ผลงาน

การต่อสองลำดับที่มีองค์ประกอบประเภทเดียวกัน

มุมมองแบบหมุนไปยังคอลเลกชัน

ค่าอนุพันธ์ที่ถูกลบประเภท

ประเภท AnyDerivative ส่งต่อการดำเนินการไปยังค่าอนุพันธ์ฐานพื้นฐานตามอำเภอใจที่สอดคล้องกับ Differentiable และ AdditiveArithmetic โดยซ่อนข้อมูลเฉพาะของค่าพื้นฐาน

อาร์เรย์หลายมิติขององค์ประกอบที่เป็นลักษณะทั่วไปของเวกเตอร์และเมทริกซ์ในมิติที่อาจสูงกว่า

พารามิเตอร์ทั่วไป Scalar อธิบายประเภทของสเกลาร์ในเมตริกซ์ (เช่น Int32 , Float ฯลฯ )

ฟังก์ชันดึงกลับที่ดำเนินการย้ายการส่งสัญญาณ Tensors สองตัว

บริบทที่จัดเก็บข้อมูลบริบทภายในเธรดที่ใช้โดย API การเรียนรู้เชิงลึก เช่น เลเยอร์

ใช้ Context.local เพื่อดึงข้อมูลบริบทภายในเธรดปัจจุบัน

ตัวอย่าง:

• ตั้งค่าขั้นตอนการเรียนรู้ปัจจุบันเป็นการฝึกอบรมเพื่อให้เลเยอร์เช่น BatchNorm คำนวณค่าเฉลี่ยและความแปรปรวนเมื่อนำไปใช้กับอินพุต

  Context.local.learningPhase = .training

• ตั้งค่าขั้นตอนการเรียนรู้ปัจจุบันเป็นการอนุมาน เพื่อให้เลเยอร์เช่น Dropout จะไม่เลื่อนหน่วยออกไปเมื่อใช้กับอินพุต

  Context.local.learningPhase = .inference

ชั้นการบิดแบบ 1 มิติ (เช่น การบิดแบบขมับในอนุกรมเวลา)

เลเยอร์นี้สร้างตัวกรองการบิดที่เชื่อมโยงกับอินพุตเลเยอร์เพื่อสร้างเทนเซอร์ของเอาท์พุต

เลเยอร์การบิดแบบ 2 มิติ (เช่น การบิดแบบเชิงพื้นที่เหนือรูปภาพ)

เลเยอร์นี้สร้างตัวกรองการบิดที่เชื่อมโยงกับอินพุตเลเยอร์เพื่อสร้างเทนเซอร์ของเอาท์พุต

เลเยอร์การบิดแบบ 3 มิติสำหรับการบิดแบบเชิงพื้นที่/เชิงพื้นที่-ชั่วคราวบนรูปภาพ

เลเยอร์นี้สร้างตัวกรองการบิดที่เชื่อมโยงกับอินพุตเลเยอร์เพื่อสร้างเทนเซอร์ของเอาท์พุต

เลเยอร์การโน้มน้าวใจแบบขนย้าย 1 มิติ (เช่น การโน้มน้าวขนแบบขนย้ายชั่วคราวเหนือรูปภาพ)

เลเยอร์นี้สร้างตัวกรองการบิดที่สลับสับเปลี่ยนกับอินพุตเลเยอร์เพื่อสร้างเทนเซอร์ของเอาท์พุต

เลเยอร์การบิดแบบขนย้ายแบบ 2 มิติ (เช่น การบิดแบบขนย้ายเชิงพื้นที่เหนือรูปภาพ)

เลเยอร์นี้สร้างตัวกรองการบิดที่สลับสับเปลี่ยนกับอินพุตเลเยอร์เพื่อสร้างเทนเซอร์ของเอาท์พุต

เลเยอร์การโน้มน้าวใจแบบขนย้ายสามมิติ (เช่น การโน้มน้าวขนย้ายเชิงพื้นที่เหนือรูปภาพ)

เลเยอร์นี้สร้างตัวกรองการบิดที่สลับสับเปลี่ยนกับอินพุตเลเยอร์เพื่อสร้างเทนเซอร์ของเอาท์พุต

