Chức năng

Các chức năng sau đây có sẵn trên toàn cầu.

  • Trả về tổn thất L1 giữa dự đoán và kỳ vọng.

    Tuyên ngôn

    @differentiable(wrt: predicted)
@differentiable(wrt: (predicted, expected)
public func l1Loss<Scalar: TensorFlowFloatingPoint>(
  predicted: Tensor<Scalar>,
  expected: Tensor<Scalar>
) -> Tensor<Scalar>

    Thông số

    predicted

    Kết quả dự đoán từ mạng nơ-ron.

    expected

    Giá trị mong đợi, tức là mục tiêu, tương ứng với đầu ra chính xác.

  • Trả về sự mất mát L2 giữa dự đoán và kỳ vọng.

    Tuyên ngôn

    @differentiable(wrt: predicted)
@differentiable(wrt: (predicted, expected)
public func l2Loss<Scalar: TensorFlowFloatingPoint>(
  predicted: Tensor<Scalar>,
  expected: Tensor<Scalar>
) -> Tensor<Scalar>

    Thông số

    predicted

    Đầu ra dự đoán từ mạng nơ-ron.

    expected

    Giá trị mong đợi, tức là mục tiêu, tương ứng với đầu ra chính xác.

  • Trả về khoảng mất bản lề giữa dự đoán và kỳ vọng.

    Tuyên ngôn

    @differentiable(wrt: predicted)
@differentiable(wrt: (predicted, expected)
public func hingeLoss<Scalar: TensorFlowFloatingPoint>(
  predicted: Tensor<Scalar>,
  expected: Tensor<Scalar>
) -> Tensor<Scalar>

    Thông số

    predicted

    Kết quả dự đoán từ mạng nơ-ron.

    expected

    Giá trị mong đợi, tức là mục tiêu, tương ứng với đầu ra chính xác.

  • Trả về tổn thất bản lề bình phương giữa dự đoán và kỳ vọng.

    Tuyên ngôn

    @differentiable(wrt: predicted)
@differentiable(wrt: (predicted, expected)
public func squaredHingeLoss<Scalar: TensorFlowFloatingPoint>(
  predicted: Tensor<Scalar>,
  expected: Tensor<Scalar>
) -> Tensor<Scalar>

    Thông số

    predicted

    Kết quả dự đoán từ mạng nơ-ron.

    expected

    Giá trị mong đợi, tức là mục tiêu, tương ứng với đầu ra chính xác.

  • Trả về tổn thất bản lề phân loại giữa dự đoán và kỳ vọng.

    Tuyên ngôn

    @differentiable(wrt: predicted)
@differentiable(wrt: (predicted, expected)
public func categoricalHingeLoss<Scalar: TensorFlowFloatingPoint>(
  predicted: Tensor<Scalar>,
  expected: Tensor<Scalar>
) -> Tensor<Scalar>

    Thông số

    predicted

    Kết quả dự đoán từ mạng nơ-ron.

    expected

    Giá trị mong đợi, tức là mục tiêu, tương ứng với đầu ra chính xác.

  • Trả về logarit của cosin hyperbol của sai số giữa dự đoán và kỳ vọng.

    Tuyên ngôn

    @differentiable(wrt: predicted)
@differentiable(wrt: (predicted, expected)
public func logCoshLoss<Scalar: TensorFlowFloatingPoint>(
  predicted: Tensor<Scalar>,
  expected: Tensor<Scalar>
) -> Tensor<Scalar>

    Thông số

    predicted

    Kết quả dự đoán từ mạng nơ-ron.

    expected

    Giá trị mong đợi, tức là mục tiêu, tương ứng với đầu ra chính xác.

  • Trả về sự mất mát Poisson giữa dự đoán và kỳ vọng.

    Tuyên ngôn

    @differentiable(wrt: predicted)
@differentiable(wrt: (predicted, expected)
public func poissonLoss<Scalar: TensorFlowFloatingPoint>(
  predicted: Tensor<Scalar>,
  expected: Tensor<Scalar>
) -> Tensor<Scalar>

    Thông số

    predicted

    Kết quả dự đoán từ mạng nơ-ron.

    expected

    Giá trị mong đợi, tức là mục tiêu, tương ứng với đầu ra chính xác.

  • Trả về phân kỳ Kullback-Leibler (phân kỳ KL) giữa kỳ vọng và dự đoán. Với hai phân bố p và q , KL phân kỳ tính p * log(p / q) .

    Tuyên ngôn

    @differentiable(wrt: predicted)
@differentiable(wrt: (predicted, expected)
public func kullbackLeiblerDivergence<Scalar: TensorFlowFloatingPoint>(
  predicted: Tensor<Scalar>,
  expected: Tensor<Scalar>
) -> Tensor<Scalar>

    Thông số

    predicted

    Kết quả dự đoán từ mạng nơ-ron.

    expected

    Giá trị mong đợi, tức là mục tiêu, tương ứng với đầu ra chính xác.

  • Trả về entropy chéo softmax (entropy chéo phân loại) giữa logits và nhãn.

    Tuyên ngôn

    @differentiable(wrt: logits)
public func softmaxCrossEntropy<Scalar: TensorFlowFloatingPoint>(
  logits: Tensor<Scalar>,
  probabilities: Tensor<Scalar>
) -> Tensor<Scalar>

    Thông số

    logits

    Đầu ra được mã hóa một nóng từ mạng nơ-ron.

    labels

    Các chỉ số (không lập chỉ mục) của các đầu ra chính xác.

  • Trả về entropy chéo sigmoid (entropy chéo nhị phân) giữa logits và nhãn.

    Tuyên ngôn

    @differentiable(wrt: logits)
@differentiable(wrt: (logits, labels)
public func sigmoidCrossEntropy<Scalar: TensorFlowFloatingPoint>(
  logits: Tensor<Scalar>,
  labels: Tensor<Scalar>
) -> Tensor<Scalar>

    Thông số

    logits

    Đầu ra chưa được chia tỷ lệ của mạng nơ-ron.

    labels

    Giá trị số nguyên tương ứng với đầu ra chính xác.

  • Trả về một tensor có cùng hình dạng và vô hướng như tensor đã chỉ định.

    Tuyên ngôn

    @differentiable
public func identity<Scalar>(_ x: Tensor<Scalar>) -> Tensor<Scalar> where Scalar : TensorFlowScalar

  • Gọi lệnh đóng đã cho trong một ngữ cảnh có mọi thứ giống hệt với ngữ cảnh hiện tại ngoại trừ giai đoạn học đã cho.

    Tuyên ngôn

    public func withContext<R>(_ context: Context, _ body: () throws -> R) rethrows -> R

    Thông số

    context

    Một ngữ cảnh sẽ được đặt trước khi lệnh đóng được gọi và được khôi phục sau khi lệnh đóng trở lại.

    body

    Một sự đóng cửa vô hiệu. Nếu việc đóng cửa có giá trị trả về, giá trị đó cũng được sử dụng như giá trị trả về của withContext(_:_:) chức năng.

    Giá trị trả lại

    Giá trị trả về, nếu có, của body đóng cửa.

  • Gọi lệnh đóng đã cho trong một ngữ cảnh có mọi thứ giống hệt với ngữ cảnh hiện tại ngoại trừ giai đoạn học đã cho.

    Tuyên ngôn

    public func withLearningPhase<R>(
  _ learningPhase: LearningPhase,
  _ body: () throws -> R
) rethrows -> R

    Thông số

    learningPhase

    Một giai đoạn học tập sẽ được thiết lập trước khi quá trình đóng được gọi và được khôi phục sau khi quá trình đóng trở lại.

    body

    Một sự đóng cửa vô hiệu. Nếu việc đóng cửa có giá trị trả về, giá trị đó cũng được sử dụng như giá trị trả về của withLearningPhase(_:_:) chức năng.

    Giá trị trả lại

    Giá trị trả về, nếu có, của body đóng cửa.

  • Gọi bao đóng đã cho trong một ngữ cảnh có mọi thứ giống với ngữ cảnh hiện tại ngoại trừ hạt giống ngẫu nhiên đã cho.

    Tuyên ngôn

    public func withRandomSeedForTensorFlow<R>(
  _ randomSeed: TensorFlowSeed,
  _ body: () throws -> R
) rethrows -> R

    Thông số

    randomSeed

    Một hạt giống ngẫu nhiên sẽ được đặt trước khi lệnh đóng được gọi và được khôi phục sau khi lệnh đóng trở lại.

    body

    Một sự đóng cửa vô hiệu. Nếu việc đóng cửa có giá trị trả về, giá trị đó cũng được sử dụng như giá trị trả về của withRandomSeedForTensorFlow(_:_:) chức năng.

    Giá trị trả lại

    Giá trị trả về, nếu có, của body đóng cửa.

  • Gọi bao đóng đã cho trong một ngữ cảnh có mọi thứ giống hệt với ngữ cảnh hiện tại ngoại trừ trình tạo số ngẫu nhiên đã cho.

    Tuyên ngôn

    public func withRandomNumberGeneratorForTensorFlow<G: RandomNumberGenerator, R>(
  _ randomNumberGenerator: inout G,
  _ body: () throws -> R
) rethrows -> R

    Thông số

    randomNumberGenerator

    Một trình tạo số ngẫu nhiên sẽ được thiết lập trước khi lệnh đóng được gọi và được khôi phục sau khi lệnh đóng trả về.

    body

    Một sự đóng cửa vô hiệu. Nếu việc đóng cửa có giá trị trả về, giá trị đó cũng được sử dụng như giá trị trả về của withRandomNumberGeneratorForTensorFlow(_:_:) chức năng.

