Estruturas

Uma concatenação de duas sequências com o mesmo tipo de elemento.

Uma visualização girada em uma coleção.

Um valor derivado apagado por tipo.

O tipo AnyDerivative encaminha suas operações para um valor derivado de base subjacente arbitrário em conformidade com Differentiable e AdditiveArithmetic , ocultando as especificidades do valor subjacente.

Uma matriz multidimensional de elementos que é uma generalização de vetores e matrizes para dimensões potencialmente superiores.

O parâmetro genérico Scalar descreve o tipo de escalares no tensor (como Int32 , Float , etc).

Uma função de pullback que realiza a transposição da transmissão de dois Tensors .

Um contexto que armazena informações contextuais locais de thread usadas por APIs de aprendizado profundo, como camadas.

Use Context.local para recuperar o contexto local do thread atual.

Exemplos:

• Defina a fase de aprendizagem atual como treinamento para que camadas como BatchNorm calculem a média e a variação quando aplicadas às entradas.

  Context.local.learningPhase = .training

• Defina a fase de aprendizagem atual para inferência para que camadas como Dropout não descartem unidades quando aplicadas às entradas.

  Context.local.learningPhase = .inference

Uma camada de convolução 1-D (por exemplo, convolução temporal ao longo de uma série temporal).

Esta camada cria um filtro de convolução que é convoluído com a entrada da camada para produzir um tensor de saídas.

Uma camada de convolução 2-D (por exemplo, convolução espacial sobre imagens).

Esta camada cria um filtro de convolução que é convoluído com a entrada da camada para produzir um tensor de saídas.

Uma camada de convolução 3-D para convolução espacial/espaço-temporal sobre imagens.

Esta camada cria um filtro de convolução que é convoluído com a entrada da camada para produzir um tensor de saídas.

Uma camada de convolução transposta 1-D (por exemplo, convolução transposta temporal sobre imagens).

Esta camada cria um filtro de convolução que é transposto-convolvido com a entrada da camada para produzir um tensor de saídas.

Uma camada de convolução transposta 2-D (por exemplo, convolução transposta espacial sobre imagens).

Esta camada cria um filtro de convolução que é transposto-convolvido com a entrada da camada para produzir um tensor de saídas.

Uma camada de convolução transposta 3-D (por exemplo, convolução transposta espacial sobre imagens).

Esta camada cria um filtro de convolução que é transposto-convolvido com a entrada da camada para produzir um tensor de saídas.

Uma camada de convolução 2-D em profundidade.

Esta camada cria filtros de convolução separáveis ​​que são convolvidos com a entrada da camada para produzir um tensor de saídas.

Uma camada para adicionar preenchimento de zeros na dimensão temporal.

Uma camada para adicionar preenchimento de zeros nas dimensões espaciais.

Uma camada para adicionar preenchimento de zero nas dimensões espaciais/espaço-temporais.

Uma camada de convolução separável 1-D.

Esta camada executa uma convolução profunda que atua separadamente nos canais seguida por uma convolução pontual que mistura os canais.

Uma camada de convolução 2-D separável.

Esta camada executa uma convolução profunda que atua separadamente nos canais seguida por uma convolução pontual que mistura os canais.

Uma camada achatada.

Uma camada nivelada nivela a entrada quando aplicada sem afetar o tamanho do lote.

Uma camada de remodelação.

Uma camada que inclui uma função diferenciável personalizada.

Um valor de tipo dinâmico do TensorFlow que pode ser criado a partir de tipos em conformidade com TensorFlowScalar .

Representa um conjunto potencialmente grande de elementos.

Um Dataset pode ser usado para representar um pipeline de entrada como uma coleção de tensores de elementos.

O tipo que permite a iteração nos elementos de um conjunto de dados.

Uma estrutura semelhante a 2 tuplas em conformidade com TensorGroup que representa uma tupla de 2 tipos em conformidade com TensorGroup .

Uma camada de rede neural densamente conectada.

Dense implementa a operação activation(matmul(input, weight) + bias) , onde weight é uma matriz de peso, bias é um vetor de polarização e activation é uma função de ativação elemento a elemento.

Esta camada também suporta tensores de peso 3D com matrizes de polarização 2D. Neste caso a primeira dimensão de ambos é tratada como o tamanho do lote que está alinhado com a primeira dimensão de input e a variante do lote da operação matmul(_:_:) é usada, usando assim um peso e viés diferente para cada elemento no lote de entrada.

Um dispositivo no qual Tensor s pode ser alocado.

Uma camada de eliminação.

O dropout consiste em definir aleatoriamente uma fração das unidades de entrada como 0 a cada atualização durante o tempo de treinamento, o que ajuda a evitar overfitting.

GaussianNoise adiciona ruído amostrado de uma distribuição normal.

O ruído adicionado sempre tem média zero, mas possui desvio padrão configurável.

GaussianDropout multiplica a entrada pelo ruído amostrado de uma distribuição normal com média 1,0.

