Espaces de travail Microsoft.MachineLearningServices/planifications 2023-02-01-preview
Le type de ressource espaces de travail/planifications peut être déployé avec des opérations qui ciblent :
- groupes de ressources - Consultez commandes de déploiement de groupes de ressources
Pour obtenir la liste des propriétés modifiées dans chaque version de l’API, consultez journal des modifications.
Pour créer une ressource Microsoft.MachineLearningServices/workspaces/schedules, ajoutez le bicep suivant à votre modèle.
resource symbolicname 'Microsoft.MachineLearningServices/workspaces/schedules@2023-02-01-preview' = {
parent: resourceSymbolicName
name: 'string'
properties: {
action: {
actionType: 'string'
// For remaining properties, see ScheduleActionBase objects
}
description: 'string'
displayName: 'string'
isEnabled: bool
properties: {
{customized property}: 'string'
}
tags: {
{customized property}: 'string'
}
trigger: {
endTime: 'string'
startTime: 'string'
timeZone: 'string'
triggerType: 'string'
// For remaining properties, see TriggerBase objects
}
}
}
Définissez la propriété distributionType pour spécifier le type d’objet.
Pour Mpi, utilisez :
{
distributionType: 'Mpi'
processCountPerInstance: int
}
Pour PyTorch, utilisez :
{
distributionType: 'PyTorch'
processCountPerInstance: int
}
Pour TensorFlow, utilisez :
{
distributionType: 'TensorFlow'
parameterServerCount: int
workerCount: int
}
Définissez la propriété samplingAlgorithmType pour spécifier le type d’objet.
Pour bayésien, utilisez :
{
samplingAlgorithmType: 'Bayesian'
}
Pour grille, utilisez :
{
samplingAlgorithmType: 'Grid'
}
Pour aléatoire, utilisez :
{
logbase: 'string'
rule: 'string'
samplingAlgorithmType: 'Random'
seed: int
}
Définissez la propriété jobInputType pour spécifier le type d’objet.
Pour custom_model, utilisez :
{
jobInputType: 'custom_model'
mode: 'string'
uri: 'string'
}
Pour littéral, utilisez :
{
jobInputType: 'literal'
value: 'string'
}
Pour mlflow_model, utilisez :
{
jobInputType: 'mlflow_model'
mode: 'string'
uri: 'string'
}
Pour mltable, utilisez :
{
jobInputType: 'mltable'
mode: 'string'
uri: 'string'
}
Pour triton_model, utilisez :
{
jobInputType: 'triton_model'
mode: 'string'
uri: 'string'
}
Pour uri_file, utilisez :
{
jobInputType: 'uri_file'
mode: 'string'
uri: 'string'
}
Pour uri_folder, utilisez :
{
jobInputType: 'uri_folder'
mode: 'string'
uri: 'string'
}
Définissez la propriété sparkJobEntryType pour spécifier le type d’objet.
Pour SparkJobPythonEntry, utilisez :
{
file: 'string'
sparkJobEntryType: 'SparkJobPythonEntry'
}
Pour SparkJobScalaEntry, utilisez :
{
className: 'string'
sparkJobEntryType: 'SparkJobScalaEntry'
}
Définissez la propriété jobOutputType
Pour custom_model, utilisez :
{
assetName: 'string'
assetVersion: 'string'
jobOutputType: 'custom_model'
mode: 'string'
uri: 'string'
}
Pour mlflow_model, utilisez :
{
assetName: 'string'
assetVersion: 'string'
jobOutputType: 'mlflow_model'
mode: 'string'
uri: 'string'
}
Pour mltable, utilisez :
{
assetName: 'string'
assetVersion: 'string'
jobOutputType: 'mltable'
mode: 'string'
uri: 'string'
}
Pour triton_model, utilisez :
{
assetName: 'string'
assetVersion: 'string'
jobOutputType: 'triton_model'
mode: 'string'
uri: 'string'
}
Pour uri_file, utilisez :
{
assetName: 'string'
assetVersion: 'string'
jobOutputType: 'uri_file'
mode: 'string'
uri: 'string'
}
Pour uri_folder, utilisez :
{
assetName: 'string'
assetVersion: 'string'
jobOutputType: 'uri_folder'
mode: 'string'
uri: 'string'
}
Définissez la propriété policyType
Pour Bandit, utilisez :
{
policyType: 'Bandit'
slackAmount: int
slackFactor: int
}
Pour médiane, utilisez :
{
policyType: 'MedianStopping'
}
Pour truncationSelection, utilisez :
{
policyType: 'TruncationSelection'
truncationPercentage: int
}
Définissez la propriété mlAssist
Pour désactivé, utilisez :
{
mlAssist: 'Disabled'
}
Pour activé, utilisez :
{
inferencingComputeBinding: 'string'
mlAssist: 'Enabled'
trainingComputeBinding: 'string'
}
Définissez la propriété mode pour spécifier le type d’objet.
Pour automatique, utilisez :
{
mode: 'Auto'
}
Pour personnalisé, utilisez :
{
mode: 'Custom'
value: int
}
Définissez la propriété mediaType
Pour image, utilisez :
{
annotationType: 'string'
mediaType: 'Image'
}
Pour texte, utilisez :
{
annotationType: 'string'
mediaType: 'Text'
}
Définissez la propriété mode pour spécifier le type d’objet.
Pour automatique, utilisez :
{
mode: 'Auto'
}
Pour personnalisé, utilisez :
{
mode: 'Custom'
value: int
}
Définissez la propriété identityType pour spécifier le type d’objet.
Pour AMLToken, utilisez :
{
identityType: 'AMLToken'
}
Pour managé, utilisez :
{
clientId: 'string'
identityType: 'Managed'
objectId: 'string'
resourceId: 'string'
}
Pour userIdentity, utilisez :
{
identityType: 'UserIdentity'
}
Définissez la propriété taskType pour spécifier le type d’objet.
Pour de classification, utilisez :
{
cvSplitColumnNames: [
'string'
]
featurizationSettings: {
blockedTransformers: [
'string'
]
columnNameAndTypes: {
{customized property}: 'string'
}
datasetLanguage: 'string'
enableDnnFeaturization: bool
mode: 'string'
transformerParams: {
{customized property}: [
{
fields: [
'string'
]
parameters: any(Azure.Bicep.Types.Concrete.AnyType)
}
]
}
}
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'
}
taskType: 'Classification'
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(Azure.Bicep.Types.Concrete.AnyType)
stackMetaLearnerTrainPercentage: int
stackMetaLearnerType: 'string'
}
trainingMode: 'string'
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
weightColumnName: 'string'
}
Pour prévision, utilisez :
{
cvSplitColumnNames: [
'string'
]
featurizationSettings: {
blockedTransformers: [
'string'
]
columnNameAndTypes: {
{customized property}: 'string'
}
datasetLanguage: 'string'
enableDnnFeaturization: bool
mode: 'string'
transformerParams: {
{customized property}: [
{
fields: [
'string'
]
parameters: any(Azure.Bicep.Types.Concrete.AnyType)
}
]
}
}
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'
}
taskType: 'Forecasting'
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(Azure.Bicep.Types.Concrete.AnyType)
stackMetaLearnerTrainPercentage: int
stackMetaLearnerType: 'string'
}
trainingMode: 'string'
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
weightColumnName: 'string'
}
Pour ImageClassification, utilisez :
{
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'
}
taskType: 'ImageClassification'
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
}
Pour ImageClassificationMultilabel, utilisez :
{
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'
}
taskType: 'ImageClassificationMultilabel'
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
}
Pour ImageInstanceSegmentation, utilisez :
{
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: 'string'
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'
}
taskType: 'ImageInstanceSegmentation'
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
}
Pour ImageObjectDetection, utilisez :
{
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: 'string'
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'
}
taskType: 'ImageObjectDetection'
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
}
Pour régression, utilisez :
{
cvSplitColumnNames: [
'string'
]
featurizationSettings: {
blockedTransformers: [
'string'
]
columnNameAndTypes: {
{customized property}: 'string'
}
datasetLanguage: 'string'
enableDnnFeaturization: bool
mode: 'string'
transformerParams: {
{customized property}: [
{
fields: [
'string'
]
parameters: any(Azure.Bicep.Types.Concrete.AnyType)
}
]
}
}
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'
}
taskType: 'Regression'
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(Azure.Bicep.Types.Concrete.AnyType)
stackMetaLearnerTrainPercentage: int
stackMetaLearnerType: 'string'
}
trainingMode: 'string'
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
weightColumnName: 'string'
}
Pour TextClassification, utilisez :
{
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'
}
taskType: 'TextClassification'
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
}
Pour TextClassificationMultilabel, utilisez :
{
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'
}
taskType: 'TextClassificationMultilabel'
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
}
Pour TextNER, utilisez :
{
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'
}
taskType: 'TextNER'
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
}
Définissez la propriété nodeValueType pour spécifier le type d’objet.
Pour tous les, utilisez :
{
nodesValueType: 'All'
}
Définissez la propriété triggerType pour spécifier le type d’objet.
Pour Cron, utilisez :
{
expression: 'string'
triggerType: 'Cron'
}
Pour périodicité, utilisez :
{
frequency: 'string'
interval: int
schedule: {
hours: [
int
]
minutes: [
int
]
monthDays: [
int
]
weekDays: [
'string'
]
}
triggerType: 'Recurrence'
}
Définissez la propriété actionType pour spécifier le type d’objet.
Pour createJob, utilisez :
{
actionType: 'CreateJob'
jobDefinition: {
componentId: 'string'
computeId: 'string'
description: 'string'
displayName: 'string'
experimentName: 'string'
identity: {
identityType: 'string'
// For remaining properties, see IdentityConfiguration objects
}
isArchived: bool
notificationSetting: {
emailOn: [
'string'
]
emails: [
'string'
]
}
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: {
{customized property}: 'string'
}
jobType: 'string'
// For remaining properties, see JobBaseProperties objects
}
}
Pour InvokeBatchEndpoint, utilisez :
{
actionType: 'InvokeBatchEndpoint'
endpointInvocationDefinition: any(Azure.Bicep.Types.Concrete.AnyType)
}
Définissez la propriété mode pour spécifier le type d’objet.
Pour automatique, utilisez :
{
mode: 'Auto'
}
Pour personnalisé, utilisez :
{
mode: 'Custom'
values: [
int
]
}
Définissez la propriété mode pour spécifier le type d’objet.
Pour automatique, utilisez :
{
mode: 'Auto'
}
Pour personnalisé, utilisez :
{
mode: 'Custom'
value: int
}
Définissez la propriété mode pour spécifier le type d’objet.
Pour automatique, utilisez :
{
mode: 'Auto'
}
Pour personnalisé, utilisez :
{
mode: 'Custom'
value: int
}
Définissez la propriété jobType pour spécifier le type d’objet.
Pour AutoML, utilisez :
{
environmentId: 'string'
environmentVariables: {
{customized property}: 'string'
}
jobType: 'AutoML'
outputs: {
{customized property}: {
description: 'string'
jobOutputType: 'string'
// For remaining properties, see JobOutput objects
}
}
queueSettings: {
jobTier: 'string'
priority: int
}
resources: {
dockerArgs: 'string'
instanceCount: int
instanceType: 'string'
locations: [
'string'
]
properties: {
{customized property}: any(Azure.Bicep.Types.Concrete.AnyType)
}
shmSize: 'string'
}
taskDetails: {
logVerbosity: 'string'
targetColumnName: 'string'
trainingData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
taskType: 'string'
// For remaining properties, see AutoMLVertical objects
}
}
Pour commande, utilisez :
{
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
}
}
jobType: 'Command'
limits: {
jobLimitsType: 'string'
timeout: 'string'
}
outputs: {
{customized property}: {
description: 'string'
jobOutputType: 'string'
// For remaining properties, see JobOutput objects
}
}
queueSettings: {
jobTier: 'string'
priority: int
}
resources: {
dockerArgs: 'string'
instanceCount: int
instanceType: 'string'
locations: [
'string'
]
properties: {
{customized property}: any(Azure.Bicep.Types.Concrete.AnyType)
}
shmSize: 'string'
}
}
Pour d’étiquetage, utilisez :
{
dataConfiguration: {
dataId: 'string'
incrementalDataRefresh: 'string'
}
jobInstructions: {
uri: 'string'
}
jobType: 'Labeling'
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
}
}
Pour pipeline, utilisez :
{
inputs: {
{customized property}: {
description: 'string'
jobInputType: 'string'
// For remaining properties, see JobInput objects
}
}
jobs: {
{customized property}: any(Azure.Bicep.Types.Concrete.AnyType)
}
jobType: 'Pipeline'
outputs: {
{customized property}: {
description: 'string'
jobOutputType: 'string'
// For remaining properties, see JobOutput objects
}
}
settings: any(Azure.Bicep.Types.Concrete.AnyType)
sourceJobId: 'string'
}
Pour Spark, utilisez :
{
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'
]
jobType: 'Spark'
outputs: {
{customized property}: {
description: 'string'
jobOutputType: 'string'
// For remaining properties, see JobOutput objects
}
}
pyFiles: [
'string'
]
queueSettings: {
jobTier: 'string'
priority: int
}
resources: {
instanceType: 'string'
runtimeVersion: 'string'
}
}
Pour de balayage, utilisez :
{
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
}
}
jobType: 'Sweep'
limits: {
jobLimitsType: 'string'
maxConcurrentTrials: int
maxTotalTrials: int
timeout: 'string'
trialTimeout: 'string'
}
objective: {
goal: 'string'
primaryMetric: 'string'
}
outputs: {
{customized property}: {
description: 'string'
jobOutputType: 'string'
// For remaining properties, see JobOutput objects
}
}
queueSettings: {
jobTier: 'string'
priority: int
}
samplingAlgorithm: {
samplingAlgorithmType: 'string'
// For remaining properties, see SamplingAlgorithm objects
}
searchSpace: any(Azure.Bicep.Types.Concrete.AnyType)
trial: {
codeId: 'string'
command: 'string'
distribution: {
distributionType: 'string'
// For remaining properties, see DistributionConfiguration objects
}
environmentId: 'string'
environmentVariables: {
{customized property}: 'string'
}
resources: {
dockerArgs: 'string'
instanceCount: int
instanceType: 'string'
locations: [
'string'
]
properties: {
{customized property}: any(Azure.Bicep.Types.Concrete.AnyType)
}
shmSize: 'string'
}
}
}
Nom | Description | Valeur |
---|---|---|
nodeValueType | [Obligatoire] Type de la valeur nœuds | 'All' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
identityType | [Obligatoire] Spécifie le type d’infrastructure d’identité. | 'AMLToken' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
mode | [Obligatoire] Définissez le mode de sélection des valeurs de l’horizon de prévision. | 'Auto' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
mlflowAutologger | [Obligatoire] Indique si l’autologger mlflow est activé. | 'Désactivé' 'Enabled' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
environmentId | ID de ressource ARM de la spécification d’environnement pour le travail. Il s’agit d’une valeur facultative à fournir, si elle n’est pas fournie, AutoML est définie par défaut sur la version de l’environnement organisé AutoML de production lors de l’exécution du travail. |
corde |
environmentVariables | Variables d’environnement incluses dans le travail. | AutoMLJobEnvironmentVariables |
jobType | [Obligatoire] Spécifie le type de travail. | 'AutoML' (obligatoire) |
Sorties | Mappage des liaisons de données de sortie utilisées dans le travail. | AutoMLJobOutputs |
queueSettings | Paramètres de file d’attente du travail | QueueSettings |
ressources | Configuration des ressources de calcul pour le travail. | JobResourceConfiguration |
taskDetails | [Obligatoire] Cela représente un scénario qui peut être l’une des tables/NLP/Image | AutoMLVertical (obligatoire) |
Nom | Description | Valeur |
---|
Nom | Description | Valeur |
---|
Nom | Description | Valeur |
---|---|---|
logVerbosity | Journaliser les verbes du travail. | 'Critique' 'Déboguer' 'Erreur' 'Info' 'NotSet' 'Avertissement' |
targetColumnName | Nom de la colonne cible : il s’agit de la colonne valeurs de prédiction. Également appelé nom de colonne d’étiquette dans le contexte des tâches de classification. |
corde |
taskType | Défini sur « Classification » pour le type Classification. Défini sur « Prévision » pour le type Prévision. Défini sur « ImageClassification » pour le type ImageClassification. Défini sur « ImageClassificationMultilabel » pour le type ImageClassificationMultilabel. Défini sur « ImageInstanceSegmentation » pour le type ImageInstanceSegmentation. Défini sur « ImageObjectDetection » pour le type ImageObjectDetection. Défini sur « Régression » pour le type régression. Défini sur « TextClassification » pour le type TextClassification. Défini sur « TextClassificationMultilabel » pour le type TextClassificationMultilabel. Défini sur « TextNER » pour le type TextNer. | 'Classification' 'Prévision' 'ImageClassification' 'ImageClassificationMultilabel' 'ImageInstanceSegmentation' 'ImageObjectDetection' 'Régression' 'TextClassification' 'TextClassificationMultilabel' 'TextNER' (obligatoire) |
trainingData | [Obligatoire] Entrée de données d’apprentissage. | MLTableJobInput (obligatoire) |
Nom | Description | Valeur |
---|---|---|
mode | [Obligatoire] Mode pour déterminer les validations N-Cross. | 'Auto' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
mode | [Obligatoire] Mode saisonnalité. | 'Auto' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
mode | [Obligatoire] Définir le mode décalages cibles - Auto/Custom | 'Auto' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
mode | [Obligatoire] Mode de détection TargetRollingWindowSiz. | 'Auto' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
policyType | [Obligatoire] Nom de la configuration de la stratégie | 'Bandit' (obligatoire) |
slackAmount | Distance absolue autorisée à partir de la meilleure exécution. | Int |
slackFactor | Ratio de la distance autorisée par rapport à la meilleure exécution. | Int |
Nom | Description | Valeur |
---|---|---|
samplingAlgorithmType | [Obligatoire] Algorithme utilisé pour générer des valeurs d’hyperparamètres, ainsi que des propriétés de configuration | 'Bayésien' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
cvSplitColumnNames | Colonnes à utiliser pour les données CVSplit. | string[] |
featurizationSettings | Entrées de caractérisation nécessaires pour le travail AutoML. | TableVerticalFeaturizationSettings |
fixedParameters | Paramètres de modèle/d’entraînement qui resteront constants tout au long de l’entraînement. | TableFixedParameters |
limitSettings | Contraintes d’exécution pour AutoMLJob. | TableVerticalLimitSettings |
nCrossValidations | Nombre de plis de validation croisée à appliquer sur le jeu de données d’entraînement lorsque le jeu de données de validation n’est pas fourni. |
NCrossValidations |
positiveLabel | Étiquette positive pour le calcul des métriques binaires. | corde |
primaryMetric | Métrique principale de la tâche. | 'Précision' 'AUCWeighted' 'AveragePrecisionScoreWeighted' 'NormMacroRecall' 'PrecisionScoreWeighted' |
searchSpace | Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. | TableParameterSubspace[] |
sweepSettings | Paramètres pour le balayage du modèle et le réglage des hyperparamètres. | TableSweepSettings |
taskType | [Obligatoire] Type de tâche pour AutoMLJob. | 'Classification' (obligatoire) |
testData | Tester l’entrée de données. | MLTableJobInput |
testDataSize | Fraction du jeu de données de test qui doit être mis de côté à des fins de validation. Valeurs comprises entre (0.0 , 1.0) Appliqué lorsque le jeu de données de validation n’est pas fourni. |
Int |
trainingSettings | Entrées pour la phase d’entraînement d’un travail AutoML. | ClassificationTrainingSettings |
validationData | Entrées de données de validation. | MLTableJobInput |
validationDataSize | Fraction du jeu de données d’entraînement qui doit être mis de côté à des fins de validation. Valeurs comprises entre (0.0 , 1.0) Appliqué lorsque le jeu de données de validation n’est pas fourni. |
Int |
weightColumnName | Nom de l’exemple de colonne de poids. Le ML automatisé prend en charge une colonne pondérée en tant qu’entrée, ce qui entraîne une pondération des lignes dans les données. | corde |
Nom | Description | Valeur |
---|---|---|
allowedTrainingAlgorithms | Modèles autorisés pour la tâche de classification. | Tableau de chaînes contenant l’un des éléments suivants : 'BernoulliNaiveBayes' 'DecisionTree' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LightGBM' 'LinearSVM' 'LogisticRegression' 'MultinomialNaiveBayes' 'RandomForest' 'SGD' 'SVM' 'XGBoostClassifier' |
blockedTrainingAlgorithms | Modèles bloqués pour la tâche de classification. | Tableau de chaînes contenant l’un des éléments suivants : 'BernoulliNaiveBayes' 'DecisionTree' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LightGBM' 'LinearSVM' 'LogisticRegression' 'MultinomialNaiveBayes' 'RandomForest' 'SGD' 'SVM' 'XGBoostClassifier' |
enableDnnTraining | Activez la recommandation des modèles DNN. | Bool |
enableModelExplainability | Indicateur pour activer l’explication sur le meilleur modèle. | Bool |
enableOnnxCompatibleModels | Indicateur pour l’activation des modèles compatibles onnx. | Bool |
enableStackEnsemble | Activez l’exécution de l’ensemble de piles. | Bool |
enableVoteEnsemble | Activer l’exécution de l’ensemble de vote. | Bool |
ensembleModelDownloadTimeout | Pendant la génération du modèle VotingEnsemble et StackEnsemble, plusieurs modèles adaptés des exécutions enfants précédentes sont téléchargés. Configurez ce paramètre avec une valeur supérieure à 300 secondes, si plus de temps est nécessaire. |
corde |
stackEnsembleSettings | Paramètres d’ensemble de pile pour l’exécution d’un ensemble de piles. | StackEnsembleSettings |
trainingMode | Mode TrainingMode : le paramètre « auto » est identique à celui défini sur « non distribué » pour l’instant. Toutefois, dans le futur, cela peut entraîner une sélection en mode mixte ou en mode heuristique. La valeur par défaut est « auto ». Si « Distributed », seule la caractérisation distribuée est utilisée et les algorithmes distribués sont choisis. Si « NonDistributed », seuls les algorithmes non distribués sont choisis. |
'Auto' 'Distributed' 'NonDistributed' |
Nom | Description | Valeur |
---|---|---|
champs | Champs sur utilisant la logique de transformateur. | string[] |
Paramètres | Différentes propriétés à passer au transformateur. L’entrée attendue est le dictionnaire de paires clé,valeur au format JSON. |
quelconque |
Nom | Description | Valeur |
---|---|---|
autologgerSettings | Configuration de distribution du travail. Si elle est définie, il doit s’agir de l’un des valeurs Mpi, Tensorflow, PyTorch ou Null. | AutologgerSettings |
codeId | ID de ressource ARM de la ressource de code. | corde |
commander | [Obligatoire] Commande à exécuter au démarrage du travail. Eg. « python train.py » | corde Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_] (obligatoire) |
distribution | Configuration de distribution du travail. Si elle est définie, il doit s’agir de l’un des valeurs Mpi, Tensorflow, PyTorch ou Null. | distributionConfiguration |
environmentId | [Obligatoire] ID de ressource ARM de la spécification d’environnement pour le travail. | corde Contraintes: Modèle = [a-zA-Z0-9_] (obligatoire) |
environmentVariables | Variables d’environnement incluses dans le travail. | CommandJobEnvironmentVariables |
Entrées | Mappage des liaisons de données d’entrée utilisées dans le travail. | CommandJobInputs |
jobType | [Obligatoire] Spécifie le type de travail. | 'Command' (obligatoire) |
Limites | Limite du travail de commande. | CommandJobLimits |
Sorties | Mappage des liaisons de données de sortie utilisées dans le travail. | CommandJobOutputs |
queueSettings | Paramètres de file d’attente du travail | QueueSettings |
ressources | Configuration des ressources de calcul pour le travail. | JobResourceConfiguration |
Nom | Description | Valeur |
---|
Nom | Description | Valeur |
---|
Nom | Description | Valeur |
---|---|---|
jobLimitsType | [Obligatoire] Type JobLimit. | 'Command' 'Balayage' (obligatoire) |
Timeout | Durée d’exécution maximale au format ISO 8601, après laquelle le travail sera annulé. Prend uniquement en charge la durée avec une précision aussi faible que secondes. | corde |
Nom | Description | Valeur |
---|
Nom | Description | Valeur |
---|---|---|
expression | [Obligatoire] Spécifie l’expression cron de la planification. L’expression doit suivre le format NCronTab. |
corde Contraintes: Modèle = [a-zA-Z0-9_] (obligatoire) |
triggerType | [Obligatoire] | 'Cron' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
mode | [Obligatoire] Définissez le mode de sélection des valeurs de l’horizon de prévision. | 'Custom' (obligatoire) |
valeur | [Obligatoire] Valeur de l’horizon de prévision. | int (obligatoire) |
Nom | Description | Valeur |
---|---|---|
jobInputType | [Obligatoire] Spécifie le type de travail. | 'custom_model' (obligatoire) |
mode | Mode de remise des ressources d’entrée. | 'Direct' 'Télécharger' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
URI | [Obligatoire] URI de ressource d’entrée. | corde Contraintes: Modèle = [a-zA-Z0-9_] (obligatoire) |
Nom | Description | Valeur |
---|---|---|
assetName | Nom de la ressource de sortie. | corde |
assetVersion | Version de ressource de sortie. | corde |
jobOutputType | [Obligatoire] Spécifie le type de travail. | 'custom_model' (obligatoire) |
mode | Mode de remise des ressources de sortie. | 'Direct' 'ReadWriteMount' 'Upload' |
URI | URI de ressource de sortie. | corde |
Nom | Description | Valeur |
---|---|---|
mode | [Obligatoire] Mode pour déterminer les validations N-Cross. | 'Custom' (obligatoire) |
valeur | [Obligatoire] Valeur de validation n-croisée. | int (obligatoire) |
Nom | Description | Valeur |
---|---|---|
mode | [Obligatoire] Mode saisonnalité. | 'Custom' (obligatoire) |
valeur | [Obligatoire] Valeur de saisonnalité. | int (obligatoire) |
Nom | Description | Valeur |
---|---|---|
mode | [Obligatoire] Définir le mode décalages cibles - Auto/Custom | 'Custom' (obligatoire) |
Valeurs | [Obligatoire] Définissez les valeurs des décalages cibles. | int[] (obligatoire) |
Nom | Description | Valeur |
---|---|---|
mode | [Obligatoire] Mode de détection TargetRollingWindowSiz. | 'Custom' (obligatoire) |
valeur | [Obligatoire] Valeur TargetRollingWindowSize. | int (obligatoire) |
Nom | Description | Valeur |
---|---|---|
distributionType | Défini sur « Mpi » pour le type Mpi . Défini sur « PyTorch » pour le type PyTorch . Défini sur « TensorFlow » pour le type TensorFlow. | 'Mpi' 'PyTorch' 'TensorFlow' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
delayEvaluation | Nombre d’intervalles par lesquels retarder la première évaluation. | Int |
evaluationInterval | Intervalle (nombre d’exécutions) entre les évaluations de stratégie. | Int |
policyType | Défini sur « Bandit » pour le type BanditPolicy. Défini sur « MedianStopping » pour le type MedianStoppingPolicy. Défini sur « TruncationSelection » pour le type TruncationSelectionPolicy. | 'Bandit' 'MedianStopping' 'TruncationSelection' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
actionType | [Obligatoire] Spécifie le type d’action de la planification | 'InvokeBatchEndpoint' (obligatoire) |
endpointInvocationDefinition | [Obligatoire] Définit les détails de définition d’action de planification. <voir href="TBD » /> |
tout (obligatoire) |
Nom | Description | Valeur |
---|---|---|
mode | Défini sur « Auto » pour le type AutoForecastHorizon. Défini sur « Custom » pour le type CustomForecastHorizon. | 'Auto' 'Custom' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
cvSplitColumnNames | Colonnes à utiliser pour les données CVSplit. | string[] |
featurizationSettings | Entrées de caractérisation nécessaires pour le travail AutoML. | TableVerticalFeaturizationSettings |
fixedParameters | Paramètres de modèle/d’entraînement qui resteront constants tout au long de l’entraînement. | TableFixedParameters |
forecastingSettings | Prévision d’entrées spécifiques à une tâche. | ForecastingSettings |
limitSettings | Contraintes d’exécution pour AutoMLJob. | TableVerticalLimitSettings |
nCrossValidations | Nombre de plis de validation croisée à appliquer sur le jeu de données d’entraînement lorsque le jeu de données de validation n’est pas fourni. |
NCrossValidations |
primaryMetric | Métrique principale pour la tâche de prévision. | 'NormalizedMeanAbsoluteError' 'NormalizedRootMeanSquaredError' 'R2Score' 'SpearmanCorrelation' |
searchSpace | Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. | TableParameterSubspace[] |
sweepSettings | Paramètres pour le balayage du modèle et le réglage des hyperparamètres. | TableSweepSettings |
taskType | [Obligatoire] Type de tâche pour AutoMLJob. | 'Prévision' (obligatoire) |
testData | Tester l’entrée de données. | MLTableJobInput |
testDataSize | Fraction du jeu de données de test qui doit être mis de côté à des fins de validation. Valeurs comprises entre (0.0 , 1.0) Appliqué lorsque le jeu de données de validation n’est pas fourni. |
Int |
trainingSettings | Entrées pour la phase d’entraînement d’un travail AutoML. | ForecastingTrainingSettings |
validationData | Entrées de données de validation. | MLTableJobInput |
validationDataSize | Fraction du jeu de données d’entraînement qui doit être mis de côté à des fins de validation. Valeurs comprises entre (0.0 , 1.0) Appliqué lorsque le jeu de données de validation n’est pas fourni. |
Int |
weightColumnName | Nom de l’exemple de colonne de poids. Le ML automatisé prend en charge une colonne pondérée en tant qu’entrée, ce qui entraîne une pondération des lignes dans les données. | corde |
Nom | Description | Valeur |
---|---|---|
countryOrRegionForHolidays | Pays ou région pour les vacances pour les tâches de prévision. Il doit s’agir de codes pays/région à deux lettres ISO 3166, par exemple « US » ou « Go ». |
corde |
cvStepSize | Nombre de périodes entre l’heure d’origine d’un pliage CV et le pli suivant. Pour par exemple, si CVStepSize = 3 pour les données quotidiennes, l’heure d’origine de chaque pli seratrois jours à part. |
Int |
featureLags | Indicateur de génération de décalages pour les fonctionnalités numériques avec « auto » ou null. | 'Auto' 'None' |
forecastHorizon | Horizon de prévision maximal souhaité en unités de fréquence de série chronologique. | ForecastHorizon |
fréquence | Lors de la prévision, ce paramètre représente la période avec laquelle la prévision est souhaitée, par exemple quotidienne, hebdomadaire, annuelle, etc. La fréquence de prévision est la fréquence du jeu de données par défaut. | corde |
Saisonnalité | Définissez la saisonnalité des séries chronologiques en tant que multiple entier de la fréquence de la série. Si la saisonnalité est définie sur « auto », elle sera déduite. |
saisonnalité |
shortSeriesHandlingConfig | Paramètre définissant comment si AutoML doit gérer des séries chronologiques courtes. | 'Auto' 'Drop' 'None' 'Pad' |
targetAggregateFunction | Fonction à utiliser pour agréger la colonne cible de série chronologique afin de se conformer à une fréquence spécifiée par l’utilisateur. Si TargetAggregateFunction est défini, c’est-à-dire pas « None », mais que le paramètre freq n’est pas défini, l’erreur est déclenchée. Les fonctions d’agrégation cible possibles sont : « somme », « max », « min » et « moyenne ». |
'Max' 'Moyenne' 'Min' 'None' 'Somme' |
targetLags | Nombre de périodes passées à décalager à partir de la colonne cible. | TargetLags |
targetRollingWindowSize | Nombre de périodes passées utilisées pour créer une moyenne de fenêtre propagée de la colonne cible. | TargetRollingWindowSize |
timeColumnName | Nom de la colonne time. Ce paramètre est requis lors de la prévision pour spécifier la colonne datetime dans les données d’entrée utilisées pour générer la série chronologique et déduire sa fréquence. | corde |
timeSeriesIdColumnNames | Noms des colonnes utilisées pour regrouper une série chronologique. Il peut être utilisé pour créer plusieurs séries. Si le grain n’est pas défini, le jeu de données est supposé être une série chronologique. Ce paramètre est utilisé avec la prévision de type de tâche. |
string[] |
useStl | Configurez la décomposition STL de la colonne cible de série chronologique. | 'None' 'Saison' 'SeasonTrend' |
Nom | Description | Valeur |
---|---|---|
allowedTrainingAlgorithms | Modèles autorisés pour la tâche de prévision. | Tableau de chaînes contenant l’un des éléments suivants : 'Arimax' 'AutoArima' 'Average' 'DecisionTree' 'ElasticNet' 'ExponentialSmoothing' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'Naive' 'Prophète' 'RandomForest' 'SeasonalAverage' 'SeasonalNaive' 'SGD' 'TCNForecaster' 'XGBoostRegressor' |
blockedTrainingAlgorithms | Modèles bloqués pour la tâche de prévision. | Tableau de chaînes contenant l’un des éléments suivants : 'Arimax' 'AutoArima' 'Average' 'DecisionTree' 'ElasticNet' 'ExponentialSmoothing' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'Naive' 'Prophète' 'RandomForest' 'SeasonalAverage' 'SeasonalNaive' 'SGD' 'TCNForecaster' 'XGBoostRegressor' |
enableDnnTraining | Activez la recommandation des modèles DNN. | Bool |
enableModelExplainability | Indicateur pour activer l’explication sur le meilleur modèle. | Bool |
enableOnnxCompatibleModels | Indicateur pour l’activation des modèles compatibles onnx. | Bool |
enableStackEnsemble | Activez l’exécution de l’ensemble de piles. | Bool |
enableVoteEnsemble | Activer l’exécution de l’ensemble de vote. | Bool |
ensembleModelDownloadTimeout | Pendant la génération du modèle VotingEnsemble et StackEnsemble, plusieurs modèles adaptés des exécutions enfants précédentes sont téléchargés. Configurez ce paramètre avec une valeur supérieure à 300 secondes, si plus de temps est nécessaire. |
corde |
stackEnsembleSettings | Paramètres d’ensemble de pile pour l’exécution d’un ensemble de piles. | StackEnsembleSettings |
trainingMode | Mode TrainingMode : le paramètre « auto » est identique à celui défini sur « non distribué » pour l’instant. Toutefois, dans le futur, cela peut entraîner une sélection en mode mixte ou en mode heuristique. La valeur par défaut est « auto ». Si « Distributed », seule la caractérisation distribuée est utilisée et les algorithmes distribués sont choisis. Si « NonDistributed », seuls les algorithmes non distribués sont choisis. |
'Auto' 'Distributed' 'NonDistributed' |
Nom | Description | Valeur |
---|---|---|
samplingAlgorithmType | [Obligatoire] Algorithme utilisé pour générer des valeurs d’hyperparamètres, ainsi que des propriétés de configuration | 'Grid' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
identityType | Défini sur « AMLToken » pour le type AmlToken . Défini sur « Managed » pour le type ManagedIdentity. Défini sur « UserIdentity » pour le type UserIdentity. | 'AMLToken' 'Managed' 'UserIdentity' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
limitSettings | [Obligatoire] Limitez les paramètres du travail AutoML. | ImageLimitSettings (obligatoire) |
modelSettings | Paramètres utilisés pour l’apprentissage du modèle. | ImageModelSettingsClassification |
primaryMetric | Métrique principale à optimiser pour cette tâche. | 'Précision' 'AUCWeighted' 'AveragePrecisionScoreWeighted' 'NormMacroRecall' 'PrecisionScoreWeighted' |
searchSpace | Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. | ImageModelDistributionSettingsClassification[] |
sweepSettings | Modèles de balayage et de balayage hyperparamètres paramètres associés au balayage. | ImageSweepSettings |
taskType | [Obligatoire] Type de tâche pour AutoMLJob. | 'ImageClassification' (obligatoire) |
validationData | Entrées de données de validation. | MLTableJobInput |
validationDataSize | Fraction du jeu de données d’entraînement qui doit être mis de côté à des fins de validation. Valeurs comprises entre (0.0 , 1.0) Appliqué lorsque le jeu de données de validation n’est pas fourni. |
Int |
Nom | Description | Valeur |
---|---|---|
limitSettings | [Obligatoire] Limitez les paramètres du travail AutoML. | ImageLimitSettings (obligatoire) |
modelSettings | Paramètres utilisés pour l’apprentissage du modèle. | ImageModelSettingsClassification |
primaryMetric | Métrique principale à optimiser pour cette tâche. | 'Précision' 'AUCWeighted' 'AveragePrecisionScoreWeighted' 'IOU' 'NormMacroRecall' 'PrecisionScoreWeighted' |
searchSpace | Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. | ImageModelDistributionSettingsClassification[] |
sweepSettings | Modèles de balayage et de balayage hyperparamètres paramètres associés au balayage. | ImageSweepSettings |
taskType | [Obligatoire] Type de tâche pour AutoMLJob. | 'ImageClassificationMultilabel' (obligatoire) |
validationData | Entrées de données de validation. | MLTableJobInput |
validationDataSize | Fraction du jeu de données d’entraînement qui doit être mis de côté à des fins de validation. Valeurs comprises entre (0.0 , 1.0) Appliqué lorsque le jeu de données de validation n’est pas fourni. |
Int |
Nom | Description | Valeur |
---|---|---|
limitSettings | [Obligatoire] Limitez les paramètres du travail AutoML. | ImageLimitSettings (obligatoire) |
modelSettings | Paramètres utilisés pour l’apprentissage du modèle. | ImageModelSettingsObjectDetection |
primaryMetric | Métrique principale à optimiser pour cette tâche. | 'MeanAveragePrecision' |
searchSpace | Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. | ImageModelDistributionSettingsObjectDetection[] |
sweepSettings | Modèles de balayage et de balayage hyperparamètres paramètres associés au balayage. | ImageSweepSettings |
taskType | [Obligatoire] Type de tâche pour AutoMLJob. | 'ImageInstanceSegmentation' (obligatoire) |
validationData | Entrées de données de validation. | MLTableJobInput |
validationDataSize | Fraction du jeu de données d’entraînement qui doit être mis de côté à des fins de validation. Valeurs comprises entre (0.0 , 1.0) Appliqué lorsque le jeu de données de validation n’est pas fourni. |
Int |
