Microsoft.MachineLearningServices 工作區/作業 2023-04-01-preview

Bicep 資源定義

工作區/作業資源類型可以使用目標作業來部署：

• 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/jobs 資源，請將下列 Bicep 新增至範本。

resource symbolicname 'Microsoft.MachineLearningServices/workspaces/jobs@2023-04-01-preview' = {
  parent: resourceSymbolicName
  name: 'string'
  properties: {
    componentId: 'string'
    computeId: 'string'
    description: 'string'
    displayName: 'string'
    experimentName: 'string'
    identity: {
      identityType: 'string'
      // For remaining properties, see IdentityConfiguration objects
    }
    isArchived: bool
    notificationSetting: {
      emailOn: [
        'string'
      ]
      emails: [
        'string'
      ]
      webhooks: {
        {customized property}: {
          eventType: 'string'
          webhookType: 'string'
          // For remaining properties, see Webhook objects
        }
      }
    }
    properties: {
      {customized property}: 'string'
    }
    secretsConfiguration: {
      {customized property}: {
        uri: 'string'
        workspaceSecretName: 'string'
      }
    }
    services: {
      {customized property}: {
        endpoint: 'string'
        jobServiceType: 'string'
        nodes: {
          nodesValueType: 'string'
          // For remaining properties, see Nodes objects
        }
        port: int
        properties: {
          {customized property}: 'string'
        }
      }
    }
    tags: {
      {customized property}: 'string'
    }
    jobType: 'string'
    // For remaining properties, see JobBaseProperties objects
  }
}

SparkJobEntry 物件

設定 sparkJobEntryType 屬性，以指定對象的類型。

若為 SparkJobPythonEntry，請使用：

{
  file: 'string'
  sparkJobEntryType: 'SparkJobPythonEntry'
}

針對 SparkJobScalaEntry，請使用：

{
  className: 'string'
  sparkJobEntryType: 'SparkJobScalaEntry'
}

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'
}

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
}

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
}

Nodes 物件

設定 nodesValueType 屬性 ，以指定對象的類型。

針對 [所有]，請使用：

{
  nodesValueType: 'All'
}

MLAssistConfiguration 物件

設定 mlAssist 屬性，以指定對象的類型。

針對 Disabled，請使用：

{
  mlAssist: 'Disabled'
}

針對啟用 ，請使用：

{
  inferencingComputeBinding: 'string'
  mlAssist: 'Enabled'
  trainingComputeBinding: '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 Ray，請使用：

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

針對 TensorFlow，請使用：

{
  distributionType: 'TensorFlow'
  parameterServerCount: int
  workerCount: 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)
        }
      ]
    }
  }
  fixedParameters: {
    booster: 'string'
    boostingType: 'string'
    growPolicy: 'string'
    learningRate: int
    maxBin: int
    maxDepth: int
    maxLeaves: int
    minDataInLeaf: int
    minSplitGain: int
    modelName: 'string'
    nEstimators: int
    numLeaves: int
    preprocessorName: 'string'
    regAlpha: int
    regLambda: int
    subsample: int
    subsampleFreq: int
    treeMethod: 'string'
    withMean: bool
    withStd: bool
  }
  limitSettings: {
    enableEarlyTermination: bool
    exitScore: int
    maxConcurrentTrials: int
    maxCoresPerTrial: int
    maxNodes: int
    maxTrials: int
    sweepConcurrentTrials: int
    sweepTrials: int
    timeout: 'string'
    trialTimeout: 'string'
  }
  nCrossValidations: {
    mode: 'string'
    // For remaining properties, see NCrossValidations objects
  }
  positiveLabel: 'string'
  primaryMetric: 'string'
  searchSpace: [
    {
      booster: 'string'
      boostingType: 'string'
      growPolicy: 'string'
      learningRate: 'string'
      maxBin: 'string'
      maxDepth: 'string'
      maxLeaves: 'string'
      minDataInLeaf: 'string'
      minSplitGain: 'string'
      modelName: 'string'
      nEstimators: 'string'
      numLeaves: 'string'
      preprocessorName: 'string'
      regAlpha: 'string'
      regLambda: 'string'
      subsample: 'string'
      subsampleFreq: 'string'
      treeMethod: 'string'
      withMean: 'string'
      withStd: 'string'
    }
  ]
  sweepSettings: {
    earlyTermination: {
      delayEvaluation: int
      evaluationInterval: int
      policyType: 'string'
      // For remaining properties, see EarlyTerminationPolicy objects
    }
    samplingAlgorithm: 'string'
  }
  taskType: 'Classification'
  testData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }
  testDataSize: int
  trainingSettings: {
    allowedTrainingAlgorithms: [
      'string'
    ]
    blockedTrainingAlgorithms: [
      'string'
    ]
    enableDnnTraining: bool
    enableModelExplainability: bool
    enableOnnxCompatibleModels: bool
    enableStackEnsemble: bool
    enableVoteEnsemble: bool
    ensembleModelDownloadTimeout: 'string'
    stackEnsembleSettings: {
      stackMetaLearnerKWargs: any(Azure.Bicep.Types.Concrete.AnyType)
      stackMetaLearnerTrainPercentage: int
      stackMetaLearnerType: 'string'
    }
    trainingMode: 'string'
  }
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }
  validationDataSize: int
  weightColumnName: 'string'
}

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)
        }
      ]
    }
  }
  fixedParameters: {
    booster: 'string'
    boostingType: 'string'
    growPolicy: 'string'
    learningRate: int
    maxBin: int
    maxDepth: int
    maxLeaves: int
    minDataInLeaf: int
    minSplitGain: int
    modelName: 'string'
    nEstimators: int
    numLeaves: int
    preprocessorName: 'string'
    regAlpha: int
    regLambda: int
    subsample: int
    subsampleFreq: int
    treeMethod: 'string'
    withMean: bool
    withStd: bool
  }
  forecastingSettings: {
    countryOrRegionForHolidays: 'string'
    cvStepSize: int
    featureLags: 'string'
    featuresUnknownAtForecastTime: [
      'string'
    ]
    forecastHorizon: {
      mode: 'string'
      // For remaining properties, see ForecastHorizon objects
    }
    frequency: 'string'
    seasonality: {
      mode: 'string'
      // For remaining properties, see Seasonality objects
    }
    shortSeriesHandlingConfig: 'string'
    targetAggregateFunction: 'string'
    targetLags: {
      mode: 'string'
      // For remaining properties, see TargetLags objects
    }
    targetRollingWindowSize: {
      mode: 'string'
      // For remaining properties, see TargetRollingWindowSize objects
    }
    timeColumnName: 'string'
    timeSeriesIdColumnNames: [
      'string'
    ]
    useStl: 'string'
  }
  limitSettings: {
    enableEarlyTermination: bool
    exitScore: int
    maxConcurrentTrials: int
    maxCoresPerTrial: int
    maxNodes: int
    maxTrials: int
    sweepConcurrentTrials: int
    sweepTrials: int
    timeout: 'string'
    trialTimeout: 'string'
  }
  nCrossValidations: {
    mode: 'string'
    // For remaining properties, see NCrossValidations objects
  }
  primaryMetric: 'string'
  searchSpace: [
    {
      booster: 'string'
      boostingType: 'string'
      growPolicy: 'string'
      learningRate: 'string'
      maxBin: 'string'
      maxDepth: 'string'
      maxLeaves: 'string'
      minDataInLeaf: 'string'
      minSplitGain: 'string'
      modelName: 'string'
      nEstimators: 'string'
      numLeaves: 'string'
      preprocessorName: 'string'
      regAlpha: 'string'
      regLambda: 'string'
      subsample: 'string'
      subsampleFreq: 'string'
      treeMethod: 'string'
      withMean: 'string'
      withStd: 'string'
    }
  ]
  sweepSettings: {
    earlyTermination: {
      delayEvaluation: int
      evaluationInterval: int
      policyType: 'string'
      // For remaining properties, see EarlyTerminationPolicy objects
    }
    samplingAlgorithm: 'string'
  }
  taskType: 'Forecasting'
  testData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }
  testDataSize: int
  trainingSettings: {
    allowedTrainingAlgorithms: [
      'string'
    ]
    blockedTrainingAlgorithms: [
      'string'
    ]
    enableDnnTraining: bool
    enableModelExplainability: bool
    enableOnnxCompatibleModels: bool
    enableStackEnsemble: bool
    enableVoteEnsemble: bool
    ensembleModelDownloadTimeout: 'string'
    stackEnsembleSettings: {
      stackMetaLearnerKWargs: any(Azure.Bicep.Types.Concrete.AnyType)
      stackMetaLearnerTrainPercentage: int
      stackMetaLearnerType: 'string'
    }
    trainingMode: 'string'
  }
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }
  validationDataSize: int
  weightColumnName: 'string'
}

