create-auto-ml-job-v2

Описание

Создаёт задание Autopilot, также известное как эксперимент Autopilot или задание AutoML V2.

Задание AutoML в SageMaker AI — это полностью автоматизированный процесс, позволяющий создавать модели машинного обучения с минимальными усилиями и знаниями в области машинного обучения. При запуске задания AutoML вы предоставляете свои данные и, по желанию, указываете параметры, адаптированные под ваш случай. SageMaker AI затем автоматизирует весь жизненный цикл разработки модели, включая предварительную обработку данных, обучение модели, настройку и оценку. Задания AutoML предназначены для упрощения и ускорения процесса построения моделей, автоматизируя различные задачи и исследуя различные комбинации алгоритмов машинного обучения, методов предварительной обработки данных и значений гиперпараметров. Выходные данные задания AutoML включают одну или несколько обученных моделей, готовых к развертыванию и инференсу. Кроме того, задания AutoML SageMaker AI генерируют рейтинг кандидатов в модели, позволяющий выбрать лучшую модель для развертывания.

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

Задания AutoML V2 поддерживают различные типы задач, такие как регрессия, бинарная и многоклассовая классификация с табличными данными, классификация текста и изображений, прогнозирование временных рядов и дообучение больших языковых моделей (LLM) для генерации текста.

Примечание

CreateAutoMLJobV2 и DescribeAutoMLJobV2 являются новыми версиями CreateAutoMLJob и DescribeAutoMLJob, которые обеспечивают обратную совместимость.

CreateAutoMLJobV2 может обрабатывать типы задач с табличными данными, идентичные тем, что были в предыдущей версии CreateAutoMLJob, а также прогнозирование временных рядов, нетабличные типы задач, такие как классификация изображений или текста, и генерацию текста (дообучение LLM).

Инструкции по миграции CreateAutoMLJob в CreateAutoMLJobV2 см. в разделе «Миграция CreateAutoMLJob в CreateAutoMLJobV2».

Список поддерживаемых типов задач CreateAutoMLJobV2 см. в AutoMLProblemTypeConfig.

Лучшую модель после выполнения задания AutoML V2 можно найти, вызвав DescribeAutoMLJobV2.

См. также: Документация API AWS

Синопсис

  create-auto-ml-job-v2
--auto-ml-job-name <value>
--auto-ml-job-input-data-config <value>
--output-data-config <value>
--auto-ml-problem-type-config <value>
--role-arn <value>
[--tags <value>]
[--security-config <value>]
[--auto-ml-job-objective <value>]
[--model-deploy-config <value>]
[--data-split-config <value>]
[--auto-ml-compute-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]

Параметры

--auto-ml-job-name (строка)

Идентифицирует задание Autopilot. Название должно быть уникальным для вашей учетной записи и нечувствительно к регистру.

--auto-ml-job-input-data-config (список)

Массив объектов каналов, описывающих входные данные и их расположение. Каждый канал — это именованный источник входных данных. Аналогично атрибуту InputDataConfig в параметрах ввода CreateAutoMLJob. Поддерживаемые форматы зависят от типа задачи:

Для табличных типов задач: S3Prefix , ManifestFile .
Для классификации изображений: S3Prefix , ManifestFile , AugmentedManifestFile .
Для классификации текста: S3Prefix .
Для прогнозирования временных рядов: S3Prefix .
Для генерации текста (тонкая настройка LLMs): S3Prefix .

(структура)

Канал — это именованный источник входных данных, который могут использовать алгоритмы обучения. Этот канал используется для заданий AutoML V2 (задания, созданные вызовом CreateAutoMLJobV2).

ChannelType -> (строка)

Тип канала. Определяет, используются ли данные для обучения или проверки. Значение по умолчанию — training. Каналы для training и validation должны использовать тот же ContentType

Примечание

Тип канала по умолчанию — training для типа задачи прогнозирования временных рядов.

ContentType -> (строка)

Тип содержимого данных из источника входных данных. Допустимые типы содержимого для различных задач:

Для табличных типов задач: text/csv;header=present или x-application/vnd.amazon+parquet. Значение по умолчанию — text/csv;header=present.
Для классификации изображений: image/png , image/jpeg или image/*. Значение по умолчанию — image/*.
Для классификации текста: text/csv;header=present или x-application/vnd.amazon+parquet. Значение по умолчанию — text/csv;header=present.
Для прогнозирования временных рядов: text/csv;header=present или x-application/vnd.amazon+parquet. Значение по умолчанию — text/csv;header=present.
Для генерации текста (тонкая настройка LLMs): text/csv;header=present или x-application/vnd.amazon+parquet. Значение по умолчанию — text/csv;header=present.

CompressionType -> (строка)

Допустимые типы сжатия зависят от формата ввода и типа задачи. Мы поддерживаем тип сжатия Gzip для входов S3Prefix только для табличных данных. Для всех остальных входов тип сжатия должен быть None. Если тип сжатия не указан, он устанавливается по умолчанию в None.

DataSource -> (структура)

Источник данных для канала AutoML (обязательно).

S3DataSource -> (структура)

Расположение входных данных в Amazon S3.

S3DataType -> (строка)

Тип данных.