    Giá trị trả lại

    Giá trị trả về, nếu có, của body đóng cửa.

  • Tuyên ngôn

    public func zip<T: TensorGroup, U: TensorGroup>(
  _ dataset1: Dataset<T>, _ dataset2: Dataset<U>
) -> Dataset<Zip2TensorGroup<T, U>>

  • LazyTensorBarrier đảm bảo tất cả các bộ căng trực tiếp (trên thiết bị nếu được cung cấp) được lên lịch và chạy. Nếu thời gian chờ được đặt thành true, lệnh gọi này sẽ chặn cho đến khi quá trình tính toán hoàn tất.

    Tuyên ngôn

    public func LazyTensorBarrier(on device: Device? = nil, devices: [Device] = [], wait: Bool = false)

  • Tuyên ngôn

    public func valueWithGradient<T, R>(
  at x: T,
  in f: @differentiable (T) -> Tensor<R>
) -> (value: Tensor<R>, gradient: T.TangentVector)
where T: Differentiable, R: TensorFlowFloatingPoint

  • Tuyên ngôn

    public func valueWithGradient<T, U, R>(
  at x: T,
  _ y: U,
  in f: @differentiable (T, U) -> Tensor<R>
) -> (value: Tensor<R>, gradient: (T.TangentVector, U.TangentVector))
where T: Differentiable, U: Differentiable, R: TensorFlowFloatingPoint

  • Tuyên ngôn

    public func valueWithGradient<T, U, V, R>(
  at x: T,
  _ y: U,
  _ z: V,
  in f: @differentiable (T, U, V) -> Tensor<R>
) -> (value: Tensor<R>, gradient: (T.TangentVector, U.TangentVector, V.TangentVector))
where T: Differentiable, U: Differentiable, V: Differentiable, R: TensorFlowFloatingPoint

  • Tuyên ngôn

    public func valueWithGradient<T, R>(
  of f: @escaping @differentiable (T) -> Tensor<R>
) -> (T) -> (value: Tensor<R>, gradient: T.TangentVector)
where T: Differentiable, R: TensorFlowFloatingPoint

  • Tuyên ngôn

    public func valueWithGradient<T, U, R>(
  of f: @escaping @differentiable (T, U) -> Tensor<R>
) -> (T, U) -> (value: Tensor<R>, gradient: (T.TangentVector, U.TangentVector))
where T: Differentiable, U: Differentiable, R: TensorFlowFloatingPoint

  • Tuyên ngôn

    public func valueWithGradient<T, U, V, R>(
  of f: @escaping @differentiable (T, U, V) -> Tensor<R>
) -> (T, U, V) -> (
  value: Tensor<R>,
  gradient: (T.TangentVector, U.TangentVector, V.TangentVector)
)
where T: Differentiable, U: Differentiable, V: Differentiable, R: TensorFlowFloatingPoint

  • Tuyên ngôn

    public func gradient<T, R>(
  at x: T,
  in f: @differentiable (T) -> Tensor<R>
) -> T.TangentVector where T: Differentiable, R: TensorFlowFloatingPoint

  • Tuyên ngôn

    public func gradient<T, U, R>(
  at x: T,
  _ y: U,
  in f: @differentiable (T, U) -> Tensor<R>
) -> (T.TangentVector, U.TangentVector)
where T: Differentiable, U: Differentiable, R: TensorFlowFloatingPoint

  • Tuyên ngôn

    public func gradient<T, U, V, R>(
  at x: T,
  _ y: U,
  _ z: V,
  in f: @differentiable (T, U, V) -> Tensor<R>
) -> (T.TangentVector, U.TangentVector, V.TangentVector)
where T: Differentiable, U: Differentiable, V: Differentiable, R: TensorFlowFloatingPoint

  • Tuyên ngôn

    public func gradient<T, R>(
  of f: @escaping @differentiable (T) -> Tensor<R>
) -> (T) -> T.TangentVector where T: Differentiable, R: TensorFlowFloatingPoint

  • Tuyên ngôn

    public func gradient<T, U, R>(
  of f: @escaping @differentiable (T, U) -> Tensor<R>
) -> (T, U) -> (T.TangentVector, U.TangentVector)
where T: Differentiable, U: Differentiable, R: TensorFlowFloatingPoint

  • Tuyên ngôn

    public func gradient<T, U, V, R>(
  of f: @escaping @differentiable (T, U, V) -> Tensor<R>
) -> (T, U, V) -> (T.TangentVector, U.TangentVector, V.TangentVector)
where T: Differentiable, U: Differentiable, V: Differentiable, R: TensorFlowFloatingPoint

  • Làm cho một chức năng được tính toán lại trong pullback của nó, được gọi là "điểm kiểm tra" trong phân biệt tự động truyền thống.

    Tuyên ngôn

    public func withRecomputationInPullbacks<T, U>(
  _ body: @escaping @differentiable (T) -> U
) -> @differentiable (T) -> U where T : Differentiable, U : Differentiable

  • Tạo một hàm khác biệt với hàm sản phẩm vector-Jacobian.

    Tuyên ngôn

    public func differentiableFunction<T : Differentiable, R : Differentiable>(
  from vjp: @escaping (T)
           -> (value: R, pullback: (R.TangentVector) -> T.TangentVector)
) -> @differentiable (T) -> R

  • Tạo một hàm khác biệt với hàm sản phẩm vector-Jacobian.

    Tuyên ngôn

    public func differentiableFunction<T, U, R>(
  from vjp: @escaping (T, U)
           -> (value: R, pullback: (R.TangentVector)
             -> (T.TangentVector, U.TangentVector))
) -> @differentiable (T, U) -> R

  • Returns x như một chức năng nhận dạng. Khi được sử dụng trong một bối cảnh nơi x được phân biệt liên quan đến, chức năng này sẽ không sản xuất bất kỳ phái sinh tại x .

    Tuyên ngôn

    @_semantics("autodiff.nonvarying")
public func withoutDerivative<T>(at x: T) -> T

  • Áp dụng việc đóng cửa cho body để x . Khi được sử dụng trong một bối cảnh nơi x được phân biệt liên quan đến, chức năng này sẽ không sản xuất bất kỳ phái sinh tại x .

    Tuyên ngôn

    @_semantics("autodiff.nonvarying")
public func withoutDerivative<T, R>(at x: T, in body: (T) -> R) -> R

  • Thực hiện một quá trình đóng, làm cho các hoạt động TensorFlow chạy trên một loại thiết bị cụ thể.

    Tuyên ngôn

    public func withDevice<R>(
  _ kind: DeviceKind,
  _ index: UInt = 0,
  perform body: () throws -> R
) rethrows -> R

    Thông số

    kind

    Một loại thiết bị để chạy các hoạt động TensorFlow.

    index

    Thiết bị để chạy các hoạt động trên.

    body

    Một bao đóng có các hoạt động TensorFlow sẽ được thực thi trên loại thiết bị được chỉ định.

  • Thực hiện một quá trình đóng, làm cho các hoạt động TensorFlow chạy trên một thiết bị có tên cụ thể.

    Một số ví dụ về tên thiết bị:

    • “/ Device: CPU: 0”: CPU của máy tính của bạn.
    • “/ GPU: 0”: Ký hiệu ngắn gọn cho GPU đầu tiên trên máy của bạn hiển thị với TensorFlow
    • “/ Job: localhost / replica: 0 / task: 0 / device: GPU: 1”: Tên đủ điều kiện của GPU thứ hai trên máy của bạn hiển thị với TensorFlow.

    Tuyên ngôn

    public func withDevice<R>(named name: String, perform body: () throws -> R) rethrows -> R

    Thông số

    name

    Tên thiết bị.

    body

    Một bao đóng có các hoạt động TensorFlow sẽ được thực thi trên loại thiết bị được chỉ định.

  • Thực hiện một quá trình đóng, cho phép TensorFlow đặt các hoạt động của TensorFlow trên bất kỳ thiết bị nào. Điều này sẽ khôi phục hành vi vị trí mặc định.

    Tuyên ngôn

    public func withDefaultDevice<R>(perform body: () throws -> R) rethrows -> R

    Thông số

    body

    Một bao đóng có các hoạt động TensorFlow sẽ được thực thi trên loại thiết bị được chỉ định.

  • Thay đổi kích thước hình ảnh thành kích thước bằng phương pháp được chỉ định.

    Điều kiện tiên quyết

    Các hình ảnh phải có thứ hạng 3 hoặc 4 .

    Điều kiện tiên quyết

    Kích thước phải là số dương.

    Tuyên ngôn

    @differentiable(wrt: images)
public func resize(
  images: Tensor<Float>,
  size: (newHeight: Int, newWidth: Int),
  method: ResizeMethod = .bilinear,
  antialias: Bool = false
) -> Tensor<Float>

    Thông số

    images

    4-D Tensor hình dạng [batch, height, width, channels] hoặc 3-D Tensor hình dạng [height, width, channels] .

    size

    Kích thước mới của hình ảnh.

    method

    Phương pháp thay đổi kích thước. Giá trị mặc định là .bilinear .

    antialias

    Khi và chỉ khi true , sử dụng một bộ lọc chống răng cưa khi downsampling một hình ảnh.

  • Thay đổi kích thước hình ảnh thành kích thước bằng cách sử dụng nội suy vùng.

    Điều kiện tiên quyết

    Các hình ảnh phải có thứ hạng 3 hoặc 4 .

    Điều kiện tiên quyết

    Kích thước phải là số dương.