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'
    logTrainingMetrics: 'string'
    logValidationLoss: 'string'
    maxSize: int
    minSize: int
    modelName: 'string'
    modelSize: 'string'
    momentum: int
    multiScale: bool
    nesterov: bool
    nmsIouThreshold: int
    numberOfEpochs: int
    numberOfWorkers: int
    optimizer: 'string'
    randomSeed: int
    stepLRGamma: int
    stepLRStepSize: int
    tileGridSize: 'string'
    tileOverlapRatio: int
    tilePredictionsNmsThreshold: int
    trainingBatchSize: int
    validationBatchSize: int
    validationIouThreshold: int
    validationMetricType: 'string'
    warmupCosineLRCycles: int
    warmupCosineLRWarmupEpochs: int
    weightDecay: int
  }
  primaryMetric: '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'
    logTrainingMetrics: 'string'
    logValidationLoss: 'string'
    maxSize: int
    minSize: int
    modelName: 'string'
    modelSize: 'string'
    momentum: int
    multiScale: bool
    nesterov: bool
    nmsIouThreshold: int
    numberOfEpochs: int
    numberOfWorkers: int
    optimizer: 'string'
    randomSeed: int
    stepLRGamma: int
    stepLRStepSize: int
    tileGridSize: 'string'
    tileOverlapRatio: int
    tilePredictionsNmsThreshold: int
    trainingBatchSize: int
    validationBatchSize: int
    validationIouThreshold: int
    validationMetricType: 'string'
    warmupCosineLRCycles: int
    warmupCosineLRWarmupEpochs: int
    weightDecay: int
  }
  primaryMetric: '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)
        }
      ]
    }
  }
  fixedParameters: {
    booster: 'string'
    boostingType: 'string'
    growPolicy: 'string'
    learningRate: int
    maxBin: int
    maxDepth: int
    maxLeaves: int
    minDataInLeaf: int
    minSplitGain: int
    modelName: 'string'
    nEstimators: int
    numLeaves: int
    preprocessorName: 'string'
    regAlpha: int
    regLambda: int
    subsample: int
    subsampleFreq: int
    treeMethod: 'string'
    withMean: bool
    withStd: bool
  }
  limitSettings: {
    enableEarlyTermination: bool
    exitScore: int
    maxConcurrentTrials: int
    maxCoresPerTrial: int
    maxNodes: int
    maxTrials: int
    sweepConcurrentTrials: int
    sweepTrials: int
    timeout: 'string'
    trialTimeout: 'string'
  }
  nCrossValidations: {
    mode: 'string'
    // For remaining properties, see NCrossValidations objects
  }
  primaryMetric: 'string'
  searchSpace: [
    {
      booster: 'string'
      boostingType: 'string'
      growPolicy: 'string'
      learningRate: 'string'
      maxBin: 'string'
      maxDepth: 'string'
      maxLeaves: 'string'
      minDataInLeaf: 'string'
      minSplitGain: 'string'
      modelName: 'string'
      nEstimators: 'string'
      numLeaves: 'string'
      preprocessorName: 'string'
      regAlpha: 'string'
      regLambda: 'string'
      subsample: 'string'
      subsampleFreq: 'string'
      treeMethod: 'string'
      withMean: 'string'
      withStd: 'string'
    }
  ]
  sweepSettings: {
    earlyTermination: {
      delayEvaluation: int
      evaluationInterval: int
      policyType: 'string'
      // For remaining properties, see EarlyTerminationPolicy objects
    }
    samplingAlgorithm: 'string'
  }
  taskType: 'Regression'
  testData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }
  testDataSize: int
  trainingSettings: {
    allowedTrainingAlgorithms: [
      'string'
    ]
    blockedTrainingAlgorithms: [
      'string'
    ]
    enableDnnTraining: bool
    enableModelExplainability: bool
    enableOnnxCompatibleModels: bool
    enableStackEnsemble: bool
    enableVoteEnsemble: bool
    ensembleModelDownloadTimeout: 'string'
    stackEnsembleSettings: {
      stackMetaLearnerKWargs: any(Azure.Bicep.Types.Concrete.AnyType)
      stackMetaLearnerTrainPercentage: int
      stackMetaLearnerType: 'string'
    }
    trainingMode: 'string'
  }
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }
  validationDataSize: int
  weightColumnName: 'string'
}

針對 TextClassification，請使用：

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

針對 textClassificationMultilabel，請使用：

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

針對 TextNER，請使用：

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

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
}

LabelingJobMediaProperties 物件

設定 mediaType 屬性，以指定物件的類型。

針對 Image，請使用：

{
  annotationType: 'string'
  mediaType: 'Image'
}

針對 Text，請使用：

{
  annotationType: 'string'
  mediaType: 'Text'
}

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：

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

Webhook 物件

設定 webhookType 屬性，以指定對象的類型。

針對 AzureDevOps，請使用：

{
  webhookType: 'AzureDevOps'
}

JobOutput 物件

設定 jobOutputType 屬性，以指定物件的類型。

針對 custom_model，請使用：

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

針對 mlflow_model，請使用：

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

針對 mltable，請使用：

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

針對 triton_model，請使用：

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

針對 uri_file，請使用：

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

針對 uri_folder，請使用：

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

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
}

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'
}

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
    }
  }
  queueSettings: {
    jobTier: 'string'
    priority: int
  }
  resources: {
    dockerArgs: 'string'
    instanceCount: int
    instanceType: 'string'
    locations: [
      'string'
    ]
    maxInstanceCount: int
    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：

{
  autologgerSettings: {
    mlflowAutologger: 'string'
  }
  codeId: 'string'
  command: 'string'
  distribution: {
    distributionType: 'string'
    // For remaining properties, see DistributionConfiguration objects
  }
  environmentId: 'string'
  environmentVariables: {
    {customized property}: 'string'
  }
  inputs: {
    {customized property}: {
      description: 'string'
      jobInputType: 'string'
      // For remaining properties, see JobInput objects
    }
  }
  jobType: 'Command'
  limits: {
    jobLimitsType: 'string'
    timeout: 'string'
  }
  outputs: {
    {customized property}: {
      description: 'string'
      jobOutputType: 'string'
      // For remaining properties, see JobOutput objects
    }
  }
  queueSettings: {
    jobTier: 'string'
    priority: int
  }
  resources: {
    dockerArgs: 'string'
    instanceCount: int
    instanceType: 'string'
    locations: [
      'string'
    ]
    maxInstanceCount: int
    properties: {
      {customized property}: any(Azure.Bicep.Types.Concrete.AnyType)
    }
    shmSize: 'string'
  }
}

針對 標籤，請使用：

{
  dataConfiguration: {
    dataId: 'string'
    incrementalDataRefresh: 'string'
  }
  jobInstructions: {
    uri: 'string'
  }
  jobType: 'Labeling'
  labelCategories: {
    {customized property}: {
      classes: {
        {customized property}: {
          displayName: 'string'
          subclasses: {
            {customized property}: ...
          }
        }
      }
      displayName: 'string'
      multiSelect: 'string'
    }
  }
  labelingJobMediaProperties: {
    mediaType: 'string'
    // For remaining properties, see LabelingJobMediaProperties objects
  }
  mlAssistConfiguration: {
    mlAssist: 'string'
    // For remaining properties, see MLAssistConfiguration objects
  }
}

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 Spark，請使用：

{
  archives: [
    'string'
  ]
  args: 'string'
  codeId: 'string'
  conf: {
    {customized property}: 'string'
  }
  entry: {
    sparkJobEntryType: 'string'
    // For remaining properties, see SparkJobEntry objects
  }
  environmentId: 'string'
  files: [
    'string'
  ]
  inputs: {
    {customized property}: {
      description: 'string'
      jobInputType: 'string'
      // For remaining properties, see JobInput objects
    }
  }
  jars: [
    'string'
  ]
  jobType: 'Spark'
  outputs: {
    {customized property}: {
      description: 'string'
      jobOutputType: 'string'
      // For remaining properties, see JobOutput objects
    }
  }
  pyFiles: [
    'string'
  ]
  queueSettings: {
    jobTier: 'string'
    priority: int
  }
  resources: {
    instanceType: 'string'
    runtimeVersion: 'string'
  }
}

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
    }
  }
  queueSettings: {
    jobTier: 'string'
    priority: int
  }
  samplingAlgorithm: {
    samplingAlgorithmType: 'string'
    // For remaining properties, see SamplingAlgorithm objects
  }
  searchSpace: any(Azure.Bicep.Types.Concrete.AnyType)
  trial: {
    codeId: 'string'
    command: 'string'
    distribution: {
      distributionType: 'string'
      // For remaining properties, see DistributionConfiguration objects
    }
    environmentId: 'string'
    environmentVariables: {
      {customized property}: 'string'
    }
    resources: {
      dockerArgs: 'string'
      instanceCount: int
      instanceType: 'string'
      locations: [
        'string'
      ]
      maxInstanceCount: int
      properties: {
        {customized property}: any(Azure.Bicep.Types.Concrete.AnyType)
      }
      shmSize: 'string'
    }
  }
}

屬性值

AllNodes

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

AmlToken

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

AutoDeleteSetting

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

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）

AutologgerSettings

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

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
queueSettings	作業的佇列設定	QueueSettings
資源	作業的計算資源組態。	JobResourceConfiguration
taskDetails	[必要]這代表可以是其中一個數據表/NLP/Image 的案例	AutoMLVertical （必要）

AutoMLJobEnvironmentVariables

名字	描述	價值

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）

AzureDevOpsWebhook

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

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
fixedParameters	模型/定型參數，在整個定型過程中會維持不變。	TableFixedParameters
limitSettings	AutoMLJob 的執行條件約束。	TableVerticalLimitSettings
nCrossValidations	要套用至定型數據集的交叉驗證折疊數目 未提供驗證數據集時。	NCrossValidations
positiveLabel	二進位計量計算的正標籤。	字串
primaryMetric	工作的主要計量。	'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。	TableParameterSubspace[]
sweepSettings	模型掃掠和超參數微調的設定。	TableSweepSettings
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
trainingMode	TrainingMode 模式 - 設定為 'auto' 與目前將它設定為「非分散式」相同，但未來可能會導致混合模式或啟發學習法模式選取。 預設值為 『auto』。 如果 「分散式」，則只會使用分散式特徵化，並選擇分散式演算法。 如果 『NonDistributed』，則只會選擇非分散式演算法。	'Auto' 'Distributed' 'NonDistributed'

