الدوال

الوظائف التالية متاحة عالميًا.

  • إرجاع خسارة L1 بين التنبؤات والتوقعات.

    تصريح 

    @differentiable(wrt: predicted)
@differentiable(wrt: (predicted, expected)
public func l1Loss<Scalar: TensorFlowFloatingPoint>(
  predicted: Tensor<Scalar>,
  expected: Tensor<Scalar>
) -> Tensor<Scalar>

    حدود

    predicted

    المخرجات المتوقعة من الشبكة العصبية.

    expected

    القيم المتوقعة، أي الأهداف، التي تتوافق مع المخرجات الصحيحة.

  • إرجاع خسارة L2 بين التنبؤات والتوقعات.

    تصريح 

    @differentiable(wrt: predicted)
@differentiable(wrt: (predicted, expected)
public func l2Loss<Scalar: TensorFlowFloatingPoint>(
  predicted: Tensor<Scalar>,
  expected: Tensor<Scalar>
) -> Tensor<Scalar>

    حدود

    predicted

    المخرجات المتوقعة من الشبكة العصبية.

    expected

    القيم المتوقعة، أي الأهداف، التي تتوافق مع المخرجات الصحيحة.

  • إرجاع خسارة المفصلة بين التنبؤات والتوقعات.

    تصريح 

    @differentiable(wrt: predicted)
@differentiable(wrt: (predicted, expected)
public func hingeLoss<Scalar: TensorFlowFloatingPoint>(
  predicted: Tensor<Scalar>,
  expected: Tensor<Scalar>
) -> Tensor<Scalar>

    حدود

    predicted

    المخرجات المتوقعة من الشبكة العصبية.

    expected

    القيم المتوقعة، أي الأهداف، التي تتوافق مع المخرجات الصحيحة.

  • إرجاع خسارة المفصلة التربيعية بين التنبؤات والتوقعات.

    تصريح 

    @differentiable(wrt: predicted)
@differentiable(wrt: (predicted, expected)
public func squaredHingeLoss<Scalar: TensorFlowFloatingPoint>(
  predicted: Tensor<Scalar>,
  expected: Tensor<Scalar>
) -> Tensor<Scalar>

    حدود

    predicted

    المخرجات المتوقعة من الشبكة العصبية.

    expected

    القيم المتوقعة، أي الأهداف، التي تتوافق مع المخرجات الصحيحة.

  • إرجاع خسارة المفصلة الفئوية بين التنبؤات والتوقعات.

    تصريح 

    @differentiable(wrt: predicted)
@differentiable(wrt: (predicted, expected)
public func categoricalHingeLoss<Scalar: TensorFlowFloatingPoint>(
  predicted: Tensor<Scalar>,
  expected: Tensor<Scalar>
) -> Tensor<Scalar>

    حدود

    predicted

    المخرجات المتوقعة من الشبكة العصبية.

    expected

    القيم المتوقعة، أي الأهداف، التي تتوافق مع المخرجات الصحيحة.

  • إرجاع لوغاريتم جيب التمام الزائدي للخطأ بين التنبؤات والتوقعات.

    تصريح 

    @differentiable(wrt: predicted)
@differentiable(wrt: (predicted, expected)
public func logCoshLoss<Scalar: TensorFlowFloatingPoint>(
  predicted: Tensor<Scalar>,
  expected: Tensor<Scalar>
) -> Tensor<Scalar>

    حدود

    predicted

    المخرجات المتوقعة من الشبكة العصبية.

    expected

    القيم المتوقعة، أي الأهداف، التي تتوافق مع المخرجات الصحيحة.

  • إرجاع خسارة بواسون بين التنبؤات والتوقعات.

    تصريح 

    @differentiable(wrt: predicted)
@differentiable(wrt: (predicted, expected)
public func poissonLoss<Scalar: TensorFlowFloatingPoint>(
  predicted: Tensor<Scalar>,
  expected: Tensor<Scalar>
) -> Tensor<Scalar>

    حدود

    predicted

    المخرجات المتوقعة من الشبكة العصبية.

    expected

    القيم المتوقعة، أي الأهداف، التي تتوافق مع المخرجات الصحيحة.

  • إرجاع تباعد Kullback-Leibler (تباعد KL) بين التوقعات والتنبؤات. بالنظر إلى التوزيعين p و q ، يحسب تباعد KL p * log(p / q) .

    تصريح 

    @differentiable(wrt: predicted)
@differentiable(wrt: (predicted, expected)
public func kullbackLeiblerDivergence<Scalar: TensorFlowFloatingPoint>(
  predicted: Tensor<Scalar>,
  expected: Tensor<Scalar>
) -> Tensor<Scalar>

    حدود

    predicted

    المخرجات المتوقعة من الشبكة العصبية.

    expected

    القيم المتوقعة، أي الأهداف، التي تتوافق مع المخرجات الصحيحة.

  • تُرجع إنتروبيا softmax المتقاطعة (إنتروبيا متقاطعة فئوية) بين اللوجيستات والتسميات.

    تصريح 

    @differentiable(wrt: logits)
public func softmaxCrossEntropy<Scalar: TensorFlowFloatingPoint>(
  logits: Tensor<Scalar>,
  probabilities: Tensor<Scalar>
) -> Tensor<Scalar>

    حدود

    logits

    مخرجات مشفرة واحدة ساخنة من شبكة عصبية.

    labels

    مؤشرات (مفهرسة صفر) للمخرجات الصحيحة.

  • إرجاع الإنتروبيا السيني المتقاطع (الإنتروبيا المتقاطعة الثنائية) بين اللوجيستات والتسميات.

    تصريح 

    @differentiable(wrt: logits)
@differentiable(wrt: (logits, labels)
public func sigmoidCrossEntropy<Scalar: TensorFlowFloatingPoint>(
  logits: Tensor<Scalar>,
  labels: Tensor<Scalar>
) -> Tensor<Scalar>

    حدود

    logits

    الناتج غير المقيس للشبكة العصبية.

    labels

    القيم الصحيحة التي تتوافق مع الإخراج الصحيح.

  • إرجاع موتر بنفس الشكل والكميات المحددة للموتر المحدد.

    تصريح 

    @differentiable
public func identity<Scalar>(_ x: Tensor<Scalar>) -> Tensor<Scalar> where Scalar : TensorFlowScalar

  • يستدعي الإغلاق المعطى ضمن سياق يحتوي على كل شيء مطابق للسياق الحالي باستثناء مرحلة التعلم المحددة.

    تصريح 

    public func withContext<R>(_ context: Context, _ body: () throws -> R) rethrows -> R

    حدود

    context

    السياق الذي سيتم تعيينه قبل استدعاء الإغلاق واستعادته بعد عودة الإغلاق.

    body

    إغلاق فارغ. إذا كان للإغلاق قيمة إرجاع، فسيتم استخدام هذه القيمة أيضًا كقيمة إرجاع للدالة withContext(_:_:) .

    قيمة الإرجاع

    قيمة الإرجاع، إن وجدت، لإغلاق body .

  • يستدعي الإغلاق المعطى ضمن سياق يحتوي على كل شيء مطابق للسياق الحالي باستثناء مرحلة التعلم المحددة.

    تصريح 

    public func withLearningPhase<R>(
  _ learningPhase: LearningPhase,
  _ body: () throws -> R
) rethrows -> R

    حدود

    learningPhase

    مرحلة التعلم التي سيتم تعيينها قبل استدعاء الإغلاق واستعادته بعد عودة الإغلاق.

    body

    إغلاق فارغ. إذا كان للإغلاق قيمة إرجاع، فسيتم استخدام هذه القيمة أيضًا كقيمة إرجاع للدالة withLearningPhase(_:_:) .

    قيمة الإرجاع

    قيمة الإرجاع، إن وجدت، لإغلاق body .

  • يستدعي الإغلاق المحدد ضمن سياق يحتوي على كل شيء مطابق للسياق الحالي باستثناء البذرة العشوائية المحددة.

    تصريح 

    public func withRandomSeedForTensorFlow<R>(
  _ randomSeed: TensorFlowSeed,
  _ body: () throws -> R
) rethrows -> R

    حدود

    randomSeed

    بذرة عشوائية سيتم تعيينها قبل استدعاء الإغلاق واستعادتها بعد عودة الإغلاق.

    body

    إغلاق فارغ. إذا كان للإغلاق قيمة إرجاع، فسيتم استخدام هذه القيمة أيضًا كقيمة إرجاع للدالة withRandomSeedForTensorFlow(_:_:) .

    قيمة الإرجاع

    قيمة الإرجاع، إن وجدت، لإغلاق body .

  • يستدعي الإغلاق المحدد ضمن سياق يحتوي على كل شيء مطابق للسياق الحالي باستثناء منشئ الأرقام العشوائية المحدد.

    تصريح 

    public func withRandomNumberGeneratorForTensorFlow<G: RandomNumberGenerator, R>(
  _ randomNumberGenerator: inout G,
  _ body: () throws -> R
) rethrows -> R

    حدود

    randomNumberGenerator

    مولد أرقام عشوائي سيتم تعيينه قبل استدعاء الإغلاق واستعادته بعد عودة الإغلاق.

    body

    إغلاق فارغ. إذا كان للإغلاق قيمة إرجاع، فسيتم استخدام هذه القيمة أيضًا كقيمة إرجاع للدالة withRandomNumberGeneratorForTensorFlow(_:_:) .