Если вы выбираете S3Prefix, S3Uri идентифицирует префикс имени ключа. SageMaker AI использует все объекты, соответствующие указанному префиксу имени ключа, для обучения модели. S3Prefix должен иметь следующий формат: s3://DOC-EXAMPLE-BUCKET/DOC-EXAMPLE-FOLDER-OR-FILE
Если вы выбираете ManifestFile, S3Uri идентифицирует объект, который является файлом манифеста, содержащим список ключей объектов, которые вы хотите использовать SageMaker AI для обучения модели. Файл ManifestFile должен иметь указанный ниже 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 выбираете AugmentedManifestFile, S3Uri идентифицирует объект, который является расширенным файлом манифеста в формате JSON-строк. Этот файл содержит данные, которые вы хотите использовать для обучения модели. AugmentedManifestFile доступен только для заданий API V2 (например, для заданий, созданных с помощью CreateAutoMLJobV2). Вот минимальный пример одного запися расширенного манифеста: {"source-ref": "s3://DOC-EXAMPLE-BUCKET/DOC-EXAMPLE-FOLDER/cats/cat.jpg", "label-metadata": {"class-name": "cat" } Для получения дополнительной информации об AugmentedManifestFile, см. Предоставление метаданных набора данных заданиям обучения с помощью расширенного файла манифеста.

S3Uri -> (строка)

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

Сокращенная запись:

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

Формат JSON:

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

--output-data-config (структура)

Предоставляет информацию о шифровании и пути вывода Amazon S3, необходимых для хранения артефактов из задания AutoML.

KmsKeyId -> (строка)

Идентификатор ключа шифрования Key Management Service.

S3OutputPath -> (строка)

Путь вывода Amazon S3. Длина не должна превышать 512 символов.

Сокращенная запись:

KmsKeyId=string,S3OutputPath=string

Формат JSON:

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

--auto-ml-problem-type-config (структура помеченных объединений)

Определяет параметры конфигурации одного из поддерживаемых типов задач.

Примечание

Это структура помеченных объединений. Можно установить только один из следующих верхних ключей: ImageClassificationJobConfig, TextClassificationJobConfig, TimeSeriesForecastingJobConfig, TabularJobConfig, TextGenerationJobConfig.

ImageClassificationJobConfig -> (структура)

Параметры для настройки задания AutoML V2 для типа задачи классификации изображений.

CompletionCriteria -> (структура)

Время выполнения задания или количество кандидатов, которое задание разрешено сгенерировать.

MaxCandidates -> (целое число)

Максимальное количество попыток выполнения задания обучения.

Для задач классификации текста и изображений, прогнозирования временных рядов, а также тонкой настройки текста (LLMs), поддерживаемое значение равно 1. Для табличных типов задач максимальное значение равно 750.

MaxRuntimePerTrainingJobInSeconds -> (целое число)

Максимальное время, в секундах, которое каждое задание обучения, выполняемое внутри настройки гиперпараметров, разрешено выполнять как часть задания настройки гиперпараметров. Для получения дополнительной информации см. параметр StoppingCondition, используемый действием CreateHyperParameterTuningJob.

Для заданий V2 (заданий, созданных с помощью вызова CreateAutoMLJobV2), этот параметр контролирует время выполнения кандидата задания.

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

MaxAutoMLJobRuntimeInSeconds -> (целое число)

Максимальное время выполнения задания AutoML в секундах.

Если задание AutoML превышает максимальное время выполнения, задание останавливается автоматически, и его обработка завершается плавно. Задание AutoML определяет лучшую модель, обучение которой было завершено, и отмечает её как лучшую по производительности модель. Любые незавершенные шаги задания, такие как автоматическое развертывание модели Autopilot одним щелчком мыши, не завершаются.

TextClassificationJobConfig -> (структура)

Параметры для настройки задания AutoML V2 для типа задачи классификации текста.

CompletionCriteria -> (структура)

Время выполнения задания или количество кандидатов, которое задание разрешено сгенерировать.

MaxCandidates -> (целое число)

Максимальное количество попыток выполнения задания обучения.

MaxRuntimePerTrainingJobInSeconds -> (целое число)

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

MaxAutoMLJobRuntimeInSeconds -> (целое число)

Максимальное время выполнения задания AutoML в секундах.

ContentColumn -> (строка)

Имя столбца, используемого для предоставления предложений, подлежащих классификации. Оно не должно совпадать с целевым столбцом.

TargetLabelColumn -> (строка)

Имя столбца, используемого для предоставления меток классов. Оно не должно совпадать со столбцом содержимого.

TimeSeriesForecastingJobConfig -> (структура)

Настройки для конфигурации задания AutoML V2 для типа задач прогнозирования временных рядов.

FeatureSpecificationS3Uri -> (строка)

URL к источнику данных Amazon S3, содержащему дополнительные выбранные признаки, дополняющие целевой признак, itemID, отметку времени и сгруппированные столбцы, заданные в TimeSeriesConfig . Если не указано, задание AutoML V2 включает все столбцы из исходного набора данных, которые ещё не объявлены в TimeSeriesConfig . Если указано, задание AutoML V2 рассматривает только эти дополнительные столбцы как дополнение к уже объявленным в TimeSeriesConfig .

Вы можете ввести FeatureAttributeNames (необязательно) в формате JSON, как показано ниже:

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

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

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

Autopilot поддерживает следующие типы данных: numeric , categorical , text и datetime .

Примечание

Ключи этих столбцов не должны включать столбцы, заданные в TimeSeriesConfig .

CompletionCriteria -> (структура)

Как долго разрешено выполнять задание или сколько кандидатов разрешено сгенерировать заданием.

MaxCandidates -> (целое число)

Максимальное количество раз, когда задание обучения может быть выполнено.

Для задач классификации текста и изображений, прогнозирования временных рядов, а также генерации текста (тонкая настройка LLMs) поддерживаемое значение равно 1. Для задач с табличными данными максимальное значение равно 750.

MaxRuntimePerTrainingJobInSeconds -> (целое число)

Максимальное время в секундах, которое может выполняться каждое задание обучения, выполненное внутри настройки гиперпараметров, в рамках задания настройки гиперпараметров. Дополнительную информацию см. в разделе StoppingCondition, используемой действием CreateHyperParameterTuningJob.

