Microsoft.MachineLearningServices 工作區/作業 2023-06-01-preview

  • 發行項

Bicep 資源定義

工作區/作業資源類型可以使用目標作業來部署：

如需每個 API 版本中已變更屬性的清單，請參閱 變更記錄檔。

資源格式

若要建立 Microsoft.MachineLearningServices/workspaces/jobs 資源，請將下列 Bicep 新增至範本。

resource symbolicname 'Microsoft.MachineLearningServices/workspaces/jobs@2023-06-01-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 物件

設定 jobType 屬性，以指定物件的類型。

針對 AutoML，請使用：

  jobType: 'AutoML'
  environmentId: 'string'
  environmentVariables: {
    {customized property}: 'string'
  }
  outputs: {
    {customized property}: {
      description: 'string'
      jobOutputType: 'string'
      // For remaining properties, see JobOutput objects
    }
  }
  queueSettings: {
    jobTier: 'string'
    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
  }

針對 Command，請使用：

  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'
  }

針對 標籤，請使用：

  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
  }

針對 Pipeline，請使用：

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

針對 Spark，請使用：

  jobType: 'Spark'
  archives: [
    'string'
  ]
  args: 'string'
  codeId: 'string'
  conf: {
    {customized property}: 'string'
  }
  entry: {
    sparkJobEntryType: 'string'
    // For remaining properties, see SparkJobEntry objects
  }
  environmentId: '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'
  }

針對 掃掠，請使用：

  jobType: 'Sweep'
  earlyTermination: {
    delayEvaluation: int
    evaluationInterval: int
    policyType: 'string'
    // For remaining properties, see EarlyTerminationPolicy objects
  }
  inputs: {
    {customized property}: {
      description: 'string'
      jobInputType: 'string'
      // For remaining properties, see JobInput objects
    }
  }
  limits: {
    jobLimitsType: 'string'
    maxConcurrentTrials: int
    maxTotalTrials: int
    timeout: 'string'
    trialTimeout: 'string'
  }
  objective: {
    goal: 'string'
    primaryMetric: 'string'
  }
  outputs: {
    {customized property}: {
      description: 'string'
      jobOutputType: 'string'
      // For remaining properties, see JobOutput objects
    }
  }
  queueSettings: {
    jobTier: 'string'
    priority: int
  }
  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 物件

設定 identityType 屬性 ，以指定對象的類型。

針對 AMLToken，請使用：

  identityType: 'AMLToken'

針對 Managed，請使用：

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

針對 UserIdentity，請使用：

  identityType: 'UserIdentity'

Webhook 物件

設定 webhookType 屬性，以指定對象的類型。

針對 AzureDevOps，請使用：

  webhookType: 'AzureDevOps'

Nodes 物件

設定 nodesValueType 屬性 ，以指定對象的類型。

針對 [所有]，請使用：

  nodesValueType: 'All'

JobOutput 物件

設定 jobOutputType 屬性，以指定物件的類型。

針對 custom_model，請使用：

  jobOutputType: 'custom_model'
  assetName: 'string'
  assetVersion: 'string'
  autoDeleteSetting: {
    condition: 'string'
    value: 'string'
  }
  mode: 'string'
  uri: 'string'

針對 mlflow_model，請使用：

  jobOutputType: 'mlflow_model'
  assetName: 'string'
  assetVersion: 'string'
  autoDeleteSetting: {
    condition: 'string'
    value: 'string'
  }
  mode: 'string'
  uri: 'string'

針對 mltable，請使用：

  jobOutputType: 'mltable'
  assetName: 'string'
  assetVersion: 'string'
  autoDeleteSetting: {
    condition: 'string'
    value: 'string'
  }
  mode: 'string'
  uri: 'string'

針對 triton_model，請使用：

  jobOutputType: 'triton_model'
  assetName: 'string'
  assetVersion: 'string'
  autoDeleteSetting: {
    condition: 'string'
    value: 'string'
  }
  mode: 'string'
  uri: 'string'

針對 uri_file，請使用：

  jobOutputType: 'uri_file'
  assetName: 'string'
  assetVersion: 'string'
  autoDeleteSetting: {
    condition: 'string'
    value: 'string'
  }
  mode: 'string'
  uri: 'string'

針對 uri_folder，請使用：

  jobOutputType: 'uri_folder'
  assetName: 'string'
  assetVersion: 'string'
  autoDeleteSetting: {
    condition: 'string'
    value: 'string'
  }
  mode: 'string'
  uri: 'string'

AutoMLVertical 物件

設定 taskType 屬性，以指定物件的類型。

針對 分類，請使用：

  taskType: 'Classification'
  cvSplitColumnNames: [
    'string'
  ]
  featurizationSettings: {
    blockedTransformers: [
      'string'
    ]
    columnNameAndTypes: {
      {customized property}: 'string'
    }
    datasetLanguage: 'string'
    enableDnnFeaturization: bool
    mode: 'string'
    transformerParams: {
      {customized property}: [
        {
          fields: [
            'string'
          ]
          parameters: any()
        }
      ]
    }
  }
  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'

針對 預測，請使用：

  taskType: 'Forecasting'
  cvSplitColumnNames: [
    'string'
  ]
  featurizationSettings: {
    blockedTransformers: [
      'string'
    ]
    columnNameAndTypes: {
      {customized property}: 'string'
    }
    datasetLanguage: 'string'
    enableDnnFeaturization: bool
    mode: 'string'
    transformerParams: {
      {customized property}: [
        {
          fields: [
            'string'
          ]
          parameters: any()
        }
      ]
    }
  }
  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'

針對 imageClassification ，請使用：

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

針對 imageClassificationMultilabel，請使用：

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

針對 ImageInstanceSegmentation，請使用：

  taskType: 'ImageInstanceSegmentation'
  limitSettings: {
    maxConcurrentTrials: int
    maxTrials: int
    timeout: 'string'
  }
  modelSettings: {
    advancedSettings: 'string'
    amsGradient: bool
    augmentations: 'string'
    beta1: int
    beta2: int
    boxDetectionsPerImage: int
    boxScoreThreshold: int
    checkpointFrequency: int
    checkpointModel: {
      description: 'string'
      jobInputType: 'string'
      mode: 'string'
      uri: 'string'
    }
    checkpointRunId: 'string'
    distributed: bool
    earlyStopping: bool
    earlyStoppingDelay: int
    earlyStoppingPatience: int
    enableOnnxNormalization: bool
    evaluationFrequency: int
    gradientAccumulationStep: int
    imageSize: int
    layersToFreeze: int
    learningRate: int
    learningRateScheduler: 'string'
    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

針對 ImageObjectDetection，請使用：

  taskType: 'ImageObjectDetection'
  limitSettings: {
    maxConcurrentTrials: int
    maxTrials: int
    timeout: 'string'
  }
  modelSettings: {
    advancedSettings: 'string'
    amsGradient: bool
    augmentations: 'string'
    beta1: int
    beta2: int
    boxDetectionsPerImage: int
    boxScoreThreshold: int
    checkpointFrequency: int
    checkpointModel: {
      description: 'string'
      jobInputType: 'string'
      mode: 'string'
      uri: 'string'
    }
    checkpointRunId: 'string'
    distributed: bool
    earlyStopping: bool
    earlyStoppingDelay: int
    earlyStoppingPatience: int
    enableOnnxNormalization: bool
    evaluationFrequency: int
    gradientAccumulationStep: int
    imageSize: int
    layersToFreeze: int
    learningRate: int
    learningRateScheduler: 'string'
    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

針對 回歸，請使用：

  taskType: 'Regression'
  cvSplitColumnNames: [
    'string'
  ]
  featurizationSettings: {
    blockedTransformers: [
      'string'
    ]
    columnNameAndTypes: {
      {customized property}: 'string'
    }
    datasetLanguage: 'string'
    enableDnnFeaturization: bool
    mode: 'string'
    transformerParams: {
      {customized property}: [
        {
          fields: [
            'string'
          ]
          parameters: any()
        }
      ]
    }
  }
  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'

針對 TextClassification，請使用：

  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'
  }

針對 textClassificationMultilabel，請使用：

  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'
  }

針對 TextNER，請使用：

  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 物件

設定 模式 屬性，以指定物件的類型。

針對 Auto，請使用：

  mode: 'Auto'

針對 自訂，請使用：

  mode: 'Custom'
  value: int

EarlyTerminationPolicy 物件

設定 policyType 屬性，以指定對象的類型。

針對 Bandit，請使用：

  policyType: 'Bandit'
  slackAmount: int
  slackFactor: int

針對 MedianStopping，請使用：

  policyType: 'MedianStopping'

針對 TruncationSelection，請使用：

  policyType: 'TruncationSelection'
  truncationPercentage: int

ForecastHorizon 物件

設定 模式 屬性，以指定物件的類型。

針對 Auto，請使用：

  mode: 'Auto'

針對 自訂，請使用：

  mode: 'Custom'
  value: int

季節性物件

設定 模式 屬性，以指定物件的類型。

針對 Auto，請使用：

  mode: 'Auto'

針對 自訂，請使用：

  mode: 'Custom'
  value: int

TargetLags 物件

設定 模式 屬性，以指定物件的類型。

針對 Auto，請使用：

  mode: 'Auto'

針對 自訂，請使用：

  mode: 'Custom'
  values: [
    int
  ]

TargetRollingWindowSize 物件

設定 模式 屬性，以指定物件的類型。

針對 Auto，請使用：

  mode: 'Auto'

針對 自訂，請使用：

  mode: 'Custom'
  value: int

DistributionConfiguration 物件

設定 distributionType 屬性，以指定對象的類型。

針對 Mpi，請使用：

  distributionType: 'Mpi'
  processCountPerInstance: int

針對 PyTorch，請使用：

  distributionType: 'PyTorch'
  processCountPerInstance: int

針對 Ray，請使用：

  distributionType: 'Ray'
  address: 'string'
  dashboardPort: int
  headNodeAdditionalArgs: 'string'
  includeDashboard: bool
  port: int
  workerNodeAdditionalArgs: 'string'

針對 TensorFlow，請使用：

  distributionType: 'TensorFlow'
  parameterServerCount: int
  workerCount: int

JobInput 物件

設定 jobInputType 屬性，以指定物件的類型。

針對 custom_model，請使用：

  jobInputType: 'custom_model'
  mode: 'string'
  uri: 'string'

針對 常值，請使用：

  jobInputType: 'literal'
  value: 'string'

針對 mlflow_model，請使用：

  jobInputType: 'mlflow_model'
  mode: 'string'
  uri: 'string'

針對 mltable，請使用：

  jobInputType: 'mltable'
  mode: 'string'
  uri: 'string'

針對 triton_model，請使用：

  jobInputType: 'triton_model'
  mode: 'string'
  uri: 'string'

針對 uri_file，請使用：

  jobInputType: 'uri_file'
  mode: 'string'
  uri: 'string'

針對 uri_folder，請使用：

  jobInputType: 'uri_folder'
  mode: 'string'
  uri: 'string'

LabelingJobMediaProperties 物件

設定 mediaType 屬性，以指定物件的類型。

針對 Image，請使用：

  mediaType: 'Image'
  annotationType: 'string'

針對 Text，請使用：

  mediaType: 'Text'
  annotationType: 'string'

MLAssistConfiguration 物件

設定 mlAssist 屬性，以指定對象的類型。

針對 Disabled，請使用：

  mlAssist: 'Disabled'

針對啟用 ，請使用：

  mlAssist: 'Enabled'
  inferencingComputeBinding: 'string'
  trainingComputeBinding: 'string'

SparkJobEntry 物件

設定 sparkJobEntryType 屬性，以指定對象的類型。

若為 SparkJobPythonEntry，請使用：

  sparkJobEntryType: 'SparkJobPythonEntry'
  file: 'string'

針對 SparkJobScalaEntry，請使用：

  sparkJobEntryType: 'SparkJobScalaEntry'
  className: 'string'

SamplingAlgorithm 物件

設定 samplingAlgorithmType 屬性，以指定對象的類型。

針對 貝氏，請使用：

  samplingAlgorithmType: 'Bayesian'

針對 Grid，請使用：

  samplingAlgorithmType: 'Grid'

針對 Random，請使用：

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

屬性值

workspaces/jobs

名字 描述 價值
名字 資源名稱

請參閱如何在 Bicep 中設定子資源的名稱和類型。		 字串 （必要）
父母 在 Bicep 中，您可以指定子資源的父資源。 只有在父資源外部宣告子資源時，才需要新增這個屬性。

如需詳細資訊，請參閱 父資源外部的子資源。		 類型的資源符號名稱：工作區
性能 [必要]實體的其他屬性。 JobBaseProperties （必要）

JobBaseProperties

名字 描述 價值
componentId 元件資源的 ARM 資源識別碼。 字串
computeId 計算資源的 ARM 資源識別碼。 字串
描述 資產描述文字。 字串
displayName 工作的顯示名稱。 字串
experimentName 作業所屬的實驗名稱。 如果未設定，作業會放在 「默認」實驗中。 字串
身份 身分識別設定。 如果設定，這應該是其中一個 AmlToken、ManagedIdentity、UserIdentity 或 null。
如果為 null，則預設為 AmlToken。		 IdentityConfiguration
isArchived 資產是否已封存？ bool
notificationSetting 作業的通知設定 NotificationSetting
性能 資產屬性字典。 ResourceBaseProperties
secretsConfiguration 設定要在運行時間期間提供秘密。 JobBaseSecretsConfiguration
服務業 JobEndpoints 的清單。
針對本機作業，作業端點會有 FileStreamObject 的端點值。		 JobBaseServices
標籤 標記字典。 標記可以新增、移除和更新。 物件
jobType 設定物件類型 AutoML
命令
標籤
管線
Spark
掃掠（必要）

IdentityConfiguration

名字 描述 價值
identityType 設定物件類型 AMLToken
受控
UserIdentity （必要）

AmlToken

名字 描述 價值
identityType [必要]指定身分識別架構的類型。 'AMLToken' （必要）

ManagedIdentity

名字 描述 價值
identityType [必要]指定身分識別架構的類型。 'Managed' （必要）
clientId 依用戶端識別元指定使用者指派的身分識別。 若為系統指派，請勿設定此欄位。 字串

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

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

UserIdentity

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

NotificationSetting

名字 描述 價值
emailOn 在指定的通知類型上傳送電子郵件通知給使用者 包含任何的字串數組：
'JobCancelled'
'JobCompleted'
'JobFailed'
電子郵件 這是電子郵件收件者清單，其總限製為499個字元，且具有逗號分隔符 string[]
webhook 將 Webhook 回呼傳送至服務。 機碼是 Webhook 的使用者提供名稱。 NotificationSettingWebhooks

NotificationSettingWebhooks

名字 描述 價值
{自定義屬性} Webhook

Webhook

名字 描述 價值
eventType 在指定的通知事件上傳送回呼 字串
webhookType 設定物件類型 AzureDevOps （必要）

AzureDevOpsWebhook

名字 描述 價值
webhookType [必要]指定要傳送回呼的服務類型 'AzureDevOps' （必要）

ResourceBaseProperties

名字 描述 價值
{自定義屬性} 字串

JobBaseSecretsConfiguration

名字 描述 價值
{自定義屬性} SecretConfiguration

SecretConfiguration

名字 描述 價值
uri 秘密 URI。
範例 URI：https://myvault.vault.azure.net/secrets/mysecretname/secretversion		 字串
workspaceSecretName 工作區金鑰保存庫中的秘密名稱。 字串

JobBaseServices

名字 描述 價值
{自定義屬性} JobService

JobService

名字 描述 價值
端點 端點的 URL。 字串
jobServiceType 端點類型。 字串
節點 使用者想要啟動服務的節點。
如果未將 Nodes 設定或設定為 null，則服務只會在領導者節點上啟動。		 節點
港口 用戶所設定端點的埠。 int
性能 在端點上設定的其他屬性。 JobServiceProperties

節點

名字 描述 價值
nodesValueType 設定物件類型 所有 （必要）

AllNodes

名字 描述 價值
nodesValueType [必要]Nodes 值的類型 'All' （必要）

JobServiceProperties

名字 描述 價值
{自定義屬性} 字串

AutoMLJob

名字 描述 價值
jobType [必要]指定作業的類型。 'AutoML' （必要）
environmentId 作業之環境規格的 ARM 資源識別碼。
如果未提供，這是選擇性的值，AutoML 會在執行作業時，將此預設為 Production AutoML 策展環境版本。		 字串
environmentVariables 作業中包含的環境變數。 AutoMLJobEnvironmentVariables
輸出 對應作業中使用的輸出數據系結。 AutoMLJobOutputs
queueSettings 作業的佇列設定 QueueSettings
資源 作業的計算資源組態。 JobResourceConfiguration
taskDetails [必要]這代表可以是其中一個數據表/NLP/Image 的案例 AutoMLVertical （必要）

AutoMLJobEnvironmentVariables

名字 描述 價值
{自定義屬性} 字串

AutoMLJobOutputs

名字 描述 價值
{自定義屬性} JobOutput

JobOutput

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

CustomModelJobOutput

名字 描述 價值
jobOutputType [必要]指定作業的類型。 'custom_model' （必要）
assetName 輸出資產名稱。 字串
assetVersion 輸出資產版本。 字串
autoDeleteSetting 自動刪除輸出數據資產的設定。 AutoDeleteSetting
模式 輸出資產傳遞模式。 'Direct'
'ReadWriteMount'
'Upload'
uri 輸出資產 URI。 字串

AutoDeleteSetting

名字 描述 價值
條件 何時檢查資產是否已過期 'CreatedGreaterThan'
'LastAccessedGreaterThan'
價值 到期條件值。 字串

MLFlowModelJobOutput

名字 描述 價值
jobOutputType [必要]指定作業的類型。 'mlflow_model' （必要）
assetName 輸出資產名稱。 字串
assetVersion 輸出資產版本。 字串
autoDeleteSetting 自動刪除輸出數據資產的設定。 AutoDeleteSetting
模式 輸出資產傳遞模式。 'Direct'
'ReadWriteMount'
'Upload'
uri 輸出資產 URI。 字串

MLTableJobOutput

名字 描述 價值
jobOutputType [必要]指定作業的類型。 'mltable' （必要）
assetName 輸出資產名稱。 字串
assetVersion 輸出資產版本。 字串
autoDeleteSetting 自動刪除輸出數據資產的設定。 AutoDeleteSetting
模式 輸出資產傳遞模式。 'Direct'
'ReadWriteMount'
'Upload'
uri 輸出資產 URI。 字串

TritonModelJobOutput

名字 描述 價值
jobOutputType [必要]指定作業的類型。 'triton_model' （必要）
assetName 輸出資產名稱。 字串
assetVersion 輸出資產版本。 字串
autoDeleteSetting 自動刪除輸出數據資產的設定。 AutoDeleteSetting
模式 輸出資產傳遞模式。 'Direct'
'ReadWriteMount'
'Upload'
uri 輸出資產 URI。 字串

UriFileJobOutput

名字 描述 價值
jobOutputType [必要]指定作業的類型。 'uri_file' （必要）
assetName 輸出資產名稱。 字串
assetVersion 輸出資產版本。 字串
autoDeleteSetting 自動刪除輸出數據資產的設定。 AutoDeleteSetting
模式 輸出資產傳遞模式。 'Direct'
'ReadWriteMount'
'Upload'
uri 輸出資產 URI。 字串

UriFolderJobOutput

名字 描述 價值
jobOutputType [必要]指定作業的類型。 'uri_folder' （必要）
assetName 輸出資產名稱。 字串
assetVersion 輸出資產版本。 字串
autoDeleteSetting 自動刪除輸出數據資產的設定。 AutoDeleteSetting
模式 輸出資產傳遞模式。 'Direct'
'ReadWriteMount'
'Upload'
uri 輸出資產 URI。 字串

QueueSettings

名字 描述 價值
jobTier 控制計算作業層 'Basic'
'Null'
'Premium'
'Spot'
'Standard'
優先權 控制計算上作業的優先順序。 int

JobResourceConfiguration

名字 描述 價值
dockerArgs 傳遞至 Docker run 命令的額外自變數。 這會覆寫系統或本節中已設定的任何參數。 此參數僅支援 Azure ML 計算類型。 字串
instanceCount 計算目標所使用的實例或節點選擇性數目。 int
instanceType 計算目標所支持的選擇性 VM 類型。 字串
地點 作業可以執行的位置。 string[]
maxInstanceCount 計算目標可使用的實例或節點數目選擇性上限。
若要搭配彈性定型使用，目前只有 PyTorch 散發類型支援。		 int
性能 其他屬性包。 ResourceConfigurationProperties
shmSize Docker 容器的共用記憶體區塊大小。 這應該是 （number）（unit） 的格式，其中數位大於 0，單位可以是 b（位元組）、k（KB）、m（MB）、或 g（GB）。 字串

約束：
Pattern = \d+[bBkKmMgG]

ResourceConfigurationProperties

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

AutoMLVertical

名字 描述 價值
logVerbosity 作業的記錄詳細資訊。 'Critical'
'Debug'
'Error'
'Info'
'NotSet'
'Warning'
targetColumnName 目標數據行名稱：這是預測值數據行。
也稱為分類工作內容中的標籤數據行名稱。		 字串
trainingData [必要]定型數據輸入。 MLTableJobInput （必要）
taskType 設定物件類型 分類
預測
ImageClassification
ImageClassificationMultilabel
ImageInstanceSegmentation
ImageObjectDetection
回歸
TextClassification
TextClassificationMultilabel
TextNER （必要）

MLTableJobInput

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

約束：
最小長度 = 1
Pattern = [a-zA-Z0-9_]

分類

名字 描述 價值
taskType [必要]AutoMLJob 的工作類型。 '分類' （必要）
cvSplitColumnNames 要用於 CVSplit 資料的數據行。 string[]
featurizationSettings AutoML 作業所需的特徵化輸入。 TableVerticalFeaturizationSettings
fixedParameters 模型/定型參數，在整個定型過程中會維持不變。 TableFixedParameters
limitSettings AutoMLJob 的執行條件約束。 TableVerticalLimitSettings
nCrossValidations 要套用至定型數據集的交叉驗證折疊數目
未提供驗證數據集時。		 NCrossValidations
positiveLabel 二進位計量計算的正標籤。 字串
primaryMetric 工作的主要計量。 'AUCWeighted'
'精確度'
'AveragePrecisionScoreWeighted'
'NormMacroRecall'
'PrecisionScoreWeighted'
searchSpace 搜尋空間以取樣模型及其超參數的不同組合。 TableParameterSubspace[]
sweepSettings 模型掃掠和超參數微調的設定。 TableSweepSettings
testData 測試數據輸入。 MLTableJobInput
testDataSize 必須為驗證目的而保留的測試數據集分數。
介於 （0.0 、 1.0） 之間的值
未提供驗證數據集時套用。		 int
trainingSettings AutoML 作業定型階段的輸入。 ClassificationTrainingSettings
validationData 驗證數據輸入。 MLTableJobInput
validationDataSize 需要為驗證目的預留的定型數據集分數。
介於 （0.0 、 1.0） 之間的值
未提供驗證數據集時套用。		 int
weightColumnName 範例權數數據行的名稱。 自動化 ML 支援加權數據行做為輸入，導致數據中的數據列向上或向下加權。 字串

TableVerticalFeaturizationSettings

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

TableVerticalFeaturizationSettingsColumnNameAndTypes

名字 描述 價值
{自定義屬性} 字串

TableVerticalFeaturizationSettingsTransformerParams

名字 描述 價值
{自定義屬性} ColumnTransformer[]

ColumnTransformer

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

TableFixedParameters

名字 描述 價值
助推 器 指定提升類型，例如 XGBoost 的 gbdt。 字串
boostingType 指定提升類型，例如 LightGBM 的 gbdt。 字串
growPolicy 指定成長原則，以控制將新節點新增至樹狀結構的方式。 字串
learningRate 定型程序的學習速率。 int
maxBin 指定貯體連續功能的離散間隔數目上限。 int
maxDepth 指定明確限制樹狀結構深度的最大深度。 int
maxLeaves 指定要明確限制樹狀結構的葉數上限。 int
minDataInLeaf 每個分葉的數據數目下限。 int
minSplitGain 在樹狀結構的分葉節點上進行進一步分割所需的最小遺失減少。 int
modelName 要定型的模型名稱。 字串
nEstimators 指定模型中的樹狀結構數目（或四捨五入）。 int
numLeaves 指定葉數。 int
preprocessorName 要使用的預處理器名稱。 字串
regAlpha 加權的 L1 正規化詞彙。 int
regLambda 加權的 L2 正規化詞彙。 int
subsample 定型實例的子取樣比例。 int
subsampleFreq 子取樣的頻率。 int
treeMethod 指定樹狀結構方法。 字串
withMean 如果為 true，請在使用 StandardScalar 調整數據之前置中。 bool
withStd 如果為 true，請使用 StandardScalar 來調整單位變異數的數據。 bool

TableVerticalLimitSettings

名字 描述 價值
enableEarlyTermination 啟用提早終止，判斷如果過去 20 個反覆項目沒有分數改善，AutoMLJob 是否會提早終止。 bool
exitScore AutoML 作業的結束分數。 int
maxConcurrentTrials 並行反覆運算數上限。 int
maxCoresPerTrial 每個反覆專案的核心數上限。 int
maxNodes 用於實驗的最大節點。 int
maxTrials 反覆項目的數目。 int
sweepConcurrentTrials 使用者想要觸發的並行掃掠執行數目。 int
sweepTrials 使用者想要觸發的掃掠執行次數。 int
超時 AutoML 作業逾時。 字串
trialTimeout 反覆專案逾時。 字串

NCrossValidations

名字 描述 價值
模式 設定物件類型 自動
自訂 （必要）

AutoNCrossValidations

名字 描述 價值
模式 [必要]判斷 N-Cross 驗證的模式。 'Auto' （必要）

CustomNCrossValidations

名字 描述 價值
模式 [必要]判斷 N-Cross 驗證的模式。 'Custom' （必要）
價值 [必要]N-Cross 驗證值。 int （必要）

TableParameterSubspace

名字 描述 價值
助推 器 指定提升類型，例如 XGBoost 的 gbdt。 字串
boostingType 指定提升類型，例如 LightGBM 的 gbdt。 字串
growPolicy 指定成長原則，以控制將新節點新增至樹狀結構的方式。 字串
learningRate 定型程序的學習速率。 字串
maxBin 指定貯體連續功能的離散間隔數目上限。 字串
maxDepth 指定明確限制樹狀結構深度的最大深度。 字串
maxLeaves 指定要明確限制樹狀結構的葉數上限。 字串
minDataInLeaf 每個分葉的數據數目下限。 字串
minSplitGain 在樹狀結構的分葉節點上進行進一步分割所需的最小遺失減少。 字串
modelName 要定型的模型名稱。 字串
nEstimators 指定模型中的樹狀結構數目（或四捨五入）。 字串
numLeaves 指定葉數。 字串
preprocessorName 要使用的預處理器名稱。 字串
regAlpha 加權的 L1 正規化詞彙。 字串
regLambda 加權的 L2 正規化詞彙。 字串
subsample 定型實例的子取樣比例。 字串
subsampleFreq 子取樣的頻率 字串
treeMethod 指定樹狀結構方法。 字串
withMean 如果為 true，請在使用 StandardScalar 調整數據之前置中。 字串
withStd 如果為 true，請使用 StandardScalar 來調整單位變異數的數據。 字串

TableSweepSettings

名字 描述 價值
earlyTermination 掃掠作業的早期終止原則類型。 EarlyTerminationPolicy
samplingAlgorithm [必要]取樣演算法的類型。 “貝氏”
'Grid'
'Random' （必要）

EarlyTerminationPolicy

名字 描述 價值
delayEvaluation 延遲第一次評估的間隔數目。 int
evaluationInterval 原則評估之間的間隔（執行次數）。 int
policyType 設定物件類型 強盜
中位數停止
截斷選取 （必要）

BanditPolicy

名字 描述 價值
policyType [必要]原則設定的名稱 “強盜”（必要）
slackAmount 從最佳執行執行中允許的絕對距離。 int
slackFactor 與最佳執行距離的允許距離比率。 int

MedianStoppingPolicy

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

TruncationSelectionPolicy

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

ClassificationTrainingSettings

名字 描述 價值
allowedTrainingAlgorithms 分類工作的允許模型。 包含任何的字串數組：
'BernoulliNaiveBayes'
'DecisionTree'
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LightGBM'
'LinearSVM'
'LogisticRegression'
'MultinomialNaiveBayes'
'RandomForest'
'新幣'
'SVM'
'XGBoostClassifier'
blockedTrainingAlgorithms 分類工作的封鎖模型。 包含任何的字串數組：
'BernoulliNaiveBayes'
'DecisionTree'
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LightGBM'
'LinearSVM'
'LogisticRegression'
'MultinomialNaiveBayes'
'RandomForest'
'新幣'
'SVM'
'XGBoostClassifier'
enableDnnTraining 啟用 DNN 模型的建議。 bool
enableModelExplainability 在最佳模型上開啟可解釋性的旗標。 bool
enableOnnxCompatibleModels 啟用 onnx 相容模型的旗標。 bool
enableStackEnsemble 啟用堆疊合奏執行。 bool
enableVoteEnsemble 啟用投票合奏執行。 bool
ensembleModelDownloadTimeout 在 VotingEnsemble 和 StackEnsemble 模型產生期間，會下載先前子回合中的多個安裝模型。
如果需要更多時間，請使用高於 300 秒的值來設定此參數。		 字串
stackEnsembleSettings 堆疊合奏執行的堆疊合奏設定。 StackEnsembleSettings
trainingMode TrainingMode 模式 - 設定為 'auto' 與目前將它設定為「非分散式」相同，但未來可能會導致混合模式或啟發學習法模式選取。 預設值為 『auto』。
如果 「分散式」，則只會使用分散式特徵化，並選擇分散式演算法。
如果 『NonDistributed』，則只會選擇非分散式演算法。
 'Auto'
'Distributed'
'NonDistributed'