Nom | Description | Valeur |
---|---|---|
maxConcurrentTrials | Nombre maximal d’itérations AutoML simultanées. | Int |
maxTrials | Nombre maximal d’itérations AutoML. | Int |
Timeout | Délai d’expiration du travail AutoML. | corde |
Nom | Description | Valeur |
---|---|---|
amsGradient | Activez AMSGrad lorsque l’optimiseur est « adam » ou « adamw ». | corde |
augmentations | Paramètres d’utilisation des augmentations. | corde |
bêta1 | Valeur de « beta1 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1]. | corde |
bêta2 | Valeur de « beta2 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1]. | corde |
distribué | Indique s’il faut utiliser la formation du répartiteur. | corde |
début de l’arrêt | Activez la logique d’arrêt précoce pendant l’entraînement. | corde |
earlyStoppingDelay | Nombre minimal d’époques ou d’évaluations de validation à attendre avant l’amélioration de la métrique principale est suivi pour un arrêt précoce. Doit être un entier positif. |
corde |
earlyStoppingPatience | Nombre minimal d’époques ou d’évaluations de validation sans amélioration des métriques principales avant l’exécution est arrêtée. Doit être un entier positif. |
corde |
enableOnnxNormalization | Activez la normalisation lors de l’exportation du modèle ONNX. | corde |
evaluationFrequency | Fréquence d’évaluation du jeu de données de validation pour obtenir des scores de métriques. Doit être un entier positif. | corde |
gradientAccumulationStep | L’accumulation de dégradés signifie exécuter un nombre configuré d’étapes « GradAccumulationStep » sans mise à jour des pondérations du modèle tout en cumulant les dégradés de ces étapes, puis en utilisant dégradés cumulés pour calculer les mises à jour de poids. Doit être un entier positif. |
corde |
layersToFreeze | Nombre de couches à figer pour le modèle. Doit être un entier positif. Par exemple, passer 2 comme valeur pour « seresnext » signifie couche de congélation0 et couche1. Pour obtenir la liste complète des modèles pris en charge et des détails sur le gel de couche, veuillez voir : /azure/machine-learning/how-to-auto-train-image-models. |
corde |
learningRate | Taux d’apprentissage initial. Doit être un float dans la plage [0, 1]. | corde |
learningRateScheduler | Type de planificateur de taux d’apprentissage. Doit être « warmup_cosine » ou « étape ». | corde |
modelName | Nom du modèle à utiliser pour l’entraînement. Pour plus d’informations sur les modèles disponibles, consultez la documentation officielle : /azure/machine-learning/how-to-auto-train-image-models. |
corde |
élan | Valeur de l’élan lorsque l’optimiseur est « sgd ». Doit être un float dans la plage [0, 1]. | corde |
nesterov | Activez nesterov lorsque l’optimiseur est « sgd ». | corde |
numberOfEpochs | Nombre d’époques d’entraînement. Doit être un entier positif. | corde |
numberOfWorkers | Nombre de travailleurs du chargeur de données. Doit être un entier non négatif. | corde |
Optimiseur | Type d’optimiseur. Doit être « sgd », « adam » ou « adamw ». | corde |
randomSeed | Valeur initiale aléatoire à utiliser lors de l’utilisation de l’entraînement déterministe. | corde |
stepLRGamma | Valeur gamma lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un float dans la plage [0, 1]. | corde |
stepLRStepSize | Valeur de la taille de l’étape lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un entier positif. | corde |
trainingBatchSize | Taille du lot d’entraînement. Doit être un entier positif. | corde |
trainingCropSize | Taille de rognage d’image qui est entrée dans le réseau neuronal pour le jeu de données d’entraînement. Doit être un entier positif. | corde |
validationBatchSize | Taille du lot de validation. Doit être un entier positif. | corde |
validationCropSize | Taille de rognage d’image entrée dans le réseau neuronal pour le jeu de données de validation. Doit être un entier positif. | corde |
validationResizeSize | Taille de l’image à laquelle redimensionner avant de rogner pour le jeu de données de validation. Doit être un entier positif. | corde |
warmupCosineLRCycles | Valeur du cycle de cosinus lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un float dans la plage [0, 1]. | corde |
warmupCosineLRWarmupEpochs | Valeur des époques de préchauffement lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un entier positif. | corde |
weightDecay | Valeur de la dégradation du poids lorsque l’optimiseur est « sgd », « adam » ou « adamw ». Doit être un float dans la plage[0, 1]. | corde |
weightedLoss | Perte pondérée. Les valeurs acceptées sont 0 pour aucune perte pondérée. 1 pour la perte pondérée avec sqrt. (class_weights). 2 pour la perte pondérée avec class_weights. Doit être 0 ou 1 ou 2. |
corde |
Nom | Description | Valeur |
---|---|---|
amsGradient | Activez AMSGrad lorsque l’optimiseur est « adam » ou « adamw ». | corde |
augmentations | Paramètres d’utilisation des augmentations. | corde |
bêta1 | Valeur de « beta1 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1]. | corde |
bêta2 | Valeur de « beta2 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1]. | corde |
boxDetectionsPerImage | Nombre maximal de détections par image, pour toutes les classes. Doit être un entier positif. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ». |
corde |
boxScoreThreshold | Pendant l’inférence, seules les propositions renvoient un score de classification supérieur à BoxScoreThreshold. Doit être un float dans la plage[0, 1]. |
corde |
distribué | Indique s’il faut utiliser la formation du répartiteur. | corde |
début de l’arrêt | Activez la logique d’arrêt précoce pendant l’entraînement. | corde |
earlyStoppingDelay | Nombre minimal d’époques ou d’évaluations de validation à attendre avant l’amélioration de la métrique principale est suivi pour un arrêt précoce. Doit être un entier positif. |
corde |
earlyStoppingPatience | Nombre minimal d’époques ou d’évaluations de validation sans amélioration des métriques principales avant l’exécution est arrêtée. Doit être un entier positif. |
corde |
enableOnnxNormalization | Activez la normalisation lors de l’exportation du modèle ONNX. | corde |
evaluationFrequency | Fréquence d’évaluation du jeu de données de validation pour obtenir des scores de métriques. Doit être un entier positif. | corde |
gradientAccumulationStep | L’accumulation de dégradés signifie exécuter un nombre configuré d’étapes « GradAccumulationStep » sans mise à jour des pondérations du modèle tout en cumulant les dégradés de ces étapes, puis en utilisant dégradés cumulés pour calculer les mises à jour de poids. Doit être un entier positif. |
corde |
imageSize | Taille de l’image pour l’apprentissage et la validation. Doit être un entier positif. Remarque : L’exécution d’entraînement peut entrer dans CUDA OOM si la taille est trop grande. Remarque : ces paramètres sont pris en charge uniquement pour l’algorithme « yolov5 ». |
corde |
layersToFreeze | Nombre de couches à figer pour le modèle. Doit être un entier positif. Par exemple, passer 2 comme valeur pour « seresnext » signifie couche de congélation0 et couche1. Pour obtenir la liste complète des modèles pris en charge et des détails sur le gel de couche, veuillez voir : /azure/machine-learning/how-to-auto-train-image-models. |
corde |
learningRate | Taux d’apprentissage initial. Doit être un float dans la plage [0, 1]. | corde |
learningRateScheduler | Type de planificateur de taux d’apprentissage. Doit être « warmup_cosine » ou « étape ». | corde |
maxSize | Taille maximale de l’image à rescaler avant de l’alimenter dans la colonne vertébrale. Doit être un entier positif. Remarque : l’exécution d’entraînement peut entrer dans CUDA OOM si la taille est trop grande. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ». |
corde |
minSize | Taille minimale de l’image à rescaler avant de l’alimenter dans la colonne principale. Doit être un entier positif. Remarque : l’exécution d’entraînement peut entrer dans CUDA OOM si la taille est trop grande. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ». |
corde |
modelName | Nom du modèle à utiliser pour l’entraînement. Pour plus d’informations sur les modèles disponibles, consultez la documentation officielle : /azure/machine-learning/how-to-auto-train-image-models. |
corde |
modelSize | Taille du modèle. Doit être « small », « medium », « large » ou « xlarge ». Remarque : l’exécution d’entraînement peut entrer dans CUDA OOM si la taille du modèle est trop grande. Remarque : ces paramètres sont pris en charge uniquement pour l’algorithme « yolov5 ». |
corde |
élan | Valeur de l’élan lorsque l’optimiseur est « sgd ». Doit être un float dans la plage [0, 1]. | corde |
multiscale | Activez l’image à plusieurs échelles en variant la taille de l’image de +/- 50%. Remarque : l’exécution d’entraînement peut accéder à CUDA OOM si aucune mémoire GPU suffisante. Remarque : ces paramètres sont pris en charge uniquement pour l’algorithme « yolov5 ». |
corde |
nesterov | Activez nesterov lorsque l’optimiseur est « sgd ». | corde |
nmsIouThreshold | Seuil IOU utilisé lors de l’inférence dans le post-traitement NMS. Doit être flottant dans la plage [0, 1]. | corde |
numberOfEpochs | Nombre d’époques d’entraînement. Doit être un entier positif. | corde |
numberOfWorkers | Nombre de travailleurs du chargeur de données. Doit être un entier non négatif. | corde |
Optimiseur | Type d’optimiseur. Doit être « sgd », « adam » ou « adamw ». | corde |
randomSeed | Valeur initiale aléatoire à utiliser lors de l’utilisation de l’entraînement déterministe. | corde |
stepLRGamma | Valeur gamma lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un float dans la plage [0, 1]. | corde |
stepLRStepSize | Valeur de la taille de l’étape lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un entier positif. | corde |
tileGridSize | Taille de grille à utiliser pour la mosaïne de chaque image. Remarque : TileGridSize ne doit pas être Aucune pour activer la logique de détection d’objets de petite taille. Chaîne contenant deux entiers au format mxn. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ». |
corde |
tileOverlapRatio | Rapport de chevauchement entre les vignettes adjacentes dans chaque dimension. Doit être flottant dans la plage [0, 1). Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ». |
corde |
tilePredictionsNmsThreshold | Seuil IOU à utiliser pour effectuer nmS lors de la fusion des prédictions à partir de vignettes et d’images. Utilisé dans la validation/inférence. Doit être flottant dans la plage [0, 1]. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ». NMS : suppression non maximale |
corde |
trainingBatchSize | Taille du lot d’entraînement. Doit être un entier positif. | corde |
validationBatchSize | Taille du lot de validation. Doit être un entier positif. | corde |
validationIouThreshold | Seuil IOU à utiliser lors de l’informatique de la métrique de validation. Doit être flottant dans la plage [0, 1]. | corde |
validationMetricType | Méthode de calcul de métrique à utiliser pour les métriques de validation. Doit être « none », « coco », « voc » ou « coco_voc ». | corde |
warmupCosineLRCycles | Valeur du cycle de cosinus lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un float dans la plage [0, 1]. | corde |
warmupCosineLRWarmupEpochs | Valeur des époques de préchauffement lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un entier positif. | corde |
weightDecay | Valeur de la dégradation du poids lorsque l’optimiseur est « sgd », « adam » ou « adamw ». Doit être un float dans la plage[0, 1]. | corde |
Nom | Description | Valeur |
---|---|---|
advancedSettings | Paramètres des scénarios avancés. | corde |
amsGradient | Activez AMSGrad lorsque l’optimiseur est « adam » ou « adamw ». | Bool |
augmentations | Paramètres d’utilisation des augmentations. | corde |
bêta1 | Valeur de « beta1 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1]. | Int |
bêta2 | Valeur de « beta2 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1]. | Int |
checkpointFrequency | Fréquence de stockage des points de contrôle de modèle. Doit être un entier positif. | Int |
checkpointModel | Modèle de point de contrôle préentraîné pour l’entraînement incrémentiel. | MLFlowModelJobInput |
checkpointRunId | ID d’une exécution précédente qui a un point de contrôle préentraîné pour l’entraînement incrémentiel. | corde |
distribué | Indique s’il faut utiliser l’entraînement distribué. | Bool |
début de l’arrêt | Activez la logique d’arrêt précoce pendant l’entraînement. | Bool |
earlyStoppingDelay | Nombre minimal d’époques ou d’évaluations de validation à attendre avant l’amélioration de la métrique principale est suivi pour un arrêt précoce. Doit être un entier positif. |
Int |
earlyStoppingPatience | Nombre minimal d’époques ou d’évaluations de validation sans amélioration des métriques principales avant l’exécution est arrêtée. Doit être un entier positif. |
Int |
enableOnnxNormalization | Activez la normalisation lors de l’exportation du modèle ONNX. | Bool |
evaluationFrequency | Fréquence d’évaluation du jeu de données de validation pour obtenir des scores de métriques. Doit être un entier positif. | Int |
gradientAccumulationStep | L’accumulation de dégradés signifie exécuter un nombre configuré d’étapes « GradAccumulationStep » sans mise à jour des pondérations du modèle tout en cumulant les dégradés de ces étapes, puis en utilisant dégradés cumulés pour calculer les mises à jour de poids. Doit être un entier positif. |
Int |
layersToFreeze | Nombre de couches à figer pour le modèle. Doit être un entier positif. Par exemple, passer 2 comme valeur pour « seresnext » signifie couche de congélation0 et couche1. Pour obtenir la liste complète des modèles pris en charge et des détails sur le gel de couche, veuillez voir : /azure/machine-learning/how-to-auto-train-image-models. |
Int |
learningRate | Taux d’apprentissage initial. Doit être un float dans la plage [0, 1]. | Int |
learningRateScheduler | Type de planificateur de taux d’apprentissage. Doit être « warmup_cosine » ou « étape ». | 'None' 'Étape' 'WarmupCosine' |
modelName | Nom du modèle à utiliser pour l’entraînement. Pour plus d’informations sur les modèles disponibles, consultez la documentation officielle : /azure/machine-learning/how-to-auto-train-image-models. |
corde |
élan | Valeur de l’élan lorsque l’optimiseur est « sgd ». Doit être un float dans la plage [0, 1]. | Int |
nesterov | Activez nesterov lorsque l’optimiseur est « sgd ». | Bool |
numberOfEpochs | Nombre d’époques d’entraînement. Doit être un entier positif. | Int |
numberOfWorkers | Nombre de travailleurs du chargeur de données. Doit être un entier non négatif. | Int |
Optimiseur | Type d’optimiseur. | 'Adam' 'Adamw' 'None' 'Sgd' |
randomSeed | Valeur initiale aléatoire à utiliser lors de l’utilisation de l’entraînement déterministe. | Int |
stepLRGamma | Valeur gamma lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un float dans la plage [0, 1]. | Int |
stepLRStepSize | Valeur de la taille de l’étape lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un entier positif. | Int |
trainingBatchSize | Taille du lot d’entraînement. Doit être un entier positif. | Int |
trainingCropSize | Taille de rognage d’image qui est entrée dans le réseau neuronal pour le jeu de données d’entraînement. Doit être un entier positif. | Int |
validationBatchSize | Taille du lot de validation. Doit être un entier positif. | Int |
validationCropSize | Taille de rognage d’image entrée dans le réseau neuronal pour le jeu de données de validation. Doit être un entier positif. | Int |
validationResizeSize | Taille de l’image à laquelle redimensionner avant de rogner pour le jeu de données de validation. Doit être un entier positif. | Int |
warmupCosineLRCycles | Valeur du cycle de cosinus lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un float dans la plage [0, 1]. | Int |
warmupCosineLRWarmupEpochs | Valeur des époques de préchauffement lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un entier positif. | Int |
weightDecay | Valeur de la dégradation du poids lorsque l’optimiseur est « sgd », « adam » ou « adamw ». Doit être un float dans la plage[0, 1]. | Int |
weightedLoss | Perte pondérée. Les valeurs acceptées sont 0 pour aucune perte pondérée. 1 pour la perte pondérée avec sqrt. (class_weights). 2 pour la perte pondérée avec class_weights. Doit être 0 ou 1 ou 2. |
Int |
Nom | Description | Valeur |
---|---|---|
advancedSettings | Paramètres des scénarios avancés. | corde |
amsGradient | Activez AMSGrad lorsque l’optimiseur est « adam » ou « adamw ». | Bool |
augmentations | Paramètres d’utilisation des augmentations. | corde |
bêta1 | Valeur de « beta1 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1]. | Int |
bêta2 | Valeur de « beta2 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1]. | Int |
boxDetectionsPerImage | Nombre maximal de détections par image, pour toutes les classes. Doit être un entier positif. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ». |
Int |
boxScoreThreshold | Pendant l’inférence, seules les propositions renvoient un score de classification supérieur à BoxScoreThreshold. Doit être un float dans la plage[0, 1]. |
Int |
checkpointFrequency | Fréquence de stockage des points de contrôle de modèle. Doit être un entier positif. | Int |
checkpointModel | Modèle de point de contrôle préentraîné pour l’entraînement incrémentiel. | MLFlowModelJobInput |
checkpointRunId | ID d’une exécution précédente qui a un point de contrôle préentraîné pour l’entraînement incrémentiel. | corde |
distribué | Indique s’il faut utiliser l’entraînement distribué. | Bool |
début de l’arrêt | Activez la logique d’arrêt précoce pendant l’entraînement. | Bool |
earlyStoppingDelay | Nombre minimal d’époques ou d’évaluations de validation à attendre avant l’amélioration de la métrique principale est suivi pour un arrêt précoce. Doit être un entier positif. |
Int |
earlyStoppingPatience | Nombre minimal d’époques ou d’évaluations de validation sans amélioration des métriques principales avant l’exécution est arrêtée. Doit être un entier positif. |
Int |
enableOnnxNormalization | Activez la normalisation lors de l’exportation du modèle ONNX. | Bool |
evaluationFrequency | Fréquence d’évaluation du jeu de données de validation pour obtenir des scores de métriques. Doit être un entier positif. | Int |
gradientAccumulationStep | L’accumulation de dégradés signifie exécuter un nombre configuré d’étapes « GradAccumulationStep » sans mise à jour des pondérations du modèle tout en cumulant les dégradés de ces étapes, puis en utilisant dégradés cumulés pour calculer les mises à jour de poids. Doit être un entier positif. |
Int |
imageSize | Taille de l’image pour l’apprentissage et la validation. Doit être un entier positif. Remarque : L’exécution d’entraînement peut entrer dans CUDA OOM si la taille est trop grande. Remarque : ces paramètres sont pris en charge uniquement pour l’algorithme « yolov5 ». |
Int |
layersToFreeze | Nombre de couches à figer pour le modèle. Doit être un entier positif. Par exemple, passer 2 comme valeur pour « seresnext » signifie couche de congélation0 et couche1. Pour obtenir la liste complète des modèles pris en charge et des détails sur le gel de couche, veuillez voir : /azure/machine-learning/how-to-auto-train-image-models. |
Int |
learningRate | Taux d’apprentissage initial. Doit être un float dans la plage [0, 1]. | Int |
learningRateScheduler | Type de planificateur de taux d’apprentissage. Doit être « warmup_cosine » ou « étape ». | 'None' 'Étape' 'WarmupCosine' |
maxSize | Taille maximale de l’image à rescaler avant de l’alimenter dans la colonne vertébrale. Doit être un entier positif. Remarque : l’exécution d’entraînement peut entrer dans CUDA OOM si la taille est trop grande. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ». |
Int |
minSize | Taille minimale de l’image à rescaler avant de l’alimenter dans la colonne principale. Doit être un entier positif. Remarque : l’exécution d’entraînement peut entrer dans CUDA OOM si la taille est trop grande. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ». |
Int |
modelName | Nom du modèle à utiliser pour l’entraînement. Pour plus d’informations sur les modèles disponibles, consultez la documentation officielle : /azure/machine-learning/how-to-auto-train-image-models. |
corde |
modelSize | Taille du modèle. Doit être « small », « medium », « large » ou « xlarge ». Remarque : l’exécution d’entraînement peut entrer dans CUDA OOM si la taille du modèle est trop grande. Remarque : ces paramètres sont pris en charge uniquement pour l’algorithme « yolov5 ». |
'ExtraLarge' 'Large' 'Medium' 'None' 'Small' |
élan | Valeur de l’élan lorsque l’optimiseur est « sgd ». Doit être un float dans la plage [0, 1]. | Int |
multiscale | Activez l’image à plusieurs échelles en variant la taille de l’image de +/- 50%. Remarque : l’exécution d’entraînement peut accéder à CUDA OOM si aucune mémoire GPU suffisante. Remarque : ces paramètres sont pris en charge uniquement pour l’algorithme « yolov5 ». |
Bool |
nesterov | Activez nesterov lorsque l’optimiseur est « sgd ». | Bool |
nmsIouThreshold | Seuil IOU utilisé lors de l’inférence dans le post-traitement NMS. Doit être un float dans la plage [0, 1]. | Int |
numberOfEpochs | Nombre d’époques d’entraînement. Doit être un entier positif. | Int |
numberOfWorkers | Nombre de travailleurs du chargeur de données. Doit être un entier non négatif. | Int |
Optimiseur | Type d’optimiseur. | 'Adam' 'Adamw' 'None' 'Sgd' |
randomSeed | Valeur initiale aléatoire à utiliser lors de l’utilisation de l’entraînement déterministe. | Int |
stepLRGamma | Valeur gamma lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un float dans la plage [0, 1]. | Int |
stepLRStepSize | Valeur de la taille de l’étape lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un entier positif. | Int |
tileGridSize | Taille de grille à utiliser pour la mosaïne de chaque image. Remarque : TileGridSize ne doit pas être Aucune pour activer la logique de détection d’objets de petite taille. Chaîne contenant deux entiers au format mxn. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ». |
corde |
tileOverlapRatio | Rapport de chevauchement entre les vignettes adjacentes dans chaque dimension. Doit être flottant dans la plage [0, 1). Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ». |
Int |
tilePredictionsNmsThreshold | Seuil IOU à utiliser pour effectuer nmS lors de la fusion des prédictions à partir de vignettes et d’images. Utilisé dans la validation/inférence. Doit être flottant dans la plage [0, 1]. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ». |
Int |
trainingBatchSize | Taille du lot d’entraînement. Doit être un entier positif. | Int |
validationBatchSize | Taille du lot de validation. Doit être un entier positif. | Int |
validationIouThreshold | Seuil IOU à utiliser lors de l’informatique de la métrique de validation. Doit être flottant dans la plage [0, 1]. | Int |
validationMetricType | Méthode de calcul de métrique à utiliser pour les métriques de validation. | 'Coco' 'CocoVoc' 'None' 'Voc' |
warmupCosineLRCycles | Valeur du cycle de cosinus lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un float dans la plage [0, 1]. | Int |
warmupCosineLRWarmupEpochs | Valeur des époques de préchauffement lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un entier positif. | Int |
weightDecay | Valeur de la dégradation du poids lorsque l’optimiseur est « sgd », « adam » ou « adamw ». Doit être un float dans la plage[0, 1]. | Int |
Nom | Description | Valeur |
---|---|---|
limitSettings | [Obligatoire] Limitez les paramètres du travail AutoML. | ImageLimitSettings (obligatoire) |
modelSettings | Paramètres utilisés pour l’apprentissage du modèle. | ImageModelSettingsObjectDetection |
primaryMetric | Métrique principale à optimiser pour cette tâche. | 'MeanAveragePrecision' |
searchSpace | Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. | ImageModelDistributionSettingsObjectDetection[] |
sweepSettings | Modèles de balayage et de balayage hyperparamètres paramètres associés au balayage. | ImageSweepSettings |
taskType | [Obligatoire] Type de tâche pour AutoMLJob. | 'ImageObjectDetection' (obligatoire) |
validationData | Entrées de données de validation. | MLTableJobInput |
validationDataSize | Fraction du jeu de données d’entraînement qui doit être mis de côté à des fins de validation. Valeurs comprises entre (0.0 , 1.0) Appliqué lorsque le jeu de données de validation n’est pas fourni. |
Int |
Nom | Description | Valeur |
---|---|---|
componentId | ID de ressource ARM de la ressource de composant. | corde |
computeId | ID de ressource ARM de la ressource de calcul. | corde |
description | Texte de description de la ressource. | corde |
displayName | Nom complet du travail. | corde |
experimentName | Nom de l’expérience à laquelle appartient le travail. S’il n’est pas défini, le travail est placé dans l’expérience « Par défaut ». | corde |
identité | Configuration de l’identité. Si cette valeur est définie, il doit s’agir de l’un des éléments AmlToken, ManagedIdentity, UserIdentity ou Null. La valeur par défaut est AmlToken si null. |
IdentityConfiguration |
isArchived | La ressource est-elle archivée ? | Bool |
jobType | Défini sur « AutoML » pour le type AutoMLJob. Définissez la valeur « Command » pour le type CommandJob. Défini sur « Étiquetage » pour le type LabelingJobProperties. Défini sur « Pipeline » pour le type PipelineJob. Défini sur « Spark » pour le type SparkJob. Défini sur « Balayage » pour le type Balayage. | 'AutoML' 'Command' 'Étiquetage' 'Pipeline' 'Spark' 'Balayage' (obligatoire) |
notificationSetting | Paramètre de notification pour le travail | NotificationSetting |
Propriétés | Dictionnaire de propriétés de ressource. | ResourceBaseProperties |
services | Liste des points de terminaison de travail. Pour les travaux locaux, un point de terminaison de travail a une valeur de point de terminaison de FileStreamObject. |
JobBaseServices |
étiquettes | Dictionnaire de balises. Les balises peuvent être ajoutées, supprimées et mises à jour. | ResourceBaseTags |
Nom | Description | Valeur |
---|
Nom | Description | Valeur |
---|---|---|
description | Description de l’entrée. | corde |
jobInputType | Défini sur « custom_model » pour le type CustomModelJobInput. Défini sur « littéral » pour le type LiteralJobInput. Défini sur « mlflow_model » pour le type MLFlowModelJobInput. Défini sur « mltable » pour le type MLTableJobInput. Défini sur « triton_model » pour le type TritonModelJobInput. Défini sur « uri_file » pour le type UriFileJobInput. Défini sur « uri_folder » pour le type UriFolderJobInput. | 'custom_model' 'littéral' 'mlflow_model' 'mltable' 'triton_model' 'uri_file' 'uri_folder' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
description | Description de la sortie. | corde |
jobOutputType | Défini sur « custom_model » pour le type CustomModelJobOutput. Défini sur « mlflow_model » pour le type MLFlowModelJobOutput. Défini sur « mltable » pour le type MLTableJobOutput. Défini sur « triton_model » pour le type TritonModelJobOutput. Défini sur « uri_file » pour le type UriFileJobOutput. Défini sur « uri_folder » pour le type UriFolderJobOutput. | 'custom_model' 'mlflow_model' 'mltable' 'triton_model' 'uri_file' 'uri_folder' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
dockerArgs | Arguments supplémentaires à passer à la commande Docker run. Cela remplacerait tous les paramètres qui ont déjà été définis par le système, ou dans cette section. Ce paramètre est pris en charge uniquement pour les types de calcul Azure ML. | corde |
instanceCount | Nombre facultatif d’instances ou de nœuds utilisés par la cible de calcul. | Int |
instanceType | Type facultatif de machine virtuelle utilisée comme prise en charge par la cible de calcul. | corde |
Lieux | Emplacements où le travail peut s’exécuter. | string[] |
Propriétés | Conteneur de propriétés supplémentaires. | ResourceConfigurationProperties |
shmSize | Taille du bloc de mémoire partagée du conteneur Docker. Cela doit être au format (nombre)(unité) où le nombre doit être supérieur à 0 et que l’unité peut être l’un des b(octets), k(kilo-octets), m(mégaoctets) ou g(gigaoctets). | corde Contraintes: Modèle = \d+[bBkKmMgG] |
Nom | Description | Valeur |
---|---|---|
actionType | [Obligatoire] Spécifie le type d’action de la planification | 'CreateJob' (obligatoire) |
jobDefinition | [Obligatoire] Définit les détails de définition d’action de planification. | jobBaseProperties (obligatoire) |
Nom | Description | Valeur |
---|---|---|
extrémité | URL du point de terminaison. | corde |
jobServiceType | Type de point de terminaison. | corde |
Nœuds | Nœuds sur lesquels l’utilisateur souhaite démarrer le service. Si les nœuds ne sont pas définis ou définis sur null, le service est démarré uniquement sur le nœud leader. |
Nœuds |
port | Port du point de terminaison défini par l’utilisateur. | Int |
Propriétés | Propriétés supplémentaires à définir sur le point de terminaison. | JobServiceProperties |
Nom | Description | Valeur |
---|
Nom | Description | Valeur |
---|---|---|
Classes | Dictionnaire de classes d’étiquettes dans cette catégorie. | LabelCategoryClasses |
displayName | Nom complet de la catégorie d’étiquette. | corde |
multiselect | Indique s’il est autorisé à sélectionner plusieurs classes dans cette catégorie. | 'Désactivé' 'Activé' |
Nom | Description | Valeur |
---|
Nom | Description | Valeur |
---|---|---|
displayName | Nom complet de la classe d’étiquette. | corde |
Sous-classes | Dictionnaire de sous-classes de la classe label. | LabelClassSubclasses |
Nom | Description | Valeur |
---|
Nom | Description | Valeur |
---|---|---|
dataId | ID de ressource de la ressource de données pour effectuer l’étiquetage. | corde |
incrementalDataRefresh | Indique s’il faut activer l’actualisation incrémentielle des données. | 'Désactivé' 'Activé' |
Nom | Description | Valeur |
---|---|---|
annotationType | Type d’annotation du travail d’étiquetage d’image. | 'BoundingBox' 'Classification' 'InstanceSegmentation' |
mediaType | [Obligatoire] Type de média du travail. | 'Image' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
URI | Lien vers une page contenant des instructions d’étiquetage détaillées pour les étiqueteurs. | corde |
Nom | Description | Valeur |
---|
Nom | Description | Valeur |
---|---|---|
mediaType | Défini sur « Image » pour le type LabelingJobImageProperties. Défini sur « Text » pour le type LabelingJobTextProperties. | 'Image' 'Text' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
dataConfiguration | Configuration des données utilisées dans le travail. | labelingDataConfiguration |
jobInstructions | Instructions d’étiquetage du travail. | LabelingJobInstructions |
jobType | [Obligatoire] Spécifie le type de travail. | 'Étiquetage' (obligatoire) |
labelCategories | Catégories d’étiquettes du travail. | LabelingJobLabelCategories |
labelingJobMediaProperties | Propriétés spécifiques du type de média dans le travail. | LabelingJobMediaProperties |
mlAssistConfiguration | Configuration de la fonctionnalité MLAssist dans le travail. | mlAssistConfiguration |
Nom | Description | Valeur |
---|---|---|
annotationType | Type d’annotation du travail d’étiquetage de texte. | 'Classification' 'NamedEntityRecognition' |
mediaType | [Obligatoire] Type de média du travail. | 'Text' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
jobInputType | [Obligatoire] Spécifie le type de travail. | 'littéral' (obligatoire) |
valeur | [Obligatoire] Valeur littérale de l’entrée. | corde Contraintes: Modèle = [a-zA-Z0-9_] (obligatoire) |
Nom | Description | Valeur |
---|---|---|
clientId | Spécifie une identité affectée par l’utilisateur par ID client. Pour les données attribuées par le système, ne définissez pas ce champ. | corde Contraintes: Longueur minimale = 36 Longueur maximale = 36 Modèle = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$ |
identityType | [Obligatoire] Spécifie le type d’infrastructure d’identité. | 'Managed' (obligatoire) |
objectId | Spécifie une identité affectée par l’utilisateur par ID d’objet. Pour les données attribuées par le système, ne définissez pas ce champ. | corde Contraintes: Longueur minimale = 36 Longueur maximale = 36 Modèle = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$ |
resourceId | Spécifie une identité affectée par l’utilisateur par ID de ressource ARM. Pour les données attribuées par le système, ne définissez pas ce champ. | corde |
Nom | Description | Valeur |
---|---|---|
policyType | [Obligatoire] Nom de la configuration de la stratégie | 'MedianStopping' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
nom | Nom de la ressource | corde Contraintes: Modèle = ^[a-zA-Z0-9][a-zA-Z0-9\-_]{0,254}$ (obligatoire) |
parent | Dans Bicep, vous pouvez spécifier la ressource parente d’une ressource enfant. Vous devez uniquement ajouter cette propriété lorsque la ressource enfant est déclarée en dehors de la ressource parente. Pour plus d’informations, consultez ressource enfant en dehors de la ressource parente. |
Nom symbolique de la ressource de type : espaces de travail |
Propriétés | [Obligatoire] Attributs supplémentaires de l’entité. | ScheduleProperties (obligatoire) |
Nom | Description | Valeur |
---|---|---|
mlAssist | Défini sur « Disabled » pour le type MLAssistConfigurationDisabled. Défini sur « Enabled » pour le type MLAssistConfigurationEnabled. | 'Désactivé' 'Enabled' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
mlAssist | [Obligatoire] Indique si la fonctionnalité MLAssist est activée. | 'Disabled' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
inferencingComputeBinding | [Obligatoire] Liaison de calcul AML utilisée dans l’inférence. | corde Contraintes: Modèle = [a-zA-Z0-9_] (obligatoire) |
mlAssist | [Obligatoire] Indique si la fonctionnalité MLAssist est activée. | 'Enabled' (obligatoire) |
trainingComputeBinding | [Obligatoire] Liaison de calcul AML utilisée dans l’apprentissage. | corde Contraintes: Modèle = [a-zA-Z0-9_] (obligatoire) |
Nom | Description | Valeur |
---|---|---|
jobInputType | [Obligatoire] Spécifie le type de travail. | 'mlflow_model' (obligatoire) |
mode | Mode de remise des ressources d’entrée. | 'Direct' 'Télécharger' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
URI | [Obligatoire] URI de ressource d’entrée. | corde Contraintes: Modèle = [a-zA-Z0-9_] (obligatoire) |
Nom | Description | Valeur |
---|---|---|
description | Description de l’entrée. | corde |
jobInputType | [Obligatoire] Spécifie le type de travail. | 'custom_model' 'littéral' 'mlflow_model' 'mltable' 'triton_model' 'uri_file' 'uri_folder' (obligatoire) |
mode | Mode de remise des ressources d’entrée. | 'Direct' 'Télécharger' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
URI | [Obligatoire] URI de ressource d’entrée. | corde Contraintes: Modèle = [a-zA-Z0-9_] (obligatoire) |
Nom | Description | Valeur |
---|---|---|
assetName | Nom de la ressource de sortie. | corde |
assetVersion | Version de ressource de sortie. | corde |
jobOutputType | [Obligatoire] Spécifie le type de travail. | 'mlflow_model' (obligatoire) |
mode | Mode de remise des ressources de sortie. | 'Direct' 'ReadWriteMount' 'Upload' |
URI | URI de ressource de sortie. | corde |
Nom | Description | Valeur |
---|---|---|
description | Description de l’entrée. | corde |
jobInputType | [Obligatoire] Spécifie le type de travail. | 'custom_model' 'littéral' 'mlflow_model' 'mltable' 'triton_model' 'uri_file' 'uri_folder' (obligatoire) |
mode | Mode de remise des ressources d’entrée. | 'Direct' 'Télécharger' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
URI | [Obligatoire] URI de ressource d’entrée. | corde Contraintes: Modèle = [a-zA-Z0-9_] (obligatoire) |
Nom | Description | Valeur |
---|---|---|
jobInputType | [Obligatoire] Spécifie le type de travail. | 'mltable' (obligatoire) |
mode | Mode de remise des ressources d’entrée. | 'Direct' 'Télécharger' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
URI | [Obligatoire] URI de ressource d’entrée. | corde Contraintes: Modèle = [a-zA-Z0-9_] (obligatoire) |
Nom | Description | Valeur |
---|---|---|
assetName | Nom de la ressource de sortie. | corde |
assetVersion | Version de ressource de sortie. | corde |
jobOutputType | [Obligatoire] Spécifie le type de travail. | 'mltable' (obligatoire) |
mode | Mode de remise des ressources de sortie. | 'Direct' 'ReadWriteMount' 'Upload' |
URI | URI de ressource de sortie. | corde |
Nom | Description | Valeur |
---|---|---|
distributionType | [Obligatoire] Spécifie le type d’infrastructure de distribution. | 'Mpi' (obligatoire) |
processCountPerInstance | Nombre de processus par nœud MPI. | Int |
Nom | Description | Valeur |
---|---|---|
mode | Défini sur « Auto » pour le type AutoNCrossValidations. Défini sur « Custom » pour le type CustomNCrossValidations. | 'Auto' 'Custom' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
gradientAccumulationSteps | Nombre d’étapes à effectuer pour accumuler des dégradés avant d’exécuter une passe descendante. | Int |
learningRate | Taux d’apprentissage de la procédure d’entraînement. | Int |
learningRateScheduler | Type de planification du taux d’apprentissage à utiliser pendant la procédure d’entraînement. | 'Constant' 'ConstantWithWarmup' 'Cosine' 'CosineWithRestarts' 'Linéaire' 'None' 'Polynomial' |
