Zapewnia punkty dostosowywania dla algorytmów MutableCollection .

Jeśli zostaną włączone do biblioteki standardowej, wymagania te będą po prostu częścią MutableCollection . W międzyczasie możesz zadeklarować zgodność kolekcji z MutableCollectionAlgorithms , aby uzyskać te punkty dostosowywania, które będą używane z innych algorytmów zdefiniowanych w MutableCollectionAlgorithms .

Typy, których elementy można zestawić w element wyższego rzędu tego samego typu (przykład: tensory, krotka tensorów)

Typ, którego zagnieżdżone właściwości i elementy można skopiować do Device .

Typ, którego wartości zapewniają niestandardowe ścieżki kluczy do właściwości lub elementów.

Skalarny typ danych zgodny z TensorFlow.

Typy zgodne z TensorFlowScalar mogą być używane jako typ skojarzony ze Scalar Tensor .

Typ danych całkowitych reprezentujący typy całkowite, których można używać jako indeksów tensora w TensorFlow.

Typ danych zmiennoprzecinkowych zgodny z Differentiable i zgodny z TensorFlow.

Typ, który matematycznie reprezentuje rozmaitość różniczkowa, której przestrzenie styczne są skończone.

Typ z wartościami obsługującymi mnożenie punktowe.

Typ reprezentujący nierankingową przestrzeń wektorową. Wartości tego typu są elementami tej przestrzeni wektorowej i nie mają kształtu lub mają kształt statyczny.

Typ różniczkowalny w przestrzeni euklidesowej. Typ może reprezentować przestrzeń wektorową lub składać się z przestrzeni wektorowej i innego niezróżnicowalnego składnika.

Matematycznie oznacza to rozmaitość iloczynu składającą się z różniczkowalnej przestrzeni wektorowej i pewnej dowolnej rozmaitości, gdzie wiązka styczna całej rozmaitości iloczynu jest równa składowej przestrzeni wektorowej.

Ta abstrakcja jest przydatna do reprezentowania wspólnych różniczkowalnych struktur danych, które zawierają zarówno różniczkowalne właściwości wektorów, jak i inne przechowywane właściwości, które nie mają pochodnej, np.

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

Warstwa sieci neuronowej.

Typy zgodne z Layer reprezentują funkcje, które mapują dane wejściowe na dane wyjściowe. Mogą mieć stan wewnętrzny reprezentowany przez parametry, takie jak tensory wag.

Instancje Layer definiują różniczkowalną metodę callAsFunction(_:) służącą do mapowania wejść na wyjścia.

Bezparametrowa warstwa sieci neuronowej.

TangentVector warstw bez parametrów ma zawsze EmptyTangentVector .

Typ, który ma dostępne funkcje elementarne.

„Funkcja elementarna” to funkcja zbudowana z potęg, pierwiastków, potęg wykładniczych, logarytmów, funkcji trygonometrycznych (sin, cos, tan) i ich odwrotności oraz funkcji hiperbolicznych (sinh, cosh, tanh) i ich odwrotności.

Zgodność z tym protokołem oznacza, że ​​wszystkie te elementy konstrukcyjne są dostępne jako funkcje statyczne na typie.

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

Typ, którego zagnieżdżone właściwości i elementy tensora zmiennoprzecinkowego można konwertować z pełnej precyzji na zmniejszoną precyzję i odwrotnie.

Szczegół implementacji zastosowany do obejścia faktu, że Swift nie może wyrazić ogólnego ograniczenia, zgodnie z którym jakiś typ musi być instancją Sampling .

Typ, który można zainicjować z instancji numpy.ndarray reprezentowanej jako PythonObject .

Typ, który jest bitowo zgodny z jednym lub większą liczbą typów skalarnych NumPy.

Typ, którego wartości można przekonwertować na PythonObject .

Typ, który można zainicjować z PythonObject .

Typ, który udostępnia deterministyczne dane pseudolosowe z możliwością zaszczepienia.

SeedableRandomNumberGenerator może być używany wszędzie tam, gdzie byłby używany RandomNumberGenerator. Jest to przydatne, gdy dane pseudolosowe muszą być odtwarzalne w różnych seriach.

Zgodny z protokołem SeedableRandomNumberGenerator

Aby typ niestandardowy był zgodny z protokołem SeedableRandomNumberGenerator , zaimplementuj inicjator init(seed: [UInt8]) , a także wymagania dla RandomNumberGenerator . Wartości zwracane przez next() muszą tworzyć deterministyczną sekwencję zależną tylko od materiału siewnego dostarczonego podczas inicjalizacji.

Komórka warstwy cyklicznej.

Typ z wartościami obsługującymi różniczkowalne operacje binarne.

Używane przez BidirectionalRecurrentLayer jako ogólne wymaganie dla funkcji scalania.

Specjalny protokół do wywoływania operacji tensorflow, które jako dane wejściowe pobierają heterogeniczne tablice.

Protokół reprezentujący typy, które można zamapować na Array<CTensorHandle> .

Protokół ten jest zdefiniowany oddzielnie od TensorGroup , aby można było określić liczbę tensorów w czasie wykonywania. Na przykład [Tensor<Float>] może mieć nieznaną liczbę elementów w czasie kompilacji.

Ten protokół można wyprowadzić automatycznie dla struktur, których przechowywane właściwości są zgodne z protokołem TensorGroup . Nie można go wyprowadzić automatycznie dla struktur, których wszystkie właściwości są zgodne z TensorArrayProtocol ze względu na wymagania konstruktora (tj. w takich przypadkach nie byłoby możliwe poznanie sposobu podziału count przechowywanych właściwości).

Protokół reprezentujący typy, które można mapować do i z Array<CTensorHandle> .

Gdy TensorGroup jest używany jako argument operacji tensora, jest przekazywany jako lista argumentów, której elementy są polami tensora typu.

Gdy w wyniku operacji tensora zostanie zwrócona TensorGroup , zostanie ona zainicjowana z polami tensora ustawionymi na wyniki tensora operacji tensora.

Obsługiwany typ danych w x10.