    Tuyên ngôn

    public func resizeArea<Scalar: TensorFlowNumeric>(
  images: Tensor<Scalar>,
  size: (newHeight: Int, newWidth: Int),
  alignCorners: Bool = false
) -> Tensor<Float>

    Thông số

    images

    4-D Tensor hình dạng [batch, height, width, channels] hoặc 3-D Tensor hình dạng [height, width, channels] .

    size

    Kích thước mới của hình ảnh.

  • Trả về khoảng thời gian 2-D với đầu vào, bộ lọc, bước và khoảng đệm được chỉ định.

    Điều kiện tiên quyết

    input phải có thứ hạng 4 .

    Điều kiện tiên quyết

    filter phải có thứ hạng 3 .

    Tuyên ngôn

    @differentiable(wrt: (input, filter)
public func dilation2D<Scalar: TensorFlowFloatingPoint>(
  _ input: Tensor<Scalar>,
  filter: Tensor<Scalar>,
  strides: (Int, Int, Int, Int) = (1, 1, 1, 1),
  rates: (Int, Int, Int, Int) = (1, 1, 1, 1),
  padding: Padding = .valid
) -> Tensor<Scalar>

    Thông số

    input

    Đầu vào.

    filter

    Bộ lọc giãn nở.

    strides

    Các bước của bộ lọc trượt cho từng thứ nguyên của đầu vào.

    padding

    Phần đệm cho hoạt động

    rates

    Tỷ lệ giãn nở cho từng thứ nguyên của đầu vào.

  • Trả về xói mòn 2-D với đầu vào, bộ lọc, bước và phần đệm được chỉ định.

    Điều kiện tiên quyết

    input phải có thứ hạng 4 .

    Điều kiện tiên quyết

    filter phải có thứ hạng 3.

    Tuyên ngôn

    @differentiable(wrt: (input, filter)
public func erosion2D<Scalar: TensorFlowFloatingPoint>(
  _ input: Tensor<Scalar>,
  filter: Tensor<Scalar>,
  strides: (Int, Int, Int, Int) = (1, 1, 1, 1),
  rates: (Int, Int, Int, Int) = (1, 1, 1, 1),
  padding: Padding = .valid
) -> Tensor<Scalar>

    Thông số

    input

    Đầu vào.

    filter

    Bộ lọc xói mòn.

    strides

    Các bước của bộ lọc trượt cho từng thứ nguyên của đầu vào.

    padding

    Phần đệm cho hoạt động

    rates

    Tỷ lệ giãn nở cho từng thứ nguyên của đầu vào.

  • Trả về một hàm tạo ra một tensor bằng cách khởi tạo tất cả các giá trị của nó thành số không.

    Tuyên ngôn

    public func zeros<Scalar>() -> ParameterInitializer<Scalar> where Scalar : TensorFlowFloatingPoint

  • Trả về một hàm tạo ra một tensor bằng cách khởi tạo tất cả các giá trị của nó thành giá trị đã cho.

    Tuyên ngôn

    public func constantInitializer<Scalar: TensorFlowFloatingPoint>(
  value: Scalar
) -> ParameterInitializer<Scalar>

  • Trả về một hàm tạo ra một tensor bằng cách khởi tạo nó thành giá trị đã cho. Lưu ý rằng phát sóng của giá trị được cung cấp không được hỗ trợ.

    Tuyên ngôn

    public func constantInitializer<Scalar: TensorFlowFloatingPoint>(
  value: Tensor<Scalar>
) -> ParameterInitializer<Scalar>

  • Returns một chức năng mà tạo ra một tensor bằng cách thực hiện Glorot (Xavier) khởi tạo thống nhất cho hình dạng nhất định, lấy mẫu ngẫu nhiên các giá trị vô hướng từ một phân bố đều giữa -limit và limit , được tạo ra bởi các máy phát điện mặc định số ngẫu nhiên, nơi giới hạn là sqrt(6 / (fanIn + fanOut)) , và fanIn / fanOut đại diện cho số của đầu vào và đầu ra tính năng nhân với lĩnh vực tiếp nhận, nếu có.

    Tuyên ngôn

    public func glorotUniform<Scalar: TensorFlowFloatingPoint>(
  seed: TensorFlowSeed = Context.local.randomSeed
) -> ParameterInitializer<Scalar>

  • Returns một chức năng mà tạo ra một tensor bằng cách thực hiện Glorot (Xavier) khởi bình thường đối với các hình dạng nhất định, lấy mẫu ngẫu nhiên các giá trị vô hướng từ một phân phối chuẩn cắt ngắn tập trung vào 0 với độ lệch chuẩn sqrt(2 / (fanIn + fanOut)) , nơi fanIn / fanOut đại diện cho số lượng các tính năng đầu vào và đầu ra nhân với kích thước trường tiếp nhận, nếu có.

    Tuyên ngôn

    public func glorotNormal<Scalar: TensorFlowFloatingPoint>(
  seed: TensorFlowSeed = Context.local.randomSeed
) -> ParameterInitializer<Scalar>

  • Returns một chức năng mà tạo ra một tensor bằng cách thực hiện Ông (Kaiming) thống nhất khởi cho hình dạng nhất định, lấy mẫu ngẫu nhiên các giá trị vô hướng từ một phân bố đều giữa -limit và limit , được tạo ra bởi các máy phát điện mặc định số ngẫu nhiên, nơi giới hạn là sqrt(6 / fanIn) , và fanIn đại diện cho số tính năng đầu vào nhân với lĩnh vực tiếp nhận, nếu có.

    Tuyên ngôn

    public func heUniform<Scalar: TensorFlowFloatingPoint>(
  seed: TensorFlowSeed = Context.local.randomSeed
) -> ParameterInitializer<Scalar>

  • Returns một chức năng mà tạo ra một tensor bằng cách thực hiện Ông (Kaiming) khởi bình thường đối với các hình dạng nhất định, một cách ngẫu nhiên các giá trị vô hướng lấy mẫu từ phân phối chuẩn cắt ngắn tập trung vào 0 với độ lệch chuẩn sqrt(2 / fanIn) , nơi fanIn đại diện cho số tính năng đầu vào nhân với kích thước trường tiếp nhận, nếu có.

    Tuyên ngôn

    public func heNormal<Scalar: TensorFlowFloatingPoint>(
  seed: TensorFlowSeed = Context.local.randomSeed
) -> ParameterInitializer<Scalar>

  • Returns một chức năng mà tạo ra một tensor bằng cách thực hiện LeCun thống nhất khởi cho hình dạng nhất định, lấy mẫu ngẫu nhiên các giá trị vô hướng từ một phân bố đều giữa -limit và limit , được tạo ra bởi các máy phát điện mặc định số ngẫu nhiên, nơi giới hạn là sqrt(3 / fanIn) , và fanIn đại diện cho số tính năng đầu vào nhân với lĩnh vực tiếp nhận, nếu có.

    Tuyên ngôn

    public func leCunUniform<Scalar: TensorFlowFloatingPoint>(
  seed: TensorFlowSeed = Context.local.randomSeed
) -> ParameterInitializer<Scalar>

  • Returns một chức năng mà tạo ra một tensor bằng cách thực hiện LeCun khởi bình thường đối với các hình dạng nhất định, lấy mẫu ngẫu nhiên các giá trị vô hướng từ một phân phối chuẩn cắt ngắn tập trung vào 0 với độ lệch chuẩn sqrt(1 / fanIn) , nơi fanIn đại diện cho số đầu vào tính năng nhân với kích thước trường tiếp nhận, nếu có.

    Tuyên ngôn

    public func leCunNormal<Scalar: TensorFlowFloatingPoint>(
  seed: TensorFlowSeed = Context.local.randomSeed
) -> ParameterInitializer<Scalar>

  • Trả về một hàm tạo ra một tensor bằng cách khởi tạo tất cả các giá trị của nó một cách ngẫu nhiên từ một phân phối Chuẩn bị cắt ngắn. Các giá trị được tạo ra theo một phân phối chuẩn với trung bình mean và độ lệch chuẩn standardDeviation , ngoại trừ giá trị mà có độ lớn là hơn hai độ lệch chuẩn từ giá trị trung bình đang giảm và resampled.

    Tuyên ngôn

    public func truncatedNormalInitializer<Scalar: TensorFlowFloatingPoint>(
  mean: Tensor<Scalar> = Tensor<Scalar>(0),
  standardDeviation: Tensor<Scalar> = Tensor<Scalar>(1),
  seed: TensorFlowSeed = Context.local.randomSeed
) -> ParameterInitializer<Scalar>

    Thông số

    mean

    Trung bình của phân phối Chuẩn.

    standardDeviation

    Độ lệch chuẩn của phân phối Chuẩn.

    Giá trị trả lại

    Một chức năng khởi tạo tham số bình thường bị cắt ngắn.

  • Tuyên ngôn

    public func == (lhs: TFETensorHandle, rhs: TFETensorHandle) -> Bool

  • Trả về một ma trận nhận dạng hoặc một lô ma trận.

    Tuyên ngôn

    public func eye<Scalar: Numeric>(
  rowCount: Int,
  columnCount: Int? = nil,
  batchShape: [Int] = [],
  on device: Device = .default
) -> Tensor<Scalar>

    Thông số

    rowCount

    Số hàng trong mỗi ma trận lô.

    columnCount

    Số lượng cột trong mỗi ma trận lô.

    batchShape

    Các kích thước lô hàng đầu của tensor được trả về.

  • Tính toán dấu vết của ma trận theo lô tùy chọn. Dấu vết là tổng dọc theo đường chéo chính của mỗi ma trận trong cùng nhất.

    Đầu vào là một tensor với hình dạng [..., M, N] . Đầu ra là một tensor với hình dạng [...] .