modelName | Nom du modèle à entraîner. | corde |
numberOfEpochs | Nombre d’époques d’entraînement. | Int |
trainingBatchSize | Taille du lot pour la procédure d’entraînement. | Int |
validationBatchSize | Taille du lot à utiliser pendant l’évaluation. | Int |
warmupRatio | Rapport de préchauffage utilisé avec LrSchedulerType. | Int |
weightDecay | La dégradation du poids pour la procédure d’entraînement. | Int |
Nom | Description | Valeur |
---|---|---|
gradientAccumulationSteps | Nombre d’étapes à effectuer pour accumuler des dégradés avant d’exécuter une passe descendante. | corde |
learningRate | Taux d’apprentissage de la procédure d’entraînement. | corde |
learningRateScheduler | Type de planification du taux d’apprentissage à utiliser pendant la procédure d’entraînement. | corde |
modelName | Nom du modèle à entraîner. | corde |
numberOfEpochs | Nombre d’époques d’entraînement. | corde |
trainingBatchSize | Taille du lot pour la procédure d’entraînement. | corde |
validationBatchSize | Taille du lot à utiliser pendant l’évaluation. | corde |
warmupRatio | Rapport de préchauffage utilisé avec LrSchedulerType. | corde |
weightDecay | La dégradation du poids pour la procédure d’entraînement. | corde |
Nom | Description | Valeur |
---|---|---|
datasetLanguage | Langage du jeu de données, utile pour les données de texte. | corde |
Nom | Description | Valeur |
---|---|---|
maxConcurrentTrials | Nombre maximal d’itérations AutoML simultanées. | Int |
maxNodes | Nombre maximal de nœuds à utiliser pour l’expérience. | Int |
maxTrials | Nombre d’itérations AutoML. | Int |
Timeout | Délai d’expiration du travail AutoML. | corde |
trialTimeout | Délai d’expiration pour les essais HD individuels. | corde |
Nom | Description | Valeur |
---|---|---|
nodeValueType | Défini sur « All » pour le type AllNodes. | 'All' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
emailOn | Envoyer une notification par e-mail à l’utilisateur sur le type de notification spécifié | Tableau de chaînes contenant l’un des éléments suivants : 'JobCancelled' 'JobCompleted' 'JobFailed' |
e-mails | Il s’agit de la liste des destinataires d’e-mail qui a une limitation de 499 caractères dans le total concat avec séparateur de virgules | string[] |
Nom | Description | Valeur |
---|---|---|
but | [Obligatoire] Définit les objectifs de métriques pris en charge pour le réglage des hyperparamètres | 'Agrandir' 'Réduire' (obligatoire) |
primaryMetric | [Obligatoire] Nom de la métrique à optimiser. | corde Contraintes: Modèle = [a-zA-Z0-9_] (obligatoire) |
Nom | Description | Valeur |
---|---|---|
Entrées | Entrées pour le travail de pipeline. | pipelineJobInputs |
Emplois | Les travaux construisent le travail de pipeline. | pipelineJobJobs |
jobType | [Obligatoire] Spécifie le type de travail. | 'Pipeline' (obligatoire) |
Sorties | Sorties du travail de pipeline | pipelineJobOutputs |
Paramètres | Paramètres de pipeline, pour des éléments tels que ContinueRunOnStepFailure, etc. | quelconque |
sourceJobId | ID de ressource ARM du travail source. | corde |
Nom | Description | Valeur |
---|
Nom | Description | Valeur |
---|
Nom | Description | Valeur |
---|
Nom | Description | Valeur |
---|---|---|
distributionType | [Obligatoire] Spécifie le type d’infrastructure de distribution. | 'PyTorch' (obligatoire) |
processCountPerInstance | Nombre de processus par nœud. | Int |
Nom | Description | Valeur |
---|---|---|
jobTier | Énumération pour déterminer le niveau de travail. | 'De base' 'Premium' 'Spot' 'Standard' |
priorité | Contrôle la priorité du travail sur un calcul. | Int |
Nom | Description | Valeur |
---|---|---|
logbase | Nombre positif facultatif ou e au format de chaîne à utiliser comme base pour l’échantillonnage aléatoire basé sur les journaux | corde |
règle | Type spécifique d’algorithme aléatoire | 'Random' 'Sobol' |
samplingAlgorithmType | [Obligatoire] Algorithme utilisé pour générer des valeurs d’hyperparamètres, ainsi que des propriétés de configuration | 'Random' (obligatoire) |
Graines | Entier facultatif à utiliser comme valeur initiale pour la génération de nombres aléatoires | Int |
Nom | Description | Valeur |
---|---|---|
Heures | [Obligatoire] Liste des heures pour la planification. | int[] (obligatoire) |
compte-rendu | [Obligatoire] Liste des minutes de la planification. | int[] (obligatoire) |
monthDays | Liste des jours de mois pour la planification | int[] |
Semaine | Liste des jours de la planification. | Tableau de chaînes contenant l’un des éléments suivants : 'Vendredi' 'Lundi' 'Samedi' 'Dimanche' 'jeudi' 'Mardi' 'Mercredi' |
Nom | Description | Valeur |
---|---|---|
fréquence | [Obligatoire] Fréquence de déclenchement de la planification. | 'Day' 'Heure' 'Minute' 'Month' 'Semaine' (obligatoire) |
intervalle | [Obligatoire] Spécifie l’intervalle de planification conjointement avec la fréquence | int (obligatoire) |
horaire | Planification de périodicité. | périodicité |
triggerType | [Obligatoire] | 'Périodicité' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
cvSplitColumnNames | Colonnes à utiliser pour les données CVSplit. | string[] |
featurizationSettings | Entrées de caractérisation nécessaires pour le travail AutoML. | TableVerticalFeaturizationSettings |
fixedParameters | Paramètres de modèle/d’entraînement qui resteront constants tout au long de l’entraînement. | TableFixedParameters |
limitSettings | Contraintes d’exécution pour AutoMLJob. | TableVerticalLimitSettings |
nCrossValidations | Nombre de plis de validation croisée à appliquer sur le jeu de données d’entraînement lorsque le jeu de données de validation n’est pas fourni. |
NCrossValidations |
primaryMetric | Métrique principale pour la tâche de régression. | 'NormalizedMeanAbsoluteError' 'NormalizedRootMeanSquaredError' 'R2Score' 'SpearmanCorrelation' |
searchSpace | Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. | TableParameterSubspace[] |
sweepSettings | Paramètres pour le balayage du modèle et le réglage des hyperparamètres. | TableSweepSettings |
taskType | [Obligatoire] Type de tâche pour AutoMLJob. | 'Régression' (obligatoire) |
testData | Tester l’entrée de données. | MLTableJobInput |
testDataSize | Fraction du jeu de données de test qui doit être mis de côté à des fins de validation. Valeurs comprises entre (0.0 , 1.0) Appliqué lorsque le jeu de données de validation n’est pas fourni. |
Int |
trainingSettings | Entrées pour la phase d’entraînement d’un travail AutoML. | RegressionTrainingSettings |
validationData | Entrées de données de validation. | MLTableJobInput |
validationDataSize | Fraction du jeu de données d’entraînement qui doit être mis de côté à des fins de validation. Valeurs comprises entre (0.0 , 1.0) Appliqué lorsque le jeu de données de validation n’est pas fourni. |
Int |
weightColumnName | Nom de l’exemple de colonne de poids. Le ML automatisé prend en charge une colonne pondérée en tant qu’entrée, ce qui entraîne une pondération des lignes dans les données. | corde |
Nom | Description | Valeur |
---|---|---|
allowedTrainingAlgorithms | Modèles autorisés pour la tâche de régression. | Tableau de chaînes contenant l’un des éléments suivants : 'DecisionTree' 'ElasticNet' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'RandomForest' 'SGD' 'XGBoostRegressor' |
blockedTrainingAlgorithms | Modèles bloqués pour la tâche de régression. | Tableau de chaînes contenant l’un des éléments suivants : 'DecisionTree' 'ElasticNet' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'RandomForest' 'SGD' 'XGBoostRegressor' |
enableDnnTraining | Activez la recommandation des modèles DNN. | Bool |
enableModelExplainability | Indicateur pour activer l’explication sur le meilleur modèle. | Bool |
enableOnnxCompatibleModels | Indicateur pour l’activation des modèles compatibles onnx. | Bool |
enableStackEnsemble | Activez l’exécution de l’ensemble de piles. | Bool |
enableVoteEnsemble | Activer l’exécution de l’ensemble de vote. | Bool |
ensembleModelDownloadTimeout | Pendant la génération du modèle VotingEnsemble et StackEnsemble, plusieurs modèles adaptés des exécutions enfants précédentes sont téléchargés. Configurez ce paramètre avec une valeur supérieure à 300 secondes, si plus de temps est nécessaire. |
corde |
stackEnsembleSettings | Paramètres d’ensemble de pile pour l’exécution d’un ensemble de piles. | StackEnsembleSettings |
trainingMode | Mode TrainingMode : le paramètre « auto » est identique à celui défini sur « non distribué » pour l’instant. Toutefois, dans le futur, cela peut entraîner une sélection en mode mixte ou en mode heuristique. La valeur par défaut est « auto ». Si « Distributed », seule la caractérisation distribuée est utilisée et les algorithmes distribués sont choisis. Si « NonDistributed », seuls les algorithmes non distribués sont choisis. |
'Auto' 'Distributed' 'NonDistributed' |
Nom | Description | Valeur |
---|
Nom | Description | Valeur |
---|
Nom | Description | Valeur |
---|
Nom | Description | Valeur |
---|
Nom | Description | Valeur |
---|
Nom | Description | Valeur |
---|---|---|
samplingAlgorithmType | Défini sur « Bayésien » pour le type BayesianSamplingAlgorithm. Défini sur « Grid » pour le type GridSamplingAlgorithm. Défini sur « Random » pour le type RandomSamplingAlgorithm. | 'Bayésien' 'Grid' 'Random' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
actionType | Défini sur « CreateJob » pour le type JobScheduleAction. Défini sur « InvokeBatchEndpoint » pour le type EndpointScheduleAction. | 'CreateJob' 'InvokeBatchEndpoint' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
action | [Obligatoire] Spécifie l’action de la planification | ScheduleActionBase (obligatoire) |
description | Texte de description de la ressource. | corde |
displayName | Nom complet de la planification. | corde |
isEnabled | La planification est-elle activée ? | Bool |
Propriétés | Dictionnaire de propriétés de ressource. | ResourceBaseProperties |
étiquettes | Dictionnaire de balises. Les balises peuvent être ajoutées, supprimées et mises à jour. | ResourceBaseTags |
gâchette | [Obligatoire] Spécifie les détails du déclencheur | TriggerBase (obligatoire) |
Nom | Description | Valeur |
---|---|---|
mode | Défini sur « Auto » pour le type AutoSeasonality. Défini sur « Custom » pour le type CustomSeasonality. | 'Auto' 'Custom' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
archives | Archiver les fichiers utilisés dans le travail. | string[] |
args | Arguments du travail. | corde |
codeId | [Obligatoire] ID de ressource ARM de la ressource de code. | corde Contraintes: Modèle = [a-zA-Z0-9_] (obligatoire) |
Conf | Propriétés configurées par Spark. | sparkJobConf |
entrée | [Obligatoire] Entrée à exécuter au démarrage du travail. | SparkJobEntry (obligatoire) |
environmentId | ID de ressource ARM de la spécification d’environnement pour le travail. | corde |
Fichiers | Fichiers utilisés dans le travail. | string[] |
Entrées | Mappage des liaisons de données d’entrée utilisées dans le travail. | SparkJobInputs |
Pots | Fichiers jar utilisés dans le travail. | string[] |
jobType | [Obligatoire] Spécifie le type de travail. | 'Spark' (obligatoire) |
Sorties | Mappage des liaisons de données de sortie utilisées dans le travail. | SparkJobOutputs |
pyFiles | Fichiers Python utilisés dans le travail. | string[] |
queueSettings | Paramètres de file d’attente du travail | QueueSettings |
ressources | Configuration des ressources de calcul pour le travail. | SparkResourceConfiguration |
Nom | Description | Valeur |
---|
Nom | Description | Valeur |
---|---|---|
sparkJobEntryType | Défini sur « SparkJobPythonEntry » pour le type SparkJobPythonEntry. Défini sur « SparkJobScalaEntry » pour le type SparkJobScalaEntry. | 'SparkJobPythonEntry' 'SparkJobScalaEntry' (obligatoire) |
Nom | Description | Valeur |
---|
Nom | Description | Valeur |
---|
Nom | Description | Valeur |
---|---|---|
lime | [Obligatoire] Chemin d’accès relatif au fichier Python pour le point d’entrée du travail. | corde Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_] (obligatoire) |
sparkJobEntryType | [Obligatoire] Type du point d’entrée du travail. | 'SparkJobPythonEntry' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
className | [Obligatoire] Nom de classe Scala utilisé comme point d’entrée. | corde Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_] (obligatoire) |
sparkJobEntryType | [Obligatoire] Type du point d’entrée du travail. | 'SparkJobScalaEntry' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
instanceType | Type facultatif de machine virtuelle utilisée comme prise en charge par la cible de calcul. | corde |
runtimeVersion | Version du runtime Spark utilisée pour le travail. | corde |
Nom | Description | Valeur |
---|---|---|
stackMetaLearnerKWargs | Paramètres facultatifs à passer à l’initialiseur du méta-apprenant. | quelconque |
stackMetaLearnerTrainPercentage | Spécifie la proportion du jeu d’entraînement (lors du choix du type d’apprentissage et de validation) à réserver pour l’entraînement du méta-apprenant. La valeur par défaut est 0.2. | Int |
stackMetaLearnerType | Le méta-apprenant est un modèle entraîné sur la sortie des modèles hétérogènes individuels. | 'ElasticNet' 'ElasticNetCV' 'LightGBMClassifier' 'LightGBMRegressor' 'LinearRegression' 'LogisticRegression' 'LogisticRegressionCV' 'None' |
Nom | Description | Valeur |
---|---|---|
earlyTermination | Les stratégies d’arrêt anticipé permettent d’annuler les exécutions médiocres avant qu’elles ne se terminent | EarlyTerminationPolicy |
Entrées | Mappage des liaisons de données d’entrée utilisées dans le travail. | SweepJobInputs |
jobType | [Obligatoire] Spécifie le type de travail. | 'Balayage' (obligatoire) |
Limites | Limite du travail de balayage. | sweepJobLimits |
objectif | [Obligatoire] Objectif d’optimisation. | objective (obligatoire) |
Sorties | Mappage des liaisons de données de sortie utilisées dans le travail. | SweepJobOutputs |
queueSettings | Paramètres de file d’attente du travail | QueueSettings |
samplingAlgorithm | [Obligatoire] Algorithme d’échantillonnage d’hyperparamètres | SamplingAlgorithm (obligatoire) |
searchSpace | [Obligatoire] Dictionnaire contenant chaque paramètre et sa distribution. La clé de dictionnaire est le nom du paramètre | tout (obligatoire) |
procès | [Obligatoire] Définition du composant d’évaluation. | trialComponent (obligatoire) |
Nom | Description | Valeur |
---|
Nom | Description | Valeur |
---|---|---|
jobLimitsType | [Obligatoire] Type JobLimit. | 'Command' 'Balayage' (obligatoire) |
maxConcurrentTrials | Nombre maximal d’essais simultanés du travail de balayage. | Int |
maxTotalTrials | Nombre maximal d’essais du travail de balayage. | Int |
Timeout | Durée d’exécution maximale au format ISO 8601, après laquelle le travail sera annulé. Prend uniquement en charge la durée avec une précision aussi faible que secondes. | corde |
trialTimeout | Valeur du délai d’expiration du délai d’expiration du travail de balayage. | corde |
Nom | Description | Valeur |
---|
Nom | Description | Valeur |
---|---|---|
suramplificateur | Spécifiez le type de boosting, par exemple gbdt pour XGBoost. | corde |
boostingType | Spécifiez le type de boosting, par exemple gbdt pour LightGBM. | corde |
growPolicy | Spécifiez la stratégie de croissance, qui contrôle la façon dont les nouveaux nœuds sont ajoutés à l’arborescence. | corde |
learningRate | Taux d’apprentissage de la procédure d’entraînement. | Int |
maxBin | Spécifiez le nombre maximal de compartiments discrets pour les fonctionnalités continues du compartiment. | Int |
maxDepth | Spécifiez la profondeur maximale pour limiter explicitement la profondeur de l’arborescence. | Int |
maxLeaves | Spécifiez les feuilles maximales pour limiter explicitement les feuilles d’arbre. | Int |
minDataInLeaf | Nombre minimal de données par feuille. | Int |
minSplitGain | Réduction minimale de la perte nécessaire pour effectuer une partition supplémentaire sur un nœud feuille de l’arborescence. | Int |
modelName | Nom du modèle à entraîner. | corde |
nEstimators | Spécifiez le nombre d’arborescences (ou arrondis) dans un modèle. | Int |
numLeaves | Spécifiez le nombre de feuilles. | Int |
preprocessorName | Nom du préprocesseur à utiliser. | corde |
regAlpha | Terme de régularisation L1 sur les poids. | Int |
regLambda | Terme de régularisation L2 sur les poids. | Int |
Sous-échantillon | Taux de sous-échantillonnage de l’instance d’entraînement. | Int |
subsampleFreq | Fréquence de sous-échantillonnage. | Int |
treeMethod | Spécifiez la méthode d’arborescence. | corde |
withMean | Si la valeur est true, centrez avant de mettre à l’échelle les données avec StandardScalar. | Bool |
withStd | Si la valeur est true, mettant à l’échelle les données avec l’écart unitaire avec StandardScalar. | Bool |
Nom | Description | Valeur |
---|---|---|
suramplificateur | Spécifiez le type de boosting, par exemple gbdt pour XGBoost. | corde |
boostingType | Spécifiez le type de boosting, par exemple gbdt pour LightGBM. | corde |
growPolicy | Spécifiez la stratégie de croissance, qui contrôle la façon dont les nouveaux nœuds sont ajoutés à l’arborescence. | corde |
learningRate | Taux d’apprentissage de la procédure d’entraînement. | corde |
maxBin | Spécifiez le nombre maximal de compartiments discrets pour les fonctionnalités continues du compartiment. | corde |
maxDepth | Spécifiez la profondeur maximale pour limiter explicitement la profondeur de l’arborescence. | corde |
maxLeaves | Spécifiez les feuilles maximales pour limiter explicitement les feuilles d’arbre. | corde |
minDataInLeaf | Nombre minimal de données par feuille. | corde |
minSplitGain | Réduction minimale de la perte nécessaire pour effectuer une partition supplémentaire sur un nœud feuille de l’arborescence. | corde |
modelName | Nom du modèle à entraîner. | corde |
nEstimators | Spécifiez le nombre d’arborescences (ou arrondis) dans un modèle. | corde |
numLeaves | Spécifiez le nombre de feuilles. | corde |
preprocessorName | Nom du préprocesseur à utiliser. | corde |
regAlpha | Terme de régularisation L1 sur les poids. | corde |
regLambda | Terme de régularisation L2 sur les poids. | corde |
Sous-échantillon | Taux de sous-échantillonnage de l’instance d’entraînement. | corde |
subsampleFreq | Fréquence de sous-échantillonnage | corde |
treeMethod | Spécifiez la méthode d’arborescence. | corde |
withMean | Si la valeur est true, centrez avant de mettre à l’échelle les données avec StandardScalar. | corde |
withStd | Si la valeur est true, mettant à l’échelle les données avec l’écart unitaire avec StandardScalar. | corde |
Nom | Description | Valeur |
---|---|---|
blockedTransformers | Ces transformateurs ne doivent pas être utilisés dans la caractérisation. | Tableau de chaînes contenant l’un des éléments suivants : 'CatTargetEncoder' 'CountVectorizer' 'HashOneHotEncoder' 'LabelEncoder' 'NaiveBayes' 'OneHotEncoder' 'TextTargetEncoder' 'TfIdf' 'WoETargetEncoder' 'WordEmbedding' |
columnNameAndTypes | Dictionnaire du nom de colonne et de son type (int, float, string, datetime, etc.). | TableVerticalFeaturizationSettingsColumnNameAndTypes |
datasetLanguage | Langage du jeu de données, utile pour les données de texte. | corde |
enableDnnFeaturization | Détermine s’il faut utiliser des caractérisations basées sur Dnn pour la caractérisation des données. | Bool |
mode | Mode caractérisation : l’utilisateur peut conserver le mode « Auto » par défaut et AutoML prend en charge la transformation nécessaire des données dans la phase de caractérisation. Si « Désactivé » est sélectionné, aucune caractérisation n’est effectuée. Si « Personnalisé » est sélectionné, l’utilisateur peut spécifier des entrées supplémentaires pour personnaliser la façon dont la caractérisation est effectuée. |
'Auto' 'Custom' 'Off' |
transformerParams | L’utilisateur peut spécifier des transformateurs supplémentaires à utiliser avec les colonnes auxquelles il serait appliqué et les paramètres pour le constructeur du transformateur. | TableVerticalFeaturizationSettingsTransformerParams |
Nom | Description | Valeur |
---|
Nom | Description | Valeur |
---|
Nom | Description | Valeur |
---|---|---|
enableEarlyTermination | Activez l’arrêt anticipé, détermine si AutoMLJob se termine tôt s’il n’y a pas d’amélioration du score dans les 20 dernières itérations. | Bool |
exitScore | Score de sortie pour le travail AutoML. | Int |
maxConcurrentTrials | Nombre maximal d’itérations simultanées. | Int |
maxCoresPerTrial | Nombre maximal de cœurs par itération. | Int |
maxNodes | Nombre maximal de nœuds à utiliser pour l’expérience. | Int |
maxTrials | Nombre d’itérations. | Int |
sweepConcurrentTrials | Nombre d’exécutions simultanées de balayage que l’utilisateur souhaite déclencher. | Int |
sweepTrials | Nombre d’exécutions de balayage que l’utilisateur souhaite déclencher. | Int |
Timeout | Délai d’expiration du travail AutoML. | corde |
trialTimeout | Délai d’expiration de l’itération. | corde |
Nom | Description | Valeur |
---|---|---|
mode | Défini sur « Auto » pour le type AutoTargetLags. Défini sur « Custom » pour le type CustomTargetLags. | 'Auto' 'Custom' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
mode | Défini sur « Auto » pour le type AutoTargetRollingWindowSize. Défini sur « Custom » pour le type CustomTargetRollingWindowSize. | 'Auto' 'Custom' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
distributionType | [Obligatoire] Spécifie le type d’infrastructure de distribution. | 'TensorFlow' (obligatoire) |
parameterServerCount | Nombre de tâches de serveur de paramètres. | Int |
workerCount | Nombre de travailleurs. S’il n’est pas spécifié, le nombre d’instances est défini par défaut. | Int |
Nom | Description | Valeur |
---|---|---|
featurizationSettings | Entrées de caractérisation nécessaires pour le travail AutoML. | NlpVerticalFeaturizationSettings |
fixedParameters | Paramètres de modèle/d’entraînement qui resteront constants tout au long de l’entraînement. | NlpFixedParameters |
limitSettings | Contraintes d’exécution pour AutoMLJob. | NlpVerticalLimitSettings |
primaryMetric | Métrique principale pour Text-Classification tâche. | 'Précision' 'AUCWeighted' 'AveragePrecisionScoreWeighted' 'NormMacroRecall' 'PrecisionScoreWeighted' |
searchSpace | Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. | NlpParameterSubspace[] |
sweepSettings | Paramètres pour le balayage du modèle et le réglage des hyperparamètres. | NlpSweepSettings |
taskType | [Obligatoire] Type de tâche pour AutoMLJob. | 'TextClassification' (obligatoire) |
validationData | Entrées de données de validation. | MLTableJobInput |
Nom | Description | Valeur |
---|---|---|
featurizationSettings | Entrées de caractérisation nécessaires pour le travail AutoML. | NlpVerticalFeaturizationSettings |
fixedParameters | Paramètres de modèle/d’entraînement qui resteront constants tout au long de l’entraînement. | NlpFixedParameters |
limitSettings | Contraintes d’exécution pour AutoMLJob. | NlpVerticalLimitSettings |
searchSpace | Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. | NlpParameterSubspace[] |
sweepSettings | Paramètres pour le balayage du modèle et le réglage des hyperparamètres. | NlpSweepSettings |
taskType | [Obligatoire] Type de tâche pour AutoMLJob. | 'TextClassificationMultilabel' (obligatoire) |
validationData | Entrées de données de validation. | MLTableJobInput |
Nom | Description | Valeur |
---|---|---|
featurizationSettings | Entrées de caractérisation nécessaires pour le travail AutoML. | NlpVerticalFeaturizationSettings |
fixedParameters | Paramètres de modèle/d’entraînement qui resteront constants tout au long de l’entraînement. | NlpFixedParameters |
limitSettings | Contraintes d’exécution pour AutoMLJob. | NlpVerticalLimitSettings |
searchSpace | Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. | NlpParameterSubspace[] |
sweepSettings | Paramètres pour le balayage du modèle et le réglage des hyperparamètres. | NlpSweepSettings |
taskType | [Obligatoire] Type de tâche pour AutoMLJob. | 'TextNER' (obligatoire) |
validationData | Entrées de données de validation. | MLTableJobInput |
Nom | Description | Valeur |
---|---|---|
codeId | ID de ressource ARM de la ressource de code. | corde |
commander | [Obligatoire] Commande à exécuter au démarrage du travail. Eg. « python train.py » | corde Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_] (obligatoire) |
distribution | Configuration de distribution du travail. Si elle est définie, il doit s’agir de l’un des valeurs Mpi, Tensorflow, PyTorch ou Null. | distributionConfiguration |
environmentId | [Obligatoire] ID de ressource ARM de la spécification d’environnement pour le travail. | corde Contraintes: Modèle = [a-zA-Z0-9_] (obligatoire) |
environmentVariables | Variables d’environnement incluses dans le travail. | TrialComponentEnvironmentVariables |
ressources | Configuration des ressources de calcul pour le travail. | JobResourceConfiguration |
Nom | Description | Valeur |
---|
Nom | Description | Valeur |
---|---|---|
endTime | Spécifie l’heure de fin de la planification dans ISO 8601, mais sans décalage UTC. Reportez-vous https://en.wikipedia.org/wiki/ISO_8601. Le format recommenté serait « 2022-06-01T00:00:01 » S’il n’est pas présent, la planification s’exécute indéfiniment |
corde |
startTime | Spécifie l’heure de début de la planification au format ISO 8601, mais sans décalage UTC. | corde |
timeZone | Spécifie le fuseau horaire dans lequel la planification s’exécute. TimeZone doit suivre le format de fuseau horaire Windows. Reportez-vous : /windows-hardware/manufacture/desktop/default-time-zones ?view=windows-11 |
corde |
triggerType | Défini sur « Cron » pour le type CronTrigger. Défini sur « Périodicité » pour le type RecurrenceTrigger. | 'Cron' 'Périodicité' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
jobInputType | [Obligatoire] Spécifie le type de travail. | 'triton_model' (obligatoire) |
mode | Mode de remise des ressources d’entrée. | 'Direct' 'Télécharger' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
URI | [Obligatoire] URI de ressource d’entrée. | corde Contraintes: Modèle = [a-zA-Z0-9_] (obligatoire) |
Nom | Description | Valeur |
---|---|---|
assetName | Nom de la ressource de sortie. | corde |
assetVersion | Version de ressource de sortie. | corde |
jobOutputType | [Obligatoire] Spécifie le type de travail. | 'triton_model' (obligatoire) |
mode | Mode de remise des ressources de sortie. | 'Direct' 'ReadWriteMount' 'Upload' |
URI | URI de ressource de sortie. | corde |
Nom | Description | Valeur |
---|---|---|
policyType | [Obligatoire] Nom de la configuration de la stratégie | 'TruncationSelection' (obligatoire) |
troncationPercentage | Pourcentage d’exécutions à annuler à chaque intervalle d’évaluation. | Int |
Nom | Description | Valeur |
---|---|---|
jobInputType | [Obligatoire] Spécifie le type de travail. | 'uri_file' (obligatoire) |
mode | Mode de remise des ressources d’entrée. | 'Direct' 'Télécharger' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
URI | [Obligatoire] URI de ressource d’entrée. | corde Contraintes: Modèle = [a-zA-Z0-9_] (obligatoire) |
Nom | Description | Valeur |
---|---|---|
assetName | Nom de la ressource de sortie. | corde |
assetVersion | Version de ressource de sortie. | corde |
jobOutputType | [Obligatoire] Spécifie le type de travail. | 'uri_file' (obligatoire) |
mode | Mode de remise des ressources de sortie. | 'Direct' 'ReadWriteMount' 'Upload' |
URI | URI de ressource de sortie. | corde |
Nom | Description | Valeur |
---|---|---|
jobInputType | [Obligatoire] Spécifie le type de travail. | 'uri_folder' (obligatoire) |
mode | Mode de remise des ressources d’entrée. | 'Direct' 'Télécharger' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
URI | [Obligatoire] URI de ressource d’entrée. | corde Contraintes: Modèle = [a-zA-Z0-9_] (obligatoire) |
Nom | Description | Valeur |
---|---|---|
assetName | Nom de la ressource de sortie. | corde |
assetVersion | Version de ressource de sortie. | corde |
jobOutputType | [Obligatoire] Spécifie le type de travail. | 'uri_folder' (obligatoire) |
mode | Mode de remise des ressources de sortie. | 'Direct' 'ReadWriteMount' 'Upload' |
URI | URI de ressource de sortie. | corde |
Nom | Description | Valeur |
---|---|---|
identityType | [Obligatoire] Spécifie le type d’infrastructure d’identité. | 'UserIdentity' (obligatoire) |
Le type de ressource espaces de travail/planifications peut être déployé avec des opérations qui ciblent :
- groupes de ressources - Consultez commandes de déploiement de groupes de ressources
Pour obtenir la liste des propriétés modifiées dans chaque version de l’API, consultez journal des modifications.
Pour créer une ressource Microsoft.MachineLearningServices/workspaces/schedules, ajoutez le code JSON suivant à votre modèle.
{
"type": "Microsoft.MachineLearningServices/workspaces/schedules",
"apiVersion": "2023-02-01-preview",
"name": "string",
"properties": {
"action": {
"actionType": "string"
// For remaining properties, see ScheduleActionBase objects
},
"description": "string",
"displayName": "string",
"isEnabled": "bool",
"properties": {
"{customized property}": "string"
},
"tags": {
"{customized property}": "string"
},
"trigger": {
"endTime": "string",
"startTime": "string",
"timeZone": "string",
"triggerType": "string"
// For remaining properties, see TriggerBase objects
}
}
}
Définissez la propriété distributionType pour spécifier le type d’objet.
Pour Mpi, utilisez :
{
"distributionType": "Mpi",
"processCountPerInstance": "int"
}
Pour PyTorch, utilisez :
{
"distributionType": "PyTorch",
"processCountPerInstance": "int"
}
Pour TensorFlow, utilisez :
{
"distributionType": "TensorFlow",
"parameterServerCount": "int",
"workerCount": "int"
}
Définissez la propriété samplingAlgorithmType pour spécifier le type d’objet.
Pour bayésien, utilisez :
{
"samplingAlgorithmType": "Bayesian"
}
Pour grille, utilisez :
{
"samplingAlgorithmType": "Grid"
}
Pour aléatoire, utilisez :
{
"logbase": "string",
"rule": "string",
"samplingAlgorithmType": "Random",
"seed": "int"
}
Définissez la propriété jobInputType pour spécifier le type d’objet.
Pour custom_model, utilisez :
{
"jobInputType": "custom_model",
"mode": "string",
"uri": "string"
}
Pour littéral, utilisez :
{
"jobInputType": "literal",
"value": "string"
}
Pour mlflow_model, utilisez :
{
"jobInputType": "mlflow_model",
"mode": "string",
"uri": "string"
}
Pour mltable, utilisez :
{
"jobInputType": "mltable",
"mode": "string",
"uri": "string"
}
Pour triton_model, utilisez :
{
"jobInputType": "triton_model",
"mode": "string",
"uri": "string"
}
Pour uri_file, utilisez :
{
"jobInputType": "uri_file",
"mode": "string",
"uri": "string"
}
Pour uri_folder, utilisez :
{
"jobInputType": "uri_folder",
"mode": "string",
"uri": "string"
}
Définissez la propriété sparkJobEntryType pour spécifier le type d’objet.
Pour SparkJobPythonEntry, utilisez :
{
"file": "string",
"sparkJobEntryType": "SparkJobPythonEntry"
}
Pour SparkJobScalaEntry, utilisez :
{
"className": "string",
"sparkJobEntryType": "SparkJobScalaEntry"
}
Définissez la propriété jobOutputType
Pour custom_model, utilisez :
{
"assetName": "string",
"assetVersion": "string",
"jobOutputType": "custom_model",
"mode": "string",
"uri": "string"
}
Pour mlflow_model, utilisez :
{
"assetName": "string",
"assetVersion": "string",
"jobOutputType": "mlflow_model",
"mode": "string",
"uri": "string"
}
Pour mltable, utilisez :
{
"assetName": "string",
"assetVersion": "string",
"jobOutputType": "mltable",
"mode": "string",
"uri": "string"
}
Pour triton_model, utilisez :
{
"assetName": "string",
"assetVersion": "string",
"jobOutputType": "triton_model",
"mode": "string",
"uri": "string"
}
Pour uri_file, utilisez :
{
"assetName": "string",
"assetVersion": "string",
"jobOutputType": "uri_file",
"mode": "string",
"uri": "string"
}
Pour uri_folder, utilisez :
{
"assetName": "string",
"assetVersion": "string",
"jobOutputType": "uri_folder",
"mode": "string",
"uri": "string"
}
Définissez la propriété policyType
Pour Bandit, utilisez :
{
"policyType": "Bandit",
"slackAmount": "int",
"slackFactor": "int"
}
Pour médiane, utilisez :
{
"policyType": "MedianStopping"
}
Pour truncationSelection, utilisez :
{
"policyType": "TruncationSelection",
"truncationPercentage": "int"
}
Définissez la propriété mlAssist
Pour désactivé, utilisez :
{
"mlAssist": "Disabled"
}
Pour activé, utilisez :
{
"inferencingComputeBinding": "string",
"mlAssist": "Enabled",
"trainingComputeBinding": "string"
}
Définissez la propriété mode pour spécifier le type d’objet.
Pour automatique, utilisez :
{
"mode": "Auto"
}
Pour personnalisé, utilisez :
{
"mode": "Custom",
"value": "int"
}
Définissez la propriété mediaType
Pour image, utilisez :
{
"annotationType": "string",
"mediaType": "Image"
}
Pour texte, utilisez :
{
"annotationType": "string",
"mediaType": "Text"
}
Définissez la propriété mode pour spécifier le type d’objet.
Pour automatique, utilisez :
{
"mode": "Auto"
}
Pour personnalisé, utilisez :
{
"mode": "Custom",
"value": "int"
}
Définissez la propriété identityType pour spécifier le type d’objet.
Pour AMLToken, utilisez :
{
"identityType": "AMLToken"
}
Pour managé, utilisez :
{
"clientId": "string",
"identityType": "Managed",
"objectId": "string",
"resourceId": "string"
}
Pour userIdentity, utilisez :
{
"identityType": "UserIdentity"
}
Définissez la propriété taskType pour spécifier le type d’objet.
Pour de classification, utilisez :
{
"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"
},
"taskType": "Classification",
"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"
}
Pour prévision, utilisez :
{
"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"
},
"taskType": "Forecasting",
"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"
}
Pour ImageClassification, utilisez :
{
"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"
},
"taskType": "ImageClassification",
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"validationDataSize": "int"
}
Pour ImageClassificationMultilabel, utilisez :
{
"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"
},
"taskType": "ImageClassificationMultilabel",
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"validationDataSize": "int"
}
Pour ImageInstanceSegmentation, utilisez :
{
"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": "string",
"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"
},
"taskType": "ImageInstanceSegmentation",
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"validationDataSize": "int"
}
Pour ImageObjectDetection, utilisez :
{
"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": "string",
"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"
},
"taskType": "ImageObjectDetection",
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"validationDataSize": "int"
}
Pour régression, utilisez :
{
"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"
},
"taskType": "Regression",
"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"
}
Pour TextClassification, utilisez :
{
"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"
},
"taskType": "TextClassification",
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
}
}
Pour TextClassificationMultilabel, utilisez :
{
"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"
},
"taskType": "TextClassificationMultilabel",
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
}
}
Pour TextNER, utilisez :
{
"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"
},
"taskType": "TextNER",
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
}
}
Définissez la propriété nodeValueType pour spécifier le type d’objet.
Pour tous les, utilisez :
{
"nodesValueType": "All"
}
Définissez la propriété triggerType pour spécifier le type d’objet.
Pour Cron, utilisez :
{
"expression": "string",
"triggerType": "Cron"
}
Pour périodicité, utilisez :
{
"frequency": "string",
"interval": "int",
"schedule": {
"hours": [ "int" ],
"minutes": [ "int" ],
"monthDays": [ "int" ],
"weekDays": [ "string" ]
},
"triggerType": "Recurrence"
}
Définissez la propriété actionType pour spécifier le type d’objet.
Pour createJob, utilisez :
{
"actionType": "CreateJob",
"jobDefinition": {
"componentId": "string",
"computeId": "string",
"description": "string",
"displayName": "string",
"experimentName": "string",
"identity": {
"identityType": "string"
// For remaining properties, see IdentityConfiguration objects
},
"isArchived": "bool",
"notificationSetting": {
"emailOn": [ "string" ],
"emails": [ "string" ]
},
"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": {
"{customized property}": "string"
},
"jobType": "string"
// For remaining properties, see JobBaseProperties objects
}
}
Pour InvokeBatchEndpoint, utilisez :
{
"actionType": "InvokeBatchEndpoint",
"endpointInvocationDefinition": {}
}
Définissez la propriété mode pour spécifier le type d’objet.
Pour automatique, utilisez :
{
"mode": "Auto"
}
Pour personnalisé, utilisez :
{
"mode": "Custom",
"values": [ "int" ]
}
Définissez la propriété mode pour spécifier le type d’objet.
Pour automatique, utilisez :
{
"mode": "Auto"
}
Pour personnalisé, utilisez :
{
"mode": "Custom",
"value": "int"
}
Définissez la propriété mode pour spécifier le type d’objet.
Pour automatique, utilisez :
{
"mode": "Auto"
}
Pour personnalisé, utilisez :
{
"mode": "Custom",
"value": "int"
}
Définissez la propriété jobType pour spécifier le type d’objet.
