Microsoft.MachineLearningServices-Arbeitsbereiche/Zeitpläne 2022-12-01-preview

Bicep-Ressourcendefinition

Der Ressourcentyp "Arbeitsbereiche/Zeitpläne" kann mit Vorgängen bereitgestellt werden, die auf Folgendes abzielen:

• Ressourcengruppen – Siehe Ressourcengruppenbereitstellungsbefehle

Eine Liste der geänderten Eigenschaften in jeder API-Version finden Sie unter Änderungsprotokoll.

Ressourcenformat

Um eine Microsoft.MachineLearningServices/workspaces/schedules-Ressource zu erstellen, fügen Sie ihrer Vorlage die folgende Bicep hinzu.

resource symbolicname 'Microsoft.MachineLearningServices/workspaces/schedules@2022-12-01-preview' = {
  name: 'string'
  parent: resourceSymbolicName
  properties: {
    action: {
      actionType: 'string'
      // For remaining properties, see ScheduleActionBase objects
    }
    description: 'string'
    displayName: 'string'
    isEnabled: bool
    properties: {
      {customized property}: 'string'
    }
    tags: {}
    trigger: {
      endTime: 'string'
      startTime: 'string'
      timeZone: 'string'
      triggerType: 'string'
      // For remaining properties, see TriggerBase objects
    }
  }
}

ScheduleActionBase-Objekte

Legen Sie die actionType--Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für CreateJob-:

  actionType: 'CreateJob'
  jobDefinition: {
    componentId: 'string'
    computeId: 'string'
    description: 'string'
    displayName: 'string'
    experimentName: 'string'
    identity: {
      identityType: 'string'
      // For remaining properties, see IdentityConfiguration objects
    }
    isArchived: bool
    properties: {
      {customized property}: '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
  }

Verwenden Sie für InvokeBatchEndpoint-:

  actionType: 'InvokeBatchEndpoint'
  endpointInvocationDefinition: any()

JobBaseProperties-Objekte

Legen Sie die jobType-Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für AutoML-:

  jobType: 'AutoML'
  environmentId: 'string'
  environmentVariables: {
    {customized property}: 'string'
  }
  outputs: {
    {customized property}: {
      description: 'string'
      jobOutputType: 'string'
      // For remaining properties, see JobOutput objects
    }
  }
  resources: {
    dockerArgs: 'string'
    instanceCount: int
    instanceType: 'string'
    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
  }

Verwenden Sie für Command:

  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
    }
  }
  resources: {
    dockerArgs: 'string'
    instanceCount: int
    instanceType: 'string'
    properties: {
      {customized property}: any()
    }
    shmSize: 'string'
  }

Verwenden Sie für Bezeichnungen:

  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
  }

Verwenden Sie für Pipeline-:

  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'

Verwenden Sie für Spark:

  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'
  ]
  resources: {
    instanceType: 'string'
    runtimeVersion: 'string'
  }

Verwenden Sie für Aufräumen:

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

IdentityConfiguration-Objekte

Legen Sie die identityType-eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für AMLToken:

  identityType: 'AMLToken'

Verwenden Sie für verwaltete:

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

Verwenden Sie für UserIdentity-:

  identityType: 'UserIdentity'

Knotenobjekte

Legen Sie die nodesValueType-Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für Alle:

  nodesValueType: 'All'

JobOutput-Objekte

Legen Sie die jobOutputType--Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für custom_modelFolgendes:

  jobOutputType: 'custom_model'
  assetName: 'string'
  assetVersion: 'string'
  mode: 'string'
  uri: 'string'

Verwenden Sie für mlflow_model:

  jobOutputType: 'mlflow_model'
  assetName: 'string'
  assetVersion: 'string'
  mode: 'string'
  uri: 'string'

Verwenden Sie für mltable:

  jobOutputType: 'mltable'
  assetName: 'string'
  assetVersion: 'string'
  mode: 'string'
  uri: 'string'

Verwenden Sie für triton_modelFolgendes:

  jobOutputType: 'triton_model'
  assetName: 'string'
  assetVersion: 'string'
  mode: 'string'
  uri: 'string'

Verwenden Sie für uri_file:

  jobOutputType: 'uri_file'
  assetName: 'string'
  assetVersion: 'string'
  mode: 'string'
  uri: 'string'

Verwenden Sie für uri_folder:

  jobOutputType: 'uri_folder'
  assetName: 'string'
  assetVersion: 'string'
  mode: 'string'
  uri: 'string'

AutoMLVertical-Objekte

Legen Sie die taskType-eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für Klassifizierung:

  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'

Verwenden Sie für Prognose-:

  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'
    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'

Verwenden Sie für ImageClassification-Folgendes:

  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

Verwenden Sie für ImageClassificationMultilabel:

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

Verwenden Sie für ImageInstanceSegmentation:

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

Verwenden Sie für ImageObjectDetection-:

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

Verwenden Sie für Regressions-:

  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'

Verwenden Sie für TextClassification-:

  taskType: 'TextClassification'
  featurizationSettings: {
    datasetLanguage: 'string'
  }
  fixedParameters: {
    gradientAccumulationSteps: int
    learningRate: int
    learningRateScheduler: 'string'
    modelName: 'string'
    numberOfEpochs: int
    trainingBatchSize: int
    validationBatchSize: int
    warmupRatio: int
    weightDecay: int
  }
  limitSettings: {
    maxConcurrentTrials: int
    maxNodes: int
    maxTrials: int
    timeout: 'string'
    trialTimeout: 'string'
  }
  primaryMetric: 'string'
  searchSpace: [
    {
      gradientAccumulationSteps: 'string'
      learningRate: 'string'
      learningRateScheduler: 'string'
      modelName: 'string'
      numberOfEpochs: 'string'
      trainingBatchSize: 'string'
      validationBatchSize: 'string'
      warmupRatio: 'string'
      weightDecay: 'string'
    }
  ]
  sweepSettings: {
    earlyTermination: {
      delayEvaluation: int
      evaluationInterval: int
      policyType: 'string'
      // For remaining properties, see EarlyTerminationPolicy objects
    }
    samplingAlgorithm: 'string'
  }
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }

Verwenden Sie für TextClassificationMultilabel:

  taskType: 'TextClassificationMultilabel'
  featurizationSettings: {
    datasetLanguage: 'string'
  }
  fixedParameters: {
    gradientAccumulationSteps: int
    learningRate: int
    learningRateScheduler: 'string'
    modelName: 'string'
    numberOfEpochs: int
    trainingBatchSize: int
    validationBatchSize: int
    warmupRatio: int
    weightDecay: int
  }
  limitSettings: {
    maxConcurrentTrials: int
    maxNodes: int
    maxTrials: int
    timeout: 'string'
    trialTimeout: 'string'
  }
  searchSpace: [
    {
      gradientAccumulationSteps: 'string'
      learningRate: 'string'
      learningRateScheduler: 'string'
      modelName: 'string'
      numberOfEpochs: 'string'
      trainingBatchSize: 'string'
      validationBatchSize: 'string'
      warmupRatio: 'string'
      weightDecay: 'string'
    }
  ]
  sweepSettings: {
    earlyTermination: {
      delayEvaluation: int
      evaluationInterval: int
      policyType: 'string'
      // For remaining properties, see EarlyTerminationPolicy objects
    }
    samplingAlgorithm: 'string'
  }
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }

Verwenden Sie für TextNER-:

  taskType: 'TextNER'
  featurizationSettings: {
    datasetLanguage: 'string'
  }
  fixedParameters: {
    gradientAccumulationSteps: int
    learningRate: int
    learningRateScheduler: 'string'
    modelName: 'string'
    numberOfEpochs: int
    trainingBatchSize: int
    validationBatchSize: int
    warmupRatio: int
    weightDecay: int
  }
  limitSettings: {
    maxConcurrentTrials: int
    maxNodes: int
    maxTrials: int
    timeout: 'string'
    trialTimeout: 'string'
  }
  searchSpace: [
    {
      gradientAccumulationSteps: 'string'
      learningRate: 'string'
      learningRateScheduler: 'string'
      modelName: 'string'
      numberOfEpochs: 'string'
      trainingBatchSize: 'string'
      validationBatchSize: 'string'
      warmupRatio: 'string'
      weightDecay: 'string'
    }
  ]
  sweepSettings: {
    earlyTermination: {
      delayEvaluation: int
      evaluationInterval: int
      policyType: 'string'
      // For remaining properties, see EarlyTerminationPolicy objects
    }
    samplingAlgorithm: 'string'
  }
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }

NCrossValidations-Objekte

Legen Sie den Modus Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für automatischenFolgendes:

  mode: 'Auto'

Verwenden Sie für benutzerdefinierteFolgendes:

  mode: 'Custom'
  value: int

EarlyTerminationPolicy-Objekte

Legen Sie den policyType--Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für Bandit:

  policyType: 'Bandit'
  slackAmount: int
  slackFactor: int

Verwenden Sie für MedianStopping-:

  policyType: 'MedianStopping'

Verwenden Sie für TruncationSelection:

  policyType: 'TruncationSelection'
  truncationPercentage: int

ForecastHorizon-Objekte

Legen Sie den Modus Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für automatischenFolgendes:

  mode: 'Auto'

Verwenden Sie für benutzerdefinierteFolgendes:

  mode: 'Custom'
  value: int

Saisonalitätsobjekte

Legen Sie den Modus Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für automatischenFolgendes:

  mode: 'Auto'

Verwenden Sie für benutzerdefinierteFolgendes:

  mode: 'Custom'
  value: int

TargetLags-Objekte

Legen Sie den Modus Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für automatischenFolgendes:

  mode: 'Auto'

Verwenden Sie für benutzerdefinierteFolgendes:

  mode: 'Custom'
  values: [
    int
  ]

TargetRollingWindowSize-Objekte

Legen Sie den Modus Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für automatischenFolgendes:

  mode: 'Auto'

Verwenden Sie für benutzerdefinierteFolgendes:

  mode: 'Custom'
  value: int

DistributionConfiguration-Objekte

Legen Sie die eigenschaft distributionType fest, um den Objekttyp anzugeben.

Verwenden Sie für Mpi:

  distributionType: 'Mpi'
  processCountPerInstance: int

Verwenden Sie für PyTorch:

  distributionType: 'PyTorch'
  processCountPerInstance: int

Verwenden Sie für TensorFlow-:

  distributionType: 'TensorFlow'
  parameterServerCount: int
  workerCount: int

JobInput-Objekte

Legen Sie die jobInputType-Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für custom_modelFolgendes:

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

Verwenden Sie für Literal-Folgendes:

  jobInputType: 'literal'
  value: 'string'

Verwenden Sie für mlflow_model:

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

Verwenden Sie für mltable:

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

Verwenden Sie für triton_modelFolgendes:

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

Verwenden Sie für uri_file:

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

Verwenden Sie für uri_folder:

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

LabelingJobMediaProperties-Objekte

Legen Sie die mediaType--Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für Image-:

  mediaType: 'Image'
  annotationType: 'string'

Verwenden Sie für Text:

  mediaType: 'Text'
  annotationType: 'string'

MLAssistConfiguration-Objekte

Legen Sie die mlAssist-Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für Deaktivierte:

  mlAssist: 'Disabled'

Verwenden Sie für Aktivierte:

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

SparkJobEntry-Objekte

Legen Sie die sparkJobEntryType-Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für SparkJobPythonEntry:

  sparkJobEntryType: 'SparkJobPythonEntry'
  file: 'string'

Verwenden Sie für SparkJobScalaEntry:

  sparkJobEntryType: 'SparkJobScalaEntry'
  className: 'string'

SamplingAlgorithm-Objekte

Legen Sie die samplingAlgorithmType-Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für Bayesian:

  samplingAlgorithmType: 'Bayesian'

Verwenden Sie für Grid:

  samplingAlgorithmType: 'Grid'

Verwenden Sie für random:

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

TriggerBase-Objekte

Legen Sie den triggerType--Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für Cron:

  triggerType: 'Cron'
  expression: 'string'

Verwenden Sie für Serie:

  triggerType: 'Recurrence'
  frequency: 'string'
  interval: int
  schedule: {
    hours: [
      int
    ]
    minutes: [
      int
    ]
    monthDays: [
      int
    ]
    weekDays: [
      'string'
    ]
  }

Eigenschaftswerte

Arbeitsbereiche/Zeitpläne

Name	Beschreibung	Wert
Name	Der Ressourcenname Erfahren Sie, wie Sie Namen und Typen für untergeordnete Ressourcen in Bicep-festlegen.	Zeichenfolge (erforderlich)
Elternteil	In Bicep können Sie die übergeordnete Ressource für eine untergeordnete Ressource angeben. Sie müssen diese Eigenschaft nur hinzufügen, wenn die untergeordnete Ressource außerhalb der übergeordneten Ressource deklariert wird. Weitere Informationen finden Sie unter Untergeordnete Ressource außerhalb der übergeordneten Ressource.	Symbolischer Name für Ressource des Typs: Arbeitsbereiche
Eigenschaften	[Erforderlich] Zusätzliche Attribute der Entität.	ScheduleProperties- (erforderlich)

ScheduleProperties

Name	Beschreibung	Wert
Aktion	[Erforderlich] Gibt die Aktion des Zeitplans an.	ScheduleActionBase- (erforderlich)
Beschreibung	Der Text der Objektbeschreibung.	Schnur
displayName	Anzeigename des Zeitplans.	Schnur
isEnabled	Ist der Zeitplan aktiviert?	Bool
Eigenschaften	Das Objekteigenschaftenverzeichnis.	ResourceBaseProperties-
Schilder	Tagwörterbuch. Tags können hinzugefügt, entfernt und aktualisiert werden.	Objekt
auslösen	[Erforderlich] Gibt die Triggerdetails an.	TriggerBase- (erforderlich)

ScheduleActionBase

Name	Beschreibung	Wert
actionType	Festlegen des Objekttyps	CreateJob- InvokeBatchEndpoint- (erforderlich)

JobScheduleAction

Name	Beschreibung	Wert
actionType	[Erforderlich] Gibt den Aktionstyp des Zeitplans an.	'CreateJob' (erforderlich)
jobDefinition	[Erforderlich] Definiert Details zur Definition der Zeitplanaktion.	JobBaseProperties- (erforderlich)

JobBaseProperties

Name	Beschreibung	Wert
componentId	ARM-Ressourcen-ID der Komponentenressource.	Schnur
computeId	ARM-Ressourcen-ID der Computeressource.	Schnur
Beschreibung	Der Text der Objektbeschreibung.	Schnur
displayName	Anzeigename des Auftrags.	Schnur
experimentName	Der Name des Experiments, zu dem der Auftrag gehört. Wenn nicht festgelegt, wird der Auftrag im Experiment "Standard" platziert.	Schnur
Identität	Identitätskonfiguration. Wenn festgelegt, sollte dies eine von AmlToken, ManagedIdentity, UserIdentity oder NULL sein. Der Standardwert ist AmlToken, wenn null.	IdentityConfiguration-
isArchived	Ist die Ressource archiviert?	Bool
Eigenschaften	Das Objekteigenschaftenverzeichnis.	ResourceBaseProperties-
Dienste	Liste der JobEndpoints. Für lokale Aufträge verfügt ein Auftragsendpunkt über einen Endpunktwert von FileStreamObject.	JobBaseServices-
Schilder	Tagwörterbuch. Tags können hinzugefügt, entfernt und aktualisiert werden.	Objekt
jobType	Festlegen des Objekttyps	AutoML- Command Bezeichnung Pipeline- Spark Aufräumen (erforderlich)

IdentityConfiguration

Name	Beschreibung	Wert
identityType	Festlegen des Objekttyps	AMLToken- verwaltete UserIdentity- (erforderlich)

AmlToken

Name	Beschreibung	Wert
identityType	[Erforderlich] Gibt den Typ des Identitätsframeworks an.	"AMLToken" (erforderlich)

ManagedIdentity

Name	Beschreibung	Wert
identityType	[Erforderlich] Gibt den Typ des Identitätsframeworks an.	"Verwaltet" (erforderlich)
clientId	Gibt eine vom Benutzer zugewiesene Identität nach Client-ID an. Legen Sie für das vom System zugewiesene Feld nicht fest.	Schnur Zwänge: Min. Länge = 36 Maximale Länge = 36 Pattern = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
objectId	Gibt eine vom Benutzer zugewiesene Identität nach Objekt-ID an. Legen Sie für das vom System zugewiesene Feld nicht fest.	Schnur Zwänge: Min. Länge = 36 Maximale Länge = 36 Pattern = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
resourceId	Gibt eine vom Benutzer zugewiesene Identität durch ARM-Ressourcen-ID an. Legen Sie für das vom System zugewiesene Feld nicht fest.	Schnur

UserIdentity

Name	Beschreibung	Wert
identityType	[Erforderlich] Gibt den Typ des Identitätsframeworks an.	"UserIdentity" (erforderlich)

ResourceBaseProperties

Name	Beschreibung	Wert
{angepasste Eigenschaft}		Schnur

JobBaseServices

Name	Beschreibung	Wert
{angepasste Eigenschaft}		JobService-

JobService

Name	Beschreibung	Wert
Endpunkt	URL für Endpunkt.	Schnur
jobServiceType	Endpunkttyp.	Schnur
Knoten	Knoten, auf denen der Benutzer den Dienst starten möchte. Wenn Knoten nicht auf NULL festgelegt oder festgelegt sind, wird der Dienst nur auf Füllzeichenknoten gestartet.	Knoten
Hafen	Port für Endpunkt, der vom Benutzer festgelegt wurde.	Int
Eigenschaften	Zusätzliche Eigenschaften, die für den Endpunkt festgelegt werden sollen.	JobServiceProperties

Knoten

Name	Beschreibung	Wert
nodesValueType	Festlegen des Objekttyps	Alle (erforderlich)

AllNodes

Name	Beschreibung	Wert
nodesValueType	[Erforderlich] Typ des Knotenwerts	"Alle" (erforderlich)

JobServiceProperties

Name	Beschreibung	Wert
{angepasste Eigenschaft}		Schnur

AutoMLJob

Name	Beschreibung	Wert
jobType	[Erforderlich] Gibt den Auftragstyp an.	'AutoML' (erforderlich)
environmentId	Die ARM-Ressourcen-ID der Umgebungsspezifikation für den Auftrag. Dies ist optionaler Wert, der bei Ausführung des Auftrags bei der Ausführung des Auftrags standardmäßig autoML für die Produktions-AutoML-zusammengestellte Umgebungsversion bereitstellt.	Schnur
environmentVariables	Umgebungsvariablen, die im Auftrag enthalten sind.	AutoMLJobEnvironmentVariables
Ausgaben	Zuordnung von Ausgabedatenbindungen, die im Auftrag verwendet werden.	AutoMLJobOutputs
Betriebsmittel	Berechnen der Ressourcenkonfiguration für den Auftrag.	JobResourceConfiguration-
taskDetails	[Erforderlich] Dies stellt ein Szenario dar, das einer der Tabellen/NLP/Image sein kann.	AutoMLVertical- (erforderlich)

AutoMLJobEnvironmentVariables

Name	Beschreibung	Wert
{angepasste Eigenschaft}		Schnur

AutoMLJobOutputs

Name	Beschreibung	Wert
{angepasste Eigenschaft}		JobOutput-

JobOutput

Name	Beschreibung	Wert
Beschreibung	Beschreibung für die Ausgabe.	Schnur
jobOutputType	Festlegen des Objekttyps	custom_model mlflow_model mltable triton_model uri_file uri_folder (erforderlich)

CustomModelJobOutput

Name	Beschreibung	Wert
jobOutputType	[Erforderlich] Gibt den Auftragstyp an.	"custom_model" (erforderlich)
assetName	Ausgabeobjektname.	Schnur
assetVersion	Ausgabeobjektversion.	Schnur
Modus	Ausgabeobjektübermittlungsmodus.	"Direkt" 'ReadWriteMount' "Hochladen"
Uri	Ausgabeobjekt-URI.	Schnur

MLFlowModelJobOutput

Name	Beschreibung	Wert
jobOutputType	[Erforderlich] Gibt den Auftragstyp an.	"mlflow_model" (erforderlich)
assetName	Ausgabeobjektname.	Schnur
assetVersion	Ausgabeobjektversion.	Schnur
Modus	Ausgabeobjektübermittlungsmodus.	"Direkt" 'ReadWriteMount' "Hochladen"
Uri	Ausgabeobjekt-URI.	Schnur

MLTableJobOutput

Name	Beschreibung	Wert
jobOutputType	[Erforderlich] Gibt den Auftragstyp an.	"mltable" (erforderlich)
assetName	Ausgabeobjektname.	Schnur
assetVersion	Ausgabeobjektversion.	Schnur
Modus	Ausgabeobjektübermittlungsmodus.	"Direkt" 'ReadWriteMount' "Hochladen"
Uri	Ausgabeobjekt-URI.	Schnur

TritonModelJobOutput

Name	Beschreibung	Wert
jobOutputType	[Erforderlich] Gibt den Auftragstyp an.	"triton_model" (erforderlich)
assetName	Ausgabeobjektname.	Schnur
assetVersion	Ausgabeobjektversion.	Schnur
Modus	Ausgabeobjektübermittlungsmodus.	"Direkt" 'ReadWriteMount' "Hochladen"
Uri	Ausgabeobjekt-URI.	Schnur

UriFileJobOutput

Name	Beschreibung	Wert
jobOutputType	[Erforderlich] Gibt den Auftragstyp an.	"uri_file" (erforderlich)
assetName	Ausgabeobjektname.	Schnur
assetVersion	Ausgabeobjektversion.	Schnur
Modus	Ausgabeobjektübermittlungsmodus.	"Direkt" 'ReadWriteMount' "Hochladen"
Uri	Ausgabeobjekt-URI.	Schnur

UriFolderJobOutput

Name	Beschreibung	Wert
jobOutputType	[Erforderlich] Gibt den Auftragstyp an.	"uri_folder" (erforderlich)
assetName	Ausgabeobjektname.	Schnur
assetVersion	Ausgabeobjektversion.	Schnur
Modus	Ausgabeobjektübermittlungsmodus.	"Direkt" 'ReadWriteMount' "Hochladen"
Uri	Ausgabeobjekt-URI.	Schnur

JobResourceConfiguration

Name	Beschreibung	Wert
dockerArgs	Zusätzliche Argumente, die an den Docker-Ausführungsbefehl übergeben werden sollen. Dadurch würden alle Parameter außer Kraft gesetzt, die bereits vom System oder in diesem Abschnitt festgelegt wurden. Dieser Parameter wird nur für Azure ML-Computetypen unterstützt.	Schnur
instanceCount	Optionale Anzahl von Instanzen oder Knoten, die vom Computeziel verwendet werden.	Int
instanceType	Optionaler Vm-Typ, der vom Computeziel unterstützt wird.	Schnur
Eigenschaften	Zusätzlicher Eigenschaftenbehälter.	ResourceConfigurationProperties-
shmSize	Größe des freigegebenen Speicherblocks des Docker-Containers. Dies sollte im Format (Zahl) (Einheit) liegen, wobei die Zahl größer als 0 sein soll und die Einheit eine von b(Bytes), k(Kilobyte), m(Megabyte) oder g(Gigabyte) sein kann.	Schnur Zwänge: Pattern = \d+[bBkKmMgG]

ResourceConfigurationProperties

Name	Beschreibung	Wert
{angepasste Eigenschaft}		Für Bicep können Sie die any()-Funktion verwenden.

AutoMLVertical

Name	Beschreibung	Wert
logVerbosity	Protokoll-Ausführlichkeit für den Auftrag.	"Kritisch" "Debuggen" 'Fehler' 'Info' 'NotSet' "Warnung"
targetColumnName	Name der Zielspalte: Dies ist die Spalte mit Vorhersagewerten. Auch als Bezeichnungsspaltenname im Kontext von Klassifizierungsaufgaben bezeichnet.	Schnur
trainingData	[Erforderlich] Eingabe von Schulungsdaten.	MLTableJobInput- (erforderlich)
taskType	Festlegen des Objekttyps	Klassifizierung Prognose- ImageClassification- ImageClassificationMultilabel- ImageInstanceSegmentation ImageObjectDetection- Regressions- TextClassification- TextClassificationMultilabel- TextNER- (erforderlich)

MLTableJobInput

Name	Beschreibung	Wert
Beschreibung	Beschreibung für die Eingabe.	Schnur
jobInputType	[Erforderlich] Gibt den Auftragstyp an.	"custom_model" "Literal" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (erforderlich)
Modus	Übermittlungsmodus der Eingaberessource.	"Direkt" "Herunterladen" 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
Uri	[Erforderlich] Eingabeobjekt-URI.	Zeichenfolge (erforderlich) Zwänge: Pattern = [a-zA-Z0-9_]

Klassifikation

Name	Beschreibung	Wert
taskType	[Erforderlich] Aufgabentyp für AutoMLJob.	"Klassifizierung" (erforderlich)
cvSplitColumnNames	Spalten, die für CVSplit-Daten verwendet werden sollen.	string[]
featurizationSettings	Reifungseingaben, die für den AutoML-Auftrag erforderlich sind.	TableVerticalFeaturizationSettings
fixedParameters	Modell-/Schulungsparameter, die während der gesamten Schulung konstant bleiben.	TableFixedParameters-
limitSettings	Ausführungseinschränkungen für AutoMLJob.	TableVerticalLimitSettings
nCrossValidations	Anzahl der Kreuzüberprüfungsfalten, die auf schulungsdatensatz angewendet werden sollen wenn kein Validierungsdatensatz bereitgestellt wird.	NCrossValidations-
positiveLabel	Positive Bezeichnung für die Berechnung binärer Metriken.	Schnur
primaryMetric	Primäre Metrik für den Vorgang.	"AUCWeighted" "Genauigkeit" "AveragePrecisionScoreWeighted" "NormMacroRecall" 'PrecisionScoreWeighted'
searchSpace	Suchbereich zum Sampling verschiedener Kombinationen von Modellen und deren Hyperparametern.	TableParameterSubspace[]
sweepSettings	Einstellungen für die Optimierung von Modellüberräumungen und Hyperparametern.	TableSweepSettings
testData	Testen sie die Dateneingabe.	MLTableJobInput-
testDataSize	Der Anteil des Testdatensatzes, der für validierungszwecke reserviert werden muss. Werte zwischen (0,0 , 1,0) Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird.	Int
trainingSettings	Eingaben für die Schulungsphase für einen AutoML-Auftrag.	ClassificationTrainingSettings
validationData	Überprüfungsdateneingaben.	MLTableJobInput-
validationDataSize	Der Anteil des Schulungsdatensatzes, der für validierungszwecke reserviert werden muss. Werte zwischen (0,0 , 1,0) Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird.	Int
weightColumnName	Der Name der Beispielgewichtungsspalte. Automatisierte ML unterstützt eine gewichtete Spalte als Eingabe, wodurch Zeilen in den Daten nach oben oder unten gewichtet werden.	Schnur

TableVerticalFeaturizationSettings

Name	Beschreibung	Wert
blockedTransformers	Diese Transformatoren dürfen nicht bei der Reifung verwendet werden.	Zeichenfolgenarray, das eine der folgenden Elemente enthält: 'CatTargetEncoder' 'CountVectorizer' "HashOneHotEncoder" "LabelEncoder" "NaiveBayes" "OneHotEncoder" 'TextTargetEncoder' 'TfIdf' "WoETargetEncoder" "WordEmbedding"
columnNameAndTypes	Wörterbuch des Spaltennamens und seines Typs (int, float, string, datetime usw.).	TableVerticalFeaturizationSettingsColumnNameAndTypes
datasetLanguage	Datasetsprache, nützlich für die Textdaten.	Schnur
enableDnnFeaturization	Bestimmt, ob Dnn-basierte Featurizer für die Daten-Featurisierung verwendet werden sollen.	Bool
Modus	Featurisierungsmodus : Der Benutzer kann den Standardmodus "Auto" beibehalten, und AutoML übernimmt die erforderliche Transformation der Daten in der Featurisierungsphase. Wenn "Aus" ausgewählt ist, wird keine Featurierung durchgeführt. Wenn "Benutzerdefiniert" ausgewählt ist, können Benutzer zusätzliche Eingaben angeben, um anzupassen, wie die Reifung erfolgt.	"Auto" 'Benutzerdefiniert' 'Aus'
transformerParams	Der Benutzer kann zusätzliche Transformatoren angeben, die zusammen mit den Spalten verwendet werden sollen, auf die er angewendet wird, und Parameter für den Transformatorkonstruktor.	TableVerticalFeaturizationSettingsTransformerParams

TableVerticalFeaturizationSettingsColumnNameAndTypes

Name	Beschreibung	Wert
{angepasste Eigenschaft}		Schnur

TableVerticalFeaturizationSettingsTransformerParams

Name	Beschreibung	Wert
{angepasste Eigenschaft}		ColumnTransformer-[]

ColumnTransformer

Name	Beschreibung	Wert
Felder	Felder, auf die Transformatorlogik angewendet werden soll.	string[]
Parameter	Verschiedene Eigenschaften, die an Transformator übergeben werden sollen. Die erwartete Eingabe ist das Wörterbuch von Schlüssel-Wert-Paaren im JSON-Format.	Für Bicep können Sie die any()-Funktion verwenden.

