Proporciona puntos de personalización para los algoritmos MutableCollection .

Si se incorporan a la biblioteca estándar, estos requisitos serían solo parte de MutableCollection . Mientras tanto, puede declarar la conformidad de una colección con MutableCollectionAlgorithms para que estos puntos de personalización se utilicen desde otros algoritmos definidos en MutableCollectionAlgorithms .

Tipos cuyos elementos se pueden cotejar en algún elemento de rango superior del mismo tipo (ejemplo: tensores, tupla de tensores)

Un tipo cuyas propiedades y elementos anidados se pueden copiar a un Device .

Un tipo cuyos valores proporcionan rutas clave personalizadas a propiedades o elementos.

Un tipo de datos escalar compatible con TensorFlow.

Los tipos que se ajustan a TensorFlowScalar se pueden usar como el tipo de Tensor asociado Scalar .

Un tipo de datos entero que representa tipos enteros que se pueden usar como índices tensoriales en TensorFlow.

Un tipo de datos de punto flotante que se ajusta a Differentiable y es compatible con TensorFlow.

Un tipo que representa matemáticamente una variedad diferenciable cuyos espacios tangentes son de dimensión finita.

Un tipo con valores que admiten la multiplicación puntual.

Un tipo que representa un espacio vectorial no clasificado. Los valores de este tipo son elementos en este espacio vectorial y no tienen forma o tienen una forma estática.

Un tipo que es diferenciable en el espacio euclidiano. El tipo puede representar un espacio vectorial o consistir en un espacio vectorial y algún otro componente no diferenciable.

Matemáticamente, esto representa una variedad de productos que consta de un espacio vectorial diferenciable y alguna variedad arbitraria, donde el paquete tangente de toda la variedad de productos es igual al componente del espacio vectorial.

Esta abstracción es útil para representar estructuras de datos diferenciables comunes que contienen propiedades vectoriales diferenciables y otras propiedades almacenadas que no tienen una derivada, por ejemplo

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

Una capa de red neuronal.

Los tipos que se ajustan a Layer representan funciones que asignan entradas a salidas. Pueden tener un estado interno representado por parámetros, como tensores de peso.

Las instancias Layer definen un método callAsFunction(_:) diferenciable para asignar entradas a salidas.

Una capa de red neuronal sin parámetros.

El TangentVector de capas sin parámetros siempre es EmptyTangentVector .

Un tipo que tiene funciones elementales disponibles.

Una “función elemental” es una función construida a partir de potencias, raíces, exponenciales, logaritmos, funciones trigonométricas (sin, cos, tanh) y sus inversas, y funciones hiperbólicas (sinh, cosh, tanh) y sus inversas.

La conformidad con este protocolo significa que todos estos bloques de construcción están disponibles como funciones estáticas en el tipo.

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

Un tipo cuyas propiedades y elementos tensoriales de punto flotante anidados se pueden convertir de precisión total a precisión reducida y viceversa.

Un detalle de implementación utilizado para solucionar el hecho de que Swift no puede expresar una restricción genérica de que algún tipo debe ser una instancia de Sampling .

Un tipo que se puede inicializar desde una instancia numpy.ndarray representada como PythonObject .

Un tipo que es compatible bit a bit con uno o más tipos escalares de NumPy.

Un tipo cuyos valores se pueden convertir en PythonObject .

Un tipo que se puede inicializar desde un PythonObject .

Un tipo que proporciona datos pseudoaleatorios deterministas sembrables.

Un SeedableRandomNumberGenerator se puede usar en cualquier lugar donde se usaría un RandomNumberGenerator. Es útil cuando los datos pseudoaleatorios deben ser reproducibles en todas las ejecuciones.

Conforme al protocolo SeedableRandomNumberGenerator

Para hacer que un tipo personalizado se ajuste al protocolo SeedableRandomNumberGenerator , implemente el inicializador init(seed: [UInt8]) , así como los requisitos para RandomNumberGenerator . Los valores devueltos por next() deben formar una secuencia determinista que dependa únicamente de la semilla proporcionada durante la inicialización.

Una celda de capa recurrente.

Un tipo con valores que admiten operaciones binarias diferenciables.

Utilizado por BidirectionalRecurrentLayer como requisito genérico para funciones de combinación.

Protocolo especial para llamar a operaciones de tensorflow que toman matrices heterogéneas como entrada.

Un protocolo que representa tipos que se pueden asignar a Array<CTensorHandle> .

Este protocolo se define por separado de TensorGroup para que la cantidad de tensores se determine en tiempo de ejecución. Por ejemplo, [Tensor<Float>] puede tener una cantidad desconocida de elementos en el momento de la compilación.

Este protocolo se puede derivar automáticamente para estructuras cuyas propiedades almacenadas se ajusten al protocolo TensorGroup . No se puede derivar automáticamente para estructuras cuyas propiedades se ajusten a TensorArrayProtocol debido al requisito del constructor (es decir, en tales casos sería imposible saber cómo desglosar count entre las propiedades almacenadas).

Un protocolo que representa tipos que se pueden asignar hacia y desde Array<CTensorHandle> .

Cuando se utiliza un TensorGroup como argumento para una operación tensorial, se pasa como una lista de argumentos cuyos elementos son los campos tensoriales del tipo.

Cuando se devuelve un TensorGroup como resultado de una operación tensorial, se inicializa con sus campos tensoriales establecidos según los resultados tensoriales de la operación tensorial.

Un tipo de datos compatible en x10.