เลเยอร์การบิดแบบเชิงลึก 2 มิติ

เลเยอร์นี้สร้างตัวกรองการบิดแบบแยกส่วนได้ซึ่งเชื่อมโยงกับอินพุตเลเยอร์เพื่อสร้างเทนเซอร์ของเอาท์พุต

เลเยอร์สำหรับการเพิ่มช่องว่างภายในเป็นศูนย์ในมิติชั่วคราว

เลเยอร์สำหรับเพิ่มช่องว่างภายในเป็นศูนย์ในมิติเชิงพื้นที่

เลเยอร์สำหรับการเพิ่มช่องว่างภายในเป็นศูนย์ในมิติเชิงพื้นที่/เชิงพื้นที่-ชั่วคราว

เลเยอร์การบิดแบบแยกส่วนได้ 1 มิติ

เลเยอร์นี้ทำการบิดแบบเชิงลึกซึ่งทำหน้าที่แยกกันบนช่องสัญญาณ ตามด้วยการบิดแบบจุดซึ่งผสมช่องสัญญาณ

เลเยอร์การบิดแบบแยกได้ 2 มิติ

เลเยอร์นี้ทำการบิดแบบเชิงลึกซึ่งทำหน้าที่แยกกันบนช่องสัญญาณ ตามด้วยการบิดแบบจุดซึ่งผสมช่องสัญญาณ

เป็นชั้นที่เรียบ

เลเยอร์ที่ราบเรียบจะทำให้อินพุตแบนลงเมื่อใช้โดยไม่กระทบต่อขนาดแบทช์

ปรับรูปร่างเลเยอร์

เลเยอร์ที่ล้อมรอบฟังก์ชันหาอนุพันธ์แบบกำหนดเอง

ค่าประเภทไดนามิก TensorFlow ที่สร้างได้จากประเภทที่สอดคล้องกับ TensorFlowScalar

แสดงถึงชุดองค์ประกอบที่อาจมีขนาดใหญ่

Dataset สามารถใช้เพื่อแสดงไปป์ไลน์อินพุตเป็นชุดของเทนเซอร์องค์ประกอบ

ประเภทที่อนุญาตให้ทำซ้ำองค์ประกอบของชุดข้อมูล

โครงสร้างที่มีลักษณะคล้ายทูเพิล 2 อันที่สอดคล้องกับ TensorGroup ซึ่งแสดงถึงทูเพิล 2 ประเภทที่สอดคล้องกับ TensorGroup

เลเยอร์โครงข่ายประสาทเทียมที่เชื่อมต่ออย่างหนาแน่น

Dense ดำเนิน activation(matmul(input, weight) + bias) โดยที่ weight คือเมทริกซ์น้ำหนัก bias คือเวกเตอร์อคติ และ activation เป็นฟังก์ชันการเปิดใช้งานตามองค์ประกอบ

เลเยอร์นี้ยังรองรับเทนเซอร์น้ำหนัก 3 มิติที่มีเมทริกซ์อคติ 2 มิติ ในกรณีนี้ มิติแรกของทั้งสองจะถือเป็นขนาดแบทช์ที่สอดคล้องกับมิติแรกของ input และใช้ชุดตัวแปรของการดำเนินการ matmul(_:_:) ดังนั้นการใช้น้ำหนักและความลำเอียงที่แตกต่างกันสำหรับแต่ละองค์ประกอบ ในชุดอินพุต

อุปกรณ์ที่สามารถจัดสรร Tensor ได้

เลเยอร์ออกกลางคัน

การออกกลางคันประกอบด้วยการสุ่มตั้งค่าเศษส่วนของหน่วยอินพุตเป็น 0 ในการอัปเดตแต่ละครั้งในระหว่างเวลาการฝึกอบรม ซึ่งจะช่วยป้องกันการโอเวอร์ฟิต

GaussianNoise เพิ่มสัญญาณรบกวนที่สุ่มตัวอย่างจากการแจกแจงแบบปกติ

สัญญาณรบกวนที่เพิ่มเข้ามาจะมีค่าเฉลี่ยเป็นศูนย์เสมอ แต่มีค่าเบี่ยงเบนมาตรฐานที่กำหนดค่าได้

GaussianDropout จะคูณอินพุตกับสัญญาณรบกวนที่สุ่มตัวอย่างจากการแจกแจงแบบปกติด้วยค่าเฉลี่ย 1.0

