下の画像をご覧ください

実行クラスの get_all_logs メソッドは、実行のすべてのログをディレクトリにダウンロードします。
実行クラス get_details は、実行の定義、ステータス情報、現在のログ ファイル、その他の詳細を取得します。
参照：
https://docs.microsoft.com/en-us/python/api/azureml-core/azureml.core.run(クラス)

説明/参照:
C: ベイジアン サンプリングはベイジアン最適化アルゴリズムに基づいており、次にサンプリングするハイパーパラメータ値をインテリジェントに選択します。以前のサンプルのパフォーマンスに基づいてサンプルが選択され、新しいサンプルによって報告された主要なメトリックが改善されます。
ベイジアンサンプリングはいかなる早期終了ポリシーもサポートしない
例：
azureml.train.hyperdrive から BayesianParameterSampling をインポートします
azureml.train.hyperdrive から、uniform、choice をインポートします。
param_sampling = ベイジアンパラメータサンプリング( {
"学習率": 均一(0.05, 0.1),
"batch_size": 選択肢(16, 32, 64, 128)
}
）
D: ランダム サンプリングでは、ハイパーパラメータの値は定義された検索空間からランダムに選択されます。ランダム サンプリングでは、検索空間に離散ハイパーパラメータと連続ハイパーパラメータの両方を含めることができます。
誤った回答:
B: ハイパーパラメータ空間を離散値の中から選択して定義でき、定義された検索空間内のすべての値を徹底的に検索するのに十分な予算がある場合、グリッド サンプリングを使用できます。
さらに、パフォーマンスの低い実行を自動的に早期終了できるため、リソースの無駄が削減されます。
たとえば、次のスペースには合計 6 つのサンプルがあります。
azureml.train.hyperdrive から GridParameterSampling をインポートします
azureml.train.hyperdrive からインポートの選択
param_sampling = グリッドパラメータサンプリング( {
"num_hidden_​​layers": 選択肢(1, 2, 3),
"バッチサイズ": 選択肢(16, 32)
}
）
参照：
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-tune-hyperparameters

参照：
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-machine-learning-interpretability-aml