다음 중 어느 것을 포함하는 문자열 배열: '베르누울리나이브베이즈' 'DecisionTree' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LightGBM' 'LinearSVM' 'LogisticRegression' '멀티노미알나이브베이즈' 'RandomForest' 'SGD' 'SVM' 'XGBoostClassifier' |
| blockedTrainingAlgorithms | 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' |
| 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 |
| trainingMode | TrainingMode 모드 - 'auto'로 설정하는 것은 현재 '비균등'으로 설정하는 것과 같지만 나중에 혼합 모드 또는 추론 기반 모드 선택이 발생할 수 있습니다. 기본값은 'auto'입니다. 'Distributed'인 경우 분산 기능화만 사용되고 분산 알고리즘이 선택됩니다. 'NonDistributed'이면 분산되지 않은 알고리즘만 선택됩니다. |
'Auto' 'Distributed' 'NonDistributed' |
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) |
| cvSplitColumnNames | CVSplit 데이터에 사용할 열입니다. | string[] |
| featurizationSettings | AutoML 작업에 필요한 기능화 입력입니다. | tableVerticalFeaturizationSettings |
| fixedParameters | 학습 내내 일정하게 유지되는 모델/학습 매개 변수입니다. | TableFixedParameters |
| forecastingSettings | 예측 작업별 입력. | ForecastingSettings |
| limitSettings | AutoMLJob에 대한 실행 제약 조건입니다. | tableVerticalLimitSettings |
| nCrossValidations | 학습 데이터 세트에 적용할 교차 유효성 검사 접기 수 유효성 검사 데이터 세트가 제공되지 않으면 입니다. |
NCrossValidations |
| primaryMetric | 예측 작업에 대한 기본 메트릭입니다. | 'NormalizedMeanAbsoluteError' 'NormalizedRootMeanSquaredError' 'R2Score' '스피어만코렐레이션' |
| searchSpace | 모델과 해당 하이퍼 매개 변수의 다양한 조합을 샘플링하기 위한 공간을 검색합니다. | tableParameterSubspace |
| sweepSettings | 모델 비우기 및 하이퍼 매개 변수 튜닝에 대한 설정입니다. | tableSweepSettings |
| testData | 데이터 입력을 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 |
| trainingSettings | AutoML 작업의 학습 단계에 대한 입력입니다. | ForecastingTrainingSettings |
| validationData | 유효성 검사 데이터 입력입니다. | 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 |
| weightColumnName | 샘플 가중치 열의 이름입니다. 자동화된 ML은 가중 열을 입력으로 지원하여 데이터의 행에 가중치를 적용하거나 줄입니다. | 문자열 |
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' |
| featuresUnknownAtForecastTime | 학습에 사용할 수 있지만 예측/유추 시 알 수 없는 기능 열입니다. features_unknown_at_forecast_time 설정되지 않은 경우 데이터 세트의 모든 기능 열이 유추 시간에 알려진 것으로 간주됩니다. |
string[] |
| 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) |
ForecastingTrainingSettings
| 이름 | 묘사 | 값 |
|---|---|---|
| allowedTrainingAlgorithms | 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' |
| blockedTrainingAlgorithms | 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' |
| 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 |
| trainingMode | TrainingMode 모드 - 'auto'로 설정하는 것은 현재 '비균등'으로 설정하는 것과 같지만 나중에 혼합 모드 또는 추론 기반 모드 선택이 발생할 수 있습니다. 기본값은 'auto'입니다. 'Distributed'인 경우 분산 기능화만 사용되고 분산 알고리즘이 선택됩니다. 'NonDistributed'이면 분산되지 않은 알고리즘만 선택됩니다. |
'Auto' 'Distributed' 'NonDistributed' |
ImageClassification
| 이름 | 묘사 | 값 |
|---|---|---|
| taskType | [필수] AutoMLJob의 작업 유형입니다. | 'ImageClassification'(필수) |
| limitSettings | [필수] AutoML 작업에 대한 설정을 제한합니다. | ImageLimitSettings |
| 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 |
| validationData | 유효성 검사 데이터 입력입니다. | 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 |
| checkpointFrequency | 모델 검사점을 저장하는 빈도입니다. 양의 정수여야 합니다. | int |
| checkpointModel | 증분 학습을 위한 미리 학습된 검사점 모델입니다. | MLFlowModelJobInput |
| 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 |
| 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 |
MLFlowModelJobInput
| 이름 | 묘사 | 값 |
|---|---|---|
| 묘사 | 입력에 대한 설명입니다. | 문자열 |
| jobInputType | [필수] 작업 유형을 지정합니다. | 'custom_model' 'literal' 'mlflow_model' 'mltable' 'triton_model' 'uri_file' 'uri_folder'(필수) |
| 모드 | 입력 자산 배달 모드입니다. | 'Direct' '다운로드' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
| uri | [필수] 입력 자산 URI입니다. | string(필수) 제약 조건: 최소 길이 = 1 패턴 = [a-zA-Z0-9_] |
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 |
| 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 |
| samplingAlgorithm | [필수] 하이퍼 매개 변수 샘플링 알고리즘의 형식입니다. | '베이지안' 'Grid' 'Random'(필수) |
ImageClassificationMultilabel
| 이름 | 묘사 | 값 |
|---|---|---|
| taskType | [필수] AutoMLJob의 작업 유형입니다. | 'ImageClassificationMultilabel'(필수) |
| limitSettings | [필수] AutoML 작업에 대한 설정을 제한합니다. | ImageLimitSettings |
| 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 |
| validationData | 유효성 검사 데이터 입력입니다. | 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 |
ImageInstanceSegmentation
| 이름 | 묘사 | 값 |
|---|---|---|
| taskType | [필수] AutoMLJob의 작업 유형입니다. | 'ImageInstanceSegmentation'(필수) |
| limitSettings | [필수] AutoML 작업에 대한 설정을 제한합니다. | ImageLimitSettings |
| 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 |
| validationData | 유효성 검사 데이터 입력입니다. | 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 |
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 |
| checkpointFrequency | 모델 검사점을 저장하는 빈도입니다. 양의 정수여야 합니다. | int |
| checkpointModel | 증분 학습을 위한 미리 학습된 검사점 모델입니다. | MLFlowModelJobInput |
| 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' |
| logTrainingMetrics | 컴퓨팅 및 로깅 학습 메트릭을 사용하도록 설정합니다. | 'Disable' '사용' |
| logValidationLoss | 컴퓨팅 및 로깅 유효성 검사 손실을 사용하도록 설정합니다. | 'Disable' '사용' |
| 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 |
| 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 |
| 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) |
| limitSettings | [필수] AutoML 작업에 대한 설정을 제한합니다. | ImageLimitSettings |
| 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 |
| validationData | 유효성 검사 데이터 입력입니다. | 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 |
회귀
| 이름 | 묘사 | 값 |
|---|---|---|
| taskType | [필수] AutoMLJob의 작업 유형입니다. | '회귀'(필수) |
| cvSplitColumnNames | CVSplit 데이터에 사용할 열입니다. | string[] |
| featurizationSettings | AutoML 작업에 필요한 기능화 입력입니다. | tableVerticalFeaturizationSettings |
| fixedParameters | 학습 내내 일정하게 유지되는 모델/학습 매개 변수입니다. | TableFixedParameters |
| limitSettings | AutoMLJob에 대한 실행 제약 조건입니다. | tableVerticalLimitSettings |
| nCrossValidations | 학습 데이터 세트에 적용할 교차 유효성 검사 접기 수 유효성 검사 데이터 세트가 제공되지 않으면 입니다. |
NCrossValidations |
| primaryMetric | 회귀 태스크에 대한 기본 메트릭입니다. | 'NormalizedMeanAbsoluteError' 'NormalizedRootMeanSquaredError' 'R2Score' '스피어만코렐레이션' |
| searchSpace | 모델과 해당 하이퍼 매개 변수의 다양한 조합을 샘플링하기 위한 공간을 검색합니다. | tableParameterSubspace |
| sweepSettings | 모델 비우기 및 하이퍼 매개 변수 튜닝에 대한 설정입니다. | tableSweepSettings |
| testData | 데이터 입력을 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 |
| trainingSettings | AutoML 작업의 학습 단계에 대한 입력입니다. | RegressionTrainingSettings |
| validationData | 유효성 검사 데이터 입력입니다. | 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 |
| weightColumnName | 샘플 가중치 열의 이름입니다. 자동화된 ML은 가중 열을 입력으로 지원하여 데이터의 행에 가중치를 적용하거나 줄입니다. | 문자열 |
RegressionTrainingSettings
| 이름 | 묘사 | 값 |
|---|---|---|
| allowedTrainingAlgorithms | 회귀 태스크에 허용되는 모델입니다. | 다음 중 어느 것을 포함하는 문자열 배열: 'DecisionTree' 'ElasticNet' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'RandomForest' 'SGD' 'XGBoostRegressor' |
| blockedTrainingAlgorithms | 회귀 태스크에 대한 차단된 모델입니다. | 다음 중 어느 것을 포함하는 문자열 배열: 'DecisionTree' 'ElasticNet' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'RandomForest' 'SGD' 'XGBoostRegressor' |
| 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 |
| trainingMode | TrainingMode 모드 - 'auto'로 설정하는 것은 현재 '비균등'으로 설정하는 것과 같지만 나중에 혼합 모드 또는 추론 기반 모드 선택이 발생할 수 있습니다. 기본값은 'auto'입니다. 'Distributed'인 경우 분산 기능화만 사용되고 분산 알고리즘이 선택됩니다. 'NonDistributed'이면 분산되지 않은 알고리즘만 선택됩니다. |
'Auto' 'Distributed' 'NonDistributed' |
TextClassification
| 이름 | 묘사 | 값 |
|---|---|---|
| taskType | [필수] AutoMLJob의 작업 유형입니다. | 'TextClassification'(필수) |
| featurizationSettings | AutoML 작업에 필요한 기능화 입력입니다. | NlpVerticalFeaturizationSettings |
| fixedParameters | 학습 내내 일정하게 유지되는 모델/학습 매개 변수입니다. | nlpFixedParameters |
| limitSettings | AutoMLJob에 대한 실행 제약 조건입니다. | nlpVerticalLimitSettings |
| primaryMetric | Text-Classification 작업에 대한 기본 메트릭입니다. | 'AUCWeighted' '정확도' 'AveragePrecisionScoreWeighted' 'NormMacroRecall' 'PrecisionScoreWeighted' |
| searchSpace | 모델과 해당 하이퍼 매개 변수의 다양한 조합을 샘플링하기 위한 공간을 검색합니다. | NlpParameterSubspace[] |
| sweepSettings | 모델 비우기 및 하이퍼 매개 변수 튜닝에 대한 설정입니다. | nlpSweepSettings |
| validationData | 유효성 검사 데이터 입력입니다. | MLTableJobInput |
NlpVerticalFeaturizationSettings
| 이름 | 묘사 | 값 |
|---|---|---|
| datasetLanguage | 텍스트 데이터에 유용한 데이터 세트 언어입니다. | 문자열 |
NlpFixedParameters
| 이름 | 묘사 | 값 |
|---|---|---|
| gradientAccumulationSteps | 뒤로 패스를 실행하기 전에 그라데이션을 누적하는 단계 수입니다. | int |
| learningRate | 학습 절차의 학습 속도입니다. | int |
| learningRateScheduler | 학습 절차 중에 사용할 학습 속도 일정의 유형입니다. | '상수' 'ConstantWithWarmup' '코사인' 'CosineWithRestarts' '선형' 'None' '다항식' |
| modelName | 학습할 모델의 이름입니다. | 문자열 |
| numberOfEpochs | 학습 epoch의 수입니다. | int |
| trainingBatchSize | 학습 절차의 일괄 처리 크기입니다. | int |
| validationBatchSize | 평가 중에 사용할 일괄 처리 크기입니다. | int |
| warmupRatio | LrSchedulerType과 함께 사용되는 준비 비율입니다. | int |
| weightDecay | 학습 절차의 체중 감소입니다. | int |
NlpVerticalLimitSettings
| 이름 | 묘사 | 값 |
|---|---|---|
| maxConcurrentTrials | 최대 동시 AutoML 반복입니다. | int |
| maxNodes | 실험에 사용할 최대 노드입니다. | int |
| maxTrials | AutoML 반복 횟수입니다. | int |
| 타임 아웃 | AutoML 작업 시간 제한입니다. | 문자열 |
| trialTimeout | 개별 HD 평가판에 대한 시간 제한입니다. | 문자열 |
NlpParameterSubspace
| 이름 | 묘사 | 값 |
|---|---|---|
| gradientAccumulationSteps | 뒤로 패스를 실행하기 전에 그라데이션을 누적하는 단계 수입니다. | 문자열 |
| learningRate | 학습 절차의 학습 속도입니다. | 문자열 |
| learningRateScheduler | 학습 절차 중에 사용할 학습 속도 일정의 유형입니다. | 문자열 |
| modelName | 학습할 모델의 이름입니다. | 문자열 |
| numberOfEpochs | 학습 epoch의 수입니다. | 문자열 |
| trainingBatchSize | 학습 절차의 일괄 처리 크기입니다. | 문자열 |
| validationBatchSize | 평가 중에 사용할 일괄 처리 크기입니다. | 문자열 |
| warmupRatio | LrSchedulerType과 함께 사용되는 준비 비율입니다. | 문자열 |
| weightDecay | 학습 절차의 체중 감소입니다. | 문자열 |
NlpSweepSettings
| 이름 | 묘사 | 값 |
|---|---|---|
| earlyTermination | 비우기 작업에 대한 조기 종료 정책 유형입니다. | earlyTerminationPolicy |
| samplingAlgorithm | [필수] 샘플링 알고리즘의 유형입니다. | '베이지안' 'Grid' 'Random'(필수) |
TextClassificationMultilabel
| 이름 | 묘사 | 값 |
|---|---|---|
| taskType | [필수] AutoMLJob의 작업 유형입니다. | 'TextClassificationMultilabel'(필수) |
| featurizationSettings | AutoML 작업에 필요한 기능화 입력입니다. | NlpVerticalFeaturizationSettings |
| fixedParameters | 학습 내내 일정하게 유지되는 모델/학습 매개 변수입니다. | nlpFixedParameters |
| limitSettings | AutoMLJob에 대한 실행 제약 조건입니다. | nlpVerticalLimitSettings |
| searchSpace | 모델과 해당 하이퍼 매개 변수의 다양한 조합을 샘플링하기 위한 공간을 검색합니다. | NlpParameterSubspace[] |
| sweepSettings | 모델 비우기 및 하이퍼 매개 변수 튜닝에 대한 설정입니다. | nlpSweepSettings |
| validationData | 유효성 검사 데이터 입력입니다. | MLTableJobInput |
TextNer
| 이름 | 묘사 | 값 |
|---|---|---|
| taskType | [필수] AutoMLJob의 작업 유형입니다. | 'TextNER'(필수) |
| featurizationSettings | AutoML 작업에 필요한 기능화 입력입니다. | NlpVerticalFeaturizationSettings |
| fixedParameters | 학습 내내 일정하게 유지되는 모델/학습 매개 변수입니다. | nlpFixedParameters |
| limitSettings | AutoMLJob에 대한 실행 제약 조건입니다. | nlpVerticalLimitSettings |
| searchSpace | 모델과 해당 하이퍼 매개 변수의 다양한 조합을 샘플링하기 위한 공간을 검색합니다. | NlpParameterSubspace[] |
| sweepSettings | 모델 비우기 및 하이퍼 매개 변수 튜닝에 대한 설정입니다. | nlpSweepSettings |
| validationData | 유효성 검사 데이터 입력입니다. | MLTableJobInput |
CommandJob
| 이름 | 묘사 | 값 |
|---|---|---|
| jobType | [필수] 작업 유형을 지정합니다. | 'Command'(필수) |
| autologgerSettings | 작업의 배포 구성입니다. 설정된 경우 Mpi, Tensorflow, PyTorch 또는 null 중 하나여야 합니다. | AutologgerSettings |
| 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, Ray 또는 null 중 하나여야 합니다. | DistributionConfiguration |
| environmentId | [필수] 작업에 대한 환경 사양의 ARM 리소스 ID입니다. | string(필수) 제약 조건: 최소 길이 = 1 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 |
| queueSettings | 작업에 대한 큐 설정 | QueueSettings |
| 리소스 | 작업에 대한 컴퓨팅 리소스 구성입니다. | JobResourceConfiguration |
AutologgerSettings
| 이름 | 묘사 | 값 |
|---|---|---|
| mlflowAutologger | [필수] mlflow 자동 로그기를 사용할 수 있는지 여부를 나타냅니다. | '사용 안 함' 'Enabled'(필수) |
DistributionConfiguration
| 이름 | 묘사 | 값 |
|---|---|---|
| distributionType | 개체 유형 설정 |
Mpi PyTorch 레이 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 |
광선
| 이름 | 묘사 | 값 |
|---|---|---|
| distributionType | [필수] 배포 프레임워크의 유형을 지정합니다. | 'Ray'(필수) |
| 주소 | Ray 헤드 노드의 주소입니다. | 문자열 |
| dashboardPort | 대시보드 서버를 바인딩할 포트입니다. | int |
| headNodeAdditionalArgs | 헤드 노드에서 광선 시작에 전달되는 추가 인수입니다. | 문자열 |
| includeDashboard | Ray 대시보드 GUI를 시작하려면 이 인수를 제공합니다. | bool |
| 항구 | 헤드 레이 프로세스의 포트입니다. | int |
| workerNodeAdditionalArgs | 작업자 노드에서 광선 시작에 전달된 추가 인수입니다. | 문자열 |
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 |
custom_model 리터럴 mlflow_model mltable triton_model uri_file uri_folder(필수) |
CustomModelJobInput
| 이름 | 묘사 | 값 |
|---|---|---|
| jobInputType | [필수] 작업 유형을 지정합니다. | 'custom_model'(필수) |
| 모드 | 입력 자산 배달 모드입니다. | 'Direct' '다운로드' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
| uri | [필수] 입력 자산 URI입니다. | string(필수) 제약 조건: 최소 길이 = 1 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: 최소 길이 = 1 패턴 = [a-zA-Z0-9_] |
TritonModelJobInput
| 이름 | 묘사 | 값 |
|---|---|---|
| jobInputType | [필수] 작업 유형을 지정합니다. | 'triton_model'(필수) |
| 모드 | 입력 자산 배달 모드입니다. | 'Direct' '다운로드' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
| uri | [필수] 입력 자산 URI입니다. | string(필수) 제약 조건: 최소 길이 = 1 패턴 = [a-zA-Z0-9_] |
UriFileJobInput
| 이름 | 묘사 | 값 |
|---|---|---|
| jobInputType | [필수] 작업 유형을 지정합니다. | 'uri_file'(필수) |
| 모드 | 입력 자산 배달 모드입니다. | 'Direct' '다운로드' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
| uri | [필수] 입력 자산 URI입니다. | string(필수) 제약 조건: 최소 길이 = 1 패턴 = [a-zA-Z0-9_] |
UriFolderJobInput
| 이름 | 묘사 | 값 |
|---|---|---|
| jobInputType | [필수] 작업 유형을 지정합니다. | 'uri_folder'(필수) |
| 모드 | 입력 자산 배달 모드입니다. | 'Direct' '다운로드' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
| uri | [필수] 입력 자산 URI입니다. | string(필수) 제약 조건: 최소 길이 = 1 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 |
LabelingJobProperties
| 이름 | 묘사 | 값 |
|---|---|---|
| componentId | 구성 요소 리소스의 ARM 리소스 ID입니다. | 문자열 |
| computeId | 컴퓨팅 리소스의 ARM 리소스 ID입니다. | 문자열 |
| dataConfiguration | 작업에 사용되는 데이터의 구성입니다. | labelingDataConfiguration |
| 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 |
| jobInstructions | 작업의 지침에 레이블을 지정합니다. | LabelingJobInstructions |
| jobType | [필수] 작업 유형을 지정합니다. | 'AutoML' 'Command' '레이블 지정' '파이프라인' 'Spark' 'Sweep'(필수) |
| labelCategories | 작업의 레이블 범주입니다. | LabelingJobLabelCategories |
| labelingJobMediaProperties | 작업에서 미디어 유형별 속성입니다. | LabelingJobMediaProperties |
| mlAssistConfiguration | 작업에서 MLAssist 기능의 구성입니다. | MLAssistConfiguration |
| notificationSetting | 작업에 대한 알림 설정 | notificationSetting |
| 속성 | 자산 속성 사전입니다. | ResourceBaseProperties |
| secretsConfiguration | 런타임 중에 사용할 수 있는 비밀에 대한 구성입니다. | jobBaseSecretsConfiguration |
| 서비스 | JobEndpoints 목록입니다. 로컬 작업의 경우 작업 엔드포인트의 엔드포인트 값은 FileStreamObject입니다. |
JobBaseServices |
| 태그 | 태그 사전입니다. 태그를 추가, 제거 및 업데이트할 수 있습니다. | 객체 |
LabelingDataConfiguration
| 이름 | 묘사 | 값 |
|---|---|---|
| dataId | 레이블 지정을 수행할 데이터 자산의 리소스 ID입니다. | 문자열 |
| incrementalDataRefresh | 증분 데이터 새로 고침을 사용할지 여부를 나타냅니다. | '사용 안 함' 'Enabled' |
LabelingJobInstructions
| 이름 | 묘사 | 값 |
|---|---|---|
| uri | 레이블 지정에 대한 자세한 레이블 지정 지침이 있는 페이지에 대한 링크입니다. | 문자열 |
LabelingJobLabelCategories
| 이름 | 묘사 | 값 |
|---|---|---|
| {customized property} | LabelCategory |
LabelCategory
| 이름 | 묘사 | 값 |
|---|---|---|
| 클래스 | 이 범주의 레이블 클래스 사전입니다. | LabelCategoryClasses |
| displayName | 레이블 범주의 표시 이름입니다. | 문자열 |
| multiSelect | 이 범주에서 여러 클래스를 선택할 수 있는지 여부를 나타냅니다. | '사용 안 함' 'Enabled' |
LabelCategoryClasses
| 이름 | 묘사 | 값 |
|---|---|---|
| {customized property} | labelClass |
LabelClass
| 이름 | 묘사 | 값 |
|---|---|---|
| displayName | 레이블 클래스의 표시 이름입니다. | 문자열 |
| 서브 클래스 | 레이블 클래스의 하위 클래스 사전입니다. | LabelClassSubclasses |
LabelClassSubclasses
| 이름 | 묘사 | 값 |
|---|---|---|
| {customized property} | labelClass |
LabelingJobMediaProperties
| 이름 | 묘사 | 값 |
|---|---|---|
| mediaType | 개체 유형 설정 |
이미지 텍스트(필수) |
LabelingJobImageProperties
| 이름 | 묘사 | 값 |
|---|---|---|
| mediaType | [필수] 작업의 미디어 유형입니다. | 'Image'(필수) |
| annotationType | 이미지 레이블 지정 작업의 주석 유형입니다. | 'BoundingBox' '분류' 'InstanceSegmentation' |
LabelingJobTextProperties
| 이름 | 묘사 | 값 |
|---|---|---|
| mediaType | [필수] 작업의 미디어 유형입니다. | 'Text'(필수) |
| annotationType | 텍스트 레이블 지정 작업의 주석 형식입니다. | '분류' 'NamedEntityRecognition' |
MLAssistConfiguration
| 이름 | 묘사 | 값 |
|---|---|---|
| mlAssist | 개체 유형 설정 |
사용 안 함 사용(필수) |
MLAssistConfigurationDisabled
| 이름 | 묘사 | 값 |
|---|---|---|
| mlAssist | [필수] MLAssist 기능을 사용할 수 있는지 여부를 나타냅니다. | 'Disabled'(필수) |
MLAssistConfigurationEnabled
| 이름 | 묘사 | 값 |
|---|---|---|
| mlAssist | [필수] MLAssist 기능을 사용할 수 있는지 여부를 나타냅니다. | 'Enabled'(필수) |
| inferencingComputeBinding | [필수] 추론에 사용되는 AML 컴퓨팅 바인딩입니다. | string(필수) 제약 조건: 최소 길이 = 1 패턴 = [a-zA-Z0-9_] |
| trainingComputeBinding | [필수] 학습에 사용되는 AML 컴퓨팅 바인딩입니다. | string(필수) 제약 조건: 최소 길이 = 1 패턴 = [a-zA-Z0-9_] |
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. |
| sourceJobId | 원본 작업의 ARM 리소스 ID입니다. | 문자열 |
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 |
SparkJob
| 이름 | 묘사 | 값 |
|---|---|---|
| jobType | [필수] 작업 유형을 지정합니다. | 'Spark'(필수) |
| 공문서 | 작업에 사용되는 파일을 보관합니다. | string[] |
| 인수(args) | 작업에 대한 인수입니다. | 문자열 |
| codeId | [필수] 코드 자산의 ARM 리소스 ID입니다. | string(필수) 제약 조건: 최소 길이 = 1 패턴 = [a-zA-Z0-9_] |
| conf | Spark가 구성한 속성입니다. | SparkJobConf |
| 항목 | [필수] 작업을 시작할 때 실행할 항목입니다. | SparkJobEntry(필수) |
| environmentId | 작업에 대한 환경 사양의 ARM 리소스 ID입니다. | 문자열 |
| environmentVariables | 작업에 포함된 환경 변수입니다. | SparkJobEnvironmentVariables |
| 파일 | 작업에 사용되는 파일입니다. | string[] |
| 입력 | 작업에 사용되는 입력 데이터 바인딩의 매핑입니다. | SparkJobInputs |
| 항아리 | 작업에 사용되는 Jar 파일입니다. | string[] |
| 출력 | 작업에 사용되는 출력 데이터 바인딩의 매핑입니다. | SparkJobOutputs |
| pyFiles | 작업에 사용되는 Python 파일입니다. | string[] |
| queueSettings | 작업에 대한 큐 설정 | QueueSettings |
| 리소스 | 작업에 대한 컴퓨팅 리소스 구성입니다. | SparkResourceConfiguration |
SparkJobConf
| 이름 | 묘사 | 값 |
|---|---|---|
| {customized property} | 문자열 |
SparkJobEntry
| 이름 | 묘사 | 값 |
|---|---|---|
| sparkJobEntryType | 개체 유형 설정 |
SparkJobPythonEntry SparkJobScalaEntry(필수) |
SparkJobPythonEntry
| 이름 | 묘사 | 값 |
|---|---|---|
| sparkJobEntryType | [필수] 작업의 진입점 유형입니다. | 'SparkJobPythonEntry'(필수) |
| 파일 | [필수] 작업 진입점에 대한 상대 Python 파일 경로입니다. | string(필수) 제약 조건: 최소 길이 = 1 패턴 = [a-zA-Z0-9_] |
SparkJobScalaEntry
| 이름 | 묘사 | 값 |
|---|---|---|
| sparkJobEntryType | [필수] 작업의 진입점 유형입니다. | 'SparkJobScalaEntry'(필수) |
| className | [필수] 진입점으로 사용되는 Scala 클래스 이름입니다. | string(필수) 제약 조건: 최소 길이 = 1 패턴 = [a-zA-Z0-9_] |
SparkJobEnvironmentVariables
| 이름 | 묘사 | 값 |
|---|---|---|
| {customized property} | 문자열 |
SparkJobInputs
| 이름 | 묘사 | 값 |
|---|---|---|
| {customized property} | JobInput |
SparkJobOutputs
| 이름 | 묘사 | 값 |
|---|---|---|
| {customized property} | JobOutput |
SparkResourceConfiguration
| 이름 | 묘사 | 값 |
|---|---|---|
| instanceType | 컴퓨팅 대상에서 지원하는 VM의 선택적 형식입니다. | 문자열 |
| runtimeVersion | 작업에 사용되는 Spark 런타임의 버전입니다. | 문자열 |
SweepJob
| 이름 | 묘사 | 값 |
|---|---|---|
| jobType | [필수] 작업 유형을 지정합니다. | 'Sweep'(필수) |
| componentConfiguration | 구성 요소 스윕에 대한 구성 요소 구성 | ComponentConfiguration |
| 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 |
| queueSettings | 작업에 대한 큐 설정 | QueueSettings |
| 리소스 | 작업에 대한 컴퓨팅 리소스 구성입니다. | JobResourceConfiguration |
| 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 |
ComponentConfiguration
| 이름 | 묘사 | 값 |
|---|---|---|
| pipelineSettings | ContinueRunOnStepFailure 등의 파이프라인 설정 | Bicep의 경우 any() 함수를 사용할 수 있습니다. |
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: 최소 길이 = 1 패턴 = [a-zA-Z0-9_] |
SweepJobOutputs
| 이름 | 묘사 | 값 |
|---|---|---|
| {customized property} | JobOutput |
SamplingAlgorithm
| 이름 | 묘사 | 값 |
|---|---|---|
| samplingAlgorithmType | 개체 유형 설정 |
베이지안 Grid 임의 |
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) |
| logbase | 로그 기반 임의 샘플링의 기준으로 사용할 문자열 형식의 선택적 양수 또는 e | 문자열 |
| 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: 최소 길이 = 1 패턴 = [a-zA-Z0-9_] |
| environmentVariables | 작업에 포함된 환경 변수입니다. | trialComponentEnvironmentVariables |
| 리소스 | 작업에 대한 컴퓨팅 리소스 구성입니다. | JobResourceConfiguration |
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 |
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.