Для заданий V2 (задания, созданные вызовом CreateAutoMLJobV2 ), это поле управляет временем выполнения кандидата задания.

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

MaxAutoMLJobRuntimeInSeconds -> (целое число)

Максимальное время выполнения задания AutoML в секундах.

Если задание AutoML превышает максимальное время выполнения, задание автоматически останавливается, и его обработка завершается корректно. Задание AutoML определяет лучшую модель, обучение которой было завершено, и отмечает её как модель с наилучшими показателями. Любые незавершенные этапы задания, такие как автоматическое развертывание модели Autopilot одним щелчком мыши, не выполняются.

ForecastFrequency -> (строка)

Частота прогнозов в прогнозе.

Допустимые интервалы — целое число, за которым следуют Y (год), M (месяц), W (неделя), D (день), H (час) и min (минута). Например, 1D обозначает каждый день, а 15min обозначает каждые 15 минут. Значение частоты не должно перекрываться с более крупной частотой. Например, вам нужно использовать частоту 1H вместо 60min .

Допустимые значения для каждой частоты приведены ниже:

Минута - 1-59
Час - 1-23
День - 1-6
Неделя - 1-4
Месяц - 1-11
Год - 1

ForecastHorizon -> (целое число)

Количество временных шагов, которые модель прогнозирует. Горизонт прогноза также называется длиной прогноза. Максимальный горизонт прогноза — это меньшее из 500 временных шагов или 1/4 временных шагов в наборе данных.

ForecastQuantiles -> (список)

Квантили, используемые для обучения модели прогнозам в заданном квантиле. Вы можете указать квантили от 0.01 (p1) до 0.99 (p99) с шагом 0,01 или больше. Можно указать до пяти квантилей прогноза. Если ForecastQuantiles не указано, задание AutoML использует квантили p10, p50 и p90 по умолчанию.

(строка)

Transformations -> (структура)

Преобразования, изменяющие определённые атрибуты временного ряда, такие как стратегии заполнения пропущенных значений.

Filling -> (карта)

Пара ключ-значение, определяющая метод заполнения для столбца, где ключ — имя столбца, а значение — объект, определяющий логику заполнения. Вы можете указать несколько методов заполнения для одного столбца.

Поддерживаемые методы заполнения и соответствующие им параметры:

frontfill : none (Поддерживается только для целевого столбца)
middlefill : zero , value , median , mean , min , max
backfill : zero , value , median , mean , min , max
futurefill : zero , value , median , mean , min , max

Чтобы установить метод заполнения в конкретное значение, установите параметр fill в выбранное значение метода заполнения (например, "backfill" : "value" ) и определите значение заполнения в дополнительном параметре, начинающемся с «_value». Например, чтобы установить backfill в значение 2 , необходимо указать два параметра: "backfill": "value" и "backfill_value":"2" .

ключ -> (строка)

значение -> (карта)

ключ -> (строка)

значение -> (строка)

Aggregation -> (карта)

Пара ключ-значение, определяющая метод агрегации для столбца, где ключ — имя столбца, а значение — метод агрегации.

Поддерживаемые методы агрегации: sum (по умолчанию), avg , first , min , max .

Примечание

Агрегация поддерживается только для целевого столбца.

ключ -> (строка)

значение -> (строка)

TimeSeriesConfig -> (структура)

Коллекция компонентов, определяющих временной ряд.

TargetAttributeName -> (строка)

Имя столбца, представляющего целевую переменную, которую вы хотите предсказать для каждого элемента в вашем наборе данных. Тип данных целевой переменной должен быть числовым.

TimestampAttributeName -> (строка)

Имя столбца, указывающего момент времени, в который регистрируется целевое значение заданного элемента.

ItemIdentifierAttributeName -> (строка)

Имя столбца, представляющего набор идентификаторов элементов, для которых вы хотите предсказать целевое значение.

GroupingAttributeNames -> (список)

Набор имён столбцов, которые можно сгруппировать со столбцом идентификатора элементов, чтобы создать составной ключ, для которого прогнозируется целевое значение.

(строка)

HolidayConfig -> (список)

Коллекция атрибутов феатуризации праздников, используемых для включения информации о национальных праздниках в вашу модель прогнозирования.

(структура)

Хранит атрибуты феатуризации праздников, применимые к каждому элементу наборов данных временных рядов во время обучения модели прогнозирования. Это позволяет модели идентифицировать закономерности, связанные с конкретными праздниками.

CountryCode -> (строка)

Код страны для календаря праздников.

Список общедоступных календарей праздников, поддерживаемых заданием AutoML V2, см. в разделе Коды стран . Используйте код страны, соответствующий выбранной вами стране.

CandidateGenerationConfig -> (структура)

Хранит конфигурационную информацию о том, как генерируются кандидаты моделей с помощью задания AutoML V2.

AlgorithmsConfig -> (список)

Ваше задание Autopilot обучает набор алгоритмов по умолчанию на вашем наборе данных. Для табличных и временных рядов вы можете настроить список алгоритмов, выбрав подмножество алгоритмов для вашего типа задачи.

AlgorithmsConfig хранит настроенный выбор алгоритмов для обучения на ваших данных.

