'tfl' گویش

گویش TensorFlow Lite.

این گویش با عملیات TensorFlow Lite نگاشت می شود.

متغیرها:

• همه مقادیر از نوع Tensor هستند (به ویژه، اسکالرها با استفاده از تانسورهای صفر بعدی نشان داده می شوند).

عملیات

tfl.abs (TFL::AbsOp)

عملگر مقدار مطلق

با توجه به یک تانسور x ، این عملیات یک تانسور حاوی مقدار مطلق هر عنصر در x را برمی‌گرداند. برای مثال، اگر x یک عنصر ورودی و y یک عنصر خروجی باشد، این عملیات \(y = |x|\)را محاسبه می‌کند.

صفات: AlwaysSpeculatableImplTrait , QuantizableResult , SameOperandsAndResultShape

رابط ها: ConditionallySpeculatable ، NoMemoryEffect (MemoryEffectOpInterface) ، TflRuntimeVerifyOpInterface

جلوه ها: MemoryEffects::Effect{}

عملگرها:

نتایج:

tfl.add (TFL::AddOp)

اپراتور اضافه

عملیات جمع عنصر.

صفات: ::mlir::OpTrait::TFLRuntimeOpTrait , AlwaysSpeculatableImplTrait , Commutative , QuantizableResult , ResultsBroadcastableShape

رابط ها: ConditionallySpeculatable ، NoMemoryEffect (MemoryEffectOpInterface) ، TflArithmeticCountOpInterface ، TflRuntimeVerifyOpInterface

جلوه ها: MemoryEffects::Effect{}

ویژگی های:

عملگرها:

نتایج:

tfl.add_n (TFL::AddNOp)

_افزودن n عملگر

همه تانسورهای ورودی را از نظر عنصر اضافه می کند.

صفات: AlwaysSpeculatableImplTrait , Commutative

رابط ها: ConditionallySpeculatable ، NoMemoryEffect (MemoryEffectOpInterface) ، SameOperandsAndResultsScale ، TflArithmeticCountOpInterface ، TflRuntimeVerifyOpInterface

جلوه ها: MemoryEffects::Effect{}

عملگرها:

نتایج:

tfl.arg_max (TFL::ArgMaxOp)

اپراتور ArgMax

شاخصی را با بیشترین مقدار در ابعاد یک تانسور برمی‌گرداند.

صفات: AlwaysSpeculatableImplTrait , QuantizableResult

رابط ها: ConditionallySpeculatable ، NoMemoryEffect (MemoryEffectOpInterface) ، TflRuntimeVerifyOpInterface

جلوه ها: MemoryEffects::Effect{}

ویژگی های:

عملگرها:

نتایج:

tfl.arg_min (TFL::ArgMinOp)

اپراتور ArgMin

شاخصی را با کمترین مقدار در ابعاد یک تانسور برمی‌گرداند. a = [1، 10، 26.9، 2.8، 166.32، 62.3] b = tf.math.argmin(input = a) c = tf.keras.backend.eval(b)

صفات: AlwaysSpeculatableImplTrait , QuantizableResult

رابط ها: ConditionallySpeculatable ، NoMemoryEffect (MemoryEffectOpInterface) ، TflRuntimeVerifyOpInterface

جلوه ها: MemoryEffects::Effect{}

ویژگی های:

عملگرها:

نتایج:

tfl.assign_variable (TFL::AssignVariableOp)

مقدار جدیدی را به یک متغیر اختصاص می دهد.

هر ReadVariableOp با وابستگی کنترلی به این عملیات تضمینی برای برگرداندن این مقدار یا مقدار جدیدتر بعدی متغیر است.

رابط ها: TflRuntimeVerifyOpInterface

عملگرها:

tfl.atan2 (TFL::Atan2Op)

عملیات Atan2

عملیات "atan2" با رعایت نشانه‌های آرگومان‌ها، تانژانت y/x را از نظر عنصر محاسبه می‌کند.

صفات: AlwaysSpeculatableImplTrait ، SameOperandsAndResultElementType ، SameOperandsAndResultShape

رابط ها: ConditionallySpeculatable ، NoMemoryEffect (MemoryEffectOpInterface) ، TflRuntimeVerifyOpInterface

جلوه ها: MemoryEffects::Effect{}

عملگرها:

نتایج:

tfl.average_pool_2d (TFL::AveragePool2DOp)

اپراتور _Average_pool 2d

عملیات ادغام متوسط ​​را روی ورودی انجام می دهد.

