'mhlo' נִיב

פעולות

mhlo.abs (mhlo::AbsOp)

פעולת ABS

תַחבִּיר:

operation ::= `mhlo.abs` $operand attr-dict
              `:` custom<SameOperandsAndResultType>(type($operand), type($result))

מבצע פעולת abs לפי אלמנטים על טנזור operand ומייצר טנזור result .

ראה: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#abs

דוּגמָה:

%result = mhlo.abs %operand : tensor<3xi32>

תכונות: AlwaysSpeculatableImplTrait , Elementwise , SameOperandsAndResultShape

ממשקים: ConditionallySpeculatable , InferShapedTypeOpInterface , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

אפקטים: MemoryEffects::Effect{}

אופרנדים:

אופרנד תֵאוּר
operand טנזור מדורג של מספר שלם ללא סימנים של 2/4/8/16/32/64 סיביות או מספר צף של 4/6/8/16/32/64 סיביות או מספר מרוכב של 4/6/64 סיביות עם אלמנטים צפים או מספר שלם אחיד מכמת וסימן של 2/4/8/16/32 סיביות או מספר שלם אחיד מכמת וסימן של 2/4/8/16/32 סיביות או ערכים שלמים אחידים מכמתים וסימן של 2/4/8/16/32 סיביות

תוצאות:

תוֹצָאָה תֵאוּר
result טנזור מדורג של מספר שלם ללא סימנים של 2/4/8/16/32/64 סיביות או מספר צף של 4/6/8/16/32/64 סיביות או מספר שלם אחיד מכמת עם סימן של 2/4/8/16/32 סיביות או מספר שלם אחיד מכמת עם סימן של 2/4/8/16/32 סיביות או ערכים שלמים אחידים מכמתים לא חתומים של 2/4/8/16/32 סיביות או ערכים שלמים אחידים מכמתים לא חתומים של 2/4/8/16/32 סיביות

mhlo.acos (mhlo::AcosOp)

מבצע Acos

תַחבִּיר:

operation ::= `mhlo.acos` $operand attr-dict
              `:` custom<SameOperandsAndResultType>(type($operand), type($result))

מבצע פעולת acos לפי אלמנטים על טנזור operand ומייצר טנזור result .

דוּגמָה:

%result = mhlo.acos %operand : tensor<2x2xf32>

תכונות: CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

ממשקים: InferShapedTypeOpInterface , InferTypeOpInterface

אופרנדים:

אופרנד תֵאוּר
operand טנזור מסוג צף או מורכב של 4/6/8/16/32/64 סיביות עם ערכי אלמנטים צפים של 32/64 סיביות

תוצאות:

תוֹצָאָה תֵאוּר
result טנזור מסוג צף או מורכב של 4/6/8/16/32/64 סיביות עם ערכי אלמנטים צפים של 32/64 סיביות

mhlo.acosh (mhlo::AcoshOp)

מבצע אקוש

תַחבִּיר:

operation ::= `mhlo.acosh` $operand attr-dict
              `:` custom<SameOperandsAndResultType>(type($operand), type($result))

מבצע פעולת acosh לפי אלמנטים על טנזור operand ומייצר טנזור result .

דוּגמָה:

%result = mhlo.acosh %operand : tensor<2x2xf32>

תכונות: CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

ממשקים: InferShapedTypeOpInterface , InferTypeOpInterface

אופרנדים:

אופרנד תֵאוּר
operand טנזור מסוג צף או מורכב של 4/6/8/16/32/64 סיביות עם ערכי אלמנטים צפים של 32/64 סיביות

תוצאות:

תוֹצָאָה תֵאוּר
result טנזור מסוג צף או מורכב של 4/6/8/16/32/64 סיביות עם ערכי אלמנטים צפים של 32/64 סיביות

mhlo.add (mhlo::AddOp)

הוסף פעולה

תַחבִּיר:

operation ::= `mhlo.add` $lhs `,` $rhs attr-dict
              `:` custom<SameOperandsAndResultType>(type($lhs), type($rhs), type($result))

מבצע חיבור לפי אלמנטים של שני טנזורים lhs rhs ומייצר טנזור result .

ראה: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#add

דוּגמָה:

%result = mhlo.add %lhs, %rhs : tensor<2x2xi32>

תכונות: AlwaysSpeculatableImplTrait , Commutative , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

ממשקים: ConditionallySpeculatable , InferShapedTypeOpInterface , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

אפקטים: MemoryEffects::Effect{}

אופרנדים:

אופרנד תֵאוּר
lhs טנזור מדורג מסוג float או bool של 4/6/8/16/32/64 סיביות או מספר שלם או מרוכב של 2/4/8/16/32/64 סיביות עם אלמנטים צפים של 32/64 סיביות או ערכים כמותיים של מספר שלם לפי טנזור או ערכים כמותיים של מספר שלם לפי ציר
rhs טנזור מדורג מסוג float או bool של 4/6/8/16/32/64 סיביות או מספר שלם או מרוכב של 2/4/8/16/32/64 סיביות עם אלמנטים צפים של 32/64 סיביות או ערכים כמותיים של מספר שלם לפי טנזור או ערכים כמותיים של מספר שלם לפי ציר

תוצאות:

תוֹצָאָה תֵאוּר
result טנזור מדורג מסוג float או bool של 4/6/8/16/32/64 סיביות או מספר שלם או מרוכב של 2/4/8/16/32/64 סיביות עם אלמנטים צפים של 32/64 סיביות או ערכים כמותיים של מספר שלם לפי טנזור או ערכים כמותיים של מספר שלם לפי ציר

mhlo.add_dependency (mhlo::AddDependencyOp)

פעולת AddDependency

תַחבִּיר:

operation ::= `mhlo.add_dependency` operands attr-dict `:` functional-type(operands, results)

פעולה זו פרטית עבור מהדר XLA, ולכן עדיין אין לה מפרט.

באופן לא רשמי, לפעולה זו שני אופרנדים: אופרנד נתונים ואסימון. הפלט של הפעולה הוא אופרנד הנתונים. כאשר משתמשים בו עם AfterAll, פעולה זו מאפשרת להזמין פעולות שאינן בעלות תופעות לוואי (אלה שאינן מייצרות ערכי אסימון).

דוּגמָה: 

%1 = mhlo.add_dependency %arg0, %0 : (tensor<3x4xf32>, !mhlo.token) -> tensor<3x4xf32>

תכונות: AlwaysSpeculatableImplTrait

ממשקים: ConditionallySpeculatable , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

אפקטים: MemoryEffects::Effect{}

אופרנדים:

אופרנד תֵאוּר
operand טנזור מדורג של מספר צף או מספר bool של 4/6/8/16/32/64 סיביות או מספר שלם או מרוכב של 2/4/8/16/32/64 סיביות עם אלמנטים צפים של 32/64 סיביות או ערכים כמותיים שלמים לכל טנזור או טנזור מדורג של ערכים כמותיים שלמים לכל ציר או אסימון או אסימון יציב
token אסימון או אסימון stablehlo

תוצאות:

תוֹצָאָה תֵאוּר
output טנזור מדורג של מספר צף או מספר bool של 4/6/8/16/32/64 סיביות או מספר שלם או מרוכב של 2/4/8/16/32/64 סיביות עם אלמנטים צפים של 32/64 סיביות או ערכים כמותיים שלמים לכל טנזור או טנזור מדורג של ערכים כמותיים שלמים לכל ציר או אסימון או אסימון יציב

mhlo.after_all (mhlo::AfterAllOp)

מבצע AfterAll

תַחבִּיר: 

operation ::= `mhlo.after_all` $inputs attr-dict
              `:` custom<VariadicSameOperandsAndResultType>(ref($inputs), type($inputs), type($result))

מבטיח שהפעולות המייצרות את inputs מבוצעות לפני כל פעולה שתלויה result .

ראה: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#after_all

דוּגמָה: 

%result = mhlo.after_all %input0, %input1 : !mhlo.token

תכונות: AlwaysSpeculatableImplTrait

ממשקים: ConditionallySpeculatable , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

אפקטים: MemoryEffects::Effect{}

אופרנדים:

אופרנד תֵאוּר
inputs וריאדיקה של אסימון

תוצאות:

תוֹצָאָה תֵאוּר
result אֲסִימוֹן

mhlo.all_gather (mhlo::AllGatherOp)

מבצע AllGather

בתוך כל קבוצת תהליכים ברשת התהליכים, מצרפים את ערכי טנזור האופרנד מכל תהליך לאורך all_gather_dim ומפיקים טנזור תוצאה. computation מיושם בנפרד עבור כל אופרנד operands , ומייצר תוצאה אחת לכל אופרנד.

ראה: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#all_gather

דוּגמָה: 

%result = "mhlo.all_gather"(%operand) {
  all_gather_dim = 1 : i64,
  replica_groups = dense<[[0, 1]]> : tensor<1x2xi64>
  // channel_id = 0
  channel_handle = #mhlo.channel_handle<handle = 0, type = 0>,
  // use_global_device_ids = false
} : (tensor<2x2xf32>) -> tensor<2x4xf32>

תכונות: SameOperandsAndResultElementType

תכונות:

תְכוּנָה סוג MLIR תֵאוּר
all_gather_dim ::mlir::IntegerAttr תכונה של מספר שלם ללא סימנים של 64 סיביות שערכה אינו שלילי
replica_groups ::mlir::DenseIntElementsAttr תכונת אלמנטים שלמים ללא סימנים של 64 סיביות
channel_handle ::mlir::mhlo::ChannelHandleAttr שני מספרים שלמים של 64 סיביות, 'handle' ו-'type'
use_global_device_ids ::mlir::יחידת אטרקציה תכונת יחידה

אופרנדים:

אופרנד תֵאוּר
operands וריאדיקה של טנזור מדורג מסוג float או bool של 4/6/8/16/32/64 סיביות או מספר שלם או מרוכב של 2/4/8/16/32/64 סיביות עם אלמנטים צפים של 32/64 סיביות או ערכים כמותיים של מספר שלם לפי טנזור או ערכים כמותיים של מספר שלם לפי ציר

תוצאות:

תוֹצָאָה תֵאוּר
"ללא שם" וריאדיקה של טנזור מדורג מסוג float או bool של 4/6/8/16/32/64 סיביות או מספר שלם או מרוכב של 2/4/8/16/32/64 סיביות עם אלמנטים צפים של 32/64 סיביות או ערכים כמותיים של מספר שלם לפי טנזור או ערכים כמותיים של מספר שלם לפי ציר

mhlo.all_reduce (mhlo::AllReduceOp)

פעולת AllReduce

בתוך כל קבוצת תהליכים ברשת התהליכים, מפעילים computation פונקציית חיזור על ערכי טנזור אופרנד מכל תהליך ומפיקים טנזור תוצאה. computation מתבצע בנפרד עבור כל אופרנד operands , ומייצר תוצאה אחת לכל אופרנד.

ראה: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#all_reduce

דוּגמָה: 

%result = "mhlo.all_reduce"(%operand) ({
  ^bb0(%arg0: tensor<f32>, %arg1: tensor<f32>):
    %0 = mhlo.add %arg1, %arg2 : tensor<f32>
    mhlo.return %0 : tensor<f32>
}) {
  replica_groups = dense<[[0, 1]]> : tensor<1x2xi64>
  // channel_id = 0
  channel_handle = #mhlo.channel_handle<handle = 0, type = 0>
  // use_global_device_ids = false
} : (tensor<4xf32>) -> tensor<4xf32>

תכונות: InferTensorType , SingleBlockImplicitTerminator<ReturnOp> , SingleBlock

ממשקים: InferShapedTypeOpInterface , InferTypeOpInterface

תכונות:

תְכוּנָה סוג MLIR תֵאוּר
replica_groups ::mlir::DenseIntElementsAttr תכונת אלמנטים שלמים ללא סימנים של 64 סיביות
channel_handle ::mlir::mhlo::ChannelHandleAttr שני מספרים שלמים של 64 סיביות, 'handle' ו-'type'
use_global_device_ids ::mlir::יחידת אטרקציה תכונת יחידה

אופרנדים:

אופרנד תֵאוּר
operands וריאדיקה של טנזור מדורג מסוג float או bool של 4/6/8/16/32/64 סיביות או מספר שלם או מרוכב של 2/4/8/16/32/64 סיביות עם אלמנטים צפים של 32/64 סיביות או ערכים כמותיים של מספר שלם לפי טנזור או ערכים כמותיים של מספר שלם לפי ציר

תוצאות:

תוֹצָאָה תֵאוּר
"ללא שם" וריאדיקה של טנזור מדורג מסוג float או bool של 4/6/8/16/32/64 סיביות או מספר שלם או מרוכב של 2/4/8/16/32/64 סיביות עם אלמנטים צפים של 32/64 סיביות או ערכים כמותיים של מספר שלם לפי טנזור או ערכים כמותיים של מספר שלם לפי ציר

mhlo.all_to_all (mhlo::AllToAllOp)

פעולת הכל להכל

בתוך כל קבוצת תהליכים ברשת התהליכים, הפונקציה מפצלת את ערכי טנזור operand לאורך split_dimension לחלקים, מפזרת את החלקים המפוצלים בין התהליכים, משרשרת את החלקים המפוזרים לאורך concat_dimension ומייצרת טנזור result .

ראה: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#all_to_all

דוּגמָה: 

%result = "mhlo.all_to_all"(%operand) {
  split_dimension = 1 : i64,
  concat_dimension = 0 : i64,
  split_count = 2 : i64,
  replica_groups = dense<[[0, 1]]> : tensor<1x2xi64>
} : (tensor<2x4xf32>) -> tensor<4x2xf32>

תכונות: AlwaysSpeculatableImplTrait , InferTensorType , SameOperandsElementType , SameOperandsShape , SameVariadicOperandSize

ממשקים: ConditionallySpeculatable , InferShapedTypeOpInterface , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

אפקטים: MemoryEffects::Effect{}

תכונות:

תְכוּנָה סוג MLIR תֵאוּר
split_dimension ::mlir::IntegerAttr תכונה של מספר שלם ללא סימנים של 64 סיביות שערכה אינו שלילי
concat_dimension ::mlir::IntegerAttr תכונה של מספר שלם ללא סימנים של 64 סיביות שערכה אינו שלילי
split_count ::mlir::IntegerAttr תכונה שלמה ללא סימנים של 64 סיביות שערכה חיובי
replica_groups ::mlir::DenseIntElementsAttr תכונת אלמנטים שלמים ללא סימנים של 64 סיביות
channel_handle ::mlir::mhlo::ChannelHandleAttr שני מספרים שלמים של 64 סיביות, 'handle' ו-'type'

אופרנדים:

אופרנד תֵאוּר
operand וריאדיקה של טנזור מדורג מסוג float או bool של 4/6/8/16/32/64 סיביות או מספר שלם או מרוכב של 2/4/8/16/32/64 סיביות עם אלמנטים צפים של 32/64 סיביות או ערכים כמותיים של מספר שלם לפי טנזור או ערכים כמותיים של מספר שלם לפי ציר

תוצאות:

תוֹצָאָה תֵאוּר
"ללא שם" וריאדיקה של טנזור מדורג מסוג float או bool של 4/6/8/16/32/64 סיביות או מספר שלם או מרוכב של 2/4/8/16/32/64 סיביות עם אלמנטים צפים של 32/64 סיביות או ערכים כמותיים של מספר שלם לפי טנזור או ערכים כמותיים של מספר שלם לפי ציר

mhlo.and (mhlo::AndOp)

ותפעול

תַחבִּיר: 

operation ::= `mhlo.and` $lhs `,` $rhs attr-dict
              `:` custom<SameOperandsAndResultType>(type($lhs), type($rhs), type($result))

מבצע AND לפי אלמנטים של שני טנזורים lhs rhs ומייצר טנזור result

ראה: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#and

דוּגמָה: 

%result = mhlo.and %lhs, %rhs : tensor<2x2xi32>

תכונות: AlwaysSpeculatableImplTrait , Commutative , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

ממשקים: ConditionallySpeculatable , InferShapedTypeOpInterface , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

אפקטים: MemoryEffects::Effect{}

אופרנדים:

אופרנד תֵאוּר
lhs טנזור מדורג של bool או ערכים שלמים של 2/4/8/16/32/64 סיביות
rhs טנזור מדורג של bool או ערכים שלמים של 2/4/8/16/32/64 סיביות

תוצאות:

תוֹצָאָה תֵאוּר
result טנזור מדורג מסוג float או bool של 4/6/8/16/32/64 סיביות או מספר שלם או מרוכב של 2/4/8/16/32/64 סיביות עם אלמנטים צפים של 32/64 סיביות או ערכים כמותיים של מספר שלם לפי טנזור או ערכים כמותיים של מספר שלם לפי ציר

mhlo.asin (mhlo::AsinOp)

מבצע אסין

תַחבִּיר: 

operation ::= `mhlo.asin` $operand attr-dict
              `:` custom<SameOperandsAndResultType>(type($operand), type($result))

מבצע פעולת ASIN לפי אלמנטים על טנזור operand ומייצר טנזור result .

דוּגמָה: 

%result = mhlo.asin %operand : tensor<2x2xf32>

תכונות: CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

ממשקים: InferShapedTypeOpInterface , InferTypeOpInterface

אופרנדים:

אופרנד תֵאוּר
operand טנזור מסוג צף או מורכב של 4/6/8/16/32/64 סיביות עם ערכי אלמנטים צפים של 32/64 סיביות

תוצאות:

תוֹצָאָה תֵאוּר
result טנזור מסוג צף או מורכב של 4/6/8/16/32/64 סיביות עם ערכי אלמנטים צפים של 32/64 סיביות

mhlo.asinh (mhlo::AsinhOp)

מבצע אסין

תַחבִּיר: 

operation ::= `mhlo.asinh` $operand attr-dict
              `:` custom<SameOperandsAndResultType>(type($operand), type($result))

מבצע פעולת asinh לפי אלמנטים על טנזור operand ומייצר טנזור result .

דוּגמָה: 

%result = mhlo.asinh %operand : tensor<2x2xf32>

תכונות: CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

ממשקים: InferShapedTypeOpInterface , InferTypeOpInterface

אופרנדים:

אופרנד תֵאוּר
operand טנזור מסוג צף או מורכב של 4/6/8/16/32/64 סיביות עם ערכי אלמנטים צפים של 32/64 סיביות

תוצאות:

תוֹצָאָה תֵאוּר
result טנזור מסוג צף או מורכב של 4/6/8/16/32/64 סיביות עם ערכי אלמנטים צפים של 32/64 סיביות

mhlo.async_done (mhlo::AsyncDoneOp)

פעולת AsyncDone

פעולה זו פרטית עבור מהדר XLA, ולכן עדיין אין לה מפרט.

באופן לא רשמי, פעולה זו נחסמת עד סוף חישוב אסינכרוני. היא מחזירה את התוצאה הסופית של החישוב האסינכרוני.

עיין בתיעוד של AsyncStart לקבלת מידע נוסף.

ממשקים: InferTypeOpInterface

אופרנדים:

אופרנד תֵאוּר
bundle async_bundle עם כל שילוב של טנזור מדורג מסוג float או bool של 4/6/8/16/32/64 סיביות או מספר שלם או מרוכב של 2/4/8/16/32/64 סיביות עם אלמנטים צפים של 32/64 סיביות או ערכים כמותיים שלמים לפי טנזור או ערכים כמותיים שלמים לפי ציר או ערכי אסימון או אסימון stablehlo.

תוצאות:

תוֹצָאָה תֵאוּר
"ללא שם" וריאדיקה של טנזור מדורג של מספר צף או bool של 4/6/8/16/32/64 סיביות או מספר שלם או מרוכב של 2/4/8/16/32/64 סיביות עם אלמנטים צפים של 32/64 סיביות או ערכים כמותיים שלמים או שלמים לכל ציר, או אסימון או טוקן יציב, או טפל מקונן עם כל שילוב של טנזור מדורג של מספר צף או bool של 4/6/8/16/32/64 סיביות או ערכים כמותיים שלמים או מרוכב של 2/4/8/16/32/64 סיביות עם אלמנטים צפים של 32/64 סיביות או ערכים כמותיים שלמים לכל טנסור או מספר זיכרון של מספר צף או bool של 4/6/8/16/32/64 סיביות או מספר שלם או מרוכב של 2/4/8/16/32/64 סיביות עם אלמנטים צפים של 32/64 סיביות או ערכים כמותיים שלמים לכל טנסור או טנזור מדורג של מספר שלם או מרוכב של 2/4/8/16/32/64 סיביות ערכים כמותיים או ערכי טוקנים

mhlo.async_start (mhlo::AsyncStartOp)

פעולת AsyncStart

פעולה זו פרטית עבור מהדר XLA, ולכן עדיין אין לה מפרט.

באופן לא פורמלי, פעולה זו מתחילה חישוב אסינכרוני.

ניתן להשתמש בזה כאשר ישנן פונקציות המכילות גם המתנות אסינכרוניות (כגון DMAs) וגם חישוב בתוך הליך המשנה. לדוגמה, פונקציה עשויה לכלול חישוב, DMA, חישוב נוסף, DMA שני וחישוב סופי. זה יוצג כ-async_start ואחריו async_update ו-async_done. ה-async_start יבצע את החישוב הראשון בתוך הליך המשנה ולאחר מכן יפעיל את ה-DMA. ה-async_update ימתין להשלמת ה-DMA אם הוא עדיין לא בוצע, לאחר מכן יבצע את החישוב השני בפונקציה ויתחיל את ה-DMA השני. לבסוף, ה-async_done ימתין ל-DMA האחרון הזה, ולאחר מכן יפעיל את החישוב האחרון שצריך להפעיל בתוך הליך המשנה ויחזיר את התוצאה של חישוב סופי זה.

operands מועברים ישירות לחישוב. called_computation היא הפונקציה שתרוץ באופן אסינכרוני. execution_thread הוא שם השרשור שבו היא תרוץ. השרשור הראשי נקרא "main". לכל השרשורים יש שמות.

פעולה זו מחזירה את כל ה-state הדרוש בין פעולות אסינכרוניות. לאחר הקצאת buffer, ערכי ההחזרה מייצגים את השטח הדרוש כדי להכיל את הקלט, התוצאות וכל scratchpads הדרושים או שנערכו על ידי ה-async operation.