Pour AutoML, utilisez :
{
"environmentId": "string",
"environmentVariables": {
"{customized property}": "string"
},
"jobType": "AutoML",
"outputs": {
"{customized property}": {
"description": "string",
"jobOutputType": "string"
// For remaining properties, see JobOutput objects
}
},
"queueSettings": {
"jobTier": "string",
"priority": "int"
},
"resources": {
"dockerArgs": "string",
"instanceCount": "int",
"instanceType": "string",
"locations": [ "string" ],
"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
}
}
Pour commande, utilisez :
{
"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
}
},
"jobType": "Command",
"limits": {
"jobLimitsType": "string",
"timeout": "string"
},
"outputs": {
"{customized property}": {
"description": "string",
"jobOutputType": "string"
// For remaining properties, see JobOutput objects
}
},
"queueSettings": {
"jobTier": "string",
"priority": "int"
},
"resources": {
"dockerArgs": "string",
"instanceCount": "int",
"instanceType": "string",
"locations": [ "string" ],
"properties": {
"{customized property}": {}
},
"shmSize": "string"
}
}
Pour d’étiquetage, utilisez :
{
"dataConfiguration": {
"dataId": "string",
"incrementalDataRefresh": "string"
},
"jobInstructions": {
"uri": "string"
},
"jobType": "Labeling",
"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
}
}
Pour pipeline, utilisez :
{
"inputs": {
"{customized property}": {
"description": "string",
"jobInputType": "string"
// For remaining properties, see JobInput objects
}
},
"jobs": {
"{customized property}": {}
},
"jobType": "Pipeline",
"outputs": {
"{customized property}": {
"description": "string",
"jobOutputType": "string"
// For remaining properties, see JobOutput objects
}
},
"settings": {},
"sourceJobId": "string"
}
Pour Spark, utilisez :
{
"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" ],
"jobType": "Spark",
"outputs": {
"{customized property}": {
"description": "string",
"jobOutputType": "string"
// For remaining properties, see JobOutput objects
}
},
"pyFiles": [ "string" ],
"queueSettings": {
"jobTier": "string",
"priority": "int"
},
"resources": {
"instanceType": "string",
"runtimeVersion": "string"
}
}
Pour de balayage, utilisez :
{
"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
}
},
"jobType": "Sweep",
"limits": {
"jobLimitsType": "string",
"maxConcurrentTrials": "int",
"maxTotalTrials": "int",
"timeout": "string",
"trialTimeout": "string"
},
"objective": {
"goal": "string",
"primaryMetric": "string"
},
"outputs": {
"{customized property}": {
"description": "string",
"jobOutputType": "string"
// For remaining properties, see JobOutput objects
}
},
"queueSettings": {
"jobTier": "string",
"priority": "int"
},
"samplingAlgorithm": {
"samplingAlgorithmType": "string"
// For remaining properties, see SamplingAlgorithm objects
},
"searchSpace": {},
"trial": {
"codeId": "string",
"command": "string",
"distribution": {
"distributionType": "string"
// For remaining properties, see DistributionConfiguration objects
},
"environmentId": "string",
"environmentVariables": {
"{customized property}": "string"
},
"resources": {
"dockerArgs": "string",
"instanceCount": "int",
"instanceType": "string",
"locations": [ "string" ],
"properties": {
"{customized property}": {}
},
"shmSize": "string"
}
}
}
Nom | Description | Valeur |
---|---|---|
nodeValueType | [Obligatoire] Type de la valeur nœuds | 'All' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
identityType | [Obligatoire] Spécifie le type d’infrastructure d’identité. | 'AMLToken' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
mode | [Obligatoire] Définissez le mode de sélection des valeurs de l’horizon de prévision. | 'Auto' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
mlflowAutologger | [Obligatoire] Indique si l’autologger mlflow est activé. | 'Désactivé' 'Enabled' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
environmentId | ID de ressource ARM de la spécification d’environnement pour le travail. Il s’agit d’une valeur facultative à fournir, si elle n’est pas fournie, AutoML est définie par défaut sur la version de l’environnement organisé AutoML de production lors de l’exécution du travail. |
corde |
environmentVariables | Variables d’environnement incluses dans le travail. | AutoMLJobEnvironmentVariables |
jobType | [Obligatoire] Spécifie le type de travail. | 'AutoML' (obligatoire) |
Sorties | Mappage des liaisons de données de sortie utilisées dans le travail. | AutoMLJobOutputs |
queueSettings | Paramètres de file d’attente du travail | QueueSettings |
ressources | Configuration des ressources de calcul pour le travail. | JobResourceConfiguration |
taskDetails | [Obligatoire] Cela représente un scénario qui peut être l’une des tables/NLP/Image | AutoMLVertical (obligatoire) |
Nom | Description | Valeur |
---|
Nom | Description | Valeur |
---|
Nom | Description | Valeur |
---|---|---|
logVerbosity | Journaliser les verbes du travail. | 'Critique' 'Déboguer' 'Erreur' 'Info' 'NotSet' 'Avertissement' |
targetColumnName | Nom de la colonne cible : il s’agit de la colonne valeurs de prédiction. Également appelé nom de colonne d’étiquette dans le contexte des tâches de classification. |
corde |
taskType | Défini sur « Classification » pour le type Classification. Défini sur « Prévision » pour le type Prévision. Défini sur « ImageClassification » pour le type ImageClassification. Défini sur « ImageClassificationMultilabel » pour le type ImageClassificationMultilabel. Défini sur « ImageInstanceSegmentation » pour le type ImageInstanceSegmentation. Défini sur « ImageObjectDetection » pour le type ImageObjectDetection. Défini sur « Régression » pour le type régression. Défini sur « TextClassification » pour le type TextClassification. Défini sur « TextClassificationMultilabel » pour le type TextClassificationMultilabel. Défini sur « TextNER » pour le type TextNer. | 'Classification' 'Prévision' 'ImageClassification' 'ImageClassificationMultilabel' 'ImageInstanceSegmentation' 'ImageObjectDetection' 'Régression' 'TextClassification' 'TextClassificationMultilabel' 'TextNER' (obligatoire) |
trainingData | [Obligatoire] Entrée de données d’apprentissage. | MLTableJobInput (obligatoire) |
Nom | Description | Valeur |
---|---|---|
mode | [Obligatoire] Mode pour déterminer les validations N-Cross. | 'Auto' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
mode | [Obligatoire] Mode saisonnalité. | 'Auto' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
mode | [Obligatoire] Définir le mode décalages cibles - Auto/Custom | 'Auto' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
mode | [Obligatoire] Mode de détection TargetRollingWindowSiz. | 'Auto' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
policyType | [Obligatoire] Nom de la configuration de la stratégie | 'Bandit' (obligatoire) |
slackAmount | Distance absolue autorisée à partir de la meilleure exécution. | Int |
slackFactor | Ratio de la distance autorisée par rapport à la meilleure exécution. | Int |
Nom | Description | Valeur |
---|---|---|
samplingAlgorithmType | [Obligatoire] Algorithme utilisé pour générer des valeurs d’hyperparamètres, ainsi que des propriétés de configuration | 'Bayésien' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
cvSplitColumnNames | Colonnes à utiliser pour les données CVSplit. | string[] |
featurizationSettings | Entrées de caractérisation nécessaires pour le travail AutoML. | TableVerticalFeaturizationSettings |
fixedParameters | Paramètres de modèle/d’entraînement qui resteront constants tout au long de l’entraînement. | TableFixedParameters |
limitSettings | Contraintes d’exécution pour AutoMLJob. | TableVerticalLimitSettings |
nCrossValidations | Nombre de plis de validation croisée à appliquer sur le jeu de données d’entraînement lorsque le jeu de données de validation n’est pas fourni. |
NCrossValidations |
positiveLabel | Étiquette positive pour le calcul des métriques binaires. | corde |
primaryMetric | Métrique principale de la tâche. | 'Précision' 'AUCWeighted' 'AveragePrecisionScoreWeighted' 'NormMacroRecall' 'PrecisionScoreWeighted' |
searchSpace | Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. | TableParameterSubspace[] |
sweepSettings | Paramètres pour le balayage du modèle et le réglage des hyperparamètres. | TableSweepSettings |
taskType | [Obligatoire] Type de tâche pour AutoMLJob. | 'Classification' (obligatoire) |
testData | Tester l’entrée de données. | MLTableJobInput |
testDataSize | Fraction du jeu de données de test qui doit être mis de côté à des fins de validation. Valeurs comprises entre (0.0 , 1.0) Appliqué lorsque le jeu de données de validation n’est pas fourni. |
Int |
trainingSettings | Entrées pour la phase d’entraînement d’un travail AutoML. | ClassificationTrainingSettings |
validationData | Entrées de données de validation. | MLTableJobInput |
validationDataSize | Fraction du jeu de données d’entraînement qui doit être mis de côté à des fins de validation. Valeurs comprises entre (0.0 , 1.0) Appliqué lorsque le jeu de données de validation n’est pas fourni. |
Int |
weightColumnName | Nom de l’exemple de colonne de poids. Le ML automatisé prend en charge une colonne pondérée en tant qu’entrée, ce qui entraîne une pondération des lignes dans les données. | corde |
Nom | Description | Valeur |
---|---|---|
allowedTrainingAlgorithms | Modèles autorisés pour la tâche de classification. | Tableau de chaînes contenant l’un des éléments suivants : 'BernoulliNaiveBayes' 'DecisionTree' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LightGBM' 'LinearSVM' 'LogisticRegression' 'MultinomialNaiveBayes' 'RandomForest' 'SGD' 'SVM' 'XGBoostClassifier' |
blockedTrainingAlgorithms | Modèles bloqués pour la tâche de classification. | Tableau de chaînes contenant l’un des éléments suivants : 'BernoulliNaiveBayes' 'DecisionTree' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LightGBM' 'LinearSVM' 'LogisticRegression' 'MultinomialNaiveBayes' 'RandomForest' 'SGD' 'SVM' 'XGBoostClassifier' |
enableDnnTraining | Activez la recommandation des modèles DNN. | Bool |
enableModelExplainability | Indicateur pour activer l’explication sur le meilleur modèle. | Bool |
enableOnnxCompatibleModels | Indicateur pour l’activation des modèles compatibles onnx. | Bool |
enableStackEnsemble | Activez l’exécution de l’ensemble de piles. | Bool |
enableVoteEnsemble | Activer l’exécution de l’ensemble de vote. | Bool |
ensembleModelDownloadTimeout | Pendant la génération du modèle VotingEnsemble et StackEnsemble, plusieurs modèles adaptés des exécutions enfants précédentes sont téléchargés. Configurez ce paramètre avec une valeur supérieure à 300 secondes, si plus de temps est nécessaire. |
corde |
stackEnsembleSettings | Paramètres d’ensemble de pile pour l’exécution d’un ensemble de piles. | StackEnsembleSettings |
trainingMode | Mode TrainingMode : le paramètre « auto » est identique à celui défini sur « non distribué » pour l’instant. Toutefois, dans le futur, cela peut entraîner une sélection en mode mixte ou en mode heuristique. La valeur par défaut est « auto ». Si « Distributed », seule la caractérisation distribuée est utilisée et les algorithmes distribués sont choisis. Si « NonDistributed », seuls les algorithmes non distribués sont choisis. |
'Auto' 'Distributed' 'NonDistributed' |
Nom | Description | Valeur |
---|---|---|
champs | Champs sur utilisant la logique de transformateur. | string[] |
Paramètres | Différentes propriétés à passer au transformateur. L’entrée attendue est le dictionnaire de paires clé,valeur au format JSON. |
quelconque |
Nom | Description | Valeur |
---|---|---|
autologgerSettings | Configuration de distribution du travail. Si elle est définie, il doit s’agir de l’un des valeurs Mpi, Tensorflow, PyTorch ou Null. | AutologgerSettings |
codeId | ID de ressource ARM de la ressource de code. | corde |
commander | [Obligatoire] Commande à exécuter au démarrage du travail. Eg. « python train.py » | corde Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_] (obligatoire) |
distribution | Configuration de distribution du travail. Si elle est définie, il doit s’agir de l’un des valeurs Mpi, Tensorflow, PyTorch ou Null. | distributionConfiguration |
environmentId | [Obligatoire] ID de ressource ARM de la spécification d’environnement pour le travail. | corde Contraintes: Modèle = [a-zA-Z0-9_] (obligatoire) |
environmentVariables | Variables d’environnement incluses dans le travail. | CommandJobEnvironmentVariables |
Entrées | Mappage des liaisons de données d’entrée utilisées dans le travail. | CommandJobInputs |
jobType | [Obligatoire] Spécifie le type de travail. | 'Command' (obligatoire) |
Limites | Limite du travail de commande. | CommandJobLimits |
Sorties | Mappage des liaisons de données de sortie utilisées dans le travail. | CommandJobOutputs |
queueSettings | Paramètres de file d’attente du travail | QueueSettings |
ressources | Configuration des ressources de calcul pour le travail. | JobResourceConfiguration |
Nom | Description | Valeur |
---|
Nom | Description | Valeur |
---|
Nom | Description | Valeur |
---|---|---|
jobLimitsType | [Obligatoire] Type JobLimit. | 'Command' 'Balayage' (obligatoire) |
Timeout | Durée d’exécution maximale au format ISO 8601, après laquelle le travail sera annulé. Prend uniquement en charge la durée avec une précision aussi faible que secondes. | corde |
Nom | Description | Valeur |
---|
Nom | Description | Valeur |
---|---|---|
expression | [Obligatoire] Spécifie l’expression cron de la planification. L’expression doit suivre le format NCronTab. |
corde Contraintes: Modèle = [a-zA-Z0-9_] (obligatoire) |
triggerType | [Obligatoire] | 'Cron' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
mode | [Obligatoire] Définissez le mode de sélection des valeurs de l’horizon de prévision. | 'Custom' (obligatoire) |
valeur | [Obligatoire] Valeur de l’horizon de prévision. | int (obligatoire) |
Nom | Description | Valeur |
---|---|---|
jobInputType | [Obligatoire] Spécifie le type de travail. | 'custom_model' (obligatoire) |
mode | Mode de remise des ressources d’entrée. | 'Direct' 'Télécharger' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
URI | [Obligatoire] URI de ressource d’entrée. | corde Contraintes: Modèle = [a-zA-Z0-9_] (obligatoire) |
Nom | Description | Valeur |
---|---|---|
assetName | Nom de la ressource de sortie. | corde |
assetVersion | Version de ressource de sortie. | corde |
jobOutputType | [Obligatoire] Spécifie le type de travail. | 'custom_model' (obligatoire) |
mode | Mode de remise des ressources de sortie. | 'Direct' 'ReadWriteMount' 'Upload' |
URI | URI de ressource de sortie. | corde |
Nom | Description | Valeur |
---|---|---|
mode | [Obligatoire] Mode pour déterminer les validations N-Cross. | 'Custom' (obligatoire) |
valeur | [Obligatoire] Valeur de validation n-croisée. | int (obligatoire) |
Nom | Description | Valeur |
---|---|---|
mode | [Obligatoire] Mode saisonnalité. | 'Custom' (obligatoire) |
valeur | [Obligatoire] Valeur de saisonnalité. | int (obligatoire) |
Nom | Description | Valeur |
---|---|---|
mode | [Obligatoire] Définir le mode décalages cibles - Auto/Custom | 'Custom' (obligatoire) |
Valeurs | [Obligatoire] Définissez les valeurs des décalages cibles. | int[] (obligatoire) |
Nom | Description | Valeur |
---|---|---|
mode | [Obligatoire] Mode de détection TargetRollingWindowSiz. | 'Custom' (obligatoire) |
valeur | [Obligatoire] Valeur TargetRollingWindowSize. | int (obligatoire) |
Nom | Description | Valeur |
---|---|---|
distributionType | Défini sur « Mpi » pour le type Mpi . Défini sur « PyTorch » pour le type PyTorch . Défini sur « TensorFlow » pour le type TensorFlow. | 'Mpi' 'PyTorch' 'TensorFlow' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
delayEvaluation | Nombre d’intervalles par lesquels retarder la première évaluation. | Int |
evaluationInterval | Intervalle (nombre d’exécutions) entre les évaluations de stratégie. | Int |
policyType | Défini sur « Bandit » pour le type BanditPolicy. Défini sur « MedianStopping » pour le type MedianStoppingPolicy. Défini sur « TruncationSelection » pour le type TruncationSelectionPolicy. | 'Bandit' 'MedianStopping' 'TruncationSelection' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
actionType | [Obligatoire] Spécifie le type d’action de la planification | 'InvokeBatchEndpoint' (obligatoire) |
endpointInvocationDefinition | [Obligatoire] Définit les détails de définition d’action de planification. <voir href="TBD » /> |
tout (obligatoire) |
Nom | Description | Valeur |
---|---|---|
mode | Défini sur « Auto » pour le type AutoForecastHorizon. Défini sur « Custom » pour le type CustomForecastHorizon. | 'Auto' 'Custom' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
cvSplitColumnNames | Colonnes à utiliser pour les données CVSplit. | string[] |
featurizationSettings | Entrées de caractérisation nécessaires pour le travail AutoML. | TableVerticalFeaturizationSettings |
fixedParameters | Paramètres de modèle/d’entraînement qui resteront constants tout au long de l’entraînement. | TableFixedParameters |
forecastingSettings | Prévision d’entrées spécifiques à une tâche. | ForecastingSettings |
limitSettings | Contraintes d’exécution pour AutoMLJob. | TableVerticalLimitSettings |
nCrossValidations | Nombre de plis de validation croisée à appliquer sur le jeu de données d’entraînement lorsque le jeu de données de validation n’est pas fourni. |
NCrossValidations |
primaryMetric | Métrique principale pour la tâche de prévision. | 'NormalizedMeanAbsoluteError' 'NormalizedRootMeanSquaredError' 'R2Score' 'SpearmanCorrelation' |
searchSpace | Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. | TableParameterSubspace[] |
sweepSettings | Paramètres pour le balayage du modèle et le réglage des hyperparamètres. | TableSweepSettings |
taskType | [Obligatoire] Type de tâche pour AutoMLJob. | 'Prévision' (obligatoire) |
testData | Tester l’entrée de données. | MLTableJobInput |
testDataSize | Fraction du jeu de données de test qui doit être mis de côté à des fins de validation. Valeurs comprises entre (0.0 , 1.0) Appliqué lorsque le jeu de données de validation n’est pas fourni. |
Int |
trainingSettings | Entrées pour la phase d’entraînement d’un travail AutoML. | ForecastingTrainingSettings |
validationData | Entrées de données de validation. | MLTableJobInput |
validationDataSize | Fraction du jeu de données d’entraînement qui doit être mis de côté à des fins de validation. Valeurs comprises entre (0.0 , 1.0) Appliqué lorsque le jeu de données de validation n’est pas fourni. |
Int |
weightColumnName | Nom de l’exemple de colonne de poids. Le ML automatisé prend en charge une colonne pondérée en tant qu’entrée, ce qui entraîne une pondération des lignes dans les données. | corde |
Nom | Description | Valeur |
---|---|---|
countryOrRegionForHolidays | Pays ou région pour les vacances pour les tâches de prévision. Il doit s’agir de codes pays/région à deux lettres ISO 3166, par exemple « US » ou « Go ». |
corde |
cvStepSize | Nombre de périodes entre l’heure d’origine d’un pliage CV et le pli suivant. Pour par exemple, si CVStepSize = 3 pour les données quotidiennes, l’heure d’origine de chaque pli seratrois jours à part. |
Int |
featureLags | Indicateur de génération de décalages pour les fonctionnalités numériques avec « auto » ou null. | 'Auto' 'None' |
forecastHorizon | Horizon de prévision maximal souhaité en unités de fréquence de série chronologique. | ForecastHorizon |
fréquence | Lors de la prévision, ce paramètre représente la période avec laquelle la prévision est souhaitée, par exemple quotidienne, hebdomadaire, annuelle, etc. La fréquence de prévision est la fréquence du jeu de données par défaut. | corde |
Saisonnalité | Définissez la saisonnalité des séries chronologiques en tant que multiple entier de la fréquence de la série. Si la saisonnalité est définie sur « auto », elle sera déduite. |
saisonnalité |
shortSeriesHandlingConfig | Paramètre définissant comment si AutoML doit gérer des séries chronologiques courtes. | 'Auto' 'Drop' 'None' 'Pad' |
targetAggregateFunction | Fonction à utiliser pour agréger la colonne cible de série chronologique afin de se conformer à une fréquence spécifiée par l’utilisateur. Si TargetAggregateFunction est défini, c’est-à-dire pas « None », mais que le paramètre freq n’est pas défini, l’erreur est déclenchée. Les fonctions d’agrégation cible possibles sont : « somme », « max », « min » et « moyenne ». |
'Max' 'Moyenne' 'Min' 'None' 'Somme' |
targetLags | Nombre de périodes passées à décalager à partir de la colonne cible. | TargetLags |
targetRollingWindowSize | Nombre de périodes passées utilisées pour créer une moyenne de fenêtre propagée de la colonne cible. | TargetRollingWindowSize |
timeColumnName | Nom de la colonne time. Ce paramètre est requis lors de la prévision pour spécifier la colonne datetime dans les données d’entrée utilisées pour générer la série chronologique et déduire sa fréquence. | corde |
timeSeriesIdColumnNames | Noms des colonnes utilisées pour regrouper une série chronologique. Il peut être utilisé pour créer plusieurs séries. Si le grain n’est pas défini, le jeu de données est supposé être une série chronologique. Ce paramètre est utilisé avec la prévision de type de tâche. |
string[] |
useStl | Configurez la décomposition STL de la colonne cible de série chronologique. | 'None' 'Saison' 'SeasonTrend' |
Nom | Description | Valeur |
---|---|---|
allowedTrainingAlgorithms | Modèles autorisés pour la tâche de prévision. | Tableau de chaînes contenant l’un des éléments suivants : 'Arimax' 'AutoArima' 'Average' 'DecisionTree' 'ElasticNet' 'ExponentialSmoothing' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'Naive' 'Prophète' 'RandomForest' 'SeasonalAverage' 'SeasonalNaive' 'SGD' 'TCNForecaster' 'XGBoostRegressor' |
blockedTrainingAlgorithms | Modèles bloqués pour la tâche de prévision. | Tableau de chaînes contenant l’un des éléments suivants : 'Arimax' 'AutoArima' 'Average' 'DecisionTree' 'ElasticNet' 'ExponentialSmoothing' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'Naive' 'Prophète' 'RandomForest' 'SeasonalAverage' 'SeasonalNaive' 'SGD' 'TCNForecaster' 'XGBoostRegressor' |
enableDnnTraining | Activez la recommandation des modèles DNN. | Bool |
enableModelExplainability | Indicateur pour activer l’explication sur le meilleur modèle. | Bool |
enableOnnxCompatibleModels | Indicateur pour l’activation des modèles compatibles onnx. | Bool |
enableStackEnsemble | Activez l’exécution de l’ensemble de piles. | Bool |
enableVoteEnsemble | Activer l’exécution de l’ensemble de vote. | Bool |
ensembleModelDownloadTimeout | Pendant la génération du modèle VotingEnsemble et StackEnsemble, plusieurs modèles adaptés des exécutions enfants précédentes sont téléchargés. Configurez ce paramètre avec une valeur supérieure à 300 secondes, si plus de temps est nécessaire. |
corde |
stackEnsembleSettings | Paramètres d’ensemble de pile pour l’exécution d’un ensemble de piles. | StackEnsembleSettings |
trainingMode | Mode TrainingMode : le paramètre « auto » est identique à celui défini sur « non distribué » pour l’instant. Toutefois, dans le futur, cela peut entraîner une sélection en mode mixte ou en mode heuristique. La valeur par défaut est « auto ». Si « Distributed », seule la caractérisation distribuée est utilisée et les algorithmes distribués sont choisis. Si « NonDistributed », seuls les algorithmes non distribués sont choisis. |
'Auto' 'Distributed' 'NonDistributed' |
Nom | Description | Valeur |
---|---|---|
samplingAlgorithmType | [Obligatoire] Algorithme utilisé pour générer des valeurs d’hyperparamètres, ainsi que des propriétés de configuration | 'Grid' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
identityType | Défini sur « AMLToken » pour le type AmlToken . Défini sur « Managed » pour le type ManagedIdentity. Défini sur « UserIdentity » pour le type UserIdentity. | 'AMLToken' 'Managed' 'UserIdentity' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
limitSettings | [Obligatoire] Limitez les paramètres du travail AutoML. | ImageLimitSettings (obligatoire) |
modelSettings | Paramètres utilisés pour l’apprentissage du modèle. | ImageModelSettingsClassification |
primaryMetric | Métrique principale à optimiser pour cette tâche. | 'Précision' 'AUCWeighted' 'AveragePrecisionScoreWeighted' 'NormMacroRecall' 'PrecisionScoreWeighted' |
searchSpace | Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. | ImageModelDistributionSettingsClassification[] |
sweepSettings | Modèles de balayage et de balayage hyperparamètres paramètres associés au balayage. | ImageSweepSettings |
taskType | [Obligatoire] Type de tâche pour AutoMLJob. | 'ImageClassification' (obligatoire) |
validationData | Entrées de données de validation. | MLTableJobInput |
validationDataSize | Fraction du jeu de données d’entraînement qui doit être mis de côté à des fins de validation. Valeurs comprises entre (0.0 , 1.0) Appliqué lorsque le jeu de données de validation n’est pas fourni. |
Int |
Nom | Description | Valeur |
---|---|---|
limitSettings | [Obligatoire] Limitez les paramètres du travail AutoML. | ImageLimitSettings (obligatoire) |
modelSettings | Paramètres utilisés pour l’apprentissage du modèle. | ImageModelSettingsClassification |
primaryMetric | Métrique principale à optimiser pour cette tâche. | 'Précision' 'AUCWeighted' 'AveragePrecisionScoreWeighted' 'IOU' 'NormMacroRecall' 'PrecisionScoreWeighted' |
searchSpace | Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. | ImageModelDistributionSettingsClassification[] |
sweepSettings | Modèles de balayage et de balayage hyperparamètres paramètres associés au balayage. | ImageSweepSettings |
taskType | [Obligatoire] Type de tâche pour AutoMLJob. | 'ImageClassificationMultilabel' (obligatoire) |
validationData | Entrées de données de validation. | MLTableJobInput |
validationDataSize | Fraction du jeu de données d’entraînement qui doit être mis de côté à des fins de validation. Valeurs comprises entre (0.0 , 1.0) Appliqué lorsque le jeu de données de validation n’est pas fourni. |
Int |
Nom | Description | Valeur |
---|---|---|
limitSettings | [Obligatoire] Limitez les paramètres du travail AutoML. | ImageLimitSettings (obligatoire) |
modelSettings | Paramètres utilisés pour l’apprentissage du modèle. | ImageModelSettingsObjectDetection |
primaryMetric | Métrique principale à optimiser pour cette tâche. | 'MeanAveragePrecision' |
searchSpace | Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. | ImageModelDistributionSettingsObjectDetection[] |
sweepSettings | Modèles de balayage et de balayage hyperparamètres paramètres associés au balayage. | ImageSweepSettings |
taskType | [Obligatoire] Type de tâche pour AutoMLJob. | 'ImageInstanceSegmentation' (obligatoire) |
validationData | Entrées de données de validation. | MLTableJobInput |
validationDataSize | Fraction du jeu de données d’entraînement qui doit être mis de côté à des fins de validation. Valeurs comprises entre (0.0 , 1.0) Appliqué lorsque le jeu de données de validation n’est pas fourni. |
Int |
Nom | Description | Valeur |
---|---|---|
maxConcurrentTrials | Nombre maximal d’itérations AutoML simultanées. | Int |
maxTrials | Nombre maximal d’itérations AutoML. | Int |
Timeout | Délai d’expiration du travail AutoML. | corde |
Nom | Description | Valeur |
---|---|---|
amsGradient | Activez AMSGrad lorsque l’optimiseur est « adam » ou « adamw ». | corde |
augmentations | Paramètres d’utilisation des augmentations. | corde |
bêta1 | Valeur de « beta1 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1]. | corde |
bêta2 | Valeur de « beta2 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1]. | corde |
distribué | Indique s’il faut utiliser la formation du répartiteur. | corde |
début de l’arrêt | Activez la logique d’arrêt précoce pendant l’entraînement. | corde |
earlyStoppingDelay | Nombre minimal d’époques ou d’évaluations de validation à attendre avant l’amélioration de la métrique principale est suivi pour un arrêt précoce. Doit être un entier positif. |
corde |
earlyStoppingPatience | Nombre minimal d’époques ou d’évaluations de validation sans amélioration des métriques principales avant l’exécution est arrêtée. Doit être un entier positif. |
corde |
enableOnnxNormalization | Activez la normalisation lors de l’exportation du modèle ONNX. | corde |
evaluationFrequency | Fréquence d’évaluation du jeu de données de validation pour obtenir des scores de métriques. Doit être un entier positif. | corde |
gradientAccumulationStep | L’accumulation de dégradés signifie exécuter un nombre configuré d’étapes « GradAccumulationStep » sans mise à jour des pondérations du modèle tout en cumulant les dégradés de ces étapes, puis en utilisant dégradés cumulés pour calculer les mises à jour de poids. Doit être un entier positif. |
corde |
layersToFreeze | Nombre de couches à figer pour le modèle. Doit être un entier positif. Par exemple, passer 2 comme valeur pour « seresnext » signifie couche de congélation0 et couche1. Pour obtenir la liste complète des modèles pris en charge et des détails sur le gel de couche, veuillez voir : /azure/machine-learning/how-to-auto-train-image-models. |
corde |
learningRate | Taux d’apprentissage initial. Doit être un float dans la plage [0, 1]. | corde |
learningRateScheduler | Type de planificateur de taux d’apprentissage. Doit être « warmup_cosine » ou « étape ». | corde |
modelName | Nom du modèle à utiliser pour l’entraînement. Pour plus d’informations sur les modèles disponibles, consultez la documentation officielle : /azure/machine-learning/how-to-auto-train-image-models. |
corde |
élan | Valeur de l’élan lorsque l’optimiseur est « sgd ». Doit être un float dans la plage [0, 1]. | corde |
nesterov | Activez nesterov lorsque l’optimiseur est « sgd ». | corde |
numberOfEpochs | Nombre d’époques d’entraînement. Doit être un entier positif. | corde |
numberOfWorkers | Nombre de travailleurs du chargeur de données. Doit être un entier non négatif. | corde |
Optimiseur | Type d’optimiseur. Doit être « sgd », « adam » ou « adamw ». | corde |
randomSeed | Valeur initiale aléatoire à utiliser lors de l’utilisation de l’entraînement déterministe. | corde |
stepLRGamma | Valeur gamma lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un float dans la plage [0, 1]. | corde |
stepLRStepSize | Valeur de la taille de l’étape lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un entier positif. | corde |
trainingBatchSize | Taille du lot d’entraînement. Doit être un entier positif. | corde |
trainingCropSize | Taille de rognage d’image qui est entrée dans le réseau neuronal pour le jeu de données d’entraînement. Doit être un entier positif. | corde |
validationBatchSize | Taille du lot de validation. Doit être un entier positif. | corde |
validationCropSize | Taille de rognage d’image entrée dans le réseau neuronal pour le jeu de données de validation. Doit être un entier positif. | corde |
validationResizeSize | Taille de l’image à laquelle redimensionner avant de rogner pour le jeu de données de validation. Doit être un entier positif. | corde |
warmupCosineLRCycles | Valeur du cycle de cosinus lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un float dans la plage [0, 1]. | corde |
warmupCosineLRWarmupEpochs | Valeur des époques de préchauffement lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un entier positif. | corde |
weightDecay | Valeur de la dégradation du poids lorsque l’optimiseur est « sgd », « adam » ou « adamw ». Doit être un float dans la plage[0, 1]. | corde |
weightedLoss | Perte pondérée. Les valeurs acceptées sont 0 pour aucune perte pondérée. 1 pour la perte pondérée avec sqrt. (class_weights). 2 pour la perte pondérée avec class_weights. Doit être 0 ou 1 ou 2. |
corde |
Nom | Description | Valeur |
---|---|---|
amsGradient | Activez AMSGrad lorsque l’optimiseur est « adam » ou « adamw ». | corde |
augmentations | Paramètres d’utilisation des augmentations. | corde |
bêta1 | Valeur de « beta1 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1]. | corde |
bêta2 | Valeur de « beta2 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1]. | corde |
boxDetectionsPerImage | Nombre maximal de détections par image, pour toutes les classes. Doit être un entier positif. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ». |
corde |
boxScoreThreshold | Pendant l’inférence, seules les propositions renvoient un score de classification supérieur à BoxScoreThreshold. Doit être un float dans la plage[0, 1]. |
corde |
distribué | Indique s’il faut utiliser la formation du répartiteur. | corde |
début de l’arrêt | Activez la logique d’arrêt précoce pendant l’entraînement. | corde |
earlyStoppingDelay | Nombre minimal d’époques ou d’évaluations de validation à attendre avant l’amélioration de la métrique principale est suivi pour un arrêt précoce. Doit être un entier positif. |
corde |
earlyStoppingPatience | Nombre minimal d’époques ou d’évaluations de validation sans amélioration des métriques principales avant l’exécution est arrêtée. Doit être un entier positif. |
corde |
enableOnnxNormalization | Activez la normalisation lors de l’exportation du modèle ONNX. | corde |
evaluationFrequency | Fréquence d’évaluation du jeu de données de validation pour obtenir des scores de métriques. Doit être un entier positif. | corde |
gradientAccumulationStep | L’accumulation de dégradés signifie exécuter un nombre configuré d’étapes « GradAccumulationStep » sans mise à jour des pondérations du modèle tout en cumulant les dégradés de ces étapes, puis en utilisant dégradés cumulés pour calculer les mises à jour de poids. Doit être un entier positif. |
corde |
imageSize | Taille de l’image pour l’apprentissage et la validation. Doit être un entier positif. Remarque : L’exécution d’entraînement peut entrer dans CUDA OOM si la taille est trop grande. Remarque : ces paramètres sont pris en charge uniquement pour l’algorithme « yolov5 ». |
corde |
layersToFreeze | Nombre de couches à figer pour le modèle. Doit être un entier positif. Par exemple, passer 2 comme valeur pour « seresnext » signifie couche de congélation0 et couche1. Pour obtenir la liste complète des modèles pris en charge et des détails sur le gel de couche, veuillez voir : /azure/machine-learning/how-to-auto-train-image-models. |
corde |
learningRate | Taux d’apprentissage initial. Doit être un float dans la plage [0, 1]. | corde |
learningRateScheduler | Type de planificateur de taux d’apprentissage. Doit être « warmup_cosine » ou « étape ». | corde |
maxSize | Taille maximale de l’image à rescaler avant de l’alimenter dans la colonne vertébrale. Doit être un entier positif. Remarque : l’exécution d’entraînement peut entrer dans CUDA OOM si la taille est trop grande. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ». |
corde |
minSize | Taille minimale de l’image à rescaler avant de l’alimenter dans la colonne principale. Doit être un entier positif. Remarque : l’exécution d’entraînement peut entrer dans CUDA OOM si la taille est trop grande. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ». |
corde |
modelName | Nom du modèle à utiliser pour l’entraînement. Pour plus d’informations sur les modèles disponibles, consultez la documentation officielle : /azure/machine-learning/how-to-auto-train-image-models. |
corde |
modelSize | Taille du modèle. Doit être « small », « medium », « large » ou « xlarge ». Remarque : l’exécution d’entraînement peut entrer dans CUDA OOM si la taille du modèle est trop grande. Remarque : ces paramètres sont pris en charge uniquement pour l’algorithme « yolov5 ». |
corde |
élan | Valeur de l’élan lorsque l’optimiseur est « sgd ». Doit être un float dans la plage [0, 1]. | corde |
multiscale | Activez l’image à plusieurs échelles en variant la taille de l’image de +/- 50%. Remarque : l’exécution d’entraînement peut accéder à CUDA OOM si aucune mémoire GPU suffisante. Remarque : ces paramètres sont pris en charge uniquement pour l’algorithme « yolov5 ». |
corde |
nesterov | Activez nesterov lorsque l’optimiseur est « sgd ». | corde |
nmsIouThreshold | Seuil IOU utilisé lors de l’inférence dans le post-traitement NMS. Doit être flottant dans la plage [0, 1]. | corde |
numberOfEpochs | Nombre d’époques d’entraînement. Doit être un entier positif. | corde |
numberOfWorkers | Nombre de travailleurs du chargeur de données. Doit être un entier non négatif. | corde |
Optimiseur | Type d’optimiseur. Doit être « sgd », « adam » ou « adamw ». | corde |
randomSeed | Valeur initiale aléatoire à utiliser lors de l’utilisation de l’entraînement déterministe. | corde |
stepLRGamma | Valeur gamma lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un float dans la plage [0, 1]. | corde |
stepLRStepSize | Valeur de la taille de l’étape lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un entier positif. | corde |
tileGridSize | Taille de grille à utiliser pour la mosaïne de chaque image. Remarque : TileGridSize ne doit pas être Aucune pour activer la logique de détection d’objets de petite taille. Chaîne contenant deux entiers au format mxn. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ». |
corde |
tileOverlapRatio | Rapport de chevauchement entre les vignettes adjacentes dans chaque dimension. Doit être flottant dans la plage [0, 1). Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ». |
corde |
tilePredictionsNmsThreshold | Seuil IOU à utiliser pour effectuer nmS lors de la fusion des prédictions à partir de vignettes et d’images. Utilisé dans la validation/inférence. Doit être flottant dans la plage [0, 1]. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ». NMS : suppression non maximale |
corde |
trainingBatchSize | Taille du lot d’entraînement. Doit être un entier positif. | corde |
validationBatchSize | Taille du lot de validation. Doit être un entier positif. | corde |
validationIouThreshold | Seuil IOU à utiliser lors de l’informatique de la métrique de validation. Doit être flottant dans la plage [0, 1]. | corde |
validationMetricType | Méthode de calcul de métrique à utiliser pour les métriques de validation. Doit être « none », « coco », « voc » ou « coco_voc ». | corde |
warmupCosineLRCycles | Valeur du cycle de cosinus lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un float dans la plage [0, 1]. | corde |
warmupCosineLRWarmupEpochs | Valeur des époques de préchauffement lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un entier positif. | corde |
weightDecay | Valeur de la dégradation du poids lorsque l’optimiseur est « sgd », « adam » ou « adamw ». Doit être un float dans la plage[0, 1]. | corde |
Nom | Description | Valeur |
---|---|---|
advancedSettings | Paramètres des scénarios avancés. | corde |
amsGradient | Activez AMSGrad lorsque l’optimiseur est « adam » ou « adamw ». | Bool |
