Fornisce punti di personalizzazione per gli algoritmi MutableCollection .

Se incorporati nella libreria standard, questi requisiti farebbero semplicemente parte di MutableCollection . Nel frattempo, puoi dichiarare la conformità di una raccolta a MutableCollectionAlgorithms per ottenere che questi punti di personalizzazione vengano utilizzati da altri algoritmi definiti su MutableCollectionAlgorithms .

Tipi i cui elementi possono essere raccolti in alcuni elementi di rango superiore dello stesso tipo (esempio: tensori, tupla di tensori)

Un tipo le cui proprietà ed elementi nidificati possono essere copiati in un Device .

Un tipo i cui valori forniscono percorsi chiave personalizzati a proprietà o elementi.

Un tipo di dati scalare compatibile con TensorFlow.

I tipi conformi a TensorFlowScalar possono essere utilizzati come tipo Scalar associato di Tensor .

Un tipo di dati intero che rappresenta tipi interi che possono essere utilizzati come indici tensoriali in TensorFlow.

Un tipo di dati a virgola mobile conforme a Differentiable ed è compatibile con TensorFlow.

Un tipo che rappresenta matematicamente una varietà differenziabile i cui spazi tangenti sono di dimensione finita.

Un tipo con valori che supportano la moltiplicazione puntuale.

Tipo che rappresenta uno spazio vettoriale non classificato. I valori di questo tipo sono elementi in questo spazio vettoriale e non hanno forma o hanno una forma statica.

Un tipo differenziabile nello spazio euclideo. Il tipo può rappresentare uno spazio vettoriale o consistere in uno spazio vettoriale e qualche altro componente non differenziabile.

Matematicamente, questo rappresenta una varietà di prodotto che consiste in uno spazio vettoriale differenziabile e una varietà arbitraria, dove il fibrato tangente dell'intera varietà di prodotto è uguale alla componente dello spazio vettoriale.

Questa astrazione è utile per rappresentare strutture dati differenziabili comuni che contengono sia proprietà vettoriali differenziabili che altre proprietà memorizzate che non hanno una derivata, ad es.

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

Uno strato di rete neurale.

I tipi conformi a Layer rappresentano funzioni che mappano gli input sugli output. Possono avere uno stato interno rappresentato da parametri, come i tensori del peso.

Le istanze Layer definiscono un metodo callAsFunction(_:) differenziabile per mappare gli input sugli output.

Uno strato di rete neurale senza parametri.

Il TangentVector dei layer senza parametri è sempre EmptyTangentVector .

Un tipo che ha funzioni elementari disponibili.

Una “funzione elementare” è una funzione costruita da potenze, radici, esponenziali, logaritmi, funzioni trigonometriche (sin, cos, tan) e le loro inverse, e le funzioni iperboliche (sinh, cosh, tanh) e le loro inverse.

La conformità a questo protocollo significa che tutti questi elementi costitutivi sono disponibili come funzioni statiche sul tipo.

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

Un tipo le cui proprietà ed elementi del tensore a virgola mobile nidificati possono essere convertiti da precisione completa a precisione ridotta e viceversa.

Un dettaglio di implementazione utilizzato per aggirare il fatto che Swift non può esprimere un vincolo generico secondo cui un tipo deve essere un'istanza di Sampling .

Un tipo che può essere inizializzato da un'istanza numpy.ndarray rappresentata come PythonObject .

Un tipo compatibile bit a bit con uno o più tipi scalari NumPy.

Un tipo i cui valori possono essere convertiti in PythonObject .

Un tipo che può essere inizializzato da un PythonObject .

Un tipo che fornisce dati pseudocasuali deterministici seminabili.

Un SeedableRandomNumberGenerator può essere utilizzato ovunque in cui verrebbe utilizzato un RandomNumberGenerator. È utile quando i dati pseudo-casuali devono essere riproducibili tra le esecuzioni.

Conforme al protocollo SeedableRandomNumberGenerator

Per rendere un tipo personalizzato conforme al protocollo SeedableRandomNumberGenerator , implementare l'inizializzatore init(seed: [UInt8]) , nonché i requisiti per RandomNumberGenerator . I valori restituiti da next() devono formare una sequenza deterministica che dipende solo dal seme fornito al momento dell'inizializzazione.

Una cella di livello ricorrente.

Un tipo con valori che supportano operazioni binarie differenziabili.

Utilizzato da BidirectionalRecurrentLayer come requisito generico per le funzioni di unione.

Protocollo speciale per chiamare operazioni tensorflow che accettano array eterogenei come input.

Un protocollo che rappresenta i tipi che possono essere mappati su Array<CTensorHandle> .

Questo protocollo è definito separatamente da TensorGroup in modo che il numero di tensori venga determinato in fase di esecuzione. Ad esempio, [Tensor<Float>] potrebbe avere un numero sconosciuto di elementi in fase di compilazione.

Questo protocollo può essere derivato automaticamente per strutture le cui proprietà memorizzate sono tutte conformi al protocollo TensorGroup . Non può essere derivato automaticamente per strutture le cui proprietà sono tutte conformi a TensorArrayProtocol a causa dei requisiti del costruttore (ovvero, in questi casi sarebbe impossibile sapere come suddividere count tra le proprietà archiviate).

Un protocollo che rappresenta i tipi che possono essere mappati da e verso Array<CTensorHandle> .

Quando un TensorGroup viene utilizzato come argomento per un'operazione tensore, viene passato come un elenco di argomenti i cui elementi sono i campi tensoriali del tipo.

Quando un TensorGroup viene restituito come risultato di un'operazione tensore, viene inizializzato con i relativi campi tensori impostati sui risultati tensoriali dell'operazione tensore.

Un tipo di dati supportato in x10.