    قيمة الإرجاع

    قيمة الإرجاع، إن وجدت، لإغلاق body .

  • تصريح 

    public func zip<T: TensorGroup, U: TensorGroup>(
  _ dataset1: Dataset<T>, _ dataset2: Dataset<U>
) -> Dataset<Zip2TensorGroup<T, U>>

  • يضمن LazyTensorBarrier جدولة وتشغيل جميع الموترات الحية (الموجودة على الجهاز إذا كانت متوفرة). إذا تم ضبط الانتظار على true، فسيتم حظر هذا الاستدعاء حتى اكتمال الحساب.

    تصريح 

    public func LazyTensorBarrier(on device: Device? = nil, devices: [Device] = [], wait: Bool = false)

  • تصريح 

    public func valueWithGradient<T, R>(
  at x: T,
  in f: @differentiable (T) -> Tensor<R>
) -> (value: Tensor<R>, gradient: T.TangentVector)
where T: Differentiable, R: TensorFlowFloatingPoint

  • تصريح 

    public func valueWithGradient<T, U, R>(
  at x: T,
  _ y: U,
  in f: @differentiable (T, U) -> Tensor<R>
) -> (value: Tensor<R>, gradient: (T.TangentVector, U.TangentVector))
where T: Differentiable, U: Differentiable, R: TensorFlowFloatingPoint

  • تصريح 

    public func valueWithGradient<T, U, V, R>(
  at x: T,
  _ y: U,
  _ z: V,
  in f: @differentiable (T, U, V) -> Tensor<R>
) -> (value: Tensor<R>, gradient: (T.TangentVector, U.TangentVector, V.TangentVector))
where T: Differentiable, U: Differentiable, V: Differentiable, R: TensorFlowFloatingPoint

  • تصريح 

    public func valueWithGradient<T, R>(
  of f: @escaping @differentiable (T) -> Tensor<R>
) -> (T) -> (value: Tensor<R>, gradient: T.TangentVector)
where T: Differentiable, R: TensorFlowFloatingPoint

  • تصريح 

    public func valueWithGradient<T, U, R>(
  of f: @escaping @differentiable (T, U) -> Tensor<R>
) -> (T, U) -> (value: Tensor<R>, gradient: (T.TangentVector, U.TangentVector))
where T: Differentiable, U: Differentiable, R: TensorFlowFloatingPoint

  • تصريح 

    public func valueWithGradient<T, U, V, R>(
  of f: @escaping @differentiable (T, U, V) -> Tensor<R>
) -> (T, U, V) -> (
  value: Tensor<R>,
  gradient: (T.TangentVector, U.TangentVector, V.TangentVector)
)
where T: Differentiable, U: Differentiable, V: Differentiable, R: TensorFlowFloatingPoint

  • تصريح 

    public func gradient<T, R>(
  at x: T,
  in f: @differentiable (T) -> Tensor<R>
) -> T.TangentVector where T: Differentiable, R: TensorFlowFloatingPoint

  • تصريح 

    public func gradient<T, U, R>(
  at x: T,
  _ y: U,
  in f: @differentiable (T, U) -> Tensor<R>
) -> (T.TangentVector, U.TangentVector)
where T: Differentiable, U: Differentiable, R: TensorFlowFloatingPoint

  • تصريح 

    public func gradient<T, U, V, R>(
  at x: T,
  _ y: U,
  _ z: V,
  in f: @differentiable (T, U, V) -> Tensor<R>
) -> (T.TangentVector, U.TangentVector, V.TangentVector)
where T: Differentiable, U: Differentiable, V: Differentiable, R: TensorFlowFloatingPoint

  • تصريح 

    public func gradient<T, R>(
  of f: @escaping @differentiable (T) -> Tensor<R>
) -> (T) -> T.TangentVector where T: Differentiable, R: TensorFlowFloatingPoint

  • تصريح 

    public func gradient<T, U, R>(
  of f: @escaping @differentiable (T, U) -> Tensor<R>
) -> (T, U) -> (T.TangentVector, U.TangentVector)
where T: Differentiable, U: Differentiable, R: TensorFlowFloatingPoint

  • تصريح 

    public func gradient<T, U, V, R>(
  of f: @escaping @differentiable (T, U, V) -> Tensor<R>
) -> (T, U, V) -> (T.TangentVector, U.TangentVector, V.TangentVector)
where T: Differentiable, U: Differentiable, V: Differentiable, R: TensorFlowFloatingPoint

  • جعل وظيفة يتم إعادة حسابها في سحبها، المعروف باسم "نقطة التفتيش" في التمايز التلقائي التقليدي.

    تصريح 

    public func withRecomputationInPullbacks<T, U>(
  _ body: @escaping @differentiable (T) -> U
) -> @differentiable (T) -> U where T : Differentiable, U : Differentiable

  • قم بإنشاء دالة قابلة للتمييز من دالة منتجات Vector-Jacobian.

    تصريح 

    public func differentiableFunction<T : Differentiable, R : Differentiable>(
  from vjp: @escaping (T)
           -> (value: R, pullback: (R.TangentVector) -> T.TangentVector)
) -> @differentiable (T) -> R

  • قم بإنشاء دالة قابلة للتمييز من دالة منتجات Vector-Jacobian.

    تصريح 

    public func differentiableFunction<T, U, R>(
  from vjp: @escaping (T, U)
           -> (value: R, pullback: (R.TangentVector)
             -> (T.TangentVector, U.TangentVector))
) -> @differentiable (T, U) -> R

  • تُرجع x مثل دالة الهوية. عند استخدامها في سياق يتم فيه تمييز x بالنسبة إلى، فإن هذه الدالة لن تنتج أي مشتق عند x .

    تصريح 

    @_semantics("autodiff.nonvarying")
public func withoutDerivative<T>(at x: T) -> T

  • يطبق body الإغلاق المحدد على x . عند استخدامها في سياق يتم فيه تمييز x بالنسبة إلى، فإن هذه الدالة لن تنتج أي مشتق عند x .

    تصريح 

    @_semantics("autodiff.nonvarying")
public func withoutDerivative<T, R>(at x: T, in body: (T) -> R) -> R

  • ينفذ عملية الإغلاق، مما يجعل عمليات TensorFlow تعمل على نوع معين من الأجهزة.

    تصريح 

    public func withDevice<R>(
  _ kind: DeviceKind,
  _ index: UInt = 0,
  perform body: () throws -> R
) rethrows -> R

    حدود

    kind

    نوع من الأجهزة لتشغيل عمليات TensorFlow عليه.

    index

    الجهاز الذي سيتم تشغيل العمليات عليه.

    body

    الإغلاق الذي سيتم تنفيذ عمليات TensorFlow فيه على نوع الجهاز المحدد.

  • ينفذ عملية الإغلاق، مما يجعل عمليات TensorFlow تعمل على جهاز باسم محدد.

    بعض الأمثلة على أسماء الأجهزة:

    • "/device:CPU:0": وحدة المعالجة المركزية لجهازك.
    • "/GPU:0": تدوين مختصر لوحدة معالجة الرسومات الأولى بجهازك والتي تكون مرئية لـ TensorFlow
    • "/job:localhost/replica:0/task:0/device:GPU:1": اسم مؤهل بالكامل لوحدة معالجة الرسومات الثانية لجهازك والتي تكون مرئية لـ TensorFlow.

    تصريح 

    public func withDevice<R>(named name: String, perform body: () throws -> R) rethrows -> R

    حدود

    name

    اسم الجهاز.

    body

    الإغلاق الذي سيتم تنفيذ عمليات TensorFlow فيه على نوع الجهاز المحدد.

  • ينفذ عملية إغلاق، مما يسمح لـ TensorFlow بوضع عمليات TensorFlow على أي جهاز. يجب أن يؤدي هذا إلى استعادة سلوك الموضع الافتراضي.

    تصريح 

    public func withDefaultDevice<R>(perform body: () throws -> R) rethrows -> R

    حدود

    body

    الإغلاق الذي سيتم تنفيذ عمليات TensorFlow فيه على نوع الجهاز المحدد.

  • قم بتغيير حجم الصور إلى حجمها باستخدام الطريقة المحددة.

    شرط مسبق

    يجب أن تحتوي الصور على المرتبة 3 أو 4 .

    شرط مسبق

    يجب أن يكون الحجم إيجابيا.

    تصريح 

    @differentiable(wrt: images)
public func resize(
  images: Tensor<Float>,
  size: (newHeight: Int, newWidth: Int),
  method: ResizeMethod = .bilinear,
  antialias: Bool = false
) -> Tensor<Float>

    حدود

    images

    Tensor الأبعاد للشكل [batch, height, width, channels] أو Tensor للشكل [height, width, channels] .

    size

    الحجم الجديد للصور.

    method

    طريقة تغيير الحجم. القيمة الافتراضية هي .bilinear .

    antialias

    إذا كان true ، فاستخدم مرشح منع التعرج عند تصغير حجم الصورة.

  • تغيير حجم الصور إلى الحجم باستخدام الاستيفاء المنطقة.

    شرط مسبق

    يجب أن تحتوي الصور على المرتبة 3 أو 4 .

    شرط مسبق

    يجب أن يكون الحجم إيجابيا.

