Fornece pontos de personalização para algoritmos MutableCollection .

Se incorporados à biblioteca padrão, esses requisitos fariam apenas parte de MutableCollection . Enquanto isso, você pode declarar a conformidade de uma coleção para MutableCollectionAlgorithms para fazer com que esses pontos de personalização sejam usados ​​a partir de outros algoritmos definidos em MutableCollectionAlgorithms .

Tipos cujos elementos podem ser agrupados em algum elemento de classificação superior do mesmo tipo (exemplo: tensores, tupla de tensores)

Um tipo cujas propriedades e elementos aninhados podem ser copiados para um Device .

Um tipo cujos valores fornecem caminhos de chave personalizados para propriedades ou elementos.

Um tipo de dados escalar compatível com TensorFlow.

Os tipos que estão em conformidade com TensorFlowScalar podem ser usados ​​como o tipo Scalar de Tensor associado.

Um tipo de dados inteiro que representa tipos inteiros que podem ser usados ​​como índices tensores no TensorFlow.

Um tipo de dados de ponto flutuante que está em conformidade com Differentiable e é compatível com TensorFlow.

Um tipo que representa matematicamente uma variedade diferenciável cujos espaços tangentes são de dimensão finita.

Um tipo com valores que suportam multiplicação pontual.

Um tipo que representa um espaço vetorial não classificado. Valores deste tipo são elementos neste espaço vetorial e não têm forma ou têm forma estática.

Um tipo diferenciável no espaço euclidiano. O tipo pode representar um espaço vetorial ou consistir em um espaço vetorial e algum outro componente não diferenciável.

Matematicamente, isso representa uma variedade de produto que consiste em um espaço vetorial diferenciável e alguma variedade arbitrária, onde o fibrado tangente de toda a variedade de produto é igual ao componente do espaço vetorial.

Esta abstração é útil para representar estruturas de dados diferenciáveis ​​comuns que contêm propriedades de vetores diferenciáveis ​​e outras propriedades armazenadas que não possuem uma derivada, por exemplo

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

Uma camada de rede neural.

Os tipos que estão em conformidade com Layer representam funções que mapeiam entradas para saídas. Eles podem ter um estado interno representado por parâmetros, como tensores de peso.

As instâncias Layer definem um método callAsFunction(_:) diferenciável para mapear entradas para saídas.

Uma camada de rede neural sem parâmetros.

O TangentVector de camadas sem parâmetros é sempre EmptyTangentVector .

Um tipo que possui funções elementares disponíveis.

Uma “função elementar” é uma função construída a partir de potências, raízes, exponenciais, logaritmos, funções trigonométricas (sin, cos, tan) e suas inversas, e as funções hiperbólicas (sinh, cosh, tanh) e suas inversas.

A conformidade com este protocolo significa que todos esses blocos de construção estão disponíveis como funções estáticas no tipo.

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

Um tipo cujas propriedades e elementos do tensor de ponto flutuante aninhados podem ser convertidos de precisão total para precisão reduzida e vice-versa.

Um detalhe de implementação usado para contornar o fato de que Swift não pode expressar uma restrição genérica de que algum tipo deve ser uma instância de Sampling .

Um tipo que pode ser inicializado a partir de uma instância numpy.ndarray representada como PythonObject .

Um tipo que é compatível bit a bit com um ou mais tipos escalares NumPy.

Um tipo cujos valores podem ser convertidos em PythonObject .

Um tipo que pode ser inicializado a partir de um PythonObject .

Um tipo que fornece dados pseudoaleatórios determinísticos semeáveis.

Um SeedableRandomNumberGenerator pode ser usado em qualquer lugar onde um RandomNumberGenerator seria usado. É útil quando os dados pseudoaleatórios precisam ser reproduzidos em execuções.

Em conformidade com o protocolo SeedableRandomNumberGenerator

Para tornar um tipo personalizado em conformidade com o protocolo SeedableRandomNumberGenerator , implemente o inicializador init(seed: [UInt8]) , bem como os requisitos para RandomNumberGenerator . Os valores retornados por next() devem formar uma sequência determinística que depende apenas da semente fornecida na inicialização.

Uma célula de camada recorrente.

Um tipo com valores que suportam operações binárias diferenciáveis.

Usado por BidirectionalRecurrentLayer como um requisito genérico para funções de mesclagem.

Protocolo especial para chamar operações de tensorflow que usam matrizes heterogêneas como entrada.

Um protocolo que representa tipos que podem ser mapeados para Array<CTensorHandle> .

Este protocolo é definido separadamente do TensorGroup para que o número de tensores seja determinado em tempo de execução. Por exemplo, [Tensor<Float>] pode ter um número desconhecido de elementos em tempo de compilação.

Este protocolo pode ser derivado automaticamente para estruturas cujas propriedades armazenadas estão todas em conformidade com o protocolo TensorGroup . Ele não pode ser derivado automaticamente para estruturas cujas propriedades estejam todas em conformidade com TensorArrayProtocol devido ao requisito do construtor (ou seja, nesses casos seria impossível saber como dividir count entre as propriedades armazenadas).

Um protocolo que representa tipos que podem ser mapeados de e para Array<CTensorHandle> .

Quando um TensorGroup é usado como argumento para uma operação tensorial, ele é passado como uma lista de argumentos cujos elementos são os campos tensores do tipo.

Quando um TensorGroup é retornado como resultado de uma operação tensorial, ele é inicializado com seus campos tensores definidos para os resultados tensores da operação tensorial.

Um tipo de dados compatível em x10.