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
autologgerSettings	作業的散發組態。 如果設定，這應該是其中一個 Mpi、Tensorflow、PyTorch 或 null。	AutologgerSettings
codeId	程式代碼資產的 ARM 資源識別碼。	字串
命令	[必要]在作業啟動時執行的命令。 例如 “python train.py”	字串 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、Ray 或 null。	DistributionConfiguration
environmentId	[必要]作業之環境規格的 ARM 資源識別碼。	字串 約束： 最小長度 = 1 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
queueSettings	作業的佇列設定	QueueSettings
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

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： 最小長度 = 1 模式 = [a-zA-Z0-9_] （必要）

CustomModelJobOutput

名字	描述	價值
assetName	輸出資產名稱。	字串
assetVersion	輸出資產版本。	字串
autoDeleteSetting	自動刪除輸出數據資產的設定。	AutoDeleteSetting
jobOutputType	[必要]指定作業的類型。	'custom_model' （必要）
模式	輸出資產傳遞模式。	'Direct' '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。 針對類型 Ray，設定為 'Ray'。 針對 tensorFlow 類型 設定為 'TensorFlow'，。	'Mpi' 'PyTorch' 'Ray' '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）

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
fixedParameters	模型/定型參數，在整個定型過程中會維持不變。	TableFixedParameters
forecastingSettings	預測工作特定輸入。	ForecastingSettings
limitSettings	AutoMLJob 的執行條件約束。	TableVerticalLimitSettings
nCrossValidations	要套用至定型數據集的交叉驗證折疊數目 未提供驗證數據集時。	NCrossValidations
primaryMetric	預測工作的主要計量。	'NormalizedMeanAbsoluteError' 'NormalizedRootMeanSquaredError' 'R2Score' 'SpearmanCorrelation'
searchSpace	搜尋空間以取樣模型及其超參數的不同組合。	TableParameterSubspace[]
sweepSettings	模型掃掠和超參數微調的設定。	TableSweepSettings
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'
featuresUnknownAtForecastTime	可在預測/推斷時用於定型但未知的功能數據行。 如果未設定features_unknown_at_forecast_time，則會假設數據集中的所有功能數據行在推斷時間都是已知的。	string[]
forecastHorizon	所需的最大預測範圍，以時間序列頻率單位為單位。	ForecastHorizon
頻率	預測時，此參數代表預期預測的期間，例如每日、每周、每年等。預測頻率預設為數據集頻率。	字串
季節性	將時間序列季節性設定為數列頻率的整數倍數。 如果季節性設定為 『auto』，則會推斷它。	季節性
shortSeriesHandlingConfig	定義 AutoML 是否應該處理短時間序列的參數。	'Auto' 'Drop' 'None' 'Pad'
targetAggregateFunction	要用來匯總時間序列目標數據行以符合使用者指定頻率的函式。 如果 TargetAggregateFunction 已設定，亦即不是 『None』，但未設定 freq 參數，則會引發錯誤。 可能的目標聚合函數包括：「sum」、“max”、“min” 和 “mean”。	'Max' 'Mean' 'Min' 'None' 'Sum'
targetLags	要從目標數據行延遲的過去期間數。	TargetLags
targetRollingWindowSize	用來建立目標數據行滾動視窗平均值的過去期間數目。	TargetRollingWindowSize
timeColumnName	時間數據行的名稱。 當預測以指定用於建置時間序列並推斷其頻率的輸入數據中的 datetime 數據行時，需要此參數。	字串
timeSeriesIdColumnNames	用來分組時間範圍的數據行名稱。 它可以用來建立多個數列。 如果未定義粒紋，則會假設數據集為一個時間序列。 此參數與工作類型預測搭配使用。	string[]
useStl	設定時間序列目標數據行的 STL 分解。	'None' 'Season' 'SeasonTrend'

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
trainingMode	TrainingMode 模式 - 設定為 'auto' 與目前將它設定為「非分散式」相同，但未來可能會導致混合模式或啟發學習法模式選取。 預設值為 『auto』。 如果 「分散式」，則只會使用分散式特徵化，並選擇分散式演算法。 如果 『NonDistributed』，則只會選擇非分散式演算法。	'Auto' 'Distributed' 'NonDistributed'

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'
logTrainingMetrics	啟用計算和記錄定型計量。	'Disable' 'Enable'
logValidationLoss	啟用運算和記錄驗證遺失。	'Disable' 'Enable'
maxSize	在將影像饋送至骨幹之前，要重新調整的影像大小上限。 必須是正整數。 注意：如果大小太大，定型執行可能會進入 CUDA OOM。 注意：'yolov5' 演算法不支援此設定。	int
minSize	將影像饋送至骨幹之前，要重新調整的影像大小下限。 必須是正整數。 注意：如果大小太大，定型執行可能會進入 CUDA OOM。 注意：'yolov5' 演算法不支援此設定。	int
modelName	要用於定型的模型名稱。 如需可用模型的詳細資訊，請流覽官方檔： /azure/machine-learning/how-to-auto-train-image-models。	字串
modelSize	模型大小。 必須是 'small'、'medium'、'large' 或 'xlarge'。 注意：如果模型大小太大，定型執行可能會進入 CUDA OOM。 注意：只有 'yolov5' 演算法才支援此設定。	'ExtraLarge' 'Large' 'Medium' 'None' 'Small'
動量	優化器為 『zn』 時的動量值。 必須是範圍 [0， 1] 中的浮點數。	int
multiScale	依 +/- 50%來啟用多重縮放影像大小。 注意：如果沒有足夠的 GPU 記憶體，定型執行可能會進入 CUDA OOM。 注意：只有 'yolov5' 演算法才支援此設定。	bool
nesterov	在優化器為 『zn』 時啟用 nesterov。	bool
nmsIouThreshold	在NMS後置處理中的推斷期間使用的IOU臨界值。 必須是範圍 [0， 1] 中的浮點數。	int
numberOfEpochs	定型 Epoch 的數目。 必須是正整數。	int
numberOfWorkers	數據載入器背景工作角色的數目。 必須是非負整數。	int
優化	優化工具的類型。	'Adam' 'Adamw' 'None' '新元'
randomSeed	使用決定性定型時要使用的隨機種子。	int
stepLRGamma	學習速率排程器為 『step』 時的 gamma 值。 必須是範圍 [0， 1] 中的浮點數。	int
stepLRStepSize	學習速率排程器為 『step』 時的步驟大小值。 必須是正整數。	int
tileGridSize	用來貼上每個影像的網格線大小。 注意：TileGridSize 不得為 無可啟用小型物件偵測邏輯。 包含兩個整數的字串，其格式為一個。 注意：'yolov5' 演算法不支援此設定。	字串
tileOverlapRatio	每個維度中相鄰磚之間的重疊比例。 必須是範圍 [0， 1] 中的浮點數。 注意：'yolov5' 演算法不支援此設定。	int
tilePredictionsNmsThreshold	用來執行NMS的IOU閾值，同時合併磚和影像的預測。 用於驗證/推斷。 必須是範圍 [0， 1] 中的 float。 注意：'yolov5' 演算法不支援此設定。	int
trainingBatchSize	定型批次大小。 必須是正整數。	int
validationBatchSize	驗證批次大小。 必須是正整數。	int
validationIouThreshold	計算驗證計量時要使用的IOU閾值。 必須是範圍 [0， 1] 中的 float。	int
validationMetricType	用於驗證計量的計量計算方法。	'Coco' 'CocoVoc' 'None' 'Voc'
warmupCosineLRCycles	學習速率排程器為「warmup_cosine」時，餘弦迴圈的值。 必須是範圍 [0， 1] 中的浮點數。	int
warmupCosineLRWarmupEpochs	學習速率排程器為「warmup_cosine」時，熱身 Epoch 的值。 必須是正整數。	int
weightDecay	優化器為 'zn'、'adam' 或 'adamw' 時的權數衰變值。 必須是範圍[0， 1] 中的浮點數。	int

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。 設定為類型為 LabelingJobProperties。 將 類型設定為 'Pipeline'，PipelineJob。 針對 sparkJob 類型 設定為 'Spark'，。 設定為 [掃掠] 類型為 SweepJob。	'AutoML' 'Command' '標記' 'Pipeline' 'Spark' '掃掠' （必要）
notificationSetting	作業的通知設定	NotificationSetting
性能	資產屬性字典。	ResourceBaseProperties
secretsConfiguration	設定要在運行時間期間提供秘密。	JobBaseSecretsConfiguration
服務業	JobEndpoints 的清單。 針對本機作業，作業端點會有 FileStreamObject 的端點值。	JobBaseServices
標籤	標記字典。 標記可以新增、移除和更新。	ResourceBaseTags

JobBaseSecretsConfiguration

名字	描述	價值

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
地點	作業可以執行的位置。	string[]
maxInstanceCount	計算目標可使用的實例或節點數目選擇性上限。 若要搭配彈性定型使用，目前只有 PyTorch 散發類型支援。	int
性能	其他屬性包。	ResourceConfigurationProperties
shmSize	Docker 容器的共用記憶體區塊大小。 這應該是 （number）（unit） 的格式，其中數位大於 0，單位可以是 b（位元組）、k（KB）、m（MB）、或 g（GB）。	字串 約束： Pattern = \d+[bBkKmMgG]

JobService

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

JobServiceProperties

名字	描述	價值

LabelCategory

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

LabelCategoryClasses

名字	描述	價值

LabelClass

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

LabelClassSubclasses

名字	描述	價值

LabelingDataConfiguration

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

LabelingJobImageProperties

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

LabelingJobInstructions

名字	描述	價值
uri	具有標籤者詳細標籤指示的頁面連結。	字串

LabelJobLabelCategories

名字	描述	價值

LabelingJobMediaProperties

名字	描述	價值
mediaType	針對 LabelingJobImageProperties 類型設定為 'Image'，。 將 類型設定為 'Text'，LabelingJobTextProperties。	'Image' 'Text' （必要）