    تصريح 

    public func resizeArea<Scalar: TensorFlowNumeric>(
  images: Tensor<Scalar>,
  size: (newHeight: Int, newWidth: Int),
  alignCorners: Bool = false
) -> Tensor<Float>

    حدود

    images

    Tensor الأبعاد للشكل [batch, height, width, channels] أو Tensor للشكل [height, width, channels] .

    size

    الحجم الجديد للصور.

  • يُرجع تمددًا ثنائي الأبعاد باستخدام المدخلات والمرشح والخطوات والحشوة المحددة.

    شرط مسبق

    يجب أن يكون input في المرتبة 4 .

    شرط مسبق

    يجب أن يكون filter المرتبة 3 .

    تصريح 

    @differentiable(wrt: (input, filter)
public func dilation2D<Scalar: TensorFlowFloatingPoint>(
  _ input: Tensor<Scalar>,
  filter: Tensor<Scalar>,
  strides: (Int, Int, Int, Int) = (1, 1, 1, 1),
  rates: (Int, Int, Int, Int) = (1, 1, 1, 1),
  padding: Padding = .valid
) -> Tensor<Scalar>

    حدود

    input

    المدخلات.

    filter

    مرشح التمدد.

    strides

    خطوات المرشح المنزلق لكل بُعد من أبعاد الإدخال.

    padding

    الحشوة للعملية

    rates

    معدلات التمدد لكل بعد من المدخلات.

  • إرجاع تآكل ثنائي الأبعاد مع المدخلات والمرشح والخطوات والحشوة المحددة.

    شرط مسبق

    يجب أن يكون input في المرتبة 4 .

    شرط مسبق

    يجب أن يكون filter في المرتبة 3.

    تصريح 

    @differentiable(wrt: (input, filter)
public func erosion2D<Scalar: TensorFlowFloatingPoint>(
  _ input: Tensor<Scalar>,
  filter: Tensor<Scalar>,
  strides: (Int, Int, Int, Int) = (1, 1, 1, 1),
  rates: (Int, Int, Int, Int) = (1, 1, 1, 1),
  padding: Padding = .valid
) -> Tensor<Scalar>

    حدود

    input

    المدخلات.

    filter

    مرشح التآكل.

    strides

    خطوات المرشح المنزلق لكل بُعد من أبعاد الإدخال.

    padding

    الحشوة للعملية

    rates

    معدلات التمدد لكل بعد من المدخلات.

  • تُرجع دالة تُنشئ موترًا عن طريق تهيئة جميع قيمه إلى أصفار.

    تصريح 

    public func zeros<Scalar>() -> ParameterInitializer<Scalar> where Scalar : TensorFlowFloatingPoint

  • تُرجع دالة تُنشئ موترًا عن طريق تهيئة جميع قيمه إلى القيمة المقدمة.

    تصريح 

    public func constantInitializer<Scalar: TensorFlowFloatingPoint>(
  value: Scalar
) -> ParameterInitializer<Scalar>

  • تُرجع دالة تُنشئ موترًا عن طريق تهيئته للقيمة المقدمة. لاحظ أن بث القيمة المقدمة غير مدعوم.

    تصريح 

    public func constantInitializer<Scalar: TensorFlowFloatingPoint>(
  value: Tensor<Scalar>
) -> ParameterInitializer<Scalar>

  • تُرجع دالة تنشئ موترًا عن طريق إجراء تهيئة موحدة لـ Glorot (Xavier) للشكل المحدد، وأخذ عينات عشوائية من القيم العددية من توزيع منتظم بين -limit و limit ، والتي يتم إنشاؤها بواسطة منشئ الأرقام العشوائية الافتراضية، حيث يكون Limit هو sqrt(6 / (fanIn + fanOut)) و fanIn / fanOut يمثلان عدد ميزات الإدخال والإخراج مضروبة في حقل الاستقبال، إذا كان موجودًا.

    تصريح 

    public func glorotUniform<Scalar: TensorFlowFloatingPoint>(
  seed: TensorFlowSeed = Context.local.randomSeed
) -> ParameterInitializer<Scalar>

  • تُرجع دالة تنشئ موترًا عن طريق إجراء التهيئة العادية Glorot (Xavier) للشكل المحدد، وأخذ عينات عشوائية من القيم العددية من توزيع عادي مبتور يتمركز على 0 مع الانحراف المعياري sqrt(2 / (fanIn + fanOut)) ، حيث fanIn / fanOut يمثل عدد ميزات الإدخال والإخراج مضروبًا في حجم حقل الاستقبال، إن وجد.

    تصريح 

    public func glorotNormal<Scalar: TensorFlowFloatingPoint>(
  seed: TensorFlowSeed = Context.local.randomSeed
) -> ParameterInitializer<Scalar>

  • تُرجع دالة تُنشئ موترًا عن طريق إجراء تهيئة موحدة لـ He (Kaiming) للشكل المحدد، وأخذ عينات عشوائية من القيم العددية من توزيع موحد بين -limit و limit ، التي تم إنشاؤها بواسطة مولد الأرقام العشوائية الافتراضي، حيث يكون Limit هو sqrt(6 / fanIn) ، ويمثل fanIn عدد ميزات الإدخال مضروبًا في حقل الاستلام، إذا كان موجودًا.

    تصريح 

    public func heUniform<Scalar: TensorFlowFloatingPoint>(
  seed: TensorFlowSeed = Context.local.randomSeed
) -> ParameterInitializer<Scalar>

  • تُرجع دالة تنشئ موترًا عن طريق إجراء التهيئة العادية لـ He (Kaiming) للشكل المحدد، وأخذ عينات عشوائية من القيم العددية من توزيع عادي مبتور يتمركز على 0 مع الانحراف المعياري sqrt(2 / fanIn) ، حيث يمثل fanIn عدد ميزات الإدخال مضروبًا في حجم الحقل الاستقبالي، إن وجد.

    تصريح 

    public func heNormal<Scalar: TensorFlowFloatingPoint>(
  seed: TensorFlowSeed = Context.local.randomSeed
) -> ParameterInitializer<Scalar>

  • إرجاع دالة تنشئ موترًا عن طريق إجراء تهيئة LeCun الموحدة للشكل المحدد، وأخذ عينات عشوائية من القيم العددية من توزيع موحد بين -limit و limit ، التي تم إنشاؤها بواسطة مولد الأرقام العشوائية الافتراضي، حيث يكون Limit هو sqrt(3 / fanIn) و يمثل fanIn عدد ميزات الإدخال مضروبًا في حقل الاستقبال، إذا كان موجودًا.

    تصريح 

    public func leCunUniform<Scalar: TensorFlowFloatingPoint>(
  seed: TensorFlowSeed = Context.local.randomSeed
) -> ParameterInitializer<Scalar>

  • تُرجع دالة تنشئ موترًا عن طريق إجراء تهيئة LeCun العادية للشكل المحدد، وأخذ عينات عشوائية من القيم العددية من توزيع عادي مبتور يتمركز على 0 مع الانحراف المعياري sqrt(1 / fanIn) ، حيث يمثل fanIn عدد ميزات الإدخال مضروبًا في حجم الحقل الاستقبالي، إذا كان موجودا.

    تصريح 

    public func leCunNormal<Scalar: TensorFlowFloatingPoint>(
  seed: TensorFlowSeed = Context.local.randomSeed
) -> ParameterInitializer<Scalar>

  • تُرجع دالة تُنشئ موترًا عن طريق تهيئة جميع قيمه بشكل عشوائي من توزيع عادي مبتور. تتبع القيم التي تم إنشاؤها توزيعًا عاديًا mean standardDeviation معياري للانحراف المعياري، فيما عدا تلك القيم التي يزيد حجمها عن انحرافين معياريين عن المتوسط، يتم إسقاطها وإعادة تشكيلها.

    تصريح 

    public func truncatedNormalInitializer<Scalar: TensorFlowFloatingPoint>(
  mean: Tensor<Scalar> = Tensor<Scalar>(0),
  standardDeviation: Tensor<Scalar> = Tensor<Scalar>(1),
  seed: TensorFlowSeed = Context.local.randomSeed
) -> ParameterInitializer<Scalar>

    حدود

    mean

    متوسط ​​التوزيع الطبيعي.

    standardDeviation

    الانحراف المعياري للتوزيع الطبيعي.

    قيمة الإرجاع

    دالة تهيئة معلمة عادية مبتورة.

  • تصريح 

    public func == (lhs: TFETensorHandle, rhs: TFETensorHandle) -> Bool

  • إرجاع مصفوفة هوية أو مجموعة من المصفوفات.

    تصريح 

    public func eye<Scalar: Numeric>(
  rowCount: Int,
  columnCount: Int? = nil,
  batchShape: [Int] = [],
  on device: Device = .default
) -> Tensor<Scalar>

    حدود

    rowCount

    عدد الصفوف في كل مصفوفة دفعة.

    columnCount

    عدد الأعمدة في كل مصفوفة دفعية.

    batchShape

    أبعاد الدفعة الرائدة للموتر المرتجع.

  • يحسب أثر مصفوفة مجمعة اختياريا. التتبع هو المجموع على طول القطر الرئيسي لكل مصفوفة داخلية.

    الإدخال عبارة عن موتر ذو شكل [..., M, N] . الناتج هو موتر ذو شكل [...] .