    Điều kiện tiên quyết

    matrix phải là một tensor với hình dạng [..., M, N] .

    Tuyên ngôn

    @differentiable(wrt: matrix)
public func trace<T>(_ matrix: Tensor<T>) -> Tensor<T> where T : Numeric, T : TensorFlowScalar

    Thông số

    matrix

    Một tensor hình dạng [..., M, N] .

  • Trả về phân tích Cholesky của một hoặc nhiều ma trận vuông.

    Đầu vào là một tensor hình dạng [..., M, M] có 2 kích thước-hầu hết nội thành ma trận vuông.

    Đầu vào phải đối xứng và xác định dương. Chỉ phần hình tam giác dưới của đầu vào sẽ được sử dụng cho thao tác này. Phần hình tam giác phía trên sẽ không được đọc.

    Đầu ra là một tensor của hình dạng giống như đầu vào có chứa các phân tách Cholesky cho tất cả submatrices đầu vào [..., :, :] .

    Tuyên ngôn

    @differentiable
public func cholesky<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

    Thông số

    input

    Một tensor hình dạng [..., M, M] .

  • Returns giải pháp x để các hệ phương trình tuyến tính đại diện bởi Ax = b .

    Điều kiện tiên quyết

    matrix phải là một tensor với hình dạng [..., M, M] .

    Điều kiện tiên quyết

    rhs phải là một tensor với hình dạng [..., M, K] .

    Tuyên ngôn

    @differentiable
public func triangularSolve<T: TensorFlowFloatingPoint>(
  matrix: Tensor<T>,
  rhs: Tensor<T>,
  lower: Bool = true,
  adjoint: Bool = false
) -> Tensor<T>

    Thông số

    matrix

    Các đầu vào tam giác hệ số ma trận, đại diện cho A trong Ax = b .

    rhs

    Giá trị bên phải, đại diện cho b trong Ax = b .

    lower

    Cho dù matrix là tam giác thấp hơn ( true ) hoặc hình tam giác trên ( false ). Giá trị mặc định là true .

    adjoint

    Nếu true , giải quyết với các liên hợp của matrix thay vì matrix . Giá trị mặc định là false .

    Giá trị trả lại

    Các giải pháp x để các hệ phương trình tuyến tính đại diện bởi Ax = b . x có hình dạng giống như b .

  • Tính toán thiệt hại L1 giữa expected và predicted . loss = reduction(abs(expected - predicted))

    Tuyên ngôn

    @differentiable(wrt: predicted)
@differentiable(wrt: (predicted, expected)
public func l1Loss<Scalar: TensorFlowFloatingPoint>(
  predicted: Tensor<Scalar>,
  expected: Tensor<Scalar>,
  reduction: @differentiable (Tensor<Scalar>) -> Tensor<Scalar> = _sum
) -> Tensor<Scalar>

    Thông số

    predicted

    Kết quả dự đoán từ mạng nơ-ron.

    expected

    Giá trị mong đợi, tức là mục tiêu, tương ứng với đầu ra chính xác.

    reduction

    Giảm áp dụng cho các giá trị tổn thất theo phần tử được tính toán.

  • Tính toán sự mất mát L2 giữa expected và predicted . loss = reduction(square(expected - predicted))

    Tuyên ngôn

    @differentiable(wrt: predicted)
@differentiable(wrt: (predicted, expected)
public func l2Loss<Scalar: TensorFlowFloatingPoint>(
  predicted: Tensor<Scalar>,
  expected: Tensor<Scalar>,
  reduction: @differentiable (Tensor<Scalar>) -> Tensor<Scalar> = _sum
) -> Tensor<Scalar>

    Thông số

    predicted

    Kết quả dự đoán từ mạng nơ-ron.

    expected

    Giá trị mong đợi, tức là mục tiêu, tương ứng với đầu ra chính xác.

    reduction

    Giảm áp dụng cho các giá trị tổn thất theo phần tử được tính toán.

  • Tính giá trị trung bình của sự khác biệt tuyệt đối giữa các nhãn và dự đoán. loss = mean(abs(expected - predicted))

    Tuyên ngôn

    @differentiable(wrt: predicted)
@differentiable(wrt: (predicted, expected)
public func meanAbsoluteError<Scalar: TensorFlowFloatingPoint>(
  predicted: Tensor<Scalar>,
  expected: Tensor<Scalar>
) -> Tensor<Scalar>

    Thông số

    predicted

    Kết quả dự đoán từ mạng nơ-ron.

    expected

    Giá trị mong đợi, tức là mục tiêu, tương ứng với đầu ra chính xác.

  • Tính toán trung bình của bình phương sai số giữa các nhãn và dự đoán. loss = mean(square(expected - predicted))

    Tuyên ngôn

    @differentiable(wrt: predicted)
@differentiable(wrt: (predicted, expected)
public func meanSquaredError<Scalar: TensorFlowFloatingPoint>(
  predicted: Tensor<Scalar>,
  expected: Tensor<Scalar>
) -> Tensor<Scalar>

    Thông số

    predicted

    Kết quả dự đoán từ mạng nơ-ron.

    expected

    Giá trị mong đợi, tức là mục tiêu, tương ứng với đầu ra chính xác.

  • Tính toán sai số logarit trung bình bình phương giữa predicted và expected loss = square(log(expected) - log(predicted))

    Ghi chú

    Mục tensor tiêu cực sẽ được kẹp ở 0 để tránh hành vi logarit không xác định, như log(_:) là undefined cho số thực âm.

    Tuyên ngôn

    @differentiable(wrt: predicted)
@differentiable(wrt: (predicted, expected)
public func meanSquaredLogarithmicError<Scalar: TensorFlowFloatingPoint>(
  predicted: Tensor<Scalar>,
  expected: Tensor<Scalar>
) -> Tensor<Scalar>

    Thông số

    predicted

    Kết quả dự đoán từ mạng nơ-ron.

    expected

    Giá trị mong đợi, tức là mục tiêu, tương ứng với đầu ra chính xác.

  • Tính toán sai số tỷ lệ tuyệt đối trung bình giữa predicted và expected . loss = 100 * mean(abs((expected - predicted) / abs(expected)))

    Tuyên ngôn

    @differentiable(wrt: predicted)
@differentiable(wrt: (predicted, expected)
public func meanAbsolutePercentageError<Scalar: TensorFlowFloatingPoint>(
  predicted: Tensor<Scalar>,
  expected: Tensor<Scalar>
) -> Tensor<Scalar>

    Thông số

    predicted

    Kết quả dự đoán từ mạng nơ-ron.

    expected

    Giá trị mong đợi, tức là mục tiêu, tương ứng với đầu ra chính xác.

  • Tính toán sự mất mát bản lề giữa predicted và expected . loss = reduction(max(0, 1 - predicted * expected)) expected giá trị được kỳ vọng sẽ là -1 hoặc 1.

    Tuyên ngôn

    @differentiable(wrt: predicted)
@differentiable(wrt: (predicted, expected)
public func hingeLoss<Scalar: TensorFlowFloatingPoint>(
  predicted: Tensor<Scalar>,
  expected: Tensor<Scalar>,
  reduction: @differentiable (Tensor<Scalar>) -> Tensor<Scalar> = _mean
) -> Tensor<Scalar>

    Thông số

    predicted

    Kết quả dự đoán từ mạng nơ-ron.

    expected

    Giá trị mong đợi, tức là mục tiêu, tương ứng với đầu ra chính xác.

    reduction

    Giảm áp dụng cho các giá trị tổn thất theo phần tử được tính toán.

  • Tính toán sự mất mát bản lề bình phương giữa predicted và expected . loss = reduction(square(max(0, 1 - predicted * expected))) expected giá trị được kỳ vọng sẽ là -1 hoặc 1.

    Tuyên ngôn

    @differentiable(wrt: predicted)
@differentiable(wrt: (predicted, expected)
public func squaredHingeLoss<Scalar: TensorFlowFloatingPoint>(
  predicted: Tensor<Scalar>,
  expected: Tensor<Scalar>,
  reduction: @differentiable (Tensor<Scalar>) -> Tensor<Scalar> = _mean
) -> Tensor<Scalar>

    Thông số

    predicted

    Kết quả dự đoán từ mạng nơ-ron.

    expected

    Giá trị mong đợi, tức là mục tiêu, tương ứng với đầu ra chính xác.

    reduction

    Giảm áp dụng cho các giá trị tổn thất theo phần tử được tính toán.

  • Tính toán sự mất mát bản lề phân loại giữa predicted và expected . loss = maximum(negative - positive + 1, 0) nơi negative = max((1 - expected) * predicted) và positive = sum(predicted * expected)

    Tuyên ngôn

    @differentiable(wrt: predicted)
@differentiable(wrt: (predicted, expected)
public func categoricalHingeLoss<Scalar: TensorFlowFloatingPoint>(
  predicted: Tensor<Scalar>,
  expected: Tensor<Scalar>,
  reduction: @differentiable (Tensor<Scalar>) -> Tensor<Scalar> = _mean
) -> Tensor<Scalar>

    Thông số

    predicted

    Kết quả dự đoán từ mạng nơ-ron.

    expected

    Giá trị mong đợi, tức là mục tiêu, tương ứng với đầu ra chính xác.

    reduction

    Giảm áp dụng cho các giá trị tổn thất theo phần tử được tính toán.

