Các kiến trúc

Sự kết hợp của hai chuỗi có cùng loại phần tử.

Chế độ xem được xoay trên một bộ sưu tập.

Một giá trị phái sinh được loại bỏ.

Loại AnyDerivative chuyển tiếp các hoạt động của nó tới một giá trị phái sinh cơ sở cơ bản tùy ý tuân theo Differentiable và AdditiveArithmetic , ẩn các chi tiết cụ thể của giá trị cơ bản.

Mảng đa chiều gồm các phần tử là sự tổng quát hóa của vectơ và ma trận thành các chiều có khả năng cao hơn.

Tham số chung Scalar mô tả loại đại số vô hướng trong tensor (chẳng hạn như Int32 , Float , v.v.).

Hàm pullback thực hiện chuyển đổi phát sóng hai Tensors .

Ngữ cảnh lưu trữ thông tin theo ngữ cảnh cục bộ theo luồng được sử dụng bởi các API học sâu chẳng hạn như các lớp.

Sử dụng Context.local để truy xuất bối cảnh luồng cục bộ hiện tại.

Ví dụ:

• Đặt giai đoạn học tập hiện tại thành đào tạo để các lớp như BatchNorm sẽ tính toán giá trị trung bình và phương sai khi áp dụng cho đầu vào.

  Context.local.learningPhase = .training

• Đặt giai đoạn học hiện tại thành suy luận để các lớp như Dropout sẽ không loại bỏ các đơn vị khi áp dụng cho đầu vào.

  Context.local.learningPhase = .inference

Lớp tích chập 1-D (ví dụ: tích chập theo thời gian trên chuỗi thời gian).

Lớp này tạo ra một bộ lọc tích chập được tích hợp với đầu vào của lớp để tạo ra một tensor đầu ra.

Lớp tích chập 2-D (ví dụ: tích chập không gian trên hình ảnh).

Lớp này tạo ra một bộ lọc tích chập được tích hợp với đầu vào của lớp để tạo ra một tensor đầu ra.

Lớp tích chập 3-D để tích chập không gian/không gian-thời gian trên hình ảnh.

Lớp này tạo ra một bộ lọc tích chập được tích hợp với đầu vào của lớp để tạo ra một tensor đầu ra.

Lớp tích chập chuyển đổi 1-D (ví dụ: tích chập chuyển đổi thời gian trên hình ảnh).

Lớp này tạo ra một bộ lọc tích chập được chuyển đổi tích chập với đầu vào của lớp để tạo ra một tenxơ đầu ra.

Lớp tích chập chuyển đổi 2-D (ví dụ: tích chập chuyển đổi không gian trên hình ảnh).

Lớp này tạo ra một bộ lọc tích chập được chuyển đổi tích chập với đầu vào của lớp để tạo ra một tenxơ đầu ra.

Lớp tích chập chuyển đổi 3-D (ví dụ: tích chập chuyển đổi không gian trên hình ảnh).

Lớp này tạo ra một bộ lọc tích chập được chuyển đổi tích chập với đầu vào của lớp để tạo ra một tenxơ đầu ra.

Lớp tích chập theo chiều sâu 2-D.

Lớp này tạo ra các bộ lọc tích chập có thể tách rời được tích hợp với đầu vào của lớp để tạo ra một tenxơ đầu ra.

Một lớp để thêm phần đệm bằng 0 vào chiều thời gian.

Một lớp để thêm phần đệm bằng 0 vào các kích thước không gian.

Một lớp để thêm phần đệm bằng 0 vào các chiều không gian/không gian-thời gian.

Lớp tích chập có thể phân tách 1-D.

Lớp này thực hiện tích chập theo chiều sâu hoạt động riêng biệt trên các kênh, sau đó là tích chập theo chiều điểm để trộn các kênh.

Lớp tích chập có thể phân tách 2-D.

Lớp này thực hiện tích chập theo chiều sâu hoạt động riêng biệt trên các kênh, sau đó là tích chập theo chiều điểm để trộn các kênh.

Một lớp phẳng.

Một lớp làm phẳng sẽ làm phẳng đầu vào khi được áp dụng mà không ảnh hưởng đến kích thước lô.

Một lớp định hình lại.

Một lớp bao quanh một hàm khả vi tùy chỉnh.

