create-auto-ml-job

Description

Создает задание Autopilot, также называемое экспериментом Autopilot или заданием AutoML.

Задание AutoML в SageMaker AI — это полностью автоматизированный процесс, который позволяет создавать модели машинного обучения с минимальными усилиями и опытом работы с машинным обучением. При инициировании задания AutoML вы предоставляете свои данные и при необходимости указываете параметры, адаптированные к вашему варианту использования. Затем SageMaker AI автоматизирует весь жизненный цикл разработки модели, включая предварительную обработку данных, обучение модели, настройку и оценку. Задания AutoML предназначены для упрощения и ускорения процесса создания модели за счет автоматизации различных задач и изучения различных комбинаций алгоритмов машинного обучения, методов предварительной обработки данных и значений гиперпараметров. Выходные данные задания AutoML включают одну или несколько обученных моделей, готовых к развертыванию и выводу. Кроме того, задания SageMaker AI AutoML генерируют рейтинг моделей-кандидатов, позволяющий выбрать наиболее эффективную модель для развертывания.

Дополнительные сведения о заданиях AutoML см. по адресу https://docs.aws.amazon.com/sagemaker/latest/dg/autopilot-automate-model-development.html в руководстве разработчика SageMaker AI.

Примечание

Мы рекомендуем использовать новые версии CreateAutoMLJobV2 и DescribeAutoMLJobV2, которые обеспечивают обратную совместимость.

CreateAutoMLJobV2 может управлять табличными типами задач, идентичными типам предыдущей версии CreateAutoMLJob, а также прогнозированием временных рядов, нетабличными типами задач, такими как классификация изображений или текста, и генерацией текста (точная настройка LLM).

Найдите рекомендации о том, как перенести CreateAutoMLJob в CreateAutoMLJobV2 в разделе «Перенос CreateAutoMLJob в CreateAutoMLJobV2».

Вы можете найти наиболее эффективную модель после запуска задания AutoML, вызвав DescribeAutoMLJobV2 (рекомендуется) или DescribeAutoMLJob.

См. также: Документация по API AWS

Synopsis

  create-auto-ml-job
--auto-ml-job-name <value>
--input-data-config <value>
--output-data-config <value>
[--problem-type <value>]
[--auto-ml-job-objective <value>]
[--auto-ml-job-config <value>]
--role-arn <value>
[--generate-candidate-definitions-only | --no-generate-candidate-definitions-only]
[--tags <value>]
[--model-deploy-config <value>]
[--cli-input-json | --cli-input-yaml]
[--generate-cli-skeleton <value>]
[--debug]
[--endpoint-url <value>]
[--no-verify-ssl]
[--no-paginate]
[--output <value>]
[--query <value>]
[--profile <value>]
[--region <value>]
[--version <value>]
[--color <value>]
[--no-sign-request]
[--ca-bundle <value>]
[--cli-read-timeout <value>]
[--cli-connect-timeout <value>]
[--cli-binary-format <value>]
[--no-cli-pager]
[--cli-auto-prompt]
[--no-cli-auto-prompt]

Options

--auto-ml-job-name (string)

Идентифицирует задание Autopilot. Имя должно быть уникальным для вашей учетной записи и не чувствительно к регистру.

--input-data-config (list)

Массив объектов канала, который описывает входные данные и их местоположение. Каждый канал — это именованный источник входных данных. Аналогично InputDataConfig , поддерживаемому HyperParameterTrainingJobDefinition. Поддерживаемые форматы: CSV, Parquet. Для набора данных обучения требуется минимум 500 строк. Для набора данных проверки не требуется минимальное количество строк.

(structure)

Канал — это именованный источник входных данных, который могут использовать алгоритмы обучения. Размер набора данных проверки ограничен менее чем 2 ГБ. Размер набора данных обучения должен быть менее 100 ГБ. Дополнительные сведения см. в разделе Channel.

Примечание

Набор данных проверки должен содержать те же заголовки, что и набор данных обучения.