เนื่องจากนี่คือเลเยอร์การทำให้เป็นมาตรฐาน จึงใช้งานได้เฉพาะในช่วงเวลาการฝึกเท่านั้น ในระหว่างการอนุมาน GaussianDropout จะส่งผ่านอินพุตที่ไม่มีการแก้ไข

เลเยอร์การออกกลางคันของอัลฟ่า

Alpha Dropout คือ Dropout ที่จะเก็บค่าเฉลี่ยและความแปรปรวนของอินพุตให้เป็นค่าดั้งเดิม เพื่อให้แน่ใจว่าคุณสมบัติการทำให้เป็นมาตรฐานในตัวเองแม้หลังจากการออกกลางคันนี้ Alpha Dropout เข้ากันได้ดีกับ Scaled Exponential Linear Units โดยการสุ่มตั้งค่าการเปิดใช้งานให้เป็นค่าความอิ่มตัวที่เป็นลบ

ที่มา: โครงข่ายประสาทเทียมที่ทำให้เป็นมาตรฐานด้วยตนเอง: https://arxiv.org/abs/1706.02515

เลเยอร์การฝัง

Embedding เป็นตารางค้นหาที่มีประสิทธิภาพซึ่งแมปดัชนีจากคำศัพท์คงที่ไปจนถึงการแสดงเวกเตอร์ที่มีขนาดคงที่ (หนาแน่น) เช่น [[0], [3]] -> [[0.25, 0.1], [0.6, -0.2]]

โครงสร้างว่างที่แสดงถึง TangentVector ที่ว่างเปล่าสำหรับเลเยอร์ที่ไม่มีพารามิเตอร์

คู่ของช่วงเวลาที่หนึ่งและวินาที (เช่น ค่าเฉลี่ยและความแปรปรวน)

ชั้นการขยายทางสัณฐานวิทยา 2 มิติ

เลเยอร์นี้ส่งคืนการขยายทางสัณฐานวิทยาของเทนเซอร์อินพุตด้วยตัวกรองที่ให้มา

ชั้นการกัดเซาะทางสัณฐานวิทยา 2 มิติ

เลเยอร์นี้ส่งคืนการพังทลายทางสัณฐานวิทยาของเทนเซอร์อินพุตด้วยตัวกรองที่ให้มา

การเลือกองค์ประกอบอย่างเกียจคร้าน ตามลำดับที่กำหนด จากคอลเลกชันฐานบางส่วน

คอลเลกชันของส่วนที่ต่อเนื่องกันซึ่งไม่ทับซ้อนกันที่ยาวที่สุดของคอลเลกชัน Base บางส่วน เริ่มต้นด้วยองค์ประกอบแรก และมีความยาวสูงสุดคงที่

องค์ประกอบของคอลเลกชั่นนี้ ยกเว้นชิ้นสุดท้าย ทั้งหมดจะมี count batchSize ยกเว้นว่า Base.count % batchSize !=0 ซึ่งในกรณีนี้ count ของแบตช์สุดท้ายคือ base.count % batchSize.

เลเยอร์การทำให้เป็นมาตรฐานแบบแบตช์

ทำให้การเปิดใช้งานของเลเยอร์ก่อนหน้าเป็นมาตรฐานในแต่ละชุด เช่น ใช้การเปลี่ยนแปลงที่รักษาค่าเฉลี่ยการเปิดใช้งานไว้ใกล้กับ 0 และค่าเบี่ยงเบนมาตรฐานการเปิดใช้งานใกล้กับ 1

ข้อมูลอ้างอิง: การทำให้เป็นมาตรฐานแบบแบตช์: การเร่งการฝึกอบรมเครือข่ายเชิงลึกโดยการลดการเปลี่ยนแปลงโควาเรียตภายใน

เลเยอร์ที่ใช้การทำให้เป็นมาตรฐานของเลเยอร์บนอินพุตชุดย่อย

อ้างอิง: การทำให้เลเยอร์เป็นมาตรฐาน

เลเยอร์ที่ใช้การทำให้เป็นมาตรฐานแบบกลุ่มกับอินพุตชุดย่อย

อ้างอิง: การทำให้เป็นมาตรฐานของกลุ่ม

เลเยอร์ที่ใช้การทำให้อินสแตนซ์เป็นมาตรฐานกับอินพุตชุดย่อย

การอ้างอิง: การทำให้อินสแตนซ์เป็นมาตรฐาน: ส่วนผสมที่ขาดหายไปสำหรับการปรับสไตล์อย่างรวดเร็ว