תכונות:

תְכוּנָה סוג MLIR תֵאוּר
called_computation ::mlir::FlatSymbolRefAttr תכונת הפניה לסמל שטוח
execution_thread ::mlir::StringAttr תכונת מחרוזת

אופרנדים:

אופרנד תֵאוּר
inputs וריאדיקה של טנזור מדורג של מספר צף או bool של 4/6/8/16/32/64 סיביות או מספר שלם או מרוכב של 2/4/8/16/32/64 סיביות עם אלמנטים צפים של 32/64 סיביות או ערכים כמותיים שלמים או שלמים לכל ציר, או אסימון או טוקן יציב, או טפל מקונן עם כל שילוב של טנזור מדורג של מספר צף או bool של 4/6/8/16/32/64 סיביות או ערכים כמותיים שלמים או מרוכב של 2/4/8/16/32/64 סיביות עם אלמנטים צפים של 32/64 סיביות או ערכים כמותיים שלמים לכל טנסור או מספר זיכרון של מספר צף או bool של 4/6/8/16/32/64 סיביות או מספר שלם או מרוכב של 2/4/8/16/32/64 סיביות עם אלמנטים צפים של 32/64 סיביות או ערכים כמותיים שלמים לכל טנסור או טנזור מדורג של מספר שלם או מרוכב של 2/4/8/16/32/64 סיביות ערכים כמותיים או ערכי טוקנים

תוצאות:

תוֹצָאָה תֵאוּר
"ללא שם" async_bundle עם כל שילוב של טנזור מדורג מסוג float או bool של 4/6/8/16/32/64 סיביות או מספר שלם או מרוכב של 2/4/8/16/32/64 סיביות עם אלמנטים צפים של 32/64 סיביות או ערכים כמותיים שלמים לפי טנזור או ערכים כמותיים שלמים לפי ציר או ערכי אסימון או אסימון stablehlo.

mhlo.async_update (mhlo::AsyncUpdateOp)

פעולת AsyncUpdate

פעולה זו פרטית עבור מהדר XLA, ולכן עדיין אין לה מפרט.

באופן לא רשמי, פעולה זו חוסמת חישוב אסינכרוני עד למחסום סינכרון. פעולה זו מחזירה bundle לאחר פעולה עליו.

עיין בתיעוד של AsyncStart לקבלת מידע נוסף.

ממשקים: InferTypeOpInterface

אופרנדים:

אופרנד תֵאוּר
bundle async_bundle עם כל שילוב של טנזור מדורג מסוג float או bool של 4/6/8/16/32/64 סיביות או מספר שלם או מרוכב של 2/4/8/16/32/64 סיביות עם אלמנטים צפים של 32/64 סיביות או ערכים כמותיים שלמים לפי טנזור או ערכים כמותיים שלמים לפי ציר או ערכי אסימון או אסימון stablehlo.

תוצאות:

תוֹצָאָה תֵאוּר
"ללא שם" async_bundle עם כל שילוב של טנזור מדורג מסוג float או bool של 4/6/8/16/32/64 סיביות או מספר שלם או מרוכב של 2/4/8/16/32/64 סיביות עם אלמנטים צפים של 32/64 סיביות או ערכים כמותיים שלמים לפי טנזור או ערכים כמותיים שלמים לפי ציר או ערכי אסימון או אסימון stablehlo.

mhlo.atan2 (mhlo::Atan2Op)

מבצע Atan2

תַחבִּיר: 

operation ::= `mhlo.atan2` $lhs `,` $rhs attr-dict
              `:` custom<SameOperandsAndResultType>(type($lhs), type($rhs), type($result))

מבצע פעולת atan2 לפי אלמנטים על טנזור lhs rhs ומייצר טנזור result .

ראה: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#atan2

דוּגמָה: 

%result = mhlo.atan2 %lhs, %rhs : tensor<3xf32>

תכונות: AlwaysSpeculatableImplTrait , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

ממשקים: ConditionallySpeculatable , InferShapedTypeOpInterface , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

אפקטים: MemoryEffects::Effect{}

אופרנדים:

אופרנד תֵאוּר
lhs טנזור מדורג מסוג צף או מורכב של 4/6/8/16/32/64 סיביות עם אלמנטים צפים של 32/64 סיביות או ערכים שלמים מכומתים לכל טנזור
rhs טנזור מדורג מסוג צף או מורכב של 4/6/8/16/32/64 סיביות עם אלמנטים צפים של 32/64 סיביות או ערכים שלמים מכומתים לכל טנזור

תוצאות:

תוֹצָאָה תֵאוּר
result טנזור מדורג מסוג צף או מורכב של 4/6/8/16/32/64 סיביות עם אלמנטים צפים של 32/64 סיביות או ערכים שלמים מכומתים לכל טנזור

mhlo.atanh (mhlo::AtanhOp)

מבצע אתאן

תַחבִּיר: 

operation ::= `mhlo.atanh` $operand attr-dict
              `:` custom<SameOperandsAndResultType>(type($operand), type($result))

מבצע פעולת atanh לפי אלמנטים על טנזור operand ומייצר טנזור result .

דוּגמָה: 

%result = mhlo.atanh %operand : tensor<2x2xf32>

תכונות: CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

ממשקים: InferShapedTypeOpInterface , InferTypeOpInterface

אופרנדים:

אופרנד תֵאוּר
operand טנזור מסוג צף או מורכב של 4/6/8/16/32/64 סיביות עם ערכי אלמנטים צפים של 32/64 סיביות

תוצאות:

תוֹצָאָה תֵאוּר
result טנזור מסוג צף או מורכב של 4/6/8/16/32/64 סיביות עם ערכי אלמנטים צפים של 32/64 סיביות

mhlo.batch_norm_grad (mhlo::BatchNormGradOp)

פעולת BatchNormGrad

מחשב גרדיאנטים של מספר קלטים של BatchNormTrainingOp תוך התפשטות לאחור מ- grad_output , ומייצר טנזורים של grad_operand , grad_scale ו- grad_offset .

ראה: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#batch_norm_grad

דוּגמָה: 

%grad_operand, %grad_scale, %grad_offset =
"mhlo.batch_norm_grad"(%operand, %scale, %mean, %variance, %grad_output) {
  epsilon = 0.0 : f32,
  feature_index = 2 : i64
} : (tensor<2x2x2xf32>, tensor<2xf32>, tensor<2xf32>, tensor<2xf32>,
    tensor<2x2x2xf32>) -> (tensor<2x2x2xf32>, tensor<2xf32>, tensor<2xf32>)

תכונות: AlwaysSpeculatableImplTrait , InferTensorType

ממשקים: ConditionallySpeculatable , InferShapedTypeOpInterface , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

אפקטים: MemoryEffects::Effect{}

תכונות:

תְכוּנָה סוג MLIR תֵאוּר
epsilon ::mlir::FloatAttr תכונת צף של 32 סיביות
feature_index ::mlir::IntegerAttr תכונה של מספר שלם ללא סימנים של 64 סיביות שערכה אינו שלילי

אופרנדים:

אופרנד תֵאוּר
operand טנזור מדורג של ערכי צף של 4/6/8/16/32/64 סיביות
scale טנזור חד-ממדי של ערכי צף של 4/6/8/16/32/64 סיביות
mean טנזור חד-ממדי של ערכי צף של 4/6/8/16/32/64 סיביות
variance טנזור חד-ממדי של ערכי צף של 4/6/8/16/32/64 סיביות
grad_output טנזור מדורג של ערכי צף של 4/6/8/16/32/64 סיביות

תוצאות:

תוֹצָאָה תֵאוּר
grad_operand טנזור מדורג של ערכי צף של 4/6/8/16/32/64 סיביות
grad_scale טנזור חד-ממדי של ערכי צף של 4/6/8/16/32/64 סיביות
grad_offset טנזור חד-ממדי של ערכי צף של 4/6/8/16/32/64 סיביות

mhlo.batch_norm_inference (mhlo::BatchNormInferenceOp)

פעולת BatchNormInference

מנרמל את טנזור operand על פני כל הממדים למעט הממד feature_index ומייצר טנזור result .

ראה: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#batch_norm_inference

דוּגמָה: 

%result = "mhlo.batch_norm_inference"(%operand, %scale, %offset, %mean, %variance) {
  epsilon = 0.0 : f32,
  feature_index = 2 : i64
} : (tensor<2x2x2xf32>, tensor<2xf32>, tensor<2xf32>, tensor<2xf32>, tensor<2xf32>) -> tensor<2x2x2xf32>

תכונות: AlwaysSpeculatableImplTrait , InferTensorType

ממשקים: ConditionallySpeculatable , InferShapedTypeOpInterface , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

אפקטים: MemoryEffects::Effect{}

תכונות:

תְכוּנָה סוג MLIR תֵאוּר
epsilon ::mlir::FloatAttr תכונת צף של 32 סיביות
feature_index ::mlir::IntegerAttr תכונה של מספר שלם ללא סימנים של 64 סיביות שערכה אינו שלילי

אופרנדים:

אופרנד תֵאוּר
operand טנזור מדורג של ערכי צף של 4/6/8/16/32/64 סיביות
scale טנזור חד-ממדי של ערכי צף של 4/6/8/16/32/64 סיביות
offset טנזור חד-ממדי של ערכי צף של 4/6/8/16/32/64 סיביות
mean טנזור חד-ממדי של ערכי צף של 4/6/8/16/32/64 סיביות
variance טנזור חד-ממדי של ערכי צף של 4/6/8/16/32/64 סיביות

תוצאות:

תוֹצָאָה תֵאוּר
result טנזור מדורג של ערכי צף של 4/6/8/16/32/64 סיביות

mhlo.batch_norm_training (mhlo::BatchNormTrainingOp)

פעולת BatchNormTraining

מחשב ממוצע ושונות על פני ממדים אצווה ומרחביים ומנרמל את טנזור operand , עבור כל מאפיין בממד feature_index ומייצר output של טנזורים , batch_mean ו- batch_var .

ראה: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#batch_norm_training

דוּגמָה: 

%output, %batch_mean, %batch_var = "mhlo.batch_norm_training"(%operand, %scale, %offset) {
  epsilon = 0.0 : f32,
  feature_index = 2 : i64
} : (tensor<2x2x2xf32>, tensor<2xf32>, tensor<2xf32>) -> (tensor<2x2x2xf32>, tensor<2xf32>, tensor<2xf32>)

תכונות: AlwaysSpeculatableImplTrait , InferTensorType

ממשקים: ConditionallySpeculatable , InferShapedTypeOpInterface , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

אפקטים: MemoryEffects::Effect{}

תכונות:

תְכוּנָה סוג MLIR תֵאוּר
epsilon ::mlir::FloatAttr תכונת צף של 32 סיביות
feature_index ::mlir::IntegerAttr תכונה של מספר שלם ללא סימנים של 64 סיביות שערכה אינו שלילי

אופרנדים:

אופרנד תֵאוּר
operand טנזור מדורג של ערכי צף של 4/6/8/16/32/64 סיביות
scale טנזור חד-ממדי של ערכי צף של 4/6/8/16/32/64 סיביות
offset טנזור חד-ממדי של ערכי צף של 4/6/8/16/32/64 סיביות

תוצאות:

תוֹצָאָה תֵאוּר
output טנזור מדורג של ערכי צף של 4/6/8/16/32/64 סיביות
batch_mean טנזור חד-ממדי של ערכי צף של 4/6/8/16/32/64 סיביות
batch_var טנזור חד-ממדי של ערכי צף של 4/6/8/16/32/64 סיביות

mhlo.bitcast (mhlo::BitcastOp)

פעולת Bitcast

תַחבִּיר: 

operation ::= `mhlo.bitcast` operands attr-dict `:` functional-type(operands, results)

פעולה זו פרטית עבור מהדר XLA, ולכן עדיין אין לה מפרט.

באופן לא פורמלי, פעולה זו משנה את צורת הקלט באופן שבו הסידור הפיזי של האלמנטים נותר ללא שינוי.

פעולה זו זקוקה למידע על פריסה כדי להבין את "הסידור הפיזי של האלמנטים", ותמיכה בפריסה ב-MHLO נמצאת כעת בתהליך עבודה.

דוּגמָה: 

%0 = mhlo.bitcast %arg0 : (tensor<3x4xf32>) -> tensor<3x4x1xf32>

תכונות: AlwaysSpeculatableImplTrait

ממשקים: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface)

אפקטים: MemoryEffects::Effect{}

אופרנדים:

אופרנד תֵאוּר
operand טנזור מדורג מסוג float או bool של 4/6/8/16/32/64 סיביות או מספר שלם או מרוכב של 2/4/8/16/32/64 סיביות עם אלמנטים צפים של 32/64 סיביות או ערכים כמותיים של מספר שלם לפי טנזור או ערכים כמותיים של מספר שלם לפי ציר

תוצאות:

תוֹצָאָה תֵאוּר
"ללא שם" טנזור מדורג מסוג float או bool של 4/6/8/16/32/64 סיביות או מספר שלם או מרוכב של 2/4/8/16/32/64 סיביות עם אלמנטים צפים של 32/64 סיביות או ערכים כמותיים של מספר שלם לפי טנזור או ערכים כמותיים של מספר שלם לפי ציר

mhlo.bitcast_convert (mhlo::BitcastConvertOp)

פעולת BitcastConvert

תַחבִּיר: 

operation ::= `mhlo.bitcast_convert` operands attr-dict `:` functional-type(operands, results)

מבצע פעולת ביטקאסט על טנזור operand ומייצר טנזור result שבו הביטים של טנזור operand כולו מתפרשים מחדש באמצעות סוג טנזור result .

ראה: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#bitcast_convert

דוּגמָה: 

%result = mhlo.bitcast_convert %operand : (tensor<2xf32>) -> tensor<2x4xi8>

תכונות: AlwaysSpeculatableImplTrait

ממשקים: ConditionallySpeculatable , InferShapedTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

אפקטים: MemoryEffects::Effect{}

אופרנדים:

אופרנד תֵאוּר
operand טנזור מדורג מסוג float או bool של 4/6/8/16/32/64 סיביות או מספר שלם או מרוכב של 2/4/8/16/32/64 סיביות עם אלמנטים צפים של 32/64 סיביות או ערכים כמותיים של מספר שלם לפי טנזור או ערכים כמותיים של מספר שלם לפי ציר

תוצאות:

תוֹצָאָה תֵאוּר
"ללא שם" טנזור מדורג מסוג float או bool של 4/6/8/16/32/64 סיביות או מספר שלם או מרוכב של 2/4/8/16/32/64 סיביות עם אלמנטים צפים של 32/64 סיביות או ערכים כמותיים של מספר שלם לפי טנזור או ערכים כמותיים של מספר שלם לפי ציר

mhlo.broadcast (mhlo::BroadcastOp)

פעולת שידור

פעולה זו בדרך ליציאה מ-StableHLO, ולכן היא אינה כלולה במפרט: https://github.com/openxla/stablehlo/issues/3

באופן לא רשמי, פעולה זו עושה את אותו הדבר כמו ה-Broadcast של XLA: https://www.tensorflow.org/xla/operation_semantics#broadcast

דוּגמָה: 

%result = mhlo.broadcast %operand, sizes = [1, 2] : (tensor<3xi32>) -> tensor<1x2x3xi32>

תכונות: AlwaysSpeculatableImplTrait , InferTensorType , SameOperandsAndResultElementType

ממשקים: ConditionallySpeculatable , InferShapedTypeOpInterface , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

אפקטים: MemoryEffects::Effect{}

תכונות:

תְכוּנָה סוג MLIR תֵאוּר
broadcast_sizes ::mlir::DenseIntElementsAttr תכונת אלמנטים שלמים ללא סימנים של 64 סיביות

אופרנדים:

אופרנד תֵאוּר
operand טנזור מדורג מסוג float או bool של 4/6/8/16/32/64 סיביות או מספר שלם או מרוכב של 2/4/8/16/32/64 סיביות עם אלמנטים צפים של 32/64 סיביות או ערכים כמותיים של מספר שלם לפי טנזור או ערכים כמותיים של מספר שלם לפי ציר

תוצאות:

תוֹצָאָה תֵאוּר
"ללא שם" טנזור מדורג מסוג float או bool של 4/6/8/16/32/64 סיביות או מספר שלם או מרוכב של 2/4/8/16/32/64 סיביות עם אלמנטים צפים של 32/64 סיביות או ערכים כמותיים של מספר שלם לפי טנזור או ערכים כמותיים של מספר שלם לפי ציר

mhlo.broadcast_in_dim (mhlo::BroadcastInDimOp)

פעולת BroadcastInDim

מרחיב את הממדים ו/או הדרגה של טנזור קלט על ידי שכפול הנתונים בטנזור operand ומייצר טנזור result .

ראה: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#broadcast_in_dim

דוּגמָה: 

%result = mhlo.broadcast_in_dim %operand, dims = [2, 1] : (tensor<1x3xi32>) -> tensor<2x3x2xi32>

תכונות: AlwaysSpeculatableImplTrait , HLO_CompatibleOperandsAndResultElementType

ממשקים: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface)

אפקטים: MemoryEffects::Effect{}

תכונות:

תְכוּנָה סוג MLIR תֵאוּר
broadcast_dimensions ::mlir::DenseIntElementsAttr תכונת אלמנטים שלמים ללא סימנים של 64 סיביות

אופרנדים:

אופרנד תֵאוּר
operand טנזור מדורג מסוג float או bool של 4/6/8/16/32/64 סיביות או מספר שלם או מרוכב של 2/4/8/16/32/64 סיביות עם אלמנטים צפים של 32/64 סיביות או ערכים כמותיים של מספר שלם לפי טנזור או ערכים כמותיים של מספר שלם לפי ציר

תוצאות:

תוֹצָאָה תֵאוּר
"ללא שם" טנזור בעל ממד חסם יחיד או בעל צורה סטטית, מסוג צף או bool של 4/6/8/16/32/64 סיביות, או מספר שלם או מרוכב של 2/4/8/16/32/64 סיביות, עם אלמנטים צפים של 32/64 סיביות או ערכים כמותיים שלמים לפי טנזור או ערכים כמותיים שלמים לפי ציר.

mhlo.case (mhlo::CaseOp)

מבצע מקרה

מפיק את הפלט מביצוע function אחת בדיוק branches בהתאם לערך index .

ראה: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#case

דוּגמָה: 

%result0, %result1 = "mhlo.case"(%index) ({
  mhlo.return %result_branch0, %result_branch0 : tensor<2xi64>, tensor<2xi64>
}, {
  mhlo.return %result_branch1, %result_branch1 : tensor<2xi64>, tensor<2xi64>
}) : (tensor<i32>) -> (tensor<2xi64>, tensor<2xi64>)

תכונות: RecursiveMemoryEffects , SingleBlockImplicitTerminator<ReturnOp> , SingleBlock

ממשקים: InferTypeOpInterface

אופרנדים:

אופרנד תֵאוּר
index טנזור של ערכים שלמים חסרי סימנים של 32 סיביות

תוצאות:

תוֹצָאָה תֵאוּר
"ללא שם" וריאדיקה של טנזור מדורג של מספר צף או מספר bool של 4/6/8/16/32/64 סיביות או מספר שלם או מרוכב של 2/4/8/16/32/64 סיביות עם אלמנטים צפים של 32/64 סיביות או ערכים כמותיים שלמים לכל טנזור או טנזור מדורג של ערכים כמותיים שלמים לכל ציר או אסימון

mhlo.cbrt (mhlo::CbrtOp)

פעולת Cbrt

תַחבִּיר: 

operation ::= `mhlo.cbrt` $operand attr-dict
              `:` custom<SameOperandsAndResultType>(type($operand), type($result))

מבצע פעולת שורש קוביתי לפי אלמנטים על טנזור operand ומייצר טנזור result .

ראה: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#cbrt

דוּגמָה: 

%result = mhlo.cbrt %operand : tensor<4xf32>

תכונות: AlwaysSpeculatableImplTrait , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

ממשקים: ConditionallySpeculatable , InferShapedTypeOpInterface , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

אפקטים: MemoryEffects::Effect{}

תכונות:

תְכוּנָה סוג MLIR תֵאוּר
result_accuracy ::mlir::mhlo::ResultAccuracyAttr הדיוק המבוקש עבור פעולות אונריות.

אופרנדים:

אופרנד תֵאוּר
operand טנזור מדורג מסוג צף או מורכב של 4/6/8/16/32/64 סיביות עם אלמנטים צפים של 32/64 סיביות או ערכים שלמים מכומתים לכל טנזור

תוצאות:

תוֹצָאָה תֵאוּר
result טנזור מדורג מסוג צף או מורכב של 4/6/8/16/32/64 סיביות עם אלמנטים צפים של 32/64 סיביות או ערכים שלמים מכומתים לכל טנזור

mhlo.ceil (mhlo::CeilOp)

פעולת תקרה

תַחבִּיר: 

operation ::= `mhlo.ceil` $operand attr-dict
              `:` custom<SameOperandsAndResultType>(type($operand), type($result))

מבצע תקרה לפי אלמנטים של טנזור operand ומייצר טנזור result .

ראה: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#ceil

דוּגמָה: 

%result = mhlo.ceil %operand : tensor<5xf32>

תכונות: AlwaysSpeculatableImplTrait , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

ממשקים: ConditionallySpeculatable , InferShapedTypeOpInterface , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

אפקטים: MemoryEffects::Effect{}

אופרנדים:

אופרנד תֵאוּר
operand טנזור מדורג של ערכים צפים או שלמים כמותיים לפי טנזור של 4/6/8/16/32/64 סיביות

תוצאות:

תוֹצָאָה תֵאוּר
result טנזור מדורג של ערכים צפים או שלמים כמותיים לפי טנזור של 4/6/8/16/32/64 סיביות

mhlo.cholesky (mhlo::CholeskyOp)

מבצע כולסקי

מחשב את פירוק כולסקי של קבוצה של מטריצות.