DataSource -> (structure)

Источник данных для канала AutoML.

S3DataSource -> (structure)

Расположение входных данных Amazon S3.

S3DataType -> (string)

Тип данных.

Если вы выберете S3Prefix, S3Uri определяет префикс имени ключа. SageMaker AI использует все объекты, соответствующие указанному префиксу имени ключа, для обучения модели. S3Prefix должно иметь следующий формат: s3://DOC-EXAMPLE-BUCKET/DOC-EXAMPLE-FOLDER-OR-FILE
Если вы выберете ManifestFile, S3Uri определяет объект, представляющий собой файл манифеста, содержащий список ключей объектов, которые вы хотите, чтобы SageMaker AI использовала для обучения модели. ManifestFile должно иметь следующий формат: [ {"prefix": "s3://DOC-EXAMPLE-BUCKET/DOC-EXAMPLE-FOLDER/DOC-EXAMPLE-PREFIX/"}, "DOC-EXAMPLE-RELATIVE-PATH/DOC-EXAMPLE-FOLDER/DATA-1", "DOC-EXAMPLE-RELATIVE-PATH/DOC-EXAMPLE-FOLDER/DATA-2", ... "DOC-EXAMPLE-RELATIVE-PATH/DOC-EXAMPLE-FOLDER/DATA-N" ]
Если вы выберете AugmentedManifestFile, S3Uri определяет объект, представляющий собой расширенный файл манифеста в формате строк JSON. Этот файл содержит данные, которые вы хотите использовать для обучения модели. AugmentedManifestFile доступен только для заданий API V2 (например, для заданий, созданных путем вызова CreateAutoMLJobV2). Вот минимальный пример одной записи AugmentedManifestFile: {"source-ref": "s3://DOC-EXAMPLE-BUCKET/DOC-EXAMPLE-FOLDER/cats/cat.jpg", "label-metadata": {"class-name": "cat" } Дополнительные сведения о AugmentedManifestFile см. в разделе «Предоставление метаданных набора данных для учебных заданий с помощью расширенного файла манифеста».

S3Uri -> (string)

URL-адрес источника данных Amazon S3. Uri ссылается на префикс Amazon S3 или ManifestFile в зависимости от типа данных.

CompressionType -> (string)

Вы можете использовать Gzip или None. Значение по умолчанию — None.

TargetAttributeName -> (string)

Имя целевой переменной в контролируемом обучении, обычно представленной буквой «y».

ContentType -> (string)

Тип контента данных из источника входных данных. Вы можете использовать text/csv;header=present или x-application/vnd.amazon+parquet. Значение по умолчанию — text/csv;header=present.

ChannelType -> (string)

Тип канала (необязательно) — это enum строка. Значение по умолчанию — training. Каналы для обучения и проверки должны иметь одинаковые ContentType и TargetAttributeName. Информацию о указании типов каналов обучения и проверки см. в разделе «Как указать наборы данных обучения и проверки».

SampleWeightAttributeName -> (string)

Если указано, это имя столбца указывает, какой столбец набора данных следует рассматривать как веса образцов для использования целевой метрикой во время обучения, оценки и выбора лучшей модели. Этот столбец не считается прогностическим признаком. Дополнительные сведения о метриках Autopilot см. в разделе «Метрики и проверка».

Веса образцов должны быть числовыми, неотрицательными, а большие значения указывают, какие строки важнее других. Точки данных, которые не имеют недопустимого или вообще не имеют значения веса, исключаются.

Поддержка весов образцов доступна только в режиме Ensembling.

Shorthand Syntax:

DataSource={S3DataSource={S3DataType=string,S3Uri=string}},CompressionType=string,TargetAttributeName=string,ContentType=string,ChannelType=string,SampleWeightAttributeName=string ...