ระบุขั้นตอนเดียวของน้ำหนักเดียวภายในเครื่องมือเพิ่มประสิทธิภาพ

สถานะสากลเข้าถึงได้ผ่าน StateAccessor

[String: Float] แต่องค์ประกอบต่างๆ สามารถเข้าถึงได้เหมือนกับเป็นสมาชิก

เครื่องมือเพิ่มประสิทธิภาพที่ทำงานในกลุ่มพารามิเตอร์เดียว

Wrapper แบบปลอดภัยรอบๆ ค่าดัชนี Int สำหรับค่าท้องถิ่นของเครื่องมือเพิ่มประสิทธิภาพ

Wrapper ที่ปลอดภัยสำหรับประเภทรอบๆ ค่าดัชนี Int สำหรับค่าส่วนกลางของเครื่องมือเพิ่มประสิทธิภาพ

Wrapper แบบปลอดภัยรอบๆ ค่าดัชนี Int สำหรับค่าสถานะของเครื่องมือเพิ่มประสิทธิภาพ

สร้าง ParameterGroupOptimizer ซึ่งใช้ในระดับน้ำหนักเดียวในแบบจำลอง การแม็ปจากกลุ่มพารามิเตอร์ที่เลือกโดย ( [Bool] ถึง parameterGroupOptimizer) จะกำหนดการเพิ่มประสิทธิภาพขั้นสุดท้าย

เลเยอร์การรวมสูงสุดสำหรับข้อมูลชั่วคราว

เลเยอร์การรวมกลุ่มสูงสุดสำหรับข้อมูลเชิงพื้นที่

เลเยอร์การรวมกลุ่มสูงสุดสำหรับข้อมูลเชิงพื้นที่หรือเชิงพื้นที่-ชั่วคราว

เลเยอร์การรวมเฉลี่ยสำหรับข้อมูลชั่วคราว

เลเยอร์การรวมกลุ่มโดยเฉลี่ยสำหรับข้อมูลเชิงพื้นที่

เลเยอร์การรวมกลุ่มโดยเฉลี่ยสำหรับข้อมูลเชิงพื้นที่หรือเชิงพื้นที่-ชั่วคราว

เลเยอร์การรวมกลุ่มเฉลี่ยทั่วโลกสำหรับข้อมูลชั่วคราว

เลเยอร์การรวมกลุ่มเฉลี่ยทั่วโลกสำหรับข้อมูลเชิงพื้นที่

เลเยอร์การรวมกลุ่มเฉลี่ยทั่วโลกสำหรับข้อมูลเชิงพื้นที่และเชิงพื้นที่-ชั่วคราว

เลเยอร์การรวมสูงสุดส่วนกลางสำหรับข้อมูลชั่วคราว

เลเยอร์การรวมสูงสุดทั่วโลกสำหรับข้อมูลเชิงพื้นที่

เลเยอร์การรวมสูงสุดทั่วโลกสำหรับข้อมูลเชิงพื้นที่และเชิงพื้นที่-ชั่วคราว

เลเยอร์การรวมเศษส่วนสูงสุดสำหรับข้อมูลเชิงพื้นที่ หมายเหตุ: FractionalMaxPool ไม่มีการใช้งาน XLA และอาจมีผลกระทบต่อประสิทธิภาพการทำงาน

PythonObject แสดงถึงวัตถุใน Python และรองรับการค้นหาสมาชิกแบบไดนามิก การเข้าถึงของสมาชิกใดๆ เช่น object.foo จะร้องขอรันไทม์ Python แบบไดนามิกสำหรับสมาชิกที่มีชื่อที่ระบุในวัตถุนี้

PythonObject ถูกส่งผ่านไปยังและส่งคืนจากการเรียกใช้ฟังก์ชัน Python และการอ้างอิงสมาชิกทั้งหมด รองรับเลขคณิต Python มาตรฐานและตัวดำเนินการเปรียบเทียบ