Por se tratar de uma camada de regularização, ela só fica ativa durante o tempo de treinamento. Durante a inferência, GaussianDropout passa pela entrada sem modificações.

Uma camada de eliminação Alpha.

Alpha Dropout é um Dropout que mantém a média e a variância das entradas em seus valores originais, de forma a garantir a propriedade de autonormalização mesmo após esse dropout. Alpha Dropout se adapta bem às unidades lineares exponenciais em escala, definindo aleatoriamente as ativações para o valor de saturação negativo.

Fonte: Redes Neurais Auto-Normalizantes: https://arxiv.org/abs/1706.02515

Uma camada de incorporação.

Embedding é efetivamente uma tabela de pesquisa que mapeia índices de um vocabulário fixo para representações vetoriais de tamanho fixo (densas), por exemplo [[0], [3]] -> [[0.25, 0.1], [0.6, -0.2]] .

Uma estrutura vazia que representa TangentVector s vazios para camadas sem parâmetros.

Par de primeiro e segundo momentos (ou seja, média e variância).

Uma camada de dilatação morfológica 2-D

Esta camada retorna a dilatação morfológica do tensor de entrada com os filtros fornecidos

Uma camada de erosão morfológica 2-D

Esta camada retorna a erosão morfógica do tensor de entrada com os filtros fornecidos

Uma seleção preguiçosa de elementos, em uma determinada ordem, de alguma coleção base.

Uma coleção das fatias contíguas não sobrepostas mais longas de alguma coleção Base , começando com seu primeiro elemento e tendo algum comprimento máximo fixo.

Todos os elementos desta coleção, exceto o último, têm uma count de batchSize , a menos que Base.count % batchSize !=0 , caso em que a count do último lote é base.count % batchSize.

Uma camada de normalização em lote.

Normaliza as ativações da camada anterior a cada lote, ou seja, aplica uma transformação que mantém a ativação média próxima de 0 e o desvio padrão de ativação próximo de 1 .

Referência: Normalização em lote: acelerando o treinamento profundo da rede reduzindo o deslocamento interno de covariáveis ​​.

Uma camada que aplica a normalização de camada em um minilote de entradas.

Referência: Normalização de Camada .

Uma camada que aplica normalização de grupo em um minilote de entradas.

Referência: Normalização de Grupo .

Uma camada que aplica a normalização de instância em um minilote de entradas.

Referência: Normalização de instância: o ingrediente que falta para estilização rápida .

Estado para uma única etapa de um único peso dentro de um otimizador.

Estado global acessado por meio de StateAccessor .

[String: Float] mas os elementos podem ser acessados ​​como se fossem membros.

Um otimizador que funciona em um único grupo de parâmetros.

Um wrapper de tipo seguro em torno de um valor de índice Int para valores locais do otimizador.

Um wrapper de tipo seguro em torno de um valor de índice Int para valores globais do otimizador.

Um wrapper de tipo seguro em torno de um valor de índice Int para valores de estado do otimizador.

Constrói um ParameterGroupOptimizer . Isso é usado essencialmente no nível de um único peso no modelo. Um mapeamento de grupos de parâmetros selecionados por ( [Bool] para ParameterGroupOptimizer) define o otimizador final.

Uma camada máxima de pooling para dados temporais.

Uma camada de pooling máximo para dados espaciais.

Uma camada de pooling máximo para dados espaciais ou espaço-temporais.

Uma camada de pool média para dados temporais.

Uma camada média de pooling para dados espaciais.

Uma camada de pooling média para dados espaciais ou espaço-temporais.

Uma camada de pooling média global para dados temporais.

Uma camada de pooling média global para dados espaciais.

Uma camada de pooling média global para dados espaciais e espaço-temporais.

Uma camada de pool máximo global para dados temporais.

Uma camada de pool máximo global para dados espaciais.

Uma camada de pooling máximo global para dados espaciais e espaço-temporais.

Uma camada de pool máximo fracionário para dados espaciais. Nota: FractionalMaxPool não possui uma implementação XLA e, portanto, pode ter implicações no desempenho.

PythonObject representa um objeto em Python e oferece suporte à pesquisa dinâmica de membros. Qualquer acesso de membro como object.foo solicitará dinamicamente o tempo de execução do Python para um membro com o nome especificado neste objeto.

PythonObject é passado e retornado de todas as chamadas de função Python e referências de membros. Ele oferece suporte a operadores aritméticos e de comparação padrão do Python.

Internamente, PythonObject é implementado como um ponteiro contado por referência para uma API Python C PyObject .

Um wrapper PythonObject que permite lançar chamadas de método. As exceções produzidas pelas funções Python são refletidas como erros Swift e lançadas.

Um wrapper PythonObject que permite acessos de membros. As operações de acesso de membro retornam um resultado Optional . Quando o acesso do membro falha, nil é retornado.

Uma interface para Python.

