Fornece pontos de personalização para MutableCollection algoritmos.

Se incorporado na biblioteca padrão, esses requisitos seria apenas parte de MutableCollection . Enquanto isso, você pode declarar a conformidade de uma coleção para MutableCollectionAlgorithms para obter esses pontos de personalização a ser utilizado a partir de outros algoritmos definidos na MutableCollectionAlgorithms .

Tipos cujos elementos podem ser agrupados em algum elemento de classificação superior do mesmo tipo (exemplo: tensores, tupla de tensores)

Um tipo cujas propriedades e elementos aninhados podem ser copiados para um Device .

Um tipo cujos valores fornecem caminhos de chave personalizados para propriedades ou elementos.

Um tipo de dados escalar compatível com TensorFlow.

Tipos que estejam em conformidade com TensorFlowScalar pode ser usado como o Scalar tipo associado de Tensor .

Um tipo de dados inteiro que representa tipos inteiros que podem ser usados ​​como índices de tensor no TensorFlow.

Um banco de dados de ponto flutuante tipo que está em conformidade com Differentiable e é compatível com TensorFlow.

Um tipo que representa matematicamente uma variedade diferenciável cujos espaços tangentes são de dimensão finita.

Um tipo com valores que suportam multiplicação pontual.

Um tipo que representa um espaço vetorial não classificado. Os valores desse tipo são elementos neste espaço vetorial e não têm forma ou têm uma forma estática.

Um tipo diferenciável no espaço euclidiano. O tipo pode representar um espaço vetorial ou consistir em um espaço vetorial e algum outro componente não diferenciável.

Matematicamente, isso representa uma variedade de produto que consiste em um espaço vetorial diferenciável e alguma variedade arbitrária, onde o feixe tangente de toda a variedade de produto é igual ao componente do espaço vetorial.

Esta abstração é útil para representar estruturas de dados diferenciáveis ​​comuns que contêm propriedades vetoriais diferenciáveis ​​e outras propriedades armazenadas que não possuem um derivado, por exemplo

struct Perceptron: @memberwise EuclideanDifferentiable {
    var weight: SIMD16<Float>
    var bias: Float
    @noDerivative var useBias: Bool
}

Uma camada de rede neural.

Tipos que estejam em conformidade com Layer representam funções que mapeiam entradas e saídas. Eles podem ter um estado interno representado por parâmetros, como tensores de peso.

Layer instâncias definir um diferenciável callAsFunction(_:) método para entradas de mapeamento para saídas.

Uma camada de rede neural sem parâmetros.

O TangentVector de camadas sem parâmetros é sempre EmptyTangentVector .

Um tipo que possui funções elementares disponíveis.

Uma “função primária” é uma função construída a partir de potências, raízes, exponenciais, logaritmos, funções trigonométricas (sin, cos, tan) e suas inversas, e as funções hiperbólicas (sinh, cosh, tanh) e suas inversas.

A conformidade com este protocolo significa que todos esses blocos de construção estão disponíveis como funções estáticas no tipo.

let x: Float = 1
let y = Float.sin(x) // 0.84147096

Um tipo cujas propriedades e elementos de tensor de ponto flutuante aninhados podem ser convertidos de precisão total para precisão reduzida e vice-versa.

Um detalhe de implementação utilizado para contornar o fato de que Swift não pode expressar uma restrição genérica que algum tipo deve ser uma instância de Sampling .

Um tipo que pode ser inicializado a partir de um numpy.ndarray exemplo representado como um PythonObject .

Um tipo que é compatível bit a bit com um ou mais tipos escalares NumPy.

Um tipo cujos valores podem ser convertido a um PythonObject .

Um tipo que pode ser inicializado a partir de um PythonObject .

Um tipo que fornece dados pseudoaleatórios determinísticos que podem ser propagados.

Um SeedableRandomNumberGenerator pode ser usado em qualquer lugar onde um RandomNumberGenerator seria usado. É útil quando os dados pseudo-aleatórios precisam ser reproduzíveis nas execuções.

Em conformidade com o protocolo SeedableRandomNumberGenerator

Para fazer um tipo personalizado em conformidade com a SeedableRandomNumberGenerator protocolo, implementar o init(seed: [UInt8]) initializer, bem como os requisitos para RandomNumberGenerator . Os valores devolvidos por next() deve formar uma sequência determinista que depende apenas da semente fornecida durante a inicialização.

Uma célula de camada recorrente.

Um tipo com valores que suportam operações binárias diferenciáveis.

Usado por BidirectionalRecurrentLayer como uma exigência genérica para funções de mesclagem.

Protocolo especial para chamar operações de tensorflow que usam matrizes heterogêneas como entrada.

Um protocolo representando tipos que podem ser mapeados para Array<CTensorHandle> .

Este protocolo é definido separadamente TensorGroup para que o número de tensores de ser determinados em tempo de execução. Por exemplo, [Tensor<Float>] pode ter um número desconhecido de elementos em tempo de compilação.

Este protocolo pode ser derivada automaticamente para estruturas cujas propriedades armazenados todos em conformidade com o TensorGroup protocolo. Ele não pode ser derivada automaticamente para estruturas cujas propriedades todos em conformidade com TensorArrayProtocol devido à exigência construtor (isto é, em tais casos, seria impossível saber como a quebrar count entre as propriedades armazenadas).

Um protocolo representando tipos que podem ser mapeados para e da Array<CTensorHandle> .

Quando um TensorGroup é usado como um argumento para uma operação de tensor, que é passada como uma lista de argumentos cujos elementos são os campos de tensor do tipo.

Quando um TensorGroup é retornado como resultado de uma operação de tensor, ele é inicializado com seus campos tensor definido para resultados tensor da operação tensor.

Um tipo de dados compatível em x10.