StackEnsembleSettings

名字 描述 價值
stackMetaLearnerKWargs 要傳遞至中繼學習模組初始化表達式的選擇性參數。 針對 Bicep，您可以使用 any（） 函式。
stackMetaLearnerTrainPercentage 指定要保留用於訓練中繼學習工具的定型集比例（選擇定型和定型類型的訓練類型）。 預設值為 0.2。 int
stackMetaLearnerType 中繼學習器是針對個別異質模型輸出定型的模型。 'ElasticNet'
'ElasticNetCV'
'LightGBMClassifier'
'LightGBMRegressor'
'LinearRegression'
'LogisticRegression'
'LogisticRegressionCV'
'None'

預測

名字 描述 價值
taskType [必要]AutoMLJob 的工作類型。 “預測” （必要）
cvSplitColumnNames 要用於 CVSplit 資料的數據行。 string[]
featurizationSettings AutoML 作業所需的特徵化輸入。 TableVerticalFeaturizationSettings
fixedParameters 模型/定型參數，在整個定型過程中會維持不變。 TableFixedParameters
forecastingSettings 預測工作特定輸入。 ForecastingSettings
limitSettings AutoMLJob 的執行條件約束。 TableVerticalLimitSettings
nCrossValidations 要套用至定型數據集的交叉驗證折疊數目
未提供驗證數據集時。		 NCrossValidations
primaryMetric 預測工作的主要計量。 'NormalizedMeanAbsoluteError'
'NormalizedRootMeanSquaredError'
'R2Score'
'SpearmanCorrelation'
searchSpace 搜尋空間以取樣模型及其超參數的不同組合。 TableParameterSubspace[]
sweepSettings 模型掃掠和超參數微調的設定。 TableSweepSettings
testData 測試數據輸入。 MLTableJobInput
testDataSize 必須為驗證目的而保留的測試數據集分數。
介於 （0.0 、 1.0） 之間的值
未提供驗證數據集時套用。		 int
trainingSettings AutoML 作業定型階段的輸入。 ForecastingTrainingSettings
validationData 驗證數據輸入。 MLTableJobInput
validationDataSize 需要為驗證目的預留的定型數據集分數。
介於 （0.0 、 1.0） 之間的值
未提供驗證數據集時套用。		 int
weightColumnName 範例權數數據行的名稱。 自動化 ML 支援加權數據行做為輸入，導致數據中的數據列向上或向下加權。 字串

ForecastingSettings

名字 描述 價值
countryOrRegionForHolidays 用於預測工作的假日國家或地區。
這些應該是 ISO 3166 兩個字母的國家/地區代碼，例如 'US' 或 'GB'。		 字串
cvStepSize 一個 CV 折疊的原點時間與下一個折疊之間的期間數。 為
例如，如果每日數據 CVStepSize = 3，則每個折疊的原點時間將會是
相隔三天。		 int
featureLags 使用 『auto』 或 null 產生數值特徵延遲的旗標。 'Auto'
'None'
featuresUnknownAtForecastTime 可在預測/推斷時用於定型但未知的功能數據行。
如果未設定features_unknown_at_forecast_time，則會假設數據集中的所有功能數據行在推斷時間都是已知的。		 string[]
forecastHorizon 所需的最大預測範圍，以時間序列頻率單位為單位。 ForecastHorizon
頻率 預測時，此參數代表預期預測的期間，例如每日、每周、每年等。預測頻率預設為數據集頻率。 字串
季節性 將時間序列季節性設定為數列頻率的整數倍數。
如果季節性設定為 『auto』，則會推斷它。		 季節性
shortSeriesHandlingConfig 定義 AutoML 是否應該處理短時間序列的參數。 'Auto'
'Drop'
'None'
'Pad'
targetAggregateFunction 要用來匯總時間序列目標數據行以符合使用者指定頻率的函式。
如果 TargetAggregateFunction 已設定，亦即不是 『None』，但未設定 freq 參數，則會引發錯誤。 可能的目標聚合函數包括：「sum」、“max”、“min” 和 “mean”。		 'Max'
'Mean'
'Min'
'None'
'Sum'
targetLags 要從目標數據行延遲的過去期間數。 TargetLags
targetRollingWindowSize 用來建立目標數據行滾動視窗平均值的過去期間數目。 TargetRollingWindowSize
timeColumnName 時間數據行的名稱。 當預測以指定用於建置時間序列並推斷其頻率的輸入數據中的 datetime 數據行時，需要此參數。 字串
timeSeriesIdColumnNames 用來分組時間範圍的數據行名稱。 它可以用來建立多個數列。
如果未定義粒紋，則會假設數據集為一個時間序列。 此參數與工作類型預測搭配使用。		 string[]
useStl 設定時間序列目標數據行的 STL 分解。 'None'
'Season'
'SeasonTrend'

ForecastHorizon

名字 描述 價值
模式 設定物件類型 自動
自訂 （必要）

AutoForecastHorizon

名字 描述 價值
模式 [必要]設定預測地平線值選取模式。 'Auto' （必要）

CustomForecastHorizon

名字 描述 價值
模式 [必要]設定預測地平線值選取模式。 'Custom' （必要）
價值 [必要]預測地平線值。 int （必要）

季節性

名字 描述 價值
模式 設定物件類型 自動
自訂 （必要）

AutoSeasonality

名字 描述 價值
模式 [必要]季節性模式。 'Auto' （必要）

CustomSeasonality

名字 描述 價值
模式 [必要]季節性模式。 'Custom' （必要）
價值 [必要]季節性值。 int （必要）

TargetLags

名字 描述 價值
模式 設定物件類型 自動
自訂 （必要）

AutoTargetLags

名字 描述 價值
模式 [必要]設定目標延隔模式 - 自動/自定義 'Auto' （必要）

CustomTargetLags

名字 描述 價值
模式 [必要]設定目標延隔模式 - 自動/自定義 'Custom' （必要）
值 [必要]設定目標延遲值。 int[] （必要）

TargetRollingWindowSize

名字 描述 價值
模式 設定物件類型 自動
自訂 （必要）

AutoTargetRollingWindowSize

名字 描述 價值
模式 [必要]TargetRollingWindowSiz 偵測模式。 'Auto' （必要）

CustomTargetRollingWindowSize

名字 描述 價值
模式 [必要]TargetRollingWindowSiz 偵測模式。 'Custom' （必要）
價值 [必要]TargetRollingWindowSize 值。 int （必要）

ForecastingTrainingSettings

名字 描述 價值
allowedTrainingAlgorithms 用於預測工作的允許模型。 包含任何的字串數組：
'Arimax'
'AutoArima'
'Average'
'DecisionTree'
'ElasticNet'
'ExponentialSmoothing'
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LassoLars'
'LightGBM'
天真'
'先知'
'RandomForest'
'新幣'
'SeasonalAverage'
'SeasonalNaive'
'TCNForecaster'
'XGBoostRegressor'
blockedTrainingAlgorithms 用於預測工作的封鎖模型。 包含任何的字串數組：
'Arimax'
'AutoArima'
'Average'
'DecisionTree'
'ElasticNet'
'ExponentialSmoothing'
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LassoLars'
'LightGBM'
天真'
'先知'
'RandomForest'
'新幣'
'SeasonalAverage'
'SeasonalNaive'
'TCNForecaster'
'XGBoostRegressor'
enableDnnTraining 啟用 DNN 模型的建議。 bool
enableModelExplainability 在最佳模型上開啟可解釋性的旗標。 bool
enableOnnxCompatibleModels 啟用 onnx 相容模型的旗標。 bool
enableStackEnsemble 啟用堆疊合奏執行。 bool
enableVoteEnsemble 啟用投票合奏執行。 bool
ensembleModelDownloadTimeout 在 VotingEnsemble 和 StackEnsemble 模型產生期間，會下載先前子回合中的多個安裝模型。
如果需要更多時間，請使用高於 300 秒的值來設定此參數。		 字串
stackEnsembleSettings 堆疊合奏執行的堆疊合奏設定。 StackEnsembleSettings
trainingMode TrainingMode 模式 - 設定為 'auto' 與目前將它設定為「非分散式」相同，但未來可能會導致混合模式或啟發學習法模式選取。 預設值為 『auto』。
如果 「分散式」，則只會使用分散式特徵化，並選擇分散式演算法。
如果 『NonDistributed』，則只會選擇非分散式演算法。
 'Auto'
'Distributed'
'NonDistributed'

ImageClassification

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

ImageLimitSettings

名字 描述 價值
maxConcurrentTrials 並行 AutoML 反覆項目的數目上限。 int
maxTrials AutoML 反覆項目的數目上限。 int
超時 AutoML 作業逾時。 字串

ImageModelSettingsClassification

名字 描述 價值
advancedSettings 進階案例的設定。 字串
amsGradient 當優化器為 『adam』 或 'adamw' 時啟用AMSGrad。 bool
擴增 使用擴增的設定。 字串
beta1 優化器為 'adam' 或 'adamw' 時的 'beta1' 值。 必須是範圍 [0， 1] 中的浮點數。 int
beta2 優化器為 'adam' 或 'adamw' 時的 'beta2' 值。 必須是範圍 [0， 1] 中的浮點數。 int
checkpointFrequency 儲存模型檢查點的頻率。 必須是正整數。 int
checkpointModel 累加訓練的預先定型檢查點模型。 MLFlowModelJobInput
checkpointRunId 先前執行的標識碼，其具有累加式定型的預先定型檢查點。 字串
分散式 是否要使用分散式定型。 bool
earlyStopping 在定型期間啟用早期停止邏輯。 bool
earlyStoppingDelay 在主要計量改進之前等待的最小 Epoch 或驗證評估數目
會追蹤早期停止。 必須是正整數。		 int
earlyStoppingPatience 在之前沒有主要計量改進的最小 Epoch 或驗證評估數目
執行已停止。 必須是正整數。		 int
enableOnnxNormalization 匯出 ONNX 模型時啟用正規化。 bool
evaluationFrequency 評估驗證數據集以取得計量分數的頻率。 必須是正整數。 int
gradientAccumulationStep 漸層累積表示執行未設定數目的 「GradAccumulationStep」 步驟
更新模型權數，同時累積這些步驟的漸層，然後使用
用來計算權數更新的累積漸層。 必須是正整數。		 int
layersToFreeze 要凍結模型的圖層數目。 必須是正整數。
例如，傳遞 2 作為 'seresnext' 值表示
凍結 layer0 和 layer1。 如需支援模型的完整清單，以及圖層凍結的詳細數據，請
請參閱：/azure/machine-learning/how-to-auto-train-image-models。		 int
learningRate 初始學習速率。 必須是範圍 [0， 1] 中的浮點數。 int
learningRateScheduler 學習速率排程器的類型。 必須是 『warmup_cosine』 或 'step'。 'None'
'Step'
'WarmupCosine'
modelName 要用於定型的模型名稱。
如需可用模型的詳細資訊，請流覽官方檔：
/azure/machine-learning/how-to-auto-train-image-models。		 字串
動量 優化器為 『zn』 時的動量值。 必須是範圍 [0， 1] 中的浮點數。 int
nesterov 在優化器為 『zn』 時啟用 nesterov。 bool
numberOfEpochs 定型 Epoch 的數目。 必須是正整數。 int
numberOfWorkers 數據載入器背景工作角色的數目。 必須是非負整數。 int
優化 優化工具的類型。 'Adam'
'Adamw'
'None'
'新元'
randomSeed 使用決定性定型時要使用的隨機種子。 int
stepLRGamma 學習速率排程器為 『step』 時的 gamma 值。 必須是範圍 [0， 1] 中的浮點數。 int
stepLRStepSize 學習速率排程器為 『step』 時的步驟大小值。 必須是正整數。 int
trainingBatchSize 定型批次大小。 必須是正整數。 int
trainingCropSize 影像裁剪大小，這是訓練數據集之類神經網路的輸入。 必須是正整數。 int
validationBatchSize 驗證批次大小。 必須是正整數。 int
validationCropSize 影像裁剪大小，這是用於驗證數據集之類神經網路的輸入。 必須是正整數。 int
validationResizeSize 在裁剪驗證數據集之前要重設大小的影像大小。 必須是正整數。 int
warmupCosineLRCycles 學習速率排程器為「warmup_cosine」時，餘弦迴圈的值。 必須是範圍 [0， 1] 中的浮點數。 int
warmupCosineLRWarmupEpochs 學習速率排程器為「warmup_cosine」時，熱身 Epoch 的值。 必須是正整數。 int
weightDecay 優化器為 'zn'、'adam' 或 'adamw' 時的權數衰變值。 必須是範圍[0， 1] 中的浮點數。 int
weightedLoss 加權減肥。 接受的值是 0，沒有加權損失。
1 用於與 sqrt 減肥。（class_weights）。 2 用於減肥與class_weights。 必須是 0 或 1 或 2。
 int

MLFlowModelJobInput

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

約束：
最小長度 = 1
Pattern = [a-zA-Z0-9_]

ImageModelDistributionSettingsClassification

名字 描述 價值
amsGradient 當優化器為 『adam』 或 'adamw' 時啟用AMSGrad。 字串
擴增 使用擴增的設定。 字串
beta1 優化器為 'adam' 或 'adamw' 時的 'beta1' 值。 必須是範圍 [0， 1] 中的浮點數。 字串
beta2 優化器為 'adam' 或 'adamw' 時的 'beta2' 值。 必須是範圍 [0， 1] 中的浮點數。 字串
分散式 是否要使用散發器定型。 字串
earlyStopping 在定型期間啟用早期停止邏輯。 字串
earlyStoppingDelay 在主要計量改進之前等待的最小 Epoch 或驗證評估數目
會追蹤早期停止。 必須是正整數。		 字串
earlyStoppingPatience 在之前沒有主要計量改進的最小 Epoch 或驗證評估數目
執行已停止。 必須是正整數。		 字串
enableOnnxNormalization 匯出 ONNX 模型時啟用正規化。 字串
evaluationFrequency 評估驗證數據集以取得計量分數的頻率。 必須是正整數。 字串
gradientAccumulationStep 漸層累積表示執行未設定數目的 「GradAccumulationStep」 步驟
更新模型權數，同時累積這些步驟的漸層，然後使用
用來計算權數更新的累積漸層。 必須是正整數。		 字串
layersToFreeze 要凍結模型的圖層數目。 必須是正整數。
例如，傳遞 2 作為 'seresnext' 值表示
凍結 layer0 和 layer1。 如需支援模型的完整清單，以及圖層凍結的詳細數據，請
請參閱：/azure/machine-learning/how-to-auto-train-image-models。		 字串
learningRate 初始學習速率。 必須是範圍 [0， 1] 中的浮點數。 字串
learningRateScheduler 學習速率排程器的類型。 必須是 『warmup_cosine』 或 'step'。 字串
modelName 要用於定型的模型名稱。
如需可用模型的詳細資訊，請流覽官方檔：
/azure/machine-learning/how-to-auto-train-image-models。		 字串
動量 優化器為 『zn』 時的動量值。 必須是範圍 [0， 1] 中的浮點數。 字串
nesterov 在優化器為 『zn』 時啟用 nesterov。 字串
numberOfEpochs 定型 Epoch 的數目。 必須是正整數。 字串
numberOfWorkers 數據載入器背景工作角色的數目。 必須是非負整數。 字串
優化 優化工具的類型。 必須是 『zn』、『adam』或 『adamw』。 字串
randomSeed 使用決定性定型時要使用的隨機種子。 字串
stepLRGamma 學習速率排程器為 『step』 時的 gamma 值。 必須是範圍 [0， 1] 中的浮點數。 字串
stepLRStepSize 學習速率排程器為 『step』 時的步驟大小值。 必須是正整數。 字串
trainingBatchSize 定型批次大小。 必須是正整數。 字串
trainingCropSize 影像裁剪大小，這是訓練數據集之類神經網路的輸入。 必須是正整數。 字串
validationBatchSize 驗證批次大小。 必須是正整數。 字串
validationCropSize 影像裁剪大小，這是用於驗證數據集之類神經網路的輸入。 必須是正整數。 字串
validationResizeSize 在裁剪驗證數據集之前要重設大小的影像大小。 必須是正整數。 字串
warmupCosineLRCycles 學習速率排程器為「warmup_cosine」時，餘弦迴圈的值。 必須是範圍 [0， 1] 中的浮點數。 字串
warmupCosineLRWarmupEpochs 學習速率排程器為「warmup_cosine」時，熱身 Epoch 的值。 必須是正整數。 字串
weightDecay 優化器為 'zn'、'adam' 或 'adamw' 時的權數衰變值。 必須是範圍[0， 1] 中的浮點數。 字串
weightedLoss 加權減肥。 接受的值是 0，沒有加權損失。
1 用於與 sqrt 減肥。（class_weights）。 2 用於減肥與class_weights。 必須是 0 或 1 或 2。
 字串

ImageSweepSettings

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

ImageClassificationMultilabel

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

ImageInstanceSegmentation

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

ImageModelSettingsObjectDetection

名字 描述 價值
advancedSettings 進階案例的設定。 字串
amsGradient 當優化器為 『adam』 或 'adamw' 時啟用AMSGrad。 bool
擴增 使用擴增的設定。 字串
beta1 優化器為 'adam' 或 'adamw' 時的 'beta1' 值。 必須是範圍 [0， 1] 中的浮點數。 int
beta2 優化器為 'adam' 或 'adamw' 時的 'beta2' 值。 必須是範圍 [0， 1] 中的浮點數。 int
boxDetectionsPerImage 所有類別的每個影像偵測數目上限。 必須是正整數。
注意：'yolov5' 演算法不支援此設定。		 int
boxScoreThreshold 在推斷期間，只傳回大於分類分數的建議
BoxScoreThreshold。 必須是範圍[0， 1] 中的浮點數。		 int
checkpointFrequency 儲存模型檢查點的頻率。 必須是正整數。 int
checkpointModel 累加訓練的預先定型檢查點模型。 MLFlowModelJobInput
checkpointRunId 先前執行的標識碼，其具有累加式定型的預先定型檢查點。 字串
分散式 是否要使用分散式定型。 bool
earlyStopping 在定型期間啟用早期停止邏輯。 bool
earlyStoppingDelay 在主要計量改進之前等待的最小 Epoch 或驗證評估數目
會追蹤早期停止。 必須是正整數。		 int
earlyStoppingPatience 在之前沒有主要計量改進的最小 Epoch 或驗證評估數目
執行已停止。 必須是正整數。		 int
enableOnnxNormalization 匯出 ONNX 模型時啟用正規化。 bool
evaluationFrequency 評估驗證數據集以取得計量分數的頻率。 必須是正整數。 int
gradientAccumulationStep 漸層累積表示執行未設定數目的 「GradAccumulationStep」 步驟
更新模型權數，同時累積這些步驟的漸層，然後使用
用來計算權數更新的累積漸層。 必須是正整數。		 int
imageSize 定型和驗證的影像大小。 必須是正整數。
注意：如果大小太大，定型回合可能會進入 CUDA OOM。
注意：只有 'yolov5' 演算法才支援此設定。		 int
layersToFreeze 要凍結模型的圖層數目。 必須是正整數。
例如，傳遞 2 作為 'seresnext' 值表示
凍結 layer0 和 layer1。 如需支援模型的完整清單，以及圖層凍結的詳細數據，請
請參閱：/azure/machine-learning/how-to-auto-train-image-models。		 int
learningRate 初始學習速率。 必須是範圍 [0， 1] 中的浮點數。 int
learningRateScheduler 學習速率排程器的類型。 必須是 『warmup_cosine』 或 'step'。 'None'
'Step'
'WarmupCosine'
logTrainingMetrics 啟用計算和記錄定型計量。 'Disable'
'Enable'
logValidationLoss 啟用運算和記錄驗證遺失。 'Disable'
'Enable'
maxSize 在將影像饋送至骨幹之前，要重新調整的影像大小上限。
必須是正整數。 注意：如果大小太大，定型執行可能會進入 CUDA OOM。
注意：'yolov5' 演算法不支援此設定。		 int
minSize 將影像饋送至骨幹之前，要重新調整的影像大小下限。
必須是正整數。 注意：如果大小太大，定型執行可能會進入 CUDA OOM。
注意：'yolov5' 演算法不支援此設定。		 int
modelName 要用於定型的模型名稱。
如需可用模型的詳細資訊，請流覽官方檔：
/azure/machine-learning/how-to-auto-train-image-models。		 字串
modelSize 模型大小。 必須是 'small'、'medium'、'large' 或 'xlarge'。
注意：如果模型大小太大，定型執行可能會進入 CUDA OOM。
注意：只有 'yolov5' 演算法才支援此設定。		 'ExtraLarge'
'Large'
'Medium'
'None'
'Small'
動量 優化器為 『zn』 時的動量值。 必須是範圍 [0， 1] 中的浮點數。 int
multiScale 依 +/- 50%來啟用多重縮放影像大小。
注意：如果沒有足夠的 GPU 記憶體，定型執行可能會進入 CUDA OOM。
注意：只有 'yolov5' 演算法才支援此設定。		 bool
nesterov 在優化器為 『zn』 時啟用 nesterov。 bool
nmsIouThreshold 在NMS後置處理中的推斷期間使用的IOU臨界值。 必須是範圍 [0， 1] 中的浮點數。 int
numberOfEpochs 定型 Epoch 的數目。 必須是正整數。 int
numberOfWorkers 數據載入器背景工作角色的數目。 必須是非負整數。 int
優化 優化工具的類型。 'Adam'
'Adamw'
'None'
'新元'
randomSeed 使用決定性定型時要使用的隨機種子。 int
stepLRGamma 學習速率排程器為 『step』 時的 gamma 值。 必須是範圍 [0， 1] 中的浮點數。 int
stepLRStepSize 學習速率排程器為 『step』 時的步驟大小值。 必須是正整數。 int
tileGridSize 用來貼上每個影像的網格線大小。 注意：TileGridSize 不得為
無可啟用小型物件偵測邏輯。 包含兩個整數的字串，其格式為一個。
注意：'yolov5' 演算法不支援此設定。		 字串
tileOverlapRatio 每個維度中相鄰磚之間的重疊比例。 必須是範圍 [0， 1] 中的浮點數。
注意：'yolov5' 演算法不支援此設定。		 int
tilePredictionsNmsThreshold 用來執行NMS的IOU閾值，同時合併磚和影像的預測。
用於驗證/推斷。 必須是範圍 [0， 1] 中的 float。
注意：'yolov5' 演算法不支援此設定。		 int
trainingBatchSize 定型批次大小。 必須是正整數。 int
validationBatchSize 驗證批次大小。 必須是正整數。 int
validationIouThreshold 計算驗證計量時要使用的IOU閾值。 必須是範圍 [0， 1] 中的 float。 int
validationMetricType 用於驗證計量的計量計算方法。 'Coco'
'CocoVoc'
'None'
'Voc'
warmupCosineLRCycles 學習速率排程器為「warmup_cosine」時，餘弦迴圈的值。 必須是範圍 [0， 1] 中的浮點數。 int
warmupCosineLRWarmupEpochs 學習速率排程器為「warmup_cosine」時，熱身 Epoch 的值。 必須是正整數。 int
weightDecay 優化器為 'zn'、'adam' 或 'adamw' 時的權數衰變值。 必須是範圍[0， 1] 中的浮點數。 int

ImageModelDistributionSettingsObjectDetection

名字 描述 價值
amsGradient 當優化器為 『adam』 或 'adamw' 時啟用AMSGrad。 字串
擴增 使用擴增的設定。 字串
beta1 優化器為 'adam' 或 'adamw' 時的 'beta1' 值。 必須是範圍 [0， 1] 中的浮點數。 字串
beta2 優化器為 'adam' 或 'adamw' 時的 'beta2' 值。 必須是範圍 [0， 1] 中的浮點數。 字串
boxDetectionsPerImage 所有類別的每個影像偵測數目上限。 必須是正整數。
注意：'yolov5' 演算法不支援此設定。		 字串
boxScoreThreshold 在推斷期間，只傳回大於分類分數的建議
BoxScoreThreshold。 必須是範圍[0， 1] 中的浮點數。		 字串
分散式 是否要使用散發器定型。 字串
earlyStopping 在定型期間啟用早期停止邏輯。 字串
earlyStoppingDelay 在主要計量改進之前等待的最小 Epoch 或驗證評估數目
會追蹤早期停止。 必須是正整數。		 字串
earlyStoppingPatience 在之前沒有主要計量改進的最小 Epoch 或驗證評估數目
執行已停止。 必須是正整數。		 字串
enableOnnxNormalization 匯出 ONNX 模型時啟用正規化。 字串
evaluationFrequency 評估驗證數據集以取得計量分數的頻率。 必須是正整數。 字串
gradientAccumulationStep 漸層累積表示執行未設定數目的 「GradAccumulationStep」 步驟
更新模型權數，同時累積這些步驟的漸層，然後使用
用來計算權數更新的累積漸層。 必須是正整數。		 字串
imageSize 定型和驗證的影像大小。 必須是正整數。
注意：如果大小太大，定型回合可能會進入 CUDA OOM。
注意：只有 'yolov5' 演算法才支援此設定。		 字串
layersToFreeze 要凍結模型的圖層數目。 必須是正整數。
例如，傳遞 2 作為 'seresnext' 值表示
凍結 layer0 和 layer1。 如需支援模型的完整清單，以及圖層凍結的詳細數據，請
請參閱：/azure/machine-learning/how-to-auto-train-image-models。		 字串
learningRate 初始學習速率。 必須是範圍 [0， 1] 中的浮點數。 字串
learningRateScheduler 學習速率排程器的類型。 必須是 『warmup_cosine』 或 'step'。 字串
maxSize 在將影像饋送至骨幹之前，要重新調整的影像大小上限。
必須是正整數。 注意：如果大小太大，定型執行可能會進入 CUDA OOM。
注意：'yolov5' 演算法不支援此設定。		 字串
minSize 將影像饋送至骨幹之前，要重新調整的影像大小下限。
必須是正整數。 注意：如果大小太大，定型執行可能會進入 CUDA OOM。
注意：'yolov5' 演算法不支援此設定。		 字串
modelName 要用於定型的模型名稱。
如需可用模型的詳細資訊，請流覽官方檔：
/azure/machine-learning/how-to-auto-train-image-models。		 字串
modelSize 模型大小。 必須是 'small'、'medium'、'large' 或 'xlarge'。
注意：如果模型大小太大，定型執行可能會進入 CUDA OOM。
注意：只有 'yolov5' 演算法才支援此設定。		 字串
動量 優化器為 『zn』 時的動量值。 必須是範圍 [0， 1] 中的浮點數。 字串
multiScale 依 +/- 50%來啟用多重縮放影像大小。
注意：如果沒有足夠的 GPU 記憶體，定型執行可能會進入 CUDA OOM。
注意：只有 'yolov5' 演算法才支援此設定。		 字串
nesterov 在優化器為 『zn』 時啟用 nesterov。 字串
nmsIouThreshold 在NMS後置處理中的推斷期間使用的IOU臨界值。 必須是範圍 [0， 1] 中的 float。 字串
numberOfEpochs 定型 Epoch 的數目。 必須是正整數。 字串
numberOfWorkers 數據載入器背景工作角色的數目。 必須是非負整數。 字串
優化 優化工具的類型。 必須是 『zn』、『adam』或 『adamw』。 字串
randomSeed 使用決定性定型時要使用的隨機種子。 字串
stepLRGamma 學習速率排程器為 『step』 時的 gamma 值。 必須是範圍 [0， 1] 中的浮點數。 字串
stepLRStepSize 學習速率排程器為 『step』 時的步驟大小值。 必須是正整數。 字串
tileGridSize 用來貼上每個影像的網格線大小。 注意：TileGridSize 不得為
無可啟用小型物件偵測邏輯。 包含兩個整數的字串，其格式為一個。
注意：'yolov5' 演算法不支援此設定。		 字串
tileOverlapRatio 每個維度中相鄰磚之間的重疊比例。 必須是範圍 [0， 1] 中的浮點數。
注意：'yolov5' 演算法不支援此設定。		 字串
tilePredictionsNmsThreshold 用來執行NMS的IOU閾值，同時合併磚和影像的預測。
用於驗證/推斷。 必須是範圍 [0， 1] 中的 float。
注意：'yolov5' 演算法不支援此設定。
NMS：非最大歸併		 字串
trainingBatchSize 定型批次大小。 必須是正整數。 字串
validationBatchSize 驗證批次大小。 必須是正整數。 字串
validationIouThreshold 計算驗證計量時要使用的IOU閾值。 必須是範圍 [0， 1] 中的 float。 字串
validationMetricType 用於驗證計量的計量計算方法。 必須是 『none』、『coco』、'voc'或 'coco_voc'。 字串
warmupCosineLRCycles 學習速率排程器為「warmup_cosine」時，餘弦迴圈的值。 必須是範圍 [0， 1] 中的浮點數。 字串
warmupCosineLRWarmupEpochs 學習速率排程器為「warmup_cosine」時，熱身 Epoch 的值。 必須是正整數。 字串
weightDecay 優化器為 'zn'、'adam' 或 'adamw' 時的權數衰變值。 必須是範圍[0， 1] 中的浮點數。 字串