    شرط مسبق

    يجب أن تكون matrix موترًا بالشكل [..., M, N] .

    تصريح 

    @differentiable(wrt: matrix)
public func trace<T>(_ matrix: Tensor<T>) -> Tensor<T> where T : Numeric, T : TensorFlowScalar

    حدود

    matrix

    موتر الشكل [..., M, N] .

  • إرجاع تحليل تشوليسكي لمصفوفة مربعة واحدة أو أكثر.

    الإدخال عبارة عن موتر للشكل [..., M, M] والذي يشكل بعداه الداخليان مصفوفات مربعة.

    يجب أن تكون المدخلات متماثلة وإيجابية محددة. سيتم استخدام الجزء المثلث السفلي فقط من الإدخال لهذه العملية. لن تتم قراءة الجزء العلوي الثلاثي.

    الإخراج عبارة عن موتر بنفس شكل الإدخال الذي يحتوي على تحليلات Cholesky لجميع مصفوفات الإدخال الفرعية [..., :, :] .

    تصريح 

    @differentiable
public func cholesky<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

    حدود

    input

    موتر الشكل [..., M, M] .

  • إرجاع الحل x إلى نظام المعادلات الخطية الذي يمثله Ax = b .

    شرط مسبق

    يجب أن تكون matrix موترًا بالشكل [..., M, M] .

    شرط مسبق

    يجب أن يكون rhs موترًا بالشكل [..., M, K] .

    تصريح 

    @differentiable
public func triangularSolve<T: TensorFlowFloatingPoint>(
  matrix: Tensor<T>,
  rhs: Tensor<T>,
  lower: Bool = true,
  adjoint: Bool = false
) -> Tensor<T>

    حدود

    matrix

    مصفوفة المعاملات المثلثية المدخلة، التي تمثل A في Ax = b .

    rhs

    قيم الجانب الأيمن، تمثل b في Ax = b .

    lower

    ما إذا كانت matrix مثلثية سفلية ( true ) أو مثلثية عليا ( false ). القيمة الافتراضية true .

    adjoint

    إذا كان true ، حل مع matrix المجاورة بدلا من matrix . القيمة الافتراضية false .

    قيمة الإرجاع

    الحل x لنظام المعادلات الخطية المتمثل في Ax = b . x له نفس شكل b .

  • يحسب خسارة L1 بين expected predicted . loss = reduction(abs(expected - predicted))

    تصريح 

    @differentiable(wrt: predicted)
@differentiable(wrt: (predicted, expected)
public func l1Loss<Scalar: TensorFlowFloatingPoint>(
  predicted: Tensor<Scalar>,
  expected: Tensor<Scalar>,
  reduction: @differentiable (Tensor<Scalar>) -> Tensor<Scalar> = _sum
) -> Tensor<Scalar>

    حدود

    predicted

    المخرجات المتوقعة من الشبكة العصبية.

    expected

    القيم المتوقعة، أي الأهداف، التي تتوافق مع المخرجات الصحيحة.

    reduction

    يتم تطبيق التخفيض على قيم الخسارة المحسوبة للعناصر.

  • يحسب خسارة L2 بين expected predicted . loss = reduction(square(expected - predicted))

    تصريح 

    @differentiable(wrt: predicted)
@differentiable(wrt: (predicted, expected)
public func l2Loss<Scalar: TensorFlowFloatingPoint>(
  predicted: Tensor<Scalar>,
  expected: Tensor<Scalar>,
  reduction: @differentiable (Tensor<Scalar>) -> Tensor<Scalar> = _sum
) -> Tensor<Scalar>

    حدود

    predicted

    المخرجات المتوقعة من الشبكة العصبية.

    expected

    القيم المتوقعة، أي الأهداف، التي تتوافق مع المخرجات الصحيحة.

    reduction

    يتم تطبيق التخفيض على قيم الخسارة المحسوبة للعنصر.

  • يحسب متوسط ​​الفرق المطلق بين التسميات والتنبؤات. loss = mean(abs(expected - predicted))

    تصريح 

    @differentiable(wrt: predicted)
@differentiable(wrt: (predicted, expected)
public func meanAbsoluteError<Scalar: TensorFlowFloatingPoint>(
  predicted: Tensor<Scalar>,
  expected: Tensor<Scalar>
) -> Tensor<Scalar>

    حدود

    predicted

    المخرجات المتوقعة من الشبكة العصبية.

    expected

    القيم المتوقعة، أي الأهداف، التي تتوافق مع المخرجات الصحيحة.

  • يحسب متوسط ​​مربعات الأخطاء بين التسميات والتنبؤات. loss = mean(square(expected - predicted))

    تصريح 

    @differentiable(wrt: predicted)
@differentiable(wrt: (predicted, expected)
public func meanSquaredError<Scalar: TensorFlowFloatingPoint>(
  predicted: Tensor<Scalar>,
  expected: Tensor<Scalar>
) -> Tensor<Scalar>

    حدود

    predicted

    المخرجات المتوقعة من الشبكة العصبية.

    expected

    القيم المتوقعة، أي الأهداف، التي تتوافق مع المخرجات الصحيحة.

  • يحسب الخطأ اللوغاريتمي التربيعي بين الخسارة predicted expected loss = square(log(expected) - log(predicted))

    ملحوظة

    سيتم تثبيت إدخالات الموتر السالبة عند 0 لتجنب السلوك اللوغاريتمي غير المحدد، حيث أن log(_:) غير محدد للحقيقيات السالبة.

    تصريح 

    @differentiable(wrt: predicted)
@differentiable(wrt: (predicted, expected)
public func meanSquaredLogarithmicError<Scalar: TensorFlowFloatingPoint>(
  predicted: Tensor<Scalar>,
  expected: Tensor<Scalar>
) -> Tensor<Scalar>

    حدود

    predicted

    المخرجات المتوقعة من الشبكة العصبية.

    expected

    القيم المتوقعة، أي الأهداف، التي تتوافق مع المخرجات الصحيحة.

  • يحسب متوسط ​​النسبة المئوية للخطأ المطلق بين predicted expected . loss = 100 * mean(abs((expected - predicted) / abs(expected)))

    تصريح 

    @differentiable(wrt: predicted)
@differentiable(wrt: (predicted, expected)
public func meanAbsolutePercentageError<Scalar: TensorFlowFloatingPoint>(
  predicted: Tensor<Scalar>,
  expected: Tensor<Scalar>
) -> Tensor<Scalar>

    حدود

    predicted

    المخرجات المتوقعة من الشبكة العصبية.

    expected

    القيم المتوقعة، أي الأهداف، التي تتوافق مع المخرجات الصحيحة.

  • يحسب خسارة المفصلة بين predicted expected . loss = reduction(max(0, 1 - predicted * expected)) من المتوقع أن تكون القيم expected -1 أو 1.

    تصريح 

    @differentiable(wrt: predicted)
@differentiable(wrt: (predicted, expected)
public func hingeLoss<Scalar: TensorFlowFloatingPoint>(
  predicted: Tensor<Scalar>,
  expected: Tensor<Scalar>,
  reduction: @differentiable (Tensor<Scalar>) -> Tensor<Scalar> = _mean
) -> Tensor<Scalar>

    حدود

    predicted

    المخرجات المتوقعة من الشبكة العصبية.

    expected

    القيم المتوقعة، أي الأهداف، التي تتوافق مع المخرجات الصحيحة.

    reduction

    يتم تطبيق التخفيض على قيم الخسارة المحسوبة للعنصر.

  • يحسب الخسارة المفصلية التربيعية بين predicted expected . loss = reduction(square(max(0, 1 - predicted * expected))) من المتوقع أن تكون القيم expected -1 أو 1.

    تصريح 

    @differentiable(wrt: predicted)
@differentiable(wrt: (predicted, expected)
public func squaredHingeLoss<Scalar: TensorFlowFloatingPoint>(
  predicted: Tensor<Scalar>,
  expected: Tensor<Scalar>,
  reduction: @differentiable (Tensor<Scalar>) -> Tensor<Scalar> = _mean
) -> Tensor<Scalar>

    حدود

    predicted

    المخرجات المتوقعة من الشبكة العصبية.

    expected

    القيم المتوقعة، أي الأهداف، التي تتوافق مع المخرجات الصحيحة.

    reduction

    يتم تطبيق التخفيض على قيم الخسارة المحسوبة للعنصر.

  • يحسب خسارة المفصلة الفئوية بين predicted expected . loss = maximum(negative - positive + 1, 0) حيث negative = max((1 - expected) * predicted) positive = sum(predicted * expected)

    تصريح 

    @differentiable(wrt: predicted)
@differentiable(wrt: (predicted, expected)
public func categoricalHingeLoss<Scalar: TensorFlowFloatingPoint>(
  predicted: Tensor<Scalar>,
  expected: Tensor<Scalar>,
  reduction: @differentiable (Tensor<Scalar>) -> Tensor<Scalar> = _mean
) -> Tensor<Scalar>

    حدود

    predicted

    المخرجات المتوقعة من الشبكة العصبية.

    expected

    القيم المتوقعة، أي الأهداف، التي تتوافق مع المخرجات الصحيحة.

    reduction

    يتم تطبيق التخفيض على قيم الخسارة المحسوبة للعناصر.