TableFixedParameters

Name	Beschreibung	Wert
Booster	Geben Sie den Verstärkungstyp an, z. B. gbdt für XGBoost.	Schnur
boostType	Geben Sie den Verstärkungstyp an, z. B. gbdt für LightGBM.	Schnur
growPolicy	Geben Sie die Erweiterungsrichtlinie an, die steuert, wie neue Knoten der Struktur hinzugefügt werden.	Schnur
learningRate	Die Lernrate für das Trainingsverfahren.	Int
maxBin	Geben Sie die maximale Anzahl einzelner Container an, um fortlaufende Features zu bucketen.	Int
maxDepth	Geben Sie die maximale Tiefe an, um die Strukturtiefe explizit einzuschränken.	Int
maxLeaves	Geben Sie die maximalen Blätter an, um die Baumblätter explizit einzuschränken.	Int
minDataInLeaf	Die Mindestanzahl der Daten pro Blatt.	Int
minSplitGain	Minimale Verlustreduzierung, die erforderlich ist, um eine weitere Partition auf einem Blattknoten der Struktur zu machen.	Int
modelName	Der Name des zu trainierenden Modells.	Schnur
nEstimators	Geben Sie die Anzahl von Strukturen (oder Runden) in einem Modell an.	Int
numLeaves	Geben Sie die Anzahl der Blätter an.	Int
PreprocessorName	Der Name des zu verwendenden Präprozessors.	Schnur
regAlpha	L1-Normalisierungsausdruck auf Gewichtungen.	Int
regLambda	L2-Normalisierungsausdruck auf Gewichtungen.	Int
Subsample	Subsample-Verhältnis der Schulungsinstanz.	Int
subsampleFreq	Häufigkeit des Untersamples.	Int
treeMethod	Geben Sie die Strukturmethode an.	Schnur
withMean	Wenn true, zentriert vor der Skalierung der Daten mit StandardScalar.	Bool
withStd	Wenn true, skalieren Sie die Daten mit Unit Variance mit StandardScalar.	Bool

TableVerticalLimitSettings

Name	Beschreibung	Wert
enableEarlyTermination	Aktivieren einer vorzeitigen Beendigung, bestimmt, ob AutoMLJob frühzeitig beendet wird, wenn in den letzten 20 Iterationen keine Bewertungsverbesserungen vorliegen.	Bool
exitScore	Exit score for the AutoML job.	Int
maxConcurrentTrials	Maximale gleichzeitige Iteration.	Int
maxCoresPerTrial	Max. Kerne pro Iteration.	Int
maxNodes	Maximale Anzahl von Knoten, die für das Experiment verwendet werden sollen.	Int
maxTrials	Anzahl der Iterationen.	Int
sweepConcurrentTrials	Die Anzahl der gleichzeitigen Aufräumläufe, die der Benutzer auslösen möchte.	Int
sweepTrials	Die Anzahl der Aufräumläufe, die der Benutzer auslösen möchte.	Int
Zeitüberschreitung	AutoML-Auftragstimeout.	Schnur
trialTimeout	Iterationstimeout.	Schnur

NCrossValidations

Name	Beschreibung	Wert
Modus	Festlegen des Objekttyps	automatischen benutzerdefinierte (erforderlich)

AutoNCrossValidations

Name	Beschreibung	Wert
Modus	[Erforderlich] Modus zum Ermitteln von N-Kreuzüberprüfungen.	"Auto" (erforderlich)

CustomNCrossValidations

Name	Beschreibung	Wert
Modus	[Erforderlich] Modus zum Ermitteln von N-Kreuzüberprüfungen.	"Benutzerdefiniert" (erforderlich)
Wert	[Erforderlich] N-Kreuzüberprüfungswert.	int (erforderlich)

TableParameterSubspace

Name	Beschreibung	Wert
Booster	Geben Sie den Verstärkungstyp an, z. B. gbdt für XGBoost.	Schnur
boostType	Geben Sie den Verstärkungstyp an, z. B. gbdt für LightGBM.	Schnur
growPolicy	Geben Sie die Erweiterungsrichtlinie an, die steuert, wie neue Knoten der Struktur hinzugefügt werden.	Schnur
learningRate	Die Lernrate für das Trainingsverfahren.	Schnur
maxBin	Geben Sie die maximale Anzahl einzelner Container an, um fortlaufende Features zu bucketen.	Schnur
maxDepth	Geben Sie die maximale Tiefe an, um die Strukturtiefe explizit einzuschränken.	Schnur
maxLeaves	Geben Sie die maximalen Blätter an, um die Baumblätter explizit einzuschränken.	Schnur
minDataInLeaf	Die Mindestanzahl der Daten pro Blatt.	Schnur
minSplitGain	Minimale Verlustreduzierung, die erforderlich ist, um eine weitere Partition auf einem Blattknoten der Struktur zu machen.	Schnur
modelName	Der Name des zu trainierenden Modells.	Schnur
nEstimators	Geben Sie die Anzahl von Strukturen (oder Runden) in einem Modell an.	Schnur
numLeaves	Geben Sie die Anzahl der Blätter an.	Schnur
PreprocessorName	Der Name des zu verwendenden Präprozessors.	Schnur
regAlpha	L1-Normalisierungsausdruck auf Gewichtungen.	Schnur
regLambda	L2-Normalisierungsausdruck auf Gewichtungen.	Schnur
Subsample	Subsample-Verhältnis der Schulungsinstanz.	Schnur
subsampleFreq	Häufigkeit des Untersampels	Schnur
treeMethod	Geben Sie die Strukturmethode an.	Schnur
withMean	Wenn true, zentriert vor der Skalierung der Daten mit StandardScalar.	Schnur
withStd	Wenn true, skalieren Sie die Daten mit Unit Variance mit StandardScalar.	Schnur

TableSweepSettings

Name	Beschreibung	Wert
earlyTermination	Art der Richtlinie für vorzeitige Beendigung für den aufräumenden Auftrag.	EarlyTerminationPolicy-
samplingAlgorithm	[Erforderlich] Typ des Samplingalgorithmus.	"Bayesian" 'Raster' "Zufällig" (erforderlich)

EarlyTerminationPolicy

Name	Beschreibung	Wert
delayEvaluation	Anzahl der Intervalle, um die die erste Auswertung verzögert werden soll.	Int
evaluationInterval	Intervall (Anzahl der Ausführungen) zwischen Richtlinienauswertungen.	Int
policyType	Festlegen des Objekttyps	Bandit- MedianStopping- TruncationSelection- (erforderlich)

BanditPolicy

Name	Beschreibung	Wert
policyType	[Erforderlich] Name der Richtlinienkonfiguration	"Bandit" (erforderlich)
slackAmount	Absoluter Abstand, der vom besten Lauf erlaubt ist.	Int
slackFactor	Verhältnis des zulässigen Abstands vom besten Lauf.	Int

MedianStoppingPolicy

Name	Beschreibung	Wert
policyType	[Erforderlich] Name der Richtlinienkonfiguration	"MedianStopping" (erforderlich)

TruncationSelectionPolicy

Name	Beschreibung	Wert
policyType	[Erforderlich] Name der Richtlinienkonfiguration	"TruncationSelection" (erforderlich)
truncationPercentage	Der Prozentsatz der Läufe, die bei jedem Auswertungsintervall abgebrochen werden sollen.	Int

ClassificationTrainingSettings

Name	Beschreibung	Wert
allowedTrainingAlgorithms	Zulässige Modelle für klassifizierungsaufgabe.	Zeichenfolgenarray, das eine der folgenden Elemente enthält: 'BernoulliNaiveBayes' "DecisionTree" "ExtremeRandomTrees" "GradientBoosting" 'KNN' "LightGBM" "LinearSVM" "LogisticRegression" "MultinomialNaiveBayes" "RandomForest" "SGD" "SVM" 'XGBoostClassifier'
blockedTrainingAlgorithms	Blockierte Modelle für klassifizierungsaufgabe.	Zeichenfolgenarray, das eine der folgenden Elemente enthält: 'BernoulliNaiveBayes' "DecisionTree" "ExtremeRandomTrees" "GradientBoosting" 'KNN' "LightGBM" "LinearSVM" "LogisticRegression" "MultinomialNaiveBayes" "RandomForest" "SGD" "SVM" 'XGBoostClassifier'
enableDnnTraining	Aktivieren Sie die Empfehlung von DNN-Modellen.	Bool
enableModelExplainability	Kennzeichnen Sie die Kennzeichnung, um die Erläuterung für das beste Modell zu aktivieren.	Bool
enableOnnxCompatibleModels	Kennzeichnung zum Aktivieren von onnx-kompatiblen Modellen.	Bool
enableStackEnsemble	Stapelensembleausführung aktivieren.	Bool
enableVoteEnsemble	Aktivieren Des Abstimmungsensembles.	Bool
ensembleModelDownloadTimeout	Während der VotingEnsemble- und StackEnsemble-Modellgeneration werden mehrere einbaute Modelle aus den vorherigen Kinderläufen heruntergeladen. Konfigurieren Sie diesen Parameter mit einem höheren Wert als 300 Sek., wenn mehr Zeit erforderlich ist.	Schnur
stackEnsembleSettings	Stack ensemble settings for stack ensemble run.	StackEnsembleSettings
trainingMode	TrainingMode-Modus - Die Einstellung auf "Auto" ist identisch mit dem Festlegen auf "nicht verteilt" für jetzt, kann jedoch in Zukunft zu einer gemischten Modus- oder Heuristik-basierten Modusauswahl führen. Der Standardwert ist "auto". Wenn "Verteilt" verwendet wird, werden nur verteilte Featurisierung verwendet und verteilte Algorithmen ausgewählt. Wenn "NonDistributed" ausgewählt wird, werden nur nicht verteilte Algorithmen ausgewählt.	"Auto" "Verteilt" "Nicht verteilt"

StackEnsembleSettings

Name	Beschreibung	Wert
stackMetaLearnerKWargs	Optionale Parameter, die an den Initialisierer des Metalerners übergeben werden sollen.	Für Bicep können Sie die any()-Funktion verwenden.
stackMetaLearnerTrainPercentage	Gibt den Anteil des Schulungssatzes (beim Auswählen des Trainings- und Validierungstyps) an, der für die Schulung des Metalerners reserviert werden soll. Der Standardwert ist 0,2.	Int
stackMetaLearnerType	Der Metalerner ist ein Modell, das auf die Ausgabe der einzelnen heterogenen Modelle trainiert wird.	"ElasticNet" "ElasticNetCV" "LightGBMClassifier" "LightGBMRegressor" "LinearRegression" "LogisticRegression" "LogisticRegressionCV" 'None'

Prognose

Name	Beschreibung	Wert
taskType	[Erforderlich] Aufgabentyp für AutoMLJob.	"Prognose" (erforderlich)
cvSplitColumnNames	Spalten, die für CVSplit-Daten verwendet werden sollen.	string[]
featurizationSettings	Reifungseingaben, die für den AutoML-Auftrag erforderlich sind.	TableVerticalFeaturizationSettings
fixedParameters	Modell-/Schulungsparameter, die während der gesamten Schulung konstant bleiben.	TableFixedParameters-
forecastingSettings	Vorhersageaufgabenspezifische Eingaben.	ForecastingSettings
limitSettings	Ausführungseinschränkungen für AutoMLJob.	TableVerticalLimitSettings
nCrossValidations	Anzahl der Kreuzüberprüfungsfalten, die auf schulungsdatensatz angewendet werden sollen wenn kein Validierungsdatensatz bereitgestellt wird.	NCrossValidations-
primaryMetric	Primäre Metrik für den Prognosevorgang.	"NormalizedMeanAbsoluteError" "NormalizedRootMeanSquaredError" 'R2Score' 'SpearmanCorrelation'
searchSpace	Suchbereich zum Sampling verschiedener Kombinationen von Modellen und deren Hyperparametern.	TableParameterSubspace[]
sweepSettings	Einstellungen für die Optimierung von Modellüberräumungen und Hyperparametern.	TableSweepSettings
testData	Testen sie die Dateneingabe.	MLTableJobInput-
testDataSize	Der Anteil des Testdatensatzes, der für validierungszwecke reserviert werden muss. Werte zwischen (0,0 , 1,0) Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird.	Int
trainingSettings	Eingaben für die Schulungsphase für einen AutoML-Auftrag.	ForecastingTrainingSettings
validationData	Überprüfungsdateneingaben.	MLTableJobInput-
validationDataSize	Der Anteil des Schulungsdatensatzes, der für validierungszwecke reserviert werden muss. Werte zwischen (0,0 , 1,0) Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird.	Int
weightColumnName	Der Name der Beispielgewichtungsspalte. Automatisierte ML unterstützt eine gewichtete Spalte als Eingabe, wodurch Zeilen in den Daten nach oben oder unten gewichtet werden.	Schnur

ForecastingSettings

Name	Beschreibung	Wert
countryOrRegionForHolidays	Land oder Region für Feiertage für Prognosevorgänge. Dabei sollte es sich um ISO 3166-Länder-/Regionscodes mit zwei Buchstaben, z. B. "US" oder "GB", handelt.	Schnur
cvStepSize	Anzahl der Perioden zwischen der Ursprungszeit einer CV-Faltung und der nächsten Faltung. Für Wenn z. B. CVStepSize = 3 für tägliche Daten ist die Ursprungszeit für jede Faltung drei Tage auseinander.	Int
featureLags	Flag zum Generieren von Verzögerungen für die numerischen Features mit "auto" oder NULL.	"Auto" 'None'
forecastHorizon	Der gewünschte maximale Prognosehorizont in Einheiten der Zeitreihenhäufigkeit.	ForecastHorizon
Frequenz	Bei der Prognose stellt dieser Parameter den Zeitraum dar, mit dem die Prognose gewünscht wird, z. B. täglich, wöchentlich, jährlich usw. Die Prognosehäufigkeit ist standardmäßig die Datasethäufigkeit.	Schnur
saisonalität	Legen Sie die Saisonalität der Zeitreihen als ganzzahliges Vielfaches der Datenreihenhäufigkeit fest. Wenn die Saisonalität auf "auto" festgelegt ist, wird sie abgeleitet.	Saisonalität
shortSeriesHandlingConfig	Der Parameter, der definiert, wie AutoML kurze Zeitreihen verarbeiten soll.	"Auto" 'Drop' 'None' "Pad"
targetAggregateFunction	Die Funktion, die verwendet werden soll, um die Zielspalte der Zeitreihe zu aggregieren, um einer vom Benutzer angegebenen Häufigkeit zu entsprechen. Wenn die TargetAggregateFunction festgelegt ist, d. h. nicht 'None', aber der Freq-Parameter nicht festgelegt ist, wird der Fehler ausgelöst. Die möglichen Zielaggregationsfunktionen sind: "summe", "max", "min" und "mean".	"Max" "Mittelwert" "Min" 'None' "Summe"
targetLags	Die Anzahl der letzten Perioden, die von der Zielspalte liegen sollen.	TargetLags-
targetRollingWindowSize	Die Anzahl der letzten Zeiträume, die zum Erstellen eines rollierenden Fensterdurchschnitts der Zielspalte verwendet werden.	TargetRollingWindowSize-
timeColumnName	Der Name der Zeitspalte. Dieser Parameter ist erforderlich, wenn die Prognose die Datetime-Spalte in den Eingabedaten angibt, die zum Erstellen der Zeitreihe verwendet werden, und die Häufigkeit ableiten.	Schnur
timeSeriesIdColumnNames	Die Namen von Spalten, die zum Gruppieren einer Zeitserie verwendet werden. Sie kann verwendet werden, um mehrere Serien zu erstellen. Wenn Korn nicht definiert ist, wird davon ausgegangen, dass es sich um eine Zeitreihe handelt. Dieser Parameter wird für die Prognose des Vorgangstyps verwendet.	string[]
useStl	Konfigurieren sie die STL-Analyse der Zielspalte der Zeitreihe.	'None' "Saison" "SeasonTrend"

ForecastHorizon

Name	Beschreibung	Wert
Modus	Festlegen des Objekttyps	automatischen benutzerdefinierte (erforderlich)

AutoForecastHorizon

Name	Beschreibung	Wert
Modus	[Erforderlich] Legen Sie den Auswahlmodus für den Prognosehorizont fest.	"Auto" (erforderlich)

CustomForecastHorizon

Name	Beschreibung	Wert
Modus	[Erforderlich] Legen Sie den Auswahlmodus für den Prognosehorizont fest.	"Benutzerdefiniert" (erforderlich)
Wert	[Erforderlich] Prognosehorizontwert.	int (erforderlich)

Saisonalität

Name	Beschreibung	Wert
Modus	Festlegen des Objekttyps	automatischen benutzerdefinierte (erforderlich)

AutoSeasonalität

Name	Beschreibung	Wert
Modus	[Erforderlich] Saisonalitätsmodus.	"Auto" (erforderlich)

CustomSeasonality

Name	Beschreibung	Wert
Modus	[Erforderlich] Saisonalitätsmodus.	"Benutzerdefiniert" (erforderlich)
Wert	[Erforderlich] Saisonalitätswert.	int (erforderlich)

TargetLags

Name	Beschreibung	Wert
Modus	Festlegen des Objekttyps	automatischen benutzerdefinierte (erforderlich)

AutoTargetLags

Name	Beschreibung	Wert
Modus	[Erforderlich] Festlegen des Zielverzögerungsmodus – Auto/Benutzerdefiniert	"Auto" (erforderlich)

CustomTargetLags

Name	Beschreibung	Wert
Modus	[Erforderlich] Festlegen des Zielverzögerungsmodus – Auto/Benutzerdefiniert	"Benutzerdefiniert" (erforderlich)
Werte	[Erforderlich] Festlegen von Zielverzögerungswerten	int[] (erforderlich)

TargetRollingWindowSize

Name	Beschreibung	Wert
Modus	Festlegen des Objekttyps	automatischen benutzerdefinierte (erforderlich)

AutoTargetRollingWindowSize

Name	Beschreibung	Wert
Modus	[Erforderlich] TargetRollingWindowSiz-Erkennungsmodus.	"Auto" (erforderlich)

CustomTargetRollingWindowSize

Name	Beschreibung	Wert
Modus	[Erforderlich] TargetRollingWindowSiz-Erkennungsmodus.	"Benutzerdefiniert" (erforderlich)
Wert	[Erforderlich] TargetRollingWindowSize-Wert.	int (erforderlich)

ForecastingTrainingSettings

Name	Beschreibung	Wert
allowedTrainingAlgorithms	Zulässige Modelle für den Prognosevorgang.	Zeichenfolgenarray, das eine der folgenden Elemente enthält: 'Arimax' 'AutoArima' "Mittelwert" "DecisionTree" "ElasticNet" "Exponentialsmoothing" "ExtremeRandomTrees" "GradientBoosting" 'KNN' "LassoLars" "LightGBM" "Naiv" "Prophet" "RandomForest" "SGD" "Saisonalwert" "Saisonnaive" 'TCNForecaster' 'XGBoostRegressor'
blockedTrainingAlgorithms	Blockierte Modelle für den Prognosevorgang.	Zeichenfolgenarray, das eine der folgenden Elemente enthält: 'Arimax' 'AutoArima' "Mittelwert" "DecisionTree" "ElasticNet" "Exponentialsmoothing" "ExtremeRandomTrees" "GradientBoosting" 'KNN' "LassoLars" "LightGBM" "Naiv" "Prophet" "RandomForest" "SGD" "Saisonalwert" "Saisonnaive" 'TCNForecaster' 'XGBoostRegressor'
enableDnnTraining	Aktivieren Sie die Empfehlung von DNN-Modellen.	Bool
enableModelExplainability	Kennzeichnen Sie die Kennzeichnung, um die Erläuterung für das beste Modell zu aktivieren.	Bool
enableOnnxCompatibleModels	Kennzeichnung zum Aktivieren von onnx-kompatiblen Modellen.	Bool
enableStackEnsemble	Stapelensembleausführung aktivieren.	Bool
enableVoteEnsemble	Aktivieren Des Abstimmungsensembles.	Bool
ensembleModelDownloadTimeout	Während der VotingEnsemble- und StackEnsemble-Modellgeneration werden mehrere einbaute Modelle aus den vorherigen Kinderläufen heruntergeladen. Konfigurieren Sie diesen Parameter mit einem höheren Wert als 300 Sek., wenn mehr Zeit erforderlich ist.	Schnur
stackEnsembleSettings	Stack ensemble settings for stack ensemble run.	StackEnsembleSettings
trainingMode	TrainingMode-Modus - Die Einstellung auf "Auto" ist identisch mit dem Festlegen auf "nicht verteilt" für jetzt, kann jedoch in Zukunft zu einer gemischten Modus- oder Heuristik-basierten Modusauswahl führen. Der Standardwert ist "auto". Wenn "Verteilt" verwendet wird, werden nur verteilte Featurisierung verwendet und verteilte Algorithmen ausgewählt. Wenn "NonDistributed" ausgewählt wird, werden nur nicht verteilte Algorithmen ausgewählt.	"Auto" "Verteilt" "Nicht verteilt"

ImageClassification

Name	Beschreibung	Wert
taskType	[Erforderlich] Aufgabentyp für AutoMLJob.	'ImageClassification' (erforderlich)
limitSettings	[Erforderlich] Beschränken Sie die Einstellungen für den AutoML-Auftrag.	ImageLimitSettings- (erforderlich)
modelSettings	Einstellungen, die für die Schulung des Modells verwendet werden.	ImageModelSettingsClassification-
primaryMetric	Primäre Metrik, die für diesen Vorgang optimiert werden soll.	"AUCWeighted" "Genauigkeit" "AveragePrecisionScoreWeighted" "NormMacroRecall" 'PrecisionScoreWeighted'
searchSpace	Suchbereich zum Sampling verschiedener Kombinationen von Modellen und deren Hyperparametern.	ImageModelDistributionSettingsClassification[]
sweepSettings	Modellüberräumung und hyperparameterbezogene Einstellungen.	ImageSweepSettings
validationData	Überprüfungsdateneingaben.	MLTableJobInput-
validationDataSize	Der Anteil des Schulungsdatensatzes, der für validierungszwecke reserviert werden muss. Werte zwischen (0,0 , 1,0) Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird.	Int

ImageLimitSettings

Name	Beschreibung	Wert
maxConcurrentTrials	Maximale Anzahl gleichzeitiger AutoML-Iterationen.	Int
maxTrials	Maximale Anzahl von AutoML-Iterationen.	Int
Zeitüberschreitung	AutoML-Auftragstimeout.	Schnur

ImageModelSettingsClassification

Name	Beschreibung	Wert
advancedSettings	Einstellungen für erweiterte Szenarien.	Schnur
amsGradient	Aktivieren Sie AMSGrad, wenn der Optimierer "adam" oder "adamw" ist.	Bool
Vergrößerungen	Einstellungen für die Verwendung von Augmentations.	Schnur
Beta1	Wert von "Beta1", wenn der Optimierer "adam" oder "adamw" ist. Muss ein Gleitkomma im Bereich [0, 1] sein.	Int
Beta2	Wert von 'Beta2', wenn der Optimierer 'adam' oder 'adamw' ist. Muss ein Gleitkomma im Bereich [0, 1] sein.	Int
checkpointFrequency	Häufigkeit zum Speichern von Modellprüfpunkten. Muss eine positive ganze Zahl sein.	Int
checkpointModel	Das vortrainierte Prüfpunktmodell für inkrementelle Schulungen.	MLFlowModelJobInput
checkpointRunId	Die ID einer vorherigen Ausführung mit einem vortrainierten Prüfpunkt für inkrementelle Schulungen.	Schnur
verteilt	Gibt an, ob verteilte Schulungen verwendet werden sollen.	Bool
earlyStopping	Aktivieren Sie die Logik während der Schulung frühzeitig beenden.	Bool
earlyStoppingDelay	Minimale Anzahl von Epochen oder Validierungsauswertungen, die vor der primären Metrikverbesserung warten wird für einen frühen Stopp nachverfolgt. Muss eine positive ganze Zahl sein.	Int
earlyStoppingPatience	Mindestanzahl von Epochen oder Validierungsbewertungen ohne primäre Metrikverbesserung vor die Ausführung wird beendet. Muss eine positive ganze Zahl sein.	Int
enableOnnxNormalization	Aktivieren Sie die Normalisierung beim Exportieren des ONNX-Modells.	Bool
evaluationFrequency	Häufigkeit zum Auswerten des Validierungsdatensets zum Abrufen von Metrikergebnissen. Muss eine positive ganze Zahl sein.	Int
gradientAccumulationStep	Farbverlaufsakkumulation bedeutet, dass eine konfigurierte Anzahl von "GradAccumulationStep"-Schritten ohne Aktualisieren der Modellgewichte beim Akkumulieren der Farbverläufe dieser Schritte und anschließendes Verwenden von die akkumulierten Farbverläufe, um die Gewichtungsaktualisierungen zu berechnen. Muss eine positive ganze Zahl sein.	Int
layersToFreeze	Anzahl der Ebenen, die für das Modell fixiert werden sollen. Muss eine positive ganze Zahl sein. Beispielsweise bedeutet die Übergabe von 2 als Wert für "seresnext" Einfrieren von Schicht0 und Ebene1. Eine vollständige Liste der unterstützten Modelle und Details zum Fixieren der Ebene finden Sie bitte siehe: /azure/machine-learning/how-to-auto-train-image-models.	Int
learningRate	Anfängliche Lernrate. Muss ein Gleitkomma im Bereich [0, 1] sein.	Int
learningRateScheduler	Typ des Lernrate-Zeitplans. Muss "warmup_cosine" oder "Schritt" sein.	'None' "Schritt" "WarmupCosine"
modelName	Der Name des Modells, das für die Schulung verwendet werden soll. Weitere Informationen zu den verfügbaren Modellen finden Sie in der offiziellen Dokumentation: /azure/machine-learning/how-to-auto-train-image-models.	Schnur
Impuls	Wert der Dynamik, wenn Optimierer 'sgd' ist. Muss ein Gleitkomma im Bereich [0, 1] sein.	Int
nesterov	Aktivieren Sie nesterov, wenn der Optimierer "sgd" ist.	Bool
numberOfEpochs	Anzahl der Ausbildungszeiten. Muss eine positive ganze Zahl sein.	Int
numberOfWorkers	Anzahl der Datenlademitarbeiter. Muss eine nicht negative ganze Zahl sein.	Int
Optimierer	Typ des Optimierrs.	'Adam' 'Adamw' 'None' 'Sgd'
randomSeed	Zufälliger Seed, der bei Verwendung deterministischer Schulungen verwendet werden soll.	Int
stepLRGamma	Der Wert des Gammawerts, wenn der Lernrate-Scheduler "Schritt" ist. Muss ein Gleitkomma im Bereich [0, 1] sein.	Int
stepLRStepSize	Der Wert der Schrittgröße, wenn der Lernrateplaner "Schritt" ist. Muss eine positive ganze Zahl sein.	Int
trainingBatchSize	Schulungsbatchgröße. Muss eine positive ganze Zahl sein.	Int
trainingCropSize	Bildzuschneidegröße, die in das neurale Netzwerk für das Schulungsdatenset eingegeben wird. Muss eine positive ganze Zahl sein.	Int
validationBatchSize	Batchgröße der Überprüfung. Muss eine positive ganze Zahl sein.	Int
validationCropSize	Bildzuschneidegröße, die für das Validierungsdatenset in das neurale Netzwerk eingegeben wird. Muss eine positive ganze Zahl sein.	Int
validationResizeSizeSize	Bildgröße, für die die Größe vor dem Zuschneiden des Gültigkeits-Datasets geändert werden soll. Muss eine positive ganze Zahl sein.	Int
warmupCosineLRCycles	Der Wert des Kosinuszyklus, wenn der Lernrateplaner "warmup_cosine" ist. Muss ein Gleitkomma im Bereich [0, 1] sein.	Int
warmupCosineLRWarmupEpochs	Wert der Warmup-Epochen, wenn der Lernratenplaner "warmup_cosine" ist. Muss eine positive ganze Zahl sein.	Int
weightDecay	Wert des Gewichtszerfalls, wenn der Optimierer "sgd", "adam" oder "adamw" lautet. Muss ein Gleitkomma im Bereich sein[0, 1].	Int
weightedLoss	Gewichtete Verlust. Die akzeptierten Werte sind 0 für keinen gewichteten Verlust. 1 für gewichteten Verlust mit sqrt. (class_weights). 2 für gewichtete Verlust mit class_weights. Muss 0 oder 1 oder 2 sein.	Int

MLFlowModelJobInput

Name	Beschreibung	Wert
Beschreibung	Beschreibung für die Eingabe.	Schnur
jobInputType	[Erforderlich] Gibt den Auftragstyp an.	"custom_model" "Literal" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (erforderlich)
Modus	Übermittlungsmodus der Eingaberessource.	"Direkt" "Herunterladen" 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
Uri	[Erforderlich] Eingabeobjekt-URI.	Zeichenfolge (erforderlich) Zwänge: Pattern = [a-zA-Z0-9_]