JSON Syntax:

[
  {
    "DataSource": {
      "S3DataSource": {
        "S3DataType": "ManifestFile"|"S3Prefix"|"AugmentedManifestFile",
        "S3Uri": "string"
      }
    },
    "CompressionType": "None"|"Gzip",
    "TargetAttributeName": "string",
    "ContentType": "string",
    "ChannelType": "training"|"validation",
    "SampleWeightAttributeName": "string"
  }
  ...
]

--output-data-config (structure)

Предоставляет информацию о шифровании и пути вывода Amazon S3, необходимом для хранения артефактов из задания AutoML. Поддерживаемые форматы: CSV.

KmsKeyId -> (string)

Идентификатор ключа шифрования Key Management Service.

S3OutputPath -> (string)

Путь вывода Amazon S3. Должен содержать не более 512 символов.

Shorthand Syntax:

KmsKeyId=string,S3OutputPath=string

JSON Syntax:

{
  "KmsKeyId": "string",
  "S3OutputPath": "string"
}

--problem-type (string)

Определяет тип контролируемой проблемы обучения, доступной для кандидатов. Дополнительные сведения см. в разделе Типы задач SageMaker Autopilot.

Возможные значения:

BinaryClassification
MulticlassClassification
Regression

--auto-ml-job-objective (structure)

Указывает метрику для минимизации или максимизации в качестве цели задания. Если не указано, используемая по умолчанию целевая метрика зависит от типа проблемы. См. AutoMLJobObjective для значений по умолчанию.

MetricName -> (string)

Название целевой метрики, используемой для измерения прогностического качества системы машинного обучения. Во время обучения параметры модели обновляются итеративно, чтобы оптимизировать ее производительность на основе обратной связи, предоставляемой целевой метрикой при оценке модели на наборе данных проверки.

Список доступных метрик, поддерживаемых Autopilot, и метрика по умолчанию, применяемая, когда вы явно не указываете название метрики, зависят от типа проблемы.

Для табличных типов задач:
- Список доступных метрик:
  - Регрессия: MAE, MSE, R2, RMSE
  - Бинарная классификация: Accuracy, AUC, BalancedAccuracy, F1, Precision, Recall
  - Многоклассовая классификация: Accuracy, BalancedAccuracy, F1macro, PrecisionMacro, RecallMacro
Описание каждой метрики см. в разделе «Метрики Autopilot для классификации и регрессии».
- Целевые метрики по умолчанию:
  - Регрессия: MSE.
  - Бинарная классификация: F1.
  - Многоклассовая классификация: Accuracy.
Для типов задач классификации изображений или текста:
- Список доступных метрик: Accuracy Описание каждой метрики см. в разделе «Метрики Autopilot для классификации текста и изображений».
- Целевые метрики по умолчанию: Accuracy
Для типов задач прогнозирования временных рядов:
- Список доступных метрик: RMSE, wQL, Average wQL, MASE, MAPE, WAPE Описание каждой метрики см. в разделе «Метрики Autopilot для прогнозирования временных рядов» .
- Целевые метрики по умолчанию: AverageWeightedQuantileLoss
Для типов задач генерации текста (точная настройка LLM): точная настройка языковых моделей в Autopilot не требует настройки поля AutoMLJobObjective. Autopilot выполняет точную настройку LLM, не требуя обучения и оценки нескольких кандидатов. Вместо этого, используя ваш набор данных, Autopilot напрямую выполняет точную настройку целевой модели для улучшения целевой метрики по умолчанию — потери перекрестной энтропии. После точной настройки языковой модели вы можете оценить качество сгенерированного ею текста, используя различные метрики. Список доступных метрик см. в разделе «Метрики для точной настройки LLM в Autopilot».

Shorthand Syntax:

MetricName=string

JSON Syntax:

{
  "MetricName": "Accuracy"|"MSE"|"F1"|"F1macro"|"AUC"|"RMSE"|"BalancedAccuracy"|"R2"|"Recall"|"RecallMacro"|"Precision"|"PrecisionMacro"|"MAE"|"MAPE"|"MASE"|"WAPE"|"AverageWeightedQuantileLoss"
}

--auto-ml-job-config (structure)

Набор настроек, используемых для настройки задания AutoML.