Для типа задачи с табличными данными ``TabularJobConfig`` , список доступных алгоритмов зависит от режима обучения, заданного в ` AutoMLJobConfig.Mode https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AutoMLJobConfig.html`__ .
- AlgorithmsConfig не должен быть установлен, когда режим обучения AutoMLJobConfig.Mode установлен в AUTO .
- Когда AlgorithmsConfig указан, один AutoMLAlgorithms атрибут должен быть установлен и только один. Если список алгоритмов, предоставленных в качестве значений для AutoMLAlgorithms , пуст, CandidateGenerationConfig использует весь набор алгоритмов для данного режима обучения.
- Когда AlgorithmsConfig не указан, CandidateGenerationConfig использует весь набор алгоритмов для данного режима обучения.

Список всех алгоритмов по каждому режиму обучения см. в разделе AlgorithmConfig .

Дополнительную информацию о каждом алгоритме см. в разделе Поддержка алгоритмов в руководстве разработчика Autopilot.

Для типа задачи прогнозирования временных рядов ``TimeSeriesForecastingJobConfig`` , выберите свои алгоритмы из списка, предоставленного в AlgorithmConfig . Дополнительную информацию о каждом алгоритме см. в разделе Поддержка алгоритмов для прогнозирования временных рядов в руководстве разработчика Autopilot.
- Когда AlgorithmsConfig указан, один AutoMLAlgorithms атрибут должен быть установлен и только один. Если список алгоритмов, предоставленных в качестве значений для AutoMLAlgorithms , пуст, CandidateGenerationConfig использует весь набор алгоритмов для прогнозирования временных рядов.
- Когда AlgorithmsConfig не указан, CandidateGenerationConfig использует весь набор алгоритмов для прогнозирования временных рядов.

(структура)

Выбор алгоритмов, обученных на ваших данных, для генерации кандидатов моделей для задания Autopilot.

AutoMLAlgorithms -> (список)

Выбор алгоритмов, обученных на ваших данных, для генерации кандидатов моделей для задания Autopilot.

Для типа задачи с табличными данными ``TabularJobConfig`` :

Примечание

Выбранные алгоритмы должны принадлежать 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”

(строка)

TabularJobConfig -> (структура)

Настройки для конфигурации задачи AutoML V2 для типа задачи с табличными данными (регрессия, классификация).

CandidateGenerationConfig -> (структура)

Конфигурация информации о том, как генерируются кандидаты моделей.

AlgorithmsConfig -> (список)

Ваша задача Autopilot обучает стандартный набор алгоритмов на вашем наборе данных. Для табличных и временных рядов вы можете настроить список алгоритмов, выбрав подмножество алгоритмов для своего типа задачи.

AlgorithmsConfig хранит настроенный выбор алгоритмов для обучения на ваших данных.

Для типа задачи с табличными данными ``TabularJobConfig`` , список доступных алгоритмов для выбора зависит от режима обучения, установленного в ` AutoMLJobConfig.Mode https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AutoMLJobConfig.html`__ .
- AlgorithmsConfig не должно быть установлено, когда режим обучения AutoMLJobConfig.Mode установлен на AUTO .
- Когда AlgorithmsConfig предоставлен, должен быть установлен один и только один атрибут AutoMLAlgorithms. Если список алгоритмов, предоставленных в качестве значений для AutoMLAlgorithms , пустой, 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 по режимам обучения см. в AlgorithmConfig.

Для типа задачи прогнозирования временных рядов ``TimeSeriesForecastingJobConfig`` , выбирайте свои алгоритмы из списка, предоставленного в AlgorithmConfig. Дополнительную информацию о каждом алгоритме см. в разделе Поддержка алгоритмов для прогнозирования временных рядов в руководстве разработчика Autopilot.
- Когда AlgorithmsConfig предоставлен, должен быть установлен один и только один атрибут AutoMLAlgorithms. Если список алгоритмов, предоставленных в качестве значений для AutoMLAlgorithms , пустой, CandidateGenerationConfig использует полный набор алгоритмов для прогнозирования временных рядов.
- Когда AlgorithmsConfig не предоставлен, CandidateGenerationConfig использует полный набор алгоритмов для прогнозирования временных рядов.

(структура)

Выбор алгоритмов, обученных на вашем наборе данных, для генерации кандидатов моделей для задачи Autopilot.

AutoMLAlgorithms -> (список)

Выбор алгоритмов, обученных на вашем наборе данных, для генерации кандидатов моделей для задачи Autopilot.

Для типа задачи с табличными данными ``TabularJobConfig`` :

Примечание

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”

(строка)

CompletionCriteria -> (структура)

Сколько времени разрешается работать задаче или сколько кандидатов разрешается сгенерировать задаче.

MaxCandidates -> (целое число)

Максимальное количество раз, которое разрешается запускать задачу обучения.

Для задач классификации текста и изображений, прогнозирования временных рядов, а также генерации текста (тонкой настройки LLMs) поддерживаемое значение равно 1. Для задач с табличными данными максимальное значение составляет 750.

MaxRuntimePerTrainingJobInSeconds -> (целое число)

Максимальное время в секундах, которое может работать каждая задача обучения, выполняемая внутри настройки гиперпараметров, как часть задачи настройки гиперпараметров. Дополнительную информацию см. в разделе StoppingCondition, используемой действием CreateHyperParameterTuningJob.

Для задач V2 (задач, созданных с помощью вызова CreateAutoMLJobV2 ), это поле управляет временем работы кандидата задачи.

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

MaxAutoMLJobRuntimeInSeconds -> (целое число)

Максимальное время выполнения задачи AutoML в секундах.

Если задача AutoML превышает максимальное время выполнения, задача автоматически останавливается, и ее обработка завершается корректно. Задача AutoML определяет лучшую модель, обучение которой было завершено, и помечает ее как лучшую модель по результатам работы. Любые незавершенные шаги задачи, такие как автоматическое развертывание модели Autopilot одним щелчком мыши, не выполняются.