ImageObjectDetection

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

回歸

名字 描述 價值
taskType [必要]AutoMLJob 的工作類型。 '回歸' （必要）
cvSplitColumnNames 要用於 CVSplit 資料的數據行。 string[]
featurizationSettings AutoML 作業所需的特徵化輸入。 TableVerticalFeaturizationSettings
fixedParameters 模型/定型參數，在整個定型過程中會維持不變。 TableFixedParameters
limitSettings AutoMLJob 的執行條件約束。 TableVerticalLimitSettings
nCrossValidations 要套用至定型數據集的交叉驗證折疊數目
未提供驗證數據集時。		 NCrossValidations
primaryMetric 回歸工作的主要計量。 'NormalizedMeanAbsoluteError'
'NormalizedRootMeanSquaredError'
'R2Score'
'SpearmanCorrelation'
searchSpace 搜尋空間以取樣模型及其超參數的不同組合。 TableParameterSubspace[]
sweepSettings 模型掃掠和超參數微調的設定。 TableSweepSettings
testData 測試數據輸入。 MLTableJobInput
testDataSize 必須為驗證目的而保留的測試數據集分數。
介於 （0.0 、 1.0） 之間的值
未提供驗證數據集時套用。		 int
trainingSettings AutoML 作業定型階段的輸入。 RegressionTrainingSettings
validationData 驗證數據輸入。 MLTableJobInput
validationDataSize 需要為驗證目的預留的定型數據集分數。
介於 （0.0 、 1.0） 之間的值
未提供驗證數據集時套用。		 int
weightColumnName 範例權數數據行的名稱。 自動化 ML 支援加權數據行做為輸入，導致數據中的數據列向上或向下加權。 字串

RegressionTrainingSettings

名字 描述 價值
allowedTrainingAlgorithms 回歸工作的允許模型。 包含任何的字串數組：
'DecisionTree'
'ElasticNet'
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LassoLars'
'LightGBM'
'RandomForest'
'新幣'
'XGBoostRegressor'
blockedTrainingAlgorithms 回歸工作的封鎖模型。 包含任何的字串數組：
'DecisionTree'
'ElasticNet'
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LassoLars'
'LightGBM'
'RandomForest'
'新幣'
'XGBoostRegressor'
enableDnnTraining 啟用 DNN 模型的建議。 bool
enableModelExplainability 在最佳模型上開啟可解釋性的旗標。 bool
enableOnnxCompatibleModels 啟用 onnx 相容模型的旗標。 bool
enableStackEnsemble 啟用堆疊合奏執行。 bool
enableVoteEnsemble 啟用投票合奏執行。 bool
ensembleModelDownloadTimeout 在 VotingEnsemble 和 StackEnsemble 模型產生期間，會下載先前子回合中的多個安裝模型。
如果需要更多時間，請使用高於 300 秒的值來設定此參數。		 字串
stackEnsembleSettings 堆疊合奏執行的堆疊合奏設定。 StackEnsembleSettings
trainingMode TrainingMode 模式 - 設定為 'auto' 與目前將它設定為「非分散式」相同，但未來可能會導致混合模式或啟發學習法模式選取。 預設值為 『auto』。
如果 「分散式」，則只會使用分散式特徵化，並選擇分散式演算法。
如果 『NonDistributed』，則只會選擇非分散式演算法。
 'Auto'
'Distributed'
'NonDistributed'

TextClassification

名字 描述 價值
taskType [必要]AutoMLJob 的工作類型。 'TextClassification' （必要）
featurizationSettings AutoML 作業所需的特徵化輸入。 NlpVerticalFeaturizationSettings
fixedParameters 模型/定型參數，在整個定型過程中會維持不變。 NlpFixedParameters
limitSettings AutoMLJob 的執行條件約束。 NlpVerticalLimitSettings
primaryMetric Text-Classification 工作的主要計量。 'AUCWeighted'
'精確度'
'AveragePrecisionScoreWeighted'
'NormMacroRecall'
'PrecisionScoreWeighted'
searchSpace 搜尋空間以取樣模型及其超參數的不同組合。 NlpParameterSubspace[]
sweepSettings 模型掃掠和超參數微調的設定。 NlpSweepSettings
validationData 驗證數據輸入。 MLTableJobInput

NlpVerticalFeaturizationSettings

名字 描述 價值
datasetLanguage 數據集語言，適用於文字數據。 字串

NlpFixedParameters

名字 描述 價值
gradientAccumulationSteps 在執行回溯傳遞之前，要累積漸層的步驟數目。 int
learningRate 定型程序的學習速率。 int
learningRateScheduler 訓練程式期間要使用的學習速率排程類型。 'Constant'
'ConstantWithWarmup'
'Cosine'
'CosineWithRestarts'
'Linear'
'None'
'多項式'
modelName 要定型的模型名稱。 字串
numberOfEpochs 定型 Epoch 的數目。 int
trainingBatchSize 定型程式的批次大小。 int
validationBatchSize 評估期間要使用的批次大小。 int
warmupRatio 熱身比例，與 LrSchedulerType 搭配使用。 int
weightDecay 定型程式的重量衰變。 int

NlpVerticalLimitSettings

名字 描述 價值
maxConcurrentTrials 並行 AutoML 反覆專案上限。 int
maxNodes 用於實驗的最大節點。 int
maxTrials AutoML 反覆項目的數目。 int
超時 AutoML 作業逾時。 字串
trialTimeout 個別 HD 試用版的逾時。 字串

NlpParameterSubspace

名字 描述 價值
gradientAccumulationSteps 在執行回溯傳遞之前，要累積漸層的步驟數目。 字串
learningRate 定型程序的學習速率。 字串
learningRateScheduler 訓練程式期間要使用的學習速率排程類型。 字串
modelName 要定型的模型名稱。 字串
numberOfEpochs 定型 Epoch 的數目。 字串
trainingBatchSize 定型程式的批次大小。 字串
validationBatchSize 評估期間要使用的批次大小。 字串
warmupRatio 熱身比例，與 LrSchedulerType 搭配使用。 字串
weightDecay 定型程式的重量衰變。 字串

NlpSweepSettings

名字 描述 價值
earlyTermination 掃掠作業的早期終止原則類型。 EarlyTerminationPolicy
samplingAlgorithm [必要]取樣演算法的類型。 “貝氏”
'Grid'
'Random' （必要）

TextClassificationMultilabel

名字 描述 價值
taskType [必要]AutoMLJob 的工作類型。 'TextClassificationMultilabel' （必要）
featurizationSettings AutoML 作業所需的特徵化輸入。 NlpVerticalFeaturizationSettings
fixedParameters 模型/定型參數，在整個定型過程中會維持不變。 NlpFixedParameters
limitSettings AutoMLJob 的執行條件約束。 NlpVerticalLimitSettings
searchSpace 搜尋空間以取樣模型及其超參數的不同組合。 NlpParameterSubspace[]
sweepSettings 模型掃掠和超參數微調的設定。 NlpSweepSettings
validationData 驗證數據輸入。 MLTableJobInput

TextNer

名字 描述 價值
taskType [必要]AutoMLJob 的工作類型。 'TextNER' （必要）
featurizationSettings AutoML 作業所需的特徵化輸入。 NlpVerticalFeaturizationSettings
fixedParameters 模型/定型參數，在整個定型過程中會維持不變。 NlpFixedParameters
limitSettings AutoMLJob 的執行條件約束。 NlpVerticalLimitSettings
searchSpace 搜尋空間以取樣模型及其超參數的不同組合。 NlpParameterSubspace[]
sweepSettings 模型掃掠和超參數微調的設定。 NlpSweepSettings
validationData 驗證數據輸入。 MLTableJobInput

CommandJob

名字 描述 價值
jobType [必要]指定作業的類型。 'Command' （必要）
autologgerSettings 作業的散發組態。 如果設定，這應該是其中一個 Mpi、Tensorflow、PyTorch 或 null。 AutologgerSettings
codeId 程式代碼資產的 ARM 資源識別碼。 字串
命令 [必要]在作業啟動時執行的命令。 例如 “python train.py” 字串 （必要）

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

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

AutologgerSettings

名字 描述 價值
mlflowAutologger [必要]指出是否啟用mlflow自動記錄器。 'Disabled'
'Enabled' （必要）

DistributionConfiguration

名字 描述 價值
distributionType 設定物件類型 Mpi
PyTorch
Ray
TensorFlow （必要）

Mpi

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

PyTorch

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

射線

名字 描述 價值
distributionType [必要]指定散發架構的類型。 'Ray' （必要）
位址 Ray 前端節點的位址。 字串
dashboardPort 要系結儀錶板伺服器的埠。 int
headNodeAdditionalArgs 傳遞至前端節點中光線啟動的其他自變數。 字串
includeDashboard 提供此自變數以啟動Ray儀錶板 GUI。 bool
港口 前端光線進程的埠。 int
workerNodeAdditionalArgs 傳遞至ray的其他自變數會在背景工作節點中啟動。 字串

TensorFlow

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

CommandJobEnvironmentVariables

名字 描述 價值
{自定義屬性} 字串

CommandJobInputs

名字 描述 價值
{自定義屬性} JobInput

JobInput

名字 描述 價值
描述 輸入的描述。 字串
jobInputType 設定物件類型 custom_model
常值
mlflow_model
mltable
triton_model
uri_file
uri_folder （必要）

CustomModelJobInput

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

約束：
最小長度 = 1
Pattern = [a-zA-Z0-9_]

LiteralJobInput

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

約束：
最小長度 = 1
Pattern = [a-zA-Z0-9_]

TritonModelJobInput

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

約束：
最小長度 = 1
Pattern = [a-zA-Z0-9_]

UriFileJobInput

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

約束：
最小長度 = 1
Pattern = [a-zA-Z0-9_]

UriFolderJobInput

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

約束：
最小長度 = 1
Pattern = [a-zA-Z0-9_]

CommandJobLimits

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

CommandJobOutputs

名字 描述 價值
{自定義屬性} JobOutput

LabelingJobProperties

名字 描述 價值
componentId 元件資源的 ARM 資源識別碼。 字串
computeId 計算資源的 ARM 資源識別碼。 字串
dataConfiguration 設定作業中使用的數據。 LabelingDataConfiguration
描述 資產描述文字。 字串
displayName 工作的顯示名稱。 字串
experimentName 作業所屬的實驗名稱。 如果未設定，作業會放在 「默認」實驗中。 字串
身份 身分識別設定。 如果設定，這應該是其中一個 AmlToken、ManagedIdentity、UserIdentity 或 null。
如果為 null，則預設為 AmlToken。		 IdentityConfiguration
isArchived 資產是否已封存？ bool
jobInstructions 標記作業的指示。 LabelingJobInstructions
jobType [必要]指定作業的類型。 'AutoML'
'Command'
'標記'
'Pipeline'
'Spark'
'掃掠' （必要）
labelCategories 作業的標籤類別。 LabelJobLabelCategories
labelingJobMediaProperties 作業中的媒體類型特定屬性。 LabelingJobMediaProperties
mlAssistConfiguration 在作業中設定 MLAssist 功能。 MLAssistConfiguration
notificationSetting 作業的通知設定 NotificationSetting
性能 資產屬性字典。 ResourceBaseProperties
secretsConfiguration 設定要在運行時間期間提供秘密。 JobBaseSecretsConfiguration
服務業 JobEndpoints 的清單。
針對本機作業，作業端點會有 FileStreamObject 的端點值。		 JobBaseServices
標籤 標記字典。 標記可以新增、移除和更新。 物件

LabelingDataConfiguration

名字 描述 價值
dataId 要執行標籤之數據資產的資源標識碼。 字串
incrementalDataRefresh 指出是否要啟用累加式數據重新整理。 'Disabled'
'Enabled'

LabelingJobInstructions

名字 描述 價值
uri 具有標籤者詳細標籤指示的頁面連結。 字串

LabelJobLabelCategories

名字 描述 價值
{自定義屬性} LabelCategory

LabelCategory

名字 描述 價值
類 此類別中標籤類別的字典。 LabelCategoryClasses
displayName 標籤類別的顯示名稱。 字串
multiSelect 指出是否允許在此類別中選取多個類別。 'Disabled'
'Enabled'

LabelCategoryClasses

名字 描述 價值
{自定義屬性} LabelClass

LabelClass

名字 描述 價值
displayName 標籤類別的顯示名稱。 字串
子 卷標類別子類別的字典。 LabelClassSubclasses

LabelClassSubclasses

名字 描述 價值
{自定義屬性} LabelClass

LabelingJobMediaProperties

名字 描述 價值
mediaType 設定物件類型 映像
文字（必要）

LabelingJobImageProperties

名字 描述 價值
mediaType [必要]作業的媒體類型。 'Image' （必要）
annotationType 影像標籤作業的註釋類型。 'BoundingBox'
'Classification'
'InstanceSegmentation'

LabelingJobTextProperties

名字 描述 價值
mediaType [必要]作業的媒體類型。 'Text' （必要）
annotationType 文字標籤作業的註釋類型。 'Classification'
'NamedEntityRecognition'

MLAssistConfiguration

名字 描述 價值
mlAssist 設定物件類型 停用
已啟用 （必要）

MLAssistConfigurationDisabled

名字 描述 價值
mlAssist [必要]指出是否啟用 MLAssist 功能。 'Disabled' （必要）

MLAssistConfigurationEnabled

名字 描述 價值
mlAssist [必要]指出是否啟用 MLAssist 功能。 'Enabled' （必要）
inferencingComputeBinding [必要]用於推斷的 AML 計算系結。 字串 （必要）

約束：
最小長度 = 1
Pattern = [a-zA-Z0-9_]
trainingComputeBinding [必要]定型中使用的 AML 計算系結。 字串 （必要）

約束：
最小長度 = 1
Pattern = [a-zA-Z0-9_]

PipelineJob

名字 描述 價值
jobType [必要]指定作業的類型。 'Pipeline' （必要）
輸入 管線作業的輸入。 PipelineJobInputs
工作 作業會建構管線作業。 PipelineJobJobs
輸出 管線作業的輸出 PipelineJobOutputs
設置 管線設定，適用於 ContinueRunOnStepFailure 等專案。 針對 Bicep，您可以使用 any（） 函式。
sourceJobId 來源作業的 ARM 資源識別碼。 字串

PipelineJobInputs

名字 描述 價值
{自定義屬性} JobInput

PipelineJobJobs

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

PipelineJobOutputs

名字 描述 價值
{自定義屬性} JobOutput

SparkJob

名字 描述 價值
jobType [必要]指定作業的類型。 'Spark' （必要）
檔案 封存作業中使用的檔案。 string[]
args 作業的自變數。 字串
codeId [必要]程式代碼資產的 ARM 資源識別碼。 字串 （必要）

約束：
最小長度 = 1
Pattern = [a-zA-Z0-9_]
conf Spark 設定的屬性。 SparkJobConf
進入 [必要]在作業啟動時要執行的專案。 SparkJobEntry （必要）
environmentId 作業之環境規格的 ARM 資源識別碼。 字串
檔 作業中使用的檔案。 string[]
輸入 對應作業中使用的輸入數據系結。 SparkJobInputs
罐子 作業中使用的 Jar 檔案。 string[]
輸出 對應作業中使用的輸出數據系結。 SparkJobOutputs
pyFiles 作業中使用的 Python 檔案。 string[]
queueSettings 作業的佇列設定 QueueSettings
資源 作業的計算資源組態。 SparkResourceConfiguration

SparkJobConf

名字 描述 價值
{自定義屬性} 字串

SparkJobEntry

名字 描述 價值
sparkJobEntryType 設定物件類型 SparkJobPythonEntry
SparkJobScalaEntry （必要）

SparkJobPythonEntry

名字 描述 價值
sparkJobEntryType [必要]作業進入點的類型。 'SparkJobPythonEntry' （必要）
檔 [必要]作業進入點的相對 Python 檔案路徑。 字串 （必要）

約束：
最小長度 = 1
Pattern = [a-zA-Z0-9_]

SparkJobScalaEntry

名字 描述 價值
sparkJobEntryType [必要]作業進入點的類型。 'SparkJobScalaEntry' （必要）
className [必要]做為進入點的 Scala 類別名稱。 字串 （必要）

約束：
最小長度 = 1
Pattern = [a-zA-Z0-9_]

SparkJobInputs

名字 描述 價值
{自定義屬性} JobInput

SparkJobOutputs

名字 描述 價值
{自定義屬性} JobOutput

SparkResourceConfiguration

名字 描述 價值
instanceType 計算目標所支持的選擇性 VM 類型。 字串
runtimeVersion 用於作業的 Spark 執行時間版本。 字串

SweepJob

名字 描述 價值
jobType [必要]指定作業的類型。 '掃掠' （必要）
earlyTermination 早期終止原則可在完成之前取消執行效能不佳 EarlyTerminationPolicy
輸入 對應作業中使用的輸入數據系結。 SweepJobInputs
限制 掃掠作業限制。 SweepJobLimits
目的 [必要]優化目標。 目標（必要）
輸出 對應作業中使用的輸出數據系結。 SweepJobOutputs
queueSettings 作業的佇列設定 QueueSettings
samplingAlgorithm [必要]超參數取樣演算法 SamplingAlgorithm （必要）
searchSpace [必要]包含每個參數及其散發的字典。 字典索引鍵是參數的名稱 針對 Bicep，您可以使用 any（） 函式。（必要）
試驗 [必要]試用版元件定義。 試用版元件 （必要）

SweepJobInputs

名字 描述 價值
{自定義屬性} JobInput

SweepJobLimits

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

目的

名字 描述 價值
目標 [必要]定義超參數微調支援的計量目標 'Maximize'
'最小化' （必要）
primaryMetric [必要]要優化之計量的名稱。 字串 （必要）

約束：
最小長度 = 1
Pattern = [a-zA-Z0-9_]

SweepJobOutputs

名字 描述 價值
{自定義屬性} JobOutput

SamplingAlgorithm

名字 描述 價值
samplingAlgorithmType 設定物件類型 貝氏
方格
隨機 （必要）

BayesianSamplingAlgorithm

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

GridSamplingAlgorithm

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

RandomSamplingAlgorithm

名字 描述 價值
samplingAlgorithmType [必要]用來產生超參數值的演算法，以及組態屬性 'Random' （必要）
logbase 選擇性正數或 e 字串格式，以做為以記錄為基礎的隨機取樣基底 字串
統治 隨機演算法的特定類型 'Random'
'Sobol'
種子 要作為隨機數產生種子的選擇性整數 int

TrialComponent

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

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

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

TrialComponentEnvironmentVariables

名字 描述 價值
{自定義屬性} 字串

快速入門範本

下列快速入門範本會部署此資源類型。

範本 描述
建立 Azure Machine Learning AutoML 分類作業

部署至 Azure 		此範本會建立 Azure Machine Learning AutoML 分類作業，以找出最佳模型，以預測客戶是否會訂閱與金融機構的固定期存款。
建立 Azure Machine Learning 命令作業

部署至 Azure 		此範本會建立具有基本 你好_world 腳本的 Azure Machine Learning 命令作業
建立 Azure Machine Learning 掃掠作業

部署至 Azure 		此範本會建立 Azure Machine Learning 掃掠作業以進行超參數微調。

ARM 樣本資源定義

工作區/作業資源類型可以使用目標作業來部署：

如需每個 API 版本中已變更屬性的清單，請參閱 變更記錄檔。

資源格式

若要建立 Microsoft.MachineLearningServices/workspaces/jobs 資源，請將下列 JSON 新增至範本。

{
  "type": "Microsoft.MachineLearningServices/workspaces/jobs",
  "apiVersion": "2023-06-01-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 物件

設定 jobType 屬性，以指定物件的類型。

針對 AutoML，請使用：

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

針對 Command，請使用：

  "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"
  }

針對 標籤，請使用：

  "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
  }

針對 Pipeline，請使用：

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

針對 Spark，請使用：

  "jobType": "Spark",
  "archives": [ "string" ],
  "args": "string",
  "codeId": "string",
  "conf": {
    "{customized property}": "string"
  },
  "entry": {
    "sparkJobEntryType": "string"
    // For remaining properties, see SparkJobEntry objects
  },
  "environmentId": "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"
  }

針對 掃掠，請使用：

  "jobType": "Sweep",
  "earlyTermination": {
    "delayEvaluation": "int",
    "evaluationInterval": "int",
    "policyType": "string"
    // For remaining properties, see EarlyTerminationPolicy objects
  },
  "inputs": {
    "{customized property}": {
      "description": "string",
      "jobInputType": "string"
      // For remaining properties, see JobInput objects
    }
  },
  "limits": {
    "jobLimitsType": "string",
    "maxConcurrentTrials": "int",
    "maxTotalTrials": "int",
    "timeout": "string",
    "trialTimeout": "string"
  },
  "objective": {
    "goal": "string",
    "primaryMetric": "string"
  },
  "outputs": {
    "{customized property}": {
      "description": "string",
      "jobOutputType": "string"
      // For remaining properties, see JobOutput objects
    }
  },
  "queueSettings": {
    "jobTier": "string",
    "priority": "int"
  },
  "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 物件

設定 identityType 屬性 ，以指定對象的類型。

針對 AMLToken，請使用：

  "identityType": "AMLToken"

針對 Managed，請使用：

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

針對 UserIdentity，請使用：

  "identityType": "UserIdentity"

Webhook 物件

設定 webhookType 屬性，以指定對象的類型。

針對 AzureDevOps，請使用：

  "webhookType": "AzureDevOps"

Nodes 物件

設定 nodesValueType 屬性 ，以指定對象的類型。

針對 [所有]，請使用：

  "nodesValueType": "All"

JobOutput 物件

設定 jobOutputType 屬性，以指定物件的類型。

針對 custom_model，請使用：

  "jobOutputType": "custom_model",
  "assetName": "string",
  "assetVersion": "string",
  "autoDeleteSetting": {
    "condition": "string",
    "value": "string"
  },
  "mode": "string",
  "uri": "string"

針對 mlflow_model，請使用：

  "jobOutputType": "mlflow_model",
  "assetName": "string",
  "assetVersion": "string",
  "autoDeleteSetting": {
    "condition": "string",
    "value": "string"
  },
  "mode": "string",
  "uri": "string"

針對 mltable，請使用：

  "jobOutputType": "mltable",
  "assetName": "string",
  "assetVersion": "string",
  "autoDeleteSetting": {
    "condition": "string",
    "value": "string"
  },
  "mode": "string",
  "uri": "string"

針對 triton_model，請使用：

  "jobOutputType": "triton_model",
  "assetName": "string",
  "assetVersion": "string",
  "autoDeleteSetting": {
    "condition": "string",
    "value": "string"
  },
  "mode": "string",
  "uri": "string"

針對 uri_file，請使用：

  "jobOutputType": "uri_file",
  "assetName": "string",
  "assetVersion": "string",
  "autoDeleteSetting": {
    "condition": "string",
    "value": "string"
  },
  "mode": "string",
  "uri": "string"

針對 uri_folder，請使用：

  "jobOutputType": "uri_folder",
  "assetName": "string",
  "assetVersion": "string",
  "autoDeleteSetting": {
    "condition": "string",
    "value": "string"
  },
  "mode": "string",
  "uri": "string"

AutoMLVertical 物件

設定 taskType 屬性，以指定物件的類型。

針對 分類，請使用：

  "taskType": "Classification",
  "cvSplitColumnNames": [ "string" ],
  "featurizationSettings": {
    "blockedTransformers": [ "string" ],
    "columnNameAndTypes": {
      "{customized property}": "string"
    },
    "datasetLanguage": "string",
    "enableDnnFeaturization": "bool",
    "mode": "string",
    "transformerParams": {
      "{customized property}": [
        {
          "fields": [ "string" ],
          "parameters": {}
        }
      ]
    }
  },
  "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"

針對 預測，請使用：

  "taskType": "Forecasting",
  "cvSplitColumnNames": [ "string" ],
  "featurizationSettings": {
    "blockedTransformers": [ "string" ],
    "columnNameAndTypes": {
      "{customized property}": "string"
    },
    "datasetLanguage": "string",
    "enableDnnFeaturization": "bool",
    "mode": "string",
    "transformerParams": {
      "{customized property}": [
        {
          "fields": [ "string" ],
          "parameters": {}
        }
      ]
    }
  },
  "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"

針對 imageClassification ，請使用：

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

針對 imageClassificationMultilabel，請使用：

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

針對 ImageInstanceSegmentation，請使用：

  "taskType": "ImageInstanceSegmentation",
  "limitSettings": {
    "maxConcurrentTrials": "int",
    "maxTrials": "int",
    "timeout": "string"
  },
  "modelSettings": {
    "advancedSettings": "string",
    "amsGradient": "bool",
    "augmentations": "string",
    "beta1": "int",
    "beta2": "int",
    "boxDetectionsPerImage": "int",
    "boxScoreThreshold": "int",
    "checkpointFrequency": "int",
    "checkpointModel": {
      "description": "string",
      "jobInputType": "string",
      "mode": "string",
      "uri": "string"
    },
    "checkpointRunId": "string",
    "distributed": "bool",
    "earlyStopping": "bool",
    "earlyStoppingDelay": "int",
    "earlyStoppingPatience": "int",
    "enableOnnxNormalization": "bool",
    "evaluationFrequency": "int",
    "gradientAccumulationStep": "int",
    "imageSize": "int",
    "layersToFreeze": "int",
    "learningRate": "int",
    "learningRateScheduler": "string",
    "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"

針對 ImageObjectDetection，請使用：

  "taskType": "ImageObjectDetection",
  "limitSettings": {
    "maxConcurrentTrials": "int",
    "maxTrials": "int",
    "timeout": "string"
  },
  "modelSettings": {
    "advancedSettings": "string",
    "amsGradient": "bool",
    "augmentations": "string",
    "beta1": "int",
    "beta2": "int",
    "boxDetectionsPerImage": "int",
    "boxScoreThreshold": "int",
    "checkpointFrequency": "int",
    "checkpointModel": {
      "description": "string",
      "jobInputType": "string",
      "mode": "string",
      "uri": "string"
    },
    "checkpointRunId": "string",
    "distributed": "bool",
    "earlyStopping": "bool",
    "earlyStoppingDelay": "int",
    "earlyStoppingPatience": "int",
    "enableOnnxNormalization": "bool",
    "evaluationFrequency": "int",
    "gradientAccumulationStep": "int",
    "imageSize": "int",
    "layersToFreeze": "int",
    "learningRate": "int",
    "learningRateScheduler": "string",
    "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"

針對 回歸，請使用：

  "taskType": "Regression",
  "cvSplitColumnNames": [ "string" ],
  "featurizationSettings": {
    "blockedTransformers": [ "string" ],
    "columnNameAndTypes": {
      "{customized property}": "string"
    },
    "datasetLanguage": "string",
    "enableDnnFeaturization": "bool",
    "mode": "string",
    "transformerParams": {
      "{customized property}": [
        {
          "fields": [ "string" ],
          "parameters": {}
        }
      ]
    }
  },
  "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"

針對 TextClassification，請使用：

  "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"
  }

針對 textClassificationMultilabel，請使用：

  "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"
  }

針對 TextNER，請使用：

  "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 物件

設定 模式 屬性，以指定物件的類型。

針對 Auto，請使用：

  "mode": "Auto"

針對 自訂，請使用：

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

EarlyTerminationPolicy 物件

設定 policyType 屬性，以指定對象的類型。

針對 Bandit，請使用：

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

針對 MedianStopping，請使用：

  "policyType": "MedianStopping"

針對 TruncationSelection，請使用：

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

ForecastHorizon 物件

設定 模式 屬性，以指定物件的類型。

針對 Auto，請使用：

  "mode": "Auto"

針對 自訂，請使用：

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

季節性物件

設定 模式 屬性，以指定物件的類型。

針對 Auto，請使用：

  "mode": "Auto"

針對 自訂，請使用：

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

TargetLags 物件

設定 模式 屬性，以指定物件的類型。

針對 Auto，請使用：

  "mode": "Auto"

針對 自訂，請使用：

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

TargetRollingWindowSize 物件

設定 模式 屬性，以指定物件的類型。

針對 Auto，請使用：

  "mode": "Auto"

針對 自訂，請使用：

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

DistributionConfiguration 物件

設定 distributionType 屬性，以指定對象的類型。

針對 Mpi，請使用：

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

針對 PyTorch，請使用：

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

針對 Ray，請使用：

  "distributionType": "Ray",
  "address": "string",
  "dashboardPort": "int",
  "headNodeAdditionalArgs": "string",
  "includeDashboard": "bool",
  "port": "int",
  "workerNodeAdditionalArgs": "string"