- 리소스 그룹 - 리소스 그룹 배포 명령 참조
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": "2023-08-01-preview",
"name": "string",
"properties": {
"componentId": "string",
"computeId": "string",
"description": "string",
"displayName": "string",
"experimentName": "string",
"identity": {
"identityType": "string"
// For remaining properties, see IdentityConfiguration objects
},
"isArchived": "bool",
"notificationSetting": {
"emailOn": [ "string" ],
"emails": [ "string" ],
"webhooks": {
"{customized property}": {
"eventType": "string",
"webhookType": "string"
// For remaining properties, see Webhook objects
}
}
},
"properties": {
"{customized property}": "string"
},
"secretsConfiguration": {
"{customized property}": {
"uri": "string",
"workspaceSecretName": "string"
}
},
"services": {
"{customized property}": {
"endpoint": "string",
"jobServiceType": "string",
"nodes": {
"nodesValueType": "string"
// For remaining properties, see Nodes objects
},
"port": "int",
"properties": {
"{customized property}": "string"
}
}
},
"tags": {},
"jobType": "string"
// For remaining properties, see JobBaseProperties objects
}
}
JobBaseProperties 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
}
},
"queueSettings": {
"jobTier": "string",
"priority": "int"
},
"resources": {
"dockerArgs": "string",
"instanceCount": "int",
"instanceType": "string",
"locations": [ "string" ],
"maxInstanceCount": "int",
"properties": {
"{customized property}": {}
},
"shmSize": "string"
},
"taskDetails": {
"logVerbosity": "string",
"targetColumnName": "string",
"trainingData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"taskType": "string"
// For remaining properties, see AutoMLVertical objects
}
명령경우 다음을 사용합니다.
"jobType": "Command",
"autologgerSettings": {
"mlflowAutologger": "string"
},
"codeId": "string",
"command": "string",
"distribution": {
"distributionType": "string"
// For remaining properties, see DistributionConfiguration objects
},
"environmentId": "string",
"environmentVariables": {
"{customized property}": "string"
},
"inputs": {
"{customized property}": {
"description": "string",
"jobInputType": "string"
// For remaining properties, see JobInput objects
}
},
"limits": {
"jobLimitsType": "string",
"timeout": "string"
},
"outputs": {
"{customized property}": {
"description": "string",
"jobOutputType": "string"
// For remaining properties, see JobOutput objects
}
},
"queueSettings": {
"jobTier": "string",
"priority": "int"
},
"resources": {
"dockerArgs": "string",
"instanceCount": "int",
"instanceType": "string",
"locations": [ "string" ],
"maxInstanceCount": "int",
"properties": {
"{customized property}": {}
},
"shmSize": "string"
}
레이블 지정경우 다음을 사용합니다.
"jobType": "Labeling",
"dataConfiguration": {
"dataId": "string",
"incrementalDataRefresh": "string"
},
"jobInstructions": {
"uri": "string"
},
"labelCategories": {
"{customized property}": {
"classes": {
"{customized property}": {
"displayName": "string",
"subclasses": {
"{customized property}": {}
}
},
"displayName": "string",
"multiSelect": "string"
}
},
"labelingJobMediaProperties": {
"mediaType": "string"
// For remaining properties, see LabelingJobMediaProperties objects
},
"mlAssistConfiguration": {
"mlAssist": "string"
// For remaining properties, see MLAssistConfiguration objects
}
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": {},
"sourceJobId": "string"
spark
"jobType": "Spark",
"archives": [ "string" ],
"args": "string",
"codeId": "string",
"conf": {
"{customized property}": "string"
},
"entry": {
"sparkJobEntryType": "string"
// For remaining properties, see SparkJobEntry objects
},
"environmentId": "string",
"environmentVariables": {
"{customized property}": "string"
},
"files": [ "string" ],
"inputs": {
"{customized property}": {
"description": "string",
"jobInputType": "string"
// For remaining properties, see JobInput objects
}
},
"jars": [ "string" ],
"outputs": {
"{customized property}": {
"description": "string",
"jobOutputType": "string"
// For remaining properties, see JobOutput objects
}
},
"pyFiles": [ "string" ],
"queueSettings": {
"jobTier": "string",
"priority": "int"
},
"resources": {
"instanceType": "string",
"runtimeVersion": "string"
}
스윕경우 다음을 사용합니다.
"jobType": "Sweep",
"componentConfiguration": {
"pipelineSettings": {}
},
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"inputs": {
"{customized property}": {
"description": "string",
"jobInputType": "string"
// For remaining properties, see JobInput objects
}
},
"limits": {
"jobLimitsType": "string",
"maxConcurrentTrials": "int",
"maxTotalTrials": "int",
"timeout": "string",
"trialTimeout": "string"
},
"objective": {
"goal": "string",
"primaryMetric": "string"
},
"outputs": {
"{customized property}": {
"description": "string",
"jobOutputType": "string"
// For remaining properties, see JobOutput objects
}
},
"queueSettings": {
"jobTier": "string",
"priority": "int"
},
"resources": {
"dockerArgs": "string",
"instanceCount": "int",
"instanceType": "string",
"locations": [ "string" ],
"maxInstanceCount": "int",
"properties": {
"{customized property}": {}
},
"shmSize": "string"
},
"samplingAlgorithm": {
"samplingAlgorithmType": "string"
// For remaining properties, see SamplingAlgorithm objects
},
"searchSpace": {},
"trial": {
"codeId": "string",
"command": "string",
"distribution": {
"distributionType": "string"
// For remaining properties, see DistributionConfiguration objects
},
"environmentId": "string",
"environmentVariables": {
"{customized property}": "string"
},
"resources": {
"dockerArgs": "string",
"instanceCount": "int",
"instanceType": "string",
"locations": [ "string" ],
"maxInstanceCount": "int",
"properties": {
"{customized property}": {}
},
"shmSize": "string"
}
}
IdentityConfiguration 개체
identityType 속성을 설정하여 개체 유형을 지정합니다.
AMLToken
"identityType": "AMLToken"
관리되는경우 다음을 사용합니다.
"identityType": "Managed",
"clientId": "string",
"objectId": "string",
"resourceId": "string"
userIdentity
"identityType": "UserIdentity"
웹후크 개체
webhookType 속성을 설정하여 개체 유형을 지정합니다.
azureDevOps
"webhookType": "AzureDevOps"
노드 개체
nodesValueType 속성을 설정하여 개체 유형을 지정합니다.
모든
"nodesValueType": "All"
JobOutput 개체
jobOutputType 속성을 설정하여 개체 유형을 지정합니다.
custom_model경우 다음을 사용합니다.
"jobOutputType": "custom_model",
"assetName": "string",
"assetVersion": "string",
"autoDeleteSetting": {
"condition": "string",
"value": "string"
},
"mode": "string",
"uri": "string"
mlflow_model경우 다음을 사용합니다.
"jobOutputType": "mlflow_model",
"assetName": "string",
"assetVersion": "string",
"autoDeleteSetting": {
"condition": "string",
"value": "string"
},
"mode": "string",
"uri": "string"
mltable
"jobOutputType": "mltable",
"assetName": "string",
"assetVersion": "string",
"autoDeleteSetting": {
"condition": "string",
"value": "string"
},
"mode": "string",
"uri": "string"
triton_model경우 다음을 사용합니다.
"jobOutputType": "triton_model",
"assetName": "string",
"assetVersion": "string",
"autoDeleteSetting": {
"condition": "string",
"value": "string"
},
"mode": "string",
"uri": "string"
uri_file경우 다음을 사용합니다.
"jobOutputType": "uri_file",
"assetName": "string",
"assetVersion": "string",
"autoDeleteSetting": {
"condition": "string",
"value": "string"
},
"mode": "string",
"uri": "string"
uri_folder경우 다음을 사용합니다.
"jobOutputType": "uri_folder",
"assetName": "string",
"assetVersion": "string",
"autoDeleteSetting": {
"condition": "string",
"value": "string"
},
"mode": "string",
"uri": "string"
AutoMLVertical 개체
taskType 속성을 설정하여 개체 유형을 지정합니다.
분류경우 다음을 사용합니다.
"taskType": "Classification",
"cvSplitColumnNames": [ "string" ],
"featurizationSettings": {
"blockedTransformers": [ "string" ],
"columnNameAndTypes": {
"{customized property}": "string"
},
"datasetLanguage": "string",
"enableDnnFeaturization": "bool",
"mode": "string",
"transformerParams": {
"{customized property}": [
{
"fields": [ "string" ],
"parameters": {}
}
]
}
},
"fixedParameters": {
"booster": "string",
"boostingType": "string",
"growPolicy": "string",
"learningRate": "int",
"maxBin": "int",
"maxDepth": "int",
"maxLeaves": "int",
"minDataInLeaf": "int",
"minSplitGain": "int",
"modelName": "string",
"nEstimators": "int",
"numLeaves": "int",
"preprocessorName": "string",
"regAlpha": "int",
"regLambda": "int",
"subsample": "int",
"subsampleFreq": "int",
"treeMethod": "string",
"withMean": "bool",
"withStd": "bool"
},
"limitSettings": {
"enableEarlyTermination": "bool",
"exitScore": "int",
"maxConcurrentTrials": "int",
"maxCoresPerTrial": "int",
"maxNodes": "int",
"maxTrials": "int",
"sweepConcurrentTrials": "int",
"sweepTrials": "int",
"timeout": "string",
"trialTimeout": "string"
},
"nCrossValidations": {
"mode": "string"
// For remaining properties, see NCrossValidations objects
},
"positiveLabel": "string",
"primaryMetric": "string",
"searchSpace": [
{
"booster": "string",
"boostingType": "string",
"growPolicy": "string",
"learningRate": "string",
"maxBin": "string",
"maxDepth": "string",
"maxLeaves": "string",
"minDataInLeaf": "string",
"minSplitGain": "string",
"modelName": "string",
"nEstimators": "string",
"numLeaves": "string",
"preprocessorName": "string",
"regAlpha": "string",
"regLambda": "string",
"subsample": "string",
"subsampleFreq": "string",
"treeMethod": "string",
"withMean": "string",
"withStd": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"samplingAlgorithm": "string"
},
"testData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"testDataSize": "int",
"trainingSettings": {
"allowedTrainingAlgorithms": [ "string" ],
"blockedTrainingAlgorithms": [ "string" ],
"enableDnnTraining": "bool",
"enableModelExplainability": "bool",
"enableOnnxCompatibleModels": "bool",
"enableStackEnsemble": "bool",
"enableVoteEnsemble": "bool",
"ensembleModelDownloadTimeout": "string",
"stackEnsembleSettings": {
"stackMetaLearnerKWargs": {},
"stackMetaLearnerTrainPercentage": "int",
"stackMetaLearnerType": "string"
},
"trainingMode": "string"
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"validationDataSize": "int",
"weightColumnName": "string"
예측경우 다음을 사용합니다.
"taskType": "Forecasting",
"cvSplitColumnNames": [ "string" ],
"featurizationSettings": {
"blockedTransformers": [ "string" ],
"columnNameAndTypes": {
"{customized property}": "string"
},
"datasetLanguage": "string",
"enableDnnFeaturization": "bool",
"mode": "string",
"transformerParams": {
"{customized property}": [
{
"fields": [ "string" ],
"parameters": {}
}
]
}
},
"fixedParameters": {
"booster": "string",
"boostingType": "string",
"growPolicy": "string",
"learningRate": "int",
"maxBin": "int",
"maxDepth": "int",
"maxLeaves": "int",
"minDataInLeaf": "int",
"minSplitGain": "int",
"modelName": "string",
"nEstimators": "int",
"numLeaves": "int",
"preprocessorName": "string",
"regAlpha": "int",
"regLambda": "int",
"subsample": "int",
"subsampleFreq": "int",
"treeMethod": "string",
"withMean": "bool",
"withStd": "bool"
},
"forecastingSettings": {
"countryOrRegionForHolidays": "string",
"cvStepSize": "int",
"featureLags": "string",
"featuresUnknownAtForecastTime": [ "string" ],
"forecastHorizon": {
"mode": "string"
// For remaining properties, see ForecastHorizon objects
},
"frequency": "string",
"seasonality": {
"mode": "string"
// For remaining properties, see Seasonality objects
},
"shortSeriesHandlingConfig": "string",
"targetAggregateFunction": "string",
"targetLags": {
"mode": "string"
// For remaining properties, see TargetLags objects
},
"targetRollingWindowSize": {
"mode": "string"
// For remaining properties, see TargetRollingWindowSize objects
},
"timeColumnName": "string",
"timeSeriesIdColumnNames": [ "string" ],
"useStl": "string"
},
"limitSettings": {
"enableEarlyTermination": "bool",
"exitScore": "int",
"maxConcurrentTrials": "int",
"maxCoresPerTrial": "int",
"maxNodes": "int",
"maxTrials": "int",
"sweepConcurrentTrials": "int",
"sweepTrials": "int",
"timeout": "string",
"trialTimeout": "string"
},
"nCrossValidations": {
"mode": "string"
// For remaining properties, see NCrossValidations objects
},
"primaryMetric": "string",
"searchSpace": [
{
"booster": "string",
"boostingType": "string",
"growPolicy": "string",
"learningRate": "string",
"maxBin": "string",
"maxDepth": "string",
"maxLeaves": "string",
"minDataInLeaf": "string",
"minSplitGain": "string",
"modelName": "string",
"nEstimators": "string",
"numLeaves": "string",
"preprocessorName": "string",
"regAlpha": "string",
"regLambda": "string",
"subsample": "string",
"subsampleFreq": "string",
"treeMethod": "string",
"withMean": "string",
"withStd": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"samplingAlgorithm": "string"
},
"testData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"testDataSize": "int",
"trainingSettings": {
"allowedTrainingAlgorithms": [ "string" ],
"blockedTrainingAlgorithms": [ "string" ],
"enableDnnTraining": "bool",
"enableModelExplainability": "bool",
"enableOnnxCompatibleModels": "bool",
"enableStackEnsemble": "bool",
"enableVoteEnsemble": "bool",
"ensembleModelDownloadTimeout": "string",
"stackEnsembleSettings": {
"stackMetaLearnerKWargs": {},
"stackMetaLearnerTrainPercentage": "int",
"stackMetaLearnerType": "string"
},
"trainingMode": "string"
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"validationDataSize": "int",
"weightColumnName": "string"
imageClassification
"taskType": "ImageClassification",
"limitSettings": {
"maxConcurrentTrials": "int",
"maxTrials": "int",
"timeout": "string"
},
"modelSettings": {
"advancedSettings": "string",
"amsGradient": "bool",
"augmentations": "string",
"beta1": "int",
"beta2": "int",
"checkpointFrequency": "int",
"checkpointModel": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"checkpointRunId": "string",
"distributed": "bool",
"earlyStopping": "bool",
"earlyStoppingDelay": "int",
"earlyStoppingPatience": "int",
"enableOnnxNormalization": "bool",
"evaluationFrequency": "int",
"gradientAccumulationStep": "int",
"layersToFreeze": "int",
"learningRate": "int",
"learningRateScheduler": "string",
"modelName": "string",
"momentum": "int",
"nesterov": "bool",
"numberOfEpochs": "int",
"numberOfWorkers": "int",
"optimizer": "string",
"randomSeed": "int",
"stepLRGamma": "int",
"stepLRStepSize": "int",
"trainingBatchSize": "int",
"trainingCropSize": "int",
"validationBatchSize": "int",
"validationCropSize": "int",
"validationResizeSize": "int",
"warmupCosineLRCycles": "int",
"warmupCosineLRWarmupEpochs": "int",
"weightDecay": "int",
"weightedLoss": "int"
},
"primaryMetric": "string",
"searchSpace": [
{
"amsGradient": "string",
"augmentations": "string",
"beta1": "string",
"beta2": "string",
"distributed": "string",
"earlyStopping": "string",
"earlyStoppingDelay": "string",
"earlyStoppingPatience": "string",
"enableOnnxNormalization": "string",
"evaluationFrequency": "string",
"gradientAccumulationStep": "string",
"layersToFreeze": "string",
"learningRate": "string",
"learningRateScheduler": "string",
"modelName": "string",
"momentum": "string",
"nesterov": "string",
"numberOfEpochs": "string",
"numberOfWorkers": "string",
"optimizer": "string",
"randomSeed": "string",
"stepLRGamma": "string",
"stepLRStepSize": "string",
"trainingBatchSize": "string",
"trainingCropSize": "string",
"validationBatchSize": "string",
"validationCropSize": "string",
"validationResizeSize": "string",
"warmupCosineLRCycles": "string",
"warmupCosineLRWarmupEpochs": "string",
"weightDecay": "string",
"weightedLoss": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"samplingAlgorithm": "string"
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"validationDataSize": "int"
imageClassificationMultilabel
"taskType": "ImageClassificationMultilabel",
"limitSettings": {
"maxConcurrentTrials": "int",
"maxTrials": "int",
"timeout": "string"
},
"modelSettings": {
"advancedSettings": "string",
"amsGradient": "bool",
"augmentations": "string",
"beta1": "int",
"beta2": "int",
"checkpointFrequency": "int",
"checkpointModel": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"checkpointRunId": "string",
"distributed": "bool",
"earlyStopping": "bool",
"earlyStoppingDelay": "int",
"earlyStoppingPatience": "int",
"enableOnnxNormalization": "bool",
"evaluationFrequency": "int",
"gradientAccumulationStep": "int",
"layersToFreeze": "int",
"learningRate": "int",
"learningRateScheduler": "string",
"modelName": "string",
"momentum": "int",
"nesterov": "bool",
"numberOfEpochs": "int",
"numberOfWorkers": "int",
"optimizer": "string",
"randomSeed": "int",
"stepLRGamma": "int",
"stepLRStepSize": "int",
"trainingBatchSize": "int",
"trainingCropSize": "int",
"validationBatchSize": "int",
"validationCropSize": "int",
"validationResizeSize": "int",
"warmupCosineLRCycles": "int",
"warmupCosineLRWarmupEpochs": "int",
"weightDecay": "int",
"weightedLoss": "int"
},
"primaryMetric": "string",
"searchSpace": [
{
"amsGradient": "string",
"augmentations": "string",
"beta1": "string",
"beta2": "string",
"distributed": "string",
"earlyStopping": "string",
"earlyStoppingDelay": "string",
"earlyStoppingPatience": "string",
"enableOnnxNormalization": "string",
"evaluationFrequency": "string",
"gradientAccumulationStep": "string",
"layersToFreeze": "string",
"learningRate": "string",
"learningRateScheduler": "string",
"modelName": "string",
"momentum": "string",
"nesterov": "string",
"numberOfEpochs": "string",
"numberOfWorkers": "string",
"optimizer": "string",
"randomSeed": "string",
"stepLRGamma": "string",
"stepLRStepSize": "string",
"trainingBatchSize": "string",
"trainingCropSize": "string",
"validationBatchSize": "string",
"validationCropSize": "string",
"validationResizeSize": "string",
"warmupCosineLRCycles": "string",
"warmupCosineLRWarmupEpochs": "string",
"weightDecay": "string",
"weightedLoss": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"samplingAlgorithm": "string"
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"validationDataSize": "int"
imageInstanceSegmentation
"taskType": "ImageInstanceSegmentation",
"limitSettings": {
"maxConcurrentTrials": "int",
"maxTrials": "int",
"timeout": "string"
},
"modelSettings": {
"advancedSettings": "string",
"amsGradient": "bool",
"augmentations": "string",
"beta1": "int",
"beta2": "int",
"boxDetectionsPerImage": "int",
"boxScoreThreshold": "int",
"checkpointFrequency": "int",
"checkpointModel": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"checkpointRunId": "string",
"distributed": "bool",
"earlyStopping": "bool",
"earlyStoppingDelay": "int",
"earlyStoppingPatience": "int",
"enableOnnxNormalization": "bool",
"evaluationFrequency": "int",
"gradientAccumulationStep": "int",
"imageSize": "int",
"layersToFreeze": "int",
"learningRate": "int",
"learningRateScheduler": "string",
"logTrainingMetrics": "string",
"logValidationLoss": "string",
"maxSize": "int",
"minSize": "int",
"modelName": "string",
"modelSize": "string",
"momentum": "int",
"multiScale": "bool",
"nesterov": "bool",
"nmsIouThreshold": "int",
"numberOfEpochs": "int",
"numberOfWorkers": "int",
"optimizer": "string",
"randomSeed": "int",
"stepLRGamma": "int",
"stepLRStepSize": "int",
"tileGridSize": "string",
"tileOverlapRatio": "int",
"tilePredictionsNmsThreshold": "int",
"trainingBatchSize": "int",
"validationBatchSize": "int",
"validationIouThreshold": "int",
"validationMetricType": "string",
"warmupCosineLRCycles": "int",
"warmupCosineLRWarmupEpochs": "int",
"weightDecay": "int"
},
"primaryMetric": "MeanAveragePrecision",
"searchSpace": [
{
"amsGradient": "string",
"augmentations": "string",
"beta1": "string",
"beta2": "string",
"boxDetectionsPerImage": "string",
"boxScoreThreshold": "string",
"distributed": "string",
"earlyStopping": "string",
"earlyStoppingDelay": "string",
"earlyStoppingPatience": "string",
"enableOnnxNormalization": "string",
"evaluationFrequency": "string",
"gradientAccumulationStep": "string",
"imageSize": "string",
"layersToFreeze": "string",
"learningRate": "string",
"learningRateScheduler": "string",
"maxSize": "string",
"minSize": "string",
"modelName": "string",
"modelSize": "string",
"momentum": "string",
"multiScale": "string",
"nesterov": "string",
"nmsIouThreshold": "string",
"numberOfEpochs": "string",
"numberOfWorkers": "string",
"optimizer": "string",
"randomSeed": "string",
"stepLRGamma": "string",
"stepLRStepSize": "string",
"tileGridSize": "string",
"tileOverlapRatio": "string",
"tilePredictionsNmsThreshold": "string",
"trainingBatchSize": "string",
"validationBatchSize": "string",
"validationIouThreshold": "string",
"validationMetricType": "string",
"warmupCosineLRCycles": "string",
"warmupCosineLRWarmupEpochs": "string",
"weightDecay": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"samplingAlgorithm": "string"
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"validationDataSize": "int"
imageObjectDetection
"taskType": "ImageObjectDetection",
"limitSettings": {
"maxConcurrentTrials": "int",
"maxTrials": "int",
"timeout": "string"
},
"modelSettings": {
"advancedSettings": "string",
"amsGradient": "bool",
"augmentations": "string",
"beta1": "int",
"beta2": "int",
"boxDetectionsPerImage": "int",
"boxScoreThreshold": "int",
"checkpointFrequency": "int",
"checkpointModel": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"checkpointRunId": "string",
"distributed": "bool",
"earlyStopping": "bool",
"earlyStoppingDelay": "int",
"earlyStoppingPatience": "int",
"enableOnnxNormalization": "bool",
"evaluationFrequency": "int",
"gradientAccumulationStep": "int",
"imageSize": "int",
"layersToFreeze": "int",
"learningRate": "int",
"learningRateScheduler": "string",
"logTrainingMetrics": "string",
"logValidationLoss": "string",
"maxSize": "int",
"minSize": "int",
"modelName": "string",
"modelSize": "string",
"momentum": "int",
"multiScale": "bool",
"nesterov": "bool",
"nmsIouThreshold": "int",
"numberOfEpochs": "int",
"numberOfWorkers": "int",
"optimizer": "string",
"randomSeed": "int",
"stepLRGamma": "int",
"stepLRStepSize": "int",
"tileGridSize": "string",
"tileOverlapRatio": "int",
"tilePredictionsNmsThreshold": "int",
"trainingBatchSize": "int",
"validationBatchSize": "int",
"validationIouThreshold": "int",
"validationMetricType": "string",
"warmupCosineLRCycles": "int",
"warmupCosineLRWarmupEpochs": "int",
"weightDecay": "int"
},
"primaryMetric": "MeanAveragePrecision",
"searchSpace": [
{
"amsGradient": "string",
"augmentations": "string",
"beta1": "string",
"beta2": "string",
"boxDetectionsPerImage": "string",
"boxScoreThreshold": "string",
"distributed": "string",
"earlyStopping": "string",
"earlyStoppingDelay": "string",
"earlyStoppingPatience": "string",
"enableOnnxNormalization": "string",
"evaluationFrequency": "string",
"gradientAccumulationStep": "string",
"imageSize": "string",
"layersToFreeze": "string",
"learningRate": "string",
"learningRateScheduler": "string",
"maxSize": "string",
"minSize": "string",
"modelName": "string",
"modelSize": "string",
"momentum": "string",
"multiScale": "string",
"nesterov": "string",
"nmsIouThreshold": "string",
"numberOfEpochs": "string",
"numberOfWorkers": "string",
"optimizer": "string",
"randomSeed": "string",
"stepLRGamma": "string",
"stepLRStepSize": "string",
"tileGridSize": "string",
"tileOverlapRatio": "string",
"tilePredictionsNmsThreshold": "string",
"trainingBatchSize": "string",
"validationBatchSize": "string",
"validationIouThreshold": "string",
"validationMetricType": "string",
"warmupCosineLRCycles": "string",
"warmupCosineLRWarmupEpochs": "string",
"weightDecay": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"samplingAlgorithm": "string"
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"validationDataSize": "int"
회귀경우 다음을 사용합니다.