augmentations | Paramètres d’utilisation des augmentations. | corde |
bêta1 | Valeur de « beta1 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1]. | Int |
bêta2 | Valeur de « beta2 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1]. | Int |
checkpointFrequency | Fréquence de stockage des points de contrôle de modèle. Doit être un entier positif. | Int |
checkpointModel | Modèle de point de contrôle préentraîné pour l’entraînement incrémentiel. | MLFlowModelJobInput |
checkpointRunId | ID d’une exécution précédente qui a un point de contrôle préentraîné pour l’entraînement incrémentiel. | corde |
distribué | Indique s’il faut utiliser l’entraînement distribué. | Bool |
début de l’arrêt | Activez la logique d’arrêt précoce pendant l’entraînement. | Bool |
earlyStoppingDelay | Nombre minimal d’époques ou d’évaluations de validation à attendre avant l’amélioration de la métrique principale est suivi pour un arrêt précoce. Doit être un entier positif. |
Int |
earlyStoppingPatience | Nombre minimal d’époques ou d’évaluations de validation sans amélioration des métriques principales avant l’exécution est arrêtée. Doit être un entier positif. |
Int |
enableOnnxNormalization | Activez la normalisation lors de l’exportation du modèle ONNX. | Bool |
evaluationFrequency | Fréquence d’évaluation du jeu de données de validation pour obtenir des scores de métriques. Doit être un entier positif. | Int |
gradientAccumulationStep | L’accumulation de dégradés signifie exécuter un nombre configuré d’étapes « GradAccumulationStep » sans mise à jour des pondérations du modèle tout en cumulant les dégradés de ces étapes, puis en utilisant dégradés cumulés pour calculer les mises à jour de poids. Doit être un entier positif. |
Int |
layersToFreeze | Nombre de couches à figer pour le modèle. Doit être un entier positif. Par exemple, passer 2 comme valeur pour « seresnext » signifie couche de congélation0 et couche1. Pour obtenir la liste complète des modèles pris en charge et des détails sur le gel de couche, veuillez voir : /azure/machine-learning/how-to-auto-train-image-models. |
Int |
learningRate | Taux d’apprentissage initial. Doit être un float dans la plage [0, 1]. | Int |
learningRateScheduler | Type de planificateur de taux d’apprentissage. Doit être « warmup_cosine » ou « étape ». | 'None' 'Étape' 'WarmupCosine' |
modelName | Nom du modèle à utiliser pour l’entraînement. Pour plus d’informations sur les modèles disponibles, consultez la documentation officielle : /azure/machine-learning/how-to-auto-train-image-models. |
corde |
élan | Valeur de l’élan lorsque l’optimiseur est « sgd ». Doit être un float dans la plage [0, 1]. | Int |
nesterov | Activez nesterov lorsque l’optimiseur est « sgd ». | Bool |
numberOfEpochs | Nombre d’époques d’entraînement. Doit être un entier positif. | Int |
numberOfWorkers | Nombre de travailleurs du chargeur de données. Doit être un entier non négatif. | Int |
Optimiseur | Type d’optimiseur. | 'Adam' 'Adamw' 'None' 'Sgd' |
randomSeed | Valeur initiale aléatoire à utiliser lors de l’utilisation de l’entraînement déterministe. | Int |
stepLRGamma | Valeur gamma lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un float dans la plage [0, 1]. | Int |
stepLRStepSize | Valeur de la taille de l’étape lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un entier positif. | Int |
trainingBatchSize | Taille du lot d’entraînement. Doit être un entier positif. | Int |
trainingCropSize | Taille de rognage d’image qui est entrée dans le réseau neuronal pour le jeu de données d’entraînement. Doit être un entier positif. | Int |
validationBatchSize | Taille du lot de validation. Doit être un entier positif. | Int |
validationCropSize | Taille de rognage d’image entrée dans le réseau neuronal pour le jeu de données de validation. Doit être un entier positif. | Int |
validationResizeSize | Taille de l’image à laquelle redimensionner avant de rogner pour le jeu de données de validation. Doit être un entier positif. | Int |
warmupCosineLRCycles | Valeur du cycle de cosinus lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un float dans la plage [0, 1]. | Int |
warmupCosineLRWarmupEpochs | Valeur des époques de préchauffement lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un entier positif. | Int |
weightDecay | Valeur de la dégradation du poids lorsque l’optimiseur est « sgd », « adam » ou « adamw ». Doit être un float dans la plage[0, 1]. | Int |
weightedLoss | Perte pondérée. Les valeurs acceptées sont 0 pour aucune perte pondérée. 1 pour la perte pondérée avec sqrt. (class_weights). 2 pour la perte pondérée avec class_weights. Doit être 0 ou 1 ou 2. |
Int |
Nom | Description | Valeur |
---|---|---|
advancedSettings | Paramètres des scénarios avancés. | corde |
amsGradient | Activez AMSGrad lorsque l’optimiseur est « adam » ou « adamw ». | Bool |
augmentations | Paramètres d’utilisation des augmentations. | corde |
bêta1 | Valeur de « beta1 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1]. | Int |
bêta2 | Valeur de « beta2 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1]. | Int |
boxDetectionsPerImage | Nombre maximal de détections par image, pour toutes les classes. Doit être un entier positif. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ». |
Int |
boxScoreThreshold | Pendant l’inférence, seules les propositions renvoient un score de classification supérieur à BoxScoreThreshold. Doit être un float dans la plage[0, 1]. |
Int |
checkpointFrequency | Fréquence de stockage des points de contrôle de modèle. Doit être un entier positif. | Int |
checkpointModel | Modèle de point de contrôle préentraîné pour l’entraînement incrémentiel. | MLFlowModelJobInput |
checkpointRunId | ID d’une exécution précédente qui a un point de contrôle préentraîné pour l’entraînement incrémentiel. | corde |
distribué | Indique s’il faut utiliser l’entraînement distribué. | Bool |
début de l’arrêt | Activez la logique d’arrêt précoce pendant l’entraînement. | Bool |
earlyStoppingDelay | Nombre minimal d’époques ou d’évaluations de validation à attendre avant l’amélioration de la métrique principale est suivi pour un arrêt précoce. Doit être un entier positif. |
Int |
earlyStoppingPatience | Nombre minimal d’époques ou d’évaluations de validation sans amélioration des métriques principales avant l’exécution est arrêtée. Doit être un entier positif. |
Int |
enableOnnxNormalization | Activez la normalisation lors de l’exportation du modèle ONNX. | Bool |
evaluationFrequency | Fréquence d’évaluation du jeu de données de validation pour obtenir des scores de métriques. Doit être un entier positif. | Int |
gradientAccumulationStep | L’accumulation de dégradés signifie exécuter un nombre configuré d’étapes « GradAccumulationStep » sans mise à jour des pondérations du modèle tout en cumulant les dégradés de ces étapes, puis en utilisant dégradés cumulés pour calculer les mises à jour de poids. Doit être un entier positif. |
Int |
imageSize | Taille de l’image pour l’apprentissage et la validation. Doit être un entier positif. Remarque : L’exécution d’entraînement peut entrer dans CUDA OOM si la taille est trop grande. Remarque : ces paramètres sont pris en charge uniquement pour l’algorithme « yolov5 ». |
Int |
layersToFreeze | Nombre de couches à figer pour le modèle. Doit être un entier positif. Par exemple, passer 2 comme valeur pour « seresnext » signifie couche de congélation0 et couche1. Pour obtenir la liste complète des modèles pris en charge et des détails sur le gel de couche, veuillez voir : /azure/machine-learning/how-to-auto-train-image-models. |
Int |
learningRate | Taux d’apprentissage initial. Doit être un float dans la plage [0, 1]. | Int |
learningRateScheduler | Type de planificateur de taux d’apprentissage. Doit être « warmup_cosine » ou « étape ». | 'None' 'Étape' 'WarmupCosine' |
maxSize | Taille maximale de l’image à rescaler avant de l’alimenter dans la colonne vertébrale. Doit être un entier positif. Remarque : l’exécution d’entraînement peut entrer dans CUDA OOM si la taille est trop grande. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ». |
Int |
minSize | Taille minimale de l’image à rescaler avant de l’alimenter dans la colonne principale. Doit être un entier positif. Remarque : l’exécution d’entraînement peut entrer dans CUDA OOM si la taille est trop grande. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ». |
Int |
modelName | Nom du modèle à utiliser pour l’entraînement. Pour plus d’informations sur les modèles disponibles, consultez la documentation officielle : /azure/machine-learning/how-to-auto-train-image-models. |
corde |
modelSize | Taille du modèle. Doit être « small », « medium », « large » ou « xlarge ». Remarque : l’exécution d’entraînement peut entrer dans CUDA OOM si la taille du modèle est trop grande. Remarque : ces paramètres sont pris en charge uniquement pour l’algorithme « yolov5 ». |
'ExtraLarge' 'Large' 'Medium' 'None' 'Small' |
élan | Valeur de l’élan lorsque l’optimiseur est « sgd ». Doit être un float dans la plage [0, 1]. | Int |
multiscale | Activez l’image à plusieurs échelles en variant la taille de l’image de +/- 50%. Remarque : l’exécution d’entraînement peut accéder à CUDA OOM si aucune mémoire GPU suffisante. Remarque : ces paramètres sont pris en charge uniquement pour l’algorithme « yolov5 ». |
Bool |
nesterov | Activez nesterov lorsque l’optimiseur est « sgd ». | Bool |
nmsIouThreshold | Seuil IOU utilisé lors de l’inférence dans le post-traitement NMS. Doit être un float dans la plage [0, 1]. | Int |
numberOfEpochs | Nombre d’époques d’entraînement. Doit être un entier positif. | Int |
numberOfWorkers | Nombre de travailleurs du chargeur de données. Doit être un entier non négatif. | Int |
Optimiseur | Type d’optimiseur. | 'Adam' 'Adamw' 'None' 'Sgd' |
randomSeed | Valeur initiale aléatoire à utiliser lors de l’utilisation de l’entraînement déterministe. | Int |
stepLRGamma | Valeur gamma lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un float dans la plage [0, 1]. | Int |
stepLRStepSize | Valeur de la taille de l’étape lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un entier positif. | Int |
tileGridSize | Taille de grille à utiliser pour la mosaïne de chaque image. Remarque : TileGridSize ne doit pas être Aucune pour activer la logique de détection d’objets de petite taille. Chaîne contenant deux entiers au format mxn. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ». |
corde |
tileOverlapRatio | Rapport de chevauchement entre les vignettes adjacentes dans chaque dimension. Doit être flottant dans la plage [0, 1). Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ». |
Int |
tilePredictionsNmsThreshold | Seuil IOU à utiliser pour effectuer nmS lors de la fusion des prédictions à partir de vignettes et d’images. Utilisé dans la validation/inférence. Doit être flottant dans la plage [0, 1]. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ». |
Int |
trainingBatchSize | Taille du lot d’entraînement. Doit être un entier positif. | Int |
validationBatchSize | Taille du lot de validation. Doit être un entier positif. | Int |
validationIouThreshold | Seuil IOU à utiliser lors de l’informatique de la métrique de validation. Doit être flottant dans la plage [0, 1]. | Int |
validationMetricType | Méthode de calcul de métrique à utiliser pour les métriques de validation. | 'Coco' 'CocoVoc' 'None' 'Voc' |
warmupCosineLRCycles | Valeur du cycle de cosinus lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un float dans la plage [0, 1]. | Int |
warmupCosineLRWarmupEpochs | Valeur des époques de préchauffement lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un entier positif. | Int |
weightDecay | Valeur de la dégradation du poids lorsque l’optimiseur est « sgd », « adam » ou « adamw ». Doit être un float dans la plage[0, 1]. | Int |
Nom | Description | Valeur |
---|---|---|
limitSettings | [Obligatoire] Limitez les paramètres du travail AutoML. | ImageLimitSettings (obligatoire) |
modelSettings | Paramètres utilisés pour l’apprentissage du modèle. | ImageModelSettingsObjectDetection |
primaryMetric | Métrique principale à optimiser pour cette tâche. | 'MeanAveragePrecision' |
searchSpace | Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. | ImageModelDistributionSettingsObjectDetection[] |
sweepSettings | Modèles de balayage et de balayage hyperparamètres paramètres associés au balayage. | ImageSweepSettings |
taskType | [Obligatoire] Type de tâche pour AutoMLJob. | 'ImageObjectDetection' (obligatoire) |
validationData | Entrées de données de validation. | MLTableJobInput |
validationDataSize | Fraction du jeu de données d’entraînement qui doit être mis de côté à des fins de validation. Valeurs comprises entre (0.0 , 1.0) Appliqué lorsque le jeu de données de validation n’est pas fourni. |
Int |
Nom | Description | Valeur |
---|---|---|
componentId | ID de ressource ARM de la ressource de composant. | corde |
computeId | ID de ressource ARM de la ressource de calcul. | corde |
description | Texte de description de la ressource. | corde |
displayName | Nom complet du travail. | corde |
experimentName | Nom de l’expérience à laquelle appartient le travail. S’il n’est pas défini, le travail est placé dans l’expérience « Par défaut ». | corde |
identité | Configuration de l’identité. Si cette valeur est définie, il doit s’agir de l’un des éléments AmlToken, ManagedIdentity, UserIdentity ou Null. La valeur par défaut est AmlToken si null. |
IdentityConfiguration |
isArchived | La ressource est-elle archivée ? | Bool |
jobType | Défini sur « AutoML » pour le type AutoMLJob. Définissez la valeur « Command » pour le type CommandJob. Défini sur « Étiquetage » pour le type LabelingJobProperties. Défini sur « Pipeline » pour le type PipelineJob. Défini sur « Spark » pour le type SparkJob. Défini sur « Balayage » pour le type Balayage. | 'AutoML' 'Command' 'Étiquetage' 'Pipeline' 'Spark' 'Balayage' (obligatoire) |
notificationSetting | Paramètre de notification pour le travail | NotificationSetting |
Propriétés | Dictionnaire de propriétés de ressource. | ResourceBaseProperties |
services | Liste des points de terminaison de travail. Pour les travaux locaux, un point de terminaison de travail a une valeur de point de terminaison de FileStreamObject. |
JobBaseServices |
étiquettes | Dictionnaire de balises. Les balises peuvent être ajoutées, supprimées et mises à jour. | ResourceBaseTags |
Nom | Description | Valeur |
---|
Nom | Description | Valeur |
---|---|---|
description | Description de l’entrée. | corde |
jobInputType | Défini sur « custom_model » pour le type CustomModelJobInput. Défini sur « littéral » pour le type LiteralJobInput. Défini sur « mlflow_model » pour le type MLFlowModelJobInput. Défini sur « mltable » pour le type MLTableJobInput. Défini sur « triton_model » pour le type TritonModelJobInput. Défini sur « uri_file » pour le type UriFileJobInput. Défini sur « uri_folder » pour le type UriFolderJobInput. | 'custom_model' 'littéral' 'mlflow_model' 'mltable' 'triton_model' 'uri_file' 'uri_folder' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
description | Description de la sortie. | corde |
jobOutputType | Défini sur « custom_model » pour le type CustomModelJobOutput. Défini sur « mlflow_model » pour le type MLFlowModelJobOutput. Défini sur « mltable » pour le type MLTableJobOutput. Défini sur « triton_model » pour le type TritonModelJobOutput. Défini sur « uri_file » pour le type UriFileJobOutput. Défini sur « uri_folder » pour le type UriFolderJobOutput. | 'custom_model' 'mlflow_model' 'mltable' 'triton_model' 'uri_file' 'uri_folder' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
dockerArgs | Arguments supplémentaires à passer à la commande Docker run. Cela remplacerait tous les paramètres qui ont déjà été définis par le système, ou dans cette section. Ce paramètre est pris en charge uniquement pour les types de calcul Azure ML. | corde |
instanceCount | Nombre facultatif d’instances ou de nœuds utilisés par la cible de calcul. | Int |
instanceType | Type facultatif de machine virtuelle utilisée comme prise en charge par la cible de calcul. | corde |
Lieux | Emplacements où le travail peut s’exécuter. | string[] |
Propriétés | Conteneur de propriétés supplémentaires. | ResourceConfigurationProperties |
shmSize | Taille du bloc de mémoire partagée du conteneur Docker. Cela doit être au format (nombre)(unité) où le nombre doit être supérieur à 0 et que l’unité peut être l’un des b(octets), k(kilo-octets), m(mégaoctets) ou g(gigaoctets). | corde Contraintes: Modèle = \d+[bBkKmMgG] |
Nom | Description | Valeur |
---|---|---|
actionType | [Obligatoire] Spécifie le type d’action de la planification | 'CreateJob' (obligatoire) |
jobDefinition | [Obligatoire] Définit les détails de définition d’action de planification. | jobBaseProperties (obligatoire) |
Nom | Description | Valeur |
---|---|---|
extrémité | URL du point de terminaison. | corde |
jobServiceType | Type de point de terminaison. | corde |
Nœuds | Nœuds sur lesquels l’utilisateur souhaite démarrer le service. Si les nœuds ne sont pas définis ou définis sur null, le service est démarré uniquement sur le nœud leader. |
Nœuds |
port | Port du point de terminaison défini par l’utilisateur. | Int |
Propriétés | Propriétés supplémentaires à définir sur le point de terminaison. | JobServiceProperties |
Nom | Description | Valeur |
---|
Nom | Description | Valeur |
---|---|---|
Classes | Dictionnaire de classes d’étiquettes dans cette catégorie. | LabelCategoryClasses |
displayName | Nom complet de la catégorie d’étiquette. | corde |
multiselect | Indique s’il est autorisé à sélectionner plusieurs classes dans cette catégorie. | 'Désactivé' 'Activé' |
Nom | Description | Valeur |
---|
Nom | Description | Valeur |
---|---|---|
displayName | Nom complet de la classe d’étiquette. | corde |
Sous-classes | Dictionnaire de sous-classes de la classe label. | LabelClassSubclasses |
Nom | Description | Valeur |
---|
Nom | Description | Valeur |
---|---|---|
dataId | ID de ressource de la ressource de données pour effectuer l’étiquetage. | corde |
incrementalDataRefresh | Indique s’il faut activer l’actualisation incrémentielle des données. | 'Désactivé' 'Activé' |
Nom | Description | Valeur |
---|---|---|
annotationType | Type d’annotation du travail d’étiquetage d’image. | 'BoundingBox' 'Classification' 'InstanceSegmentation' |
mediaType | [Obligatoire] Type de média du travail. | 'Image' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
URI | Lien vers une page contenant des instructions d’étiquetage détaillées pour les étiqueteurs. | corde |
Nom | Description | Valeur |
---|
Nom | Description | Valeur |
---|---|---|
mediaType | Défini sur « Image » pour le type LabelingJobImageProperties. Défini sur « Text » pour le type LabelingJobTextProperties. | 'Image' 'Text' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
dataConfiguration | Configuration des données utilisées dans le travail. | labelingDataConfiguration |
jobInstructions | Instructions d’étiquetage du travail. | LabelingJobInstructions |
jobType | [Obligatoire] Spécifie le type de travail. | 'Étiquetage' (obligatoire) |
labelCategories | Catégories d’étiquettes du travail. | LabelingJobLabelCategories |
labelingJobMediaProperties | Propriétés spécifiques du type de média dans le travail. | LabelingJobMediaProperties |
mlAssistConfiguration | Configuration de la fonctionnalité MLAssist dans le travail. | mlAssistConfiguration |
Nom | Description | Valeur |
---|---|---|
annotationType | Type d’annotation du travail d’étiquetage de texte. | 'Classification' 'NamedEntityRecognition' |
mediaType | [Obligatoire] Type de média du travail. | 'Text' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
jobInputType | [Obligatoire] Spécifie le type de travail. | 'littéral' (obligatoire) |
valeur | [Obligatoire] Valeur littérale de l’entrée. | corde Contraintes: Modèle = [a-zA-Z0-9_] (obligatoire) |
Nom | Description | Valeur |
---|---|---|
clientId | Spécifie une identité affectée par l’utilisateur par ID client. Pour les données attribuées par le système, ne définissez pas ce champ. | corde Contraintes: Longueur minimale = 36 Longueur maximale = 36 Modèle = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$ |
identityType | [Obligatoire] Spécifie le type d’infrastructure d’identité. | 'Managed' (obligatoire) |
objectId | Spécifie une identité affectée par l’utilisateur par ID d’objet. Pour les données attribuées par le système, ne définissez pas ce champ. | corde Contraintes: Longueur minimale = 36 Longueur maximale = 36 Modèle = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$ |
resourceId | Spécifie une identité affectée par l’utilisateur par ID de ressource ARM. Pour les données attribuées par le système, ne définissez pas ce champ. | corde |
Nom | Description | Valeur |
---|---|---|
policyType | [Obligatoire] Nom de la configuration de la stratégie | 'MedianStopping' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
apiVersion | Version de l’API | '2023-02-01-preview' |
nom | Nom de la ressource | corde Contraintes: Modèle = ^[a-zA-Z0-9][a-zA-Z0-9\-_]{0,254}$ (obligatoire) |
Propriétés | [Obligatoire] Attributs supplémentaires de l’entité. | ScheduleProperties (obligatoire) |
type | Type de ressource | 'Microsoft.MachineLearningServices/workspaces/schedules' |
Nom | Description | Valeur |
---|---|---|
mlAssist | Défini sur « Disabled » pour le type MLAssistConfigurationDisabled. Défini sur « Enabled » pour le type MLAssistConfigurationEnabled. | 'Désactivé' 'Enabled' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
mlAssist | [Obligatoire] Indique si la fonctionnalité MLAssist est activée. | 'Disabled' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
inferencingComputeBinding | [Obligatoire] Liaison de calcul AML utilisée dans l’inférence. | corde Contraintes: Modèle = [a-zA-Z0-9_] (obligatoire) |
mlAssist | [Obligatoire] Indique si la fonctionnalité MLAssist est activée. | 'Enabled' (obligatoire) |
trainingComputeBinding | [Obligatoire] Liaison de calcul AML utilisée dans l’apprentissage. | corde Contraintes: Modèle = [a-zA-Z0-9_] (obligatoire) |
Nom | Description | Valeur |
---|---|---|
jobInputType | [Obligatoire] Spécifie le type de travail. | 'mlflow_model' (obligatoire) |
mode | Mode de remise des ressources d’entrée. | 'Direct' 'Télécharger' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
URI | [Obligatoire] URI de ressource d’entrée. | corde Contraintes: Modèle = [a-zA-Z0-9_] (obligatoire) |
Nom | Description | Valeur |
---|---|---|
description | Description de l’entrée. | corde |
jobInputType | [Obligatoire] Spécifie le type de travail. | 'custom_model' 'littéral' 'mlflow_model' 'mltable' 'triton_model' 'uri_file' 'uri_folder' (obligatoire) |
mode | Mode de remise des ressources d’entrée. | 'Direct' 'Télécharger' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
URI | [Obligatoire] URI de ressource d’entrée. | corde Contraintes: Modèle = [a-zA-Z0-9_] (obligatoire) |
Nom | Description | Valeur |
---|---|---|
assetName | Nom de la ressource de sortie. | corde |
assetVersion | Version de ressource de sortie. | corde |
jobOutputType | [Obligatoire] Spécifie le type de travail. | 'mlflow_model' (obligatoire) |
mode | Mode de remise des ressources de sortie. | 'Direct' 'ReadWriteMount' 'Upload' |
URI | URI de ressource de sortie. | corde |
Nom | Description | Valeur |
---|---|---|
description | Description de l’entrée. | corde |
jobInputType | [Obligatoire] Spécifie le type de travail. | 'custom_model' 'littéral' 'mlflow_model' 'mltable' 'triton_model' 'uri_file' 'uri_folder' (obligatoire) |
mode | Mode de remise des ressources d’entrée. | 'Direct' 'Télécharger' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
URI | [Obligatoire] URI de ressource d’entrée. | corde Contraintes: Modèle = [a-zA-Z0-9_] (obligatoire) |
Nom | Description | Valeur |
---|---|---|
jobInputType | [Obligatoire] Spécifie le type de travail. | 'mltable' (obligatoire) |
mode | Mode de remise des ressources d’entrée. | 'Direct' 'Télécharger' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
URI | [Obligatoire] URI de ressource d’entrée. | corde Contraintes: Modèle = [a-zA-Z0-9_] (obligatoire) |
Nom | Description | Valeur |
---|---|---|
assetName | Nom de la ressource de sortie. | corde |
assetVersion | Version de ressource de sortie. | corde |
jobOutputType | [Obligatoire] Spécifie le type de travail. | 'mltable' (obligatoire) |
mode | Mode de remise des ressources de sortie. | 'Direct' 'ReadWriteMount' 'Upload' |
URI | URI de ressource de sortie. | corde |
Nom | Description | Valeur |
---|---|---|
distributionType | [Obligatoire] Spécifie le type d’infrastructure de distribution. | 'Mpi' (obligatoire) |
processCountPerInstance | Nombre de processus par nœud MPI. | Int |
Nom | Description | Valeur |
---|---|---|
mode | Défini sur « Auto » pour le type AutoNCrossValidations. Défini sur « Custom » pour le type CustomNCrossValidations. | 'Auto' 'Custom' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
gradientAccumulationSteps | Nombre d’étapes à effectuer pour accumuler des dégradés avant d’exécuter une passe descendante. | Int |
learningRate | Taux d’apprentissage de la procédure d’entraînement. | Int |
learningRateScheduler | Type de planification du taux d’apprentissage à utiliser pendant la procédure d’entraînement. | 'Constant' 'ConstantWithWarmup' 'Cosine' 'CosineWithRestarts' 'Linéaire' 'None' 'Polynomial' |
modelName | Nom du modèle à entraîner. | corde |
numberOfEpochs | Nombre d’époques d’entraînement. | Int |
trainingBatchSize | Taille du lot pour la procédure d’entraînement. | Int |
validationBatchSize | Taille du lot à utiliser pendant l’évaluation. | Int |
warmupRatio | Rapport de préchauffage utilisé avec LrSchedulerType. | Int |
weightDecay | La dégradation du poids pour la procédure d’entraînement. | Int |
Nom | Description | Valeur |
---|---|---|
gradientAccumulationSteps | Nombre d’étapes à effectuer pour accumuler des dégradés avant d’exécuter une passe descendante. | corde |
learningRate | Taux d’apprentissage de la procédure d’entraînement. | corde |
learningRateScheduler | Type de planification du taux d’apprentissage à utiliser pendant la procédure d’entraînement. | corde |
modelName | Nom du modèle à entraîner. | corde |
numberOfEpochs | Nombre d’époques d’entraînement. | corde |
trainingBatchSize | Taille du lot pour la procédure d’entraînement. | corde |
validationBatchSize | Taille du lot à utiliser pendant l’évaluation. | corde |
warmupRatio | Rapport de préchauffage utilisé avec LrSchedulerType. | corde |
weightDecay | La dégradation du poids pour la procédure d’entraînement. | corde |
Nom | Description | Valeur |
---|---|---|
datasetLanguage | Langage du jeu de données, utile pour les données de texte. | corde |
Nom | Description | Valeur |
---|---|---|
maxConcurrentTrials | Nombre maximal d’itérations AutoML simultanées. | Int |
maxNodes | Nombre maximal de nœuds à utiliser pour l’expérience. | Int |
maxTrials | Nombre d’itérations AutoML. | Int |
Timeout | Délai d’expiration du travail AutoML. | corde |
trialTimeout | Délai d’expiration pour les essais HD individuels. | corde |
Nom | Description | Valeur |
---|---|---|
nodeValueType | Défini sur « All » pour le type AllNodes. | 'All' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
emailOn | Envoyer une notification par e-mail à l’utilisateur sur le type de notification spécifié | Tableau de chaînes contenant l’un des éléments suivants : 'JobCancelled' 'JobCompleted' 'JobFailed' |
e-mails | Il s’agit de la liste des destinataires d’e-mail qui a une limitation de 499 caractères dans le total concat avec séparateur de virgules | string[] |
Nom | Description | Valeur |
---|---|---|
but | [Obligatoire] Définit les objectifs de métriques pris en charge pour le réglage des hyperparamètres | 'Agrandir' 'Réduire' (obligatoire) |
primaryMetric | [Obligatoire] Nom de la métrique à optimiser. | corde Contraintes: Modèle = [a-zA-Z0-9_] (obligatoire) |
Nom | Description | Valeur |
---|---|---|
Entrées | Entrées pour le travail de pipeline. | pipelineJobInputs |
Emplois | Les travaux construisent le travail de pipeline. | pipelineJobJobs |
jobType | [Obligatoire] Spécifie le type de travail. | 'Pipeline' (obligatoire) |
Sorties | Sorties du travail de pipeline | pipelineJobOutputs |
Paramètres | Paramètres de pipeline, pour des éléments tels que ContinueRunOnStepFailure, etc. | quelconque |
sourceJobId | ID de ressource ARM du travail source. | corde |
Nom | Description | Valeur |
---|
Nom | Description | Valeur |
---|
Nom | Description | Valeur |
---|
Nom | Description | Valeur |
---|---|---|
distributionType | [Obligatoire] Spécifie le type d’infrastructure de distribution. | 'PyTorch' (obligatoire) |
processCountPerInstance | Nombre de processus par nœud. | Int |
Nom | Description | Valeur |
---|---|---|
jobTier | Énumération pour déterminer le niveau de travail. | 'De base' 'Premium' 'Spot' 'Standard' |
priorité | Contrôle la priorité du travail sur un calcul. | Int |
Nom | Description | Valeur |
---|---|---|
logbase | Nombre positif facultatif ou e au format de chaîne à utiliser comme base pour l’échantillonnage aléatoire basé sur les journaux | corde |
règle | Type spécifique d’algorithme aléatoire | 'Random' 'Sobol' |
samplingAlgorithmType | [Obligatoire] Algorithme utilisé pour générer des valeurs d’hyperparamètres, ainsi que des propriétés de configuration | 'Random' (obligatoire) |
Graines | Entier facultatif à utiliser comme valeur initiale pour la génération de nombres aléatoires | Int |
Nom | Description | Valeur |
---|---|---|
Heures | [Obligatoire] Liste des heures pour la planification. | int[] (obligatoire) |
compte-rendu | [Obligatoire] Liste des minutes de la planification. | int[] (obligatoire) |
monthDays | Liste des jours de mois pour la planification | int[] |
Semaine | Liste des jours de la planification. | Tableau de chaînes contenant l’un des éléments suivants : 'Vendredi' 'Lundi' 'Samedi' 'Dimanche' 'jeudi' 'Mardi' 'Mercredi' |
Nom | Description | Valeur |
---|---|---|
fréquence | [Obligatoire] Fréquence de déclenchement de la planification. | 'Day' 'Heure' 'Minute' 'Month' 'Semaine' (obligatoire) |
intervalle | [Obligatoire] Spécifie l’intervalle de planification conjointement avec la fréquence | int (obligatoire) |
horaire | Planification de périodicité. | périodicité |
triggerType | [Obligatoire] | 'Périodicité' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
cvSplitColumnNames | Colonnes à utiliser pour les données CVSplit. | string[] |
featurizationSettings | Entrées de caractérisation nécessaires pour le travail AutoML. | TableVerticalFeaturizationSettings |
fixedParameters | Paramètres de modèle/d’entraînement qui resteront constants tout au long de l’entraînement. | TableFixedParameters |
limitSettings | Contraintes d’exécution pour AutoMLJob. | TableVerticalLimitSettings |
nCrossValidations | Nombre de plis de validation croisée à appliquer sur le jeu de données d’entraînement lorsque le jeu de données de validation n’est pas fourni. |
NCrossValidations |
primaryMetric | Métrique principale pour la tâche de régression. | 'NormalizedMeanAbsoluteError' 'NormalizedRootMeanSquaredError' 'R2Score' 'SpearmanCorrelation' |
searchSpace | Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. | TableParameterSubspace[] |
sweepSettings | Paramètres pour le balayage du modèle et le réglage des hyperparamètres. | TableSweepSettings |
taskType | [Obligatoire] Type de tâche pour AutoMLJob. | 'Régression' (obligatoire) |
testData | Tester l’entrée de données. | MLTableJobInput |
testDataSize | Fraction du jeu de données de test qui doit être mis de côté à des fins de validation. Valeurs comprises entre (0.0 , 1.0) Appliqué lorsque le jeu de données de validation n’est pas fourni. |
Int |
trainingSettings | Entrées pour la phase d’entraînement d’un travail AutoML. | RegressionTrainingSettings |
validationData | Entrées de données de validation. | MLTableJobInput |
validationDataSize | Fraction du jeu de données d’entraînement qui doit être mis de côté à des fins de validation. Valeurs comprises entre (0.0 , 1.0) Appliqué lorsque le jeu de données de validation n’est pas fourni. |
Int |
weightColumnName | Nom de l’exemple de colonne de poids. Le ML automatisé prend en charge une colonne pondérée en tant qu’entrée, ce qui entraîne une pondération des lignes dans les données. | corde |
Nom | Description | Valeur |
---|---|---|
allowedTrainingAlgorithms | Modèles autorisés pour la tâche de régression. | Tableau de chaînes contenant l’un des éléments suivants : 'DecisionTree' 'ElasticNet' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'RandomForest' 'SGD' 'XGBoostRegressor' |
blockedTrainingAlgorithms | Modèles bloqués pour la tâche de régression. | Tableau de chaînes contenant l’un des éléments suivants : 'DecisionTree' 'ElasticNet' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'RandomForest' 'SGD' 'XGBoostRegressor' |
enableDnnTraining | Activez la recommandation des modèles DNN. | Bool |
enableModelExplainability | Indicateur pour activer l’explication sur le meilleur modèle. | Bool |
enableOnnxCompatibleModels | Indicateur pour l’activation des modèles compatibles onnx. | Bool |
enableStackEnsemble | Activez l’exécution de l’ensemble de piles. | Bool |
enableVoteEnsemble | Activer l’exécution de l’ensemble de vote. | Bool |
ensembleModelDownloadTimeout | Pendant la génération du modèle VotingEnsemble et StackEnsemble, plusieurs modèles adaptés des exécutions enfants précédentes sont téléchargés. Configurez ce paramètre avec une valeur supérieure à 300 secondes, si plus de temps est nécessaire. |
corde |
stackEnsembleSettings | Paramètres d’ensemble de pile pour l’exécution d’un ensemble de piles. | StackEnsembleSettings |
trainingMode | Mode TrainingMode : le paramètre « auto » est identique à celui défini sur « non distribué » pour l’instant. Toutefois, dans le futur, cela peut entraîner une sélection en mode mixte ou en mode heuristique. La valeur par défaut est « auto ». Si « Distributed », seule la caractérisation distribuée est utilisée et les algorithmes distribués sont choisis. Si « NonDistributed », seuls les algorithmes non distribués sont choisis. |
'Auto' 'Distributed' 'NonDistributed' |
Nom | Description | Valeur |
---|
Nom | Description | Valeur |
---|
Nom | Description | Valeur |
---|
Nom | Description | Valeur |
---|
Nom | Description | Valeur |
---|
Nom | Description | Valeur |
---|---|---|
samplingAlgorithmType | Défini sur « Bayésien » pour le type BayesianSamplingAlgorithm. Défini sur « Grid » pour le type GridSamplingAlgorithm. Défini sur « Random » pour le type RandomSamplingAlgorithm. | 'Bayésien' 'Grid' 'Random' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
actionType | Défini sur « CreateJob » pour le type JobScheduleAction. Défini sur « InvokeBatchEndpoint » pour le type EndpointScheduleAction. | 'CreateJob' 'InvokeBatchEndpoint' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
action | [Obligatoire] Spécifie l’action de la planification | ScheduleActionBase (obligatoire) |
description | Texte de description de la ressource. | corde |
displayName | Nom complet de la planification. | corde |
isEnabled | La planification est-elle activée ? | Bool |
Propriétés | Dictionnaire de propriétés de ressource. | ResourceBaseProperties |
étiquettes | Dictionnaire de balises. Les balises peuvent être ajoutées, supprimées et mises à jour. | ResourceBaseTags |
gâchette | [Obligatoire] Spécifie les détails du déclencheur | TriggerBase (obligatoire) |
Nom | Description | Valeur |
---|---|---|
mode | Défini sur « Auto » pour le type AutoSeasonality. Défini sur « Custom » pour le type CustomSeasonality. | 'Auto' 'Custom' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
archives | Archiver les fichiers utilisés dans le travail. | string[] |
args | Arguments du travail. | corde |
codeId | [Obligatoire] ID de ressource ARM de la ressource de code. | corde Contraintes: Modèle = [a-zA-Z0-9_] (obligatoire) |
Conf | Propriétés configurées par Spark. | sparkJobConf |
entrée | [Obligatoire] Entrée à exécuter au démarrage du travail. | SparkJobEntry (obligatoire) |
environmentId | ID de ressource ARM de la spécification d’environnement pour le travail. | corde |
Fichiers | Fichiers utilisés dans le travail. | string[] |
Entrées | Mappage des liaisons de données d’entrée utilisées dans le travail. | SparkJobInputs |
Pots | Fichiers jar utilisés dans le travail. | string[] |
jobType | [Obligatoire] Spécifie le type de travail. | 'Spark' (obligatoire) |
Sorties | Mappage des liaisons de données de sortie utilisées dans le travail. | SparkJobOutputs |
pyFiles | Fichiers Python utilisés dans le travail. | string[] |
queueSettings | Paramètres de file d’attente du travail | QueueSettings |
ressources | Configuration des ressources de calcul pour le travail. | SparkResourceConfiguration |
Nom | Description | Valeur |
---|
Nom | Description | Valeur |
---|---|---|
sparkJobEntryType | Défini sur « SparkJobPythonEntry » pour le type SparkJobPythonEntry. Défini sur « SparkJobScalaEntry » pour le type SparkJobScalaEntry. | 'SparkJobPythonEntry' 'SparkJobScalaEntry' (obligatoire) |
Nom | Description | Valeur |
---|
Nom | Description | Valeur |
---|
Nom | Description | Valeur |
---|---|---|
lime | [Obligatoire] Chemin d’accès relatif au fichier Python pour le point d’entrée du travail. | corde Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_] (obligatoire) |
sparkJobEntryType | [Obligatoire] Type du point d’entrée du travail. | 'SparkJobPythonEntry' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
className | [Obligatoire] Nom de classe Scala utilisé comme point d’entrée. | corde Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_] (obligatoire) |
sparkJobEntryType | [Obligatoire] Type du point d’entrée du travail. | 'SparkJobScalaEntry' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
instanceType | Type facultatif de machine virtuelle utilisée comme prise en charge par la cible de calcul. | corde |
runtimeVersion | Version du runtime Spark utilisée pour le travail. | corde |
Nom | Description | Valeur |
---|---|---|
stackMetaLearnerKWargs | Paramètres facultatifs à passer à l’initialiseur du méta-apprenant. | quelconque |
stackMetaLearnerTrainPercentage | Spécifie la proportion du jeu d’entraînement (lors du choix du type d’apprentissage et de validation) à réserver pour l’entraînement du méta-apprenant. La valeur par défaut est 0.2. | Int |
stackMetaLearnerType | Le méta-apprenant est un modèle entraîné sur la sortie des modèles hétérogènes individuels. | 'ElasticNet' 'ElasticNetCV' 'LightGBMClassifier' 'LightGBMRegressor' 'LinearRegression' 'LogisticRegression' 'LogisticRegressionCV' 'None' |