  • Tính logarit của cosin hypebol của sai số dự đoán. logcosh = log((exp(x) + exp(-x))/2) , trong đó x là lỗi predicted - expected

    Tuyên ngôn

    @differentiable(wrt: predicted)
@differentiable(wrt: (predicted, expected)
public func logCoshLoss<Scalar: TensorFlowFloatingPoint>(
  predicted: Tensor<Scalar>,
  expected: Tensor<Scalar>,
  reduction: @differentiable (Tensor<Scalar>) -> Tensor<Scalar> = _mean
) -> Tensor<Scalar>

    Thông số

    predicted

    Kết quả dự đoán từ mạng nơ-ron.

    expected

    Giá trị mong đợi, tức là mục tiêu, tương ứng với đầu ra chính xác.

    reduction

    Giảm áp dụng cho các giá trị tổn thất theo phần tử được tính toán.

  • Tính toán sự mất mát Poisson giữa dự đoán và mong đợi Sự mất mát Poisson là giá trị trung bình của các yếu tố của Tensor predicted - expected * log(predicted) .

    Tuyên ngôn

    @differentiable(wrt: predicted)
@differentiable(wrt: (predicted, expected)
public func poissonLoss<Scalar: TensorFlowFloatingPoint>(
  predicted: Tensor<Scalar>,
  expected: Tensor<Scalar>,
  reduction: @differentiable (Tensor<Scalar>) -> Tensor<Scalar> = _mean
) -> Tensor<Scalar>

    Thông số

    predicted

    Kết quả dự đoán từ mạng nơ-ron.

    expected

    Giá trị mong đợi, tức là mục tiêu, tương ứng với đầu ra chính xác.

    reduction

    Giảm áp dụng cho các giá trị tổn thất theo phần tử được tính toán.

  • Tính Kullback-Leibler mất chênh lệch giữa expected và predicted . loss = reduction(expected * log(expected / predicted))

    Tuyên ngôn

    @differentiable(wrt: predicted)
@differentiable(wrt: (predicted, expected)
public func kullbackLeiblerDivergence<Scalar: TensorFlowFloatingPoint>(
  predicted: Tensor<Scalar>,
  expected: Tensor<Scalar>,
  reduction: @differentiable (Tensor<Scalar>) -> Tensor<Scalar> = _sum
) -> Tensor<Scalar>

    Thông số

    predicted

    Kết quả dự đoán từ mạng nơ-ron.

    expected

    Giá trị mong đợi, tức là mục tiêu, tương ứng với đầu ra chính xác.

    reduction

    Giảm áp dụng cho các giá trị tổn thất theo phần tử được tính toán.

  • Tính toán entropy chéo softmax thưa thớt (entropy chéo phân loại) giữa logits và nhãn. Sử dụng chức năng suy hao chéo này khi có hai hoặc nhiều lớp nhãn. Chúng tôi mong đợi các nhãn được cung cấp dưới dạng số nguyên. Nên có # classes giá trị điểm cho mỗi tính năng nổi cho logits và một giá trị dấu chấm duy nhất cho mỗi tính năng cho expected .

    Tuyên ngôn

    @differentiable(wrt: logits)
public func softmaxCrossEntropy<Scalar: TensorFlowFloatingPoint>(
  logits: Tensor<Scalar>,
  labels: Tensor<Int32>,
  reduction: @differentiable (Tensor<Scalar>) -> Tensor<Scalar> = _mean
) -> Tensor<Scalar>

    Thông số

    logits

    Đầu ra được mã hóa một nóng từ mạng nơ-ron.

    labels

    Các chỉ số (không lập chỉ mục) của các đầu ra chính xác.

    reduction

    Giảm áp dụng cho các giá trị tổn thất theo phần tử được tính toán.

  • Tính toán entropy chéo softmax thưa thớt (entropy chéo phân loại) giữa logits và nhãn. Sử dụng chức năng suy hao chéo này khi có hai hoặc nhiều lớp nhãn. Chúng tôi hy vọng nhãn để được cung cấp cung cấp trong một one_hot đại diện. Nên có # classes giá trị dấu chấm động mỗi tính năng.

    Tuyên ngôn

    @differentiable(wrt: logits)
public func softmaxCrossEntropy<Scalar: TensorFlowFloatingPoint>(
  logits: Tensor<Scalar>,
  probabilities: Tensor<Scalar>,
  reduction: @differentiable (Tensor<Scalar>) -> Tensor<Scalar> = _mean
) -> Tensor<Scalar>

    Thông số

    logits

    Xác suất nhật ký chưa được chia tỷ lệ từ mạng nơ-ron.

    probabilities

    Giá trị xác suất tương ứng với đầu ra chính xác. Mỗi hàng phải là một phân phối xác suất hợp lệ.

    reduction

    Giảm áp dụng cho các giá trị tổn thất theo phần tử được tính toán.

  • Tính toán entropy chéo sigmoid (entropy chéo nhị phân) giữa logits và nhãn. Sử dụng tổn thất entropy chéo này khi chỉ có hai lớp nhãn (giả sử là 0 và 1). Đối với mỗi ví dụ, phải có một giá trị dấu phẩy động duy nhất cho mỗi dự đoán.

    Tuyên ngôn

    @differentiable(wrt: logits)
@differentiable(wrt: (logits, labels)
public func sigmoidCrossEntropy<Scalar: TensorFlowFloatingPoint>(
  logits: Tensor<Scalar>,
  labels: Tensor<Scalar>,
  reduction: @differentiable (Tensor<Scalar>) -> Tensor<Scalar> = _mean
) -> Tensor<Scalar>

    Thông số

    logits

    Đầu ra chưa được chia tỷ lệ của mạng nơ-ron.

    labels

    Giá trị số nguyên tương ứng với đầu ra chính xác.

    reduction

    Giảm áp dụng cho các giá trị tổn thất theo phần tử được tính toán.

  • Tính toán sự mất mát Huber giữa predicted và expected .

    Đối với mỗi giá trị x trong error = expected - predicted :

    Tuyên ngôn

    @differentiable(wrt: predicted)
@differentiable(wrt: (predicted, expected)
public func huberLoss<Scalar: TensorFlowFloatingPoint>(
  predicted: Tensor<Scalar>,
  expected: Tensor<Scalar>,
  delta: Scalar,
  reduction: @differentiable (Tensor<Scalar>) -> Tensor<Scalar> = _sum
) -> Tensor<Scalar>

    Thông số

    predicted

    Kết quả dự đoán từ mạng nơ-ron.

    expected

    Giá trị mong đợi, tức là mục tiêu, tương ứng với đầu ra chính xác.

    delta

    Một đại lượng vô hướng dấu chấm động đại diện cho điểm mà hàm mất mát Huber thay đổi từ bậc hai sang tuyến tính.

    reduction

    Giảm áp dụng cho các giá trị tổn thất theo phần tử được tính toán.

  • Trả về giá trị tuyệt đối của phần tử tensor được chỉ định-khôn ngoan.

    Tuyên ngôn

    @differentiable
public func abs<T>(_ x: Tensor<T>) -> Tensor<T> where T : SignedNumeric, T : TensorFlowScalar

  • Trả về lôgarit tự nhiên của phần tử tensor được chỉ định-khôn ngoan.

    Tuyên ngôn

    @differentiable
public func log<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • Trả về logarit cơ số hai của phần tử tensor được chỉ định-khôn ngoan.

    Tuyên ngôn

    @differentiable
public func log2<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • Trả về logarit cơ số 10 của phần tử tensor được chỉ định-khôn ngoan.

    Tuyên ngôn

    @differentiable
public func log10<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • Returns logarit của 1 + x yếu tố khôn ngoan.

    Tuyên ngôn

    @differentiable
public func log1p<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • Returns log(1 - exp(x)) sử dụng một cách tiếp cận số lượng ổn định.

    Ghi chú

    Phương pháp được thể hiện trong phương trình 7: https://cran.r-project.org/web/packages/Rmpfr/vignettes/log1mexp-note.pdf .

    Tuyên ngôn

    @differentiable
public func log1mexp<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • Trả về sin của phần tử tensor được chỉ định-khôn ngoan.

    Tuyên ngôn

    @differentiable
public func sin<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • Trả về cosine của phần tử tensor được chỉ định-khôn ngoan.

    Tuyên ngôn

    @differentiable
public func cos<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • Trả về tiếp tuyến của phần tử tensor được chỉ định-khôn ngoan.

    Tuyên ngôn

    @differentiable
public func tan<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • Trả về sin hyperbol của phần tử tensor được chỉ định-khôn ngoan.

    Tuyên ngôn

    @differentiable
public func sinh<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • Trả về cosin hyperbol của phần tử tensor được chỉ định-khôn ngoan.

    Tuyên ngôn

    @differentiable
public func cosh<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • Trả về tiếp tuyến hyperbol của phần tử tensor được chỉ định-khôn ngoan.

    Tuyên ngôn

    @differentiable
public func tanh<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • Trả về cosin nghịch đảo của phần tử tensor được chỉ định-khôn ngoan.

    Tuyên ngôn

    @differentiable
public func acos<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • Trả về sin nghịch đảo của phần tử tensor được chỉ định-khôn ngoan.

    Tuyên ngôn

    @differentiable
public func asin<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • Trả về tiếp tuyến nghịch đảo của phần tử tensor được chỉ định-khôn ngoan.

    Tuyên ngôn

    @differentiable
public func atan<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • Trả về cosin hyperbol nghịch đảo của phần tử tensor được chỉ định-khôn ngoan.

    Tuyên ngôn

    @differentiable
public func acosh<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • Trả về sin hyperbol nghịch đảo của phần tử tensor được chỉ định-khôn ngoan.

    Tuyên ngôn

    @differentiable
public func asinh<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • Trả về tang hyperbol nghịch đảo của phần tử tensor được chỉ định-khôn ngoan.