"taskType": "Regression",
"cvSplitColumnNames": [ "string" ],
"featurizationSettings": {
"blockedTransformers": [ "string" ],
"columnNameAndTypes": {
"{customized property}": "string"
},
"datasetLanguage": "string",
"enableDnnFeaturization": "bool",
"mode": "string",
"transformerParams": {
"{customized property}": [
{
"fields": [ "string" ],
"parameters": {}
}
]
}
},
"fixedParameters": {
"booster": "string",
"boostingType": "string",
"growPolicy": "string",
"learningRate": "int",
"maxBin": "int",
"maxDepth": "int",
"maxLeaves": "int",
"minDataInLeaf": "int",
"minSplitGain": "int",
"modelName": "string",
"nEstimators": "int",
"numLeaves": "int",
"preprocessorName": "string",
"regAlpha": "int",
"regLambda": "int",
"subsample": "int",
"subsampleFreq": "int",
"treeMethod": "string",
"withMean": "bool",
"withStd": "bool"
},
"limitSettings": {
"enableEarlyTermination": "bool",
"exitScore": "int",
"maxConcurrentTrials": "int",
"maxCoresPerTrial": "int",
"maxNodes": "int",
"maxTrials": "int",
"sweepConcurrentTrials": "int",
"sweepTrials": "int",
"timeout": "string",
"trialTimeout": "string"
},
"nCrossValidations": {
"mode": "string"
// For remaining properties, see NCrossValidations objects
},
"primaryMetric": "string",
"searchSpace": [
{
"booster": "string",
"boostingType": "string",
"growPolicy": "string",
"learningRate": "string",
"maxBin": "string",
"maxDepth": "string",
"maxLeaves": "string",
"minDataInLeaf": "string",
"minSplitGain": "string",
"modelName": "string",
"nEstimators": "string",
"numLeaves": "string",
"preprocessorName": "string",
"regAlpha": "string",
"regLambda": "string",
"subsample": "string",
"subsampleFreq": "string",
"treeMethod": "string",
"withMean": "string",
"withStd": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"samplingAlgorithm": "string"
},
"testData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"testDataSize": "int",
"trainingSettings": {
"allowedTrainingAlgorithms": [ "string" ],
"blockedTrainingAlgorithms": [ "string" ],
"enableDnnTraining": "bool",
"enableModelExplainability": "bool",
"enableOnnxCompatibleModels": "bool",
"enableStackEnsemble": "bool",
"enableVoteEnsemble": "bool",
"ensembleModelDownloadTimeout": "string",
"stackEnsembleSettings": {
"stackMetaLearnerKWargs": {},
"stackMetaLearnerTrainPercentage": "int",
"stackMetaLearnerType": "string"
},
"trainingMode": "string"
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"validationDataSize": "int",
"weightColumnName": "string"
textClassification
"taskType": "TextClassification",
"featurizationSettings": {
"datasetLanguage": "string"
},
"fixedParameters": {
"gradientAccumulationSteps": "int",
"learningRate": "int",
"learningRateScheduler": "string",
"modelName": "string",
"numberOfEpochs": "int",
"trainingBatchSize": "int",
"validationBatchSize": "int",
"warmupRatio": "int",
"weightDecay": "int"
},
"limitSettings": {
"maxConcurrentTrials": "int",
"maxNodes": "int",
"maxTrials": "int",
"timeout": "string",
"trialTimeout": "string"
},
"primaryMetric": "string",
"searchSpace": [
{
"gradientAccumulationSteps": "string",
"learningRate": "string",
"learningRateScheduler": "string",
"modelName": "string",
"numberOfEpochs": "string",
"trainingBatchSize": "string",
"validationBatchSize": "string",
"warmupRatio": "string",
"weightDecay": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"samplingAlgorithm": "string"
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
}
TextClassificationMultilabel
"taskType": "TextClassificationMultilabel",
"featurizationSettings": {
"datasetLanguage": "string"
},
"fixedParameters": {
"gradientAccumulationSteps": "int",
"learningRate": "int",
"learningRateScheduler": "string",
"modelName": "string",
"numberOfEpochs": "int",
"trainingBatchSize": "int",
"validationBatchSize": "int",
"warmupRatio": "int",
"weightDecay": "int"
},
"limitSettings": {
"maxConcurrentTrials": "int",
"maxNodes": "int",
"maxTrials": "int",
"timeout": "string",
"trialTimeout": "string"
},
"searchSpace": [
{
"gradientAccumulationSteps": "string",
"learningRate": "string",
"learningRateScheduler": "string",
"modelName": "string",
"numberOfEpochs": "string",
"trainingBatchSize": "string",
"validationBatchSize": "string",
"warmupRatio": "string",
"weightDecay": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"samplingAlgorithm": "string"
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
}
TextNER
"taskType": "TextNER",
"featurizationSettings": {
"datasetLanguage": "string"
},
"fixedParameters": {
"gradientAccumulationSteps": "int",
"learningRate": "int",
"learningRateScheduler": "string",
"modelName": "string",
"numberOfEpochs": "int",
"trainingBatchSize": "int",
"validationBatchSize": "int",
"warmupRatio": "int",
"weightDecay": "int"
},
"limitSettings": {
"maxConcurrentTrials": "int",
"maxNodes": "int",
"maxTrials": "int",
"timeout": "string",
"trialTimeout": "string"
},
"searchSpace": [
{
"gradientAccumulationSteps": "string",
"learningRate": "string",
"learningRateScheduler": "string",
"modelName": "string",
"numberOfEpochs": "string",
"trainingBatchSize": "string",
"validationBatchSize": "string",
"warmupRatio": "string",
"weightDecay": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"samplingAlgorithm": "string"
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
}
NCrossValidations 개체
개체 유형을 지정하려면 모드 속성을 설정합니다.
자동
"mode": "Auto"
사용자 지정
"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"
ForecastHorizon 개체
개체 유형을 지정하려면 모드 속성을 설정합니다.
자동
"mode": "Auto"
사용자 지정
"mode": "Custom",
"value": "int"
계절성 개체
개체 유형을 지정하려면 모드 속성을 설정합니다.
자동
"mode": "Auto"
사용자 지정
"mode": "Custom",
"value": "int"
TargetLags 개체
개체 유형을 지정하려면 모드 속성을 설정합니다.
자동
"mode": "Auto"
사용자 지정
"mode": "Custom",
"values": [ "int" ]
TargetRollingWindowSize 개체
개체 유형을 지정하려면 모드 속성을 설정합니다.
자동
"mode": "Auto"
사용자 지정
"mode": "Custom",
"value": "int"
DistributionConfiguration 개체
distributionType 속성을 설정하여 개체 유형을 지정합니다.
Mpi경우 다음을 사용합니다.
"distributionType": "Mpi",
"processCountPerInstance": "int"
PyTorch
"distributionType": "PyTorch",
"processCountPerInstance": "int"
Ray경우 다음을 사용합니다.
"distributionType": "Ray",
"address": "string",
"dashboardPort": "int",
"headNodeAdditionalArgs": "string",
"includeDashboard": "bool",
"port": "int",
"workerNodeAdditionalArgs": "string"
TensorFlow경우 다음을 사용합니다.
"distributionType": "TensorFlow",
"parameterServerCount": "int",
"workerCount": "int"
JobInput 개체
개체 유형을 지정하려면 jobInputType 속성을 설정합니다.
custom_model경우 다음을 사용합니다.
"jobInputType": "custom_model",
"mode": "string",
"uri": "string"
리터럴경우 다음을 사용합니다.
"jobInputType": "literal",
"value": "string"
mlflow_model경우 다음을 사용합니다.
"jobInputType": "mlflow_model",
"mode": "string",
"uri": "string"
mltable
"jobInputType": "mltable",
"mode": "string",
"uri": "string"
triton_model경우 다음을 사용합니다.
"jobInputType": "triton_model",
"mode": "string",
"uri": "string"
uri_file경우 다음을 사용합니다.
"jobInputType": "uri_file",
"mode": "string",
"uri": "string"
uri_folder경우 다음을 사용합니다.
"jobInputType": "uri_folder",
"mode": "string",
"uri": "string"
LabelingJobMediaProperties 개체
mediaType 속성을 설정하여 개체 유형을 지정합니다.
이미지경우 다음을 사용합니다.
"mediaType": "Image",
"annotationType": "string"
텍스트
"mediaType": "Text",
"annotationType": "string"
MLAssistConfiguration 개체
mlAssist 속성을 설정하여 개체 유형을 지정합니다.
사용 안 함경우 다음을 사용합니다.
"mlAssist": "Disabled"
사용경우 다음을 사용합니다.
"mlAssist": "Enabled",
"inferencingComputeBinding": "string",
"trainingComputeBinding": "string"
SparkJobEntry 개체
sparkJobEntryType 속성을 설정하여 개체 유형을 지정합니다.
SparkJobPythonEntry경우 다음을 사용합니다.
"sparkJobEntryType": "SparkJobPythonEntry",
"file": "string"
SparkJobScalaEntry경우 다음을 사용합니다.
"sparkJobEntryType": "SparkJobScalaEntry",
"className": "string"
SamplingAlgorithm 개체
샘플링AlgorithmType 속성을 설정하여 개체 유형을 지정합니다.
Bayesian경우 다음을 사용합니다.
"samplingAlgorithmType": "Bayesian"
Grid경우 다음을 사용합니다.
"samplingAlgorithmType": "Grid"
임의
"samplingAlgorithmType": "Random",
"logbase": "string",
"rule": "string",
"seed": "int"
속성 값
작업 영역/작업
| 이름 | 묘사 | 값 |
|---|---|---|
| 형 | 리소스 종류 | 'Microsoft.MachineLearningServices/workspaces/jobs' |
| apiVersion | 리소스 api 버전 | '2023-08-01-preview' |
| 이름 | 리소스 이름 JSON ARM 템플릿 |
string(필수) |
| 속성 | [필수] 엔터티의 추가 특성입니다. | JobBaseProperties(필수) |
JobBaseProperties
| 이름 | 묘사 | 값 |
|---|---|---|
| componentId | 구성 요소 리소스의 ARM 리소스 ID입니다. | 문자열 |
| 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 |
| notificationSetting | 작업에 대한 알림 설정 | notificationSetting |
| 속성 | 자산 속성 사전입니다. | ResourceBaseProperties |
| secretsConfiguration | 런타임 중에 사용할 수 있는 비밀에 대한 구성입니다. | jobBaseSecretsConfiguration |
| 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 레이블 지정 파이프라인 Spark 스윕(필수) |
IdentityConfiguration
| 이름 | 묘사 | 값 |
|---|---|---|
| identityType | 개체 유형 설정 | AMLToken 관리되는 userIdentity |
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) |
NotificationSetting
| 이름 | 묘사 | 값 |
|---|---|---|
| emailOn | 지정된 알림 유형에서 사용자에게 전자 메일 알림 보내기 | 다음 중 어느 것을 포함하는 문자열 배열: 'JobCancelled' 'JobCompleted' 'JobFailed' |
| 전자 메일 | 쉼표 구분 기호를 사용하여 총 구성에서 499자로 제한되는 전자 메일 받는 사람 목록입니다. | string[] |
| 웹후크 | 서비스에 웹후크 콜백을 보냅니다. 키는 웹후크의 사용자 제공 이름입니다. | NotificationSettingWebhooks |
NotificationSettingWebhooks
| 이름 | 묘사 | 값 |
|---|---|---|
| {customized property} | 웹후크 |
웹후크
| 이름 | 묘사 | 값 |
|---|---|---|
| eventType | 지정된 알림 이벤트에 콜백 보내기 | 문자열 |
| webhookType | 개체 유형 설정 | AzureDevOps |
AzureDevOpsWebhook
| 이름 | 묘사 | 값 |
|---|---|---|
| webhookType | [필수] 콜백을 보낼 서비스 유형을 지정합니다. | 'AzureDevOps'(필수) |
ResourceBaseProperties
| 이름 | 묘사 | 값 |
|---|---|---|
| {customized property} | 문자열 |
JobBaseSecretsConfiguration
| 이름 | 묘사 | 값 |
|---|---|---|
| {customized property} | SecretConfiguration |
SecretConfiguration
| 이름 | 묘사 | 값 |
|---|---|---|
| uri | 비밀 Uri입니다. 샘플 URI: https://myvault.vault.azure.net/secrets/mysecretname/secretversion |
문자열 |
| workspaceSecretName | 작업 영역 키 자격 증명 모음의 비밀 이름입니다. | 문자열 |
JobBaseServices
| 이름 | 묘사 | 값 |
|---|---|---|
| {customized property} | jobService |
JobService
| 이름 | 묘사 | 값 |
|---|---|---|
| 끝점 | 엔드포인트의 URL입니다. | 문자열 |
| jobServiceType | 엔드포인트 유형입니다. | 문자열 |
| 노드 | 사용자가 서비스를 시작하려는 노드입니다. 노드가 null로 설정되거나 설정되지 않은 경우 서비스는 리더 노드에서만 시작됩니다. |
노드 |
| 항구 | 사용자가 설정한 엔드포인트에 대한 포트입니다. | int |
| 속성 | 엔드포인트에서 설정할 추가 속성입니다. | JobServiceProperties |
노드
| 이름 | 묘사 | 값 |
|---|---|---|
| nodesValueType | 개체 유형 설정 | 모든 |
AllNodes
| 이름 | 묘사 | 값 |
|---|---|---|
| nodesValueType | [필수] 노드 값의 형식 | 'All'(필수) |
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 |
| queueSettings | 작업에 대한 큐 설정 | QueueSettings |
| 리소스 | 작업에 대한 컴퓨팅 리소스 구성입니다. | JobResourceConfiguration |
| taskDetails | [필수] 테이블/NLP/이미지 중 하나일 수 있는 시나리오를 나타냅니다. | autoMLVertical |
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 |
custom_model mlflow_model mltable triton_model uri_file uri_folder(필수) |
CustomModelJobOutput
| 이름 | 묘사 | 값 |
|---|---|---|
| jobOutputType | [필수] 작업 유형을 지정합니다. | 'custom_model'(필수) |
| assetName | 출력 자산 이름입니다. | 문자열 |
| assetVersion | 출력 자산 버전입니다. | 문자열 |
| autoDeleteSetting | 출력 데이터 자산의 자동 삭제 설정입니다. | autoDeleteSetting |
| 모드 | 출력 자산 배달 모드입니다. | 'Direct' 'ReadWriteMount' '업로드' |
| uri | 출력 자산 URI입니다. | 문자열 |
AutoDeleteSetting
| 이름 | 묘사 | 값 |
|---|---|---|
| 조건 | 자산이 만료되었는지 확인하는 경우 | 'CreatedGreaterThan' 'LastAccessedGreaterThan' |
| 값 | 만료 조건 값입니다. | 문자열 |
MLFlowModelJobOutput
| 이름 | 묘사 | 값 |
|---|---|---|
| jobOutputType | [필수] 작업 유형을 지정합니다. | 'mlflow_model'(필수) |
| assetName | 출력 자산 이름입니다. | 문자열 |
| assetVersion | 출력 자산 버전입니다. | 문자열 |
| autoDeleteSetting | 출력 데이터 자산의 자동 삭제 설정입니다. | autoDeleteSetting |
| 모드 | 출력 자산 배달 모드입니다. | 'Direct' 'ReadWriteMount' '업로드' |
| uri | 출력 자산 URI입니다. | 문자열 |
MLTableJobOutput
| 이름 | 묘사 | 값 |
|---|---|---|
| jobOutputType | [필수] 작업 유형을 지정합니다. | 'mltable'(필수) |
| assetName | 출력 자산 이름입니다. | 문자열 |
| assetVersion | 출력 자산 버전입니다. | 문자열 |
| autoDeleteSetting | 출력 데이터 자산의 자동 삭제 설정입니다. | autoDeleteSetting |
| 모드 | 출력 자산 배달 모드입니다. | 'Direct' 'ReadWriteMount' '업로드' |
| uri | 출력 자산 URI입니다. | 문자열 |
TritonModelJobOutput
| 이름 | 묘사 | 값 |
|---|---|---|
| jobOutputType | [필수] 작업 유형을 지정합니다. | 'triton_model'(필수) |
| assetName | 출력 자산 이름입니다. | 문자열 |
| assetVersion | 출력 자산 버전입니다. | 문자열 |
| autoDeleteSetting | 출력 데이터 자산의 자동 삭제 설정입니다. | autoDeleteSetting |
| 모드 | 출력 자산 배달 모드입니다. | 'Direct' 'ReadWriteMount' '업로드' |
| uri | 출력 자산 URI입니다. | 문자열 |
UriFileJobOutput
| 이름 | 묘사 | 값 |
|---|---|---|
| jobOutputType | [필수] 작업 유형을 지정합니다. | 'uri_file'(필수) |
| assetName | 출력 자산 이름입니다. | 문자열 |
| assetVersion | 출력 자산 버전입니다. | 문자열 |
| autoDeleteSetting | 출력 데이터 자산의 자동 삭제 설정입니다. | autoDeleteSetting |
| 모드 | 출력 자산 배달 모드입니다. | 'Direct' 'ReadWriteMount' '업로드' |
| uri | 출력 자산 URI입니다. | 문자열 |
UriFolderJobOutput
| 이름 | 묘사 | 값 |
|---|---|---|
| jobOutputType | [필수] 작업 유형을 지정합니다. | 'uri_folder'(필수) |
| assetName | 출력 자산 이름입니다. | 문자열 |
| assetVersion | 출력 자산 버전입니다. | 문자열 |
| autoDeleteSetting | 출력 데이터 자산의 자동 삭제 설정입니다. | autoDeleteSetting |
| 모드 | 출력 자산 배달 모드입니다. | 'Direct' 'ReadWriteMount' '업로드' |
| uri | 출력 자산 URI입니다. | 문자열 |
QueueSettings
| 이름 | 묘사 | 값 |
|---|---|---|
| jobTier | 컴퓨팅 작업 계층을 제어합니다. | '기본' 'Null' '프리미엄' 'Spot' 'Standard' |
| 우선권 | 컴퓨팅에서 작업의 우선 순위를 제어합니다. | int |
JobResourceConfiguration
| 이름 | 묘사 | 값 |
|---|---|---|
| dockerArgs | Docker 실행 명령에 전달할 추가 인수입니다. 이렇게 하면 시스템 또는 이 섹션에서 이미 설정한 매개 변수가 재정의됩니다. 이 매개 변수는 Azure ML 컴퓨팅 유형에 대해서만 지원됩니다. | 문자열 |
| instanceCount | 컴퓨팅 대상에서 사용하는 인스턴스 또는 노드의 선택적 수입니다. | int |
| instanceType | 컴퓨팅 대상에서 지원하는 VM의 선택적 형식입니다. | 문자열 |
| 위치 | 작업을 실행할 수 있는 위치입니다. | string[] |
| maxInstanceCount | 컴퓨팅 대상에서 사용할 인스턴스 또는 노드의 선택적 최대 허용 수입니다. 탄력적 학습에 사용하기 위해 현재 PyTorch 배포 유형에서만 지원됩니다. |
int |
| 속성 | 추가 속성 모음. | resourceConfigurationProperties |
| shmSize | Docker 컨테이너의 공유 메모리 블록 크기입니다. 이 형식은 (number)(unit) 형식이어야 합니다. 여기서 숫자는 0보다 크고 단위는 b(바이트), k(킬로바이트), m(메가바이트) 또는 g(기가바이트) 중 하나일 수 있습니다. | 문자열 제약 조건: 패턴 = \d+[bBkKmMgG] |
ResourceConfigurationProperties
| 이름 | 묘사 | 값 |
|---|---|---|
| {customized property} |
AutoMLVertical
| 이름 | 묘사 | 값 |
|---|---|---|
| logVerbosity | 작업에 대한 자세한 정보를 기록합니다. | 'Critical' '디버그' 'Error' '정보' 'NotSet' '경고' |
| targetColumnName | 대상 열 이름: 예측 값 열입니다. 분류 작업의 컨텍스트에서 레이블 열 이름이라고도 합니다. |
문자열 |
| trainingData | [필수] 학습 데이터 입력입니다. | MLTableJobInput(필수) |
| taskType | 개체 유형 설정 |
분류 예측 imageClassification imageClassificationMultilabel ImageInstanceSegmentation ImageObjectDetection 회귀 TextClassification TextClassificationMultilabel TextNER |
MLTableJobInput
| 이름 | 묘사 | 값 |
|---|---|---|
| 묘사 | 입력에 대한 설명입니다. | 문자열 |
| jobInputType | [필수] 작업 유형을 지정합니다. | 'custom_model' 'literal' 'mlflow_model' 'mltable' 'triton_model' 'uri_file' 'uri_folder'(필수) |
| 모드 | 입력 자산 배달 모드입니다. | 'Direct' '다운로드' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
| uri | [필수] 입력 자산 URI입니다. | string(필수) 제약 조건: 최소 길이 = 1 패턴 = [a-zA-Z0-9_] |
분류
| 이름 | 묘사 | 값 |
|---|---|---|
| taskType | [필수] AutoMLJob의 작업 유형입니다. | '분류'(필수) |
| cvSplitColumnNames | CVSplit 데이터에 사용할 열입니다. | string[] |
| featurizationSettings | AutoML 작업에 필요한 기능화 입력입니다. | tableVerticalFeaturizationSettings |
| fixedParameters | 학습 내내 일정하게 유지되는 모델/학습 매개 변수입니다. | TableFixedParameters |
| limitSettings | AutoMLJob에 대한 실행 제약 조건입니다. | tableVerticalLimitSettings |
| nCrossValidations | 학습 데이터 세트에 적용할 교차 유효성 검사 접기 수 유효성 검사 데이터 세트가 제공되지 않으면 입니다. |
NCrossValidations |
| positiveLabel | 이진 메트릭 계산에 대한 양의 레이블입니다. | 문자열 |
| primaryMetric | 작업에 대한 기본 메트릭입니다. | 'AUCWeighted' '정확도' 'AveragePrecisionScoreWeighted' 'NormMacroRecall' 'PrecisionScoreWeighted' |