ראה: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#cholesky

דוּגמָה: 

%result = mhlo.cholesky %a, lower = true : tensor<3x3xf32>

תכונות: AlwaysSpeculatableImplTrait , InferTensorType , SameOperandsAndResultElementType

ממשקים: ConditionallySpeculatable , InferShapedTypeOpInterface , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

אפקטים: MemoryEffects::Effect{}

תכונות:

תְכוּנָה סוג MLIR תֵאוּר
lower ::mlir::BoolAttr תכונת bool

אופרנדים:

אופרנד תֵאוּר
a טנזור מדורג מסוג צף או מורכב של 4/6/8/16/32/64 סיביות עם ערכי אלמנטים צפים של 32/64 סיביות

תוצאות:

תוֹצָאָה תֵאוּר
"ללא שם" טנזור מדורג מסוג צף או מורכב של 4/6/8/16/32/64 סיביות עם ערכי אלמנטים צפים של 32/64 סיביות

mhlo.clamp (mhlo::ClampOp)

פעולת ההידוק

תַחבִּיר: 

operation ::= `mhlo.clamp` $min `,` $operand `,` $max attr-dict
              `:` custom<SameOperandsAndResultType>(type($min), type($operand), type($max), type($result))

מצמיד כל אלמנט בטנזור operand בין ערך מינימלי למקסימום ומייצר טנזור result .

ראה: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#clamp

דוּגמָה: 

%result = mhlo.clamp %min, %operand, %max : tensor<3xi32>

תכונות: AlwaysSpeculatableImplTrait , HLO_BroadcastingElementwise , InferTensorType , SameOperandsAndResultElementType

ממשקים: ConditionallySpeculatable , InferShapedTypeOpInterface , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

אפקטים: MemoryEffects::Effect{}

אופרנדים:

אופרנד תֵאוּר
min טנזור מדורג מסוג float או bool של 4/6/8/16/32/64 סיביות או מספר שלם או מרוכב של 2/4/8/16/32/64 סיביות עם אלמנטים צפים של 32/64 סיביות או ערכים כמותיים של מספר שלם לפי טנזור או ערכים כמותיים של מספר שלם לפי ציר
operand טנזור מדורג מסוג float או bool של 4/6/8/16/32/64 סיביות או מספר שלם או מרוכב של 2/4/8/16/32/64 סיביות עם אלמנטים צפים של 32/64 סיביות או ערכים כמותיים של מספר שלם לפי טנזור או ערכים כמותיים של מספר שלם לפי ציר
max טנזור מדורג מסוג float או bool של 4/6/8/16/32/64 סיביות או מספר שלם או מרוכב של 2/4/8/16/32/64 סיביות עם אלמנטים צפים של 32/64 סיביות או ערכים כמותיים של מספר שלם לפי טנזור או ערכים כמותיים של מספר שלם לפי ציר

תוצאות:

תוֹצָאָה תֵאוּר
result טנזור מדורג מסוג float או bool של 4/6/8/16/32/64 סיביות או מספר שלם או מרוכב של 2/4/8/16/32/64 סיביות עם אלמנטים צפים של 32/64 סיביות או ערכים כמותיים של מספר שלם לפי טנזור או ערכים כמותיים של מספר שלם לפי ציר

mhlo.collective_broadcast (mhlo::CollectiveBroadcastOp)

מבצע CollectiveBroadcast

בתוך כל קבוצת תהליכים ברשת התהליכים, יש לשלוח את ערך טנזור operand מתהליך המקור לתהליכי היעד וליצור טנזור result .

ראה: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#collective_broadcast

דוּגמָה: 

%result = "mhlo.collective_broadcast"(%operand) {
  replica_groups = dense<[[0, 1]]> : tensor<1x2xi64>,
  channel_handle = #mhlo.channel_handle<handle = 0, type = 0>
} : (tensor<1x2xi64>) -> tensor<1x2xi64>

תכונות: CompatibleOperandsAndResultType

ממשקים: InferShapedTypeOpInterface , InferTypeOpInterface

תכונות:

תְכוּנָה סוג MLIR תֵאוּר
replica_groups ::mlir::DenseIntElementsAttr תכונת אלמנטים שלמים ללא סימנים של 64 סיביות
channel_handle ::mlir::mhlo::ChannelHandleAttr שני מספרים שלמים של 64 סיביות, 'handle' ו-'type'

אופרנדים:

אופרנד תֵאוּר
operand טנזור מדורג מסוג float או bool של 4/6/8/16/32/64 סיביות או מספר שלם או מרוכב של 2/4/8/16/32/64 סיביות עם אלמנטים צפים של 32/64 סיביות או ערכים כמותיים של מספר שלם לפי טנזור או ערכים כמותיים של מספר שלם לפי ציר

תוצאות:

תוֹצָאָה תֵאוּר
"ללא שם" טנזור מדורג מסוג float או bool של 4/6/8/16/32/64 סיביות או מספר שלם או מרוכב של 2/4/8/16/32/64 סיביות עם אלמנטים צפים של 32/64 סיביות או ערכים כמותיים של מספר שלם לפי טנזור או ערכים כמותיים של מספר שלם לפי ציר

mhlo.collective_permute (mhlo::CollectivePermuteOp)

פעולת CollectivePermute

בתוך כל קבוצת תהליכים ברשת התהליכים, שולח את ערך טנזור operand מתהליך המקור לתהליך היעד ומייצר טנזור result .

ראה: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#collective_permute

דוּגמָה: 

%result = "mhlo.collective_permute"(%operand) {
  source_target_pairs = dense<[[0, 1], [1, 2]]> : tensor<2x2xi64>,
  // channel_id = 0
  channel_handle = #mhlo.channel_handle<handle = 0, type = 0>
} : (tensor<4x2xf32>) -> tensor<4x2xf32>

תכונות: AlwaysSpeculatableImplTrait , CompatibleOperandsAndResultType

ממשקים: ConditionallySpeculatable , InferShapedTypeOpInterface , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

אפקטים: MemoryEffects::Effect{}

תכונות:

תְכוּנָה סוג MLIR תֵאוּר
source_target_pairs ::mlir::DenseIntElementsAttr תכונת אלמנטים שלמים ללא סימנים של 64 סיביות
channel_handle ::mlir::mhlo::ChannelHandleAttr שני מספרים שלמים של 64 סיביות, 'handle' ו-'type'

אופרנדים:

אופרנד תֵאוּר
operand טנזור מדורג מסוג float או bool של 4/6/8/16/32/64 סיביות או מספר שלם או מרוכב של 2/4/8/16/32/64 סיביות עם אלמנטים צפים של 32/64 סיביות או ערכים כמותיים של מספר שלם לפי טנזור או ערכים כמותיים של מספר שלם לפי ציר

תוצאות:

תוֹצָאָה תֵאוּר
"ללא שם" טנזור מדורג מסוג float או bool של 4/6/8/16/32/64 סיביות או מספר שלם או מרוכב של 2/4/8/16/32/64 סיביות עם אלמנטים צפים של 32/64 סיביות או ערכים כמותיים של מספר שלם לפי טנזור או ערכים כמותיים של מספר שלם לפי ציר

mhlo.compare (mhlo::CompareOp)

השוואת פעולה

תַחבִּיר: 

operation ::= `mhlo.compare` $comparison_direction `,` $lhs `,` $rhs (`,` $compare_type^)?
              attr-dict `:` functional-type(operands, results)

מבצע השוואה לפי אלמנטים של טנזורים lhs rhs comparison_direction ו- compare_type , ומייצר טנזור result .

ראה: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#compare

דוּגמָה: 

%result = mhlo.compare LT, %lhs, %rhs, FLOAT : (tensor<2xf32>, tensor<2xf32>) -> tensor<2xi1>

תכונות: AlwaysSpeculatableImplTrait , Elementwise , InferTensorType , SameOperandsAndResultShape , SameOperandsElementType

ממשקים: ConditionallySpeculatable , InferShapedTypeOpInterface , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

אפקטים: MemoryEffects::Effect{}

תכונות:

תְכוּנָה סוג MLIR תֵאוּר
comparison_direction ::mlir::mhlo::השוואהכיוון אטרקציה איזו פעולת השוואה לבצע.
compare_type ::mlir::mhlo::ComparisonTypeAttr איזה סוג השוואה להשתמש.

אופרנדים:

אופרנד תֵאוּר
lhs טנזור מדורג מסוג float או bool של 4/6/8/16/32/64 סיביות או מספר שלם או מרוכב של 2/4/8/16/32/64 סיביות עם אלמנטים צפים של 32/64 סיביות או ערכים כמותיים של מספר שלם לפי טנזור או ערכים כמותיים של מספר שלם לפי ציר
rhs ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

Results:

תוֹצָאָה תֵאוּר
«unnamed» ranked tensor of bool values

mhlo.complex (mhlo::ComplexOp)

Complex operation

תַחבִּיר: 

operation ::= `mhlo.complex` operands attr-dict
              `:` custom<ComplexOpType>(type($lhs), type($rhs), type($result))

Performs element-wise conversion to a complex value from a pair of real and imaginary values, lhs and rhs , and produces a result tensor.

See: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#complex

דוּגמָה: 

%result = mhlo.complex %lhs, %rhs : tensor<2xcomplex<f32>>

Traits: AlwaysSpeculatableImplTrait , Elementwise , SameOperandsAndResultShape , SameOperandsElementType

Interfaces: ConditionallySpeculatable , InferShapedTypeOpInterface , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Operands:

Operand תֵאוּר
lhs ranked tensor of 32/64-bit float values
rhs ranked tensor of 32/64-bit float values

Results:

תוֹצָאָה תֵאוּר
result ranked tensor of complex type with 32/64-bit float elements values

mhlo.composite (mhlo::CompositeOp)

Composite operation

תַחבִּיר: 

operation ::= `mhlo.composite` $name $inputs attr-dict `:` functional-type(operands, results)

Encapsulates an operation made up (composed) of other StableHLO operations, taking inputs and composite_attributes and producing results . The semantics of the op are implemented by the decomposition attribute. The composite op can be replaced with its decomposition without changing program semantics. In cases where inlining the decomposition does not provide the same op semantics, prefer using custom_call .

The version field (defaults to 0 ) is used to denote when a composite's semantics change.

See: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#composite

דוּגמָה: 

%results = mhlo.composite "my.op" %arg0, %arg1 {
  decomposition = @my_op,
  composite_attributes = { my_attribute = "my_value" },
  version = 1 : i32
} : (tensor<f32>, tensor<f32>) -> tensor<f32>

Interfaces: SymbolUserOpInterface

Attributes:

תְכוּנָה MLIR Type תֵאוּר
name ::mlir::StringAttr string attribute
composite_attributes ::mlir::DictionaryAttr dictionary of named attribute values
decomposition ::mlir::FlatSymbolRefAttr flat symbol reference attribute
version ::mlir::IntegerAttr 32-bit signless integer attribute

Operands:

Operand תֵאוּר
inputs variadic of ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values or token or nested tuple with any combination of ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized values or memref of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized values or ranked tensor of per-axis integer quantized values or token values

Results:

תוֹצָאָה תֵאוּר
«unnamed» variadic of ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values or token or nested tuple with any combination of ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized values or memref of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized values or ranked tensor of per-axis integer quantized values or token values

mhlo.concatenate (mhlo::ConcatenateOp)

Concatenate operation

Concatenates a variadic number of tensors in inputs along dimension dimension in the same order as the given arguments and produces a result tensor.

See: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#concatenate

דוּגמָה: 

%result = mhlo.concatenate %input0, %input1, dim = 0 : (tensor<3x2xi64>, tensor<1x2xi64>) -> tensor<4x2xi64>

Traits: AlwaysSpeculatableImplTrait , SameOperandsAndResultElementType

Interfaces: ConditionallySpeculatable , InferShapedTypeOpInterface , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Attributes:

תְכוּנָה MLIR Type תֵאוּר
dimension ::mlir::IntegerAttr 64-bit signless integer attribute whose value is non-negative

Operands:

Operand תֵאוּר
val variadic of ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

Results:

תוֹצָאָה תֵאוּר
«unnamed» ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

mhlo.constant (mhlo::ConstantOp)

Constant operation

Produces an output tensor from a constant value .

See: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#constant

דוּגמָה: 

%output = mhlo.constant dense<[[0.0, 1.0], [2.0, 3.0]]> : tensor<2x2xf32>

Traits: AlwaysSpeculatableImplTrait , ConstantLike

Interfaces: ConditionallySpeculatable , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Attributes:

תְכוּנָה MLIR Type תֵאוּר
value ::mlir::ElementsAttr constant vector/tensor attribute

Results:

תוֹצָאָה תֵאוּר
output statically shaped tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

mhlo.convert (mhlo::ConvertOp)

Convert operation

תַחבִּיר: 

operation ::= `mhlo.convert` $operand attr-dict
              `:` custom<SameOperandsAndResultType>(type($operand), type($result))

Performs an element-wise conversion from one element type to another on operand tensor and produces a result tensor.

See: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#convert

דוּגמָה: 

%result = mhlo.convert %operand : (tensor<3xi32>) -> tensor<3xcomplex<f32>>

Traits: AlwaysSpeculatableImplTrait , Elementwise , SameOperandsAndResultShape

Interfaces: ConditionallySpeculatable , InferShapedTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Operands:

Operand תֵאוּר
operand ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

Results:

תוֹצָאָה תֵאוּר
result ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

mhlo.convolution (mhlo::ConvolutionOp)

Convolution operation

תַחבִּיר: 

operation ::= `mhlo.convolution` `(`operands`)`
              `dim_numbers` `=` custom<ConvolutionDimensions>($dimension_numbers) `,`
              `window` `=` `{` custom<WindowAttributes>($window_strides, $padding,
              $lhs_dilation, $rhs_dilation,
              $window_reversal) `}`
              attr-dict `:` functional-type(operands, results)

Computes dot products between windows of lhs and slices of rhs and produces result .

See: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#convolution

דוּגמָה: 

%result = "mhlo.convolution"(%lhs, %rhs) {
  window_strides = dense<4> : tensor<2xi64>,
  padding = dense<0> : tensor<2x2xi64>,
  lhs_dilation = dense<2> : tensor<2xi64>,
  rhs_dilation = dense<1> : tensor<2xi64>,
  window_reversal = dense<false> : tensor<2xi1>,
  dimension_numbers = #mhlo.conv<[b, 0, 1, f]x[0, 1, i, o]->[b, 0, 1, f]>,
  feature_group_count = 1 : i64,
  batch_group_count = 1 : i64,
  precision_config = [#stablehlo<precision DEFAULT>, #stablehlo<precision DEFAULT>]
} : (tensor<1x4x4x1xi32>, tensor<3x3x1x1xi32>) -> tensor<1x2x2x1xi32>

Traits: AlwaysSpeculatableImplTrait

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Attributes:

תְכוּנָה MLIR Type תֵאוּר
window_strides ::mlir::DenseIntElementsAttr 64-bit signless integer elements attribute
padding ::mlir::DenseIntElementsAttr 64-bit signless integer elements attribute
lhs_dilation ::mlir::DenseIntElementsAttr 64-bit signless integer elements attribute
rhs_dilation ::mlir::DenseIntElementsAttr 64-bit signless integer elements attribute
window_reversal ::mlir::DenseElementsAttr constant boolean vector/tensor attribute
dimension_numbers ::mlir::mhlo::ConvDimensionNumbersAttr Structure of dimension information for conv op
feature_group_count ::mlir::IntegerAttr 64-bit signless integer attribute whose value is positive
batch_group_count ::mlir::IntegerAttr 64-bit signless integer attribute whose value is positive
precision_config ::mlir::ArrayAttr Precision Config attribute

Operands:

Operand תֵאוּר
lhs ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values
rhs ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

Results:

תוֹצָאָה תֵאוּר
«unnamed» ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

mhlo.copy (mhlo::CopyOp)

Copy operation

תַחבִּיר: 

operation ::= `mhlo.copy` operands attr-dict
              `:` custom<SameOperandsAndResultType>(type($operand), type($result))

This operation is private to the XLA compiler, so it is does not yet have a specification.

Informally, this operation a copy of operand . Depending on the metadata attached to the operation, it can behave quite differently from a no-op.

דוּגמָה: 

%0 = mhlo.copy %arg0 : tensor<f32>

Traits: AlwaysSpeculatableImplTrait , CompatibleOperandsAndResultType , Elementwise

Interfaces: ConditionallySpeculatable , InferShapedTypeOpInterface , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Attributes:

תְכוּנָה MLIR Type תֵאוּר
cross_program_prefetch_index ::mlir::IntegerAttr 32-bit signless integer attribute

Operands:

Operand תֵאוּר
operand ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values or token or nested tuple with any combination of ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized values or memref of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized values or ranked tensor of per-axis integer quantized values or token values

Results:

תוֹצָאָה תֵאוּר
result ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values or token or nested tuple with any combination of ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized values or memref of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized values or ranked tensor of per-axis integer quantized values or token values

mhlo.cosh (mhlo::CoshOp)

Cosh operation

תַחבִּיר: 

operation ::= `mhlo.cosh` $operand attr-dict
              `:` custom<SameOperandsAndResultType>(type($operand), type($result))

Performs element-wise cosh operation on operand tensor and produces a result tensor.

דוּגמָה: 

%result = mhlo.cosh %operand : tensor<2x2xf32>

Traits: CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

Interfaces: InferShapedTypeOpInterface , InferTypeOpInterface

Operands:

Operand תֵאוּר
operand tensor of 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements values

Results:

תוֹצָאָה תֵאוּר
result tensor of 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements values

mhlo.cosine (mhlo::CosineOp)

Cosine operation

תַחבִּיר: 

operation ::= `mhlo.cosine` $operand attr-dict
              `:` custom<SameOperandsAndResultType>(type($operand), type($result))

Performs element-wise cosine operation on operand tensor and produces a result tensor.

See: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#cosine

דוּגמָה: 

%result = mhlo.cosine %operand : tensor<2xf32>

Traits: AlwaysSpeculatableImplTrait , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

Interfaces: ConditionallySpeculatable , InferShapedTypeOpInterface , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Attributes:

תְכוּנָה MLIR Type תֵאוּר
result_accuracy ::mlir::mhlo::ResultAccuracyAttr The requested accuracy for unary ops.

Operands:

Operand תֵאוּר
operand ranked tensor of 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements or per-tensor integer quantized values

Results:

תוֹצָאָה תֵאוּר
result ranked tensor of 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements or per-tensor integer quantized values

mhlo.count_leading_zeros (mhlo::ClzOp)

Clz operation

תַחבִּיר: 

operation ::= `mhlo.count_leading_zeros` $operand attr-dict
              `:` custom<SameOperandsAndResultType>(type($operand), type($result))

Performs element-wise count of the number of leading zero bits in the operand tensor and produces a result tensor.

See: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#count_leading_zeros

דוּגמָה: 

%result = mhlo.count_leading_zeros %operand : tensor<2x2xi8>

Traits: AlwaysSpeculatableImplTrait , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

Interfaces: ConditionallySpeculatable , InferShapedTypeOpInterface , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Operands:

Operand תֵאוּר
operand ranked tensor of 2/4/8/16/32/64-bit integer values

Results:

תוֹצָאָה תֵאוּר
result ranked tensor of 2/4/8/16/32/64-bit integer values

mhlo.create_token (mhlo::CreateTokenOp)

CreateToken operation

תַחבִּיר: 

operation ::= `mhlo.create_token` attr-dict `:` type(results)

This operation is on its way out of StableHLO, so it is not included in the specification: https://github.com/openxla/stablehlo/issues/3

Informally, this operation does the same thing as AfterAllOp with 0 inputs: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#after_all

דוּגמָה: 

%output = mhlo.create_token : !mhlo.token

Traits: AlwaysSpeculatableImplTrait

Interfaces: ConditionallySpeculatable , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Results:

תוֹצָאָה תֵאוּר
output אֲסִימוֹן

mhlo.cross-replica-sum (mhlo::CrossReplicaSumOp)

CrossReplicaSum operation

This operation is on its way out of StableHLO, so it is not included in the specification: https://github.com/openxla/stablehlo/issues/3

Informally, this operation does the same thing as AllReduceOp with channel_id = 0 , use_global_device_ids = false and computation implementing addition: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#all_reduce

דוּגמָה: 

%result = "mhlo.cross-replica-sum"(%operand) {
  replica_groups = dense<[[0, 1]]> : tensor<1x2xi64>
} : (tensor<4xf32>) -> tensor<4xf32>

Traits: AlwaysSpeculatableImplTrait , CompatibleOperandsAndResultType

Interfaces: ConditionallySpeculatable , InferShapedTypeOpInterface , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Attributes:

תְכוּנָה MLIR Type תֵאוּר
replica_groups ::mlir::DenseIntElementsAttr 64-bit signless integer elements attribute

Operands:

Operand תֵאוּר
operand ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

Results:

תוֹצָאָה תֵאוּר
«unnamed» ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

mhlo.custom_call (mhlo::CustomCallOp)

CustomCall operation

תַחבִּיר: 

operation ::= `mhlo.custom_call` custom<CustomCallTarget>($call_target_name) `(` $inputs `)`
              attr-dict `:` functional-type(operands, results)

Encapsulates an implementation-defined operation call_target_name that takes inputs and called_computations and produces results .

See: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#custom_call

דוּגמָה: 

%results = "mhlo.custom_call"(%input0) {
  call_target_name = "foo",
  has_side_effect = false,
  backend_config = "bar",
  api_version = 1 : i32,
  called_computations = [@foo]
} : (tensor<f32>) -> tensor<f32>

A custom call invokes code external to XLA. The `inputs` are passed to the
external code, and the external code is expected to produce a result of the
given type. The exact mechanism is backend-specific. For example, in the CPU
backend, a call instruction is emitted which targets a symbol with the name
`call_target_name`.

If XLA runtime is enabled for a backend, then custom calls use the runtime
custom call calling convention to call into the external functions. This
calling convention defines an ABI for encoding arguments, attributes and
results.

Depending on the API version there are two ways to pass extra bits of static
information to the external function:

1. For `API_VERSION_TYPED_FFI` custom calls `backend_config` must be a
   dictionary attribute, that will be encoded according to the custom call
   calling convention and passed to the external function as the attributes
   argument. External code is expected to use declarative bindings (see
   `xla/runtime/custom_call.h`) to decode them at run time. These custom
   calls are only supported if XLA uses XLA runtime.

2. For previous API versions it is the user responsibility to encode extra
   bits of static information as a string `backend_config` attribute, and
   decode it at run time.

