Microsoft.MachineLearningServices 工作區/排程 2022-10-01

Bicep 資源定義

工作區/排程資源類型可以使用目標作業來部署：

• 資源群組 - 請參閱 資源群組部署命令

如需每個 API 版本中已變更屬性的清單，請參閱 變更記錄檔。

資源格式

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

resource symbolicname 'Microsoft.MachineLearningServices/workspaces/schedules@2022-10-01' = {
  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
    }
  }
}

SamplingAlgorithm 物件

設定 samplingAlgorithmType 屬性，以指定對象的類型。

針對 貝氏，請使用：

{
  samplingAlgorithmType: 'Bayesian'
}

針對 Grid，請使用：

{
  samplingAlgorithmType: 'Grid'
}

針對 Random，請使用：

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

EarlyTerminationPolicy 物件

設定 policyType 屬性，以指定對象的類型。

針對 Bandit，請使用：

{
  policyType: 'Bandit'
  slackAmount: int
  slackFactor: int
}

針對 MedianStopping，請使用：

{
  policyType: 'MedianStopping'
}

針對 TruncationSelection，請使用：

{
  policyType: 'TruncationSelection'
  truncationPercentage: int
}

AutoMLVertical 物件

設定 taskType 屬性，以指定物件的類型。

針對 分類，請使用：

{
  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)
        }
      ]
    }
  }
  limitSettings: {
    enableEarlyTermination: bool
    exitScore: int
    maxConcurrentTrials: int
    maxCoresPerTrial: int
    maxTrials: int
    timeout: 'string'
    trialTimeout: 'string'
  }
  nCrossValidations: {
    mode: 'string'
    // For remaining properties, see NCrossValidations objects
  }
  positiveLabel: 'string'
  primaryMetric: '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'
    }
  }
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }
  validationDataSize: int
  weightColumnName: 'string'
}

針對 預測，請使用：

{
  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)
        }
      ]
    }
  }
  forecastingSettings: {
    countryOrRegionForHolidays: 'string'
    cvStepSize: int
    featureLags: 'string'
    forecastHorizon: {
      mode: 'string'
      // For remaining properties, see ForecastHorizon objects
    }
    frequency: 'string'
    seasonality: {
      mode: 'string'
      // For remaining properties, see Seasonality objects
    }
    shortSeriesHandlingConfig: 'string'
    targetAggregateFunction: 'string'
    targetLags: {
      mode: 'string'
      // For remaining properties, see TargetLags objects
    }
    targetRollingWindowSize: {
      mode: 'string'
      // For remaining properties, see TargetRollingWindowSize objects
    }
    timeColumnName: 'string'
    timeSeriesIdColumnNames: [
      'string'
    ]
    useStl: 'string'
  }
  limitSettings: {
    enableEarlyTermination: bool
    exitScore: int
    maxConcurrentTrials: int
    maxCoresPerTrial: int
    maxTrials: int
    timeout: 'string'
    trialTimeout: 'string'
  }
  nCrossValidations: {
    mode: 'string'
    // For remaining properties, see NCrossValidations objects
  }
  primaryMetric: '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'
    }
  }
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }
  validationDataSize: int
  weightColumnName: 'string'
}

針對 imageClassification ，請使用：

{
  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
}

針對 imageClassificationMultilabel，請使用：

{
  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
}

針對 ImageInstanceSegmentation，請使用：

{
  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
}

針對 ImageObjectDetection，請使用：

{
  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
}

針對 回歸，請使用：

{
  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)
        }
      ]
    }
  }
  limitSettings: {
    enableEarlyTermination: bool
    exitScore: int
    maxConcurrentTrials: int
    maxCoresPerTrial: int
    maxTrials: int
    timeout: 'string'
    trialTimeout: 'string'
  }
  nCrossValidations: {
    mode: 'string'
    // For remaining properties, see NCrossValidations objects
  }
  primaryMetric: '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'
    }
  }
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }
  validationDataSize: int
  weightColumnName: 'string'
}

針對 TextClassification，請使用：

{
  featurizationSettings: {
    datasetLanguage: 'string'
  }
  limitSettings: {
    maxConcurrentTrials: int
    maxTrials: int
    timeout: 'string'
  }
  primaryMetric: 'string'
  taskType: 'TextClassification'
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }
}

針對 textClassificationMultilabel，請使用：

{
  featurizationSettings: {
    datasetLanguage: 'string'
  }
  limitSettings: {
    maxConcurrentTrials: int
    maxTrials: int
    timeout: 'string'
  }
  taskType: 'TextClassificationMultilabel'
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }
}

針對 TextNER，請使用：

{
  featurizationSettings: {
    datasetLanguage: 'string'
  }
  limitSettings: {
    maxConcurrentTrials: int
    maxTrials: int
    timeout: 'string'
  }
  taskType: 'TextNER'
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }
}

DistributionConfiguration 物件

設定 distributionType 屬性，以指定對象的類型。

針對 Mpi，請使用：

{
  distributionType: 'Mpi'
  processCountPerInstance: int
}

針對 PyTorch，請使用：

{
  distributionType: 'PyTorch'
  processCountPerInstance: int
}

針對 TensorFlow，請使用：

{
  distributionType: 'TensorFlow'
  parameterServerCount: int
  workerCount: int
}

TargetRollingWindowSize 物件

設定 模式 屬性，以指定物件的類型。

針對 Auto，請使用：

{
  mode: 'Auto'
}

針對 自訂，請使用：

{
  mode: 'Custom'
  value: int
}

ForecastHorizon 物件

設定 模式 屬性，以指定物件的類型。

針對 Auto，請使用：

{
  mode: 'Auto'
}

針對 自訂，請使用：

{
  mode: 'Custom'
  value: int
}

JobOutput 物件

設定 jobOutputType 屬性，以指定物件的類型。

針對 custom_model，請使用：

{
  jobOutputType: 'custom_model'
  mode: 'string'
  uri: 'string'
}

針對 mlflow_model，請使用：

{
  jobOutputType: 'mlflow_model'
  mode: 'string'
  uri: 'string'
}

針對 mltable，請使用：

{
  jobOutputType: 'mltable'
  mode: 'string'
  uri: 'string'
}

針對 triton_model，請使用：

{
  jobOutputType: 'triton_model'
  mode: 'string'
  uri: 'string'
}

針對 uri_file，請使用：

{
  jobOutputType: 'uri_file'
  mode: 'string'
  uri: 'string'
}

針對 uri_folder，請使用：

{
  jobOutputType: 'uri_folder'
  mode: 'string'
  uri: 'string'
}

IdentityConfiguration 物件

設定 identityType 屬性 ，以指定對象的類型。

針對 AMLToken，請使用：

{
  identityType: 'AMLToken'
}

針對 Managed，請使用：

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

針對 UserIdentity，請使用：

{
  identityType: 'UserIdentity'
}

ScheduleActionBase 物件

設定 actionType 屬性，以指定物件的類型。

針對 CreateJob，請使用：

{
  actionType: 'CreateJob'
  jobDefinition: {
    componentId: 'string'
    computeId: 'string'
    description: 'string'
    displayName: 'string'
    experimentName: 'string'
    identity: {
      identityType: 'string'
      // For remaining properties, see IdentityConfiguration objects
    }
    isArchived: bool
    properties: {
      {customized property}: 'string'
    }
    services: {
      {customized property}: {
        endpoint: 'string'
        jobServiceType: 'string'
        port: int
        properties: {
          {customized property}: 'string'
        }
      }
    }
    tags: {
      {customized property}: 'string'
    }
    jobType: 'string'
    // For remaining properties, see JobBaseProperties objects
  }
}

針對 InvokeBatchEndpoint，請使用：

{
  actionType: 'InvokeBatchEndpoint'
  endpointInvocationDefinition: any(Azure.Bicep.Types.Concrete.AnyType)
}

季節性物件

設定 模式 屬性，以指定物件的類型。

針對 Auto，請使用：

{
  mode: 'Auto'
}

針對 自訂，請使用：

{
  mode: 'Custom'
  value: int
}

NCrossValidations 物件

設定 模式 屬性，以指定物件的類型。

針對 Auto，請使用：

{
  mode: 'Auto'
}

針對 自訂，請使用：

{
  mode: 'Custom'
  value: int
}

TriggerBase 物件

設定 triggerType 屬性，以指定對象的類型。

針對 Cron，請使用：

{
  expression: 'string'
  triggerType: 'Cron'
}

針對 週期，請使用：

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

TargetLags 物件

設定 模式 屬性，以指定物件的類型。

針對 Auto，請使用：

{
  mode: 'Auto'
}

針對 自訂，請使用：

{
  mode: 'Custom'
  values: [
    int
  ]
}

JobBaseProperties 物件

設定 jobType 屬性，以指定物件的類型。

針對 AutoML，請使用：

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

針對 Command，請使用：

{
  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
    }
  }
  resources: {
    dockerArgs: 'string'
    instanceCount: int
    instanceType: 'string'
    properties: {
      {customized property}: any(Azure.Bicep.Types.Concrete.AnyType)
    }
    shmSize: 'string'
  }
}

針對 Pipeline，請使用：

{
  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'
}

針對 掃掠，請使用：

{
  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
    }
  }
  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'
      properties: {
        {customized property}: any(Azure.Bicep.Types.Concrete.AnyType)
      }
      shmSize: 'string'
    }
  }
}

JobInput 物件

設定 jobInputType 屬性，以指定物件的類型。

針對 custom_model，請使用：

{
  jobInputType: 'custom_model'
  mode: 'string'
  uri: 'string'
}

針對 常值，請使用：

{
  jobInputType: 'literal'
  value: 'string'
}

針對 mlflow_model，請使用：

{
  jobInputType: 'mlflow_model'
  mode: 'string'
  uri: 'string'
}

針對 mltable，請使用：

{
  jobInputType: 'mltable'
  mode: 'string'
  uri: 'string'
}

針對 triton_model，請使用：

{
  jobInputType: 'triton_model'
  mode: 'string'
  uri: 'string'
}

針對 uri_file，請使用：

{
  jobInputType: 'uri_file'
  mode: 'string'
  uri: 'string'
}

針對 uri_folder，請使用：

{
  jobInputType: 'uri_folder'
  mode: 'string'
  uri: 'string'
}

屬性值

AmlToken

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

AutoForecastHorizon

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

AutoMLJob

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

AutoMLJobEnvironmentVariables

名字	描述	價值

AutoMLJobOutputs

名字	描述	價值

AutoMLVertical

名字	描述	價值
logVerbosity	作業的記錄詳細資訊。	'Critical' 'Debug' 'Error' 'Info' 'NotSet' 'Warning'
targetColumnName	目標數據行名稱：這是預測值數據行。 也稱為分類工作內容中的標籤數據行名稱。	字串
taskType	針對類型 Classification設定為 [分類]。 針對類型 預測，設定為 [預測]。 針對 imageClassification 類型 設定為 'ImageClassification'，。 針對 imageClassificationMultilabel 類型設定為 'ImageClassificationMultilabel' 。 針對 imageInstanceSegmentation 類型 設定為 'ImageInstanceSegmentation'，。 針對 imageObjectDetection 類型 設定為 'ImageObjectDetection'，。 針對類型 回歸，設定為 [回歸]。 將 類型設定為 'TextClassification' TextClassification。 針對 textClassificationMultilabel TextClassificationMultilabel類型，設定為 'TextClassificationMultilabel'。 針對 textNer 類型設定為 'TextNER'，。	'Classification' 「預測」 'ImageClassification' 'ImageClassificationMultilabel' 'ImageInstanceSegmentation' 'ImageObjectDetection' 'Regression' 'TextClassification' 'TextClassificationMultilabel' 'TextNER' （必要）
trainingData	[必要]定型數據輸入。	MLTableJobInput （必要）

AutoNCrossValidations

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

AutoSeasonality

名字	描述	價值
模式	[必要]季節性模式。	'Auto' （必要）

AutoTargetLags

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

AutoTargetRollingWindowSize

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

BanditPolicy

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

BayesianSamplingAlgorithm

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

分類

名字	描述	價值
cvSplitColumnNames	要用於 CVSplit 資料的數據行。	string[]
featurizationSettings	AutoML 作業所需的特徵化輸入。	TableVerticalFeaturizationSettings
limitSettings	AutoMLJob 的執行條件約束。	TableVerticalLimitSettings
nCrossValidations	要套用至定型數據集的交叉驗證折疊數目 未提供驗證數據集時。	NCrossValidations
positiveLabel	二進位計量計算的正標籤。	字串
primaryMetric	工作的主要計量。	'精確度' 'AUCWeighted' 'AveragePrecisionScoreWeighted' 'NormMacroRecall' 'PrecisionScoreWeighted'
taskType	[必要]AutoMLJob 的工作類型。	'分類' （必要）
testData	測試數據輸入。	MLTableJobInput
testDataSize	必須為驗證目的而保留的測試數據集分數。 介於 （0.0 、 1.0） 之間的值 未提供驗證數據集時套用。	int
trainingSettings	AutoML 作業定型階段的輸入。	ClassificationTrainingSettings
validationData	驗證數據輸入。	MLTableJobInput
validationDataSize	需要為驗證目的預留的定型數據集分數。 介於 （0.0 、 1.0） 之間的值 未提供驗證數據集時套用。	int
weightColumnName	範例權數數據行的名稱。 自動化 ML 支援加權數據行做為輸入，導致數據中的數據列向上或向下加權。	字串

ClassificationTrainingSettings

名字	描述	價值
allowedTrainingAlgorithms	分類工作的允許模型。	包含任何的字串數組： 'BernoulliNaiveBayes' 'DecisionTree' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LightGBM' 'LinearSVM' 'LogisticRegression' 'MultinomialNaiveBayes' 'RandomForest' '新幣' 'SVM' 'XGBoostClassifier'
blockedTrainingAlgorithms	分類工作的封鎖模型。	包含任何的字串數組： 'BernoulliNaiveBayes' 'DecisionTree' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LightGBM' 'LinearSVM' 'LogisticRegression' 'MultinomialNaiveBayes' 'RandomForest' '新幣' 'SVM' 'XGBoostClassifier'
enableDnnTraining	啟用 DNN 模型的建議。	bool
enableModelExplainability	在最佳模型上開啟可解釋性的旗標。	bool
enableOnnxCompatibleModels	啟用 onnx 相容模型的旗標。	bool
enableStackEnsemble	啟用堆疊合奏執行。	bool
enableVoteEnsemble	啟用投票合奏執行。	bool
ensembleModelDownloadTimeout	在 VotingEnsemble 和 StackEnsemble 模型產生期間，會下載先前子回合中的多個安裝模型。 如果需要更多時間，請使用高於 300 秒的值來設定此參數。	字串
stackEnsembleSettings	堆疊合奏執行的堆疊合奏設定。	StackEnsembleSettings

ColumnTransformer

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

CommandJob

名字	描述	價值
codeId	程式代碼資產的 ARM 資源識別碼。	字串
命令	[必要]在作業啟動時執行的命令。 例如 “python train.py”	字串 約束： 最小長度 = 1 模式 = [a-zA-Z0-9_] （必要）
分配	作業的散發組態。 如果設定，這應該是其中一個 Mpi、Tensorflow、PyTorch 或 null。	DistributionConfiguration
environmentId	[必要]作業之環境規格的 ARM 資源識別碼。	字串 約束： 模式 = [a-zA-Z0-9_] （必要）
environmentVariables	作業中包含的環境變數。	CommandJobEnvironmentVariables
輸入	對應作業中使用的輸入數據系結。	CommandJobInputs
jobType	[必要]指定作業的類型。	'Command' （必要）
限制	命令作業限制。	CommandJobLimits
輸出	對應作業中使用的輸出數據系結。	CommandJobOutputs
資源	作業的計算資源組態。	JobResourceConfiguration