    Tuyên ngôn

    @differentiable
public func atanh<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • Trả về căn bậc hai của phần tử tensor được chỉ định-khôn ngoan.

    Tuyên ngôn

    @differentiable
public func sqrt<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • Trả về căn bậc hai nghịch đảo của phần tử tensor được chỉ định-khôn ngoan.

    Tuyên ngôn

    @differentiable
public func rsqrt<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • Trả về cấp số nhân của phần tử tensor được chỉ định-khôn ngoan.

    Tuyên ngôn

    @differentiable
public func exp<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • Trả về hai được nâng lên thành lũy thừa của phần tử tensor được chỉ định-khôn ngoan.

    Tuyên ngôn

    @differentiable
public func exp2<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • Trả về mười được nâng lên thành lũy thừa của phần tử tensor được chỉ định-khôn ngoan.

    Tuyên ngôn

    @differentiable
public func exp10<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • Trả về số mũ của x - 1 yếu tố khôn ngoan.

    Tuyên ngôn

    @differentiable
public func expm1<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • Trả về các giá trị của tensor được chỉ định được làm tròn đến số nguyên gần nhất, tính theo phần tử.

    Tuyên ngôn

    @differentiable
public func round<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • Trả về giá trị trần của phần tử tensor được chỉ định.

    Tuyên ngôn

    @differentiable
public func ceil<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • Trả về tầng của phần tử tensor được chỉ định.

    Tuyên ngôn

    @differentiable
public func floor<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • Trả về một chỉ báo về dấu của phần tử tensor được chỉ định-khôn ngoan. Cụ thể, tính y = sign(x) = -1 nếu x < 0 ; 0 nếu x == 0 ; 1 nếu x > 0 .

    Tuyên ngôn

    @differentiable
public func sign<T>(_ x: Tensor<T>) -> Tensor<T> where T : Numeric, T : TensorFlowScalar

  • Trả về sigmoid của phần tử tensor được chỉ định-khôn ngoan. Cụ thể, tính 1 / (1 + exp(-x)) .

    Tuyên ngôn

    @differentiable
public func sigmoid<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • Trả về log-sigmoid của phần tử tensor được chỉ định-khôn ngoan. Cụ thể, log(1 / (1 + exp(-x))) . Cho sự ổn định số, chúng tôi sử dụng -softplus(-x) .

    Tuyên ngôn

    @differentiable
public func logSigmoid<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • Trả về softplus của phần tử tensor được chỉ định-khôn ngoan. Cụ thể, tính log(exp(features) + 1) .

    Tuyên ngôn

    @differentiable
public func softplus<T>(_ features: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • Trả về softsign của phần tử tensor được chỉ định-khôn ngoan. Cụ thể, tính features/ (abs(features) + 1) .

    Tuyên ngôn

    @differentiable
public func softsign<T>(_ features: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • Trả về softmax của tensor được chỉ định dọc theo trục cuối cùng. Cụ thể, tính exp(x) / exp(x).sum(alongAxes: -1) .

    Tuyên ngôn

    @differentiable
public func softmax<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • Trả về softmax của tensor được chỉ định dọc theo trục được chỉ định. Cụ thể, tính exp(x) / exp(x).sum(alongAxes: axis) .

    Tuyên ngôn

    @differentiable
public func softmax<T>(_ x: Tensor<T>, alongAxis axis: Int) -> Tensor<T> where T : TensorFlowFloatingPoint

  • Trả về log-softmax của phần tử tensor được chỉ định-khôn ngoan.

    Tuyên ngôn

    @differentiable
public func logSoftmax<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • Trả về một tensor bằng cách áp dụng một đơn vị tuyến tính hàm mũ. Cụ thể, tính exp(x) - 1 nếu <0, x khác. Xem nhanh và chính xác Sâu Mạng Learning bởi Exponential tuyến tính đơn vị (Elus)

    Tuyên ngôn

    @differentiable
public func elu<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • Trả về kích hoạt Đơn vị tuyến tính lỗi Gaussian (GELU) của phần tử tensor được chỉ định-khôn ngoan.

    Cụ thể, gelu xấp xỉ xP(X <= x) , nơi P(X <= x) là phân phối tích lũy chuẩn Gaussian, bằng cách tính toán: x * [0,5 * (1 + tanh [√ (2 / π) * (x + 0,044715 * x ^ 3)])].

    Xem Gaussian Lỗi tuyến tính đơn vị .

    Tuyên ngôn

    @differentiable
public func gelu<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • Trả về một tensor bằng cách áp dụng chức năng kích hoạt ReLU cho phần tử tensor được chỉ định-khôn ngoan. Cụ thể, tính max(0, x) .

    Tuyên ngôn

    @differentiable
public func relu<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • Returns một tensor bằng cách áp dụng các chức năng kích hoạt ReLU6, cụ thể là min(max(0, x), 6) .

    Tuyên ngôn

    @differentiable
public func relu6<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • Trả về tensor bằng cách áp dụng chức năng kích hoạt ReLU bị rò rỉ cho phần tử tensor được chỉ định-khôn ngoan. Cụ thể, tính max(x, x * alpha) .

    Tuyên ngôn

    @differentiable(wrt: x)
public func leakyRelu<T: TensorFlowFloatingPoint>(
  _ x: Tensor<T>,
  alpha: Double = 0.2
) -> Tensor<T>

  • Returns một tensor bằng cách áp dụng các chức năng kích hoạt Selu, cụ thể là scale * alpha * (exp(x) - 1) nếu x < 0 , và scale * x khác.

    Ghi chú

    Điều này được thiết kế để được sử dụng cùng với các bộ khởi tạo lớp tỷ lệ phương sai. Vui lòng tham khảo Tự Bình thường hoá Neural Networks để biết thêm thông tin.

    Tuyên ngôn

    @differentiable
public func selu<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • Returns một tensor bằng cách áp dụng các chức năng kích hoạt swish, cụ thể là x * sigmoid(x) .

    Nguồn: (. Ramachandran et al 2017) “Đang tìm kiếm các chức năng kích hoạt” https://arxiv.org/abs/1710.05941

    Tuyên ngôn

    @differentiable
public func swish<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • Returns một tensor bằng cách áp dụng cứng hàm kích hoạt sigmoid, cụ thể là Relu6(x+3)/6 .

    Nguồn: “Đang tìm kiếm các MobileNetV3” (. Howard et al 2019) https://arxiv.org/abs/1905.02244

    Tuyên ngôn

    @differentiable
public func hardSigmoid<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • Returns một tensor bằng cách áp dụng cứng hàm kích hoạt swish, cụ thể là x * Relu6(x+3)/6 .

    Nguồn: “Đang tìm kiếm các MobileNetV3” (. Howard et al 2019) https://arxiv.org/abs/1905.02244

    Tuyên ngôn

    @differentiable
public func hardSwish<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • Returns một tensor bằng cách áp dụng các chức năng kích hoạt mish, cụ thể là x * tanh(softplus(x)) .

    Nguồn: “Mish: Một Tự regularized Non-Monotonic thần kinh kích hoạt chức năng” https://arxiv.org/abs/1908.08681

    Tuyên ngôn

    @differentiable
public func mish<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • Trả về lũy thừa của tensor thứ nhất cho tensor thứ hai.

    Tuyên ngôn

    @differentiable
public func pow<T>(_ lhs: Tensor<T>, _ rhs: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • Trả về lũy thừa của vô hướng cho tensor, phát sóng vô hướng.

    Tuyên ngôn

    @differentiable(wrt: rhs)
public func pow<T>(_ lhs: T, _ rhs: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • Trả lại lũy thừa của tensor về vô hướng, phát sóng vô hướng.

    Tuyên ngôn

    @differentiable(wrt: lhs)
public func pow<T>(_ lhs: Tensor<T>, _ rhs: T) -> Tensor<T> where T : TensorFlowFloatingPoint

  • Trả lại lũy thừa của tensor về vô hướng, phát sóng vô hướng.

    Tuyên ngôn

    @differentiable
public func pow<T>(_ x: Tensor<T>, _ n: Int) -> Tensor<T> where T : TensorFlowFloatingPoint

  • Trả về phần tử khôn ngoan n th thư mục gốc của tensor.

    Tuyên ngôn

    @differentiable
public func root<T>(_ x: Tensor<T>, _ n: Int) -> Tensor<T> where T : TensorFlowFloatingPoint

  • Lợi nhuận chênh lệch bình phương giữa x và y .

    Tuyên ngôn

    @differentiable
public func squaredDifference<T>(_ x: Tensor<T>, _ y: Tensor<T>) -> Tensor<T> where T : Numeric, T : TensorFlowScalar

    Giá trị trả lại

    (x - y) ^ 2 .

  • Trả về giá trị tối đa của phần tử là hai tenxơ.

    Ghi chú

    max hỗ trợ phát sóng.

    Tuyên ngôn

    @differentiable
public func max<T>(_ lhs: Tensor<T>, _ rhs: Tensor<T>) -> Tensor<T> where T : Comparable, T : Numeric, T : TensorFlowScalar

  • Trả về giá trị tối đa theo phần tử của đại lượng vô hướng và tenxơ, phát sóng đại lượng vô hướng.

    Tuyên ngôn

    @differentiable(wrt: rhs)
public func max<T>(_ lhs: T, _ rhs: Tensor<T>) -> Tensor<T> where T : Comparable, T : Numeric, T : TensorFlowScalar

  • Trả về giá trị tối đa theo phần tử của đại lượng vô hướng và tenxơ, phát sóng đại lượng vô hướng.