| searchSpace | 모델과 해당 하이퍼 매개 변수의 다양한 조합을 샘플링하기 위한 공간을 검색합니다. | tableParameterSubspace |
| sweepSettings | 모델 비우기 및 하이퍼 매개 변수 튜닝에 대한 설정입니다. | tableSweepSettings |
| testData | 데이터 입력을 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 |
| trainingSettings | AutoML 작업의 학습 단계에 대한 입력입니다. | ClassificationTrainingSettings |
| validationData | 유효성 검사 데이터 입력입니다. | 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 |
| weightColumnName | 샘플 가중치 열의 이름입니다. 자동화된 ML은 가중 열을 입력으로 지원하여 데이터의 행에 가중치를 적용하거나 줄입니다. | 문자열 |
TableVerticalFeaturizationSettings
| 이름 | 묘사 | 값 |
|---|---|---|
| blockedTransformers | 이러한 변압기는 기능화에 사용되지 않습니다. | 다음 중 어느 것을 포함하는 문자열 배열: 'CatTargetEncoder' 'CountVectorizer' 'HashOneHotEncoder' 'LabelEncoder' '나이브베이즈' 'OneHotEncoder' 'TextTargetEncoder' 'TfIdf' 'WoETargetEncoder' 'WordEmbedding' |
| columnNameAndTypes | 열 이름 및 해당 형식(int, float, string, datetime 등)의 사전입니다. | TableVerticalFeaturizationSettingsColumnNameAndTypes |
| datasetLanguage | 텍스트 데이터에 유용한 데이터 세트 언어입니다. | 문자열 |
| 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. |
TableFixedParameters
| 이름 | 묘사 | 값 |
|---|---|---|
| 부스터 | 부스팅 유형(예: XGBoost의 경우 gbdt)을 지정합니다. | 문자열 |
| boostingType | 증폭 유형(예: LightGBM의 경우 gbdt)을 지정합니다. | 문자열 |
| growPolicy | 새 노드가 트리에 추가되는 방식을 제어하는 증가 정책을 지정합니다. | 문자열 |
| learningRate | 학습 절차의 학습 속도입니다. | int |
| maxBin | 버킷 연속 기능에 대한 최대 불연속 bin 수를 지정합니다. | int |
| maxDepth | 트리 깊이를 명시적으로 제한하려면 최대 깊이를 지정합니다. | int |
| maxLeaves | 트리 잎을 명시적으로 제한하려면 최대 잎을 지정합니다. | int |
| minDataInLeaf | 리프당 최소 데이터 수입니다. | int |
| minSplitGain | 트리의 리프 노드에서 추가 파티션을 만드는 데 필요한 최소 손실 감소입니다. | int |
| modelName | 학습할 모델의 이름입니다. | 문자열 |
| nEstimators | 모델에서 트리(또는 반올림) 수를 지정합니다. | int |
| numLeaves | 나뭇잎 수를 지정합니다. | int |
| preprocessorName | 사용할 전처리기의 이름입니다. | 문자열 |
| regAlpha | 가중치에 대한 L1 정규화 용어입니다. | int |
| regLambda | 가중치에 대한 L2 정규화 용어입니다. | int |
| subsample | 학습 인스턴스의 하위 샘플 비율입니다. | int |
| subsampleFreq | 하위 샘플의 빈도입니다. | int |
| treeMethod | 트리 메서드를 지정합니다. | 문자열 |
| withMean | true이면 StandardScalar를 사용하여 데이터를 크기 조정하기 전에 가운데를 맞춥니다. | bool |
| withStd | true이면 StandardScalar를 사용하여 단위 분산을 사용하여 데이터 크기를 조정합니다. | bool |
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 |
| maxNodes | 실험에 사용할 최대 노드입니다. | int |
| maxTrials | 반복 횟수입니다. | int |
| sweepConcurrentTrials | 사용자가 트리거하려는 동시 스윕 실행의 수입니다. | int |
| sweepTrials | 사용자가 트리거하려는 스윕 실행 수입니다. | int |
| 타임 아웃 | AutoML 작업 시간 제한입니다. | 문자열 |
| trialTimeout | 반복 시간 제한입니다. | 문자열 |
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) |
TableParameterSubspace
| 이름 | 묘사 | 값 |
|---|---|---|
| 부스터 | 부스팅 유형(예: XGBoost의 경우 gbdt)을 지정합니다. | 문자열 |
| boostingType | 증폭 유형(예: LightGBM의 경우 gbdt)을 지정합니다. | 문자열 |
| growPolicy | 새 노드가 트리에 추가되는 방식을 제어하는 증가 정책을 지정합니다. | 문자열 |
| learningRate | 학습 절차의 학습 속도입니다. | 문자열 |
| maxBin | 버킷 연속 기능에 대한 최대 불연속 bin 수를 지정합니다. | 문자열 |
| maxDepth | 트리 깊이를 명시적으로 제한하려면 최대 깊이를 지정합니다. | 문자열 |
| maxLeaves | 트리 잎을 명시적으로 제한하려면 최대 잎을 지정합니다. | 문자열 |
| minDataInLeaf | 리프당 최소 데이터 수입니다. | 문자열 |
| minSplitGain | 트리의 리프 노드에서 추가 파티션을 만드는 데 필요한 최소 손실 감소입니다. | 문자열 |
| modelName | 학습할 모델의 이름입니다. | 문자열 |
| nEstimators | 모델에서 트리(또는 반올림) 수를 지정합니다. | 문자열 |
| numLeaves | 나뭇잎 수를 지정합니다. | 문자열 |
| preprocessorName | 사용할 전처리기의 이름입니다. | 문자열 |
| regAlpha | 가중치에 대한 L1 정규화 용어입니다. | 문자열 |
| regLambda | 가중치에 대한 L2 정규화 용어입니다. | 문자열 |
| subsample | 학습 인스턴스의 하위 샘플 비율입니다. | 문자열 |
| subsampleFreq | 하위 샘플의 빈도 | 문자열 |
| treeMethod | 트리 메서드를 지정합니다. | 문자열 |
| withMean | true이면 StandardScalar를 사용하여 데이터를 크기 조정하기 전에 가운데를 맞춥니다. | 문자열 |
| withStd | true이면 StandardScalar를 사용하여 단위 분산을 사용하여 데이터 크기를 조정합니다. | 문자열 |
TableSweepSettings
| 이름 | 묘사 | 값 |
|---|---|---|
| earlyTermination | 비우기 작업에 대한 조기 종료 정책 유형입니다. | earlyTerminationPolicy |
| samplingAlgorithm | [필수] 샘플링 알고리즘의 유형입니다. | '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 |
ClassificationTrainingSettings
| 이름 | 묘사 | 값 |
|---|---|---|
| allowedTrainingAlgorithms | 분류 작업에 허용되는 모델입니다. | 다음 중 어느 것을 포함하는 문자열 배열: '베르누울리나이브베이즈' 'DecisionTree' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LightGBM' 'LinearSVM' 'LogisticRegression' '멀티노미알나이브베이즈' 'RandomForest' 'SGD' 'SVM' 'XGBoostClassifier' |
| blockedTrainingAlgorithms | 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' |
| 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 |
| trainingMode | TrainingMode 모드 - 'auto'로 설정하는 것은 현재 '비균등'으로 설정하는 것과 같지만 나중에 혼합 모드 또는 추론 기반 모드 선택이 발생할 수 있습니다. 기본값은 'auto'입니다. 'Distributed'인 경우 분산 기능화만 사용되고 분산 알고리즘이 선택됩니다. 'NonDistributed'이면 분산되지 않은 알고리즘만 선택됩니다. |
'Auto' 'Distributed' 'NonDistributed' |
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) |
| cvSplitColumnNames | CVSplit 데이터에 사용할 열입니다. | string[] |
| featurizationSettings | AutoML 작업에 필요한 기능화 입력입니다. | tableVerticalFeaturizationSettings |
| fixedParameters | 학습 내내 일정하게 유지되는 모델/학습 매개 변수입니다. | TableFixedParameters |
| forecastingSettings | 예측 작업별 입력. | ForecastingSettings |
| limitSettings | AutoMLJob에 대한 실행 제약 조건입니다. | tableVerticalLimitSettings |
| nCrossValidations | 학습 데이터 세트에 적용할 교차 유효성 검사 접기 수 유효성 검사 데이터 세트가 제공되지 않으면 입니다. |
NCrossValidations |
| primaryMetric | 예측 작업에 대한 기본 메트릭입니다. | 'NormalizedMeanAbsoluteError' 'NormalizedRootMeanSquaredError' 'R2Score' '스피어만코렐레이션' |
| searchSpace | 모델과 해당 하이퍼 매개 변수의 다양한 조합을 샘플링하기 위한 공간을 검색합니다. | tableParameterSubspace |
| sweepSettings | 모델 비우기 및 하이퍼 매개 변수 튜닝에 대한 설정입니다. | tableSweepSettings |
| testData | 데이터 입력을 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 |
| trainingSettings | AutoML 작업의 학습 단계에 대한 입력입니다. | ForecastingTrainingSettings |
| validationData | 유효성 검사 데이터 입력입니다. | 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 |
| weightColumnName | 샘플 가중치 열의 이름입니다. 자동화된 ML은 가중 열을 입력으로 지원하여 데이터의 행에 가중치를 적용하거나 줄입니다. | 문자열 |
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' |
| featuresUnknownAtForecastTime | 학습에 사용할 수 있지만 예측/유추 시 알 수 없는 기능 열입니다. features_unknown_at_forecast_time 설정되지 않은 경우 데이터 세트의 모든 기능 열이 유추 시간에 알려진 것으로 간주됩니다. |
string[] |
| 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) |
ForecastingTrainingSettings
| 이름 | 묘사 | 값 |
|---|---|---|
| allowedTrainingAlgorithms | 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' |
| blockedTrainingAlgorithms | 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' |
| 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 |
| trainingMode | TrainingMode 모드 - 'auto'로 설정하는 것은 현재 '비균등'으로 설정하는 것과 같지만 나중에 혼합 모드 또는 추론 기반 모드 선택이 발생할 수 있습니다. 기본값은 'auto'입니다. 'Distributed'인 경우 분산 기능화만 사용되고 분산 알고리즘이 선택됩니다. 'NonDistributed'이면 분산되지 않은 알고리즘만 선택됩니다. |
'Auto' 'Distributed' 'NonDistributed' |
ImageClassification
| 이름 | 묘사 | 값 |
|---|---|---|
| taskType | [필수] AutoMLJob의 작업 유형입니다. | 'ImageClassification'(필수) |
| limitSettings | [필수] AutoML 작업에 대한 설정을 제한합니다. | ImageLimitSettings |
| 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 |
| validationData | 유효성 검사 데이터 입력입니다. | 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 |
| checkpointFrequency | 모델 검사점을 저장하는 빈도입니다. 양의 정수여야 합니다. | int |
| checkpointModel | 증분 학습을 위한 미리 학습된 검사점 모델입니다. | MLFlowModelJobInput |
| 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 |
| 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 |
MLFlowModelJobInput
| 이름 | 묘사 | 값 |
|---|---|---|
| 묘사 | 입력에 대한 설명입니다. | 문자열 |
| jobInputType | [필수] 작업 유형을 지정합니다. | 'custom_model' 'literal' 'mlflow_model' 'mltable' 'triton_model' 'uri_file' 'uri_folder'(필수) |
| 모드 | 입력 자산 배달 모드입니다. | 'Direct' '다운로드' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
| uri | [필수] 입력 자산 URI입니다. | string(필수) 제약 조건: 최소 길이 = 1 패턴 = [a-zA-Z0-9_] |
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 |
| 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 |
| samplingAlgorithm | [필수] 하이퍼 매개 변수 샘플링 알고리즘의 형식입니다. | '베이지안' 'Grid' 'Random'(필수) |
ImageClassificationMultilabel
| 이름 | 묘사 | 값 |
|---|---|---|
| taskType | [필수] AutoMLJob의 작업 유형입니다. | 'ImageClassificationMultilabel'(필수) |
| limitSettings | [필수] AutoML 작업에 대한 설정을 제한합니다. | ImageLimitSettings |
| 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 |
| validationData | 유효성 검사 데이터 입력입니다. | 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 |
ImageInstanceSegmentation
| 이름 | 묘사 | 값 |
|---|---|---|
| taskType | [필수] AutoMLJob의 작업 유형입니다. | 'ImageInstanceSegmentation'(필수) |
| limitSettings | [필수] AutoML 작업에 대한 설정을 제한합니다. | ImageLimitSettings |
| 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 |
| validationData | 유효성 검사 데이터 입력입니다. | 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 |
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 |
| checkpointFrequency | 모델 검사점을 저장하는 빈도입니다. 양의 정수여야 합니다. | int |
| checkpointModel | 증분 학습을 위한 미리 학습된 검사점 모델입니다. | MLFlowModelJobInput |
| 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' |
| logTrainingMetrics | 컴퓨팅 및 로깅 학습 메트릭을 사용하도록 설정합니다. | 'Disable' '사용' |
| logValidationLoss | 컴퓨팅 및 로깅 유효성 검사 손실을 사용하도록 설정합니다. | 'Disable' '사용' |
| 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 |
| 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 |
| 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) |
| limitSettings | [필수] AutoML 작업에 대한 설정을 제한합니다. | ImageLimitSettings |
| 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 |
| validationData | 유효성 검사 데이터 입력입니다. | 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 |
회귀
| 이름 | 묘사 | 값 |
|---|---|---|
| taskType | [필수] AutoMLJob의 작업 유형입니다. | '회귀'(필수) |
| cvSplitColumnNames | CVSplit 데이터에 사용할 열입니다. | string[] |
| featurizationSettings | AutoML 작업에 필요한 기능화 입력입니다. | tableVerticalFeaturizationSettings |
| fixedParameters | 학습 내내 일정하게 유지되는 모델/학습 매개 변수입니다. | TableFixedParameters |
| limitSettings | AutoMLJob에 대한 실행 제약 조건입니다. | tableVerticalLimitSettings |
| nCrossValidations | 학습 데이터 세트에 적용할 교차 유효성 검사 접기 수 유효성 검사 데이터 세트가 제공되지 않으면 입니다. |
NCrossValidations |
| primaryMetric | 회귀 태스크에 대한 기본 메트릭입니다. | 'NormalizedMeanAbsoluteError' 'NormalizedRootMeanSquaredError' 'R2Score' '스피어만코렐레이션' |
| searchSpace | 모델과 해당 하이퍼 매개 변수의 다양한 조합을 샘플링하기 위한 공간을 검색합니다. | tableParameterSubspace |
| sweepSettings | 모델 비우기 및 하이퍼 매개 변수 튜닝에 대한 설정입니다. | tableSweepSettings |
| testData | 데이터 입력을 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 |
| trainingSettings | AutoML 작업의 학습 단계에 대한 입력입니다. | RegressionTrainingSettings |
| validationData | 유효성 검사 데이터 입력입니다. | 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 |
| weightColumnName | 샘플 가중치 열의 이름입니다. 자동화된 ML은 가중 열을 입력으로 지원하여 데이터의 행에 가중치를 적용하거나 줄입니다. | 문자열 |
RegressionTrainingSettings
| 이름 | 묘사 | 값 |
|---|---|---|
| allowedTrainingAlgorithms | 회귀 태스크에 허용되는 모델입니다. | 다음 중 어느 것을 포함하는 문자열 배열: 'DecisionTree' 'ElasticNet' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'RandomForest' 'SGD' 'XGBoostRegressor' |
| blockedTrainingAlgorithms | 회귀 태스크에 대한 차단된 모델입니다. | 다음 중 어느 것을 포함하는 문자열 배열: 'DecisionTree' 'ElasticNet' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'RandomForest' 'SGD' 'XGBoostRegressor' |
| 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 |
| trainingMode | TrainingMode 모드 - 'auto'로 설정하는 것은 현재 '비균등'으로 설정하는 것과 같지만 나중에 혼합 모드 또는 추론 기반 모드 선택이 발생할 수 있습니다. 기본값은 'auto'입니다. 'Distributed'인 경우 분산 기능화만 사용되고 분산 알고리즘이 선택됩니다. 'NonDistributed'이면 분산되지 않은 알고리즘만 선택됩니다. |
'Auto' 'Distributed' 'NonDistributed' |
TextClassification
| 이름 | 묘사 | 값 |
|---|---|---|
| taskType | [필수] AutoMLJob의 작업 유형입니다. | 'TextClassification'(필수) |
| featurizationSettings | AutoML 작업에 필요한 기능화 입력입니다. | NlpVerticalFeaturizationSettings |
| fixedParameters | 학습 내내 일정하게 유지되는 모델/학습 매개 변수입니다. | nlpFixedParameters |
| limitSettings | AutoMLJob에 대한 실행 제약 조건입니다. | nlpVerticalLimitSettings |
| primaryMetric | Text-Classification 작업에 대한 기본 메트릭입니다. | 'AUCWeighted' '정확도' 'AveragePrecisionScoreWeighted' 'NormMacroRecall' 'PrecisionScoreWeighted' |
| searchSpace | 모델과 해당 하이퍼 매개 변수의 다양한 조합을 샘플링하기 위한 공간을 검색합니다. | NlpParameterSubspace[] |
| sweepSettings | 모델 비우기 및 하이퍼 매개 변수 튜닝에 대한 설정입니다. | nlpSweepSettings |
| validationData | 유효성 검사 데이터 입력입니다. | MLTableJobInput |
NlpVerticalFeaturizationSettings
| 이름 | 묘사 | 값 |
|---|---|---|
| datasetLanguage | 텍스트 데이터에 유용한 데이터 세트 언어입니다. | 문자열 |
NlpFixedParameters
| 이름 | 묘사 | 값 |
|---|---|---|
| gradientAccumulationSteps | 뒤로 패스를 실행하기 전에 그라데이션을 누적하는 단계 수입니다. | int |
| learningRate | 학습 절차의 학습 속도입니다. | int |
| learningRateScheduler | 학습 절차 중에 사용할 학습 속도 일정의 유형입니다. | '상수' 'ConstantWithWarmup' '코사인' 'CosineWithRestarts' '선형' 'None' '다항식' |
| modelName | 학습할 모델의 이름입니다. | 문자열 |
| numberOfEpochs | 학습 epoch의 수입니다. | int |
| trainingBatchSize | 학습 절차의 일괄 처리 크기입니다. | int |
| validationBatchSize | 평가 중에 사용할 일괄 처리 크기입니다. | int |
| warmupRatio | LrSchedulerType과 함께 사용되는 준비 비율입니다. | int |
| weightDecay | 학습 절차의 체중 감소입니다. | int |
NlpVerticalLimitSettings
| 이름 | 묘사 | 값 |
|---|---|---|
| maxConcurrentTrials | 최대 동시 AutoML 반복입니다. | int |
| maxNodes | 실험에 사용할 최대 노드입니다. | int |
| maxTrials | AutoML 반복 횟수입니다. | int |
| 타임 아웃 | AutoML 작업 시간 제한입니다. | 문자열 |
| trialTimeout | 개별 HD 평가판에 대한 시간 제한입니다. | 문자열 |
NlpParameterSubspace
| 이름 | 묘사 | 값 |
|---|---|---|
| gradientAccumulationSteps | 뒤로 패스를 실행하기 전에 그라데이션을 누적하는 단계 수입니다. | 문자열 |
| learningRate | 학습 절차의 학습 속도입니다. | 문자열 |
| learningRateScheduler | 학습 절차 중에 사용할 학습 속도 일정의 유형입니다. | 문자열 |
| modelName | 학습할 모델의 이름입니다. | 문자열 |
| numberOfEpochs | 학습 epoch의 수입니다. | 문자열 |
| trainingBatchSize | 학습 절차의 일괄 처리 크기입니다. | 문자열 |
| validationBatchSize | 평가 중에 사용할 일괄 처리 크기입니다. | 문자열 |
| warmupRatio | LrSchedulerType과 함께 사용되는 준비 비율입니다. | 문자열 |
| weightDecay | 학습 절차의 체중 감소입니다. | 문자열 |
NlpSweepSettings
| 이름 | 묘사 | 값 |
|---|---|---|
| earlyTermination | 비우기 작업에 대한 조기 종료 정책 유형입니다. | earlyTerminationPolicy |
| samplingAlgorithm | [필수] 샘플링 알고리즘의 유형입니다. | '베이지안' 'Grid' 'Random'(필수) |
TextClassificationMultilabel
| 이름 | 묘사 | 값 |
|---|---|---|
| taskType | [필수] AutoMLJob의 작업 유형입니다. | 'TextClassificationMultilabel'(필수) |
| featurizationSettings | AutoML 작업에 필요한 기능화 입력입니다. | NlpVerticalFeaturizationSettings |
| fixedParameters | 학습 내내 일정하게 유지되는 모델/학습 매개 변수입니다. | nlpFixedParameters |
| limitSettings | AutoMLJob에 대한 실행 제약 조건입니다. | nlpVerticalLimitSettings |
| searchSpace | 모델과 해당 하이퍼 매개 변수의 다양한 조합을 샘플링하기 위한 공간을 검색합니다. | NlpParameterSubspace[] |
| sweepSettings | 모델 비우기 및 하이퍼 매개 변수 튜닝에 대한 설정입니다. | nlpSweepSettings |
| validationData | 유효성 검사 데이터 입력입니다. | MLTableJobInput |
TextNer
| 이름 | 묘사 | 값 |
|---|---|---|
| taskType | [필수] AutoMLJob의 작업 유형입니다. | 'TextNER'(필수) |
| featurizationSettings | AutoML 작업에 필요한 기능화 입력입니다. | NlpVerticalFeaturizationSettings |
| fixedParameters | 학습 내내 일정하게 유지되는 모델/학습 매개 변수입니다. | nlpFixedParameters |
| limitSettings | AutoMLJob에 대한 실행 제약 조건입니다. | nlpVerticalLimitSettings |
| searchSpace | 모델과 해당 하이퍼 매개 변수의 다양한 조합을 샘플링하기 위한 공간을 검색합니다. | NlpParameterSubspace[] |
| sweepSettings | 모델 비우기 및 하이퍼 매개 변수 튜닝에 대한 설정입니다. | nlpSweepSettings |
| validationData | 유효성 검사 데이터 입력입니다. | MLTableJobInput |
CommandJob
| 이름 | 묘사 | 값 |
|---|---|---|
| jobType | [필수] 작업 유형을 지정합니다. | 'Command'(필수) |
| autologgerSettings | 작업의 배포 구성입니다. 설정된 경우 Mpi, Tensorflow, PyTorch 또는 null 중 하나여야 합니다. | AutologgerSettings |
| 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, Ray 또는 null 중 하나여야 합니다. | DistributionConfiguration |
| environmentId | [필수] 작업에 대한 환경 사양의 ARM 리소스 ID입니다. | string(필수) 제약 조건: 최소 길이 = 1 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 |
| queueSettings | 작업에 대한 큐 설정 | QueueSettings |
| 리소스 | 작업에 대한 컴퓨팅 리소스 구성입니다. | JobResourceConfiguration |
AutologgerSettings
