वेक्टर और टाइल

Scarp में विशेषज्ञ संख्यात्मक operations प्रयोगात्मक रूप से उपलब्ध हैं; ये सामान्य mutable arrays या पूर्ण tensor framework नहीं हैं। तत्व सीमित float होते हैं।

वेक्टर

bind values = [1.0, 2.0, 3.0];
print(len(values), values[0], sum(values));

वेक्टर immutable हैं। len, sum, mean, dot, mse, fill, scale, clamp, softmax और कई अन्य documented kernels हैं। इनका type/shape और domain जाँचा जाता है। Element indexing शून्य से शुरू होती है और सीमा से बाहर E0033 देती है।

टाइल और matrix operations

bind weights = tile([1.0, 2.0, -1.0, 3.0], 2, 2);
print(matvec(weights, [2.0, 1.0])); // [4.0, 1.0]

tile row-major, immutable, दो-अक्ष वाला numeric value है। height, width, cell, lane, unroll, turn, matvec, matmul, tileadd, tilescale जैसे operations लागू होते हैं। Arbitrary broadcasting और mutable indexing उपलब्ध नहीं हैं।

दो-अक्ष वाली गणना का सत्यापित उदाहरण

टाइल और matrix ट्यूटोरियल में प्रकाशित compiler का पूरा matrix_forward.srp प्रोग्राम और उसका सही stdout मिलता है। यह केवल संभावित syntax नहीं है: CI pinned compiler से इस उदाहरण को चलाकर परिणाम की तुलना करता है। पहले वैक्टर ट्यूटोरियल भी पढ़ सकते हैं।

matvec(t, v) के लिए width(t) == len(v) और matmul(a, b) के लिए width(a) == height(b) चाहिए। टाइल में अधिकतम 65,536 cells हैं; इसके rows/columns की भी अलग जाँच होती है। नया numerical output buffer बनाने पर cumulative --max-vector-bytes बजट खर्च हो सकता है। समस्याओं के लिए डायग्नोस्टिक्स देखें।

Class scores और probabilities का सत्यापित अभ्यास

वर्गीकरण और संभावनाओं का ट्यूटोरियल प्रकाशित कंपाइलर के तीन पूरे उदाहरणों में matrix scores, argmax, softmax, crossentropy और onehot target दिखाता है। हर प्रोग्राम और उसका stdout tagged release से लिया गया है तथा CI में जाँचा जाता है। इसे पूरा AI training framework न समझें।

नए alpha.2 का numerical अभ्यास

Alpha.2 collections और probability tutorial में immutable integer collections, stable score selection, numerically stable probability और स्पष्ट loss gradient के चार पूरे tagged programs मिलते हैं। इन्हें नए alpha.2 compiler के विरुद्ध अलग CI job में सत्यापित किया जाता है। यह automatic differentiation या पूरा neural-network training loop नहीं है।

Scientific computing — आने वाला विकास

वैज्ञानिक कंप्यूटिंग की योजना में लागू vector/matrix सुविधाएँ और भविष्य के calculus, tensor तथा AI features अलग-अलग बताए गए हैं। Compiler PR #153 के sampled-calculus functions अभी प्रकाशित alpha.3 में उपलब्ध नहीं हैं।

आकार और संसाधन सीमा

अधिकतम vector length 65,536 तत्व है। लंबाई/shape mismatch E0032, गलत numeric domain E0034, allocation E0035 और cumulative numeric payload quota E0036 दे सकते हैं। numeric budget तथा builtin reference देखें।

अंग्रेज़ी संदर्भ के अपरिवर्तित कोड उदाहरण

नीचे दिए गए code snippets मूल अंग्रेज़ी संदर्भ से लिए गए हैं। Keywords, source strings और output expectations जानबूझकर अनुवादित नहीं किए गए हैं।

bind values = [1.0, 2.0, 3.0, 4.0];
print(values, len(values), values[0]);
var weights = [0.2, 0.3, 0.5];
bind snapshot = weights;
weights = scale(weights, 2.0);
print(snapshot);
print(weights);
print(sum(values), mean(values));

bind weights = tile([1.0, 2.0, -1.0, 3.0], 2, 2);
print(matvec(weights, [2.0, 1.0])); // [4.0, 1.0]