ImageModelDistributionSettingsClassification

Name	Beschreibung	Wert
amsGradient	Aktivieren Sie AMSGrad, wenn der Optimierer "adam" oder "adamw" ist.	Schnur
Vergrößerungen	Einstellungen für die Verwendung von Augmentations.	Schnur
Beta1	Wert von "Beta1", wenn der Optimierer "adam" oder "adamw" ist. Muss ein Gleitkomma im Bereich [0, 1] sein.	Schnur
Beta2	Wert von 'Beta2', wenn der Optimierer 'adam' oder 'adamw' ist. Muss ein Gleitkomma im Bereich [0, 1] sein.	Schnur
verteilt	Gibt an, ob die Verteilungsschulung verwendet werden soll.	Schnur
earlyStopping	Aktivieren Sie die Logik während der Schulung frühzeitig beenden.	Schnur
earlyStoppingDelay	Minimale Anzahl von Epochen oder Validierungsauswertungen, die vor der primären Metrikverbesserung warten wird für einen frühen Stopp nachverfolgt. Muss eine positive ganze Zahl sein.	Schnur
earlyStoppingPatience	Mindestanzahl von Epochen oder Validierungsbewertungen ohne primäre Metrikverbesserung vor die Ausführung wird beendet. Muss eine positive ganze Zahl sein.	Schnur
enableOnnxNormalization	Aktivieren Sie die Normalisierung beim Exportieren des ONNX-Modells.	Schnur
evaluationFrequency	Häufigkeit zum Auswerten des Validierungsdatensets zum Abrufen von Metrikergebnissen. Muss eine positive ganze Zahl sein.	Schnur
gradientAccumulationStep	Farbverlaufsakkumulation bedeutet, dass eine konfigurierte Anzahl von "GradAccumulationStep"-Schritten ohne Aktualisieren der Modellgewichte beim Akkumulieren der Farbverläufe dieser Schritte und anschließendes Verwenden von die akkumulierten Farbverläufe, um die Gewichtungsaktualisierungen zu berechnen. Muss eine positive ganze Zahl sein.	Schnur
layersToFreeze	Anzahl der Ebenen, die für das Modell fixiert werden sollen. Muss eine positive ganze Zahl sein. Beispielsweise bedeutet die Übergabe von 2 als Wert für "seresnext" Einfrieren von Schicht0 und Ebene1. Eine vollständige Liste der unterstützten Modelle und Details zum Fixieren der Ebene finden Sie bitte siehe: /azure/machine-learning/how-to-auto-train-image-models.	Schnur
learningRate	Anfängliche Lernrate. Muss ein Gleitkomma im Bereich [0, 1] sein.	Schnur
learningRateScheduler	Typ des Lernrate-Zeitplans. Muss "warmup_cosine" oder "Schritt" sein.	Schnur
modelName	Der Name des Modells, das für die Schulung verwendet werden soll. Weitere Informationen zu den verfügbaren Modellen finden Sie in der offiziellen Dokumentation: /azure/machine-learning/how-to-auto-train-image-models.	Schnur
Impuls	Wert der Dynamik, wenn Optimierer 'sgd' ist. Muss ein Gleitkomma im Bereich [0, 1] sein.	Schnur
nesterov	Aktivieren Sie nesterov, wenn der Optimierer "sgd" ist.	Schnur
numberOfEpochs	Anzahl der Ausbildungszeiten. Muss eine positive ganze Zahl sein.	Schnur
numberOfWorkers	Anzahl der Datenlademitarbeiter. Muss eine nicht negative ganze Zahl sein.	Schnur
Optimierer	Typ des Optimierrs. Muss entweder 'sgd', 'adam' oder 'adamw' sein.	Schnur
randomSeed	Zufälliger Seed, der bei Verwendung deterministischer Schulungen verwendet werden soll.	Schnur
stepLRGamma	Der Wert des Gammawerts, wenn der Lernrate-Scheduler "Schritt" ist. Muss ein Gleitkomma im Bereich [0, 1] sein.	Schnur
stepLRStepSize	Der Wert der Schrittgröße, wenn der Lernrateplaner "Schritt" ist. Muss eine positive ganze Zahl sein.	Schnur
trainingBatchSize	Schulungsbatchgröße. Muss eine positive ganze Zahl sein.	Schnur
trainingCropSize	Bildzuschneidegröße, die in das neurale Netzwerk für das Schulungsdatenset eingegeben wird. Muss eine positive ganze Zahl sein.	Schnur
validationBatchSize	Batchgröße der Überprüfung. Muss eine positive ganze Zahl sein.	Schnur
validationCropSize	Bildzuschneidegröße, die für das Validierungsdatenset in das neurale Netzwerk eingegeben wird. Muss eine positive ganze Zahl sein.	Schnur
validationResizeSizeSize	Bildgröße, für die die Größe vor dem Zuschneiden des Gültigkeits-Datasets geändert werden soll. Muss eine positive ganze Zahl sein.	Schnur
warmupCosineLRCycles	Der Wert des Kosinuszyklus, wenn der Lernrateplaner "warmup_cosine" ist. Muss ein Gleitkomma im Bereich [0, 1] sein.	Schnur
warmupCosineLRWarmupEpochs	Wert der Warmup-Epochen, wenn der Lernratenplaner "warmup_cosine" ist. Muss eine positive ganze Zahl sein.	Schnur
weightDecay	Wert des Gewichtszerfalls, wenn der Optimierer "sgd", "adam" oder "adamw" lautet. Muss ein Gleitkomma im Bereich sein[0, 1].	Schnur
weightedLoss	Gewichtete Verlust. Die akzeptierten Werte sind 0 für keinen gewichteten Verlust. 1 für gewichteten Verlust mit sqrt. (class_weights). 2 für gewichtete Verlust mit class_weights. Muss 0 oder 1 oder 2 sein.	Schnur

ImageSweepSettings

Name	Beschreibung	Wert
earlyTermination	Art der Richtlinie zur vorzeitigen Beendigung.	EarlyTerminationPolicy-
samplingAlgorithm	[Erforderlich] Typ der Hyperparameter-Samplingalgorithmen.	"Bayesian" 'Raster' "Zufällig" (erforderlich)

ImageClassificationMultilabel

Name	Beschreibung	Wert
taskType	[Erforderlich] Aufgabentyp für AutoMLJob.	'ImageClassificationMultilabel' (erforderlich)
limitSettings	[Erforderlich] Beschränken Sie die Einstellungen für den AutoML-Auftrag.	ImageLimitSettings- (erforderlich)
modelSettings	Einstellungen, die für die Schulung des Modells verwendet werden.	ImageModelSettingsClassification-
primaryMetric	Primäre Metrik, die für diesen Vorgang optimiert werden soll.	"AUCWeighted" "Genauigkeit" "AveragePrecisionScoreWeighted" "IOU" "NormMacroRecall" 'PrecisionScoreWeighted'
searchSpace	Suchbereich zum Sampling verschiedener Kombinationen von Modellen und deren Hyperparametern.	ImageModelDistributionSettingsClassification[]
sweepSettings	Modellüberräumung und hyperparameterbezogene Einstellungen.	ImageSweepSettings
validationData	Überprüfungsdateneingaben.	MLTableJobInput-
validationDataSize	Der Anteil des Schulungsdatensatzes, der für validierungszwecke reserviert werden muss. Werte zwischen (0,0 , 1,0) Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird.	Int

ImageInstanceSegmentation

Name	Beschreibung	Wert
taskType	[Erforderlich] Aufgabentyp für AutoMLJob.	'ImageInstanceSegmentation' (erforderlich)
limitSettings	[Erforderlich] Beschränken Sie die Einstellungen für den AutoML-Auftrag.	ImageLimitSettings- (erforderlich)
modelSettings	Einstellungen, die für die Schulung des Modells verwendet werden.	ImageModelSettingsObjectDetection-
primaryMetric	Primäre Metrik, die für diesen Vorgang optimiert werden soll.	"MeanAveragePrecision"
searchSpace	Suchbereich zum Sampling verschiedener Kombinationen von Modellen und deren Hyperparametern.	ImageModelDistributionSettingsObjectDetection[]
sweepSettings	Modellüberräumung und hyperparameterbezogene Einstellungen.	ImageSweepSettings
validationData	Überprüfungsdateneingaben.	MLTableJobInput-
validationDataSize	Der Anteil des Schulungsdatensatzes, der für validierungszwecke reserviert werden muss. Werte zwischen (0,0 , 1,0) Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird.	Int

ImageModelSettingsObjectDetection

Name	Beschreibung	Wert
advancedSettings	Einstellungen für erweiterte Szenarien.	Schnur
amsGradient	Aktivieren Sie AMSGrad, wenn der Optimierer "adam" oder "adamw" ist.	Bool
Vergrößerungen	Einstellungen für die Verwendung von Augmentations.	Schnur
Beta1	Wert von "Beta1", wenn der Optimierer "adam" oder "adamw" ist. Muss ein Gleitkomma im Bereich [0, 1] sein.	Int
Beta2	Wert von 'Beta2', wenn der Optimierer 'adam' oder 'adamw' ist. Muss ein Gleitkomma im Bereich [0, 1] sein.	Int
boxDetectionsPerImage	Maximale Anzahl von Erkennungen pro Bild für alle Klassen. Muss eine positive ganze Zahl sein. Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt.	Int
boxScoreThreshold	Während des Rückschlusses geben nur Vorschläge mit einer Klassifizierungsbewertung zurück, die größer als BoxScoreThreshold. Muss ein Gleitkomma im Bereich sein[0, 1].	Int
checkpointFrequency	Häufigkeit zum Speichern von Modellprüfpunkten. Muss eine positive ganze Zahl sein.	Int
checkpointModel	Das vortrainierte Prüfpunktmodell für inkrementelle Schulungen.	MLFlowModelJobInput
checkpointRunId	Die ID einer vorherigen Ausführung mit einem vortrainierten Prüfpunkt für inkrementelle Schulungen.	Schnur
verteilt	Gibt an, ob verteilte Schulungen verwendet werden sollen.	Bool
earlyStopping	Aktivieren Sie die Logik während der Schulung frühzeitig beenden.	Bool
earlyStoppingDelay	Minimale Anzahl von Epochen oder Validierungsauswertungen, die vor der primären Metrikverbesserung warten wird für einen frühen Stopp nachverfolgt. Muss eine positive ganze Zahl sein.	Int
earlyStoppingPatience	Mindestanzahl von Epochen oder Validierungsbewertungen ohne primäre Metrikverbesserung vor die Ausführung wird beendet. Muss eine positive ganze Zahl sein.	Int
enableOnnxNormalization	Aktivieren Sie die Normalisierung beim Exportieren des ONNX-Modells.	Bool
evaluationFrequency	Häufigkeit zum Auswerten des Validierungsdatensets zum Abrufen von Metrikergebnissen. Muss eine positive ganze Zahl sein.	Int
gradientAccumulationStep	Farbverlaufsakkumulation bedeutet, dass eine konfigurierte Anzahl von "GradAccumulationStep"-Schritten ohne Aktualisieren der Modellgewichte beim Akkumulieren der Farbverläufe dieser Schritte und anschließendes Verwenden von die akkumulierten Farbverläufe, um die Gewichtungsaktualisierungen zu berechnen. Muss eine positive ganze Zahl sein.	Int
imageSize	Bildgröße für Train und Validierung. Muss eine positive ganze Zahl sein. Hinweis: Der Trainingslauf kann in CUDA OOM kommen, wenn die Größe zu groß ist. Hinweis: Diese Einstellungen werden nur für den Algorithmus "yolov5" unterstützt.	Int
layersToFreeze	Anzahl der Ebenen, die für das Modell fixiert werden sollen. Muss eine positive ganze Zahl sein. Beispielsweise bedeutet die Übergabe von 2 als Wert für "seresnext" Einfrieren von Schicht0 und Ebene1. Eine vollständige Liste der unterstützten Modelle und Details zum Fixieren der Ebene finden Sie bitte siehe: /azure/machine-learning/how-to-auto-train-image-models.	Int
learningRate	Anfängliche Lernrate. Muss ein Gleitkomma im Bereich [0, 1] sein.	Int
learningRateScheduler	Typ des Lernrate-Zeitplans. Muss "warmup_cosine" oder "Schritt" sein.	'None' "Schritt" "WarmupCosine"
maxSize	Maximale Größe des Bilds, das neu skaliert werden soll, bevor es in das Backbone verschoben wird. Muss eine positive ganze Zahl sein. Hinweis: Der Trainingslauf kann zu CUDA OOM kommen, wenn die Größe zu groß ist. Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt.	Int
minSize	Mindestgröße des Bilds, das neu skaliert werden soll, bevor es in das Backbone eingespeist wird. Muss eine positive ganze Zahl sein. Hinweis: Der Trainingslauf kann zu CUDA OOM kommen, wenn die Größe zu groß ist. Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt.	Int
modelName	Der Name des Modells, das für die Schulung verwendet werden soll. Weitere Informationen zu den verfügbaren Modellen finden Sie in der offiziellen Dokumentation: /azure/machine-learning/how-to-auto-train-image-models.	Schnur
modelSize	Modellgröße. Muss "klein", "mittel", "groß" oder "xlarge" sein. Hinweis: Der Trainingslauf kann zu CUDA OOM kommen, wenn die Modellgröße zu groß ist. Hinweis: Diese Einstellungen werden nur für den Algorithmus "yolov5" unterstützt.	"ExtraLarge" "Groß" "Mittel" 'None' "Klein"
Impuls	Wert der Dynamik, wenn Optimierer 'sgd' ist. Muss ein Gleitkomma im Bereich [0, 1] sein.	Int
MultiScale	Aktivieren Sie das Bild mit mehreren Skalierungen durch unterschiedliche Bildgröße um +/- 50%. Hinweis: Der Schulungslauf kann in CUDA OOM erfolgen, wenn kein ausreichender GPU-Speicher vorhanden ist. Hinweis: Diese Einstellungen werden nur für den Algorithmus "yolov5" unterstützt.	Bool
nesterov	Aktivieren Sie nesterov, wenn der Optimierer "sgd" ist.	Bool
nmsIouThreshold	IOU-Schwellenwert, der während der Ableitung in der NMS-Nachbearbeitung verwendet wird. Muss ein Gleitkomma im Bereich [0, 1] sein.	Int
numberOfEpochs	Anzahl der Ausbildungszeiten. Muss eine positive ganze Zahl sein.	Int
numberOfWorkers	Anzahl der Datenlademitarbeiter. Muss eine nicht negative ganze Zahl sein.	Int
Optimierer	Typ des Optimierrs.	'Adam' 'Adamw' 'None' 'Sgd'
randomSeed	Zufälliger Seed, der bei Verwendung deterministischer Schulungen verwendet werden soll.	Int
stepLRGamma	Der Wert des Gammawerts, wenn der Lernrate-Scheduler "Schritt" ist. Muss ein Gleitkomma im Bereich [0, 1] sein.	Int
stepLRStepSize	Der Wert der Schrittgröße, wenn der Lernrateplaner "Schritt" ist. Muss eine positive ganze Zahl sein.	Int
tileGridSize	Die Rastergröße, die zum Nebeneinander der einzelnen Bilder verwendet werden soll. Hinweis: TileGridSize darf nicht sein Keines, um kleine Objekterkennungslogik zu aktivieren. Eine Zeichenfolge, die zwei ganze Zahlen im Mxn-Format enthält. Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt.	Schnur
tileOverlapRatio	Überlappungsverhältnis zwischen angrenzenden Kacheln in jeder Dimension. Muss im Bereich [0, 1) gleiten. Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt.	Int
tilePredictionsNmsThreshold	Der IOU-Schwellenwert zum Ausführen von NMS beim Zusammenführen von Vorhersagen von Kacheln und Bildern. Wird in Überprüfung/Rückschluss verwendet. Muss im Bereich [0, 1] gleiten. Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt.	Int
trainingBatchSize	Schulungsbatchgröße. Muss eine positive ganze Zahl sein.	Int
validationBatchSize	Batchgröße der Überprüfung. Muss eine positive ganze Zahl sein.	Int
validationIouThreshold	IOU-Schwellenwert, der beim Berechnen der Validierungsmetrik verwendet werden soll. Muss im Bereich [0, 1] gleiten.	Int
validationMetricType	Metrische Berechnungsmethode, die für Validierungsmetriken verwendet werden soll.	"Coco" "CocoVoc" 'None' "Voc"
warmupCosineLRCycles	Der Wert des Kosinuszyklus, wenn der Lernrateplaner "warmup_cosine" ist. Muss ein Gleitkomma im Bereich [0, 1] sein.	Int
warmupCosineLRWarmupEpochs	Wert der Warmup-Epochen, wenn der Lernratenplaner "warmup_cosine" ist. Muss eine positive ganze Zahl sein.	Int
weightDecay	Wert des Gewichtszerfalls, wenn der Optimierer "sgd", "adam" oder "adamw" lautet. Muss ein Gleitkomma im Bereich sein[0, 1].	Int

ImageModelDistributionSettingsObjectDetection

Name	Beschreibung	Wert
amsGradient	Aktivieren Sie AMSGrad, wenn der Optimierer "adam" oder "adamw" ist.	Schnur
Vergrößerungen	Einstellungen für die Verwendung von Augmentations.	Schnur
Beta1	Wert von "Beta1", wenn der Optimierer "adam" oder "adamw" ist. Muss ein Gleitkomma im Bereich [0, 1] sein.	Schnur
Beta2	Wert von 'Beta2', wenn der Optimierer 'adam' oder 'adamw' ist. Muss ein Gleitkomma im Bereich [0, 1] sein.	Schnur
boxDetectionsPerImage	Maximale Anzahl von Erkennungen pro Bild für alle Klassen. Muss eine positive ganze Zahl sein. Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt.	Schnur
boxScoreThreshold	Während des Rückschlusses geben nur Vorschläge mit einer Klassifizierungsbewertung zurück, die größer als BoxScoreThreshold. Muss ein Gleitkomma im Bereich sein[0, 1].	Schnur
verteilt	Gibt an, ob die Verteilungsschulung verwendet werden soll.	Schnur
earlyStopping	Aktivieren Sie die Logik während der Schulung frühzeitig beenden.	Schnur
earlyStoppingDelay	Minimale Anzahl von Epochen oder Validierungsauswertungen, die vor der primären Metrikverbesserung warten wird für einen frühen Stopp nachverfolgt. Muss eine positive ganze Zahl sein.	Schnur
earlyStoppingPatience	Mindestanzahl von Epochen oder Validierungsbewertungen ohne primäre Metrikverbesserung vor die Ausführung wird beendet. Muss eine positive ganze Zahl sein.	Schnur
enableOnnxNormalization	Aktivieren Sie die Normalisierung beim Exportieren des ONNX-Modells.	Schnur
evaluationFrequency	Häufigkeit zum Auswerten des Validierungsdatensets zum Abrufen von Metrikergebnissen. Muss eine positive ganze Zahl sein.	Schnur
gradientAccumulationStep	Farbverlaufsakkumulation bedeutet, dass eine konfigurierte Anzahl von "GradAccumulationStep"-Schritten ohne Aktualisieren der Modellgewichte beim Akkumulieren der Farbverläufe dieser Schritte und anschließendes Verwenden von die akkumulierten Farbverläufe, um die Gewichtungsaktualisierungen zu berechnen. Muss eine positive ganze Zahl sein.	Schnur
imageSize	Bildgröße für Train und Validierung. Muss eine positive ganze Zahl sein. Hinweis: Der Trainingslauf kann in CUDA OOM kommen, wenn die Größe zu groß ist. Hinweis: Diese Einstellungen werden nur für den Algorithmus "yolov5" unterstützt.	Schnur
layersToFreeze	Anzahl der Ebenen, die für das Modell fixiert werden sollen. Muss eine positive ganze Zahl sein. Beispielsweise bedeutet die Übergabe von 2 als Wert für "seresnext" Einfrieren von Schicht0 und Ebene1. Eine vollständige Liste der unterstützten Modelle und Details zum Fixieren der Ebene finden Sie bitte siehe: /azure/machine-learning/how-to-auto-train-image-models.	Schnur
learningRate	Anfängliche Lernrate. Muss ein Gleitkomma im Bereich [0, 1] sein.	Schnur
learningRateScheduler	Typ des Lernrate-Zeitplans. Muss "warmup_cosine" oder "Schritt" sein.	Schnur
maxSize	Maximale Größe des Bilds, das neu skaliert werden soll, bevor es in das Backbone verschoben wird. Muss eine positive ganze Zahl sein. Hinweis: Der Trainingslauf kann zu CUDA OOM kommen, wenn die Größe zu groß ist. Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt.	Schnur
minSize	Mindestgröße des Bilds, das neu skaliert werden soll, bevor es in das Backbone eingespeist wird. Muss eine positive ganze Zahl sein. Hinweis: Der Trainingslauf kann zu CUDA OOM kommen, wenn die Größe zu groß ist. Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt.	Schnur
modelName	Der Name des Modells, das für die Schulung verwendet werden soll. Weitere Informationen zu den verfügbaren Modellen finden Sie in der offiziellen Dokumentation: /azure/machine-learning/how-to-auto-train-image-models.	Schnur
modelSize	Modellgröße. Muss "klein", "mittel", "groß" oder "xlarge" sein. Hinweis: Der Trainingslauf kann zu CUDA OOM kommen, wenn die Modellgröße zu groß ist. Hinweis: Diese Einstellungen werden nur für den Algorithmus "yolov5" unterstützt.	Schnur
Impuls	Wert der Dynamik, wenn Optimierer 'sgd' ist. Muss ein Gleitkomma im Bereich [0, 1] sein.	Schnur
MultiScale	Aktivieren Sie das Bild mit mehreren Skalierungen durch unterschiedliche Bildgröße um +/- 50%. Hinweis: Der Schulungslauf kann in CUDA OOM erfolgen, wenn kein ausreichender GPU-Speicher vorhanden ist. Hinweis: Diese Einstellungen werden nur für den Algorithmus "yolov5" unterstützt.	Schnur
nesterov	Aktivieren Sie nesterov, wenn der Optimierer "sgd" ist.	Schnur
nmsIouThreshold	IOU-Schwellenwert, der während der Ableitung in der NMS-Nachbearbeitung verwendet wird. Muss im Bereich [0, 1] gleiten.	Schnur
numberOfEpochs	Anzahl der Ausbildungszeiten. Muss eine positive ganze Zahl sein.	Schnur
numberOfWorkers	Anzahl der Datenlademitarbeiter. Muss eine nicht negative ganze Zahl sein.	Schnur
Optimierer	Typ des Optimierrs. Muss entweder 'sgd', 'adam' oder 'adamw' sein.	Schnur
randomSeed	Zufälliger Seed, der bei Verwendung deterministischer Schulungen verwendet werden soll.	Schnur
stepLRGamma	Der Wert des Gammawerts, wenn der Lernrate-Scheduler "Schritt" ist. Muss ein Gleitkomma im Bereich [0, 1] sein.	Schnur
stepLRStepSize	Der Wert der Schrittgröße, wenn der Lernrateplaner "Schritt" ist. Muss eine positive ganze Zahl sein.	Schnur
tileGridSize	Die Rastergröße, die zum Nebeneinander der einzelnen Bilder verwendet werden soll. Hinweis: TileGridSize darf nicht sein Keines, um kleine Objekterkennungslogik zu aktivieren. Eine Zeichenfolge, die zwei ganze Zahlen im Mxn-Format enthält. Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt.	Schnur
tileOverlapRatio	Überlappungsverhältnis zwischen angrenzenden Kacheln in jeder Dimension. Muss im Bereich [0, 1) gleiten. Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt.	Schnur
tilePredictionsNmsThreshold	Der IOU-Schwellenwert zum Ausführen von NMS beim Zusammenführen von Vorhersagen von Kacheln und Bildern. Wird in Überprüfung/Rückschluss verwendet. Muss im Bereich [0, 1] gleiten. Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt. NMS: Nicht maximale Unterdrückung	Schnur
trainingBatchSize	Schulungsbatchgröße. Muss eine positive ganze Zahl sein.	Schnur
validationBatchSize	Batchgröße der Überprüfung. Muss eine positive ganze Zahl sein.	Schnur
validationIouThreshold	IOU-Schwellenwert, der beim Berechnen der Validierungsmetrik verwendet werden soll. Muss im Bereich [0, 1] gleiten.	Schnur
validationMetricType	Metrische Berechnungsmethode, die für Validierungsmetriken verwendet werden soll. Muss "none", "coco", "voc" oder "coco_voc" sein.	Schnur
warmupCosineLRCycles	Der Wert des Kosinuszyklus, wenn der Lernrateplaner "warmup_cosine" ist. Muss ein Gleitkomma im Bereich [0, 1] sein.	Schnur
warmupCosineLRWarmupEpochs	Wert der Warmup-Epochen, wenn der Lernratenplaner "warmup_cosine" ist. Muss eine positive ganze Zahl sein.	Schnur
weightDecay	Wert des Gewichtszerfalls, wenn der Optimierer "sgd", "adam" oder "adamw" lautet. Muss ein Gleitkomma im Bereich sein[0, 1].	Schnur

ImageObjectDetection

Name	Beschreibung	Wert
taskType	[Erforderlich] Aufgabentyp für AutoMLJob.	'ImageObjectDetection' (erforderlich)
limitSettings	[Erforderlich] Beschränken Sie die Einstellungen für den AutoML-Auftrag.	ImageLimitSettings- (erforderlich)
modelSettings	Einstellungen, die für die Schulung des Modells verwendet werden.	ImageModelSettingsObjectDetection-
primaryMetric	Primäre Metrik, die für diesen Vorgang optimiert werden soll.	"MeanAveragePrecision"
searchSpace	Suchbereich zum Sampling verschiedener Kombinationen von Modellen und deren Hyperparametern.	ImageModelDistributionSettingsObjectDetection[]
sweepSettings	Modellüberräumung und hyperparameterbezogene Einstellungen.	ImageSweepSettings
validationData	Überprüfungsdateneingaben.	MLTableJobInput-
validationDataSize	Der Anteil des Schulungsdatensatzes, der für validierungszwecke reserviert werden muss. Werte zwischen (0,0 , 1,0) Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird.	Int

Regression

Name	Beschreibung	Wert
taskType	[Erforderlich] Aufgabentyp für AutoMLJob.	"Regression" (erforderlich)
cvSplitColumnNames	Spalten, die für CVSplit-Daten verwendet werden sollen.	string[]
featurizationSettings	Reifungseingaben, die für den AutoML-Auftrag erforderlich sind.	TableVerticalFeaturizationSettings
fixedParameters	Modell-/Schulungsparameter, die während der gesamten Schulung konstant bleiben.	TableFixedParameters-
limitSettings	Ausführungseinschränkungen für AutoMLJob.	TableVerticalLimitSettings
nCrossValidations	Anzahl der Kreuzüberprüfungsfalten, die auf schulungsdatensatz angewendet werden sollen wenn kein Validierungsdatensatz bereitgestellt wird.	NCrossValidations-
primaryMetric	Primäre Metrik für Regressionsaufgabe.	"NormalizedMeanAbsoluteError" "NormalizedRootMeanSquaredError" 'R2Score' 'SpearmanCorrelation'
searchSpace	Suchbereich zum Sampling verschiedener Kombinationen von Modellen und deren Hyperparametern.	TableParameterSubspace[]
sweepSettings	Einstellungen für die Optimierung von Modellüberräumungen und Hyperparametern.	TableSweepSettings
testData	Testen sie die Dateneingabe.	MLTableJobInput-
testDataSize	Der Anteil des Testdatensatzes, der für validierungszwecke reserviert werden muss. Werte zwischen (0,0 , 1,0) Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird.	Int
trainingSettings	Eingaben für die Schulungsphase für einen AutoML-Auftrag.	RegressionTrainingSettings
validationData	Überprüfungsdateneingaben.	MLTableJobInput-
validationDataSize	Der Anteil des Schulungsdatensatzes, der für validierungszwecke reserviert werden muss. Werte zwischen (0,0 , 1,0) Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird.	Int
weightColumnName	Der Name der Beispielgewichtungsspalte. Automatisierte ML unterstützt eine gewichtete Spalte als Eingabe, wodurch Zeilen in den Daten nach oben oder unten gewichtet werden.	Schnur

RegressionTrainingSettings

Name	Beschreibung	Wert
allowedTrainingAlgorithms	Zulässige Modelle für Regressionsaufgabe.	Zeichenfolgenarray, das eine der folgenden Elemente enthält: "DecisionTree" "ElasticNet" "ExtremeRandomTrees" "GradientBoosting" 'KNN' "LassoLars" "LightGBM" "RandomForest" "SGD" 'XGBoostRegressor'
blockedTrainingAlgorithms	Blockierte Modelle für Regressionsaufgabe.	Zeichenfolgenarray, das eine der folgenden Elemente enthält: "DecisionTree" "ElasticNet" "ExtremeRandomTrees" "GradientBoosting" 'KNN' "LassoLars" "LightGBM" "RandomForest" "SGD" 'XGBoostRegressor'
enableDnnTraining	Aktivieren Sie die Empfehlung von DNN-Modellen.	Bool
enableModelExplainability	Kennzeichnen Sie die Kennzeichnung, um die Erläuterung für das beste Modell zu aktivieren.	Bool
enableOnnxCompatibleModels	Kennzeichnung zum Aktivieren von onnx-kompatiblen Modellen.	Bool
enableStackEnsemble	Stapelensembleausführung aktivieren.	Bool
enableVoteEnsemble	Aktivieren Des Abstimmungsensembles.	Bool
ensembleModelDownloadTimeout	Während der VotingEnsemble- und StackEnsemble-Modellgeneration werden mehrere einbaute Modelle aus den vorherigen Kinderläufen heruntergeladen. Konfigurieren Sie diesen Parameter mit einem höheren Wert als 300 Sek., wenn mehr Zeit erforderlich ist.	Schnur
stackEnsembleSettings	Stack ensemble settings for stack ensemble run.	StackEnsembleSettings
trainingMode	TrainingMode-Modus - Die Einstellung auf "Auto" ist identisch mit dem Festlegen auf "nicht verteilt" für jetzt, kann jedoch in Zukunft zu einer gemischten Modus- oder Heuristik-basierten Modusauswahl führen. Der Standardwert ist "auto". Wenn "Verteilt" verwendet wird, werden nur verteilte Featurisierung verwendet und verteilte Algorithmen ausgewählt. Wenn "NonDistributed" ausgewählt wird, werden nur nicht verteilte Algorithmen ausgewählt.	"Auto" "Verteilt" "Nicht verteilt"