صفات: AlwaysSpeculatableImplTrait , QuantizableResult

رابط ها: ConditionallySpeculatable ، NoMemoryEffect (MemoryEffectOpInterface) ، SameOperandsAndResultsScale ، TflArithmeticCountOpInterface ، TflRuntimeVerifyOpInterface

جلوه ها: MemoryEffects::Effect{}

ویژگی های:

عملگرها:

نتایج:

tfl.basic_lstm (TFL::BasicLSTMOp)

اپراتور اصلی lstm

اپراتور سلولی پایه LSTM.

صفات: AlwaysSpeculatableImplTrait , QuantizableResult

رابط ها: ConditionallySpeculatable ، NoMemoryEffect (MemoryEffectOpInterface) ، TflRuntimeVerifyOpInterface

جلوه ها: MemoryEffects::Effect{}

ویژگی های:

عملگرها:

نتایج:

tfl.batch_matmul (TFL::BatchMatMulOp)

عملگر ضرب ماتریس دسته ای

ضرب ماتریس دسته ای را روی ورودی ها انجام می دهد. از قراردادهای TensorFlow BatchMatMulV2 پیروی می کند، با پشتیبانی از ابعاد ناشناخته در ابعاد دسته ای و پخش.

Inputs:
  `inputs[0]`: required: input LHS
  `inputs[1]`: required: input RHS
  `adjoint_lhs`: optional: Transpose LHS (default false)
  `adjoint_lhs`: optional: Transpose LHS (default false)

صفات: ::mlir::OpTrait::TFLRuntimeOpTrait ، AlwaysSpeculatableImplTrait ، QuantizableResult

رابط ها: ConditionallySpeculatable ، DynamicRangeQuantizedOpInterface ، NoMemoryEffect (MemoryEffectOpInterface) ، TflRuntimeVerifyOpInterface

جلوه ها: MemoryEffects::Effect{}

ویژگی های:

عملگرها:

نتایج:

tfl.batch_to_space_nd (TFL::BatchToSpaceNdOp)

اپراتور BatchToSpaceNd

این عملیات بعد "دسته ای" 0 را به ابعاد فضایی تغییر می دهد.

صفات: AlwaysSpeculatableImplTrait , QuantizableResult

رابط ها: ConditionallySpeculatable ، NoMemoryEffect (MemoryEffectOpInterface) ، SameOperandsAndResultsScale ، TflRuntimeVerifyOpInterface

جلوه ها: MemoryEffects::Effect{}

عملگرها:

نتایج:

tfl.bidirectional_sequence_lstm (TFL::BidirectionalSequenceLSTMOp)

عملگر lstm دنباله دو طرفه

lstm دو ​​جهته اساساً دو lstm است، یکی در حال اجرا به جلو و دیگری در حال اجرا به عقب. و خروجی الحاق دو lstms است.

صفات: QuantizableResult

رابط ها: DynamicRangeQuantizedOpInterface ، TFL_StatefulOp ، TflRuntimeVerifyOpInterface

ویژگی های:

عملگرها:

نتایج:

tfl.bitcast (TFL::BitcastOp)

اپراتور بیت کست

یک تانسور را از یک نوع به نوع دیگر Bitcast می کند.

صفات: AlwaysSpeculatableImplTrait

رابط ها: ConditionallySpeculatable ، NoMemoryEffect (MemoryEffectOpInterface) ، TflRuntimeVerifyOpInterface

جلوه ها: MemoryEffects::Effect{}

عملگرها:

نتایج:

tfl.bitwise_xor (TFL::BitwiseXorOp)

عملگر بیتی Xor

Elementwise XOR بیتی lhs و rhs را محاسبه می‌کند.

صفات: AlwaysSpeculatableImplTrait , Commutative , SameOperandsAndResultElementType

رابط ها: ConditionallySpeculatable ، NoMemoryEffect (MemoryEffectOpInterface) ، TflRuntimeVerifyOpInterface

جلوه ها: MemoryEffects::Effect{}

عملگرها:

نتایج:

tfl.broadcast_args (TFL::BroadcastArgsOp)

شکل s0 op s1 را با پخش برگردانید.

