Estructuras

Una concatenación de dos secuencias con el mismo tipo de elemento.

Una vista rotada de una colección.

Un valor derivado de tipo borrado.

El tipo AnyDerivative reenvía sus operaciones a un valor derivado base subyacente arbitrario que se ajuste a Differentiable y AdditiveArithmetic , ocultando los detalles del valor subyacente.

Una matriz multidimensional de elementos que es una generalización de vectores y matrices a dimensiones potencialmente superiores.

El parámetro genérico Scalar describe el tipo de escalares en el tensor (como Int32 , Float , etc.).

Una función de retroceso que realiza la transposición de transmitir dos Tensors .

Un contexto que almacena información contextual local de subprocesos utilizada por las API de aprendizaje profundo, como las capas.

Utilice Context.local para recuperar el contexto local del subproceso actual.

Ejemplos:

• Establezca la fase de aprendizaje actual en entrenamiento para que capas como BatchNorm calculen la media y la varianza cuando se apliquen a las entradas.

  Context.local.learningPhase = .training

• Establezca la fase de aprendizaje actual en inferencia para que capas como Dropout no eliminen unidades cuando se apliquen a las entradas.

  Context.local.learningPhase = .inference

Una capa de convolución unidimensional (por ejemplo, convolución temporal en una serie de tiempo).

Esta capa crea un filtro de convolución que convoluciona con la entrada de la capa para producir un tensor de salidas.

Una capa de convolución 2-D (por ejemplo, convolución espacial sobre imágenes).

Esta capa crea un filtro de convolución que convoluciona con la entrada de la capa para producir un tensor de salidas.

Una capa de convolución tridimensional para convolución espacial/espacio-temporal sobre imágenes.

Esta capa crea un filtro de convolución que convoluciona con la entrada de la capa para producir un tensor de salidas.

Una capa de convolución transpuesta 1-D (por ejemplo, convolución transpuesta temporal sobre imágenes).

Esta capa crea un filtro de convolución que se transpone-convoluciona con la entrada de la capa para producir un tensor de salidas.

Una capa de convolución transpuesta 2-D (por ejemplo, convolución espacial transpuesta sobre imágenes).

Esta capa crea un filtro de convolución que se transpone-convoluciona con la entrada de la capa para producir un tensor de salidas.

Una capa de convolución transpuesta tridimensional (por ejemplo, convolución transpuesta espacial sobre imágenes).

Esta capa crea un filtro de convolución que se transpone-convoluciona con la entrada de la capa para producir un tensor de salidas.

Una capa de convolución profunda 2-D.

Esta capa crea filtros de convolución separables que se convolucionan con la entrada de la capa para producir un tensor de salidas.

Una capa para agregar relleno con ceros en la dimensión temporal.

Una capa para agregar relleno de ceros en las dimensiones espaciales.

Una capa para agregar relleno de ceros en las dimensiones espaciales/espacio-temporales.

Una capa de convolución separable 1-D.

Esta capa realiza una convolución profunda que actúa por separado en los canales seguida de una convolución puntual que mezcla canales.

Una capa de convolución separable en 2-D.

Esta capa realiza una convolución profunda que actúa por separado en los canales seguida de una convolución puntual que mezcla canales.

Una capa aplanada.

Una capa aplanada aplana la entrada cuando se aplica sin afectar el tamaño del lote.

Una capa de remodelación.

Una capa que encierra una función diferenciable personalizada.

Un valor de tipo dinámico de TensorFlow que se puede crear a partir de tipos que se ajustan a TensorFlowScalar .

Representa un conjunto potencialmente grande de elementos.

Se puede utilizar un Dataset para representar una canalización de entrada como una colección de tensores de elementos.

El tipo que permite la iteración sobre los elementos de un conjunto de datos.

Una estructura similar a 2 tuplas que se ajusta a TensorGroup y que representa una tupla de 2 tipos que se ajusta a TensorGroup .

Una capa de red neuronal densamente conectada.

Dense implementa la operación activation(matmul(input, weight) + bias) , donde weight es una matriz de peso, bias es un vector de sesgo y activation es una función de activación de elementos.

Esta capa también admite tensores de peso tridimensionales con matrices de polarización bidimensionales. En este caso, la primera dimensión de ambos se trata como el tamaño de lote que está alineado con la primera dimensión de input y se utiliza la variante de lote de la operación matmul(_:_:) , utilizando así un peso y un sesgo diferentes para cada elemento. en lote de entrada.