TextClassification

Name	Beschreibung	Wert
taskType	[Erforderlich] Aufgabentyp für AutoMLJob.	'TextClassification' (erforderlich)
featurizationSettings	Reifungseingaben, die für den AutoML-Auftrag erforderlich sind.	NlpVerticalFeaturizationSettings
fixedParameters	Modell-/Schulungsparameter, die während der gesamten Schulung konstant bleiben.	NlpFixedParameters
limitSettings	Ausführungseinschränkungen für AutoMLJob.	NlpVerticalLimitSettings
primaryMetric	Primäre Metrik für Text-Classification Vorgang.	"AUCWeighted" "Genauigkeit" "AveragePrecisionScoreWeighted" "NormMacroRecall" 'PrecisionScoreWeighted'
searchSpace	Suchbereich zum Sampling verschiedener Kombinationen von Modellen und deren Hyperparametern.	NlpParameterSubspace[]
sweepSettings	Einstellungen für die Optimierung von Modellüberräumungen und Hyperparametern.	NlpSweepSettings
validationData	Überprüfungsdateneingaben.	MLTableJobInput-

NlpVerticalFeaturizationSettings

Name	Beschreibung	Wert
datasetLanguage	Datasetsprache, nützlich für die Textdaten.	Schnur

NlpFixedParameters

Name	Beschreibung	Wert
gradientAccumulationSteps	Die Anzahl der Schritte zum Ansammeln von Farbverläufen vor dem Ausführen eines Rückwärtsdurchlaufs.	Int
learningRate	Die Lernrate für das Trainingsverfahren.	Int
learningRateScheduler	Die Art des Lernratenplans, der während des Schulungsvorgangs verwendet werden soll.	'Konstante' 'ConstantWithWarmup' "Kosinus" "CosineWithRestarts" "Linear" 'None' "Polynomisch"
modelName	Der Name des zu trainierenden Modells.	Schnur
numberOfEpochs	Anzahl der Ausbildungszeiten.	Int
trainingBatchSize	Die Batchgröße für den Schulungsvorgang.	Int
validationBatchSize	Die Batchgröße, die während der Auswertung verwendet werden soll.	Int
warmupRatio	Das Warmupverhältnis, das zusammen mit LrSchedulerType verwendet wird.	Int
weightDecay	Das Gewicht verfallen für das Trainingsverfahren.	Int

NlpVerticalLimitSettings

Name	Beschreibung	Wert
maxConcurrentTrials	Maximale anzahl gleichzeitige AutoML-Iterationen.	Int
maxNodes	Maximale Anzahl von Knoten, die für das Experiment verwendet werden sollen.	Int
maxTrials	Anzahl der AutoML-Iterationen.	Int
Zeitüberschreitung	AutoML-Auftragstimeout.	Schnur
trialTimeout	Timeout für einzelne HD-Testversionen.	Schnur

NlpParameterSubspace

Name	Beschreibung	Wert
gradientAccumulationSteps	Die Anzahl der Schritte zum Ansammeln von Farbverläufen vor dem Ausführen eines Rückwärtsdurchlaufs.	Schnur
learningRate	Die Lernrate für das Trainingsverfahren.	Schnur
learningRateScheduler	Die Art des Lernratenplans, der während des Schulungsvorgangs verwendet werden soll.	Schnur
modelName	Der Name des zu trainierenden Modells.	Schnur
numberOfEpochs	Anzahl der Ausbildungszeiten.	Schnur
trainingBatchSize	Die Batchgröße für den Schulungsvorgang.	Schnur
validationBatchSize	Die Batchgröße, die während der Auswertung verwendet werden soll.	Schnur
warmupRatio	Das Warmupverhältnis, das zusammen mit LrSchedulerType verwendet wird.	Schnur
weightDecay	Das Gewicht verfallen für das Trainingsverfahren.	Schnur

NlpSweepSettings

Name	Beschreibung	Wert
earlyTermination	Art der Richtlinie für vorzeitige Beendigung für den aufräumenden Auftrag.	EarlyTerminationPolicy-
samplingAlgorithm	[Erforderlich] Typ des Samplingalgorithmus.	"Bayesian" 'Raster' "Zufällig" (erforderlich)

TextClassificationMultilabel

Name	Beschreibung	Wert
taskType	[Erforderlich] Aufgabentyp für AutoMLJob.	'TextClassificationMultilabel' (erforderlich)
featurizationSettings	Reifungseingaben, die für den AutoML-Auftrag erforderlich sind.	NlpVerticalFeaturizationSettings
fixedParameters	Modell-/Schulungsparameter, die während der gesamten Schulung konstant bleiben.	NlpFixedParameters
limitSettings	Ausführungseinschränkungen für AutoMLJob.	NlpVerticalLimitSettings
searchSpace	Suchbereich zum Sampling verschiedener Kombinationen von Modellen und deren Hyperparametern.	NlpParameterSubspace[]
sweepSettings	Einstellungen für die Optimierung von Modellüberräumungen und Hyperparametern.	NlpSweepSettings
validationData	Überprüfungsdateneingaben.	MLTableJobInput-

TextNer

Name	Beschreibung	Wert
taskType	[Erforderlich] Aufgabentyp für AutoMLJob.	'TextNER' (erforderlich)
featurizationSettings	Reifungseingaben, die für den AutoML-Auftrag erforderlich sind.	NlpVerticalFeaturizationSettings
fixedParameters	Modell-/Schulungsparameter, die während der gesamten Schulung konstant bleiben.	NlpFixedParameters
limitSettings	Ausführungseinschränkungen für AutoMLJob.	NlpVerticalLimitSettings
searchSpace	Suchbereich zum Sampling verschiedener Kombinationen von Modellen und deren Hyperparametern.	NlpParameterSubspace[]
sweepSettings	Einstellungen für die Optimierung von Modellüberräumungen und Hyperparametern.	NlpSweepSettings
validationData	Überprüfungsdateneingaben.	MLTableJobInput-

CommandJob

Name	Beschreibung	Wert
jobType	[Erforderlich] Gibt den Auftragstyp an.	'Befehl' (erforderlich)
autologgerSettings	Verteilungskonfiguration des Auftrags. Wenn festgelegt, sollte dies eines von Mpi, Tensorflow, PyTorch oder Null sein.	AutologgerSettings
codeId	ARM-Ressourcen-ID der Coderessource.	Schnur
Befehl	[Erforderlich] Der Befehl, der beim Starten des Auftrags ausgeführt werden soll. Zb. "python train.py"	Zeichenfolge (erforderlich) Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_]
Verteilung	Verteilungskonfiguration des Auftrags. Wenn festgelegt, sollte dies eines von Mpi, Tensorflow, PyTorch oder Null sein.	DistributionConfiguration-
environmentId	[Erforderlich] Die ARM-Ressourcen-ID der Umgebungsspezifikation für den Auftrag.	Zeichenfolge (erforderlich) Zwänge: Pattern = [a-zA-Z0-9_]
environmentVariables	Umgebungsvariablen, die im Auftrag enthalten sind.	CommandJobEnvironmentVariables
Eingänge	Zuordnung von Eingabedatenbindungen, die im Auftrag verwendet werden.	CommandJobInputs-
grenzen	Befehlsauftragslimit.	CommandJobLimits-
Ausgaben	Zuordnung von Ausgabedatenbindungen, die im Auftrag verwendet werden.	CommandJobOutputs-
Betriebsmittel	Berechnen der Ressourcenkonfiguration für den Auftrag.	JobResourceConfiguration-

AutologgerSettings

Name	Beschreibung	Wert
mlflowAutologger	[Erforderlich] Gibt an, ob mlflow autologger aktiviert ist.	"Deaktiviert" "Aktiviert" (erforderlich)

DistributionConfiguration

Name	Beschreibung	Wert
distributionType	Festlegen des Objekttyps	Mpi PyTorch- TensorFlow- (erforderlich)

Mpi

Name	Beschreibung	Wert
distributionType	[Erforderlich] Gibt den Typ des Verteilungsframeworks an.	"Mpi" (erforderlich)
processCountPerInstance	Anzahl der Prozesse pro MPI-Knoten.	Int

PyTorch

Name	Beschreibung	Wert
distributionType	[Erforderlich] Gibt den Typ des Verteilungsframeworks an.	'PyTorch' (erforderlich)
processCountPerInstance	Anzahl der Prozesse pro Knoten.	Int

TensorFlow

Name	Beschreibung	Wert
distributionType	[Erforderlich] Gibt den Typ des Verteilungsframeworks an.	"TensorFlow" (erforderlich)
parameterServerCount	Anzahl der Parameterserveraufgaben.	Int
workerCount	Anzahl der Arbeitnehmer. Wenn nicht angegeben, wird standardmäßig die Instanzanzahl verwendet.	Int

CommandJobEnvironmentVariables

Name	Beschreibung	Wert
{angepasste Eigenschaft}		Schnur

CommandJobInputs

Name	Beschreibung	Wert
{angepasste Eigenschaft}		JobInput-

JobInput

Name	Beschreibung	Wert
Beschreibung	Beschreibung für die Eingabe.	Schnur
jobInputType	Festlegen des Objekttyps	custom_model Literal- mlflow_model mltable triton_model uri_file uri_folder (erforderlich)

CustomModelJobInput

Name	Beschreibung	Wert
jobInputType	[Erforderlich] Gibt den Auftragstyp an.	"custom_model" (erforderlich)
Modus	Übermittlungsmodus der Eingaberessource.	"Direkt" "Herunterladen" 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
Uri	[Erforderlich] Eingabeobjekt-URI.	Zeichenfolge (erforderlich) Zwänge: Pattern = [a-zA-Z0-9_]

LiteralJobInput

Name	Beschreibung	Wert
jobInputType	[Erforderlich] Gibt den Auftragstyp an.	"literal" (erforderlich)
Wert	[Erforderlich] Literalwert für die Eingabe.	Zeichenfolge (erforderlich) Zwänge: Pattern = [a-zA-Z0-9_]

TritonModelJobInput

Name	Beschreibung	Wert
jobInputType	[Erforderlich] Gibt den Auftragstyp an.	"triton_model" (erforderlich)
Modus	Übermittlungsmodus der Eingaberessource.	"Direkt" "Herunterladen" 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
Uri	[Erforderlich] Eingabeobjekt-URI.	Zeichenfolge (erforderlich) Zwänge: Pattern = [a-zA-Z0-9_]

UriFileJobInput

Name	Beschreibung	Wert
jobInputType	[Erforderlich] Gibt den Auftragstyp an.	"uri_file" (erforderlich)
Modus	Übermittlungsmodus der Eingaberessource.	"Direkt" "Herunterladen" 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
Uri	[Erforderlich] Eingabeobjekt-URI.	Zeichenfolge (erforderlich) Zwänge: Pattern = [a-zA-Z0-9_]

UriFolderJobInput

Name	Beschreibung	Wert
jobInputType	[Erforderlich] Gibt den Auftragstyp an.	"uri_folder" (erforderlich)
Modus	Übermittlungsmodus der Eingaberessource.	"Direkt" "Herunterladen" 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
Uri	[Erforderlich] Eingabeobjekt-URI.	Zeichenfolge (erforderlich) Zwänge: Pattern = [a-zA-Z0-9_]

CommandJobLimits

Name	Beschreibung	Wert
jobLimitsType	[Erforderlich] JobLimit-Typ.	'Befehl' "Aufräumen" (erforderlich)
Zeitüberschreitung	Die maximale Laufzeit im ISO 8601-Format, nach der der Auftrag abgebrochen wird. Unterstützt nur die Dauer mit der Genauigkeit so niedrig wie Sekunden.	Schnur

CommandJobOutputs

Name	Beschreibung	Wert
{angepasste Eigenschaft}		JobOutput-

LabelingJobProperties

Name	Beschreibung	Wert
componentId	ARM-Ressourcen-ID der Komponentenressource.	Schnur
computeId	ARM-Ressourcen-ID der Computeressource.	Schnur
dataConfiguration	Konfiguration der im Auftrag verwendeten Daten.	LabelingDataConfiguration-
Beschreibung	Der Text der Objektbeschreibung.	Schnur
displayName	Anzeigename des Auftrags.	Schnur
experimentName	Der Name des Experiments, zu dem der Auftrag gehört. Wenn nicht festgelegt, wird der Auftrag im Experiment "Standard" platziert.	Schnur
Identität	Identitätskonfiguration. Wenn festgelegt, sollte dies eine von AmlToken, ManagedIdentity, UserIdentity oder NULL sein. Der Standardwert ist AmlToken, wenn null.	IdentityConfiguration-
isArchived	Ist die Ressource archiviert?	Bool
jobInstructions	Bezeichnungsanweisungen des Auftrags.	LabelingJobInstructions
jobType	[Erforderlich] Gibt den Auftragstyp an.	'AutoML' 'Befehl' "Bezeichnung" 'Pipeline' "Spark" "Aufräumen" (erforderlich)
labelCategories	Bezeichnungskategorien des Auftrags.	LabelingJobLabelCategories
labelingJobMediaProperties	Medientypspezifische Eigenschaften im Auftrag.	LabelingJobMediaProperties
mlAssistConfiguration	Konfiguration der MLAssist-Funktion im Auftrag.	MLAssistConfiguration
Eigenschaften	Das Objekteigenschaftenverzeichnis.	ResourceBaseProperties-
Dienste	Liste der JobEndpoints. Für lokale Aufträge verfügt ein Auftragsendpunkt über einen Endpunktwert von FileStreamObject.	JobBaseServices-
Schilder	Tagwörterbuch. Tags können hinzugefügt, entfernt und aktualisiert werden.	Objekt

LabelingDataConfiguration

Name	Beschreibung	Wert
dataId	Ressourcen-ID der Datenressource zum Ausführen der Bezeichnung.	Schnur
inkrementelleDataRefresh	Gibt an, ob die inkrementelle Datenaktualisierung aktiviert werden soll.	"Deaktiviert" "Aktiviert"

LabelingJobInstructions

Name	Beschreibung	Wert
Uri	Der Link zu einer Seite mit detaillierten Bezeichnungsanweisungen für Bezeichnungen.	Schnur

LabelingJobLabelCategories

Name	Beschreibung	Wert
{angepasste Eigenschaft}		LabelCategory-

LabelCategory

Name	Beschreibung	Wert
Klassen	Wörterbuch der Bezeichnungsklassen in dieser Kategorie.	LabelCategoryClasses
displayName	Anzeigename der Bezeichnungskategorie.	Schnur
multiSelect	Gibt an, ob mehrere Klassen in dieser Kategorie ausgewählt werden dürfen.	"Deaktiviert" "Aktiviert"

LabelCategoryClasses

Name	Beschreibung	Wert
{angepasste Eigenschaft}		LabelClass-

LabelClass

Name	Beschreibung	Wert
displayName	Anzeigename der Bezeichnungsklasse.	Schnur
Unterklassen	Wörterbuch der Unterklassen der Bezeichnungsklasse.	LabelClassSubclasses

LabelClassSubclasses

Name	Beschreibung	Wert
{angepasste Eigenschaft}		LabelClass-

LabelingJobMediaProperties

Name	Beschreibung	Wert
mediaType	Festlegen des Objekttyps	Bild- Text- (erforderlich)

LabelingJobImageProperties

Name	Beschreibung	Wert
mediaType	[Erforderlich] Medientyp des Auftrags.	"Image" (erforderlich)
annotationType	Anmerkungstyp des Bildbezeichnungsauftrags.	"BoundingBox" "Klassifizierung" 'InstanceSegmentation'

LabelingJobTextProperties

Name	Beschreibung	Wert
mediaType	[Erforderlich] Medientyp des Auftrags.	"Text" (erforderlich)
annotationType	Anmerkungstyp des Textbezeichnungsauftrags.	"Klassifizierung" 'NamedEntityRecognition'

MLAssistConfiguration

Name	Beschreibung	Wert
mlAssist	Festlegen des Objekttyps	Deaktiviert Aktivierte (erforderlich)

MLAssistConfigurationDisabled

Name	Beschreibung	Wert
mlAssist	[Erforderlich] Gibt an, ob das MLAssist-Feature aktiviert ist.	"Deaktiviert" (erforderlich)

MLAssistConfigurationEnabled

Name	Beschreibung	Wert
mlAssist	[Erforderlich] Gibt an, ob das MLAssist-Feature aktiviert ist.	"Aktiviert" (erforderlich)
inferencingComputeBinding	[Erforderlich] AML-Computebindung, die bei der Ableitung verwendet wird.	Zeichenfolge (erforderlich) Zwänge: Pattern = [a-zA-Z0-9_]
trainingComputeBinding	[Erforderlich] Im Training verwendete AML-Computebindung.	Zeichenfolge (erforderlich) Zwänge: Pattern = [a-zA-Z0-9_]

PipelineJob

Name	Beschreibung	Wert
jobType	[Erforderlich] Gibt den Auftragstyp an.	"Pipeline" (erforderlich)
Eingänge	Eingaben für den Pipelineauftrag.	PipelineJobInputs-
arbeitsplätze	Aufträge konstruieren den Pipelineauftrag.	PipelineJobJobs-
Ausgaben	Ausgaben für den Pipelineauftrag	PipelineJobOutputs
Einstellungen	Pipelineeinstellungen für Dinge wie ContinueRunOnStepFailure usw.	Für Bicep können Sie die any()-Funktion verwenden.
sourceJobId	ARM-Ressourcen-ID des Quellauftrags.	Schnur

PipelineJobInputs

Name	Beschreibung	Wert
{angepasste Eigenschaft}		JobInput-

PipelineJobJobs

Name	Beschreibung	Wert
{angepasste Eigenschaft}		Für Bicep können Sie die any()-Funktion verwenden.

PipelineJobOutputs

Name	Beschreibung	Wert
{angepasste Eigenschaft}		JobOutput-

SparkJob

Name	Beschreibung	Wert
jobType	[Erforderlich] Gibt den Auftragstyp an.	"Spark" (erforderlich)
Archiv	Archivdateien, die im Auftrag verwendet werden.	string[]
Args	Argumente für den Auftrag.	Schnur
codeId	[Erforderlich] ARM-Ressourcen-ID der Coderessource.	Zeichenfolge (erforderlich) Zwänge: Pattern = [a-zA-Z0-9_]
Conf	Konfigurierte Spark-Eigenschaften.	SparkJobConf-
Eintrag	[Erforderlich] Der Eintrag, der beim Starten des Auftrags ausgeführt werden soll.	SparkJobEntry- (erforderlich)
environmentId	Die ARM-Ressourcen-ID der Umgebungsspezifikation für den Auftrag.	Schnur
Dateien	Dateien, die im Auftrag verwendet werden.	string[]
Eingänge	Zuordnung von Eingabedatenbindungen, die im Auftrag verwendet werden.	SparkJobInputs
Krüge	Jar-Dateien, die im Auftrag verwendet werden.	string[]
Ausgaben	Zuordnung von Ausgabedatenbindungen, die im Auftrag verwendet werden.	SparkJobOutputs
pyFiles	Python-Dateien, die im Auftrag verwendet werden.	string[]
Betriebsmittel	Berechnen der Ressourcenkonfiguration für den Auftrag.	SparkResourceConfiguration-

SparkJobConf

Name	Beschreibung	Wert
{angepasste Eigenschaft}		Schnur

SparkJobEntry

Name	Beschreibung	Wert
sparkJobEntryType	Festlegen des Objekttyps	SparkJobPythonEntry SparkJobScalaEntry (erforderlich)

SparkJobPythonEntry

Name	Beschreibung	Wert
sparkJobEntryType	[Erforderlich] Typ des Einstiegspunkts des Auftrags.	"SparkJobPythonEntry" (erforderlich)
Datei	[Erforderlich] Relativer Python-Dateipfad für den Einstiegspunkt des Auftrags.	Zeichenfolge (erforderlich) Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_]

SparkJobScalaEntry

Name	Beschreibung	Wert
sparkJobEntryType	[Erforderlich] Typ des Einstiegspunkts des Auftrags.	'SparkJobScalaEntry' (erforderlich)
className	[Erforderlich] Scala-Klassenname, der als Einstiegspunkt verwendet wird.	Zeichenfolge (erforderlich) Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_]

SparkJobInputs

Name	Beschreibung	Wert
{angepasste Eigenschaft}		JobInput-

SparkJobOutputs

Name	Beschreibung	Wert
{angepasste Eigenschaft}		JobOutput-

SparkResourceConfiguration

Name	Beschreibung	Wert
instanceType	Optionaler Vm-Typ, der vom Computeziel unterstützt wird.	Schnur
runtimeVersion	Version der Spark-Runtime, die für den Auftrag verwendet wird.	Schnur

SweepJob

Name	Beschreibung	Wert
jobType	[Erforderlich] Gibt den Auftragstyp an.	"Aufräumen" (erforderlich)
earlyTermination	Richtlinien für vorzeitige Beendigungen ermöglichen das Abbrechen von Ausführungsvorgängen mit schlechter Leistung, bevor sie abgeschlossen sind	EarlyTerminationPolicy-
Eingänge	Zuordnung von Eingabedatenbindungen, die im Auftrag verwendet werden.	SweepJobInputs
grenzen	Grenzwert für "Aufräumen von Auftrag".	SweepJobLimits-
objektiv	[Erforderlich] Optimierungsziel.	Ziel- (erforderlich)
Ausgaben	Zuordnung von Ausgabedatenbindungen, die im Auftrag verwendet werden.	SweepJobOutputs-
samplingAlgorithm	[Erforderlich] Der Hyperparameter-Samplingalgorithmus	SamplingAlgorithm (erforderlich)
searchSpace	[Erforderlich] Ein Wörterbuch, das jeden Parameter und seine Verteilung enthält. Der Wörterbuchschlüssel ist der Name des Parameters.	Für Bicep können Sie die any()-Funktion verwenden. (erforderlich)
Probephase	[Erforderlich] Definition der Testkomponente.	TrialComponent- (erforderlich)

SweepJobInputs

Name	Beschreibung	Wert
{angepasste Eigenschaft}		JobInput-

SweepJobLimits

Name	Beschreibung	Wert
jobLimitsType	[Erforderlich] JobLimit-Typ.	'Befehl' "Aufräumen" (erforderlich)
maxConcurrentTrials	Aufräumen des Auftrags max. gleichzeitige Testversionen.	Int
maxTotalTrials	"Auftrag aufräumen" max. Gesamtversuche.	Int
Zeitüberschreitung	Die maximale Laufzeit im ISO 8601-Format, nach der der Auftrag abgebrochen wird. Unterstützt nur die Dauer mit der Genauigkeit so niedrig wie Sekunden.	Schnur
trialTimeout	Timeoutwert für "Testauftrag aufräumen".	Schnur

Objektiv

Name	Beschreibung	Wert
Ziel	[Erforderlich] Definiert unterstützte Metrikziele für die Hyperparameteroptimierung.	"Maximieren" "Minimieren" (erforderlich)
primaryMetric	[Erforderlich] Name der zu optimierenden Metrik.	Zeichenfolge (erforderlich) Zwänge: Pattern = [a-zA-Z0-9_]

SweepJobOutputs

Name	Beschreibung	Wert
{angepasste Eigenschaft}		JobOutput-

SamplingAlgorithm

Name	Beschreibung	Wert
samplingAlgorithmType	Festlegen des Objekttyps	Bayesian Raster- random (erforderlich)

BayesianSamplingAlgorithm

Name	Beschreibung	Wert
samplingAlgorithmType	[Erforderlich] Der Algorithmus zum Generieren von Hyperparameterwerten zusammen mit Konfigurationseigenschaften	"Bayesian" (erforderlich)

GridSamplingAlgorithm

Name	Beschreibung	Wert
samplingAlgorithmType	[Erforderlich] Der Algorithmus zum Generieren von Hyperparameterwerten zusammen mit Konfigurationseigenschaften	"Raster" (erforderlich)

RandomSamplingAlgorithm

Name	Beschreibung	Wert
samplingAlgorithmType	[Erforderlich] Der Algorithmus zum Generieren von Hyperparameterwerten zusammen mit Konfigurationseigenschaften	"Zufällig" (erforderlich)
logbase	Eine optionale positive Zahl oder e im Zeichenfolgenformat, die als Basis für die protokollbasierte zufallsbasierte Stichprobe verwendet werden soll	Schnur
Regel	Der spezifische Typ des Zufallsalgorithmus	"Zufällig" 'Sobol'
Samen	Eine optionale ganze Zahl, die als Ausgangswert für die Zufallszahlengenerierung verwendet werden soll	Int

TrialComponent

Name	Beschreibung	Wert
codeId	ARM-Ressourcen-ID der Coderessource.	Schnur
Befehl	[Erforderlich] Der Befehl, der beim Starten des Auftrags ausgeführt werden soll. Zb. "python train.py"	Zeichenfolge (erforderlich) Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_]
Verteilung	Verteilungskonfiguration des Auftrags. Wenn festgelegt, sollte dies eines von Mpi, Tensorflow, PyTorch oder Null sein.	DistributionConfiguration-
environmentId	[Erforderlich] Die ARM-Ressourcen-ID der Umgebungsspezifikation für den Auftrag.	Zeichenfolge (erforderlich) Zwänge: Pattern = [a-zA-Z0-9_]
environmentVariables	Umgebungsvariablen, die im Auftrag enthalten sind.	TrialComponentEnvironmentVariables
Betriebsmittel	Berechnen der Ressourcenkonfiguration für den Auftrag.	JobResourceConfiguration-

TrialComponentEnvironmentVariables

Name	Beschreibung	Wert
{angepasste Eigenschaft}		Schnur

EndpointScheduleAction

Name	Beschreibung	Wert
actionType	[Erforderlich] Gibt den Aktionstyp des Zeitplans an.	'InvokeBatchEndpoint' (erforderlich)
endpointInvocationDefinition	[Erforderlich] Definiert Details zur Definition der Zeitplanaktion. {siehe href="TBD" /}	Für Bicep können Sie die any()-Funktion verwenden. (erforderlich)

TriggerBase

Name	Beschreibung	Wert
endTime	Gibt die Endzeit des Zeitplans in ISO 8601 an, jedoch ohne UTC-Offset. Weitere Informationen finden Sie unter https://en.wikipedia.org/wiki/ISO_8601. Rekommentiertes Format wäre "2022-06-01T00:00:01" Wenn nicht vorhanden, wird der Zeitplan unbegrenzt ausgeführt.	Schnur
startTime	Gibt die Startzeit des Zeitplans im ISO 8601-Format an, jedoch ohne UTC-Offset.	Schnur
timeZone	Gibt die Zeitzone an, in der der Zeitplan ausgeführt wird. TimeZone sollte dem Windows-Zeitzonenformat folgen. Siehe : /windows-hardware/manufacture/desktop/default-time-zones />	Schnur
triggerType	Festlegen des Objekttyps	Cron Serie (erforderlich)

CronTrigger

Name	Beschreibung	Wert
endTime	Gibt die Endzeit des Zeitplans in ISO 8601 an, jedoch ohne UTC-Offset. Weitere Informationen finden Sie unter https://en.wikipedia.org/wiki/ISO_8601. Rekommentiertes Format wäre "2022-06-01T00:00:01" Wenn nicht vorhanden, wird der Zeitplan unbegrenzt ausgeführt.	Schnur
Ausdruck	[Erforderlich] Gibt den Cronausdruck des Zeitplans an. Der Ausdruck sollte dem NCronTab-Format folgen.	Zeichenfolge (erforderlich) Zwänge: Pattern = [a-zA-Z0-9_]
startTime	Gibt die Startzeit des Zeitplans im ISO 8601-Format an, jedoch ohne UTC-Offset.	Schnur
timeZone	Gibt die Zeitzone an, in der der Zeitplan ausgeführt wird. TimeZone sollte dem Windows-Zeitzonenformat folgen. Siehe: /windows-hardware/manufacture/desktop/default-time-zones	Schnur
triggerType	[Erforderlich]	"Cron" "Serie" (erforderlich)

RecurrenceTrigger

Name	Beschreibung	Wert
endTime	Gibt die Endzeit des Zeitplans in ISO 8601 an, jedoch ohne UTC-Offset. Weitere Informationen finden Sie unter https://en.wikipedia.org/wiki/ISO_8601. Rekommentiertes Format wäre "2022-06-01T00:00:01" Wenn nicht vorhanden, wird der Zeitplan unbegrenzt ausgeführt.	Schnur
Frequenz	[Erforderlich] Die Häufigkeit zum Auslösen des Zeitplans.	"Tag" "Stunde" "Minute" "Monat" "Woche" (erforderlich)
Intervall	[Erforderlich] Gibt das Zeitplanintervall in Verbindung mit häufigkeit an.	int (erforderlich)
Zeitplan	Der Terminplan der Serie.	RecurrenceSchedule
startTime	Gibt die Startzeit des Zeitplans im ISO 8601-Format an, jedoch ohne UTC-Offset.	Schnur
timeZone	Gibt die Zeitzone an, in der der Zeitplan ausgeführt wird. TimeZone sollte dem Windows-Zeitzonenformat folgen. Siehe: /windows-hardware/manufacture/desktop/default-time-zones	Schnur
triggerType	[Erforderlich]	"Cron" "Serie" (erforderlich)

RecurrenceSchedule

Name	Beschreibung	Wert
Stunden	[Erforderlich] Liste der Stunden für den Zeitplan.	int[] (erforderlich)
Protokoll	[Erforderlich] Liste der Minuten für den Zeitplan.	int[] (erforderlich)
monthDays	Liste der Monatstage für den Zeitplan	int[]
Wochentage	Liste der Tage für den Zeitplan.	Zeichenfolgenarray, das eine der folgenden Elemente enthält: "Freitag" "Montag" "Samstag" "Sonntag" "Donnerstag" "Dienstag" 'Mittwoch'

ARM-Vorlagenressourcendefinition

Der Ressourcentyp "Arbeitsbereiche/Zeitpläne" kann mit Vorgängen bereitgestellt werden, die auf Folgendes abzielen:

• Ressourcengruppen – Siehe Ressourcengruppenbereitstellungsbefehle

Eine Liste der geänderten Eigenschaften in jeder API-Version finden Sie unter Änderungsprotokoll.