CompletionCriteria -> (structure)

Как долго разрешено выполняться заданию AutoML или сколько кандидатов разрешено сгенерировать заданию.

MaxCandidates -> (integer)

Максимальное количество раз, которое разрешено запускать задание обучения.

Для классификации текста и изображений, прогнозирования временных рядов, а также для типов задач генерации текста (LLMs fine-tuning) поддерживаемое значение равно 1. Для табличных типов задач максимальное значение равно 750.

MaxRuntimePerTrainingJobInSeconds -> (integer)

Максимальное время в секундах, которое разрешено выполнять каждому заданию обучения, выполняемому в рамках настройки гиперпараметров, как части задания настройки гиперпараметров. Для получения дополнительной информации см. StoppingCondition, используемый действием CreateHyperParameterTuningJob.

Для заданий V2 (заданий, созданных путем вызова CreateAutoMLJobV2), это поле контролирует время выполнения кандидата на задание.

Для типов задач TextGenerationJobConfig максимальное время по умолчанию составляет 72 часа (259200 секунд).

MaxAutoMLJobRuntimeInSeconds -> (integer)

Максимальное время выполнения задания AutoML в секундах.

Если задание AutoML превышает максимальное время выполнения, задание автоматически останавливается, и его обработка корректно завершается. Задание AutoML определяет лучшую модель, обучение которой было завершено, и помечает ее как наиболее эффективную модель. Любые незавершенные этапы задания, такие как автоматическое развертывание модели Autopilot в один клик, не выполняются.

SecurityConfig -> (structure)

Конфигурация безопасности для шифрования трафика или настроек Amazon VPC.

VolumeKmsKeyId -> (string)

Ключ, используемый для шифрования хранимых данных.

EnableInterContainerTrafficEncryption -> (boolean)

Использовать ли шифрование трафика между слоями контейнеров.

VpcConfig -> (structure)

Конфигурация VPC.

SecurityGroupIds -> (list)

Идентификаторы групп безопасности VPC в формате sg-xxxxxxxx. Укажите группы безопасности для VPC, указанной в поле Subnets.

(string)

Subnets -> (list)

Идентификатор подсетей в VPC, к которым вы хотите подключить свое задание обучения или модель. Информацию о доступности конкретных типов экземпляров см. в разделе Supported Instance Types and Availability Zones .

(string)

CandidateGenerationConfig -> (structure)

Конфигурация для создания кандидата для задания AutoML (необязательно).

FeatureSpecificationS3Uri -> (string)

URL-адрес источника данных Amazon S3, содержащего выбранные функции из входного источника данных для запуска задания Autopilot. Вы можете ввести FeatureAttributeNames (необязательно) в формате JSON, как показано ниже:

{ "FeatureAttributeNames":["col1", "col2", ...] }.

Вы также можете указать тип данных функции (необязательно) в формате, показанном ниже:

{ "FeatureDataTypes":{"col1":"numeric", "col2":"categorical" ... } }

Примечание

Ключи этих столбцов могут не включать целевой столбец.

В режиме ансамбля Autopilot поддерживает только следующие типы данных: numeric, categorical, text и datetime. В режиме HPO Autopilot может поддерживать numeric, categorical, text, datetime и sequence.

Если указан только FeatureDataTypes, ключи столбцов (col1, col2,..) должны быть подмножеством имен столбцов во входных данных.

Если указаны оба FeatureDataTypes и FeatureAttributeNames, то ключи столбцов должны быть подмножеством имен столбцов, указанных в FeatureAttributeNames.

Имя ключа FeatureAttributeNames фиксировано. Значения, перечисленные в ["col1", "col2", ...], чувствительны к регистру и должны представлять собой список строк, содержащих уникальные значения, которые являются подмножеством имен столбцов во входных данных. Список предоставленных столбцов не должен включать целевой столбец.