  • يحسب لوغاريتم جيب التمام الزائدي لخطأ التنبؤ. logcosh = log((exp(x) + exp(-x))/2) ، حيث x هو الخطأ predicted - expected

    تصريح 

    @differentiable(wrt: predicted)
@differentiable(wrt: (predicted, expected)
public func logCoshLoss<Scalar: TensorFlowFloatingPoint>(
  predicted: Tensor<Scalar>,
  expected: Tensor<Scalar>,
  reduction: @differentiable (Tensor<Scalar>) -> Tensor<Scalar> = _mean
) -> Tensor<Scalar>

    حدود

    predicted

    المخرجات المتوقعة من الشبكة العصبية.

    expected

    القيم المتوقعة، أي الأهداف، التي تتوافق مع المخرجات الصحيحة.

    reduction

    يتم تطبيق التخفيض على قيم الخسارة المحسوبة للعنصر.

  • يحسب خسارة بواسون بين المتوقعة والمتوقعة خسارة بواسون هي متوسط ​​عناصر Tensor predicted - expected * log(predicted) .

    تصريح 

    @differentiable(wrt: predicted)
@differentiable(wrt: (predicted, expected)
public func poissonLoss<Scalar: TensorFlowFloatingPoint>(
  predicted: Tensor<Scalar>,
  expected: Tensor<Scalar>,
  reduction: @differentiable (Tensor<Scalar>) -> Tensor<Scalar> = _mean
) -> Tensor<Scalar>

    حدود

    predicted

    المخرجات المتوقعة من الشبكة العصبية.

    expected

    القيم المتوقعة، أي الأهداف، التي تتوافق مع المخرجات الصحيحة.

    reduction

    يتم تطبيق التخفيض على قيم الخسارة المحسوبة للعناصر.

  • يحسب خسارة التباعد Kullback-Leibler بين expected predicted . loss = reduction(expected * log(expected / predicted))

    تصريح 

    @differentiable(wrt: predicted)
@differentiable(wrt: (predicted, expected)
public func kullbackLeiblerDivergence<Scalar: TensorFlowFloatingPoint>(
  predicted: Tensor<Scalar>,
  expected: Tensor<Scalar>,
  reduction: @differentiable (Tensor<Scalar>) -> Tensor<Scalar> = _sum
) -> Tensor<Scalar>

    حدود

    predicted

    المخرجات المتوقعة من الشبكة العصبية.

    expected

    القيم المتوقعة، أي الأهداف، التي تتوافق مع المخرجات الصحيحة.

    reduction

    يتم تطبيق التخفيض على قيم الخسارة المحسوبة للعنصر.

  • يحسب الإنتروبيا المتقاطعة softmax المتناثرة (الإنتروبيا المتقاطعة الفئوية) بين اللوجيستات والتسميات. استخدم وظيفة فقدان الانتروبيا هذه عندما يكون هناك فئتان أو أكثر من فئات التصنيف. نتوقع أن يتم توفير التسميات كأعداد صحيحة. يجب أن يكون هناك # classes قيم الفاصلة العائمة لكل ميزة logits وقيمة نقطة عائمة واحدة لكل ميزة expected .

    تصريح 

    @differentiable(wrt: logits)
public func softmaxCrossEntropy<Scalar: TensorFlowFloatingPoint>(
  logits: Tensor<Scalar>,
  labels: Tensor<Int32>,
  reduction: @differentiable (Tensor<Scalar>) -> Tensor<Scalar> = _mean
) -> Tensor<Scalar>

    حدود

    logits

    مخرجات مشفرة واحدة ساخنة من شبكة عصبية.

    labels

    مؤشرات (مفهرسة صفر) للمخرجات الصحيحة.

    reduction

    يتم تطبيق التخفيض على قيم الخسارة المحسوبة للعناصر.

  • يحسب الإنتروبيا المتقاطعة softmax المتناثرة (الإنتروبيا المتقاطعة الفئوية) بين اللوجيستات والتسميات. استخدم وظيفة فقدان الانتروبيا هذه عندما يكون هناك فئتان أو أكثر من فئات التصنيف. نتوقع توفير التصنيفات في تمثيل one_hot . يجب أن يكون هناك # classes قيم الفاصلة العائمة لكل ميزة.

    تصريح 

    @differentiable(wrt: logits)
public func softmaxCrossEntropy<Scalar: TensorFlowFloatingPoint>(
  logits: Tensor<Scalar>,
  probabilities: Tensor<Scalar>,
  reduction: @differentiable (Tensor<Scalar>) -> Tensor<Scalar> = _mean
) -> Tensor<Scalar>

    حدود

    logits

    احتمالات السجل غير المقاسة من الشبكة العصبية.

    probabilities

    قيم الاحتمالية التي تتوافق مع الإخراج الصحيح. يجب أن يكون كل صف توزيعًا احتماليًا صالحًا.

    reduction

    يتم تطبيق التخفيض على قيم الخسارة المحسوبة للعناصر.

  • يحسب الإنتروبيا السيني المتقاطعة (الإنتروبيا المتقاطعة الثنائية) بين اللوجيستات والتسميات. استخدم خسارة الإنتروبيا المتقاطعة هذه عندما يكون هناك فئتان فقط من التصنيفات (يُفترض أنهما 0 و1). لكل مثال، يجب أن تكون هناك قيمة فاصلة عائمة واحدة لكل تنبؤ.

    تصريح 

    @differentiable(wrt: logits)
@differentiable(wrt: (logits, labels)
public func sigmoidCrossEntropy<Scalar: TensorFlowFloatingPoint>(
  logits: Tensor<Scalar>,
  labels: Tensor<Scalar>,
  reduction: @differentiable (Tensor<Scalar>) -> Tensor<Scalar> = _mean
) -> Tensor<Scalar>

    حدود

    logits

    الناتج غير المقيس للشبكة العصبية.

    labels

    القيم الصحيحة التي تتوافق مع الإخراج الصحيح.

    reduction

    يتم تطبيق التخفيض على قيم الخسارة المحسوبة للعناصر.

  • يحسب خسارة هوبر بين predicted expected .

    لكل قيمة x في error = expected - predicted :

    تصريح 

    @differentiable(wrt: predicted)
@differentiable(wrt: (predicted, expected)
public func huberLoss<Scalar: TensorFlowFloatingPoint>(
  predicted: Tensor<Scalar>,
  expected: Tensor<Scalar>,
  delta: Scalar,
  reduction: @differentiable (Tensor<Scalar>) -> Tensor<Scalar> = _sum
) -> Tensor<Scalar>

    حدود

    predicted

    المخرجات المتوقعة من الشبكة العصبية.

    expected

    القيم المتوقعة، أي الأهداف، التي تتوافق مع المخرجات الصحيحة.

    delta

    مقياس النقطة العائمة الذي يمثل النقطة التي تتغير فيها دالة خسارة Huber من الدرجة التربيعية إلى الخطية.

    reduction

    يتم تطبيق التخفيض على قيم الخسارة المحسوبة للعناصر.

  • تُرجع القيمة المطلقة لعنصر الموتر المحدد.

    تصريح 

    @differentiable
public func abs<T>(_ x: Tensor<T>) -> Tensor<T> where T : SignedNumeric, T : TensorFlowScalar

  • تُرجع اللوغاريتم الطبيعي لعنصر الموتر المحدد.

    تصريح 

    @differentiable
public func log<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • تُرجع لوغاريتم الأساس الثاني لعنصر الموتر المحدد.

    تصريح 

    @differentiable
public func log2<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • تُرجع اللوغاريتم ذي القاعدة العشرة لعنصر الموتر المحدد.

    تصريح 

    @differentiable
public func log10<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • إرجاع لوغاريتم 1 + x من حيث العناصر.

    تصريح 

    @differentiable
public func log1p<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • إرجاع log(1 - exp(x)) باستخدام نهج مستقر عدديًا.

    ملحوظة

    يظهر النهج في المعادلة 7 من: https://cran.r-project.org/web/packages/Rmpfr/vignettes/log1mexp-note.pdf .

    تصريح 

    @differentiable
public func log1mexp<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • إرجاع جيب عنصر الموتر المحدد.

    تصريح 

    @differentiable
public func sin<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • إرجاع جيب التمام لعنصر الموتر المحدد.

    تصريح 

    @differentiable
public func cos<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • إرجاع ظل عنصر الموتر المحدد.

    تصريح 

    @differentiable
public func tan<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • تُرجع جيب الجيب الزائدي لعنصر الموتر المحدد.

    تصريح 

    @differentiable
public func sinh<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • تُرجع جيب التمام الزائدي لعنصر الموتر المحدد.

    تصريح 

    @differentiable
public func cosh<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • تُرجع الظل الزائدي لعنصر الموتر المحدد.

    تصريح 

    @differentiable
public func tanh<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • يُرجع جيب التمام العكسي لعنصر الموتر المحدد.

    تصريح 

    @differentiable
public func acos<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • يُرجع الجيب العكسي لعنصر الموتر المحدد.

    تصريح 

    @differentiable
public func asin<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • إرجاع الظل العكسي لعنصر الموتر المحدد.

    تصريح 

    @differentiable
public func atan<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • تُرجع جيب التمام الزائدي العكسي لعنصر الموتر المحدد.

    تصريح 

    @differentiable
public func acosh<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • تُرجع جيب القطع الزائد العكسي لعنصر الموتر المحدد.