CommandJobEnvironmentVariables

名字	描述	價值

CommandJobInputs

名字	描述	價值

CommandJobLimits

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

CommandJobOutputs

名字	描述	價值

CronTrigger

名字	描述	價值
表達	[必要]指定排程的cron運算式。 表達式應遵循 NCronTab 格式。	字串 約束： 模式 = [a-zA-Z0-9_] （必要）
triggerType	[必要]	'Cron' （必要）

CustomForecastHorizon

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

CustomModelJobInput

名字	描述	價值
jobInputType	[必要]指定作業的類型。	'custom_model' （必要）
模式	輸入資產傳遞模式。	'Direct' 'Download' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
uri	[必要]輸入資產 URI。	字串 約束： 模式 = [a-zA-Z0-9_] （必要）

CustomModelJobOutput

名字	描述	價值
jobOutputType	[必要]指定作業的類型。	'custom_model' （必要）
模式	輸出資產傳遞模式。	'ReadWriteMount' 'Upload'
uri	輸出資產 URI。	字串

CustomNCrossValidations

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

CustomSeasonality

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

CustomTargetLags

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

CustomTargetRollingWindowSize

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

DistributionConfiguration

名字	描述	價值
distributionType	將 類型設定為 'Mpi'，Mpi。 將 類型設定為 'PyTorch'，PyTorch。 針對 tensorFlow 類型 設定為 'TensorFlow'，。	'Mpi' 'PyTorch' 'TensorFlow' （必要）

EarlyTerminationPolicy

名字	描述	價值
delayEvaluation	延遲第一次評估的間隔數目。	int
evaluationInterval	原則評估之間的間隔（執行次數）。	int
policyType	針對 BanditPolicy 類型設定為 'BanditPolicy'，。 針對 type MedianStoppingPolicy設定為 'MedianStopping'。 針對類型 TruncationSelectionPolicy，設定為 『TruncationSelection』。	“強盜” 'MedianStopping' 'TruncationSelection' （必要）

EndpointScheduleAction

名字	描述	價值
actionType	[必要]指定排程的動作類型	'InvokeBatchEndpoint' （必要）
endpointInvocationDefinition	[必要]定義排程動作定義詳細數據。 <請參閱 href=“TBD” />	任何 （必要）

ForecastHorizon

名字	描述	價值
模式	針對 autoForecastHorizon 類型設定為 'Auto'，。 針對 customForecastHorizon 類型設定為 'Custom'，。	'Auto' 'Custom' （必要）

預測

名字	描述	價值
cvSplitColumnNames	要用於 CVSplit 資料的數據行。	string[]
featurizationSettings	AutoML 作業所需的特徵化輸入。	TableVerticalFeaturizationSettings
forecastingSettings	預測工作特定輸入。	ForecastingSettings
limitSettings	AutoMLJob 的執行條件約束。	TableVerticalLimitSettings
nCrossValidations	要套用至定型數據集的交叉驗證折疊數目 未提供驗證數據集時。	NCrossValidations
primaryMetric	預測工作的主要計量。	'NormalizedMeanAbsoluteError' 'NormalizedRootMeanSquaredError' 'R2Score' 'SpearmanCorrelation'
taskType	[必要]AutoMLJob 的工作類型。	“預測” （必要）
testData	測試數據輸入。	MLTableJobInput
testDataSize	必須為驗證目的而保留的測試數據集分數。 介於 （0.0 、 1.0） 之間的值 未提供驗證數據集時套用。	int
trainingSettings	AutoML 作業定型階段的輸入。	ForecastingTrainingSettings
validationData	驗證數據輸入。	MLTableJobInput
validationDataSize	需要為驗證目的預留的定型數據集分數。 介於 （0.0 、 1.0） 之間的值 未提供驗證數據集時套用。	int
weightColumnName	範例權數數據行的名稱。 自動化 ML 支援加權數據行做為輸入，導致數據中的數據列向上或向下加權。	字串

ForecastingSettings

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

ForecastingTrainingSettings

名字	描述	價值
allowedTrainingAlgorithms	用於預測工作的允許模型。	包含任何的字串數組： 'Arimax' 'AutoArima' 'Average' 'DecisionTree' 'ElasticNet' 'ExponentialSmoothing' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 天真' '先知' 'RandomForest' 'SeasonalAverage' 'SeasonalNaive' '新幣' 'TCNForecaster' 'XGBoostRegressor'
blockedTrainingAlgorithms	用於預測工作的封鎖模型。	包含任何的字串數組： 'Arimax' 'AutoArima' 'Average' 'DecisionTree' 'ElasticNet' 'ExponentialSmoothing' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 天真' '先知' 'RandomForest' 'SeasonalAverage' 'SeasonalNaive' '新幣' 'TCNForecaster' 'XGBoostRegressor'
enableDnnTraining	啟用 DNN 模型的建議。	bool
enableModelExplainability	在最佳模型上開啟可解釋性的旗標。	bool
enableOnnxCompatibleModels	啟用 onnx 相容模型的旗標。	bool
enableStackEnsemble	啟用堆疊合奏執行。	bool
enableVoteEnsemble	啟用投票合奏執行。	bool
ensembleModelDownloadTimeout	在 VotingEnsemble 和 StackEnsemble 模型產生期間，會下載先前子回合中的多個安裝模型。 如果需要更多時間，請使用高於 300 秒的值來設定此參數。	字串
stackEnsembleSettings	堆疊合奏執行的堆疊合奏設定。	StackEnsembleSettings

GridSamplingAlgorithm

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

IdentityConfiguration

名字	描述	價值
identityType	針對 AmlToken 類型 設定為 'AMLToken'，。 針對 managedIdentity 類型 設定為 'Managed'，。 將 類型設定為 'UserIdentity' UserIdentity。	'AMLToken' 'Managed' 'UserIdentity' （必要）

ImageClassification

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

ImageClassificationMultilabel

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

ImageInstanceSegmentation

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

ImageLimitSettings

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

ImageModelDistributionSettingsClassification

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

ImageModelDistributionSettingsObjectDetection

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

ImageModelSettingsClassification

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

ImageModelSettingsObjectDetection

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

ImageObjectDetection

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

ImageSweepSettings

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

JobBaseProperties

名字	描述	價值
componentId	元件資源的 ARM 資源識別碼。	字串
computeId	計算資源的 ARM 資源識別碼。	字串
描述	資產描述文字。	字串
displayName	工作的顯示名稱。	字串
experimentName	作業所屬的實驗名稱。 如果未設定，作業會放在 「默認」實驗中。	字串
身份	身分識別設定。 如果設定，這應該是其中一個 AmlToken、ManagedIdentity、UserIdentity 或 null。 如果為 null，則預設為 AmlToken。	IdentityConfiguration
isArchived	資產是否已封存？	bool
jobType	針對 autoMLJob 型態設定為 'AutoML'，。 設定為'Command' 類型 CommandJob。 將 類型設定為 'Pipeline'，PipelineJob。 設定為 [掃掠] 類型為 SweepJob。	'AutoML' 'Command' 'Pipeline' '掃掠' （必要）
性能	資產屬性字典。	ResourceBaseProperties
服務業	JobEndpoints 的清單。 針對本機作業，作業端點會有 FileStreamObject 的端點值。	JobBaseServices
標籤	標記字典。 標記可以新增、移除和更新。	ResourceBaseTags

JobBaseServices

名字	描述	價值

JobInput

名字	描述	價值
描述	輸入的描述。	字串
jobInputType	針對 CustomModelJobInput 類型設定為 『custom_model』，。 將 類型設定為 'literal' LiteralJobInput。 針對 MLFlowModelJobInput 類型 設定為 'mlflow_model'，。 針對 mlTableJobInput 類型設定為 'mltable'，。 針對 tritonModelJobInput類型 設定為 'triton_model'。 針對 uriFileJobInput 類型 設定為 'uri_file'，。 針對 uriFolderJobInput 類型設定為 'uri_folder'，。	'custom_model' 'literal' 'mlflow_model' 'mltable' 'triton_model' 'uri_file' 'uri_folder' （必要）

JobOutput

名字	描述	價值
描述	輸出的描述。	字串
jobOutputType	針對 CustomModelJobOutput 類型設定為 『custom_model』，。 針對 MLFlowModelJobOutput 類型設定為 『mlflow_model』。 針對 mlTableJobOutput 類型設定為 'mltable'，。 針對 TritonModelJobOutput 類型 設定為 『triton_model』，。 針對類型 UriFileJobOutput，設定為 'uri_file'。 針對 uriFolderJobOutput 類型設定為 『uri_folder』，。	'custom_model' 'mlflow_model' 'mltable' 'triton_model' 'uri_file' 'uri_folder' （必要）

JobResourceConfiguration

名字	描述	價值
dockerArgs	傳遞至 Docker run 命令的額外自變數。 這會覆寫系統或本節中已設定的任何參數。 此參數僅支援 Azure ML 計算類型。	字串
instanceCount	計算目標所使用的實例或節點選擇性數目。	int
instanceType	計算目標所支持的選擇性 VM 類型。	字串
性能	其他屬性包。	ResourceConfigurationProperties
shmSize	Docker 容器的共用記憶體區塊大小。 這應該是 （number）（unit） 的格式，其中數位大於 0，單位可以是 b（位元組）、k（KB）、m（MB）、或 g（GB）。	字串 約束： Pattern = \d+[bBkKmMgG]

JobScheduleAction

名字	描述	價值
actionType	[必要]指定排程的動作類型	'CreateJob' （必要）
jobDefinition	[必要]定義排程動作定義詳細數據。	JobBaseProperties （必要）

JobService

名字	描述	價值
端點	端點的 URL。	字串
jobServiceType	端點類型。	字串
港口	端點的埠。	int
性能	在端點上設定的其他屬性。	JobServiceProperties

JobServiceProperties

名字	描述	價值

LiteralJobInput

名字	描述	價值
jobInputType	[必要]指定作業的類型。	'literal' （必要）
價值	[必要]輸入的常值。	字串 約束： 模式 = [a-zA-Z0-9_] （必要）

ManagedIdentity

名字	描述	價值
clientId	依用戶端識別元指定使用者指派的身分識別。 若為系統指派，請勿設定此欄位。	字串 約束： 最小長度 = 36 最大長度 = 36 Pattern = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
identityType	[必要]指定身分識別架構的類型。	'Managed' （必要）
objectId	依物件識別元指定使用者指派的身分識別。 若為系統指派，請勿設定此欄位。	字串 約束： 最小長度 = 36 最大長度 = 36 Pattern = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
resourceId	依 ARM 資源識別碼指定使用者指派的身分識別。 若為系統指派，請勿設定此欄位。	字串

MedianStoppingPolicy

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

Microsoft.MachineLearningServices/workspaces/schedules

名字	描述	價值
名字	資源名稱	字串 約束： 模式 = ^[a-zA-Z0-9][a-zA-Z0-9\-_]{0,254}$ （必要）
父母	在 Bicep 中，您可以指定子資源的父資源。 只有在父資源外部宣告子資源時，才需要新增這個屬性。 如需詳細資訊，請參閱 父資源外部的子資源。	類型的資源符號名稱：工作區
性能	[必要]實體的其他屬性。	ScheduleProperties （必要）

MLFlowModelJobInput

名字	描述	價值
jobInputType	[必要]指定作業的類型。	'mlflow_model' （必要）
模式	輸入資產傳遞模式。	'Direct' 'Download' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
uri	[必要]輸入資產 URI。	字串 約束： 模式 = [a-zA-Z0-9_] （必要）

MLFlowModelJobInput

名字	描述	價值
描述	輸入的描述。	字串
jobInputType	[必要]指定作業的類型。	'custom_model' 'literal' 'mlflow_model' 'mltable' 'triton_model' 'uri_file' 'uri_folder' （必要）
模式	輸入資產傳遞模式。	'Direct' 'Download' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
uri	[必要]輸入資產 URI。	字串 約束： 模式 = [a-zA-Z0-9_] （必要）

MLFlowModelJobOutput

名字	描述	價值
jobOutputType	[必要]指定作業的類型。	'mlflow_model' （必要）
模式	輸出資產傳遞模式。	'ReadWriteMount' 'Upload'
uri	輸出資產 URI。	字串

MLTableJobInput

名字	描述	價值
描述	輸入的描述。	字串
jobInputType	[必要]指定作業的類型。	'custom_model' 'literal' 'mlflow_model' 'mltable' 'triton_model' 'uri_file' 'uri_folder' （必要）
模式	輸入資產傳遞模式。	'Direct' 'Download' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
uri	[必要]輸入資產 URI。	字串 約束： 模式 = [a-zA-Z0-9_] （必要）

MLTableJobInput

名字	描述	價值
jobInputType	[必要]指定作業的類型。	'mltable' （必要）
模式	輸入資產傳遞模式。	'Direct' 'Download' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
uri	[必要]輸入資產 URI。	字串 約束： 模式 = [a-zA-Z0-9_] （必要）

MLTableJobOutput

名字	描述	價值
jobOutputType	[必要]指定作業的類型。	'mltable' （必要）
模式	輸出資產傳遞模式。	'ReadWriteMount' 'Upload'
uri	輸出資產 URI。	字串

Mpi

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

NCrossValidations

名字	描述	價值
模式	針對 AutoNCrossValidations 類型設定為 'Auto'，。 針對 customNCrossValidations類型 設定為 'Custom'。	'Auto' 'Custom' （必要）

NlpVerticalFeaturizationSettings

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

NlpVerticalLimitSettings

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

目的

名字	描述	價值
目標	[必要]定義超參數微調支援的計量目標	'Maximize' '最小化' （必要）
primaryMetric	[必要]要優化之計量的名稱。	字串 約束： 模式 = [a-zA-Z0-9_] （必要）

PipelineJob

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

PipelineJobInputs

名字	描述	價值

PipelineJobJobs

名字	描述	價值

PipelineJobOutputs

名字	描述	價值

PyTorch

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

RandomSamplingAlgorithm

名字	描述	價值
統治	隨機演算法的特定類型	'Random' 'Sobol'
samplingAlgorithmType	[必要]用來產生超參數值的演算法，以及組態屬性	'Random' （必要）
種子	要作為隨機數產生種子的選擇性整數	int

RecurrenceSchedule

名字	描述	價值
小時	[必要]排程的時數清單。	int[] （必要）
紀要	[必要]排程的分鐘數清單。	int[] （必要）
monthDays	排程的月份天數清單	int[]
平日	排程的天數清單。	包含任何的字串數組： 'Friday' 'Monday' 'Saturday' 'Sunday' 'Thursday' 'Tuesday' 'Wednesday'

RecurrenceTrigger

名字	描述	價值
頻率	[必要]觸發排程的頻率。	'Day' 'Hour' 'Minute' 'Month' 'Week' （必要）
間隔	[必要]指定排程間隔與頻率	int （必要）
附表	週期排程。	RecurrenceSchedule
triggerType	[必要]	'週期' （必要）