    Tuyên ngôn

    @differentiable(wrt: lhs)
public func max<T>(_ lhs: Tensor<T>, _ rhs: T) -> Tensor<T> where T : Comparable, T : Numeric, T : TensorFlowScalar

  • Trả về giá trị tối thiểu theo phần tử của hai tenxơ.

    Ghi chú

    min hỗ trợ phát sóng.

    Tuyên ngôn

    @differentiable
public func min<T>(_ lhs: Tensor<T>, _ rhs: Tensor<T>) -> Tensor<T> where T : Comparable, T : Numeric, T : TensorFlowScalar

  • Trả về giá trị tối thiểu theo phần tử của đại lượng vô hướng và tenxơ, phát sóng đại lượng vô hướng.

    Tuyên ngôn

    @differentiable(wrt: rhs)
public func min<T>(_ lhs: T, _ rhs: Tensor<T>) -> Tensor<T> where T : Comparable, T : Numeric, T : TensorFlowScalar

  • Trả về giá trị tối thiểu theo phần tử của đại lượng vô hướng và tenxơ, phát sóng đại lượng vô hướng.

    Tuyên ngôn

    @differentiable(wrt: lhs)
public func min<T>(_ lhs: Tensor<T>, _ rhs: T) -> Tensor<T> where T : Comparable, T : Numeric, T : TensorFlowScalar

  • Returns sự tương đồng cosin giữa x và y .

    Tuyên ngôn

    @differentiable
public func cosineSimilarity<Scalar: TensorFlowFloatingPoint>(
  _ x: Tensor<Scalar>,
  _ y: Tensor<Scalar>
) -> Tensor<Scalar>

  • Lợi nhuận khoảng cách cosin giữa x và y . Khoảng cách cosin được định nghĩa là 1 - cosineSimilarity(x, y) .

    Tuyên ngôn

    @differentiable
public func cosineDistance<Scalar: TensorFlowFloatingPoint>(
  _ x: Tensor<Scalar>,
  _ y: Tensor<Scalar>
) -> Tensor<Scalar>

  • Thực hiện phép nhân ma trận với một tensor khác và tạo ra kết quả.

    Tuyên ngôn

    @differentiable
public func matmul<Scalar: Numeric>(
  _ lhs: Tensor<Scalar>,
  transposed transposeLhs: Bool = false,
  _ rhs: Tensor<Scalar>,
  transposed transposeRhs: Bool = false
) -> Tensor<Scalar>

  • Trả về một tích chập 1-D với đầu vào, bộ lọc, bước và khoảng đệm được chỉ định.

    Điều kiện tiên quyết

    input phải có thứ hạng 3 .

    Điều kiện tiên quyết

    filter phải có thứ hạng 3.

    Tuyên ngôn

    @differentiable(wrt: (input, filter)
public func conv1D<Scalar: TensorFlowFloatingPoint>(
  _ input: Tensor<Scalar>,
  filter: Tensor<Scalar>,
  stride: Int = 1,
  padding: Padding = .valid,
  dilation: Int = 1
) -> Tensor<Scalar>

    Thông số

    input

    Đầu vào.

    filter

    Bộ lọc tích chập.

    stride

    Sải chân của bộ lọc trượt.

    padding

    Phần đệm cho hoạt động.

    dilation

    Hệ số giãn nở.

  • Trả về một tích chập 2-D với đầu vào, bộ lọc, bước và khoảng đệm được chỉ định.

    Điều kiện tiên quyết

    input phải có thứ hạng 4 .

    Điều kiện tiên quyết

    filter phải có thứ hạng 4.

    Tuyên ngôn

    @differentiable(wrt: (input, filter)
public func conv2D<Scalar: TensorFlowFloatingPoint>(
  _ input: Tensor<Scalar>,
  filter: Tensor<Scalar>,
  strides: (Int, Int, Int, Int) = (1, 1, 1, 1),
  padding: Padding = .valid,
  dilations: (Int, Int, Int, Int) = (1, 1, 1, 1)
) -> Tensor<Scalar>

    Thông số

    input

    Đầu vào.

    filter

    Bộ lọc tích chập.

    strides

    Các bước của bộ lọc trượt cho từng thứ nguyên của đầu vào.

    padding

    Phần đệm cho hoạt động

    dilations

    Hệ số giãn nở cho từng thứ nguyên của đầu vào.

  • Trả về một tích chập chuyển vị 2-D với đầu vào, bộ lọc, bước và khoảng đệm được chỉ định.

    Điều kiện tiên quyết

    input phải có thứ hạng 4 .

    Điều kiện tiên quyết

    filter phải có thứ hạng 4.

    Tuyên ngôn

    @differentiable(wrt: (input, filter)
public func transposedConv2D<Scalar: TensorFlowFloatingPoint>(
  _ input: Tensor<Scalar>,
  shape: [Int64],
  filter: Tensor<Scalar>,
  strides: (Int, Int, Int, Int) = (1, 1, 1, 1),
  padding: Padding = .valid,
  dilations: (Int, Int, Int, Int) = (1, 1, 1, 1)
) -> Tensor<Scalar>

    Thông số

    input

    Đầu vào.

    shape

    Hình dạng đầu ra của hoạt động giải mã.

    filter

    Bộ lọc tích chập.

    strides

    Các bước của bộ lọc trượt cho từng thứ nguyên của đầu vào.

    padding

    Phần đệm cho hoạt động

    dilations

    Hệ số giãn nở cho từng thứ nguyên của đầu vào.

  • Trả về một tích chập 3-D với đầu vào, bộ lọc, bước, khoảng đệm và độ giãn đã chỉ định.

    Điều kiện tiên quyết

    input phải có thứ hạng 5 .

    Điều kiện tiên quyết

    filter phải có thứ hạng 5.

    Tuyên ngôn

    @differentiable(wrt: (input, filter)
public func conv3D<Scalar: TensorFlowFloatingPoint>(
  _ input: Tensor<Scalar>,
  filter: Tensor<Scalar>,
  strides: (Int, Int, Int, Int, Int) = (1, 1, 1, 1, 1),
  padding: Padding = .valid,
  dilations: (Int, Int, Int, Int, Int) = (1, 1, 1, 1, 1)
) -> Tensor<Scalar>

    Thông số

    input

    Đầu vào.

    filter

    Bộ lọc tích chập.

    strides

    Các bước của bộ lọc trượt cho từng thứ nguyên của đầu vào.

    padding

    Phần đệm cho hoạt động.

    dilations

    Hệ số giãn nở cho từng thứ nguyên của đầu vào.

  • Trả về một tích chập theo chiều sâu 2-D với đầu vào, bộ lọc, bước và khoảng đệm được chỉ định.

    Điều kiện tiên quyết

    input phải có thứ hạng 4.

    Điều kiện tiên quyết

    filter phải có thứ hạng 4.

    Tuyên ngôn

    @differentiable(wrt: (input, filter)
public func depthwiseConv2D<Scalar: TensorFlowFloatingPoint>(
  _ input: Tensor<Scalar>,
  filter: Tensor<Scalar>,
  strides: (Int, Int, Int, Int),
  padding: Padding
) -> Tensor<Scalar>

    Thông số

    input

    Đầu vào.

    filter

    Bộ lọc tích chập theo chiều sâu.

    strides

    Các bước của bộ lọc trượt cho từng thứ nguyên của đầu vào.

    padding

    Phần đệm cho hoạt động.

  • Trả về tổng hợp tối đa 2-D, với kích thước bộ lọc, bước và khoảng đệm được chỉ định.

    Tuyên ngôn

    @differentiable(wrt: input)
public func maxPool2D<Scalar: TensorFlowFloatingPoint>(
  _ input: Tensor<Scalar>,
  filterSize: (Int, Int, Int, Int),
  strides: (Int, Int, Int, Int),
  padding: Padding
) -> Tensor<Scalar>

    Thông số

    input

    Đầu vào.

    filterSize

    Kích thước của nhân tổng hợp.

    strides

    Các bước của bộ lọc trượt cho từng thứ nguyên của đầu vào.

    padding

    Phần đệm cho hoạt động.

  • Trả về tổng hợp tối đa 3-D, với kích thước bộ lọc, bước và khoảng đệm được chỉ định.

    Tuyên ngôn

    @differentiable(wrt: input)
public func maxPool3D<Scalar: TensorFlowFloatingPoint>(
  _ input: Tensor<Scalar>,
  filterSize: (Int, Int, Int, Int, Int),
  strides: (Int, Int, Int, Int, Int),
  padding: Padding
) -> Tensor<Scalar>

    Thông số

    input

    Đầu vào.

    filterSize

    Kích thước của nhân tổng hợp.

    strides

    Các bước của bộ lọc trượt cho từng thứ nguyên của đầu vào.

    padding

    Phần đệm cho hoạt động.

  • Trả về tổng hợp trung bình 2-D, với kích thước bộ lọc, bước và khoảng đệm được chỉ định.

    Tuyên ngôn

    @differentiable(wrt: input)
public func avgPool2D<Scalar: TensorFlowFloatingPoint>(
  _ input: Tensor<Scalar>,
  filterSize: (Int, Int, Int, Int),
  strides: (Int, Int, Int, Int),
  padding: Padding
) -> Tensor<Scalar>

    Thông số

    input

    Đầu vào.

    filterSize

    Kích thước của nhân tổng hợp.

    strides

    Các bước của bộ lọc trượt cho từng thứ nguyên của đầu vào.

    padding

    Phần đệm cho hoạt động.

  • Trả về tổng hợp trung bình 3-D, với kích thước bộ lọc, bước và khoảng đệm được chỉ định.