| 이름 | 묘사 | 값 |
|---|---|---|
| mlflowAutologger | [필수] mlflow 자동 로그기를 사용할 수 있는지 여부를 나타냅니다. | '사용 안 함' 'Enabled'(필수) |
DistributionConfiguration
| 이름 | 묘사 | 값 |
|---|---|---|
| distributionType | 개체 유형 설정 |
Mpi PyTorch 레이 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 |
광선
| 이름 | 묘사 | 값 |
|---|---|---|
| distributionType | [필수] 배포 프레임워크의 유형을 지정합니다. | 'Ray'(필수) |
| 주소 | Ray 헤드 노드의 주소입니다. | 문자열 |
| dashboardPort | 대시보드 서버를 바인딩할 포트입니다. | int |
| headNodeAdditionalArgs | 헤드 노드에서 광선 시작에 전달되는 추가 인수입니다. | 문자열 |
| includeDashboard | Ray 대시보드 GUI를 시작하려면 이 인수를 제공합니다. | bool |
| 항구 | 헤드 레이 프로세스의 포트입니다. | int |
| workerNodeAdditionalArgs | 작업자 노드에서 광선 시작에 전달된 추가 인수입니다. | 문자열 |
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 |
custom_model 리터럴 mlflow_model mltable triton_model uri_file uri_folder(필수) |
CustomModelJobInput
| 이름 | 묘사 | 값 |
|---|---|---|
| jobInputType | [필수] 작업 유형을 지정합니다. | 'custom_model'(필수) |
| 모드 | 입력 자산 배달 모드입니다. | 'Direct' '다운로드' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
| uri | [필수] 입력 자산 URI입니다. | string(필수) 제약 조건: 최소 길이 = 1 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: 최소 길이 = 1 패턴 = [a-zA-Z0-9_] |
TritonModelJobInput
| 이름 | 묘사 | 값 |
|---|---|---|
| jobInputType | [필수] 작업 유형을 지정합니다. | 'triton_model'(필수) |
| 모드 | 입력 자산 배달 모드입니다. | 'Direct' '다운로드' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
| uri | [필수] 입력 자산 URI입니다. | string(필수) 제약 조건: 최소 길이 = 1 패턴 = [a-zA-Z0-9_] |
UriFileJobInput
| 이름 | 묘사 | 값 |
|---|---|---|
| jobInputType | [필수] 작업 유형을 지정합니다. | 'uri_file'(필수) |
| 모드 | 입력 자산 배달 모드입니다. | 'Direct' '다운로드' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
| uri | [필수] 입력 자산 URI입니다. | string(필수) 제약 조건: 최소 길이 = 1 패턴 = [a-zA-Z0-9_] |
UriFolderJobInput
| 이름 | 묘사 | 값 |
|---|---|---|
| jobInputType | [필수] 작업 유형을 지정합니다. | 'uri_folder'(필수) |
| 모드 | 입력 자산 배달 모드입니다. | 'Direct' '다운로드' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
| uri | [필수] 입력 자산 URI입니다. | string(필수) 제약 조건: 최소 길이 = 1 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 |
LabelingJobProperties
| 이름 | 묘사 | 값 |
|---|---|---|
| componentId | 구성 요소 리소스의 ARM 리소스 ID입니다. | 문자열 |
| computeId | 컴퓨팅 리소스의 ARM 리소스 ID입니다. | 문자열 |
| dataConfiguration | 작업에 사용되는 데이터의 구성입니다. | labelingDataConfiguration |
| 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 |
| jobInstructions | 작업의 지침에 레이블을 지정합니다. | LabelingJobInstructions |
| jobType | [필수] 작업 유형을 지정합니다. | 'AutoML' 'Command' '레이블 지정' '파이프라인' 'Spark' 'Sweep'(필수) |
| labelCategories | 작업의 레이블 범주입니다. | LabelingJobLabelCategories |
| labelingJobMediaProperties | 작업에서 미디어 유형별 속성입니다. | LabelingJobMediaProperties |
| mlAssistConfiguration | 작업에서 MLAssist 기능의 구성입니다. | MLAssistConfiguration |
| notificationSetting | 작업에 대한 알림 설정 | notificationSetting |
| 속성 | 자산 속성 사전입니다. | ResourceBaseProperties |
| secretsConfiguration | 런타임 중에 사용할 수 있는 비밀에 대한 구성입니다. | jobBaseSecretsConfiguration |
| 서비스 | JobEndpoints 목록입니다. 로컬 작업의 경우 작업 엔드포인트의 엔드포인트 값은 FileStreamObject입니다. |
JobBaseServices |
| 태그 | 태그 사전입니다. 태그를 추가, 제거 및 업데이트할 수 있습니다. | 객체 |
LabelingDataConfiguration
| 이름 | 묘사 | 값 |
|---|---|---|
| dataId | 레이블 지정을 수행할 데이터 자산의 리소스 ID입니다. | 문자열 |
| incrementalDataRefresh | 증분 데이터 새로 고침을 사용할지 여부를 나타냅니다. | '사용 안 함' 'Enabled' |
LabelingJobInstructions
| 이름 | 묘사 | 값 |
|---|---|---|
| uri | 레이블 지정에 대한 자세한 레이블 지정 지침이 있는 페이지에 대한 링크입니다. | 문자열 |
LabelingJobLabelCategories
| 이름 | 묘사 | 값 |
|---|---|---|
| {customized property} | LabelCategory |
LabelCategory
| 이름 | 묘사 | 값 |
|---|---|---|
| 클래스 | 이 범주의 레이블 클래스 사전입니다. | LabelCategoryClasses |
| displayName | 레이블 범주의 표시 이름입니다. | 문자열 |
| multiSelect | 이 범주에서 여러 클래스를 선택할 수 있는지 여부를 나타냅니다. | '사용 안 함' 'Enabled' |
LabelCategoryClasses
| 이름 | 묘사 | 값 |
|---|---|---|
| {customized property} | labelClass |
LabelClass
| 이름 | 묘사 | 값 |
|---|---|---|
| displayName | 레이블 클래스의 표시 이름입니다. | 문자열 |
| 서브 클래스 | 레이블 클래스의 하위 클래스 사전입니다. | LabelClassSubclasses |
LabelClassSubclasses
| 이름 | 묘사 | 값 |
|---|---|---|
| {customized property} | labelClass |
LabelingJobMediaProperties
| 이름 | 묘사 | 값 |
|---|---|---|
| mediaType | 개체 유형 설정 |
이미지 텍스트(필수) |
LabelingJobImageProperties
| 이름 | 묘사 | 값 |
|---|---|---|
| mediaType | [필수] 작업의 미디어 유형입니다. | 'Image'(필수) |
| annotationType | 이미지 레이블 지정 작업의 주석 유형입니다. | 'BoundingBox' '분류' 'InstanceSegmentation' |
LabelingJobTextProperties
| 이름 | 묘사 | 값 |
|---|---|---|
| mediaType | [필수] 작업의 미디어 유형입니다. | 'Text'(필수) |
| annotationType | 텍스트 레이블 지정 작업의 주석 형식입니다. | '분류' 'NamedEntityRecognition' |
MLAssistConfiguration
| 이름 | 묘사 | 값 |
|---|---|---|
| mlAssist | 개체 유형 설정 |
사용 안 함 사용(필수) |
MLAssistConfigurationDisabled
| 이름 | 묘사 | 값 |
|---|---|---|
| mlAssist | [필수] MLAssist 기능을 사용할 수 있는지 여부를 나타냅니다. | 'Disabled'(필수) |
MLAssistConfigurationEnabled
| 이름 | 묘사 | 값 |
|---|---|---|
| mlAssist | [필수] MLAssist 기능을 사용할 수 있는지 여부를 나타냅니다. | 'Enabled'(필수) |
| inferencingComputeBinding | [필수] 추론에 사용되는 AML 컴퓨팅 바인딩입니다. | string(필수) 제약 조건: 최소 길이 = 1 패턴 = [a-zA-Z0-9_] |
| trainingComputeBinding | [필수] 학습에 사용되는 AML 컴퓨팅 바인딩입니다. | string(필수) 제약 조건: 최소 길이 = 1 패턴 = [a-zA-Z0-9_] |
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 | |
| sourceJobId | 원본 작업의 ARM 리소스 ID입니다. | 문자열 |
PipelineJobInputs
| 이름 | 묘사 | 값 |
|---|---|---|
| {customized property} | JobInput |
PipelineJobJobs
| 이름 | 묘사 | 값 |
|---|---|---|
| {customized property} |
PipelineJobOutputs
| 이름 | 묘사 | 값 |
|---|---|---|
| {customized property} | JobOutput |
SparkJob
| 이름 | 묘사 | 값 |
|---|---|---|
| jobType | [필수] 작업 유형을 지정합니다. | 'Spark'(필수) |
| 공문서 | 작업에 사용되는 파일을 보관합니다. | string[] |
| 인수(args) | 작업에 대한 인수입니다. | 문자열 |
| codeId | [필수] 코드 자산의 ARM 리소스 ID입니다. | string(필수) 제약 조건: 최소 길이 = 1 패턴 = [a-zA-Z0-9_] |
| conf | Spark가 구성한 속성입니다. | SparkJobConf |
| 항목 | [필수] 작업을 시작할 때 실행할 항목입니다. | SparkJobEntry(필수) |
| environmentId | 작업에 대한 환경 사양의 ARM 리소스 ID입니다. | 문자열 |
| environmentVariables | 작업에 포함된 환경 변수입니다. | SparkJobEnvironmentVariables |
| 파일 | 작업에 사용되는 파일입니다. | string[] |
| 입력 | 작업에 사용되는 입력 데이터 바인딩의 매핑입니다. | SparkJobInputs |
| 항아리 | 작업에 사용되는 Jar 파일입니다. | string[] |
| 출력 | 작업에 사용되는 출력 데이터 바인딩의 매핑입니다. | SparkJobOutputs |
| pyFiles | 작업에 사용되는 Python 파일입니다. | string[] |
| queueSettings | 작업에 대한 큐 설정 | QueueSettings |
| 리소스 | 작업에 대한 컴퓨팅 리소스 구성입니다. | SparkResourceConfiguration |
SparkJobConf
| 이름 | 묘사 | 값 |
|---|---|---|
| {customized property} | 문자열 |
SparkJobEntry
| 이름 | 묘사 | 값 |
|---|---|---|
| sparkJobEntryType | 개체 유형 설정 |
SparkJobPythonEntry SparkJobScalaEntry(필수) |
SparkJobPythonEntry
| 이름 | 묘사 | 값 |
|---|---|---|
| sparkJobEntryType | [필수] 작업의 진입점 유형입니다. | 'SparkJobPythonEntry'(필수) |
| 파일 | [필수] 작업 진입점에 대한 상대 Python 파일 경로입니다. | string(필수) 제약 조건: 최소 길이 = 1 패턴 = [a-zA-Z0-9_] |
SparkJobScalaEntry
| 이름 | 묘사 | 값 |
|---|---|---|
| sparkJobEntryType | [필수] 작업의 진입점 유형입니다. | 'SparkJobScalaEntry'(필수) |
| className | [필수] 진입점으로 사용되는 Scala 클래스 이름입니다. | string(필수) 제약 조건: 최소 길이 = 1 패턴 = [a-zA-Z0-9_] |
SparkJobEnvironmentVariables
| 이름 | 묘사 | 값 |
|---|---|---|
| {customized property} | 문자열 |
SparkJobInputs
| 이름 | 묘사 | 값 |
|---|---|---|
| {customized property} | JobInput |
SparkJobOutputs
| 이름 | 묘사 | 값 |
|---|---|---|
| {customized property} | JobOutput |
SparkResourceConfiguration
| 이름 | 묘사 | 값 |
|---|---|---|
| instanceType | 컴퓨팅 대상에서 지원하는 VM의 선택적 형식입니다. | 문자열 |
| runtimeVersion | 작업에 사용되는 Spark 런타임의 버전입니다. | 문자열 |
SweepJob
| 이름 | 묘사 | 값 |
|---|---|---|
| jobType | [필수] 작업 유형을 지정합니다. | 'Sweep'(필수) |
| componentConfiguration | 구성 요소 스윕에 대한 구성 요소 구성 | ComponentConfiguration |
| 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 |
| queueSettings | 작업에 대한 큐 설정 | QueueSettings |
| 리소스 | 작업에 대한 컴퓨팅 리소스 구성입니다. | JobResourceConfiguration |
| 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 |
ComponentConfiguration
| 이름 | 묘사 | 값 |
|---|---|---|
| pipelineSettings | ContinueRunOnStepFailure 등의 파이프라인 설정 |
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: 최소 길이 = 1 패턴 = [a-zA-Z0-9_] |
SweepJobOutputs
| 이름 | 묘사 | 값 |
|---|---|---|
| {customized property} | JobOutput |
SamplingAlgorithm
| 이름 | 묘사 | 값 |
|---|---|---|
| samplingAlgorithmType | 개체 유형 설정 |
베이지안 Grid 임의 |
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) |
| logbase | 로그 기반 임의 샘플링의 기준으로 사용할 문자열 형식의 선택적 양수 또는 e | 문자열 |
| 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: 최소 길이 = 1 패턴 = [a-zA-Z0-9_] |
| environmentVariables | 작업에 포함된 환경 변수입니다. | trialComponentEnvironmentVariables |
| 리소스 | 작업에 대한 컴퓨팅 리소스 구성입니다. | JobResourceConfiguration |
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 |
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@2023-08-01-preview"
name = "string"
parent_id = "string"
body = jsonencode({
properties = {
componentId = "string"
computeId = "string"
description = "string"
displayName = "string"
experimentName = "string"
identity = {
identityType = "string"
// For remaining properties, see IdentityConfiguration objects
}
isArchived = bool
notificationSetting = {
emailOn = [
"string"
]
emails = [
"string"
]
webhooks = {
{customized property} = {
eventType = "string"
webhookType = "string"
// For remaining properties, see Webhook objects
}
}
}
properties = {
{customized property} = "string"
}
secretsConfiguration = {
{customized property} = {
uri = "string"
workspaceSecretName = "string"
}
}
services = {
{customized property} = {
endpoint = "string"
jobServiceType = "string"
nodes = {
nodesValueType = "string"
// For remaining properties, see Nodes objects
}
port = int
properties = {
{customized property} = "string"
}
}
}
tags = {}
jobType = "string"
// For remaining properties, see JobBaseProperties objects
}
})
}
JobBaseProperties 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
}
}
queueSettings = {
jobTier = "string"
priority = int
}
resources = {
dockerArgs = "string"
instanceCount = int
instanceType = "string"
locations = [
"string"
]
maxInstanceCount = int
properties = {}
shmSize = "string"
}
taskDetails = {
logVerbosity = "string"
targetColumnName = "string"
trainingData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
taskType = "string"
// For remaining properties, see AutoMLVertical objects
}
명령경우 다음을 사용합니다.
jobType = "Command"
autologgerSettings = {
mlflowAutologger = "string"
}
codeId = "string"
command = "string"
distribution = {
distributionType = "string"
// For remaining properties, see DistributionConfiguration objects
}
environmentId = "string"
environmentVariables = {
{customized property} = "string"
}
inputs = {
{customized property} = {
description = "string"
jobInputType = "string"
// For remaining properties, see JobInput objects
}
}
limits = {
jobLimitsType = "string"
timeout = "string"
}
outputs = {
{customized property} = {
description = "string"
jobOutputType = "string"
// For remaining properties, see JobOutput objects
}
}
queueSettings = {
jobTier = "string"
priority = int
}
resources = {
dockerArgs = "string"
instanceCount = int
instanceType = "string"
locations = [
"string"
]
maxInstanceCount = int
properties = {}
shmSize = "string"
}
레이블 지정경우 다음을 사용합니다.
jobType = "Labeling"
dataConfiguration = {
dataId = "string"
incrementalDataRefresh = "string"
}
jobInstructions = {
uri = "string"
}
labelCategories = {
{customized property} = {
classes = {
{customized property} = {
displayName = "string"
subclasses = {
{customized property} = {}
}
}
displayName = "string"
multiSelect = "string"
}
}
labelingJobMediaProperties = {
mediaType = "string"
// For remaining properties, see LabelingJobMediaProperties objects
}
mlAssistConfiguration = {
mlAssist = "string"
// For remaining properties, see MLAssistConfiguration objects
}
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
}
}
sourceJobId = "string"
spark
jobType = "Spark"
archives = [
"string"
]
args = "string"
codeId = "string"
conf = {
{customized property} = "string"
}
entry = {
sparkJobEntryType = "string"
// For remaining properties, see SparkJobEntry objects
}
environmentId = "string"
environmentVariables = {
{customized property} = "string"
}
files = [
"string"
]
inputs = {
{customized property} = {
description = "string"
jobInputType = "string"
// For remaining properties, see JobInput objects
}
}
jars = [
"string"
]
outputs = {
{customized property} = {
description = "string"
jobOutputType = "string"
// For remaining properties, see JobOutput objects
}
}
pyFiles = [
"string"
]
queueSettings = {
jobTier = "string"
priority = int
}
resources = {
instanceType = "string"
runtimeVersion = "string"
}
스윕경우 다음을 사용합니다.
jobType = "Sweep"
componentConfiguration = {}
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
inputs = {
{customized property} = {
description = "string"
jobInputType = "string"
// For remaining properties, see JobInput objects
}
}
limits = {
jobLimitsType = "string"
maxConcurrentTrials = int
maxTotalTrials = int
timeout = "string"
trialTimeout = "string"
}
objective = {
goal = "string"
primaryMetric = "string"
}
outputs = {
{customized property} = {
description = "string"
jobOutputType = "string"
// For remaining properties, see JobOutput objects
}
}
queueSettings = {
jobTier = "string"
priority = int
}
resources = {
dockerArgs = "string"
instanceCount = int
instanceType = "string"
locations = [
"string"
]
maxInstanceCount = int
properties = {}
shmSize = "string"
}
samplingAlgorithm = {
samplingAlgorithmType = "string"
// For remaining properties, see SamplingAlgorithm objects
}
trial = {
codeId = "string"
command = "string"
distribution = {
distributionType = "string"
// For remaining properties, see DistributionConfiguration objects
}
environmentId = "string"
environmentVariables = {
{customized property} = "string"
}
resources = {
dockerArgs = "string"
instanceCount = int
instanceType = "string"
locations = [
"string"
]
maxInstanceCount = int
properties = {}
shmSize = "string"
}
}
IdentityConfiguration 개체
identityType 속성을 설정하여 개체 유형을 지정합니다.
AMLToken
identityType = "AMLToken"
관리되는경우 다음을 사용합니다.
identityType = "Managed"
clientId = "string"
objectId = "string"
resourceId = "string"
userIdentity
identityType = "UserIdentity"
웹후크 개체
webhookType 속성을 설정하여 개체 유형을 지정합니다.
azureDevOps
webhookType = "AzureDevOps"
노드 개체
nodesValueType 속성을 설정하여 개체 유형을 지정합니다.
모든
nodesValueType = "All"
JobOutput 개체
jobOutputType 속성을 설정하여 개체 유형을 지정합니다.
custom_model경우 다음을 사용합니다.
jobOutputType = "custom_model"
assetName = "string"
assetVersion = "string"
autoDeleteSetting = {
condition = "string"
value = "string"
}
mode = "string"
uri = "string"
mlflow_model경우 다음을 사용합니다.
jobOutputType = "mlflow_model"
assetName = "string"
assetVersion = "string"
autoDeleteSetting = {
condition = "string"
value = "string"
}
mode = "string"
uri = "string"
mltable
jobOutputType = "mltable"
assetName = "string"
assetVersion = "string"
autoDeleteSetting = {
condition = "string"
value = "string"
}
mode = "string"
uri = "string"
triton_model경우 다음을 사용합니다.
jobOutputType = "triton_model"
assetName = "string"
assetVersion = "string"
autoDeleteSetting = {
condition = "string"
value = "string"
}
mode = "string"
uri = "string"
uri_file경우 다음을 사용합니다.
jobOutputType = "uri_file"
assetName = "string"
assetVersion = "string"
autoDeleteSetting = {
condition = "string"
value = "string"
}
mode = "string"
uri = "string"
uri_folder경우 다음을 사용합니다.
jobOutputType = "uri_folder"
assetName = "string"
assetVersion = "string"
autoDeleteSetting = {
condition = "string"
value = "string"
}
mode = "string"
uri = "string"
AutoMLVertical 개체
taskType 속성을 설정하여 개체 유형을 지정합니다.