Ressourcenformat

Um eine Microsoft.MachineLearningServices/workspaces/schedules-Ressource zu erstellen, fügen Sie der Vorlage den folgenden JSON-Code hinzu.

{
  "type": "Microsoft.MachineLearningServices/workspaces/schedules",
  "apiVersion": "2022-12-01-preview",
  "name": "string",
  "properties": {
    "action": {
      "actionType": "string"
      // For remaining properties, see ScheduleActionBase objects
    },
    "description": "string",
    "displayName": "string",
    "isEnabled": "bool",
    "properties": {
      "{customized property}": "string"
    },
    "tags": {},
    "trigger": {
      "endTime": "string",
      "startTime": "string",
      "timeZone": "string",
      "triggerType": "string"
      // For remaining properties, see TriggerBase objects
    }
  }
}

ScheduleActionBase-Objekte

Legen Sie die actionType--Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für CreateJob-:

  "actionType": "CreateJob",
  "jobDefinition": {
    "componentId": "string",
    "computeId": "string",
    "description": "string",
    "displayName": "string",
    "experimentName": "string",
    "identity": {
      "identityType": "string"
      // For remaining properties, see IdentityConfiguration objects
    },
    "isArchived": "bool",
    "properties": {
      "{customized property}": "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
  }

Verwenden Sie für InvokeBatchEndpoint-:

  "actionType": "InvokeBatchEndpoint",
  "endpointInvocationDefinition": {}

JobBaseProperties-Objekte

Legen Sie die jobType-Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für AutoML-:

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

Verwenden Sie für Command:

  "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
    }
  },
  "resources": {
    "dockerArgs": "string",
    "instanceCount": "int",
    "instanceType": "string",
    "properties": {
      "{customized property}": {}
    },
    "shmSize": "string"
  }

Verwenden Sie für Bezeichnungen:

  "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
  }

Verwenden Sie für Pipeline-:

  "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"

Verwenden Sie für Spark:

  "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" ],
  "resources": {
    "instanceType": "string",
    "runtimeVersion": "string"
  }

Verwenden Sie für Aufräumen:

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

IdentityConfiguration-Objekte

Legen Sie die identityType-eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für AMLToken:

  "identityType": "AMLToken"

Verwenden Sie für verwaltete:

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

Verwenden Sie für UserIdentity-:

  "identityType": "UserIdentity"

Knotenobjekte

Legen Sie die nodesValueType-Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für Alle:

  "nodesValueType": "All"

JobOutput-Objekte

Legen Sie die jobOutputType--Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für custom_modelFolgendes:

  "jobOutputType": "custom_model",
  "assetName": "string",
  "assetVersion": "string",
  "mode": "string",
  "uri": "string"

Verwenden Sie für mlflow_model:

  "jobOutputType": "mlflow_model",
  "assetName": "string",
  "assetVersion": "string",
  "mode": "string",
  "uri": "string"

Verwenden Sie für mltable:

  "jobOutputType": "mltable",
  "assetName": "string",
  "assetVersion": "string",
  "mode": "string",
  "uri": "string"

Verwenden Sie für triton_modelFolgendes:

  "jobOutputType": "triton_model",
  "assetName": "string",
  "assetVersion": "string",
  "mode": "string",
  "uri": "string"

Verwenden Sie für uri_file:

  "jobOutputType": "uri_file",
  "assetName": "string",
  "assetVersion": "string",
  "mode": "string",
  "uri": "string"

Verwenden Sie für uri_folder:

  "jobOutputType": "uri_folder",
  "assetName": "string",
  "assetVersion": "string",
  "mode": "string",
  "uri": "string"

AutoMLVertical-Objekte

Legen Sie die taskType-eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für Klassifizierung:

  "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"

Verwenden Sie für Prognose-:

  "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",
    "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"

Verwenden Sie für ImageClassification-Folgendes:

  "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"

Verwenden Sie für ImageClassificationMultilabel:

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

Verwenden Sie für ImageInstanceSegmentation:

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

Verwenden Sie für ImageObjectDetection-:

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

Verwenden Sie für Regressions-:

  "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"

Verwenden Sie für TextClassification-:

  "taskType": "TextClassification",
  "featurizationSettings": {
    "datasetLanguage": "string"
  },
  "fixedParameters": {
    "gradientAccumulationSteps": "int",
    "learningRate": "int",
    "learningRateScheduler": "string",
    "modelName": "string",
    "numberOfEpochs": "int",
    "trainingBatchSize": "int",
    "validationBatchSize": "int",
    "warmupRatio": "int",
    "weightDecay": "int"
  },
  "limitSettings": {
    "maxConcurrentTrials": "int",
    "maxNodes": "int",
    "maxTrials": "int",
    "timeout": "string",
    "trialTimeout": "string"
  },
  "primaryMetric": "string",
  "searchSpace": [
    {
      "gradientAccumulationSteps": "string",
      "learningRate": "string",
      "learningRateScheduler": "string",
      "modelName": "string",
      "numberOfEpochs": "string",
      "trainingBatchSize": "string",
      "validationBatchSize": "string",
      "warmupRatio": "string",
      "weightDecay": "string"
    }
  ],
  "sweepSettings": {
    "earlyTermination": {
      "delayEvaluation": "int",
      "evaluationInterval": "int",
      "policyType": "string"
      // For remaining properties, see EarlyTerminationPolicy objects
    },
    "samplingAlgorithm": "string"
  },
  "validationData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  }

Verwenden Sie für TextClassificationMultilabel:

  "taskType": "TextClassificationMultilabel",
  "featurizationSettings": {
    "datasetLanguage": "string"
  },
  "fixedParameters": {
    "gradientAccumulationSteps": "int",
    "learningRate": "int",
    "learningRateScheduler": "string",
    "modelName": "string",
    "numberOfEpochs": "int",
    "trainingBatchSize": "int",
    "validationBatchSize": "int",
    "warmupRatio": "int",
    "weightDecay": "int"
  },
  "limitSettings": {
    "maxConcurrentTrials": "int",
    "maxNodes": "int",
    "maxTrials": "int",
    "timeout": "string",
    "trialTimeout": "string"
  },
  "searchSpace": [
    {
      "gradientAccumulationSteps": "string",
      "learningRate": "string",
      "learningRateScheduler": "string",
      "modelName": "string",
      "numberOfEpochs": "string",
      "trainingBatchSize": "string",
      "validationBatchSize": "string",
      "warmupRatio": "string",
      "weightDecay": "string"
    }
  ],
  "sweepSettings": {
    "earlyTermination": {
      "delayEvaluation": "int",
      "evaluationInterval": "int",
      "policyType": "string"
      // For remaining properties, see EarlyTerminationPolicy objects
    },
    "samplingAlgorithm": "string"
  },
  "validationData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  }

Verwenden Sie für TextNER-:

  "taskType": "TextNER",
  "featurizationSettings": {
    "datasetLanguage": "string"
  },
  "fixedParameters": {
    "gradientAccumulationSteps": "int",
    "learningRate": "int",
    "learningRateScheduler": "string",
    "modelName": "string",
    "numberOfEpochs": "int",
    "trainingBatchSize": "int",
    "validationBatchSize": "int",
    "warmupRatio": "int",
    "weightDecay": "int"
  },
  "limitSettings": {
    "maxConcurrentTrials": "int",
    "maxNodes": "int",
    "maxTrials": "int",
    "timeout": "string",
    "trialTimeout": "string"
  },
  "searchSpace": [
    {
      "gradientAccumulationSteps": "string",
      "learningRate": "string",
      "learningRateScheduler": "string",
      "modelName": "string",
      "numberOfEpochs": "string",
      "trainingBatchSize": "string",
      "validationBatchSize": "string",
      "warmupRatio": "string",
      "weightDecay": "string"
    }
  ],
  "sweepSettings": {
    "earlyTermination": {
      "delayEvaluation": "int",
      "evaluationInterval": "int",
      "policyType": "string"
      // For remaining properties, see EarlyTerminationPolicy objects
    },
    "samplingAlgorithm": "string"
  },
  "validationData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  }

NCrossValidations-Objekte

Legen Sie den Modus Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für automatischenFolgendes:

  "mode": "Auto"

Verwenden Sie für benutzerdefinierteFolgendes:

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

EarlyTerminationPolicy-Objekte

Legen Sie den policyType--Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für Bandit:

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

Verwenden Sie für MedianStopping-:

  "policyType": "MedianStopping"

Verwenden Sie für TruncationSelection:

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

ForecastHorizon-Objekte

Legen Sie den Modus Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für automatischenFolgendes:

  "mode": "Auto"

Verwenden Sie für benutzerdefinierteFolgendes:

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

Saisonalitätsobjekte

Legen Sie den Modus Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für automatischenFolgendes:

  "mode": "Auto"

Verwenden Sie für benutzerdefinierteFolgendes:

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

TargetLags-Objekte

Legen Sie den Modus Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für automatischenFolgendes:

  "mode": "Auto"

Verwenden Sie für benutzerdefinierteFolgendes:

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

TargetRollingWindowSize-Objekte

Legen Sie den Modus Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für automatischenFolgendes:

  "mode": "Auto"

Verwenden Sie für benutzerdefinierteFolgendes:

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

DistributionConfiguration-Objekte

Legen Sie die eigenschaft distributionType fest, um den Objekttyp anzugeben.

Verwenden Sie für Mpi:

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

Verwenden Sie für PyTorch:

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

Verwenden Sie für TensorFlow-:

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

JobInput-Objekte

Legen Sie die jobInputType-Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für custom_modelFolgendes:

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

Verwenden Sie für Literal-Folgendes:

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

Verwenden Sie für mlflow_model:

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

Verwenden Sie für mltable:

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

Verwenden Sie für triton_modelFolgendes:

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

Verwenden Sie für uri_file:

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

Verwenden Sie für uri_folder:

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

LabelingJobMediaProperties-Objekte

Legen Sie die mediaType--Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für Image-:

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

Verwenden Sie für Text:

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

MLAssistConfiguration-Objekte

Legen Sie die mlAssist-Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für Deaktivierte:

  "mlAssist": "Disabled"

Verwenden Sie für Aktivierte:

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

SparkJobEntry-Objekte

Legen Sie die sparkJobEntryType-Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für SparkJobPythonEntry:

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

Verwenden Sie für SparkJobScalaEntry:

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

SamplingAlgorithm-Objekte

Legen Sie die samplingAlgorithmType-Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für Bayesian:

  "samplingAlgorithmType": "Bayesian"

Verwenden Sie für Grid:

  "samplingAlgorithmType": "Grid"

Verwenden Sie für random:

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

TriggerBase-Objekte

Legen Sie den triggerType--Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für Cron:

  "triggerType": "Cron",
  "expression": "string"

Verwenden Sie für Serie:

  "triggerType": "Recurrence",
  "frequency": "string",
  "interval": "int",
  "schedule": {
    "hours": [ "int" ],
    "minutes": [ "int" ],
    "monthDays": [ "int" ],
    "weekDays": [ "string" ]
  }

Eigenschaftswerte

Arbeitsbereiche/Zeitpläne

Name	Beschreibung	Wert
Art	Der Ressourcentyp	"Microsoft.MachineLearningServices/workspaces/schedules"
apiVersion	Die Ressourcen-API-Version	"2022-12-01-preview"
Name	Der Ressourcenname Erfahren Sie, wie Sie Namen und Typen für untergeordnete Ressourcen in JSON ARM-Vorlagenfestlegen.	Zeichenfolge (erforderlich)
Eigenschaften	[Erforderlich] Zusätzliche Attribute der Entität.	ScheduleProperties- (erforderlich)

ScheduleProperties

Name	Beschreibung	Wert
Aktion	[Erforderlich] Gibt die Aktion des Zeitplans an.	ScheduleActionBase- (erforderlich)
Beschreibung	Der Text der Objektbeschreibung.	Schnur
displayName	Anzeigename des Zeitplans.	Schnur
isEnabled	Ist der Zeitplan aktiviert?	Bool
Eigenschaften	Das Objekteigenschaftenverzeichnis.	ResourceBaseProperties-
Schilder	Tagwörterbuch. Tags können hinzugefügt, entfernt und aktualisiert werden.	Objekt
auslösen	[Erforderlich] Gibt die Triggerdetails an.	TriggerBase- (erforderlich)

ScheduleActionBase

Name	Beschreibung	Wert
actionType	Festlegen des Objekttyps	CreateJob- InvokeBatchEndpoint- (erforderlich)

JobScheduleAction

Name	Beschreibung	Wert
actionType	[Erforderlich] Gibt den Aktionstyp des Zeitplans an.	'CreateJob' (erforderlich)
jobDefinition	[Erforderlich] Definiert Details zur Definition der Zeitplanaktion.	JobBaseProperties- (erforderlich)

JobBaseProperties

Name	Beschreibung	Wert
componentId	ARM-Ressourcen-ID der Komponentenressource.	Schnur
computeId	ARM-Ressourcen-ID der Computeressource.	Schnur
Beschreibung	Der Text der Objektbeschreibung.	Schnur
displayName	Anzeigename des Auftrags.	Schnur
experimentName	Der Name des Experiments, zu dem der Auftrag gehört. Wenn nicht festgelegt, wird der Auftrag im Experiment "Standard" platziert.	Schnur
Identität	Identitätskonfiguration. Wenn festgelegt, sollte dies eine von AmlToken, ManagedIdentity, UserIdentity oder NULL sein. Der Standardwert ist AmlToken, wenn null.	IdentityConfiguration-
isArchived	Ist die Ressource archiviert?	Bool
Eigenschaften	Das Objekteigenschaftenverzeichnis.	ResourceBaseProperties-
Dienste	Liste der JobEndpoints. Für lokale Aufträge verfügt ein Auftragsendpunkt über einen Endpunktwert von FileStreamObject.	JobBaseServices-
Schilder	Tagwörterbuch. Tags können hinzugefügt, entfernt und aktualisiert werden.	Objekt
jobType	Festlegen des Objekttyps	AutoML- Command Bezeichnung Pipeline- Spark Aufräumen (erforderlich)

IdentityConfiguration

Name	Beschreibung	Wert
identityType	Festlegen des Objekttyps	AMLToken- verwaltete UserIdentity- (erforderlich)

AmlToken

Name	Beschreibung	Wert
identityType	[Erforderlich] Gibt den Typ des Identitätsframeworks an.	"AMLToken" (erforderlich)

ManagedIdentity

Name	Beschreibung	Wert
identityType	[Erforderlich] Gibt den Typ des Identitätsframeworks an.	"Verwaltet" (erforderlich)
clientId	Gibt eine vom Benutzer zugewiesene Identität nach Client-ID an. Legen Sie für das vom System zugewiesene Feld nicht fest.	Schnur Zwänge: Min. Länge = 36 Maximale Länge = 36 Pattern = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
objectId	Gibt eine vom Benutzer zugewiesene Identität nach Objekt-ID an. Legen Sie für das vom System zugewiesene Feld nicht fest.	Schnur Zwänge: Min. Länge = 36 Maximale Länge = 36 Pattern = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
resourceId	Gibt eine vom Benutzer zugewiesene Identität durch ARM-Ressourcen-ID an. Legen Sie für das vom System zugewiesene Feld nicht fest.	Schnur

UserIdentity

Name	Beschreibung	Wert
identityType	[Erforderlich] Gibt den Typ des Identitätsframeworks an.	"UserIdentity" (erforderlich)

ResourceBaseProperties

Name	Beschreibung	Wert
{angepasste Eigenschaft}		Schnur

JobBaseServices

Name	Beschreibung	Wert
{angepasste Eigenschaft}		JobService-

JobService

Name	Beschreibung	Wert
Endpunkt	URL für Endpunkt.	Schnur
jobServiceType	Endpunkttyp.	Schnur
Knoten	Knoten, auf denen der Benutzer den Dienst starten möchte. Wenn Knoten nicht auf NULL festgelegt oder festgelegt sind, wird der Dienst nur auf Füllzeichenknoten gestartet.	Knoten
Hafen	Port für Endpunkt, der vom Benutzer festgelegt wurde.	Int
Eigenschaften	Zusätzliche Eigenschaften, die für den Endpunkt festgelegt werden sollen.	JobServiceProperties

Knoten

Name	Beschreibung	Wert
nodesValueType	Festlegen des Objekttyps	Alle (erforderlich)

AllNodes

Name	Beschreibung	Wert
nodesValueType	[Erforderlich] Typ des Knotenwerts	"Alle" (erforderlich)

JobServiceProperties

Name	Beschreibung	Wert
{angepasste Eigenschaft}		Schnur

AutoMLJob

Name	Beschreibung	Wert
jobType	[Erforderlich] Gibt den Auftragstyp an.	'AutoML' (erforderlich)
environmentId	Die ARM-Ressourcen-ID der Umgebungsspezifikation für den Auftrag. Dies ist optionaler Wert, der bei Ausführung des Auftrags bei der Ausführung des Auftrags standardmäßig autoML für die Produktions-AutoML-zusammengestellte Umgebungsversion bereitstellt.	Schnur
environmentVariables	Umgebungsvariablen, die im Auftrag enthalten sind.	AutoMLJobEnvironmentVariables
Ausgaben	Zuordnung von Ausgabedatenbindungen, die im Auftrag verwendet werden.	AutoMLJobOutputs
Betriebsmittel	Berechnen der Ressourcenkonfiguration für den Auftrag.	JobResourceConfiguration-
taskDetails	[Erforderlich] Dies stellt ein Szenario dar, das einer der Tabellen/NLP/Image sein kann.	AutoMLVertical- (erforderlich)

AutoMLJobEnvironmentVariables

Name	Beschreibung	Wert
{angepasste Eigenschaft}		Schnur

AutoMLJobOutputs

Name	Beschreibung	Wert
{angepasste Eigenschaft}		JobOutput-

JobOutput

Name	Beschreibung	Wert
Beschreibung	Beschreibung für die Ausgabe.	Schnur
jobOutputType	Festlegen des Objekttyps	custom_model mlflow_model mltable triton_model uri_file uri_folder (erforderlich)

CustomModelJobOutput

Name	Beschreibung	Wert
jobOutputType	[Erforderlich] Gibt den Auftragstyp an.	"custom_model" (erforderlich)
assetName	Ausgabeobjektname.	Schnur
assetVersion	Ausgabeobjektversion.	Schnur
Modus	Ausgabeobjektübermittlungsmodus.	"Direkt" 'ReadWriteMount' "Hochladen"
Uri	Ausgabeobjekt-URI.	Schnur

MLFlowModelJobOutput

Name	Beschreibung	Wert
jobOutputType	[Erforderlich] Gibt den Auftragstyp an.	"mlflow_model" (erforderlich)
assetName	Ausgabeobjektname.	Schnur
assetVersion	Ausgabeobjektversion.	Schnur
Modus	Ausgabeobjektübermittlungsmodus.	"Direkt" 'ReadWriteMount' "Hochladen"
Uri	Ausgabeobjekt-URI.	Schnur

MLTableJobOutput

Name	Beschreibung	Wert
jobOutputType	[Erforderlich] Gibt den Auftragstyp an.	"mltable" (erforderlich)
assetName	Ausgabeobjektname.	Schnur
assetVersion	Ausgabeobjektversion.	Schnur
Modus	Ausgabeobjektübermittlungsmodus.	"Direkt" 'ReadWriteMount' "Hochladen"
Uri	Ausgabeobjekt-URI.	Schnur

TritonModelJobOutput

Name	Beschreibung	Wert
jobOutputType	[Erforderlich] Gibt den Auftragstyp an.	"triton_model" (erforderlich)
assetName	Ausgabeobjektname.	Schnur
assetVersion	Ausgabeobjektversion.	Schnur
Modus	Ausgabeobjektübermittlungsmodus.	"Direkt" 'ReadWriteMount' "Hochladen"
Uri	Ausgabeobjekt-URI.	Schnur

UriFileJobOutput

Name	Beschreibung	Wert
jobOutputType	[Erforderlich] Gibt den Auftragstyp an.	"uri_file" (erforderlich)
assetName	Ausgabeobjektname.	Schnur
assetVersion	Ausgabeobjektversion.	Schnur
Modus	Ausgabeobjektübermittlungsmodus.	"Direkt" 'ReadWriteMount' "Hochladen"
Uri	Ausgabeobjekt-URI.	Schnur

UriFolderJobOutput

Name	Beschreibung	Wert
jobOutputType	[Erforderlich] Gibt den Auftragstyp an.	"uri_folder" (erforderlich)
assetName	Ausgabeobjektname.	Schnur
assetVersion	Ausgabeobjektversion.	Schnur
Modus	Ausgabeobjektübermittlungsmodus.	"Direkt" 'ReadWriteMount' "Hochladen"
Uri	Ausgabeobjekt-URI.	Schnur

JobResourceConfiguration

Name	Beschreibung	Wert
dockerArgs	Zusätzliche Argumente, die an den Docker-Ausführungsbefehl übergeben werden sollen. Dadurch würden alle Parameter außer Kraft gesetzt, die bereits vom System oder in diesem Abschnitt festgelegt wurden. Dieser Parameter wird nur für Azure ML-Computetypen unterstützt.	Schnur
instanceCount	Optionale Anzahl von Instanzen oder Knoten, die vom Computeziel verwendet werden.	Int
instanceType	Optionaler Vm-Typ, der vom Computeziel unterstützt wird.	Schnur
Eigenschaften	Zusätzlicher Eigenschaftenbehälter.	ResourceConfigurationProperties-
shmSize	Größe des freigegebenen Speicherblocks des Docker-Containers. Dies sollte im Format (Zahl) (Einheit) liegen, wobei die Zahl größer als 0 sein soll und die Einheit eine von b(Bytes), k(Kilobyte), m(Megabyte) oder g(Gigabyte) sein kann.	Schnur Zwänge: Pattern = \d+[bBkKmMgG]

ResourceConfigurationProperties

Name	Beschreibung	Wert
{angepasste Eigenschaft}

AutoMLVertical

Name	Beschreibung	Wert
logVerbosity	Protokoll-Ausführlichkeit für den Auftrag.	"Kritisch" "Debuggen" 'Fehler' 'Info' 'NotSet' "Warnung"
targetColumnName	Name der Zielspalte: Dies ist die Spalte mit Vorhersagewerten. Auch als Bezeichnungsspaltenname im Kontext von Klassifizierungsaufgaben bezeichnet.	Schnur
trainingData	[Erforderlich] Eingabe von Schulungsdaten.	MLTableJobInput- (erforderlich)
taskType	Festlegen des Objekttyps	Klassifizierung Prognose- ImageClassification- ImageClassificationMultilabel- ImageInstanceSegmentation ImageObjectDetection- Regressions- TextClassification- TextClassificationMultilabel- TextNER- (erforderlich)

MLTableJobInput

Name	Beschreibung	Wert
Beschreibung	Beschreibung für die Eingabe.	Schnur
jobInputType	[Erforderlich] Gibt den Auftragstyp an.	"custom_model" "Literal" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (erforderlich)
Modus	Übermittlungsmodus der Eingaberessource.	"Direkt" "Herunterladen" 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
Uri	[Erforderlich] Eingabeobjekt-URI.	Zeichenfolge (erforderlich) Zwänge: Pattern = [a-zA-Z0-9_]

Klassifikation

Name	Beschreibung	Wert
taskType	[Erforderlich] Aufgabentyp für AutoMLJob.	"Klassifizierung" (erforderlich)
cvSplitColumnNames	Spalten, die für CVSplit-Daten verwendet werden sollen.	string[]
featurizationSettings	Reifungseingaben, die für den AutoML-Auftrag erforderlich sind.	TableVerticalFeaturizationSettings
fixedParameters	Modell-/Schulungsparameter, die während der gesamten Schulung konstant bleiben.	TableFixedParameters-
limitSettings	Ausführungseinschränkungen für AutoMLJob.	TableVerticalLimitSettings
nCrossValidations	Anzahl der Kreuzüberprüfungsfalten, die auf schulungsdatensatz angewendet werden sollen wenn kein Validierungsdatensatz bereitgestellt wird.	NCrossValidations-
positiveLabel	Positive Bezeichnung für die Berechnung binärer Metriken.	Schnur
primaryMetric	Primäre Metrik für den Vorgang.	"AUCWeighted" "Genauigkeit" "AveragePrecisionScoreWeighted" "NormMacroRecall" 'PrecisionScoreWeighted'
searchSpace	Suchbereich zum Sampling verschiedener Kombinationen von Modellen und deren Hyperparametern.	TableParameterSubspace[]
sweepSettings	Einstellungen für die Optimierung von Modellüberräumungen und Hyperparametern.	TableSweepSettings
testData	Testen sie die Dateneingabe.	MLTableJobInput-
testDataSize	Der Anteil des Testdatensatzes, der für validierungszwecke reserviert werden muss. Werte zwischen (0,0 , 1,0) Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird.	Int
trainingSettings	Eingaben für die Schulungsphase für einen AutoML-Auftrag.	ClassificationTrainingSettings
validationData	Überprüfungsdateneingaben.	MLTableJobInput-
validationDataSize	Der Anteil des Schulungsdatensatzes, der für validierungszwecke reserviert werden muss. Werte zwischen (0,0 , 1,0) Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird.	Int
weightColumnName	Der Name der Beispielgewichtungsspalte. Automatisierte ML unterstützt eine gewichtete Spalte als Eingabe, wodurch Zeilen in den Daten nach oben oder unten gewichtet werden.	Schnur

TableVerticalFeaturizationSettings

Name	Beschreibung	Wert
blockedTransformers	Diese Transformatoren dürfen nicht bei der Reifung verwendet werden.	Zeichenfolgenarray, das eine der folgenden Elemente enthält: 'CatTargetEncoder' 'CountVectorizer' "HashOneHotEncoder" "LabelEncoder" "NaiveBayes" "OneHotEncoder" 'TextTargetEncoder' 'TfIdf' "WoETargetEncoder" "WordEmbedding"
columnNameAndTypes	Wörterbuch des Spaltennamens und seines Typs (int, float, string, datetime usw.).	TableVerticalFeaturizationSettingsColumnNameAndTypes
datasetLanguage	Datasetsprache, nützlich für die Textdaten.	Schnur
enableDnnFeaturization	Bestimmt, ob Dnn-basierte Featurizer für die Daten-Featurisierung verwendet werden sollen.	Bool
Modus	Featurisierungsmodus : Der Benutzer kann den Standardmodus "Auto" beibehalten, und AutoML übernimmt die erforderliche Transformation der Daten in der Featurisierungsphase. Wenn "Aus" ausgewählt ist, wird keine Featurierung durchgeführt. Wenn "Benutzerdefiniert" ausgewählt ist, können Benutzer zusätzliche Eingaben angeben, um anzupassen, wie die Reifung erfolgt.	"Auto" 'Benutzerdefiniert' 'Aus'
transformerParams	Der Benutzer kann zusätzliche Transformatoren angeben, die zusammen mit den Spalten verwendet werden sollen, auf die er angewendet wird, und Parameter für den Transformatorkonstruktor.	TableVerticalFeaturizationSettingsTransformerParams

TableVerticalFeaturizationSettingsColumnNameAndTypes

Name	Beschreibung	Wert
{angepasste Eigenschaft}		Schnur

TableVerticalFeaturizationSettingsTransformerParams

Name	Beschreibung	Wert
{angepasste Eigenschaft}		ColumnTransformer-[]

ColumnTransformer

Name	Beschreibung	Wert
Felder	Felder, auf die Transformatorlogik angewendet werden soll.	string[]
Parameter	Verschiedene Eigenschaften, die an Transformator übergeben werden sollen. Die erwartete Eingabe ist das Wörterbuch von Schlüssel-Wert-Paaren im JSON-Format.