FeatureSpecificationS3Uri -> (строка)

URL источника данных Amazon S3, содержащего выбранные атрибуты из входного источника данных для выполнения задачи Autopilot V2. Вы можете ввести FeatureAttributeNames (необязательно) в формате JSON, как показано ниже:

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

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

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

Примечание

Эти ключи столбцов могут не включать целевой столбец.

В режиме объединения 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 как FeatureDataTypes , так и FeatureAttributeNames , ключи столбцов должны быть подмножеством имен столбцов, предоставленных в FeatureAttributeNames .

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

Mode -> (строка)

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

Режим ENSEMBLING использует многослойную ансамблевую модель для прогнозирования задач классификации и регрессии непосредственно из вашего набора данных. Этот метод машинного обучения объединяет несколько базовых моделей, чтобы получить оптимальную предсказательную модель. Затем он использует метод ансамблирования стека для объединения предсказаний входящих членов. Многослойная ансамблевая модель может обеспечить лучшую производительность по сравнению с одной моделью, комбинируя предсказательные возможности нескольких моделей. См. поддержку алгоритмов Autopilot для 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 списка алгоритмов, поддерживаемых режимом HYPERPARAMETER_TUNING.

GenerateCandidateDefinitionsOnly -> (булево)

Генерирует потенциальных кандидатов без обучения моделей. Кандидат модели — это сочетание предобработчиков данных, алгоритмов и настроек параметров алгоритмов.

ProblemType -> (строка)

Тип задачи обучения с учителем, доступный для кандидатов моделей задачи AutoML V2. Дополнительную информацию см. в типах задач SageMaker Autopilot.

Примечание

Вы должны либо указать тип задачи обучения с учителем в ProblemType и предоставить метрику AutoMLJobObjective, либо вообще ничего не указывать.

TargetAttributeName -> (строка)

Имя целевой переменной в задачах обучения с учителем, обычно представленной символом ‘y’.

SampleWeightAttributeName -> (строка)

Если указано, это имя столбца указывает, какой столбец набора данных должен обрабатываться как веса выборок для использования метрикой целевой функции во время обучения, оценки и выбора лучшей модели. Этот столбец не рассматривается как предиктор. Дополнительную информацию о метриках Autopilot см. в разделах Метрики и проверка.

Веса выборок должны быть числовыми, неотрицательными, где более высокие значения указывают, какие строки важнее других. Точки данных с недопустимыми или отсутствующими значениями веса исключаются.

Поддержка весов выборок доступна только в режиме объединения.

TextGenerationJobConfig -> (структура)

Настройки для конфигурирования задания AutoML V2 для типа задачи генерации текста (тонкая настройка LLMs).

Примечание

В настоящее время модели генерации текста, поддерживающие тонкую настройку в Autopilot, доступны только в регионах, поддерживаемых Canvas. Обратитесь к документации Canvas для получения полного списка поддерживаемых регионов.

CompletionCriteria -> (структура)

Сколько времени разрешено работать заданию тонкой настройки. Для задач типа TextGenerationJobConfig атрибут MaxRuntimePerTrainingJobInSeconds у AutoMLJobCompletionCriteria по умолчанию равен 72 ч (259200 с).

MaxCandidates -> (целое число)

Максимальное количество попыток выполнения задания обучения.

Для задач классификации текста и изображений, прогнозирования временных рядов, а также тонкой настройки LLMs для генерации текста поддерживается значение 1. Для задач с табличными данными максимальное значение равно 750.

MaxRuntimePerTrainingJobInSeconds -> (целое число)

Максимальное время в секундах, которое каждое задание обучения, выполняемое в рамках настройки гиперпараметров, может работать в рамках задания настройки гиперпараметров. Дополнительную информацию см. в разделе StoppingCondition, используемом действием CreateHyperParameterTuningJob.

Для заданий V2 (задания, созданные путем вызова CreateAutoMLJobV2 ), это поле контролирует время выполнения кандидата задания.

Для задач типа TextGenerationJobConfig максимальное время по умолчанию равно 72 часам (259200 секундам).

MaxAutoMLJobRuntimeInSeconds -> (целое число)

Максимальное время выполнения задания AutoML в секундах.

Если задание AutoML превысит максимальное время выполнения, задание будет автоматически остановлено, и его обработка будет завершена корректно. Задание AutoML определит лучшую модель, обучение которой было завершено, и отметит её как лучшую модель. Любые незавершенные шаги задания, такие как автоматическое развертывание модели Autopilot одним щелчком мыши, не будут завершены.

BaseModelName -> (строка)

Имя базовой модели для тонкой настройки. Autopilot поддерживает тонкую настройку различных больших языковых моделей. Информацию о списке поддерживаемых моделей см. в разделе Модели генерации текста, поддерживающие тонкую настройку в Autopilot. Если BaseModelName не указано, по умолчанию используется модель Falcon7BInstruct.

TextGenerationHyperParameters -> (карта)

Гиперпараметры, используемые для конфигурирования и оптимизации процесса обучения базовой модели. Вы можете установить любую комбинацию следующих гиперпараметров для всех базовых моделей. Дополнительную информацию о каждом поддерживаемом гиперпараметре см. в разделе Оптимизация процесса обучения ваших моделей генерации текста с помощью гиперпараметров.

"epochCount" : Количество проходов модели через весь набор данных обучения. Его значение должно быть строкой, содержащей целое число в диапазоне от «1» до «10».
"batchSize" : Количество образцов данных, используемых в каждом итерации обучения. Его значение должно быть строкой, содержащей целое число в диапазоне от «1» до «64».
"learningRate" : Размер шага, с которым обновляются параметры модели во время обучения. Его значение должно быть строкой, содержащей число с плавающей точкой в диапазоне от «0» до «1».
"learningRateWarmupSteps" : Количество шагов обучения, на которых скорость обучения постепенно увеличивается, прежде чем достигнет своего целевого или максимального значения. Его значение должно быть строкой, содержащей целое число в диапазоне от «0» до «250».