분류경우 다음을 사용합니다.
taskType = "Classification"
cvSplitColumnNames = [
"string"
]
featurizationSettings = {
blockedTransformers = [
"string"
]
columnNameAndTypes = {
{customized property} = "string"
}
datasetLanguage = "string"
enableDnnFeaturization = bool
mode = "string"
transformerParams = {
{customized property} = [
{
fields = [
"string"
]
}
]
}
}
fixedParameters = {
booster = "string"
boostingType = "string"
growPolicy = "string"
learningRate = int
maxBin = int
maxDepth = int
maxLeaves = int
minDataInLeaf = int
minSplitGain = int
modelName = "string"
nEstimators = int
numLeaves = int
preprocessorName = "string"
regAlpha = int
regLambda = int
subsample = int
subsampleFreq = int
treeMethod = "string"
withMean = bool
withStd = bool
}
limitSettings = {
enableEarlyTermination = bool
exitScore = int
maxConcurrentTrials = int
maxCoresPerTrial = int
maxNodes = int
maxTrials = int
sweepConcurrentTrials = int
sweepTrials = int
timeout = "string"
trialTimeout = "string"
}
nCrossValidations = {
mode = "string"
// For remaining properties, see NCrossValidations objects
}
positiveLabel = "string"
primaryMetric = "string"
searchSpace = [
{
booster = "string"
boostingType = "string"
growPolicy = "string"
learningRate = "string"
maxBin = "string"
maxDepth = "string"
maxLeaves = "string"
minDataInLeaf = "string"
minSplitGain = "string"
modelName = "string"
nEstimators = "string"
numLeaves = "string"
preprocessorName = "string"
regAlpha = "string"
regLambda = "string"
subsample = "string"
subsampleFreq = "string"
treeMethod = "string"
withMean = "string"
withStd = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm = "string"
}
testData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
testDataSize = int
trainingSettings = {
allowedTrainingAlgorithms = [
"string"
]
blockedTrainingAlgorithms = [
"string"
]
enableDnnTraining = bool
enableModelExplainability = bool
enableOnnxCompatibleModels = bool
enableStackEnsemble = bool
enableVoteEnsemble = bool
ensembleModelDownloadTimeout = "string"
stackEnsembleSettings = {
stackMetaLearnerTrainPercentage = int
stackMetaLearnerType = "string"
}
trainingMode = "string"
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
validationDataSize = int
weightColumnName = "string"
예측경우 다음을 사용합니다.
taskType = "Forecasting"
cvSplitColumnNames = [
"string"
]
featurizationSettings = {
blockedTransformers = [
"string"
]
columnNameAndTypes = {
{customized property} = "string"
}
datasetLanguage = "string"
enableDnnFeaturization = bool
mode = "string"
transformerParams = {
{customized property} = [
{
fields = [
"string"
]
}
]
}
}
fixedParameters = {
booster = "string"
boostingType = "string"
growPolicy = "string"
learningRate = int
maxBin = int
maxDepth = int
maxLeaves = int
minDataInLeaf = int
minSplitGain = int
modelName = "string"
nEstimators = int
numLeaves = int
preprocessorName = "string"
regAlpha = int
regLambda = int
subsample = int
subsampleFreq = int
treeMethod = "string"
withMean = bool
withStd = bool
}
forecastingSettings = {
countryOrRegionForHolidays = "string"
cvStepSize = int
featureLags = "string"
featuresUnknownAtForecastTime = [
"string"
]
forecastHorizon = {
mode = "string"
// For remaining properties, see ForecastHorizon objects
}
frequency = "string"
seasonality = {
mode = "string"
// For remaining properties, see Seasonality objects
}
shortSeriesHandlingConfig = "string"
targetAggregateFunction = "string"
targetLags = {
mode = "string"
// For remaining properties, see TargetLags objects
}
targetRollingWindowSize = {
mode = "string"
// For remaining properties, see TargetRollingWindowSize objects
}
timeColumnName = "string"
timeSeriesIdColumnNames = [
"string"
]
useStl = "string"
}
limitSettings = {
enableEarlyTermination = bool
exitScore = int
maxConcurrentTrials = int
maxCoresPerTrial = int
maxNodes = int
maxTrials = int
sweepConcurrentTrials = int
sweepTrials = int
timeout = "string"
trialTimeout = "string"
}
nCrossValidations = {
mode = "string"
// For remaining properties, see NCrossValidations objects
}
primaryMetric = "string"
searchSpace = [
{
booster = "string"
boostingType = "string"
growPolicy = "string"
learningRate = "string"
maxBin = "string"
maxDepth = "string"
maxLeaves = "string"
minDataInLeaf = "string"
minSplitGain = "string"
modelName = "string"
nEstimators = "string"
numLeaves = "string"
preprocessorName = "string"
regAlpha = "string"
regLambda = "string"
subsample = "string"
subsampleFreq = "string"
treeMethod = "string"
withMean = "string"
withStd = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm = "string"
}
testData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
testDataSize = int
trainingSettings = {
allowedTrainingAlgorithms = [
"string"
]
blockedTrainingAlgorithms = [
"string"
]
enableDnnTraining = bool
enableModelExplainability = bool
enableOnnxCompatibleModels = bool
enableStackEnsemble = bool
enableVoteEnsemble = bool
ensembleModelDownloadTimeout = "string"
stackEnsembleSettings = {
stackMetaLearnerTrainPercentage = int
stackMetaLearnerType = "string"
}
trainingMode = "string"
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
validationDataSize = int
weightColumnName = "string"
imageClassification
taskType = "ImageClassification"
limitSettings = {
maxConcurrentTrials = int
maxTrials = int
timeout = "string"
}
modelSettings = {
advancedSettings = "string"
amsGradient = bool
augmentations = "string"
beta1 = int
beta2 = int
checkpointFrequency = int
checkpointModel = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
checkpointRunId = "string"
distributed = bool
earlyStopping = bool
earlyStoppingDelay = int
earlyStoppingPatience = int
enableOnnxNormalization = bool
evaluationFrequency = int
gradientAccumulationStep = int
layersToFreeze = int
learningRate = int
learningRateScheduler = "string"
modelName = "string"
momentum = int
nesterov = bool
numberOfEpochs = int
numberOfWorkers = int
optimizer = "string"
randomSeed = int
stepLRGamma = int
stepLRStepSize = int
trainingBatchSize = int
trainingCropSize = int
validationBatchSize = int
validationCropSize = int
validationResizeSize = int
warmupCosineLRCycles = int
warmupCosineLRWarmupEpochs = int
weightDecay = int
weightedLoss = int
}
primaryMetric = "string"
searchSpace = [
{
amsGradient = "string"
augmentations = "string"
beta1 = "string"
beta2 = "string"
distributed = "string"
earlyStopping = "string"
earlyStoppingDelay = "string"
earlyStoppingPatience = "string"
enableOnnxNormalization = "string"
evaluationFrequency = "string"
gradientAccumulationStep = "string"
layersToFreeze = "string"
learningRate = "string"
learningRateScheduler = "string"
modelName = "string"
momentum = "string"
nesterov = "string"
numberOfEpochs = "string"
numberOfWorkers = "string"
optimizer = "string"
randomSeed = "string"
stepLRGamma = "string"
stepLRStepSize = "string"
trainingBatchSize = "string"
trainingCropSize = "string"
validationBatchSize = "string"
validationCropSize = "string"
validationResizeSize = "string"
warmupCosineLRCycles = "string"
warmupCosineLRWarmupEpochs = "string"
weightDecay = "string"
weightedLoss = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm = "string"
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
validationDataSize = int
imageClassificationMultilabel
taskType = "ImageClassificationMultilabel"
limitSettings = {
maxConcurrentTrials = int
maxTrials = int
timeout = "string"
}
modelSettings = {
advancedSettings = "string"
amsGradient = bool
augmentations = "string"
beta1 = int
beta2 = int
checkpointFrequency = int
checkpointModel = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
checkpointRunId = "string"
distributed = bool
earlyStopping = bool
earlyStoppingDelay = int
earlyStoppingPatience = int
enableOnnxNormalization = bool
evaluationFrequency = int
gradientAccumulationStep = int
layersToFreeze = int
learningRate = int
learningRateScheduler = "string"
modelName = "string"
momentum = int
nesterov = bool
numberOfEpochs = int
numberOfWorkers = int
optimizer = "string"
randomSeed = int
stepLRGamma = int
stepLRStepSize = int
trainingBatchSize = int
trainingCropSize = int
validationBatchSize = int
validationCropSize = int
validationResizeSize = int
warmupCosineLRCycles = int
warmupCosineLRWarmupEpochs = int
weightDecay = int
weightedLoss = int
}
primaryMetric = "string"
searchSpace = [
{
amsGradient = "string"
augmentations = "string"
beta1 = "string"
beta2 = "string"
distributed = "string"
earlyStopping = "string"
earlyStoppingDelay = "string"
earlyStoppingPatience = "string"
enableOnnxNormalization = "string"
evaluationFrequency = "string"
gradientAccumulationStep = "string"
layersToFreeze = "string"
learningRate = "string"
learningRateScheduler = "string"
modelName = "string"
momentum = "string"
nesterov = "string"
numberOfEpochs = "string"
numberOfWorkers = "string"
optimizer = "string"
randomSeed = "string"
stepLRGamma = "string"
stepLRStepSize = "string"
trainingBatchSize = "string"
trainingCropSize = "string"
validationBatchSize = "string"
validationCropSize = "string"
validationResizeSize = "string"
warmupCosineLRCycles = "string"
warmupCosineLRWarmupEpochs = "string"
weightDecay = "string"
weightedLoss = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm = "string"
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
validationDataSize = int
imageInstanceSegmentation
taskType = "ImageInstanceSegmentation"
limitSettings = {
maxConcurrentTrials = int
maxTrials = int
timeout = "string"
}
modelSettings = {
advancedSettings = "string"
amsGradient = bool
augmentations = "string"
beta1 = int
beta2 = int
boxDetectionsPerImage = int
boxScoreThreshold = int
checkpointFrequency = int
checkpointModel = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
checkpointRunId = "string"
distributed = bool
earlyStopping = bool
earlyStoppingDelay = int
earlyStoppingPatience = int
enableOnnxNormalization = bool
evaluationFrequency = int
gradientAccumulationStep = int
imageSize = int
layersToFreeze = int
learningRate = int
learningRateScheduler = "string"
logTrainingMetrics = "string"
logValidationLoss = "string"
maxSize = int
minSize = int
modelName = "string"
modelSize = "string"
momentum = int
multiScale = bool
nesterov = bool
nmsIouThreshold = int
numberOfEpochs = int
numberOfWorkers = int
optimizer = "string"
randomSeed = int
stepLRGamma = int
stepLRStepSize = int
tileGridSize = "string"
tileOverlapRatio = int
tilePredictionsNmsThreshold = int
trainingBatchSize = int
validationBatchSize = int
validationIouThreshold = int
validationMetricType = "string"
warmupCosineLRCycles = int
warmupCosineLRWarmupEpochs = int
weightDecay = int
}
primaryMetric = "MeanAveragePrecision"
searchSpace = [
{
amsGradient = "string"
augmentations = "string"
beta1 = "string"
beta2 = "string"
boxDetectionsPerImage = "string"
boxScoreThreshold = "string"
distributed = "string"
earlyStopping = "string"
earlyStoppingDelay = "string"
earlyStoppingPatience = "string"
enableOnnxNormalization = "string"
evaluationFrequency = "string"
gradientAccumulationStep = "string"
imageSize = "string"
layersToFreeze = "string"
learningRate = "string"
learningRateScheduler = "string"
maxSize = "string"
minSize = "string"
modelName = "string"
modelSize = "string"
momentum = "string"
multiScale = "string"
nesterov = "string"
nmsIouThreshold = "string"
numberOfEpochs = "string"
numberOfWorkers = "string"
optimizer = "string"
randomSeed = "string"
stepLRGamma = "string"
stepLRStepSize = "string"
tileGridSize = "string"
tileOverlapRatio = "string"
tilePredictionsNmsThreshold = "string"
trainingBatchSize = "string"
validationBatchSize = "string"
validationIouThreshold = "string"
validationMetricType = "string"
warmupCosineLRCycles = "string"
warmupCosineLRWarmupEpochs = "string"
weightDecay = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm = "string"
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
validationDataSize = int
imageObjectDetection
taskType = "ImageObjectDetection"
limitSettings = {
maxConcurrentTrials = int
maxTrials = int
timeout = "string"
}
modelSettings = {
advancedSettings = "string"
amsGradient = bool
augmentations = "string"
beta1 = int
beta2 = int
boxDetectionsPerImage = int
boxScoreThreshold = int
checkpointFrequency = int
checkpointModel = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
checkpointRunId = "string"
distributed = bool
earlyStopping = bool
earlyStoppingDelay = int
earlyStoppingPatience = int
enableOnnxNormalization = bool
evaluationFrequency = int
gradientAccumulationStep = int
imageSize = int
layersToFreeze = int
learningRate = int
learningRateScheduler = "string"
logTrainingMetrics = "string"
logValidationLoss = "string"
maxSize = int
minSize = int
modelName = "string"
modelSize = "string"
momentum = int
multiScale = bool
nesterov = bool
nmsIouThreshold = int
numberOfEpochs = int
numberOfWorkers = int
optimizer = "string"
randomSeed = int
stepLRGamma = int
stepLRStepSize = int
tileGridSize = "string"
tileOverlapRatio = int
tilePredictionsNmsThreshold = int
trainingBatchSize = int
validationBatchSize = int
validationIouThreshold = int
validationMetricType = "string"
warmupCosineLRCycles = int
warmupCosineLRWarmupEpochs = int
weightDecay = int
}
primaryMetric = "MeanAveragePrecision"
searchSpace = [
{
amsGradient = "string"
augmentations = "string"
beta1 = "string"
beta2 = "string"
boxDetectionsPerImage = "string"
boxScoreThreshold = "string"
distributed = "string"
earlyStopping = "string"
earlyStoppingDelay = "string"
earlyStoppingPatience = "string"
enableOnnxNormalization = "string"
evaluationFrequency = "string"
gradientAccumulationStep = "string"
imageSize = "string"
layersToFreeze = "string"
learningRate = "string"
learningRateScheduler = "string"
maxSize = "string"
minSize = "string"
modelName = "string"
modelSize = "string"
momentum = "string"
multiScale = "string"
nesterov = "string"
nmsIouThreshold = "string"
numberOfEpochs = "string"
numberOfWorkers = "string"
optimizer = "string"
randomSeed = "string"
stepLRGamma = "string"
stepLRStepSize = "string"
tileGridSize = "string"
tileOverlapRatio = "string"
tilePredictionsNmsThreshold = "string"
trainingBatchSize = "string"
validationBatchSize = "string"
validationIouThreshold = "string"
validationMetricType = "string"
warmupCosineLRCycles = "string"
warmupCosineLRWarmupEpochs = "string"
weightDecay = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm = "string"
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
validationDataSize = int
회귀경우 다음을 사용합니다.
taskType = "Regression"
cvSplitColumnNames = [
"string"
]
featurizationSettings = {
blockedTransformers = [
"string"
]
columnNameAndTypes = {
{customized property} = "string"
}
datasetLanguage = "string"
enableDnnFeaturization = bool
mode = "string"
transformerParams = {
{customized property} = [
{
fields = [
"string"
]
}
]
}
}
fixedParameters = {
booster = "string"
boostingType = "string"
growPolicy = "string"
learningRate = int
maxBin = int
maxDepth = int
maxLeaves = int
minDataInLeaf = int
minSplitGain = int
modelName = "string"
nEstimators = int
numLeaves = int
preprocessorName = "string"
regAlpha = int
regLambda = int
subsample = int
subsampleFreq = int
treeMethod = "string"
withMean = bool
withStd = bool
}
limitSettings = {
enableEarlyTermination = bool
exitScore = int
maxConcurrentTrials = int
maxCoresPerTrial = int
maxNodes = int
maxTrials = int
sweepConcurrentTrials = int
sweepTrials = int
timeout = "string"
trialTimeout = "string"
}
nCrossValidations = {
mode = "string"
// For remaining properties, see NCrossValidations objects
}
primaryMetric = "string"
searchSpace = [
{
booster = "string"
boostingType = "string"
growPolicy = "string"
learningRate = "string"
maxBin = "string"
maxDepth = "string"
maxLeaves = "string"
minDataInLeaf = "string"
minSplitGain = "string"
modelName = "string"
nEstimators = "string"
numLeaves = "string"
preprocessorName = "string"
regAlpha = "string"
regLambda = "string"
subsample = "string"
subsampleFreq = "string"
treeMethod = "string"
withMean = "string"
withStd = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm = "string"
}
testData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
testDataSize = int
trainingSettings = {
allowedTrainingAlgorithms = [
"string"
]
blockedTrainingAlgorithms = [
"string"
]
enableDnnTraining = bool
enableModelExplainability = bool
enableOnnxCompatibleModels = bool
enableStackEnsemble = bool
enableVoteEnsemble = bool
ensembleModelDownloadTimeout = "string"
stackEnsembleSettings = {
stackMetaLearnerTrainPercentage = int
stackMetaLearnerType = "string"
}
trainingMode = "string"
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
validationDataSize = int
weightColumnName = "string"
textClassification
taskType = "TextClassification"
featurizationSettings = {
datasetLanguage = "string"
}
fixedParameters = {
gradientAccumulationSteps = int
learningRate = int
learningRateScheduler = "string"
modelName = "string"
numberOfEpochs = int
trainingBatchSize = int
validationBatchSize = int
warmupRatio = int
weightDecay = int
}
limitSettings = {
maxConcurrentTrials = int
maxNodes = int
maxTrials = int
timeout = "string"
trialTimeout = "string"
}
primaryMetric = "string"
searchSpace = [
{
gradientAccumulationSteps = "string"
learningRate = "string"
learningRateScheduler = "string"
modelName = "string"
numberOfEpochs = "string"
trainingBatchSize = "string"
validationBatchSize = "string"
warmupRatio = "string"
weightDecay = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm = "string"
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
TextClassificationMultilabel
taskType = "TextClassificationMultilabel"
featurizationSettings = {
datasetLanguage = "string"
}
fixedParameters = {
gradientAccumulationSteps = int
learningRate = int
learningRateScheduler = "string"
modelName = "string"
numberOfEpochs = int
trainingBatchSize = int
validationBatchSize = int
warmupRatio = int
weightDecay = int
}
limitSettings = {
maxConcurrentTrials = int
maxNodes = int
maxTrials = int
timeout = "string"
trialTimeout = "string"
}
searchSpace = [
{
gradientAccumulationSteps = "string"
learningRate = "string"
learningRateScheduler = "string"
modelName = "string"
numberOfEpochs = "string"
trainingBatchSize = "string"
validationBatchSize = "string"
warmupRatio = "string"
weightDecay = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm = "string"
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
TextNER
taskType = "TextNER"
featurizationSettings = {
datasetLanguage = "string"
}
fixedParameters = {
gradientAccumulationSteps = int
learningRate = int
learningRateScheduler = "string"
modelName = "string"
numberOfEpochs = int
trainingBatchSize = int
validationBatchSize = int
warmupRatio = int
weightDecay = int
}
limitSettings = {
maxConcurrentTrials = int
maxNodes = int
maxTrials = int
timeout = "string"
trialTimeout = "string"
}
searchSpace = [
{
gradientAccumulationSteps = "string"
learningRate = "string"
learningRateScheduler = "string"
modelName = "string"
numberOfEpochs = "string"
trainingBatchSize = "string"
validationBatchSize = "string"
warmupRatio = "string"
weightDecay = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm = "string"
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
NCrossValidations 개체
개체 유형을 지정하려면 모드 속성을 설정합니다.
자동
mode = "Auto"
사용자 지정
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
ForecastHorizon 개체
개체 유형을 지정하려면 모드 속성을 설정합니다.
자동
mode = "Auto"
사용자 지정
mode = "Custom"
value = int
계절성 개체
개체 유형을 지정하려면 모드 속성을 설정합니다.
자동
mode = "Auto"
사용자 지정
mode = "Custom"
value = int
TargetLags 개체
개체 유형을 지정하려면 모드 속성을 설정합니다.
자동
mode = "Auto"
사용자 지정
mode = "Custom"
values = [
int
]
TargetRollingWindowSize 개체
개체 유형을 지정하려면 모드 속성을 설정합니다.
자동
mode = "Auto"
사용자 지정
mode = "Custom"
value = int
DistributionConfiguration 개체
distributionType 속성을 설정하여 개체 유형을 지정합니다.
Mpi경우 다음을 사용합니다.
distributionType = "Mpi"
processCountPerInstance = int
PyTorch
distributionType = "PyTorch"
processCountPerInstance = int
Ray경우 다음을 사용합니다.
distributionType = "Ray"
address = "string"
dashboardPort = int
headNodeAdditionalArgs = "string"
includeDashboard = bool
port = int
workerNodeAdditionalArgs = "string"
TensorFlow경우 다음을 사용합니다.
distributionType = "TensorFlow"
parameterServerCount = int
workerCount = int
JobInput 개체
개체 유형을 지정하려면 jobInputType 속성을 설정합니다.
custom_model경우 다음을 사용합니다.
jobInputType = "custom_model"
mode = "string"
uri = "string"
리터럴경우 다음을 사용합니다.
jobInputType = "literal"
value = "string"
mlflow_model경우 다음을 사용합니다.
jobInputType = "mlflow_model"
mode = "string"
uri = "string"
mltable
jobInputType = "mltable"
mode = "string"
uri = "string"
triton_model경우 다음을 사용합니다.
jobInputType = "triton_model"
mode = "string"
uri = "string"
uri_file경우 다음을 사용합니다.
jobInputType = "uri_file"
mode = "string"
uri = "string"
uri_folder경우 다음을 사용합니다.
jobInputType = "uri_folder"
mode = "string"
uri = "string"
LabelingJobMediaProperties 개체
mediaType 속성을 설정하여 개체 유형을 지정합니다.
이미지경우 다음을 사용합니다.
mediaType = "Image"
annotationType = "string"
텍스트
mediaType = "Text"
annotationType = "string"
MLAssistConfiguration 개체
mlAssist 속성을 설정하여 개체 유형을 지정합니다.
사용 안 함경우 다음을 사용합니다.
mlAssist = "Disabled"
사용경우 다음을 사용합니다.
mlAssist = "Enabled"
inferencingComputeBinding = "string"
trainingComputeBinding = "string"
SparkJobEntry 개체
sparkJobEntryType 속성을 설정하여 개체 유형을 지정합니다.
SparkJobPythonEntry경우 다음을 사용합니다.
sparkJobEntryType = "SparkJobPythonEntry"
file = "string"
SparkJobScalaEntry경우 다음을 사용합니다.
sparkJobEntryType = "SparkJobScalaEntry"
className = "string"
SamplingAlgorithm 개체
샘플링AlgorithmType 속성을 설정하여 개체 유형을 지정합니다.
