Cung cấp các điểm tùy chỉnh cho thuật toán MutableCollection .

Nếu được tích hợp vào thư viện chuẩn, những yêu cầu này sẽ chỉ là một phần của MutableCollection . Trong thời gian chờ đợi, bạn có thể khai báo sự tuân thủ của một bộ sưu tập đối với MutableCollectionAlgorithms để sử dụng các điểm tùy chỉnh này từ các thuật toán khác được xác định trên MutableCollectionAlgorithms .

Các loại mà các phần tử của nó có thể được đối chiếu trong một số phần tử cấp cao hơn cùng loại (ví dụ: tensor, tuple of tensor)

Loại có các thuộc tính và phần tử lồng nhau có thể được sao chép vào Device .

Loại có giá trị cung cấp đường dẫn khóa tùy chỉnh đến thuộc tính hoặc thành phần.

Kiểu dữ liệu vô hướng tương thích với TensorFlow.

Các loại phù hợp với TensorFlowScalar có thể được sử dụng làm loại liên kết Scalar của Tensor .

Một kiểu dữ liệu số nguyên biểu thị các kiểu số nguyên có thể được sử dụng làm chỉ số tensor trong TensorFlow.

Kiểu dữ liệu dấu phẩy động phù hợp với Differentiable và tương thích với TensorFlow.

Một kiểu biểu diễn về mặt toán học một đa tạp khả vi có các không gian tiếp tuyến là hữu hạn chiều.

Một loại có các giá trị hỗ trợ phép nhân theo điểm.

Một kiểu biểu diễn một không gian vectơ không xếp hạng. Các giá trị thuộc loại này là các phần tử trong không gian vectơ này và không có hình dạng hoặc hình dạng tĩnh.

Một loại có khả vi trong không gian Euclide. Loại này có thể biểu diễn một không gian vectơ hoặc bao gồm một không gian vectơ và một số thành phần không khả vi khác.

Về mặt toán học, điều này biểu thị một đa tạp tích bao gồm một không gian vectơ khả vi và một số đa tạp tùy ý, trong đó bó tiếp tuyến của toàn bộ đa tạp tích bằng thành phần không gian vectơ.

Sự trừu tượng hóa này rất hữu ích để biểu diễn các cấu trúc dữ liệu khả vi chung chứa cả các thuộc tính vectơ khả vi và các thuộc tính được lưu trữ khác không có đạo hàm, ví dụ:

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

Một lớp mạng thần kinh.

Các loại phù hợp với Layer biểu thị các hàm ánh xạ đầu vào thành đầu ra. Chúng có thể có trạng thái bên trong được biểu thị bằng các tham số, chẳng hạn như các tensor trọng lượng.

Các phiên bản Layer xác định một phương thức callAsFunction(_:) có thể phân biệt để ánh xạ đầu vào thành đầu ra.

Một lớp mạng thần kinh không tham số.

TangentVector của các lớp không tham số luôn là EmptyTangentVector .

Một loại có sẵn các chức năng cơ bản.

“Hàm cơ bản” là một hàm được xây dựng từ lũy thừa, căn, số mũ, logarit, hàm lượng giác (sin, cos, tan) và các hàm nghịch đảo của chúng, cũng như các hàm hyperbolic (sinh, cosh, tanh) và nghịch đảo của chúng.

Sự phù hợp với giao thức này có nghĩa là tất cả các khối xây dựng này đều có sẵn dưới dạng các hàm tĩnh trên loại.

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

Một loại có các thuộc tính và phần tử tensor dấu phẩy động lồng nhau có thể được chuyển đổi từ độ chính xác hoàn toàn sang độ chính xác giảm và ngược lại.

Một chi tiết triển khai được sử dụng để giải quyết thực tế là Swift không thể diễn đạt một ràng buộc chung rằng một số loại phải là một phiên bản của Sampling .

Một loại có thể được khởi tạo từ một phiên bản numpy.ndarray được biểu thị dưới dạng PythonObject .

Loại tương thích bitwise với một hoặc nhiều loại vô hướng NumPy.

Một loại có giá trị có thể được chuyển đổi thành PythonObject .

Một loại có thể được khởi tạo từ PythonObject .

Một loại cung cấp dữ liệu giả ngẫu nhiên xác định có thể gieo hạt.

SeedableRandomNumberGenerator có thể được sử dụng ở bất cứ nơi nào RandomNumberGenerator sẽ được sử dụng. Nó rất hữu ích khi dữ liệu giả ngẫu nhiên cần được tái tạo trong các lần chạy.

Tuân thủ Giao thức SeedableRandomNumberGenerator

Để tạo một loại tùy chỉnh tuân theo giao thức SeedableRandomNumberGenerator , hãy triển khai trình khởi tạo init(seed: [UInt8]) cũng như các yêu cầu cho RandomNumberGenerator . Các giá trị được trả về bởi next() phải tạo thành một chuỗi xác định chỉ phụ thuộc vào hạt giống được cung cấp khi khởi tạo.

Một tế bào lớp tái phát.

Một loại có các giá trị hỗ trợ các phép toán nhị phân khả vi.

Được BidirectionalRecurrentLayer sử dụng làm yêu cầu chung cho các hàm hợp nhất.

Giao thức đặc biệt để gọi các hoạt động tensorflow lấy các mảng không đồng nhất làm đầu vào.

Một giao thức đại diện cho các loại có thể được ánh xạ tới Array<CTensorHandle> .

Giao thức này được xác định riêng biệt với TensorGroup để xác định số lượng tensor khi chạy. Ví dụ: [Tensor<Float>] có thể có số lượng phần tử không xác định tại thời điểm biên dịch.

Giao thức này có thể được lấy tự động cho các cấu trúc có thuộc tính được lưu trữ đều tuân thủ giao thức TensorGroup . Nó không thể được lấy tự động đối với các cấu trúc có tất cả các thuộc tính đều tuân theo TensorArrayProtocol do yêu cầu của hàm tạo (nghĩa là trong những trường hợp như vậy sẽ không thể biết cách chia nhỏ count giữa các thuộc tính được lưu trữ).

Một giao thức đại diện cho các loại có thể được ánh xạ tới và đi từ Array<CTensorHandle> .

Khi một TensorGroup được sử dụng làm đối số cho phép toán tensor, nó được chuyển dưới dạng danh sách đối số có các phần tử là trường tensor của loại.

Khi một TensorGroup được trả về do một phép toán tensor, nó được khởi tạo với các trường tensor của nó được đặt thành kết quả tensor của phép toán tensor.

Kiểu dữ liệu được hỗ trợ trong x10.