TableFixedParameters

Name	Beschreibung	Wert
Booster	Geben Sie den Verstärkungstyp an, z. B. gbdt für XGBoost.	Schnur
boostType	Geben Sie den Verstärkungstyp an, z. B. gbdt für LightGBM.	Schnur
growPolicy	Geben Sie die Erweiterungsrichtlinie an, die steuert, wie neue Knoten der Struktur hinzugefügt werden.	Schnur
learningRate	Die Lernrate für das Trainingsverfahren.	Int
maxBin	Geben Sie die maximale Anzahl einzelner Container an, um fortlaufende Features zu bucketen.	Int
maxDepth	Geben Sie die maximale Tiefe an, um die Strukturtiefe explizit einzuschränken.	Int
maxLeaves	Geben Sie die maximalen Blätter an, um die Baumblätter explizit einzuschränken.	Int
minDataInLeaf	Die Mindestanzahl der Daten pro Blatt.	Int
minSplitGain	Minimale Verlustreduzierung, die erforderlich ist, um eine weitere Partition auf einem Blattknoten der Struktur zu machen.	Int
modelName	Der Name des zu trainierenden Modells.	Schnur
nEstimators	Geben Sie die Anzahl von Strukturen (oder Runden) in einem Modell an.	Int
numLeaves	Geben Sie die Anzahl der Blätter an.	Int
PreprocessorName	Der Name des zu verwendenden Präprozessors.	Schnur
regAlpha	L1-Normalisierungsausdruck auf Gewichtungen.	Int
regLambda	L2-Normalisierungsausdruck auf Gewichtungen.	Int
Subsample	Subsample-Verhältnis der Schulungsinstanz.	Int
subsampleFreq	Häufigkeit des Untersamples.	Int
treeMethod	Geben Sie die Strukturmethode an.	Schnur
withMean	Wenn true, zentriert vor der Skalierung der Daten mit StandardScalar.	Bool
withStd	Wenn true, skalieren Sie die Daten mit Unit Variance mit StandardScalar.	Bool

TableVerticalLimitSettings

Name	Beschreibung	Wert
enableEarlyTermination	Aktivieren einer vorzeitigen Beendigung, bestimmt, ob AutoMLJob frühzeitig beendet wird, wenn in den letzten 20 Iterationen keine Bewertungsverbesserungen vorliegen.	Bool
exitScore	Exit score for the AutoML job.	Int
maxConcurrentTrials	Maximale gleichzeitige Iteration.	Int
maxCoresPerTrial	Max. Kerne pro Iteration.	Int
maxNodes	Maximale Anzahl von Knoten, die für das Experiment verwendet werden sollen.	Int
maxTrials	Anzahl der Iterationen.	Int
sweepConcurrentTrials	Die Anzahl der gleichzeitigen Aufräumläufe, die der Benutzer auslösen möchte.	Int
sweepTrials	Die Anzahl der Aufräumläufe, die der Benutzer auslösen möchte.	Int
Zeitüberschreitung	AutoML-Auftragstimeout.	Schnur
trialTimeout	Iterationstimeout.	Schnur

NCrossValidations

Name	Beschreibung	Wert
Modus	Festlegen des Objekttyps	automatischen benutzerdefinierte (erforderlich)

AutoNCrossValidations

Name	Beschreibung	Wert
Modus	[Erforderlich] Modus zum Ermitteln von N-Kreuzüberprüfungen.	"Auto" (erforderlich)

CustomNCrossValidations

Name	Beschreibung	Wert
Modus	[Erforderlich] Modus zum Ermitteln von N-Kreuzüberprüfungen.	"Benutzerdefiniert" (erforderlich)
Wert	[Erforderlich] N-Kreuzüberprüfungswert.	int (erforderlich)

TableParameterSubspace

Name	Beschreibung	Wert
Booster	Geben Sie den Verstärkungstyp an, z. B. gbdt für XGBoost.	Schnur
boostType	Geben Sie den Verstärkungstyp an, z. B. gbdt für LightGBM.	Schnur
growPolicy	Geben Sie die Erweiterungsrichtlinie an, die steuert, wie neue Knoten der Struktur hinzugefügt werden.	Schnur
learningRate	Die Lernrate für das Trainingsverfahren.	Schnur
maxBin	Geben Sie die maximale Anzahl einzelner Container an, um fortlaufende Features zu bucketen.	Schnur
maxDepth	Geben Sie die maximale Tiefe an, um die Strukturtiefe explizit einzuschränken.	Schnur
maxLeaves	Geben Sie die maximalen Blätter an, um die Baumblätter explizit einzuschränken.	Schnur
minDataInLeaf	Die Mindestanzahl der Daten pro Blatt.	Schnur
minSplitGain	Minimale Verlustreduzierung, die erforderlich ist, um eine weitere Partition auf einem Blattknoten der Struktur zu machen.	Schnur
modelName	Der Name des zu trainierenden Modells.	Schnur
nEstimators	Geben Sie die Anzahl von Strukturen (oder Runden) in einem Modell an.	Schnur
numLeaves	Geben Sie die Anzahl der Blätter an.	Schnur
PreprocessorName	Der Name des zu verwendenden Präprozessors.	Schnur
regAlpha	L1-Normalisierungsausdruck auf Gewichtungen.	Schnur
regLambda	L2-Normalisierungsausdruck auf Gewichtungen.	Schnur
Subsample	Subsample-Verhältnis der Schulungsinstanz.	Schnur
subsampleFreq	Häufigkeit des Untersampels	Schnur
treeMethod	Geben Sie die Strukturmethode an.	Schnur
withMean	Wenn true, zentriert vor der Skalierung der Daten mit StandardScalar.	Schnur
withStd	Wenn true, skalieren Sie die Daten mit Unit Variance mit StandardScalar.	Schnur

TableSweepSettings

Name	Beschreibung	Wert
earlyTermination	Art der Richtlinie für vorzeitige Beendigung für den aufräumenden Auftrag.	EarlyTerminationPolicy-
samplingAlgorithm	[Erforderlich] Typ des Samplingalgorithmus.	"Bayesian" 'Raster' "Zufällig" (erforderlich)

EarlyTerminationPolicy

Name	Beschreibung	Wert
delayEvaluation	Anzahl der Intervalle, um die die erste Auswertung verzögert werden soll.	Int
evaluationInterval	Intervall (Anzahl der Ausführungen) zwischen Richtlinienauswertungen.	Int
policyType	Festlegen des Objekttyps	Bandit- MedianStopping- TruncationSelection- (erforderlich)

BanditPolicy

Name	Beschreibung	Wert
policyType	[Erforderlich] Name der Richtlinienkonfiguration	"Bandit" (erforderlich)
slackAmount	Absoluter Abstand, der vom besten Lauf erlaubt ist.	Int
slackFactor	Verhältnis des zulässigen Abstands vom besten Lauf.	Int

MedianStoppingPolicy

Name	Beschreibung	Wert
policyType	[Erforderlich] Name der Richtlinienkonfiguration	"MedianStopping" (erforderlich)

TruncationSelectionPolicy

Name	Beschreibung	Wert
policyType	[Erforderlich] Name der Richtlinienkonfiguration	"TruncationSelection" (erforderlich)
truncationPercentage	Der Prozentsatz der Läufe, die bei jedem Auswertungsintervall abgebrochen werden sollen.	Int

ClassificationTrainingSettings

Name	Beschreibung	Wert
allowedTrainingAlgorithms	Zulässige Modelle für klassifizierungsaufgabe.	Zeichenfolgenarray, das eine der folgenden Elemente enthält: 'BernoulliNaiveBayes' "DecisionTree" "ExtremeRandomTrees" "GradientBoosting" 'KNN' "LightGBM" "LinearSVM" "LogisticRegression" "MultinomialNaiveBayes" "RandomForest" "SGD" "SVM" 'XGBoostClassifier'
blockedTrainingAlgorithms	Blockierte Modelle für klassifizierungsaufgabe.	Zeichenfolgenarray, das eine der folgenden Elemente enthält: 'BernoulliNaiveBayes' "DecisionTree" "ExtremeRandomTrees" "GradientBoosting" 'KNN' "LightGBM" "LinearSVM" "LogisticRegression" "MultinomialNaiveBayes" "RandomForest" "SGD" "SVM" 'XGBoostClassifier'
enableDnnTraining	Aktivieren Sie die Empfehlung von DNN-Modellen.	Bool
enableModelExplainability	Kennzeichnen Sie die Kennzeichnung, um die Erläuterung für das beste Modell zu aktivieren.	Bool
enableOnnxCompatibleModels	Kennzeichnung zum Aktivieren von onnx-kompatiblen Modellen.	Bool
enableStackEnsemble	Stapelensembleausführung aktivieren.	Bool
enableVoteEnsemble	Aktivieren Des Abstimmungsensembles.	Bool
ensembleModelDownloadTimeout	Während der VotingEnsemble- und StackEnsemble-Modellgeneration werden mehrere einbaute Modelle aus den vorherigen Kinderläufen heruntergeladen. Konfigurieren Sie diesen Parameter mit einem höheren Wert als 300 Sek., wenn mehr Zeit erforderlich ist.	Schnur
stackEnsembleSettings	Stack ensemble settings for stack ensemble run.	StackEnsembleSettings
trainingMode	TrainingMode-Modus - Die Einstellung auf "Auto" ist identisch mit dem Festlegen auf "nicht verteilt" für jetzt, kann jedoch in Zukunft zu einer gemischten Modus- oder Heuristik-basierten Modusauswahl führen. Der Standardwert ist "auto". Wenn "Verteilt" verwendet wird, werden nur verteilte Featurisierung verwendet und verteilte Algorithmen ausgewählt. Wenn "NonDistributed" ausgewählt wird, werden nur nicht verteilte Algorithmen ausgewählt.	"Auto" "Verteilt" "Nicht verteilt"

StackEnsembleSettings

Name	Beschreibung	Wert
stackMetaLearnerKWargs	Optionale Parameter, die an den Initialisierer des Metalerners übergeben werden sollen.
stackMetaLearnerTrainPercentage	Gibt den Anteil des Schulungssatzes (beim Auswählen des Trainings- und Validierungstyps) an, der für die Schulung des Metalerners reserviert werden soll. Der Standardwert ist 0,2.	Int
stackMetaLearnerType	Der Metalerner ist ein Modell, das auf die Ausgabe der einzelnen heterogenen Modelle trainiert wird.	"ElasticNet" "ElasticNetCV" "LightGBMClassifier" "LightGBMRegressor" "LinearRegression" "LogisticRegression" "LogisticRegressionCV" 'None'

Prognose

Name	Beschreibung	Wert
taskType	[Erforderlich] Aufgabentyp für AutoMLJob.	"Prognose" (erforderlich)
cvSplitColumnNames	Spalten, die für CVSplit-Daten verwendet werden sollen.	string[]
featurizationSettings	Reifungseingaben, die für den AutoML-Auftrag erforderlich sind.	TableVerticalFeaturizationSettings
fixedParameters	Modell-/Schulungsparameter, die während der gesamten Schulung konstant bleiben.	TableFixedParameters-
forecastingSettings	Vorhersageaufgabenspezifische Eingaben.	ForecastingSettings
limitSettings	Ausführungseinschränkungen für AutoMLJob.	TableVerticalLimitSettings
nCrossValidations	Anzahl der Kreuzüberprüfungsfalten, die auf schulungsdatensatz angewendet werden sollen wenn kein Validierungsdatensatz bereitgestellt wird.	NCrossValidations-
primaryMetric	Primäre Metrik für den Prognosevorgang.	"NormalizedMeanAbsoluteError" "NormalizedRootMeanSquaredError" 'R2Score' 'SpearmanCorrelation'
searchSpace	Suchbereich zum Sampling verschiedener Kombinationen von Modellen und deren Hyperparametern.	TableParameterSubspace[]
sweepSettings	Einstellungen für die Optimierung von Modellüberräumungen und Hyperparametern.	TableSweepSettings
testData	Testen sie die Dateneingabe.	MLTableJobInput-
testDataSize	Der Anteil des Testdatensatzes, der für validierungszwecke reserviert werden muss. Werte zwischen (0,0 , 1,0) Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird.	Int
trainingSettings	Eingaben für die Schulungsphase für einen AutoML-Auftrag.	ForecastingTrainingSettings
validationData	Überprüfungsdateneingaben.	MLTableJobInput-
validationDataSize	Der Anteil des Schulungsdatensatzes, der für validierungszwecke reserviert werden muss. Werte zwischen (0,0 , 1,0) Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird.	Int
weightColumnName	Der Name der Beispielgewichtungsspalte. Automatisierte ML unterstützt eine gewichtete Spalte als Eingabe, wodurch Zeilen in den Daten nach oben oder unten gewichtet werden.	Schnur

ForecastingSettings

Name	Beschreibung	Wert
countryOrRegionForHolidays	Land oder Region für Feiertage für Prognosevorgänge. Dabei sollte es sich um ISO 3166-Länder-/Regionscodes mit zwei Buchstaben, z. B. "US" oder "GB", handelt.	Schnur
cvStepSize	Anzahl der Perioden zwischen der Ursprungszeit einer CV-Faltung und der nächsten Faltung. Für Wenn z. B. CVStepSize = 3 für tägliche Daten ist die Ursprungszeit für jede Faltung drei Tage auseinander.	Int
featureLags	Flag zum Generieren von Verzögerungen für die numerischen Features mit "auto" oder NULL.	"Auto" 'None'
forecastHorizon	Der gewünschte maximale Prognosehorizont in Einheiten der Zeitreihenhäufigkeit.	ForecastHorizon
Frequenz	Bei der Prognose stellt dieser Parameter den Zeitraum dar, mit dem die Prognose gewünscht wird, z. B. täglich, wöchentlich, jährlich usw. Die Prognosehäufigkeit ist standardmäßig die Datasethäufigkeit.	Schnur
saisonalität	Legen Sie die Saisonalität der Zeitreihen als ganzzahliges Vielfaches der Datenreihenhäufigkeit fest. Wenn die Saisonalität auf "auto" festgelegt ist, wird sie abgeleitet.	Saisonalität
shortSeriesHandlingConfig	Der Parameter, der definiert, wie AutoML kurze Zeitreihen verarbeiten soll.	"Auto" 'Drop' 'None' "Pad"
targetAggregateFunction	Die Funktion, die verwendet werden soll, um die Zielspalte der Zeitreihe zu aggregieren, um einer vom Benutzer angegebenen Häufigkeit zu entsprechen. Wenn die TargetAggregateFunction festgelegt ist, d. h. nicht 'None', aber der Freq-Parameter nicht festgelegt ist, wird der Fehler ausgelöst. Die möglichen Zielaggregationsfunktionen sind: "summe", "max", "min" und "mean".	"Max" "Mittelwert" "Min" 'None' "Summe"
targetLags	Die Anzahl der letzten Perioden, die von der Zielspalte liegen sollen.	TargetLags-
targetRollingWindowSize	Die Anzahl der letzten Zeiträume, die zum Erstellen eines rollierenden Fensterdurchschnitts der Zielspalte verwendet werden.	TargetRollingWindowSize-
timeColumnName	Der Name der Zeitspalte. Dieser Parameter ist erforderlich, wenn die Prognose die Datetime-Spalte in den Eingabedaten angibt, die zum Erstellen der Zeitreihe verwendet werden, und die Häufigkeit ableiten.	Schnur
timeSeriesIdColumnNames	Die Namen von Spalten, die zum Gruppieren einer Zeitserie verwendet werden. Sie kann verwendet werden, um mehrere Serien zu erstellen. Wenn Korn nicht definiert ist, wird davon ausgegangen, dass es sich um eine Zeitreihe handelt. Dieser Parameter wird für die Prognose des Vorgangstyps verwendet.	string[]
useStl	Konfigurieren sie die STL-Analyse der Zielspalte der Zeitreihe.	'None' "Saison" "SeasonTrend"

ForecastHorizon

Name	Beschreibung	Wert
Modus	Festlegen des Objekttyps	automatischen benutzerdefinierte (erforderlich)

AutoForecastHorizon

Name	Beschreibung	Wert
Modus	[Erforderlich] Legen Sie den Auswahlmodus für den Prognosehorizont fest.	"Auto" (erforderlich)

CustomForecastHorizon

Name	Beschreibung	Wert
Modus	[Erforderlich] Legen Sie den Auswahlmodus für den Prognosehorizont fest.	"Benutzerdefiniert" (erforderlich)
Wert	[Erforderlich] Prognosehorizontwert.	int (erforderlich)

Saisonalität

Name	Beschreibung	Wert
Modus	Festlegen des Objekttyps	automatischen benutzerdefinierte (erforderlich)

AutoSeasonalität

Name	Beschreibung	Wert
Modus	[Erforderlich] Saisonalitätsmodus.	"Auto" (erforderlich)

CustomSeasonality

Name	Beschreibung	Wert
Modus	[Erforderlich] Saisonalitätsmodus.	"Benutzerdefiniert" (erforderlich)
Wert	[Erforderlich] Saisonalitätswert.	int (erforderlich)

TargetLags

Name	Beschreibung	Wert
Modus	Festlegen des Objekttyps	automatischen benutzerdefinierte (erforderlich)

AutoTargetLags

Name	Beschreibung	Wert
Modus	[Erforderlich] Festlegen des Zielverzögerungsmodus – Auto/Benutzerdefiniert	"Auto" (erforderlich)

CustomTargetLags

Name	Beschreibung	Wert
Modus	[Erforderlich] Festlegen des Zielverzögerungsmodus – Auto/Benutzerdefiniert	"Benutzerdefiniert" (erforderlich)
Werte	[Erforderlich] Festlegen von Zielverzögerungswerten	int[] (erforderlich)

TargetRollingWindowSize

Name	Beschreibung	Wert
Modus	Festlegen des Objekttyps	automatischen benutzerdefinierte (erforderlich)

AutoTargetRollingWindowSize

Name	Beschreibung	Wert
Modus	[Erforderlich] TargetRollingWindowSiz-Erkennungsmodus.	"Auto" (erforderlich)

CustomTargetRollingWindowSize

Name	Beschreibung	Wert
Modus	[Erforderlich] TargetRollingWindowSiz-Erkennungsmodus.	"Benutzerdefiniert" (erforderlich)
Wert	[Erforderlich] TargetRollingWindowSize-Wert.	int (erforderlich)

ForecastingTrainingSettings

Name	Beschreibung	Wert
allowedTrainingAlgorithms	Zulässige Modelle für den Prognosevorgang.	Zeichenfolgenarray, das eine der folgenden Elemente enthält: 'Arimax' 'AutoArima' "Mittelwert" "DecisionTree" "ElasticNet" "Exponentialsmoothing" "ExtremeRandomTrees" "GradientBoosting" 'KNN' "LassoLars" "LightGBM" "Naiv" "Prophet" "RandomForest" "SGD" "Saisonalwert" "Saisonnaive" 'TCNForecaster' 'XGBoostRegressor'
blockedTrainingAlgorithms	Blockierte Modelle für den Prognosevorgang.	Zeichenfolgenarray, das eine der folgenden Elemente enthält: 'Arimax' 'AutoArima' "Mittelwert" "DecisionTree" "ElasticNet" "Exponentialsmoothing" "ExtremeRandomTrees" "GradientBoosting" 'KNN' "LassoLars" "LightGBM" "Naiv" "Prophet" "RandomForest" "SGD" "Saisonalwert" "Saisonnaive" 'TCNForecaster' 'XGBoostRegressor'
enableDnnTraining	Aktivieren Sie die Empfehlung von DNN-Modellen.	Bool
enableModelExplainability	Kennzeichnen Sie die Kennzeichnung, um die Erläuterung für das beste Modell zu aktivieren.	Bool
enableOnnxCompatibleModels	Kennzeichnung zum Aktivieren von onnx-kompatiblen Modellen.	Bool
enableStackEnsemble	Stapelensembleausführung aktivieren.	Bool
enableVoteEnsemble	Aktivieren Des Abstimmungsensembles.	Bool
ensembleModelDownloadTimeout	Während der VotingEnsemble- und StackEnsemble-Modellgeneration werden mehrere einbaute Modelle aus den vorherigen Kinderläufen heruntergeladen. Konfigurieren Sie diesen Parameter mit einem höheren Wert als 300 Sek., wenn mehr Zeit erforderlich ist.	Schnur
stackEnsembleSettings	Stack ensemble settings for stack ensemble run.	StackEnsembleSettings
trainingMode	TrainingMode-Modus - Die Einstellung auf "Auto" ist identisch mit dem Festlegen auf "nicht verteilt" für jetzt, kann jedoch in Zukunft zu einer gemischten Modus- oder Heuristik-basierten Modusauswahl führen. Der Standardwert ist "auto". Wenn "Verteilt" verwendet wird, werden nur verteilte Featurisierung verwendet und verteilte Algorithmen ausgewählt. Wenn "NonDistributed" ausgewählt wird, werden nur nicht verteilte Algorithmen ausgewählt.	"Auto" "Verteilt" "Nicht verteilt"

ImageClassification

Name	Beschreibung	Wert
taskType	[Erforderlich] Aufgabentyp für AutoMLJob.	'ImageClassification' (erforderlich)
limitSettings	[Erforderlich] Beschränken Sie die Einstellungen für den AutoML-Auftrag.	ImageLimitSettings- (erforderlich)
modelSettings	Einstellungen, die für die Schulung des Modells verwendet werden.	ImageModelSettingsClassification-
primaryMetric	Primäre Metrik, die für diesen Vorgang optimiert werden soll.	"AUCWeighted" "Genauigkeit" "AveragePrecisionScoreWeighted" "NormMacroRecall" 'PrecisionScoreWeighted'
searchSpace	Suchbereich zum Sampling verschiedener Kombinationen von Modellen und deren Hyperparametern.	ImageModelDistributionSettingsClassification[]
sweepSettings	Modellüberräumung und hyperparameterbezogene Einstellungen.	ImageSweepSettings
validationData	Überprüfungsdateneingaben.	MLTableJobInput-
validationDataSize	Der Anteil des Schulungsdatensatzes, der für validierungszwecke reserviert werden muss. Werte zwischen (0,0 , 1,0) Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird.	Int

ImageLimitSettings

Name	Beschreibung	Wert
maxConcurrentTrials	Maximale Anzahl gleichzeitiger AutoML-Iterationen.	Int
maxTrials	Maximale Anzahl von AutoML-Iterationen.	Int
Zeitüberschreitung	AutoML-Auftragstimeout.	Schnur

ImageModelSettingsClassification

Name	Beschreibung	Wert
advancedSettings	Einstellungen für erweiterte Szenarien.	Schnur
amsGradient	Aktivieren Sie AMSGrad, wenn der Optimierer "adam" oder "adamw" ist.	Bool
Vergrößerungen	Einstellungen für die Verwendung von Augmentations.	Schnur
Beta1	Wert von "Beta1", wenn der Optimierer "adam" oder "adamw" ist. Muss ein Gleitkomma im Bereich [0, 1] sein.	Int
Beta2	Wert von 'Beta2', wenn der Optimierer 'adam' oder 'adamw' ist. Muss ein Gleitkomma im Bereich [0, 1] sein.	Int
checkpointFrequency	Häufigkeit zum Speichern von Modellprüfpunkten. Muss eine positive ganze Zahl sein.	Int
checkpointModel	Das vortrainierte Prüfpunktmodell für inkrementelle Schulungen.	MLFlowModelJobInput
checkpointRunId	Die ID einer vorherigen Ausführung mit einem vortrainierten Prüfpunkt für inkrementelle Schulungen.	Schnur
verteilt	Gibt an, ob verteilte Schulungen verwendet werden sollen.	Bool
earlyStopping	Aktivieren Sie die Logik während der Schulung frühzeitig beenden.	Bool
earlyStoppingDelay	Minimale Anzahl von Epochen oder Validierungsauswertungen, die vor der primären Metrikverbesserung warten wird für einen frühen Stopp nachverfolgt. Muss eine positive ganze Zahl sein.	Int
earlyStoppingPatience	Mindestanzahl von Epochen oder Validierungsbewertungen ohne primäre Metrikverbesserung vor die Ausführung wird beendet. Muss eine positive ganze Zahl sein.	Int
enableOnnxNormalization	Aktivieren Sie die Normalisierung beim Exportieren des ONNX-Modells.	Bool
evaluationFrequency	Häufigkeit zum Auswerten des Validierungsdatensets zum Abrufen von Metrikergebnissen. Muss eine positive ganze Zahl sein.	Int
gradientAccumulationStep	Farbverlaufsakkumulation bedeutet, dass eine konfigurierte Anzahl von "GradAccumulationStep"-Schritten ohne Aktualisieren der Modellgewichte beim Akkumulieren der Farbverläufe dieser Schritte und anschließendes Verwenden von die akkumulierten Farbverläufe, um die Gewichtungsaktualisierungen zu berechnen. Muss eine positive ganze Zahl sein.	Int
layersToFreeze	Anzahl der Ebenen, die für das Modell fixiert werden sollen. Muss eine positive ganze Zahl sein. Beispielsweise bedeutet die Übergabe von 2 als Wert für "seresnext" Einfrieren von Schicht0 und Ebene1. Eine vollständige Liste der unterstützten Modelle und Details zum Fixieren der Ebene finden Sie bitte siehe: /azure/machine-learning/how-to-auto-train-image-models.	Int
learningRate	Anfängliche Lernrate. Muss ein Gleitkomma im Bereich [0, 1] sein.	Int
learningRateScheduler	Typ des Lernrate-Zeitplans. Muss "warmup_cosine" oder "Schritt" sein.	'None' "Schritt" "WarmupCosine"
modelName	Der Name des Modells, das für die Schulung verwendet werden soll. Weitere Informationen zu den verfügbaren Modellen finden Sie in der offiziellen Dokumentation: /azure/machine-learning/how-to-auto-train-image-models.	Schnur
Impuls	Wert der Dynamik, wenn Optimierer 'sgd' ist. Muss ein Gleitkomma im Bereich [0, 1] sein.	Int
nesterov	Aktivieren Sie nesterov, wenn der Optimierer "sgd" ist.	Bool
numberOfEpochs	Anzahl der Ausbildungszeiten. Muss eine positive ganze Zahl sein.	Int
numberOfWorkers	Anzahl der Datenlademitarbeiter. Muss eine nicht negative ganze Zahl sein.	Int
Optimierer	Typ des Optimierrs.	'Adam' 'Adamw' 'None' 'Sgd'
randomSeed	Zufälliger Seed, der bei Verwendung deterministischer Schulungen verwendet werden soll.	Int
stepLRGamma	Der Wert des Gammawerts, wenn der Lernrate-Scheduler "Schritt" ist. Muss ein Gleitkomma im Bereich [0, 1] sein.	Int
stepLRStepSize	Der Wert der Schrittgröße, wenn der Lernrateplaner "Schritt" ist. Muss eine positive ganze Zahl sein.	Int
trainingBatchSize	Schulungsbatchgröße. Muss eine positive ganze Zahl sein.	Int
trainingCropSize	Bildzuschneidegröße, die in das neurale Netzwerk für das Schulungsdatenset eingegeben wird. Muss eine positive ganze Zahl sein.	Int
validationBatchSize	Batchgröße der Überprüfung. Muss eine positive ganze Zahl sein.	Int
validationCropSize	Bildzuschneidegröße, die für das Validierungsdatenset in das neurale Netzwerk eingegeben wird. Muss eine positive ganze Zahl sein.	Int
validationResizeSizeSize	Bildgröße, für die die Größe vor dem Zuschneiden des Gültigkeits-Datasets geändert werden soll. Muss eine positive ganze Zahl sein.	Int
warmupCosineLRCycles	Der Wert des Kosinuszyklus, wenn der Lernrateplaner "warmup_cosine" ist. Muss ein Gleitkomma im Bereich [0, 1] sein.	Int
warmupCosineLRWarmupEpochs	Wert der Warmup-Epochen, wenn der Lernratenplaner "warmup_cosine" ist. Muss eine positive ganze Zahl sein.	Int
weightDecay	Wert des Gewichtszerfalls, wenn der Optimierer "sgd", "adam" oder "adamw" lautet. Muss ein Gleitkomma im Bereich sein[0, 1].	Int
weightedLoss	Gewichtete Verlust. Die akzeptierten Werte sind 0 für keinen gewichteten Verlust. 1 für gewichteten Verlust mit sqrt. (class_weights). 2 für gewichtete Verlust mit class_weights. Muss 0 oder 1 oder 2 sein.	Int

MLFlowModelJobInput

Name	Beschreibung	Wert
Beschreibung	Beschreibung für die Eingabe.	Schnur
jobInputType	[Erforderlich] Gibt den Auftragstyp an.	"custom_model" "Literal" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (erforderlich)
Modus	Übermittlungsmodus der Eingaberessource.	"Direkt" "Herunterladen" 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
Uri	[Erforderlich] Eingabeobjekt-URI.	Zeichenfolge (erforderlich) Zwänge: Pattern = [a-zA-Z0-9_]