با توجه به s0 و s1 ، تانسورهایی که اشکال را نشان می دهند، r0 ، شکل پخش شده را محاسبه می کنند. s0 ، s1 و r0 همگی بردارهای عدد صحیح هستند.

صفات: AlwaysSpeculatableImplTrait

رابط ها: ConditionallySpeculatable ، NoMemoryEffect (MemoryEffectOpInterface) ، TflRuntimeVerifyOpInterface

جلوه ها: MemoryEffects::Effect{}

عملگرها:

نتایج:

tfl.broadcast_to (TFL::BroadcastToOp)

پخش یک آرایه برای یک شکل سازگار.

پخش فرآیند ساخت آرایه هایی است که دارای اشکال سازگار برای عملیات حسابی باشند. دو شکل با هم سازگار هستند اگر برای هر جفت بعد یا مساوی باشند یا یکی از آنها یکی باشد. هنگامی که می خواهید یک Tensor را به یک شکل پخش کنید، از ابعاد انتهایی شروع می شود و به سمت جلو حرکت می کند.

مثلا،

x = tf.constant([1, 2, 3]) y = tf.broadcast_to(x, [3, 3]) print(y) tf.Tensor( [[1 2 3] [1 2 3] [1 2] 3]]، shape=(3، 3)، dtype=int32)

در مثال بالا، تانسور ورودی با شکل [1, 3] به تانسور خروجی با شکل [3, 3] پخش می شود.

هنگام انجام عملیات پخش شده مانند ضرب یک تانسور در یک اسکالر، پخش (معمولاً) مقداری مزیت زمانی یا مکانی را به همراه دارد، زیرا تانسور پخش شده هرگز محقق نمی شود.

با این حال، broadcast_to چنین مزایایی را به همراه ندارد. تانسور تازه ایجاد شده حافظه کامل شکل پخش شده را می گیرد. (در یک زمینه گراف، broadcast_to ممکن است با عملیات بعدی ترکیب شود و سپس بهینه شود.)

صفات: AlwaysSpeculatableImplTrait , QuantizableResult

رابط ها: ConditionallySpeculatable ، NoMemoryEffect (MemoryEffectOpInterface) ، TflRuntimeVerifyOpInterface

جلوه ها: MemoryEffects::Effect{}

عملگرها:

نتایج:

tfl.bucketize (TFL::BucketizeOp)

"ورودی" را بر اساس "مرزها" سطل می کند.

مثال:

اگر ورودی ها boundaries = [0, 10, 100] و input = [[-5, 10000][150, 10][5, 100]] ، آنگاه خروجی output = [[0, 3][3, 2][1, 3]] خواهد بود. output = [[0, 3][3, 2][1, 3]] .

صفات: AlwaysSpeculatableImplTrait , SameOperandsAndResultShape

رابط ها: ConditionallySpeculatable ، NoMemoryEffect (MemoryEffectOpInterface) ، TflRuntimeVerifyOpInterface

جلوه ها: MemoryEffects::Effect{}

ویژگی های:

عملگرها:

نتایج:

tfl.call_once (TFL::CallOnceOp)

یک تابع مقداردهی اولیه را فراخوانی می کند

این عملیات تابع مقداردهی اولیه را برای جلسه اولیه در گویش مدل ذخیره شده tf فراخوانی می کند.

رابط ها: TflRuntimeVerifyOpInterface

ویژگی های:

tfl.cast (TFL::CastOp)

اپراتور بازیگران

ورودی را از نوع ورودی به نوع خروجی ارسال می کند.

صفات: AlwaysSpeculatableImplTrait , SameOperandsAndResultShape

رابط ها: ConditionallySpeculatable ، NoMemoryEffect (MemoryEffectOpInterface) ، TflRuntimeVerifyOpInterface

جلوه ها: MemoryEffects::Effect{}

عملگرها:

نتایج:

tfl.ceil (TFL::CeilOp)

اپراتور سقفی

مقدار سقف ورودی از نظر عنصر را برمی‌گرداند.