回歸

名字	描述	價值
cvSplitColumnNames	要用於 CVSplit 資料的數據行。	string[]
featurizationSettings	AutoML 作業所需的特徵化輸入。	TableVerticalFeaturizationSettings
limitSettings	AutoMLJob 的執行條件約束。	TableVerticalLimitSettings
nCrossValidations	要套用至定型數據集的交叉驗證折疊數目 未提供驗證數據集時。	NCrossValidations
primaryMetric	回歸工作的主要計量。	'NormalizedMeanAbsoluteError' 'NormalizedRootMeanSquaredError' 'R2Score' 'SpearmanCorrelation'
taskType	[必要]AutoMLJob 的工作類型。	'回歸' （必要）
testData	測試數據輸入。	MLTableJobInput
testDataSize	必須為驗證目的而保留的測試數據集分數。 介於 （0.0 、 1.0） 之間的值 未提供驗證數據集時套用。	int
trainingSettings	AutoML 作業定型階段的輸入。	RegressionTrainingSettings
validationData	驗證數據輸入。	MLTableJobInput
validationDataSize	需要為驗證目的預留的定型數據集分數。 介於 （0.0 、 1.0） 之間的值 未提供驗證數據集時套用。	int
weightColumnName	範例權數數據行的名稱。 自動化 ML 支援加權數據行做為輸入，導致數據中的數據列向上或向下加權。	字串

RegressionTrainingSettings

名字	描述	價值
allowedTrainingAlgorithms	回歸工作的允許模型。	包含任何的字串數組： 'DecisionTree' 'ElasticNet' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'RandomForest' '新幣' 'XGBoostRegressor'
blockedTrainingAlgorithms	回歸工作的封鎖模型。	包含任何的字串數組： 'DecisionTree' 'ElasticNet' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'RandomForest' '新幣' 'XGBoostRegressor'
enableDnnTraining	啟用 DNN 模型的建議。	bool
enableModelExplainability	在最佳模型上開啟可解釋性的旗標。	bool
enableOnnxCompatibleModels	啟用 onnx 相容模型的旗標。	bool
enableStackEnsemble	啟用堆疊合奏執行。	bool
enableVoteEnsemble	啟用投票合奏執行。	bool
ensembleModelDownloadTimeout	在 VotingEnsemble 和 StackEnsemble 模型產生期間，會下載先前子回合中的多個安裝模型。 如果需要更多時間，請使用高於 300 秒的值來設定此參數。	字串
stackEnsembleSettings	堆疊合奏執行的堆疊合奏設定。	StackEnsembleSettings

ResourceBaseProperties

名字	描述	價值

ResourceBaseProperties

名字	描述	價值

ResourceBaseTags

名字	描述	價值

ResourceBaseTags

名字	描述	價值

ResourceConfigurationProperties

名字	描述	價值

SamplingAlgorithm

名字	描述	價值
samplingAlgorithmType	針對貝氏類型設定為 『Bayesian』，BayesianSamplingAlgorithm。 將 類型設定為 'Grid'，GridSamplingAlgorithm。 針對 randomSamplingAlgorithm類型 設定為 'Random'。	“貝氏” 'Grid' 'Random' （必要）

ScheduleActionBase

名字	描述	價值
actionType	針對 jobScheduleAction 類型 設定為 'CreateJob'，。 針對 endpointScheduleAction 類型設定為 'InvokeBatchEndpoint'，。	'CreateJob' 'InvokeBatchEndpoint' （必要）

ScheduleProperties

名字	描述	價值
行動	[必要]指定排程的動作	ScheduleActionBase （必要）
描述	資產描述文字。	字串
displayName	排程的顯示名稱。	字串
isEnabled	是否已啟用排程？	bool
性能	資產屬性字典。	ResourceBaseProperties
標籤	標記字典。 標記可以新增、移除和更新。	ResourceBaseTags
觸發	[必要]指定觸發程式詳細數據	TriggerBase （必要）

季節性

名字	描述	價值
模式	針對 autoSeasonality 型態 設定為 [自動]。 針對 customSeasonality類型設定為 『Custom』。	'Auto' 'Custom' （必要）

StackEnsembleSettings

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

SweepJob

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

SweepJobInputs

名字	描述	價值

SweepJobLimits

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

SweepJobOutputs

名字	描述	價值

TableVerticalFeaturizationSettings

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

TableVerticalFeaturizationSettingsColumnNameAndTypes

名字	描述	價值

TableVerticalFeaturizationSettingsTransformerParams

名字	描述	價值

TableVerticalLimitSettings

名字	描述	價值
enableEarlyTermination	啟用提早終止，判斷如果過去 20 個反覆項目沒有分數改善，AutoMLJob 是否會提早終止。	bool
exitScore	AutoML 作業的結束分數。	int
maxConcurrentTrials	並行反覆運算數上限。	int
maxCoresPerTrial	每個反覆專案的核心數上限。	int
maxTrials	反覆項目的數目。	int
超時	AutoML 作業逾時。	字串
trialTimeout	反覆專案逾時。	字串

TargetLags

名字	描述	價值
模式	針對 AutoTargetLags 類型設定為 'Auto'，。 針對 customTargetLags 類型設定為 'Custom'，。	'Auto' 'Custom' （必要）

TargetRollingWindowSize

名字	描述	價值
模式	針對 autoTargetRollingWindowSize 類型 設定為 'Auto'，。 針對 customTargetRollingWindowSize 類型設定為 'Custom'，。	'Auto' 'Custom' （必要）

TensorFlow

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

TextClassification

名字	描述	價值
featurizationSettings	AutoML 作業所需的特徵化輸入。	NlpVerticalFeaturizationSettings
limitSettings	AutoMLJob 的執行條件約束。	NlpVerticalLimitSettings
primaryMetric	Text-Classification 工作的主要計量。	'精確度' 'AUCWeighted' 'AveragePrecisionScoreWeighted' 'NormMacroRecall' 'PrecisionScoreWeighted'
taskType	[必要]AutoMLJob 的工作類型。	'TextClassification' （必要）
validationData	驗證數據輸入。	MLTableJobInput

TextClassificationMultilabel

名字	描述	價值
featurizationSettings	AutoML 作業所需的特徵化輸入。	NlpVerticalFeaturizationSettings
limitSettings	AutoMLJob 的執行條件約束。	NlpVerticalLimitSettings
taskType	[必要]AutoMLJob 的工作類型。	'TextClassificationMultilabel' （必要）
validationData	驗證數據輸入。	MLTableJobInput

TextNer

名字	描述	價值
featurizationSettings	AutoML 作業所需的特徵化輸入。	NlpVerticalFeaturizationSettings
limitSettings	AutoMLJob 的執行條件約束。	NlpVerticalLimitSettings
taskType	[必要]AutoMLJob 的工作類型。	'TextNER' （必要）
validationData	驗證數據輸入。	MLTableJobInput

TrialComponent

名字	描述	價值
codeId	程式代碼資產的 ARM 資源識別碼。	字串
命令	[必要]在作業啟動時執行的命令。 例如 “python train.py”	字串 約束： 最小長度 = 1 模式 = [a-zA-Z0-9_] （必要）
分配	作業的散發組態。 如果設定，這應該是其中一個 Mpi、Tensorflow、PyTorch 或 null。	DistributionConfiguration
environmentId	[必要]作業之環境規格的 ARM 資源識別碼。	字串 約束： 模式 = [a-zA-Z0-9_] （必要）
environmentVariables	作業中包含的環境變數。	TrialComponentEnvironmentVariables
資源	作業的計算資源組態。	JobResourceConfiguration

TrialComponentEnvironmentVariables

名字	描述	價值

TriggerBase

名字	描述	價值
endTime	指定 ISO 8601 中的排程結束時間，但不含 UTC 位移。 請參閱 https://en.wikipedia.org/wiki/ISO_8601。 重新批注的格式會是 “2022-06-01T00：00：01” 如果沒有，排程將會無限期執行	字串
startTime	以 ISO 8601 格式指定排程的開始時間，但不含 UTC 位移。	字串
timeZone	指定排程執行所在的時區。 TimeZone應遵循 Windows 時區格式。 請參閱：/windows-hardware/manufacture/desktop/default-time-zones？view=windows-11	字串
triggerType	針對 CronTrigger 類型 設定為 'Cron'，。 將 類型設為 'Recurrence'，RecurrenceTrigger。	'Cron' '週期' （必要）

TritonModelJobInput

名字	描述	價值
jobInputType	[必要]指定作業的類型。	'triton_model' （必要）
模式	輸入資產傳遞模式。	'Direct' 'Download' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
uri	[必要]輸入資產 URI。	字串 約束： 模式 = [a-zA-Z0-9_] （必要）

TritonModelJobOutput

名字	描述	價值
jobOutputType	[必要]指定作業的類型。	'triton_model' （必要）
模式	輸出資產傳遞模式。	'ReadWriteMount' 'Upload'
uri	輸出資產 URI。	字串

TruncationSelectionPolicy

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

UriFileJobInput

名字	描述	價值
jobInputType	[必要]指定作業的類型。	'uri_file' （必要）
模式	輸入資產傳遞模式。	'Direct' 'Download' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
uri	[必要]輸入資產 URI。	字串 約束： 模式 = [a-zA-Z0-9_] （必要）

UriFileJobOutput

名字	描述	價值
jobOutputType	[必要]指定作業的類型。	'uri_file' （必要）
模式	輸出資產傳遞模式。	'ReadWriteMount' 'Upload'
uri	輸出資產 URI。	字串

UriFolderJobInput

名字	描述	價值
jobInputType	[必要]指定作業的類型。	'uri_folder' （必要）
模式	輸入資產傳遞模式。	'Direct' 'Download' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
uri	[必要]輸入資產 URI。	字串 約束： 模式 = [a-zA-Z0-9_] （必要）

UriFolderJobOutput

名字	描述	價值
jobOutputType	[必要]指定作業的類型。	'uri_folder' （必要）
模式	輸出資產傳遞模式。	'ReadWriteMount' 'Upload'
uri	輸出資產 URI。	字串

UserIdentity

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

ARM 樣本資源定義

工作區/排程資源類型可以使用目標作業來部署：

• 資源群組 - 請參閱 資源群組部署命令

如需每個 API 版本中已變更屬性的清單，請參閱 變更記錄檔。

資源格式

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

{
  "type": "Microsoft.MachineLearningServices/workspaces/schedules",
  "apiVersion": "2022-10-01",
  "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
    }
  }
}

SamplingAlgorithm 物件

設定 samplingAlgorithmType 屬性，以指定對象的類型。

針對 貝氏，請使用：

{
  "samplingAlgorithmType": "Bayesian"
}

針對 Grid，請使用：

{
  "samplingAlgorithmType": "Grid"
}

針對 Random，請使用：

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

EarlyTerminationPolicy 物件

設定 policyType 屬性，以指定對象的類型。

針對 Bandit，請使用：

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

針對 MedianStopping，請使用：

{
  "policyType": "MedianStopping"
}

針對 TruncationSelection，請使用：

{
  "policyType": "TruncationSelection",
  "truncationPercentage": "int"
}

AutoMLVertical 物件

設定 taskType 屬性，以指定物件的類型。

針對 分類，請使用：

{
  "cvSplitColumnNames": [ "string" ],
  "featurizationSettings": {
    "blockedTransformers": [ "string" ],
    "columnNameAndTypes": {
      "{customized property}": "string"
    },
    "datasetLanguage": "string",
    "enableDnnFeaturization": "bool",
    "mode": "string",
    "transformerParams": {
      "{customized property}": [
        {
          "fields": [ "string" ],
          "parameters": {}
        }
      ]
    }
  },
  "limitSettings": {
    "enableEarlyTermination": "bool",
    "exitScore": "int",
    "maxConcurrentTrials": "int",
    "maxCoresPerTrial": "int",
    "maxTrials": "int",
    "timeout": "string",
    "trialTimeout": "string"
  },
  "nCrossValidations": {
    "mode": "string"
    // For remaining properties, see NCrossValidations objects
  },
  "positiveLabel": "string",
  "primaryMetric": "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"
    }
  },
  "validationData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  },
  "validationDataSize": "int",
  "weightColumnName": "string"
}

針對 預測，請使用：

{
  "cvSplitColumnNames": [ "string" ],
  "featurizationSettings": {
    "blockedTransformers": [ "string" ],
    "columnNameAndTypes": {
      "{customized property}": "string"
    },
    "datasetLanguage": "string",
    "enableDnnFeaturization": "bool",
    "mode": "string",
    "transformerParams": {
      "{customized property}": [
        {
          "fields": [ "string" ],
          "parameters": {}
        }
      ]
    }
  },
  "forecastingSettings": {
    "countryOrRegionForHolidays": "string",
    "cvStepSize": "int",
    "featureLags": "string",
    "forecastHorizon": {
      "mode": "string"
      // For remaining properties, see ForecastHorizon objects
    },
    "frequency": "string",
    "seasonality": {
      "mode": "string"
      // For remaining properties, see Seasonality objects
    },
    "shortSeriesHandlingConfig": "string",
    "targetAggregateFunction": "string",
    "targetLags": {
      "mode": "string"
      // For remaining properties, see TargetLags objects
    },
    "targetRollingWindowSize": {
      "mode": "string"
      // For remaining properties, see TargetRollingWindowSize objects
    },
    "timeColumnName": "string",
    "timeSeriesIdColumnNames": [ "string" ],
    "useStl": "string"
  },
  "limitSettings": {
    "enableEarlyTermination": "bool",
    "exitScore": "int",
    "maxConcurrentTrials": "int",
    "maxCoresPerTrial": "int",
    "maxTrials": "int",
    "timeout": "string",
    "trialTimeout": "string"
  },
  "nCrossValidations": {
    "mode": "string"
    // For remaining properties, see NCrossValidations objects
  },
  "primaryMetric": "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"
    }
  },
  "validationData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  },
  "validationDataSize": "int",
  "weightColumnName": "string"
}

針對 imageClassification ，請使用：

{
  "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"
}

針對 imageClassificationMultilabel，請使用：

{
  "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"
}

針對 ImageInstanceSegmentation，請使用：

{
  "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"
}

針對 ImageObjectDetection，請使用：

{
  "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"
}

針對 回歸，請使用：

{
  "cvSplitColumnNames": [ "string" ],
  "featurizationSettings": {
    "blockedTransformers": [ "string" ],
    "columnNameAndTypes": {
      "{customized property}": "string"
    },
    "datasetLanguage": "string",
    "enableDnnFeaturization": "bool",
    "mode": "string",
    "transformerParams": {
      "{customized property}": [
        {
          "fields": [ "string" ],
          "parameters": {}
        }
      ]
    }
  },
  "limitSettings": {
    "enableEarlyTermination": "bool",
    "exitScore": "int",
    "maxConcurrentTrials": "int",
    "maxCoresPerTrial": "int",
    "maxTrials": "int",
    "timeout": "string",
    "trialTimeout": "string"
  },
  "nCrossValidations": {
    "mode": "string"
    // For remaining properties, see NCrossValidations objects
  },
  "primaryMetric": "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"
    }
  },
  "validationData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  },
  "validationDataSize": "int",
  "weightColumnName": "string"
}

針對 TextClassification，請使用：

{
  "featurizationSettings": {
    "datasetLanguage": "string"
  },
  "limitSettings": {
    "maxConcurrentTrials": "int",
    "maxTrials": "int",
    "timeout": "string"
  },
  "primaryMetric": "string",
  "taskType": "TextClassification",
  "validationData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  }
}

針對 textClassificationMultilabel，請使用：

{
  "featurizationSettings": {
    "datasetLanguage": "string"
  },
  "limitSettings": {
    "maxConcurrentTrials": "int",
    "maxTrials": "int",
    "timeout": "string"
  },
  "taskType": "TextClassificationMultilabel",
  "validationData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  }
}

針對 TextNER，請使用：

{
  "featurizationSettings": {
    "datasetLanguage": "string"
  },
  "limitSettings": {
    "maxConcurrentTrials": "int",
    "maxTrials": "int",
    "timeout": "string"
  },
  "taskType": "TextNER",
  "validationData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  }
}