    تصريح 

    @differentiable
public func asinh<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • تُرجع المماس الزائدي العكسي لعنصر الموتر المحدد.

    تصريح 

    @differentiable
public func atanh<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • يُرجع الجذر التربيعي لعنصر الموتر المحدد.

    تصريح 

    @differentiable
public func sqrt<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • تُرجع الجذر التربيعي العكسي لعنصر الموتر المحدد.

    تصريح 

    @differentiable
public func rsqrt<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • تُرجع الأس لعنصر الموتر المحدد.

    تصريح 

    @differentiable
public func exp<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • إرجاع اثنين مرفوعًا إلى قوة عنصر الموتر المحدد.

    تصريح 

    @differentiable
public func exp2<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • إرجاع عشرة مرفوعة إلى قوة عنصر الموتر المحدد.

    تصريح 

    @differentiable
public func exp10<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • تُرجع الأسي للعنصر x - 1 .

    تصريح 

    @differentiable
public func expm1<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • تُرجع قيم الموتر المحدد مُقربًا إلى أقرب عدد صحيح، من حيث العنصر.

    تصريح 

    @differentiable
public func round<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • يُرجع سقف عنصر الموتر المحدد.

    تصريح 

    @differentiable
public func ceil<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • إرجاع أرضية عنصر الموتر المحدد.

    تصريح 

    @differentiable
public func floor<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • يُرجع إشارة إلى علامة عنصر الموتر المحدد. على وجه التحديد، يحسب y = sign(x) = -1 if x < 0 ; 0 إذا x == 0 ; 1 إذا x > 0 .

    تصريح 

    @differentiable
public func sign<T>(_ x: Tensor<T>) -> Tensor<T> where T : Numeric, T : TensorFlowScalar

  • إرجاع السيني لعنصر الموتر المحدد. على وجه التحديد، يحسب 1 / (1 + exp(-x)) .

    تصريح 

    @differentiable
public func sigmoid<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • تُرجع السجل السيني لعنصر الموتر المحدد. على وجه التحديد، log(1 / (1 + exp(-x))) . لتحقيق الاستقرار العددي، نستخدم -softplus(-x) .

    تصريح 

    @differentiable
public func logSigmoid<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • تُرجع softplus لعنصر الموتر المحدد. على وجه التحديد، يحسب log(exp(features) + 1) .

    تصريح 

    @differentiable
public func softplus<T>(_ features: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • تُرجع العلامة الناعمة لعنصر الموتر المحدد. على وجه التحديد، يحسب features/ (abs(features) + 1) .

    تصريح 

    @differentiable
public func softsign<T>(_ features: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • تُرجع softmax للموتر المحدد على طول المحور الأخير. على وجه التحديد، يحسب exp(x) / exp(x).sum(alongAxes: -1) .

    تصريح 

    @differentiable
public func softmax<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • تُرجع softmax للموتر المحدد على طول المحور المحدد. على وجه التحديد، يحسب exp(x) / exp(x).sum(alongAxes: axis) .

    تصريح 

    @differentiable
public func softmax<T>(_ x: Tensor<T>, alongAxis axis: Int) -> Tensor<T> where T : TensorFlowFloatingPoint

  • تُرجع log-softmax لعنصر الموتر المحدد.

    تصريح 

    @differentiable
public func logSoftmax<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • إرجاع موتر من خلال تطبيق وحدة خطية أسية. على وجه التحديد، يحسب exp(x) - 1 إذا كان <0، x بخلاف ذلك. شاهد تعلمًا سريعًا ودقيقًا للشبكة العميقة من خلال الوحدات الخطية الأسية (ELUs)

    تصريح 

    @differentiable
public func elu<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • تُرجع تنشيطات وحدة الخطأ الخطي الغوسي (GELU) لعنصر الموتر المحدد.

    على وجه التحديد، تقريب gelu xP(X <= x) ، حيث P(X <= x) هو التوزيع التراكمي القياسي الغوسي، عن طريق الحساب: x * [0.5 * (1 + tanh[√(2/π) * (x + 0.044715 * س ^ 3)])].

    انظر الوحدات الخطية للخطأ الغوسي .

    تصريح 

    @differentiable
public func gelu<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • يُرجع موترًا عن طريق تطبيق وظيفة تنشيط ReLU على عنصر الموتر المحدد. على وجه التحديد، يحسب max(0, x) .

    تصريح 

    @differentiable
public func relu<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • إرجاع موتر من خلال تطبيق وظيفة التنشيط ReLU6، وهي min(max(0, x), 6) .

    تصريح 

    @differentiable
public func relu6<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • إرجاع موتر عن طريق تطبيق وظيفة تنشيط ReLU المتسربة على عنصر الموتر المحدد. على وجه التحديد، يحسب max(x, x * alpha) .

    تصريح 

    @differentiable(wrt: x)
public func leakyRelu<T: TensorFlowFloatingPoint>(
  _ x: Tensor<T>,
  alpha: Double = 0.2
) -> Tensor<T>

  • تقوم بإرجاع موتر من خلال تطبيق وظيفة التنشيط SeLU، وهي scale * alpha * (exp(x) - 1) إذا x < 0 ، scale * x بخلاف ذلك.

    ملحوظة

    تم تصميم هذا ليتم استخدامه مع مُهيئات طبقة قياس التباين. يرجى الرجوع إلى الشبكات العصبية ذاتية التطبيع لمزيد من المعلومات.

    تصريح 

    @differentiable
public func selu<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • إرجاع موتر من خلال تطبيق وظيفة التنشيط، وهي x * sigmoid(x) .

    المصدر: "البحث عن وظائف التنشيط" (راماشاندران وآخرون 2017) https://arxiv.org/abs/1710.05941

    تصريح 

    @differentiable
public func swish<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • إرجاع موتر من خلال تطبيق وظيفة التنشيط السيني الصلب، وهي Relu6(x+3)/6 .

    المصدر: "البحث عن MobileNetV3" (هوارد وآخرون 2019) https://arxiv.org/abs/1905.02244

    تصريح 

    @differentiable
public func hardSigmoid<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • إرجاع موتر عن طريق تطبيق وظيفة التنشيط القوية، وهي x * Relu6(x+3)/6 .

    المصدر: "البحث عن MobileNetV3" (هوارد وآخرون 2019) https://arxiv.org/abs/1905.02244

    تصريح 

    @differentiable
public func hardSwish<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • إرجاع موتر من خلال تطبيق وظيفة التنشيط، وهي x * tanh(softplus(x)) .

    المصدر: "Mish: وظيفة تنشيط عصبية ذاتية غير رتيبة" https://arxiv.org/abs/1908.08681

    تصريح 

    @differentiable
public func mish<T>(_ x: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • إرجاع قوة الموتر الأول إلى الموتر الثاني.

    تصريح 

    @differentiable
public func pow<T>(_ lhs: Tensor<T>, _ rhs: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • إرجاع قوة العددية إلى الموتر، وبث العددية.

    تصريح 

    @differentiable(wrt: rhs)
public func pow<T>(_ lhs: T, _ rhs: Tensor<T>) -> Tensor<T> where T : TensorFlowFloatingPoint

  • إرجاع قوة الموتر إلى العددية، وبث العددية.

    تصريح 

    @differentiable(wrt: lhs)
public func pow<T>(_ lhs: Tensor<T>, _ rhs: T) -> Tensor<T> where T : TensorFlowFloatingPoint

  • إرجاع قوة الموتر إلى العددية، وبث العددية.

    تصريح 

    @differentiable
public func pow<T>(_ x: Tensor<T>, _ n: Int) -> Tensor<T> where T : TensorFlowFloatingPoint

  • تُرجع العنصر الجذر n للموتر.

    تصريح 

    @differentiable
public func root<T>(_ x: Tensor<T>, _ n: Int) -> Tensor<T> where T : TensorFlowFloatingPoint

  • إرجاع الفرق التربيعي بين x و y .

    تصريح 

    @differentiable
public func squaredDifference<T>(_ x: Tensor<T>, _ y: Tensor<T>) -> Tensor<T> where T : Numeric, T : TensorFlowScalar

    قيمة الإرجاع

    (x - y) ^ 2 .

  • يُرجع الحد الأقصى من حيث العناصر وهو موترين.

    ملحوظة

    max يدعم البث.

    تصريح 

    @differentiable
public func max<T>(_ lhs: Tensor<T>, _ rhs: Tensor<T>) -> Tensor<T> where T : Comparable, T : Numeric, T : TensorFlowScalar

  • تُرجع الحد الأقصى من حيث العنصر للعددية والموترة، وبث العددية.

    تصريح 

    @differentiable(wrt: rhs)
public func max<T>(_ lhs: T, _ rhs: Tensor<T>) -> Tensor<T> where T : Comparable, T : Numeric, T : TensorFlowScalar

  • تُرجع الحد الأقصى من حيث العنصر للعددية والموترة، وبث العددية.

    تصريح 

    @differentiable(wrt: lhs)
public func max<T>(_ lhs: Tensor<T>, _ rhs: T) -> Tensor<T> where T : Comparable, T : Numeric, T : TensorFlowScalar

  • يُرجع الحد الأدنى من العناصر لموترين.

    ملحوظة

    min تدعم البث.