LabelingJobProperties

名字	描述	價值
dataConfiguration	設定作業中使用的數據。	LabelingDataConfiguration
jobInstructions	標記作業的指示。	LabelingJobInstructions
jobType	[必要]指定作業的類型。	'標記' （必要）
labelCategories	作業的標籤類別。	LabelJobLabelCategories
labelingJobMediaProperties	作業中的媒體類型特定屬性。	LabelingJobMediaProperties
mlAssistConfiguration	在作業中設定 MLAssist 功能。	MLAssistConfiguration

LabelingJobTextProperties

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

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： 最小長度 = 1 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/jobs

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。	JobBaseProperties （必要）

MLAssistConfiguration

名字	描述	價值
mlAssist	針對 MLAssistConfigurationDisabled 類型 設定為 'Disabled'，。 針對 mlAssistConfigurationEnabled 類型 設定為 'Enabled'，。	'Disabled' 'Enabled' （必要）

MLAssistConfigurationDisabled

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

MLAssistConfigurationEnabled

名字	描述	價值
inferencingComputeBinding	[必要]用於推斷的 AML 計算系結。	字串 約束： 最小長度 = 1 模式 = [a-zA-Z0-9_] （必要）
mlAssist	[必要]指出是否啟用 MLAssist 功能。	'Enabled' （必要）
trainingComputeBinding	[必要]定型中使用的 AML 計算系結。	字串 約束： 最小長度 = 1 模式 = [a-zA-Z0-9_] （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： 最小長度 = 1 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： 最小長度 = 1 模式 = [a-zA-Z0-9_] （必要）

MLFlowModelJobOutput

名字	描述	價值
assetName	輸出資產名稱。	字串
assetVersion	輸出資產版本。	字串
autoDeleteSetting	自動刪除輸出數據資產的設定。	AutoDeleteSetting
jobOutputType	[必要]指定作業的類型。	'mlflow_model' （必要）
模式	輸出資產傳遞模式。	'Direct' '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： 最小長度 = 1 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： 最小長度 = 1 模式 = [a-zA-Z0-9_] （必要）

MLTableJobOutput

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

NlpFixedParameters

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

NlpParameterSubspace

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

NlpSweepSettings

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

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
maxNodes	用於實驗的最大節點。	int
maxTrials	AutoML 反覆項目的數目。	int
超時	AutoML 作業逾時。	字串
trialTimeout	個別 HD 試用版的逾時。	字串

節點

名字	描述	價值
nodesValueType	針對 allNodes 類型 設定為 'All'，。	'All' （必要）

NotificationSetting

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

NotificationSettingWebhooks

名字	描述	價值

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： 最小長度 = 1 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

QueueSettings

名字	描述	價值
jobTier	要判斷作業層的列舉。	'Basic' 'Premium' 'Spot' 'Standard'
優先權	控制計算上作業的優先順序。	int

RandomSamplingAlgorithm

名字	描述	價值
logbase	選擇性正數或 e 字串格式，以做為以記錄為基礎的隨機取樣基底	字串
統治	隨機演算法的特定類型	'Random' 'Sobol'
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

射線

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

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
fixedParameters	模型/定型參數，在整個定型過程中會維持不變。	TableFixedParameters
limitSettings	AutoMLJob 的執行條件約束。	TableVerticalLimitSettings
nCrossValidations	要套用至定型數據集的交叉驗證折疊數目 未提供驗證數據集時。	NCrossValidations
primaryMetric	回歸工作的主要計量。	'NormalizedMeanAbsoluteError' 'NormalizedRootMeanSquaredError' 'R2Score' 'SpearmanCorrelation'
searchSpace	搜尋空間以取樣模型及其超參數的不同組合。	TableParameterSubspace[]
sweepSettings	模型掃掠和超參數微調的設定。	TableSweepSettings
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
trainingMode	TrainingMode 模式 - 設定為 'auto' 與目前將它設定為「非分散式」相同，但未來可能會導致混合模式或啟發學習法模式選取。 預設值為 『auto』。 如果 「分散式」，則只會使用分散式特徵化，並選擇分散式演算法。 如果 『NonDistributed』，則只會選擇非分散式演算法。	'Auto' 'Distributed' 'NonDistributed'

ResourceBaseProperties

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）

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）

SecretConfiguration

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

SparkJob

名字	描述	價值
檔案	封存作業中使用的檔案。	string[]
args	作業的自變數。	字串
codeId	[必要]程式代碼資產的 ARM 資源識別碼。	字串 約束： 最小長度 = 1 模式 = [a-zA-Z0-9_] （必要）
conf	Spark 設定的屬性。	SparkJobConf
進入	[必要]在作業啟動時要執行的專案。	SparkJobEntry （必要）
environmentId	作業之環境規格的 ARM 資源識別碼。	字串
檔	作業中使用的檔案。	string[]
輸入	對應作業中使用的輸入數據系結。	SparkJobInputs
罐子	作業中使用的 Jar 檔案。	string[]
jobType	[必要]指定作業的類型。	'Spark' （必要）
輸出	對應作業中使用的輸出數據系結。	SparkJobOutputs
pyFiles	作業中使用的 Python 檔案。	string[]
queueSettings	作業的佇列設定	QueueSettings
資源	作業的計算資源組態。	SparkResourceConfiguration

SparkJobConf

名字	描述	價值

SparkJobEntry

名字	描述	價值
sparkJobEntryType	針對sparkJobPythonEntry類型設定為 'SparkJobPythonEntry'，。 針對sparkJobScalaEntry 類型設定為 'SparkJobScalaEntry'，。	'SparkJobPythonEntry' 'SparkJobScalaEntry' （必要）

SparkJobInputs

名字	描述	價值

SparkJobOutputs

名字	描述	價值

SparkJobPythonEntry

名字	描述	價值
檔	[必要]作業進入點的相對 Python 檔案路徑。	字串 約束： 最小長度 = 1 模式 = [a-zA-Z0-9_] （必要）
sparkJobEntryType	[必要]作業進入點的類型。	'SparkJobPythonEntry' （必要）

SparkJobScalaEntry

名字	描述	價值
className	[必要]做為進入點的 Scala 類別名稱。	字串 約束： 最小長度 = 1 模式 = [a-zA-Z0-9_] （必要）
sparkJobEntryType	[必要]作業進入點的類型。	'SparkJobScalaEntry' （必要）

SparkResourceConfiguration

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

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
queueSettings	作業的佇列設定	QueueSettings
samplingAlgorithm	[必要]超參數取樣演算法	SamplingAlgorithm （必要）
searchSpace	[必要]包含每個參數及其散發的字典。 字典索引鍵是參數的名稱	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

TableFixedParameters

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

TableParameterSubspace

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

TableSweepSettings

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

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
maxNodes	用於實驗的最大節點。	int
maxTrials	反覆項目的數目。	int
sweepConcurrentTrials	使用者想要觸發的並行掃掠執行數目。	int
sweepTrials	使用者想要觸發的掃掠執行次數。	int
超時	AutoML 作業逾時。	字串
trialTimeout	反覆專案逾時。	字串

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
fixedParameters	模型/定型參數，在整個定型過程中會維持不變。	NlpFixedParameters
limitSettings	AutoMLJob 的執行條件約束。	NlpVerticalLimitSettings
primaryMetric	Text-Classification 工作的主要計量。	'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。	NlpParameterSubspace[]
sweepSettings	模型掃掠和超參數微調的設定。	NlpSweepSettings
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
fixedParameters	模型/定型參數，在整個定型過程中會維持不變。	NlpFixedParameters
limitSettings	AutoMLJob 的執行條件約束。	NlpVerticalLimitSettings
searchSpace	搜尋空間以取樣模型及其超參數的不同組合。	NlpParameterSubspace[]
sweepSettings	模型掃掠和超參數微調的設定。	NlpSweepSettings
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
fixedParameters	模型/定型參數，在整個定型過程中會維持不變。	NlpFixedParameters
limitSettings	AutoMLJob 的執行條件約束。	NlpVerticalLimitSettings
searchSpace	搜尋空間以取樣模型及其超參數的不同組合。	NlpParameterSubspace[]
sweepSettings	模型掃掠和超參數微調的設定。	NlpSweepSettings
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： 最小長度 = 1 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

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： 最小長度 = 1 模式 = [a-zA-Z0-9_] （必要）

TritonModelJobOutput

名字	描述	價值
assetName	輸出資產名稱。	字串
assetVersion	輸出資產版本。	字串
autoDeleteSetting	自動刪除輸出數據資產的設定。	AutoDeleteSetting
jobOutputType	[必要]指定作業的類型。	'triton_model' （必要）
模式	輸出資產傳遞模式。	'Direct' '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： 最小長度 = 1 模式 = [a-zA-Z0-9_] （必要）

UriFileJobOutput

名字	描述	價值
assetName	輸出資產名稱。	字串
assetVersion	輸出資產版本。	字串
autoDeleteSetting	自動刪除輸出數據資產的設定。	AutoDeleteSetting
jobOutputType	[必要]指定作業的類型。	'uri_file' （必要）
模式	輸出資產傳遞模式。	'Direct' '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： 最小長度 = 1 模式 = [a-zA-Z0-9_] （必要）

UriFolderJobOutput

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

Webhook

名字	描述	價值
eventType	在指定的通知事件上傳送回呼	字串
webhookType	針對 azureDevOpsWebhook 類型設定為 'AzureDevOps'，。	'AzureDevOps' （必要）

