متمایز

یک نوع نشان دهنده مشتقات ارزش متغیر است.

از نظر ریاضی ، این معادل بسته مماس مانیفولد قابل تمایز است که با نوع متغیر نشان داده شده است.

حرکت self در امتداد جهت داده شده است. در هندسه ریمانی، این معادل به نقشه نمایی، که حرکت است self را بر روی سطح نقشه برداری در امتداد بردار مماس داده شده است.

بسته شدن است که تولید یک بردار مماس صفر، بدست آوردن اطلاعات لازم حداقل از self .

move(along: zeroTangentVectorInitializer()) باید تغییر دهید self .

در برخی موارد، بردار مماس صفر self برابر است با TangentVector.zero . در موارد دیگر، بردار مماس صفر بستگی به اطلاعات در self ، مانند شکل برای یک نوع آرایه n بعدی. برای برنامه نویسی مشتقپذیر، آن را بیشتر حافظه کارآمد برای تعریف یک سفارشی zeroTangentVectorInitializer اموال که بسته شدن است که قطاری و با استفاده از تنها اطلاعات لازم برای ایجاد یک بردار مماس صفر را برمی گرداند. مثلا:

struct Vector {
    var scalars: [Float]
    var count: Int { scalars.count }
    init(scalars: [Float]) { ... }
    init(repeating repeatedElement: Float, count: Int) { ... }
}

extension Vector: AdditiveArithmetic { ... }

extension Vector: Differentiable {
    typealias TangentVector = Vector

    @noDerivative
    var zeroTangentVectorInitializer: () -> TangentVector {
        let count = self.count
        return { TangentVector(repeating: 0, count: count) }
    }
}

بردار مماس با استفاده از مقداردهی اولیه zeroTangentVectorInitializer . move(along: zeroTangentVector) باید تغییر دهید self .

اعمال بسته شدن داده شده به مشتق شده از self .

بازده self مثل یک تابع هویت. وقتی مقدار بازگشتی در زمینه ای استفاده می شود که نسبت به آن متمایز است ، بسته بسته شده را بر مشتق ارزش بازگشت اعمال می کند.

بازده خروجی محاسبه با استفاده از دنباله ای از لایه ها را به خروجی لایه قبلی است، با این تفاوت که ورودی لایه اول است self .

بازده خروجی محاسبه با استفاده از دنباله ای از لایه ها را به خروجی لایه قبلی است، با این تفاوت که ورودی لایه اول است self .

بازده خروجی محاسبه با استفاده از دنباله ای از لایه ها را به خروجی لایه قبلی است، با این تفاوت که ورودی لایه اول است self .

بازده خروجی محاسبه با استفاده از دنباله ای از لایه ها را به خروجی لایه قبلی است، با این تفاوت که ورودی لایه اول است self .

بازده خروجی محاسبه با استفاده از دنباله ای از لایه ها را به خروجی لایه قبلی است، با این تفاوت که ورودی لایه اول است self .