ImageModelDistributionSettingsClassification

Name	Beschreibung	Wert
amsGradient	Aktivieren Sie AMSGrad, wenn der Optimierer "adam" oder "adamw" ist.	Schnur
Vergrößerungen	Einstellungen für die Verwendung von Augmentations.	Schnur
Beta1	Wert von "Beta1", wenn der Optimierer "adam" oder "adamw" ist. Muss ein Gleitkomma im Bereich [0, 1] sein.	Schnur
Beta2	Wert von 'Beta2', wenn der Optimierer 'adam' oder 'adamw' ist. Muss ein Gleitkomma im Bereich [0, 1] sein.	Schnur
verteilt	Gibt an, ob die Verteilungsschulung verwendet werden soll.	Schnur
earlyStopping	Aktivieren Sie die Logik während der Schulung frühzeitig beenden.	Schnur
earlyStoppingDelay	Minimale Anzahl von Epochen oder Validierungsauswertungen, die vor der primären Metrikverbesserung warten wird für einen frühen Stopp nachverfolgt. Muss eine positive ganze Zahl sein.	Schnur
earlyStoppingPatience	Mindestanzahl von Epochen oder Validierungsbewertungen ohne primäre Metrikverbesserung vor die Ausführung wird beendet. Muss eine positive ganze Zahl sein.	Schnur
enableOnnxNormalization	Aktivieren Sie die Normalisierung beim Exportieren des ONNX-Modells.	Schnur
evaluationFrequency	Häufigkeit zum Auswerten des Validierungsdatensets zum Abrufen von Metrikergebnissen. Muss eine positive ganze Zahl sein.	Schnur
gradientAccumulationStep	Farbverlaufsakkumulation bedeutet, dass eine konfigurierte Anzahl von "GradAccumulationStep"-Schritten ohne Aktualisieren der Modellgewichte beim Akkumulieren der Farbverläufe dieser Schritte und anschließendes Verwenden von die akkumulierten Farbverläufe, um die Gewichtungsaktualisierungen zu berechnen. Muss eine positive ganze Zahl sein.	Schnur
layersToFreeze	Anzahl der Ebenen, die für das Modell fixiert werden sollen. Muss eine positive ganze Zahl sein. Beispielsweise bedeutet die Übergabe von 2 als Wert für "seresnext" Einfrieren von Schicht0 und Ebene1. Eine vollständige Liste der unterstützten Modelle und Details zum Fixieren der Ebene finden Sie bitte siehe: /azure/machine-learning/how-to-auto-train-image-models.	Schnur
learningRate	Anfängliche Lernrate. Muss ein Gleitkomma im Bereich [0, 1] sein.	Schnur
learningRateScheduler	Typ des Lernrate-Zeitplans. Muss "warmup_cosine" oder "Schritt" sein.	Schnur
modelName	Der Name des Modells, das für die Schulung verwendet werden soll. Weitere Informationen zu den verfügbaren Modellen finden Sie in der offiziellen Dokumentation: /azure/machine-learning/how-to-auto-train-image-models.	Schnur
Impuls	Wert der Dynamik, wenn Optimierer 'sgd' ist. Muss ein Gleitkomma im Bereich [0, 1] sein.	Schnur
nesterov	Aktivieren Sie nesterov, wenn der Optimierer "sgd" ist.	Schnur
numberOfEpochs	Anzahl der Ausbildungszeiten. Muss eine positive ganze Zahl sein.	Schnur
numberOfWorkers	Anzahl der Datenlademitarbeiter. Muss eine nicht negative ganze Zahl sein.	Schnur
Optimierer	Typ des Optimierrs. Muss entweder 'sgd', 'adam' oder 'adamw' sein.	Schnur
randomSeed	Zufälliger Seed, der bei Verwendung deterministischer Schulungen verwendet werden soll.	Schnur
stepLRGamma	Der Wert des Gammawerts, wenn der Lernrate-Scheduler "Schritt" ist. Muss ein Gleitkomma im Bereich [0, 1] sein.	Schnur
stepLRStepSize	Der Wert der Schrittgröße, wenn der Lernrateplaner "Schritt" ist. Muss eine positive ganze Zahl sein.	Schnur
trainingBatchSize	Schulungsbatchgröße. Muss eine positive ganze Zahl sein.	Schnur
trainingCropSize	Bildzuschneidegröße, die in das neurale Netzwerk für das Schulungsdatenset eingegeben wird. Muss eine positive ganze Zahl sein.	Schnur
validationBatchSize	Batchgröße der Überprüfung. Muss eine positive ganze Zahl sein.	Schnur
validationCropSize	Bildzuschneidegröße, die für das Validierungsdatenset in das neurale Netzwerk eingegeben wird. Muss eine positive ganze Zahl sein.	Schnur
validationResizeSizeSize	Bildgröße, für die die Größe vor dem Zuschneiden des Gültigkeits-Datasets geändert werden soll. Muss eine positive ganze Zahl sein.	Schnur
warmupCosineLRCycles	Der Wert des Kosinuszyklus, wenn der Lernrateplaner "warmup_cosine" ist. Muss ein Gleitkomma im Bereich [0, 1] sein.	Schnur
warmupCosineLRWarmupEpochs	Wert der Warmup-Epochen, wenn der Lernratenplaner "warmup_cosine" ist. Muss eine positive ganze Zahl sein.	Schnur
weightDecay	Wert des Gewichtszerfalls, wenn der Optimierer "sgd", "adam" oder "adamw" lautet. Muss ein Gleitkomma im Bereich sein[0, 1].	Schnur
weightedLoss	Gewichtete Verlust. Die akzeptierten Werte sind 0 für keinen gewichteten Verlust. 1 für gewichteten Verlust mit sqrt. (class_weights). 2 für gewichtete Verlust mit class_weights. Muss 0 oder 1 oder 2 sein.	Schnur

ImageSweepSettings

Name	Beschreibung	Wert
earlyTermination	Art der Richtlinie zur vorzeitigen Beendigung.	EarlyTerminationPolicy-
samplingAlgorithm	[Erforderlich] Typ der Hyperparameter-Samplingalgorithmen.	"Bayesian" 'Raster' "Zufällig" (erforderlich)

ImageClassificationMultilabel

Name	Beschreibung	Wert
taskType	[Erforderlich] Aufgabentyp für AutoMLJob.	'ImageClassificationMultilabel' (erforderlich)
limitSettings	[Erforderlich] Beschränken Sie die Einstellungen für den AutoML-Auftrag.	ImageLimitSettings- (erforderlich)
modelSettings	Einstellungen, die für die Schulung des Modells verwendet werden.	ImageModelSettingsClassification-
primaryMetric	Primäre Metrik, die für diesen Vorgang optimiert werden soll.	"AUCWeighted" "Genauigkeit" "AveragePrecisionScoreWeighted" "IOU" "NormMacroRecall" 'PrecisionScoreWeighted'
searchSpace	Suchbereich zum Sampling verschiedener Kombinationen von Modellen und deren Hyperparametern.	ImageModelDistributionSettingsClassification[]
sweepSettings	Modellüberräumung und hyperparameterbezogene Einstellungen.	ImageSweepSettings
validationData	Überprüfungsdateneingaben.	MLTableJobInput-
validationDataSize	Der Anteil des Schulungsdatensatzes, der für validierungszwecke reserviert werden muss. Werte zwischen (0,0 , 1,0) Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird.	Int

ImageInstanceSegmentation

Name	Beschreibung	Wert
taskType	[Erforderlich] Aufgabentyp für AutoMLJob.	'ImageInstanceSegmentation' (erforderlich)
limitSettings	[Erforderlich] Beschränken Sie die Einstellungen für den AutoML-Auftrag.	ImageLimitSettings- (erforderlich)
modelSettings	Einstellungen, die für die Schulung des Modells verwendet werden.	ImageModelSettingsObjectDetection-
primaryMetric	Primäre Metrik, die für diesen Vorgang optimiert werden soll.	"MeanAveragePrecision"
searchSpace	Suchbereich zum Sampling verschiedener Kombinationen von Modellen und deren Hyperparametern.	ImageModelDistributionSettingsObjectDetection[]
sweepSettings	Modellüberräumung und hyperparameterbezogene Einstellungen.	ImageSweepSettings
validationData	Überprüfungsdateneingaben.	MLTableJobInput-
validationDataSize	Der Anteil des Schulungsdatensatzes, der für validierungszwecke reserviert werden muss. Werte zwischen (0,0 , 1,0) Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird.	Int

ImageModelSettingsObjectDetection

Name	Beschreibung	Wert
advancedSettings	Einstellungen für erweiterte Szenarien.	Schnur
amsGradient	Aktivieren Sie AMSGrad, wenn der Optimierer "adam" oder "adamw" ist.	Bool
Vergrößerungen	Einstellungen für die Verwendung von Augmentations.	Schnur
Beta1	Wert von "Beta1", wenn der Optimierer "adam" oder "adamw" ist. Muss ein Gleitkomma im Bereich [0, 1] sein.	Int
Beta2	Wert von 'Beta2', wenn der Optimierer 'adam' oder 'adamw' ist. Muss ein Gleitkomma im Bereich [0, 1] sein.	Int
boxDetectionsPerImage	Maximale Anzahl von Erkennungen pro Bild für alle Klassen. Muss eine positive ganze Zahl sein. Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt.	Int
boxScoreThreshold	Während des Rückschlusses geben nur Vorschläge mit einer Klassifizierungsbewertung zurück, die größer als BoxScoreThreshold. Muss ein Gleitkomma im Bereich sein[0, 1].	Int
checkpointFrequency	Häufigkeit zum Speichern von Modellprüfpunkten. Muss eine positive ganze Zahl sein.	Int
checkpointModel	Das vortrainierte Prüfpunktmodell für inkrementelle Schulungen.	MLFlowModelJobInput
checkpointRunId	Die ID einer vorherigen Ausführung mit einem vortrainierten Prüfpunkt für inkrementelle Schulungen.	Schnur
verteilt	Gibt an, ob verteilte Schulungen verwendet werden sollen.	Bool
earlyStopping	Aktivieren Sie die Logik während der Schulung frühzeitig beenden.	Bool
earlyStoppingDelay	Minimale Anzahl von Epochen oder Validierungsauswertungen, die vor der primären Metrikverbesserung warten wird für einen frühen Stopp nachverfolgt. Muss eine positive ganze Zahl sein.	Int
earlyStoppingPatience	Mindestanzahl von Epochen oder Validierungsbewertungen ohne primäre Metrikverbesserung vor die Ausführung wird beendet. Muss eine positive ganze Zahl sein.	Int
enableOnnxNormalization	Aktivieren Sie die Normalisierung beim Exportieren des ONNX-Modells.	Bool
evaluationFrequency	Häufigkeit zum Auswerten des Validierungsdatensets zum Abrufen von Metrikergebnissen. Muss eine positive ganze Zahl sein.	Int
gradientAccumulationStep	Farbverlaufsakkumulation bedeutet, dass eine konfigurierte Anzahl von "GradAccumulationStep"-Schritten ohne Aktualisieren der Modellgewichte beim Akkumulieren der Farbverläufe dieser Schritte und anschließendes Verwenden von die akkumulierten Farbverläufe, um die Gewichtungsaktualisierungen zu berechnen. Muss eine positive ganze Zahl sein.	Int
imageSize	Bildgröße für Train und Validierung. Muss eine positive ganze Zahl sein. Hinweis: Der Trainingslauf kann in CUDA OOM kommen, wenn die Größe zu groß ist. Hinweis: Diese Einstellungen werden nur für den Algorithmus "yolov5" unterstützt.	Int
layersToFreeze	Anzahl der Ebenen, die für das Modell fixiert werden sollen. Muss eine positive ganze Zahl sein. Beispielsweise bedeutet die Übergabe von 2 als Wert für "seresnext" Einfrieren von Schicht0 und Ebene1. Eine vollständige Liste der unterstützten Modelle und Details zum Fixieren der Ebene finden Sie bitte siehe: /azure/machine-learning/how-to-auto-train-image-models.	Int
learningRate	Anfängliche Lernrate. Muss ein Gleitkomma im Bereich [0, 1] sein.	Int
learningRateScheduler	Typ des Lernrate-Zeitplans. Muss "warmup_cosine" oder "Schritt" sein.	'None' "Schritt" "WarmupCosine"
maxSize	Maximale Größe des Bilds, das neu skaliert werden soll, bevor es in das Backbone verschoben wird. Muss eine positive ganze Zahl sein. Hinweis: Der Trainingslauf kann zu CUDA OOM kommen, wenn die Größe zu groß ist. Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt.	Int
minSize	Mindestgröße des Bilds, das neu skaliert werden soll, bevor es in das Backbone eingespeist wird. Muss eine positive ganze Zahl sein. Hinweis: Der Trainingslauf kann zu CUDA OOM kommen, wenn die Größe zu groß ist. Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt.	Int
modelName	Der Name des Modells, das für die Schulung verwendet werden soll. Weitere Informationen zu den verfügbaren Modellen finden Sie in der offiziellen Dokumentation: /azure/machine-learning/how-to-auto-train-image-models.	Schnur
modelSize	Modellgröße. Muss "klein", "mittel", "groß" oder "xlarge" sein. Hinweis: Der Trainingslauf kann zu CUDA OOM kommen, wenn die Modellgröße zu groß ist. Hinweis: Diese Einstellungen werden nur für den Algorithmus "yolov5" unterstützt.	"ExtraLarge" "Groß" "Mittel" 'None' "Klein"
Impuls	Wert der Dynamik, wenn Optimierer 'sgd' ist. Muss ein Gleitkomma im Bereich [0, 1] sein.	Int
MultiScale	Aktivieren Sie das Bild mit mehreren Skalierungen durch unterschiedliche Bildgröße um +/- 50%. Hinweis: Der Schulungslauf kann in CUDA OOM erfolgen, wenn kein ausreichender GPU-Speicher vorhanden ist. Hinweis: Diese Einstellungen werden nur für den Algorithmus "yolov5" unterstützt.	Bool
nesterov	Aktivieren Sie nesterov, wenn der Optimierer "sgd" ist.	Bool
nmsIouThreshold	IOU-Schwellenwert, der während der Ableitung in der NMS-Nachbearbeitung verwendet wird. Muss ein Gleitkomma im Bereich [0, 1] sein.	Int
numberOfEpochs	Anzahl der Ausbildungszeiten. Muss eine positive ganze Zahl sein.	Int
numberOfWorkers	Anzahl der Datenlademitarbeiter. Muss eine nicht negative ganze Zahl sein.	Int
Optimierer	Typ des Optimierrs.	'Adam' 'Adamw' 'None' 'Sgd'
randomSeed	Zufälliger Seed, der bei Verwendung deterministischer Schulungen verwendet werden soll.	Int
stepLRGamma	Der Wert des Gammawerts, wenn der Lernrate-Scheduler "Schritt" ist. Muss ein Gleitkomma im Bereich [0, 1] sein.	Int
stepLRStepSize	Der Wert der Schrittgröße, wenn der Lernrateplaner "Schritt" ist. Muss eine positive ganze Zahl sein.	Int
tileGridSize	Die Rastergröße, die zum Nebeneinander der einzelnen Bilder verwendet werden soll. Hinweis: TileGridSize darf nicht sein Keines, um kleine Objekterkennungslogik zu aktivieren. Eine Zeichenfolge, die zwei ganze Zahlen im Mxn-Format enthält. Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt.	Schnur
tileOverlapRatio	Überlappungsverhältnis zwischen angrenzenden Kacheln in jeder Dimension. Muss im Bereich [0, 1) gleiten. Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt.	Int
tilePredictionsNmsThreshold	Der IOU-Schwellenwert zum Ausführen von NMS beim Zusammenführen von Vorhersagen von Kacheln und Bildern. Wird in Überprüfung/Rückschluss verwendet. Muss im Bereich [0, 1] gleiten. Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt.	Int
trainingBatchSize	Schulungsbatchgröße. Muss eine positive ganze Zahl sein.	Int
validationBatchSize	Batchgröße der Überprüfung. Muss eine positive ganze Zahl sein.	Int
validationIouThreshold	IOU-Schwellenwert, der beim Berechnen der Validierungsmetrik verwendet werden soll. Muss im Bereich [0, 1] gleiten.	Int
validationMetricType	Metrische Berechnungsmethode, die für Validierungsmetriken verwendet werden soll.	"Coco" "CocoVoc" 'None' "Voc"
warmupCosineLRCycles	Der Wert des Kosinuszyklus, wenn der Lernrateplaner "warmup_cosine" ist. Muss ein Gleitkomma im Bereich [0, 1] sein.	Int
warmupCosineLRWarmupEpochs	Wert der Warmup-Epochen, wenn der Lernratenplaner "warmup_cosine" ist. Muss eine positive ganze Zahl sein.	Int
weightDecay	Wert des Gewichtszerfalls, wenn der Optimierer "sgd", "adam" oder "adamw" lautet. Muss ein Gleitkomma im Bereich sein[0, 1].	Int

ImageModelDistributionSettingsObjectDetection

Name	Beschreibung	Wert
amsGradient	Aktivieren Sie AMSGrad, wenn der Optimierer "adam" oder "adamw" ist.	Schnur
Vergrößerungen	Einstellungen für die Verwendung von Augmentations.	Schnur
Beta1	Wert von "Beta1", wenn der Optimierer "adam" oder "adamw" ist. Muss ein Gleitkomma im Bereich [0, 1] sein.	Schnur
Beta2	Wert von 'Beta2', wenn der Optimierer 'adam' oder 'adamw' ist. Muss ein Gleitkomma im Bereich [0, 1] sein.	Schnur
boxDetectionsPerImage	Maximale Anzahl von Erkennungen pro Bild für alle Klassen. Muss eine positive ganze Zahl sein. Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt.	Schnur
boxScoreThreshold	Während des Rückschlusses geben nur Vorschläge mit einer Klassifizierungsbewertung zurück, die größer als BoxScoreThreshold. Muss ein Gleitkomma im Bereich sein[0, 1].	Schnur
verteilt	Gibt an, ob die Verteilungsschulung verwendet werden soll.	Schnur
earlyStopping	Aktivieren Sie die Logik während der Schulung frühzeitig beenden.	Schnur
earlyStoppingDelay	Minimale Anzahl von Epochen oder Validierungsauswertungen, die vor der primären Metrikverbesserung warten wird für einen frühen Stopp nachverfolgt. Muss eine positive ganze Zahl sein.	Schnur
earlyStoppingPatience	Mindestanzahl von Epochen oder Validierungsbewertungen ohne primäre Metrikverbesserung vor die Ausführung wird beendet. Muss eine positive ganze Zahl sein.	Schnur
enableOnnxNormalization	Aktivieren Sie die Normalisierung beim Exportieren des ONNX-Modells.	Schnur
evaluationFrequency	Häufigkeit zum Auswerten des Validierungsdatensets zum Abrufen von Metrikergebnissen. Muss eine positive ganze Zahl sein.	Schnur
gradientAccumulationStep	Farbverlaufsakkumulation bedeutet, dass eine konfigurierte Anzahl von "GradAccumulationStep"-Schritten ohne Aktualisieren der Modellgewichte beim Akkumulieren der Farbverläufe dieser Schritte und anschließendes Verwenden von die akkumulierten Farbverläufe, um die Gewichtungsaktualisierungen zu berechnen. Muss eine positive ganze Zahl sein.	Schnur
imageSize	Bildgröße für Train und Validierung. Muss eine positive ganze Zahl sein. Hinweis: Der Trainingslauf kann in CUDA OOM kommen, wenn die Größe zu groß ist. Hinweis: Diese Einstellungen werden nur für den Algorithmus "yolov5" unterstützt.	Schnur
layersToFreeze	Anzahl der Ebenen, die für das Modell fixiert werden sollen. Muss eine positive ganze Zahl sein. Beispielsweise bedeutet die Übergabe von 2 als Wert für "seresnext" Einfrieren von Schicht0 und Ebene1. Eine vollständige Liste der unterstützten Modelle und Details zum Fixieren der Ebene finden Sie bitte siehe: /azure/machine-learning/how-to-auto-train-image-models.	Schnur
learningRate	Anfängliche Lernrate. Muss ein Gleitkomma im Bereich [0, 1] sein.	Schnur
learningRateScheduler	Typ des Lernrate-Zeitplans. Muss "warmup_cosine" oder "Schritt" sein.	Schnur
maxSize	Maximale Größe des Bilds, das neu skaliert werden soll, bevor es in das Backbone verschoben wird. Muss eine positive ganze Zahl sein. Hinweis: Der Trainingslauf kann zu CUDA OOM kommen, wenn die Größe zu groß ist. Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt.	Schnur
minSize	Mindestgröße des Bilds, das neu skaliert werden soll, bevor es in das Backbone eingespeist wird. Muss eine positive ganze Zahl sein. Hinweis: Der Trainingslauf kann zu CUDA OOM kommen, wenn die Größe zu groß ist. Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt.	Schnur
modelName	Der Name des Modells, das für die Schulung verwendet werden soll. Weitere Informationen zu den verfügbaren Modellen finden Sie in der offiziellen Dokumentation: /azure/machine-learning/how-to-auto-train-image-models.	Schnur
modelSize	Modellgröße. Muss "klein", "mittel", "groß" oder "xlarge" sein. Hinweis: Der Trainingslauf kann zu CUDA OOM kommen, wenn die Modellgröße zu groß ist. Hinweis: Diese Einstellungen werden nur für den Algorithmus "yolov5" unterstützt.	Schnur
Impuls	Wert der Dynamik, wenn Optimierer 'sgd' ist. Muss ein Gleitkomma im Bereich [0, 1] sein.	Schnur
MultiScale	Aktivieren Sie das Bild mit mehreren Skalierungen durch unterschiedliche Bildgröße um +/- 50%. Hinweis: Der Schulungslauf kann in CUDA OOM erfolgen, wenn kein ausreichender GPU-Speicher vorhanden ist. Hinweis: Diese Einstellungen werden nur für den Algorithmus "yolov5" unterstützt.	Schnur
nesterov	Aktivieren Sie nesterov, wenn der Optimierer "sgd" ist.	Schnur
nmsIouThreshold	IOU-Schwellenwert, der während der Ableitung in der NMS-Nachbearbeitung verwendet wird. Muss im Bereich [0, 1] gleiten.	Schnur
numberOfEpochs	Anzahl der Ausbildungszeiten. Muss eine positive ganze Zahl sein.	Schnur
numberOfWorkers	Anzahl der Datenlademitarbeiter. Muss eine nicht negative ganze Zahl sein.	Schnur
Optimierer	Typ des Optimierrs. Muss entweder 'sgd', 'adam' oder 'adamw' sein.	Schnur
randomSeed	Zufälliger Seed, der bei Verwendung deterministischer Schulungen verwendet werden soll.	Schnur
stepLRGamma	Der Wert des Gammawerts, wenn der Lernrate-Scheduler "Schritt" ist. Muss ein Gleitkomma im Bereich [0, 1] sein.	Schnur
stepLRStepSize	Der Wert der Schrittgröße, wenn der Lernrateplaner "Schritt" ist. Muss eine positive ganze Zahl sein.	Schnur
tileGridSize	Die Rastergröße, die zum Nebeneinander der einzelnen Bilder verwendet werden soll. Hinweis: TileGridSize darf nicht sein Keines, um kleine Objekterkennungslogik zu aktivieren. Eine Zeichenfolge, die zwei ganze Zahlen im Mxn-Format enthält. Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt.	Schnur
tileOverlapRatio	Überlappungsverhältnis zwischen angrenzenden Kacheln in jeder Dimension. Muss im Bereich [0, 1) gleiten. Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt.	Schnur
tilePredictionsNmsThreshold	Der IOU-Schwellenwert zum Ausführen von NMS beim Zusammenführen von Vorhersagen von Kacheln und Bildern. Wird in Überprüfung/Rückschluss verwendet. Muss im Bereich [0, 1] gleiten. Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt. NMS: Nicht maximale Unterdrückung	Schnur
trainingBatchSize	Schulungsbatchgröße. Muss eine positive ganze Zahl sein.	Schnur
validationBatchSize	Batchgröße der Überprüfung. Muss eine positive ganze Zahl sein.	Schnur
validationIouThreshold	IOU-Schwellenwert, der beim Berechnen der Validierungsmetrik verwendet werden soll. Muss im Bereich [0, 1] gleiten.	Schnur
validationMetricType	Metrische Berechnungsmethode, die für Validierungsmetriken verwendet werden soll. Muss "none", "coco", "voc" oder "coco_voc" sein.	Schnur
warmupCosineLRCycles	Der Wert des Kosinuszyklus, wenn der Lernrateplaner "warmup_cosine" ist. Muss ein Gleitkomma im Bereich [0, 1] sein.	Schnur
warmupCosineLRWarmupEpochs	Wert der Warmup-Epochen, wenn der Lernratenplaner "warmup_cosine" ist. Muss eine positive ganze Zahl sein.	Schnur
weightDecay	Wert des Gewichtszerfalls, wenn der Optimierer "sgd", "adam" oder "adamw" lautet. Muss ein Gleitkomma im Bereich sein[0, 1].	Schnur

ImageObjectDetection

Name	Beschreibung	Wert
taskType	[Erforderlich] Aufgabentyp für AutoMLJob.	'ImageObjectDetection' (erforderlich)
limitSettings	[Erforderlich] Beschränken Sie die Einstellungen für den AutoML-Auftrag.	ImageLimitSettings- (erforderlich)
modelSettings	Einstellungen, die für die Schulung des Modells verwendet werden.	ImageModelSettingsObjectDetection-
primaryMetric	Primäre Metrik, die für diesen Vorgang optimiert werden soll.	"MeanAveragePrecision"
searchSpace	Suchbereich zum Sampling verschiedener Kombinationen von Modellen und deren Hyperparametern.	ImageModelDistributionSettingsObjectDetection[]
sweepSettings	Modellüberräumung und hyperparameterbezogene Einstellungen.	ImageSweepSettings
validationData	Überprüfungsdateneingaben.	MLTableJobInput-
validationDataSize	Der Anteil des Schulungsdatensatzes, der für validierungszwecke reserviert werden muss. Werte zwischen (0,0 , 1,0) Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird.	Int

Regression

Name	Beschreibung	Wert
taskType	[Erforderlich] Aufgabentyp für AutoMLJob.	"Regression" (erforderlich)
cvSplitColumnNames	Spalten, die für CVSplit-Daten verwendet werden sollen.	string[]
featurizationSettings	Reifungseingaben, die für den AutoML-Auftrag erforderlich sind.	TableVerticalFeaturizationSettings
fixedParameters	Modell-/Schulungsparameter, die während der gesamten Schulung konstant bleiben.	TableFixedParameters-
limitSettings	Ausführungseinschränkungen für AutoMLJob.	TableVerticalLimitSettings
nCrossValidations	Anzahl der Kreuzüberprüfungsfalten, die auf schulungsdatensatz angewendet werden sollen wenn kein Validierungsdatensatz bereitgestellt wird.	NCrossValidations-
primaryMetric	Primäre Metrik für Regressionsaufgabe.	"NormalizedMeanAbsoluteError" "NormalizedRootMeanSquaredError" 'R2Score' 'SpearmanCorrelation'
searchSpace	Suchbereich zum Sampling verschiedener Kombinationen von Modellen und deren Hyperparametern.	TableParameterSubspace[]
sweepSettings	Einstellungen für die Optimierung von Modellüberräumungen und Hyperparametern.	TableSweepSettings
testData	Testen sie die Dateneingabe.	MLTableJobInput-
testDataSize	Der Anteil des Testdatensatzes, der für validierungszwecke reserviert werden muss. Werte zwischen (0,0 , 1,0) Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird.	Int
trainingSettings	Eingaben für die Schulungsphase für einen AutoML-Auftrag.	RegressionTrainingSettings
validationData	Überprüfungsdateneingaben.	MLTableJobInput-
validationDataSize	Der Anteil des Schulungsdatensatzes, der für validierungszwecke reserviert werden muss. Werte zwischen (0,0 , 1,0) Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird.	Int
weightColumnName	Der Name der Beispielgewichtungsspalte. Automatisierte ML unterstützt eine gewichtete Spalte als Eingabe, wodurch Zeilen in den Daten nach oben oder unten gewichtet werden.	Schnur

RegressionTrainingSettings

Name	Beschreibung	Wert
allowedTrainingAlgorithms	Zulässige Modelle für Regressionsaufgabe.	Zeichenfolgenarray, das eine der folgenden Elemente enthält: "DecisionTree" "ElasticNet" "ExtremeRandomTrees" "GradientBoosting" 'KNN' "LassoLars" "LightGBM" "RandomForest" "SGD" 'XGBoostRegressor'
blockedTrainingAlgorithms	Blockierte Modelle für Regressionsaufgabe.	Zeichenfolgenarray, das eine der folgenden Elemente enthält: "DecisionTree" "ElasticNet" "ExtremeRandomTrees" "GradientBoosting" 'KNN' "LassoLars" "LightGBM" "RandomForest" "SGD" 'XGBoostRegressor'
enableDnnTraining	Aktivieren Sie die Empfehlung von DNN-Modellen.	Bool
enableModelExplainability	Kennzeichnen Sie die Kennzeichnung, um die Erläuterung für das beste Modell zu aktivieren.	Bool
enableOnnxCompatibleModels	Kennzeichnung zum Aktivieren von onnx-kompatiblen Modellen.	Bool
enableStackEnsemble	Stapelensembleausführung aktivieren.	Bool
enableVoteEnsemble	Aktivieren Des Abstimmungsensembles.	Bool
ensembleModelDownloadTimeout	Während der VotingEnsemble- und StackEnsemble-Modellgeneration werden mehrere einbaute Modelle aus den vorherigen Kinderläufen heruntergeladen. Konfigurieren Sie diesen Parameter mit einem höheren Wert als 300 Sek., wenn mehr Zeit erforderlich ist.	Schnur
stackEnsembleSettings	Stack ensemble settings for stack ensemble run.	StackEnsembleSettings
trainingMode	TrainingMode-Modus - Die Einstellung auf "Auto" ist identisch mit dem Festlegen auf "nicht verteilt" für jetzt, kann jedoch in Zukunft zu einer gemischten Modus- oder Heuristik-basierten Modusauswahl führen. Der Standardwert ist "auto". Wenn "Verteilt" verwendet wird, werden nur verteilte Featurisierung verwendet und verteilte Algorithmen ausgewählt. Wenn "NonDistributed" ausgewählt wird, werden nur nicht verteilte Algorithmen ausgewählt.	"Auto" "Verteilt" "Nicht verteilt"