快速入門範例

下列快速入門範例會部署此資源類型。

ARM 樣本資源定義

工作區/作業資源類型可以使用目標作業來部署：

• 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/jobs 資源，請將下列 JSON 新增至範本。

{
  "type": "Microsoft.MachineLearningServices/workspaces/jobs",
  "apiVersion": "2023-04-01-preview",
  "name": "string",
  "properties": {
    "componentId": "string",
    "computeId": "string",
    "description": "string",
    "displayName": "string",
    "experimentName": "string",
    "identity": {
      "identityType": "string"
      // For remaining properties, see IdentityConfiguration objects
    },
    "isArchived": "bool",
    "notificationSetting": {
      "emailOn": [ "string" ],
      "emails": [ "string" ],
      "webhooks": {
        "{customized property}": {
          "eventType": "string",
          "webhookType": "string"
          // For remaining properties, see Webhook objects
        }
      }
    },
    "properties": {
      "{customized property}": "string"
    },
    "secretsConfiguration": {
      "{customized property}": {
        "uri": "string",
        "workspaceSecretName": "string"
      }
    },
    "services": {
      "{customized property}": {
        "endpoint": "string",
        "jobServiceType": "string",
        "nodes": {
          "nodesValueType": "string"
          // For remaining properties, see Nodes objects
        },
        "port": "int",
        "properties": {
          "{customized property}": "string"
        }
      }
    },
    "tags": {
      "{customized property}": "string"
    },
    "jobType": "string"
    // For remaining properties, see JobBaseProperties objects
  }
}

SparkJobEntry 物件

設定 sparkJobEntryType 屬性，以指定對象的類型。

若為 SparkJobPythonEntry，請使用：

{
  "file": "string",
  "sparkJobEntryType": "SparkJobPythonEntry"
}

針對 SparkJobScalaEntry，請使用：

{
  "className": "string",
  "sparkJobEntryType": "SparkJobScalaEntry"
}

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"
}

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"
}

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"
}

Nodes 物件

設定 nodesValueType 屬性 ，以指定對象的類型。

針對 [所有]，請使用：

{
  "nodesValueType": "All"
}

MLAssistConfiguration 物件

設定 mlAssist 屬性，以指定對象的類型。

針對 Disabled，請使用：

{
  "mlAssist": "Disabled"
}

針對啟用 ，請使用：

{
  "inferencingComputeBinding": "string",
  "mlAssist": "Enabled",
  "trainingComputeBinding": "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 Ray，請使用：

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

針對 TensorFlow，請使用：

{
  "distributionType": "TensorFlow",
  "parameterServerCount": "int",
  "workerCount": "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": {}
        }
      ]
    }
  },
  "fixedParameters": {
    "booster": "string",
    "boostingType": "string",
    "growPolicy": "string",
    "learningRate": "int",
    "maxBin": "int",
    "maxDepth": "int",
    "maxLeaves": "int",
    "minDataInLeaf": "int",
    "minSplitGain": "int",
    "modelName": "string",
    "nEstimators": "int",
    "numLeaves": "int",
    "preprocessorName": "string",
    "regAlpha": "int",
    "regLambda": "int",
    "subsample": "int",
    "subsampleFreq": "int",
    "treeMethod": "string",
    "withMean": "bool",
    "withStd": "bool"
  },
  "limitSettings": {
    "enableEarlyTermination": "bool",
    "exitScore": "int",
    "maxConcurrentTrials": "int",
    "maxCoresPerTrial": "int",
    "maxNodes": "int",
    "maxTrials": "int",
    "sweepConcurrentTrials": "int",
    "sweepTrials": "int",
    "timeout": "string",
    "trialTimeout": "string"
  },
  "nCrossValidations": {
    "mode": "string"
    // For remaining properties, see NCrossValidations objects
  },
  "positiveLabel": "string",
  "primaryMetric": "string",
  "searchSpace": [
    {
      "booster": "string",
      "boostingType": "string",
      "growPolicy": "string",
      "learningRate": "string",
      "maxBin": "string",
      "maxDepth": "string",
      "maxLeaves": "string",
      "minDataInLeaf": "string",
      "minSplitGain": "string",
      "modelName": "string",
      "nEstimators": "string",
      "numLeaves": "string",
      "preprocessorName": "string",
      "regAlpha": "string",
      "regLambda": "string",
      "subsample": "string",
      "subsampleFreq": "string",
      "treeMethod": "string",
      "withMean": "string",
      "withStd": "string"
    }
  ],
  "sweepSettings": {
    "earlyTermination": {
      "delayEvaluation": "int",
      "evaluationInterval": "int",
      "policyType": "string"
      // For remaining properties, see EarlyTerminationPolicy objects
    },
    "samplingAlgorithm": "string"
  },
  "taskType": "Classification",
  "testData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  },
  "testDataSize": "int",
  "trainingSettings": {
    "allowedTrainingAlgorithms": [ "string" ],
    "blockedTrainingAlgorithms": [ "string" ],
    "enableDnnTraining": "bool",
    "enableModelExplainability": "bool",
    "enableOnnxCompatibleModels": "bool",
    "enableStackEnsemble": "bool",
    "enableVoteEnsemble": "bool",
    "ensembleModelDownloadTimeout": "string",
    "stackEnsembleSettings": {
      "stackMetaLearnerKWargs": {},
      "stackMetaLearnerTrainPercentage": "int",
      "stackMetaLearnerType": "string"
    },
    "trainingMode": "string"
  },
  "validationData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  },
  "validationDataSize": "int",
  "weightColumnName": "string"
}

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": {}
        }
      ]
    }
  },
  "fixedParameters": {
    "booster": "string",
    "boostingType": "string",
    "growPolicy": "string",
    "learningRate": "int",
    "maxBin": "int",
    "maxDepth": "int",
    "maxLeaves": "int",
    "minDataInLeaf": "int",
    "minSplitGain": "int",
    "modelName": "string",
    "nEstimators": "int",
    "numLeaves": "int",
    "preprocessorName": "string",
    "regAlpha": "int",
    "regLambda": "int",
    "subsample": "int",
    "subsampleFreq": "int",
    "treeMethod": "string",
    "withMean": "bool",
    "withStd": "bool"
  },
  "forecastingSettings": {
    "countryOrRegionForHolidays": "string",
    "cvStepSize": "int",
    "featureLags": "string",
    "featuresUnknownAtForecastTime": [ "string" ],
    "forecastHorizon": {
      "mode": "string"
      // For remaining properties, see ForecastHorizon objects
    },
    "frequency": "string",
    "seasonality": {
      "mode": "string"
      // For remaining properties, see Seasonality objects
    },
    "shortSeriesHandlingConfig": "string",
    "targetAggregateFunction": "string",
    "targetLags": {
      "mode": "string"
      // For remaining properties, see TargetLags objects
    },
    "targetRollingWindowSize": {
      "mode": "string"
      // For remaining properties, see TargetRollingWindowSize objects
    },
    "timeColumnName": "string",
    "timeSeriesIdColumnNames": [ "string" ],
    "useStl": "string"
  },
  "limitSettings": {
    "enableEarlyTermination": "bool",
    "exitScore": "int",
    "maxConcurrentTrials": "int",
    "maxCoresPerTrial": "int",
    "maxNodes": "int",
    "maxTrials": "int",
    "sweepConcurrentTrials": "int",
    "sweepTrials": "int",
    "timeout": "string",
    "trialTimeout": "string"
  },
  "nCrossValidations": {
    "mode": "string"
    // For remaining properties, see NCrossValidations objects
  },
  "primaryMetric": "string",
  "searchSpace": [
    {
      "booster": "string",
      "boostingType": "string",
      "growPolicy": "string",
      "learningRate": "string",
      "maxBin": "string",
      "maxDepth": "string",
      "maxLeaves": "string",
      "minDataInLeaf": "string",
      "minSplitGain": "string",
      "modelName": "string",
      "nEstimators": "string",
      "numLeaves": "string",
      "preprocessorName": "string",
      "regAlpha": "string",
      "regLambda": "string",
      "subsample": "string",
      "subsampleFreq": "string",
      "treeMethod": "string",
      "withMean": "string",
      "withStd": "string"
    }
  ],
  "sweepSettings": {
    "earlyTermination": {
      "delayEvaluation": "int",
      "evaluationInterval": "int",
      "policyType": "string"
      // For remaining properties, see EarlyTerminationPolicy objects
    },
    "samplingAlgorithm": "string"
  },
  "taskType": "Forecasting",
  "testData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  },
  "testDataSize": "int",
  "trainingSettings": {
    "allowedTrainingAlgorithms": [ "string" ],
    "blockedTrainingAlgorithms": [ "string" ],
    "enableDnnTraining": "bool",
    "enableModelExplainability": "bool",
    "enableOnnxCompatibleModels": "bool",
    "enableStackEnsemble": "bool",
    "enableVoteEnsemble": "bool",
    "ensembleModelDownloadTimeout": "string",
    "stackEnsembleSettings": {
      "stackMetaLearnerKWargs": {},
      "stackMetaLearnerTrainPercentage": "int",
      "stackMetaLearnerType": "string"
    },
    "trainingMode": "string"
  },
  "validationData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  },
  "validationDataSize": "int",
  "weightColumnName": "string"
}