針對 TensorFlow，請使用：

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

JobInput 物件

設定 jobInputType 屬性，以指定物件的類型。

針對 custom_model，請使用：

  "jobInputType": "custom_model",
  "mode": "string",
  "uri": "string"

針對 常值，請使用：

  "jobInputType": "literal",
  "value": "string"

針對 mlflow_model，請使用：

  "jobInputType": "mlflow_model",
  "mode": "string",
  "uri": "string"

針對 mltable，請使用：

  "jobInputType": "mltable",
  "mode": "string",
  "uri": "string"

針對 triton_model，請使用：

  "jobInputType": "triton_model",
  "mode": "string",
  "uri": "string"

針對 uri_file，請使用：

  "jobInputType": "uri_file",
  "mode": "string",
  "uri": "string"

針對 uri_folder，請使用：

  "jobInputType": "uri_folder",
  "mode": "string",
  "uri": "string"

LabelingJobMediaProperties 物件

設定 mediaType 屬性，以指定物件的類型。

針對 Image，請使用：

  "mediaType": "Image",
  "annotationType": "string"

針對 Text，請使用：

  "mediaType": "Text",
  "annotationType": "string"

MLAssistConfiguration 物件

設定 mlAssist 屬性，以指定對象的類型。

針對 Disabled，請使用：

  "mlAssist": "Disabled"

針對啟用 ，請使用：

  "mlAssist": "Enabled",
  "inferencingComputeBinding": "string",
  "trainingComputeBinding": "string"

SparkJobEntry 物件

設定 sparkJobEntryType 屬性，以指定對象的類型。

若為 SparkJobPythonEntry，請使用：

  "sparkJobEntryType": "SparkJobPythonEntry",
  "file": "string"

針對 SparkJobScalaEntry，請使用：

  "sparkJobEntryType": "SparkJobScalaEntry",
  "className": "string"

SamplingAlgorithm 物件

設定 samplingAlgorithmType 屬性，以指定對象的類型。

針對 貝氏，請使用：

  "samplingAlgorithmType": "Bayesian"

針對 Grid，請使用：

  "samplingAlgorithmType": "Grid"

針對 Random，請使用：

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

屬性值

workspaces/jobs

名字 描述 價值
類型 資源類型 'Microsoft.MachineLearningServices/workspaces/jobs'
apiVersion 資源 API 版本 '2023-06-01-preview'
名字 資源名稱

請參閱如何在JSON ARM 範本中設定子資源的名稱和類型。		 字串 （必要）
性能 [必要]實體的其他屬性。 JobBaseProperties （必要）

JobBaseProperties

名字 描述 價值
componentId 元件資源的 ARM 資源識別碼。 字串
computeId 計算資源的 ARM 資源識別碼。 字串
描述 資產描述文字。 字串
displayName 工作的顯示名稱。 字串
experimentName 作業所屬的實驗名稱。 如果未設定，作業會放在 「默認」實驗中。 字串
身份 身分識別設定。 如果設定，這應該是其中一個 AmlToken、ManagedIdentity、UserIdentity 或 null。
如果為 null，則預設為 AmlToken。		 IdentityConfiguration
isArchived 資產是否已封存？ bool
notificationSetting 作業的通知設定 NotificationSetting
性能 資產屬性字典。 ResourceBaseProperties
secretsConfiguration 設定要在運行時間期間提供秘密。 JobBaseSecretsConfiguration
服務業 JobEndpoints 的清單。
針對本機作業，作業端點會有 FileStreamObject 的端點值。		 JobBaseServices
標籤 標記字典。 標記可以新增、移除和更新。 物件
jobType 設定物件類型 AutoML
命令
標籤
管線
Spark
掃掠（必要）

IdentityConfiguration

名字 描述 價值
identityType 設定物件類型 AMLToken
受控
UserIdentity （必要）

AmlToken

名字 描述 價值
identityType [必要]指定身分識別架構的類型。 'AMLToken' （必要）

ManagedIdentity

名字 描述 價值
identityType [必要]指定身分識別架構的類型。 'Managed' （必要）
clientId 依用戶端識別元指定使用者指派的身分識別。 若為系統指派，請勿設定此欄位。 字串

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

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

UserIdentity

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

NotificationSetting

名字 描述 價值
emailOn 在指定的通知類型上傳送電子郵件通知給使用者 包含任何的字串數組：
'JobCancelled'
'JobCompleted'
'JobFailed'
電子郵件 這是電子郵件收件者清單，其總限製為499個字元，且具有逗號分隔符 string[]
webhook 將 Webhook 回呼傳送至服務。 機碼是 Webhook 的使用者提供名稱。 NotificationSettingWebhooks

NotificationSettingWebhooks

名字 描述 價值
{自定義屬性} Webhook

Webhook

名字 描述 價值
eventType 在指定的通知事件上傳送回呼 字串
webhookType 設定物件類型 AzureDevOps （必要）

AzureDevOpsWebhook

名字 描述 價值
webhookType [必要]指定要傳送回呼的服務類型 'AzureDevOps' （必要）

ResourceBaseProperties

名字 描述 價值
{自定義屬性} 字串

JobBaseSecretsConfiguration

名字 描述 價值
{自定義屬性} SecretConfiguration

SecretConfiguration

名字 描述 價值
uri 秘密 URI。
範例 URI：https://myvault.vault.azure.net/secrets/mysecretname/secretversion		 字串
workspaceSecretName 工作區金鑰保存庫中的秘密名稱。 字串

JobBaseServices

名字 描述 價值
{自定義屬性} JobService

JobService

名字 描述 價值
端點 端點的 URL。 字串
jobServiceType 端點類型。 字串
節點 使用者想要啟動服務的節點。
如果未將 Nodes 設定或設定為 null，則服務只會在領導者節點上啟動。		 節點
港口 用戶所設定端點的埠。 int
性能 在端點上設定的其他屬性。 JobServiceProperties

節點

名字 描述 價值
nodesValueType 設定物件類型 所有 （必要）

AllNodes

名字 描述 價值
nodesValueType [必要]Nodes 值的類型 'All' （必要）

JobServiceProperties

名字 描述 價值
{自定義屬性} 字串

AutoMLJob

名字 描述 價值
jobType [必要]指定作業的類型。 'AutoML' （必要）
environmentId 作業之環境規格的 ARM 資源識別碼。
如果未提供，這是選擇性的值，AutoML 會在執行作業時，將此預設為 Production AutoML 策展環境版本。		 字串
environmentVariables 作業中包含的環境變數。 AutoMLJobEnvironmentVariables
輸出 對應作業中使用的輸出數據系結。 AutoMLJobOutputs
queueSettings 作業的佇列設定 QueueSettings
資源 作業的計算資源組態。 JobResourceConfiguration
taskDetails [必要]這代表可以是其中一個數據表/NLP/Image 的案例 AutoMLVertical （必要）

AutoMLJobEnvironmentVariables

名字 描述 價值
{自定義屬性} 字串

AutoMLJobOutputs

名字 描述 價值
{自定義屬性} JobOutput

JobOutput

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

CustomModelJobOutput

名字 描述 價值
jobOutputType [必要]指定作業的類型。 'custom_model' （必要）
assetName 輸出資產名稱。 字串
assetVersion 輸出資產版本。 字串
autoDeleteSetting 自動刪除輸出數據資產的設定。 AutoDeleteSetting
模式 輸出資產傳遞模式。 'Direct'
'ReadWriteMount'
'Upload'
uri 輸出資產 URI。 字串

AutoDeleteSetting

名字 描述 價值
條件 何時檢查資產是否已過期 'CreatedGreaterThan'
'LastAccessedGreaterThan'
價值 到期條件值。 字串

MLFlowModelJobOutput

名字 描述 價值
jobOutputType [必要]指定作業的類型。 'mlflow_model' （必要）
assetName 輸出資產名稱。 字串
assetVersion 輸出資產版本。 字串
autoDeleteSetting 自動刪除輸出數據資產的設定。 AutoDeleteSetting
模式 輸出資產傳遞模式。 'Direct'
'ReadWriteMount'
'Upload'
uri 輸出資產 URI。 字串

MLTableJobOutput

名字 描述 價值
jobOutputType [必要]指定作業的類型。 'mltable' （必要）
assetName 輸出資產名稱。 字串
assetVersion 輸出資產版本。 字串
autoDeleteSetting 自動刪除輸出數據資產的設定。 AutoDeleteSetting
模式 輸出資產傳遞模式。 'Direct'
'ReadWriteMount'
'Upload'
uri 輸出資產 URI。 字串

TritonModelJobOutput

名字 描述 價值
jobOutputType [必要]指定作業的類型。 'triton_model' （必要）
assetName 輸出資產名稱。 字串
assetVersion 輸出資產版本。 字串
autoDeleteSetting 自動刪除輸出數據資產的設定。 AutoDeleteSetting
模式 輸出資產傳遞模式。 'Direct'
'ReadWriteMount'
'Upload'
uri 輸出資產 URI。 字串

UriFileJobOutput

名字 描述 價值
jobOutputType [必要]指定作業的類型。 'uri_file' （必要）
assetName 輸出資產名稱。 字串
assetVersion 輸出資產版本。 字串
autoDeleteSetting 自動刪除輸出數據資產的設定。 AutoDeleteSetting
模式 輸出資產傳遞模式。 'Direct'
'ReadWriteMount'
'Upload'
uri 輸出資產 URI。 字串

UriFolderJobOutput

名字 描述 價值
jobOutputType [必要]指定作業的類型。 'uri_folder' （必要）
assetName 輸出資產名稱。 字串
assetVersion 輸出資產版本。 字串
autoDeleteSetting 自動刪除輸出數據資產的設定。 AutoDeleteSetting
模式 輸出資產傳遞模式。 'Direct'
'ReadWriteMount'
'Upload'
uri 輸出資產 URI。 字串

QueueSettings

名字 描述 價值
jobTier 控制計算作業層 'Basic'
'Null'
'Premium'
'Spot'
'Standard'
優先權 控制計算上作業的優先順序。 int

JobResourceConfiguration

名字 描述 價值
dockerArgs 傳遞至 Docker run 命令的額外自變數。 這會覆寫系統或本節中已設定的任何參數。 此參數僅支援 Azure ML 計算類型。 字串
instanceCount 計算目標所使用的實例或節點選擇性數目。 int
instanceType 計算目標所支持的選擇性 VM 類型。 字串
地點 作業可以執行的位置。 string[]
maxInstanceCount 計算目標可使用的實例或節點數目選擇性上限。
若要搭配彈性定型使用，目前只有 PyTorch 散發類型支援。		 int
性能 其他屬性包。 ResourceConfigurationProperties
shmSize Docker 容器的共用記憶體區塊大小。 這應該是 （number）（unit） 的格式，其中數位大於 0，單位可以是 b（位元組）、k（KB）、m（MB）、或 g（GB）。 字串

約束：
Pattern = \d+[bBkKmMgG]

ResourceConfigurationProperties

名字 描述 價值
{自定義屬性}

AutoMLVertical

名字 描述 價值
logVerbosity 作業的記錄詳細資訊。 'Critical'
'Debug'
'Error'
'Info'
'NotSet'
'Warning'
targetColumnName 目標數據行名稱：這是預測值數據行。
也稱為分類工作內容中的標籤數據行名稱。		 字串
trainingData [必要]定型數據輸入。 MLTableJobInput （必要）
taskType 設定物件類型 分類
預測
ImageClassification
ImageClassificationMultilabel
ImageInstanceSegmentation
ImageObjectDetection
回歸
TextClassification
TextClassificationMultilabel
TextNER （必要）

MLTableJobInput

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

約束：
最小長度 = 1
Pattern = [a-zA-Z0-9_]

分類

名字 描述 價值
taskType [必要]AutoMLJob 的工作類型。 '分類' （必要）
cvSplitColumnNames 要用於 CVSplit 資料的數據行。 string[]
featurizationSettings AutoML 作業所需的特徵化輸入。 TableVerticalFeaturizationSettings
fixedParameters 模型/定型參數，在整個定型過程中會維持不變。 TableFixedParameters
limitSettings AutoMLJob 的執行條件約束。 TableVerticalLimitSettings
nCrossValidations 要套用至定型數據集的交叉驗證折疊數目
未提供驗證數據集時。		 NCrossValidations
positiveLabel 二進位計量計算的正標籤。 字串
primaryMetric 工作的主要計量。 'AUCWeighted'
'精確度'
'AveragePrecisionScoreWeighted'
'NormMacroRecall'
'PrecisionScoreWeighted'
searchSpace 搜尋空間以取樣模型及其超參數的不同組合。 TableParameterSubspace[]
sweepSettings 模型掃掠和超參數微調的設定。 TableSweepSettings
testData 測試數據輸入。 MLTableJobInput
testDataSize 必須為驗證目的而保留的測試數據集分數。
介於 （0.0 、 1.0） 之間的值
未提供驗證數據集時套用。		 int
trainingSettings AutoML 作業定型階段的輸入。 ClassificationTrainingSettings
validationData 驗證數據輸入。 MLTableJobInput
validationDataSize 需要為驗證目的預留的定型數據集分數。
介於 （0.0 、 1.0） 之間的值
未提供驗證數據集時套用。		 int
weightColumnName 範例權數數據行的名稱。 自動化 ML 支援加權數據行做為輸入，導致數據中的數據列向上或向下加權。 字串

TableVerticalFeaturizationSettings

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

TableVerticalFeaturizationSettingsColumnNameAndTypes

名字 描述 價值
{自定義屬性} 字串

TableVerticalFeaturizationSettingsTransformerParams

名字 描述 價值
{自定義屬性} ColumnTransformer[]

ColumnTransformer

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

TableFixedParameters

名字 描述 價值
助推 器 指定提升類型，例如 XGBoost 的 gbdt。 字串
boostingType 指定提升類型，例如 LightGBM 的 gbdt。 字串
growPolicy 指定成長原則，以控制將新節點新增至樹狀結構的方式。 字串
learningRate 定型程序的學習速率。 int
maxBin 指定貯體連續功能的離散間隔數目上限。 int
maxDepth 指定明確限制樹狀結構深度的最大深度。 int
maxLeaves 指定要明確限制樹狀結構的葉數上限。 int
minDataInLeaf 每個分葉的數據數目下限。 int
minSplitGain 在樹狀結構的分葉節點上進行進一步分割所需的最小遺失減少。 int
modelName 要定型的模型名稱。 字串
nEstimators 指定模型中的樹狀結構數目（或四捨五入）。 int
numLeaves 指定葉數。 int
preprocessorName 要使用的預處理器名稱。 字串
regAlpha 加權的 L1 正規化詞彙。 int
regLambda 加權的 L2 正規化詞彙。 int
subsample 定型實例的子取樣比例。 int
subsampleFreq 子取樣的頻率。 int
treeMethod 指定樹狀結構方法。 字串
withMean 如果為 true，請在使用 StandardScalar 調整數據之前置中。 bool
withStd 如果為 true，請使用 StandardScalar 來調整單位變異數的數據。 bool

TableVerticalLimitSettings

名字 描述 價值
enableEarlyTermination 啟用提早終止，判斷如果過去 20 個反覆項目沒有分數改善，AutoMLJob 是否會提早終止。 bool
exitScore AutoML 作業的結束分數。 int
maxConcurrentTrials 並行反覆運算數上限。 int
maxCoresPerTrial 每個反覆專案的核心數上限。 int
maxNodes 用於實驗的最大節點。 int
maxTrials 反覆項目的數目。 int
sweepConcurrentTrials 使用者想要觸發的並行掃掠執行數目。 int
sweepTrials 使用者想要觸發的掃掠執行次數。 int
超時 AutoML 作業逾時。 字串
trialTimeout 反覆專案逾時。 字串

NCrossValidations

名字 描述 價值
模式 設定物件類型 自動
自訂 （必要）

AutoNCrossValidations

名字 描述 價值
模式 [必要]判斷 N-Cross 驗證的模式。 'Auto' （必要）

CustomNCrossValidations

名字 描述 價值
模式 [必要]判斷 N-Cross 驗證的模式。 'Custom' （必要）
價值 [必要]N-Cross 驗證值。 int （必要）

TableParameterSubspace

名字 描述 價值
助推 器 指定提升類型，例如 XGBoost 的 gbdt。 字串
boostingType 指定提升類型，例如 LightGBM 的 gbdt。 字串
growPolicy 指定成長原則，以控制將新節點新增至樹狀結構的方式。 字串
learningRate 定型程序的學習速率。 字串
maxBin 指定貯體連續功能的離散間隔數目上限。 字串
maxDepth 指定明確限制樹狀結構深度的最大深度。 字串
maxLeaves 指定要明確限制樹狀結構的葉數上限。 字串
minDataInLeaf 每個分葉的數據數目下限。 字串
minSplitGain 在樹狀結構的分葉節點上進行進一步分割所需的最小遺失減少。 字串
modelName 要定型的模型名稱。 字串
nEstimators 指定模型中的樹狀結構數目（或四捨五入）。 字串
numLeaves 指定葉數。 字串
preprocessorName 要使用的預處理器名稱。 字串
regAlpha 加權的 L1 正規化詞彙。 字串
regLambda 加權的 L2 正規化詞彙。 字串
subsample 定型實例的子取樣比例。 字串
subsampleFreq 子取樣的頻率 字串
treeMethod 指定樹狀結構方法。 字串
withMean 如果為 true，請在使用 StandardScalar 調整數據之前置中。 字串
withStd 如果為 true，請使用 StandardScalar 來調整單位變異數的數據。 字串

TableSweepSettings

名字 描述 價值
earlyTermination 掃掠作業的早期終止原則類型。 EarlyTerminationPolicy
samplingAlgorithm [必要]取樣演算法的類型。 “貝氏”
'Grid'
'Random' （必要）

EarlyTerminationPolicy

名字 描述 價值
delayEvaluation 延遲第一次評估的間隔數目。 int
evaluationInterval 原則評估之間的間隔（執行次數）。 int
policyType 設定物件類型 強盜
中位數停止
截斷選取 （必要）

BanditPolicy

名字 描述 價值
policyType [必要]原則設定的名稱 “強盜”（必要）
slackAmount 從最佳執行執行中允許的絕對距離。 int
slackFactor 與最佳執行距離的允許距離比率。 int

MedianStoppingPolicy

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

TruncationSelectionPolicy

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

ClassificationTrainingSettings

名字 描述 價值
allowedTrainingAlgorithms 分類工作的允許模型。 包含任何的字串數組：
'BernoulliNaiveBayes'
'DecisionTree'
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LightGBM'
'LinearSVM'
'LogisticRegression'
'MultinomialNaiveBayes'
'RandomForest'
'新幣'
'SVM'
'XGBoostClassifier'
blockedTrainingAlgorithms 分類工作的封鎖模型。 包含任何的字串數組：
'BernoulliNaiveBayes'
'DecisionTree'
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LightGBM'
'LinearSVM'
'LogisticRegression'
'MultinomialNaiveBayes'
'RandomForest'
'新幣'
'SVM'
'XGBoostClassifier'
enableDnnTraining 啟用 DNN 模型的建議。 bool
enableModelExplainability 在最佳模型上開啟可解釋性的旗標。 bool
enableOnnxCompatibleModels 啟用 onnx 相容模型的旗標。 bool
enableStackEnsemble 啟用堆疊合奏執行。 bool
enableVoteEnsemble 啟用投票合奏執行。 bool
ensembleModelDownloadTimeout 在 VotingEnsemble 和 StackEnsemble 模型產生期間，會下載先前子回合中的多個安裝模型。
如果需要更多時間，請使用高於 300 秒的值來設定此參數。		 字串
stackEnsembleSettings 堆疊合奏執行的堆疊合奏設定。 StackEnsembleSettings
trainingMode TrainingMode 模式 - 設定為 'auto' 與目前將它設定為「非分散式」相同，但未來可能會導致混合模式或啟發學習法模式選取。 預設值為 『auto』。
如果 「分散式」，則只會使用分散式特徵化，並選擇分散式演算法。
如果 『NonDistributed』，則只會選擇非分散式演算法。
 'Auto'
'Distributed'
'NonDistributed'

StackEnsembleSettings

名字 描述 價值
stackMetaLearnerKWargs 要傳遞至中繼學習模組初始化表達式的選擇性參數。
stackMetaLearnerTrainPercentage 指定要保留用於訓練中繼學習工具的定型集比例（選擇定型和定型類型的訓練類型）。 預設值為 0.2。 int
stackMetaLearnerType 中繼學習器是針對個別異質模型輸出定型的模型。 'ElasticNet'
'ElasticNetCV'
'LightGBMClassifier'
'LightGBMRegressor'
'LinearRegression'
'LogisticRegression'
'LogisticRegressionCV'
'None'

預測

名字 描述 價值
taskType [必要]AutoMLJob 的工作類型。 “預測” （必要）
cvSplitColumnNames 要用於 CVSplit 資料的數據行。 string[]
featurizationSettings AutoML 作業所需的特徵化輸入。 TableVerticalFeaturizationSettings
fixedParameters 模型/定型參數，在整個定型過程中會維持不變。 TableFixedParameters
forecastingSettings 預測工作特定輸入。 ForecastingSettings
limitSettings AutoMLJob 的執行條件約束。 TableVerticalLimitSettings
nCrossValidations 要套用至定型數據集的交叉驗證折疊數目
未提供驗證數據集時。		 NCrossValidations
primaryMetric 預測工作的主要計量。 'NormalizedMeanAbsoluteError'
'NormalizedRootMeanSquaredError'
'R2Score'
'SpearmanCorrelation'
searchSpace 搜尋空間以取樣模型及其超參數的不同組合。 TableParameterSubspace[]
sweepSettings 模型掃掠和超參數微調的設定。 TableSweepSettings
testData 測試數據輸入。 MLTableJobInput
testDataSize 必須為驗證目的而保留的測試數據集分數。
介於 （0.0 、 1.0） 之間的值
未提供驗證數據集時套用。		 int
trainingSettings AutoML 作業定型階段的輸入。 ForecastingTrainingSettings
validationData 驗證數據輸入。 MLTableJobInput
validationDataSize 需要為驗證目的預留的定型數據集分數。
介於 （0.0 、 1.0） 之間的值
未提供驗證數據集時套用。		 int
weightColumnName 範例權數數據行的名稱。 自動化 ML 支援加權數據行做為輸入，導致數據中的數據列向上或向下加權。 字串

ForecastingSettings

名字 描述 價值
countryOrRegionForHolidays 用於預測工作的假日國家或地區。
這些應該是 ISO 3166 兩個字母的國家/地區代碼，例如 'US' 或 'GB'。		 字串
cvStepSize 一個 CV 折疊的原點時間與下一個折疊之間的期間數。 為
例如，如果每日數據 CVStepSize = 3，則每個折疊的原點時間將會是
相隔三天。		 int
featureLags 使用 『auto』 或 null 產生數值特徵延遲的旗標。 'Auto'
'None'
featuresUnknownAtForecastTime 可在預測/推斷時用於定型但未知的功能數據行。
如果未設定features_unknown_at_forecast_time，則會假設數據集中的所有功能數據行在推斷時間都是已知的。		 string[]
forecastHorizon 所需的最大預測範圍，以時間序列頻率單位為單位。 ForecastHorizon
頻率 預測時，此參數代表預期預測的期間，例如每日、每周、每年等。預測頻率預設為數據集頻率。 字串
季節性 將時間序列季節性設定為數列頻率的整數倍數。
如果季節性設定為 『auto』，則會推斷它。		 季節性
shortSeriesHandlingConfig 定義 AutoML 是否應該處理短時間序列的參數。 'Auto'
'Drop'
'None'
'Pad'
targetAggregateFunction 要用來匯總時間序列目標數據行以符合使用者指定頻率的函式。
如果 TargetAggregateFunction 已設定，亦即不是 『None』，但未設定 freq 參數，則會引發錯誤。 可能的目標聚合函數包括：「sum」、“max”、“min” 和 “mean”。		 'Max'
'Mean'
'Min'
'None'
'Sum'
targetLags 要從目標數據行延遲的過去期間數。 TargetLags
targetRollingWindowSize 用來建立目標數據行滾動視窗平均值的過去期間數目。 TargetRollingWindowSize
timeColumnName 時間數據行的名稱。 當預測以指定用於建置時間序列並推斷其頻率的輸入數據中的 datetime 數據行時，需要此參數。 字串
timeSeriesIdColumnNames 用來分組時間範圍的數據行名稱。 它可以用來建立多個數列。
如果未定義粒紋，則會假設數據集為一個時間序列。 此參數與工作類型預測搭配使用。		 string[]
useStl 設定時間序列目標數據行的 STL 分解。 'None'
'Season'
'SeasonTrend'

ForecastHorizon

名字 描述 價值
模式 設定物件類型 自動
自訂 （必要）

AutoForecastHorizon

名字 描述 價值
模式 [必要]設定預測地平線值選取模式。 'Auto' （必要）

CustomForecastHorizon

名字 描述 價值
模式 [必要]設定預測地平線值選取模式。 'Custom' （必要）
價值 [必要]預測地平線值。 int （必要）

季節性

名字 描述 價值
模式 設定物件類型 自動
自訂 （必要）

AutoSeasonality

名字 描述 價值
模式 [必要]季節性模式。 'Auto' （必要）

CustomSeasonality

名字 描述 價值
模式 [必要]季節性模式。 'Custom' （必要）
價值 [必要]季節性值。 int （必要）

TargetLags

名字 描述 價值
模式 設定物件類型 自動
自訂 （必要）

AutoTargetLags

名字 描述 價值
模式 [必要]設定目標延隔模式 - 自動/自定義 'Auto' （必要）

CustomTargetLags

名字 描述 價值
模式 [必要]設定目標延隔模式 - 自動/自定義 'Custom' （必要）
值 [必要]設定目標延遲值。 int[] （必要）

TargetRollingWindowSize

名字 描述 價值
模式 設定物件類型 自動
自訂 （必要）

AutoTargetRollingWindowSize

名字 描述 價值
模式 [必要]TargetRollingWindowSiz 偵測模式。 'Auto' （必要）

CustomTargetRollingWindowSize

名字 描述 價值
模式 [必要]TargetRollingWindowSiz 偵測模式。 'Custom' （必要）
價值 [必要]TargetRollingWindowSize 值。 int （必要）

ForecastingTrainingSettings

名字 描述 價值
allowedTrainingAlgorithms 用於預測工作的允許模型。 包含任何的字串數組：
'Arimax'
'AutoArima'
'Average'
'DecisionTree'
'ElasticNet'
'ExponentialSmoothing'
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LassoLars'
'LightGBM'
天真'
'先知'
'RandomForest'
'新幣'
'SeasonalAverage'
'SeasonalNaive'
'TCNForecaster'
'XGBoostRegressor'
blockedTrainingAlgorithms 用於預測工作的封鎖模型。 包含任何的字串數組：
'Arimax'
'AutoArima'
'Average'
'DecisionTree'
'ElasticNet'
'ExponentialSmoothing'
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LassoLars'
'LightGBM'
天真'
'先知'
'RandomForest'
'新幣'
'SeasonalAverage'
'SeasonalNaive'
'TCNForecaster'
'XGBoostRegressor'
enableDnnTraining 啟用 DNN 模型的建議。 bool
enableModelExplainability 在最佳模型上開啟可解釋性的旗標。 bool
enableOnnxCompatibleModels 啟用 onnx 相容模型的旗標。 bool
enableStackEnsemble 啟用堆疊合奏執行。 bool
enableVoteEnsemble 啟用投票合奏執行。 bool
ensembleModelDownloadTimeout 在 VotingEnsemble 和 StackEnsemble 模型產生期間，會下載先前子回合中的多個安裝模型。
如果需要更多時間，請使用高於 300 秒的值來設定此參數。		 字串
stackEnsembleSettings 堆疊合奏執行的堆疊合奏設定。 StackEnsembleSettings
trainingMode TrainingMode 模式 - 設定為 'auto' 與目前將它設定為「非分散式」相同，但未來可能會導致混合模式或啟發學習法模式選取。 預設值為 『auto』。
如果 「分散式」，則只會使用分散式特徵化，並選擇分散式演算法。
如果 『NonDistributed』，則只會選擇非分散式演算法。
 'Auto'
'Distributed'
'NonDistributed'

ImageClassification

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

ImageLimitSettings

名字 描述 價值
maxConcurrentTrials 並行 AutoML 反覆項目的數目上限。 int
maxTrials AutoML 反覆項目的數目上限。 int
超時 AutoML 作業逾時。 字串