ภายใน PythonObject ถูกนำมาใช้เป็นตัวชี้ที่นับการอ้างอิงไปยัง Python C API PyObject

wrapper PythonObject ที่เปิดใช้งานการเรียกใช้เมธอด Throw ข้อยกเว้นที่สร้างโดยฟังก์ชัน Python จะสะท้อนให้เห็นเป็นข้อผิดพลาดของ Swift และถูกส่งออกไป

Wrapper PythonObject ที่ช่วยให้สมาชิกเข้าถึงได้ การดำเนินการเข้าถึงสมาชิกส่งคืนผลลัพธ์ Optional เมื่อการเข้าถึงของสมาชิกล้มเหลว ระบบจะส่งคืน nil

อินเทอร์เฟซสำหรับ Python

PythonInterface อนุญาตให้โต้ตอบกับ Python สามารถใช้เพื่อนำเข้าโมดูลและเข้าถึงประเภทและฟังก์ชันในตัวของ Python แบบไดนามิก

เครื่องกำเนิดตัวเลขสุ่มชนิดลบ

ประเภท AnyRandomNumberGenerator ส่งต่อการดำเนินการสร้างตัวเลขสุ่มไปยังตัวสร้างตัวเลขสุ่มที่ซ่อนอยู่ โดยซ่อนประเภทพื้นฐานเฉพาะของมัน

การใช้งาน SeedableRandomNumberGenerator โดยใช้ ARC4

ARC4 เป็นรหัสสตรีมที่สร้างสตรีมไบต์แบบสุ่มหลอก PRNG นี้ใช้ seed เป็นกุญแจสำคัญ

ARC4 ได้รับการอธิบายไว้ใน Schneier, B., “Applied Cryptography: Protocols, Algorithms, and Source Code in C”, ฉบับพิมพ์ครั้งที่ 2, 1996

ตัวสร้างแต่ละตัวไม่ปลอดภัยสำหรับเธรด แต่ตัวสร้างที่แตกต่างกันจะไม่แชร์สถานะ ข้อมูลสุ่มที่สร้างขึ้นมีคุณภาพสูง แต่ไม่เหมาะสำหรับแอปพลิเคชันการเข้ารหัส

การใช้งาน SeedableRandomNumberGenerator โดยใช้ Threefry ปลาแซลมอนและคณะ SC 2011. ตัวเลขสุ่มคู่ขนาน: ง่ายเหมือน 1, 2, 3 http://www.thesalmons.org/john/random123/papers/random123sc11.pdf

โครงสร้างนี้ใช้ Threefry2x32 PRNG 20 รอบ จะต้องเริ่มต้นด้วยค่า 64 บิต

ตัวสร้างแต่ละตัวไม่ปลอดภัยสำหรับเธรด แต่ตัวสร้างที่แตกต่างกันจะไม่แชร์สถานะ ข้อมูลสุ่มที่สร้างขึ้นมีคุณภาพสูง แต่ไม่เหมาะสำหรับแอปพลิเคชันการเข้ารหัส

การใช้งาน SeedableRandomNumberGenerator โดยใช้ Philox ปลาแซลมอนและคณะ SC 2011. ตัวเลขสุ่มคู่ขนาน: ง่ายเหมือน 1, 2, 3 http://www.thesalmons.org/john/random123/papers/random123sc11.pdf

โครงสร้างนี้ใช้ Philox4x32 PRNG 10 รอบ จะต้องเริ่มต้นด้วยค่า 64 บิต

ตัวสร้างแต่ละตัวไม่ปลอดภัยสำหรับเธรด แต่ตัวสร้างที่แตกต่างกันจะไม่แชร์สถานะ ข้อมูลสุ่มที่สร้างขึ้นมีคุณภาพสูง แต่ไม่เหมาะสำหรับแอปพลิเคชันการเข้ารหัส

อินพุตไปยังโครงข่ายประสาทที่เกิดซ้ำ

เอาต์พุตไปยังโครงข่ายประสาทเทียมที่เกิดซ้ำ

เซลล์ RNN พื้นฐาน

เซลล์ LSTM

เซลล์ GRU

เลเยอร์ที่ประกอบขึ้นเป็นเลเยอร์อื่นตั้งแต่ 2 เลเยอร์ขึ้นไปตามลำดับ

ตัวอย่าง:

• สร้างโมเดล Perceptron 2 ชั้นอย่างง่ายสำหรับ 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)
 }