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",
    "logTrainingMetrics": "string",
    "logValidationLoss": "string",
    "maxSize": "int",
    "minSize": "int",
    "modelName": "string",
    "modelSize": "string",
    "momentum": "int",
    "multiScale": "bool",
    "nesterov": "bool",
    "nmsIouThreshold": "int",
    "numberOfEpochs": "int",
    "numberOfWorkers": "int",
    "optimizer": "string",
    "randomSeed": "int",
    "stepLRGamma": "int",
    "stepLRStepSize": "int",
    "tileGridSize": "string",
    "tileOverlapRatio": "int",
    "tilePredictionsNmsThreshold": "int",
    "trainingBatchSize": "int",
    "validationBatchSize": "int",
    "validationIouThreshold": "int",
    "validationMetricType": "string",
    "warmupCosineLRCycles": "int",
    "warmupCosineLRWarmupEpochs": "int",
    "weightDecay": "int"
  },
  "primaryMetric": "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",
    "logTrainingMetrics": "string",
    "logValidationLoss": "string",
    "maxSize": "int",
    "minSize": "int",
    "modelName": "string",
    "modelSize": "string",
    "momentum": "int",
    "multiScale": "bool",
    "nesterov": "bool",
    "nmsIouThreshold": "int",
    "numberOfEpochs": "int",
    "numberOfWorkers": "int",
    "optimizer": "string",
    "randomSeed": "int",
    "stepLRGamma": "int",
    "stepLRStepSize": "int",
    "tileGridSize": "string",
    "tileOverlapRatio": "int",
    "tilePredictionsNmsThreshold": "int",
    "trainingBatchSize": "int",
    "validationBatchSize": "int",
    "validationIouThreshold": "int",
    "validationMetricType": "string",
    "warmupCosineLRCycles": "int",
    "warmupCosineLRWarmupEpochs": "int",
    "weightDecay": "int"
  },
  "primaryMetric": "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": {}
        }
      ]
    }
  },
  "fixedParameters": {
    "booster": "string",
    "boostingType": "string",
    "growPolicy": "string",
    "learningRate": "int",
    "maxBin": "int",
    "maxDepth": "int",
    "maxLeaves": "int",
    "minDataInLeaf": "int",
    "minSplitGain": "int",
    "modelName": "string",
    "nEstimators": "int",
    "numLeaves": "int",
    "preprocessorName": "string",
    "regAlpha": "int",
    "regLambda": "int",
    "subsample": "int",
    "subsampleFreq": "int",
    "treeMethod": "string",
    "withMean": "bool",
    "withStd": "bool"
  },
  "limitSettings": {
    "enableEarlyTermination": "bool",
    "exitScore": "int",
    "maxConcurrentTrials": "int",
    "maxCoresPerTrial": "int",
    "maxNodes": "int",
    "maxTrials": "int",
    "sweepConcurrentTrials": "int",
    "sweepTrials": "int",
    "timeout": "string",
    "trialTimeout": "string"
  },
  "nCrossValidations": {
    "mode": "string"
    // For remaining properties, see NCrossValidations objects
  },
  "primaryMetric": "string",
  "searchSpace": [
    {
      "booster": "string",
      "boostingType": "string",
      "growPolicy": "string",
      "learningRate": "string",
      "maxBin": "string",
      "maxDepth": "string",
      "maxLeaves": "string",
      "minDataInLeaf": "string",
      "minSplitGain": "string",
      "modelName": "string",
      "nEstimators": "string",
      "numLeaves": "string",
      "preprocessorName": "string",
      "regAlpha": "string",
      "regLambda": "string",
      "subsample": "string",
      "subsampleFreq": "string",
      "treeMethod": "string",
      "withMean": "string",
      "withStd": "string"
    }
  ],
  "sweepSettings": {
    "earlyTermination": {
      "delayEvaluation": "int",
      "evaluationInterval": "int",
      "policyType": "string"
      // For remaining properties, see EarlyTerminationPolicy objects
    },
    "samplingAlgorithm": "string"
  },
  "taskType": "Regression",
  "testData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  },
  "testDataSize": "int",
  "trainingSettings": {
    "allowedTrainingAlgorithms": [ "string" ],
    "blockedTrainingAlgorithms": [ "string" ],
    "enableDnnTraining": "bool",
    "enableModelExplainability": "bool",
    "enableOnnxCompatibleModels": "bool",
    "enableStackEnsemble": "bool",
    "enableVoteEnsemble": "bool",
    "ensembleModelDownloadTimeout": "string",
    "stackEnsembleSettings": {
      "stackMetaLearnerKWargs": {},
      "stackMetaLearnerTrainPercentage": "int",
      "stackMetaLearnerType": "string"
    },
    "trainingMode": "string"
  },
  "validationData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  },
  "validationDataSize": "int",
  "weightColumnName": "string"
}

針對 TextClassification，請使用：

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

針對 textClassificationMultilabel，請使用：

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

針對 TextNER，請使用：

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

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"
}

LabelingJobMediaProperties 物件

設定 mediaType 屬性，以指定物件的類型。

針對 Image，請使用：

{
  "annotationType": "string",
  "mediaType": "Image"
}

針對 Text，請使用：

{
  "annotationType": "string",
  "mediaType": "Text"
}

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：

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

Webhook 物件

設定 webhookType 屬性，以指定對象的類型。

針對 AzureDevOps，請使用：

{
  "webhookType": "AzureDevOps"
}

JobOutput 物件

設定 jobOutputType 屬性，以指定物件的類型。

針對 custom_model，請使用：

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

針對 mlflow_model，請使用：

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

針對 mltable，請使用：

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

針對 triton_model，請使用：

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

針對 uri_file，請使用：

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

針對 uri_folder，請使用：

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

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"
}

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"
}

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
    }
  },
  "queueSettings": {
    "jobTier": "string",
    "priority": "int"
  },
  "resources": {
    "dockerArgs": "string",
    "instanceCount": "int",
    "instanceType": "string",
    "locations": [ "string" ],
    "maxInstanceCount": "int",
    "properties": {
      "{customized property}": {}
    },
    "shmSize": "string"
  },
  "taskDetails": {
    "logVerbosity": "string",
    "targetColumnName": "string",
    "trainingData": {
      "description": "string",
      "jobInputType": "string",
      "mode": "string",
      "uri": "string"
    },
    "taskType": "string"
    // For remaining properties, see AutoMLVertical objects
  }
}

針對 Command，請使用：

{
  "autologgerSettings": {
    "mlflowAutologger": "string"
  },
  "codeId": "string",
  "command": "string",
  "distribution": {
    "distributionType": "string"
    // For remaining properties, see DistributionConfiguration objects
  },
  "environmentId": "string",
  "environmentVariables": {
    "{customized property}": "string"
  },
  "inputs": {
    "{customized property}": {
      "description": "string",
      "jobInputType": "string"
      // For remaining properties, see JobInput objects
    }
  },
  "jobType": "Command",
  "limits": {
    "jobLimitsType": "string",
    "timeout": "string"
  },
  "outputs": {
    "{customized property}": {
      "description": "string",
      "jobOutputType": "string"
      // For remaining properties, see JobOutput objects
    }
  },
  "queueSettings": {
    "jobTier": "string",
    "priority": "int"
  },
  "resources": {
    "dockerArgs": "string",
    "instanceCount": "int",
    "instanceType": "string",
    "locations": [ "string" ],
    "maxInstanceCount": "int",
    "properties": {
      "{customized property}": {}
    },
    "shmSize": "string"
  }
}

針對 標籤，請使用：

{
  "dataConfiguration": {
    "dataId": "string",
    "incrementalDataRefresh": "string"
  },
  "jobInstructions": {
    "uri": "string"
  },
  "jobType": "Labeling",
  "labelCategories": {
    "{customized property}": {
      "classes": {
        "{customized property}": {
          "displayName": "string",
          "subclasses": {
            "{customized property}": ...
          }
        }
      },
      "displayName": "string",
      "multiSelect": "string"
    }
  },
  "labelingJobMediaProperties": {
    "mediaType": "string"
    // For remaining properties, see LabelingJobMediaProperties objects
  },
  "mlAssistConfiguration": {
    "mlAssist": "string"
    // For remaining properties, see MLAssistConfiguration objects
  }
}

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 Spark，請使用：

{
  "archives": [ "string" ],
  "args": "string",
  "codeId": "string",
  "conf": {
    "{customized property}": "string"
  },
  "entry": {
    "sparkJobEntryType": "string"
    // For remaining properties, see SparkJobEntry objects
  },
  "environmentId": "string",
  "files": [ "string" ],
  "inputs": {
    "{customized property}": {
      "description": "string",
      "jobInputType": "string"
      // For remaining properties, see JobInput objects
    }
  },
  "jars": [ "string" ],
  "jobType": "Spark",
  "outputs": {
    "{customized property}": {
      "description": "string",
      "jobOutputType": "string"
      // For remaining properties, see JobOutput objects
    }
  },
  "pyFiles": [ "string" ],
  "queueSettings": {
    "jobTier": "string",
    "priority": "int"
  },
  "resources": {
    "instanceType": "string",
    "runtimeVersion": "string"
  }
}

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

屬性值

AllNodes

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

AmlToken

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

AutoDeleteSetting

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

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）

AutologgerSettings

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

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
queueSettings	作業的佇列設定	QueueSettings
資源	作業的計算資源組態。	JobResourceConfiguration
taskDetails	[必要]這代表可以是其中一個數據表/NLP/Image 的案例	AutoMLVertical （必要）

AutoMLJobEnvironmentVariables

名字	描述	價值

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）

AzureDevOpsWebhook

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

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
fixedParameters	模型/定型參數，在整個定型過程中會維持不變。	TableFixedParameters
limitSettings	AutoMLJob 的執行條件約束。	TableVerticalLimitSettings
nCrossValidations	要套用至定型數據集的交叉驗證折疊數目 未提供驗證數據集時。	NCrossValidations
positiveLabel	二進位計量計算的正標籤。	字串
primaryMetric	工作的主要計量。	'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。	TableParameterSubspace[]
sweepSettings	模型掃掠和超參數微調的設定。	TableSweepSettings
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
trainingMode	TrainingMode 模式 - 設定為 'auto' 與目前將它設定為「非分散式」相同，但未來可能會導致混合模式或啟發學習法模式選取。 預設值為 『auto』。 如果 「分散式」，則只會使用分散式特徵化，並選擇分散式演算法。 如果 『NonDistributed』，則只會選擇非分散式演算法。	'Auto' 'Distributed' 'NonDistributed'