DistributionConfiguration 物件

設定 distributionType 屬性，以指定對象的類型。

針對 Mpi，請使用：

{
  "distributionType": "Mpi",
  "processCountPerInstance": "int"
}

針對 PyTorch，請使用：

{
  "distributionType": "PyTorch",
  "processCountPerInstance": "int"
}

針對 TensorFlow，請使用：

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

TargetRollingWindowSize 物件

設定 模式 屬性，以指定物件的類型。

針對 Auto，請使用：

{
  "mode": "Auto"
}

針對 自訂，請使用：

{
  "mode": "Custom",
  "value": "int"
}

ForecastHorizon 物件

設定 模式 屬性，以指定物件的類型。

針對 Auto，請使用：

{
  "mode": "Auto"
}

針對 自訂，請使用：

{
  "mode": "Custom",
  "value": "int"
}

JobOutput 物件

設定 jobOutputType 屬性，以指定物件的類型。

針對 custom_model，請使用：

{
  "jobOutputType": "custom_model",
  "mode": "string",
  "uri": "string"
}

針對 mlflow_model，請使用：

{
  "jobOutputType": "mlflow_model",
  "mode": "string",
  "uri": "string"
}

針對 mltable，請使用：

{
  "jobOutputType": "mltable",
  "mode": "string",
  "uri": "string"
}

針對 triton_model，請使用：

{
  "jobOutputType": "triton_model",
  "mode": "string",
  "uri": "string"
}

針對 uri_file，請使用：

{
  "jobOutputType": "uri_file",
  "mode": "string",
  "uri": "string"
}

針對 uri_folder，請使用：

{
  "jobOutputType": "uri_folder",
  "mode": "string",
  "uri": "string"
}

IdentityConfiguration 物件

設定 identityType 屬性 ，以指定對象的類型。

針對 AMLToken，請使用：

{
  "identityType": "AMLToken"
}

針對 Managed，請使用：

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

針對 UserIdentity，請使用：

{
  "identityType": "UserIdentity"
}

ScheduleActionBase 物件

設定 actionType 屬性，以指定物件的類型。

針對 CreateJob，請使用：

{
  "actionType": "CreateJob",
  "jobDefinition": {
    "componentId": "string",
    "computeId": "string",
    "description": "string",
    "displayName": "string",
    "experimentName": "string",
    "identity": {
      "identityType": "string"
      // For remaining properties, see IdentityConfiguration objects
    },
    "isArchived": "bool",
    "properties": {
      "{customized property}": "string"
    },
    "services": {
      "{customized property}": {
        "endpoint": "string",
        "jobServiceType": "string",
        "port": "int",
        "properties": {
          "{customized property}": "string"
        }
      }
    },
    "tags": {
      "{customized property}": "string"
    },
    "jobType": "string"
    // For remaining properties, see JobBaseProperties objects
  }
}

針對 InvokeBatchEndpoint，請使用：

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

季節性物件

設定 模式 屬性，以指定物件的類型。

針對 Auto，請使用：

{
  "mode": "Auto"
}

針對 自訂，請使用：

{
  "mode": "Custom",
  "value": "int"
}

NCrossValidations 物件

設定 模式 屬性，以指定物件的類型。

針對 Auto，請使用：

{
  "mode": "Auto"
}

針對 自訂，請使用：

{
  "mode": "Custom",
  "value": "int"
}

TriggerBase 物件

設定 triggerType 屬性，以指定對象的類型。

針對 Cron，請使用：

{
  "expression": "string",
  "triggerType": "Cron"
}

針對 週期，請使用：

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

TargetLags 物件

設定 模式 屬性，以指定物件的類型。

針對 Auto，請使用：

{
  "mode": "Auto"
}

針對 自訂，請使用：

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

JobBaseProperties 物件

設定 jobType 屬性，以指定物件的類型。

針對 AutoML，請使用：

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

針對 Command，請使用：

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

針對 Pipeline，請使用：

{
  "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"
}

針對 掃掠，請使用：

{
  "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
    }
  },
  "samplingAlgorithm": {
    "samplingAlgorithmType": "string"
    // For remaining properties, see SamplingAlgorithm objects
  },
  "searchSpace": {},
  "trial": {
    "codeId": "string",
    "command": "string",
    "distribution": {
      "distributionType": "string"
      // For remaining properties, see DistributionConfiguration objects
    },
    "environmentId": "string",
    "environmentVariables": {
      "{customized property}": "string"
    },
    "resources": {
      "dockerArgs": "string",
      "instanceCount": "int",
      "instanceType": "string",
      "properties": {
        "{customized property}": {}
      },
      "shmSize": "string"
    }
  }
}

JobInput 物件

設定 jobInputType 屬性，以指定物件的類型。

針對 custom_model，請使用：

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

針對 常值，請使用：

{
  "jobInputType": "literal",
  "value": "string"
}

針對 mlflow_model，請使用：

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

針對 mltable，請使用：

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

針對 triton_model，請使用：

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

針對 uri_file，請使用：

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

針對 uri_folder，請使用：

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

屬性值

AmlToken

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

AutoForecastHorizon

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

AutoMLJob

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

AutoMLJobEnvironmentVariables

名字	描述	價值

AutoMLJobOutputs

名字	描述	價值

AutoMLVertical

名字	描述	價值
logVerbosity	作業的記錄詳細資訊。	'Critical' 'Debug' 'Error' 'Info' 'NotSet' 'Warning'
targetColumnName	目標數據行名稱：這是預測值數據行。 也稱為分類工作內容中的標籤數據行名稱。	字串
taskType	針對類型 Classification設定為 [分類]。 針對類型 預測，設定為 [預測]。 針對 imageClassification 類型 設定為 'ImageClassification'，。 針對 imageClassificationMultilabel 類型設定為 'ImageClassificationMultilabel' 。 針對 imageInstanceSegmentation 類型 設定為 'ImageInstanceSegmentation'，。 針對 imageObjectDetection 類型 設定為 'ImageObjectDetection'，。 針對類型 回歸，設定為 [回歸]。 將 類型設定為 'TextClassification' TextClassification。 針對 textClassificationMultilabel TextClassificationMultilabel類型，設定為 'TextClassificationMultilabel'。 針對 textNer 類型設定為 'TextNER'，。	'Classification' 「預測」 'ImageClassification' 'ImageClassificationMultilabel' 'ImageInstanceSegmentation' 'ImageObjectDetection' 'Regression' 'TextClassification' 'TextClassificationMultilabel' 'TextNER' （必要）
trainingData	[必要]定型數據輸入。	MLTableJobInput （必要）

AutoNCrossValidations

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

AutoSeasonality

名字	描述	價值
模式	[必要]季節性模式。	'Auto' （必要）

AutoTargetLags

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

AutoTargetRollingWindowSize

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

BanditPolicy

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

BayesianSamplingAlgorithm

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

分類

名字	描述	價值
cvSplitColumnNames	要用於 CVSplit 資料的數據行。	string[]
featurizationSettings	AutoML 作業所需的特徵化輸入。	TableVerticalFeaturizationSettings
limitSettings	AutoMLJob 的執行條件約束。	TableVerticalLimitSettings
nCrossValidations	要套用至定型數據集的交叉驗證折疊數目 未提供驗證數據集時。	NCrossValidations
positiveLabel	二進位計量計算的正標籤。	字串
primaryMetric	工作的主要計量。	'精確度' 'AUCWeighted' 'AveragePrecisionScoreWeighted' 'NormMacroRecall' 'PrecisionScoreWeighted'
taskType	[必要]AutoMLJob 的工作類型。	'分類' （必要）
testData	測試數據輸入。	MLTableJobInput
testDataSize	必須為驗證目的而保留的測試數據集分數。 介於 （0.0 、 1.0） 之間的值 未提供驗證數據集時套用。	int
trainingSettings	AutoML 作業定型階段的輸入。	ClassificationTrainingSettings
validationData	驗證數據輸入。	MLTableJobInput
validationDataSize	需要為驗證目的預留的定型數據集分數。 介於 （0.0 、 1.0） 之間的值 未提供驗證數據集時套用。	int
weightColumnName	範例權數數據行的名稱。 自動化 ML 支援加權數據行做為輸入，導致數據中的數據列向上或向下加權。	字串

ClassificationTrainingSettings

名字	描述	價值
allowedTrainingAlgorithms	分類工作的允許模型。	包含任何的字串數組： 'BernoulliNaiveBayes' 'DecisionTree' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LightGBM' 'LinearSVM' 'LogisticRegression' 'MultinomialNaiveBayes' 'RandomForest' '新幣' 'SVM' 'XGBoostClassifier'
blockedTrainingAlgorithms	分類工作的封鎖模型。	包含任何的字串數組： 'BernoulliNaiveBayes' 'DecisionTree' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LightGBM' 'LinearSVM' 'LogisticRegression' 'MultinomialNaiveBayes' 'RandomForest' '新幣' 'SVM' 'XGBoostClassifier'
enableDnnTraining	啟用 DNN 模型的建議。	bool
enableModelExplainability	在最佳模型上開啟可解釋性的旗標。	bool
enableOnnxCompatibleModels	啟用 onnx 相容模型的旗標。	bool
enableStackEnsemble	啟用堆疊合奏執行。	bool
enableVoteEnsemble	啟用投票合奏執行。	bool
ensembleModelDownloadTimeout	在 VotingEnsemble 和 StackEnsemble 模型產生期間，會下載先前子回合中的多個安裝模型。 如果需要更多時間，請使用高於 300 秒的值來設定此參數。	字串
stackEnsembleSettings	堆疊合奏執行的堆疊合奏設定。	StackEnsembleSettings

ColumnTransformer

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

CommandJob

名字	描述	價值
codeId	程式代碼資產的 ARM 資源識別碼。	字串
命令	[必要]在作業啟動時執行的命令。 例如 “python train.py”	字串 約束： 最小長度 = 1 模式 = [a-zA-Z0-9_] （必要）
分配	作業的散發組態。 如果設定，這應該是其中一個 Mpi、Tensorflow、PyTorch 或 null。	DistributionConfiguration
environmentId	[必要]作業之環境規格的 ARM 資源識別碼。	字串 約束： 模式 = [a-zA-Z0-9_] （必要）
environmentVariables	作業中包含的環境變數。	CommandJobEnvironmentVariables
輸入	對應作業中使用的輸入數據系結。	CommandJobInputs
jobType	[必要]指定作業的類型。	'Command' （必要）
限制	命令作業限制。	CommandJobLimits
輸出	對應作業中使用的輸出數據系結。	CommandJobOutputs
資源	作業的計算資源組態。	JobResourceConfiguration

CommandJobEnvironmentVariables

名字	描述	價值

CommandJobInputs

名字	描述	價值

CommandJobLimits

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

CommandJobOutputs

名字	描述	價值

CronTrigger

名字	描述	價值
表達	[必要]指定排程的cron運算式。 表達式應遵循 NCronTab 格式。	字串 約束： 模式 = [a-zA-Z0-9_] （必要）
triggerType	[必要]	'Cron' （必要）

CustomForecastHorizon

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

CustomModelJobInput

名字	描述	價值
jobInputType	[必要]指定作業的類型。	'custom_model' （必要）
模式	輸入資產傳遞模式。	'Direct' 'Download' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
uri	[必要]輸入資產 URI。	字串 約束： 模式 = [a-zA-Z0-9_] （必要）

CustomModelJobOutput

名字	描述	價值
jobOutputType	[必要]指定作業的類型。	'custom_model' （必要）
模式	輸出資產傳遞模式。	'ReadWriteMount' 'Upload'
uri	輸出資產 URI。	字串

CustomNCrossValidations

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

CustomSeasonality

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

CustomTargetLags

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

CustomTargetRollingWindowSize

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

DistributionConfiguration

名字	描述	價值
distributionType	將 類型設定為 'Mpi'，Mpi。 將 類型設定為 'PyTorch'，PyTorch。 針對 tensorFlow 類型 設定為 'TensorFlow'，。	'Mpi' 'PyTorch' 'TensorFlow' （必要）

EarlyTerminationPolicy

名字	描述	價值
delayEvaluation	延遲第一次評估的間隔數目。	int
evaluationInterval	原則評估之間的間隔（執行次數）。	int
policyType	針對 BanditPolicy 類型設定為 'BanditPolicy'，。 針對 type MedianStoppingPolicy設定為 'MedianStopping'。 針對類型 TruncationSelectionPolicy，設定為 『TruncationSelection』。	“強盜” 'MedianStopping' 'TruncationSelection' （必要）

EndpointScheduleAction

名字	描述	價值
actionType	[必要]指定排程的動作類型	'InvokeBatchEndpoint' （必要）
endpointInvocationDefinition	[必要]定義排程動作定義詳細數據。 <請參閱 href=“TBD” />	任何 （必要）

ForecastHorizon

名字	描述	價值
模式	針對 autoForecastHorizon 類型設定為 'Auto'，。 針對 customForecastHorizon 類型設定為 'Custom'，。	'Auto' 'Custom' （必要）

預測

名字	描述	價值
cvSplitColumnNames	要用於 CVSplit 資料的數據行。	string[]
featurizationSettings	AutoML 作業所需的特徵化輸入。	TableVerticalFeaturizationSettings
forecastingSettings	預測工作特定輸入。	ForecastingSettings
limitSettings	AutoMLJob 的執行條件約束。	TableVerticalLimitSettings
nCrossValidations	要套用至定型數據集的交叉驗證折疊數目 未提供驗證數據集時。	NCrossValidations
primaryMetric	預測工作的主要計量。	'NormalizedMeanAbsoluteError' 'NormalizedRootMeanSquaredError' 'R2Score' 'SpearmanCorrelation'
taskType	[必要]AutoMLJob 的工作類型。	“預測” （必要）
testData	測試數據輸入。	MLTableJobInput
testDataSize	必須為驗證目的而保留的測試數據集分數。 介於 （0.0 、 1.0） 之間的值 未提供驗證數據集時套用。	int
trainingSettings	AutoML 作業定型階段的輸入。	ForecastingTrainingSettings
validationData	驗證數據輸入。	MLTableJobInput
validationDataSize	需要為驗證目的預留的定型數據集分數。 介於 （0.0 、 1.0） 之間的值 未提供驗證數據集時套用。	int
weightColumnName	範例權數數據行的名稱。 自動化 ML 支援加權數據行做為輸入，導致數據中的數據列向上或向下加權。	字串

ForecastingSettings

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

ForecastingTrainingSettings

名字	描述	價值
allowedTrainingAlgorithms	用於預測工作的允許模型。	包含任何的字串數組： 'Arimax' 'AutoArima' 'Average' 'DecisionTree' 'ElasticNet' 'ExponentialSmoothing' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 天真' '先知' 'RandomForest' 'SeasonalAverage' 'SeasonalNaive' '新幣' 'TCNForecaster' 'XGBoostRegressor'
blockedTrainingAlgorithms	用於預測工作的封鎖模型。	包含任何的字串數組： 'Arimax' 'AutoArima' 'Average' 'DecisionTree' 'ElasticNet' 'ExponentialSmoothing' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 天真' '先知' 'RandomForest' 'SeasonalAverage' 'SeasonalNaive' '新幣' 'TCNForecaster' 'XGBoostRegressor'
enableDnnTraining	啟用 DNN 模型的建議。	bool
enableModelExplainability	在最佳模型上開啟可解釋性的旗標。	bool
enableOnnxCompatibleModels	啟用 onnx 相容模型的旗標。	bool
enableStackEnsemble	啟用堆疊合奏執行。	bool
enableVoteEnsemble	啟用投票合奏執行。	bool
ensembleModelDownloadTimeout	在 VotingEnsemble 和 StackEnsemble 模型產生期間，會下載先前子回合中的多個安裝模型。 如果需要更多時間，請使用高於 300 秒的值來設定此參數。	字串
stackEnsembleSettings	堆疊合奏執行的堆疊合奏設定。	StackEnsembleSettings