Giá trị loại động TensorFlow có thể được tạo từ các loại tuân theo TensorFlowScalar .

Đại diện cho một tập hợp lớn các phần tử.

Dataset có thể được sử dụng để biểu diễn đường dẫn đầu vào dưới dạng tập hợp các tensor phần tử.

Loại cho phép lặp lại các phần tử của tập dữ liệu.

Cấu trúc giống như 2 bộ tuân theo TensorGroup đại diện cho bộ gồm 2 loại tuân theo TensorGroup .

Một lớp mạng lưới thần kinh được kết nối dày đặc.

Dense triển khai hoạt động activation(matmul(input, weight) + bias) , trong đó weight là ma trận trọng số, bias là vectơ thiên vị và activation là hàm kích hoạt theo phần tử.

Lớp này cũng hỗ trợ các tensor trọng lượng 3-D với ma trận sai lệch 2-D. Trong trường hợp này, thứ nguyên đầu tiên của cả hai đều được coi là kích thước lô được căn chỉnh với kích thước input đầu tiên và biến thể lô của thao tác matmul(_:_:) được sử dụng, do đó sử dụng trọng số và độ lệch khác nhau cho từng phần tử trong lô đầu vào.

Một thiết bị mà Tensor s có thể được phân bổ trên đó.

Một lớp bỏ học.

Bỏ học bao gồm việc đặt ngẫu nhiên một phần đơn vị đầu vào thành 0 ở mỗi lần cập nhật trong thời gian đào tạo, điều này giúp ngăn ngừa việc trang bị quá mức.

GaussianNoise thêm nhiễu được lấy mẫu từ phân phối chuẩn.

Tiếng ồn được thêm vào luôn có giá trị trung bình bằng 0 nhưng có độ lệch chuẩn có thể định cấu hình.

GaussianDropout nhân đầu vào với nhiễu được lấy mẫu từ phân phối chuẩn có giá trị trung bình là 1,0.

Vì đây là lớp chính quy nên nó chỉ hoạt động trong thời gian đào tạo. Trong quá trình suy luận, GaussianDropout chuyển qua đầu vào chưa được sửa đổi.

Một lớp bỏ học Alpha.

Alpha Dropout là Dropout giữ giá trị trung bình và phương sai của đầu vào về giá trị ban đầu của chúng, để đảm bảo thuộc tính tự chuẩn hóa ngay cả sau lần bỏ học này. Alpha Dropout rất phù hợp với Đơn vị tuyến tính hàm mũ theo tỷ lệ bằng cách đặt ngẫu nhiên các kích hoạt thành giá trị bão hòa âm.

Nguồn: Mạng thần kinh tự chuẩn hóa: https://arxiv.org/abs/1706.02515

Một lớp nhúng.

Embedding thực sự là một bảng tra cứu ánh xạ các chỉ mục từ một từ vựng cố định sang các biểu diễn vectơ có kích thước cố định (dày đặc), ví dụ [[0], [3]] -> [[0.25, 0.1], [0.6, -0.2]]

Một cấu trúc trống biểu thị các TangentVector trống cho các lớp không tham số.

Cặp khoảnh khắc thứ nhất và thứ hai (nghĩa là giá trị trung bình và phương sai).

Lớp giãn nở hình thái 2-D

Lớp này trả về độ giãn hình thái của tensor đầu vào với các bộ lọc được cung cấp

Lớp xói mòn hình thái 2-D

Lớp này trả về sự xói mòn hình thái của tensor đầu vào với các bộ lọc được cung cấp

Một lựa chọn lười biếng của các phần tử, theo một thứ tự nhất định, từ một số bộ sưu tập cơ sở.

Một tập hợp các lát cắt liền kề không chồng chéo dài nhất của một số Bộ sưu tập Base , bắt đầu với phần tử đầu tiên và có độ dài tối đa cố định.

Các phần tử của bộ sưu tập này, ngoại trừ phần tử cuối cùng, tất cả đều có count batchSize , trừ khi Base.count % batchSize !=0 , trong trường hợp đó count của đợt cuối cùng là base.count % batchSize.

Một lớp chuẩn hóa hàng loạt.