Nom | Description | Valeur |
---|---|---|
earlyTermination | Les stratégies d’arrêt anticipé permettent d’annuler les exécutions médiocres avant qu’elles ne se terminent | EarlyTerminationPolicy |
Entrées | Mappage des liaisons de données d’entrée utilisées dans le travail. | SweepJobInputs |
jobType | [Obligatoire] Spécifie le type de travail. | 'Balayage' (obligatoire) |
Limites | Limite du travail de balayage. | sweepJobLimits |
objectif | [Obligatoire] Objectif d’optimisation. | objective (obligatoire) |
Sorties | Mappage des liaisons de données de sortie utilisées dans le travail. | SweepJobOutputs |
queueSettings | Paramètres de file d’attente du travail | QueueSettings |
samplingAlgorithm | [Obligatoire] Algorithme d’échantillonnage d’hyperparamètres | SamplingAlgorithm (obligatoire) |
searchSpace | [Obligatoire] Dictionnaire contenant chaque paramètre et sa distribution. La clé de dictionnaire est le nom du paramètre | tout (obligatoire) |
procès | [Obligatoire] Définition du composant d’évaluation. | trialComponent (obligatoire) |
Nom | Description | Valeur |
---|
Nom | Description | Valeur |
---|---|---|
jobLimitsType | [Obligatoire] Type JobLimit. | 'Command' 'Balayage' (obligatoire) |
maxConcurrentTrials | Nombre maximal d’essais simultanés du travail de balayage. | Int |
maxTotalTrials | Nombre maximal d’essais du travail de balayage. | Int |
Timeout | Durée d’exécution maximale au format ISO 8601, après laquelle le travail sera annulé. Prend uniquement en charge la durée avec une précision aussi faible que secondes. | corde |
trialTimeout | Valeur du délai d’expiration du délai d’expiration du travail de balayage. | corde |
Nom | Description | Valeur |
---|
Nom | Description | Valeur |
---|---|---|
suramplificateur | Spécifiez le type de boosting, par exemple gbdt pour XGBoost. | corde |
boostingType | Spécifiez le type de boosting, par exemple gbdt pour LightGBM. | corde |
growPolicy | Spécifiez la stratégie de croissance, qui contrôle la façon dont les nouveaux nœuds sont ajoutés à l’arborescence. | corde |
learningRate | Taux d’apprentissage de la procédure d’entraînement. | Int |
maxBin | Spécifiez le nombre maximal de compartiments discrets pour les fonctionnalités continues du compartiment. | Int |
maxDepth | Spécifiez la profondeur maximale pour limiter explicitement la profondeur de l’arborescence. | Int |
maxLeaves | Spécifiez les feuilles maximales pour limiter explicitement les feuilles d’arbre. | Int |
minDataInLeaf | Nombre minimal de données par feuille. | Int |
minSplitGain | Réduction minimale de la perte nécessaire pour effectuer une partition supplémentaire sur un nœud feuille de l’arborescence. | Int |
modelName | Nom du modèle à entraîner. | corde |
nEstimators | Spécifiez le nombre d’arborescences (ou arrondis) dans un modèle. | Int |
numLeaves | Spécifiez le nombre de feuilles. | Int |
preprocessorName | Nom du préprocesseur à utiliser. | corde |
regAlpha | Terme de régularisation L1 sur les poids. | Int |
regLambda | Terme de régularisation L2 sur les poids. | Int |
Sous-échantillon | Taux de sous-échantillonnage de l’instance d’entraînement. | Int |
subsampleFreq | Fréquence de sous-échantillonnage. | Int |
treeMethod | Spécifiez la méthode d’arborescence. | corde |
withMean | Si la valeur est true, centrez avant de mettre à l’échelle les données avec StandardScalar. | Bool |
withStd | Si la valeur est true, mettant à l’échelle les données avec l’écart unitaire avec StandardScalar. | Bool |
Nom | Description | Valeur |
---|---|---|
suramplificateur | Spécifiez le type de boosting, par exemple gbdt pour XGBoost. | corde |
boostingType | Spécifiez le type de boosting, par exemple gbdt pour LightGBM. | corde |
growPolicy | Spécifiez la stratégie de croissance, qui contrôle la façon dont les nouveaux nœuds sont ajoutés à l’arborescence. | corde |
learningRate | Taux d’apprentissage de la procédure d’entraînement. | corde |
maxBin | Spécifiez le nombre maximal de compartiments discrets pour les fonctionnalités continues du compartiment. | corde |
maxDepth | Spécifiez la profondeur maximale pour limiter explicitement la profondeur de l’arborescence. | corde |
maxLeaves | Spécifiez les feuilles maximales pour limiter explicitement les feuilles d’arbre. | corde |
minDataInLeaf | Nombre minimal de données par feuille. | corde |
minSplitGain | Réduction minimale de la perte nécessaire pour effectuer une partition supplémentaire sur un nœud feuille de l’arborescence. | corde |
modelName | Nom du modèle à entraîner. | corde |
nEstimators | Spécifiez le nombre d’arborescences (ou arrondis) dans un modèle. | corde |
numLeaves | Spécifiez le nombre de feuilles. | corde |
preprocessorName | Nom du préprocesseur à utiliser. | corde |
regAlpha | Terme de régularisation L1 sur les poids. | corde |
regLambda | Terme de régularisation L2 sur les poids. | corde |
Sous-échantillon | Taux de sous-échantillonnage de l’instance d’entraînement. | corde |
subsampleFreq | Fréquence de sous-échantillonnage | corde |
treeMethod | Spécifiez la méthode d’arborescence. | corde |
withMean | Si la valeur est true, centrez avant de mettre à l’échelle les données avec StandardScalar. | corde |
withStd | Si la valeur est true, mettant à l’échelle les données avec l’écart unitaire avec StandardScalar. | corde |
Nom | Description | Valeur |
---|---|---|
blockedTransformers | Ces transformateurs ne doivent pas être utilisés dans la caractérisation. | Tableau de chaînes contenant l’un des éléments suivants : 'CatTargetEncoder' 'CountVectorizer' 'HashOneHotEncoder' 'LabelEncoder' 'NaiveBayes' 'OneHotEncoder' 'TextTargetEncoder' 'TfIdf' 'WoETargetEncoder' 'WordEmbedding' |
columnNameAndTypes | Dictionnaire du nom de colonne et de son type (int, float, string, datetime, etc.). | TableVerticalFeaturizationSettingsColumnNameAndTypes |
datasetLanguage | Langage du jeu de données, utile pour les données de texte. | corde |
enableDnnFeaturization | Détermine s’il faut utiliser des caractérisations basées sur Dnn pour la caractérisation des données. | Bool |
mode | Mode caractérisation : l’utilisateur peut conserver le mode « Auto » par défaut et AutoML prend en charge la transformation nécessaire des données dans la phase de caractérisation. Si « Désactivé » est sélectionné, aucune caractérisation n’est effectuée. Si « Personnalisé » est sélectionné, l’utilisateur peut spécifier des entrées supplémentaires pour personnaliser la façon dont la caractérisation est effectuée. |
'Auto' 'Custom' 'Off' |
transformerParams | L’utilisateur peut spécifier des transformateurs supplémentaires à utiliser avec les colonnes auxquelles il serait appliqué et les paramètres pour le constructeur du transformateur. | TableVerticalFeaturizationSettingsTransformerParams |
Nom | Description | Valeur |
---|
Nom | Description | Valeur |
---|
Nom | Description | Valeur |
---|---|---|
enableEarlyTermination | Activez l’arrêt anticipé, détermine si AutoMLJob se termine tôt s’il n’y a pas d’amélioration du score dans les 20 dernières itérations. | Bool |
exitScore | Score de sortie pour le travail AutoML. | Int |
maxConcurrentTrials | Nombre maximal d’itérations simultanées. | Int |
maxCoresPerTrial | Nombre maximal de cœurs par itération. | Int |
maxNodes | Nombre maximal de nœuds à utiliser pour l’expérience. | Int |
maxTrials | Nombre d’itérations. | Int |
sweepConcurrentTrials | Nombre d’exécutions simultanées de balayage que l’utilisateur souhaite déclencher. | Int |
sweepTrials | Nombre d’exécutions de balayage que l’utilisateur souhaite déclencher. | Int |
Timeout | Délai d’expiration du travail AutoML. | corde |
trialTimeout | Délai d’expiration de l’itération. | corde |
Nom | Description | Valeur |
---|---|---|
mode | Défini sur « Auto » pour le type AutoTargetLags. Défini sur « Custom » pour le type CustomTargetLags. | 'Auto' 'Custom' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
mode | Défini sur « Auto » pour le type AutoTargetRollingWindowSize. Défini sur « Custom » pour le type CustomTargetRollingWindowSize. | 'Auto' 'Custom' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
distributionType | [Obligatoire] Spécifie le type d’infrastructure de distribution. | 'TensorFlow' (obligatoire) |
parameterServerCount | Nombre de tâches de serveur de paramètres. | Int |
workerCount | Nombre de travailleurs. S’il n’est pas spécifié, le nombre d’instances est défini par défaut. | Int |
Nom | Description | Valeur |
---|---|---|
featurizationSettings | Entrées de caractérisation nécessaires pour le travail AutoML. | NlpVerticalFeaturizationSettings |
fixedParameters | Paramètres de modèle/d’entraînement qui resteront constants tout au long de l’entraînement. | NlpFixedParameters |
limitSettings | Contraintes d’exécution pour AutoMLJob. | NlpVerticalLimitSettings |
primaryMetric | Métrique principale pour Text-Classification tâche. | 'Précision' 'AUCWeighted' 'AveragePrecisionScoreWeighted' 'NormMacroRecall' 'PrecisionScoreWeighted' |
searchSpace | Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. | NlpParameterSubspace[] |
sweepSettings | Paramètres pour le balayage du modèle et le réglage des hyperparamètres. | NlpSweepSettings |
taskType | [Obligatoire] Type de tâche pour AutoMLJob. | 'TextClassification' (obligatoire) |
validationData | Entrées de données de validation. | MLTableJobInput |
Nom | Description | Valeur |
---|---|---|
featurizationSettings | Entrées de caractérisation nécessaires pour le travail AutoML. | NlpVerticalFeaturizationSettings |
fixedParameters | Paramètres de modèle/d’entraînement qui resteront constants tout au long de l’entraînement. | NlpFixedParameters |
limitSettings | Contraintes d’exécution pour AutoMLJob. | NlpVerticalLimitSettings |
searchSpace | Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. | NlpParameterSubspace[] |
sweepSettings | Paramètres pour le balayage du modèle et le réglage des hyperparamètres. | NlpSweepSettings |
taskType | [Obligatoire] Type de tâche pour AutoMLJob. | 'TextClassificationMultilabel' (obligatoire) |
validationData | Entrées de données de validation. | MLTableJobInput |
Nom | Description | Valeur |
---|---|---|
featurizationSettings | Entrées de caractérisation nécessaires pour le travail AutoML. | NlpVerticalFeaturizationSettings |
fixedParameters | Paramètres de modèle/d’entraînement qui resteront constants tout au long de l’entraînement. | NlpFixedParameters |
limitSettings | Contraintes d’exécution pour AutoMLJob. | NlpVerticalLimitSettings |
searchSpace | Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. | NlpParameterSubspace[] |
sweepSettings | Paramètres pour le balayage du modèle et le réglage des hyperparamètres. | NlpSweepSettings |
taskType | [Obligatoire] Type de tâche pour AutoMLJob. | 'TextNER' (obligatoire) |
validationData | Entrées de données de validation. | MLTableJobInput |
Nom | Description | Valeur |
---|---|---|
codeId | ID de ressource ARM de la ressource de code. | corde |
commander | [Obligatoire] Commande à exécuter au démarrage du travail. Eg. « python train.py » | corde Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_] (obligatoire) |
distribution | Configuration de distribution du travail. Si elle est définie, il doit s’agir de l’un des valeurs Mpi, Tensorflow, PyTorch ou Null. | distributionConfiguration |
environmentId | [Obligatoire] ID de ressource ARM de la spécification d’environnement pour le travail. | corde Contraintes: Modèle = [a-zA-Z0-9_] (obligatoire) |
environmentVariables | Variables d’environnement incluses dans le travail. | TrialComponentEnvironmentVariables |
ressources | Configuration des ressources de calcul pour le travail. | JobResourceConfiguration |
Nom | Description | Valeur |
---|
Nom | Description | Valeur |
---|---|---|
endTime | Spécifie l’heure de fin de la planification dans ISO 8601, mais sans décalage UTC. Reportez-vous https://en.wikipedia.org/wiki/ISO_8601. Le format recommenté serait « 2022-06-01T00:00:01 » S’il n’est pas présent, la planification s’exécute indéfiniment |
corde |
startTime | Spécifie l’heure de début de la planification au format ISO 8601, mais sans décalage UTC. | corde |
timeZone | Spécifie le fuseau horaire dans lequel la planification s’exécute. TimeZone doit suivre le format de fuseau horaire Windows. Reportez-vous : /windows-hardware/manufacture/desktop/default-time-zones ?view=windows-11 |
corde |
triggerType | Défini sur « Cron » pour le type CronTrigger. Défini sur « Périodicité » pour le type RecurrenceTrigger. | 'Cron' 'Périodicité' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
jobInputType | [Obligatoire] Spécifie le type de travail. | 'triton_model' (obligatoire) |
mode | Mode de remise des ressources d’entrée. | 'Direct' 'Télécharger' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
URI | [Obligatoire] URI de ressource d’entrée. | corde Contraintes: Modèle = [a-zA-Z0-9_] (obligatoire) |
Nom | Description | Valeur |
---|---|---|
assetName | Nom de la ressource de sortie. | corde |
assetVersion | Version de ressource de sortie. | corde |
jobOutputType | [Obligatoire] Spécifie le type de travail. | 'triton_model' (obligatoire) |
mode | Mode de remise des ressources de sortie. | 'Direct' 'ReadWriteMount' 'Upload' |
URI | URI de ressource de sortie. | corde |
Nom | Description | Valeur |
---|---|---|
policyType | [Obligatoire] Nom de la configuration de la stratégie | 'TruncationSelection' (obligatoire) |
troncationPercentage | Pourcentage d’exécutions à annuler à chaque intervalle d’évaluation. | Int |
Nom | Description | Valeur |
---|---|---|
jobInputType | [Obligatoire] Spécifie le type de travail. | 'uri_file' (obligatoire) |
mode | Mode de remise des ressources d’entrée. | 'Direct' 'Télécharger' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
URI | [Obligatoire] URI de ressource d’entrée. | corde Contraintes: Modèle = [a-zA-Z0-9_] (obligatoire) |
Nom | Description | Valeur |
---|---|---|
assetName | Nom de la ressource de sortie. | corde |
assetVersion | Version de ressource de sortie. | corde |
jobOutputType | [Obligatoire] Spécifie le type de travail. | 'uri_file' (obligatoire) |
mode | Mode de remise des ressources de sortie. | 'Direct' 'ReadWriteMount' 'Upload' |
URI | URI de ressource de sortie. | corde |
Nom | Description | Valeur |
---|---|---|
jobInputType | [Obligatoire] Spécifie le type de travail. | 'uri_folder' (obligatoire) |
mode | Mode de remise des ressources d’entrée. | 'Direct' 'Télécharger' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
URI | [Obligatoire] URI de ressource d’entrée. | corde Contraintes: Modèle = [a-zA-Z0-9_] (obligatoire) |
Nom | Description | Valeur |
---|---|---|
assetName | Nom de la ressource de sortie. | corde |
assetVersion | Version de ressource de sortie. | corde |
jobOutputType | [Obligatoire] Spécifie le type de travail. | 'uri_folder' (obligatoire) |
mode | Mode de remise des ressources de sortie. | 'Direct' 'ReadWriteMount' 'Upload' |
URI | URI de ressource de sortie. | corde |
Nom | Description | Valeur |
---|---|---|
identityType | [Obligatoire] Spécifie le type d’infrastructure d’identité. | 'UserIdentity' (obligatoire) |
Le type de ressource espaces de travail/planifications peut être déployé avec des opérations qui ciblent :
- groupes de ressources
Pour obtenir la liste des propriétés modifiées dans chaque version de l’API, consultez journal des modifications.
Pour créer une ressource Microsoft.MachineLearningServices/workspaces/schedules, ajoutez le terraform suivant à votre modèle.
resource "azapi_resource" "symbolicname" {
type = "Microsoft.MachineLearningServices/workspaces/schedules@2023-02-01-preview"
name = "string"
body = jsonencode({
properties = {
action = {
actionType = "string"
// For remaining properties, see ScheduleActionBase objects
}
description = "string"
displayName = "string"
isEnabled = bool
properties = {
{customized property} = "string"
}
tags = {
{customized property} = "string"
}
trigger = {
endTime = "string"
startTime = "string"
timeZone = "string"
triggerType = "string"
// For remaining properties, see TriggerBase objects
}
}
})
}
Définissez la propriété distributionType pour spécifier le type d’objet.
Pour Mpi, utilisez :
{
distributionType = "Mpi"
processCountPerInstance = int
}
Pour PyTorch, utilisez :
{
distributionType = "PyTorch"
processCountPerInstance = int
}
Pour TensorFlow, utilisez :
{
distributionType = "TensorFlow"
parameterServerCount = int
workerCount = int
}
Définissez la propriété samplingAlgorithmType pour spécifier le type d’objet.
Pour bayésien, utilisez :
{
samplingAlgorithmType = "Bayesian"
}
Pour grille, utilisez :
{
samplingAlgorithmType = "Grid"
}
Pour aléatoire, utilisez :
{
logbase = "string"
rule = "string"
samplingAlgorithmType = "Random"
seed = int
}
Définissez la propriété jobInputType pour spécifier le type d’objet.
Pour custom_model, utilisez :
{
jobInputType = "custom_model"
mode = "string"
uri = "string"
}
Pour littéral, utilisez :
{
jobInputType = "literal"
value = "string"
}
Pour mlflow_model, utilisez :
{
jobInputType = "mlflow_model"
mode = "string"
uri = "string"
}
Pour mltable, utilisez :
{
jobInputType = "mltable"
mode = "string"
uri = "string"
}
Pour triton_model, utilisez :
{
jobInputType = "triton_model"
mode = "string"
uri = "string"
}
Pour uri_file, utilisez :
{
jobInputType = "uri_file"
mode = "string"
uri = "string"
}
Pour uri_folder, utilisez :
{
jobInputType = "uri_folder"
mode = "string"
uri = "string"
}
Définissez la propriété sparkJobEntryType pour spécifier le type d’objet.
Pour SparkJobPythonEntry, utilisez :
{
file = "string"
sparkJobEntryType = "SparkJobPythonEntry"
}
Pour SparkJobScalaEntry, utilisez :
{
className = "string"
sparkJobEntryType = "SparkJobScalaEntry"
}
Définissez la propriété jobOutputType
Pour custom_model, utilisez :
{
assetName = "string"
assetVersion = "string"
jobOutputType = "custom_model"
mode = "string"
uri = "string"
}
Pour mlflow_model, utilisez :
{
assetName = "string"
assetVersion = "string"
jobOutputType = "mlflow_model"
mode = "string"
uri = "string"
}
Pour mltable, utilisez :
{
assetName = "string"
assetVersion = "string"
jobOutputType = "mltable"
mode = "string"
uri = "string"
}
Pour triton_model, utilisez :
{
assetName = "string"
assetVersion = "string"
jobOutputType = "triton_model"
mode = "string"
uri = "string"
}
Pour uri_file, utilisez :
{
assetName = "string"
assetVersion = "string"
jobOutputType = "uri_file"
mode = "string"
uri = "string"
}
Pour uri_folder, utilisez :
{
assetName = "string"
assetVersion = "string"
jobOutputType = "uri_folder"
mode = "string"
uri = "string"
}
Définissez la propriété policyType
Pour Bandit, utilisez :
{
policyType = "Bandit"
slackAmount = int
slackFactor = int
}
Pour médiane, utilisez :
{
policyType = "MedianStopping"
}
Pour truncationSelection, utilisez :
{
policyType = "TruncationSelection"
truncationPercentage = int
}
Définissez la propriété mlAssist
Pour désactivé, utilisez :
{
mlAssist = "Disabled"
}
Pour activé, utilisez :
{
inferencingComputeBinding = "string"
mlAssist = "Enabled"
trainingComputeBinding = "string"
}
Définissez la propriété mode pour spécifier le type d’objet.
Pour automatique, utilisez :
{
mode = "Auto"
}
Pour personnalisé, utilisez :
{
mode = "Custom"
value = int
}
Définissez la propriété mediaType
Pour image, utilisez :
{
annotationType = "string"
mediaType = "Image"
}
Pour texte, utilisez :
{
annotationType = "string"
mediaType = "Text"
}
Définissez la propriété mode pour spécifier le type d’objet.
Pour automatique, utilisez :
{
mode = "Auto"
}
Pour personnalisé, utilisez :
{
mode = "Custom"
value = int
}
Définissez la propriété identityType pour spécifier le type d’objet.
Pour AMLToken, utilisez :
{
identityType = "AMLToken"
}
Pour managé, utilisez :
{
clientId = "string"
identityType = "Managed"
objectId = "string"
resourceId = "string"
}
Pour userIdentity, utilisez :
{
identityType = "UserIdentity"
}
Définissez la propriété taskType pour spécifier le type d’objet.
Pour de classification, utilisez :
{
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"
}
taskType = "Classification"
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"
}
Pour prévision, utilisez :
{
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"
}
taskType = "Forecasting"
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"
}
Pour ImageClassification, utilisez :
{
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"
}
taskType = "ImageClassification"
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
validationDataSize = int
}
Pour ImageClassificationMultilabel, utilisez :
{
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"
}
taskType = "ImageClassificationMultilabel"
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
validationDataSize = int
}
Pour ImageInstanceSegmentation, utilisez :
{
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 = "string"
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"
}
taskType = "ImageInstanceSegmentation"
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
validationDataSize = int
}
Pour ImageObjectDetection, utilisez :
{
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 = "string"
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"
}
taskType = "ImageObjectDetection"
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
validationDataSize = int
}
Pour régression, utilisez :
{
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"
}
taskType = "Regression"
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"
}
Pour TextClassification, utilisez :
{
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"
}
taskType = "TextClassification"
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
}
Pour TextClassificationMultilabel, utilisez :
{
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"
}
taskType = "TextClassificationMultilabel"
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
}
Pour TextNER, utilisez :
{
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"
}
taskType = "TextNER"
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
}
Définissez la propriété nodeValueType pour spécifier le type d’objet.
Pour tous les, utilisez :
{
nodesValueType = "All"
}
Définissez la propriété triggerType pour spécifier le type d’objet.
Pour Cron, utilisez :
{
expression = "string"
triggerType = "Cron"
}
Pour périodicité, utilisez :
{
frequency = "string"
interval = int
schedule = {
hours = [
int
]
minutes = [
int
]
monthDays = [
int
]
weekDays = [
"string"
]
}
triggerType = "Recurrence"
}
Définissez la propriété actionType pour spécifier le type d’objet.
Pour createJob, utilisez :
{
actionType = "CreateJob"
jobDefinition = {
componentId = "string"
computeId = "string"
description = "string"
displayName = "string"
experimentName = "string"
identity = {
identityType = "string"
// For remaining properties, see IdentityConfiguration objects
}
isArchived = bool
notificationSetting = {
emailOn = [
"string"
]
emails = [
"string"
]
}
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 = {
{customized property} = "string"
}
jobType = "string"
// For remaining properties, see JobBaseProperties objects
}
}
Pour InvokeBatchEndpoint, utilisez :
{
actionType = "InvokeBatchEndpoint"
endpointInvocationDefinition = ?
}
Définissez la propriété mode pour spécifier le type d’objet.
Pour automatique, utilisez :
{
mode = "Auto"
}
Pour personnalisé, utilisez :
{
mode = "Custom"
values = [
int
]
}
Définissez la propriété mode pour spécifier le type d’objet.
Pour automatique, utilisez :
{
mode = "Auto"
}
Pour personnalisé, utilisez :
{
mode = "Custom"
value = int
}
Définissez la propriété mode pour spécifier le type d’objet.
Pour automatique, utilisez :
{
mode = "Auto"
}
Pour personnalisé, utilisez :
{
mode = "Custom"
value = int
}
Définissez la propriété jobType pour spécifier le type d’objet.
Pour AutoML, utilisez :
{
environmentId = "string"
environmentVariables = {
{customized property} = "string"
}
jobType = "AutoML"
outputs = {
{customized property} = {
description = "string"
jobOutputType = "string"
// For remaining properties, see JobOutput objects
}
}
queueSettings = {
jobTier = "string"
priority = int
}
resources = {
dockerArgs = "string"
instanceCount = int
instanceType = "string"
locations = [
"string"
]
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
}
}
Pour commande, utilisez :
{
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
}
}
jobType = "Command"
limits = {
jobLimitsType = "string"
timeout = "string"
}
outputs = {
{customized property} = {
description = "string"
jobOutputType = "string"
// For remaining properties, see JobOutput objects
}
}
queueSettings = {
jobTier = "string"
priority = int
}
resources = {
dockerArgs = "string"
instanceCount = int
instanceType = "string"
locations = [
"string"
]
properties = {
{customized property} = ?
}
shmSize = "string"
}
}
Pour d’étiquetage, utilisez :
{
dataConfiguration = {
dataId = "string"
incrementalDataRefresh = "string"
}
jobInstructions = {
uri = "string"
}
jobType = "Labeling"
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
}
}
Pour pipeline, utilisez :
{
inputs = {
{customized property} = {
description = "string"
jobInputType = "string"
// For remaining properties, see JobInput objects
}
}
jobs = {
{customized property} = ?
}
jobType = "Pipeline"
outputs = {
{customized property} = {
description = "string"
jobOutputType = "string"
// For remaining properties, see JobOutput objects
}
}
settings = ?
sourceJobId = "string"
}
Pour Spark, utilisez :
{
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"
]
jobType = "Spark"
outputs = {
{customized property} = {
description = "string"
jobOutputType = "string"
// For remaining properties, see JobOutput objects
}
}
pyFiles = [
"string"
]
queueSettings = {
jobTier = "string"
priority = int
}
resources = {
instanceType = "string"
runtimeVersion = "string"
}
}
Pour de balayage, utilisez :
{
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
}
}
jobType = "Sweep"
limits = {
jobLimitsType = "string"
maxConcurrentTrials = int
maxTotalTrials = int
timeout = "string"
trialTimeout = "string"
}
objective = {
goal = "string"
primaryMetric = "string"
}
outputs = {
{customized property} = {
description = "string"
jobOutputType = "string"
// For remaining properties, see JobOutput objects
}
}
queueSettings = {
jobTier = "string"
priority = int
}
samplingAlgorithm = {
samplingAlgorithmType = "string"
// For remaining properties, see SamplingAlgorithm objects
}
searchSpace = ?
trial = {
codeId = "string"
command = "string"
distribution = {
distributionType = "string"
// For remaining properties, see DistributionConfiguration objects
}
environmentId = "string"
environmentVariables = {
{customized property} = "string"
}
resources = {
dockerArgs = "string"
instanceCount = int
instanceType = "string"
locations = [
"string"
]
properties = {
{customized property} = ?
}
shmSize = "string"
}
}
}
Nom | Description | Valeur |
---|---|---|
nodeValueType | [Obligatoire] Type de la valeur nœuds | 'All' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
identityType | [Obligatoire] Spécifie le type d’infrastructure d’identité. | 'AMLToken' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
mode | [Obligatoire] Définissez le mode de sélection des valeurs de l’horizon de prévision. | 'Auto' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
mlflowAutologger | [Obligatoire] Indique si l’autologger mlflow est activé. | 'Désactivé' 'Enabled' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
environmentId | ID de ressource ARM de la spécification d’environnement pour le travail. Il s’agit d’une valeur facultative à fournir, si elle n’est pas fournie, AutoML est définie par défaut sur la version de l’environnement organisé AutoML de production lors de l’exécution du travail. |
corde |
environmentVariables | Variables d’environnement incluses dans le travail. | AutoMLJobEnvironmentVariables |
jobType | [Obligatoire] Spécifie le type de travail. | 'AutoML' (obligatoire) |
Sorties | Mappage des liaisons de données de sortie utilisées dans le travail. | AutoMLJobOutputs |
queueSettings | Paramètres de file d’attente du travail | QueueSettings |
ressources | Configuration des ressources de calcul pour le travail. | JobResourceConfiguration |
taskDetails | [Obligatoire] Cela représente un scénario qui peut être l’une des tables/NLP/Image | AutoMLVertical (obligatoire) |
Nom | Description | Valeur |
---|
Nom | Description | Valeur |
---|
Nom | Description | Valeur |
---|---|---|
logVerbosity | Journaliser les verbes du travail. | 'Critique' 'Déboguer' 'Erreur' 'Info' 'NotSet' 'Avertissement' |
targetColumnName | Nom de la colonne cible : il s’agit de la colonne valeurs de prédiction. Également appelé nom de colonne d’étiquette dans le contexte des tâches de classification. |
corde |
taskType | Défini sur « Classification » pour le type Classification. Défini sur « Prévision » pour le type Prévision. Défini sur « ImageClassification » pour le type ImageClassification. Défini sur « ImageClassificationMultilabel » pour le type ImageClassificationMultilabel. Défini sur « ImageInstanceSegmentation » pour le type ImageInstanceSegmentation. Défini sur « ImageObjectDetection » pour le type ImageObjectDetection. Défini sur « Régression » pour le type régression. Défini sur « TextClassification » pour le type TextClassification. Défini sur « TextClassificationMultilabel » pour le type TextClassificationMultilabel. Défini sur « TextNER » pour le type TextNer. | 'Classification' 'Prévision' 'ImageClassification' 'ImageClassificationMultilabel' 'ImageInstanceSegmentation' 'ImageObjectDetection' 'Régression' 'TextClassification' 'TextClassificationMultilabel' 'TextNER' (obligatoire) |
trainingData | [Obligatoire] Entrée de données d’apprentissage. | MLTableJobInput (obligatoire) |
Nom | Description | Valeur |
---|---|---|
mode | [Obligatoire] Mode pour déterminer les validations N-Cross. | 'Auto' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
mode | [Obligatoire] Mode saisonnalité. | 'Auto' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
mode | [Obligatoire] Définir le mode décalages cibles - Auto/Custom | 'Auto' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
mode | [Obligatoire] Mode de détection TargetRollingWindowSiz. | 'Auto' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
policyType | [Obligatoire] Nom de la configuration de la stratégie | 'Bandit' (obligatoire) |
slackAmount | Distance absolue autorisée à partir de la meilleure exécution. | Int |
slackFactor | Ratio de la distance autorisée par rapport à la meilleure exécution. | Int |
Nom | Description | Valeur |
---|---|---|
samplingAlgorithmType | [Obligatoire] Algorithme utilisé pour générer des valeurs d’hyperparamètres, ainsi que des propriétés de configuration | 'Bayésien' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
cvSplitColumnNames | Colonnes à utiliser pour les données CVSplit. | string[] |
featurizationSettings | Entrées de caractérisation nécessaires pour le travail AutoML. | TableVerticalFeaturizationSettings |
fixedParameters | Paramètres de modèle/d’entraînement qui resteront constants tout au long de l’entraînement. | TableFixedParameters |
limitSettings | Contraintes d’exécution pour AutoMLJob. | TableVerticalLimitSettings |
nCrossValidations | Nombre de plis de validation croisée à appliquer sur le jeu de données d’entraînement lorsque le jeu de données de validation n’est pas fourni. |
NCrossValidations |
positiveLabel | Étiquette positive pour le calcul des métriques binaires. | corde |
primaryMetric | Métrique principale de la tâche. | 'Précision' 'AUCWeighted' 'AveragePrecisionScoreWeighted' 'NormMacroRecall' 'PrecisionScoreWeighted' |
searchSpace | Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. | TableParameterSubspace[] |
sweepSettings | Paramètres pour le balayage du modèle et le réglage des hyperparamètres. | TableSweepSettings |
taskType | [Obligatoire] Type de tâche pour AutoMLJob. | 'Classification' (obligatoire) |
testData | Tester l’entrée de données. | MLTableJobInput |
testDataSize | Fraction du jeu de données de test qui doit être mis de côté à des fins de validation. Valeurs comprises entre (0.0 , 1.0) Appliqué lorsque le jeu de données de validation n’est pas fourni. |
Int |
trainingSettings | Entrées pour la phase d’entraînement d’un travail AutoML. | ClassificationTrainingSettings |
validationData | Entrées de données de validation. | MLTableJobInput |
validationDataSize | Fraction du jeu de données d’entraînement qui doit être mis de côté à des fins de validation. Valeurs comprises entre (0.0 , 1.0) Appliqué lorsque le jeu de données de validation n’est pas fourni. |
Int |
weightColumnName | Nom de l’exemple de colonne de poids. Le ML automatisé prend en charge une colonne pondérée en tant qu’entrée, ce qui entraîne une pondération des lignes dans les données. | corde |
Nom | Description | Valeur |
---|---|---|
allowedTrainingAlgorithms | Modèles autorisés pour la tâche de classification. | Tableau de chaînes contenant l’un des éléments suivants : 'BernoulliNaiveBayes' 'DecisionTree' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LightGBM' 'LinearSVM' 'LogisticRegression' 'MultinomialNaiveBayes' 'RandomForest' 'SGD' 'SVM' 'XGBoostClassifier' |
blockedTrainingAlgorithms | Modèles bloqués pour la tâche de classification. | Tableau de chaînes contenant l’un des éléments suivants : 'BernoulliNaiveBayes' 'DecisionTree' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LightGBM' 'LinearSVM' 'LogisticRegression' 'MultinomialNaiveBayes' 'RandomForest' 'SGD' 'SVM' 'XGBoostClassifier' |
enableDnnTraining | Activez la recommandation des modèles DNN. | Bool |
enableModelExplainability | Indicateur pour activer l’explication sur le meilleur modèle. | Bool |
enableOnnxCompatibleModels | Indicateur pour l’activation des modèles compatibles onnx. | Bool |
enableStackEnsemble | Activez l’exécution de l’ensemble de piles. | Bool |
enableVoteEnsemble | Activer l’exécution de l’ensemble de vote. | Bool |
ensembleModelDownloadTimeout | Pendant la génération du modèle VotingEnsemble et StackEnsemble, plusieurs modèles adaptés des exécutions enfants précédentes sont téléchargés. Configurez ce paramètre avec une valeur supérieure à 300 secondes, si plus de temps est nécessaire. |
corde |
stackEnsembleSettings | Paramètres d’ensemble de pile pour l’exécution d’un ensemble de piles. | StackEnsembleSettings |
trainingMode | Mode TrainingMode : le paramètre « auto » est identique à celui défini sur « non distribué » pour l’instant. Toutefois, dans le futur, cela peut entraîner une sélection en mode mixte ou en mode heuristique. La valeur par défaut est « auto ». Si « Distributed », seule la caractérisation distribuée est utilisée et les algorithmes distribués sont choisis. Si « NonDistributed », seuls les algorithmes non distribués sont choisis. |
'Auto' 'Distributed' 'NonDistributed' |
Nom | Description | Valeur |
---|---|---|
champs | Champs sur utilisant la logique de transformateur. | string[] |
Paramètres | Différentes propriétés à passer au transformateur. L’entrée attendue est le dictionnaire de paires clé,valeur au format JSON. |
quelconque |
Nom | Description | Valeur |
---|---|---|
autologgerSettings | Configuration de distribution du travail. Si elle est définie, il doit s’agir de l’un des valeurs Mpi, Tensorflow, PyTorch ou Null. | AutologgerSettings |
codeId | ID de ressource ARM de la ressource de code. | corde |
commander | [Obligatoire] Commande à exécuter au démarrage du travail. Eg. « python train.py » | corde Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_] (obligatoire) |
distribution | Configuration de distribution du travail. Si elle est définie, il doit s’agir de l’un des valeurs Mpi, Tensorflow, PyTorch ou Null. | distributionConfiguration |
environmentId | [Obligatoire] ID de ressource ARM de la spécification d’environnement pour le travail. | corde Contraintes: Modèle = [a-zA-Z0-9_] (obligatoire) |
environmentVariables | Variables d’environnement incluses dans le travail. | CommandJobEnvironmentVariables |
Entrées | Mappage des liaisons de données d’entrée utilisées dans le travail. | CommandJobInputs |
jobType | [Obligatoire] Spécifie le type de travail. | 'Command' (obligatoire) |
Limites | Limite du travail de commande. | CommandJobLimits |
Sorties | Mappage des liaisons de données de sortie utilisées dans le travail. | CommandJobOutputs |
queueSettings | Paramètres de file d’attente du travail | QueueSettings |
ressources | Configuration des ressources de calcul pour le travail. | JobResourceConfiguration |
Nom | Description | Valeur |
---|
Nom | Description | Valeur |
---|
Nom | Description | Valeur |
---|---|---|
jobLimitsType | [Obligatoire] Type JobLimit. | 'Command' 'Balayage' (obligatoire) |
Timeout | Durée d’exécution maximale au format ISO 8601, après laquelle le travail sera annulé. Prend uniquement en charge la durée avec une précision aussi faible que secondes. | corde |
Nom | Description | Valeur |
---|
Nom | Description | Valeur |
---|---|---|
expression | [Obligatoire] Spécifie l’expression cron de la planification. L’expression doit suivre le format NCronTab. |
corde Contraintes: Modèle = [a-zA-Z0-9_] (obligatoire) |
triggerType | [Obligatoire] | 'Cron' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
mode | [Obligatoire] Définissez le mode de sélection des valeurs de l’horizon de prévision. | 'Custom' (obligatoire) |
valeur | [Obligatoire] Valeur de l’horizon de prévision. | int (obligatoire) |
Nom | Description | Valeur |
---|---|---|
jobInputType | [Obligatoire] Spécifie le type de travail. | 'custom_model' (obligatoire) |
mode | Mode de remise des ressources d’entrée. | 'Direct' 'Télécharger' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
URI | [Obligatoire] URI de ressource d’entrée. | corde Contraintes: Modèle = [a-zA-Z0-9_] (obligatoire) |
Nom | Description | Valeur |
---|---|---|
assetName | Nom de la ressource de sortie. | corde |
assetVersion | Version de ressource de sortie. | corde |
jobOutputType | [Obligatoire] Spécifie le type de travail. | 'custom_model' (obligatoire) |
mode | Mode de remise des ressources de sortie. | 'Direct' 'ReadWriteMount' 'Upload' |
URI | URI de ressource de sortie. | corde |
Nom | Description | Valeur |
---|---|---|
mode | [Obligatoire] Mode pour déterminer les validations N-Cross. | 'Custom' (obligatoire) |
valeur | [Obligatoire] Valeur de validation n-croisée. | int (obligatoire) |
Nom | Description | Valeur |
---|---|---|
mode | [Obligatoire] Mode saisonnalité. | 'Custom' (obligatoire) |
valeur | [Obligatoire] Valeur de saisonnalité. | int (obligatoire) |
Nom | Description | Valeur |
---|---|---|
mode | [Obligatoire] Définir le mode décalages cibles - Auto/Custom | 'Custom' (obligatoire) |
Valeurs | [Obligatoire] Définissez les valeurs des décalages cibles. | int[] (obligatoire) |
