תקופות אימון לא אחידות

public final class NonuniformTrainingEpochs<
  Samples: Collection,
  Entropy: RandomNumberGenerator
>: Sequence, IteratorProtocol

רצף אינסופי של אוספים של קבוצות דגימות המתאימים לאימון DNN כאשר הדגימות אינן בגודל אחיד.

המנות בכל תקופה:

• לכולם יש בדיוק אותו מספר של דוגמאות.
• נוצרים מדגימות בגודל דומה.
• התחל עם אצווה שגודל המדגם המקסימלי שלה הוא הגודל המרבי על כל הדגימות ששימשו בתקופה.

• init(samples:batchSize:entropy:batchesPerSort:areInAscendingSizeOrder:)
  יוצר מופע השואב דוגמאות מדגימות samples בגודל batchSize .

  הַצהָרָה

  public init(
    samples: Samples,
    batchSize: Int,
    entropy: Entropy,
    batchesPerSort: Int? = nil,
    areInAscendingSizeOrder:
      @escaping (Samples.Element, Samples.Element) -> Bool
  )

  פרמטרים

  entropy	מקור לאקראיות המשמש לערבב סדר דגימות. הוא יאוחסן self , כך שאם הוא רק פסאודורנדומלי ויש לו סמנטיקה ערכית, רצף העידנים הוא דטרמינסטי ואינו תלוי בפעולות אחרות.
  batchesPerSort	מספר האצוות שעליהן לקבץ גדלי מדגם באופן דומה, או nil כדי לציין שהיישום צריך לבחור מספר. בחירה גבוהה מדי עלולה להרוס את ההשפעות של דשדוש דגימות בתוכניות אימונים רבות, ולהוביל לתוצאות גרועות. בחירה נמוכה מדי תפחית את הדמיון של גדלים באצווה נתונה, מה שיוביל לחוסר יעילות.
  areInAscendingSizeOrder	פרדיקט שמחזיר true אם גודל הפרמטר הראשון קטן מזה של השני.

• אֵלֵמֶנט
  סוג כל תקופה, אוסף של קבוצות של דוגמאות.

  הַצהָרָה

  public typealias Element = Slices<
    Sampling<Samples, Array<Samples.Index>.SubSequence>
  >

• הַבָּא()
  מחזיר את העידן הבא ברצף.

  הַצהָרָה

  public func next() -> Element?

זמין כאשר `Entropy` == `SystemRandomNumberGenerator`

• init(samples:batchSize:batchesPerSort:areInAscendingSizeOrder:)
  יוצר מופע השואב דוגמאות מדגימות samples בגודל batchSize .

  הַצהָרָה

  public convenience init(
    samples: Samples,
    batchSize: Int,
    batchesPerSort: Int? = nil,
    areInAscendingSizeOrder:
      @escaping (Samples.Element, Samples.Element) -> Bool
  )

  פרמטרים

  batchesPerSort	מספר האצוות שעליהן לקבץ גדלי מדגם באופן דומה, או nil כדי לציין שהיישום צריך לבחור מספר. בחירה גבוהה מדי עלולה להרוס את ההשפעות של דשדוש דגימות בתוכניות אימונים רבות, ולהוביל לתוצאות גרועות. בחירה נמוכה מדי תפחית את הדמיון של גדלים באצווה נתונה, מה שיוביל לחוסר יעילות.
  areInAscendingSizeOrder	פרדיקט שמחזיר true אם גודל הפרמטר הראשון קטן מזה של השני.