GridSamplingAlgorithm

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

IdentityConfiguration

名字	描述	價值
identityType	針對 AmlToken 類型 設定為 'AMLToken'，。 針對 managedIdentity 類型 設定為 'Managed'，。 將 類型設定為 'UserIdentity' UserIdentity。	'AMLToken' 'Managed' 'UserIdentity' （必要）

ImageClassification

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

ImageClassificationMultilabel

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

ImageInstanceSegmentation

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

ImageLimitSettings

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

ImageModelDistributionSettingsClassification

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

ImageModelDistributionSettingsObjectDetection

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

ImageModelSettingsClassification

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

ImageModelSettingsObjectDetection

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

ImageObjectDetection

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

ImageSweepSettings

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

JobBaseProperties

名字	描述	價值
componentId	元件資源的 ARM 資源識別碼。	字串
computeId	計算資源的 ARM 資源識別碼。	字串
描述	資產描述文字。	字串
displayName	工作的顯示名稱。	字串
experimentName	作業所屬的實驗名稱。 如果未設定，作業會放在 「默認」實驗中。	字串
身份	身分識別設定。 如果設定，這應該是其中一個 AmlToken、ManagedIdentity、UserIdentity 或 null。 如果為 null，則預設為 AmlToken。	IdentityConfiguration
isArchived	資產是否已封存？	bool
jobType	針對 autoMLJob 型態設定為 'AutoML'，。 設定為'Command' 類型 CommandJob。 將 類型設定為 'Pipeline'，PipelineJob。 設定為 [掃掠] 類型為 SweepJob。	'AutoML' 'Command' 'Pipeline' '掃掠' （必要）
性能	資產屬性字典。	ResourceBaseProperties
服務業	JobEndpoints 的清單。 針對本機作業，作業端點會有 FileStreamObject 的端點值。	JobBaseServices
標籤	標記字典。 標記可以新增、移除和更新。	ResourceBaseTags

JobBaseServices

名字	描述	價值

JobInput

名字	描述	價值
描述	輸入的描述。	字串
jobInputType	針對 CustomModelJobInput 類型設定為 『custom_model』，。 將 類型設定為 'literal' LiteralJobInput。 針對 MLFlowModelJobInput 類型 設定為 'mlflow_model'，。 針對 mlTableJobInput 類型設定為 'mltable'，。 針對 tritonModelJobInput類型 設定為 'triton_model'。 針對 uriFileJobInput 類型 設定為 'uri_file'，。 針對 uriFolderJobInput 類型設定為 'uri_folder'，。	'custom_model' 'literal' 'mlflow_model' 'mltable' 'triton_model' 'uri_file' 'uri_folder' （必要）

JobOutput

名字	描述	價值
描述	輸出的描述。	字串
jobOutputType	針對 CustomModelJobOutput 類型設定為 『custom_model』，。 針對 MLFlowModelJobOutput 類型設定為 『mlflow_model』。 針對 mlTableJobOutput 類型設定為 'mltable'，。 針對 TritonModelJobOutput 類型 設定為 『triton_model』，。 針對類型 UriFileJobOutput，設定為 'uri_file'。 針對 uriFolderJobOutput 類型設定為 『uri_folder』，。	'custom_model' 'mlflow_model' 'mltable' 'triton_model' 'uri_file' 'uri_folder' （必要）

JobResourceConfiguration

名字	描述	價值
dockerArgs	傳遞至 Docker run 命令的額外自變數。 這會覆寫系統或本節中已設定的任何參數。 此參數僅支援 Azure ML 計算類型。	字串
instanceCount	計算目標所使用的實例或節點選擇性數目。	int
instanceType	計算目標所支持的選擇性 VM 類型。	字串
性能	其他屬性包。	ResourceConfigurationProperties
shmSize	Docker 容器的共用記憶體區塊大小。 這應該是 （number）（unit） 的格式，其中數位大於 0，單位可以是 b（位元組）、k（KB）、m（MB）、或 g（GB）。	字串 約束： Pattern = \d+[bBkKmMgG]

JobScheduleAction

名字	描述	價值
actionType	[必要]指定排程的動作類型	'CreateJob' （必要）
jobDefinition	[必要]定義排程動作定義詳細數據。	JobBaseProperties （必要）

JobService

名字	描述	價值
端點	端點的 URL。	字串
jobServiceType	端點類型。	字串
港口	端點的埠。	int
性能	在端點上設定的其他屬性。	JobServiceProperties

JobServiceProperties

名字	描述	價值

LiteralJobInput

名字	描述	價值
jobInputType	[必要]指定作業的類型。	'literal' （必要）
價值	[必要]輸入的常值。	字串 約束： 模式 = [a-zA-Z0-9_] （必要）

ManagedIdentity

名字	描述	價值
clientId	依用戶端識別元指定使用者指派的身分識別。 若為系統指派，請勿設定此欄位。	字串 約束： 最小長度 = 36 最大長度 = 36 Pattern = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
identityType	[必要]指定身分識別架構的類型。	'Managed' （必要）
objectId	依物件識別元指定使用者指派的身分識別。 若為系統指派，請勿設定此欄位。	字串 約束： 最小長度 = 36 最大長度 = 36 Pattern = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
resourceId	依 ARM 資源識別碼指定使用者指派的身分識別。 若為系統指派，請勿設定此欄位。	字串

MedianStoppingPolicy

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

Microsoft.MachineLearningServices/workspaces/schedules

名字	描述	價值
apiVersion	API 版本	'2022-10-01'
名字	資源名稱	字串 約束： 模式 = ^[a-zA-Z0-9][a-zA-Z0-9\-_]{0,254}$ （必要）
性能	[必要]實體的其他屬性。	ScheduleProperties （必要）
類型	資源類型	'Microsoft.MachineLearningServices/workspaces/schedules'

MLFlowModelJobInput

名字	描述	價值
jobInputType	[必要]指定作業的類型。	'mlflow_model' （必要）
模式	輸入資產傳遞模式。	'Direct' 'Download' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
uri	[必要]輸入資產 URI。	字串 約束： 模式 = [a-zA-Z0-9_] （必要）

MLFlowModelJobInput

名字	描述	價值
描述	輸入的描述。	字串
jobInputType	[必要]指定作業的類型。	'custom_model' 'literal' 'mlflow_model' 'mltable' 'triton_model' 'uri_file' 'uri_folder' （必要）
模式	輸入資產傳遞模式。	'Direct' 'Download' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
uri	[必要]輸入資產 URI。	字串 約束： 模式 = [a-zA-Z0-9_] （必要）

MLFlowModelJobOutput

名字	描述	價值
jobOutputType	[必要]指定作業的類型。	'mlflow_model' （必要）
模式	輸出資產傳遞模式。	'ReadWriteMount' 'Upload'
uri	輸出資產 URI。	字串

MLTableJobInput

名字	描述	價值
描述	輸入的描述。	字串
jobInputType	[必要]指定作業的類型。	'custom_model' 'literal' 'mlflow_model' 'mltable' 'triton_model' 'uri_file' 'uri_folder' （必要）
模式	輸入資產傳遞模式。	'Direct' 'Download' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
uri	[必要]輸入資產 URI。	字串 約束： 模式 = [a-zA-Z0-9_] （必要）

MLTableJobInput

名字	描述	價值
jobInputType	[必要]指定作業的類型。	'mltable' （必要）
模式	輸入資產傳遞模式。	'Direct' 'Download' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
uri	[必要]輸入資產 URI。	字串 約束： 模式 = [a-zA-Z0-9_] （必要）

MLTableJobOutput

名字	描述	價值
jobOutputType	[必要]指定作業的類型。	'mltable' （必要）
模式	輸出資產傳遞模式。	'ReadWriteMount' 'Upload'
uri	輸出資產 URI。	字串

Mpi

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

NCrossValidations

名字	描述	價值
模式	針對 AutoNCrossValidations 類型設定為 'Auto'，。 針對 customNCrossValidations類型 設定為 'Custom'。	'Auto' 'Custom' （必要）

NlpVerticalFeaturizationSettings

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

NlpVerticalLimitSettings

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

目的

名字	描述	價值
目標	[必要]定義超參數微調支援的計量目標	'Maximize' '最小化' （必要）
primaryMetric	[必要]要優化之計量的名稱。	字串 約束： 模式 = [a-zA-Z0-9_] （必要）

PipelineJob

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

PipelineJobInputs

名字	描述	價值

PipelineJobJobs

名字	描述	價值

PipelineJobOutputs

名字	描述	價值

PyTorch

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

RandomSamplingAlgorithm

名字	描述	價值
統治	隨機演算法的特定類型	'Random' 'Sobol'
samplingAlgorithmType	[必要]用來產生超參數值的演算法，以及組態屬性	'Random' （必要）
種子	要作為隨機數產生種子的選擇性整數	int

RecurrenceSchedule

名字	描述	價值
小時	[必要]排程的時數清單。	int[] （必要）
紀要	[必要]排程的分鐘數清單。	int[] （必要）
monthDays	排程的月份天數清單	int[]
平日	排程的天數清單。	包含任何的字串數組： 'Friday' 'Monday' 'Saturday' 'Sunday' 'Thursday' 'Tuesday' 'Wednesday'

RecurrenceTrigger

名字	描述	價值
頻率	[必要]觸發排程的頻率。	'Day' 'Hour' 'Minute' 'Month' 'Week' （必要）
間隔	[必要]指定排程間隔與頻率	int （必要）
附表	週期排程。	RecurrenceSchedule
triggerType	[必要]	'週期' （必要）

回歸

名字	描述	價值
cvSplitColumnNames	要用於 CVSplit 資料的數據行。	string[]
featurizationSettings	AutoML 作業所需的特徵化輸入。	TableVerticalFeaturizationSettings
limitSettings	AutoMLJob 的執行條件約束。	TableVerticalLimitSettings
nCrossValidations	要套用至定型數據集的交叉驗證折疊數目 未提供驗證數據集時。	NCrossValidations
primaryMetric	回歸工作的主要計量。	'NormalizedMeanAbsoluteError' 'NormalizedRootMeanSquaredError' 'R2Score' 'SpearmanCorrelation'
taskType	[必要]AutoMLJob 的工作類型。	'回歸' （必要）
testData	測試數據輸入。	MLTableJobInput
testDataSize	必須為驗證目的而保留的測試數據集分數。 介於 （0.0 、 1.0） 之間的值 未提供驗證數據集時套用。	int
trainingSettings	AutoML 作業定型階段的輸入。	RegressionTrainingSettings
validationData	驗證數據輸入。	MLTableJobInput
validationDataSize	需要為驗證目的預留的定型數據集分數。 介於 （0.0 、 1.0） 之間的值 未提供驗證數據集時套用。	int
weightColumnName	範例權數數據行的名稱。 自動化 ML 支援加權數據行做為輸入，導致數據中的數據列向上或向下加權。	字串

RegressionTrainingSettings

名字	描述	價值
allowedTrainingAlgorithms	回歸工作的允許模型。	包含任何的字串數組： 'DecisionTree' 'ElasticNet' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'RandomForest' '新幣' 'XGBoostRegressor'
blockedTrainingAlgorithms	回歸工作的封鎖模型。	包含任何的字串數組： 'DecisionTree' 'ElasticNet' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'RandomForest' '新幣' 'XGBoostRegressor'
enableDnnTraining	啟用 DNN 模型的建議。	bool
enableModelExplainability	在最佳模型上開啟可解釋性的旗標。	bool
enableOnnxCompatibleModels	啟用 onnx 相容模型的旗標。	bool
enableStackEnsemble	啟用堆疊合奏執行。	bool
enableVoteEnsemble	啟用投票合奏執行。	bool
ensembleModelDownloadTimeout	在 VotingEnsemble 和 StackEnsemble 模型產生期間，會下載先前子回合中的多個安裝模型。 如果需要更多時間，請使用高於 300 秒的值來設定此參數。	字串
stackEnsembleSettings	堆疊合奏執行的堆疊合奏設定。	StackEnsembleSettings

ResourceBaseProperties

名字	描述	價值

ResourceBaseProperties

名字	描述	價值

ResourceBaseTags

名字	描述	價值

ResourceBaseTags

名字	描述	價值

ResourceConfigurationProperties

名字	描述	價值

SamplingAlgorithm

名字	描述	價值
samplingAlgorithmType	針對貝氏類型設定為 『Bayesian』，BayesianSamplingAlgorithm。 將 類型設定為 'Grid'，GridSamplingAlgorithm。 針對 randomSamplingAlgorithm類型 設定為 'Random'。	“貝氏” 'Grid' 'Random' （必要）

ScheduleActionBase

名字	描述	價值
actionType	針對 jobScheduleAction 類型 設定為 'CreateJob'，。 針對 endpointScheduleAction 類型設定為 'InvokeBatchEndpoint'，。	'CreateJob' 'InvokeBatchEndpoint' （必要）

ScheduleProperties

名字	描述	價值
行動	[必要]指定排程的動作	ScheduleActionBase （必要）
描述	資產描述文字。	字串
displayName	排程的顯示名稱。	字串
isEnabled	是否已啟用排程？	bool
性能	資產屬性字典。	ResourceBaseProperties
標籤	標記字典。 標記可以新增、移除和更新。	ResourceBaseTags
觸發	[必要]指定觸發程式詳細數據	TriggerBase （必要）

季節性

名字	描述	價值
模式	針對 autoSeasonality 型態 設定為 [自動]。 針對 customSeasonality類型設定為 『Custom』。	'Auto' 'Custom' （必要）

StackEnsembleSettings

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

SweepJob

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

SweepJobInputs

名字	描述	價值

SweepJobLimits

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

SweepJobOutputs

名字	描述	價值

TableVerticalFeaturizationSettings

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

TableVerticalFeaturizationSettingsColumnNameAndTypes

名字	描述	價值

TableVerticalFeaturizationSettingsTransformerParams

名字	描述	價值

TableVerticalLimitSettings

名字	描述	價值
enableEarlyTermination	啟用提早終止，判斷如果過去 20 個反覆項目沒有分數改善，AutoMLJob 是否會提早終止。	bool
exitScore	AutoML 作業的結束分數。	int
maxConcurrentTrials	並行反覆運算數上限。	int
maxCoresPerTrial	每個反覆專案的核心數上限。	int
maxTrials	反覆項目的數目。	int
超時	AutoML 作業逾時。	字串
trialTimeout	反覆專案逾時。	字串

TargetLags

名字	描述	價值
模式	針對 AutoTargetLags 類型設定為 'Auto'，。 針對 customTargetLags 類型設定為 'Custom'，。	'Auto' 'Custom' （必要）

TargetRollingWindowSize

名字	描述	價值
模式	針對 autoTargetRollingWindowSize 類型 設定為 'Auto'，。 針對 customTargetRollingWindowSize 類型設定為 'Custom'，。	'Auto' 'Custom' （必要）

TensorFlow

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

TextClassification

名字	描述	價值
featurizationSettings	AutoML 作業所需的特徵化輸入。	NlpVerticalFeaturizationSettings
limitSettings	AutoMLJob 的執行條件約束。	NlpVerticalLimitSettings
primaryMetric	Text-Classification 工作的主要計量。	'精確度' 'AUCWeighted' 'AveragePrecisionScoreWeighted' 'NormMacroRecall' 'PrecisionScoreWeighted'
taskType	[必要]AutoMLJob 的工作類型。	'TextClassification' （必要）
validationData	驗證數據輸入。	MLTableJobInput