Interfaces: MemoryEffectOpInterface

Attributes:

תְכוּנָה MLIR Type תֵאוּר
call_target_name ::mlir::StringAttr string attribute
has_side_effect ::mlir::BoolAttr bool attribute
backend_config ::mlir::Attribute string attribute or dictionary of named attribute values
api_version ::mlir::mhlo::CustomCallApiVersionAttr Custom call API version
called_computations ::mlir::ArrayAttr flat symbol ref array attribute
custom_call_schedule ::mlir::mhlo::CustomCallScheduleAttr Specifies the desired schedule for the custom-call.
operand_layouts ::mlir::ArrayAttr Array of layout (1D tensor of index type) attributes
result_layouts ::mlir::ArrayAttr Array of layout (1D tensor of index type) attributes
output_operand_aliases ::mlir::ArrayAttr Aliasing attribute for outputs and operands of CustomCall

Operands:

Operand תֵאוּר
inputs variadic of tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values or memref of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized values or token or nested tuple with any combination of tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values or memref of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized values or token values

Results:

תוֹצָאָה תֵאוּר
«unnamed» variadic of tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values or memref of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized values or token or nested tuple with any combination of tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values or memref of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized values or token values

mhlo.divide (mhlo::DivOp)

Div operation

תַחבִּיר: 

operation ::= `mhlo.divide` $lhs `,` $rhs attr-dict
              `:` custom<SameOperandsAndResultType>(type($lhs), type($rhs), type($result))

Performs element-wise division of dividend lhs and divisor rhs tensors and produces a result tensor.

See: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#divide

דוּגמָה: 

%result = mhlo.divide %lhs, %rhs : tensor<4xf32>

Traits: AlwaysSpeculatableImplTrait , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

Interfaces: ConditionallySpeculatable , InferShapedTypeOpInterface , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Operands:

Operand תֵאוּר
lhs ranked tensor of 2/4/8/16/32/64-bit integer or 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values
rhs ranked tensor of 2/4/8/16/32/64-bit integer or 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

Results:

תוֹצָאָה תֵאוּר
result ranked tensor of 2/4/8/16/32/64-bit integer or 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

mhlo.domain (mhlo::DomainOp)

Domain operation

This operation is private to the XLA compiler, so it is does not yet have a specification.

Informally, these operations are used to group instructions with the same DomainMetadata property. ShardingMetadata is the main use case today to group instructions on the same device. Domain instructions provide two major benefits:

  • Prevent unintentionally optimizing instructions across domains.
  • Automatically assign the metadata of the instructions created in the domain. Without domain instructions, each HLO optimization pass would have to check and propagate the metadata, which would be easy to miss and also adds complexity to the compiler. Since domain instructions connect two different domains, each domain instruction is associated with two DomainMetadata -- one on the operand side and one on the user side of the domain.

Traits: AlwaysSpeculatableImplTrait , CompatibleOperandsAndResultType

Interfaces: ConditionallySpeculatable , InferShapedTypeOpInterface , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Attributes:

תְכוּנָה MLIR Type תֵאוּר
kind ::mlir::mhlo::DomainKindAttr Kind of domain metatdata attached to an HLO domain.
entry_metadata ::mlir::StringAttr string attribute
exit_metadata ::mlir::StringAttr string attribute

Operands:

Operand תֵאוּר
operand ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized values or ranked tensor of per-axis integer quantized values or token

Results:

תוֹצָאָה תֵאוּר
result ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized values or ranked tensor of per-axis integer quantized values or token

mhlo.dot (mhlo::DotOp)

Dot operation

This operation is on its way out of StableHLO, so it is not included in the specification: https://github.com/openxla/stablehlo/issues/3

Informally, this operation does the same thing as XLA's Dot: https://www.tensorflow.org/xla/operation_semantics#dot

דוּגמָה: 

%0 = mhlo.dot %arg0, %arg1 : (tensor<1x2xi32>, tensor<2x1xi32>) -> tensor<1x1xi32>

Traits: AlwaysSpeculatableImplTrait

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Attributes:

תְכוּנָה MLIR Type תֵאוּר
precision_config ::mlir::ArrayAttr Precision Config attribute

Operands:

Operand תֵאוּר
lhs ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values
rhs ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

Results:

תוֹצָאָה תֵאוּר
«unnamed» ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

mhlo.dot_general (mhlo::DotGeneralOp)

DotGeneral operation

Computes dot products between slices of lhs and slices of rhs and produces a result tensor.

See: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#dot_general

דוּגמָה: 

%result = "mhlo.dot_general"(%lhs, %rhs) {
  dot_dimension_numbers = #mhlo.dot<
    lhs_batching_dimensions = [0],
    rhs_batching_dimensions = [0],
    lhs_contracting_dimensions = [2],
    rhs_contracting_dimensions = [1]
  >,
  precision_config = [#stablehlo<precision DEFAULT>, #stablehlo<precision DEFAULT>]
} : (tensor<2x2x2xi32>, tensor<2x2x2xi32>) -> tensor<2x2x2xi32>

Traits: AlwaysSpeculatableImplTrait

Interfaces: ConditionallySpeculatable , InferShapedTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Attributes:

תְכוּנָה MLIR Type תֵאוּר
dot_dimension_numbers ::mlir::mhlo::DotDimensionNumbersAttr Attribute that models the dimension information for dot.
precision_config ::mlir::ArrayAttr Precision Config attribute
algorithm ::mlir::mhlo::DotAlgorithmAttr Attribute that models the algorithm constraints to use for computing dot.

Operands:

Operand תֵאוּר
lhs ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values
rhs ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

Results:

תוֹצָאָה תֵאוּר
«unnamed» ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

mhlo.dynamic_broadcast_in_dim (mhlo::DynamicBroadcastInDimOp)

DynamicBroadcastInDim operation

This operation is functionally identical to broadcast_in_dim op, but the result shape is specified dynamically via output_dimensions .

It also accepts optional attributes to express static knowledge about the expanding behavior of dimensions. If not specified, all dimensions are assumed to be possibly expanding. The sets of dimensions that are known to be expanding and the set of dimensions that are known to be non-expanding must be disjoint and they must be a subset of the operand's dimensions.

See: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#dynamic_broadcast_in_dim

דוּגמָה: 

%operand = mhlo.constant dense<[[1, 2, 3]]> : tensor<1x3xi64>
%output_dimensions = mhlo.constant dense<[2, 3, 2]> : tensor<3xi64>
%result = "mhlo.dynamic_broadcast_in_dim"(%operand, %output_dimensions) {
  broadcast_dimensions = array<i64: 2, 1>,
  known_expanding_dimensions = array<i64: 0>,
  known_nonexpanding_dimensions = array<i64: 1>
} : (tensor<1x3xi64>, tensor<3xi64>) -> tensor<2x3x2xi64>

Traits: AlwaysSpeculatableImplTrait

Interfaces: ConditionallySpeculatable , InferShapedTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Attributes:

תְכוּנָה MLIR Type תֵאוּר
broadcast_dimensions ::mlir::DenseIntElementsAttr 64-bit signless integer elements attribute
known_expanding_dimensions ::mlir::DenseIntElementsAttr 64-bit signless integer elements attribute
known_nonexpanding_dimensions ::mlir::DenseIntElementsAttr 64-bit signless integer elements attribute

Operands:

Operand תֵאוּר
operand ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values
output_dimensions 1D tensor of index or 2/4/8/16/32/64-bit integer values

Results:

תוֹצָאָה תֵאוּר
«unnamed» ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

mhlo.dynamic_conv (mhlo::DynamicConvOp)

DynamicConv operation

This operation is a work in progress, so it is not yet included in the specification: https://github.com/openxla/stablehlo/issues/8

Informally, this operation does the same thing as ConvolutionOp except that padding is specified dynamically via d_padding : https://github.com/openxla/stablehlo/blob/main/docs/spec.md#convolution

דוּגמָה: 

%result = "mhlo.dynamic_conv"(%lhs, %rhs, %d_padding) {
  window_strides = dense<4> : tensor<2xi64>,
  lhs_dilation = dense<2> : tensor<2xi64>,
  rhs_dilation = dense<1> : tensor<2xi64>,
  window_reversal = dense<false> : tensor<2xi1>,
  dimension_numbers = #mhlo.conv<[b, 0, 1, f]x[0, 1, i, o]->[b, 0, 1, f]>,
  feature_group_count = 1 : i64,
  batch_group_count = 1 : i64,
  precision_config = [#stablehlo<precision DEFAULT>, #stablehlo<precision DEFAULT>]
} : (tensor<1x4x4x1xi32>, tensor<3x3x1x1xi32>, tensor<2x2xi64>) -> tensor<1x2x2x1xi32>

Traits: AlwaysSpeculatableImplTrait

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Attributes:

תְכוּנָה MLIR Type תֵאוּר
window_strides ::mlir::DenseIntElementsAttr 64-bit signless integer elements attribute
padding ::mlir::DenseIntElementsAttr 64-bit signless integer elements attribute
lhs_dilation ::mlir::DenseIntElementsAttr 64-bit signless integer elements attribute
rhs_dilation ::mlir::DenseIntElementsAttr 64-bit signless integer elements attribute
window_reversal ::mlir::DenseElementsAttr constant boolean vector/tensor attribute
dimension_numbers ::mlir::mhlo::ConvDimensionNumbersAttr Structure of dimension information for conv op
feature_group_count ::mlir::IntegerAttr 64-bit signless integer attribute whose value is positive
batch_group_count ::mlir::IntegerAttr 64-bit signless integer attribute whose value is positive
precision_config ::mlir::ArrayAttr Precision Config attribute

Operands:

Operand תֵאוּר
lhs ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values
rhs ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values
d_padding ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

Results:

תוֹצָאָה תֵאוּר
«unnamed» ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

mhlo.dynamic_gather (mhlo::DynamicGatherOp)

DynamicGather operation

This operation is a work in progress, so it is not yet included in the specification: https://github.com/openxla/stablehlo/issues/8

Informally, this operation does the same thing as GatherOp except that slice_sizes are specified dynamically: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#gather

דוּגמָה: 

%result = "mhlo.dynamic_gather"(%operand, %start_indices, %slice_sizes) {
  dimension_numbers = #mhlo.gather<
    offset_dims = [2, 3],
    collapsed_slice_dims = [0],
    start_index_map = [0, 2],
    index_vector_dim = 2>,
  indices_are_sorted = false
} : (tensor<3x4x2xi32>, tensor<2x3x2xi64>, tensor<3xi64>) -> tensor<2x3x2x2xi32>

Traits: AlwaysSpeculatableImplTrait , InferTensorType

Interfaces: ConditionallySpeculatable , InferShapedTypeOpInterface , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Attributes:

תְכוּנָה MLIR Type תֵאוּר
dimension_numbers ::mlir::mhlo::GatherDimensionNumbersAttr Attribute that models the dimension information for gather
indices_are_sorted ::mlir::BoolAttr bool attribute

Operands:

Operand תֵאוּר
operand ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values
start_indices ranked tensor of 2/4/8/16/32/64-bit integer values
slice_sizes statically shaped 1-dimensional integer tensor of 2/4/8/16/32/64-bit integer values

Results:

תוֹצָאָה תֵאוּר
«unnamed» ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

mhlo.dynamic_iota (mhlo::DynamicIotaOp)

DynamicIota operation

This operation is functionally identical to iota op, but the result shape is specified dynamically via output_shape .

See: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#dynamic_iota

דוּגמָה: 

%0 = mhlo.dynamic_iota %arg0, dim = 0 : (tensor<1xindex>) -> tensor<4xi32>

Traits: AlwaysSpeculatableImplTrait

Interfaces: ConditionallySpeculatable , InferShapedTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Attributes:

תְכוּנָה MLIR Type תֵאוּר
iota_dimension ::mlir::IntegerAttr 64-bit signless integer attribute whose value is non-negative

Operands:

Operand תֵאוּר
output_shape 1D tensor of index or 2/4/8/16/32/64-bit integer values

Results:

תוֹצָאָה תֵאוּר
result ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

mhlo.dynamic_pad (mhlo::DynamicPadOp)

DynamicPad operation

תַחבִּיר: 

operation ::= `mhlo.dynamic_pad` operands attr-dict `:` functional-type(operands, results)

Dynamically Pads the operand , with amount of padding added at low-end/high-end/interior is passed through input tensors.

Traits: AlwaysSpeculatableImplTrait

Interfaces: ConditionallySpeculatable , InferShapedTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Operands:

Operand תֵאוּר
operand ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values
padding_value ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values
edge_padding_low 1D tensor of index or 2/4/8/16/32/64-bit integer values
edge_padding_high 1D tensor of index or 2/4/8/16/32/64-bit integer values
interior_padding 1D tensor of index or 2/4/8/16/32/64-bit integer values

Results:

תוֹצָאָה תֵאוּר
result ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

mhlo.dynamic_reshape (mhlo::DynamicReshapeOp)

DynamicReshape operation

תַחבִּיר: 

operation ::= `mhlo.dynamic_reshape` operands attr-dict `:` functional-type(operands, results)

This operation is functionally identical to reshape op, but the result shape is specified dynamically via output_shape .

See: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#dynamic_reshape

דוּגמָה: 

%output_shape = mhlo.constant dense<[3, 2]> : tensor<2xi64>
%result = mhlo.dynamic_reshape %operand, %output_shape : (tensor<2x3xi64>, tensor<2xi64>) -> tensor<3x2xi64>

Traits: AlwaysSpeculatableImplTrait

Interfaces: ConditionallySpeculatable , InferShapedTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Operands:

Operand תֵאוּר
operand tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values
output_shape 1D tensor of index or 2/4/8/16/32/64-bit integer values

Results:

תוֹצָאָה תֵאוּר
result tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

mhlo.dynamic_slice (mhlo::DynamicSliceOp)

DynamicSlice operation

Extracts a slice from the operand using dynamically-computed starting indices and produces a result tensor.

See: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#dynamic_slice

דוּגמָה: 

%result = mhlo.dynamic_slice %operand, %start_indices0, %start_indices1, sizes = [2, 2]
  : (tensor<4x4xi32>, tensor<i64>, tensor<i64>) -> tensor<2x2xi32>

Traits: AlwaysSpeculatableImplTrait , InferTensorType

Interfaces: ConditionallySpeculatable , InferShapedTypeOpInterface , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Attributes:

תְכוּנָה MLIR Type תֵאוּר
slice_sizes ::mlir::DenseIntElementsAttr 64-bit signless integer elements attribute

Operands:

Operand תֵאוּר
operand ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values
start_indices variadic of 0D tensor of 2/4/8/16/32/64-bit integer values

Results:

תוֹצָאָה תֵאוּר
result ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

mhlo.dynamic_update_slice (mhlo::DynamicUpdateSliceOp)

DynamicUpdateSlice operation

תַחבִּיר: 

operation ::= `mhlo.dynamic_update_slice` operands attr-dict `:` functional-type(operands, results)

Produces a result tensor which is equal to the operand tensor except that the slice starting at start_indices is updated with the values in update .

See: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#dynamic_update_slice

דוּגמָה: 

%result = mhlo.dynamic_update_slice %operand, %update, %start_indices0, %start_indices1
  : (tensor<4x4xi32>, tensor<2x2xi32>, tensor<i64>, tensor<i64>) -> tensor<4x4xi32>

Traits: AlwaysSpeculatableImplTrait , InferTensorType

Interfaces: ConditionallySpeculatable , InferShapedTypeOpInterface , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Operands:

Operand תֵאוּר
operand ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values
update ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values
start_indices variadic of 0D tensor of 2/4/8/16/32/64-bit integer values

Results:

תוֹצָאָה תֵאוּר
result ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

mhlo.einsum (mhlo::EinsumOp)

Einsum operation

This operation is on its way out of StableHLO, so it is not included in the specification: https://github.com/openxla/stablehlo/issues/3

Informally, this operation does the same thing as TF's einsum: https://www.tensorflow.org/api_docs/python/tf/einsum

דוּגמָה: 

%result = "mhlo.einsum"(%lhs, %rhs) {
  einsum_config = "ab,bc->ac"
} : (tensor<4x16xf32>, tensor<16x4xf32>) -> tensor<4x4xf32>

Traits: AlwaysSpeculatableImplTrait

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Attributes:

תְכוּנָה MLIR Type תֵאוּר
einsum_config ::mlir::StringAttr string attribute

Operands:

Operand תֵאוּר
lhs ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values
rhs ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

Results:

תוֹצָאָה תֵאוּר
«unnamed» ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

mhlo.erf (mhlo::ErfOp)

Erf operation

תַחבִּיר: 

operation ::= `mhlo.erf` $operand attr-dict
              `:` custom<SameOperandsAndResultType>(type($operand), type($result))

Performs element-wise erf operation on operand tensor and produces a result tensor.

דוּגמָה: 

%result = mhlo.erf %operand : tensor<2x2xf32>

Traits: AlwaysSpeculatableImplTrait , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

Interfaces: ConditionallySpeculatable , InferShapedTypeOpInterface , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Operands:

Operand תֵאוּר
operand ranked tensor of 4/6/8/16/32/64-bit float values

Results:

תוֹצָאָה תֵאוּר
result ranked tensor of 4/6/8/16/32/64-bit float values

mhlo.exponential (mhlo::ExpOp)

Exp operation

תַחבִּיר: 

operation ::= `mhlo.exponential` $operand attr-dict
              `:` custom<SameOperandsAndResultType>(type($operand), type($result))

Performs element-wise exponential operation on operand tensor and produces a result tensor.

See: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#exponential

דוּגמָה: 

%result = mhlo.exponential %operand : tensor<2x2xf64>

Traits: AlwaysSpeculatableImplTrait , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

Interfaces: ConditionallySpeculatable , InferShapedTypeOpInterface , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Attributes:

תְכוּנָה MLIR Type תֵאוּר
result_accuracy ::mlir::mhlo::ResultAccuracyAttr The requested accuracy for unary ops.

Operands:

Operand תֵאוּר
operand ranked tensor of 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements or per-tensor integer quantized values

Results:

תוֹצָאָה תֵאוּר
result ranked tensor of 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements or per-tensor integer quantized values

mhlo.exponential_minus_one (mhlo::Expm1Op)

Expm1 operation

תַחבִּיר: 

operation ::= `mhlo.exponential_minus_one` $operand attr-dict
              `:` custom<SameOperandsAndResultType>(type($operand), type($result))

Performs element-wise exponential minus one operation on operand tensor and produces a result tensor.

See: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#exponential_minus_one

דוּגמָה: 

%result = mhlo.exponential_minus_one %operand : tensor<2xf32>

Traits: AlwaysSpeculatableImplTrait , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

Interfaces: ConditionallySpeculatable , InferShapedTypeOpInterface , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Attributes:

תְכוּנָה MLIR Type תֵאוּר
result_accuracy ::mlir::mhlo::ResultAccuracyAttr The requested accuracy for unary ops.

Operands:

Operand תֵאוּר
operand ranked tensor of 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements or per-tensor integer quantized values

Results:

תוֹצָאָה תֵאוּר
result ranked tensor of 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements or per-tensor integer quantized values

mhlo.fft (mhlo::FftOp)

Fft operation

Performs the forward and inverse Fourier transforms for real and complex inputs/outputs.

See: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#fft

דוּגמָה: 

%result = mhlo.fft %operand, type = FFT, length = [4] : (tensor<4xcomplex<f32>>) -> tensor<4xcomplex<f32>>

Traits: AlwaysSpeculatableImplTrait , InferTensorType

Interfaces: ConditionallySpeculatable , InferShapedTypeOpInterface , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Attributes:

תְכוּנָה MLIR Type תֵאוּר
fft_type ::mlir::mhlo::FftTypeAttr XLA fast fourier transform type.
fft_length ::mlir::DenseIntElementsAttr 64-bit signless integer elements attribute

Operands:

Operand תֵאוּר
operand ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

Results:

תוֹצָאָה תֵאוּר
«unnamed» ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

mhlo.floor (mhlo::FloorOp)

Floor operation

תַחבִּיר: 

operation ::= `mhlo.floor` $operand attr-dict
              `:` custom<SameOperandsAndResultType>(type($operand), type($result))

Performs element-wise floor of operand tensor and produces a result tensor.

See: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#floor

דוּגמָה: 

%result = mhlo.floor %operand : tensor<2xf32>

Traits: AlwaysSpeculatableImplTrait , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

Interfaces: ConditionallySpeculatable , InferShapedTypeOpInterface , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Operands:

Operand תֵאוּר
operand ranked tensor of 4/6/8/16/32/64-bit float or per-tensor integer quantized values

Results:

תוֹצָאָה תֵאוּר
result ranked tensor of 4/6/8/16/32/64-bit float or per-tensor integer quantized values

mhlo.fusion (mhlo::FusionOp)

Fusion operation

This operation is private to the XLA compiler, so it is does not yet have a specification.

Informally, this operation consists of a group of basic ops (represented as a region attached to it). It serves as a hint to the backend that it is beneficial to emit the contained ops into a single loop nest or kernel.

Attributes:

תְכוּנָה MLIR Type תֵאוּר
fusion_kind ::mlir::mhlo::FusionKindAttr fusion kind
output_operand_aliases ::mlir::ArrayAttr Aliasing attribute for outputs and operands of Fusion

Operands:

Operand תֵאוּר
inputs variadic of ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized values or ranked tensor of per-axis integer quantized values or token

Results:

תוֹצָאָה תֵאוּר
results variadic of ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values or nested tuple with any combination of ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized values or memref of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized values or ranked tensor of per-axis integer quantized values or token values

mhlo.gather (mhlo::GatherOp)

Gather operation

Gathers slices from operand tensor from offsets specified in start_indices and produces a result tensor.

