Zaman Pelatihan Tidak Seragam

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

Urutan kumpulan sampel yang tak terbatas yang cocok untuk melatih DNN ketika ukuran sampel tidak seragam.

Batch di setiap epoch:

• semuanya mempunyai jumlah sampel yang sama persis.
• terbentuk dari sampel dengan ukuran yang sama.
• mulai dengan batch yang ukuran sampel maksimumnya adalah ukuran maksimum dari semua sampel yang digunakan dalam epoch tersebut.

• init(sampel:batchSize:entropy:batchesPerSort:areInAscendingSizeOrder :)
  Membuat instance yang menggambar sampel dari samples ke dalam batch berukuran batchSize .

  Pernyataan

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

  Parameter

  entropy	sumber keacakan yang digunakan untuk mengacak pemesanan sampel. Itu akan disimpan di self , jadi jika hanya pseudorandom dan memiliki nilai semantik, urutan zaman bersifat deterministik dan tidak bergantung pada operasi lain.
  batchesPerSort	jumlah batch untuk mengelompokkan ukuran sampel secara serupa, atau nil untuk menunjukkan bahwa implementasi harus memilih nomor. Memilih terlalu tinggi dapat merusak efek pengacakan sampel di banyak skema pelatihan, sehingga menghasilkan hasil yang buruk. Memilih terlalu rendah akan mengurangi kesamaan ukuran dalam batch tertentu, sehingga menyebabkan inefisiensi.
  areInAscendingSizeOrder	predikat yang mengembalikan true jika ukuran parameter pertama lebih kecil dari parameter kedua.

• Elemen
  Jenis setiap zaman, kumpulan kumpulan sampel.

  Pernyataan

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

• Berikutnya()
  Mengembalikan zaman berikutnya secara berurutan.

  Pernyataan

  public func next() -> Element?

Tersedia di mana `Entropy` == `SystemRandomNumberGenerator`

• init(sampel:batchSize:batchesPerSort:areInAscendingSizeOrder :)
  Membuat instance yang menggambar sampel dari samples ke dalam batch berukuran batchSize .

  Pernyataan

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

  Parameter

  batchesPerSort	jumlah batch untuk mengelompokkan ukuran sampel secara serupa, atau nil untuk menunjukkan bahwa implementasi harus memilih nomor. Memilih terlalu tinggi dapat merusak efek pengacakan sampel di banyak skema pelatihan, sehingga menghasilkan hasil yang buruk. Memilih terlalu rendah akan mengurangi kesamaan ukuran dalam batch tertentu, sehingga menyebabkan inefisiensi.
  areInAscendingSizeOrder	predikat yang mengembalikan true jika ukuran parameter pertama lebih kecil dari parameter kedua.