PythonInterface permite interação com Python. Ele pode ser usado para importar módulos e acessar dinamicamente tipos e funções integradas do Python.

Um gerador de números aleatórios com tipo apagado.

O tipo AnyRandomNumberGenerator encaminha operações de geração de números aleatórios para um gerador de números aleatórios subjacente, ocultando seu tipo subjacente específico.

Uma implementação de SeedableRandomNumberGenerator usando ARC4.

ARC4 é uma cifra de fluxo que gera um fluxo pseudo-aleatório de bytes. Este PRNG usa a semente como chave.

ARC4 é descrito em Schneier, B., “Applied Cryptography: Protocols, Algorithms, and Source Code in C”, 2nd Edition, 1996.

Um gerador individual não é thread-safe, mas geradores distintos não compartilham estado. Os dados aleatórios gerados são de alta qualidade, mas não são adequados para aplicações criptográficas.

Uma implementação de SeedableRandomNumberGenerator usando Threefry. Salmon et al. SC 2011. Números aleatórios paralelos: tão fáceis quanto 1, 2, 3. http://www.thesalmons.org/john/random123/papers/random123sc11.pdf

Esta estrutura implementa um PRNG Threefry2x32 de 20 rodadas. Ele deve ser propagado com um valor de 64 bits.

Um gerador individual não é thread-safe, mas geradores distintos não compartilham estado. Os dados aleatórios gerados são de alta qualidade, mas não são adequados para aplicações criptográficas.

Uma implementação de SeedableRandomNumberGenerator usando Philox. Salmon et al. SC 2011. Números aleatórios paralelos: tão fáceis quanto 1, 2, 3. http://www.thesalmons.org/john/random123/papers/random123sc11.pdf

Esta estrutura implementa um PRNG Philox4x32 de 10 rodadas. Ele deve ser propagado com um valor de 64 bits.

Um gerador individual não é thread-safe, mas geradores distintos não compartilham estado. Os dados aleatórios gerados são de alta qualidade, mas não são adequados para aplicações criptográficas.

Uma entrada para uma rede neural recorrente.

Uma saída para uma rede neural recorrente.

Uma célula RNN básica.

Uma célula LSTM.

Uma célula GRU.

Uma camada que compõe sequencialmente duas ou mais outras camadas.

Exemplos:

• Construa um modelo perceptron simples de 2 camadas para 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)
 }

• Construa um autoencoder para 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 é um array multidimensional. Possui um shape, que possui tipo [Int] e define as dimensões do array, e utiliza um TensorBuffer internamente como armazenamento.

Uma fatia contígua de uma instância ShapedArray ou ShapedArraySlice .

ShapedArraySlice permite operações rápidas e eficientes em fatias contíguas de instâncias ShapedArray . As instâncias ShapedArraySlice não possuem armazenamento próprio. Em vez disso, eles fornecem uma visão do armazenamento de seu ShapedArray base. ShapedArraySlice pode representar dois tipos diferentes de fatias: matrizes de elementos e submatrizes.

Matrizes de elementos são elementos subdimensionais de um ShapedArray : sua classificação é um a menos que sua base. As fatias da matriz de elementos são obtidas indexando uma instância ShapedArray com um índice Int32 singular.

Por exemplo:

    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]].

Subarrays são um intervalo contíguo de elementos em um ShapedArray . A classificação de um subarray é igual à de sua base, mas sua dimensão principal é a contagem do intervalo de fatias. As fatias de subarray são obtidas indexando um ShapedArray com um Range<Int32> que representa um intervalo de elementos (na dimensão principal). Métodos como prefix(:) e suffix(:) que indexam internamente com um intervalo também produzem subarray.

Por exemplo:

    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 é um array multidimensional cujos elementos são String s.

TensorHandle é o tipo usado por operações. Inclui um tipo Scalar , que os internos do compilador podem usar para determinar os tipos de dados dos parâmetros quando eles são extraídos em um programa tensor.

Uma estrutura que representa a forma de um tensor.

TensorShape é um wrapper fino em torno de uma matriz de números inteiros que representam dimensões de forma. Todos os tipos de tensor usam TensorShape para representar sua forma.

TensorVisitorPlan se aproxima [WritableKeyPath<Base, Tensor<Float>] mas é mais eficiente. Isso é útil para escrever otimizadores genéricos que desejam mapear os gradientes, os pesos existentes e um índice que pode ser usado para encontrar pesos armazenados auxiliarmente. Isso é um pouco mais eficiente (~ 2x), mas poderia ser melhor porque compensa despesas gerais um pouco mais altas (desreferência de ponteiro extra) por não ter que fazer o trabalho O (profundidade_de_árvore) necessário com uma lista simples para rastrear cada KeyPath individual.

Uma camada de upsampling para entradas 1-D.

Uma camada de upsampling para entradas 2-D.

Uma camada de upsampling para entradas 3D.

Coleta contadores de previsão corretos e totais de perdas.