لایه

با مجموعه‌ها، منظم بمانید ذخیره و دسته‌بندی محتوا براساس اولویت‌های شما.
public protocol Layer : Module where Self.Input : Differentiable

یک لایه شبکه عصبی

انواع که به مطابقت Layer نشان دهنده توابع است که ورودی های نقشه را به خروجی. آنها ممکن است یک حالت داخلی داشته باشند که توسط پارامترهایی مانند تنسور وزن نشان داده می شود.

Layer موارد مشتق تعریف callAsFunction(_:) روش برای ورودی های نقشه برداری به خروجی.

  • خروجی بدست آمده از اعمال لایه را به ورودی داده شده برمی گرداند.

    اعلام

    @differentiable
    func callAsFunction(_ input: Input) -> Output

    مولفه های

    input

    ورودی به لایه

    مقدار بازگشتی

    خروجی.

  • رو به جلو(_:)

    پیاده سازی پیش فرض

    پیاده سازی پیش فرض

    اعلام

    @differentiable
    func forward(_ input: Input) -> Output
  • استنباط (از :)

    روش فرمت

    خروجی استنتاج حاصل از اعمال لایه به ورودی داده شده را برمی گرداند.

    اعلام

    public func inferring(from input: Input) -> Output

    مولفه های

    input

    ورودی به لایه

    مقدار بازگشتی

    خروجی استنتاج

  • پشتیبان

    روش فرمت

    اعلام

    public typealias Backpropagator = (_ direction: Output.TangentVector)
      -> (layerGradient: TangentVector, inputGradient: Input.TangentVector)
  • خروجی استنتاج و تابع backpropagation بدست آمده از اعمال لایه به ورودی داده شده را برمی گرداند.

    اعلام

    public func appliedForBackpropagation(to input: Input)
      -> (output: Output, backpropagator: Backpropagator)

    مولفه های

    input

    ورودی به لایه

    مقدار بازگشتی

    یک تاپل شامل خروجی و تابع backpropagation است. تابع انتشار مجدد (معروف به backpropagator) یک بردار جهت می گیرد و شیب ها را به ترتیب در لایه و در ورودی برمی گرداند.

در دسترس در جایی که `Input`:` DifferentiableTensorProtocol` ، `Output`:` DifferentiableTensorProtocol`

  • callAsFunction (_ :)

    پیاده سازی پیش فرض

    پیاده سازی پیش فرض

    اعلام

    @differentiable(wrt: self)
    @differentiable
    public func callAsFunction(_ input: Input) -> Output