Bietet Anpassungspunkte für MutableCollection Algorithmen.

Wenn diese Anforderungen in die Standardbibliothek aufgenommen würden, wären sie nur Teil von MutableCollection . In der Zwischenzeit können Sie die Konformität einer Sammlung mit MutableCollectionAlgorithms , damit diese Anpassungspunkte von anderen in MutableCollectionAlgorithms definierten Algorithmen MutableCollectionAlgorithms .

Typen, deren Elemente in einem höherrangigen Element desselben Typs zusammengefasst werden können (Beispiel: Tensoren, Tensor-Tupel)

Ein Typ, dessen verschachtelte Eigenschaften und Elemente auf ein Device kopiert werden können.

Ein Typ, dessen Werte benutzerdefinierte Schlüsselpfade zu Eigenschaften oder Elementen bereitstellen.

Ein skalarer Datentyp, der mit TensorFlow kompatibel ist.

Typen , die zu entsprechen TensorFlowScalar können als verwendet werden Scalar zugehörige Art von Tensor .

Ein ganzzahliger Datentyp, der ganzzahlige Typen darstellt, die in TensorFlow als Tensorindizes verwendet werden können.

Ein Gleitkomma-Datentyp, der Differentiable entspricht und mit TensorFlow kompatibel ist.

Ein Typ, der mathematisch eine differenzierbare Mannigfaltigkeit darstellt, deren Tangentenräume endlichdimensional sind.

Ein Typ mit Werten, die die punktweise Multiplikation unterstützen.

Ein Typ, der einen Vektorraum ohne Rang darstellt. Werte dieses Typs sind Elemente in diesem Vektorraum und haben entweder keine Form oder eine statische Form.

Ein Typ, der im euklidischen Raum differenzierbar ist. Der Typ kann einen Vektorraum darstellen oder aus einem Vektorraum und einer anderen nicht differenzierbaren Komponente bestehen.

Mathematisch stellt dies einen Produktverteiler dar, der aus einem differenzierbaren Vektorraum und einem beliebigen Verteiler besteht, wobei das Tangentenbündel des gesamten Produktverteilers gleich der Vektorraumkomponente ist.

Diese Abstraktion ist nützlich, um gemeinsame differenzierbare Datenstrukturen darzustellen, die sowohl differenzierbare Vektoreigenschaften als auch andere gespeicherte Eigenschaften enthalten, die keine Ableitung haben, z

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

Eine neuronale Netzwerkschicht.

Layer konforme Typen stellen Funktionen dar, die Eingaben auf Ausgaben abbilden. Sie können einen internen Zustand haben, der durch Parameter wie Gewichtstensoren dargestellt wird.

Layer definieren eine differenzierbare callAsFunction(_:) Verfahren zum Abbilden von Eingaben auf Ausgaben.

Eine parameterlose neuronale Netzwerkschicht.

Der TangentVector von parameterlosen Ebenen ist immer EmptyTangentVector .

Ein Typ, für den Elementarfunktionen verfügbar sind.

Eine „Elementarfunktion“ ist eine Funktion, die aus Potenzen, Wurzeln, Exponentialen, Logarithmen, trigonometrischen Funktionen (sin, cos, tan) und ihren Inversen sowie den hyperbolischen Funktionen (sinh, cosh, tanh) und ihren Inversen aufgebaut ist.

Die Konformität mit diesem Protokoll bedeutet, dass alle diese Bausteine ​​als statische Funktionen für den Typ verfügbar sind.

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

Ein Typ, dessen verschachtelte Gleitkomma-Tensoreigenschaften und -elemente von voller Genauigkeit in reduzierte Genauigkeit und umgekehrt konvertiert werden können.

Ein Implementierungsdetail, mit dem die Tatsache umgangen wird, dass Swift keine generische Einschränkung ausdrücken kann, dass ein Typ eine Instanz von Sampling .

Ein Typ, der über eine numpy.ndarray Instanz initialisiert werden kann, die als PythonObject .

Ein Typ, der bitweise mit einem oder mehreren NumPy-Skalartypen kompatibel ist.

Ein Typ, dessen Werte in ein PythonObject konvertiert werden PythonObject .

Ein Typ, der über ein PythonObject initialisiert werden PythonObject .

Ein Typ, der aussetzbare deterministische Pseudozufallsdaten liefert.

Ein SeedableRandomNumberGenerator kann überall dort verwendet werden, wo ein RandomNumberGenerator verwendet werden würde. Dies ist nützlich, wenn die Pseudozufallsdaten über Läufe hinweg reproduzierbar sein müssen.

Anpassung an das SeedableRandomNumberGenerator-Protokoll

Um einen benutzerdefinierten Typ an das SeedableRandomNumberGenerator Protokoll SeedableRandomNumberGenerator , implementieren Sie den Initialisierer init(seed: [UInt8]) sowie die Anforderungen für RandomNumberGenerator . Die von next() zurückgegebenen Werte müssen eine deterministische Sequenz bilden, die nur von dem bei der Initialisierung bereitgestellten Startwert abhängt.

Eine wiederkehrende Schichtzelle.

Ein Typ mit Werten, die differenzierbare Binäroperationen unterstützen.

Wird von BidirectionalRecurrentLayer als allgemeine Anforderung für Zusammenführungsfunktionen verwendet.

Spezielles Protokoll zum Aufrufen von Tensorflow-Operationen, die heterogene Arrays als Eingabe verwenden.

Ein Protokoll, das Typen darstellt, die dem Array<CTensorHandle> .

Dieses Protokoll wird getrennt von TensorGroup definiert, damit die Anzahl der Tensoren zur Laufzeit bestimmt werden kann. Beispielsweise kann [Tensor<Float>] zur Kompilierungszeit eine unbekannte Anzahl von Elementen aufweisen.

Dieses Protokoll kann automatisch für Strukturen abgeleitet werden, deren gespeicherte Eigenschaften alle dem TensorGroup Protokoll entsprechen. Es kann nicht automatisch für Strukturen abgeleitet werden, deren Eigenschaften aufgrund der Konstruktoranforderungen alle mit TensorArrayProtocol übereinstimmen (dh in solchen Fällen ist es unmöglich zu wissen, wie die count unter den gespeicherten Eigenschaften aufgeschlüsselt wird).

Ein Protokoll, das Typen darstellt, die dem Array<CTensorHandle> .

Wenn eine TensorGroup als Argument für eine Tensoroperation verwendet wird, wird sie als Argumentliste übergeben, deren Elemente die Tensorfelder des Typs sind.

Wenn eine TensorGroup als Ergebnis einer Tensoroperation zurückgegeben wird, wird sie initialisiert, wobei ihre Tensorfelder auf die Tensorergebnisse der Tensoroperation gesetzt werden.

Ein unterstützter Datentyp in x10.