Bình thường hóa các kích hoạt của lớp trước ở mỗi đợt, tức là áp dụng một phép biến đổi duy trì kích hoạt trung bình gần bằng 0 và độ lệch chuẩn kích hoạt gần bằng 1 .

Tham khảo: Chuẩn hóa hàng loạt: Tăng tốc đào tạo mạng sâu bằng cách giảm sự thay đổi hiệp phương sai nội bộ .

Một lớp áp dụng chuẩn hóa lớp trên một loạt đầu vào nhỏ.

Tham khảo: Chuẩn hóa lớp .

Một lớp áp dụng chuẩn hóa nhóm cho một loạt đầu vào nhỏ.

Tham khảo: Chuẩn hóa nhóm .

Một lớp áp dụng chuẩn hóa phiên bản trên một loạt đầu vào nhỏ.

Tham khảo: Chuẩn hóa sơ thẩm: Thành phần còn thiếu để tạo kiểu nhanh .

Nêu rõ từng bước của một trọng số bên trong trình tối ưu hóa.

Trạng thái toàn cầu được truy cập thông qua StateAccessor .

[String: Float] nhưng các phần tử có thể được truy cập như thể chúng là thành viên.

Trình tối ưu hóa hoạt động trên một nhóm tham số duy nhất.

Trình bao bọc an toàn kiểu xung quanh giá trị chỉ mục Int cho các giá trị cục bộ của trình tối ưu hóa.

Trình bao bọc an toàn kiểu xung quanh giá trị chỉ mục Int cho các giá trị toàn cục của trình tối ưu hóa.

Trình bao bọc an toàn kiểu xung quanh giá trị chỉ mục Int cho các giá trị trạng thái của trình tối ưu hóa.

Xây dựng một ParameterGroupOptimizer . Điều này về cơ bản được sử dụng ở cấp độ của một trọng lượng duy nhất trong mô hình. Ánh xạ từ các nhóm tham số được chọn bởi ( [Bool] tới ParameterGroupOptimizer) xác định trình tối ưu hóa cuối cùng.

Lớp tổng hợp tối đa cho dữ liệu tạm thời.

Lớp tổng hợp tối đa cho dữ liệu không gian.

Lớp tổng hợp tối đa cho dữ liệu không gian hoặc không gian-thời gian.

Một lớp tổng hợp trung bình cho dữ liệu tạm thời.

Một lớp tổng hợp trung bình cho dữ liệu không gian.

Lớp tổng hợp trung bình cho dữ liệu không gian hoặc không gian-thời gian.

Lớp tổng hợp trung bình toàn cầu cho dữ liệu tạm thời.

Lớp tổng hợp trung bình toàn cầu cho dữ liệu không gian.

Lớp tổng hợp trung bình toàn cầu cho dữ liệu không gian và không gian-thời gian.

Lớp tổng hợp tối đa toàn cầu cho dữ liệu tạm thời.

Lớp tổng hợp tối đa toàn cầu cho dữ liệu không gian.

Lớp tổng hợp tối đa toàn cầu cho dữ liệu không gian và không gian-thời gian.

Lớp tổng hợp tối đa phân đoạn cho dữ liệu không gian. Lưu ý: FractionalMaxPool không triển khai XLA và do đó có thể ảnh hưởng đến hiệu suất.

PythonObject đại diện cho một đối tượng trong Python và hỗ trợ tra cứu thành viên động. Bất kỳ quyền truy cập thành viên nào như object.foo sẽ tự động yêu cầu thời gian chạy Python cho thành viên có tên được chỉ định trong đối tượng này.

PythonObject được chuyển đến và trả về từ tất cả các lệnh gọi hàm và tham chiếu thành viên của Python. Nó hỗ trợ các toán tử so sánh và số học Python tiêu chuẩn.

Trong nội bộ, PythonObject được triển khai dưới dạng con trỏ được tính tham chiếu tới API PyObject của Python C.

Trình bao bọc PythonObject cho phép thực hiện các lệnh gọi phương thức. Các ngoại lệ do các hàm Python tạo ra được phản ánh dưới dạng lỗi Swift và bị ném ra.

Trình bao bọc PythonObject cho phép thành viên truy cập. Hoạt động truy cập thành viên trả về kết quả Optional . Khi quyền truy cập của thành viên không thành công, nil được trả về.

Một giao diện cho Python.