TextClassificationMultilabel

名字	描述	價值
featurizationSettings	AutoML 作業所需的特徵化輸入。	NlpVerticalFeaturizationSettings
limitSettings	AutoMLJob 的執行條件約束。	NlpVerticalLimitSettings
taskType	[必要]AutoMLJob 的工作類型。	'TextClassificationMultilabel' （必要）
validationData	驗證數據輸入。	MLTableJobInput

TextNer

名字	描述	價值
featurizationSettings	AutoML 作業所需的特徵化輸入。	NlpVerticalFeaturizationSettings
limitSettings	AutoMLJob 的執行條件約束。	NlpVerticalLimitSettings
taskType	[必要]AutoMLJob 的工作類型。	'TextNER' （必要）
validationData	驗證數據輸入。	MLTableJobInput

TrialComponent

名字	描述	價值
codeId	程式代碼資產的 ARM 資源識別碼。	字串
命令	[必要]在作業啟動時執行的命令。 例如 “python train.py”	字串 約束： 最小長度 = 1 模式 = [a-zA-Z0-9_] （必要）
分配	作業的散發組態。 如果設定，這應該是其中一個 Mpi、Tensorflow、PyTorch 或 null。	DistributionConfiguration
environmentId	[必要]作業之環境規格的 ARM 資源識別碼。	字串 約束： 模式 = [a-zA-Z0-9_] （必要）
environmentVariables	作業中包含的環境變數。	TrialComponentEnvironmentVariables
資源	作業的計算資源組態。	JobResourceConfiguration

TrialComponentEnvironmentVariables

名字	描述	價值

TriggerBase

名字	描述	價值
endTime	指定 ISO 8601 中的排程結束時間，但不含 UTC 位移。 請參閱 https://en.wikipedia.org/wiki/ISO_8601。 重新批注的格式會是 “2022-06-01T00：00：01” 如果沒有，排程將會無限期執行	字串
startTime	以 ISO 8601 格式指定排程的開始時間，但不含 UTC 位移。	字串
timeZone	指定排程執行所在的時區。 TimeZone應遵循 Windows 時區格式。 請參閱：/windows-hardware/manufacture/desktop/default-time-zones？view=windows-11	字串
triggerType	針對 CronTrigger 類型 設定為 'Cron'，。 將 類型設為 'Recurrence'，RecurrenceTrigger。	'Cron' '週期' （必要）

TritonModelJobInput

名字	描述	價值
jobInputType	[必要]指定作業的類型。	'triton_model' （必要）
模式	輸入資產傳遞模式。	'Direct' 'Download' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
uri	[必要]輸入資產 URI。	字串 約束： 模式 = [a-zA-Z0-9_] （必要）

TritonModelJobOutput

名字	描述	價值
jobOutputType	[必要]指定作業的類型。	'triton_model' （必要）
模式	輸出資產傳遞模式。	'ReadWriteMount' 'Upload'
uri	輸出資產 URI。	字串

TruncationSelectionPolicy

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

UriFileJobInput

名字	描述	價值
jobInputType	[必要]指定作業的類型。	'uri_file' （必要）
模式	輸入資產傳遞模式。	'Direct' 'Download' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
uri	[必要]輸入資產 URI。	字串 約束： 模式 = [a-zA-Z0-9_] （必要）

UriFileJobOutput

名字	描述	價值
jobOutputType	[必要]指定作業的類型。	'uri_file' （必要）
模式	輸出資產傳遞模式。	'ReadWriteMount' 'Upload'
uri	輸出資產 URI。	字串

UriFolderJobInput

名字	描述	價值
jobInputType	[必要]指定作業的類型。	'uri_folder' （必要）
模式	輸入資產傳遞模式。	'Direct' 'Download' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
uri	[必要]輸入資產 URI。	字串 約束： 模式 = [a-zA-Z0-9_] （必要）

UriFolderJobOutput

名字	描述	價值
jobOutputType	[必要]指定作業的類型。	'uri_folder' （必要）
模式	輸出資產傳遞模式。	'ReadWriteMount' 'Upload'
uri	輸出資產 URI。	字串

UserIdentity

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

Terraform （AzAPI 提供者） 資源定義

工作區/排程資源類型可以使用目標作業來部署：

• 資源群組

如需每個 API 版本中已變更屬性的清單，請參閱 變更記錄檔。

資源格式

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

resource "azapi_resource" "symbolicname" {
  type = "Microsoft.MachineLearningServices/workspaces/schedules@2022-10-01"
  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
      }
    }
  })
}

SamplingAlgorithm 物件

設定 samplingAlgorithmType 屬性，以指定對象的類型。

針對 貝氏，請使用：

{
  samplingAlgorithmType = "Bayesian"
}

針對 Grid，請使用：

{
  samplingAlgorithmType = "Grid"
}

針對 Random，請使用：

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

EarlyTerminationPolicy 物件

設定 policyType 屬性，以指定對象的類型。

針對 Bandit，請使用：

{
  policyType = "Bandit"
  slackAmount = int
  slackFactor = int
}

針對 MedianStopping，請使用：

{
  policyType = "MedianStopping"
}

針對 TruncationSelection，請使用：

{
  policyType = "TruncationSelection"
  truncationPercentage = int
}

AutoMLVertical 物件

設定 taskType 屬性，以指定物件的類型。

針對 分類，請使用：

{
  cvSplitColumnNames = [
    "string"
  ]
  featurizationSettings = {
    blockedTransformers = [
      "string"
    ]
    columnNameAndTypes = {
      {customized property} = "string"
    }
    datasetLanguage = "string"
    enableDnnFeaturization = bool
    mode = "string"
    transformerParams = {
      {customized property} = [
        {
          fields = [
            "string"
          ]
          parameters = ?
        }
      ]
    }
  }
  limitSettings = {
    enableEarlyTermination = bool
    exitScore = int
    maxConcurrentTrials = int
    maxCoresPerTrial = int
    maxTrials = int
    timeout = "string"
    trialTimeout = "string"
  }
  nCrossValidations = {
    mode = "string"
    // For remaining properties, see NCrossValidations objects
  }
  positiveLabel = "string"
  primaryMetric = "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"
    }
  }
  validationData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    uri = "string"
  }
  validationDataSize = int
  weightColumnName = "string"
}

針對 預測，請使用：

{
  cvSplitColumnNames = [
    "string"
  ]
  featurizationSettings = {
    blockedTransformers = [
      "string"
    ]
    columnNameAndTypes = {
      {customized property} = "string"
    }
    datasetLanguage = "string"
    enableDnnFeaturization = bool
    mode = "string"
    transformerParams = {
      {customized property} = [
        {
          fields = [
            "string"
          ]
          parameters = ?
        }
      ]
    }
  }
  forecastingSettings = {
    countryOrRegionForHolidays = "string"
    cvStepSize = int
    featureLags = "string"
    forecastHorizon = {
      mode = "string"
      // For remaining properties, see ForecastHorizon objects
    }
    frequency = "string"
    seasonality = {
      mode = "string"
      // For remaining properties, see Seasonality objects
    }
    shortSeriesHandlingConfig = "string"
    targetAggregateFunction = "string"
    targetLags = {
      mode = "string"
      // For remaining properties, see TargetLags objects
    }
    targetRollingWindowSize = {
      mode = "string"
      // For remaining properties, see TargetRollingWindowSize objects
    }
    timeColumnName = "string"
    timeSeriesIdColumnNames = [
      "string"
    ]
    useStl = "string"
  }
  limitSettings = {
    enableEarlyTermination = bool
    exitScore = int
    maxConcurrentTrials = int
    maxCoresPerTrial = int
    maxTrials = int
    timeout = "string"
    trialTimeout = "string"
  }
  nCrossValidations = {
    mode = "string"
    // For remaining properties, see NCrossValidations objects
  }
  primaryMetric = "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"
    }
  }
  validationData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    uri = "string"
  }
  validationDataSize = int
  weightColumnName = "string"
}

針對 imageClassification ，請使用：

{
  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
}

針對 imageClassificationMultilabel，請使用：

{
  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
}

針對 ImageInstanceSegmentation，請使用：

{
  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
}

針對 ImageObjectDetection，請使用：

{
  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
}

針對 回歸，請使用：

{
  cvSplitColumnNames = [
    "string"
  ]
  featurizationSettings = {
    blockedTransformers = [
      "string"
    ]
    columnNameAndTypes = {
      {customized property} = "string"
    }
    datasetLanguage = "string"
    enableDnnFeaturization = bool
    mode = "string"
    transformerParams = {
      {customized property} = [
        {
          fields = [
            "string"
          ]
          parameters = ?
        }
      ]
    }
  }
  limitSettings = {
    enableEarlyTermination = bool
    exitScore = int
    maxConcurrentTrials = int
    maxCoresPerTrial = int
    maxTrials = int
    timeout = "string"
    trialTimeout = "string"
  }
  nCrossValidations = {
    mode = "string"
    // For remaining properties, see NCrossValidations objects
  }
  primaryMetric = "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"
    }
  }
  validationData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    uri = "string"
  }
  validationDataSize = int
  weightColumnName = "string"
}

針對 TextClassification，請使用：

{
  featurizationSettings = {
    datasetLanguage = "string"
  }
  limitSettings = {
    maxConcurrentTrials = int
    maxTrials = int
    timeout = "string"
  }
  primaryMetric = "string"
  taskType = "TextClassification"
  validationData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    uri = "string"
  }
}

針對 textClassificationMultilabel，請使用：

{
  featurizationSettings = {
    datasetLanguage = "string"
  }
  limitSettings = {
    maxConcurrentTrials = int
    maxTrials = int
    timeout = "string"
  }
  taskType = "TextClassificationMultilabel"
  validationData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    uri = "string"
  }
}

針對 TextNER，請使用：

{
  featurizationSettings = {
    datasetLanguage = "string"
  }
  limitSettings = {
    maxConcurrentTrials = int
    maxTrials = int
    timeout = "string"
  }
  taskType = "TextNER"
  validationData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    uri = "string"
  }
}

DistributionConfiguration 物件

設定 distributionType 屬性，以指定對象的類型。

針對 Mpi，請使用：

{
  distributionType = "Mpi"
  processCountPerInstance = int
}

針對 PyTorch，請使用：

{
  distributionType = "PyTorch"
  processCountPerInstance = int
}

針對 TensorFlow，請使用：

{
  distributionType = "TensorFlow"
  parameterServerCount = int
  workerCount = int
}

TargetRollingWindowSize 物件

設定 模式 屬性，以指定物件的類型。

針對 Auto，請使用：

{
  mode = "Auto"
}

針對 自訂，請使用：

{
  mode = "Custom"
  value = int
}

ForecastHorizon 物件

設定 模式 屬性，以指定物件的類型。

針對 Auto，請使用：

{
  mode = "Auto"
}

針對 自訂，請使用：

{
  mode = "Custom"
  value = int
}

JobOutput 物件

設定 jobOutputType 屬性，以指定物件的類型。

針對 custom_model，請使用：

{
  jobOutputType = "custom_model"
  mode = "string"
  uri = "string"
}

針對 mlflow_model，請使用：

{
  jobOutputType = "mlflow_model"
  mode = "string"
  uri = "string"
}

針對 mltable，請使用：

{
  jobOutputType = "mltable"
  mode = "string"
  uri = "string"
}

針對 triton_model，請使用：

{
  jobOutputType = "triton_model"
  mode = "string"
  uri = "string"
}

針對 uri_file，請使用：

{
  jobOutputType = "uri_file"
  mode = "string"
  uri = "string"
}

針對 uri_folder，請使用：

{
  jobOutputType = "uri_folder"
  mode = "string"
  uri = "string"
}

IdentityConfiguration 物件

設定 identityType 屬性 ，以指定對象的類型。

針對 AMLToken，請使用：

{
  identityType = "AMLToken"
}

針對 Managed，請使用：

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

針對 UserIdentity，請使用：

{
  identityType = "UserIdentity"
}

ScheduleActionBase 物件

設定 actionType 屬性，以指定物件的類型。

針對 CreateJob，請使用：

{
  actionType = "CreateJob"
  jobDefinition = {
    componentId = "string"
    computeId = "string"
    description = "string"
    displayName = "string"
    experimentName = "string"
    identity = {
      identityType = "string"
      // For remaining properties, see IdentityConfiguration objects
    }
    isArchived = bool
    properties = {
      {customized property} = "string"
    }
    services = {
      {customized property} = {
        endpoint = "string"
        jobServiceType = "string"
        port = int
        properties = {
          {customized property} = "string"
        }
      }
    }
    tags = {
      {customized property} = "string"
    }
    jobType = "string"
    // For remaining properties, see JobBaseProperties objects
  }
}

針對 InvokeBatchEndpoint，請使用：

{
  actionType = "InvokeBatchEndpoint"
  endpointInvocationDefinition = ?
}

季節性物件

設定 模式 屬性，以指定物件的類型。

針對 Auto，請使用：

{
  mode = "Auto"
}

針對 自訂，請使用：

{
  mode = "Custom"
  value = int
}

NCrossValidations 物件

設定 模式 屬性，以指定物件的類型。

針對 Auto，請使用：

{
  mode = "Auto"
}

針對 自訂，請使用：

{
  mode = "Custom"
  value = int
}

TriggerBase 物件

設定 triggerType 屬性，以指定對象的類型。

針對 Cron，請使用：

{
  expression = "string"
  triggerType = "Cron"
}

針對 週期，請使用：

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

TargetLags 物件

設定 模式 屬性，以指定物件的類型。

針對 Auto，請使用：

{
  mode = "Auto"
}

針對 自訂，請使用：

{
  mode = "Custom"
  values = [
    int
  ]
}

JobBaseProperties 物件

設定 jobType 屬性，以指定物件的類型。

針對 AutoML，請使用：

{
  environmentId = "string"
  environmentVariables = {
    {customized property} = "string"
  }
  jobType = "AutoML"
  outputs = {
    {customized property} = {
      description = "string"
      jobOutputType = "string"
      // For remaining properties, see JobOutput objects
    }
  }
  resources = {
    dockerArgs = "string"
    instanceCount = int
    instanceType = "string"
    properties = {
      {customized property} = ?
    }
    shmSize = "string"
  }
  taskDetails = {
    logVerbosity = "string"
    targetColumnName = "string"
    trainingData = {
      description = "string"
      jobInputType = "string"
      mode = "string"
      uri = "string"
    }
    taskType = "string"
    // For remaining properties, see AutoMLVertical objects
  }
}

針對 Command，請使用：

{
  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
    }
  }
  resources = {
    dockerArgs = "string"
    instanceCount = int
    instanceType = "string"
    properties = {
      {customized property} = ?
    }
    shmSize = "string"
  }
}

針對 Pipeline，請使用：

{
  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"
}

針對 掃掠，請使用：

{
  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
    }
  }
  samplingAlgorithm = {
    samplingAlgorithmType = "string"
    // For remaining properties, see SamplingAlgorithm objects
  }
  searchSpace = ?
  trial = {
    codeId = "string"
    command = "string"
    distribution = {
      distributionType = "string"
      // For remaining properties, see DistributionConfiguration objects
    }
    environmentId = "string"
    environmentVariables = {
      {customized property} = "string"
    }
    resources = {
      dockerArgs = "string"
      instanceCount = int
      instanceType = "string"
      properties = {
        {customized property} = ?
      }
      shmSize = "string"
    }
  }
}