صفات: AlwaysSpeculatableImplTrait ، InferTensorType ، TF::SameOperandsAndResultTypeResolveRef

رابط ها: ConditionallySpeculatable ، InferShapedTypeOpInterface ، InferTypeOpInterface ، NoMemoryEffect (MemoryEffectOpInterface) ، TflRuntimeVerifyOpInterface

جلوه ها: MemoryEffects::Effect{}

عملگرها:

نتایج:

tfl.complex_abs (TFL::ComplexAbsOp)

قدر مطلق مختلط یک تانسور را محاسبه می کند.

با توجه به تانسور x از اعداد مختلط، این عملیات یک تانسور از نوع float یا double را برمی‌گرداند که قدر مطلق هر عنصر در x است. همه عناصر در x باید اعداد مختلط شکل \(a + bj\)باشند. مقدار مطلق به عنوان \( \sqrt{a^2 + b^2}\)محاسبه می شود.

صفات: AlwaysSpeculatableImplTrait , SameOperandsAndResultShape

رابط ها: ConditionallySpeculatable ، NoMemoryEffect (MemoryEffectOpInterface) ، TflRuntimeVerifyOpInterface

جلوه ها: MemoryEffects::Effect{}

عملگرها:

نتایج:

tfl.concatenation (TFL::ConcatenationOp)

عملگر الحاق

تانسورها را در یک بعد به هم متصل می کند

صفات: AlwaysSpeculatableImplTrait , QuantizableResult

رابط ها: ConditionallySpeculatable ، NoMemoryEffect (MemoryEffectOpInterface) ، SameOperandsAndResultsScale ، TflRuntimeVerifyOpInterface

جلوه ها: MemoryEffects::Effect{}

ویژگی های:

عملگرها:

نتایج:

tfl.control_node (TFL::ControlNodeOp)

عملیات TFL.control_node عملیات تک بلوکی را به منظور اتصال لبه‌های کنترلی می‌پیچد.

این برای بسته بندی مناطق و اتصال وابستگی های کنترلی به آنها استفاده می شود. معمولاً، این اتفاق در یکی از آخرین مراحل قبل از انتشار مدل flatbuffer رخ می‌دهد تا بهینه‌سازی‌هایی که به ترتیب ثابتی از عملیات متکی هستند (مانند مواد مجدد) را فعال کند. به طوری که هرگونه ترتیب مجدد زمان اجرا به ترتیب داده شده توسط وابستگی های کنترلی احترام می گذارد.

ویژگی ها: HasParent<mlir::func::FuncOp> ، RecursiveMemoryEffects ، SingleBlockImplicitTerminator<YieldOp> ، SingleBlock

عملگرها:

نتایج:

tfl.conv_2d (TFL::Conv2DOp)

عملگر پیچیدگی

عملیات کانولوشن را روی ورودی ها انجام می دهد.

ورودی‌ها: inputs[0] : مورد نیاز: inputs[1] : لازم: inputs[2] : اختیاری: تانسور بایاس

صفات: AlwaysSpeculatableImplTrait , QuantizableResult , quant::AccumulatorUniformScale<2, 0, 1> , quant::AffineOpCoefficient<0, 1>

رابط‌ها: AffineQuantizedOpInterface ، ConditionallySpeculatable ، DynamicRangeQuantizedOpInterface ، InferTypeOpInterface ، NoMemoryEffect (MemoryEffectOpInterface) ، TFL_SparseOp ، TflArithmeticCountOpInterface ، TflRuntimeVerifyOpInterface .

جلوه ها: MemoryEffects::Effect{}

ویژگی های:

عملگرها:

نتایج:

tfl.conv_3d (TFL::Conv3DOp)

اپراتور Convolution 3D

عملیات کانولوشن را روی ورودی های سه بعدی انجام می دهد. ورودی‌ها: inputs[0] : مورد نیاز: inputs[1] : لازم: inputs[2] : اختیاری: تانسور بایاس

صفات: AlwaysSpeculatableImplTrait ، quant::AccumulatorUniformScale<2, 0, 1>

رابط ها: ConditionallySpeculatable ، NoMemoryEffect (MemoryEffectOpInterface) ، TflRuntimeVerifyOpInterface

جلوه ها: MemoryEffects::Effect{}

ویژگی های:

عملگرها:

نتایج:

tfl.conv_3d_transpose (TFL::Conv3DTransposeOp)

عملگر 3 بعدی پیچیدگی انتقال یافته

عملیات کانولوشن انتقالی را روی ورودی های سه بعدی انجام می دهد. ورودی‌ها: inputs[0] : مورد نیاز: شکل inputs[1] : مورد نیاز: inputs[2] : لازم: inputs[3] : اختیاری: تانسور بایاس

صفات: AlwaysSpeculatableImplTrait ، quant::AccumulatorUniformScale<2, 0, 1>

رابط ها: ConditionallySpeculatable ، NoMemoryEffect (MemoryEffectOpInterface) ، TflRuntimeVerifyOpInterface

جلوه ها: MemoryEffects::Effect{}

ویژگی های:

عملگرها:

نتایج:

tfl.cos (TFL::CosOp)

عملگر کسینوس

کسینوس ورودی را از نظر عنصر محاسبه می کند

صفات: AlwaysSpeculatableImplTrait ، InferTensorType ، TF::SameOperandsAndResultTypeResolveRef

رابط ها: ConditionallySpeculatable ، InferShapedTypeOpInterface ، InferTypeOpInterface ، NoMemoryEffect (MemoryEffectOpInterface) ، TflRuntimeVerifyOpInterface

جلوه ها: MemoryEffects::Effect{}

عملگرها:

نتایج:

tfl.cumsum (TFL::CumsumOp)

عملگر Cumsum

مجموع تجمعی تانسور x را در امتداد محور محاسبه کنید.

صفات: AlwaysSpeculatableImplTrait

رابط ها: ConditionallySpeculatable ، NoMemoryEffect (MemoryEffectOpInterface) ، TflRuntimeVerifyOpInterface

جلوه ها: MemoryEffects::Effect{}

ویژگی های:

عملگرها:

نتایج:

tfl.custom (TFL::CustomOp)

عملیات سفارشی

یک عملیات عمومی برای هر عملیات سفارشی TFLite.

input: فهرستی از ورودی ها در عملیات اصلی. custom_code: رشته ای است که برای تشخیص اینکه دقیقاً این op چیست، که با operator_codes.custom_code در flatbuffer مطابقت دارد استفاده می شود. custom_option: نگهدارنده ای برای ذخیره ویژگی های op به صورت بایت. خروجی: فهرستی از خروجی ها در عملیات اصلی.

رابط ها: TflRuntimeVerifyOpInterface

ویژگی های:

عملگرها:

نتایج:

tfl.custom_tf (TFL::CustomTfOp)

Wrapper Op برای عملیات سفارشی TF.

یک عملیات بسته بندی در اطراف هر عملیات سفارشی TF. این شامل عملیات‌هایی است که با استفاده از custom_opdefs تعریف شده‌اند یا پیوند داده شده‌اند که در گویش TF تعریف نشده‌اند. این Op فقط عملیات سفارشی را در یک منطقه پیچیده می کند. توجه شماره 1، این عملیات شامل عملیات سفارشی TF Lite نخواهد بود که با استفاده از CustomOp تعریف شده است. توجه شماره 2، این عملیات فقط نمایش داخلی در داخل مبدل است و هنگامی که مدل به Flatbuffer صادر می‌شود، در معرض/اکسپورت نمی‌شود.

صفات: IsolatedFromAbove ، RecursiveMemoryEffects ، SingleBlockImplicitTerminator<YieldOp> ، SingleBlock

رابط ها: InferTypeOpInterface ، TflRuntimeVerifyOpInterface

عملگرها:

نتایج:

tfl.densify (TFL::DensifyOp)

عملگر متراکم کردن

تانسور پراکنده را به فرمت متراکم تبدیل می کند.

صفات: AlwaysSpeculatableImplTrait

رابط ها: ConditionallySpeculatable ، NoMemoryEffect (MemoryEffectOpInterface) ، TflRuntimeVerifyOpInterface

جلوه ها: MemoryEffects::Effect{}

عملگرها:

نتایج:

tfl.depth_to_space (TFL::DepthToSpaceOp)

اپراتور DepthToSpace

داده ها را از عمق به بلوک های داده های مکانی بازآرایی می کند. این تبدیل معکوس SpaceToDepth است. به طور خاص، این عملیات یک کپی از تانسور ورودی را خروجی می‌دهد که در آن مقادیر از بعد depth در بلوک‌های فضایی به ابعاد height و width منتقل می‌شوند. attr block_size اندازه بلوک ورودی و نحوه انتقال داده ها را نشان می دهد.