Nom | Description | Valeur |
---|---|---|
mode | [Obligatoire] Mode de détection TargetRollingWindowSiz. | 'Custom' (obligatoire) |
valeur | [Obligatoire] Valeur TargetRollingWindowSize. | int (obligatoire) |
Nom | Description | Valeur |
---|---|---|
distributionType | Défini sur « Mpi » pour le type Mpi . Défini sur « PyTorch » pour le type PyTorch . Défini sur « TensorFlow » pour le type TensorFlow. | 'Mpi' 'PyTorch' 'TensorFlow' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
delayEvaluation | Nombre d’intervalles par lesquels retarder la première évaluation. | Int |
evaluationInterval | Intervalle (nombre d’exécutions) entre les évaluations de stratégie. | Int |
policyType | Défini sur « Bandit » pour le type BanditPolicy. Défini sur « MedianStopping » pour le type MedianStoppingPolicy. Défini sur « TruncationSelection » pour le type TruncationSelectionPolicy. | 'Bandit' 'MedianStopping' 'TruncationSelection' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
actionType | [Obligatoire] Spécifie le type d’action de la planification | 'InvokeBatchEndpoint' (obligatoire) |
endpointInvocationDefinition | [Obligatoire] Définit les détails de définition d’action de planification. <voir href="TBD » /> |
tout (obligatoire) |
Nom | Description | Valeur |
---|---|---|
mode | Défini sur « Auto » pour le type AutoForecastHorizon. Défini sur « Custom » pour le type CustomForecastHorizon. | 'Auto' 'Custom' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
cvSplitColumnNames | Colonnes à utiliser pour les données CVSplit. | string[] |
featurizationSettings | Entrées de caractérisation nécessaires pour le travail AutoML. | TableVerticalFeaturizationSettings |
fixedParameters | Paramètres de modèle/d’entraînement qui resteront constants tout au long de l’entraînement. | TableFixedParameters |
forecastingSettings | Prévision d’entrées spécifiques à une tâche. | ForecastingSettings |
limitSettings | Contraintes d’exécution pour AutoMLJob. | TableVerticalLimitSettings |
nCrossValidations | Nombre de plis de validation croisée à appliquer sur le jeu de données d’entraînement lorsque le jeu de données de validation n’est pas fourni. |
NCrossValidations |
primaryMetric | Métrique principale pour la tâche de prévision. | 'NormalizedMeanAbsoluteError' 'NormalizedRootMeanSquaredError' 'R2Score' 'SpearmanCorrelation' |
searchSpace | Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. | TableParameterSubspace[] |
sweepSettings | Paramètres pour le balayage du modèle et le réglage des hyperparamètres. | TableSweepSettings |
taskType | [Obligatoire] Type de tâche pour AutoMLJob. | 'Prévision' (obligatoire) |
testData | Tester l’entrée de données. | MLTableJobInput |
testDataSize | Fraction du jeu de données de test qui doit être mis de côté à des fins de validation. Valeurs comprises entre (0.0 , 1.0) Appliqué lorsque le jeu de données de validation n’est pas fourni. |
Int |
trainingSettings | Entrées pour la phase d’entraînement d’un travail AutoML. | ForecastingTrainingSettings |
validationData | Entrées de données de validation. | MLTableJobInput |
validationDataSize | Fraction du jeu de données d’entraînement qui doit être mis de côté à des fins de validation. Valeurs comprises entre (0.0 , 1.0) Appliqué lorsque le jeu de données de validation n’est pas fourni. |
Int |
weightColumnName | Nom de l’exemple de colonne de poids. Le ML automatisé prend en charge une colonne pondérée en tant qu’entrée, ce qui entraîne une pondération des lignes dans les données. | corde |
Nom | Description | Valeur |
---|---|---|
countryOrRegionForHolidays | Pays ou région pour les vacances pour les tâches de prévision. Il doit s’agir de codes pays/région à deux lettres ISO 3166, par exemple « US » ou « Go ». |
corde |
cvStepSize | Nombre de périodes entre l’heure d’origine d’un pliage CV et le pli suivant. Pour par exemple, si CVStepSize = 3 pour les données quotidiennes, l’heure d’origine de chaque pli seratrois jours à part. |
Int |
featureLags | Indicateur de génération de décalages pour les fonctionnalités numériques avec « auto » ou null. | 'Auto' 'None' |
forecastHorizon | Horizon de prévision maximal souhaité en unités de fréquence de série chronologique. | ForecastHorizon |
fréquence | Lors de la prévision, ce paramètre représente la période avec laquelle la prévision est souhaitée, par exemple quotidienne, hebdomadaire, annuelle, etc. La fréquence de prévision est la fréquence du jeu de données par défaut. | corde |
Saisonnalité | Définissez la saisonnalité des séries chronologiques en tant que multiple entier de la fréquence de la série. Si la saisonnalité est définie sur « auto », elle sera déduite. |
saisonnalité |
shortSeriesHandlingConfig | Paramètre définissant comment si AutoML doit gérer des séries chronologiques courtes. | 'Auto' 'Drop' 'None' 'Pad' |
targetAggregateFunction | Fonction à utiliser pour agréger la colonne cible de série chronologique afin de se conformer à une fréquence spécifiée par l’utilisateur. Si TargetAggregateFunction est défini, c’est-à-dire pas « None », mais que le paramètre freq n’est pas défini, l’erreur est déclenchée. Les fonctions d’agrégation cible possibles sont : « somme », « max », « min » et « moyenne ». |
'Max' 'Moyenne' 'Min' 'None' 'Somme' |
targetLags | Nombre de périodes passées à décalager à partir de la colonne cible. | TargetLags |
targetRollingWindowSize | Nombre de périodes passées utilisées pour créer une moyenne de fenêtre propagée de la colonne cible. | TargetRollingWindowSize |
timeColumnName | Nom de la colonne time. Ce paramètre est requis lors de la prévision pour spécifier la colonne datetime dans les données d’entrée utilisées pour générer la série chronologique et déduire sa fréquence. | corde |
timeSeriesIdColumnNames | Noms des colonnes utilisées pour regrouper une série chronologique. Il peut être utilisé pour créer plusieurs séries. Si le grain n’est pas défini, le jeu de données est supposé être une série chronologique. Ce paramètre est utilisé avec la prévision de type de tâche. |
string[] |
useStl | Configurez la décomposition STL de la colonne cible de série chronologique. | 'None' 'Saison' 'SeasonTrend' |
Nom | Description | Valeur |
---|---|---|
allowedTrainingAlgorithms | Modèles autorisés pour la tâche de prévision. | Tableau de chaînes contenant l’un des éléments suivants : 'Arimax' 'AutoArima' 'Average' 'DecisionTree' 'ElasticNet' 'ExponentialSmoothing' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'Naive' 'Prophète' 'RandomForest' 'SeasonalAverage' 'SeasonalNaive' 'SGD' 'TCNForecaster' 'XGBoostRegressor' |
blockedTrainingAlgorithms | Modèles bloqués pour la tâche de prévision. | Tableau de chaînes contenant l’un des éléments suivants : 'Arimax' 'AutoArima' 'Average' 'DecisionTree' 'ElasticNet' 'ExponentialSmoothing' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'Naive' 'Prophète' 'RandomForest' 'SeasonalAverage' 'SeasonalNaive' 'SGD' 'TCNForecaster' 'XGBoostRegressor' |
enableDnnTraining | Activez la recommandation des modèles DNN. | Bool |
enableModelExplainability | Indicateur pour activer l’explication sur le meilleur modèle. | Bool |
enableOnnxCompatibleModels | Indicateur pour l’activation des modèles compatibles onnx. | Bool |
enableStackEnsemble | Activez l’exécution de l’ensemble de piles. | Bool |
enableVoteEnsemble | Activer l’exécution de l’ensemble de vote. | Bool |
ensembleModelDownloadTimeout | Pendant la génération du modèle VotingEnsemble et StackEnsemble, plusieurs modèles adaptés des exécutions enfants précédentes sont téléchargés. Configurez ce paramètre avec une valeur supérieure à 300 secondes, si plus de temps est nécessaire. |
corde |
stackEnsembleSettings | Paramètres d’ensemble de pile pour l’exécution d’un ensemble de piles. | StackEnsembleSettings |
trainingMode | Mode TrainingMode : le paramètre « auto » est identique à celui défini sur « non distribué » pour l’instant. Toutefois, dans le futur, cela peut entraîner une sélection en mode mixte ou en mode heuristique. La valeur par défaut est « auto ». Si « Distributed », seule la caractérisation distribuée est utilisée et les algorithmes distribués sont choisis. Si « NonDistributed », seuls les algorithmes non distribués sont choisis. |
'Auto' 'Distributed' 'NonDistributed' |
Nom | Description | Valeur |
---|---|---|
samplingAlgorithmType | [Obligatoire] Algorithme utilisé pour générer des valeurs d’hyperparamètres, ainsi que des propriétés de configuration | 'Grid' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
identityType | Défini sur « AMLToken » pour le type AmlToken . Défini sur « Managed » pour le type ManagedIdentity. Défini sur « UserIdentity » pour le type UserIdentity. | 'AMLToken' 'Managed' 'UserIdentity' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
limitSettings | [Obligatoire] Limitez les paramètres du travail AutoML. | ImageLimitSettings (obligatoire) |
modelSettings | Paramètres utilisés pour l’apprentissage du modèle. | ImageModelSettingsClassification |
primaryMetric | Métrique principale à optimiser pour cette tâche. | 'Précision' 'AUCWeighted' 'AveragePrecisionScoreWeighted' 'NormMacroRecall' 'PrecisionScoreWeighted' |
searchSpace | Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. | ImageModelDistributionSettingsClassification[] |
sweepSettings | Modèles de balayage et de balayage hyperparamètres paramètres associés au balayage. | ImageSweepSettings |
taskType | [Obligatoire] Type de tâche pour AutoMLJob. | 'ImageClassification' (obligatoire) |
validationData | Entrées de données de validation. | MLTableJobInput |
validationDataSize | Fraction du jeu de données d’entraînement qui doit être mis de côté à des fins de validation. Valeurs comprises entre (0.0 , 1.0) Appliqué lorsque le jeu de données de validation n’est pas fourni. |
Int |
Nom | Description | Valeur |
---|---|---|
limitSettings | [Obligatoire] Limitez les paramètres du travail AutoML. | ImageLimitSettings (obligatoire) |
modelSettings | Paramètres utilisés pour l’apprentissage du modèle. | ImageModelSettingsClassification |
primaryMetric | Métrique principale à optimiser pour cette tâche. | 'Précision' 'AUCWeighted' 'AveragePrecisionScoreWeighted' 'IOU' 'NormMacroRecall' 'PrecisionScoreWeighted' |
searchSpace | Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. | ImageModelDistributionSettingsClassification[] |
sweepSettings | Modèles de balayage et de balayage hyperparamètres paramètres associés au balayage. | ImageSweepSettings |
taskType | [Obligatoire] Type de tâche pour AutoMLJob. | 'ImageClassificationMultilabel' (obligatoire) |
validationData | Entrées de données de validation. | MLTableJobInput |
validationDataSize | Fraction du jeu de données d’entraînement qui doit être mis de côté à des fins de validation. Valeurs comprises entre (0.0 , 1.0) Appliqué lorsque le jeu de données de validation n’est pas fourni. |
Int |
Nom | Description | Valeur |
---|---|---|
limitSettings | [Obligatoire] Limitez les paramètres du travail AutoML. | ImageLimitSettings (obligatoire) |
modelSettings | Paramètres utilisés pour l’apprentissage du modèle. | ImageModelSettingsObjectDetection |
primaryMetric | Métrique principale à optimiser pour cette tâche. | 'MeanAveragePrecision' |
searchSpace | Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. | ImageModelDistributionSettingsObjectDetection[] |
sweepSettings | Modèles de balayage et de balayage hyperparamètres paramètres associés au balayage. | ImageSweepSettings |
taskType | [Obligatoire] Type de tâche pour AutoMLJob. | 'ImageInstanceSegmentation' (obligatoire) |
validationData | Entrées de données de validation. | MLTableJobInput |
validationDataSize | Fraction du jeu de données d’entraînement qui doit être mis de côté à des fins de validation. Valeurs comprises entre (0.0 , 1.0) Appliqué lorsque le jeu de données de validation n’est pas fourni. |
Int |
Nom | Description | Valeur |
---|---|---|
maxConcurrentTrials | Nombre maximal d’itérations AutoML simultanées. | Int |
maxTrials | Nombre maximal d’itérations AutoML. | Int |
Timeout | Délai d’expiration du travail AutoML. | corde |
Nom | Description | Valeur |
---|---|---|
amsGradient | Activez AMSGrad lorsque l’optimiseur est « adam » ou « adamw ». | corde |
augmentations | Paramètres d’utilisation des augmentations. | corde |
bêta1 | Valeur de « beta1 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1]. | corde |
bêta2 | Valeur de « beta2 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1]. | corde |
distribué | Indique s’il faut utiliser la formation du répartiteur. | corde |
début de l’arrêt | Activez la logique d’arrêt précoce pendant l’entraînement. | corde |
earlyStoppingDelay | Nombre minimal d’époques ou d’évaluations de validation à attendre avant l’amélioration de la métrique principale est suivi pour un arrêt précoce. Doit être un entier positif. |
corde |
earlyStoppingPatience | Nombre minimal d’époques ou d’évaluations de validation sans amélioration des métriques principales avant l’exécution est arrêtée. Doit être un entier positif. |
corde |
enableOnnxNormalization | Activez la normalisation lors de l’exportation du modèle ONNX. | corde |
evaluationFrequency | Fréquence d’évaluation du jeu de données de validation pour obtenir des scores de métriques. Doit être un entier positif. | corde |
gradientAccumulationStep | L’accumulation de dégradés signifie exécuter un nombre configuré d’étapes « GradAccumulationStep » sans mise à jour des pondérations du modèle tout en cumulant les dégradés de ces étapes, puis en utilisant dégradés cumulés pour calculer les mises à jour de poids. Doit être un entier positif. |
corde |
layersToFreeze | Nombre de couches à figer pour le modèle. Doit être un entier positif. Par exemple, passer 2 comme valeur pour « seresnext » signifie couche de congélation0 et couche1. Pour obtenir la liste complète des modèles pris en charge et des détails sur le gel de couche, veuillez voir : /azure/machine-learning/how-to-auto-train-image-models. |
corde |
learningRate | Taux d’apprentissage initial. Doit être un float dans la plage [0, 1]. | corde |
learningRateScheduler | Type de planificateur de taux d’apprentissage. Doit être « warmup_cosine » ou « étape ». | corde |
modelName | Nom du modèle à utiliser pour l’entraînement. Pour plus d’informations sur les modèles disponibles, consultez la documentation officielle : /azure/machine-learning/how-to-auto-train-image-models. |
corde |
élan | Valeur de l’élan lorsque l’optimiseur est « sgd ». Doit être un float dans la plage [0, 1]. | corde |
nesterov | Activez nesterov lorsque l’optimiseur est « sgd ». | corde |
numberOfEpochs | Nombre d’époques d’entraînement. Doit être un entier positif. | corde |
numberOfWorkers | Nombre de travailleurs du chargeur de données. Doit être un entier non négatif. | corde |
Optimiseur | Type d’optimiseur. Doit être « sgd », « adam » ou « adamw ». | corde |
randomSeed | Valeur initiale aléatoire à utiliser lors de l’utilisation de l’entraînement déterministe. | corde |
stepLRGamma | Valeur gamma lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un float dans la plage [0, 1]. | corde |
stepLRStepSize | Valeur de la taille de l’étape lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un entier positif. | corde |
trainingBatchSize | Taille du lot d’entraînement. Doit être un entier positif. | corde |
trainingCropSize | Taille de rognage d’image qui est entrée dans le réseau neuronal pour le jeu de données d’entraînement. Doit être un entier positif. | corde |
validationBatchSize | Taille du lot de validation. Doit être un entier positif. | corde |
validationCropSize | Taille de rognage d’image entrée dans le réseau neuronal pour le jeu de données de validation. Doit être un entier positif. | corde |
validationResizeSize | Taille de l’image à laquelle redimensionner avant de rogner pour le jeu de données de validation. Doit être un entier positif. | corde |
warmupCosineLRCycles | Valeur du cycle de cosinus lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un float dans la plage [0, 1]. | corde |
warmupCosineLRWarmupEpochs | Valeur des époques de préchauffement lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un entier positif. | corde |
weightDecay | Valeur de la dégradation du poids lorsque l’optimiseur est « sgd », « adam » ou « adamw ». Doit être un float dans la plage[0, 1]. | corde |
weightedLoss | Perte pondérée. Les valeurs acceptées sont 0 pour aucune perte pondérée. 1 pour la perte pondérée avec sqrt. (class_weights). 2 pour la perte pondérée avec class_weights. Doit être 0 ou 1 ou 2. |
corde |
Nom | Description | Valeur |
---|---|---|
amsGradient | Activez AMSGrad lorsque l’optimiseur est « adam » ou « adamw ». | corde |
augmentations | Paramètres d’utilisation des augmentations. | corde |
bêta1 | Valeur de « beta1 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1]. | corde |
bêta2 | Valeur de « beta2 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1]. | corde |
boxDetectionsPerImage | Nombre maximal de détections par image, pour toutes les classes. Doit être un entier positif. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ». |
corde |
boxScoreThreshold | Pendant l’inférence, seules les propositions renvoient un score de classification supérieur à BoxScoreThreshold. Doit être un float dans la plage[0, 1]. |
corde |
distribué | Indique s’il faut utiliser la formation du répartiteur. | corde |
début de l’arrêt | Activez la logique d’arrêt précoce pendant l’entraînement. | corde |
earlyStoppingDelay | Nombre minimal d’époques ou d’évaluations de validation à attendre avant l’amélioration de la métrique principale est suivi pour un arrêt précoce. Doit être un entier positif. |
corde |
earlyStoppingPatience | Nombre minimal d’époques ou d’évaluations de validation sans amélioration des métriques principales avant l’exécution est arrêtée. Doit être un entier positif. |
corde |
enableOnnxNormalization | Activez la normalisation lors de l’exportation du modèle ONNX. | corde |
evaluationFrequency | Fréquence d’évaluation du jeu de données de validation pour obtenir des scores de métriques. Doit être un entier positif. | corde |
gradientAccumulationStep | L’accumulation de dégradés signifie exécuter un nombre configuré d’étapes « GradAccumulationStep » sans mise à jour des pondérations du modèle tout en cumulant les dégradés de ces étapes, puis en utilisant dégradés cumulés pour calculer les mises à jour de poids. Doit être un entier positif. |
corde |
imageSize | Taille de l’image pour l’apprentissage et la validation. Doit être un entier positif. Remarque : L’exécution d’entraînement peut entrer dans CUDA OOM si la taille est trop grande. Remarque : ces paramètres sont pris en charge uniquement pour l’algorithme « yolov5 ». |
corde |
layersToFreeze | Nombre de couches à figer pour le modèle. Doit être un entier positif. Par exemple, passer 2 comme valeur pour « seresnext » signifie couche de congélation0 et couche1. Pour obtenir la liste complète des modèles pris en charge et des détails sur le gel de couche, veuillez voir : /azure/machine-learning/how-to-auto-train-image-models. |
corde |
learningRate | Taux d’apprentissage initial. Doit être un float dans la plage [0, 1]. | corde |
learningRateScheduler | Type de planificateur de taux d’apprentissage. Doit être « warmup_cosine » ou « étape ». | corde |
maxSize | Taille maximale de l’image à rescaler avant de l’alimenter dans la colonne vertébrale. Doit être un entier positif. Remarque : l’exécution d’entraînement peut entrer dans CUDA OOM si la taille est trop grande. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ». |
corde |
minSize | Taille minimale de l’image à rescaler avant de l’alimenter dans la colonne principale. Doit être un entier positif. Remarque : l’exécution d’entraînement peut entrer dans CUDA OOM si la taille est trop grande. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ». |
corde |
modelName | Nom du modèle à utiliser pour l’entraînement. Pour plus d’informations sur les modèles disponibles, consultez la documentation officielle : /azure/machine-learning/how-to-auto-train-image-models. |
corde |
modelSize | Taille du modèle. Doit être « small », « medium », « large » ou « xlarge ». Remarque : l’exécution d’entraînement peut entrer dans CUDA OOM si la taille du modèle est trop grande. Remarque : ces paramètres sont pris en charge uniquement pour l’algorithme « yolov5 ». |
corde |
élan | Valeur de l’élan lorsque l’optimiseur est « sgd ». Doit être un float dans la plage [0, 1]. | corde |
multiscale | Activez l’image à plusieurs échelles en variant la taille de l’image de +/- 50%. Remarque : l’exécution d’entraînement peut accéder à CUDA OOM si aucune mémoire GPU suffisante. Remarque : ces paramètres sont pris en charge uniquement pour l’algorithme « yolov5 ». |
corde |
nesterov | Activez nesterov lorsque l’optimiseur est « sgd ». | corde |
nmsIouThreshold | Seuil IOU utilisé lors de l’inférence dans le post-traitement NMS. Doit être flottant dans la plage [0, 1]. | corde |
numberOfEpochs | Nombre d’époques d’entraînement. Doit être un entier positif. | corde |
numberOfWorkers | Nombre de travailleurs du chargeur de données. Doit être un entier non négatif. | corde |
Optimiseur | Type d’optimiseur. Doit être « sgd », « adam » ou « adamw ». | corde |
randomSeed | Valeur initiale aléatoire à utiliser lors de l’utilisation de l’entraînement déterministe. | corde |
stepLRGamma | Valeur gamma lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un float dans la plage [0, 1]. | corde |
stepLRStepSize | Valeur de la taille de l’étape lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un entier positif. | corde |
tileGridSize | Taille de grille à utiliser pour la mosaïne de chaque image. Remarque : TileGridSize ne doit pas être Aucune pour activer la logique de détection d’objets de petite taille. Chaîne contenant deux entiers au format mxn. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ». |
corde |
tileOverlapRatio | Rapport de chevauchement entre les vignettes adjacentes dans chaque dimension. Doit être flottant dans la plage [0, 1). Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ». |
corde |
tilePredictionsNmsThreshold | Seuil IOU à utiliser pour effectuer nmS lors de la fusion des prédictions à partir de vignettes et d’images. Utilisé dans la validation/inférence. Doit être flottant dans la plage [0, 1]. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ». NMS : suppression non maximale |
corde |
trainingBatchSize | Taille du lot d’entraînement. Doit être un entier positif. | corde |
validationBatchSize | Taille du lot de validation. Doit être un entier positif. | corde |
validationIouThreshold | Seuil IOU à utiliser lors de l’informatique de la métrique de validation. Doit être flottant dans la plage [0, 1]. | corde |
validationMetricType | Méthode de calcul de métrique à utiliser pour les métriques de validation. Doit être « none », « coco », « voc » ou « coco_voc ». | corde |
warmupCosineLRCycles | Valeur du cycle de cosinus lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un float dans la plage [0, 1]. | corde |
warmupCosineLRWarmupEpochs | Valeur des époques de préchauffement lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un entier positif. | corde |
weightDecay | Valeur de la dégradation du poids lorsque l’optimiseur est « sgd », « adam » ou « adamw ». Doit être un float dans la plage[0, 1]. | corde |
Nom | Description | Valeur |
---|---|---|
advancedSettings | Paramètres des scénarios avancés. | corde |
amsGradient | Activez AMSGrad lorsque l’optimiseur est « adam » ou « adamw ». | Bool |
augmentations | Paramètres d’utilisation des augmentations. | corde |
bêta1 | Valeur de « beta1 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1]. | Int |
bêta2 | Valeur de « beta2 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1]. | Int |
checkpointFrequency | Fréquence de stockage des points de contrôle de modèle. Doit être un entier positif. | Int |
checkpointModel | Modèle de point de contrôle préentraîné pour l’entraînement incrémentiel. | MLFlowModelJobInput |
checkpointRunId | ID d’une exécution précédente qui a un point de contrôle préentraîné pour l’entraînement incrémentiel. | corde |
distribué | Indique s’il faut utiliser l’entraînement distribué. | Bool |
début de l’arrêt | Activez la logique d’arrêt précoce pendant l’entraînement. | Bool |
earlyStoppingDelay | Nombre minimal d’époques ou d’évaluations de validation à attendre avant l’amélioration de la métrique principale est suivi pour un arrêt précoce. Doit être un entier positif. |
Int |
earlyStoppingPatience | Nombre minimal d’époques ou d’évaluations de validation sans amélioration des métriques principales avant l’exécution est arrêtée. Doit être un entier positif. |
Int |
enableOnnxNormalization | Activez la normalisation lors de l’exportation du modèle ONNX. | Bool |
evaluationFrequency | Fréquence d’évaluation du jeu de données de validation pour obtenir des scores de métriques. Doit être un entier positif. | Int |
gradientAccumulationStep | L’accumulation de dégradés signifie exécuter un nombre configuré d’étapes « GradAccumulationStep » sans mise à jour des pondérations du modèle tout en cumulant les dégradés de ces étapes, puis en utilisant dégradés cumulés pour calculer les mises à jour de poids. Doit être un entier positif. |
Int |
layersToFreeze | Nombre de couches à figer pour le modèle. Doit être un entier positif. Par exemple, passer 2 comme valeur pour « seresnext » signifie couche de congélation0 et couche1. Pour obtenir la liste complète des modèles pris en charge et des détails sur le gel de couche, veuillez voir : /azure/machine-learning/how-to-auto-train-image-models. |
Int |
learningRate | Taux d’apprentissage initial. Doit être un float dans la plage [0, 1]. | Int |
learningRateScheduler | Type de planificateur de taux d’apprentissage. Doit être « warmup_cosine » ou « étape ». | 'None' 'Étape' 'WarmupCosine' |
modelName | Nom du modèle à utiliser pour l’entraînement. Pour plus d’informations sur les modèles disponibles, consultez la documentation officielle : /azure/machine-learning/how-to-auto-train-image-models. |
corde |
élan | Valeur de l’élan lorsque l’optimiseur est « sgd ». Doit être un float dans la plage [0, 1]. | Int |
nesterov | Activez nesterov lorsque l’optimiseur est « sgd ». | Bool |
numberOfEpochs | Nombre d’époques d’entraînement. Doit être un entier positif. | Int |
numberOfWorkers | Nombre de travailleurs du chargeur de données. Doit être un entier non négatif. | Int |
Optimiseur | Type d’optimiseur. | 'Adam' 'Adamw' 'None' 'Sgd' |
randomSeed | Valeur initiale aléatoire à utiliser lors de l’utilisation de l’entraînement déterministe. | Int |
stepLRGamma | Valeur gamma lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un float dans la plage [0, 1]. | Int |
stepLRStepSize | Valeur de la taille de l’étape lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un entier positif. | Int |
trainingBatchSize | Taille du lot d’entraînement. Doit être un entier positif. | Int |
trainingCropSize | Taille de rognage d’image qui est entrée dans le réseau neuronal pour le jeu de données d’entraînement. Doit être un entier positif. | Int |
validationBatchSize | Taille du lot de validation. Doit être un entier positif. | Int |
validationCropSize | Taille de rognage d’image entrée dans le réseau neuronal pour le jeu de données de validation. Doit être un entier positif. | Int |
validationResizeSize | Taille de l’image à laquelle redimensionner avant de rogner pour le jeu de données de validation. Doit être un entier positif. | Int |
warmupCosineLRCycles | Valeur du cycle de cosinus lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un float dans la plage [0, 1]. | Int |
warmupCosineLRWarmupEpochs | Valeur des époques de préchauffement lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un entier positif. | Int |
weightDecay | Valeur de la dégradation du poids lorsque l’optimiseur est « sgd », « adam » ou « adamw ». Doit être un float dans la plage[0, 1]. | Int |
weightedLoss | Perte pondérée. Les valeurs acceptées sont 0 pour aucune perte pondérée. 1 pour la perte pondérée avec sqrt. (class_weights). 2 pour la perte pondérée avec class_weights. Doit être 0 ou 1 ou 2. |
Int |
Nom | Description | Valeur |
---|---|---|
advancedSettings | Paramètres des scénarios avancés. | corde |
amsGradient | Activez AMSGrad lorsque l’optimiseur est « adam » ou « adamw ». | Bool |
augmentations | Paramètres d’utilisation des augmentations. | corde |
bêta1 | Valeur de « beta1 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1]. | Int |
bêta2 | Valeur de « beta2 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1]. | Int |
boxDetectionsPerImage | Nombre maximal de détections par image, pour toutes les classes. Doit être un entier positif. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ». |
Int |
boxScoreThreshold | Pendant l’inférence, seules les propositions renvoient un score de classification supérieur à BoxScoreThreshold. Doit être un float dans la plage[0, 1]. |
Int |
checkpointFrequency | Fréquence de stockage des points de contrôle de modèle. Doit être un entier positif. | Int |
checkpointModel | Modèle de point de contrôle préentraîné pour l’entraînement incrémentiel. | MLFlowModelJobInput |
checkpointRunId | ID d’une exécution précédente qui a un point de contrôle préentraîné pour l’entraînement incrémentiel. | corde |
distribué | Indique s’il faut utiliser l’entraînement distribué. | Bool |
début de l’arrêt | Activez la logique d’arrêt précoce pendant l’entraînement. | Bool |
earlyStoppingDelay | Nombre minimal d’époques ou d’évaluations de validation à attendre avant l’amélioration de la métrique principale est suivi pour un arrêt précoce. Doit être un entier positif. |
Int |
earlyStoppingPatience | Nombre minimal d’époques ou d’évaluations de validation sans amélioration des métriques principales avant l’exécution est arrêtée. Doit être un entier positif. |
Int |
enableOnnxNormalization | Activez la normalisation lors de l’exportation du modèle ONNX. | Bool |
evaluationFrequency | Fréquence d’évaluation du jeu de données de validation pour obtenir des scores de métriques. Doit être un entier positif. | Int |
gradientAccumulationStep | L’accumulation de dégradés signifie exécuter un nombre configuré d’étapes « GradAccumulationStep » sans mise à jour des pondérations du modèle tout en cumulant les dégradés de ces étapes, puis en utilisant dégradés cumulés pour calculer les mises à jour de poids. Doit être un entier positif. |
Int |
imageSize | Taille de l’image pour l’apprentissage et la validation. Doit être un entier positif. Remarque : L’exécution d’entraînement peut entrer dans CUDA OOM si la taille est trop grande. Remarque : ces paramètres sont pris en charge uniquement pour l’algorithme « yolov5 ». |
Int |
layersToFreeze | Nombre de couches à figer pour le modèle. Doit être un entier positif. Par exemple, passer 2 comme valeur pour « seresnext » signifie couche de congélation0 et couche1. Pour obtenir la liste complète des modèles pris en charge et des détails sur le gel de couche, veuillez voir : /azure/machine-learning/how-to-auto-train-image-models. |
Int |
learningRate | Taux d’apprentissage initial. Doit être un float dans la plage [0, 1]. | Int |
learningRateScheduler | Type de planificateur de taux d’apprentissage. Doit être « warmup_cosine » ou « étape ». | 'None' 'Étape' 'WarmupCosine' |
maxSize | Taille maximale de l’image à rescaler avant de l’alimenter dans la colonne vertébrale. Doit être un entier positif. Remarque : l’exécution d’entraînement peut entrer dans CUDA OOM si la taille est trop grande. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ». |
Int |
minSize | Taille minimale de l’image à rescaler avant de l’alimenter dans la colonne principale. Doit être un entier positif. Remarque : l’exécution d’entraînement peut entrer dans CUDA OOM si la taille est trop grande. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ». |
Int |
modelName | Nom du modèle à utiliser pour l’entraînement. Pour plus d’informations sur les modèles disponibles, consultez la documentation officielle : /azure/machine-learning/how-to-auto-train-image-models. |
corde |
modelSize | Taille du modèle. Doit être « small », « medium », « large » ou « xlarge ». Remarque : l’exécution d’entraînement peut entrer dans CUDA OOM si la taille du modèle est trop grande. Remarque : ces paramètres sont pris en charge uniquement pour l’algorithme « yolov5 ». |
'ExtraLarge' 'Large' 'Medium' 'None' 'Small' |
élan | Valeur de l’élan lorsque l’optimiseur est « sgd ». Doit être un float dans la plage [0, 1]. | Int |
multiscale | Activez l’image à plusieurs échelles en variant la taille de l’image de +/- 50%. Remarque : l’exécution d’entraînement peut accéder à CUDA OOM si aucune mémoire GPU suffisante. Remarque : ces paramètres sont pris en charge uniquement pour l’algorithme « yolov5 ». |
Bool |
nesterov | Activez nesterov lorsque l’optimiseur est « sgd ». | Bool |
nmsIouThreshold | Seuil IOU utilisé lors de l’inférence dans le post-traitement NMS. Doit être un float dans la plage [0, 1]. | Int |
numberOfEpochs | Nombre d’époques d’entraînement. Doit être un entier positif. | Int |
numberOfWorkers | Nombre de travailleurs du chargeur de données. Doit être un entier non négatif. | Int |
Optimiseur | Type d’optimiseur. | 'Adam' 'Adamw' 'None' 'Sgd' |
randomSeed | Valeur initiale aléatoire à utiliser lors de l’utilisation de l’entraînement déterministe. | Int |
stepLRGamma | Valeur gamma lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un float dans la plage [0, 1]. | Int |
stepLRStepSize | Valeur de la taille de l’étape lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un entier positif. | Int |
tileGridSize | Taille de grille à utiliser pour la mosaïne de chaque image. Remarque : TileGridSize ne doit pas être Aucune pour activer la logique de détection d’objets de petite taille. Chaîne contenant deux entiers au format mxn. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ». |
corde |
tileOverlapRatio | Rapport de chevauchement entre les vignettes adjacentes dans chaque dimension. Doit être flottant dans la plage [0, 1). Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ». |
Int |
tilePredictionsNmsThreshold | Seuil IOU à utiliser pour effectuer nmS lors de la fusion des prédictions à partir de vignettes et d’images. Utilisé dans la validation/inférence. Doit être flottant dans la plage [0, 1]. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ». |
Int |
trainingBatchSize | Taille du lot d’entraînement. Doit être un entier positif. | Int |
validationBatchSize | Taille du lot de validation. Doit être un entier positif. | Int |
validationIouThreshold | Seuil IOU à utiliser lors de l’informatique de la métrique de validation. Doit être flottant dans la plage [0, 1]. | Int |
validationMetricType | Méthode de calcul de métrique à utiliser pour les métriques de validation. | 'Coco' 'CocoVoc' 'None' 'Voc' |
warmupCosineLRCycles | Valeur du cycle de cosinus lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un float dans la plage [0, 1]. | Int |
warmupCosineLRWarmupEpochs | Valeur des époques de préchauffement lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un entier positif. | Int |
weightDecay | Valeur de la dégradation du poids lorsque l’optimiseur est « sgd », « adam » ou « adamw ». Doit être un float dans la plage[0, 1]. | Int |
Nom | Description | Valeur |
---|---|---|
limitSettings | [Obligatoire] Limitez les paramètres du travail AutoML. | ImageLimitSettings (obligatoire) |
modelSettings | Paramètres utilisés pour l’apprentissage du modèle. | ImageModelSettingsObjectDetection |
primaryMetric | Métrique principale à optimiser pour cette tâche. | 'MeanAveragePrecision' |
searchSpace | Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. | ImageModelDistributionSettingsObjectDetection[] |
sweepSettings | Modèles de balayage et de balayage hyperparamètres paramètres associés au balayage. | ImageSweepSettings |
taskType | [Obligatoire] Type de tâche pour AutoMLJob. | 'ImageObjectDetection' (obligatoire) |
validationData | Entrées de données de validation. | MLTableJobInput |
validationDataSize | Fraction du jeu de données d’entraînement qui doit être mis de côté à des fins de validation. Valeurs comprises entre (0.0 , 1.0) Appliqué lorsque le jeu de données de validation n’est pas fourni. |
Int |
Nom | Description | Valeur |
---|---|---|
componentId | ID de ressource ARM de la ressource de composant. | corde |
computeId | ID de ressource ARM de la ressource de calcul. | corde |
description | Texte de description de la ressource. | corde |
displayName | Nom complet du travail. | corde |
experimentName | Nom de l’expérience à laquelle appartient le travail. S’il n’est pas défini, le travail est placé dans l’expérience « Par défaut ». | corde |
identité | Configuration de l’identité. Si cette valeur est définie, il doit s’agir de l’un des éléments AmlToken, ManagedIdentity, UserIdentity ou Null. La valeur par défaut est AmlToken si null. |
IdentityConfiguration |
isArchived | La ressource est-elle archivée ? | Bool |
jobType | Défini sur « AutoML » pour le type AutoMLJob. Définissez la valeur « Command » pour le type CommandJob. Défini sur « Étiquetage » pour le type LabelingJobProperties. Défini sur « Pipeline » pour le type PipelineJob. Défini sur « Spark » pour le type SparkJob. Défini sur « Balayage » pour le type Balayage. | 'AutoML' 'Command' 'Étiquetage' 'Pipeline' 'Spark' 'Balayage' (obligatoire) |
notificationSetting | Paramètre de notification pour le travail | NotificationSetting |
Propriétés | Dictionnaire de propriétés de ressource. | ResourceBaseProperties |
services | Liste des points de terminaison de travail. Pour les travaux locaux, un point de terminaison de travail a une valeur de point de terminaison de FileStreamObject. |
JobBaseServices |
étiquettes | Dictionnaire de balises. Les balises peuvent être ajoutées, supprimées et mises à jour. | ResourceBaseTags |
Nom | Description | Valeur |
---|
Nom | Description | Valeur |
---|---|---|
description | Description de l’entrée. | corde |
jobInputType | Défini sur « custom_model » pour le type CustomModelJobInput. Défini sur « littéral » pour le type LiteralJobInput. Défini sur « mlflow_model » pour le type MLFlowModelJobInput. Défini sur « mltable » pour le type MLTableJobInput. Défini sur « triton_model » pour le type TritonModelJobInput. Défini sur « uri_file » pour le type UriFileJobInput. Défini sur « uri_folder » pour le type UriFolderJobInput. | 'custom_model' 'littéral' 'mlflow_model' 'mltable' 'triton_model' 'uri_file' 'uri_folder' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
description | Description de la sortie. | corde |