    Tuyên ngôn

    @differentiable(wrt: input)
public func avgPool3D<Scalar: TensorFlowFloatingPoint>(
  _ input: Tensor<Scalar>,
  filterSize: (Int, Int, Int, Int, Int),
  strides: (Int, Int, Int, Int, Int),
  padding: Padding
) -> Tensor<Scalar>

    Thông số

    input

    Đầu vào.

    filterSize

    Kích thước của nhân tổng hợp.

    strides

    Các bước của bộ lọc trượt cho từng thứ nguyên của đầu vào.

    padding

    Phần đệm cho hoạt động.

  • Trả về tổng hợp tối đa theo phân số 2-D, với tỷ lệ tổng hợp được chỉ định.

    Lưu ý: fractionalMaxPool không có một thực hiện XLA, và do đó có thể có tác động hiệu suất.

    Tuyên ngôn

    @differentiable(wrt: input)
public func fractionalMaxPool2D<Scalar: TensorFlowFloatingPoint>(
  _ input: Tensor<Scalar>,
  poolingRatio: (Double, Double, Double, Double),
  pseudoRandom: Bool = false,
  overlapping: Bool = false,
  deterministic: Bool = false,
  seed: Int64 = 0,
  seed2: Int64 = 0
) -> Tensor<Scalar>

    Thông số

    input

    Một Tensor. 4-D với hình dạng [batch, height, width, channels] .

    poolingRatio

    Một danh sách các Doubles . Bằng việc kết hợp tỷ lệ cho mỗi kích thước của input , hiện chỉ hỗ trợ hàng và col chiều và nên được> = 1,0.

    pseudoRandom

    Một tùy chọn Bool . Mặc định là false . Khi thiết lập để true , tạo ra chuỗi tổng hợp một cách giả ngẫu nhiên, nếu không, một cách ngẫu nhiên.

    overlapping

    Một tùy chọn Bool . Mặc định là false . Khi thiết lập để true , nó có nghĩa là khi tổng hợp, các giá trị ở ranh giới của các tế bào tổng hợp liền kề được sử dụng bởi cả hai tế bào.

    deterministic

    Một tùy chọn Bool . Khi thiết lập để true , một khu vực tổng hợp cố định sẽ được sử dụng khi iterating qua nút fractionalMaxPool2D trong đồ thị tính toán.

    seed

    Một tùy chọn Int64 . Mặc định là 0 . Nếu được đặt là khác 0, bộ tạo số ngẫu nhiên sẽ được khởi tạo bởi hạt giống đã cho.

    seed2

    Một tùy chọn Int64 . Mặc định là 0 . Một hạt giống thứ hai để tránh va chạm hạt.

  • Trả về một bản sao của input nơi các giá trị từ chiều sâu đang di chuyển trong không gian khối với chiều cao và kích thước chiều rộng.

    Ví dụ, với một đầu vào hình dạng [1, 2, 2, 1] , data_format = “NHWC” và BLOCK_SIZE = 2:

    x = [[[[1], [2]],
      [[3], [4]]]]

    Đây hoạt động sẽ ra một tensor hình dạng [1, 1, 1, 4] :

    [[[[1, 2, 3, 4]]]]

    Ở đây, đầu vào có một lô 1 và mỗi yếu tố hàng loạt có hình dạng [2, 2, 1] , sản lượng tương ứng sẽ có một yếu tố duy nhất (tức là chiều rộng và chiều cao đều 1) và sẽ có độ sâu 4 kênh (1 * block_size * block_size). Hình dạng yếu tố đầu ra là [1, 1, 4] .

    Đối với một tensor đầu vào với độ sâu lớn hơn, ở đây hình dạng [1, 2, 2, 3] , ví dụ:

    x = [[[[1, 2, 3], [4, 5, 6]],
      [[7, 8, 9], [10, 11, 12]]]]

    Thao tác này, cho BLOCK_SIZE 2, sẽ trả lại tensor sau hình dạng [1, 1, 1, 12]

    [[[[1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12]]]]

    Tương tự như vậy, đối với đầu vào sau hình dạng [1 4 4 1] , và một kích thước khối 2:

    x = [[[[1],   [2],  [5],  [6]],
      [[3],   [4],  [7],  [8]],
      [[9],  [10], [13],  [14]],
      [[11], [12], [15],  [16]]]]

    các nhà điều hành sẽ trả lại tensor sau hình dạng [1 2 2 4] :

    x = [[[[1, 2, 3, 4],
       [5, 6, 7, 8]],
      [[9, 10, 11, 12],
       [13, 14, 15, 16]]]]

    Điều kiện tiên quyết

    input.rank == 4 && b >= 2 .

    Điều kiện tiên quyết

    Số lượng các tính năng phải chia hết cho vuông b .

    Tuyên ngôn

    @differentiable(wrt: input)
public func depthToSpace<Scalar>(_ input: Tensor<Scalar>, blockSize b: Int) -> Tensor<Scalar> where Scalar : TensorFlowScalar

  • Trả về một bản sao của input nơi các giá trị từ chiều cao và chiều rộng được chuyển đến chiều sâu.

    Ví dụ, với một đầu vào hình dạng [1, 2, 2, 1] , data_format = “NHWC” và BLOCK_SIZE = 2:

    x = [[[[1], [2]],
      [[3], [4]]]]

    Đây hoạt động sẽ ra một tensor hình dạng [1, 1, 1, 4] :

    [[[[1, 2, 3, 4]]]]

    Ở đây, đầu vào có một lô 1 và mỗi yếu tố hàng loạt có hình dạng [2, 2, 1] , sản lượng tương ứng sẽ có một yếu tố duy nhất (tức là chiều rộng và chiều cao đều 1) và sẽ có độ sâu 4 kênh (1 * block_size * block_size). Hình dạng yếu tố đầu ra là [1, 1, 4] .

    Đối với một tensor đầu vào với độ sâu lớn hơn, ở đây hình dạng [1, 2, 2, 3] , ví dụ:

    x = [[[[1, 2, 3], [4, 5, 6]],
      [[7, 8, 9], [10, 11, 12]]]]

    This operation, for block_size of 2, will return the following tensor of shape [1, 1, 1, 12]

    [[[[1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12]]]]

    Similarly, for the following input of shape [1 4 4 1] , and a block size of 2:

    x = [[[[1],   [2],  [5],  [6]],
      [[3],   [4],  [7],  [8]],
      [[9],  [10], [13],  [14]],
      [[11], [12], [15],  [16]]]]

    the operator will return the following tensor of shape [1 2 2 4] :

    x = [[[[1, 2, 3, 4],
       [5, 6, 7, 8]],
      [[9, 10, 11, 12],
       [13, 14, 15, 16]]]]

    Precondition

    input.rank == 4 && b >= 2 .

    Precondition

    The height of the input must be divisible by b .

    Precondition

    The width of the input must be divisible by b .

    Tuyên ngôn

    @differentiable(wrt: input)
public func spaceToDepth<Scalar>(_ input: Tensor<Scalar>, blockSize b: Int) -> Tensor<Scalar> where Scalar : TensorFlowScalar

  • Builds a per-weight optimizer for LARS ( https://arxiv.org/pdf/1708.03888.pdf ).

    Tuyên ngôn

    public func makeLARS(
  learningRate: Float = 0.01,
  momentum: Float = 0.9,
  trustCoefficient: Float = 0.001,
  nesterov: Bool = false,
  epsilon: Float = 0.0,
  weightDecay: Float = 0.0
) -> ParameterGroupOptimizer

  • Builds a SGD based per-weight optimizer.

    Tuyên ngôn

    public func makeSGD(
  learningRate: Float = 0.01,
  momentum: Float = 0,
  weightDecay: Float = 0,
  nesterov: Bool = false
) -> ParameterGroupOptimizer

  • Builds a per-weight optimizer for Adam with weight decay.

    Reference: “Adam - A Method for Stochastic Optimization”

    Tuyên ngôn

    public func makeAdam(
  learningRate: Float = 0.01,
  beta1: Float = 0.9,
  beta2: Float = 0.999,
  weightDecayRate: Float = 0.01,
  epsilon: Float = 1e-6
) -> ParameterGroupOptimizer

  • Generates a new random seed for TensorFlow.

    Tuyên ngôn

    public func randomSeedForTensorFlow(using seed: TensorFlowSeed? = nil) -> TensorFlowSeed

  • Concatenates two values.

    Tuyên ngôn

    @differentiable
public func concatenate<T: Mergeable>(
  _ first: T,
  _ second: T
) -> T

  • Adds two values and produces their sum.

    Tuyên ngôn

    @differentiable
public func sum<T: Mergeable>(
  _ first: T,
  _ second: T
) -> T

  • Averages two values.

    Tuyên ngôn

    @differentiable
public func average<T: Mergeable>(
  _ first: T,
  _ second: T
) -> T

  • Multiplies two values.

    Tuyên ngôn

    @differentiable
public func multiply<T: Mergeable>(
  _ first: T,
  _ second: T
) -> T

  • Stack two values.

    Tuyên ngôn

    @differentiable
public func stack<T: Mergeable>(
  _ first: T,
  _ second: T
) -> T

  • Tuyên ngôn

    public func PrintX10Metrics()

  • Creates a string summary of a list of training and testing stats.

    Tuyên ngôn

    public func formatStatistics(_ stats: (train: HostStatistics, test: HostStatistics)) -> String

  • Tuyên ngôn

    public func formatStatistics(train trainStats: HostStatistics, test testStats: HostStatistics)
  -> String

  • Maps a function over n threads.

    Tuyên ngôn

    public func runOnNThreads<R>(_ nThreads: Int, _ body: @escaping (Int) -> R) -> [R]