AlgorithmsConfig -> (list)

Хранит информацию о конфигурации для выбора алгоритмов, обученных на табличных данных.

Список доступных для выбора алгоритмов зависит от режима обучения, установленного в ` TabularJobConfig.Mode https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_TabularJobConfig.html`__.

AlgorithmsConfig не должен быть установлен, если режим обучения установлен на AUTO.
Когда AlgorithmsConfig предоставлен, должен быть установлен только один атрибут AutoMLAlgorithms. Если список алгоритмов, предоставленных в качестве значений для AutoMLAlgorithms, пуст, CandidateGenerationConfig использует полный набор алгоритмов для данного режима обучения.
Когда AlgorithmsConfig не предоставлен, CandidateGenerationConfig использует полный набор алгоритмов для данного режима обучения.

Список всех алгоритмов для каждого типа задач и режима обучения см. в AutoMLAlgorithmConfig.

Дополнительную информацию о каждом алгоритме см. в разделе Algorithm support в руководстве разработчика Autopilot.

(structure)

Выбор алгоритмов, обученных на вашем наборе данных, для создания кандидатов на модель для задания Autopilot.

AutoMLAlgorithms -> (list)

Выбор алгоритмов, обученных на вашем наборе данных, для создания кандидатов на модель для задания Autopilot.

Для табличного типа задачи ``TabularJobConfig``:

Примечание

Выбранные алгоритмы должны принадлежать к списку, соответствующему режиму обучения, установленному в AutoMLJobConfig.Mode (ENSEMBLING или HYPERPARAMETER_TUNING). Выберите минимум 1 алгоритм.

В режиме ENSEMBLING:
- “catboost”
- “extra-trees”
- “fastai”
- “lightgbm”
- “linear-learner”
- “nn-torch”
- “randomforest”
- “xgboost”
В режиме HYPERPARAMETER_TUNING:
- “linear-learner”
- “mlp”
- “xgboost”

Для типа задачи прогнозирования временных рядов ``TimeSeriesForecastingJobConfig``:
- Выберите свои алгоритмы из этого списка.
  - “cnn-qr”
  - “deepar”
  - “prophet”
  - “arima”
  - “npts”
  - “ets”

(string)

DataSplitConfig -> (structure)

Конфигурация для разделения входного набора данных для обучения.

Type: AutoMLDataSplitConfig

ValidationFraction -> (float)

Доля проверки (необязательно) — это число с плавающей запятой, которое указывает часть набора данных для обучения, которая будет использоваться для проверки. Значение по умолчанию — 0,2, а значения должны быть больше 0 и меньше 1. Мы рекомендуем установить это значение меньше 0,5.

Mode -> (string)

Метод, который Autopilot использует для обучения данных. Вы можете либо указать режим вручную, либо позволить Autopilot выбрать его за вас на основе размера набора данных, выбрав AUTO. В режиме AUTO Autopilot выбирает ENSEMBLING для наборов данных размером менее 100 МБ и HYPERPARAMETER_TUNING для больших.

Режим ENSEMBLING использует многостековую ансамблевую модель для прогнозирования задач классификации и регрессии непосредственно из вашего набора данных. Этот режим машинного обучения объединяет несколько базовых моделей для получения оптимальной прогностической модели. Затем он использует метод стекового ансамбля для объединения прогнозов от участвующих членов. Многостековая ансамблевая модель может обеспечить лучшую производительность по сравнению с одной моделью, объединяя прогностические возможности нескольких моделей. См. Поддержку алгоритмов Autopilot для получения списка алгоритмов, поддерживаемых режимом ENSEMBLING.

Режим HYPERPARAMETER_TUNING (HPO) использует лучшие гиперпараметры для обучения лучшей версии модели. HPO автоматически выбирает алгоритм для типа решаемой задачи. Затем HPO находит лучшие гиперпараметры в соответствии с вашей целевой метрикой. См. Поддержку алгоритмов Autopilot для получения списка алгоритмов, поддерживаемых режимом HYPERPARAMETER_TUNING.