    تصريح 

    @differentiable
public func min<T>(_ lhs: Tensor<T>, _ rhs: Tensor<T>) -> Tensor<T> where T : Comparable, T : Numeric, T : TensorFlowScalar

  • إرجاع الحد الأدنى من العناصر للعددية والموترة، وبث العددية.

    تصريح 

    @differentiable(wrt: rhs)
public func min<T>(_ lhs: T, _ rhs: Tensor<T>) -> Tensor<T> where T : Comparable, T : Numeric, T : TensorFlowScalar

  • إرجاع الحد الأدنى من العناصر للعددية والموترة، وبث العددية.

    تصريح 

    @differentiable(wrt: lhs)
public func min<T>(_ lhs: Tensor<T>, _ rhs: T) -> Tensor<T> where T : Comparable, T : Numeric, T : TensorFlowScalar

  • إرجاع تشابه جيب التمام بين x و y .

    تصريح 

    @differentiable
public func cosineSimilarity<Scalar: TensorFlowFloatingPoint>(
  _ x: Tensor<Scalar>,
  _ y: Tensor<Scalar>
) -> Tensor<Scalar>

  • إرجاع مسافة جيب التمام بين x و y . يتم تعريف مسافة جيب التمام على أنها 1 - cosineSimilarity(x, y) .

    تصريح 

    @differentiable
public func cosineDistance<Scalar: TensorFlowFloatingPoint>(
  _ x: Tensor<Scalar>,
  _ y: Tensor<Scalar>
) -> Tensor<Scalar>

  • ينفذ ضرب المصفوفة مع موتر آخر وينتج النتيجة.

    تصريح 

    @differentiable
public func matmul<Scalar: Numeric>(
  _ lhs: Tensor<Scalar>,
  transposed transposeLhs: Bool = false,
  _ rhs: Tensor<Scalar>,
  transposed transposeRhs: Bool = false
) -> Tensor<Scalar>

  • تُرجع التفافًا أحادي الأبعاد مع المدخلات والمرشح والخطوة والحشوة المحددة.

    شرط مسبق

    يجب أن يكون input في المرتبة 3 .

    شرط مسبق

    يجب أن يكون filter في المرتبة 3.

    تصريح 

    @differentiable(wrt: (input, filter)
public func conv1D<Scalar: TensorFlowFloatingPoint>(
  _ input: Tensor<Scalar>,
  filter: Tensor<Scalar>,
  stride: Int = 1,
  padding: Padding = .valid,
  dilation: Int = 1
) -> Tensor<Scalar>

    حدود

    input

    المدخلات.

    filter

    مرشح الالتفاف.

    stride

    خطوة المرشح المنزلق.

    padding

    الحشوة للعملية.

    dilation

    عامل التمدد.

  • تُرجع التفافًا ثنائي الأبعاد مع المدخلات والمرشحات والخطوات والحشوة المحددة.

    شرط مسبق

    يجب أن يكون input في المرتبة 4 .

    شرط مسبق

    يجب أن يكون filter في المرتبة 4.

    تصريح 

    @differentiable(wrt: (input, filter)
public func conv2D<Scalar: TensorFlowFloatingPoint>(
  _ input: Tensor<Scalar>,
  filter: Tensor<Scalar>,
  strides: (Int, Int, Int, Int) = (1, 1, 1, 1),
  padding: Padding = .valid,
  dilations: (Int, Int, Int, Int) = (1, 1, 1, 1)
) -> Tensor<Scalar>

    حدود

    input

    المدخلات.

    filter

    مرشح الالتفاف.

    strides

    خطوات المرشح المنزلق لكل بُعد من أبعاد الإدخال.

    padding

    الحشوة للعملية

    dilations

    عامل التمدد لكل بعد من المدخلات.

  • تُرجع التفافًا منقولاً ثنائي الأبعاد مع المدخلات والمرشح والخطوات والحشوة المحددة.

    شرط مسبق

    يجب أن يكون input في المرتبة 4 .

    شرط مسبق

    يجب أن يكون filter في المرتبة 4.

    تصريح 

    @differentiable(wrt: (input, filter)
public func transposedConv2D<Scalar: TensorFlowFloatingPoint>(
  _ input: Tensor<Scalar>,
  shape: [Int64],
  filter: Tensor<Scalar>,
  strides: (Int, Int, Int, Int) = (1, 1, 1, 1),
  padding: Padding = .valid,
  dilations: (Int, Int, Int, Int) = (1, 1, 1, 1)
) -> Tensor<Scalar>

    حدود

    input

    المدخلات.

    shape

    شكل الإخراج لعملية التفكيك.

    filter

    مرشح الالتفاف.

    strides

    خطوات المرشح المنزلق لكل بُعد من أبعاد الإدخال.

    padding

    الحشوة للعملية

    dilations

    عامل التمدد لكل بعد من المدخلات.

  • يُرجع تلافيفًا ثلاثي الأبعاد مع المدخلات والمرشحات والخطوات والحشوات والتوسعات المحددة.

    شرط مسبق

    يجب أن يكون input في المرتبة 5 .

    شرط مسبق

    يجب أن يكون filter في المرتبة 5.

    تصريح 

    @differentiable(wrt: (input, filter)
public func conv3D<Scalar: TensorFlowFloatingPoint>(
  _ input: Tensor<Scalar>,
  filter: Tensor<Scalar>,
  strides: (Int, Int, Int, Int, Int) = (1, 1, 1, 1, 1),
  padding: Padding = .valid,
  dilations: (Int, Int, Int, Int, Int) = (1, 1, 1, 1, 1)
) -> Tensor<Scalar>

    حدود

    input

    المدخلات.

    filter

    مرشح الالتفاف.

    strides

    خطوات المرشح المنزلق لكل بُعد من أبعاد الإدخال.

    padding

    الحشوة للعملية.

    dilations

    عامل التمدد لكل بعد من المدخلات.

  • يُرجع التفافًا عميقًا ثنائي الأبعاد مع المدخلات والمرشح والخطوات والحشوة المحددة.

    شرط مسبق

    يجب أن يكون input في المرتبة 4.

    شرط مسبق

    يجب أن يكون filter في المرتبة 4.

    تصريح 

    @differentiable(wrt: (input, filter)
public func depthwiseConv2D<Scalar: TensorFlowFloatingPoint>(
  _ input: Tensor<Scalar>,
  filter: Tensor<Scalar>,
  strides: (Int, Int, Int, Int),
  padding: Padding
) -> Tensor<Scalar>

    حدود

    input

    المدخلات.

    filter

    مرشح الالتواء العميق.

    strides

    خطوات المرشح المنزلق لكل بُعد من أبعاد الإدخال.

    padding

    الحشوة للعملية.

  • يُرجع الحد الأقصى للتجميع ثنائي الأبعاد، مع أحجام المرشحات والخطوات والحشوة المحددة.

    تصريح 

    @differentiable(wrt: input)
public func maxPool2D<Scalar: TensorFlowFloatingPoint>(
  _ input: Tensor<Scalar>,
  filterSize: (Int, Int, Int, Int),
  strides: (Int, Int, Int, Int),
  padding: Padding
) -> Tensor<Scalar>

    حدود

    input

    المدخلات.

    filterSize

    أبعاد نواة التجميع.

    strides

    خطوات المرشح المنزلق لكل بُعد من أبعاد الإدخال.

    padding

    الحشوة للعملية.

  • يُرجع الحد الأقصى للتجميع ثلاثي الأبعاد، مع أحجام المرشحات والخطوات والحشوة المحددة.

    تصريح 

    @differentiable(wrt: input)
public func maxPool3D<Scalar: TensorFlowFloatingPoint>(
  _ input: Tensor<Scalar>,
  filterSize: (Int, Int, Int, Int, Int),
  strides: (Int, Int, Int, Int, Int),
  padding: Padding
) -> Tensor<Scalar>

    حدود

    input

    المدخلات.

    filterSize

    أبعاد نواة التجميع.

    strides

    خطوات المرشح المنزلق لكل بُعد من أبعاد الإدخال.

    padding

    الحشوة للعملية.

  • إرجاع تجميع متوسط ​​ثنائي الأبعاد، مع أحجام المرشحات والخطوات والحشوة المحددة.

    تصريح 

    @differentiable(wrt: input)
public func avgPool2D<Scalar: TensorFlowFloatingPoint>(
  _ input: Tensor<Scalar>,
  filterSize: (Int, Int, Int, Int),
  strides: (Int, Int, Int, Int),
  padding: Padding
) -> Tensor<Scalar>

    حدود

    input

    المدخلات.

    filterSize

    أبعاد نواة التجميع.

    strides

    خطوات المرشح المنزلق لكل بُعد من أبعاد الإدخال.

    padding

    الحشوة للعملية .

  • يُرجع تجميعًا متوسطًا ثلاثي الأبعاد، بأحجام المرشحات والخطوات والحشوة المحددة.

    تصريح 

    @differentiable(wrt: input)
public func avgPool3D<Scalar: TensorFlowFloatingPoint>(
  _ input: Tensor<Scalar>,
  filterSize: (Int, Int, Int, Int, Int),
  strides: (Int, Int, Int, Int, Int),
  padding: Padding
) -> Tensor<Scalar>

    حدود

    input

    المدخلات.

    filterSize

    أبعاد نواة التجميع.

    strides

    خطوات المرشح المنزلق لكل بُعد من أبعاد الإدخال.

    padding

    الحشوة للعملية.