See: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#gather

דוּגמָה: 

%result = "mhlo.gather"(%operand, %start_indices) {
  dimension_numbers = #stablehlo.gather<
    offset_dims = [3, 4],
    collapsed_slice_dims = [1],
    operand_batching_dims = [0],
    start_indices_batching_dims = [1],
    start_index_map = [2, 1],
    index_vector_dim = 3>,
  slice_sizes = dense<[0, 2, 2]> : tensor<3xi64>,
  indices_are_sorted = false
} : (tensor<2x3x4x2xi64>, tensor<2x2x3x2xi64>) -> tensor<2x2x3x2x2xi64>

Traits: AlwaysSpeculatableImplTrait , InferTensorType

Interfaces: ConditionallySpeculatable , InferShapedTypeOpInterface , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Attributes:

תְכוּנָה MLIR Type תֵאוּר
dimension_numbers ::mlir::mhlo::GatherDimensionNumbersAttr Attribute that models the dimension information for gather
slice_sizes ::mlir::DenseIntElementsAttr 64-bit signless integer elements attribute
indices_are_sorted ::mlir::BoolAttr bool attribute

Operands:

Operand תֵאוּר
operand ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values
start_indices ranked tensor of 2/4/8/16/32/64-bit integer values

Results:

תוֹצָאָה תֵאוּר
«unnamed» ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

mhlo.get_dimension_size (mhlo::GetDimensionSizeOp)

GetDimensionSize operation

Produces the size of the given dimension of the operand .

See https://github.com/openxla/stablehlo/blob/main/docs/spec.md#get_dimension_size

דוּגמָה: 

%result = mhlo.get_dimension_size %operand, dim = 1 : (tensor<2x3xf32>) -> tensor<i32>

Traits: AlwaysSpeculatableImplTrait , InferTensorType

Interfaces: ConditionallySpeculatable , InferShapedTypeOpInterface , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Attributes:

תְכוּנָה MLIR Type תֵאוּר
dimension ::mlir::IntegerAttr 64-bit signless integer attribute whose value is non-negative

Operands:

Operand תֵאוּר
operand ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

Results:

תוֹצָאָה תֵאוּר
«unnamed» tensor of 32-bit signless integer values

mhlo.get_tuple_element (mhlo::GetTupleElementOp)

GetTupleElement operation

תַחבִּיר: 

operation ::= `mhlo.get_tuple_element` $operand `[` $index `]` attr-dict `:` functional-type(operands, results)

Extracts element at index position of the operand tuple and produces a result .

See: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#get_tuple_element

דוּגמָה: 

%result = mhlo.get_tuple_element %operand[0] : (tuple<tensor<2xf32>, tuple<tensor<i32>>>) -> tensor<2xf32>

Traits: AlwaysSpeculatableImplTrait

Interfaces: ConditionallySpeculatable , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Attributes:

תְכוּנָה MLIR Type תֵאוּר
index ::mlir::IntegerAttr 32-bit signless integer attribute whose value is non-negative

Operands:

Operand תֵאוּר
operand nested tuple with any combination of ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized values or memref of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized values or ranked tensor of per-axis integer quantized values or token values

Results:

תוֹצָאָה תֵאוּר
«unnamed» ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values or token or nested tuple with any combination of ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized values or memref of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized values or ranked tensor of per-axis integer quantized values or token values or memref of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized values

mhlo.if (mhlo::IfOp)

If operation

Produces the output from executing exactly one branch from true_branch or false_branch depending on the value of pred .

See: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#if

Example: %result = "mhlo.if"(%pred) ({ "mhlo.return"(%result_true_branch) : (tensor ) -> () }, { "mhlo.return"(%result_false_branch) : (tensor ) -> () }) : (tensor ) -> tensor

Traits: RecursiveMemoryEffects , SingleBlockImplicitTerminator<ReturnOp> , SingleBlock

Interfaces: InferTypeOpInterface

Operands:

Operand תֵאוּר
pred ranked tensor of bool values

Results:

תוֹצָאָה תֵאוּר
«unnamed» variadic of ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized values or ranked tensor of per-axis integer quantized values or token

mhlo.imag (mhlo::ImagOp)

Imag operation

תַחבִּיר: 

operation ::= `mhlo.imag` $operand attr-dict
              `:` custom<SameOperandsAndResultType>(type($operand), type($result))

Extracts the imaginary part, element-wise, from the operand and produces a result tensor.

See: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#imag

דוּגמָה: 

%result = mhlo.imag %operand : (tensor<2xcomplex<f32>>) -> tensor<2xf32>

Traits: AlwaysSpeculatableImplTrait , Elementwise , SameOperandsAndResultShape

Interfaces: ConditionallySpeculatable , InferShapedTypeOpInterface , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Operands:

Operand תֵאוּר
operand ranked tensor of 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements values

Results:

תוֹצָאָה תֵאוּר
result ranked tensor of 4/6/8/16/32/64-bit float values

mhlo.infeed (mhlo::InfeedOp)

Infeed operation

Reads data from the infeed and produces results .

See: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#infeed

דוּגמָה: 

%results:2 = "mhlo.infeed"(%token) {
  infeed_config = ""
} : (!mhlo.token) -> (tensor<3x3x3xi32>, !mhlo.token)

Attributes:

תְכוּנָה MLIR Type תֵאוּר
infeed_config ::mlir::StringAttr string attribute
layout ::mlir::ArrayAttr array attribute

Operands:

Operand תֵאוּר
token אֲסִימוֹן

Results:

תוֹצָאָה תֵאוּר
«unnamed» variadic of statically shaped tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized values or statically shaped tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values or token

mhlo.iota (mhlo::IotaOp)

Iota operation

Fills an output tensor with values in increasing order starting from zero along the iota_dimension dimension.

See: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#iota

דוּגמָה: 

%output = mhlo.iota dim = 0 : tensor<4x5xi32>

Traits: AlwaysSpeculatableImplTrait

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Attributes:

תְכוּנָה MLIR Type תֵאוּר
iota_dimension ::mlir::IntegerAttr 64-bit signless integer attribute whose value is non-negative

Results:

תוֹצָאָה תֵאוּר
output statically shaped tensor of 2/4/8/16/32/64-bit integer or 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements values

mhlo.is_finite (mhlo::IsFiniteOp)

IsFinite operation

תַחבִּיר: 

operation ::= `mhlo.is_finite` $x attr-dict `:` functional-type(operands, results)

Performs element-wise check whether the value in x is finite (ie is neither +Inf, -Inf, nor NaN) and produces a y tensor.

See: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#is_finite

דוּגמָה: 

%y = mhlo.is_finite %x : (tensor<7xf32>) -> tensor<7xi1>

Traits: AlwaysSpeculatableImplTrait , Elementwise , SameOperandsAndResultShape

Interfaces: ConditionallySpeculatable , InferShapedTypeOpInterface , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Operands:

Operand תֵאוּר
x ranked tensor of 4/6/8/16/32/64-bit float values

Results:

תוֹצָאָה תֵאוּר
y ranked tensor of bool values

mhlo.log (mhlo::LogOp)

Log operation

תַחבִּיר: 

operation ::= `mhlo.log` $operand attr-dict
              `:` custom<SameOperandsAndResultType>(type($operand), type($result))

Performs element-wise logarithm operation on operand tensor and produces a result tensor.

See: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#log

דוּגמָה: 

%result = mhlo.log %operand : tensor<2x2xf64>

Traits: AlwaysSpeculatableImplTrait , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

Interfaces: ConditionallySpeculatable , InferShapedTypeOpInterface , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Attributes:

תְכוּנָה MLIR Type תֵאוּר
result_accuracy ::mlir::mhlo::ResultAccuracyAttr The requested accuracy for unary ops.

Operands:

Operand תֵאוּר
operand ranked tensor of 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements or per-tensor integer quantized values

Results:

תוֹצָאָה תֵאוּר
result ranked tensor of 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements or per-tensor integer quantized values

mhlo.log_plus_one (mhlo::Log1pOp)

Log1p operation

תַחבִּיר: 

operation ::= `mhlo.log_plus_one` $operand attr-dict
              `:` custom<SameOperandsAndResultType>(type($operand), type($result))

Performs element-wise logarithm plus one operation on operand tensor and produces a result tensor.

See: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#log_plus_one

דוּגמָה: 

%result = mhlo.log_plus_one %operand : tensor<6xf32>

Traits: AlwaysSpeculatableImplTrait , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

Interfaces: ConditionallySpeculatable , InferShapedTypeOpInterface , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Attributes:

תְכוּנָה MLIR Type תֵאוּר
result_accuracy ::mlir::mhlo::ResultAccuracyAttr The requested accuracy for unary ops.

Operands:

Operand תֵאוּר
operand ranked tensor of 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements or per-tensor integer quantized values

Results:

תוֹצָאָה תֵאוּר
result ranked tensor of 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements or per-tensor integer quantized values

mhlo.logistic (mhlo::LogisticOp)

Logistic operation

תַחבִּיר: 

operation ::= `mhlo.logistic` $operand attr-dict
              `:` custom<SameOperandsAndResultType>(type($operand), type($result))

Performs element-wise logistic operation on operand tensor and produces a result tensor.

See: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#logistic

דוּגמָה: 

%result = mhlo.logistic %operand : tensor<2x2xf32>

Traits: AlwaysSpeculatableImplTrait , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

Interfaces: ConditionallySpeculatable , InferShapedTypeOpInterface , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Attributes:

תְכוּנָה MLIR Type תֵאוּר
result_accuracy ::mlir::mhlo::ResultAccuracyAttr The requested accuracy for unary ops.

Operands:

Operand תֵאוּר
operand ranked tensor of 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements or per-tensor integer quantized values

Results:

תוֹצָאָה תֵאוּר
result ranked tensor of 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements or per-tensor integer quantized values

mhlo.map (mhlo::MapOp)

Map operation

Applies a map function computation to inputs along the dimensions and produces a result tensor.

See: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#map

דוּגמָה: 

%result = "mhlo.map"(%input0, %input1) ({
  ^bb0(%arg0: tensor<i32>, %arg1: tensor<i32>):
    %0 = mhlo.multiply %arg0, %arg1 : tensor<i32>
    mhlo.return %0 : tensor<i32>
}) {
  dimensions = dense<[0, 1]> : tensor<2xi64>
} : (tensor<2x2xi32>, tensor<2x2xi32>) -> tensor<2x2xi32>

Traits: InferTensorType , RecursiveMemoryEffects , SameOperandsAndResultShape , SingleBlockImplicitTerminator<ReturnOp> , SingleBlock

Interfaces: InferShapedTypeOpInterface , InferTypeOpInterface

Attributes:

תְכוּנָה MLIR Type תֵאוּר
dimensions ::mlir::DenseIntElementsAttr 64-bit signless integer elements attribute

Operands:

Operand תֵאוּר
inputs variadic of ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

Results:

תוֹצָאָה תֵאוּר
«unnamed» ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

mhlo.maximum (mhlo::MaxOp)

Max operation

תַחבִּיר: 

operation ::= `mhlo.maximum` $lhs `,` $rhs attr-dict
              `:` custom<SameOperandsAndResultType>(type($lhs), type($rhs), type($result))

Performs element-wise max operation on tensors lhs and rhs and produces a result tensor.

See: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#maximum

דוּגמָה: 

%result = mhlo.maximum %lhs, %rhs : tensor<4xf32>

Traits: AlwaysSpeculatableImplTrait , Commutative , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

Interfaces: ConditionallySpeculatable , InferShapedTypeOpInterface , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Operands:

Operand תֵאוּר
lhs ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values
rhs ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

Results:

תוֹצָאָה תֵאוּר
result ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

mhlo.minimum (mhlo::MinOp)

Min operation

תַחבִּיר: 

operation ::= `mhlo.minimum` $lhs `,` $rhs attr-dict
              `:` custom<SameOperandsAndResultType>(type($lhs), type($rhs), type($result))

Performs element-wise min operation on tensors lhs and rhs and produces a result tensor.

See: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#minimum

דוּגמָה: 

%result = mhlo.minimum %lhs, %rhs : tensor<4xf32>

Traits: AlwaysSpeculatableImplTrait , Commutative , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

Interfaces: ConditionallySpeculatable , InferShapedTypeOpInterface , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Operands:

Operand תֵאוּר
lhs ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values
rhs ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

Results:

תוֹצָאָה תֵאוּר
result ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

mhlo.minimum_broadcast_shapes (mhlo::MinimumBroadcastShapesOp)

Minimizes the rank of two or more shapes to be broadcasted

תַחבִּיר: 

operation ::= `mhlo.minimum_broadcast_shapes` $shapes attr-dict `:` type($shapes) `->` type($results)

Given two or more 1D tensors representing shapes, returns one 1D tensor for each operand, where operand i corresponds to output i .

The returned tensors have the property that they specify a shape which is a reshape of the corresponding input shape, and the broadcasted output shape (using shape::BroadcastOp) of the returned shapes is a reshape of the broadcasted output shape of the input shapes. Among all possibilities with this property, the one is chosen which minimizes the rank of each returned shape.

The general idea of this op is that it can be used for ops which have a broadcasting semantic to operate on shapes with a possibly smaller rank while preserving equivalence of the computed values. After computing the result of the op using reshaped operands, the result can be reshaped to the result that would have been originally computed.

Here is an example with two input shapes: 

mhlo.minimum_broadcast_shapes [1, 2, 3, 1, 2, 1],
                                 [1, 1, 1, 2, 3] -> [6, 2, 1], [2, 3]

The broadcasted output shape of the operands is [1, 2, 3, 1, 2, 3], the broadcasted output shape of the outputs is [6, 2, 3]. These two shapes are reshapes of each other, and also each output is a reshape of the corresponding input.

Traits: AlwaysSpeculatableImplTrait

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Operands:

Operand תֵאוּר
shapes variadic of 1D tensor of index values

Results:

תוֹצָאָה תֵאוּר
results variadic of 1D tensor of index values

mhlo.multiply (mhlo::MulOp)

Mul operation

תַחבִּיר: 

operation ::= `mhlo.multiply` $lhs `,` $rhs attr-dict
              `:` custom<SameOperandsAndResultType>(type($lhs), type($rhs), type($result))

Performs element-wise product of two tensors lhs and rhs and produces a result tensor.

See: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#multiply

דוּגמָה: 

%result = mhlo.multiply %lhs, %rhs : tensor<2xi32>

Traits: AlwaysSpeculatableImplTrait , Commutative , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

Interfaces: ConditionallySpeculatable , InferShapedTypeOpInterface , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Operands:

Operand תֵאוּר
lhs ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values
rhs ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

Results:

תוֹצָאָה תֵאוּר
result ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

mhlo.negate (mhlo::NegOp)

Neg operation

תַחבִּיר: 

operation ::= `mhlo.negate` $operand attr-dict
              `:` custom<SameOperandsAndResultType>(type($operand), type($result))

Performs element-wise negation of operand tensor and produces a result tensor.

See: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#negate

דוּגמָה: 

%result = mhlo.negate %operand : tensor<2x3xi32>

Traits: AlwaysSpeculatableImplTrait , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

Interfaces: ConditionallySpeculatable , InferShapedTypeOpInterface , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Operands:

Operand תֵאוּר
operand ranked tensor of 2/4/8/16/32/64-bit integer or 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

Results:

תוֹצָאָה תֵאוּר
result ranked tensor of 2/4/8/16/32/64-bit integer or 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

mhlo.not (mhlo::NotOp)

Not operation

תַחבִּיר: 

operation ::= `mhlo.not` $operand attr-dict
              `:` custom<SameOperandsAndResultType>(type($operand), type($result))

Performs element-wise NOT of tensor operand of type integer and produces a result tensor.

See: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#not

דוּגמָה: 

%result = mhlo.not %operand : tensor<5x3x1xi1>

Traits: AlwaysSpeculatableImplTrait , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

Interfaces: ConditionallySpeculatable , InferShapedTypeOpInterface , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Operands:

Operand תֵאוּר
operand ranked tensor of bool or 2/4/8/16/32/64-bit integer values

Results:

תוֹצָאָה תֵאוּר
result ranked tensor of bool or 2/4/8/16/32/64-bit integer values

mhlo.optimization_barrier (mhlo::OptimizationBarrierOp)

OptimizationBarrier operation

תַחבִּיר: 

operation ::= `mhlo.optimization_barrier` attr-dict ($operand^ `:` custom<PairwiseOpType>(type($operand), type($result))):(`(` `)`)?

Ensures that the operations that produce the operand are executed before any operations that depend on the result and prevents compiler transformations from moving operations across the barrier. Other than that, the operation is an identity, ie result = operand .

See https://github.com/openxla/stablehlo/blob/main/docs/spec.md#optimization_barrier

דוּגמָה: 

%result0, %result1 = mhlo.optimization_barrier %operand0, %operand1 : tensor<f32>, tensor<f32>

Traits: AlwaysSpeculatableImplTrait , HLO_PairwiseSameOperandAndResultType

Interfaces: ConditionallySpeculatable , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Operands:

Operand תֵאוּר
operand variadic of ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized values or ranked tensor of per-axis integer quantized values or token

Results:

תוֹצָאָה תֵאוּר
result variadic of ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized values or ranked tensor of per-axis integer quantized values or token

mhlo.or (mhlo::OrOp)

Or operation

תַחבִּיר: 

operation ::= `mhlo.or` $lhs `,` $rhs attr-dict
              `:` custom<SameOperandsAndResultType>(type($lhs), type($rhs), type($result))

Performs element-wise OR of two tensors lhs and rhs and produces a result tensor.

See: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#or

דוּגמָה: 

%result = mhlo.or %lhs, %rhs : tensor<2xi1>

Traits: AlwaysSpeculatableImplTrait , Commutative , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

Interfaces: ConditionallySpeculatable , InferShapedTypeOpInterface , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Operands:

Operand תֵאוּר
lhs ranked tensor of bool or 2/4/8/16/32/64-bit integer values
rhs ranked tensor of bool or 2/4/8/16/32/64-bit integer values

Results:

תוֹצָאָה תֵאוּר
result ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

mhlo.outfeed (mhlo::OutfeedOp)

Outfeed operation

Writes inputs to the outfeed and produces a result token.

See: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#outfeed

דוּגמָה: 

%result = "mhlo.outfeed"(%input0, %token) {
  outfeed_config = ""
} : (tensor<3x3x3xi32>, !mhlo.token) -> !mhlo.token

Interfaces: InferTypeOpInterface

Attributes:

תְכוּנָה MLIR Type תֵאוּר
outfeed_config ::mlir::StringAttr string attribute

Operands:

Operand תֵאוּר
inputs variadic of ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values
token אֲסִימוֹן

Results:

תוֹצָאָה תֵאוּר
«unnamed» אֲסִימוֹן

mhlo.pad (mhlo::PadOp)

Pad operation

Expands operand by padding around the tensor as well as between the elements of the tensor with the given padding_value .

See: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#pad

דוּגמָה: 

%0 = mhlo.pad %arg0, %arg1, low = [0, 1], high = [2, 1], interior = [1, 2]
  : (tensor<2x3xi32>, tensor<i32>) -> tensor<5x9xi32>

Traits: AlwaysSpeculatableImplTrait , SameOperandsAndResultElementType

Interfaces: ConditionallySpeculatable , InferShapedTypeOpInterface , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Attributes:

תְכוּנָה MLIR Type תֵאוּר
edge_padding_low ::mlir::DenseIntElementsAttr 64-bit signless integer elements attribute
edge_padding_high ::mlir::DenseIntElementsAttr 64-bit signless integer elements attribute
interior_padding ::mlir::DenseIntElementsAttr 64-bit signless integer elements attribute

Operands:

Operand תֵאוּר
operand ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values
padding_value ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

Results:

תוֹצָאָה תֵאוּר
«unnamed» ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

mhlo.partition_id (mhlo::PartitionIdOp)

PartitionId operation

תַחבִּיר: 

operation ::= `mhlo.partition_id` attr-dict `:` type(results)

Produces partition_id of the current process.

See: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#partition_id

דוּגמָה: 

%result = mhlo.partition_id : tensor<ui32>

Interfaces: InferTypeOpInterface

Results:

תוֹצָאָה תֵאוּר
«unnamed» ranked tensor of 32-bit unsigned integer values

mhlo.popcnt (mhlo::PopulationCountOp)

PopulationCount operation

תַחבִּיר: 

operation ::= `mhlo.popcnt` $operand attr-dict
              `:` custom<SameOperandsAndResultType>(type($operand), type($result))

Performs element-wise count of the number of bits set in the operand tensor and produces a result tensor.

See: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#popcnt

דוּגמָה: 

%result = mhlo.popcnt %operand : tensor<4xi8>

Traits: AlwaysSpeculatableImplTrait , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

Interfaces: ConditionallySpeculatable , InferShapedTypeOpInterface , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Operands:

Operand תֵאוּר
operand ranked tensor of 2/4/8/16/32/64-bit integer values

Results:

תוֹצָאָה תֵאוּר
result ranked tensor of 2/4/8/16/32/64-bit integer values

mhlo.power (mhlo::PowOp)

Pow operation

תַחבִּיר: 

operation ::= `mhlo.power` $lhs `,` $rhs attr-dict
              `:` custom<SameOperandsAndResultType>(type($lhs), type($rhs), type($result))

Performs element-wise exponentiation of lhs tensor by rhs tensor and produces a result tensor.

See: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#power

דוּגמָה: 

%result = mhlo.power %lhs, %rhs : tensor<6xf32>

Traits: AlwaysSpeculatableImplTrait , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

Interfaces: ConditionallySpeculatable , InferShapedTypeOpInterface , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Operands:

Operand תֵאוּר
lhs ranked tensor of 2/4/8/16/32/64-bit integer or 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values
rhs ranked tensor of 2/4/8/16/32/64-bit integer or 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

Results:

תוֹצָאָה תֵאוּר
result ranked tensor of 2/4/8/16/32/64-bit integer or 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

mhlo.ragged_dot (mhlo::RaggedDotOp)

Ragged matrix multiplication over a single ragged dimension

This operation takes three tensor args---lhs, rhs, and group_sizes---and a "ragged_dot_dimension_numbers" attribute. Like dot_general, the lhs and rhs are allowed arbitrary batch and contracting dimensions. Additionally, the lhs is required to have one ragged dimension, and the rhs may have at most one group dimension. The op has three modes, depending on the kind of the lhs ragged dimension.

In mode 1, the shape-signature is [b,m,k], [g,b,k,n], [b,g] -> [b,m,n] . Here the ragged dimension is an lhs non-contracting dimension ( m ). The dimensions b and k represent batch and contracting dimensions respectively. The rhs is required to have a group dimension ( g ).