Синтаксис JSON:

{
  "CompletionCriteria": {
    "MaxCandidates": integer,
    "MaxRuntimePerTrainingJobInSeconds": integer,
    "MaxAutoMLJobRuntimeInSeconds": integer
  },
  "SecurityConfig": {
    "VolumeKmsKeyId": "string",
    "EnableInterContainerTrafficEncryption": true|false,
    "VpcConfig": {
      "SecurityGroupIds": ["string", ...],
      "Subnets": ["string", ...]
    }
  },
  "CandidateGenerationConfig": {
    "FeatureSpecificationS3Uri": "string",
    "AlgorithmsConfig": [
      {
        "AutoMLAlgorithms": ["xgboost"|"linear-learner"|"mlp"|"lightgbm"|"catboost"|"randomforest"|"extra-trees"|"nn-torch"|"fastai"|"cnn-qr"|"deepar"|"prophet"|"npts"|"arima"|"ets", ...]
      }
      ...
    ]
  },
  "DataSplitConfig": {
    "ValidationFraction": float
  },
  "Mode": "AUTO"|"ENSEMBLING"|"HYPERPARAMETER_TUNING"
}

--role-arn (string)

ARN роли, используемой для доступа к данным.

--generate-candidate-definitions-only | --no-generate-candidate-definitions-only (boolean)

Создает возможных кандидатов без обучения моделей. Кандидат — это комбинация препроцессоров данных, алгоритмов и настроек параметров алгоритма.

--tags (list)

Массив пар ключ-значение. Вы можете использовать теги для классификации ваших ресурсов Amazon Web Services различными способами, например, по назначению, владельцу или среде. Дополнительную информацию см. в разделе Тегирование ресурсов Amazon Web Services. Ключи тегов должны быть уникальными для каждого ресурса.

(structure)

Объект тега, состоящий из ключа и необязательного значения, используемый для управления метаданными для ресурсов SageMaker Amazon Web Services.

Вы можете добавлять теги к экземплярам ноутбуков, заданиям обучения, заданиям настройки гиперпараметров, заданиям пакетного преобразования, моделям, заданиям маркировки, рабочим группам, конфигурациям конечных точек и конечным точкам. Дополнительную информацию о добавлении тегов к ресурсам SageMaker см. в разделе AddTags.

Дополнительную информацию о добавлении метаданных к вашим ресурсам Amazon Web Services с помощью тегирования см. в разделе Тегирование ресурсов Amazon Web Services. Советы по лучшим практикам управления ресурсами Amazon Web Services с помощью тегирования см. в разделе Рекомендации по тегированию: реализация эффективной стратегии тегирования ресурсов Amazon Web Services.

Key -> (string)

Ключ тега. Ключи тегов должны быть уникальными для каждого ресурса.

Value -> (string)

Значение тега.

Синтаксис сокращений:

Key=string,Value=string ...

Синтаксис JSON:

[
  {
    "Key": "string",
    "Value": "string"
  }
  ...
]

--model-deploy-config (structure)

Указывает, как сгенерировать имя конечной точки для автоматического развертывания модели Autopilot в один клик.

AutoGenerateEndpointName -> (boolean)

Установите значение True, чтобы автоматически сгенерировать имя конечной точки для развертывания модели Autopilot в один клик; в противном случае установите значение False. Значение по умолчанию — False.

Примечание

Если вы установите AutoGenerateEndpointName в True, не указывайте EndpointName; в противном случае будет выдана ошибка 400.

EndpointName -> (string)

Указывает имя конечной точки для использования для развертывания модели Autopilot в один клик, если имя конечной точки не генерируется автоматически.

Примечание

Укажите EndpointName, если и только если вы установили AutoGenerateEndpointName в False; в противном случае будет выдана ошибка 400.