Вот пример конфигурации всех четырех гиперпараметров.

{ "epochCount":"5", "learningRate":"0.5", "batchSize": "32", "learningRateWarmupSteps": "10" }

key -> (строка)

value -> (строка)

ModelAccessConfig -> (структура)

Файл конфигурации доступа для управления доступом к модели ML. Вы можете явно принять соглашение об использовании модели конечным пользователем (EULA) в поле ModelAccessConfig.

Если вы пользователь Jumpstart, см. раздел Соглашения об использовании конечным пользователем для получения дополнительных сведений о принятии EULA.
Если вы пользователь AutoML, см. раздел Дополнительные параметры в разделе Создание задания AutoML для тонкой настройки моделей генерации текста с помощью API для получения подробностей о том, как установить принятие EULA при тонкой настройке модели с помощью API AutoML.

AcceptEula -> (логическое значение)

Указывает на согласие с соглашением об использовании модели конечным пользователем (EULA). Значение AcceptEula должно быть явно определено как True для принятия EULA, требуемого этой моделью. Вы несете ответственность за ознакомление и соблюдение всех применимых лицензионных условий и убедитесь, что они приемлемы для вашего случая использования перед загрузкой или использованием модели.

Синтаксис JSON:

{
  "ImageClassificationJobConfig": {
    "CompletionCriteria": {
      "MaxCandidates": integer,
      "MaxRuntimePerTrainingJobInSeconds": integer,
      "MaxAutoMLJobRuntimeInSeconds": integer
    }
  },
  "TextClassificationJobConfig": {
    "CompletionCriteria": {
      "MaxCandidates": integer,
      "MaxRuntimePerTrainingJobInSeconds": integer,
      "MaxAutoMLJobRuntimeInSeconds": integer
    },
    "ContentColumn": "string",
    "TargetLabelColumn": "string"
  },
  "TimeSeriesForecastingJobConfig": {
    "FeatureSpecificationS3Uri": "string",
    "CompletionCriteria": {
      "MaxCandidates": integer,
      "MaxRuntimePerTrainingJobInSeconds": integer,
      "MaxAutoMLJobRuntimeInSeconds": integer
    },
    "ForecastFrequency": "string",
    "ForecastHorizon": integer,
    "ForecastQuantiles": ["string", ...],
    "Transformations": {
      "Filling": {"string": {"frontfill"|"middlefill"|"backfill"|"futurefill"|"frontfill_value"|"middlefill_value"|"backfill_value"|"futurefill_value": "string"
            ...}
        ...},
      "Aggregation": {"string": "sum"|"avg"|"first"|"min"|"max"
        ...}
    },
    "TimeSeriesConfig": {
      "TargetAttributeName": "string",
      "TimestampAttributeName": "string",
      "ItemIdentifierAttributeName": "string",
      "GroupingAttributeNames": ["string", ...]
    },
    "HolidayConfig": [
      {
        "CountryCode": "string"
      }
      ...
    ],
    "CandidateGenerationConfig": {
      "AlgorithmsConfig": [
        {
          "AutoMLAlgorithms": ["xgboost"|"linear-learner"|"mlp"|"lightgbm"|"catboost"|"randomforest"|"extra-trees"|"nn-torch"|"fastai"|"cnn-qr"|"deepar"|"prophet"|"npts"|"arima"|"ets", ...]
        }
        ...
      ]
    }
  },
  "TabularJobConfig": {
    "CandidateGenerationConfig": {
      "AlgorithmsConfig": [
        {
          "AutoMLAlgorithms": ["xgboost"|"linear-learner"|"mlp"|"lightgbm"|"catboost"|"randomforest"|"extra-trees"|"nn-torch"|"fastai"|"cnn-qr"|"deepar"|"prophet"|"npts"|"arima"|"ets", ...]
        }
        ...
      ]
    },
    "CompletionCriteria": {
      "MaxCandidates": integer,
      "MaxRuntimePerTrainingJobInSeconds": integer,
      "MaxAutoMLJobRuntimeInSeconds": integer
    },
    "FeatureSpecificationS3Uri": "string",
    "Mode": "AUTO"|"ENSEMBLING"|"HYPERPARAMETER_TUNING",
    "GenerateCandidateDefinitionsOnly": true|false,
    "ProblemType": "BinaryClassification"|"MulticlassClassification"|"Regression",
    "TargetAttributeName": "string",
    "SampleWeightAttributeName": "string"
  },
  "TextGenerationJobConfig": {
    "CompletionCriteria": {
      "MaxCandidates": integer,
      "MaxRuntimePerTrainingJobInSeconds": integer,
      "MaxAutoMLJobRuntimeInSeconds": integer
    },
    "BaseModelName": "string",
    "TextGenerationHyperParameters": {"string": "string"
      ...},
    "ModelAccessConfig": {
      "AcceptEula": true|false
    }
  }
}

--role-arn (строка)

ARN роли, используемой для доступа к данным.

--tags (список)

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

(структура)

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, группам работы, конфигурациям конечных точек и конечным точкам. Дополнительную информацию об добавлении тегов к ресурсам SageMaker см. в разделе AddTags.

Дополнительную информацию о добавлении метаданных к вашим ресурсам Amazon Web Services с помощью тегов см. в разделе Маркирование ресурсов Amazon Web Services. Советы по лучшим практикам управления ресурсами Amazon Web Services с помощью тегов см. в разделе Лучшие практики по тегам: реализация эффективной стратегии маркировки ресурсов Amazon Web Services.