In mode 2, the shape-signature is [b,m,k], [b,k,n], [b,g] -> [g,b,m,n] . Here the ragged dimension is an lhs/rhs contracting dimension ( k ).

In mode 3, the shape-signature is [b,m,k], [b,k,n], [g] -> [b,m,n] . Here the ragged dimension is an lhs/rhs batch dimension ( b ).

Traits: AlwaysSpeculatableImplTrait

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Attributes:

תְכוּנָה MLIR Type תֵאוּר
ragged_dot_dimension_numbers ::mlir::mhlo::RaggedDotDimensionNumbersAttr Attribute that models the dimension information for ragged dot.
precision_config ::mlir::ArrayAttr Precision Config attribute

Operands:

Operand תֵאוּר
lhs ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values
rhs ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values
group_sizes ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

Results:

תוֹצָאָה תֵאוּר
result ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized values

mhlo.real (mhlo::RealOp)

Real operation

תַחבִּיר: 

operation ::= `mhlo.real` $operand attr-dict
              `:` custom<SameOperandsAndResultType>(type($operand), type($result))

Extracts the real part, element-wise, from the operand and produces a result tensor.

See: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#real

דוּגמָה: 

%result = mhlo.real %operand : (tensor<2xcomplex<f32>>) -> tensor<2xf32>

Traits: AlwaysSpeculatableImplTrait , Elementwise , SameOperandsAndResultShape

Interfaces: ConditionallySpeculatable , InferShapedTypeOpInterface , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Operands:

Operand תֵאוּר
operand ranked tensor of 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements values

Results:

תוֹצָאָה תֵאוּר
result ranked tensor of 4/6/8/16/32/64-bit float values

mhlo.real_dynamic_slice (mhlo::RealDynamicSliceOp)

RealDynamicSlice operation

תַחבִּיר: 

operation ::= `mhlo.real_dynamic_slice` operands attr-dict `:` functional-type(operands, results)

This operation is a work in progress, so it is not yet included in the specification: https://github.com/openxla/stablehlo/issues/8

Informally, this operation does the same thing as SliceOp except that start_indices , limit_indices and strides are specified dynamically: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#slice

דוּגמָה: 

%result = mhlo.real_dynamic_slice %operand,
            %start_indices, %limit_indices, %strides
       : (tensor<256x?xf32>, tensor<2xindex>, tensor<2xindex>, tensor<2xindex>) -> tensor<256x?xf32>

Traits: AlwaysSpeculatableImplTrait

Interfaces: ConditionallySpeculatable , InferShapedTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Operands:

Operand תֵאוּר
operand ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values
start_indices 1D tensor of index or 2/4/8/16/32/64-bit integer values
limit_indices 1D tensor of index or 2/4/8/16/32/64-bit integer values
strides 1D tensor of index or 2/4/8/16/32/64-bit integer values

Results:

תוֹצָאָה תֵאוּר
result ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

mhlo.recv (mhlo::RecvOp)

Recv operation

Receives data from a channel with channel_id and produces results .

See: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#recv

דוּגמָה: 

%results:2 = "mhlo.recv"(%token) {
  // channel_id = 5 : i64,
  // channel_type = #stablehlo<channel_type DEVICE_TO_DEVICE>,
  channel_handle = #mhlo.channel_handle<handle = 5, type = 1>,
  is_host_transfer = false,
  source_target_pairs = dense<[[0, 1], [1, 2]]> : tensor<2x2xi64>
} : (!mhlo.token) -> (tensor<3x4xi32>, !mhlo.token)

Attributes:

תְכוּנָה MLIR Type תֵאוּר
channel_handle ::mlir::mhlo::ChannelHandleAttr two 64-bit integers 'handle' and 'type'
is_host_transfer ::mlir::BoolAttr bool attribute
source_target_pairs ::mlir::DenseIntElementsAttr 64-bit signless integer elements attribute

Operands:

Operand תֵאוּר
token אֲסִימוֹן

Results:

תוֹצָאָה תֵאוּר
«unnamed» variadic of statically shaped tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized values or statically shaped tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values or token

mhlo.reduce (mhlo::ReduceOp)

Reduce operation

Applies a reduction function body to inputs and init_values along the dimensions and produces a result tensor.

See: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#reduce

דוּגמָה: 

%result = "mhlo.reduce"(%input, %init_value) ({
  ^bb0(%arg0: tensor<i32>, %arg1: tensor<i32>):
    %0 = "mhlo.add"(%arg0, %arg1) : (tensor<i32>, tensor<i32>) -> tensor<i32>
    "mhlo.return"(%0) : (tensor<i32>) -> ()
}) {
  dimensions = dense<1> : tensor<1xi64>
} : (tensor<1x6xi32>, tensor<i32>) -> tensor<1xi32>

Traits: InferTensorType , RecursiveMemoryEffects , SameVariadicOperandSize , SingleBlockImplicitTerminator<ReturnOp> , SingleBlock

Interfaces: InferShapedTypeOpInterface , InferTypeOpInterface

Attributes:

תְכוּנָה MLIR Type תֵאוּר
dimensions ::mlir::DenseIntElementsAttr 64-bit signless integer elements attribute

Operands:

Operand תֵאוּר
inputs variadic of ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values
init_values variadic of ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

Results:

תוֹצָאָה תֵאוּר
«unnamed» variadic of ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

mhlo.reduce_precision (mhlo::ReducePrecisionOp)

ReducePrecision operation

תַחבִּיר: 

operation ::= `mhlo.reduce_precision` $operand `,` `format` `=` custom<ExponentMantissa>($exponent_bits, $mantissa_bits)
              attr-dict `:` custom<SameOperandsAndResultType>(type($operand), type($output))

Performs element-wise conversion of operand to another floating-point type that uses exponent_bits and mantissa_bits and back to the original floating-point type and produces an output tensor.

See: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#reduce_precision

דוּגמָה: 

%output = mhlo.reduce_precision %operand, format = e5m2 : tensor<6xf32>

Traits: AlwaysSpeculatableImplTrait , CompatibleOperandsAndResultType , Elementwise

Interfaces: ConditionallySpeculatable , InferShapedTypeOpInterface , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Attributes:

תְכוּנָה MLIR Type תֵאוּר
exponent_bits ::mlir::IntegerAttr 32-bit signless integer attribute whose value is positive
mantissa_bits ::mlir::IntegerAttr 32-bit signless integer attribute whose value is non-negative

Operands:

Operand תֵאוּר
operand ranked tensor of 4/6/8/16/32/64-bit float values

Results:

תוֹצָאָה תֵאוּר
output ranked tensor of 4/6/8/16/32/64-bit float values

mhlo.reduce_scatter (mhlo::ReduceScatterOp)

ReduceScatter operation

Within each process group in the process grid, performs reduction, using computations , over the values of the operand tensor from each process, splits the reduction result along scatter_dimension into parts, and scatters the split parts between the processes to produce the result .

See: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#reduce_scatter

דוּגמָה: 

%result = "mhlo.reduce_scatter"(%operand) ({
  ^bb0(%arg0: tensor<f32>, %arg1: tensor<f32>):
  %0 = mhlo.add %arg0, %arg1 : tensor<f32>
  mhlo.return %0 : tensor<f32>
}) {
  scatter_dimension = 1 : i64,
  replica_groups = dense<[[0, 1]]> : tensor<1x2xi64>,
  // channel_id = 0
  channel_handle = #mhlo.channel_handle<handle = 0, type = 0>
  // use_global_device_ids = false
} : (tensor<2x4xf32>) -> tensor<2x2xf32>

Attributes:

תְכוּנָה MLIR Type תֵאוּר
scatter_dimension ::mlir::IntegerAttr 64-bit signless integer attribute whose value is non-negative
replica_groups ::mlir::DenseIntElementsAttr 64-bit signless integer elements attribute
channel_handle ::mlir::mhlo::ChannelHandleAttr two 64-bit integers 'handle' and 'type'
use_global_device_ids ::mlir::UnitAttr unit attribute

Operands:

Operand תֵאוּר
operand ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

Results:

תוֹצָאָה תֵאוּר
«unnamed» ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

mhlo.reduce_window (mhlo::ReduceWindowOp)

ReduceWindow operation

Applies a reduction function body to windows of inputs and init_values and produces results .

See: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#reduce_window

דוּגמָה: 

%result = "mhlo.reduce_window"(%input, %init_value) ({
  ^bb0(%arg0: tensor<i32>, %arg1: tensor<i32>):
    %0 = mhlo.add %arg0, %arg1 : tensor<i32>
    mhlo.return %0 : tensor<i32>
}) {
  window_dimensions = dense<[2, 1]> : tensor<2xi64>,
  window_strides = dense<[4, 1]> : tensor<2xi64>,
  base_dilations = dense<[2, 1]> : tensor<2xi64>,
  window_dilations = dense<[3, 1]> : tensor<2xi64>,
  padding = dense<[[2, 1], [0, 0]]> : tensor<2x2xi64>
} : (tensor<3x2xi32>, tensor<i32>) -> tensor<2x2xi32>

Traits: InferTensorType , RecursiveMemoryEffects , SameVariadicOperandSize , SingleBlockImplicitTerminator<ReturnOp> , SingleBlock

Interfaces: InferShapedTypeOpInterface , InferTypeOpInterface

Attributes:

תְכוּנָה MLIR Type תֵאוּר
window_dimensions ::mlir::DenseIntElementsAttr 64-bit signless integer elements attribute
window_strides ::mlir::DenseIntElementsAttr 64-bit signless integer elements attribute
base_dilations ::mlir::DenseIntElementsAttr 64-bit signless integer elements attribute
window_dilations ::mlir::DenseIntElementsAttr 64-bit signless integer elements attribute
padding ::mlir::DenseIntElementsAttr 64-bit signless integer elements attribute

Operands:

Operand תֵאוּר
inputs variadic of ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values
init_values variadic of ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

Results:

תוֹצָאָה תֵאוּר
«unnamed» variadic of ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

mhlo.remainder (mhlo::RemOp)

Rem operation

תַחבִּיר: 

operation ::= `mhlo.remainder` $lhs `,` $rhs attr-dict
              `:` custom<SameOperandsAndResultType>(type($lhs), type($rhs), type($result))

Performs element-wise remainder of dividend lhs and divisor rhs tensors and produces a result tensor.

See: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#remainder

דוּגמָה: 

%result = mhlo.remainder %lhs, %rhs : tensor<4xi64>

Traits: AlwaysSpeculatableImplTrait , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

Interfaces: ConditionallySpeculatable , InferShapedTypeOpInterface , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Operands:

Operand תֵאוּר
lhs ranked tensor of 2/4/8/16/32/64-bit integer or 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values
rhs ranked tensor of 2/4/8/16/32/64-bit integer or 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

Results:

תוֹצָאָה תֵאוּר
result ranked tensor of 2/4/8/16/32/64-bit integer or 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

mhlo.replica_id (mhlo::ReplicaIdOp)

ReplicaId operation

תַחבִּיר: 

operation ::= `mhlo.replica_id` attr-dict `:` type(results)

Produces replica_id of the current process.

See: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#replica_id

דוּגמָה: 

%result = mhlo.replica_id : tensor<ui32>

Traits: AlwaysSpeculatableImplTrait

Interfaces: ConditionallySpeculatable , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Results:

תוֹצָאָה תֵאוּר
«unnamed» ranked tensor of 32-bit unsigned integer values

mhlo.reshape (mhlo::ReshapeOp)

Reshape operation

תַחבִּיר: 

operation ::= `mhlo.reshape` operands attr-dict `:` functional-type(operands, results)

Performs reshape of operand tensor to a result tensor.

See: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#reshape

דוּגמָה: 

%result = mhlo.reshape %operand : (tensor<2xf32>) -> tensor<1x2xf32>

Traits: AlwaysSpeculatableImplTrait , HLO_CompatibleOperandsAndResultElementType

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Operands:

Operand תֵאוּר
operand tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

Results:

תוֹצָאָה תֵאוּר
«unnamed» statically shaped or single bounded dimension tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

mhlo.return (mhlo::ReturnOp)

_This operation is a work in progress, so it is not yet included in the specification: https://github.com/openxla/stablehlo/issues/425 

Informally, this operation serves as a terminator for regions defined by
the StableHLO ops. Non-StableHLO ops, e.g. `func.func`, have their own
terminators, e.g. `func.return`.

Example:

    ```mlir
    %result = "mhlo.reduce"(%input, %init_value) ({
      ^bb0(%arg0: tensor<i32>, %arg1: tensor<i32>):
        %0 = "mhlo.add"(%arg0, %arg1) : (tensor<i32>, tensor<i32>) -> tensor<i32>
        "mhlo.return"(%0) : (tensor<i32>) -> ()
    }) {
      dimensions = dense<1> : tensor<1xi64>
    } : (tensor<1x6xi32>, tensor<i32>) -> tensor<1xi32>
    ```_

Syntax:

```

operation ::= mhlo.return $results attr-dict ( : type($results)^)? 


Traits: `AlwaysSpeculatableImplTrait`, `Terminator`

Interfaces: `ConditionallySpeculatable`, `NoMemoryEffect (MemoryEffectOpInterface)`

Effects: `MemoryEffects::Effect{}`

#### Operands:

| Operand | Description |
| :-----: | ----------- |
| `results` | variadic of ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values or token or nested tuple with any combination of ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized values or memref of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized values or ranked tensor of per-axis integer quantized values or token values or memref of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized values |



### `mhlo.reverse` (mhlo::ReverseOp)

_Reverse operation_

Reverses the order of elements in the `operand` along the specified
`dimensions` and produces a `result` tensor.

See:
<a href="https://github.com/openxla/stablehlo/blob/main/docs/spec.md#reverse">https://github.com/openxla/stablehlo/blob/main/docs/spec.md#reverse</a>

Example:
```mlir
%result = mhlo.reverse %operand, dims = [1] : tensor<3x2xi32>

Traits: AlwaysSpeculatableImplTrait , CompatibleOperandsAndResultType

Interfaces: ConditionallySpeculatable , InferShapedTypeOpInterface , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Attributes:

תְכוּנָה MLIR Type תֵאוּר
dimensions ::mlir::DenseIntElementsAttr 64-bit signless integer elements attribute

Operands:

Operand תֵאוּר
operand ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

Results:

תוֹצָאָה תֵאוּר
«unnamed» ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

mhlo.rng (mhlo::RngOp)

Rng operation

Generates random numbers using the rng_distribution algorithm and produces a result tensor of a given shape shape .

See: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#rng

דוּגמָה: 

%result = mhlo.rng %a, %b, %shape, distribution = NORMAL : (tensor<i32>, tensor<i32>, tensor<2xi64>) -> tensor<3x3xi32>

Traits: InferTensorType

Interfaces: InferShapedTypeOpInterface , InferTypeOpInterface

Attributes:

תְכוּנָה MLIR Type תֵאוּר
rng_distribution ::mlir::mhlo::RngDistributionAttr XLA PRNG distribution to be used.

Operands:

Operand תֵאוּר
a 0D tensor of bool or 2/4/8/16/32/64-bit integer or 4/6/8/16/32/64-bit float values
b 0D tensor of bool or 2/4/8/16/32/64-bit integer or 4/6/8/16/32/64-bit float values
shape 1D tensor of index or 2/4/8/16/32/64-bit integer values

Results:

תוֹצָאָה תֵאוּר
result ranked tensor of bool or 2/4/8/16/32/64-bit integer or 4/6/8/16/32/64-bit float values

mhlo.rng_bit_generator (mhlo::RngBitGeneratorOp)

RngBitGenerator operation

Returns an output filled with uniform random data and an updated output state output_state given an initial state initial_state using the pseudorandom number generator algorithm rng_algorithm .

See: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#rng_bit_generator

דוּגמָה: 

%output_state, %output = mhlo.rng_bit_generator %initial_state, algorithm = THREE_FRY : (tensor<2xui64>) -> (tensor<2xui64>, tensor<2x2xui64>)

Traits: AlwaysSpeculatableImplTrait

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Attributes:

תְכוּנָה MLIR Type תֵאוּר
rng_algorithm ::mlir::mhlo::RngAlgorithmAttr XLA PRNG algorithm to be used.

Operands:

Operand תֵאוּר
initial_state ranked tensor of 2/4/8/16/32/64-bit integer or 4/6/8/16/32/64-bit float values

Results:

תוֹצָאָה תֵאוּר
output_state ranked tensor of 2/4/8/16/32/64-bit integer or 4/6/8/16/32/64-bit float values
output statically shaped tensor of 2/4/8/16/32/64-bit integer or 4/6/8/16/32/64-bit float values

mhlo.round_nearest_afz (mhlo::RoundOp)

Round operation

תַחבִּיר: 

operation ::= `mhlo.round_nearest_afz` $operand attr-dict
              `:` custom<SameOperandsAndResultType>(type($operand), type($result))

Performs element-wise rounding towards the nearest integer, breaking ties away from zero, on the operand tensor and produces a result tensor.

See: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#round_nearest_afz

דוּגמָה: 

%result = mhlo.round_nearest_afz %operand : tensor<5xf32>

Traits: AlwaysSpeculatableImplTrait , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

Interfaces: ConditionallySpeculatable , InferShapedTypeOpInterface , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Operands:

Operand תֵאוּר
operand ranked tensor of 4/6/8/16/32/64-bit float values

Results:

תוֹצָאָה תֵאוּר
result ranked tensor of 4/6/8/16/32/64-bit float values

mhlo.round_nearest_even (mhlo::RoundNearestEvenOp)

RoundNearestEven operation

תַחבִּיר: 

operation ::= `mhlo.round_nearest_even` $operand attr-dict
              `:` custom<SameOperandsAndResultType>(type($operand), type($result))

Performs element-wise rounding towards the nearest integer, breaking ties towards the even integer, on the operand tensor and produces a result tensor.

See: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#round_nearest_even

דוּגמָה: 

%result = mhlo.round_nearest_even %operand : tensor<5xf32>

Traits: AlwaysSpeculatableImplTrait , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

Interfaces: ConditionallySpeculatable , InferShapedTypeOpInterface , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Operands:

Operand תֵאוּר
operand ranked tensor of 4/6/8/16/32/64-bit float values

Results:

תוֹצָאָה תֵאוּר
result ranked tensor of 4/6/8/16/32/64-bit float values

mhlo.rsqrt (mhlo::RsqrtOp)

Rsqrt operation

תַחבִּיר: 

operation ::= `mhlo.rsqrt` $operand attr-dict
              `:` custom<SameOperandsAndResultType>(type($operand), type($result))

Performs element-wise reciprocal square root operation on operand tensor and produces a result tensor, implementing the rSqrt operation from the IEEE-754 specification.

See: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#rsqrt

דוּגמָה: 

%result = mhlo.rsqrt %operand : tensor<2x2xf32>

Traits: AlwaysSpeculatableImplTrait , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

Interfaces: ConditionallySpeculatable , InferShapedTypeOpInterface , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Attributes:

תְכוּנָה MLIR Type תֵאוּר
result_accuracy ::mlir::mhlo::ResultAccuracyAttr The requested accuracy for unary ops.

Operands:

Operand תֵאוּר
operand ranked tensor of 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements or per-tensor integer quantized values

Results:

תוֹצָאָה תֵאוּר
result ranked tensor of 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements or per-tensor integer quantized values

mhlo.scatter (mhlo::ScatterOp)

Scatter operation

Produces results tensors which are equal to inputs tensors except that several slices specified by scatter_indices are updated with the values updates using update_computation .

See: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#scatter

דוּגמָה: 

%result = "mhlo.scatter"(%input, %scatter_indices, %update) ({
  ^bb0(%arg0: tensor<i32>, %arg1: tensor<i32>):
    %0 = mhlo.add %arg0, %arg1 : tensor<i32>
    mhlo.return %0 : tensor<i32>
}) {
  scatter_dimension_numbers = #mhlo.scatter<
    update_window_dims = [3, 4],
    inserted_window_dims = [1],
    input_batching_dims = [0],
    scatter_indices_batching_dims = [1],
    scatter_dims_to_operand_dims = [2, 1],
    index_vector_dim = 3>,
  indices_are_sorted = false,
  unique_indices = false
} : (tensor<2x3x4x2xi64>, tensor<2x2x3x2xi64>, tensor<2x2x3x2x2xi64>) -> tensor<2x3x4x2xi64>

Traits: RecursiveMemoryEffects , SameVariadicOperandSize

Interfaces: InferTypeOpInterface

Attributes:

תְכוּנָה MLIR Type תֵאוּר
scatter_dimension_numbers ::mlir::mhlo::ScatterDimensionNumbersAttr Attribute that models the dimension information for scatter
indices_are_sorted ::mlir::BoolAttr bool attribute
unique_indices ::mlir::BoolAttr bool attribute

Operands:

Operand תֵאוּר
inputs variadic of ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values
scatter_indices ranked tensor of integer or index values
updates variadic of ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

Results:

תוֹצָאָה תֵאוּר
«unnamed» variadic of ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

mhlo.select (mhlo::SelectOp)

Select operation

תַחבִּיר: 

operation ::= `mhlo.select` operands attr-dict `:`
              custom<SelectOpType>(type($pred), type($on_true), type($on_false), type($result))

Produces a result tensor where each element is selected from on_true or on_false tensor based on the value of the corresponding element of pred .

See: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#select

דוּגמָה: 

%result = mhlo.select %pred, %on_true, %on_false : tensor<2x2xi1>, tensor<2x2xi32>

Traits: AlwaysSpeculatableImplTrait , HLO_BroadcastingElementwise , InferTensorType

Interfaces: ConditionallySpeculatable , InferShapedTypeOpInterface , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Operands:

Operand תֵאוּר
pred ranked tensor of bool values
on_true ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values
on_false ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

Results:

תוֹצָאָה תֵאוּר
result ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

mhlo.select_and_scatter (mhlo::SelectAndScatterOp)

SelectAndScatter operation

Scatters the values from the source tensor using scatter based on the outcome of reduce_window of the input tensor using select and produces a result tensor.