PythonInterface cho phép tương tác với Python. Nó có thể được sử dụng để nhập các mô-đun và truy cập động các loại và hàm dựng sẵn của Python.

Một trình tạo số ngẫu nhiên được xóa kiểu.

Loại AnyRandomNumberGenerator chuyển tiếp các hoạt động tạo số ngẫu nhiên tới một trình tạo số ngẫu nhiên cơ bản, ẩn loại cơ bản cụ thể của nó.

Việc triển khai SeedableRandomNumberGenerator bằng ARC4.

ARC4 là một mật mã luồng tạo ra luồng byte giả ngẫu nhiên. PRNG này sử dụng hạt giống làm khóa của nó.

ARC4 được mô tả trong Schneier, B., “Mật mã ứng dụng: Giao thức, thuật toán và mã nguồn trong C”, tái bản lần 2, 1996.

Một trình tạo riêng lẻ không an toàn cho luồng, nhưng các trình tạo riêng biệt không chia sẻ trạng thái. Dữ liệu ngẫu nhiên được tạo ra có chất lượng cao nhưng không phù hợp với các ứng dụng mã hóa.

Triển khai SeedableRandomNumberGenerator bằng Threefry. Cá hồi và cộng sự. SC 2011. Các số ngẫu nhiên song song: dễ như 1, 2, 3. http://www.thesalmons.org/john/random123/papers/random123sc11.pdf

Cấu trúc này triển khai PRNG Threefry2x32 20 vòng. Nó phải được gieo với giá trị 64-bit.

Một trình tạo riêng lẻ không an toàn cho luồng, nhưng các trình tạo riêng biệt không chia sẻ trạng thái. Dữ liệu ngẫu nhiên được tạo ra có chất lượng cao nhưng không phù hợp với các ứng dụng mã hóa.

Triển khai SeedableRandomNumberGenerator bằng Philox. Cá hồi và cộng sự. SC 2011. Các số ngẫu nhiên song song: dễ như 1, 2, 3. http://www.thesalmons.org/john/random123/papers/random123sc11.pdf

Cấu trúc này triển khai PRNG Philox4x32 10 vòng. Nó phải được gieo với giá trị 64-bit.

Một trình tạo riêng lẻ không an toàn cho luồng, nhưng các trình tạo riêng biệt không chia sẻ trạng thái. Dữ liệu ngẫu nhiên được tạo ra có chất lượng cao nhưng không phù hợp với các ứng dụng mã hóa.

Một đầu vào của mạng nơ-ron hồi quy.

Một đầu ra cho một mạng lưới thần kinh tái phát.

Một tế bào RNN cơ bản.

Một tế bào LSTM.

Một tế bào GRU.

Một lớp bao gồm hai hoặc nhiều lớp khác một cách tuần tự.

Ví dụ:

• Xây dựng mô hình perceptron 2 lớp đơn giản cho MNIST:

let inputSize = 28 * 28
let hiddenSize = 300
var classifier = Sequential {
     Dense<Float>(inputSize: inputSize, outputSize: hiddenSize, activation: relu)
     Dense<Float>(inputSize: hiddenSize, outputSize: 3, activation: identity)
 }

• Xây dựng bộ mã hóa tự động cho MNIST:

var autoencoder = Sequential {
    // The encoder.
    Dense<Float>(inputSize: 28 * 28, outputSize: 128, activation: relu)
    Dense<Float>(inputSize: 128, outputSize: 64, activation: relu)
    Dense<Float>(inputSize: 64, outputSize: 12, activation: relu)
    Dense<Float>(inputSize: 12, outputSize: 3, activation: relu)
    // The decoder.
    Dense<Float>(inputSize: 3, outputSize: 12, activation: relu)
    Dense<Float>(inputSize: 12, outputSize: 64, activation: relu)
    Dense<Float>(inputSize: 64, outputSize: 128, activation: relu)
    Dense<Float>(inputSize: 128, outputSize: imageHeight * imageWidth, activation: tanh)
}

ShapedArray là một mảng nhiều chiều. Nó có hình dạng, có kiểu [Int] và xác định kích thước mảng, đồng thời sử dụng TensorBuffer bên trong làm bộ lưu trữ.

Một lát liền kề của một phiên bản ShapedArray hoặc ShapedArraySlice .