Key -> (строка)

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

Value -> (строка)

Значение тега.

Упрощенный синтаксис:

Key=string,Value=string ...

Синтаксис JSON:

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

--security-config (структура)

Настройка безопасности для шифрования трафика или параметров Amazon VPC.

VolumeKmsKeyId -> (строка)

Ключ, используемый для шифрования хранимых данных.

EnableInterContainerTrafficEncryption -> (логическое значение)

Используется ли шифрование трафика между слоями контейнера.

VpcConfig -> (структура)

Конфигурация VPC.

SecurityGroupIds -> (список)

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

(строка)

Subnets -> (список)

Идентификатор подсетей в VPC, к которым вы хотите подключить задание обучения или модель. Информацию о доступности определенных типов экземпляров см. в разделе Поддерживаемые типы экземпляров и доступные зоны.

(строка)

Упрощенный синтаксис:

VolumeKmsKeyId=string,EnableInterContainerTrafficEncryption=boolean,VpcConfig={SecurityGroupIds=[string,string],Subnets=[string,string]}

Синтаксис JSON:

{
  "VolumeKmsKeyId": "string",
  "EnableInterContainerTrafficEncryption": true|false,
  "VpcConfig": {
    "SecurityGroupIds": ["string", ...],
    "Subnets": ["string", ...]
  }
}

--auto-ml-job-objective (структура)

Указывает метрику для минимизации или максимизации как цель задания. Если не указано, метрика по умолчанию зависит от типа задачи. Список значений по умолчанию для каждого типа задачи см. в разделе AutoMLJobObjective.

Примечание

Для задач с табличными данными: Вы должны либо указать и указать тип задачи контролируемого обучения в AutoMLProblemTypeConfig (TabularJobConfig.ProblemType ), либо не указывать ничего.
Для задач генерации текста (тонкая настройка LLMs): Тонкая настройка языковых моделей в Autopilot не требует установки поля AutoMLJobObjective. Autopilot выполняет тонкую настройку LLMs без необходимости обучения и оценки нескольких кандидатов. Вместо этого, используя ваши данные, Autopilot напрямую выполняет тонкую настройку вашей целевой модели для повышения значения метрики по умолчанию — перекрестной энтропии. После тонкой настройки языковой модели вы можете оценить качество сгенерированного текста с помощью различных метрик. Список доступных метрик см. в разделе Метрики для тонкой настройки LLMs в Autopilot.

MetricName -> (строка)

Имя целевой метрики, используемой для измерения предсказательной точности системы машинного обучения. Во время обучения параметры модели обновляются итеративно для оптимизации её производительности на основе обратной связи, предоставляемой целевой метрикой при оценке модели на проверочном наборе данных.

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

Для задач с табличными данными:
- Список доступных метрик:
  - Регрессия: MAE , MSE , R2 , RMSE
  - Двоичная 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.
- Метрики по умолчанию:
  - Регрессия: MSE.
  - Двоичная классификация: F1.
  - Многоклассовая классификация: Accuracy.
Для задач классификации изображений или текста:
- Список доступных метрик: Accuracy. Описание каждой метрики см. в разделе Метрики Autopilot для классификации текста и изображений.
- Метрики по умолчанию: Accuracy
Для 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.
- Метрики по умолчанию: AverageWeightedQuantileLoss
Для задач генерации текста (тонкая настройка LLMs): Тонкая настройка языковых моделей в Autopilot не требует установки поля AutoMLJobObjective. Autopilot выполняет тонкую настройку LLMs без необходимости обучения и оценки нескольких кандидатов. Вместо этого, используя ваши данные, Autopilot напрямую выполняет тонкую настройку вашей целевой модели для повышения значения метрики по умолчанию — перекрестной энтропии. После тонкой настройки языковой модели вы можете оценить качество сгенерированного текста с помощью различных метрик. Список доступных метрик см. в разделе Метрики для тонкой настройки LLMs в Autopilot.

Упрощенный синтаксис:

MetricName=string

Синтаксис JSON:

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

--model-deploy-config (структура)

Указывает, как сгенерировать имя конечной точки для автоматизированного однощелчкового развертывания модели Autopilot.

AutoGenerateEndpointName -> (логическое значение)

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

Примечание

Если вы установите AutoGenerateEndpointName в значение True, не указывайте EndpointName; в противном случае будет выброшено сообщение об ошибке 400.

EndpointName -> (строка)

Указывает имя конечной точки для использования при однощелчковом развертывании модели Autopilot, если имя конечной точки не генерируется автоматически.

Примечание

Укажите EndpointName только в том случае, если вы установили AutoGenerateEndpointName в значение False; в противном случае будет выброшено сообщение об ошибке 400.

Краткая запись синтаксиса:

AutoGenerateEndpointName=boolean,EndpointName=string

Синтаксис JSON:

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

--data-split-config (структура)

Эта структура указывает, как разделить данные на обучающую и проверочную выборки.

Обучающая и проверочная выборки должны содержать одинаковые заголовки. Для задач, созданных с помощью вызова CreateAutoMLJob, проверочная выборка должна быть меньше 2 ГБ.

Примечание

Этот атрибут не должен быть задан для типа задачи прогнозирования временных рядов, так как Autopilot автоматически разделяет входные данные на обучающую и проверочную выборки.

ValidationFraction -> (вещественное число)

Доля проверочной выборки (необязательно) — это вещественное число, определяющее долю обучающей выборки, используемой для проверки. Значение по умолчанию — 0,2, а значения должны быть больше 0 и меньше 1. Рекомендуется задавать это значение меньше 0,5.