TextClassification

Name	Beschreibung	Wert
taskType	[Erforderlich] Aufgabentyp für AutoMLJob.	'TextClassification' (erforderlich)
featurizationSettings	Reifungseingaben, die für den AutoML-Auftrag erforderlich sind.	NlpVerticalFeaturizationSettings
fixedParameters	Modell-/Schulungsparameter, die während der gesamten Schulung konstant bleiben.	NlpFixedParameters
limitSettings	Ausführungseinschränkungen für AutoMLJob.	NlpVerticalLimitSettings
primaryMetric	Primäre Metrik für Text-Classification Vorgang.	"AUCWeighted" "Genauigkeit" "AveragePrecisionScoreWeighted" "NormMacroRecall" 'PrecisionScoreWeighted'
searchSpace	Suchbereich zum Sampling verschiedener Kombinationen von Modellen und deren Hyperparametern.	NlpParameterSubspace[]
sweepSettings	Einstellungen für die Optimierung von Modellüberräumungen und Hyperparametern.	NlpSweepSettings
validationData	Überprüfungsdateneingaben.	MLTableJobInput-

NlpVerticalFeaturizationSettings

Name	Beschreibung	Wert
datasetLanguage	Datasetsprache, nützlich für die Textdaten.	Schnur

NlpFixedParameters

Name	Beschreibung	Wert
gradientAccumulationSteps	Die Anzahl der Schritte zum Ansammeln von Farbverläufen vor dem Ausführen eines Rückwärtsdurchlaufs.	Int
learningRate	Die Lernrate für das Trainingsverfahren.	Int
learningRateScheduler	Die Art des Lernratenplans, der während des Schulungsvorgangs verwendet werden soll.	'Konstante' 'ConstantWithWarmup' "Kosinus" "CosineWithRestarts" "Linear" 'None' "Polynomisch"
modelName	Der Name des zu trainierenden Modells.	Schnur
numberOfEpochs	Anzahl der Ausbildungszeiten.	Int
trainingBatchSize	Die Batchgröße für den Schulungsvorgang.	Int
validationBatchSize	Die Batchgröße, die während der Auswertung verwendet werden soll.	Int
warmupRatio	Das Warmupverhältnis, das zusammen mit LrSchedulerType verwendet wird.	Int
weightDecay	Das Gewicht verfallen für das Trainingsverfahren.	Int

NlpVerticalLimitSettings

Name	Beschreibung	Wert
maxConcurrentTrials	Maximale anzahl gleichzeitige AutoML-Iterationen.	Int
maxNodes	Maximale Anzahl von Knoten, die für das Experiment verwendet werden sollen.	Int
maxTrials	Anzahl der AutoML-Iterationen.	Int
Zeitüberschreitung	AutoML-Auftragstimeout.	Schnur
trialTimeout	Timeout für einzelne HD-Testversionen.	Schnur

NlpParameterSubspace

Name	Beschreibung	Wert
gradientAccumulationSteps	Die Anzahl der Schritte zum Ansammeln von Farbverläufen vor dem Ausführen eines Rückwärtsdurchlaufs.	Schnur
learningRate	Die Lernrate für das Trainingsverfahren.	Schnur
learningRateScheduler	Die Art des Lernratenplans, der während des Schulungsvorgangs verwendet werden soll.	Schnur
modelName	Der Name des zu trainierenden Modells.	Schnur
numberOfEpochs	Anzahl der Ausbildungszeiten.	Schnur
trainingBatchSize	Die Batchgröße für den Schulungsvorgang.	Schnur
validationBatchSize	Die Batchgröße, die während der Auswertung verwendet werden soll.	Schnur
warmupRatio	Das Warmupverhältnis, das zusammen mit LrSchedulerType verwendet wird.	Schnur
weightDecay	Das Gewicht verfallen für das Trainingsverfahren.	Schnur

NlpSweepSettings

Name	Beschreibung	Wert
earlyTermination	Art der Richtlinie für vorzeitige Beendigung für den aufräumenden Auftrag.	EarlyTerminationPolicy-
samplingAlgorithm	[Erforderlich] Typ des Samplingalgorithmus.	"Bayesian" 'Raster' "Zufällig" (erforderlich)

TextClassificationMultilabel

Name	Beschreibung	Wert
taskType	[Erforderlich] Aufgabentyp für AutoMLJob.	'TextClassificationMultilabel' (erforderlich)
featurizationSettings	Reifungseingaben, die für den AutoML-Auftrag erforderlich sind.	NlpVerticalFeaturizationSettings
fixedParameters	Modell-/Schulungsparameter, die während der gesamten Schulung konstant bleiben.	NlpFixedParameters
limitSettings	Ausführungseinschränkungen für AutoMLJob.	NlpVerticalLimitSettings
searchSpace	Suchbereich zum Sampling verschiedener Kombinationen von Modellen und deren Hyperparametern.	NlpParameterSubspace[]
sweepSettings	Einstellungen für die Optimierung von Modellüberräumungen und Hyperparametern.	NlpSweepSettings
validationData	Überprüfungsdateneingaben.	MLTableJobInput-

TextNer

Name	Beschreibung	Wert
taskType	[Erforderlich] Aufgabentyp für AutoMLJob.	'TextNER' (erforderlich)
featurizationSettings	Reifungseingaben, die für den AutoML-Auftrag erforderlich sind.	NlpVerticalFeaturizationSettings
fixedParameters	Modell-/Schulungsparameter, die während der gesamten Schulung konstant bleiben.	NlpFixedParameters
limitSettings	Ausführungseinschränkungen für AutoMLJob.	NlpVerticalLimitSettings
searchSpace	Suchbereich zum Sampling verschiedener Kombinationen von Modellen und deren Hyperparametern.	NlpParameterSubspace[]
sweepSettings	Einstellungen für die Optimierung von Modellüberräumungen und Hyperparametern.	NlpSweepSettings
validationData	Überprüfungsdateneingaben.	MLTableJobInput-

CommandJob

Name	Beschreibung	Wert
jobType	[Erforderlich] Gibt den Auftragstyp an.	'Befehl' (erforderlich)
autologgerSettings	Verteilungskonfiguration des Auftrags. Wenn festgelegt, sollte dies eines von Mpi, Tensorflow, PyTorch oder Null sein.	AutologgerSettings
codeId	ARM-Ressourcen-ID der Coderessource.	Schnur
Befehl	[Erforderlich] Der Befehl, der beim Starten des Auftrags ausgeführt werden soll. Zb. "python train.py"	Zeichenfolge (erforderlich) Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_]
Verteilung	Verteilungskonfiguration des Auftrags. Wenn festgelegt, sollte dies eines von Mpi, Tensorflow, PyTorch oder Null sein.	DistributionConfiguration-
environmentId	[Erforderlich] Die ARM-Ressourcen-ID der Umgebungsspezifikation für den Auftrag.	Zeichenfolge (erforderlich) Zwänge: Pattern = [a-zA-Z0-9_]
environmentVariables	Umgebungsvariablen, die im Auftrag enthalten sind.	CommandJobEnvironmentVariables
Eingänge	Zuordnung von Eingabedatenbindungen, die im Auftrag verwendet werden.	CommandJobInputs-
grenzen	Befehlsauftragslimit.	CommandJobLimits-
Ausgaben	Zuordnung von Ausgabedatenbindungen, die im Auftrag verwendet werden.	CommandJobOutputs-
Betriebsmittel	Berechnen der Ressourcenkonfiguration für den Auftrag.	JobResourceConfiguration-

AutologgerSettings

Name	Beschreibung	Wert
mlflowAutologger	[Erforderlich] Gibt an, ob mlflow autologger aktiviert ist.	"Deaktiviert" "Aktiviert" (erforderlich)

DistributionConfiguration

Name	Beschreibung	Wert
distributionType	Festlegen des Objekttyps	Mpi PyTorch- TensorFlow- (erforderlich)

Mpi

Name	Beschreibung	Wert
distributionType	[Erforderlich] Gibt den Typ des Verteilungsframeworks an.	"Mpi" (erforderlich)
processCountPerInstance	Anzahl der Prozesse pro MPI-Knoten.	Int

PyTorch

Name	Beschreibung	Wert
distributionType	[Erforderlich] Gibt den Typ des Verteilungsframeworks an.	'PyTorch' (erforderlich)
processCountPerInstance	Anzahl der Prozesse pro Knoten.	Int

TensorFlow

Name	Beschreibung	Wert
distributionType	[Erforderlich] Gibt den Typ des Verteilungsframeworks an.	"TensorFlow" (erforderlich)
parameterServerCount	Anzahl der Parameterserveraufgaben.	Int
workerCount	Anzahl der Arbeitnehmer. Wenn nicht angegeben, wird standardmäßig die Instanzanzahl verwendet.	Int

CommandJobEnvironmentVariables

Name	Beschreibung	Wert
{angepasste Eigenschaft}		Schnur

CommandJobInputs

Name	Beschreibung	Wert
{angepasste Eigenschaft}		JobInput-

JobInput

Name	Beschreibung	Wert
Beschreibung	Beschreibung für die Eingabe.	Schnur
jobInputType	Festlegen des Objekttyps	custom_model Literal- mlflow_model mltable triton_model uri_file uri_folder (erforderlich)

CustomModelJobInput

Name	Beschreibung	Wert
jobInputType	[Erforderlich] Gibt den Auftragstyp an.	"custom_model" (erforderlich)
Modus	Übermittlungsmodus der Eingaberessource.	"Direkt" "Herunterladen" 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
Uri	[Erforderlich] Eingabeobjekt-URI.	Zeichenfolge (erforderlich) Zwänge: Pattern = [a-zA-Z0-9_]

LiteralJobInput

Name	Beschreibung	Wert
jobInputType	[Erforderlich] Gibt den Auftragstyp an.	"literal" (erforderlich)
Wert	[Erforderlich] Literalwert für die Eingabe.	Zeichenfolge (erforderlich) Zwänge: Pattern = [a-zA-Z0-9_]

TritonModelJobInput

Name	Beschreibung	Wert
jobInputType	[Erforderlich] Gibt den Auftragstyp an.	"triton_model" (erforderlich)
Modus	Übermittlungsmodus der Eingaberessource.	"Direkt" "Herunterladen" 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
Uri	[Erforderlich] Eingabeobjekt-URI.	Zeichenfolge (erforderlich) Zwänge: Pattern = [a-zA-Z0-9_]

UriFileJobInput

Name	Beschreibung	Wert
jobInputType	[Erforderlich] Gibt den Auftragstyp an.	"uri_file" (erforderlich)
Modus	Übermittlungsmodus der Eingaberessource.	"Direkt" "Herunterladen" 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
Uri	[Erforderlich] Eingabeobjekt-URI.	Zeichenfolge (erforderlich) Zwänge: Pattern = [a-zA-Z0-9_]

UriFolderJobInput

Name	Beschreibung	Wert
jobInputType	[Erforderlich] Gibt den Auftragstyp an.	"uri_folder" (erforderlich)
Modus	Übermittlungsmodus der Eingaberessource.	"Direkt" "Herunterladen" 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
Uri	[Erforderlich] Eingabeobjekt-URI.	Zeichenfolge (erforderlich) Zwänge: Pattern = [a-zA-Z0-9_]

CommandJobLimits

Name	Beschreibung	Wert
jobLimitsType	[Erforderlich] JobLimit-Typ.	'Befehl' "Aufräumen" (erforderlich)
Zeitüberschreitung	Die maximale Laufzeit im ISO 8601-Format, nach der der Auftrag abgebrochen wird. Unterstützt nur die Dauer mit der Genauigkeit so niedrig wie Sekunden.	Schnur

CommandJobOutputs

Name	Beschreibung	Wert
{angepasste Eigenschaft}		JobOutput-

LabelingJobProperties

Name	Beschreibung	Wert
componentId	ARM-Ressourcen-ID der Komponentenressource.	Schnur
computeId	ARM-Ressourcen-ID der Computeressource.	Schnur
dataConfiguration	Konfiguration der im Auftrag verwendeten Daten.	LabelingDataConfiguration-
Beschreibung	Der Text der Objektbeschreibung.	Schnur
displayName	Anzeigename des Auftrags.	Schnur
experimentName	Der Name des Experiments, zu dem der Auftrag gehört. Wenn nicht festgelegt, wird der Auftrag im Experiment "Standard" platziert.	Schnur
Identität	Identitätskonfiguration. Wenn festgelegt, sollte dies eine von AmlToken, ManagedIdentity, UserIdentity oder NULL sein. Der Standardwert ist AmlToken, wenn null.	IdentityConfiguration-
isArchived	Ist die Ressource archiviert?	Bool
jobInstructions	Bezeichnungsanweisungen des Auftrags.	LabelingJobInstructions
jobType	[Erforderlich] Gibt den Auftragstyp an.	'AutoML' 'Befehl' "Bezeichnung" 'Pipeline' "Spark" "Aufräumen" (erforderlich)
labelCategories	Bezeichnungskategorien des Auftrags.	LabelingJobLabelCategories
labelingJobMediaProperties	Medientypspezifische Eigenschaften im Auftrag.	LabelingJobMediaProperties
mlAssistConfiguration	Konfiguration der MLAssist-Funktion im Auftrag.	MLAssistConfiguration
Eigenschaften	Das Objekteigenschaftenverzeichnis.	ResourceBaseProperties-
Dienste	Liste der JobEndpoints. Für lokale Aufträge verfügt ein Auftragsendpunkt über einen Endpunktwert von FileStreamObject.	JobBaseServices-
Schilder	Tagwörterbuch. Tags können hinzugefügt, entfernt und aktualisiert werden.	Objekt

LabelingDataConfiguration

Name	Beschreibung	Wert
dataId	Ressourcen-ID der Datenressource zum Ausführen der Bezeichnung.	Schnur
inkrementelleDataRefresh	Gibt an, ob die inkrementelle Datenaktualisierung aktiviert werden soll.	"Deaktiviert" "Aktiviert"

LabelingJobInstructions

Name	Beschreibung	Wert
Uri	Der Link zu einer Seite mit detaillierten Bezeichnungsanweisungen für Bezeichnungen.	Schnur

LabelingJobLabelCategories

Name	Beschreibung	Wert
{angepasste Eigenschaft}		LabelCategory-

LabelCategory

Name	Beschreibung	Wert
Klassen	Wörterbuch der Bezeichnungsklassen in dieser Kategorie.	LabelCategoryClasses
displayName	Anzeigename der Bezeichnungskategorie.	Schnur
multiSelect	Gibt an, ob mehrere Klassen in dieser Kategorie ausgewählt werden dürfen.	"Deaktiviert" "Aktiviert"

LabelCategoryClasses

Name	Beschreibung	Wert
{angepasste Eigenschaft}		LabelClass-

LabelClass

Name	Beschreibung	Wert
displayName	Anzeigename der Bezeichnungsklasse.	Schnur
Unterklassen	Wörterbuch der Unterklassen der Bezeichnungsklasse.	LabelClassSubclasses

LabelClassSubclasses

Name	Beschreibung	Wert
{angepasste Eigenschaft}		LabelClass-

LabelingJobMediaProperties

Name	Beschreibung	Wert
mediaType	Festlegen des Objekttyps	Bild- Text- (erforderlich)

LabelingJobImageProperties

Name	Beschreibung	Wert
mediaType	[Erforderlich] Medientyp des Auftrags.	"Image" (erforderlich)
annotationType	Anmerkungstyp des Bildbezeichnungsauftrags.	"BoundingBox" "Klassifizierung" 'InstanceSegmentation'

LabelingJobTextProperties

Name	Beschreibung	Wert
mediaType	[Erforderlich] Medientyp des Auftrags.	"Text" (erforderlich)
annotationType	Anmerkungstyp des Textbezeichnungsauftrags.	"Klassifizierung" 'NamedEntityRecognition'

MLAssistConfiguration

Name	Beschreibung	Wert
mlAssist	Festlegen des Objekttyps	Deaktiviert Aktivierte (erforderlich)

MLAssistConfigurationDisabled

Name	Beschreibung	Wert
mlAssist	[Erforderlich] Gibt an, ob das MLAssist-Feature aktiviert ist.	"Deaktiviert" (erforderlich)

MLAssistConfigurationEnabled

Name	Beschreibung	Wert
mlAssist	[Erforderlich] Gibt an, ob das MLAssist-Feature aktiviert ist.	"Aktiviert" (erforderlich)
inferencingComputeBinding	[Erforderlich] AML-Computebindung, die bei der Ableitung verwendet wird.	Zeichenfolge (erforderlich) Zwänge: Pattern = [a-zA-Z0-9_]
trainingComputeBinding	[Erforderlich] Im Training verwendete AML-Computebindung.	Zeichenfolge (erforderlich) Zwänge: Pattern = [a-zA-Z0-9_]

PipelineJob

Name	Beschreibung	Wert
jobType	[Erforderlich] Gibt den Auftragstyp an.	"Pipeline" (erforderlich)
Eingänge	Eingaben für den Pipelineauftrag.	PipelineJobInputs-
arbeitsplätze	Aufträge konstruieren den Pipelineauftrag.	PipelineJobJobs-
Ausgaben	Ausgaben für den Pipelineauftrag	PipelineJobOutputs
Einstellungen	Pipelineeinstellungen für Dinge wie ContinueRunOnStepFailure usw.
sourceJobId	ARM-Ressourcen-ID des Quellauftrags.	Schnur

PipelineJobInputs

Name	Beschreibung	Wert
{angepasste Eigenschaft}		JobInput-

PipelineJobJobs

Name	Beschreibung	Wert
{angepasste Eigenschaft}

PipelineJobOutputs

Name	Beschreibung	Wert
{angepasste Eigenschaft}		JobOutput-

SparkJob

Name	Beschreibung	Wert
jobType	[Erforderlich] Gibt den Auftragstyp an.	"Spark" (erforderlich)
Archiv	Archivdateien, die im Auftrag verwendet werden.	string[]
Args	Argumente für den Auftrag.	Schnur
codeId	[Erforderlich] ARM-Ressourcen-ID der Coderessource.	Zeichenfolge (erforderlich) Zwänge: Pattern = [a-zA-Z0-9_]
Conf	Konfigurierte Spark-Eigenschaften.	SparkJobConf-
Eintrag	[Erforderlich] Der Eintrag, der beim Starten des Auftrags ausgeführt werden soll.	SparkJobEntry- (erforderlich)
environmentId	Die ARM-Ressourcen-ID der Umgebungsspezifikation für den Auftrag.	Schnur
Dateien	Dateien, die im Auftrag verwendet werden.	string[]
Eingänge	Zuordnung von Eingabedatenbindungen, die im Auftrag verwendet werden.	SparkJobInputs
Krüge	Jar-Dateien, die im Auftrag verwendet werden.	string[]
Ausgaben	Zuordnung von Ausgabedatenbindungen, die im Auftrag verwendet werden.	SparkJobOutputs
pyFiles	Python-Dateien, die im Auftrag verwendet werden.	string[]
Betriebsmittel	Berechnen der Ressourcenkonfiguration für den Auftrag.	SparkResourceConfiguration-

SparkJobConf

Name	Beschreibung	Wert
{angepasste Eigenschaft}		Schnur

SparkJobEntry

Name	Beschreibung	Wert
sparkJobEntryType	Festlegen des Objekttyps	SparkJobPythonEntry SparkJobScalaEntry (erforderlich)

SparkJobPythonEntry

Name	Beschreibung	Wert
sparkJobEntryType	[Erforderlich] Typ des Einstiegspunkts des Auftrags.	"SparkJobPythonEntry" (erforderlich)
Datei	[Erforderlich] Relativer Python-Dateipfad für den Einstiegspunkt des Auftrags.	Zeichenfolge (erforderlich) Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_]

SparkJobScalaEntry

Name	Beschreibung	Wert
sparkJobEntryType	[Erforderlich] Typ des Einstiegspunkts des Auftrags.	'SparkJobScalaEntry' (erforderlich)
className	[Erforderlich] Scala-Klassenname, der als Einstiegspunkt verwendet wird.	Zeichenfolge (erforderlich) Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_]

SparkJobInputs

Name	Beschreibung	Wert
{angepasste Eigenschaft}		JobInput-

SparkJobOutputs

Name	Beschreibung	Wert
{angepasste Eigenschaft}		JobOutput-

SparkResourceConfiguration

Name	Beschreibung	Wert
instanceType	Optionaler Vm-Typ, der vom Computeziel unterstützt wird.	Schnur
runtimeVersion	Version der Spark-Runtime, die für den Auftrag verwendet wird.	Schnur

SweepJob

Name	Beschreibung	Wert
jobType	[Erforderlich] Gibt den Auftragstyp an.	"Aufräumen" (erforderlich)
earlyTermination	Richtlinien für vorzeitige Beendigungen ermöglichen das Abbrechen von Ausführungsvorgängen mit schlechter Leistung, bevor sie abgeschlossen sind	EarlyTerminationPolicy-
Eingänge	Zuordnung von Eingabedatenbindungen, die im Auftrag verwendet werden.	SweepJobInputs
grenzen	Grenzwert für "Aufräumen von Auftrag".	SweepJobLimits-
objektiv	[Erforderlich] Optimierungsziel.	Ziel- (erforderlich)
Ausgaben	Zuordnung von Ausgabedatenbindungen, die im Auftrag verwendet werden.	SweepJobOutputs-
samplingAlgorithm	[Erforderlich] Der Hyperparameter-Samplingalgorithmus	SamplingAlgorithm (erforderlich)
searchSpace	[Erforderlich] Ein Wörterbuch, das jeden Parameter und seine Verteilung enthält. Der Wörterbuchschlüssel ist der Name des Parameters.
Probephase	[Erforderlich] Definition der Testkomponente.	TrialComponent- (erforderlich)

SweepJobInputs

Name	Beschreibung	Wert
{angepasste Eigenschaft}		JobInput-

SweepJobLimits

Name	Beschreibung	Wert
jobLimitsType	[Erforderlich] JobLimit-Typ.	'Befehl' "Aufräumen" (erforderlich)
maxConcurrentTrials	Aufräumen des Auftrags max. gleichzeitige Testversionen.	Int
maxTotalTrials	"Auftrag aufräumen" max. Gesamtversuche.	Int
Zeitüberschreitung	Die maximale Laufzeit im ISO 8601-Format, nach der der Auftrag abgebrochen wird. Unterstützt nur die Dauer mit der Genauigkeit so niedrig wie Sekunden.	Schnur
trialTimeout	Timeoutwert für "Testauftrag aufräumen".	Schnur

Objektiv

Name	Beschreibung	Wert
Ziel	[Erforderlich] Definiert unterstützte Metrikziele für die Hyperparameteroptimierung.	"Maximieren" "Minimieren" (erforderlich)
primaryMetric	[Erforderlich] Name der zu optimierenden Metrik.	Zeichenfolge (erforderlich) Zwänge: Pattern = [a-zA-Z0-9_]

SweepJobOutputs

Name	Beschreibung	Wert
{angepasste Eigenschaft}		JobOutput-

SamplingAlgorithm

Name	Beschreibung	Wert
samplingAlgorithmType	Festlegen des Objekttyps	Bayesian Raster- random (erforderlich)

BayesianSamplingAlgorithm

Name	Beschreibung	Wert
samplingAlgorithmType	[Erforderlich] Der Algorithmus zum Generieren von Hyperparameterwerten zusammen mit Konfigurationseigenschaften	"Bayesian" (erforderlich)

GridSamplingAlgorithm

Name	Beschreibung	Wert
samplingAlgorithmType	[Erforderlich] Der Algorithmus zum Generieren von Hyperparameterwerten zusammen mit Konfigurationseigenschaften	"Raster" (erforderlich)

RandomSamplingAlgorithm

Name	Beschreibung	Wert
samplingAlgorithmType	[Erforderlich] Der Algorithmus zum Generieren von Hyperparameterwerten zusammen mit Konfigurationseigenschaften	"Zufällig" (erforderlich)
logbase	Eine optionale positive Zahl oder e im Zeichenfolgenformat, die als Basis für die protokollbasierte zufallsbasierte Stichprobe verwendet werden soll	Schnur
Regel	Der spezifische Typ des Zufallsalgorithmus	"Zufällig" 'Sobol'
Samen	Eine optionale ganze Zahl, die als Ausgangswert für die Zufallszahlengenerierung verwendet werden soll	Int

TrialComponent

Name	Beschreibung	Wert
codeId	ARM-Ressourcen-ID der Coderessource.	Schnur
Befehl	[Erforderlich] Der Befehl, der beim Starten des Auftrags ausgeführt werden soll. Zb. "python train.py"	Zeichenfolge (erforderlich) Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_]
Verteilung	Verteilungskonfiguration des Auftrags. Wenn festgelegt, sollte dies eines von Mpi, Tensorflow, PyTorch oder Null sein.	DistributionConfiguration-
environmentId	[Erforderlich] Die ARM-Ressourcen-ID der Umgebungsspezifikation für den Auftrag.	Zeichenfolge (erforderlich) Zwänge: Pattern = [a-zA-Z0-9_]
environmentVariables	Umgebungsvariablen, die im Auftrag enthalten sind.	TrialComponentEnvironmentVariables
Betriebsmittel	Berechnen der Ressourcenkonfiguration für den Auftrag.	JobResourceConfiguration-

TrialComponentEnvironmentVariables

Name	Beschreibung	Wert
{angepasste Eigenschaft}		Schnur

EndpointScheduleAction

Name	Beschreibung	Wert
actionType	[Erforderlich] Gibt den Aktionstyp des Zeitplans an.	'InvokeBatchEndpoint' (erforderlich)
endpointInvocationDefinition	[Erforderlich] Definiert Details zur Definition der Zeitplanaktion. {siehe href="TBD" /}

TriggerBase

Name	Beschreibung	Wert
endTime	Gibt die Endzeit des Zeitplans in ISO 8601 an, jedoch ohne UTC-Offset. Weitere Informationen finden Sie unter https://en.wikipedia.org/wiki/ISO_8601. Rekommentiertes Format wäre "2022-06-01T00:00:01" Wenn nicht vorhanden, wird der Zeitplan unbegrenzt ausgeführt.	Schnur
startTime	Gibt die Startzeit des Zeitplans im ISO 8601-Format an, jedoch ohne UTC-Offset.	Schnur
timeZone	Gibt die Zeitzone an, in der der Zeitplan ausgeführt wird. TimeZone sollte dem Windows-Zeitzonenformat folgen. Siehe : /windows-hardware/manufacture/desktop/default-time-zones />	Schnur
triggerType	Festlegen des Objekttyps	Cron Serie (erforderlich)

CronTrigger

Name	Beschreibung	Wert
endTime	Gibt die Endzeit des Zeitplans in ISO 8601 an, jedoch ohne UTC-Offset. Weitere Informationen finden Sie unter https://en.wikipedia.org/wiki/ISO_8601. Rekommentiertes Format wäre "2022-06-01T00:00:01" Wenn nicht vorhanden, wird der Zeitplan unbegrenzt ausgeführt.	Schnur
Ausdruck	[Erforderlich] Gibt den Cronausdruck des Zeitplans an. Der Ausdruck sollte dem NCronTab-Format folgen.	Zeichenfolge (erforderlich) Zwänge: Pattern = [a-zA-Z0-9_]
startTime	Gibt die Startzeit des Zeitplans im ISO 8601-Format an, jedoch ohne UTC-Offset.	Schnur
timeZone	Gibt die Zeitzone an, in der der Zeitplan ausgeführt wird. TimeZone sollte dem Windows-Zeitzonenformat folgen. Siehe: /windows-hardware/manufacture/desktop/default-time-zones	Schnur
triggerType	[Erforderlich]	"Cron" "Serie" (erforderlich)

RecurrenceTrigger

Name	Beschreibung	Wert
endTime	Gibt die Endzeit des Zeitplans in ISO 8601 an, jedoch ohne UTC-Offset. Weitere Informationen finden Sie unter https://en.wikipedia.org/wiki/ISO_8601. Rekommentiertes Format wäre "2022-06-01T00:00:01" Wenn nicht vorhanden, wird der Zeitplan unbegrenzt ausgeführt.	Schnur
Frequenz	[Erforderlich] Die Häufigkeit zum Auslösen des Zeitplans.	"Tag" "Stunde" "Minute" "Monat" "Woche" (erforderlich)
Intervall	[Erforderlich] Gibt das Zeitplanintervall in Verbindung mit häufigkeit an.	int (erforderlich)
Zeitplan	Der Terminplan der Serie.	RecurrenceSchedule
startTime	Gibt die Startzeit des Zeitplans im ISO 8601-Format an, jedoch ohne UTC-Offset.	Schnur
timeZone	Gibt die Zeitzone an, in der der Zeitplan ausgeführt wird. TimeZone sollte dem Windows-Zeitzonenformat folgen. Siehe: /windows-hardware/manufacture/desktop/default-time-zones	Schnur
triggerType	[Erforderlich]	"Cron" "Serie" (erforderlich)

RecurrenceSchedule

Name	Beschreibung	Wert
Stunden	[Erforderlich] Liste der Stunden für den Zeitplan.	int[] (erforderlich)
Protokoll	[Erforderlich] Liste der Minuten für den Zeitplan.	int[] (erforderlich)
monthDays	Liste der Monatstage für den Zeitplan	int[]
Wochentage	Liste der Tage für den Zeitplan.	Zeichenfolgenarray, das eine der folgenden Elemente enthält: "Freitag" "Montag" "Samstag" "Sonntag" "Donnerstag" "Dienstag" 'Mittwoch'