Bayesian경우 다음을 사용합니다.
samplingAlgorithmType = "Bayesian"
Grid경우 다음을 사용합니다.
samplingAlgorithmType = "Grid"
임의
samplingAlgorithmType = "Random"
logbase = "string"
rule = "string"
seed = int
속성 값
작업 영역/작업
| 이름 | 묘사 | 값 |
|---|---|---|
| 형 | 리소스 종류 | "Microsoft.MachineLearningServices/workspaces/jobs@2023-08-01-preview" |
| 이름 | 리소스 이름 | string(필수) |
| parent_id | 이 리소스의 부모인 리소스의 ID입니다. | 형식 리소스의 ID: 작업 영역 |
| 속성 | [필수] 엔터티의 추가 특성입니다. | JobBaseProperties(필수) |
JobBaseProperties
| 이름 | 묘사 | 값 |
|---|---|---|
| componentId | 구성 요소 리소스의 ARM 리소스 ID입니다. | 문자열 |
| 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 |
| notificationSetting | 작업에 대한 알림 설정 | notificationSetting |
| 속성 | 자산 속성 사전입니다. | ResourceBaseProperties |
| secretsConfiguration | 런타임 중에 사용할 수 있는 비밀에 대한 구성입니다. | jobBaseSecretsConfiguration |
| 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 레이블 지정 파이프라인 Spark 스윕(필수) |
IdentityConfiguration
| 이름 | 묘사 | 값 |
|---|---|---|
| identityType | 개체 유형 설정 | AMLToken 관리되는 userIdentity |
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) |
NotificationSetting
| 이름 | 묘사 | 값 |
|---|---|---|
| emailOn | 지정된 알림 유형에서 사용자에게 전자 메일 알림 보내기 | 다음 중 어느 것을 포함하는 문자열 배열: "JobCancelled" "JobCompleted" "JobFailed" |
| 전자 메일 | 쉼표 구분 기호를 사용하여 총 구성에서 499자로 제한되는 전자 메일 받는 사람 목록입니다. | string[] |
| 웹후크 | 서비스에 웹후크 콜백을 보냅니다. 키는 웹후크의 사용자 제공 이름입니다. | NotificationSettingWebhooks |
NotificationSettingWebhooks
| 이름 | 묘사 | 값 |
|---|---|---|
| {customized property} | 웹후크 |
웹후크
| 이름 | 묘사 | 값 |
|---|---|---|
| eventType | 지정된 알림 이벤트에 콜백 보내기 | 문자열 |
| webhookType | 개체 유형 설정 | AzureDevOps |
AzureDevOpsWebhook
| 이름 | 묘사 | 값 |
|---|---|---|
| webhookType | [필수] 콜백을 보낼 서비스 유형을 지정합니다. | "AzureDevOps"(필수) |
ResourceBaseProperties
| 이름 | 묘사 | 값 |
|---|---|---|
| {customized property} | 문자열 |
JobBaseSecretsConfiguration
| 이름 | 묘사 | 값 |
|---|---|---|
| {customized property} | SecretConfiguration |
SecretConfiguration
| 이름 | 묘사 | 값 |
|---|---|---|
| uri | 비밀 Uri입니다. 샘플 URI: https://myvault.vault.azure.net/secrets/mysecretname/secretversion |
문자열 |
| workspaceSecretName | 작업 영역 키 자격 증명 모음의 비밀 이름입니다. | 문자열 |
JobBaseServices
| 이름 | 묘사 | 값 |
|---|---|---|
| {customized property} | jobService |
JobService
| 이름 | 묘사 | 값 |
|---|---|---|
| 끝점 | 엔드포인트의 URL입니다. | 문자열 |
| jobServiceType | 엔드포인트 유형입니다. | 문자열 |
| 노드 | 사용자가 서비스를 시작하려는 노드입니다. 노드가 null로 설정되거나 설정되지 않은 경우 서비스는 리더 노드에서만 시작됩니다. |
노드 |
| 항구 | 사용자가 설정한 엔드포인트에 대한 포트입니다. | int |
| 속성 | 엔드포인트에서 설정할 추가 속성입니다. | JobServiceProperties |
노드
| 이름 | 묘사 | 값 |
|---|---|---|
| nodesValueType | 개체 유형 설정 | 모든 |
AllNodes
| 이름 | 묘사 | 값 |
|---|---|---|
| nodesValueType | [필수] 노드 값의 형식 | "All"(필수) |
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 |
| queueSettings | 작업에 대한 큐 설정 | QueueSettings |
| 리소스 | 작업에 대한 컴퓨팅 리소스 구성입니다. | JobResourceConfiguration |
| taskDetails | [필수] 테이블/NLP/이미지 중 하나일 수 있는 시나리오를 나타냅니다. | autoMLVertical |
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 |
custom_model mlflow_model mltable triton_model uri_file uri_folder(필수) |
CustomModelJobOutput
| 이름 | 묘사 | 값 |
|---|---|---|
| jobOutputType | [필수] 작업 유형을 지정합니다. | "custom_model"(필수) |
| assetName | 출력 자산 이름입니다. | 문자열 |
| assetVersion | 출력 자산 버전입니다. | 문자열 |
| autoDeleteSetting | 출력 데이터 자산의 자동 삭제 설정입니다. | autoDeleteSetting |
| 모드 | 출력 자산 배달 모드입니다. | "Direct" "ReadWriteMount" "업로드" |
| uri | 출력 자산 URI입니다. | 문자열 |
AutoDeleteSetting
| 이름 | 묘사 | 값 |
|---|---|---|
| 조건 | 자산이 만료되었는지 확인하는 경우 | "CreatedGreaterThan" "LastAccessedGreaterThan" |
| 값 | 만료 조건 값입니다. | 문자열 |
MLFlowModelJobOutput
| 이름 | 묘사 | 값 |
|---|---|---|
| jobOutputType | [필수] 작업 유형을 지정합니다. | "mlflow_model"(필수) |
| assetName | 출력 자산 이름입니다. | 문자열 |
| assetVersion | 출력 자산 버전입니다. | 문자열 |
| autoDeleteSetting | 출력 데이터 자산의 자동 삭제 설정입니다. | autoDeleteSetting |
| 모드 | 출력 자산 배달 모드입니다. | "Direct" "ReadWriteMount" "업로드" |
| uri | 출력 자산 URI입니다. | 문자열 |
MLTableJobOutput
| 이름 | 묘사 | 값 |
|---|---|---|
| jobOutputType | [필수] 작업 유형을 지정합니다. | "mltable"(필수) |
| assetName | 출력 자산 이름입니다. | 문자열 |
| assetVersion | 출력 자산 버전입니다. | 문자열 |
| autoDeleteSetting | 출력 데이터 자산의 자동 삭제 설정입니다. | autoDeleteSetting |
| 모드 | 출력 자산 배달 모드입니다. | "Direct" "ReadWriteMount" "업로드" |
| uri | 출력 자산 URI입니다. | 문자열 |
TritonModelJobOutput
| 이름 | 묘사 | 값 |
|---|---|---|
| jobOutputType | [필수] 작업 유형을 지정합니다. | "triton_model"(필수) |
| assetName | 출력 자산 이름입니다. | 문자열 |
| assetVersion | 출력 자산 버전입니다. | 문자열 |
| autoDeleteSetting | 출력 데이터 자산의 자동 삭제 설정입니다. | autoDeleteSetting |
| 모드 | 출력 자산 배달 모드입니다. | "Direct" "ReadWriteMount" "업로드" |
| uri | 출력 자산 URI입니다. | 문자열 |
UriFileJobOutput
| 이름 | 묘사 | 값 |
|---|---|---|
| jobOutputType | [필수] 작업 유형을 지정합니다. | "uri_file"(필수) |
| assetName | 출력 자산 이름입니다. | 문자열 |
| assetVersion | 출력 자산 버전입니다. | 문자열 |
| autoDeleteSetting | 출력 데이터 자산의 자동 삭제 설정입니다. | autoDeleteSetting |
| 모드 | 출력 자산 배달 모드입니다. | "Direct" "ReadWriteMount" "업로드" |
| uri | 출력 자산 URI입니다. | 문자열 |
UriFolderJobOutput
| 이름 | 묘사 | 값 |
|---|---|---|
| jobOutputType | [필수] 작업 유형을 지정합니다. | "uri_folder"(필수) |
| assetName | 출력 자산 이름입니다. | 문자열 |
| assetVersion | 출력 자산 버전입니다. | 문자열 |
| autoDeleteSetting | 출력 데이터 자산의 자동 삭제 설정입니다. | autoDeleteSetting |
| 모드 | 출력 자산 배달 모드입니다. | "Direct" "ReadWriteMount" "업로드" |
| uri | 출력 자산 URI입니다. | 문자열 |
QueueSettings
| 이름 | 묘사 | 값 |
|---|---|---|
| jobTier | 컴퓨팅 작업 계층을 제어합니다. | "기본" "Null" "프리미엄" "Spot" "표준" |
| 우선권 | 컴퓨팅에서 작업의 우선 순위를 제어합니다. | int |
JobResourceConfiguration
| 이름 | 묘사 | 값 |
|---|---|---|
| dockerArgs | Docker 실행 명령에 전달할 추가 인수입니다. 이렇게 하면 시스템 또는 이 섹션에서 이미 설정한 매개 변수가 재정의됩니다. 이 매개 변수는 Azure ML 컴퓨팅 유형에 대해서만 지원됩니다. | 문자열 |
| instanceCount | 컴퓨팅 대상에서 사용하는 인스턴스 또는 노드의 선택적 수입니다. | int |
| instanceType | 컴퓨팅 대상에서 지원하는 VM의 선택적 형식입니다. | 문자열 |
| 위치 | 작업을 실행할 수 있는 위치입니다. | string[] |
| maxInstanceCount | 컴퓨팅 대상에서 사용할 인스턴스 또는 노드의 선택적 최대 허용 수입니다. 탄력적 학습에 사용하기 위해 현재 PyTorch 배포 유형에서만 지원됩니다. |
int |
| 속성 | 추가 속성 모음. | resourceConfigurationProperties |
| shmSize | Docker 컨테이너의 공유 메모리 블록 크기입니다. 이 형식은 (number)(unit) 형식이어야 합니다. 여기서 숫자는 0보다 크고 단위는 b(바이트), k(킬로바이트), m(메가바이트) 또는 g(기가바이트) 중 하나일 수 있습니다. | 문자열 제약 조건: 패턴 = \d+[bBkKmMgG] |
ResourceConfigurationProperties
| 이름 | 묘사 | 값 |
|---|---|---|
| {customized property} |
AutoMLVertical
| 이름 | 묘사 | 값 |
|---|---|---|
| logVerbosity | 작업에 대한 자세한 정보를 기록합니다. | "위험" "디버그" "오류" "정보" "NotSet" "경고" |
| targetColumnName | 대상 열 이름: 예측 값 열입니다. 분류 작업의 컨텍스트에서 레이블 열 이름이라고도 합니다. |
문자열 |
| trainingData | [필수] 학습 데이터 입력입니다. | MLTableJobInput(필수) |
| taskType | 개체 유형 설정 |
분류 예측 imageClassification imageClassificationMultilabel ImageInstanceSegmentation ImageObjectDetection 회귀 TextClassification TextClassificationMultilabel TextNER |
MLTableJobInput
| 이름 | 묘사 | 값 |
|---|---|---|
| 묘사 | 입력에 대한 설명입니다. | 문자열 |
| jobInputType | [필수] 작업 유형을 지정합니다. | "custom_model" "literal" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder"(필수) |
| 모드 | 입력 자산 배달 모드입니다. | "Direct" "다운로드" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
| uri | [필수] 입력 자산 URI입니다. | string(필수) 제약 조건: 최소 길이 = 1 패턴 = [a-zA-Z0-9_] |
분류
| 이름 | 묘사 | 값 |
|---|---|---|
| taskType | [필수] AutoMLJob의 작업 유형입니다. | "분류"(필수) |
| cvSplitColumnNames | CVSplit 데이터에 사용할 열입니다. | string[] |
| featurizationSettings | AutoML 작업에 필요한 기능화 입력입니다. | tableVerticalFeaturizationSettings |
| fixedParameters | 학습 내내 일정하게 유지되는 모델/학습 매개 변수입니다. | TableFixedParameters |
| limitSettings | AutoMLJob에 대한 실행 제약 조건입니다. | tableVerticalLimitSettings |
| nCrossValidations | 학습 데이터 세트에 적용할 교차 유효성 검사 접기 수 유효성 검사 데이터 세트가 제공되지 않으면 입니다. |
NCrossValidations |
| positiveLabel | 이진 메트릭 계산에 대한 양의 레이블입니다. | 문자열 |
| primaryMetric | 작업에 대한 기본 메트릭입니다. | "AUCWeighted" "정확도" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted" |
| searchSpace | 모델과 해당 하이퍼 매개 변수의 다양한 조합을 샘플링하기 위한 공간을 검색합니다. | tableParameterSubspace |
| sweepSettings | 모델 비우기 및 하이퍼 매개 변수 튜닝에 대한 설정입니다. | tableSweepSettings |
| testData | 데이터 입력을 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 |
| trainingSettings | AutoML 작업의 학습 단계에 대한 입력입니다. | ClassificationTrainingSettings |
| validationData | 유효성 검사 데이터 입력입니다. | 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 |
| weightColumnName | 샘플 가중치 열의 이름입니다. 자동화된 ML은 가중 열을 입력으로 지원하여 데이터의 행에 가중치를 적용하거나 줄입니다. | 문자열 |
TableVerticalFeaturizationSettings
| 이름 | 묘사 | 값 |
|---|---|---|
| blockedTransformers | 이러한 변압기는 기능화에 사용되지 않습니다. | 다음 중 어느 것을 포함하는 문자열 배열: "CatTargetEncoder" "CountVectorizer" "HashOneHotEncoder" "LabelEncoder" "NaiveBayes" "OneHotEncoder" "TextTargetEncoder" "TfIdf" "WoETargetEncoder" "WordEmbedding" |
| columnNameAndTypes | 열 이름 및 해당 형식(int, float, string, datetime 등)의 사전입니다. | TableVerticalFeaturizationSettingsColumnNameAndTypes |
| datasetLanguage | 텍스트 데이터에 유용한 데이터 세트 언어입니다. | 문자열 |
| 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. |
TableFixedParameters
| 이름 | 묘사 | 값 |
|---|---|---|
| 부스터 | 부스팅 유형(예: XGBoost의 경우 gbdt)을 지정합니다. | 문자열 |
| boostingType | 증폭 유형(예: LightGBM의 경우 gbdt)을 지정합니다. | 문자열 |
| growPolicy | 새 노드가 트리에 추가되는 방식을 제어하는 증가 정책을 지정합니다. | 문자열 |
| learningRate | 학습 절차의 학습 속도입니다. | int |
| maxBin | 버킷 연속 기능에 대한 최대 불연속 bin 수를 지정합니다. | int |
| maxDepth | 트리 깊이를 명시적으로 제한하려면 최대 깊이를 지정합니다. | int |
| maxLeaves | 트리 잎을 명시적으로 제한하려면 최대 잎을 지정합니다. | int |
| minDataInLeaf | 리프당 최소 데이터 수입니다. | int |
| minSplitGain | 트리의 리프 노드에서 추가 파티션을 만드는 데 필요한 최소 손실 감소입니다. | int |
| modelName | 학습할 모델의 이름입니다. | 문자열 |
| nEstimators | 모델에서 트리(또는 반올림) 수를 지정합니다. | int |
| numLeaves | 나뭇잎 수를 지정합니다. | int |
| preprocessorName | 사용할 전처리기의 이름입니다. | 문자열 |
| regAlpha | 가중치에 대한 L1 정규화 용어입니다. | int |
| regLambda | 가중치에 대한 L2 정규화 용어입니다. | int |
| subsample | 학습 인스턴스의 하위 샘플 비율입니다. | int |
| subsampleFreq | 하위 샘플의 빈도입니다. | int |
| treeMethod | 트리 메서드를 지정합니다. | 문자열 |
| withMean | true이면 StandardScalar를 사용하여 데이터를 크기 조정하기 전에 가운데를 맞춥니다. | bool |
| withStd | true이면 StandardScalar를 사용하여 단위 분산을 사용하여 데이터 크기를 조정합니다. | bool |
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 |
| maxNodes | 실험에 사용할 최대 노드입니다. | int |
| maxTrials | 반복 횟수입니다. | int |
| sweepConcurrentTrials | 사용자가 트리거하려는 동시 스윕 실행의 수입니다. | int |
| sweepTrials | 사용자가 트리거하려는 스윕 실행 수입니다. | int |
| 타임 아웃 | AutoML 작업 시간 제한입니다. | 문자열 |
| trialTimeout | 반복 시간 제한입니다. | 문자열 |
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) |
TableParameterSubspace
| 이름 | 묘사 | 값 |
|---|---|---|
| 부스터 | 부스팅 유형(예: XGBoost의 경우 gbdt)을 지정합니다. | 문자열 |
| boostingType | 증폭 유형(예: LightGBM의 경우 gbdt)을 지정합니다. | 문자열 |
| growPolicy | 새 노드가 트리에 추가되는 방식을 제어하는 증가 정책을 지정합니다. | 문자열 |
| learningRate | 학습 절차의 학습 속도입니다. | 문자열 |
| maxBin | 버킷 연속 기능에 대한 최대 불연속 bin 수를 지정합니다. | 문자열 |
| maxDepth | 트리 깊이를 명시적으로 제한하려면 최대 깊이를 지정합니다. | 문자열 |
| maxLeaves | 트리 잎을 명시적으로 제한하려면 최대 잎을 지정합니다. | 문자열 |
| minDataInLeaf | 리프당 최소 데이터 수입니다. | 문자열 |
| minSplitGain | 트리의 리프 노드에서 추가 파티션을 만드는 데 필요한 최소 손실 감소입니다. | 문자열 |
| modelName | 학습할 모델의 이름입니다. | 문자열 |
| nEstimators | 모델에서 트리(또는 반올림) 수를 지정합니다. | 문자열 |
| numLeaves | 나뭇잎 수를 지정합니다. | 문자열 |
| preprocessorName | 사용할 전처리기의 이름입니다. | 문자열 |
| regAlpha | 가중치에 대한 L1 정규화 용어입니다. | 문자열 |
| regLambda | 가중치에 대한 L2 정규화 용어입니다. | 문자열 |
| subsample | 학습 인스턴스의 하위 샘플 비율입니다. | 문자열 |
| subsampleFreq | 하위 샘플의 빈도 | 문자열 |
| treeMethod | 트리 메서드를 지정합니다. | 문자열 |
| withMean | true이면 StandardScalar를 사용하여 데이터를 크기 조정하기 전에 가운데를 맞춥니다. | 문자열 |
| withStd | true이면 StandardScalar를 사용하여 단위 분산을 사용하여 데이터 크기를 조정합니다. | 문자열 |
TableSweepSettings
| 이름 | 묘사 | 값 |
|---|---|---|
| earlyTermination | 비우기 작업에 대한 조기 종료 정책 유형입니다. | earlyTerminationPolicy |
| samplingAlgorithm | [필수] 샘플링 알고리즘의 유형입니다. | "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 |
ClassificationTrainingSettings
| 이름 | 묘사 | 값 |
|---|---|---|
| allowedTrainingAlgorithms | 분류 작업에 허용되는 모델입니다. | 다음 중 어느 것을 포함하는 문자열 배열: "베르누울리나이브베이즈" "DecisionTree" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LightGBM" "LinearSVM" "LogisticRegression" "MultinomialNaiveBayes" "RandomForest" "SGD" "SVM" "XGBoostClassifier" |
| blockedTrainingAlgorithms | 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" |
| 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 |
| trainingMode | TrainingMode 모드 - 'auto'로 설정하는 것은 현재 '비균등'으로 설정하는 것과 같지만 나중에 혼합 모드 또는 추론 기반 모드 선택이 발생할 수 있습니다. 기본값은 'auto'입니다. 'Distributed'인 경우 분산 기능화만 사용되고 분산 알고리즘이 선택됩니다. 'NonDistributed'이면 분산되지 않은 알고리즘만 선택됩니다. |
"Auto" "Distributed" "NonDistributed" |
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) |
| cvSplitColumnNames | CVSplit 데이터에 사용할 열입니다. | string[] |
| featurizationSettings | AutoML 작업에 필요한 기능화 입력입니다. | tableVerticalFeaturizationSettings |
| fixedParameters | 학습 내내 일정하게 유지되는 모델/학습 매개 변수입니다. | TableFixedParameters |
| forecastingSettings | 예측 작업별 입력. | ForecastingSettings |
| limitSettings | AutoMLJob에 대한 실행 제약 조건입니다. | tableVerticalLimitSettings |
| nCrossValidations | 학습 데이터 세트에 적용할 교차 유효성 검사 접기 수 유효성 검사 데이터 세트가 제공되지 않으면 입니다. |
NCrossValidations |
| primaryMetric | 예측 작업에 대한 기본 메트릭입니다. | "NormalizedMeanAbsoluteError" "NormalizedRootMeanSquaredError" "R2Score" "SpearmanCorrelation" |
| searchSpace | 모델과 해당 하이퍼 매개 변수의 다양한 조합을 샘플링하기 위한 공간을 검색합니다. | tableParameterSubspace |
| sweepSettings | 모델 비우기 및 하이퍼 매개 변수 튜닝에 대한 설정입니다. | tableSweepSettings |
| testData | 데이터 입력을 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 |
| trainingSettings | AutoML 작업의 학습 단계에 대한 입력입니다. | ForecastingTrainingSettings |
| validationData | 유효성 검사 데이터 입력입니다. | 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 |
| weightColumnName | 샘플 가중치 열의 이름입니다. 자동화된 ML은 가중 열을 입력으로 지원하여 데이터의 행에 가중치를 적용하거나 줄입니다. | 문자열 |
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" |
| featuresUnknownAtForecastTime | 학습에 사용할 수 있지만 예측/유추 시 알 수 없는 기능 열입니다. features_unknown_at_forecast_time 설정되지 않은 경우 데이터 세트의 모든 기능 열이 유추 시간에 알려진 것으로 간주됩니다. |
string[] |
| 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) |
ForecastingTrainingSettings
| 이름 | 묘사 | 값 |
|---|---|---|
| allowedTrainingAlgorithms | 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" |
| blockedTrainingAlgorithms | 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" |
| 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 |
| trainingMode | TrainingMode 모드 - 'auto'로 설정하는 것은 현재 '비균등'으로 설정하는 것과 같지만 나중에 혼합 모드 또는 추론 기반 모드 선택이 발생할 수 있습니다. 기본값은 'auto'입니다. 'Distributed'인 경우 분산 기능화만 사용되고 분산 알고리즘이 선택됩니다. 'NonDistributed'이면 분산되지 않은 알고리즘만 선택됩니다. |
"Auto" "Distributed" "NonDistributed" |
ImageClassification
| 이름 | 묘사 | 값 |
|---|---|---|
| taskType | [필수] AutoMLJob의 작업 유형입니다. | "ImageClassification"(필수) |
| limitSettings | [필수] AutoML 작업에 대한 설정을 제한합니다. | ImageLimitSettings |
| 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 |
| validationData | 유효성 검사 데이터 입력입니다. | 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 |
| checkpointFrequency | 모델 검사점을 저장하는 빈도입니다. 양의 정수여야 합니다. | int |
| checkpointModel | 증분 학습을 위한 미리 학습된 검사점 모델입니다. | MLFlowModelJobInput |
| 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 |
| 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 |
MLFlowModelJobInput
| 이름 | 묘사 | 값 |
|---|---|---|
| 묘사 | 입력에 대한 설명입니다. | 문자열 |
| jobInputType | [필수] 작업 유형을 지정합니다. | "custom_model" "literal" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder"(필수) |
| 모드 | 입력 자산 배달 모드입니다. | "Direct" "다운로드" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
| uri | [필수] 입력 자산 URI입니다. | string(필수) 제약 조건: 최소 길이 = 1 패턴 = [a-zA-Z0-9_] |
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 |
| 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 |
| samplingAlgorithm | [필수] 하이퍼 매개 변수 샘플링 알고리즘의 형식입니다. | "베이지안" "Grid" "Random"(필수) |
ImageClassificationMultilabel
| 이름 | 묘사 | 값 |
|---|---|---|
| taskType | [필수] AutoMLJob의 작업 유형입니다. | "ImageClassificationMultilabel"(필수) |
| limitSettings | [필수] AutoML 작업에 대한 설정을 제한합니다. | ImageLimitSettings |
| 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 |
| validationData | 유효성 검사 데이터 입력입니다. | 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 |