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
autologgerSettings	作業的散發組態。 如果設定，這應該是其中一個 Mpi、Tensorflow、PyTorch 或 null。	AutologgerSettings
codeId	程式代碼資產的 ARM 資源識別碼。	字串
命令	[必要]在作業啟動時執行的命令。 例如 “python train.py”	字串 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、Ray 或 null。	DistributionConfiguration
environmentId	[必要]作業之環境規格的 ARM 資源識別碼。	字串 約束： 最小長度 = 1 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
queueSettings	作業的佇列設定	QueueSettings
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

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： 最小長度 = 1 模式 = [a-zA-Z0-9_] （必要）

CustomModelJobOutput

名字	描述	價值
assetName	輸出資產名稱。	字串
assetVersion	輸出資產版本。	字串
autoDeleteSetting	自動刪除輸出數據資產的設定。	AutoDeleteSetting
jobOutputType	[必要]指定作業的類型。	'custom_model' （必要）
模式	輸出資產傳遞模式。	'Direct' '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。 針對類型 Ray，設定為 'Ray'。 針對 tensorFlow 類型 設定為 'TensorFlow'，。	'Mpi' 'PyTorch' 'Ray' '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）

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
fixedParameters	模型/定型參數，在整個定型過程中會維持不變。	TableFixedParameters
forecastingSettings	預測工作特定輸入。	ForecastingSettings
limitSettings	AutoMLJob 的執行條件約束。	TableVerticalLimitSettings
nCrossValidations	要套用至定型數據集的交叉驗證折疊數目 未提供驗證數據集時。	NCrossValidations
primaryMetric	預測工作的主要計量。	'NormalizedMeanAbsoluteError' 'NormalizedRootMeanSquaredError' 'R2Score' 'SpearmanCorrelation'
searchSpace	搜尋空間以取樣模型及其超參數的不同組合。	TableParameterSubspace[]
sweepSettings	模型掃掠和超參數微調的設定。	TableSweepSettings
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'
featuresUnknownAtForecastTime	可在預測/推斷時用於定型但未知的功能數據行。 如果未設定features_unknown_at_forecast_time，則會假設數據集中的所有功能數據行在推斷時間都是已知的。	string[]
forecastHorizon	所需的最大預測範圍，以時間序列頻率單位為單位。	ForecastHorizon
頻率	預測時，此參數代表預期預測的期間，例如每日、每周、每年等。預測頻率預設為數據集頻率。	字串
季節性	將時間序列季節性設定為數列頻率的整數倍數。 如果季節性設定為 『auto』，則會推斷它。	季節性
shortSeriesHandlingConfig	定義 AutoML 是否應該處理短時間序列的參數。	'Auto' 'Drop' 'None' 'Pad'
targetAggregateFunction	要用來匯總時間序列目標數據行以符合使用者指定頻率的函式。 如果 TargetAggregateFunction 已設定，亦即不是 『None』，但未設定 freq 參數，則會引發錯誤。 可能的目標聚合函數包括：「sum」、“max”、“min” 和 “mean”。	'Max' 'Mean' 'Min' 'None' 'Sum'
targetLags	要從目標數據行延遲的過去期間數。	TargetLags
targetRollingWindowSize	用來建立目標數據行滾動視窗平均值的過去期間數目。	TargetRollingWindowSize
timeColumnName	時間數據行的名稱。 當預測以指定用於建置時間序列並推斷其頻率的輸入數據中的 datetime 數據行時，需要此參數。	字串
timeSeriesIdColumnNames	用來分組時間範圍的數據行名稱。 它可以用來建立多個數列。 如果未定義粒紋，則會假設數據集為一個時間序列。 此參數與工作類型預測搭配使用。	string[]
useStl	設定時間序列目標數據行的 STL 分解。	'None' 'Season' 'SeasonTrend'

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
trainingMode	TrainingMode 模式 - 設定為 'auto' 與目前將它設定為「非分散式」相同，但未來可能會導致混合模式或啟發學習法模式選取。 預設值為 『auto』。 如果 「分散式」，則只會使用分散式特徵化，並選擇分散式演算法。 如果 『NonDistributed』，則只會選擇非分散式演算法。	'Auto' 'Distributed' 'NonDistributed'

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'
logTrainingMetrics	啟用計算和記錄定型計量。	'Disable' 'Enable'
logValidationLoss	啟用運算和記錄驗證遺失。	'Disable' 'Enable'
maxSize	在將影像饋送至骨幹之前，要重新調整的影像大小上限。 必須是正整數。 注意：如果大小太大，定型執行可能會進入 CUDA OOM。 注意：'yolov5' 演算法不支援此設定。	int
minSize	將影像饋送至骨幹之前，要重新調整的影像大小下限。 必須是正整數。 注意：如果大小太大，定型執行可能會進入 CUDA OOM。 注意：'yolov5' 演算法不支援此設定。	int
modelName	要用於定型的模型名稱。 如需可用模型的詳細資訊，請流覽官方檔： /azure/machine-learning/how-to-auto-train-image-models。	字串
modelSize	模型大小。 必須是 'small'、'medium'、'large' 或 'xlarge'。 注意：如果模型大小太大，定型執行可能會進入 CUDA OOM。 注意：只有 'yolov5' 演算法才支援此設定。	'ExtraLarge' 'Large' 'Medium' 'None' 'Small'
動量	優化器為 『zn』 時的動量值。 必須是範圍 [0， 1] 中的浮點數。	int
multiScale	依 +/- 50%來啟用多重縮放影像大小。 注意：如果沒有足夠的 GPU 記憶體，定型執行可能會進入 CUDA OOM。 注意：只有 'yolov5' 演算法才支援此設定。	bool
nesterov	在優化器為 『zn』 時啟用 nesterov。	bool
nmsIouThreshold	在NMS後置處理中的推斷期間使用的IOU臨界值。 必須是範圍 [0， 1] 中的浮點數。	int
numberOfEpochs	定型 Epoch 的數目。 必須是正整數。	int
numberOfWorkers	數據載入器背景工作角色的數目。 必須是非負整數。	int
優化	優化工具的類型。	'Adam' 'Adamw' 'None' '新元'
randomSeed	使用決定性定型時要使用的隨機種子。	int
stepLRGamma	學習速率排程器為 『step』 時的 gamma 值。 必須是範圍 [0， 1] 中的浮點數。	int
stepLRStepSize	學習速率排程器為 『step』 時的步驟大小值。 必須是正整數。	int
tileGridSize	用來貼上每個影像的網格線大小。 注意：TileGridSize 不得為 無可啟用小型物件偵測邏輯。 包含兩個整數的字串，其格式為一個。 注意：'yolov5' 演算法不支援此設定。	字串
tileOverlapRatio	每個維度中相鄰磚之間的重疊比例。 必須是範圍 [0， 1] 中的浮點數。 注意：'yolov5' 演算法不支援此設定。	int
tilePredictionsNmsThreshold	用來執行NMS的IOU閾值，同時合併磚和影像的預測。 用於驗證/推斷。 必須是範圍 [0， 1] 中的 float。 注意：'yolov5' 演算法不支援此設定。	int
trainingBatchSize	定型批次大小。 必須是正整數。	int
validationBatchSize	驗證批次大小。 必須是正整數。	int
validationIouThreshold	計算驗證計量時要使用的IOU閾值。 必須是範圍 [0， 1] 中的 float。	int
validationMetricType	用於驗證計量的計量計算方法。	'Coco' 'CocoVoc' 'None' 'Voc'
warmupCosineLRCycles	學習速率排程器為「warmup_cosine」時，餘弦迴圈的值。 必須是範圍 [0， 1] 中的浮點數。	int
warmupCosineLRWarmupEpochs	學習速率排程器為「warmup_cosine」時，熱身 Epoch 的值。 必須是正整數。	int
weightDecay	優化器為 'zn'、'adam' 或 'adamw' 時的權數衰變值。 必須是範圍[0， 1] 中的浮點數。	int

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。 設定為類型為 LabelingJobProperties。 將 類型設定為 'Pipeline'，PipelineJob。 針對 sparkJob 類型 設定為 'Spark'，。 設定為 [掃掠] 類型為 SweepJob。	'AutoML' 'Command' '標記' 'Pipeline' 'Spark' '掃掠' （必要）
notificationSetting	作業的通知設定	NotificationSetting
性能	資產屬性字典。	ResourceBaseProperties
secretsConfiguration	設定要在運行時間期間提供秘密。	JobBaseSecretsConfiguration
服務業	JobEndpoints 的清單。 針對本機作業，作業端點會有 FileStreamObject 的端點值。	JobBaseServices
標籤	標記字典。 標記可以新增、移除和更新。	ResourceBaseTags

JobBaseSecretsConfiguration

名字	描述	價值

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
地點	作業可以執行的位置。	string[]
maxInstanceCount	計算目標可使用的實例或節點數目選擇性上限。 若要搭配彈性定型使用，目前只有 PyTorch 散發類型支援。	int
性能	其他屬性包。	ResourceConfigurationProperties
shmSize	Docker 容器的共用記憶體區塊大小。 這應該是 （number）（unit） 的格式，其中數位大於 0，單位可以是 b（位元組）、k（KB）、m（MB）、或 g（GB）。	字串 約束： Pattern = \d+[bBkKmMgG]

JobService

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

JobServiceProperties

名字	描述	價值

LabelCategory

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

LabelCategoryClasses

名字	描述	價值

LabelClass

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

LabelClassSubclasses

名字	描述	價值

LabelingDataConfiguration

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

LabelingJobImageProperties

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

LabelingJobInstructions

名字	描述	價值
uri	具有標籤者詳細標籤指示的頁面連結。	字串

LabelJobLabelCategories

名字	描述	價值

LabelingJobMediaProperties

名字	描述	價值
mediaType	針對 LabelingJobImageProperties 類型設定為 'Image'，。 將 類型設定為 'Text'，LabelingJobTextProperties。	'Image' 'Text' （必要）