JobInput 物件

設定 jobInputType 屬性，以指定物件的類型。

針對 custom_model，請使用：

{
  jobInputType = "custom_model"
  mode = "string"
  uri = "string"
}

針對 常值，請使用：

{
  jobInputType = "literal"
  value = "string"
}

針對 mlflow_model，請使用：

{
  jobInputType = "mlflow_model"
  mode = "string"
  uri = "string"
}

針對 mltable，請使用：

{
  jobInputType = "mltable"
  mode = "string"
  uri = "string"
}

針對 triton_model，請使用：

{
  jobInputType = "triton_model"
  mode = "string"
  uri = "string"
}

針對 uri_file，請使用：

{
  jobInputType = "uri_file"
  mode = "string"
  uri = "string"
}

針對 uri_folder，請使用：

{
  jobInputType = "uri_folder"
  mode = "string"
  uri = "string"
}

屬性值

AmlToken

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

AutoForecastHorizon

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

AutoMLJob

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

AutoMLJobEnvironmentVariables

名字	描述	價值

AutoMLJobOutputs

名字	描述	價值

AutoMLVertical

名字	描述	價值
logVerbosity	作業的記錄詳細資訊。	'Critical' 'Debug' 'Error' 'Info' 'NotSet' 'Warning'
targetColumnName	目標數據行名稱：這是預測值數據行。 也稱為分類工作內容中的標籤數據行名稱。	字串
taskType	針對類型 Classification設定為 [分類]。 針對類型 預測，設定為 [預測]。 針對 imageClassification 類型 設定為 'ImageClassification'，。 針對 imageClassificationMultilabel 類型設定為 'ImageClassificationMultilabel' 。 針對 imageInstanceSegmentation 類型 設定為 'ImageInstanceSegmentation'，。 針對 imageObjectDetection 類型 設定為 'ImageObjectDetection'，。 針對類型 回歸，設定為 [回歸]。 將 類型設定為 'TextClassification' TextClassification。 針對 textClassificationMultilabel TextClassificationMultilabel類型，設定為 'TextClassificationMultilabel'。 針對 textNer 類型設定為 'TextNER'，。	'Classification' 「預測」 'ImageClassification' 'ImageClassificationMultilabel' 'ImageInstanceSegmentation' 'ImageObjectDetection' 'Regression' 'TextClassification' 'TextClassificationMultilabel' 'TextNER' （必要）
trainingData	[必要]定型數據輸入。	MLTableJobInput （必要）

AutoNCrossValidations

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

AutoSeasonality

名字	描述	價值
模式	[必要]季節性模式。	'Auto' （必要）

AutoTargetLags

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

AutoTargetRollingWindowSize

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

BanditPolicy

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

BayesianSamplingAlgorithm

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

分類

名字	描述	價值
cvSplitColumnNames	要用於 CVSplit 資料的數據行。	string[]
featurizationSettings	AutoML 作業所需的特徵化輸入。	TableVerticalFeaturizationSettings
limitSettings	AutoMLJob 的執行條件約束。	TableVerticalLimitSettings
nCrossValidations	要套用至定型數據集的交叉驗證折疊數目 未提供驗證數據集時。	NCrossValidations
positiveLabel	二進位計量計算的正標籤。	字串
primaryMetric	工作的主要計量。	'精確度' 'AUCWeighted' 'AveragePrecisionScoreWeighted' 'NormMacroRecall' 'PrecisionScoreWeighted'
taskType	[必要]AutoMLJob 的工作類型。	'分類' （必要）
testData	測試數據輸入。	MLTableJobInput
testDataSize	必須為驗證目的而保留的測試數據集分數。 介於 （0.0 、 1.0） 之間的值 未提供驗證數據集時套用。	int
trainingSettings	AutoML 作業定型階段的輸入。	ClassificationTrainingSettings
validationData	驗證數據輸入。	MLTableJobInput
validationDataSize	需要為驗證目的預留的定型數據集分數。 介於 （0.0 、 1.0） 之間的值 未提供驗證數據集時套用。	int
weightColumnName	範例權數數據行的名稱。 自動化 ML 支援加權數據行做為輸入，導致數據中的數據列向上或向下加權。	字串

ClassificationTrainingSettings

名字	描述	價值
allowedTrainingAlgorithms	分類工作的允許模型。	包含任何的字串數組： 'BernoulliNaiveBayes' 'DecisionTree' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LightGBM' 'LinearSVM' 'LogisticRegression' 'MultinomialNaiveBayes' 'RandomForest' '新幣' 'SVM' 'XGBoostClassifier'
blockedTrainingAlgorithms	分類工作的封鎖模型。	包含任何的字串數組： 'BernoulliNaiveBayes' 'DecisionTree' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LightGBM' 'LinearSVM' 'LogisticRegression' 'MultinomialNaiveBayes' 'RandomForest' '新幣' 'SVM' 'XGBoostClassifier'
enableDnnTraining	啟用 DNN 模型的建議。	bool
enableModelExplainability	在最佳模型上開啟可解釋性的旗標。	bool
enableOnnxCompatibleModels	啟用 onnx 相容模型的旗標。	bool
enableStackEnsemble	啟用堆疊合奏執行。	bool
enableVoteEnsemble	啟用投票合奏執行。	bool
ensembleModelDownloadTimeout	在 VotingEnsemble 和 StackEnsemble 模型產生期間，會下載先前子回合中的多個安裝模型。 如果需要更多時間，請使用高於 300 秒的值來設定此參數。	字串
stackEnsembleSettings	堆疊合奏執行的堆疊合奏設定。	StackEnsembleSettings

ColumnTransformer

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

CommandJob

名字	描述	價值
codeId	程式代碼資產的 ARM 資源識別碼。	字串
命令	[必要]在作業啟動時執行的命令。 例如 “python train.py”	字串 約束： 最小長度 = 1 模式 = [a-zA-Z0-9_] （必要）
分配	作業的散發組態。 如果設定，這應該是其中一個 Mpi、Tensorflow、PyTorch 或 null。	DistributionConfiguration
environmentId	[必要]作業之環境規格的 ARM 資源識別碼。	字串 約束： 模式 = [a-zA-Z0-9_] （必要）
environmentVariables	作業中包含的環境變數。	CommandJobEnvironmentVariables
輸入	對應作業中使用的輸入數據系結。	CommandJobInputs
jobType	[必要]指定作業的類型。	'Command' （必要）
限制	命令作業限制。	CommandJobLimits
輸出	對應作業中使用的輸出數據系結。	CommandJobOutputs
資源	作業的計算資源組態。	JobResourceConfiguration

CommandJobEnvironmentVariables

名字	描述	價值

CommandJobInputs

名字	描述	價值

CommandJobLimits

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

CommandJobOutputs

名字	描述	價值

CronTrigger

名字	描述	價值
表達	[必要]指定排程的cron運算式。 表達式應遵循 NCronTab 格式。	字串 約束： 模式 = [a-zA-Z0-9_] （必要）
triggerType	[必要]	'Cron' （必要）

CustomForecastHorizon

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

CustomModelJobInput

名字	描述	價值
jobInputType	[必要]指定作業的類型。	'custom_model' （必要）
模式	輸入資產傳遞模式。	'Direct' 'Download' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
uri	[必要]輸入資產 URI。	字串 約束： 模式 = [a-zA-Z0-9_] （必要）

CustomModelJobOutput

名字	描述	價值
jobOutputType	[必要]指定作業的類型。	'custom_model' （必要）
模式	輸出資產傳遞模式。	'ReadWriteMount' 'Upload'
uri	輸出資產 URI。	字串

CustomNCrossValidations

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

CustomSeasonality

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

CustomTargetLags

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

CustomTargetRollingWindowSize

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

DistributionConfiguration

名字	描述	價值
distributionType	將 類型設定為 'Mpi'，Mpi。 將 類型設定為 'PyTorch'，PyTorch。 針對 tensorFlow 類型 設定為 'TensorFlow'，。	'Mpi' 'PyTorch' 'TensorFlow' （必要）

EarlyTerminationPolicy

名字	描述	價值
delayEvaluation	延遲第一次評估的間隔數目。	int
evaluationInterval	原則評估之間的間隔（執行次數）。	int
policyType	針對 BanditPolicy 類型設定為 'BanditPolicy'，。 針對 type MedianStoppingPolicy設定為 'MedianStopping'。 針對類型 TruncationSelectionPolicy，設定為 『TruncationSelection』。	“強盜” 'MedianStopping' 'TruncationSelection' （必要）

EndpointScheduleAction

名字	描述	價值
actionType	[必要]指定排程的動作類型	'InvokeBatchEndpoint' （必要）
endpointInvocationDefinition	[必要]定義排程動作定義詳細數據。 <請參閱 href=“TBD” />	任何 （必要）

ForecastHorizon

名字	描述	價值
模式	針對 autoForecastHorizon 類型設定為 'Auto'，。 針對 customForecastHorizon 類型設定為 'Custom'，。	'Auto' 'Custom' （必要）

預測

名字	描述	價值
cvSplitColumnNames	要用於 CVSplit 資料的數據行。	string[]
featurizationSettings	AutoML 作業所需的特徵化輸入。	TableVerticalFeaturizationSettings
forecastingSettings	預測工作特定輸入。	ForecastingSettings
limitSettings	AutoMLJob 的執行條件約束。	TableVerticalLimitSettings
nCrossValidations	要套用至定型數據集的交叉驗證折疊數目 未提供驗證數據集時。	NCrossValidations
primaryMetric	預測工作的主要計量。	'NormalizedMeanAbsoluteError' 'NormalizedRootMeanSquaredError' 'R2Score' 'SpearmanCorrelation'
taskType	[必要]AutoMLJob 的工作類型。	“預測” （必要）
testData	測試數據輸入。	MLTableJobInput
testDataSize	必須為驗證目的而保留的測試數據集分數。 介於 （0.0 、 1.0） 之間的值 未提供驗證數據集時套用。	int
trainingSettings	AutoML 作業定型階段的輸入。	ForecastingTrainingSettings
validationData	驗證數據輸入。	MLTableJobInput
validationDataSize	需要為驗證目的預留的定型數據集分數。 介於 （0.0 、 1.0） 之間的值 未提供驗證數據集時套用。	int
weightColumnName	範例權數數據行的名稱。 自動化 ML 支援加權數據行做為輸入，導致數據中的數據列向上或向下加權。	字串

ForecastingSettings

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

ForecastingTrainingSettings

名字	描述	價值
allowedTrainingAlgorithms	用於預測工作的允許模型。	包含任何的字串數組： 'Arimax' 'AutoArima' 'Average' 'DecisionTree' 'ElasticNet' 'ExponentialSmoothing' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 天真' '先知' 'RandomForest' 'SeasonalAverage' 'SeasonalNaive' '新幣' 'TCNForecaster' 'XGBoostRegressor'
blockedTrainingAlgorithms	用於預測工作的封鎖模型。	包含任何的字串數組： 'Arimax' 'AutoArima' 'Average' 'DecisionTree' 'ElasticNet' 'ExponentialSmoothing' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 天真' '先知' 'RandomForest' 'SeasonalAverage' 'SeasonalNaive' '新幣' 'TCNForecaster' 'XGBoostRegressor'
enableDnnTraining	啟用 DNN 模型的建議。	bool
enableModelExplainability	在最佳模型上開啟可解釋性的旗標。	bool
enableOnnxCompatibleModels	啟用 onnx 相容模型的旗標。	bool
enableStackEnsemble	啟用堆疊合奏執行。	bool
enableVoteEnsemble	啟用投票合奏執行。	bool
ensembleModelDownloadTimeout	在 VotingEnsemble 和 StackEnsemble 模型產生期間，會下載先前子回合中的多個安裝模型。 如果需要更多時間，請使用高於 300 秒的值來設定此參數。	字串
stackEnsembleSettings	堆疊合奏執行的堆疊合奏設定。	StackEnsembleSettings

GridSamplingAlgorithm

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

IdentityConfiguration

名字	描述	價值
identityType	針對 AmlToken 類型 設定為 'AMLToken'，。 針對 managedIdentity 類型 設定為 'Managed'，。 將 類型設定為 'UserIdentity' UserIdentity。	'AMLToken' 'Managed' 'UserIdentity' （必要）

ImageClassification

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

ImageClassificationMultilabel

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

ImageInstanceSegmentation

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

ImageLimitSettings

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

ImageModelDistributionSettingsClassification

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

ImageModelDistributionSettingsObjectDetection

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

ImageModelSettingsClassification

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

ImageModelSettingsObjectDetection

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

ImageObjectDetection

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

ImageSweepSettings

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

JobBaseProperties

名字	描述	價值
componentId	元件資源的 ARM 資源識別碼。	字串
computeId	計算資源的 ARM 資源識別碼。	字串
描述	資產描述文字。	字串
displayName	工作的顯示名稱。	字串
experimentName	作業所屬的實驗名稱。 如果未設定，作業會放在 「默認」實驗中。	字串
身份	身分識別設定。 如果設定，這應該是其中一個 AmlToken、ManagedIdentity、UserIdentity 或 null。 如果為 null，則預設為 AmlToken。	IdentityConfiguration
isArchived	資產是否已封存？	bool
jobType	針對 autoMLJob 型態設定為 'AutoML'，。 設定為'Command' 類型 CommandJob。 將 類型設定為 'Pipeline'，PipelineJob。 設定為 [掃掠] 類型為 SweepJob。	'AutoML' 'Command' 'Pipeline' '掃掠' （必要）
性能	資產屬性字典。	ResourceBaseProperties
服務業	JobEndpoints 的清單。 針對本機作業，作業端點會有 FileStreamObject 的端點值。	JobBaseServices
標籤	標記字典。 標記可以新增、移除和更新。	ResourceBaseTags

JobBaseServices

名字	描述	價值

JobInput

名字	描述	價值
描述	輸入的描述。	字串
jobInputType	針對 CustomModelJobInput 類型設定為 『custom_model』，。 將 類型設定為 'literal' LiteralJobInput。 針對 MLFlowModelJobInput 類型 設定為 'mlflow_model'，。 針對 mlTableJobInput 類型設定為 'mltable'，。 針對 tritonModelJobInput類型 設定為 'triton_model'。 針對 uriFileJobInput 類型 設定為 'uri_file'，。 針對 uriFolderJobInput 類型設定為 'uri_folder'，。	'custom_model' 'literal' 'mlflow_model' 'mltable' 'triton_model' 'uri_file' 'uri_folder' （必要）

JobOutput

名字	描述	價值
描述	輸出的描述。	字串
jobOutputType	針對 CustomModelJobOutput 類型設定為 『custom_model』，。 針對 MLFlowModelJobOutput 類型設定為 『mlflow_model』。 針對 mlTableJobOutput 類型設定為 'mltable'，。 針對 TritonModelJobOutput 類型 設定為 『triton_model』，。 針對類型 UriFileJobOutput，設定為 'uri_file'。 針對 uriFolderJobOutput 類型設定為 『uri_folder』，。	'custom_model' 'mlflow_model' 'mltable' 'triton_model' 'uri_file' 'uri_folder' （必要）

JobResourceConfiguration

名字	描述	價值
dockerArgs	傳遞至 Docker run 命令的額外自變數。 這會覆寫系統或本節中已設定的任何參數。 此參數僅支援 Azure ML 計算類型。	字串
instanceCount	計算目標所使用的實例或節點選擇性數目。	int
instanceType	計算目標所支持的選擇性 VM 類型。	字串
性能	其他屬性包。	ResourceConfigurationProperties
shmSize	Docker 容器的共用記憶體區塊大小。 這應該是 （number）（unit） 的格式，其中數位大於 0，單位可以是 b（位元組）、k（KB）、m（MB）、或 g（GB）。	字串 約束： Pattern = \d+[bBkKmMgG]