  • إرجاع تجميع أقصى كسري ثنائي الأبعاد، بنسب التجميع المحددة.

    ملاحظة: لا يحتوي fractionalMaxPool على تطبيق XLA، وبالتالي قد يكون له آثار على الأداء.

    تصريح 

    @differentiable(wrt: input)
public func fractionalMaxPool2D<Scalar: TensorFlowFloatingPoint>(
  _ input: Tensor<Scalar>,
  poolingRatio: (Double, Double, Double, Double),
  pseudoRandom: Bool = false,
  overlapping: Bool = false,
  deterministic: Bool = false,
  seed: Int64 = 0,
  seed2: Int64 = 0
) -> Tensor<Scalar>

    حدود

    input

    موتر. 4-D بالشكل [batch, height, width, channels] .

    poolingRatio

    قائمة Doubles . نسبة التجميع لكل بُعد من أبعاد input ، تدعم حاليًا بُعد الصف والعمود فقط ويجب أن تكون >= 1.0.

    pseudoRandom

    Bool اختياري. الافتراضيات false . عند التعيين على true ، يتم إنشاء تسلسل التجميع بطريقة عشوائية زائفة، وإلا بطريقة عشوائية.

    overlapping

    Bool اختياري. الافتراضيات false . عند التعيين على true ، فهذا يعني أنه عند التجميع، يتم استخدام القيم الموجودة على حدود خلايا التجميع المجاورة بواسطة كلا الخليتين.

    deterministic

    Bool اختياري . عند التعيين على true ، سيتم استخدام منطقة تجميع ثابتة عند التكرار عبر عقدة FractionalMaxPool2D في الرسم البياني الحسابي.

    seed

    اختياري Int64 . الإعدادات الافتراضية إلى 0 . إذا تم ضبطه على قيمة غير صفرية، فسيتم تصنيف مولد الأرقام العشوائية بواسطة البذرة المحددة.

    seed2

    اختياري Int64 . الإعدادات الافتراضية إلى 0 . بذرة ثانية لتجنب اصطدام البذور.

  • تقوم بإرجاع نسخة من input حيث يتم نقل القيم من بُعد العمق في كتل مكانية إلى أبعاد الارتفاع والعرض.

    على سبيل المثال، في حالة إدخال الشكل [1, 2, 2, 1] ، data_format = "NHWC" وblock_size = 2:

    x = [[[[1], [2]],
      [[3], [4]]]]

    ستنتج هذه العملية موترًا بالشكل [1, 1, 1, 4] :

    [[[[1, 2, 3, 4]]]]

    هنا، يحتوي الإدخال على دفعة مكونة من 1 ولكل عنصر دفعة شكل [2, 2, 1] ، وسيكون للمخرج المقابل عنصر واحد (أي العرض والارتفاع كلاهما 1) وسيكون له عمق 4 قنوات (1) * حجم الكتلة * حجم الكتلة). شكل عنصر الإخراج هو [1, 1, 4] .

    بالنسبة لموتر الإدخال بعمق أكبر، هنا بالشكل [1, 2, 2, 3] ، على سبيل المثال

    x = [[[[1, 2, 3], [4, 5, 6]],
      [[7, 8, 9], [10, 11, 12]]]]

    هذه العملية، بالنسبة لحجم الكتلة 2، ستعيد موتر الشكل التالي [1, 1, 1, 12]

    [[[[1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12]]]]

    وبالمثل، بالنسبة لإدخال الشكل التالي [1 4 4 1] وحجم الكتلة 2:

    x = [[[[1],   [2],  [5],  [6]],
      [[3],   [4],  [7],  [8]],
      [[9],  [10], [13],  [14]],
      [[11], [12], [15],  [16]]]]

    سيعيد المشغل موتر الشكل التالي [1 2 2 4] :

    x = [[[[1, 2, 3, 4],
       [5, 6, 7, 8]],
      [[9, 10, 11, 12],
       [13, 14, 15, 16]]]]

    شرط مسبق

    input.rank == 4 && b >= 2 .

    شرط مسبق

    يجب أن يكون عدد المعالم قابلاً للقسمة على مربع b .

    تصريح 

    @differentiable(wrt: input)
public func depthToSpace<Scalar>(_ input: Tensor<Scalar>, blockSize b: Int) -> Tensor<Scalar> where Scalar : TensorFlowScalar

  • تقوم بإرجاع نسخة من input حيث يتم نقل القيم من أبعاد الارتفاع والعرض إلى بُعد العمق.

    على سبيل المثال، في حالة إدخال الشكل [1, 2, 2, 1] ، data_format = "NHWC" وblock_size = 2:

    x = [[[[1], [2]],
      [[3], [4]]]]

    ستنتج هذه العملية موترًا بالشكل [1, 1, 1, 4] :

    [[[[1, 2, 3, 4]]]]

    هنا، يحتوي الإدخال على دفعة مكونة من 1 ولكل عنصر دفعة شكل [2, 2, 1] ، وسيكون للمخرج المقابل عنصر واحد (أي العرض والارتفاع كلاهما 1) وسيكون له عمق 4 قنوات (1) * حجم الكتلة * حجم الكتلة). شكل عنصر الإخراج هو [1, 1, 4] .

    بالنسبة لموتر الإدخال بعمق أكبر، هنا بالشكل [1, 2, 2, 3] ، على سبيل المثال

    x = [[[[1, 2, 3], [4, 5, 6]],
      [[7, 8, 9], [10, 11, 12]]]]

    هذه العملية ، لـ block_size من 2 ، ستعيد الموتر التالي من الشكل [1, 1, 1, 12]

    [[[[1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12]]]]

    وبالمثل ، بالنسبة للمدخلات التالية للشكل [1 4 4 1] ، وحجم كتلة 2:

    x = [[[[1],   [2],  [5],  [6]],
      [[3],   [4],  [7],  [8]],
      [[9],  [10], [13],  [14]],
      [[11], [12], [15],  [16]]]]

    سيعود المشغل الموتر التالي من الشكل [1 2 2 4] :

    x = [[[[1, 2, 3, 4],
       [5, 6, 7, 8]],
      [[9, 10, 11, 12],
       [13, 14, 15, 16]]]]

    شرط مسبق

    input.rank == 4 && b >= 2 .

    شرط مسبق

    يجب أن يكون ارتفاع المدخلات قابلة للقسمة على b .

    شرط مسبق

    يجب أن يكون عرض المدخلات قابلاً للقسمة بواسطة b .

    تصريح 

    @differentiable(wrt: input)
public func spaceToDepth<Scalar>(_ input: Tensor<Scalar>, blockSize b: Int) -> Tensor<Scalar> where Scalar : TensorFlowScalar

  • يبني مُحسِّنًا لكل Weight لـ LARS ( https://arxiv.org/pdf/1708.03888.pdf ).

    تصريح 

    public func makeLARS(
  learningRate: Float = 0.01,
  momentum: Float = 0.9,
  trustCoefficient: Float = 0.001,
  nesterov: Bool = false,
  epsilon: Float = 0.0,
  weightDecay: Float = 0.0
) -> ParameterGroupOptimizer

  • يبني مُحسِّنًا لكل وزن قائم على SGD.

    تصريح 

    public func makeSGD(
  learningRate: Float = 0.01,
  momentum: Float = 0,
  weightDecay: Float = 0,
  nesterov: Bool = false
) -> ParameterGroupOptimizer

  • يبني مُحسِّنًا لكل وزن لآدم مع تسوس الوزن.

    المرجع: "آدم - طريقة للتحسين العشوائي"

    تصريح 

    public func makeAdam(
  learningRate: Float = 0.01,
  beta1: Float = 0.9,
  beta2: Float = 0.999,
  weightDecayRate: Float = 0.01,
  epsilon: Float = 1e-6
) -> ParameterGroupOptimizer

  • يولد بذرة عشوائية جديدة لترنزورف.

    تصريح 

    public func randomSeedForTensorFlow(using seed: TensorFlowSeed? = nil) -> TensorFlowSeed

  • يسلط قيمتين.

    تصريح 

    @differentiable
public func concatenate<T: Mergeable>(
  _ first: T,
  _ second: T
) -> T

  • يضيف قيمتين وينتج مجموعهما.

    تصريح 

    @differentiable
public func sum<T: Mergeable>(
  _ first: T,
  _ second: T
) -> T

  • متوسط ​​قيمتين.

    تصريح 

    @differentiable
public func average<T: Mergeable>(
  _ first: T,
  _ second: T
) -> T

  • يضاعف قيمتين.

    تصريح 

    @differentiable
public func multiply<T: Mergeable>(
  _ first: T,
  _ second: T
) -> T

  • كومة قيمتين.

    تصريح 

    @differentiable
public func stack<T: Mergeable>(
  _ first: T,
  _ second: T
) -> T

  • تصريح 

    public func PrintX10Metrics()

  • ينشئ ملخص سلسلة لقائمة التدريب واختبار إحصائيات.

    تصريح 

    public func formatStatistics(_ stats: (train: HostStatistics, test: HostStatistics)) -> String

  • تصريح 

    public func formatStatistics(train trainStats: HostStatistics, test testStats: HostStatistics)
  -> String

  • خرائط وظيفة على المواضيع n.

    تصريح 

    public func runOnNThreads<R>(_ nThreads: Int, _ body: @escaping (Int) -> R) -> [R]