ImageModelSettingsClassification

名字 描述 價值
advancedSettings 進階案例的設定。 字串
amsGradient 當優化器為 『adam』 或 'adamw' 時啟用AMSGrad。 bool
擴增 使用擴增的設定。 字串
beta1 優化器為 'adam' 或 'adamw' 時的 'beta1' 值。 必須是範圍 [0， 1] 中的浮點數。 int
beta2 優化器為 'adam' 或 'adamw' 時的 'beta2' 值。 必須是範圍 [0， 1] 中的浮點數。 int
checkpointFrequency 儲存模型檢查點的頻率。 必須是正整數。 int
checkpointModel 累加訓練的預先定型檢查點模型。 MLFlowModelJobInput
checkpointRunId 先前執行的標識碼，其具有累加式定型的預先定型檢查點。 字串
分散式 是否要使用分散式定型。 bool
earlyStopping 在定型期間啟用早期停止邏輯。 bool
earlyStoppingDelay 在主要計量改進之前等待的最小 Epoch 或驗證評估數目
會追蹤早期停止。 必須是正整數。		 int
earlyStoppingPatience 在之前沒有主要計量改進的最小 Epoch 或驗證評估數目
執行已停止。 必須是正整數。		 int
enableOnnxNormalization 匯出 ONNX 模型時啟用正規化。 bool
evaluationFrequency 評估驗證數據集以取得計量分數的頻率。 必須是正整數。 int
gradientAccumulationStep 漸層累積表示執行未設定數目的 「GradAccumulationStep」 步驟
更新模型權數，同時累積這些步驟的漸層，然後使用
用來計算權數更新的累積漸層。 必須是正整數。		 int
layersToFreeze 要凍結模型的圖層數目。 必須是正整數。
例如，傳遞 2 作為 'seresnext' 值表示
凍結 layer0 和 layer1。 如需支援模型的完整清單，以及圖層凍結的詳細數據，請
請參閱：/azure/machine-learning/how-to-auto-train-image-models。		 int
learningRate 初始學習速率。 必須是範圍 [0， 1] 中的浮點數。 int
learningRateScheduler 學習速率排程器的類型。 必須是 『warmup_cosine』 或 'step'。 'None'
'Step'
'WarmupCosine'
modelName 要用於定型的模型名稱。
如需可用模型的詳細資訊，請流覽官方檔：
/azure/machine-learning/how-to-auto-train-image-models。		 字串
動量 優化器為 『zn』 時的動量值。 必須是範圍 [0， 1] 中的浮點數。 int
nesterov 在優化器為 『zn』 時啟用 nesterov。 bool
numberOfEpochs 定型 Epoch 的數目。 必須是正整數。 int
numberOfWorkers 數據載入器背景工作角色的數目。 必須是非負整數。 int
優化 優化工具的類型。 'Adam'
'Adamw'
'None'
'新元'
randomSeed 使用決定性定型時要使用的隨機種子。 int
stepLRGamma 學習速率排程器為 『step』 時的 gamma 值。 必須是範圍 [0， 1] 中的浮點數。 int
stepLRStepSize 學習速率排程器為 『step』 時的步驟大小值。 必須是正整數。 int
trainingBatchSize 定型批次大小。 必須是正整數。 int
trainingCropSize 影像裁剪大小，這是訓練數據集之類神經網路的輸入。 必須是正整數。 int
validationBatchSize 驗證批次大小。 必須是正整數。 int
validationCropSize 影像裁剪大小，這是用於驗證數據集之類神經網路的輸入。 必須是正整數。 int
validationResizeSize 在裁剪驗證數據集之前要重設大小的影像大小。 必須是正整數。 int
warmupCosineLRCycles 學習速率排程器為「warmup_cosine」時，餘弦迴圈的值。 必須是範圍 [0， 1] 中的浮點數。 int
warmupCosineLRWarmupEpochs 學習速率排程器為「warmup_cosine」時，熱身 Epoch 的值。 必須是正整數。 int
weightDecay 優化器為 'zn'、'adam' 或 'adamw' 時的權數衰變值。 必須是範圍[0， 1] 中的浮點數。 int
weightedLoss 加權減肥。 接受的值是 0，沒有加權損失。
1 用於與 sqrt 減肥。（class_weights）。 2 用於減肥與class_weights。 必須是 0 或 1 或 2。
 int

MLFlowModelJobInput

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

約束：
最小長度 = 1
Pattern = [a-zA-Z0-9_]

ImageModelDistributionSettingsClassification

名字 描述 價值
amsGradient 當優化器為 『adam』 或 'adamw' 時啟用AMSGrad。 字串
擴增 使用擴增的設定。 字串
beta1 優化器為 'adam' 或 'adamw' 時的 'beta1' 值。 必須是範圍 [0， 1] 中的浮點數。 字串
beta2 優化器為 'adam' 或 'adamw' 時的 'beta2' 值。 必須是範圍 [0， 1] 中的浮點數。 字串
分散式 是否要使用散發器定型。 字串
earlyStopping 在定型期間啟用早期停止邏輯。 字串
earlyStoppingDelay 在主要計量改進之前等待的最小 Epoch 或驗證評估數目
會追蹤早期停止。 必須是正整數。		 字串
earlyStoppingPatience 在之前沒有主要計量改進的最小 Epoch 或驗證評估數目
執行已停止。 必須是正整數。		 字串
enableOnnxNormalization 匯出 ONNX 模型時啟用正規化。 字串
evaluationFrequency 評估驗證數據集以取得計量分數的頻率。 必須是正整數。 字串
gradientAccumulationStep 漸層累積表示執行未設定數目的 「GradAccumulationStep」 步驟
更新模型權數，同時累積這些步驟的漸層，然後使用
用來計算權數更新的累積漸層。 必須是正整數。		 字串
layersToFreeze 要凍結模型的圖層數目。 必須是正整數。
例如，傳遞 2 作為 'seresnext' 值表示
凍結 layer0 和 layer1。 如需支援模型的完整清單，以及圖層凍結的詳細數據，請
請參閱：/azure/machine-learning/how-to-auto-train-image-models。		 字串
learningRate 初始學習速率。 必須是範圍 [0， 1] 中的浮點數。 字串
learningRateScheduler 學習速率排程器的類型。 必須是 『warmup_cosine』 或 'step'。 字串
modelName 要用於定型的模型名稱。
如需可用模型的詳細資訊，請流覽官方檔：
/azure/machine-learning/how-to-auto-train-image-models。		 字串
動量 優化器為 『zn』 時的動量值。 必須是範圍 [0， 1] 中的浮點數。 字串
nesterov 在優化器為 『zn』 時啟用 nesterov。 字串
numberOfEpochs 定型 Epoch 的數目。 必須是正整數。 字串
numberOfWorkers 數據載入器背景工作角色的數目。 必須是非負整數。 字串
優化 優化工具的類型。 必須是 『zn』、『adam』或 『adamw』。 字串
randomSeed 使用決定性定型時要使用的隨機種子。 字串
stepLRGamma 學習速率排程器為 『step』 時的 gamma 值。 必須是範圍 [0， 1] 中的浮點數。 字串
stepLRStepSize 學習速率排程器為 『step』 時的步驟大小值。 必須是正整數。 字串
trainingBatchSize 定型批次大小。 必須是正整數。 字串
trainingCropSize 影像裁剪大小，這是訓練數據集之類神經網路的輸入。 必須是正整數。 字串
validationBatchSize 驗證批次大小。 必須是正整數。 字串
validationCropSize 影像裁剪大小，這是用於驗證數據集之類神經網路的輸入。 必須是正整數。 字串
validationResizeSize 在裁剪驗證數據集之前要重設大小的影像大小。 必須是正整數。 字串
warmupCosineLRCycles 學習速率排程器為「warmup_cosine」時，餘弦迴圈的值。 必須是範圍 [0， 1] 中的浮點數。 字串
warmupCosineLRWarmupEpochs 學習速率排程器為「warmup_cosine」時，熱身 Epoch 的值。 必須是正整數。 字串
weightDecay 優化器為 'zn'、'adam' 或 'adamw' 時的權數衰變值。 必須是範圍[0， 1] 中的浮點數。 字串
weightedLoss 加權減肥。 接受的值是 0，沒有加權損失。
1 用於與 sqrt 減肥。（class_weights）。 2 用於減肥與class_weights。 必須是 0 或 1 或 2。
 字串

ImageSweepSettings

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

ImageClassificationMultilabel

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

ImageInstanceSegmentation

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

ImageModelSettingsObjectDetection

名字 描述 價值
advancedSettings 進階案例的設定。 字串
amsGradient 當優化器為 『adam』 或 'adamw' 時啟用AMSGrad。 bool
擴增 使用擴增的設定。 字串
beta1 優化器為 'adam' 或 'adamw' 時的 'beta1' 值。 必須是範圍 [0， 1] 中的浮點數。 int
beta2 優化器為 'adam' 或 'adamw' 時的 'beta2' 值。 必須是範圍 [0， 1] 中的浮點數。 int
boxDetectionsPerImage 所有類別的每個影像偵測數目上限。 必須是正整數。
注意：'yolov5' 演算法不支援此設定。		 int
boxScoreThreshold 在推斷期間，只傳回大於分類分數的建議
BoxScoreThreshold。 必須是範圍[0， 1] 中的浮點數。		 int
checkpointFrequency 儲存模型檢查點的頻率。 必須是正整數。 int
checkpointModel 累加訓練的預先定型檢查點模型。 MLFlowModelJobInput
checkpointRunId 先前執行的標識碼，其具有累加式定型的預先定型檢查點。 字串
分散式 是否要使用分散式定型。 bool
earlyStopping 在定型期間啟用早期停止邏輯。 bool
earlyStoppingDelay 在主要計量改進之前等待的最小 Epoch 或驗證評估數目
會追蹤早期停止。 必須是正整數。		 int
earlyStoppingPatience 在之前沒有主要計量改進的最小 Epoch 或驗證評估數目
執行已停止。 必須是正整數。		 int
enableOnnxNormalization 匯出 ONNX 模型時啟用正規化。 bool
evaluationFrequency 評估驗證數據集以取得計量分數的頻率。 必須是正整數。 int
gradientAccumulationStep 漸層累積表示執行未設定數目的 「GradAccumulationStep」 步驟
更新模型權數，同時累積這些步驟的漸層，然後使用
用來計算權數更新的累積漸層。 必須是正整數。		 int
imageSize 定型和驗證的影像大小。 必須是正整數。
注意：如果大小太大，定型回合可能會進入 CUDA OOM。
注意：只有 'yolov5' 演算法才支援此設定。		 int
layersToFreeze 要凍結模型的圖層數目。 必須是正整數。
例如，傳遞 2 作為 'seresnext' 值表示
凍結 layer0 和 layer1。 如需支援模型的完整清單，以及圖層凍結的詳細數據，請
請參閱：/azure/machine-learning/how-to-auto-train-image-models。		 int
learningRate 初始學習速率。 必須是範圍 [0， 1] 中的浮點數。 int
learningRateScheduler 學習速率排程器的類型。 必須是 『warmup_cosine』 或 'step'。 'None'
'Step'
'WarmupCosine'
logTrainingMetrics 啟用計算和記錄定型計量。 'Disable'
'Enable'
logValidationLoss 啟用運算和記錄驗證遺失。 'Disable'
'Enable'
maxSize 在將影像饋送至骨幹之前，要重新調整的影像大小上限。
必須是正整數。 注意：如果大小太大，定型執行可能會進入 CUDA OOM。
注意：'yolov5' 演算法不支援此設定。		 int
minSize 將影像饋送至骨幹之前，要重新調整的影像大小下限。
必須是正整數。 注意：如果大小太大，定型執行可能會進入 CUDA OOM。
注意：'yolov5' 演算法不支援此設定。		 int
modelName 要用於定型的模型名稱。
如需可用模型的詳細資訊，請流覽官方檔：
/azure/machine-learning/how-to-auto-train-image-models。		 字串
modelSize 模型大小。 必須是 'small'、'medium'、'large' 或 'xlarge'。
注意：如果模型大小太大，定型執行可能會進入 CUDA OOM。
注意：只有 'yolov5' 演算法才支援此設定。		 'ExtraLarge'
'Large'
'Medium'
'None'
'Small'
動量 優化器為 『zn』 時的動量值。 必須是範圍 [0， 1] 中的浮點數。 int
multiScale 依 +/- 50%來啟用多重縮放影像大小。
注意：如果沒有足夠的 GPU 記憶體，定型執行可能會進入 CUDA OOM。
注意：只有 'yolov5' 演算法才支援此設定。		 bool
nesterov 在優化器為 『zn』 時啟用 nesterov。 bool
nmsIouThreshold 在NMS後置處理中的推斷期間使用的IOU臨界值。 必須是範圍 [0， 1] 中的浮點數。 int
numberOfEpochs 定型 Epoch 的數目。 必須是正整數。 int
numberOfWorkers 數據載入器背景工作角色的數目。 必須是非負整數。 int
優化 優化工具的類型。 'Adam'
'Adamw'
'None'
'新元'
randomSeed 使用決定性定型時要使用的隨機種子。 int
stepLRGamma 學習速率排程器為 『step』 時的 gamma 值。 必須是範圍 [0， 1] 中的浮點數。 int
stepLRStepSize 學習速率排程器為 『step』 時的步驟大小值。 必須是正整數。 int
tileGridSize 用來貼上每個影像的網格線大小。 注意：TileGridSize 不得為
無可啟用小型物件偵測邏輯。 包含兩個整數的字串，其格式為一個。
注意：'yolov5' 演算法不支援此設定。		 字串
tileOverlapRatio 每個維度中相鄰磚之間的重疊比例。 必須是範圍 [0， 1] 中的浮點數。
注意：'yolov5' 演算法不支援此設定。		 int
tilePredictionsNmsThreshold 用來執行NMS的IOU閾值，同時合併磚和影像的預測。
用於驗證/推斷。 必須是範圍 [0， 1] 中的 float。
注意：'yolov5' 演算法不支援此設定。		 int
trainingBatchSize 定型批次大小。 必須是正整數。 int
validationBatchSize 驗證批次大小。 必須是正整數。 int
validationIouThreshold 計算驗證計量時要使用的IOU閾值。 必須是範圍 [0， 1] 中的 float。 int
validationMetricType 用於驗證計量的計量計算方法。 'Coco'
'CocoVoc'
'None'
'Voc'
warmupCosineLRCycles 學習速率排程器為「warmup_cosine」時，餘弦迴圈的值。 必須是範圍 [0， 1] 中的浮點數。 int
warmupCosineLRWarmupEpochs 學習速率排程器為「warmup_cosine」時，熱身 Epoch 的值。 必須是正整數。 int
weightDecay 優化器為 'zn'、'adam' 或 'adamw' 時的權數衰變值。 必須是範圍[0， 1] 中的浮點數。 int

ImageModelDistributionSettingsObjectDetection

名字 描述 價值
amsGradient 當優化器為 『adam』 或 'adamw' 時啟用AMSGrad。 字串
擴增 使用擴增的設定。 字串
beta1 優化器為 'adam' 或 'adamw' 時的 'beta1' 值。 必須是範圍 [0， 1] 中的浮點數。 字串
beta2 優化器為 'adam' 或 'adamw' 時的 'beta2' 值。 必須是範圍 [0， 1] 中的浮點數。 字串
boxDetectionsPerImage 所有類別的每個影像偵測數目上限。 必須是正整數。
注意：'yolov5' 演算法不支援此設定。		 字串
boxScoreThreshold 在推斷期間，只傳回大於分類分數的建議
BoxScoreThreshold。 必須是範圍[0， 1] 中的浮點數。		 字串
分散式 是否要使用散發器定型。 字串
earlyStopping 在定型期間啟用早期停止邏輯。 字串
earlyStoppingDelay 在主要計量改進之前等待的最小 Epoch 或驗證評估數目
會追蹤早期停止。 必須是正整數。		 字串
earlyStoppingPatience 在之前沒有主要計量改進的最小 Epoch 或驗證評估數目
執行已停止。 必須是正整數。		 字串
enableOnnxNormalization 匯出 ONNX 模型時啟用正規化。 字串
evaluationFrequency 評估驗證數據集以取得計量分數的頻率。 必須是正整數。 字串
gradientAccumulationStep 漸層累積表示執行未設定數目的 「GradAccumulationStep」 步驟
更新模型權數，同時累積這些步驟的漸層，然後使用
用來計算權數更新的累積漸層。 必須是正整數。		 字串
imageSize 定型和驗證的影像大小。 必須是正整數。
注意：如果大小太大，定型回合可能會進入 CUDA OOM。
注意：只有 'yolov5' 演算法才支援此設定。		 字串
layersToFreeze 要凍結模型的圖層數目。 必須是正整數。
例如，傳遞 2 作為 'seresnext' 值表示
凍結 layer0 和 layer1。 如需支援模型的完整清單，以及圖層凍結的詳細數據，請
請參閱：/azure/machine-learning/how-to-auto-train-image-models。		 字串
learningRate 初始學習速率。 必須是範圍 [0， 1] 中的浮點數。 字串
learningRateScheduler 學習速率排程器的類型。 必須是 『warmup_cosine』 或 'step'。 字串
maxSize 在將影像饋送至骨幹之前，要重新調整的影像大小上限。
必須是正整數。 注意：如果大小太大，定型執行可能會進入 CUDA OOM。
注意：'yolov5' 演算法不支援此設定。		 字串
minSize 將影像饋送至骨幹之前，要重新調整的影像大小下限。
必須是正整數。 注意：如果大小太大，定型執行可能會進入 CUDA OOM。
注意：'yolov5' 演算法不支援此設定。		 字串
modelName 要用於定型的模型名稱。
如需可用模型的詳細資訊，請流覽官方檔：
/azure/machine-learning/how-to-auto-train-image-models。		 字串
modelSize 模型大小。 必須是 'small'、'medium'、'large' 或 'xlarge'。
注意：如果模型大小太大，定型執行可能會進入 CUDA OOM。
注意：只有 'yolov5' 演算法才支援此設定。		 字串
動量 優化器為 『zn』 時的動量值。 必須是範圍 [0， 1] 中的浮點數。 字串
multiScale 依 +/- 50%來啟用多重縮放影像大小。
注意：如果沒有足夠的 GPU 記憶體，定型執行可能會進入 CUDA OOM。
注意：只有 'yolov5' 演算法才支援此設定。		 字串
nesterov 在優化器為 『zn』 時啟用 nesterov。 字串
nmsIouThreshold 在NMS後置處理中的推斷期間使用的IOU臨界值。 必須是範圍 [0， 1] 中的 float。 字串
numberOfEpochs 定型 Epoch 的數目。 必須是正整數。 字串
numberOfWorkers 數據載入器背景工作角色的數目。 必須是非負整數。 字串
優化 優化工具的類型。 必須是 『zn』、『adam』或 『adamw』。 字串
randomSeed 使用決定性定型時要使用的隨機種子。 字串
stepLRGamma 學習速率排程器為 『step』 時的 gamma 值。 必須是範圍 [0， 1] 中的浮點數。 字串
stepLRStepSize 學習速率排程器為 『step』 時的步驟大小值。 必須是正整數。 字串
tileGridSize 用來貼上每個影像的網格線大小。 注意：TileGridSize 不得為
無可啟用小型物件偵測邏輯。 包含兩個整數的字串，其格式為一個。
注意：'yolov5' 演算法不支援此設定。		 字串
tileOverlapRatio 每個維度中相鄰磚之間的重疊比例。 必須是範圍 [0， 1] 中的浮點數。
注意：'yolov5' 演算法不支援此設定。		 字串
tilePredictionsNmsThreshold 用來執行NMS的IOU閾值，同時合併磚和影像的預測。
用於驗證/推斷。 必須是範圍 [0， 1] 中的 float。
注意：'yolov5' 演算法不支援此設定。
NMS：非最大歸併		 字串
trainingBatchSize 定型批次大小。 必須是正整數。 字串
validationBatchSize 驗證批次大小。 必須是正整數。 字串
validationIouThreshold 計算驗證計量時要使用的IOU閾值。 必須是範圍 [0， 1] 中的 float。 字串
validationMetricType 用於驗證計量的計量計算方法。 必須是 『none』、『coco』、'voc'或 'coco_voc'。 字串
warmupCosineLRCycles 學習速率排程器為「warmup_cosine」時，餘弦迴圈的值。 必須是範圍 [0， 1] 中的浮點數。 字串
warmupCosineLRWarmupEpochs 學習速率排程器為「warmup_cosine」時，熱身 Epoch 的值。 必須是正整數。 字串
weightDecay 優化器為 'zn'、'adam' 或 'adamw' 時的權數衰變值。 必須是範圍[0， 1] 中的浮點數。 字串

ImageObjectDetection

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

回歸

名字 描述 價值
taskType [必要]AutoMLJob 的工作類型。 '回歸' （必要）
cvSplitColumnNames 要用於 CVSplit 資料的數據行。 string[]
featurizationSettings AutoML 作業所需的特徵化輸入。 TableVerticalFeaturizationSettings
fixedParameters 模型/定型參數，在整個定型過程中會維持不變。 TableFixedParameters
limitSettings AutoMLJob 的執行條件約束。 TableVerticalLimitSettings
nCrossValidations 要套用至定型數據集的交叉驗證折疊數目
未提供驗證數據集時。		 NCrossValidations
primaryMetric 回歸工作的主要計量。 'NormalizedMeanAbsoluteError'
'NormalizedRootMeanSquaredError'
'R2Score'
'SpearmanCorrelation'
searchSpace 搜尋空間以取樣模型及其超參數的不同組合。 TableParameterSubspace[]
sweepSettings 模型掃掠和超參數微調的設定。 TableSweepSettings
testData 測試數據輸入。 MLTableJobInput
testDataSize 必須為驗證目的而保留的測試數據集分數。
介於 （0.0 、 1.0） 之間的值
未提供驗證數據集時套用。		 int
trainingSettings AutoML 作業定型階段的輸入。 RegressionTrainingSettings
validationData 驗證數據輸入。 MLTableJobInput
validationDataSize 需要為驗證目的預留的定型數據集分數。
介於 （0.0 、 1.0） 之間的值
未提供驗證數據集時套用。		 int
weightColumnName 範例權數數據行的名稱。 自動化 ML 支援加權數據行做為輸入，導致數據中的數據列向上或向下加權。 字串

RegressionTrainingSettings

名字 描述 價值
allowedTrainingAlgorithms 回歸工作的允許模型。 包含任何的字串數組：
'DecisionTree'
'ElasticNet'
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LassoLars'
'LightGBM'
'RandomForest'
'新幣'
'XGBoostRegressor'
blockedTrainingAlgorithms 回歸工作的封鎖模型。 包含任何的字串數組：
'DecisionTree'
'ElasticNet'
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LassoLars'
'LightGBM'
'RandomForest'
'新幣'
'XGBoostRegressor'
enableDnnTraining 啟用 DNN 模型的建議。 bool
enableModelExplainability 在最佳模型上開啟可解釋性的旗標。 bool
enableOnnxCompatibleModels 啟用 onnx 相容模型的旗標。 bool
enableStackEnsemble 啟用堆疊合奏執行。 bool
enableVoteEnsemble 啟用投票合奏執行。 bool
ensembleModelDownloadTimeout 在 VotingEnsemble 和 StackEnsemble 模型產生期間，會下載先前子回合中的多個安裝模型。
如果需要更多時間，請使用高於 300 秒的值來設定此參數。		 字串
stackEnsembleSettings 堆疊合奏執行的堆疊合奏設定。 StackEnsembleSettings
trainingMode TrainingMode 模式 - 設定為 'auto' 與目前將它設定為「非分散式」相同，但未來可能會導致混合模式或啟發學習法模式選取。 預設值為 『auto』。
如果 「分散式」，則只會使用分散式特徵化，並選擇分散式演算法。
如果 『NonDistributed』，則只會選擇非分散式演算法。
 'Auto'
'Distributed'
'NonDistributed'

TextClassification

名字 描述 價值
taskType [必要]AutoMLJob 的工作類型。 'TextClassification' （必要）
featurizationSettings AutoML 作業所需的特徵化輸入。 NlpVerticalFeaturizationSettings
fixedParameters 模型/定型參數，在整個定型過程中會維持不變。 NlpFixedParameters
limitSettings AutoMLJob 的執行條件約束。 NlpVerticalLimitSettings
primaryMetric Text-Classification 工作的主要計量。 'AUCWeighted'
'精確度'
'AveragePrecisionScoreWeighted'
'NormMacroRecall'
'PrecisionScoreWeighted'
searchSpace 搜尋空間以取樣模型及其超參數的不同組合。 NlpParameterSubspace[]
sweepSettings 模型掃掠和超參數微調的設定。 NlpSweepSettings
validationData 驗證數據輸入。 MLTableJobInput

NlpVerticalFeaturizationSettings

名字 描述 價值
datasetLanguage 數據集語言，適用於文字數據。 字串

NlpFixedParameters

名字 描述 價值
gradientAccumulationSteps 在執行回溯傳遞之前，要累積漸層的步驟數目。 int
learningRate 定型程序的學習速率。 int
learningRateScheduler 訓練程式期間要使用的學習速率排程類型。 'Constant'
'ConstantWithWarmup'
'Cosine'
'CosineWithRestarts'
'Linear'
'None'
'多項式'
modelName 要定型的模型名稱。 字串
numberOfEpochs 定型 Epoch 的數目。 int
trainingBatchSize 定型程式的批次大小。 int
validationBatchSize 評估期間要使用的批次大小。 int
warmupRatio 熱身比例，與 LrSchedulerType 搭配使用。 int
weightDecay 定型程式的重量衰變。 int

NlpVerticalLimitSettings

名字 描述 價值
maxConcurrentTrials 並行 AutoML 反覆專案上限。 int
maxNodes 用於實驗的最大節點。 int
maxTrials AutoML 反覆項目的數目。 int
超時 AutoML 作業逾時。 字串
trialTimeout 個別 HD 試用版的逾時。 字串

NlpParameterSubspace

名字 描述 價值
gradientAccumulationSteps 在執行回溯傳遞之前，要累積漸層的步驟數目。 字串
learningRate 定型程序的學習速率。 字串
learningRateScheduler 訓練程式期間要使用的學習速率排程類型。 字串
modelName 要定型的模型名稱。 字串
numberOfEpochs 定型 Epoch 的數目。 字串
trainingBatchSize 定型程式的批次大小。 字串
validationBatchSize 評估期間要使用的批次大小。 字串
warmupRatio 熱身比例，與 LrSchedulerType 搭配使用。 字串
weightDecay 定型程式的重量衰變。 字串

NlpSweepSettings

名字 描述 價值
earlyTermination 掃掠作業的早期終止原則類型。 EarlyTerminationPolicy
samplingAlgorithm [必要]取樣演算法的類型。 “貝氏”
'Grid'
'Random' （必要）

TextClassificationMultilabel

名字 描述 價值
taskType [必要]AutoMLJob 的工作類型。 'TextClassificationMultilabel' （必要）
featurizationSettings AutoML 作業所需的特徵化輸入。 NlpVerticalFeaturizationSettings
fixedParameters 模型/定型參數，在整個定型過程中會維持不變。 NlpFixedParameters
limitSettings AutoMLJob 的執行條件約束。 NlpVerticalLimitSettings
searchSpace 搜尋空間以取樣模型及其超參數的不同組合。 NlpParameterSubspace[]
sweepSettings 模型掃掠和超參數微調的設定。 NlpSweepSettings
validationData 驗證數據輸入。 MLTableJobInput

TextNer

名字 描述 價值
taskType [必要]AutoMLJob 的工作類型。 'TextNER' （必要）
featurizationSettings AutoML 作業所需的特徵化輸入。 NlpVerticalFeaturizationSettings
fixedParameters 模型/定型參數，在整個定型過程中會維持不變。 NlpFixedParameters
limitSettings AutoMLJob 的執行條件約束。 NlpVerticalLimitSettings
searchSpace 搜尋空間以取樣模型及其超參數的不同組合。 NlpParameterSubspace[]
sweepSettings 模型掃掠和超參數微調的設定。 NlpSweepSettings
validationData 驗證數據輸入。 MLTableJobInput

CommandJob

名字 描述 價值
jobType [必要]指定作業的類型。 'Command' （必要）
autologgerSettings 作業的散發組態。 如果設定，這應該是其中一個 Mpi、Tensorflow、PyTorch 或 null。 AutologgerSettings
codeId 程式代碼資產的 ARM 資源識別碼。 字串
命令 [必要]在作業啟動時執行的命令。 例如 “python train.py” 字串 （必要）

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

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

AutologgerSettings

名字 描述 價值
mlflowAutologger [必要]指出是否啟用mlflow自動記錄器。 'Disabled'
'Enabled' （必要）

DistributionConfiguration

名字 描述 價值
distributionType 設定物件類型 Mpi
PyTorch
Ray
TensorFlow （必要）

Mpi

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

PyTorch

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

射線

名字 描述 價值
distributionType [必要]指定散發架構的類型。 'Ray' （必要）
位址 Ray 前端節點的位址。 字串
dashboardPort 要系結儀錶板伺服器的埠。 int
headNodeAdditionalArgs 傳遞至前端節點中光線啟動的其他自變數。 字串
includeDashboard 提供此自變數以啟動Ray儀錶板 GUI。 bool
港口 前端光線進程的埠。 int
workerNodeAdditionalArgs 傳遞至ray的其他自變數會在背景工作節點中啟動。 字串

TensorFlow

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

CommandJobEnvironmentVariables

名字 描述 價值
{自定義屬性} 字串

CommandJobInputs

名字 描述 價值
{自定義屬性} JobInput

JobInput

名字 描述 價值
描述 輸入的描述。 字串
jobInputType 設定物件類型 custom_model
常值
mlflow_model
mltable
triton_model
uri_file
uri_folder （必要）