Синтаксис сокращений:

AutoGenerateEndpointName=boolean,EndpointName=string

Синтаксис JSON:

{
  "AutoGenerateEndpointName": true|false,
  "EndpointName": "string"
}

--cli-input-json | --cli-input-yaml (строка) Считывает аргументы из предоставленной строки JSON. Строка JSON соответствует формату, предоставленному --generate-cli-skeleton. Если другие аргументы предоставлены в командной строке, эти значения переопределят значения, предоставленные в JSON. Невозможно передать произвольные двоичные значения, используя значение, предоставленное в JSON, поскольку строка будет воспринята буквально. Это нельзя указывать вместе с --cli-input-yaml.

--generate-cli-skeleton (строка) Выводит скелет JSON в стандартный вывод без отправки запроса API. Если не указано значение или указано значение input, выводит пример входного JSON, который можно использовать в качестве аргумента для --cli-input-json. Аналогично, если указано yaml-input, он выведет пример входного YAML, который можно использовать с --cli-input-yaml. Если указано значение output, он проверяет входные данные команды и возвращает пример выходного JSON для этой команды. Сгенерированный скелет JSON не является стабильным между версиями AWS CLI, и гарантии обратной совместимости в сгенерированном скелете JSON отсутствуют.

Глобальные опции

--debug (boolean)

Включить отладочное ведение журнала.

--endpoint-url (строка)

Переопределить URL по умолчанию команды указанным URL.

--no-verify-ssl (boolean)

По умолчанию AWS CLI использует SSL при взаимодействии со службами AWS. Для каждого SSL-соединения AWS CLI будет проверять SSL-сертификаты. Этот параметр переопределяет поведение по умолчанию при проверке SSL-сертификатов.

--no-paginate (boolean)

Отключить автоматическое разбиение на страницы. Если автоматическое разбиение на страницы отключено, AWS CLI сделает только один вызов для первой страницы результатов.

--output (строка)

Стиль форматирования для вывода команды.

json
text
table
yaml
yaml-stream

--query (строка)

Запрос JMESPath для использования при фильтрации данных ответа.

--profile (строка)

Использовать определенный профиль из файла учетных данных.

--region (строка)

Регион для использования. Переопределяет настройки конфигурации/среды.

--version (строка)

Отобразить версию этого инструмента.

--color (строка)

Включить/выключить цветной вывод.

on
off
auto

--no-sign-request (boolean)

Не подписывать запросы. Учетные данные не будут загружены, если этот аргумент предоставлен.

--ca-bundle (строка)

Пакет сертификатов CA для использования при проверке SSL-сертификатов. Переопределяет настройки конфигурации/среды.

--cli-read-timeout (int)

Максимальное время чтения сокета в секундах. Если значение равно 0, чтение сокета будет блокироваться и не истечет. Значение по умолчанию — 60 секунд.

--cli-connect-timeout (int)

Максимальное время подключения сокета в секундах. Если значение равно 0, подключение сокета будет блокироваться и не истечет. Значение по умолчанию — 60 секунд.

--cli-binary-format (строка)

Стиль форматирования, который будет использоваться для двоичных больших объектов. Формат по умолчанию — base64. Формат base64 ожидает, что двоичные большие объекты будут предоставлены в виде строки с кодировкой base64. Формат raw-in-base64-out сохраняет совместимость с поведением AWS CLI V1, а двоичные значения должны передаваться буквально. При предоставлении содержимого из файла, которое соответствует двоичному большому объекту, fileb:// всегда будет рассматриваться как двоичный и использовать содержимое файла напрямую, независимо от настройки cli-binary-format. При использовании file:// содержимое файла необходимо будет правильно отформатировать для настроенного cli-binary-format.

base64
raw-in-base64-out

--no-cli-pager (boolean)

Отключить пейджер cli для вывода.

--cli-auto-prompt (boolean)

Автоматически запрашивать параметры ввода CLI.

--no-cli-auto-prompt (boolean)

Отключить автоматический запрос параметров ввода CLI.

Вывод

AutoMLJobArn -> (string)

Уникальный ARN, присвоенный заданию AutoML при его создании.