jobOutputType | Défini sur « custom_model » pour le type CustomModelJobOutput. Défini sur « mlflow_model » pour le type MLFlowModelJobOutput. Défini sur « mltable » pour le type MLTableJobOutput. Défini sur « triton_model » pour le type TritonModelJobOutput. Défini sur « uri_file » pour le type UriFileJobOutput. Défini sur « uri_folder » pour le type UriFolderJobOutput. | 'custom_model' 'mlflow_model' 'mltable' 'triton_model' 'uri_file' 'uri_folder' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
dockerArgs | Arguments supplémentaires à passer à la commande Docker run. Cela remplacerait tous les paramètres qui ont déjà été définis par le système, ou dans cette section. Ce paramètre est pris en charge uniquement pour les types de calcul Azure ML. | corde |
instanceCount | Nombre facultatif d’instances ou de nœuds utilisés par la cible de calcul. | Int |
instanceType | Type facultatif de machine virtuelle utilisée comme prise en charge par la cible de calcul. | corde |
Lieux | Emplacements où le travail peut s’exécuter. | string[] |
Propriétés | Conteneur de propriétés supplémentaires. | ResourceConfigurationProperties |
shmSize | Taille du bloc de mémoire partagée du conteneur Docker. Cela doit être au format (nombre)(unité) où le nombre doit être supérieur à 0 et que l’unité peut être l’un des b(octets), k(kilo-octets), m(mégaoctets) ou g(gigaoctets). | corde Contraintes: Modèle = \d+[bBkKmMgG] |
Nom | Description | Valeur |
---|---|---|
actionType | [Obligatoire] Spécifie le type d’action de la planification | 'CreateJob' (obligatoire) |
jobDefinition | [Obligatoire] Définit les détails de définition d’action de planification. | jobBaseProperties (obligatoire) |
Nom | Description | Valeur |
---|---|---|
extrémité | URL du point de terminaison. | corde |
jobServiceType | Type de point de terminaison. | corde |
Nœuds | Nœuds sur lesquels l’utilisateur souhaite démarrer le service. Si les nœuds ne sont pas définis ou définis sur null, le service est démarré uniquement sur le nœud leader. |
Nœuds |
port | Port du point de terminaison défini par l’utilisateur. | Int |
Propriétés | Propriétés supplémentaires à définir sur le point de terminaison. | JobServiceProperties |
Nom | Description | Valeur |
---|
Nom | Description | Valeur |
---|---|---|
Classes | Dictionnaire de classes d’étiquettes dans cette catégorie. | LabelCategoryClasses |
displayName | Nom complet de la catégorie d’étiquette. | corde |
multiselect | Indique s’il est autorisé à sélectionner plusieurs classes dans cette catégorie. | 'Désactivé' 'Activé' |
Nom | Description | Valeur |
---|
Nom | Description | Valeur |
---|---|---|
displayName | Nom complet de la classe d’étiquette. | corde |
Sous-classes | Dictionnaire de sous-classes de la classe label. | LabelClassSubclasses |
Nom | Description | Valeur |
---|
Nom | Description | Valeur |
---|---|---|
dataId | ID de ressource de la ressource de données pour effectuer l’étiquetage. | corde |
incrementalDataRefresh | Indique s’il faut activer l’actualisation incrémentielle des données. | 'Désactivé' 'Activé' |
Nom | Description | Valeur |
---|---|---|
annotationType | Type d’annotation du travail d’étiquetage d’image. | 'BoundingBox' 'Classification' 'InstanceSegmentation' |
mediaType | [Obligatoire] Type de média du travail. | 'Image' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
URI | Lien vers une page contenant des instructions d’étiquetage détaillées pour les étiqueteurs. | corde |
Nom | Description | Valeur |
---|
Nom | Description | Valeur |
---|---|---|
mediaType | Défini sur « Image » pour le type LabelingJobImageProperties. Défini sur « Text » pour le type LabelingJobTextProperties. | 'Image' 'Text' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
dataConfiguration | Configuration des données utilisées dans le travail. | labelingDataConfiguration |
jobInstructions | Instructions d’étiquetage du travail. | LabelingJobInstructions |
jobType | [Obligatoire] Spécifie le type de travail. | 'Étiquetage' (obligatoire) |
labelCategories | Catégories d’étiquettes du travail. | LabelingJobLabelCategories |
labelingJobMediaProperties | Propriétés spécifiques du type de média dans le travail. | LabelingJobMediaProperties |
mlAssistConfiguration | Configuration de la fonctionnalité MLAssist dans le travail. | mlAssistConfiguration |
Nom | Description | Valeur |
---|---|---|
annotationType | Type d’annotation du travail d’étiquetage de texte. | 'Classification' 'NamedEntityRecognition' |
mediaType | [Obligatoire] Type de média du travail. | 'Text' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
jobInputType | [Obligatoire] Spécifie le type de travail. | 'littéral' (obligatoire) |
valeur | [Obligatoire] Valeur littérale de l’entrée. | corde Contraintes: Modèle = [a-zA-Z0-9_] (obligatoire) |
Nom | Description | Valeur |
---|---|---|
clientId | Spécifie une identité affectée par l’utilisateur par ID client. Pour les données attribuées par le système, ne définissez pas ce champ. | corde Contraintes: Longueur minimale = 36 Longueur maximale = 36 Modèle = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$ |
identityType | [Obligatoire] Spécifie le type d’infrastructure d’identité. | 'Managed' (obligatoire) |
objectId | Spécifie une identité affectée par l’utilisateur par ID d’objet. Pour les données attribuées par le système, ne définissez pas ce champ. | corde Contraintes: Longueur minimale = 36 Longueur maximale = 36 Modèle = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$ |
resourceId | Spécifie une identité affectée par l’utilisateur par ID de ressource ARM. Pour les données attribuées par le système, ne définissez pas ce champ. | corde |
Nom | Description | Valeur |
---|---|---|
policyType | [Obligatoire] Nom de la configuration de la stratégie | 'MedianStopping' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
nom | Nom de la ressource | corde Contraintes: Modèle = ^[a-zA-Z0-9][a-zA-Z0-9\-_]{0,254}$ (obligatoire) |
parent_id | ID de la ressource qui est le parent de cette ressource. | ID de ressource de type : espaces de travail |
Propriétés | [Obligatoire] Attributs supplémentaires de l’entité. | ScheduleProperties (obligatoire) |
type | Type de ressource | « Microsoft.MachineLearningServices/workspaces/schedules@2023-02-01-preview » |
Nom | Description | Valeur |
---|---|---|
mlAssist | Défini sur « Disabled » pour le type MLAssistConfigurationDisabled. Défini sur « Enabled » pour le type MLAssistConfigurationEnabled. | 'Désactivé' 'Enabled' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
mlAssist | [Obligatoire] Indique si la fonctionnalité MLAssist est activée. | 'Disabled' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
inferencingComputeBinding | [Obligatoire] Liaison de calcul AML utilisée dans l’inférence. | corde Contraintes: Modèle = [a-zA-Z0-9_] (obligatoire) |
mlAssist | [Obligatoire] Indique si la fonctionnalité MLAssist est activée. | 'Enabled' (obligatoire) |
trainingComputeBinding | [Obligatoire] Liaison de calcul AML utilisée dans l’apprentissage. | corde Contraintes: Modèle = [a-zA-Z0-9_] (obligatoire) |
Nom | Description | Valeur |
---|---|---|
jobInputType | [Obligatoire] Spécifie le type de travail. | 'mlflow_model' (obligatoire) |
mode | Mode de remise des ressources d’entrée. | 'Direct' 'Télécharger' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
URI | [Obligatoire] URI de ressource d’entrée. | corde Contraintes: Modèle = [a-zA-Z0-9_] (obligatoire) |
Nom | Description | Valeur |
---|---|---|
description | Description de l’entrée. | corde |
jobInputType | [Obligatoire] Spécifie le type de travail. | 'custom_model' 'littéral' 'mlflow_model' 'mltable' 'triton_model' 'uri_file' 'uri_folder' (obligatoire) |
mode | Mode de remise des ressources d’entrée. | 'Direct' 'Télécharger' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
URI | [Obligatoire] URI de ressource d’entrée. | corde Contraintes: Modèle = [a-zA-Z0-9_] (obligatoire) |
Nom | Description | Valeur |
---|---|---|
assetName | Nom de la ressource de sortie. | corde |
assetVersion | Version de ressource de sortie. | corde |
jobOutputType | [Obligatoire] Spécifie le type de travail. | 'mlflow_model' (obligatoire) |
mode | Mode de remise des ressources de sortie. | 'Direct' 'ReadWriteMount' 'Upload' |
URI | URI de ressource de sortie. | corde |
Nom | Description | Valeur |
---|---|---|
description | Description de l’entrée. | corde |
jobInputType | [Obligatoire] Spécifie le type de travail. | 'custom_model' 'littéral' 'mlflow_model' 'mltable' 'triton_model' 'uri_file' 'uri_folder' (obligatoire) |
mode | Mode de remise des ressources d’entrée. | 'Direct' 'Télécharger' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
URI | [Obligatoire] URI de ressource d’entrée. | corde Contraintes: Modèle = [a-zA-Z0-9_] (obligatoire) |
Nom | Description | Valeur |
---|---|---|
jobInputType | [Obligatoire] Spécifie le type de travail. | 'mltable' (obligatoire) |
mode | Mode de remise des ressources d’entrée. | 'Direct' 'Télécharger' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
URI | [Obligatoire] URI de ressource d’entrée. | corde Contraintes: Modèle = [a-zA-Z0-9_] (obligatoire) |
Nom | Description | Valeur |
---|---|---|
assetName | Nom de la ressource de sortie. | corde |
assetVersion | Version de ressource de sortie. | corde |
jobOutputType | [Obligatoire] Spécifie le type de travail. | 'mltable' (obligatoire) |
mode | Mode de remise des ressources de sortie. | 'Direct' 'ReadWriteMount' 'Upload' |
URI | URI de ressource de sortie. | corde |
Nom | Description | Valeur |
---|---|---|
distributionType | [Obligatoire] Spécifie le type d’infrastructure de distribution. | 'Mpi' (obligatoire) |
processCountPerInstance | Nombre de processus par nœud MPI. | Int |
Nom | Description | Valeur |
---|---|---|
mode | Défini sur « Auto » pour le type AutoNCrossValidations. Défini sur « Custom » pour le type CustomNCrossValidations. | 'Auto' 'Custom' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
gradientAccumulationSteps | Nombre d’étapes à effectuer pour accumuler des dégradés avant d’exécuter une passe descendante. | Int |
learningRate | Taux d’apprentissage de la procédure d’entraînement. | Int |
learningRateScheduler | Type de planification du taux d’apprentissage à utiliser pendant la procédure d’entraînement. | 'Constant' 'ConstantWithWarmup' 'Cosine' 'CosineWithRestarts' 'Linéaire' 'None' 'Polynomial' |
modelName | Nom du modèle à entraîner. | corde |
numberOfEpochs | Nombre d’époques d’entraînement. | Int |
trainingBatchSize | Taille du lot pour la procédure d’entraînement. | Int |
validationBatchSize | Taille du lot à utiliser pendant l’évaluation. | Int |
warmupRatio | Rapport de préchauffage utilisé avec LrSchedulerType. | Int |
weightDecay | La dégradation du poids pour la procédure d’entraînement. | Int |
Nom | Description | Valeur |
---|---|---|
gradientAccumulationSteps | Nombre d’étapes à effectuer pour accumuler des dégradés avant d’exécuter une passe descendante. | corde |
learningRate | Taux d’apprentissage de la procédure d’entraînement. | corde |
learningRateScheduler | Type de planification du taux d’apprentissage à utiliser pendant la procédure d’entraînement. | corde |
modelName | Nom du modèle à entraîner. | corde |
numberOfEpochs | Nombre d’époques d’entraînement. | corde |
trainingBatchSize | Taille du lot pour la procédure d’entraînement. | corde |
validationBatchSize | Taille du lot à utiliser pendant l’évaluation. | corde |
warmupRatio | Rapport de préchauffage utilisé avec LrSchedulerType. | corde |
weightDecay | La dégradation du poids pour la procédure d’entraînement. | corde |
Nom | Description | Valeur |
---|---|---|
datasetLanguage | Langage du jeu de données, utile pour les données de texte. | corde |
Nom | Description | Valeur |
---|---|---|
maxConcurrentTrials | Nombre maximal d’itérations AutoML simultanées. | Int |
maxNodes | Nombre maximal de nœuds à utiliser pour l’expérience. | Int |
maxTrials | Nombre d’itérations AutoML. | Int |
Timeout | Délai d’expiration du travail AutoML. | corde |
trialTimeout | Délai d’expiration pour les essais HD individuels. | corde |
Nom | Description | Valeur |
---|---|---|
nodeValueType | Défini sur « All » pour le type AllNodes. | 'All' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
emailOn | Envoyer une notification par e-mail à l’utilisateur sur le type de notification spécifié | Tableau de chaînes contenant l’un des éléments suivants : 'JobCancelled' 'JobCompleted' 'JobFailed' |
e-mails | Il s’agit de la liste des destinataires d’e-mail qui a une limitation de 499 caractères dans le total concat avec séparateur de virgules | string[] |
Nom | Description | Valeur |
---|---|---|
but | [Obligatoire] Définit les objectifs de métriques pris en charge pour le réglage des hyperparamètres | 'Agrandir' 'Réduire' (obligatoire) |
primaryMetric | [Obligatoire] Nom de la métrique à optimiser. | corde Contraintes: Modèle = [a-zA-Z0-9_] (obligatoire) |
Nom | Description | Valeur |
---|---|---|
Entrées | Entrées pour le travail de pipeline. | pipelineJobInputs |
Emplois | Les travaux construisent le travail de pipeline. | pipelineJobJobs |
jobType | [Obligatoire] Spécifie le type de travail. | 'Pipeline' (obligatoire) |
Sorties | Sorties du travail de pipeline | pipelineJobOutputs |
Paramètres | Paramètres de pipeline, pour des éléments tels que ContinueRunOnStepFailure, etc. | quelconque |
sourceJobId | ID de ressource ARM du travail source. | corde |
Nom | Description | Valeur |
---|
Nom | Description | Valeur |
---|
Nom | Description | Valeur |
---|
Nom | Description | Valeur |
---|---|---|
distributionType | [Obligatoire] Spécifie le type d’infrastructure de distribution. | 'PyTorch' (obligatoire) |
processCountPerInstance | Nombre de processus par nœud. | Int |
Nom | Description | Valeur |
---|---|---|
jobTier | Énumération pour déterminer le niveau de travail. | 'De base' 'Premium' 'Spot' 'Standard' |
priorité | Contrôle la priorité du travail sur un calcul. | Int |
Nom | Description | Valeur |
---|---|---|
logbase | Nombre positif facultatif ou e au format de chaîne à utiliser comme base pour l’échantillonnage aléatoire basé sur les journaux | corde |
règle | Type spécifique d’algorithme aléatoire | 'Random' 'Sobol' |
samplingAlgorithmType | [Obligatoire] Algorithme utilisé pour générer des valeurs d’hyperparamètres, ainsi que des propriétés de configuration | 'Random' (obligatoire) |
Graines | Entier facultatif à utiliser comme valeur initiale pour la génération de nombres aléatoires | Int |
Nom | Description | Valeur |
---|---|---|
Heures | [Obligatoire] Liste des heures pour la planification. | int[] (obligatoire) |
compte-rendu | [Obligatoire] Liste des minutes de la planification. | int[] (obligatoire) |
monthDays | Liste des jours de mois pour la planification | int[] |
Semaine | Liste des jours de la planification. | Tableau de chaînes contenant l’un des éléments suivants : 'Vendredi' 'Lundi' 'Samedi' 'Dimanche' 'jeudi' 'Mardi' 'Mercredi' |
Nom | Description | Valeur |
---|---|---|
fréquence | [Obligatoire] Fréquence de déclenchement de la planification. | 'Day' 'Heure' 'Minute' 'Month' 'Semaine' (obligatoire) |
intervalle | [Obligatoire] Spécifie l’intervalle de planification conjointement avec la fréquence | int (obligatoire) |
horaire | Planification de périodicité. | périodicité |
triggerType | [Obligatoire] | 'Périodicité' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
cvSplitColumnNames | Colonnes à utiliser pour les données CVSplit. | string[] |
featurizationSettings | Entrées de caractérisation nécessaires pour le travail AutoML. | TableVerticalFeaturizationSettings |
fixedParameters | Paramètres de modèle/d’entraînement qui resteront constants tout au long de l’entraînement. | TableFixedParameters |
limitSettings | Contraintes d’exécution pour AutoMLJob. | TableVerticalLimitSettings |
nCrossValidations | Nombre de plis de validation croisée à appliquer sur le jeu de données d’entraînement lorsque le jeu de données de validation n’est pas fourni. |
NCrossValidations |
primaryMetric | Métrique principale pour la tâche de régression. | 'NormalizedMeanAbsoluteError' 'NormalizedRootMeanSquaredError' 'R2Score' 'SpearmanCorrelation' |
searchSpace | Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. | TableParameterSubspace[] |
sweepSettings | Paramètres pour le balayage du modèle et le réglage des hyperparamètres. | TableSweepSettings |
taskType | [Obligatoire] Type de tâche pour AutoMLJob. | 'Régression' (obligatoire) |
testData | Tester l’entrée de données. | MLTableJobInput |
testDataSize | Fraction du jeu de données de test qui doit être mis de côté à des fins de validation. Valeurs comprises entre (0.0 , 1.0) Appliqué lorsque le jeu de données de validation n’est pas fourni. |
Int |
trainingSettings | Entrées pour la phase d’entraînement d’un travail AutoML. | RegressionTrainingSettings |
validationData | Entrées de données de validation. | MLTableJobInput |
validationDataSize | Fraction du jeu de données d’entraînement qui doit être mis de côté à des fins de validation. Valeurs comprises entre (0.0 , 1.0) Appliqué lorsque le jeu de données de validation n’est pas fourni. |
Int |
weightColumnName | Nom de l’exemple de colonne de poids. Le ML automatisé prend en charge une colonne pondérée en tant qu’entrée, ce qui entraîne une pondération des lignes dans les données. | corde |
Nom | Description | Valeur |
---|---|---|
allowedTrainingAlgorithms | Modèles autorisés pour la tâche de régression. | Tableau de chaînes contenant l’un des éléments suivants : 'DecisionTree' 'ElasticNet' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'RandomForest' 'SGD' 'XGBoostRegressor' |
blockedTrainingAlgorithms | Modèles bloqués pour la tâche de régression. | Tableau de chaînes contenant l’un des éléments suivants : 'DecisionTree' 'ElasticNet' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'RandomForest' 'SGD' 'XGBoostRegressor' |
enableDnnTraining | Activez la recommandation des modèles DNN. | Bool |
enableModelExplainability | Indicateur pour activer l’explication sur le meilleur modèle. | Bool |
enableOnnxCompatibleModels | Indicateur pour l’activation des modèles compatibles onnx. | Bool |
enableStackEnsemble | Activez l’exécution de l’ensemble de piles. | Bool |
enableVoteEnsemble | Activer l’exécution de l’ensemble de vote. | Bool |
ensembleModelDownloadTimeout | Pendant la génération du modèle VotingEnsemble et StackEnsemble, plusieurs modèles adaptés des exécutions enfants précédentes sont téléchargés. Configurez ce paramètre avec une valeur supérieure à 300 secondes, si plus de temps est nécessaire. |
corde |
stackEnsembleSettings | Paramètres d’ensemble de pile pour l’exécution d’un ensemble de piles. | StackEnsembleSettings |
trainingMode | Mode TrainingMode : le paramètre « auto » est identique à celui défini sur « non distribué » pour l’instant. Toutefois, dans le futur, cela peut entraîner une sélection en mode mixte ou en mode heuristique. La valeur par défaut est « auto ». Si « Distributed », seule la caractérisation distribuée est utilisée et les algorithmes distribués sont choisis. Si « NonDistributed », seuls les algorithmes non distribués sont choisis. |
'Auto' 'Distributed' 'NonDistributed' |
Nom | Description | Valeur |
---|
Nom | Description | Valeur |
---|
Nom | Description | Valeur |
---|
Nom | Description | Valeur |
---|
Nom | Description | Valeur |
---|
Nom | Description | Valeur |
---|---|---|
samplingAlgorithmType | Défini sur « Bayésien » pour le type BayesianSamplingAlgorithm. Défini sur « Grid » pour le type GridSamplingAlgorithm. Défini sur « Random » pour le type RandomSamplingAlgorithm. | 'Bayésien' 'Grid' 'Random' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
actionType | Défini sur « CreateJob » pour le type JobScheduleAction. Défini sur « InvokeBatchEndpoint » pour le type EndpointScheduleAction. | 'CreateJob' 'InvokeBatchEndpoint' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
action | [Obligatoire] Spécifie l’action de la planification | ScheduleActionBase (obligatoire) |
description | Texte de description de la ressource. | corde |
displayName | Nom complet de la planification. | corde |
isEnabled | La planification est-elle activée ? | Bool |
Propriétés | Dictionnaire de propriétés de ressource. | ResourceBaseProperties |
étiquettes | Dictionnaire de balises. Les balises peuvent être ajoutées, supprimées et mises à jour. | ResourceBaseTags |
gâchette | [Obligatoire] Spécifie les détails du déclencheur | TriggerBase (obligatoire) |
Nom | Description | Valeur |
---|---|---|
mode | Défini sur « Auto » pour le type AutoSeasonality. Défini sur « Custom » pour le type CustomSeasonality. | 'Auto' 'Custom' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
archives | Archiver les fichiers utilisés dans le travail. | string[] |
args | Arguments du travail. | corde |
codeId | [Obligatoire] ID de ressource ARM de la ressource de code. | corde Contraintes: Modèle = [a-zA-Z0-9_] (obligatoire) |
Conf | Propriétés configurées par Spark. | sparkJobConf |
entrée | [Obligatoire] Entrée à exécuter au démarrage du travail. | SparkJobEntry (obligatoire) |
environmentId | ID de ressource ARM de la spécification d’environnement pour le travail. | corde |
Fichiers | Fichiers utilisés dans le travail. | string[] |
Entrées | Mappage des liaisons de données d’entrée utilisées dans le travail. | SparkJobInputs |
Pots | Fichiers jar utilisés dans le travail. | string[] |
jobType | [Obligatoire] Spécifie le type de travail. | 'Spark' (obligatoire) |
Sorties | Mappage des liaisons de données de sortie utilisées dans le travail. | SparkJobOutputs |
pyFiles | Fichiers Python utilisés dans le travail. | string[] |
queueSettings | Paramètres de file d’attente du travail | QueueSettings |
ressources | Configuration des ressources de calcul pour le travail. | SparkResourceConfiguration |
Nom | Description | Valeur |
---|
Nom | Description | Valeur |
---|---|---|
sparkJobEntryType | Défini sur « SparkJobPythonEntry » pour le type SparkJobPythonEntry. Défini sur « SparkJobScalaEntry » pour le type SparkJobScalaEntry. | 'SparkJobPythonEntry' 'SparkJobScalaEntry' (obligatoire) |
Nom | Description | Valeur |
---|
Nom | Description | Valeur |
---|
Nom | Description | Valeur |
---|---|---|
lime | [Obligatoire] Chemin d’accès relatif au fichier Python pour le point d’entrée du travail. | corde Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_] (obligatoire) |
sparkJobEntryType | [Obligatoire] Type du point d’entrée du travail. | 'SparkJobPythonEntry' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
className | [Obligatoire] Nom de classe Scala utilisé comme point d’entrée. | corde Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_] (obligatoire) |
sparkJobEntryType | [Obligatoire] Type du point d’entrée du travail. | 'SparkJobScalaEntry' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
instanceType | Type facultatif de machine virtuelle utilisée comme prise en charge par la cible de calcul. | corde |
runtimeVersion | Version du runtime Spark utilisée pour le travail. | corde |
Nom | Description | Valeur |
---|---|---|
stackMetaLearnerKWargs | Paramètres facultatifs à passer à l’initialiseur du méta-apprenant. | quelconque |
stackMetaLearnerTrainPercentage | Spécifie la proportion du jeu d’entraînement (lors du choix du type d’apprentissage et de validation) à réserver pour l’entraînement du méta-apprenant. La valeur par défaut est 0.2. | Int |
stackMetaLearnerType | Le méta-apprenant est un modèle entraîné sur la sortie des modèles hétérogènes individuels. | 'ElasticNet' 'ElasticNetCV' 'LightGBMClassifier' 'LightGBMRegressor' 'LinearRegression' 'LogisticRegression' 'LogisticRegressionCV' 'None' |
Nom | Description | Valeur |
---|---|---|
earlyTermination | Les stratégies d’arrêt anticipé permettent d’annuler les exécutions médiocres avant qu’elles ne se terminent | EarlyTerminationPolicy |
Entrées | Mappage des liaisons de données d’entrée utilisées dans le travail. | SweepJobInputs |
jobType | [Obligatoire] Spécifie le type de travail. | 'Balayage' (obligatoire) |
Limites | Limite du travail de balayage. | sweepJobLimits |
objectif | [Obligatoire] Objectif d’optimisation. | objective (obligatoire) |
Sorties | Mappage des liaisons de données de sortie utilisées dans le travail. | SweepJobOutputs |
queueSettings | Paramètres de file d’attente du travail | QueueSettings |
samplingAlgorithm | [Obligatoire] Algorithme d’échantillonnage d’hyperparamètres | SamplingAlgorithm (obligatoire) |
searchSpace | [Obligatoire] Dictionnaire contenant chaque paramètre et sa distribution. La clé de dictionnaire est le nom du paramètre | tout (obligatoire) |
procès | [Obligatoire] Définition du composant d’évaluation. | trialComponent (obligatoire) |
Nom | Description | Valeur |
---|
Nom | Description | Valeur |
---|---|---|
jobLimitsType | [Obligatoire] Type JobLimit. | 'Command' 'Balayage' (obligatoire) |
maxConcurrentTrials | Nombre maximal d’essais simultanés du travail de balayage. | Int |
maxTotalTrials | Nombre maximal d’essais du travail de balayage. | Int |
Timeout | Durée d’exécution maximale au format ISO 8601, après laquelle le travail sera annulé. Prend uniquement en charge la durée avec une précision aussi faible que secondes. | corde |
trialTimeout | Valeur du délai d’expiration du délai d’expiration du travail de balayage. | corde |
Nom | Description | Valeur |
---|
Nom | Description | Valeur |
---|---|---|
suramplificateur | Spécifiez le type de boosting, par exemple gbdt pour XGBoost. | corde |
boostingType | Spécifiez le type de boosting, par exemple gbdt pour LightGBM. | corde |
growPolicy | Spécifiez la stratégie de croissance, qui contrôle la façon dont les nouveaux nœuds sont ajoutés à l’arborescence. | corde |
learningRate | Taux d’apprentissage de la procédure d’entraînement. | Int |
maxBin | Spécifiez le nombre maximal de compartiments discrets pour les fonctionnalités continues du compartiment. | Int |
maxDepth | Spécifiez la profondeur maximale pour limiter explicitement la profondeur de l’arborescence. | Int |
maxLeaves | Spécifiez les feuilles maximales pour limiter explicitement les feuilles d’arbre. | Int |
minDataInLeaf | Nombre minimal de données par feuille. | Int |
minSplitGain | Réduction minimale de la perte nécessaire pour effectuer une partition supplémentaire sur un nœud feuille de l’arborescence. | Int |
modelName | Nom du modèle à entraîner. | corde |
nEstimators | Spécifiez le nombre d’arborescences (ou arrondis) dans un modèle. | Int |
numLeaves | Spécifiez le nombre de feuilles. | Int |
preprocessorName | Nom du préprocesseur à utiliser. | corde |
regAlpha | Terme de régularisation L1 sur les poids. | Int |
regLambda | Terme de régularisation L2 sur les poids. | Int |
Sous-échantillon | Taux de sous-échantillonnage de l’instance d’entraînement. | Int |
subsampleFreq | Fréquence de sous-échantillonnage. | Int |
treeMethod | Spécifiez la méthode d’arborescence. | corde |
withMean | Si la valeur est true, centrez avant de mettre à l’échelle les données avec StandardScalar. | Bool |
withStd | Si la valeur est true, mettant à l’échelle les données avec l’écart unitaire avec StandardScalar. | Bool |
Nom | Description | Valeur |
---|---|---|
suramplificateur | Spécifiez le type de boosting, par exemple gbdt pour XGBoost. | corde |
boostingType | Spécifiez le type de boosting, par exemple gbdt pour LightGBM. | corde |
growPolicy | Spécifiez la stratégie de croissance, qui contrôle la façon dont les nouveaux nœuds sont ajoutés à l’arborescence. | corde |
learningRate | Taux d’apprentissage de la procédure d’entraînement. | corde |
maxBin | Spécifiez le nombre maximal de compartiments discrets pour les fonctionnalités continues du compartiment. | corde |
maxDepth | Spécifiez la profondeur maximale pour limiter explicitement la profondeur de l’arborescence. | corde |
maxLeaves | Spécifiez les feuilles maximales pour limiter explicitement les feuilles d’arbre. | corde |
minDataInLeaf | Nombre minimal de données par feuille. | corde |
minSplitGain | Réduction minimale de la perte nécessaire pour effectuer une partition supplémentaire sur un nœud feuille de l’arborescence. | corde |
modelName | Nom du modèle à entraîner. | corde |
nEstimators | Spécifiez le nombre d’arborescences (ou arrondis) dans un modèle. | corde |
numLeaves | Spécifiez le nombre de feuilles. | corde |
preprocessorName | Nom du préprocesseur à utiliser. | corde |
regAlpha | Terme de régularisation L1 sur les poids. | corde |
regLambda | Terme de régularisation L2 sur les poids. | corde |
Sous-échantillon | Taux de sous-échantillonnage de l’instance d’entraînement. | corde |
subsampleFreq | Fréquence de sous-échantillonnage | corde |
treeMethod | Spécifiez la méthode d’arborescence. | corde |
withMean | Si la valeur est true, centrez avant de mettre à l’échelle les données avec StandardScalar. | corde |
withStd | Si la valeur est true, mettant à l’échelle les données avec l’écart unitaire avec StandardScalar. | corde |
Nom | Description | Valeur |
---|---|---|
blockedTransformers | Ces transformateurs ne doivent pas être utilisés dans la caractérisation. | Tableau de chaînes contenant l’un des éléments suivants : 'CatTargetEncoder' 'CountVectorizer' 'HashOneHotEncoder' 'LabelEncoder' 'NaiveBayes' 'OneHotEncoder' 'TextTargetEncoder' 'TfIdf' 'WoETargetEncoder' 'WordEmbedding' |
columnNameAndTypes | Dictionnaire du nom de colonne et de son type (int, float, string, datetime, etc.). | TableVerticalFeaturizationSettingsColumnNameAndTypes |
datasetLanguage | Langage du jeu de données, utile pour les données de texte. | corde |
enableDnnFeaturization | Détermine s’il faut utiliser des caractérisations basées sur Dnn pour la caractérisation des données. | Bool |
mode | Mode caractérisation : l’utilisateur peut conserver le mode « Auto » par défaut et AutoML prend en charge la transformation nécessaire des données dans la phase de caractérisation. Si « Désactivé » est sélectionné, aucune caractérisation n’est effectuée. Si « Personnalisé » est sélectionné, l’utilisateur peut spécifier des entrées supplémentaires pour personnaliser la façon dont la caractérisation est effectuée. |
'Auto' 'Custom' 'Off' |
transformerParams | L’utilisateur peut spécifier des transformateurs supplémentaires à utiliser avec les colonnes auxquelles il serait appliqué et les paramètres pour le constructeur du transformateur. | TableVerticalFeaturizationSettingsTransformerParams |
Nom | Description | Valeur |
---|
Nom | Description | Valeur |
---|
Nom | Description | Valeur |
---|---|---|
enableEarlyTermination | Activez l’arrêt anticipé, détermine si AutoMLJob se termine tôt s’il n’y a pas d’amélioration du score dans les 20 dernières itérations. | Bool |
exitScore | Score de sortie pour le travail AutoML. | Int |
maxConcurrentTrials | Nombre maximal d’itérations simultanées. | Int |
maxCoresPerTrial | Nombre maximal de cœurs par itération. | Int |
maxNodes | Nombre maximal de nœuds à utiliser pour l’expérience. | Int |
maxTrials | Nombre d’itérations. | Int |
sweepConcurrentTrials | Nombre d’exécutions simultanées de balayage que l’utilisateur souhaite déclencher. | Int |
sweepTrials | Nombre d’exécutions de balayage que l’utilisateur souhaite déclencher. | Int |
Timeout | Délai d’expiration du travail AutoML. | corde |
trialTimeout | Délai d’expiration de l’itération. | corde |
Nom | Description | Valeur |
---|---|---|
mode | Défini sur « Auto » pour le type AutoTargetLags. Défini sur « Custom » pour le type CustomTargetLags. | 'Auto' 'Custom' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
mode | Défini sur « Auto » pour le type AutoTargetRollingWindowSize. Défini sur « Custom » pour le type CustomTargetRollingWindowSize. | 'Auto' 'Custom' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
distributionType | [Obligatoire] Spécifie le type d’infrastructure de distribution. | 'TensorFlow' (obligatoire) |
parameterServerCount | Nombre de tâches de serveur de paramètres. | Int |
workerCount | Nombre de travailleurs. S’il n’est pas spécifié, le nombre d’instances est défini par défaut. | Int |
Nom | Description | Valeur |
---|---|---|
featurizationSettings | Entrées de caractérisation nécessaires pour le travail AutoML. | NlpVerticalFeaturizationSettings |
fixedParameters | Paramètres de modèle/d’entraînement qui resteront constants tout au long de l’entraînement. | NlpFixedParameters |
limitSettings | Contraintes d’exécution pour AutoMLJob. | NlpVerticalLimitSettings |
primaryMetric | Métrique principale pour Text-Classification tâche. | 'Précision' 'AUCWeighted' 'AveragePrecisionScoreWeighted' 'NormMacroRecall' 'PrecisionScoreWeighted' |
searchSpace | Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. | NlpParameterSubspace[] |
sweepSettings | Paramètres pour le balayage du modèle et le réglage des hyperparamètres. | NlpSweepSettings |
taskType | [Obligatoire] Type de tâche pour AutoMLJob. | 'TextClassification' (obligatoire) |
validationData | Entrées de données de validation. | MLTableJobInput |
Nom | Description | Valeur |
---|---|---|
featurizationSettings | Entrées de caractérisation nécessaires pour le travail AutoML. | NlpVerticalFeaturizationSettings |
fixedParameters | Paramètres de modèle/d’entraînement qui resteront constants tout au long de l’entraînement. | NlpFixedParameters |
limitSettings | Contraintes d’exécution pour AutoMLJob. | NlpVerticalLimitSettings |
searchSpace | Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. | NlpParameterSubspace[] |
sweepSettings | Paramètres pour le balayage du modèle et le réglage des hyperparamètres. | NlpSweepSettings |
taskType | [Obligatoire] Type de tâche pour AutoMLJob. | 'TextClassificationMultilabel' (obligatoire) |
validationData | Entrées de données de validation. | MLTableJobInput |
Nom | Description | Valeur |
---|---|---|
featurizationSettings | Entrées de caractérisation nécessaires pour le travail AutoML. | NlpVerticalFeaturizationSettings |
fixedParameters | Paramètres de modèle/d’entraînement qui resteront constants tout au long de l’entraînement. | NlpFixedParameters |
limitSettings | Contraintes d’exécution pour AutoMLJob. | NlpVerticalLimitSettings |
searchSpace | Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. | NlpParameterSubspace[] |
sweepSettings | Paramètres pour le balayage du modèle et le réglage des hyperparamètres. | NlpSweepSettings |
taskType | [Obligatoire] Type de tâche pour AutoMLJob. | 'TextNER' (obligatoire) |
validationData | Entrées de données de validation. | MLTableJobInput |
Nom | Description | Valeur |
---|---|---|
codeId | ID de ressource ARM de la ressource de code. | corde |
commander | [Obligatoire] Commande à exécuter au démarrage du travail. Eg. « python train.py » | corde Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_] (obligatoire) |
distribution | Configuration de distribution du travail. Si elle est définie, il doit s’agir de l’un des valeurs Mpi, Tensorflow, PyTorch ou Null. | distributionConfiguration |
environmentId | [Obligatoire] ID de ressource ARM de la spécification d’environnement pour le travail. | corde Contraintes: Modèle = [a-zA-Z0-9_] (obligatoire) |
environmentVariables | Variables d’environnement incluses dans le travail. | TrialComponentEnvironmentVariables |
ressources | Configuration des ressources de calcul pour le travail. | JobResourceConfiguration |
Nom | Description | Valeur |
---|
Nom | Description | Valeur |
---|---|---|
endTime | Spécifie l’heure de fin de la planification dans ISO 8601, mais sans décalage UTC. Reportez-vous https://en.wikipedia.org/wiki/ISO_8601. Le format recommenté serait « 2022-06-01T00:00:01 » S’il n’est pas présent, la planification s’exécute indéfiniment |
corde |
startTime | Spécifie l’heure de début de la planification au format ISO 8601, mais sans décalage UTC. | corde |
timeZone | Spécifie le fuseau horaire dans lequel la planification s’exécute. TimeZone doit suivre le format de fuseau horaire Windows. Reportez-vous : /windows-hardware/manufacture/desktop/default-time-zones ?view=windows-11 |
corde |
triggerType | Défini sur « Cron » pour le type CronTrigger. Défini sur « Périodicité » pour le type RecurrenceTrigger. | 'Cron' 'Périodicité' (obligatoire) |
Nom | Description | Valeur |
---|---|---|
jobInputType | [Obligatoire] Spécifie le type de travail. | 'triton_model' (obligatoire) |
mode | Mode de remise des ressources d’entrée. | 'Direct' 'Télécharger' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
URI | [Obligatoire] URI de ressource d’entrée. | corde Contraintes: Modèle = [a-zA-Z0-9_] (obligatoire) |
Nom | Description | Valeur |
---|---|---|
assetName | Nom de la ressource de sortie. | corde |
assetVersion | Version de ressource de sortie. | corde |
jobOutputType | [Obligatoire] Spécifie le type de travail. | 'triton_model' (obligatoire) |
mode | Mode de remise des ressources de sortie. | 'Direct' 'ReadWriteMount' 'Upload' |
URI | URI de ressource de sortie. | corde |
Nom | Description | Valeur |
---|---|---|
policyType | [Obligatoire] Nom de la configuration de la stratégie | 'TruncationSelection' (obligatoire) |
troncationPercentage | Pourcentage d’exécutions à annuler à chaque intervalle d’évaluation. | Int |
Nom | Description | Valeur |
---|---|---|
jobInputType | [Obligatoire] Spécifie le type de travail. | 'uri_file' (obligatoire) |
mode | Mode de remise des ressources d’entrée. | 'Direct' 'Télécharger' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
URI | [Obligatoire] URI de ressource d’entrée. | corde Contraintes: Modèle = [a-zA-Z0-9_] (obligatoire) |
Nom | Description | Valeur |
---|---|---|
assetName | Nom de la ressource de sortie. | corde |
assetVersion | Version de ressource de sortie. | corde |
jobOutputType | [Obligatoire] Spécifie le type de travail. | 'uri_file' (obligatoire) |
mode | Mode de remise des ressources de sortie. | 'Direct' 'ReadWriteMount' 'Upload' |
URI | URI de ressource de sortie. | corde |
Nom | Description | Valeur |
---|---|---|
jobInputType | [Obligatoire] Spécifie le type de travail. | 'uri_folder' (obligatoire) |
mode | Mode de remise des ressources d’entrée. | 'Direct' 'Télécharger' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
URI | [Obligatoire] URI de ressource d’entrée. | corde Contraintes: Modèle = [a-zA-Z0-9_] (obligatoire) |
Nom | Description | Valeur |
---|---|---|
assetName | Nom de la ressource de sortie. | corde |
assetVersion | Version de ressource de sortie. | corde |
jobOutputType | [Obligatoire] Spécifie le type de travail. | 'uri_folder' (obligatoire) |
mode | Mode de remise des ressources de sortie. | 'Direct' 'ReadWriteMount' 'Upload' |
URI | URI de ressource de sortie. | corde |
Nom | Description | Valeur |
---|---|---|
identityType | [Obligatoire] Spécifie le type d’infrastructure d’identité. | 'UserIdentity' (obligatoire) |