CustomModelJobInput

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

約束：
最小長度 = 1
Pattern = [a-zA-Z0-9_]

LiteralJobInput

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

約束：
最小長度 = 1
Pattern = [a-zA-Z0-9_]

TritonModelJobInput

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

約束：
最小長度 = 1
Pattern = [a-zA-Z0-9_]

UriFileJobInput

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

約束：
最小長度 = 1
Pattern = [a-zA-Z0-9_]

UriFolderJobInput

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

約束：
最小長度 = 1
Pattern = [a-zA-Z0-9_]

CommandJobLimits

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

CommandJobOutputs

名字 描述 價值
{自定義屬性} JobOutput

LabelingJobProperties

名字 描述 價值
componentId 元件資源的 ARM 資源識別碼。 字串
computeId 計算資源的 ARM 資源識別碼。 字串
dataConfiguration 設定作業中使用的數據。 LabelingDataConfiguration
描述 資產描述文字。 字串
displayName 工作的顯示名稱。 字串
experimentName 作業所屬的實驗名稱。 如果未設定，作業會放在 「默認」實驗中。 字串
身份 身分識別設定。 如果設定，這應該是其中一個 AmlToken、ManagedIdentity、UserIdentity 或 null。
如果為 null，則預設為 AmlToken。		 IdentityConfiguration
isArchived 資產是否已封存？ bool
jobInstructions 標記作業的指示。 LabelingJobInstructions
jobType [必要]指定作業的類型。 'AutoML'
'Command'
'標記'
'Pipeline'
'Spark'
'掃掠' （必要）
labelCategories 作業的標籤類別。 LabelJobLabelCategories
labelingJobMediaProperties 作業中的媒體類型特定屬性。 LabelingJobMediaProperties
mlAssistConfiguration 在作業中設定 MLAssist 功能。 MLAssistConfiguration
notificationSetting 作業的通知設定 NotificationSetting
性能 資產屬性字典。 ResourceBaseProperties
secretsConfiguration 設定要在運行時間期間提供秘密。 JobBaseSecretsConfiguration
服務業 JobEndpoints 的清單。
針對本機作業，作業端點會有 FileStreamObject 的端點值。		 JobBaseServices
標籤 標記字典。 標記可以新增、移除和更新。 物件

LabelingDataConfiguration

名字 描述 價值
dataId 要執行標籤之數據資產的資源標識碼。 字串
incrementalDataRefresh 指出是否要啟用累加式數據重新整理。 'Disabled'
'Enabled'

LabelingJobInstructions

名字 描述 價值
uri 具有標籤者詳細標籤指示的頁面連結。 字串

LabelJobLabelCategories

名字 描述 價值
{自定義屬性} LabelCategory

LabelCategory

名字 描述 價值
類 此類別中標籤類別的字典。 LabelCategoryClasses
displayName 標籤類別的顯示名稱。 字串
multiSelect 指出是否允許在此類別中選取多個類別。 'Disabled'
'Enabled'

LabelCategoryClasses

名字 描述 價值
{自定義屬性} LabelClass

LabelClass

名字 描述 價值
displayName 標籤類別的顯示名稱。 字串
子 卷標類別子類別的字典。 LabelClassSubclasses

LabelClassSubclasses

名字 描述 價值
{自定義屬性} LabelClass

LabelingJobMediaProperties

名字 描述 價值
mediaType 設定物件類型 映像
文字（必要）

LabelingJobImageProperties

名字 描述 價值
mediaType [必要]作業的媒體類型。 'Image' （必要）
annotationType 影像標籤作業的註釋類型。 'BoundingBox'
'Classification'
'InstanceSegmentation'

LabelingJobTextProperties

名字 描述 價值
mediaType [必要]作業的媒體類型。 'Text' （必要）
annotationType 文字標籤作業的註釋類型。 'Classification'
'NamedEntityRecognition'

MLAssistConfiguration

名字 描述 價值
mlAssist 設定物件類型 停用
已啟用 （必要）

MLAssistConfigurationDisabled

名字 描述 價值
mlAssist [必要]指出是否啟用 MLAssist 功能。 'Disabled' （必要）

MLAssistConfigurationEnabled

名字 描述 價值
mlAssist [必要]指出是否啟用 MLAssist 功能。 'Enabled' （必要）
inferencingComputeBinding [必要]用於推斷的 AML 計算系結。 字串 （必要）

約束：
最小長度 = 1
Pattern = [a-zA-Z0-9_]
trainingComputeBinding [必要]定型中使用的 AML 計算系結。 字串 （必要）

約束：
最小長度 = 1
Pattern = [a-zA-Z0-9_]

PipelineJob

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

PipelineJobInputs

名字 描述 價值
{自定義屬性} JobInput

PipelineJobJobs

名字 描述 價值
{自定義屬性}

PipelineJobOutputs

名字 描述 價值
{自定義屬性} JobOutput

SparkJob

名字 描述 價值
jobType [必要]指定作業的類型。 'Spark' （必要）
檔案 封存作業中使用的檔案。 string[]
args 作業的自變數。 字串
codeId [必要]程式代碼資產的 ARM 資源識別碼。 字串 （必要）

約束：
最小長度 = 1
Pattern = [a-zA-Z0-9_]
conf Spark 設定的屬性。 SparkJobConf
進入 [必要]在作業啟動時要執行的專案。 SparkJobEntry （必要）
environmentId 作業之環境規格的 ARM 資源識別碼。 字串
檔 作業中使用的檔案。 string[]
輸入 對應作業中使用的輸入數據系結。 SparkJobInputs
罐子 作業中使用的 Jar 檔案。 string[]
輸出 對應作業中使用的輸出數據系結。 SparkJobOutputs
pyFiles 作業中使用的 Python 檔案。 string[]
queueSettings 作業的佇列設定 QueueSettings
資源 作業的計算資源組態。 SparkResourceConfiguration

SparkJobConf

名字 描述 價值
{自定義屬性} 字串

SparkJobEntry

名字 描述 價值
sparkJobEntryType 設定物件類型 SparkJobPythonEntry
SparkJobScalaEntry （必要）

SparkJobPythonEntry

名字 描述 價值
sparkJobEntryType [必要]作業進入點的類型。 'SparkJobPythonEntry' （必要）
檔 [必要]作業進入點的相對 Python 檔案路徑。 字串 （必要）

約束：
最小長度 = 1
Pattern = [a-zA-Z0-9_]

SparkJobScalaEntry

名字 描述 價值
sparkJobEntryType [必要]作業進入點的類型。 'SparkJobScalaEntry' （必要）
className [必要]做為進入點的 Scala 類別名稱。 字串 （必要）

約束：
最小長度 = 1
Pattern = [a-zA-Z0-9_]

SparkJobInputs

名字 描述 價值
{自定義屬性} JobInput

SparkJobOutputs

名字 描述 價值
{自定義屬性} JobOutput

SparkResourceConfiguration

名字 描述 價值
instanceType 計算目標所支持的選擇性 VM 類型。 字串
runtimeVersion 用於作業的 Spark 執行時間版本。 字串

SweepJob

名字 描述 價值
jobType [必要]指定作業的類型。 '掃掠' （必要）
earlyTermination 早期終止原則可在完成之前取消執行效能不佳 EarlyTerminationPolicy
輸入 對應作業中使用的輸入數據系結。 SweepJobInputs
限制 掃掠作業限制。 SweepJobLimits
目的 [必要]優化目標。 目標（必要）
輸出 對應作業中使用的輸出數據系結。 SweepJobOutputs
queueSettings 作業的佇列設定 QueueSettings
samplingAlgorithm [必要]超參數取樣演算法 SamplingAlgorithm （必要）
searchSpace [必要]包含每個參數及其散發的字典。 字典索引鍵是參數的名稱
試驗 [必要]試用版元件定義。 試用版元件 （必要）

SweepJobInputs

名字 描述 價值
{自定義屬性} JobInput

SweepJobLimits

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

目的

名字 描述 價值
目標 [必要]定義超參數微調支援的計量目標 'Maximize'
'最小化' （必要）
primaryMetric [必要]要優化之計量的名稱。 字串 （必要）

約束：
最小長度 = 1
Pattern = [a-zA-Z0-9_]

SweepJobOutputs

名字 描述 價值
{自定義屬性} JobOutput

SamplingAlgorithm

名字 描述 價值
samplingAlgorithmType 設定物件類型 貝氏
方格
隨機 （必要）

BayesianSamplingAlgorithm

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

GridSamplingAlgorithm

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

RandomSamplingAlgorithm

名字 描述 價值
samplingAlgorithmType [必要]用來產生超參數值的演算法，以及組態屬性 'Random' （必要）
logbase 選擇性正數或 e 字串格式，以做為以記錄為基礎的隨機取樣基底 字串
統治 隨機演算法的特定類型 'Random'
'Sobol'
種子 要作為隨機數產生種子的選擇性整數 int

TrialComponent

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

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

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

TrialComponentEnvironmentVariables

名字 描述 價值
{自定義屬性} 字串

快速入門範本

下列快速入門範本會部署此資源類型。

範本 描述
建立 Azure Machine Learning AutoML 分類作業

部署至 Azure 		此範本會建立 Azure Machine Learning AutoML 分類作業，以找出最佳模型，以預測客戶是否會訂閱與金融機構的固定期存款。
建立 Azure Machine Learning 命令作業

部署至 Azure 		此範本會建立具有基本 你好_world 腳本的 Azure Machine Learning 命令作業
建立 Azure Machine Learning 掃掠作業

部署至 Azure 		此範本會建立 Azure Machine Learning 掃掠作業以進行超參數微調。

Terraform （AzAPI 提供者） 資源定義

工作區/作業資源類型可以使用目標作業來部署：

  • 資源群組

如需每個 API 版本中已變更屬性的清單，請參閱 變更記錄檔。

資源格式

若要建立 Microsoft.MachineLearningServices/workspaces/jobs 資源，請將下列 Terraform 新增至範本。

resource "azapi_resource" "symbolicname" {
  type = "Microsoft.MachineLearningServices/workspaces/jobs@2023-06-01-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 物件

設定 jobType 屬性，以指定物件的類型。

針對 AutoML，請使用：

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

針對 Command，請使用：

  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"
  }

針對 標籤，請使用：

  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
  }

針對 Pipeline，請使用：

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

針對 Spark，請使用：

  jobType = "Spark"
  archives = [
    "string"
  ]
  args = "string"
  codeId = "string"
  conf = {
    {customized property} = "string"
  }
  entry = {
    sparkJobEntryType = "string"
    // For remaining properties, see SparkJobEntry objects
  }
  environmentId = "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"
  }

針對 掃掠，請使用：

  jobType = "Sweep"
  earlyTermination = {
    delayEvaluation = int
    evaluationInterval = int
    policyType = "string"
    // For remaining properties, see EarlyTerminationPolicy objects
  }
  inputs = {
    {customized property} = {
      description = "string"
      jobInputType = "string"
      // For remaining properties, see JobInput objects
    }
  }
  limits = {
    jobLimitsType = "string"
    maxConcurrentTrials = int
    maxTotalTrials = int
    timeout = "string"
    trialTimeout = "string"
  }
  objective = {
    goal = "string"
    primaryMetric = "string"
  }
  outputs = {
    {customized property} = {
      description = "string"
      jobOutputType = "string"
      // For remaining properties, see JobOutput objects
    }
  }
  queueSettings = {
    jobTier = "string"
    priority = int
  }
  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 物件

設定 identityType 屬性 ，以指定對象的類型。

針對 AMLToken，請使用：

  identityType = "AMLToken"

針對 Managed，請使用：

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

針對 UserIdentity，請使用：

  identityType = "UserIdentity"

Webhook 物件

設定 webhookType 屬性，以指定對象的類型。

針對 AzureDevOps，請使用：

  webhookType = "AzureDevOps"

Nodes 物件

設定 nodesValueType 屬性 ，以指定對象的類型。

針對 [所有]，請使用：

  nodesValueType = "All"

JobOutput 物件

設定 jobOutputType 屬性，以指定物件的類型。

針對 custom_model，請使用：

  jobOutputType = "custom_model"
  assetName = "string"
  assetVersion = "string"
  autoDeleteSetting = {
    condition = "string"
    value = "string"
  }
  mode = "string"
  uri = "string"

針對 mlflow_model，請使用：

  jobOutputType = "mlflow_model"
  assetName = "string"
  assetVersion = "string"
  autoDeleteSetting = {
    condition = "string"
    value = "string"
  }
  mode = "string"
  uri = "string"

針對 mltable，請使用：

  jobOutputType = "mltable"
  assetName = "string"
  assetVersion = "string"
  autoDeleteSetting = {
    condition = "string"
    value = "string"
  }
  mode = "string"
  uri = "string"

針對 triton_model，請使用：

  jobOutputType = "triton_model"
  assetName = "string"
  assetVersion = "string"
  autoDeleteSetting = {
    condition = "string"
    value = "string"
  }
  mode = "string"
  uri = "string"

針對 uri_file，請使用：

  jobOutputType = "uri_file"
  assetName = "string"
  assetVersion = "string"
  autoDeleteSetting = {
    condition = "string"
    value = "string"
  }
  mode = "string"
  uri = "string"

針對 uri_folder，請使用：

  jobOutputType = "uri_folder"
  assetName = "string"
  assetVersion = "string"
  autoDeleteSetting = {
    condition = "string"
    value = "string"
  }
  mode = "string"
  uri = "string"

AutoMLVertical 物件

設定 taskType 屬性，以指定物件的類型。

針對 分類，請使用：

  taskType = "Classification"
  cvSplitColumnNames = [
    "string"
  ]
  featurizationSettings = {
    blockedTransformers = [
      "string"
    ]
    columnNameAndTypes = {
      {customized property} = "string"
    }
    datasetLanguage = "string"
    enableDnnFeaturization = bool
    mode = "string"
    transformerParams = {
      {customized property} = [
        {
          fields = [
            "string"
          ]
        }
      ]
    }
  }
  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"

針對 預測，請使用：

  taskType = "Forecasting"
  cvSplitColumnNames = [
    "string"
  ]
  featurizationSettings = {
    blockedTransformers = [
      "string"
    ]
    columnNameAndTypes = {
      {customized property} = "string"
    }
    datasetLanguage = "string"
    enableDnnFeaturization = bool
    mode = "string"
    transformerParams = {
      {customized property} = [
        {
          fields = [
            "string"
          ]
        }
      ]
    }
  }
  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"

針對 imageClassification ，請使用：

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

針對 imageClassificationMultilabel，請使用：

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

針對 ImageInstanceSegmentation，請使用：

  taskType = "ImageInstanceSegmentation"
  limitSettings = {
    maxConcurrentTrials = int
    maxTrials = int
    timeout = "string"
  }
  modelSettings = {
    advancedSettings = "string"
    amsGradient = bool
    augmentations = "string"
    beta1 = int
    beta2 = int
    boxDetectionsPerImage = int
    boxScoreThreshold = int
    checkpointFrequency = int
    checkpointModel = {
      description = "string"
      jobInputType = "string"
      mode = "string"
      uri = "string"
    }
    checkpointRunId = "string"
    distributed = bool
    earlyStopping = bool
    earlyStoppingDelay = int
    earlyStoppingPatience = int
    enableOnnxNormalization = bool
    evaluationFrequency = int
    gradientAccumulationStep = int
    imageSize = int
    layersToFreeze = int
    learningRate = int
    learningRateScheduler = "string"
    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

針對 ImageObjectDetection，請使用：

  taskType = "ImageObjectDetection"
  limitSettings = {
    maxConcurrentTrials = int
    maxTrials = int
    timeout = "string"
  }
  modelSettings = {
    advancedSettings = "string"
    amsGradient = bool
    augmentations = "string"
    beta1 = int
    beta2 = int
    boxDetectionsPerImage = int
    boxScoreThreshold = int
    checkpointFrequency = int
    checkpointModel = {
      description = "string"
      jobInputType = "string"
      mode = "string"
      uri = "string"
    }
    checkpointRunId = "string"
    distributed = bool
    earlyStopping = bool
    earlyStoppingDelay = int
    earlyStoppingPatience = int
    enableOnnxNormalization = bool
    evaluationFrequency = int
    gradientAccumulationStep = int
    imageSize = int
    layersToFreeze = int
    learningRate = int
    learningRateScheduler = "string"
    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

針對 回歸，請使用：

  taskType = "Regression"
  cvSplitColumnNames = [
    "string"
  ]
  featurizationSettings = {
    blockedTransformers = [
      "string"
    ]
    columnNameAndTypes = {
      {customized property} = "string"
    }
    datasetLanguage = "string"
    enableDnnFeaturization = bool
    mode = "string"
    transformerParams = {
      {customized property} = [
        {
          fields = [
            "string"
          ]
        }
      ]
    }
  }
  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"

針對 TextClassification，請使用：

  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"
  }

針對 textClassificationMultilabel，請使用：

  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"
  }

針對 TextNER，請使用：

  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 物件

設定 模式 屬性，以指定物件的類型。

針對 Auto，請使用：

  mode = "Auto"

針對 自訂，請使用：

  mode = "Custom"
  value = int

EarlyTerminationPolicy 物件

設定 policyType 屬性，以指定對象的類型。

針對 Bandit，請使用：

  policyType = "Bandit"
  slackAmount = int
  slackFactor = int

針對 MedianStopping，請使用：

  policyType = "MedianStopping"

針對 TruncationSelection，請使用：

  policyType = "TruncationSelection"
  truncationPercentage = int

ForecastHorizon 物件

設定 模式 屬性，以指定物件的類型。

針對 Auto，請使用：

  mode = "Auto"

針對 自訂，請使用：

  mode = "Custom"
  value = int

季節性物件

設定 模式 屬性，以指定物件的類型。

針對 Auto，請使用：

  mode = "Auto"

針對 自訂，請使用：

  mode = "Custom"
  value = int

TargetLags 物件

設定 模式 屬性，以指定物件的類型。

針對 Auto，請使用：

  mode = "Auto"

針對 自訂，請使用：

  mode = "Custom"
  values = [
    int
  ]

TargetRollingWindowSize 物件

設定 模式 屬性，以指定物件的類型。

針對 Auto，請使用：

  mode = "Auto"

針對 自訂，請使用：

  mode = "Custom"
  value = int

DistributionConfiguration 物件

設定 distributionType 屬性，以指定對象的類型。

針對 Mpi，請使用：

  distributionType = "Mpi"
  processCountPerInstance = int

針對 PyTorch，請使用：

  distributionType = "PyTorch"
  processCountPerInstance = int

針對 Ray，請使用：

  distributionType = "Ray"
  address = "string"
  dashboardPort = int
  headNodeAdditionalArgs = "string"
  includeDashboard = bool
  port = int
  workerNodeAdditionalArgs = "string"

針對 TensorFlow，請使用：

  distributionType = "TensorFlow"
  parameterServerCount = int
  workerCount = int

JobInput 物件

設定 jobInputType 屬性，以指定物件的類型。

針對 custom_model，請使用：

  jobInputType = "custom_model"
  mode = "string"
  uri = "string"

針對 常值，請使用：

  jobInputType = "literal"
  value = "string"

針對 mlflow_model，請使用：

  jobInputType = "mlflow_model"
  mode = "string"
  uri = "string"

針對 mltable，請使用：

  jobInputType = "mltable"
  mode = "string"
  uri = "string"

針對 triton_model，請使用：

  jobInputType = "triton_model"
  mode = "string"
  uri = "string"

針對 uri_file，請使用：

  jobInputType = "uri_file"
  mode = "string"
  uri = "string"

針對 uri_folder，請使用：

  jobInputType = "uri_folder"
  mode = "string"
  uri = "string"

LabelingJobMediaProperties 物件

設定 mediaType 屬性，以指定物件的類型。

針對 Image，請使用：

  mediaType = "Image"
  annotationType = "string"

針對 Text，請使用：

  mediaType = "Text"
  annotationType = "string"

MLAssistConfiguration 物件

設定 mlAssist 屬性，以指定對象的類型。

針對 Disabled，請使用：

  mlAssist = "Disabled"

針對啟用 ，請使用：

  mlAssist = "Enabled"
  inferencingComputeBinding = "string"
  trainingComputeBinding = "string"

SparkJobEntry 物件

設定 sparkJobEntryType 屬性，以指定對象的類型。

若為 SparkJobPythonEntry，請使用：

  sparkJobEntryType = "SparkJobPythonEntry"
  file = "string"

針對 SparkJobScalaEntry，請使用：

  sparkJobEntryType = "SparkJobScalaEntry"
  className = "string"

SamplingAlgorithm 物件

設定 samplingAlgorithmType 屬性，以指定對象的類型。

針對 貝氏，請使用：

  samplingAlgorithmType = "Bayesian"

針對 Grid，請使用：

  samplingAlgorithmType = "Grid"

針對 Random，請使用：

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

屬性值

workspaces/jobs

名字 描述 價值
類型 資源類型 “Microsoft.MachineLearningServices/workspaces/jobs@2023-06-01-preview”
名字 資源名稱 字串 （必要）
parent_id 此資源為父系之資源的標識碼。 類型資源的標識碼：工作區
性能 [必要]實體的其他屬性。 JobBaseProperties （必要）

JobBaseProperties

名字 描述 價值
componentId 元件資源的 ARM 資源識別碼。 字串
computeId 計算資源的 ARM 資源識別碼。 字串
描述 資產描述文字。 字串
displayName 工作的顯示名稱。 字串
experimentName 作業所屬的實驗名稱。 如果未設定，作業會放在 「默認」實驗中。 字串
身份 身分識別設定。 如果設定，這應該是其中一個 AmlToken、ManagedIdentity、UserIdentity 或 null。
如果為 null，則預設為 AmlToken。		 IdentityConfiguration
isArchived 資產是否已封存？ bool
notificationSetting 作業的通知設定 NotificationSetting
性能 資產屬性字典。 ResourceBaseProperties
secretsConfiguration 設定要在運行時間期間提供秘密。 JobBaseSecretsConfiguration
服務業 JobEndpoints 的清單。
針對本機作業，作業端點會有 FileStreamObject 的端點值。		 JobBaseServices
標籤 標記字典。 標記可以新增、移除和更新。 物件
jobType 設定物件類型 AutoML
命令
標籤
管線
Spark
掃掠（必要）

IdentityConfiguration

名字 描述 價值
identityType 設定物件類型 AMLToken
受控
UserIdentity （必要）

AmlToken

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

ManagedIdentity

名字 描述 價值
identityType [必要]指定身分識別架構的類型。 “Managed” （必要）
clientId 依用戶端識別元指定使用者指派的身分識別。 若為系統指派，請勿設定此欄位。 字串

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

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

UserIdentity

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

NotificationSetting

名字 描述 價值
emailOn 在指定的通知類型上傳送電子郵件通知給使用者 包含任何的字串數組：
“JobCancelled”
“JobCompleted”
“JobFailed”
電子郵件 這是電子郵件收件者清單，其總限製為499個字元，且具有逗號分隔符 string[]
webhook 將 Webhook 回呼傳送至服務。 機碼是 Webhook 的使用者提供名稱。 NotificationSettingWebhooks

NotificationSettingWebhooks

名字 描述 價值
{自定義屬性} Webhook

Webhook

名字 描述 價值
eventType 在指定的通知事件上傳送回呼 字串
webhookType 設定物件類型 AzureDevOps （必要）

AzureDevOpsWebhook

名字 描述 價值
webhookType [必要]指定要傳送回呼的服務類型 “AzureDevOps” （必要）

ResourceBaseProperties

名字 描述 價值
{自定義屬性} 字串

JobBaseSecretsConfiguration

名字 描述 價值
{自定義屬性} SecretConfiguration

SecretConfiguration

名字 描述 價值
uri 秘密 URI。
範例 URI：https://myvault.vault.azure.net/secrets/mysecretname/secretversion		 字串
workspaceSecretName 工作區金鑰保存庫中的秘密名稱。 字串

JobBaseServices

名字 描述 價值
{自定義屬性} JobService

JobService

名字 描述 價值
端點 端點的 URL。 字串
jobServiceType 端點類型。 字串
節點 使用者想要啟動服務的節點。
如果未將 Nodes 設定或設定為 null，則服務只會在領導者節點上啟動。		 節點
港口 用戶所設定端點的埠。 int
性能 在端點上設定的其他屬性。 JobServiceProperties

節點

名字 描述 價值
nodesValueType 設定物件類型 所有 （必要）

AllNodes

名字 描述 價值
nodesValueType [必要]Nodes 值的類型 “All” （必要）

JobServiceProperties

名字 描述 價值
{自定義屬性} 字串

AutoMLJob

名字 描述 價值
jobType [必要]指定作業的類型。 “AutoML” （必要）
environmentId 作業之環境規格的 ARM 資源識別碼。
如果未提供，這是選擇性的值，AutoML 會在執行作業時，將此預設為 Production AutoML 策展環境版本。		 字串
environmentVariables 作業中包含的環境變數。 AutoMLJobEnvironmentVariables
輸出 對應作業中使用的輸出數據系結。 AutoMLJobOutputs
queueSettings 作業的佇列設定 QueueSettings
資源 作業的計算資源組態。 JobResourceConfiguration
taskDetails [必要]這代表可以是其中一個數據表/NLP/Image 的案例 AutoMLVertical （必要）

AutoMLJobEnvironmentVariables

名字 描述 價值
{自定義屬性} 字串

AutoMLJobOutputs

名字 描述 價值
{自定義屬性} JobOutput

JobOutput

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

CustomModelJobOutput

名字 描述 價值
jobOutputType [必要]指定作業的類型。 “custom_model” （必要）
assetName 輸出資產名稱。 字串
assetVersion 輸出資產版本。 字串
autoDeleteSetting 自動刪除輸出數據資產的設定。 AutoDeleteSetting
模式 輸出資產傳遞模式。 “Direct”
“ReadWriteMount”
“Upload”
uri 輸出資產 URI。 字串

AutoDeleteSetting

名字 描述 價值
條件 何時檢查資產是否已過期 “CreatedGreaterThan”
“LastAccessedGreaterThan”
價值 到期條件值。 字串

MLFlowModelJobOutput

名字 描述 價值
jobOutputType [必要]指定作業的類型。 “mlflow_model” （必要）
assetName 輸出資產名稱。 字串
assetVersion 輸出資產版本。 字串
autoDeleteSetting 自動刪除輸出數據資產的設定。 AutoDeleteSetting
模式 輸出資產傳遞模式。 “Direct”
“ReadWriteMount”
“Upload”
uri 輸出資產 URI。 字串

MLTableJobOutput

名字 描述 價值
jobOutputType [必要]指定作業的類型。 “mltable” （必要）
assetName 輸出資產名稱。 字串
assetVersion 輸出資產版本。 字串
autoDeleteSetting 自動刪除輸出數據資產的設定。 AutoDeleteSetting
模式 輸出資產傳遞模式。 “Direct”
“ReadWriteMount”
“Upload”
uri 輸出資產 URI。 字串

TritonModelJobOutput

名字 描述 價值
jobOutputType [必要]指定作業的類型。 “triton_model” （必要）
assetName 輸出資產名稱。 字串
assetVersion 輸出資產版本。 字串
autoDeleteSetting 自動刪除輸出數據資產的設定。 AutoDeleteSetting
模式 輸出資產傳遞模式。 “Direct”
“ReadWriteMount”
“Upload”
uri 輸出資產 URI。 字串

UriFileJobOutput

名字 描述 價值
jobOutputType [必要]指定作業的類型。 “uri_file” （必要）
assetName 輸出資產名稱。 字串
assetVersion 輸出資產版本。 字串
autoDeleteSetting 自動刪除輸出數據資產的設定。 AutoDeleteSetting
模式 輸出資產傳遞模式。 “Direct”
“ReadWriteMount”
“Upload”
uri 輸出資產 URI。 字串

UriFolderJobOutput

名字 描述 價值
jobOutputType [必要]指定作業的類型。 “uri_folder” （必要）
assetName 輸出資產名稱。 字串
assetVersion 輸出資產版本。 字串
autoDeleteSetting 自動刪除輸出數據資產的設定。 AutoDeleteSetting
模式 輸出資產傳遞模式。 “Direct”
“ReadWriteMount”
“Upload”
uri 輸出資產 URI。 字串

QueueSettings

名字 描述 價值
jobTier 控制計算作業層 “Basic”
“Null”
“Premium”
“Spot”
“Standard”
優先權 控制計算上作業的優先順序。 int

JobResourceConfiguration

名字 描述 價值
dockerArgs 傳遞至 Docker run 命令的額外自變數。 這會覆寫系統或本節中已設定的任何參數。 此參數僅支援 Azure ML 計算類型。 字串
instanceCount 計算目標所使用的實例或節點選擇性數目。 int
instanceType 計算目標所支持的選擇性 VM 類型。 字串
地點 作業可以執行的位置。 string[]
maxInstanceCount 計算目標可使用的實例或節點數目選擇性上限。
若要搭配彈性定型使用，目前只有 PyTorch 散發類型支援。		 int
性能 其他屬性包。 ResourceConfigurationProperties
shmSize Docker 容器的共用記憶體區塊大小。 這應該是 （number）（unit） 的格式，其中數位大於 0，單位可以是 b（位元組）、k（KB）、m（MB）、或 g（GB）。 字串