Un dispositivo en el que se pueden asignar Tensor s.

Una capa de abandono.

El abandono consiste en establecer aleatoriamente una fracción de unidades de entrada en 0 en cada actualización durante el tiempo de entrenamiento, lo que ayuda a evitar el sobreajuste.

GaussianNoise agrega ruido muestreado a partir de una distribución normal.

El ruido agregado siempre tiene media cero, pero tiene una desviación estándar configurable.

GaussianDropout multiplica la entrada con el ruido muestreado de una distribución normal con media 1,0.

Debido a que se trata de una capa de regularización, solo está activa durante el tiempo de entrenamiento. Durante la inferencia, GaussianDropout pasa a través de la entrada sin modificaciones.

Una capa de abandono Alfa.

Alpha Dropout es un Dropout que mantiene la media y la varianza de las entradas en sus valores originales, para garantizar la propiedad de autonormalización incluso después de este abandono. La caída alfa se adapta bien a las unidades lineales exponenciales escaladas al establecer activaciones aleatoriamente en el valor de saturación negativo.

Fuente: Redes neuronales autonormalizadas: https://arxiv.org/abs/1706.02515

Una capa de incrustación.

Embedding es efectivamente una tabla de búsqueda que asigna índices de un vocabulario fijo a representaciones vectoriales de tamaño fijo (densas), por ejemplo [[0], [3]] -> [[0.25, 0.1], [0.6, -0.2]] .

Una estructura vacía que representa TangentVector vacíos para capas sin parámetros.

Par de momentos primero y segundo (es decir, media y varianza).

Una capa de dilatación morfológica 2-D.

Esta capa devuelve la dilatación morfológica del tensor de entrada con los filtros proporcionados.

Una capa de erosión morfológica 2-D

Esta capa devuelve la erosión morfológica del tensor de entrada con los filtros proporcionados.

Una selección diferida de elementos, en un orden determinado, de alguna colección base.

Una colección de los sectores contiguos más largos que no se superponen de alguna colección Base , que comienza con su primer elemento y tiene una longitud máxima fija.

Todos los elementos de esta colección, excepto el último, tienen un count de batchSize , a menos que Base.count % batchSize !=0 , en cuyo caso el count del último lote es base.count % batchSize.

Una capa de normalización por lotes.

Normaliza las activaciones de la capa anterior en cada lote, es decir, aplica una transformación que mantiene la activación media cercana a 0 y la desviación estándar de activación cercana a 1 .

Referencia: Normalización de lotes: aceleración del entrenamiento profundo de la red reduciendo el cambio de covariables interno .

Una capa que aplica la normalización de capas sobre un mini lote de entradas.

Referencia: Normalización de capas .

Una capa que aplica la normalización de grupo sobre un mini lote de entradas.

Referencia: Normalización de grupos .

Una capa que aplica la normalización de instancias sobre un mini lote de entradas.

Referencia: Normalización de instancias: el ingrediente que falta para una estilización rápida .

Estado para un solo paso de un solo peso dentro de un optimizador.

Estado global al que se accede a través de StateAccessor .

[String: Float] pero se puede acceder a los elementos como si fueran miembros.

Un optimizador que funciona en un solo grupo de parámetros.

Un contenedor con seguridad de tipos alrededor de un valor de índice Int para valores locales del optimizador.

Un contenedor con seguridad de tipos alrededor de un valor de índice Int para valores globales del optimizador.

Un contenedor con seguridad de tipos alrededor de un valor de índice Int para valores de estado del optimizador.

Crea un ParameterGroupOptimizer . Esto se utiliza esencialmente al nivel de un solo peso en el modelo. Una asignación de grupos de parámetros seleccionados por ( [Bool] a ParameterGroupOptimizer) define el optimizador final.

Una capa de agrupación máxima para datos temporales.

Una capa de agrupación máxima para datos espaciales.

Una capa de agrupación máxima para datos espaciales o espaciotemporales.

Una capa de agrupación promedio para datos temporales.

Una capa de agrupación promedio para datos espaciales.

Una capa de agrupación promedio para datos espaciales o espaciotemporales.

Una capa de agrupación promedio global para datos temporales.