Краткая запись синтаксиса:

ValidationFraction=float

Синтаксис JSON:

{
  "ValidationFraction": float
}

--auto-ml-compute-config (структура)

Указывает конфигурацию вычислительных ресурсов для задачи AutoML V2.

EmrServerlessComputeConfig -> (структура)

Конфигурация для использования EMR Serverless для выполнения задачи AutoML V2.

Чтобы позволить вашей задаче AutoML V2 автоматически инициировать удаленную задачу на EMR Serverless, когда для обработки больших наборов данных потребуется дополнительных вычислительных ресурсов, вам необходимо предоставить объект EmrServerlessComputeConfig, который включает атрибут ExecutionRoleARN, в параметр AutoMLComputeConfig запроса на ввод для задачи AutoML V2.

Благодаря бесшовной переходу на EMR Serverless при необходимости задача AutoML может обрабатывать наборы данных, которые в противном случае превысят первоначально выделенные ресурсы, без вашего вмешательства.

EMR Serverless доступен для задач с табличными и временными рядами. Рекомендуется использовать этот параметр для табличных наборов данных, превышающих 5 ГБ, и наборов данных временных рядов, превышающих 30 ГБ.

ExecutionRoleARN -> (строка)

ARN роли IAM, предоставляющей задаче AutoML V2 необходимые разрешения для доступа к списку, подключению или управлению заданиями EMR Serverless. Дополнительную информацию о необходимых разрешениях этой роли см. в разделе «Как настроить AutoML для инициирования удаленной задачи на EMR Serverless для больших наборов данных» в статье «Создание задачи регрессии или классификации для табличных данных с помощью API AutoML» или «Создание задачи AutoML для прогнозирования временных рядов с использованием API».

Краткая запись синтаксиса:

EmrServerlessComputeConfig={ExecutionRoleARN=string}

Синтаксис JSON:

{
  "EmrServerlessComputeConfig": {
    "ExecutionRoleARN": "string"
  }
}

--cli-input-json | --cli-input-yaml (строка) Считывает аргументы из предоставленной строки JSON. Строка JSON следует формату, предоставленному --generate-cli-skeleton. Если другие аргументы предоставлены в командной строке, эти значения переопределят значения, предоставленные в JSON. Невозможно передавать произвольные двоичные значения с использованием значения, предоставленного в JSON, поскольку строка будет интерпретироваться буквально. Этот параметр не может быть указан вместе с --cli-input-yaml.

--generate-cli-skeleton (строка) Выводит JSON-каркас в стандартный вывод без отправки запроса к API. Если указано без значения или со значением 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, выполняется проверка входных данных команды и возвращается пример выходного JSON для этой команды. Сгенерированный JSON-каркас не является стабильным между версиями AWS CLI, и нет гарантий обратной совместимости в сгенерированном JSON-каркасе.

Глобальные параметры

--debug (логическое значение)

Включить отладку логирования.

--endpoint-url (строка)

Переопределить URL по умолчанию команды указанным URL.

--no-verify-ssl (логическое значение)

По умолчанию AWS CLI использует SSL при общении с AWS-сервисами. Для каждого подключения SSL AWS CLI проверяет сертификаты SSL. Этот параметр переопределяет поведение проверки сертификатов SSL по умолчанию.

--no-paginate (логическое значение)

Отключить автоматическую постраничную навигацию. Если автоматическая постраничная навигация отключена, AWS CLI выполнит только один вызов для первой страницы результатов.

--output (строка)

Стиль форматирования выходных данных команды.

json
text
table
yaml
yaml-stream

--query (строка)

Запрос JMESPath для фильтрации данных ответа.

--profile (строка)

Использование определенного профиля из вашего файла учетных данных.

--region (строка)

Регион для использования. Переопределяет настройки конфигурации/окружения.

--version (строка)

Отобразить версию этого инструмента.

--color (строка)

Включить/выключить цветной вывод.

on
off
auto

--no-sign-request (логическое значение)

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

--ca-bundle (строка)

Сборник сертификатов CA для использования при проверке сертификатов SSL. Переопределяет настройки конфигурации/окружения.

--cli-read-timeout (целое число)

Максимальное время чтения сокета в секундах. Если значение равно 0, чтение сокета будет выполняться в блокирующем режиме и не будет иметь таймаута. Значение по умолчанию — 60 секунд.

--cli-connect-timeout (целое число)

Максимальное время подключения к сокету в секундах. Если значение равно 0, подключение к сокету будет выполняться в блокирующем режиме и не будет иметь таймаута. Значение по умолчанию — 60 секунд.

--cli-binary-format (строка)

Стиль форматирования, который будет использоваться для двоичных блоков. Формат по умолчанию — base64. Формат base64 ожидает, что двоичные блоки будут предоставлены в виде закодированной в base64 строки. Формат raw-in-base64-out сохраняет совместимость с поведением AWS CLI V1, и двоичные значения должны передаваться буквально. При предоставлении содержимого из файла, которое соответствует двоичному блоку, fileb:// всегда будет обрабатываться как двоичный, и будет использоваться содержимое файла напрямую независимо от настройки cli-binary-format. При использовании file:// содержимое файла должно быть должным образом отформатировано для заданной настройки cli-binary-format.

base64
raw-in-base64-out

--no-cli-pager (логическое значение)

Отключить диспетчер cli для вывода.

--cli-auto-prompt (логическое значение)

Автоматически запросить параметры входных данных CLI.

--no-cli-auto-prompt (логическое значение)

Отключить автоматический запрос параметров входных данных CLI.

Вывод

AutoMLJobArn -> (строка)

Уникальный ARN, присвоенный AutoMLJob при его создании.