約束：
Pattern = \d+[bBkKmMgG]

ResourceConfigurationProperties

名字 描述 價值
{自定義屬性}

AutoMLVertical

名字 描述 價值
logVerbosity 作業的記錄詳細資訊。 “Critical”
“Debug”
“Error”
“Info”
“NotSet”
“Warning”
targetColumnName 目標數據行名稱：這是預測值數據行。
也稱為分類工作內容中的標籤數據行名稱。		 字串
trainingData [必要]定型數據輸入。 MLTableJobInput （必要）
taskType 設定物件類型 分類
預測
ImageClassification
ImageClassificationMultilabel
ImageInstanceSegmentation
ImageObjectDetection
回歸
TextClassification
TextClassificationMultilabel
TextNER （必要）

MLTableJobInput

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

約束：
最小長度 = 1
Pattern = [a-zA-Z0-9_]

分類

名字 描述 價值
taskType [必要]AutoMLJob 的工作類型。 “分類” （必要）
cvSplitColumnNames 要用於 CVSplit 資料的數據行。 string[]
featurizationSettings AutoML 作業所需的特徵化輸入。 TableVerticalFeaturizationSettings
fixedParameters 模型/定型參數，在整個定型過程中會維持不變。 TableFixedParameters
limitSettings AutoMLJob 的執行條件約束。 TableVerticalLimitSettings
nCrossValidations 要套用至定型數據集的交叉驗證折疊數目
未提供驗證數據集時。		 NCrossValidations
positiveLabel 二進位計量計算的正標籤。 字串
primaryMetric 工作的主要計量。 “AUCWeighted”
“精確度”
“AveragePrecisionScoreWeighted”
“NormMacroRecall”
“PrecisionScoreWeighted”
searchSpace 搜尋空間以取樣模型及其超參數的不同組合。 TableParameterSubspace[]
sweepSettings 模型掃掠和超參數微調的設定。 TableSweepSettings
testData 測試數據輸入。 MLTableJobInput
testDataSize 必須為驗證目的而保留的測試數據集分數。
介於 （0.0 、 1.0） 之間的值
未提供驗證數據集時套用。		 int
trainingSettings AutoML 作業定型階段的輸入。 ClassificationTrainingSettings
validationData 驗證數據輸入。 MLTableJobInput
validationDataSize 需要為驗證目的預留的定型數據集分數。
介於 （0.0 、 1.0） 之間的值
未提供驗證數據集時套用。		 int
weightColumnName 範例權數數據行的名稱。 自動化 ML 支援加權數據行做為輸入，導致數據中的數據列向上或向下加權。 字串

TableVerticalFeaturizationSettings

名字 描述 價值
blockedTransformers 這些轉換器不得用於特徵化。 包含任何的字串數組：
“CatTargetEncoder”
“CountVectorizer”
“HashOneHotEncoder”
“LabelEncoder”
“貝耶斯”
“OneHotEncoder”
“TextTargetEncoder”
“TfIdf”
“WoETargetEncoder”
“WordEmbedding”
columnNameAndTypes 數據行名稱及其類型字典（int、float、string、datetime 等）。 TableVerticalFeaturizationSettingsColumnNameAndTypes
datasetLanguage 數據集語言，適用於文字數據。 字串
enableDnnFeaturization 判斷是否要使用 Dnn 型特徵化程式進行數據特徵化。 bool
模式 特徵化模式 - 使用者可以保留預設的「自動」模式，而 AutoML 會負責在特徵化階段中轉換數據的必要轉換。
如果選取 [關閉]，則不會完成特徵化。
如果選取 [自定義]，則使用者可以指定其他輸入，以自定義特徵化的完成方式。		 “Auto”
“Custom”
“Off”
transformerParams 用戶可以指定要搭配套用的其他轉換器，以及要套用它的數據行，以及轉換建構函式的參數。 TableVerticalFeaturizationSettingsTransformerParams

TableVerticalFeaturizationSettingsColumnNameAndTypes

名字 描述 價值
{自定義屬性} 字串

TableVerticalFeaturizationSettingsTransformerParams

名字 描述 價值
{自定義屬性} ColumnTransformer[]

ColumnTransformer

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

TableFixedParameters

名字 描述 價值
助推 器 指定提升類型，例如 XGBoost 的 gbdt。 字串
boostingType 指定提升類型，例如 LightGBM 的 gbdt。 字串
growPolicy 指定成長原則，以控制將新節點新增至樹狀結構的方式。 字串
learningRate 定型程序的學習速率。 int
maxBin 指定貯體連續功能的離散間隔數目上限。 int
maxDepth 指定明確限制樹狀結構深度的最大深度。 int
maxLeaves 指定要明確限制樹狀結構的葉數上限。 int
minDataInLeaf 每個分葉的數據數目下限。 int
minSplitGain 在樹狀結構的分葉節點上進行進一步分割所需的最小遺失減少。 int
modelName 要定型的模型名稱。 字串
nEstimators 指定模型中的樹狀結構數目（或四捨五入）。 int
numLeaves 指定葉數。 int
preprocessorName 要使用的預處理器名稱。 字串
regAlpha 加權的 L1 正規化詞彙。 int
regLambda 加權的 L2 正規化詞彙。 int
subsample 定型實例的子取樣比例。 int
subsampleFreq 子取樣的頻率。 int
treeMethod 指定樹狀結構方法。 字串
withMean 如果為 true，請在使用 StandardScalar 調整數據之前置中。 bool
withStd 如果為 true，請使用 StandardScalar 來調整單位變異數的數據。 bool

TableVerticalLimitSettings

名字 描述 價值
enableEarlyTermination 啟用提早終止，判斷如果過去 20 個反覆項目沒有分數改善，AutoMLJob 是否會提早終止。 bool
exitScore AutoML 作業的結束分數。 int
maxConcurrentTrials 並行反覆運算數上限。 int
maxCoresPerTrial 每個反覆專案的核心數上限。 int
maxNodes 用於實驗的最大節點。 int
maxTrials 反覆項目的數目。 int
sweepConcurrentTrials 使用者想要觸發的並行掃掠執行數目。 int
sweepTrials 使用者想要觸發的掃掠執行次數。 int
超時 AutoML 作業逾時。 字串
trialTimeout 反覆專案逾時。 字串

NCrossValidations

名字 描述 價值
模式 設定物件類型 自動
自訂 （必要）

AutoNCrossValidations

名字 描述 價值
模式 [必要]判斷 N-Cross 驗證的模式。 “Auto” （必要）

CustomNCrossValidations

名字 描述 價值
模式 [必要]判斷 N-Cross 驗證的模式。 “自定義” （必要）
價值 [必要]N-Cross 驗證值。 int （必要）

TableParameterSubspace

名字 描述 價值
助推 器 指定提升類型，例如 XGBoost 的 gbdt。 字串
boostingType 指定提升類型，例如 LightGBM 的 gbdt。 字串
growPolicy 指定成長原則，以控制將新節點新增至樹狀結構的方式。 字串
learningRate 定型程序的學習速率。 字串
maxBin 指定貯體連續功能的離散間隔數目上限。 字串
maxDepth 指定明確限制樹狀結構深度的最大深度。 字串
maxLeaves 指定要明確限制樹狀結構的葉數上限。 字串
minDataInLeaf 每個分葉的數據數目下限。 字串
minSplitGain 在樹狀結構的分葉節點上進行進一步分割所需的最小遺失減少。 字串
modelName 要定型的模型名稱。 字串
nEstimators 指定模型中的樹狀結構數目（或四捨五入）。 字串
numLeaves 指定葉數。 字串
preprocessorName 要使用的預處理器名稱。 字串
regAlpha 加權的 L1 正規化詞彙。 字串
regLambda 加權的 L2 正規化詞彙。 字串
subsample 定型實例的子取樣比例。 字串
subsampleFreq 子取樣的頻率 字串
treeMethod 指定樹狀結構方法。 字串
withMean 如果為 true，請在使用 StandardScalar 調整數據之前置中。 字串
withStd 如果為 true，請使用 StandardScalar 來調整單位變異數的數據。 字串

TableSweepSettings

名字 描述 價值
earlyTermination 掃掠作業的早期終止原則類型。 EarlyTerminationPolicy
samplingAlgorithm [必要]取樣演算法的類型。 “貝氏”
“Grid”
“Random” （必要）

EarlyTerminationPolicy

名字 描述 價值
delayEvaluation 延遲第一次評估的間隔數目。 int
evaluationInterval 原則評估之間的間隔（執行次數）。 int
policyType 設定物件類型 強盜
中位數停止
截斷選取 （必要）

BanditPolicy

名字 描述 價值
policyType [必要]原則設定的名稱 “強盜”（必要）
slackAmount 從最佳執行執行中允許的絕對距離。 int
slackFactor 與最佳執行距離的允許距離比率。 int

MedianStoppingPolicy

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

TruncationSelectionPolicy

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

ClassificationTrainingSettings

名字 描述 價值
allowedTrainingAlgorithms 分類工作的允許模型。 包含任何的字串數組：
“BernoulliNaiveBayes”
“DecisionTree”
“ExtremeRandomTrees”
“GradientBoosting”
“KNN”
“LightGBM”
“LinearSVM”
“羅吉斯回歸”
“MultinomialNaiveBayes”
“RandomForest”
“新元”
“SVM”
“XGBoostClassifier”
blockedTrainingAlgorithms 分類工作的封鎖模型。 包含任何的字串數組：
“BernoulliNaiveBayes”
“DecisionTree”
“ExtremeRandomTrees”
“GradientBoosting”
“KNN”
“LightGBM”
“LinearSVM”
“羅吉斯回歸”
“MultinomialNaiveBayes”
“RandomForest”
“新元”
“SVM”
“XGBoostClassifier”
enableDnnTraining 啟用 DNN 模型的建議。 bool
enableModelExplainability 在最佳模型上開啟可解釋性的旗標。 bool
enableOnnxCompatibleModels 啟用 onnx 相容模型的旗標。 bool
enableStackEnsemble 啟用堆疊合奏執行。 bool
enableVoteEnsemble 啟用投票合奏執行。 bool
ensembleModelDownloadTimeout 在 VotingEnsemble 和 StackEnsemble 模型產生期間，會下載先前子回合中的多個安裝模型。
如果需要更多時間，請使用高於 300 秒的值來設定此參數。		 字串
stackEnsembleSettings 堆疊合奏執行的堆疊合奏設定。 StackEnsembleSettings
trainingMode TrainingMode 模式 - 設定為 'auto' 與目前將它設定為「非分散式」相同，但未來可能會導致混合模式或啟發學習法模式選取。 預設值為 『auto』。
如果 「分散式」，則只會使用分散式特徵化，並選擇分散式演算法。
如果 『NonDistributed』，則只會選擇非分散式演算法。
 “Auto”
“Distributed”
“NonDistributed”

StackEnsembleSettings

名字 描述 價值
stackMetaLearnerKWargs 要傳遞至中繼學習模組初始化表達式的選擇性參數。
stackMetaLearnerTrainPercentage 指定要保留用於訓練中繼學習工具的定型集比例（選擇定型和定型類型的訓練類型）。 預設值為 0.2。 int
stackMetaLearnerType 中繼學習器是針對個別異質模型輸出定型的模型。 “ElasticNet”
“ElasticNetCV”
“LightGBMClassifier”
“LightGBMRegressor”
“LinearRegression”
“羅吉斯回歸”
“LogisticRegressionCV”
“None”

預測

名字 描述 價值
taskType [必要]AutoMLJob 的工作類型。 “預測” （必要）
cvSplitColumnNames 要用於 CVSplit 資料的數據行。 string[]
featurizationSettings AutoML 作業所需的特徵化輸入。 TableVerticalFeaturizationSettings
fixedParameters 模型/定型參數，在整個定型過程中會維持不變。 TableFixedParameters
forecastingSettings 預測工作特定輸入。 ForecastingSettings
limitSettings AutoMLJob 的執行條件約束。 TableVerticalLimitSettings
nCrossValidations 要套用至定型數據集的交叉驗證折疊數目
未提供驗證數據集時。		 NCrossValidations
primaryMetric 預測工作的主要計量。 “NormalizedMeanAbsoluteError”
“NormalizedRootMeanSquaredError”
“R2Score”
“SpearmanCorrelation”
searchSpace 搜尋空間以取樣模型及其超參數的不同組合。 TableParameterSubspace[]
sweepSettings 模型掃掠和超參數微調的設定。 TableSweepSettings
testData 測試數據輸入。 MLTableJobInput
testDataSize 必須為驗證目的而保留的測試數據集分數。
介於 （0.0 、 1.0） 之間的值
未提供驗證數據集時套用。		 int
trainingSettings AutoML 作業定型階段的輸入。 ForecastingTrainingSettings
validationData 驗證數據輸入。 MLTableJobInput
validationDataSize 需要為驗證目的預留的定型數據集分數。
介於 （0.0 、 1.0） 之間的值
未提供驗證數據集時套用。		 int
weightColumnName 範例權數數據行的名稱。 自動化 ML 支援加權數據行做為輸入，導致數據中的數據列向上或向下加權。 字串

ForecastingSettings

名字 描述 價值
countryOrRegionForHolidays 用於預測工作的假日國家或地區。
這些應該是 ISO 3166 兩個字母的國家/地區代碼，例如 'US' 或 'GB'。		 字串
cvStepSize 一個 CV 折疊的原點時間與下一個折疊之間的期間數。 為
例如，如果每日數據 CVStepSize = 3，則每個折疊的原點時間將會是
相隔三天。		 int
featureLags 使用 『auto』 或 null 產生數值特徵延遲的旗標。 “Auto”
“None”
featuresUnknownAtForecastTime 可在預測/推斷時用於定型但未知的功能數據行。
如果未設定features_unknown_at_forecast_time，則會假設數據集中的所有功能數據行在推斷時間都是已知的。		 string[]
forecastHorizon 所需的最大預測範圍，以時間序列頻率單位為單位。 ForecastHorizon
頻率 預測時，此參數代表預期預測的期間，例如每日、每周、每年等。預測頻率預設為數據集頻率。 字串
季節性 將時間序列季節性設定為數列頻率的整數倍數。
如果季節性設定為 『auto』，則會推斷它。		 季節性
shortSeriesHandlingConfig 定義 AutoML 是否應該處理短時間序列的參數。 “Auto”
“Drop”
“None”
“Pad”
targetAggregateFunction 要用來匯總時間序列目標數據行以符合使用者指定頻率的函式。
如果 TargetAggregateFunction 已設定，亦即不是 『None』，但未設定 freq 參數，則會引發錯誤。 可能的目標聚合函數包括：「sum」、“max”、“min” 和 “mean”。		 “Max”
“Mean”
“Min”
“None”
“Sum”
targetLags 要從目標數據行延遲的過去期間數。 TargetLags
targetRollingWindowSize 用來建立目標數據行滾動視窗平均值的過去期間數目。 TargetRollingWindowSize
timeColumnName 時間數據行的名稱。 當預測以指定用於建置時間序列並推斷其頻率的輸入數據中的 datetime 數據行時，需要此參數。 字串
timeSeriesIdColumnNames 用來分組時間範圍的數據行名稱。 它可以用來建立多個數列。
如果未定義粒紋，則會假設數據集為一個時間序列。 此參數與工作類型預測搭配使用。		 string[]
useStl 設定時間序列目標數據行的 STL 分解。 “None”
“季節”
“SeasonTrend”

ForecastHorizon

名字 描述 價值
模式 設定物件類型 自動
自訂 （必要）

AutoForecastHorizon

名字 描述 價值
模式 [必要]設定預測地平線值選取模式。 “Auto” （必要）

CustomForecastHorizon

名字 描述 價值
模式 [必要]設定預測地平線值選取模式。 “自定義” （必要）
價值 [必要]預測地平線值。 int （必要）

季節性

名字 描述 價值
模式 設定物件類型 自動
自訂 （必要）

AutoSeasonality

名字 描述 價值
模式 [必要]季節性模式。 “Auto” （必要）

CustomSeasonality

名字 描述 價值
模式 [必要]季節性模式。 “自定義” （必要）
價值 [必要]季節性值。 int （必要）

TargetLags

名字 描述 價值
模式 設定物件類型 自動
自訂 （必要）

AutoTargetLags

名字 描述 價值
模式 [必要]設定目標延隔模式 - 自動/自定義 “Auto” （必要）

CustomTargetLags

名字 描述 價值
模式 [必要]設定目標延隔模式 - 自動/自定義 “自定義” （必要）
值 [必要]設定目標延遲值。 int[] （必要）

TargetRollingWindowSize

名字 描述 價值
模式 設定物件類型 自動
自訂 （必要）

AutoTargetRollingWindowSize

名字 描述 價值
模式 [必要]TargetRollingWindowSiz 偵測模式。 “Auto” （必要）

CustomTargetRollingWindowSize

名字 描述 價值
模式 [必要]TargetRollingWindowSiz 偵測模式。 “自定義” （必要）
價值 [必要]TargetRollingWindowSize 值。 int （必要）

ForecastingTrainingSettings

名字 描述 價值
allowedTrainingAlgorithms 用於預測工作的允許模型。 包含任何的字串數組：
“Arimax”
“AutoArima”
“Average”
“DecisionTree”
“ElasticNet”
“ExponentialSmoothing”
“ExtremeRandomTrees”
“GradientBoosting”
“KNN”
“LassoLars”
“LightGBM”
“天真”
“先知”
“RandomForest”
“新元”
“SeasonalAverage”
“SeasonalNaive”
“TCNForecaster”
“XGBoostRegressor”
blockedTrainingAlgorithms 用於預測工作的封鎖模型。 包含任何的字串數組：
“Arimax”
“AutoArima”
“Average”
“DecisionTree”
“ElasticNet”
“ExponentialSmoothing”
“ExtremeRandomTrees”
“GradientBoosting”
“KNN”
“LassoLars”
“LightGBM”
“天真”
“先知”
“RandomForest”
“新元”
“SeasonalAverage”
“SeasonalNaive”
“TCNForecaster”
“XGBoostRegressor”
enableDnnTraining 啟用 DNN 模型的建議。 bool
enableModelExplainability 在最佳模型上開啟可解釋性的旗標。 bool
enableOnnxCompatibleModels 啟用 onnx 相容模型的旗標。 bool
enableStackEnsemble 啟用堆疊合奏執行。 bool
enableVoteEnsemble 啟用投票合奏執行。 bool
ensembleModelDownloadTimeout 在 VotingEnsemble 和 StackEnsemble 模型產生期間，會下載先前子回合中的多個安裝模型。
如果需要更多時間，請使用高於 300 秒的值來設定此參數。		 字串
stackEnsembleSettings 堆疊合奏執行的堆疊合奏設定。 StackEnsembleSettings
trainingMode TrainingMode 模式 - 設定為 'auto' 與目前將它設定為「非分散式」相同，但未來可能會導致混合模式或啟發學習法模式選取。 預設值為 『auto』。
如果 「分散式」，則只會使用分散式特徵化，並選擇分散式演算法。
如果 『NonDistributed』，則只會選擇非分散式演算法。
 “Auto”
“Distributed”
“NonDistributed”

ImageClassification

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

ImageLimitSettings

名字 描述 價值
maxConcurrentTrials 並行 AutoML 反覆項目的數目上限。 int
maxTrials AutoML 反覆項目的數目上限。 int
超時 AutoML 作業逾時。 字串

ImageModelSettingsClassification

名字 描述 價值
advancedSettings 進階案例的設定。 字串
amsGradient 當優化器為 『adam』 或 'adamw' 時啟用AMSGrad。 bool
擴增 使用擴增的設定。 字串
beta1 優化器為 'adam' 或 'adamw' 時的 'beta1' 值。 必須是範圍 [0， 1] 中的浮點數。 int
beta2 優化器為 'adam' 或 'adamw' 時的 'beta2' 值。 必須是範圍 [0， 1] 中的浮點數。 int
checkpointFrequency 儲存模型檢查點的頻率。 必須是正整數。 int
checkpointModel 累加訓練的預先定型檢查點模型。 MLFlowModelJobInput
checkpointRunId 先前執行的標識碼，其具有累加式定型的預先定型檢查點。 字串
分散式 是否要使用分散式定型。 bool
earlyStopping 在定型期間啟用早期停止邏輯。 bool
earlyStoppingDelay 在主要計量改進之前等待的最小 Epoch 或驗證評估數目
會追蹤早期停止。 必須是正整數。		 int
earlyStoppingPatience 在之前沒有主要計量改進的最小 Epoch 或驗證評估數目
執行已停止。 必須是正整數。		 int
enableOnnxNormalization 匯出 ONNX 模型時啟用正規化。 bool
evaluationFrequency 評估驗證數據集以取得計量分數的頻率。 必須是正整數。 int
gradientAccumulationStep 漸層累積表示執行未設定數目的 「GradAccumulationStep」 步驟
更新模型權數，同時累積這些步驟的漸層，然後使用
用來計算權數更新的累積漸層。 必須是正整數。		 int
layersToFreeze 要凍結模型的圖層數目。 必須是正整數。
例如，傳遞 2 作為 'seresnext' 值表示
凍結 layer0 和 layer1。 如需支援模型的完整清單，以及圖層凍結的詳細數據，請
請參閱：/azure/machine-learning/how-to-auto-train-image-models。		 int
learningRate 初始學習速率。 必須是範圍 [0， 1] 中的浮點數。 int
learningRateScheduler 學習速率排程器的類型。 必須是 『warmup_cosine』 或 'step'。 “None”
“Step”
“WarmupCosine”
modelName 要用於定型的模型名稱。
如需可用模型的詳細資訊，請流覽官方檔：
/azure/machine-learning/how-to-auto-train-image-models。		 字串
動量 優化器為 『zn』 時的動量值。 必須是範圍 [0， 1] 中的浮點數。 int
nesterov 在優化器為 『zn』 時啟用 nesterov。 bool
numberOfEpochs 定型 Epoch 的數目。 必須是正整數。 int
numberOfWorkers 數據載入器背景工作角色的數目。 必須是非負整數。 int
優化 優化工具的類型。 “Adam”
“Adamw”
“None”
“新元”
randomSeed 使用決定性定型時要使用的隨機種子。 int
stepLRGamma 學習速率排程器為 『step』 時的 gamma 值。 必須是範圍 [0， 1] 中的浮點數。 int
stepLRStepSize 學習速率排程器為 『step』 時的步驟大小值。 必須是正整數。 int
trainingBatchSize 定型批次大小。 必須是正整數。 int
trainingCropSize 影像裁剪大小，這是訓練數據集之類神經網路的輸入。 必須是正整數。 int
validationBatchSize 驗證批次大小。 必須是正整數。 int
validationCropSize 影像裁剪大小，這是用於驗證數據集之類神經網路的輸入。 必須是正整數。 int
validationResizeSize 在裁剪驗證數據集之前要重設大小的影像大小。 必須是正整數。 int
warmupCosineLRCycles 學習速率排程器為「warmup_cosine」時，餘弦迴圈的值。 必須是範圍 [0， 1] 中的浮點數。 int
warmupCosineLRWarmupEpochs 學習速率排程器為「warmup_cosine」時，熱身 Epoch 的值。 必須是正整數。 int
weightDecay 優化器為 'zn'、'adam' 或 'adamw' 時的權數衰變值。 必須是範圍[0， 1] 中的浮點數。 int
weightedLoss 加權減肥。 接受的值是 0，沒有加權損失。
1 用於與 sqrt 減肥。（class_weights）。 2 用於減肥與class_weights。 必須是 0 或 1 或 2。
 int

MLFlowModelJobInput

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

約束：
最小長度 = 1
Pattern = [a-zA-Z0-9_]

ImageModelDistributionSettingsClassification

名字 描述 價值
amsGradient 當優化器為 『adam』 或 'adamw' 時啟用AMSGrad。 字串
擴增 使用擴增的設定。 字串
beta1 優化器為 'adam' 或 'adamw' 時的 'beta1' 值。 必須是範圍 [0， 1] 中的浮點數。 字串
beta2 優化器為 'adam' 或 'adamw' 時的 'beta2' 值。 必須是範圍 [0， 1] 中的浮點數。 字串
分散式 是否要使用散發器定型。 字串
earlyStopping 在定型期間啟用早期停止邏輯。 字串
earlyStoppingDelay 在主要計量改進之前等待的最小 Epoch 或驗證評估數目
會追蹤早期停止。 必須是正整數。		 字串
earlyStoppingPatience 在之前沒有主要計量改進的最小 Epoch 或驗證評估數目
執行已停止。 必須是正整數。		 字串
enableOnnxNormalization 匯出 ONNX 模型時啟用正規化。 字串
evaluationFrequency 評估驗證數據集以取得計量分數的頻率。 必須是正整數。 字串
gradientAccumulationStep 漸層累積表示執行未設定數目的 「GradAccumulationStep」 步驟
更新模型權數，同時累積這些步驟的漸層，然後使用
用來計算權數更新的累積漸層。 必須是正整數。		 字串
layersToFreeze 要凍結模型的圖層數目。 必須是正整數。
例如，傳遞 2 作為 'seresnext' 值表示
凍結 layer0 和 layer1。 如需支援模型的完整清單，以及圖層凍結的詳細數據，請
請參閱：/azure/machine-learning/how-to-auto-train-image-models。		 字串
learningRate 初始學習速率。 必須是範圍 [0， 1] 中的浮點數。 字串
learningRateScheduler 學習速率排程器的類型。 必須是 『warmup_cosine』 或 'step'。 字串
modelName 要用於定型的模型名稱。
如需可用模型的詳細資訊，請流覽官方檔：
/azure/machine-learning/how-to-auto-train-image-models。		 字串
動量 優化器為 『zn』 時的動量值。 必須是範圍 [0， 1] 中的浮點數。 字串
nesterov 在優化器為 『zn』 時啟用 nesterov。 字串
numberOfEpochs 定型 Epoch 的數目。 必須是正整數。 字串
numberOfWorkers 數據載入器背景工作角色的數目。 必須是非負整數。 字串
優化 優化工具的類型。 必須是 『zn』、『adam』或 『adamw』。 字串
randomSeed 使用決定性定型時要使用的隨機種子。 字串
stepLRGamma 學習速率排程器為 『step』 時的 gamma 值。 必須是範圍 [0， 1] 中的浮點數。 字串
stepLRStepSize 學習速率排程器為 『step』 時的步驟大小值。 必須是正整數。 字串
trainingBatchSize 定型批次大小。 必須是正整數。 字串
trainingCropSize 影像裁剪大小，這是訓練數據集之類神經網路的輸入。 必須是正整數。 字串
validationBatchSize 驗證批次大小。 必須是正整數。 字串
validationCropSize 影像裁剪大小，這是用於驗證數據集之類神經網路的輸入。 必須是正整數。 字串
validationResizeSize 在裁剪驗證數據集之前要重設大小的影像大小。 必須是正整數。 字串
warmupCosineLRCycles 學習速率排程器為「warmup_cosine」時，餘弦迴圈的值。 必須是範圍 [0， 1] 中的浮點數。 字串
warmupCosineLRWarmupEpochs 學習速率排程器為「warmup_cosine」時，熱身 Epoch 的值。 必須是正整數。 字串
weightDecay 優化器為 'zn'、'adam' 或 'adamw' 時的權數衰變值。 必須是範圍[0， 1] 中的浮點數。 字串
weightedLoss 加權減肥。 接受的值是 0，沒有加權損失。
1 用於與 sqrt 減肥。（class_weights）。 2 用於減肥與class_weights。 必須是 0 或 1 或 2。
 字串