LabelingJobProperties

名字	描述	價值
dataConfiguration	設定作業中使用的數據。	LabelingDataConfiguration
jobInstructions	標記作業的指示。	LabelingJobInstructions
jobType	[必要]指定作業的類型。	'標記' （必要）
labelCategories	作業的標籤類別。	LabelJobLabelCategories
labelingJobMediaProperties	作業中的媒體類型特定屬性。	LabelingJobMediaProperties
mlAssistConfiguration	在作業中設定 MLAssist 功能。	MLAssistConfiguration

LabelingJobTextProperties

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

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： 最小長度 = 1 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/jobs

名字	描述	價值
apiVersion	API 版本	'2023-04-01-preview'
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。	JobBaseProperties （必要）
類型	資源類型	'Microsoft.MachineLearningServices/workspaces/jobs'

MLAssistConfiguration

名字	描述	價值
mlAssist	針對 MLAssistConfigurationDisabled 類型 設定為 'Disabled'，。 針對 mlAssistConfigurationEnabled 類型 設定為 'Enabled'，。	'Disabled' 'Enabled' （必要）

MLAssistConfigurationDisabled

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

MLAssistConfigurationEnabled

名字	描述	價值
inferencingComputeBinding	[必要]用於推斷的 AML 計算系結。	字串 約束： 最小長度 = 1 模式 = [a-zA-Z0-9_] （必要）
mlAssist	[必要]指出是否啟用 MLAssist 功能。	'Enabled' （必要）
trainingComputeBinding	[必要]定型中使用的 AML 計算系結。	字串 約束： 最小長度 = 1 模式 = [a-zA-Z0-9_] （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： 最小長度 = 1 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： 最小長度 = 1 模式 = [a-zA-Z0-9_] （必要）

MLFlowModelJobOutput

名字	描述	價值
assetName	輸出資產名稱。	字串
assetVersion	輸出資產版本。	字串
autoDeleteSetting	自動刪除輸出數據資產的設定。	AutoDeleteSetting
jobOutputType	[必要]指定作業的類型。	'mlflow_model' （必要）
模式	輸出資產傳遞模式。	'Direct' '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： 最小長度 = 1 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： 最小長度 = 1 模式 = [a-zA-Z0-9_] （必要）

MLTableJobOutput

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

NlpFixedParameters

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

NlpParameterSubspace

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

NlpSweepSettings

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

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
maxNodes	用於實驗的最大節點。	int
maxTrials	AutoML 反覆項目的數目。	int
超時	AutoML 作業逾時。	字串
trialTimeout	個別 HD 試用版的逾時。	字串

節點

名字	描述	價值
nodesValueType	針對 allNodes 類型 設定為 'All'，。	'All' （必要）

NotificationSetting

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

NotificationSettingWebhooks

名字	描述	價值

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： 最小長度 = 1 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

QueueSettings

名字	描述	價值
jobTier	要判斷作業層的列舉。	'Basic' 'Premium' 'Spot' 'Standard'
優先權	控制計算上作業的優先順序。	int

RandomSamplingAlgorithm

名字	描述	價值
logbase	選擇性正數或 e 字串格式，以做為以記錄為基礎的隨機取樣基底	字串
統治	隨機演算法的特定類型	'Random' 'Sobol'
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

射線

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

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
fixedParameters	模型/定型參數，在整個定型過程中會維持不變。	TableFixedParameters
limitSettings	AutoMLJob 的執行條件約束。	TableVerticalLimitSettings
nCrossValidations	要套用至定型數據集的交叉驗證折疊數目 未提供驗證數據集時。	NCrossValidations
primaryMetric	回歸工作的主要計量。	'NormalizedMeanAbsoluteError' 'NormalizedRootMeanSquaredError' 'R2Score' 'SpearmanCorrelation'
searchSpace	搜尋空間以取樣模型及其超參數的不同組合。	TableParameterSubspace[]
sweepSettings	模型掃掠和超參數微調的設定。	TableSweepSettings
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
trainingMode	TrainingMode 模式 - 設定為 'auto' 與目前將它設定為「非分散式」相同，但未來可能會導致混合模式或啟發學習法模式選取。 預設值為 『auto』。 如果 「分散式」，則只會使用分散式特徵化，並選擇分散式演算法。 如果 『NonDistributed』，則只會選擇非分散式演算法。	'Auto' 'Distributed' 'NonDistributed'

ResourceBaseProperties

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）

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）

SecretConfiguration

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

SparkJob

名字	描述	價值
檔案	封存作業中使用的檔案。	string[]
args	作業的自變數。	字串
codeId	[必要]程式代碼資產的 ARM 資源識別碼。	字串 約束： 最小長度 = 1 模式 = [a-zA-Z0-9_] （必要）
conf	Spark 設定的屬性。	SparkJobConf
進入	[必要]在作業啟動時要執行的專案。	SparkJobEntry （必要）
environmentId	作業之環境規格的 ARM 資源識別碼。	字串
檔	作業中使用的檔案。	string[]
輸入	對應作業中使用的輸入數據系結。	SparkJobInputs
罐子	作業中使用的 Jar 檔案。	string[]
jobType	[必要]指定作業的類型。	'Spark' （必要）
輸出	對應作業中使用的輸出數據系結。	SparkJobOutputs
pyFiles	作業中使用的 Python 檔案。	string[]
queueSettings	作業的佇列設定	QueueSettings
資源	作業的計算資源組態。	SparkResourceConfiguration

SparkJobConf

名字	描述	價值

SparkJobEntry

名字	描述	價值
sparkJobEntryType	針對sparkJobPythonEntry類型設定為 'SparkJobPythonEntry'，。 針對sparkJobScalaEntry 類型設定為 'SparkJobScalaEntry'，。	'SparkJobPythonEntry' 'SparkJobScalaEntry' （必要）

SparkJobInputs

名字	描述	價值

SparkJobOutputs

名字	描述	價值

SparkJobPythonEntry

名字	描述	價值
檔	[必要]作業進入點的相對 Python 檔案路徑。	字串 約束： 最小長度 = 1 模式 = [a-zA-Z0-9_] （必要）
sparkJobEntryType	[必要]作業進入點的類型。	'SparkJobPythonEntry' （必要）

SparkJobScalaEntry

名字	描述	價值
className	[必要]做為進入點的 Scala 類別名稱。	字串 約束： 最小長度 = 1 模式 = [a-zA-Z0-9_] （必要）
sparkJobEntryType	[必要]作業進入點的類型。	'SparkJobScalaEntry' （必要）

SparkResourceConfiguration

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

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
queueSettings	作業的佇列設定	QueueSettings
samplingAlgorithm	[必要]超參數取樣演算法	SamplingAlgorithm （必要）
searchSpace	[必要]包含每個參數及其散發的字典。 字典索引鍵是參數的名稱	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

TableFixedParameters

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

TableParameterSubspace

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

TableSweepSettings

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

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
maxNodes	用於實驗的最大節點。	int
maxTrials	反覆項目的數目。	int
sweepConcurrentTrials	使用者想要觸發的並行掃掠執行數目。	int
sweepTrials	使用者想要觸發的掃掠執行次數。	int
超時	AutoML 作業逾時。	字串
trialTimeout	反覆專案逾時。	字串

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
fixedParameters	模型/定型參數，在整個定型過程中會維持不變。	NlpFixedParameters
limitSettings	AutoMLJob 的執行條件約束。	NlpVerticalLimitSettings
primaryMetric	Text-Classification 工作的主要計量。	'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。	NlpParameterSubspace[]
sweepSettings	模型掃掠和超參數微調的設定。	NlpSweepSettings
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
fixedParameters	模型/定型參數，在整個定型過程中會維持不變。	NlpFixedParameters
limitSettings	AutoMLJob 的執行條件約束。	NlpVerticalLimitSettings
searchSpace	搜尋空間以取樣模型及其超參數的不同組合。	NlpParameterSubspace[]
sweepSettings	模型掃掠和超參數微調的設定。	NlpSweepSettings
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
fixedParameters	模型/定型參數，在整個定型過程中會維持不變。	NlpFixedParameters
limitSettings	AutoMLJob 的執行條件約束。	NlpVerticalLimitSettings
searchSpace	搜尋空間以取樣模型及其超參數的不同組合。	NlpParameterSubspace[]
sweepSettings	模型掃掠和超參數微調的設定。	NlpSweepSettings
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： 最小長度 = 1 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

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： 最小長度 = 1 模式 = [a-zA-Z0-9_] （必要）

TritonModelJobOutput

名字	描述	價值
assetName	輸出資產名稱。	字串
assetVersion	輸出資產版本。	字串
autoDeleteSetting	自動刪除輸出數據資產的設定。	AutoDeleteSetting
jobOutputType	[必要]指定作業的類型。	'triton_model' （必要）
模式	輸出資產傳遞模式。	'Direct' '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： 最小長度 = 1 模式 = [a-zA-Z0-9_] （必要）

UriFileJobOutput

名字	描述	價值
assetName	輸出資產名稱。	字串
assetVersion	輸出資產版本。	字串
autoDeleteSetting	自動刪除輸出數據資產的設定。	AutoDeleteSetting
jobOutputType	[必要]指定作業的類型。	'uri_file' （必要）
模式	輸出資產傳遞模式。	'Direct' '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： 最小長度 = 1 模式 = [a-zA-Z0-9_] （必要）

UriFolderJobOutput

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

Webhook

名字	描述	價值
eventType	在指定的通知事件上傳送回呼	字串
webhookType	針對 azureDevOpsWebhook 類型設定為 'AzureDevOps'，。	'AzureDevOps' （必要）

快速入門範本

下列快速入門範本會部署此資源類型。