صفات: AlwaysSpeculatableImplTrait , QuantizableResult

رابط ها: ConditionallySpeculatable ، NoMemoryEffect (MemoryEffectOpInterface) ، SameOperandsAndResultsScale ، TflRuntimeVerifyOpInterface

جلوه ها: MemoryEffects::Effect{}

ویژگی های:

عملگرها:

نتایج:

tfl.depthwise_conv_2d (TFL::DepthwiseConv2DOp)

عملگر پیچیدگی قابل جداسازی عمقی

عملیات کانولوشن را روی ورودی ها انجام می دهد.

ورودی‌ها: inputs[0] : مورد نیاز: inputs[1] : لازم: inputs[2] : اختیاری: تانسور بایاس

صفات: AlwaysSpeculatableImplTrait , QuantizableResult , quant::AccumulatorUniformScale<2, 0, 1> , quant::AffineOpCoefficient<3, 1>

رابط ها: AffineQuantizedOpInterface ، ConditionallySpeculatable ، DynamicRangeQuantizedOpInterface TflRuntimeVerifyOpInterface NoMemoryEffect (MemoryEffectOpInterface) ، TFL_SparseOp ، TflArithmeticCountOpInterface

جلوه ها: MemoryEffects::Effect{}

ویژگی های:

عملگرها:

نتایج:

tfl.dequantize (TFL::DequantizeOp)

اپراتور Dequantize

آرایه کوانتیزه شده از اعداد صحیح را با توجه به پارامترهای کوانتیزاسیون به نقاط شناور تبدیل می کند.

رابط ها: NoMemoryEffect (MemoryEffectOpInterface) ، TflRuntimeVerifyOpInterface

جلوه ها: MemoryEffects::Effect{}

عملگرها:

نتایج:

tfl.dilate (TFL::DilateOp)

اپراتور اتساع

یک تانسور را با افزودن عناصر جدید بین عناصر موجود گسترش می دهد. صفات: AlwaysSpeculatableImplTrait

رابط ها: ConditionallySpeculatable ، NoMemoryEffect (MemoryEffectOpInterface) ، TflRuntimeVerifyOpInterface

جلوه ها: MemoryEffects::Effect{}

عملگرها:

نتایج:

tfl.div (TFL::DivOp)

اپراتور بخش

عملیات تقسیم عنصری.

ویژگی ها: ::mlir::OpTrait::TFLRuntimeOpTrait , AlwaysSpeculatableImplTrait , ResultsBroadcastableShape

رابط ها: ConditionallySpeculatable ، NoMemoryEffect (MemoryEffectOpInterface) ، TflArithmeticCountOpInterface ، TflRuntimeVerifyOpInterface

جلوه ها: MemoryEffects::Effect{}

ویژگی های:

عملگرها:

نتایج:

tfl.dynamic_update_slice (TFL::DynamicUpdateSliceOp)

DynamicUpdateSlice.

عملیات DynamicUpdateSlice که معنایی مشابه با XLA DynamicUpdateSlice دارند. نتیجه ای را ایجاد می کند که مقدار عملوند آرایه ورودی است، با یک به روز رسانی تکه ای که در start_indices بازنویسی می شود.

به https://www.tensorflow.org/xla/operation_semantics#dynamicupdateslice مراجعه کنید

صفات: AlwaysSpeculatableImplTrait

رابط ها: ConditionallySpeculatable ، NoMemoryEffect (MemoryEffectOpInterface) ، TflRuntimeVerifyOpInterface

جلوه ها: MemoryEffects::Effect{}

عملگرها:

نتایج:

tfl.elu (tfl :: eluop)

اپراتور واحد خطی نمایی

خطی خطی f (x) -> exp (x) -1 را برای x <0 ، x برای x> = 0. محاسبه می کند.