ImageSweepSettings

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

ImageClassificationMultilabel

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

ImageInstanceSegmentation

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

ImageModelSettingsObjectDetection

名字 描述 價值
advancedSettings 進階案例的設定。 字串
amsGradient 當優化器為 『adam』 或 'adamw' 時啟用AMSGrad。 bool
擴增 使用擴增的設定。 字串
beta1 優化器為 'adam' 或 'adamw' 時的 'beta1' 值。 必須是範圍 [0， 1] 中的浮點數。 int
beta2 優化器為 'adam' 或 'adamw' 時的 'beta2' 值。 必須是範圍 [0， 1] 中的浮點數。 int
boxDetectionsPerImage 所有類別的每個影像偵測數目上限。 必須是正整數。
注意：'yolov5' 演算法不支援此設定。		 int
boxScoreThreshold 在推斷期間，只傳回大於分類分數的建議
BoxScoreThreshold。 必須是範圍[0， 1] 中的浮點數。		 int
checkpointFrequency 儲存模型檢查點的頻率。 必須是正整數。 int
checkpointModel 累加訓練的預先定型檢查點模型。 MLFlowModelJobInput
checkpointRunId 先前執行的標識碼，其具有累加式定型的預先定型檢查點。 字串
分散式 是否要使用分散式定型。 bool
earlyStopping 在定型期間啟用早期停止邏輯。 bool
earlyStoppingDelay 在主要計量改進之前等待的最小 Epoch 或驗證評估數目
會追蹤早期停止。 必須是正整數。		 int
earlyStoppingPatience 在之前沒有主要計量改進的最小 Epoch 或驗證評估數目
執行已停止。 必須是正整數。		 int
enableOnnxNormalization 匯出 ONNX 模型時啟用正規化。 bool
evaluationFrequency 評估驗證數據集以取得計量分數的頻率。 必須是正整數。 int
gradientAccumulationStep 漸層累積表示執行未設定數目的 「GradAccumulationStep」 步驟
更新模型權數，同時累積這些步驟的漸層，然後使用
用來計算權數更新的累積漸層。 必須是正整數。		 int
imageSize 定型和驗證的影像大小。 必須是正整數。
注意：如果大小太大，定型回合可能會進入 CUDA OOM。
注意：只有 'yolov5' 演算法才支援此設定。		 int
layersToFreeze 要凍結模型的圖層數目。 必須是正整數。
例如，傳遞 2 作為 'seresnext' 值表示
凍結 layer0 和 layer1。 如需支援模型的完整清單，以及圖層凍結的詳細數據，請
請參閱：/azure/machine-learning/how-to-auto-train-image-models。		 int
learningRate 初始學習速率。 必須是範圍 [0， 1] 中的浮點數。 int
learningRateScheduler 學習速率排程器的類型。 必須是 『warmup_cosine』 或 'step'。 “None”
“Step”
“WarmupCosine”
logTrainingMetrics 啟用計算和記錄定型計量。 “Disable”
“Enable”
logValidationLoss 啟用運算和記錄驗證遺失。 “Disable”
“Enable”
maxSize 在將影像饋送至骨幹之前，要重新調整的影像大小上限。
必須是正整數。 注意：如果大小太大，定型執行可能會進入 CUDA OOM。
注意：'yolov5' 演算法不支援此設定。		 int
minSize 將影像饋送至骨幹之前，要重新調整的影像大小下限。
必須是正整數。 注意：如果大小太大，定型執行可能會進入 CUDA OOM。
注意：'yolov5' 演算法不支援此設定。		 int
modelName 要用於定型的模型名稱。
如需可用模型的詳細資訊，請流覽官方檔：
/azure/machine-learning/how-to-auto-train-image-models。		 字串
modelSize 模型大小。 必須是 'small'、'medium'、'large' 或 'xlarge'。
注意：如果模型大小太大，定型執行可能會進入 CUDA OOM。
注意：只有 'yolov5' 演算法才支援此設定。		 “ExtraLarge”
“Large”
“Medium”
“None”
“Small”
動量 優化器為 『zn』 時的動量值。 必須是範圍 [0， 1] 中的浮點數。 int
multiScale 依 +/- 50%來啟用多重縮放影像大小。
注意：如果沒有足夠的 GPU 記憶體，定型執行可能會進入 CUDA OOM。
注意：只有 'yolov5' 演算法才支援此設定。		 bool
nesterov 在優化器為 『zn』 時啟用 nesterov。 bool
nmsIouThreshold 在NMS後置處理中的推斷期間使用的IOU臨界值。 必須是範圍 [0， 1] 中的浮點數。 int
numberOfEpochs 定型 Epoch 的數目。 必須是正整數。 int
numberOfWorkers 數據載入器背景工作角色的數目。 必須是非負整數。 int
優化 優化工具的類型。 “Adam”
“Adamw”
“None”
“新元”
randomSeed 使用決定性定型時要使用的隨機種子。 int
stepLRGamma 學習速率排程器為 『step』 時的 gamma 值。 必須是範圍 [0， 1] 中的浮點數。 int
stepLRStepSize 學習速率排程器為 『step』 時的步驟大小值。 必須是正整數。 int
tileGridSize 用來貼上每個影像的網格線大小。 注意：TileGridSize 不得為
無可啟用小型物件偵測邏輯。 包含兩個整數的字串，其格式為一個。
注意：'yolov5' 演算法不支援此設定。		 字串
tileOverlapRatio 每個維度中相鄰磚之間的重疊比例。 必須是範圍 [0， 1] 中的浮點數。
注意：'yolov5' 演算法不支援此設定。		 int
tilePredictionsNmsThreshold 用來執行NMS的IOU閾值，同時合併磚和影像的預測。
用於驗證/推斷。 必須是範圍 [0， 1] 中的 float。
注意：'yolov5' 演算法不支援此設定。		 int
trainingBatchSize 定型批次大小。 必須是正整數。 int
validationBatchSize 驗證批次大小。 必須是正整數。 int
validationIouThreshold 計算驗證計量時要使用的IOU閾值。 必須是範圍 [0， 1] 中的 float。 int
validationMetricType 用於驗證計量的計量計算方法。 “Coco”
“CocoVoc”
“None”
“Voc”
warmupCosineLRCycles 學習速率排程器為「warmup_cosine」時，餘弦迴圈的值。 必須是範圍 [0， 1] 中的浮點數。 int
warmupCosineLRWarmupEpochs 學習速率排程器為「warmup_cosine」時，熱身 Epoch 的值。 必須是正整數。 int
weightDecay 優化器為 'zn'、'adam' 或 'adamw' 時的權數衰變值。 必須是範圍[0， 1] 中的浮點數。 int

ImageModelDistributionSettingsObjectDetection

名字 描述 價值
amsGradient 當優化器為 『adam』 或 'adamw' 時啟用AMSGrad。 字串
擴增 使用擴增的設定。 字串
beta1 優化器為 'adam' 或 'adamw' 時的 'beta1' 值。 必須是範圍 [0， 1] 中的浮點數。 字串
beta2 優化器為 'adam' 或 'adamw' 時的 'beta2' 值。 必須是範圍 [0， 1] 中的浮點數。 字串
boxDetectionsPerImage 所有類別的每個影像偵測數目上限。 必須是正整數。
注意：'yolov5' 演算法不支援此設定。		 字串
boxScoreThreshold 在推斷期間，只傳回大於分類分數的建議
BoxScoreThreshold。 必須是範圍[0， 1] 中的浮點數。		 字串
分散式 是否要使用散發器定型。 字串
earlyStopping 在定型期間啟用早期停止邏輯。 字串
earlyStoppingDelay 在主要計量改進之前等待的最小 Epoch 或驗證評估數目
會追蹤早期停止。 必須是正整數。		 字串
earlyStoppingPatience 在之前沒有主要計量改進的最小 Epoch 或驗證評估數目
執行已停止。 必須是正整數。		 字串
enableOnnxNormalization 匯出 ONNX 模型時啟用正規化。 字串
evaluationFrequency 評估驗證數據集以取得計量分數的頻率。 必須是正整數。 字串
gradientAccumulationStep 漸層累積表示執行未設定數目的 「GradAccumulationStep」 步驟
更新模型權數，同時累積這些步驟的漸層，然後使用
用來計算權數更新的累積漸層。 必須是正整數。		 字串
imageSize 定型和驗證的影像大小。 必須是正整數。
注意：如果大小太大，定型回合可能會進入 CUDA OOM。
注意：只有 'yolov5' 演算法才支援此設定。		 字串
layersToFreeze 要凍結模型的圖層數目。 必須是正整數。
例如，傳遞 2 作為 'seresnext' 值表示
凍結 layer0 和 layer1。 如需支援模型的完整清單，以及圖層凍結的詳細數據，請
請參閱：/azure/machine-learning/how-to-auto-train-image-models。		 字串
learningRate 初始學習速率。 必須是範圍 [0， 1] 中的浮點數。 字串
learningRateScheduler 學習速率排程器的類型。 必須是 『warmup_cosine』 或 'step'。 字串
maxSize 在將影像饋送至骨幹之前，要重新調整的影像大小上限。
必須是正整數。 注意：如果大小太大，定型執行可能會進入 CUDA OOM。
注意：'yolov5' 演算法不支援此設定。		 字串
minSize 將影像饋送至骨幹之前，要重新調整的影像大小下限。
必須是正整數。 注意：如果大小太大，定型執行可能會進入 CUDA OOM。
注意：'yolov5' 演算法不支援此設定。		 字串
modelName 要用於定型的模型名稱。
如需可用模型的詳細資訊，請流覽官方檔：
/azure/machine-learning/how-to-auto-train-image-models。		 字串
modelSize 模型大小。 必須是 'small'、'medium'、'large' 或 'xlarge'。
注意：如果模型大小太大，定型執行可能會進入 CUDA OOM。
注意：只有 'yolov5' 演算法才支援此設定。		 字串
動量 優化器為 『zn』 時的動量值。 必須是範圍 [0， 1] 中的浮點數。 字串
multiScale 依 +/- 50%來啟用多重縮放影像大小。
注意：如果沒有足夠的 GPU 記憶體，定型執行可能會進入 CUDA OOM。
注意：只有 'yolov5' 演算法才支援此設定。		 字串
nesterov 在優化器為 『zn』 時啟用 nesterov。 字串
nmsIouThreshold 在NMS後置處理中的推斷期間使用的IOU臨界值。 必須是範圍 [0， 1] 中的 float。 字串
numberOfEpochs 定型 Epoch 的數目。 必須是正整數。 字串
numberOfWorkers 數據載入器背景工作角色的數目。 必須是非負整數。 字串
優化 優化工具的類型。 必須是 『zn』、『adam』或 『adamw』。 字串
randomSeed 使用決定性定型時要使用的隨機種子。 字串
stepLRGamma 學習速率排程器為 『step』 時的 gamma 值。 必須是範圍 [0， 1] 中的浮點數。 字串
stepLRStepSize 學習速率排程器為 『step』 時的步驟大小值。 必須是正整數。 字串
tileGridSize 用來貼上每個影像的網格線大小。 注意：TileGridSize 不得為
無可啟用小型物件偵測邏輯。 包含兩個整數的字串，其格式為一個。
注意：'yolov5' 演算法不支援此設定。		 字串
tileOverlapRatio 每個維度中相鄰磚之間的重疊比例。 必須是範圍 [0， 1] 中的浮點數。
注意：'yolov5' 演算法不支援此設定。		 字串
tilePredictionsNmsThreshold 用來執行NMS的IOU閾值，同時合併磚和影像的預測。
用於驗證/推斷。 必須是範圍 [0， 1] 中的 float。
注意：'yolov5' 演算法不支援此設定。
NMS：非最大歸併		 字串
trainingBatchSize 定型批次大小。 必須是正整數。 字串
validationBatchSize 驗證批次大小。 必須是正整數。 字串
validationIouThreshold 計算驗證計量時要使用的IOU閾值。 必須是範圍 [0， 1] 中的 float。 字串
validationMetricType 用於驗證計量的計量計算方法。 必須是 『none』、『coco』、'voc'或 'coco_voc'。 字串
warmupCosineLRCycles 學習速率排程器為「warmup_cosine」時，餘弦迴圈的值。 必須是範圍 [0， 1] 中的浮點數。 字串
warmupCosineLRWarmupEpochs 學習速率排程器為「warmup_cosine」時，熱身 Epoch 的值。 必須是正整數。 字串
weightDecay 優化器為 'zn'、'adam' 或 'adamw' 時的權數衰變值。 必須是範圍[0， 1] 中的浮點數。 字串

ImageObjectDetection

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

回歸

名字 描述 價值
taskType [必要]AutoMLJob 的工作類型。 “回歸”（必要）
cvSplitColumnNames 要用於 CVSplit 資料的數據行。 string[]
featurizationSettings AutoML 作業所需的特徵化輸入。 TableVerticalFeaturizationSettings
fixedParameters 模型/定型參數，在整個定型過程中會維持不變。 TableFixedParameters
limitSettings AutoMLJob 的執行條件約束。 TableVerticalLimitSettings
nCrossValidations 要套用至定型數據集的交叉驗證折疊數目
未提供驗證數據集時。		 NCrossValidations
primaryMetric 回歸工作的主要計量。 “NormalizedMeanAbsoluteError”
“NormalizedRootMeanSquaredError”
“R2Score”
“SpearmanCorrelation”
searchSpace 搜尋空間以取樣模型及其超參數的不同組合。 TableParameterSubspace[]
sweepSettings 模型掃掠和超參數微調的設定。 TableSweepSettings
testData 測試數據輸入。 MLTableJobInput
testDataSize 必須為驗證目的而保留的測試數據集分數。
介於 （0.0 、 1.0） 之間的值
未提供驗證數據集時套用。		 int
trainingSettings AutoML 作業定型階段的輸入。 RegressionTrainingSettings
validationData 驗證數據輸入。 MLTableJobInput
validationDataSize 需要為驗證目的預留的定型數據集分數。
介於 （0.0 、 1.0） 之間的值
未提供驗證數據集時套用。		 int
weightColumnName 範例權數數據行的名稱。 自動化 ML 支援加權數據行做為輸入，導致數據中的數據列向上或向下加權。 字串

RegressionTrainingSettings

名字 描述 價值
allowedTrainingAlgorithms 回歸工作的允許模型。 包含任何的字串數組：
“DecisionTree”
“ElasticNet”
“ExtremeRandomTrees”
“GradientBoosting”
“KNN”
“LassoLars”
“LightGBM”
“RandomForest”
“新元”
“XGBoostRegressor”
blockedTrainingAlgorithms 回歸工作的封鎖模型。 包含任何的字串數組：
“DecisionTree”
“ElasticNet”
“ExtremeRandomTrees”
“GradientBoosting”
“KNN”
“LassoLars”
“LightGBM”
“RandomForest”
“新元”
“XGBoostRegressor”
enableDnnTraining 啟用 DNN 模型的建議。 bool
enableModelExplainability 在最佳模型上開啟可解釋性的旗標。 bool
enableOnnxCompatibleModels 啟用 onnx 相容模型的旗標。 bool
enableStackEnsemble 啟用堆疊合奏執行。 bool
enableVoteEnsemble 啟用投票合奏執行。 bool
ensembleModelDownloadTimeout 在 VotingEnsemble 和 StackEnsemble 模型產生期間，會下載先前子回合中的多個安裝模型。
如果需要更多時間，請使用高於 300 秒的值來設定此參數。		 字串
stackEnsembleSettings 堆疊合奏執行的堆疊合奏設定。 StackEnsembleSettings
trainingMode TrainingMode 模式 - 設定為 'auto' 與目前將它設定為「非分散式」相同，但未來可能會導致混合模式或啟發學習法模式選取。 預設值為 『auto』。
如果 「分散式」，則只會使用分散式特徵化，並選擇分散式演算法。
如果 『NonDistributed』，則只會選擇非分散式演算法。
 “Auto”
“Distributed”
“NonDistributed”

TextClassification

名字 描述 價值
taskType [必要]AutoMLJob 的工作類型。 “TextClassification” （必要）
featurizationSettings AutoML 作業所需的特徵化輸入。 NlpVerticalFeaturizationSettings
fixedParameters 模型/定型參數，在整個定型過程中會維持不變。 NlpFixedParameters
limitSettings AutoMLJob 的執行條件約束。 NlpVerticalLimitSettings
primaryMetric Text-Classification 工作的主要計量。 “AUCWeighted”
“精確度”
“AveragePrecisionScoreWeighted”
“NormMacroRecall”
“PrecisionScoreWeighted”
searchSpace 搜尋空間以取樣模型及其超參數的不同組合。 NlpParameterSubspace[]
sweepSettings 模型掃掠和超參數微調的設定。 NlpSweepSettings
validationData 驗證數據輸入。 MLTableJobInput

NlpVerticalFeaturizationSettings

名字 描述 價值
datasetLanguage 數據集語言，適用於文字數據。 字串

NlpFixedParameters

名字 描述 價值
gradientAccumulationSteps 在執行回溯傳遞之前，要累積漸層的步驟數目。 int
learningRate 定型程序的學習速率。 int
learningRateScheduler 訓練程式期間要使用的學習速率排程類型。 “Constant”
“ConstantWithWarmup”
“餘弦”
“CosineWithRestarts”
“Linear”
“None”
“多項式”
modelName 要定型的模型名稱。 字串
numberOfEpochs 定型 Epoch 的數目。 int
trainingBatchSize 定型程式的批次大小。 int
validationBatchSize 評估期間要使用的批次大小。 int
warmupRatio 熱身比例，與 LrSchedulerType 搭配使用。 int
weightDecay 定型程式的重量衰變。 int

NlpVerticalLimitSettings

名字 描述 價值
maxConcurrentTrials 並行 AutoML 反覆專案上限。 int
maxNodes 用於實驗的最大節點。 int
maxTrials AutoML 反覆項目的數目。 int
超時 AutoML 作業逾時。 字串
trialTimeout 個別 HD 試用版的逾時。 字串

NlpParameterSubspace

名字 描述 價值
gradientAccumulationSteps 在執行回溯傳遞之前，要累積漸層的步驟數目。 字串
learningRate 定型程序的學習速率。 字串
learningRateScheduler 訓練程式期間要使用的學習速率排程類型。 字串
modelName 要定型的模型名稱。 字串
numberOfEpochs 定型 Epoch 的數目。 字串
trainingBatchSize 定型程式的批次大小。 字串
validationBatchSize 評估期間要使用的批次大小。 字串
warmupRatio 熱身比例，與 LrSchedulerType 搭配使用。 字串
weightDecay 定型程式的重量衰變。 字串

NlpSweepSettings

名字 描述 價值
earlyTermination 掃掠作業的早期終止原則類型。 EarlyTerminationPolicy
samplingAlgorithm [必要]取樣演算法的類型。 “貝氏”
“Grid”
“Random” （必要）

TextClassificationMultilabel

名字 描述 價值
taskType [必要]AutoMLJob 的工作類型。 “TextClassificationMultilabel” （必要）
featurizationSettings AutoML 作業所需的特徵化輸入。 NlpVerticalFeaturizationSettings
fixedParameters 模型/定型參數，在整個定型過程中會維持不變。 NlpFixedParameters
limitSettings AutoMLJob 的執行條件約束。 NlpVerticalLimitSettings
searchSpace 搜尋空間以取樣模型及其超參數的不同組合。 NlpParameterSubspace[]
sweepSettings 模型掃掠和超參數微調的設定。 NlpSweepSettings
validationData 驗證數據輸入。 MLTableJobInput

TextNer

名字 描述 價值
taskType [必要]AutoMLJob 的工作類型。 “TextNER” （必要）
featurizationSettings AutoML 作業所需的特徵化輸入。 NlpVerticalFeaturizationSettings
fixedParameters 模型/定型參數，在整個定型過程中會維持不變。 NlpFixedParameters
limitSettings AutoMLJob 的執行條件約束。 NlpVerticalLimitSettings
searchSpace 搜尋空間以取樣模型及其超參數的不同組合。 NlpParameterSubspace[]
sweepSettings 模型掃掠和超參數微調的設定。 NlpSweepSettings
validationData 驗證數據輸入。 MLTableJobInput

CommandJob

名字 描述 價值
jobType [必要]指定作業的類型。 “Command” （必要）
autologgerSettings 作業的散發組態。 如果設定，這應該是其中一個 Mpi、Tensorflow、PyTorch 或 null。 AutologgerSettings
codeId 程式代碼資產的 ARM 資源識別碼。 字串
命令 [必要]在作業啟動時執行的命令。 例如 “python train.py” 字串 （必要）

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

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

AutologgerSettings

名字 描述 價值
mlflowAutologger [必要]指出是否啟用mlflow自動記錄器。 “Disabled”
“Enabled” （必要）

DistributionConfiguration

名字 描述 價值
distributionType 設定物件類型 Mpi
PyTorch
Ray
TensorFlow （必要）

Mpi

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

PyTorch

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

射線

名字 描述 價值
distributionType [必要]指定散發架構的類型。 “Ray” （必要）
位址 Ray 前端節點的位址。 字串
dashboardPort 要系結儀錶板伺服器的埠。 int
headNodeAdditionalArgs 傳遞至前端節點中光線啟動的其他自變數。 字串
includeDashboard 提供此自變數以啟動Ray儀錶板 GUI。 bool
港口 前端光線進程的埠。 int
workerNodeAdditionalArgs 傳遞至ray的其他自變數會在背景工作節點中啟動。 字串

TensorFlow

名字 描述 價值
distributionType [必要]指定散發架構的類型。 “TensorFlow” （必要）
parameterServerCount 參數伺服器工作的數目。 int
workerCount 背景工作角色數目。 如果未指定，則會預設為實例計數。 int

CommandJobEnvironmentVariables

名字 描述 價值
{自定義屬性} 字串

CommandJobInputs

名字 描述 價值
{自定義屬性} JobInput

JobInput

名字 描述 價值
描述 輸入的描述。 字串
jobInputType 設定物件類型 custom_model
常值
mlflow_model
mltable
triton_model
uri_file
uri_folder （必要）

CustomModelJobInput

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

約束：
最小長度 = 1
Pattern = [a-zA-Z0-9_]

LiteralJobInput

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

約束：
最小長度 = 1
Pattern = [a-zA-Z0-9_]

TritonModelJobInput

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

約束：
最小長度 = 1
Pattern = [a-zA-Z0-9_]

UriFileJobInput

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

約束：
最小長度 = 1
Pattern = [a-zA-Z0-9_]

UriFolderJobInput

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

約束：
最小長度 = 1
Pattern = [a-zA-Z0-9_]

CommandJobLimits

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

CommandJobOutputs

名字 描述 價值
{自定義屬性} JobOutput

LabelingJobProperties

名字 描述 價值
componentId 元件資源的 ARM 資源識別碼。 字串
computeId 計算資源的 ARM 資源識別碼。 字串
dataConfiguration 設定作業中使用的數據。 LabelingDataConfiguration
描述 資產描述文字。 字串
displayName 工作的顯示名稱。 字串
experimentName 作業所屬的實驗名稱。 如果未設定，作業會放在 「默認」實驗中。 字串
身份 身分識別設定。 如果設定，這應該是其中一個 AmlToken、ManagedIdentity、UserIdentity 或 null。
如果為 null，則預設為 AmlToken。		 IdentityConfiguration
isArchived 資產是否已封存？ bool
jobInstructions 標記作業的指示。 LabelingJobInstructions
jobType [必要]指定作業的類型。 “AutoML”
“Command”
“標記”
“Pipeline”
“Spark”
“掃掠” （必要）
labelCategories 作業的標籤類別。 LabelJobLabelCategories
labelingJobMediaProperties 作業中的媒體類型特定屬性。 LabelingJobMediaProperties
mlAssistConfiguration 在作業中設定 MLAssist 功能。 MLAssistConfiguration
notificationSetting 作業的通知設定 NotificationSetting
性能 資產屬性字典。 ResourceBaseProperties
secretsConfiguration 設定要在運行時間期間提供秘密。 JobBaseSecretsConfiguration
服務業 JobEndpoints 的清單。
針對本機作業，作業端點會有 FileStreamObject 的端點值。		 JobBaseServices
標籤 標記字典。 標記可以新增、移除和更新。 物件

LabelingDataConfiguration

名字 描述 價值
dataId 要執行標籤之數據資產的資源標識碼。 字串
incrementalDataRefresh 指出是否要啟用累加式數據重新整理。 “Disabled”
“Enabled”

LabelingJobInstructions

名字 描述 價值
uri 具有標籤者詳細標籤指示的頁面連結。 字串

LabelJobLabelCategories

名字 描述 價值
{自定義屬性} LabelCategory

LabelCategory

名字 描述 價值
類 此類別中標籤類別的字典。 LabelCategoryClasses
displayName 標籤類別的顯示名稱。 字串
multiSelect 指出是否允許在此類別中選取多個類別。 “Disabled”
“Enabled”

LabelCategoryClasses

名字 描述 價值
{自定義屬性} LabelClass

LabelClass

名字 描述 價值
displayName 標籤類別的顯示名稱。 字串
子 卷標類別子類別的字典。 LabelClassSubclasses

LabelClassSubclasses

名字 描述 價值
{自定義屬性} LabelClass

LabelingJobMediaProperties

名字 描述 價值
mediaType 設定物件類型 映像
文字（必要）

LabelingJobImageProperties

名字 描述 價值
mediaType [必要]作業的媒體類型。 “Image” （必要）
annotationType 影像標籤作業的註釋類型。 “BoundingBox”
“分類”
“InstanceSegmentation”

LabelingJobTextProperties

名字 描述 價值
mediaType [必要]作業的媒體類型。 “Text” （必要）
annotationType 文字標籤作業的註釋類型。 “分類”
“NamedEntityRecognition”

MLAssistConfiguration

名字 描述 價值
mlAssist 設定物件類型 停用
已啟用 （必要）

MLAssistConfigurationDisabled

名字 描述 價值
mlAssist [必要]指出是否啟用 MLAssist 功能。 “Disabled” （必要）

MLAssistConfigurationEnabled

名字 描述 價值
mlAssist [必要]指出是否啟用 MLAssist 功能。 “Enabled” （必要）
inferencingComputeBinding [必要]用於推斷的 AML 計算系結。 字串 （必要）

約束：
最小長度 = 1
Pattern = [a-zA-Z0-9_]
trainingComputeBinding [必要]定型中使用的 AML 計算系結。 字串 （必要）

約束：
最小長度 = 1
Pattern = [a-zA-Z0-9_]

PipelineJob

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

PipelineJobInputs

名字 描述 價值
{自定義屬性} JobInput

PipelineJobJobs

名字 描述 價值
{自定義屬性}

PipelineJobOutputs

名字 描述 價值
{自定義屬性} JobOutput

SparkJob

名字 描述 價值
jobType [必要]指定作業的類型。 “Spark” （必要）
檔案 封存作業中使用的檔案。 string[]
args 作業的自變數。 字串
codeId [必要]程式代碼資產的 ARM 資源識別碼。 字串 （必要）

約束：
最小長度 = 1
Pattern = [a-zA-Z0-9_]
conf Spark 設定的屬性。 SparkJobConf
進入 [必要]在作業啟動時要執行的專案。 SparkJobEntry （必要）
environmentId 作業之環境規格的 ARM 資源識別碼。 字串
檔 作業中使用的檔案。 string[]
輸入 對應作業中使用的輸入數據系結。 SparkJobInputs
罐子 作業中使用的 Jar 檔案。 string[]
輸出 對應作業中使用的輸出數據系結。 SparkJobOutputs
pyFiles 作業中使用的 Python 檔案。 string[]
queueSettings 作業的佇列設定 QueueSettings
資源 作業的計算資源組態。 SparkResourceConfiguration

SparkJobConf

名字 描述 價值
{自定義屬性} 字串

SparkJobEntry

名字 描述 價值
sparkJobEntryType 設定物件類型 SparkJobPythonEntry
SparkJobScalaEntry （必要）

SparkJobPythonEntry

名字 描述 價值
sparkJobEntryType [必要]作業進入點的類型。 “SparkJobPythonEntry” （必要）
檔 [必要]作業進入點的相對 Python 檔案路徑。 字串 （必要）

約束：
最小長度 = 1
Pattern = [a-zA-Z0-9_]

SparkJobScalaEntry

名字 描述 價值
sparkJobEntryType [必要]作業進入點的類型。 “SparkJobScalaEntry” （必要）
className [必要]做為進入點的 Scala 類別名稱。 字串 （必要）

約束：
最小長度 = 1
Pattern = [a-zA-Z0-9_]

SparkJobInputs

名字 描述 價值
{自定義屬性} JobInput

SparkJobOutputs

名字 描述 價值
{自定義屬性} JobOutput

SparkResourceConfiguration

名字 描述 價值
instanceType 計算目標所支持的選擇性 VM 類型。 字串
runtimeVersion 用於作業的 Spark 執行時間版本。 字串

SweepJob

名字 描述 價值
jobType [必要]指定作業的類型。 “掃掠” （必要）
earlyTermination 早期終止原則可在完成之前取消執行效能不佳 EarlyTerminationPolicy
輸入 對應作業中使用的輸入數據系結。 SweepJobInputs
限制 掃掠作業限制。 SweepJobLimits
目的 [必要]優化目標。 目標（必要）
輸出 對應作業中使用的輸出數據系結。 SweepJobOutputs
queueSettings 作業的佇列設定 QueueSettings
samplingAlgorithm [必要]超參數取樣演算法 SamplingAlgorithm （必要）
searchSpace [必要]包含每個參數及其散發的字典。 字典索引鍵是參數的名稱
試驗 [必要]試用版元件定義。 試用版元件 （必要）

SweepJobInputs

名字 描述 價值
{自定義屬性} JobInput

SweepJobLimits

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

目的

名字 描述 價值
目標 [必要]定義超參數微調支援的計量目標 “最大化”
“最小化” （必要）
primaryMetric [必要]要優化之計量的名稱。 字串 （必要）

約束：
最小長度 = 1
Pattern = [a-zA-Z0-9_]

SweepJobOutputs

名字 描述 價值
{自定義屬性} JobOutput

SamplingAlgorithm

名字 描述 價值
samplingAlgorithmType 設定物件類型 貝氏
方格
隨機 （必要）

BayesianSamplingAlgorithm

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

GridSamplingAlgorithm

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

RandomSamplingAlgorithm

名字 描述 價值
samplingAlgorithmType [必要]用來產生超參數值的演算法，以及組態屬性 “Random” （必要）
logbase 選擇性正數或 e 字串格式，以做為以記錄為基礎的隨機取樣基底 字串
統治 隨機演算法的特定類型 “Random”
“Sobol”
種子 要作為隨機數產生種子的選擇性整數 int

TrialComponent

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

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

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

TrialComponentEnvironmentVariables

名字 描述 價值
{自定義屬性} 字串