See: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#select_and_scatter

דוּגמָה: 

%result = "mhlo.select_and_scatter"(%operand, %source, %init_value) ({
  ^bb0(%arg0: tensor<i32>, %arg1: tensor<i32>):
    %0 = "mhlo.compare"(%arg0, %arg1) {
      comparison_direction = #stablehlo<comparison_direction GE>
    } : (tensor<i32>, tensor<i32>) -> tensor<i1>
    "mhlo.return"(%0) : (tensor<i1>) -> ()
}, {
  ^bb0(%arg0: tensor<i32>, %arg1: tensor<i32>):
    %0 = "mhlo.add"(%arg0, %arg1) : (tensor<i32>, tensor<i32>) -> tensor<i32>
    "mhlo.return"(%0) : (tensor<i32>) -> ()
}) {
  window_dimensions = dense<[3, 1]> : tensor<2xi64>,
  window_strides = dense<[2, 1]> : tensor<2xi64>,
  padding = dense<[[0, 1], [0, 0]]> : tensor<2x2xi64>
} : (tensor<4x2xi32>, tensor<2x2xi32>, tensor<i32>) -> tensor<4x2xi32>

Traits: RecursiveMemoryEffects

Interfaces: InferTypeOpInterface

Attributes:

תְכוּנָה MLIR Type תֵאוּר
window_dimensions ::mlir::DenseIntElementsAttr 64-bit signless integer elements attribute
window_strides ::mlir::DenseIntElementsAttr 64-bit signless integer elements attribute
padding ::mlir::DenseIntElementsAttr 64-bit signless integer elements attribute

Operands:

Operand תֵאוּר
operand ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values
source ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values
init_value ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

Results:

תוֹצָאָה תֵאוּר
«unnamed» ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

mhlo.send (mhlo::SendOp)

Send operation

Sends inputs to a channel channel_id and produces a result token.

See: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#send

דוּגמָה: 

%result = "mhlo.send"(%operand, %token) {
  // channel_id = 5 : i64,
  // channel_type = #stablehlo<channel_type DEVICE_TO_DEVICE>,
  channel_handle = #mhlo.channel_handle<handle = 5, type = 1>,
  is_host_transfer = false,
  source_target_pairs = dense<[[0, 1], [1, 2]]> : tensor<2x2xi64>
} : (tensor<3x4xi32>, !mhlo.token) -> !mhlo.token

Interfaces: InferTypeOpInterface

Attributes:

תְכוּנָה MLIR Type תֵאוּר
channel_handle ::mlir::mhlo::ChannelHandleAttr two 64-bit integers 'handle' and 'type'
is_host_transfer ::mlir::BoolAttr bool attribute
source_target_pairs ::mlir::DenseIntElementsAttr 64-bit signless integer elements attribute

Operands:

Operand תֵאוּר
inputs variadic of ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values
token אֲסִימוֹן

Results:

תוֹצָאָה תֵאוּר
«unnamed» אֲסִימוֹן

mhlo.set_dimension_size (mhlo::SetDimensionSizeOp)

SetDimensionSize operation

This operation is a work in progress, so it is not yet included in the specification: https://github.com/openxla/stablehlo/issues/8

Informally, this operation does the same thing as XLA's SetDimensionSize: https://www.tensorflow.org/xla/operation_semantics#setdimensionsize

דוּגמָה: 

%0 = mhlo.set_dimension_size %arg0, %arg1, dim = 1 : (tensor<4x2xf32>, tensor<i32>) -> tensor<4x2xf32>

Traits: AlwaysSpeculatableImplTrait , InferTensorType

Interfaces: ConditionallySpeculatable , InferShapedTypeOpInterface , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Attributes:

תְכוּנָה MLIR Type תֵאוּר
dimension ::mlir::IntegerAttr 64-bit signless integer attribute whose value is non-negative

Operands:

Operand תֵאוּר
operand ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values
size tensor of 32-bit signless integer values

Results:

תוֹצָאָה תֵאוּר
«unnamed» ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

mhlo.shift_left (mhlo::ShiftLeftOp)

ShiftLeft operation

תַחבִּיר: 

operation ::= `mhlo.shift_left` $lhs `,` $rhs attr-dict
              `:` custom<SameOperandsAndResultType>(type($lhs), type($rhs), type($result))

Performs element-wise left-shift operation on the lhs tensor by rhs number of bits and produces a result tensor.

See: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#shift_left

דוּגמָה: 

%result = mhlo.shift_left %lhs, %rhs : tensor<6xi8>

Traits: AlwaysSpeculatableImplTrait , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

Interfaces: ConditionallySpeculatable , InferShapedTypeOpInterface , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Operands:

Operand תֵאוּר
lhs ranked tensor of 2/4/8/16/32/64-bit integer values
rhs ranked tensor of 2/4/8/16/32/64-bit integer values

Results:

תוֹצָאָה תֵאוּר
result ranked tensor of 2/4/8/16/32/64-bit integer values

mhlo.shift_right_arithmetic (mhlo::ShiftRightArithmeticOp)

ShiftRightArithmetic operation

תַחבִּיר: 

operation ::= `mhlo.shift_right_arithmetic` $lhs `,` $rhs attr-dict
              `:` custom<SameOperandsAndResultType>(type($lhs), type($rhs), type($result))

Performs element-wise arithmetic right-shift operation on the lhs tensor by rhs number of bits and produces a result tensor.

See: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#shift_right_arithmetic

דוּגמָה: 

%result = mhlo.shift_right_arithmetic %lhs, %rhs : tensor<6xi8>

Traits: AlwaysSpeculatableImplTrait , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

Interfaces: ConditionallySpeculatable , InferShapedTypeOpInterface , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Operands:

Operand תֵאוּר
lhs ranked tensor of 2/4/8/16/32/64-bit integer values
rhs ranked tensor of 2/4/8/16/32/64-bit integer values

Results:

תוֹצָאָה תֵאוּר
result ranked tensor of 2/4/8/16/32/64-bit integer values

mhlo.shift_right_logical (mhlo::ShiftRightLogicalOp)

ShiftRightLogical operation

תַחבִּיר: 

operation ::= `mhlo.shift_right_logical` $lhs `,` $rhs attr-dict
              `:` custom<SameOperandsAndResultType>(type($lhs), type($rhs), type($result))

Performs element-wise logical right-shift operation on the lhs tensor by rhs number of bits and produces a result tensor.

See: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#shift_right_logical

דוּגמָה: 

%result = mhlo.shift_right_logical %lhs, %rhs : tensor<6xi8>

Traits: AlwaysSpeculatableImplTrait , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

Interfaces: ConditionallySpeculatable , InferShapedTypeOpInterface , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Operands:

Operand תֵאוּר
lhs ranked tensor of 2/4/8/16/32/64-bit integer values
rhs ranked tensor of 2/4/8/16/32/64-bit integer values

Results:

תוֹצָאָה תֵאוּר
result ranked tensor of 2/4/8/16/32/64-bit integer values

mhlo.sign (mhlo::SignOp)

Sign operation

תַחבִּיר: 

operation ::= `mhlo.sign` $operand attr-dict
              `:` custom<SameOperandsAndResultType>(type($operand), type($result))

Returns the sign of the operand element-wise and produces a result tensor.

See: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#sign

דוּגמָה: 

%result = mhlo.sign %operand : tensor<7xf32>

Traits: AlwaysSpeculatableImplTrait , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

Interfaces: ConditionallySpeculatable , InferShapedTypeOpInterface , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Operands:

Operand תֵאוּר
operand ranked tensor of 2/4/8/16/32/64-bit signless integer or 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements or per-tensor integer quantized values

Results:

תוֹצָאָה תֵאוּר
result ranked tensor of 2/4/8/16/32/64-bit signless integer or 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements or per-tensor integer quantized values

mhlo.sine (mhlo::SineOp)

Sine operation

תַחבִּיר: 

operation ::= `mhlo.sine` $operand attr-dict
              `:` custom<SameOperandsAndResultType>(type($operand), type($result))

Performs element-wise sine operation on operand tensor and produces a result tensor.

See: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#sine

דוּגמָה: 

%result = mhlo.sine %operand : tensor<2xf32>

Traits: AlwaysSpeculatableImplTrait , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

Interfaces: ConditionallySpeculatable , InferShapedTypeOpInterface , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Attributes:

תְכוּנָה MLIR Type תֵאוּר
result_accuracy ::mlir::mhlo::ResultAccuracyAttr The requested accuracy for unary ops.

Operands:

Operand תֵאוּר
operand ranked tensor of 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements or per-tensor integer quantized values

Results:

תוֹצָאָה תֵאוּר
result ranked tensor of 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements or per-tensor integer quantized values

mhlo.sinh (mhlo::SinhOp)

Sinh operation

תַחבִּיר: 

operation ::= `mhlo.sinh` $operand attr-dict
              `:` custom<SameOperandsAndResultType>(type($operand), type($result))

Performs element-wise sinh operation on operand tensor and produces a result tensor.

דוּגמָה: 

%result = mhlo.sinh %operand : tensor<2x2xf32>

Traits: CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

Interfaces: InferShapedTypeOpInterface , InferTypeOpInterface

Operands:

Operand תֵאוּר
operand tensor of 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements values

Results:

תוֹצָאָה תֵאוּר
result tensor of 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements values

mhlo.slice (mhlo::SliceOp)

Slice operation

Extracts a slice from the operand using statically-computed starting indices and produces a result tensor.

See: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#slice

דוּגמָה: 

%result = "mhlo.slice" (%operand) {
  start_indices = dense<[1, 2]> : tensor<2xi64>,
  limit_indices = dense<[3, 4]> : tensor<2xi64>,
  strides = dense<1> : tensor<2xi64>
} : (tensor<3x4xi64>) -> tensor<2x2xi64>

Traits: AlwaysSpeculatableImplTrait , SameOperandsAndResultElementType

Interfaces: ConditionallySpeculatable , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Attributes:

תְכוּנָה MLIR Type תֵאוּר
start_indices ::mlir::DenseIntElementsAttr 64-bit signless integer elements attribute
limit_indices ::mlir::DenseIntElementsAttr 64-bit signless integer elements attribute
strides ::mlir::DenseIntElementsAttr 64-bit signless integer elements attribute

Operands:

Operand תֵאוּר
operand ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

Results:

תוֹצָאָה תֵאוּר
«unnamed» ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

mhlo.sort (mhlo::SortOp)

Sort operation

Sorts a variadic number of tensors in inputs together, according to a custom comparator , along the given dimension and produces a variadic number of tensors as results .

See: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#sort

דוּגמָה: 

%result0, %result1 = "mhlo.sort"(%input0, %input1) ({
  ^bb0(%arg0: tensor<i32>, %arg1: tensor<i32>, %arg2: tensor<i32>, %arg3: tensor<i32>):
    %predicate = "mhlo.compare"(%arg0, %arg1) {
      comparison_direction = #stablehlo<comparison_direction GT>
      } : (tensor<i32>, tensor<i32>) -> tensor<i1>
    "mhlo.return"(%predicate) : (tensor<i1>) -> ()
}) {
  dimension = 0 : i64,
  is_stable = true
} : (tensor<2x3xi32>, tensor<2x3xi32>) -> (tensor<2x3xi32>, tensor<2x3xi32>)

Traits: InferTensorType , RecursiveMemoryEffects , SameOperandsAndResultShape

Interfaces: InferShapedTypeOpInterface , InferTypeOpInterface

Attributes:

תְכוּנָה MLIR Type תֵאוּר
dimension ::mlir::IntegerAttr 64-bit signless integer attribute
is_stable ::mlir::BoolAttr bool attribute

Operands:

Operand תֵאוּר
inputs variadic of ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

Results:

תוֹצָאָה תֵאוּר
«unnamed» variadic of ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

mhlo.sqrt (mhlo::SqrtOp)

Sqrt operation

תַחבִּיר: 

operation ::= `mhlo.sqrt` $operand attr-dict
              `:` custom<SameOperandsAndResultType>(type($operand), type($result))

Performs element-wise square root operation on operand tensor and produces a result tensor.

See: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#sqrt

דוּגמָה: 

%result = mhlo.sqrt %operand : tensor<2x2xf32>

Traits: AlwaysSpeculatableImplTrait , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

Interfaces: ConditionallySpeculatable , InferShapedTypeOpInterface , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Attributes:

תְכוּנָה MLIR Type תֵאוּר
result_accuracy ::mlir::mhlo::ResultAccuracyAttr The requested accuracy for unary ops.

Operands:

Operand תֵאוּר
operand ranked tensor of 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements or per-tensor integer quantized values

Results:

תוֹצָאָה תֵאוּר
result ranked tensor of 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements or per-tensor integer quantized values

mhlo.stochastic_convert (mhlo::StochasticConvertOp)

StochasticConvert operation

This operation is a work in progress, so it is not yet included in the specification: https://github.com/openxla/stablehlo/issues/295

Informally, this operation performs element-wise conversion of values from a bigger type to a smaller one with stochastic rounding using the random number passed in.

Traits: AlwaysSpeculatableImplTrait , Elementwise

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Operands:

Operand תֵאוּר
operand ranked tensor of 4/6/8/16/32/64-bit float values
random ranked tensor of 2/4/8/16/32/64-bit unsigned integer values

Results:

תוֹצָאָה תֵאוּר
result ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

mhlo.subtract (mhlo::SubtractOp)

Subtract operation

תַחבִּיר: 

operation ::= `mhlo.subtract` $lhs `,` $rhs attr-dict
              `:` custom<SameOperandsAndResultType>(type($lhs), type($rhs), type($result))

Performs element-wise subtraction of two tensors lhs and rhs and produces a result tensor.

See: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#subtract

דוּגמָה: 

%result = mhlo.subtract %lhs, %rhs : tensor<2xi32>

Traits: AlwaysSpeculatableImplTrait , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

Interfaces: ConditionallySpeculatable , InferShapedTypeOpInterface , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Operands:

Operand תֵאוּר
lhs ranked tensor of 2/4/8/16/32/64-bit integer or 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values
rhs ranked tensor of 2/4/8/16/32/64-bit integer or 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

Results:

תוֹצָאָה תֵאוּר
result ranked tensor of 2/4/8/16/32/64-bit integer or 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

mhlo.tan (mhlo::TanOp)

Tan operation

תַחבִּיר: 

operation ::= `mhlo.tan` $operand attr-dict
              `:` custom<SameOperandsAndResultType>(type($operand), type($result))

This operation is a work in progress, so it is not yet included in the specification: https://github.com/openxla/stablehlo/issues/954

Informally, this operation returns Tan(operand) element-wise.

דוּגמָה: 

%0 = mhlo.tan %arg0 : tensor<2xf32>

Traits: AlwaysSpeculatableImplTrait , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

Interfaces: ConditionallySpeculatable , InferShapedTypeOpInterface , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Attributes:

תְכוּנָה MLIR Type תֵאוּר
result_accuracy ::mlir::mhlo::ResultAccuracyAttr The requested accuracy for unary ops.

Operands:

Operand תֵאוּר
operand ranked tensor of 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements or per-tensor integer quantized values

Results:

תוֹצָאָה תֵאוּר
result ranked tensor of 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements or per-tensor integer quantized values

mhlo.tanh (mhlo::TanhOp)

Tanh operation

תַחבִּיר: 

operation ::= `mhlo.tanh` $operand attr-dict
              `:` custom<SameOperandsAndResultType>(type($operand), type($result))

Performs element-wise hyperbolic tangent operation on operand tensor and produces a result tensor.

See: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#tanh

דוּגמָה: 

%result = mhlo.tanh %operand : tensor<2xf32>

Traits: AlwaysSpeculatableImplTrait , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

Interfaces: ConditionallySpeculatable , InferShapedTypeOpInterface , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Attributes:

תְכוּנָה MLIR Type תֵאוּר
result_accuracy ::mlir::mhlo::ResultAccuracyAttr The requested accuracy for unary ops.

Operands:

Operand תֵאוּר
operand ranked tensor of 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements or per-tensor integer quantized values

Results:

תוֹצָאָה תֵאוּר
result ranked tensor of 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements or per-tensor integer quantized values

mhlo.topk (mhlo::TopKOp)

TopK operation

תַחבִּיר: 

operation ::= `mhlo.topk` `(`$operand `,` `k` `=` $k (`,` `largest` `=` $largest^)? `)` attr-dict `:`
              type($operand) `->` `(`type($values)`,` type($indices)`)`

Returns top k values and their indices, along the last dimension of the operand if largest=true or the bottom k values if largest=false .

See: https://www.tensorflow.org/xla/operation_semantics#top-k

דוּגמָה: 

%values, %indices = mhlo.topk(%operand, k=5, largest=true)
  : tensor<100xf32> -> (tensor<5xf32>, tensor<5xi32>)

Traits: InferTensorType , RecursiveMemoryEffects

Interfaces: InferShapedTypeOpInterface , InferTypeOpInterface

Attributes:

תְכוּנָה MLIR Type תֵאוּר
k ::mlir::IntegerAttr 64-bit signless integer attribute
largest ::mlir::BoolAttr bool attribute

Operands:

Operand תֵאוּר
operand ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

Results:

תוֹצָאָה תֵאוּר
values ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values
indices ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

mhlo.torch_index_select (mhlo::TorchIndexSelectOp)

TorchIndexSelect operation

This operation is on its way out of StableHLO, so it is not included in the specification: https://github.com/openxla/stablehlo/issues/3

Informally, this operation does the same thing as PyTorch's index_select, augmented with support for batch dimensions: https://pytorch.org/docs/stable/generated/torch.index_select.html

The batch_dims attribute specifies the number of major batch dimensions (0 or more) that act like a multidimensional loop over both the operand and the index.

דוּגמָה: 

%result = "mhlo.torch_index_select"(%operand, %index) {
  dim = 2 : i64,
  batch_dims = 1 : i64
} : (tensor<8x128x3072x64xf32>, tensor<8x16x1024xi32>) -> tensor<8x128x16x1024x64xf32>

Traits: AlwaysSpeculatableImplTrait

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Attributes:

תְכוּנָה MLIR Type תֵאוּר
dim ::mlir::IntegerAttr 64-bit signless integer attribute
batch_dims ::mlir::IntegerAttr 64-bit signless integer attribute

Operands:

Operand תֵאוּר
operand ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values
index ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

Results:

תוֹצָאָה תֵאוּר
«unnamed» ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

mhlo.trace (mhlo::TraceOp)

Trace operation

תַחבִּיר: 

operation ::= `mhlo.trace` $operand `,` $tag attr-dict `:` type($operand)

This operation is on its way out of StableHLO, so it is not included in the specification: https://github.com/openxla/stablehlo/issues/604

It is not used by JAX, PyTorch or TensorFlow, so it looks like we should've classified it as "Private to XLA" and not included it in StableHLO in the first place. With that in mind, its semantics will not be documented here.

דוּגמָה: 

mhlo.trace %arg0, "In test code." : tensor<5x1x5xi32>

Attributes:

תְכוּנָה MLIR Type תֵאוּר
tag ::mlir::StringAttr string attribute

Operands:

Operand תֵאוּר
operand ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

mhlo.transpose (mhlo::TransposeOp)

Transpose operation

Permutes the dimensions of operand tensor using permutation and produces a result tensor.

See: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#transpose

דוּגמָה: 

%0 = mhlo.transpose %arg0, dims = [2, 1, 0] : (tensor<1x2x3xi32>) -> tensor<3x2x1xi32>

Traits: AlwaysSpeculatableImplTrait , HLO_CompatibleOperandsAndResultElementType

Interfaces: ConditionallySpeculatable , InferShapedTypeOpInterface , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Attributes:

תְכוּנָה MLIR Type תֵאוּר
permutation ::mlir::DenseIntElementsAttr 64-bit signless integer elements attribute

Operands:

Operand תֵאוּר
operand ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

Results:

תוֹצָאָה תֵאוּר
«unnamed» ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

mhlo.triangular_solve (mhlo::TriangularSolveOp)

TriangularSolve operation

Solves batches of systems of linear equations with lower or upper triangular coefficient matrices.

See: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#triangular_solve

דוּגמָה: 

%result = "mhlo.triangular_solve"(%a, %b) {
  left_side = true,
  lower = true,
  unit_diagonal = false,
  transpose_a = #stablehlo<transpose NO_TRANSPOSE>
} : (tensor<3x3xf32>, tensor<3x3xf32>) -> tensor<3x3xf32>

Traits: AlwaysSpeculatableImplTrait , InferTensorType , SameOperandsAndResultElementType

Interfaces: ConditionallySpeculatable , InferShapedTypeOpInterface , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Attributes:

תְכוּנָה MLIR Type תֵאוּר
left_side ::mlir::BoolAttr bool attribute
lower ::mlir::BoolAttr bool attribute
unit_diagonal ::mlir::BoolAttr bool attribute
transpose_a ::mlir::mhlo::TransposeAttr Transpose options

Operands:

Operand תֵאוּר
a ranked tensor of 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements values
b ranked tensor of 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements values

Results:

תוֹצָאָה תֵאוּר
«unnamed» ranked tensor of 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements values

mhlo.tuple (mhlo::TupleOp)

Tuple operation

תַחבִּיר: 

operation ::= `mhlo.tuple` $val attr-dict `:` custom<TupleOpType>(type($val), type($result))

Produces a result tuple from values val .

See: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#tuple

דוּגמָה: 

%result = mhlo.tuple %val0, %val1 : tuple<tensor<2xf32>, tuple<tensor<i32>>>

Traits: AlwaysSpeculatableImplTrait

Interfaces: ConditionallySpeculatable , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Operands:

Operand תֵאוּר
val variadic of ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values or token or nested tuple with any combination of ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized values or memref of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized values or ranked tensor of per-axis integer quantized values or token values or memref of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized values

Results:

תוֹצָאָה תֵאוּר
result nested tuple with any combination of ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized values or memref of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized values or ranked tensor of per-axis integer quantized values or token values

mhlo.uniform_dequantize (mhlo::UniformDequantizeOp)

UniformDequantize operation

תַחבִּיר: 

operation ::= `mhlo.uniform_dequantize` $operand attr-dict
              `:` custom<SameOperandsAndResultType>(type($operand), type($result))

Performs element-wise conversion of quantized tensor operand to a floating-point tensor result according to the quantization parameters defined by the operand type.