JobScheduleAction

名字	描述	價值
actionType	[必要]指定排程的動作類型	'CreateJob' （必要）
jobDefinition	[必要]定義排程動作定義詳細數據。	JobBaseProperties （必要）

JobService

名字	描述	價值
端點	端點的 URL。	字串
jobServiceType	端點類型。	字串
港口	端點的埠。	int
性能	在端點上設定的其他屬性。	JobServiceProperties

JobServiceProperties

名字	描述	價值

LiteralJobInput

名字	描述	價值
jobInputType	[必要]指定作業的類型。	'literal' （必要）
價值	[必要]輸入的常值。	字串 約束： 模式 = [a-zA-Z0-9_] （必要）

ManagedIdentity

名字	描述	價值
clientId	依用戶端識別元指定使用者指派的身分識別。 若為系統指派，請勿設定此欄位。	字串 約束： 最小長度 = 36 最大長度 = 36 Pattern = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
identityType	[必要]指定身分識別架構的類型。	'Managed' （必要）
objectId	依物件識別元指定使用者指派的身分識別。 若為系統指派，請勿設定此欄位。	字串 約束： 最小長度 = 36 最大長度 = 36 Pattern = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
resourceId	依 ARM 資源識別碼指定使用者指派的身分識別。 若為系統指派，請勿設定此欄位。	字串

MedianStoppingPolicy

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

Microsoft.MachineLearningServices/workspaces/schedules

名字	描述	價值
名字	資源名稱	字串 約束： 模式 = ^[a-zA-Z0-9][a-zA-Z0-9\-_]{0,254}$ （必要）
parent_id	此資源為父系之資源的標識碼。	類型資源的標識碼：工作區
性能	[必要]實體的其他屬性。	ScheduleProperties （必要）
類型	資源類型	“Microsoft.MachineLearningServices/workspaces/schedules@2022-10-01”

MLFlowModelJobInput

名字	描述	價值
jobInputType	[必要]指定作業的類型。	'mlflow_model' （必要）
模式	輸入資產傳遞模式。	'Direct' 'Download' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
uri	[必要]輸入資產 URI。	字串 約束： 模式 = [a-zA-Z0-9_] （必要）

MLFlowModelJobInput

名字	描述	價值
描述	輸入的描述。	字串
jobInputType	[必要]指定作業的類型。	'custom_model' 'literal' 'mlflow_model' 'mltable' 'triton_model' 'uri_file' 'uri_folder' （必要）
模式	輸入資產傳遞模式。	'Direct' 'Download' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
uri	[必要]輸入資產 URI。	字串 約束： 模式 = [a-zA-Z0-9_] （必要）

MLFlowModelJobOutput

名字	描述	價值
jobOutputType	[必要]指定作業的類型。	'mlflow_model' （必要）
模式	輸出資產傳遞模式。	'ReadWriteMount' 'Upload'
uri	輸出資產 URI。	字串

MLTableJobInput

名字	描述	價值
描述	輸入的描述。	字串
jobInputType	[必要]指定作業的類型。	'custom_model' 'literal' 'mlflow_model' 'mltable' 'triton_model' 'uri_file' 'uri_folder' （必要）
模式	輸入資產傳遞模式。	'Direct' 'Download' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
uri	[必要]輸入資產 URI。	字串 約束： 模式 = [a-zA-Z0-9_] （必要）

MLTableJobInput

名字	描述	價值
jobInputType	[必要]指定作業的類型。	'mltable' （必要）
模式	輸入資產傳遞模式。	'Direct' 'Download' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
uri	[必要]輸入資產 URI。	字串 約束： 模式 = [a-zA-Z0-9_] （必要）

MLTableJobOutput

名字	描述	價值
jobOutputType	[必要]指定作業的類型。	'mltable' （必要）
模式	輸出資產傳遞模式。	'ReadWriteMount' 'Upload'
uri	輸出資產 URI。	字串

Mpi

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

NCrossValidations

名字	描述	價值
模式	針對 AutoNCrossValidations 類型設定為 'Auto'，。 針對 customNCrossValidations類型 設定為 'Custom'。	'Auto' 'Custom' （必要）

NlpVerticalFeaturizationSettings

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

NlpVerticalLimitSettings

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

目的

名字	描述	價值
目標	[必要]定義超參數微調支援的計量目標	'Maximize' '最小化' （必要）
primaryMetric	[必要]要優化之計量的名稱。	字串 約束： 模式 = [a-zA-Z0-9_] （必要）

PipelineJob

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

PipelineJobInputs

名字	描述	價值

PipelineJobJobs

名字	描述	價值

PipelineJobOutputs

名字	描述	價值

PyTorch

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

RandomSamplingAlgorithm

名字	描述	價值
統治	隨機演算法的特定類型	'Random' 'Sobol'
samplingAlgorithmType	[必要]用來產生超參數值的演算法，以及組態屬性	'Random' （必要）
種子	要作為隨機數產生種子的選擇性整數	int

RecurrenceSchedule

名字	描述	價值
小時	[必要]排程的時數清單。	int[] （必要）
紀要	[必要]排程的分鐘數清單。	int[] （必要）
monthDays	排程的月份天數清單	int[]
平日	排程的天數清單。	包含任何的字串數組： 'Friday' 'Monday' 'Saturday' 'Sunday' 'Thursday' 'Tuesday' 'Wednesday'

RecurrenceTrigger

名字	描述	價值
頻率	[必要]觸發排程的頻率。	'Day' 'Hour' 'Minute' 'Month' 'Week' （必要）
間隔	[必要]指定排程間隔與頻率	int （必要）
附表	週期排程。	RecurrenceSchedule
triggerType	[必要]	'週期' （必要）

回歸

名字	描述	價值
cvSplitColumnNames	要用於 CVSplit 資料的數據行。	string[]
featurizationSettings	AutoML 作業所需的特徵化輸入。	TableVerticalFeaturizationSettings
limitSettings	AutoMLJob 的執行條件約束。	TableVerticalLimitSettings
nCrossValidations	要套用至定型數據集的交叉驗證折疊數目 未提供驗證數據集時。	NCrossValidations
primaryMetric	回歸工作的主要計量。	'NormalizedMeanAbsoluteError' 'NormalizedRootMeanSquaredError' 'R2Score' 'SpearmanCorrelation'
taskType	[必要]AutoMLJob 的工作類型。	'回歸' （必要）
testData	測試數據輸入。	MLTableJobInput
testDataSize	必須為驗證目的而保留的測試數據集分數。 介於 （0.0 、 1.0） 之間的值 未提供驗證數據集時套用。	int
trainingSettings	AutoML 作業定型階段的輸入。	RegressionTrainingSettings
validationData	驗證數據輸入。	MLTableJobInput
validationDataSize	需要為驗證目的預留的定型數據集分數。 介於 （0.0 、 1.0） 之間的值 未提供驗證數據集時套用。	int
weightColumnName	範例權數數據行的名稱。 自動化 ML 支援加權數據行做為輸入，導致數據中的數據列向上或向下加權。	字串

RegressionTrainingSettings

名字	描述	價值
allowedTrainingAlgorithms	回歸工作的允許模型。	包含任何的字串數組： 'DecisionTree' 'ElasticNet' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'RandomForest' '新幣' 'XGBoostRegressor'
blockedTrainingAlgorithms	回歸工作的封鎖模型。	包含任何的字串數組： 'DecisionTree' 'ElasticNet' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'RandomForest' '新幣' 'XGBoostRegressor'
enableDnnTraining	啟用 DNN 模型的建議。	bool
enableModelExplainability	在最佳模型上開啟可解釋性的旗標。	bool
enableOnnxCompatibleModels	啟用 onnx 相容模型的旗標。	bool
enableStackEnsemble	啟用堆疊合奏執行。	bool
enableVoteEnsemble	啟用投票合奏執行。	bool
ensembleModelDownloadTimeout	在 VotingEnsemble 和 StackEnsemble 模型產生期間，會下載先前子回合中的多個安裝模型。 如果需要更多時間，請使用高於 300 秒的值來設定此參數。	字串
stackEnsembleSettings	堆疊合奏執行的堆疊合奏設定。	StackEnsembleSettings

ResourceBaseProperties

名字	描述	價值

ResourceBaseProperties

名字	描述	價值

ResourceBaseTags

名字	描述	價值

ResourceBaseTags

名字	描述	價值

ResourceConfigurationProperties

名字	描述	價值

SamplingAlgorithm

名字	描述	價值
samplingAlgorithmType	針對貝氏類型設定為 『Bayesian』，BayesianSamplingAlgorithm。 將 類型設定為 'Grid'，GridSamplingAlgorithm。 針對 randomSamplingAlgorithm類型 設定為 'Random'。	“貝氏” 'Grid' 'Random' （必要）

ScheduleActionBase

名字	描述	價值
actionType	針對 jobScheduleAction 類型 設定為 'CreateJob'，。 針對 endpointScheduleAction 類型設定為 'InvokeBatchEndpoint'，。	'CreateJob' 'InvokeBatchEndpoint' （必要）

ScheduleProperties

名字	描述	價值
行動	[必要]指定排程的動作	ScheduleActionBase （必要）
描述	資產描述文字。	字串
displayName	排程的顯示名稱。	字串
isEnabled	是否已啟用排程？	bool
性能	資產屬性字典。	ResourceBaseProperties
標籤	標記字典。 標記可以新增、移除和更新。	ResourceBaseTags
觸發	[必要]指定觸發程式詳細數據	TriggerBase （必要）

季節性

名字	描述	價值
模式	針對 autoSeasonality 型態 設定為 [自動]。 針對 customSeasonality類型設定為 『Custom』。	'Auto' 'Custom' （必要）

StackEnsembleSettings

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

SweepJob

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

SweepJobInputs

名字	描述	價值

SweepJobLimits

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

SweepJobOutputs

名字	描述	價值

TableVerticalFeaturizationSettings

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

TableVerticalFeaturizationSettingsColumnNameAndTypes

名字	描述	價值

TableVerticalFeaturizationSettingsTransformerParams

名字	描述	價值

TableVerticalLimitSettings

名字	描述	價值
enableEarlyTermination	啟用提早終止，判斷如果過去 20 個反覆項目沒有分數改善，AutoMLJob 是否會提早終止。	bool
exitScore	AutoML 作業的結束分數。	int
maxConcurrentTrials	並行反覆運算數上限。	int
maxCoresPerTrial	每個反覆專案的核心數上限。	int
maxTrials	反覆項目的數目。	int
超時	AutoML 作業逾時。	字串
trialTimeout	反覆專案逾時。	字串

TargetLags

名字	描述	價值
模式	針對 AutoTargetLags 類型設定為 'Auto'，。 針對 customTargetLags 類型設定為 'Custom'，。	'Auto' 'Custom' （必要）

TargetRollingWindowSize

名字	描述	價值
模式	針對 autoTargetRollingWindowSize 類型 設定為 'Auto'，。 針對 customTargetRollingWindowSize 類型設定為 'Custom'，。	'Auto' 'Custom' （必要）

TensorFlow

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

TextClassification

名字	描述	價值
featurizationSettings	AutoML 作業所需的特徵化輸入。	NlpVerticalFeaturizationSettings
limitSettings	AutoMLJob 的執行條件約束。	NlpVerticalLimitSettings
primaryMetric	Text-Classification 工作的主要計量。	'精確度' 'AUCWeighted' 'AveragePrecisionScoreWeighted' 'NormMacroRecall' 'PrecisionScoreWeighted'
taskType	[必要]AutoMLJob 的工作類型。	'TextClassification' （必要）
validationData	驗證數據輸入。	MLTableJobInput

TextClassificationMultilabel

名字	描述	價值
featurizationSettings	AutoML 作業所需的特徵化輸入。	NlpVerticalFeaturizationSettings
limitSettings	AutoMLJob 的執行條件約束。	NlpVerticalLimitSettings
taskType	[必要]AutoMLJob 的工作類型。	'TextClassificationMultilabel' （必要）
validationData	驗證數據輸入。	MLTableJobInput

TextNer

名字	描述	價值
featurizationSettings	AutoML 作業所需的特徵化輸入。	NlpVerticalFeaturizationSettings
limitSettings	AutoMLJob 的執行條件約束。	NlpVerticalLimitSettings
taskType	[必要]AutoMLJob 的工作類型。	'TextNER' （必要）
validationData	驗證數據輸入。	MLTableJobInput

TrialComponent

名字	描述	價值
codeId	程式代碼資產的 ARM 資源識別碼。	字串
命令	[必要]在作業啟動時執行的命令。 例如 “python train.py”	字串 約束： 最小長度 = 1 模式 = [a-zA-Z0-9_] （必要）
分配	作業的散發組態。 如果設定，這應該是其中一個 Mpi、Tensorflow、PyTorch 或 null。	DistributionConfiguration
environmentId	[必要]作業之環境規格的 ARM 資源識別碼。	字串 約束： 模式 = [a-zA-Z0-9_] （必要）
environmentVariables	作業中包含的環境變數。	TrialComponentEnvironmentVariables
資源	作業的計算資源組態。	JobResourceConfiguration

TrialComponentEnvironmentVariables

名字	描述	價值

TriggerBase

名字	描述	價值
endTime	指定 ISO 8601 中的排程結束時間，但不含 UTC 位移。 請參閱 https://en.wikipedia.org/wiki/ISO_8601。 重新批注的格式會是 “2022-06-01T00：00：01” 如果沒有，排程將會無限期執行	字串
startTime	以 ISO 8601 格式指定排程的開始時間，但不含 UTC 位移。	字串
timeZone	指定排程執行所在的時區。 TimeZone應遵循 Windows 時區格式。 請參閱：/windows-hardware/manufacture/desktop/default-time-zones？view=windows-11	字串
triggerType	針對 CronTrigger 類型 設定為 'Cron'，。 將 類型設為 'Recurrence'，RecurrenceTrigger。	'Cron' '週期' （必要）

TritonModelJobInput

名字	描述	價值
jobInputType	[必要]指定作業的類型。	'triton_model' （必要）
模式	輸入資產傳遞模式。	'Direct' 'Download' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
uri	[必要]輸入資產 URI。	字串 約束： 模式 = [a-zA-Z0-9_] （必要）

TritonModelJobOutput

名字	描述	價值
jobOutputType	[必要]指定作業的類型。	'triton_model' （必要）
模式	輸出資產傳遞模式。	'ReadWriteMount' 'Upload'
uri	輸出資產 URI。	字串

TruncationSelectionPolicy

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

UriFileJobInput

名字	描述	價值
jobInputType	[必要]指定作業的類型。	'uri_file' （必要）
模式	輸入資產傳遞模式。	'Direct' 'Download' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
uri	[必要]輸入資產 URI。	字串 約束： 模式 = [a-zA-Z0-9_] （必要）

UriFileJobOutput

名字	描述	價值
jobOutputType	[必要]指定作業的類型。	'uri_file' （必要）
模式	輸出資產傳遞模式。	'ReadWriteMount' 'Upload'
uri	輸出資產 URI。	字串

UriFolderJobInput

名字	描述	價值
jobInputType	[必要]指定作業的類型。	'uri_folder' （必要）
模式	輸入資產傳遞模式。	'Direct' 'Download' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
uri	[必要]輸入資產 URI。	字串 約束： 模式 = [a-zA-Z0-9_] （必要）

UriFolderJobOutput

名字	描述	價值
jobOutputType	[必要]指定作業的類型。	'uri_folder' （必要）
模式	輸出資產傳遞模式。	'ReadWriteMount' 'Upload'
uri	輸出資產 URI。	字串

UserIdentity

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