صفات: AlwaysSpeculatableImplTrait ، SameOperandsAndResultShape

رابط ها: ConditionallySpeculatable ، NoMemoryEffect (MemoryEffectOpInterface) ، TflRuntimeVerifyOpInterface

اثرات: MemoryEffects::Effect{}

عملیات:

نتایج:

tfl.embedding_lookup (tfl :: تعبیه شده

تعبیه کردن اپراتور جستجو

در لیستی از تنش های جاسازی شده ، شناسه ها را جستجو می کند.

صفات: AlwaysSpeculatableImplTrait ، QuantizableResult

رابط ها: ConditionallySpeculatable ، DynamicRangeQuantizedOpInterface ، NoMemoryEffect (MemoryEffectOpInterface) ، TflRuntimeVerifyOpInterface

اثرات: MemoryEffects::Effect{}

عملیات:

نتایج:

tfl.equal (tfl :: برابر)

اپراتور برابر

عنصر حقیقت x == y عنصر عاقلانه را برمی گرداند

صفات: ::mlir::OpTrait::TFLRuntimeOpTrait ، AlwaysSpeculatableImplTrait ، Commutative ، QuantizableResult ، ResultsBroadcastableShape

رابط ها: ConditionallySpeculatable ، NoMemoryEffect (MemoryEffectOpInterface) ، TflRuntimeVerifyOpInterface

اثرات: MemoryEffects::Effect{}

عملیات:

نتایج:

tfl.exp (tfl :: expop)

اپراتور نمایندگی طبیعی

عملیات نمایندگی طبیعی عناصر عاقلانه را بر روی ورودی انجام می دهد.

صفات: AlwaysSpeculatableImplTrait ، QuantizableResult

رابط ها: ConditionallySpeculatable ، NoMemoryEffect (MemoryEffectOpInterface) ، TflRuntimeVerifyOpInterface

اثرات: MemoryEffects::Effect{}

عملیات:

نتایج:

tfl.expand_dims (tfl :: expanddimsop)

ابعاد 1 را به شکل تانسور وارد می کند.

با توجه به input تانسور ، این عمل ابعاد 1 را در axis شاخص ابعاد شکل input وارد می کند. axis شاخص ابعاد از صفر شروع می شود. اگر یک عدد منفی را برای axis مشخص کنید ، از انتها به عقب محاسبه می شود.

اگر می خواهید بعد دسته ای را به یک عنصر واحد اضافه کنید ، این عمل مفید است. به عنوان مثال ، اگر یک تصویر واحد از شکل [height, width, channels] دارید ، می توانید آن را به یک دسته از 1 تصویر با expand_dims(image, 0) تبدیل کنید ، که شکل [1, height, width, channels] ایجاد می کند. .

نمونه های دیگر:

# 't' is a tensor of shape [2]
shape(expand_dims(t, 0)) ==> [1, 2]
shape(expand_dims(t, 1)) ==> [2, 1]
shape(expand_dims(t, -1)) ==> [2, 1]

# 't2' is a tensor of shape [2, 3, 5]
shape(expand_dims(t2, 0)) ==> [1, 2, 3, 5]
shape(expand_dims(t2, 2)) ==> [2, 3, 1, 5]
shape(expand_dims(t2, 3)) ==> [2, 3, 5, 1]

این عملیات مستلزم آن است:

-1-input.dims() <= dim <= input.dims()

این عملیات مربوط به squeeze() است که ابعاد اندازه 1 را از بین می برد.

صفات: AlwaysSpeculatableImplTrait ، QuantizableResult

رابط ها: ConditionallySpeculatable ، NoMemoryEffect (MemoryEffectOpInterface) ، SameOperandsAndResultsScale ، TflRuntimeVerifyOpInterface

اثرات: MemoryEffects::Effect{}

عملیات:

نتایج:

tfl.external_const (tfl :: externalconstop)

const op خارجی.

External Const OP دارای یک buffer_index است که به ثابت در مسطح نشان می دهد.

صفات: AlwaysSpeculatableImplTrait ، QuantizableResult

رابط ها: ConditionallySpeculatable ، NoMemoryEffect (MemoryEffectOpInterface) ، TflRuntimeVerifyOpInterface

اثرات: MemoryEffects::Effect{}

ویژگی های:

نتایج:

tfl.fake_quant (tfl :: fakequantop)

اپراتور جعلی

تقلبی را با استفاده از تانسور "ورودی" از نوع شناور از طریق Scalars Float Min و Max به "خروجی" از تانسور به شکل همان ورودی ها.