Una capa de agrupación promedio global para datos espaciales.

Una capa de agrupación promedio global para datos espaciales y espaciotemporales.

Una capa de agrupación máxima global para datos temporales.

Una capa de agrupación máxima global para datos espaciales.

Una capa de agrupación máxima global para datos espaciales y espaciotemporales.

Una capa de agrupación máxima fraccionada para datos espaciales. Nota: FractionalMaxPool no tiene una implementación XLA y, por lo tanto, puede tener implicaciones en el rendimiento.

PythonObject representa un objeto en Python y admite la búsqueda dinámica de miembros. Cualquier acceso de miembro como object.foo solicitará dinámicamente el tiempo de ejecución de Python para un miembro con el nombre especificado en este objeto.

PythonObject se pasa y devuelve desde todas las llamadas a funciones de Python y referencias de miembros. Admite operadores aritméticos y de comparación estándar de Python.

Internamente, PythonObject se implementa como un puntero contado por referencia a un PyObject API de Python C.

Un contenedor PythonObject que permite lanzar llamadas a métodos. Las excepciones producidas por las funciones de Python se reflejan como errores de Swift y se lanzan.

Un contenedor PythonObject que permite el acceso de miembros. Las operaciones de acceso a miembros devuelven un resultado Optional . Cuando falla el acceso de miembro, se devuelve nil .

Una interfaz para Python.

PythonInterface permite la interacción con Python. Se puede utilizar para importar módulos y acceder dinámicamente a tipos y funciones integrados de Python.

Un generador de números aleatorios con tipo borrado.

El tipo AnyRandomNumberGenerator reenvía operaciones de generación de números aleatorios a un generador de números aleatorios subyacente, ocultando su tipo subyacente específico.

Una implementación de SeedableRandomNumberGenerator usando ARC4.

ARC4 es un cifrado de flujo que genera un flujo de bytes pseudoaleatorio. Este PRNG utiliza la semilla como clave.

ARC4 se describe en Schneier, B., “Applied Cryptography: Protocols, Algorithms, and Source Code in C”, 2ª edición, 1996.

Un generador individual no es seguro para subprocesos, pero los distintos generadores no comparten el estado. Los datos aleatorios generados son de alta calidad, pero no son adecuados para aplicaciones criptográficas.

Una implementación de SeedableRandomNumberGenerator usando Threefry. Salmón y col. SC 2011. Números aleatorios paralelos: tan fácil como 1, 2, 3. http://www.thesalmons.org/john/random123/papers/random123sc11.pdf

Esta estructura implementa un PRNG Threefry2x32 de 20 rondas. Debe estar inicializado con un valor de 64 bits.

Un generador individual no es seguro para subprocesos, pero los distintos generadores no comparten el estado. Los datos aleatorios generados son de alta calidad, pero no son adecuados para aplicaciones criptográficas.

Una implementación de SeedableRandomNumberGenerator usando Philox. Salmón y col. SC 2011. Números aleatorios paralelos: tan fácil como 1, 2, 3. http://www.thesalmons.org/john/random123/papers/random123sc11.pdf

Esta estructura implementa un PRNG Philox4x32 de 10 rondas. Debe estar inicializado con un valor de 64 bits.

Un generador individual no es seguro para subprocesos, pero los distintos generadores no comparten el estado. Los datos aleatorios generados son de alta calidad, pero no son adecuados para aplicaciones criptográficas.

Una entrada a una red neuronal recurrente.

Una salida a una red neuronal recurrente.

Una celda RNN básica.

Una celda LSTM.

Una célula GRU.

Una capa que compone secuencialmente dos o más capas.

Ejemplos:

• Construya un modelo de perceptrón simple de 2 capas para MNIST:

let inputSize = 28 * 28
let hiddenSize = 300
var classifier = Sequential {
     Dense<Float>(inputSize: inputSize, outputSize: hiddenSize, activation: relu)
     Dense<Float>(inputSize: hiddenSize, outputSize: 3, activation: identity)
 }