ShapedArraySlice cho phép vận hành nhanh chóng, hiệu quả trên các lát liền kề của các phiên bản ShapedArray . Các phiên bản ShapedArraySlice không có bộ lưu trữ riêng. Thay vào đó, họ cung cấp chế độ xem về bộ lưu trữ ShapedArray cơ sở của họ. ShapedArraySlice có thể biểu diễn hai loại lát cắt khác nhau: mảng phần tử và mảng con.

Mảng phần tử là các phần tử có chiều thứ nguyên phụ của ShapedArray : thứ hạng của chúng nhỏ hơn một bậc so với cơ sở của chúng. Các lát mảng phần tử thu được bằng cách lập chỉ mục một thể hiện ShapedArray với chỉ mục Int32 số ít.

Ví dụ:

    var matrix = ShapedArray(shape: [2, 2], scalars: [0, 1, 2, 3])
    // `matrix` represents [[0, 1], [2, 3]].

    let element = matrix[0]
    // `element` is a `ShapedArraySlice` with shape [2]. It is an element
    // array, specifically the first element in `matrix`: [0, 1].

    matrix[1] = ShapedArraySlice(shape: [2], scalars: [4, 8])
    // The second element in `matrix` has been mutated.
    // `matrix` now represents [[0, 1, 4, 8]].

Mảng con là một phạm vi liền kề của các phần tử trong ShapedArray . Thứ hạng của một mảng con giống như thứ hạng của mảng cơ sở, nhưng thứ nguyên chính của nó là số lượng của phạm vi lát cắt. Các lát cắt mảng con thu được bằng cách lập chỉ mục một ShapedArray với Range<Int32> đại diện cho một phạm vi phần tử (trong chiều thứ nguyên chính). Các phương thức như prefix(:) và suffix(:) lập chỉ mục nội bộ với một phạm vi cũng tạo ra mảng con.

Ví dụ:

    let zeros = ShapedArray(repeating: 0, shape: [3, 2])
    var matrix = ShapedArray(shape: [3, 2], scalars: Array(0..<6))
    // `zeros` represents [[0, 0], [0, 0], [0, 0]].
    // `matrix` represents [[0, 1], [2, 3], [4, 5]].

    let subarray = matrix.prefix(2)
    // `subarray` is a `ShapedArraySlice` with shape [2, 2]. It is a slice
    // of the first 2 elements in `matrix` and represents [[0, 1], [2, 3]].

    matrix[0..<2] = zeros.prefix(2)
    // The first 2 elements in `matrix` have been mutated.
    // `matrix` now represents [[0, 0], [0, 0], [4, 5]].

StringTensor là một mảng đa chiều có các phần tử là String s.

TensorHandle là loại được sử dụng bởi ops. Nó bao gồm một kiểu Scalar mà phần bên trong của trình biên dịch có thể sử dụng để xác định kiểu dữ liệu của các tham số khi chúng được trích xuất thành chương trình tensor.

Một cấu trúc biểu diễn hình dạng của tensor.

TensorShape là một lớp bao bọc mỏng xung quanh một mảng các số nguyên biểu thị kích thước hình dạng. Tất cả các loại tensor đều sử dụng TensorShape để thể hiện hình dạng của chúng.

TensorVisitorPlan gần đúng [WritableKeyPath<Base, Tensor<Float>] nhưng hiệu quả hơn. Điều này rất hữu ích khi viết các trình tối ưu hóa chung muốn ánh xạ theo độ dốc, các trọng số hiện có và một chỉ mục có thể được sử dụng để tìm các trọng số được lưu trữ phụ trợ. Điều này hiệu quả hơn một chút (~2 lần) nhưng có thể tốt hơn vì nó đánh đổi chi phí cao hơn một chút (tham chiếu con trỏ bổ sung) để không phải thực hiện công việc O(độ sâu_of_tree) được yêu cầu với một danh sách đơn giản để theo dõi từng KeyPath riêng lẻ.

Một lớp lấy mẫu cho đầu vào 1-D.

Một lớp lấy mẫu cho đầu vào 2-D.

Một lớp lấy mẫu cho đầu vào 3-D.

Thu thập các bộ đếm dự đoán chính xác và tổng số tổn thất.