See: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#uniform_dequantize

דוּגמָה: 

%result = mhlo.uniform_dequantize %operand : (tensor<16x16x!quant.uniform<i8:f32, 34.0:16>>) -> tensor<16x16xf32>

Traits: AlwaysSpeculatableImplTrait , Elementwise , InferTensorType , SameOperandsAndResultShape

Interfaces: ConditionallySpeculatable , InferShapedTypeOpInterface , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Operands:

Operand תֵאוּר
operand ranked tensor of per-tensor integer quantized or per-axis integer quantized values

Results:

תוֹצָאָה תֵאוּר
result ranked tensor of 4/6/8/16/32/64-bit float values

mhlo.uniform_quantize (mhlo::UniformQuantizeOp)

UniformQuantize operation

תַחבִּיר: 

operation ::= `mhlo.uniform_quantize` $operand attr-dict
              `:` custom<SameOperandsAndResultType>(type($operand), type($result))

Performs element-wise conversion of floating-point tensor or quantized tensor operand to a quantized tensor result according to the quantization parameters defined by the result type.

See: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#uniform_quantize

דוּגמָה: 

%result = mhlo.uniform_quantize %operand : (tensor<16x16xf32>) -> tensor<16x16x!quant.uniform<ui8:f32, 34.0:16>>

Traits: AlwaysSpeculatableImplTrait , Elementwise , SameOperandsAndResultShape

Interfaces: ConditionallySpeculatable , InferShapedTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Operands:

Operand תֵאוּר
operand ranked tensor of 4/6/8/16/32/64-bit float or 2/4/8/16/32-bit uniform quantized signed integer or 2/4/8/16/32-bit uniform quantized per axis signed integer or 2/4/8/16/32-bit uniform quantized unsigned integer or 2/4/8/16/32-bit uniform quantized per axis unsigned integer values

Results:

תוֹצָאָה תֵאוּר
result ranked tensor of per-tensor integer quantized or per-axis integer quantized values

mhlo.while (mhlo::WhileOp)

While operation

Produces the output from executing body function 0 or more times while the cond function outputs true .

See: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#while

דוּגמָה: 

%results0, %results1 = "mhlo.while"(%operand0, %operand1) ({
  ^bb0(%arg0: tensor<i32>, %arg1: tensor<i32>):
    %0 = "mhlo.compare"(%arg0, %arg1) {
      comparison_direction = #stablehlo<comparison_direction LT>
    } : (tensor<i32>, tensor<i32>) -> tensor<i1>
    "mhlo.return"(%0) : (tensor<i1>) -> ()
}, {
  ^bb0(%arg0: tensor<i32>, %arg1: tensor<i32>):
    %0 = "mhlo.add"(%arg0, %constant0) : (tensor<i32>, tensor<i32>) -> tensor<i32>
    "mhlo.return"(%0, %arg1) : (tensor<i32>, tensor<i32>) -> ()
}) : (tensor<i32>, tensor<i32>) -> (tensor<i32>, tensor<i32>)

Traits: RecursiveMemoryEffects , SingleBlockImplicitTerminator<ReturnOp> , SingleBlock

Interfaces: InferTypeOpInterface , OpAsmOpInterface

Operands:

Operand תֵאוּר
operand variadic of ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized values or ranked tensor of per-axis integer quantized values or token or memref of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized values

Results:

תוֹצָאָה תֵאוּר
«unnamed» variadic of ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized values or ranked tensor of per-axis integer quantized values or token or memref of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized values

mhlo.xla.rng_get_and_update_state (mhlo::XlaRngGetAndUpdateStateOp)

XlaRngGetAndUpdateState operation

תַחבִּיר: 

operation ::= `mhlo.xla.rng_get_and_update_state` attr-dict

This operation is private to the XLA compiler, so it is does not yet have a specification.

Informally, this operation represents the change of the global random number generator state for rng instructions. The global state is incremented by delta and the old state is returned.

The output is currently defined for a single output type. If this changes in the future to support multiple types, lowering to use of a global memref must ensure that a single memref is still used and updated appropriately.

Interfaces: InferTypeOpInterface

Attributes:

תְכוּנָה MLIR Type תֵאוּר
delta ::mlir::IntegerAttr 64-bit signless integer attribute

Results:

תוֹצָאָה תֵאוּר
«unnamed» statically shaped tensor of 64-bit unsigned integer values

mhlo.xor (mhlo::XorOp)

Xor operation

תַחבִּיר: 

operation ::= `mhlo.xor` $lhs `,` $rhs attr-dict
              `:` custom<SameOperandsAndResultType>(type($lhs), type($rhs), type($result))

Performs element-wise XOR of two tensors lhs and rhs and produces a result tensor.

See: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#xor

דוּגמָה: 

%result = mhlo.xor %lhs, %rhs : tensor<2xi32>

Traits: AlwaysSpeculatableImplTrait , Commutative , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

Interfaces: ConditionallySpeculatable , InferShapedTypeOpInterface , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Operands:

Operand תֵאוּר
lhs ranked tensor of bool or 2/4/8/16/32/64-bit integer values
rhs ranked tensor of bool or 2/4/8/16/32/64-bit integer values

Results:

תוֹצָאָה תֵאוּר
result ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

תכונות

ArgResultAliasAttr

Attribute that models the alias relationship of entry function argument

This attribute captures the alias relationship of an MHLO main function argument to one of the results, denoted by resultIndex . The argTupleIndices and resultTupleIndices are used to index into nested tuples in operand and result respectively. If isMustAlias is true then the operand-result pair must alias.

This is meant to be used as an attribute on a function argument in MHLO. For example, in the following code it expresses that %arg1 may alias 0-th result. 

func @main(%arg0: tensor<2xf32>, %arg1: tensor<3xf32> {mhlo.result_alias =
    mhlo.result_alias<result_index = [2], ...>}
  ) -> tensor<2xf32>, tensor<3xf32> {
  // function body ...
}

Parameters:

פָּרָמֶטֶר C++ type תֵאוּר
argTupleIndices ::llvm::ArrayRef<int64_t> מֵמַד
resultIndex int64_t
resultTupleIndices ::llvm::ArrayRef<int64_t> מֵמַד
isMustAlias bool

ChannelHandleAttr

Two 64-bit integers 'handle' and 'type'

תַחבִּיר: 

#mhlo.channel_handle<
  int64_t,   # handle
  int64_t   # type
>

Parameters:

פָּרָמֶטֶר C++ type תֵאוּר
יָדִית int64_t
סוּג int64_t

ComparisonDirectionAttr

Which comparison operation to perform.

תַחבִּיר: 

#mhlo.comparison_direction<
  ::mlir::mhlo::ComparisonDirection   # value
>

Parameters:

פָּרָמֶטֶר C++ type תֵאוּר
עֵרֶך ::mlir::mhlo::ComparisonDirection an enum of type ComparisonDirection

ComparisonTypeAttr

Which comparison type to use.

תַחבִּיר: 

#mhlo.comparison_type<
  ::mlir::mhlo::ComparisonType   # value
>

Parameters:

פָּרָמֶטֶר C++ type תֵאוּר
עֵרֶך ::mlir::mhlo::ComparisonType an enum of type ComparisonType

ConvDimensionNumbersAttr

Structure of dimension information for conv op

Parameters:

פָּרָמֶטֶר C++ type תֵאוּר
inputBatchDimension int64_t
inputFeatureDimension int64_t
inputSpatialDimensions ::llvm::ArrayRef<int64_t> מֵמַד
kernelInputFeatureDimension int64_t
kernelOutputFeatureDimension int64_t
kernelSpatialDimensions ::llvm::ArrayRef<int64_t> מֵמַד
outputBatchDimension int64_t
outputFeatureDimension int64_t
outputSpatialDimensions ::llvm::ArrayRef<int64_t> מֵמַד

CrossProgramPrefetchAttr

Argument that is prefetched from another program

תַחבִּיר: 

#mhlo.cross_program_prefetch<
  int64_t,   # parameter
  ::llvm::ArrayRef<int64_t>,   # indices
  std::optional<int64_t>   # offset
>

This attribute captures an argument that is prefetched from another program. For a given CrossProgramPrefetchAttr , parameter tells us which argument of the main function of the module is prefetched, and indices is a shape index telling us what subshape of that argument is prefetched.

A shape has a subshape iff it is a tuple. In that case, the subshape of the tuple by indices is the shape achieved after indexing by each element of indices in turn. For example, the [1,0] subshape of tuple<tuple<token, token>, tuple<tensor<i32>, token>> is tensor<i32> .

An empty value for indices means the whole shape is prefetched.

לְדוּגמָה, 

module attributes { mhlo.cross_program_prefetch = [ #mhlo.cross_program_prefetch< parameter = 0, indices = [0]> ]} {
  func.func @copy(%arg0 : tuple<tensor<2x3xi32>, tensor<i32>>) -> tuple<tensor<2x3xi32>, tensor<i32>> {
    %0 = "mhlo.copy"(%arg0) {is_cross_program_prefetch}
    return %0 : tuple<tensor<2x3xi32>, tensor<i32>>
  }
  func.func @main(%arg0 : tuple<tensor<2x3xi32>, tensor<i32>>) -> tuple<tensor<2x3xi32>, tensor<i32>> {
    %1 = "mhlo.async_start"(%arg0) {called_computation=@copy}
    %2 = "mhlo.async_done"(%1) {called_computation=@copy}
    return %2 : tuple<tensor<2x3xi32>, tensor<i32>>
  }
}

The parameter = 0 tells us that the async copy of the 0 th parameter is a cross_program_prefetch , while the index of [0] tells us that the 0 th element of the tuple is prefetched while the other element of the tuple is not.

Parameters:

פָּרָמֶטֶר C++ type תֵאוּר
פָּרָמֶטֶר int64_t
מדדים ::llvm::ArrayRef<int64_t> מֵמַד
לְקַזֵז std::optional<int64_t>

CustomCallScheduleAttr

Specifies the desired schedule for the custom-call.

תַחבִּיר: 

#mhlo.custom_call_schedule<
  ::mlir::mhlo::CustomCallSchedule   # value
>

Parameters:

פָּרָמֶטֶר C++ type תֵאוּר
עֵרֶך ::mlir::mhlo::CustomCallSchedule an enum of type CustomCallSchedule

DequantizeModeAttr

_Dequantization mode. Only MIN COMBINED is supported.

תַחבִּיר: 

#mhlo.dequantize_mode<
  ::mlir::mhlo::DequantizeMode   # value
>

Parameters:

פָּרָמֶטֶר C++ type תֵאוּר
עֵרֶך ::mlir::mhlo::DequantizeMode an enum of type DequantizeMode

DomainKindAttr

Kind of domain metatdata attached to an HLO domain.

תַחבִּיר: 

#mhlo.kind<
  ::mlir::mhlo::DomainKind   # value
>

Parameters:

פָּרָמֶטֶר C++ type תֵאוּר
עֵרֶך ::mlir::mhlo::DomainKind an enum of type DomainKind

DotAlgorithmAttr

Attribute that models the algorithm constraints to use for computing dot.

תַחבִּיר: 

#mhlo.dot_algorithm<
  Type,   # lhsPrecisionType
  Type,   # rhsPrecisionType
  Type,   # accumulationType
  int64_t,   # lhsComponentCount
  int64_t,   # rhsComponentCount
  int64_t,   # numPrimitiveOperations
  bool   # allowImpreciseAccumulation
>

Parameters:

פָּרָמֶטֶר C++ type תֵאוּר
lhsPrecisionType Type
rhsPrecisionType Type
accumulationType Type
lhsComponentCount int64_t
rhsComponentCount int64_t
numPrimitiveOperations int64_t
allowImpreciseAccumulation bool

DotDimensionNumbersAttr

Attribute that models the dimension information for dot.

Parameters:

פָּרָמֶטֶר C++ type תֵאוּר
lhsBatchingDimensions ::llvm::ArrayRef<int64_t> מֵמַד
rhsBatchingDimensions ::llvm::ArrayRef<int64_t> מֵמַד
lhsContractingDimensions ::llvm::ArrayRef<int64_t> מֵמַד
rhsContractingDimensions ::llvm::ArrayRef<int64_t> מֵמַד

FftTypeAttr

XLA fast fourier transform type.

תַחבִּיר: 

#mhlo.fft_type<
  ::mlir::mhlo::FftType   # value
>

Parameters:

פָּרָמֶטֶר C++ type תֵאוּר
עֵרֶך ::mlir::mhlo::FftType an enum of type FftType

FusionKindAttr

Fusion kind

תַחבִּיר: 

#mhlo.fusion_kind<
  ::mlir::mhlo::FusionKind   # value
>

Parameters:

פָּרָמֶטֶר C++ type תֵאוּר
עֵרֶך ::mlir::mhlo::FusionKind an enum of type FusionKind

GatherDimensionNumbersAttr

Attribute that models the dimension information for gather

Parameters:

פָּרָמֶטֶר C++ type תֵאוּר
offsetDims ::llvm::ArrayRef<int64_t> מֵמַד
collapsedSliceDims ::llvm::ArrayRef<int64_t> מֵמַד
operandBatchingDims ::llvm::ArrayRef<int64_t> מֵמַד
startIndicesBatchingDims ::llvm::ArrayRef<int64_t> מֵמַד
startIndexMap ::llvm::ArrayRef<int64_t> מֵמַד
indexVectorDim int64_t

OutputOperandAliasAttr

Attribute that models the alias relationship of output and operand of a CustomCall op

תַחבִּיר: 

#mhlo.output_operand_alias<
  ::llvm::ArrayRef<int64_t>,   # outputTupleIndices
  int64_t,   # operandIndex
  ::llvm::ArrayRef<int64_t>   # operandTupleIndices
>

This attribute captures the alias relationship of the output to one of the operands for a CustomCall op, denoted by operand_index . The output_tuple_indices and operand_tuple_indices are used to index into output and operand types. These indices lists are empty if the corresponding types are not tuple types, and can be arbitrarily long in case of arbitrarily nested tuple types.

See https://www.tensorflow.org/xla/aliasing

Example when used as array with in mhlo.custom-call: 

%0 = "mhlo.custom_call"(%arg0, %arg1) {
  // other attributes
  output_operand_alias = [
    #mhlo.output_operand_alias<output_tuple_indices = [0],
                               operand_index = 0,
                               operand_tuple_indices = [1]>
  ]
} : (tuple<tensor<1x1xf32>, tensor<2x3xf32>>, tensor<5x5xf32>) -> tuple<tensor<2x3xf32>>

The output and the 0th operand are both tuples. The aliasing shows the
relationship between the 0th element in output tuple with the 1st element in
the 0th operand. And both of them are of the same type: tensor<2x3xf32>.

Parameters:

פָּרָמֶטֶר C++ type תֵאוּר
outputTupleIndices ::llvm::ArrayRef<int64_t> מֵמַד
operandIndex int64_t
operandTupleIndices ::llvm::ArrayRef<int64_t> מֵמַד

PrecisionAttr

XLA precision for an operand. Has backend specific meaning.

תַחבִּיר: 

#mhlo.precision<
  ::mlir::mhlo::Precision   # value
>

Parameters:

פָּרָמֶטֶר C++ type תֵאוּר
עֵרֶך ::mlir::mhlo::Precision an enum of type Precision

RaggedDotDimensionNumbersAttr

Attribute that models the dimension information for ragged dot.

Parameters:

פָּרָמֶטֶר C++ type תֵאוּר
dotDimensionNumbers ::mlir::mhlo::DotDimensionNumbersAttr Attribute that models the dimension information for dot.
lhsRaggedDimensions ::llvm::ArrayRef<int64_t> מֵמַד
rhsGroupDimensions ::llvm::ArrayRef<int64_t> מֵמַד

ResultAccuracyAttr

The requested accuracy for unary ops.

Parameters:

פָּרָמֶטֶר C++ type תֵאוּר
atol APFloat
rtol APFloat
ulps int64_t
מצב ::mlir::mhlo::ResultAccuracyModeAttr XLA result accuracy mode.

ResultAccuracyModeAttr

XLA result accuracy mode.

תַחבִּיר: 

#mhlo.result_accuracy_mode<
  ::mlir::mhlo::ResultAccuracyMode   # value
>

Parameters:

פָּרָמֶטֶר C++ type תֵאוּר
עֵרֶך ::mlir::mhlo::ResultAccuracyMode an enum of type ResultAccuracyMode

RngAlgorithmAttr

XLA PRNG algorithm to be used.

תַחבִּיר: 

#mhlo.rng_algorithm<
  ::mlir::mhlo::RngAlgorithm   # value
>

Parameters:

פָּרָמֶטֶר C++ type תֵאוּר
עֵרֶך ::mlir::mhlo::RngAlgorithm an enum of type RngAlgorithm

RngDistributionAttr

XLA PRNG distribution to be used.

תַחבִּיר: 

#mhlo.rng_distribution<
  ::mlir::mhlo::RngDistribution   # value
>

Parameters:

פָּרָמֶטֶר C++ type תֵאוּר
עֵרֶך ::mlir::mhlo::RngDistribution an enum of type RngDistribution

ScatterDimensionNumbersAttr

Attribute that models the dimension information for scatter

Parameters:

פָּרָמֶטֶר C++ type תֵאוּר
updateWindowDims ::llvm::ArrayRef<int64_t> מֵמַד
insertedWindowDims ::llvm::ArrayRef<int64_t> מֵמַד
inputBatchingDims ::llvm::ArrayRef<int64_t> מֵמַד
scatterIndicesBatchingDims ::llvm::ArrayRef<int64_t> מֵמַד
scatterDimsToOperandDims ::llvm::ArrayRef<int64_t> מֵמַד
indexVectorDim int64_t

TransposeAttr

Transpose options

תַחבִּיר: 

#mhlo.transpose<
  ::mlir::mhlo::Transpose   # value
>

Parameters:

פָּרָמֶטֶר C++ type תֵאוּר
עֵרֶך ::mlir::mhlo::Transpose an enum of type Transpose

TypeExtensionsAttr

Attribute that extends tensor type with MHLO type properties.

תַחבִּיר: 

#mhlo.type_extensions<
  ::llvm::ArrayRef<int64_t>   # bounds
>

This attribute is used to extend MLIR tensor type with MHLO tensor specific properties. These properties aren't modeled in the MLIR type. This attribute is set in the encoding field of the tensor type.

See HLO_BoundedAttrInterface for documentation for bounds .

Parameters:

פָּרָמֶטֶר C++ type תֵאוּר
bounds ::llvm::ArrayRef<int64_t>

סוגים

AsyncBundleType

Opaque collection of other types

תַחבִּיר: 

!mhlo.async_bundle<
  ::llvm::ArrayRef<Type>   # types
>

Parameters:

פָּרָמֶטֶר C++ type תֵאוּר
סוגים ::llvm::ArrayRef<Type>

Enums

ComparisonDirection

Which comparison operation to perform.

Cases:

סֵמֶל עֵרֶך חוּט
אקולייזר 0 אקולייזר
צפון-מזרח 1 צפון-מזרח
GE 2 GE
GT 3 GT
LE 4 LE
LT 5 LT

ComparisonType

Which comparison type to use.

Cases:

סֵמֶל עֵרֶך חוּט
NOTYPE 0 NOTYPE
לָצוּף 1 לָצוּף
TOTALORDER 2 TOTALORDER
חָתוּם 3 חָתוּם
UNSIGNED 4 UNSIGNED

CustomCallApiVersion

Custom call API version

Cases:

סֵמֶל עֵרֶך חוּט
API_VERSION_UNSPECIFIED 0 API_VERSION_UNSPECIFIED
API_VERSION_ORIGINAL 1 API_VERSION_ORIGINAL
API_VERSION_STATUS_RETURNING 2 API_VERSION_STATUS_RETURNING
API_VERSION_STATUS_RETURNING_UNIFIED 3 API_VERSION_STATUS_RETURNING_UNIFIED
API_VERSION_TYPED_FFI 4 API_VERSION_TYPED_FFI

CustomCallSchedule

Specifies the desired schedule for the custom-call.

Cases:

סֵמֶל עֵרֶך חוּט
אַף לֹא אֶחָד 0 אַף לֹא אֶחָד
אחרון 1 אחרון
המוקדם ביותר 2 המוקדם ביותר

DequantizeMode

_Dequantization mode. Only MIN COMBINED is supported.

Cases:

סֵמֶל עֵרֶך חוּט
MIN_COMBINED 0 MIN_COMBINED

DomainKind

Kind of domain metatdata attached to an HLO domain.

Cases:

סֵמֶל עֵרֶך חוּט
sharding 0 sharding

FftType

XLA fast fourier transform type.

Cases:

סֵמֶל עֵרֶך חוּט
FFT 0 FFT
IFFT 1 IFFT
RFFT 2 RFFT
IRFFT 3 IRFFT

FusionKind

Fusion kind

Cases:

סֵמֶל עֵרֶך חוּט
kLoop 0 kLoop
kInput 1 kInput
kOutput 2 kOutput
kCustom 3 kCustom

דִיוּק

XLA precision for an operand. Has backend specific meaning.

Cases:

סֵמֶל עֵרֶך חוּט
בְּרִירַת מֶחדָל 0 בְּרִירַת מֶחדָל
גָבוֹהַ 1 גָבוֹהַ
הֲכִי גָבוֹהַ 2 הֲכִי גָבוֹהַ

ResultAccuracyMode

XLA result accuracy mode.

Cases:

סֵמֶל עֵרֶך חוּט
בְּרִירַת מֶחדָל 0 בְּרִירַת מֶחדָל
הֲכִי גָבוֹהַ 1 הֲכִי גָבוֹהַ
סוֹבלָנוּת 2 סוֹבלָנוּת

RngAlgorithm

XLA PRNG algorithm to be used.

Cases:

סֵמֶל עֵרֶך חוּט
בְּרִירַת מֶחדָל 0 בְּרִירַת מֶחדָל
THREE_FRY 1 THREE_FRY
PHILOX 2 PHILOX

RngDistribution

XLA PRNG distribution to be used.

Cases:

סֵמֶל עֵרֶך חוּט
אָחִיד 1 אָחִיד
נוֹרמָלִי 2 נוֹרמָלִי

לְשַׁרבֵּב

Transpose options

Cases:

סֵמֶל עֵרֶך חוּט
TRANSPOSE_INVALID 0 TRANSPOSE_INVALID
NO_TRANSPOSE 1 NO_TRANSPOSE
לְשַׁרבֵּב 2 לְשַׁרבֵּב
ADJOINT 3 ADJOINT