ImageInstanceSegmentation
| 이름 | 묘사 | 값 |
|---|---|---|
| taskType | [필수] AutoMLJob의 작업 유형입니다. | "ImageInstanceSegmentation"(필수) |
| limitSettings | [필수] AutoML 작업에 대한 설정을 제한합니다. | ImageLimitSettings |
| 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 |
| validationData | 유효성 검사 데이터 입력입니다. | 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 |
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 |
| checkpointFrequency | 모델 검사점을 저장하는 빈도입니다. 양의 정수여야 합니다. | int |
| checkpointModel | 증분 학습을 위한 미리 학습된 검사점 모델입니다. | MLFlowModelJobInput |
| 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" |
| logTrainingMetrics | 컴퓨팅 및 로깅 학습 메트릭을 사용하도록 설정합니다. | "사용 안 함" "사용" |
| logValidationLoss | 컴퓨팅 및 로깅 유효성 검사 손실을 사용하도록 설정합니다. | "사용 안 함" "사용" |
| 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 |
| 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 |
| 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) |
| limitSettings | [필수] AutoML 작업에 대한 설정을 제한합니다. | ImageLimitSettings |
| 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 |
| validationData | 유효성 검사 데이터 입력입니다. | 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 |
회귀
| 이름 | 묘사 | 값 |
|---|---|---|
| taskType | [필수] AutoMLJob의 작업 유형입니다. | "회귀"(필수) |
| cvSplitColumnNames | CVSplit 데이터에 사용할 열입니다. | string[] |
| featurizationSettings | AutoML 작업에 필요한 기능화 입력입니다. | tableVerticalFeaturizationSettings |
| fixedParameters | 학습 내내 일정하게 유지되는 모델/학습 매개 변수입니다. | TableFixedParameters |
| limitSettings | AutoMLJob에 대한 실행 제약 조건입니다. | tableVerticalLimitSettings |
| nCrossValidations | 학습 데이터 세트에 적용할 교차 유효성 검사 접기 수 유효성 검사 데이터 세트가 제공되지 않으면 입니다. |
NCrossValidations |
| primaryMetric | 회귀 태스크에 대한 기본 메트릭입니다. | "NormalizedMeanAbsoluteError" "NormalizedRootMeanSquaredError" "R2Score" "SpearmanCorrelation" |
| searchSpace | 모델과 해당 하이퍼 매개 변수의 다양한 조합을 샘플링하기 위한 공간을 검색합니다. | tableParameterSubspace |
| sweepSettings | 모델 비우기 및 하이퍼 매개 변수 튜닝에 대한 설정입니다. | tableSweepSettings |
| testData | 데이터 입력을 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 |
| trainingSettings | AutoML 작업의 학습 단계에 대한 입력입니다. | RegressionTrainingSettings |
| validationData | 유효성 검사 데이터 입력입니다. | 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 |
| weightColumnName | 샘플 가중치 열의 이름입니다. 자동화된 ML은 가중 열을 입력으로 지원하여 데이터의 행에 가중치를 적용하거나 줄입니다. | 문자열 |
RegressionTrainingSettings
| 이름 | 묘사 | 값 |
|---|---|---|
| allowedTrainingAlgorithms | 회귀 태스크에 허용되는 모델입니다. | 다음 중 어느 것을 포함하는 문자열 배열: "DecisionTree" "ElasticNet" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "RandomForest" "SGD" "XGBoostRegressor" |
| blockedTrainingAlgorithms | 회귀 태스크에 대한 차단된 모델입니다. | 다음 중 어느 것을 포함하는 문자열 배열: "DecisionTree" "ElasticNet" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "RandomForest" "SGD" "XGBoostRegressor" |
| 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 |
| trainingMode | TrainingMode 모드 - 'auto'로 설정하는 것은 현재 '비균등'으로 설정하는 것과 같지만 나중에 혼합 모드 또는 추론 기반 모드 선택이 발생할 수 있습니다. 기본값은 'auto'입니다. 'Distributed'인 경우 분산 기능화만 사용되고 분산 알고리즘이 선택됩니다. 'NonDistributed'이면 분산되지 않은 알고리즘만 선택됩니다. |
"Auto" "Distributed" "NonDistributed" |
TextClassification
| 이름 | 묘사 | 값 |
|---|---|---|
| taskType | [필수] AutoMLJob의 작업 유형입니다. | "TextClassification"(필수) |
| featurizationSettings | AutoML 작업에 필요한 기능화 입력입니다. | NlpVerticalFeaturizationSettings |
| fixedParameters | 학습 내내 일정하게 유지되는 모델/학습 매개 변수입니다. | nlpFixedParameters |
| limitSettings | AutoMLJob에 대한 실행 제약 조건입니다. | nlpVerticalLimitSettings |
| primaryMetric | Text-Classification 작업에 대한 기본 메트릭입니다. | "AUCWeighted" "정확도" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted" |
| searchSpace | 모델과 해당 하이퍼 매개 변수의 다양한 조합을 샘플링하기 위한 공간을 검색합니다. | NlpParameterSubspace[] |
| sweepSettings | 모델 비우기 및 하이퍼 매개 변수 튜닝에 대한 설정입니다. | nlpSweepSettings |
| validationData | 유효성 검사 데이터 입력입니다. | MLTableJobInput |
NlpVerticalFeaturizationSettings
| 이름 | 묘사 | 값 |
|---|---|---|
| datasetLanguage | 텍스트 데이터에 유용한 데이터 세트 언어입니다. | 문자열 |
NlpFixedParameters
| 이름 | 묘사 | 값 |
|---|---|---|
| gradientAccumulationSteps | 뒤로 패스를 실행하기 전에 그라데이션을 누적하는 단계 수입니다. | int |
| learningRate | 학습 절차의 학습 속도입니다. | int |
| learningRateScheduler | 학습 절차 중에 사용할 학습 속도 일정의 유형입니다. | "상수" "ConstantWithWarmup" "코사인" "CosineWithRestarts" "선형" "없음" "다항식" |
| modelName | 학습할 모델의 이름입니다. | 문자열 |
| numberOfEpochs | 학습 epoch의 수입니다. | int |
| trainingBatchSize | 학습 절차의 일괄 처리 크기입니다. | int |
| validationBatchSize | 평가 중에 사용할 일괄 처리 크기입니다. | int |
| warmupRatio | LrSchedulerType과 함께 사용되는 준비 비율입니다. | int |
| weightDecay | 학습 절차의 체중 감소입니다. | int |
NlpVerticalLimitSettings
| 이름 | 묘사 | 값 |
|---|---|---|
| maxConcurrentTrials | 최대 동시 AutoML 반복입니다. | int |
| maxNodes | 실험에 사용할 최대 노드입니다. | int |
| maxTrials | AutoML 반복 횟수입니다. | int |
| 타임 아웃 | AutoML 작업 시간 제한입니다. | 문자열 |
| trialTimeout | 개별 HD 평가판에 대한 시간 제한입니다. | 문자열 |
NlpParameterSubspace
| 이름 | 묘사 | 값 |
|---|---|---|
| gradientAccumulationSteps | 뒤로 패스를 실행하기 전에 그라데이션을 누적하는 단계 수입니다. | 문자열 |
| learningRate | 학습 절차의 학습 속도입니다. | 문자열 |
| learningRateScheduler | 학습 절차 중에 사용할 학습 속도 일정의 유형입니다. | 문자열 |
| modelName | 학습할 모델의 이름입니다. | 문자열 |
| numberOfEpochs | 학습 epoch의 수입니다. | 문자열 |
| trainingBatchSize | 학습 절차의 일괄 처리 크기입니다. | 문자열 |
| validationBatchSize | 평가 중에 사용할 일괄 처리 크기입니다. | 문자열 |
| warmupRatio | LrSchedulerType과 함께 사용되는 준비 비율입니다. | 문자열 |
| weightDecay | 학습 절차의 체중 감소입니다. | 문자열 |
NlpSweepSettings
| 이름 | 묘사 | 값 |
|---|---|---|
| earlyTermination | 비우기 작업에 대한 조기 종료 정책 유형입니다. | earlyTerminationPolicy |
| samplingAlgorithm | [필수] 샘플링 알고리즘의 유형입니다. | "베이지안" "Grid" "Random"(필수) |
TextClassificationMultilabel
| 이름 | 묘사 | 값 |
|---|---|---|
| taskType | [필수] AutoMLJob의 작업 유형입니다. | "TextClassificationMultilabel"(필수) |
| featurizationSettings | AutoML 작업에 필요한 기능화 입력입니다. | NlpVerticalFeaturizationSettings |
| fixedParameters | 학습 내내 일정하게 유지되는 모델/학습 매개 변수입니다. | nlpFixedParameters |
| limitSettings | AutoMLJob에 대한 실행 제약 조건입니다. | nlpVerticalLimitSettings |
| searchSpace | 모델과 해당 하이퍼 매개 변수의 다양한 조합을 샘플링하기 위한 공간을 검색합니다. | NlpParameterSubspace[] |
| sweepSettings | 모델 비우기 및 하이퍼 매개 변수 튜닝에 대한 설정입니다. | nlpSweepSettings |
| validationData | 유효성 검사 데이터 입력입니다. | MLTableJobInput |
TextNer
| 이름 | 묘사 | 값 |
|---|---|---|
| taskType | [필수] AutoMLJob의 작업 유형입니다. | "TextNER"(필수) |
| featurizationSettings | AutoML 작업에 필요한 기능화 입력입니다. | NlpVerticalFeaturizationSettings |
| fixedParameters | 학습 내내 일정하게 유지되는 모델/학습 매개 변수입니다. | nlpFixedParameters |
| limitSettings | AutoMLJob에 대한 실행 제약 조건입니다. | nlpVerticalLimitSettings |
| searchSpace | 모델과 해당 하이퍼 매개 변수의 다양한 조합을 샘플링하기 위한 공간을 검색합니다. | NlpParameterSubspace[] |
| sweepSettings | 모델 비우기 및 하이퍼 매개 변수 튜닝에 대한 설정입니다. | nlpSweepSettings |
| validationData | 유효성 검사 데이터 입력입니다. | MLTableJobInput |
CommandJob
| 이름 | 묘사 | 값 |
|---|---|---|
| jobType | [필수] 작업 유형을 지정합니다. | "명령"(필수) |
| autologgerSettings | 작업의 배포 구성입니다. 설정된 경우 Mpi, Tensorflow, PyTorch 또는 null 중 하나여야 합니다. | AutologgerSettings |
| 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, Ray 또는 null 중 하나여야 합니다. | DistributionConfiguration |
| environmentId | [필수] 작업에 대한 환경 사양의 ARM 리소스 ID입니다. | string(필수) 제약 조건: 최소 길이 = 1 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 |
| queueSettings | 작업에 대한 큐 설정 | QueueSettings |
| 리소스 | 작업에 대한 컴퓨팅 리소스 구성입니다. | JobResourceConfiguration |
AutologgerSettings
| 이름 | 묘사 | 값 |
|---|---|---|
| mlflowAutologger | [필수] mlflow 자동 로그기를 사용할 수 있는지 여부를 나타냅니다. | "사용 안 함" "Enabled"(필수) |
DistributionConfiguration
| 이름 | 묘사 | 값 |
|---|---|---|
| distributionType | 개체 유형 설정 |
Mpi PyTorch 레이 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 |
광선
| 이름 | 묘사 | 값 |
|---|---|---|
| distributionType | [필수] 배포 프레임워크의 유형을 지정합니다. | "Ray"(필수) |
| 주소 | Ray 헤드 노드의 주소입니다. | 문자열 |
| dashboardPort | 대시보드 서버를 바인딩할 포트입니다. | int |
| headNodeAdditionalArgs | 헤드 노드에서 광선 시작에 전달되는 추가 인수입니다. | 문자열 |
| includeDashboard | Ray 대시보드 GUI를 시작하려면 이 인수를 제공합니다. | bool |
| 항구 | 헤드 레이 프로세스의 포트입니다. | int |
| workerNodeAdditionalArgs | 작업자 노드에서 광선 시작에 전달된 추가 인수입니다. | 문자열 |
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 |
custom_model 리터럴 mlflow_model mltable triton_model uri_file uri_folder(필수) |
CustomModelJobInput
| 이름 | 묘사 | 값 |
|---|---|---|
| jobInputType | [필수] 작업 유형을 지정합니다. | "custom_model"(필수) |
| 모드 | 입력 자산 배달 모드입니다. | "Direct" "다운로드" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
| uri | [필수] 입력 자산 URI입니다. | string(필수) 제약 조건: 최소 길이 = 1 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: 최소 길이 = 1 패턴 = [a-zA-Z0-9_] |
TritonModelJobInput
| 이름 | 묘사 | 값 |
|---|---|---|
| jobInputType | [필수] 작업 유형을 지정합니다. | "triton_model"(필수) |
| 모드 | 입력 자산 배달 모드입니다. | "Direct" "다운로드" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
| uri | [필수] 입력 자산 URI입니다. | string(필수) 제약 조건: 최소 길이 = 1 패턴 = [a-zA-Z0-9_] |
UriFileJobInput
| 이름 | 묘사 | 값 |
|---|---|---|
| jobInputType | [필수] 작업 유형을 지정합니다. | "uri_file"(필수) |
| 모드 | 입력 자산 배달 모드입니다. | "Direct" "다운로드" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
| uri | [필수] 입력 자산 URI입니다. | string(필수) 제약 조건: 최소 길이 = 1 패턴 = [a-zA-Z0-9_] |
UriFolderJobInput
| 이름 | 묘사 | 값 |
|---|---|---|
| jobInputType | [필수] 작업 유형을 지정합니다. | "uri_folder"(필수) |
| 모드 | 입력 자산 배달 모드입니다. | "Direct" "다운로드" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
| uri | [필수] 입력 자산 URI입니다. | string(필수) 제약 조건: 최소 길이 = 1 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 |
LabelingJobProperties
| 이름 | 묘사 | 값 |
|---|---|---|
| componentId | 구성 요소 리소스의 ARM 리소스 ID입니다. | 문자열 |
| computeId | 컴퓨팅 리소스의 ARM 리소스 ID입니다. | 문자열 |
| dataConfiguration | 작업에 사용되는 데이터의 구성입니다. | labelingDataConfiguration |
| 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 |
| jobInstructions | 작업의 지침에 레이블을 지정합니다. | LabelingJobInstructions |
| jobType | [필수] 작업 유형을 지정합니다. | "AutoML" "명령" "레이블 지정" "파이프라인" "Spark" "Sweep"(필수) |
| labelCategories | 작업의 레이블 범주입니다. | LabelingJobLabelCategories |
| labelingJobMediaProperties | 작업에서 미디어 유형별 속성입니다. | LabelingJobMediaProperties |
| mlAssistConfiguration | 작업에서 MLAssist 기능의 구성입니다. | MLAssistConfiguration |
| notificationSetting | 작업에 대한 알림 설정 | notificationSetting |
| 속성 | 자산 속성 사전입니다. | ResourceBaseProperties |
| secretsConfiguration | 런타임 중에 사용할 수 있는 비밀에 대한 구성입니다. | jobBaseSecretsConfiguration |
| 서비스 | JobEndpoints 목록입니다. 로컬 작업의 경우 작업 엔드포인트의 엔드포인트 값은 FileStreamObject입니다. |
JobBaseServices |
| 태그 | 태그 사전입니다. 태그를 추가, 제거 및 업데이트할 수 있습니다. | 객체 |
LabelingDataConfiguration
| 이름 | 묘사 | 값 |
|---|---|---|
| dataId | 레이블 지정을 수행할 데이터 자산의 리소스 ID입니다. | 문자열 |
| incrementalDataRefresh | 증분 데이터 새로 고침을 사용할지 여부를 나타냅니다. | "사용 안 함" "사용" |
LabelingJobInstructions
| 이름 | 묘사 | 값 |
|---|---|---|
| uri | 레이블 지정에 대한 자세한 레이블 지정 지침이 있는 페이지에 대한 링크입니다. | 문자열 |
LabelingJobLabelCategories
| 이름 | 묘사 | 값 |
|---|---|---|
| {customized property} | LabelCategory |
LabelCategory
| 이름 | 묘사 | 값 |
|---|---|---|
| 클래스 | 이 범주의 레이블 클래스 사전입니다. | LabelCategoryClasses |
| displayName | 레이블 범주의 표시 이름입니다. | 문자열 |
| multiSelect | 이 범주에서 여러 클래스를 선택할 수 있는지 여부를 나타냅니다. | "사용 안 함" "사용" |
LabelCategoryClasses
| 이름 | 묘사 | 값 |
|---|---|---|
| {customized property} | labelClass |
LabelClass
| 이름 | 묘사 | 값 |
|---|---|---|
| displayName | 레이블 클래스의 표시 이름입니다. | 문자열 |
| 서브 클래스 | 레이블 클래스의 하위 클래스 사전입니다. | LabelClassSubclasses |
LabelClassSubclasses
| 이름 | 묘사 | 값 |
|---|---|---|
| {customized property} | labelClass |
LabelingJobMediaProperties
| 이름 | 묘사 | 값 |
|---|---|---|
| mediaType | 개체 유형 설정 |
이미지 텍스트(필수) |
LabelingJobImageProperties
| 이름 | 묘사 | 값 |
|---|---|---|
| mediaType | [필수] 작업의 미디어 유형입니다. | "이미지"(필수) |
| annotationType | 이미지 레이블 지정 작업의 주석 유형입니다. | "BoundingBox" "분류" "InstanceSegmentation" |
LabelingJobTextProperties
| 이름 | 묘사 | 값 |
|---|---|---|
| mediaType | [필수] 작업의 미디어 유형입니다. | "Text"(필수) |
| annotationType | 텍스트 레이블 지정 작업의 주석 형식입니다. | "분류" "NamedEntityRecognition" |
MLAssistConfiguration
| 이름 | 묘사 | 값 |
|---|---|---|
| mlAssist | 개체 유형 설정 |
사용 안 함 사용(필수) |
MLAssistConfigurationDisabled
| 이름 | 묘사 | 값 |
|---|---|---|
| mlAssist | [필수] MLAssist 기능을 사용할 수 있는지 여부를 나타냅니다. | "Disabled"(필수) |
MLAssistConfigurationEnabled
| 이름 | 묘사 | 값 |
|---|---|---|
| mlAssist | [필수] MLAssist 기능을 사용할 수 있는지 여부를 나타냅니다. | "Enabled"(필수) |
| inferencingComputeBinding | [필수] 추론에 사용되는 AML 컴퓨팅 바인딩입니다. | string(필수) 제약 조건: 최소 길이 = 1 패턴 = [a-zA-Z0-9_] |
| trainingComputeBinding | [필수] 학습에 사용되는 AML 컴퓨팅 바인딩입니다. | string(필수) 제약 조건: 최소 길이 = 1 패턴 = [a-zA-Z0-9_] |
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 | |
| sourceJobId | 원본 작업의 ARM 리소스 ID입니다. | 문자열 |
PipelineJobInputs
| 이름 | 묘사 | 값 |
|---|---|---|
| {customized property} | JobInput |
PipelineJobJobs
| 이름 | 묘사 | 값 |
|---|---|---|
| {customized property} |
PipelineJobOutputs
| 이름 | 묘사 | 값 |
|---|---|---|
| {customized property} | JobOutput |
SparkJob
| 이름 | 묘사 | 값 |
|---|---|---|
| jobType | [필수] 작업 유형을 지정합니다. | "Spark"(필수) |
| 공문서 | 작업에 사용되는 파일을 보관합니다. | string[] |
| 인수(args) | 작업에 대한 인수입니다. | 문자열 |
| codeId | [필수] 코드 자산의 ARM 리소스 ID입니다. | string(필수) 제약 조건: 최소 길이 = 1 패턴 = [a-zA-Z0-9_] |
| conf | Spark가 구성한 속성입니다. | SparkJobConf |
| 항목 | [필수] 작업을 시작할 때 실행할 항목입니다. | SparkJobEntry(필수) |
| environmentId | 작업에 대한 환경 사양의 ARM 리소스 ID입니다. | 문자열 |
| environmentVariables | 작업에 포함된 환경 변수입니다. | SparkJobEnvironmentVariables |
| 파일 | 작업에 사용되는 파일입니다. | string[] |
| 입력 | 작업에 사용되는 입력 데이터 바인딩의 매핑입니다. | SparkJobInputs |
| 항아리 | 작업에 사용되는 Jar 파일입니다. | string[] |
| 출력 | 작업에 사용되는 출력 데이터 바인딩의 매핑입니다. | SparkJobOutputs |
| pyFiles | 작업에 사용되는 Python 파일입니다. | string[] |
| queueSettings | 작업에 대한 큐 설정 | QueueSettings |
| 리소스 | 작업에 대한 컴퓨팅 리소스 구성입니다. | SparkResourceConfiguration |
SparkJobConf
| 이름 | 묘사 | 값 |
|---|---|---|
| {customized property} | 문자열 |
SparkJobEntry
| 이름 | 묘사 | 값 |
|---|---|---|
| sparkJobEntryType | 개체 유형 설정 |
SparkJobPythonEntry SparkJobScalaEntry(필수) |
SparkJobPythonEntry
| 이름 | 묘사 | 값 |
|---|---|---|
| sparkJobEntryType | [필수] 작업의 진입점 유형입니다. | "SparkJobPythonEntry"(필수) |
| 파일 | [필수] 작업 진입점에 대한 상대 Python 파일 경로입니다. | string(필수) 제약 조건: 최소 길이 = 1 패턴 = [a-zA-Z0-9_] |
SparkJobScalaEntry
| 이름 | 묘사 | 값 |
|---|---|---|
| sparkJobEntryType | [필수] 작업의 진입점 유형입니다. | "SparkJobScalaEntry"(필수) |
| className | [필수] 진입점으로 사용되는 Scala 클래스 이름입니다. | string(필수) 제약 조건: 최소 길이 = 1 패턴 = [a-zA-Z0-9_] |
SparkJobEnvironmentVariables
| 이름 | 묘사 | 값 |
|---|---|---|
| {customized property} | 문자열 |
SparkJobInputs
| 이름 | 묘사 | 값 |
|---|---|---|
| {customized property} | JobInput |
SparkJobOutputs
| 이름 | 묘사 | 값 |
|---|---|---|
| {customized property} | JobOutput |
SparkResourceConfiguration
| 이름 | 묘사 | 값 |
|---|---|---|
| instanceType | 컴퓨팅 대상에서 지원하는 VM의 선택적 형식입니다. | 문자열 |
| runtimeVersion | 작업에 사용되는 Spark 런타임의 버전입니다. | 문자열 |
SweepJob
| 이름 | 묘사 | 값 |
|---|---|---|
| jobType | [필수] 작업 유형을 지정합니다. | "Sweep"(필수) |
| componentConfiguration | 구성 요소 스윕에 대한 구성 요소 구성 | ComponentConfiguration |
| 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 |
| queueSettings | 작업에 대한 큐 설정 | QueueSettings |
| 리소스 | 작업에 대한 컴퓨팅 리소스 구성입니다. | JobResourceConfiguration |
| 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 |
ComponentConfiguration
| 이름 | 묘사 | 값 |
|---|---|---|
| pipelineSettings | ContinueRunOnStepFailure 등의 파이프라인 설정 |
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: 최소 길이 = 1 패턴 = [a-zA-Z0-9_] |
SweepJobOutputs
| 이름 | 묘사 | 값 |
|---|---|---|
| {customized property} | JobOutput |
SamplingAlgorithm
| 이름 | 묘사 | 값 |
|---|---|---|
| samplingAlgorithmType | 개체 유형 설정 |
베이지안 Grid 임의 |
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) |
| logbase | 로그 기반 임의 샘플링의 기준으로 사용할 문자열 형식의 선택적 양수 또는 e | 문자열 |
| 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: 최소 길이 = 1 패턴 = [a-zA-Z0-9_] |
| environmentVariables | 작업에 포함된 환경 변수입니다. | trialComponentEnvironmentVariables |
| 리소스 | 작업에 대한 컴퓨팅 리소스 구성입니다. | JobResourceConfiguration |
TrialComponentEnvironmentVariables
| 이름 | 묘사 | 값 |
|---|---|---|
| {customized property} | 문자열 |