• Cree un codificador automático para MNIST:

var autoencoder = Sequential {
    // The encoder.
    Dense<Float>(inputSize: 28 * 28, outputSize: 128, activation: relu)
    Dense<Float>(inputSize: 128, outputSize: 64, activation: relu)
    Dense<Float>(inputSize: 64, outputSize: 12, activation: relu)
    Dense<Float>(inputSize: 12, outputSize: 3, activation: relu)
    // The decoder.
    Dense<Float>(inputSize: 3, outputSize: 12, activation: relu)
    Dense<Float>(inputSize: 12, outputSize: 64, activation: relu)
    Dense<Float>(inputSize: 64, outputSize: 128, activation: relu)
    Dense<Float>(inputSize: 128, outputSize: imageHeight * imageWidth, activation: tanh)
}

ShapedArray es una matriz multidimensional. Tiene una forma, que es de tipo [Int] y define las dimensiones de la matriz, y utiliza un TensorBuffer internamente como almacenamiento.

Un segmento contiguo de una instancia de ShapedArray o ShapedArraySlice .

ShapedArraySlice permite operaciones rápidas y eficientes en sectores contiguos de instancias de ShapedArray . Las instancias ShapedArraySlice no tienen su propio almacenamiento. En cambio, proporcionan una vista del almacenamiento de su ShapedArray base. ShapedArraySlice puede representar dos tipos diferentes de sectores: matrices y subarreglos de elementos.

Las matrices de elementos son elementos subdimensionales de ShapedArray : su rango es uno menos que el de su base. Los sectores de la matriz de elementos se obtienen indexando una instancia ShapedArray con un índice Int32 singular.

Por ejemplo:

    var matrix = ShapedArray(shape: [2, 2], scalars: [0, 1, 2, 3])
    // `matrix` represents [[0, 1], [2, 3]].

    let element = matrix[0]
    // `element` is a `ShapedArraySlice` with shape [2]. It is an element
    // array, specifically the first element in `matrix`: [0, 1].

    matrix[1] = ShapedArraySlice(shape: [2], scalars: [4, 8])
    // The second element in `matrix` has been mutated.
    // `matrix` now represents [[0, 1, 4, 8]].

Los subarreglos son un rango contiguo de elementos en un ShapedArray . El rango de un subarreglo es el mismo que el de su base, pero su dimensión principal es el recuento del rango de corte. Los sectores de subarreglo se obtienen indexando un ShapedArray con un Range<Int32> que representa un rango de elementos (en la dimensión principal). Los métodos como prefix(:) y suffix(:) que indexan internamente con un rango también producen un subarreglo.

Por ejemplo:

    let zeros = ShapedArray(repeating: 0, shape: [3, 2])
    var matrix = ShapedArray(shape: [3, 2], scalars: Array(0..<6))
    // `zeros` represents [[0, 0], [0, 0], [0, 0]].
    // `matrix` represents [[0, 1], [2, 3], [4, 5]].

    let subarray = matrix.prefix(2)
    // `subarray` is a `ShapedArraySlice` with shape [2, 2]. It is a slice
    // of the first 2 elements in `matrix` and represents [[0, 1], [2, 3]].

    matrix[0..<2] = zeros.prefix(2)
    // The first 2 elements in `matrix` have been mutated.
    // `matrix` now represents [[0, 0], [0, 0], [4, 5]].

StringTensor es una matriz multidimensional cuyos elementos son String s.

TensorHandle es el tipo utilizado por las operaciones. Incluye un tipo Scalar , que los componentes internos del compilador pueden usar para determinar los tipos de datos de los parámetros cuando se extraen en un programa tensorial.

Una estructura que representa la forma de un tensor.

TensorShape es una envoltura delgada alrededor de una matriz de números enteros que representan dimensiones de forma. Todos los tipos de tensores usan TensorShape para representar su forma.

TensorVisitorPlan se aproxima a [WritableKeyPath<Base, Tensor<Float>] pero es más eficiente. Esto es útil para escribir optimizadores genéricos que quieran mapear los gradientes, los pesos existentes y un índice que pueda usarse para encontrar pesos almacenados de forma auxiliar. Esto es un poco más eficiente (~2x), pero podría ser mejor porque compensa gastos generales ligeramente más altos (desreferencia de puntero adicional) por no tener que realizar el trabajo O(profundidad_del_árbol) que se requiere con una lista simple para rastrear cada ruta clave individual.

Una capa de muestreo superior para entradas 1-D.

Una capa de muestreo superior para entradas 2-D.

Una capa de muestreo superior para entradas 3D.

Recopila contadores de predicción correctos y totales de pérdidas.