• สร้างตัวเข้ารหัสอัตโนมัติสำหรับ 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 เป็นอาร์เรย์หลายมิติ มีรูปร่างซึ่งมีประเภท [Int] และกำหนดขนาดอาร์เรย์ และใช้ TensorBuffer ภายในเป็นที่เก็บข้อมูล

ส่วนที่ต่อเนื่องกันของอิน ShapedArray หรือ ShapedArraySlice

ShapedArraySlice ช่วยให้ดำเนินการได้อย่างรวดเร็วและมีประสิทธิภาพกับสไลซ์ของอินสแตนซ์ ShapedArray ที่ต่อเนื่องกัน อินสแตนซ์ ShapedArraySlice ไม่มีพื้นที่เก็บข้อมูลของตัวเอง แต่จะให้มุมมองเกี่ยวกับการจัดเก็บฐาน ShapedArray แทน ShapedArraySlice สามารถแสดงสไลซ์ได้สองประเภท: อาร์เรย์องค์ประกอบและอาร์เรย์ย่อย

อาร์เรย์องค์ประกอบเป็นองค์ประกอบย่อยของ ShapedArray โดยอันดับจะน้อยกว่าฐานหนึ่งรายการ ชิ้นส่วนอาร์เรย์องค์ประกอบได้มาโดยการจัดทำดัชนีอินสแตนซ์ ShapedArray ด้วยดัชนี Int32 เอกพจน์

ตัวอย่างเช่น:

    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]].

อาร์เรย์ย่อยคือช่วงขององค์ประกอบที่ต่อเนื่องกันใน ShapedArray ลำดับของอาร์เรย์ย่อยจะเหมือนกับลำดับฐาน แต่มิตินำหน้าคือการนับช่วงชิ้น ชิ้นส่วนย่อยได้มาจากการสร้างดัชนี ShapedArray ด้วย Range<Int32> ที่แสดงถึงช่วงขององค์ประกอบ (ในมิตินำหน้า) เมธอดเช่น prefix(:) และ suffix(:) ที่จัดทำดัชนีภายในด้วยช่วงยังสร้างอาร์เรย์ย่อยด้วย

ตัวอย่างเช่น:

    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 เป็นอาร์เรย์หลายมิติที่มีองค์ประกอบเป็น String s

TensorHandle เป็นประเภทที่ใช้โดย ops ประกอบด้วยประเภท Scalar ซึ่งคอมไพลเลอร์ภายในสามารถใช้เพื่อกำหนดประเภทข้อมูลของพารามิเตอร์เมื่อแยกออกมาเป็นโปรแกรมเทนเซอร์

โครงสร้างที่แสดงรูปร่างของเทนเซอร์

TensorShape เป็นกระดาษห่อบางๆ ล้อมรอบอาร์เรย์ของจำนวนเต็มที่แสดงมิติของรูปร่าง เทนเซอร์ทุกประเภทใช้ TensorShape เพื่อแสดงรูปร่าง

TensorVisitorPlan ประมาณ [WritableKeyPath<Base, Tensor<Float>] แต่มีประสิทธิภาพมากกว่า สิ่งนี้มีประโยชน์สำหรับการเขียนเครื่องมือเพิ่มประสิทธิภาพทั่วไปที่ต้องการแมปกับการไล่ระดับสี น้ำหนักที่มีอยู่ และดัชนีที่สามารถใช้เพื่อค้นหาน้ำหนักที่เก็บไว้เสริม สิ่งนี้มีประสิทธิภาพมากกว่าเล็กน้อย (~ 2x) แต่อาจจะดีกว่าเพราะมันแลกกับค่าใช้จ่ายที่สูงขึ้นเล็กน้อย (การอ้างอิงตัวชี้เพิ่มเติม) โดยที่ไม่ต้องทำงาน O(deep_of_tree) ที่จำเป็นสำหรับรายการธรรมดาเพื่อติดตาม KeyPath แต่ละรายการ

เลเยอร์อัปแซมปลิงสำหรับอินพุต 1-D

เลเยอร์อัปแซมปลิงสำหรับอินพุต 2 มิติ

เลเยอร์อัปแซมปลิงสำหรับอินพุต 3 มิติ

รวบรวมตัวนับการทำนายที่ถูกต้องและผลรวมการสูญเสีย