صفات: AlwaysSpeculatableImplTrait ، QuantizableResult

رابط ها: ConditionallySpeculatable ، NoMemoryEffect (MemoryEffectOpInterface) ، TflRuntimeVerifyOpInterface

اثرات: MemoryEffects::Effect{}

ویژگی های:

عملیات:

نتایج:

tfl.fill (tfl :: fillop)

تانسور را با مقدار داده شده پر کنید.

تانسور را با مقدار داده شده پر کنید.

صفات: AlwaysSpeculatableImplTrait ، QuantizableResult

رابط ها: ConditionallySpeculatable ، NoMemoryEffect (MemoryEffectOpInterface) ، SameOperandsAndResultsScale ، TflRuntimeVerifyOpInterface

اثرات: MemoryEffects::Effect{}

عملیات:

نتایج:

tfl.floor (tfl :: flostop)

عملگر

مقدار کف عناصر ورودی ورودی را برمی گرداند.

صفات: AlwaysSpeculatableImplTrait ، InferTensorType ، TF::SameOperandsAndResultTypeResolveRef

رابط ها: ConditionallySpeculatable ، InferShapedTypeOpInterface ، InferTypeOpInterface ، NoMemoryEffect (MemoryEffectOpInterface) ، TflRuntimeVerifyOpInterface

اثرات: MemoryEffects::Effect{}

عملیات:

نتایج:

tfl.floor_div (tfl :: floordivop)

اپراتور طبقه

عملیات تقسیم طبقه عناصر.

صفات ::mlir::OpTrait::TFLRuntimeOpTrait ، AlwaysSpeculatableImplTrait ، ResultsBroadcastableShape

رابط ها: ConditionallySpeculatable ، NoMemoryEffect (MemoryEffectOpInterface) ، TflRuntimeVerifyOpInterface

اثرات: MemoryEffects::Effect{}

عملیات:

نتایج:

tfl.floor_mod (tfl :: floormodop)

یادآوری تقسیم

عملیات یادآوری تقسیم عناصر.

صفات ::mlir::OpTrait::TFLRuntimeOpTrait ، AlwaysSpeculatableImplTrait ، ResultsBroadcastableShape

رابط ها: ConditionallySpeculatable ، NoMemoryEffect (MemoryEffectOpInterface) ، TflRuntimeVerifyOpInterface

اثرات: MemoryEffects::Effect{}

عملیات:

نتایج:

tfl.fully_connected (tfl :: fullyconnectedop)

OP کاملاً متصل

صفات: AlwaysSpeculatableImplTrait ، QuantizableResult ، quant::AccumulatorUniformScale<2, 0, 1> ، quant::AffineOpCoefficient<0, 1>

رابط ها: AffineQuantizedOpInterface ، ConditionallySpeculatable ، DynamicRangeQuantizedOpInterface ، NoMemoryEffect (MemoryEffectOpInterface) ، TFL_SparseOp ، TflArithmeticCountOpInterface ، TflRuntimeVerifyOpInterface

اثرات: MemoryEffects::Effect{}

ویژگی های:

عملیات:

نتایج:

tfl.gather (tfl :: جمع)

اپراتور جمع کردن

برش ها را از axis params Axis مطابق با indices جمع کنید.

صفات: AlwaysSpeculatableImplTrait ، QuantizableResult

رابط ها: ConditionallySpeculatable ، DynamicRangeQuantizedOpInterface ، NoMemoryEffect (MemoryEffectOpInterface) ، SameOperandsAndResultsScale ، TflRuntimeVerifyOpInterface

اثرات: MemoryEffects::Effect{}

ویژگی های:

عملیات:

نتایج:

tfl.gather_nd (tfl :: gatherndop)

_ گرم اپراتور

برش ها را از params به تانسور با شکل مشخص شده توسط indices جمع کنید.

صفات: AlwaysSpeculatableImplTrait ، QuantizableResult

رابط ها: ConditionallySpeculatable ، NoMemoryEffect (MemoryEffectOpInterface) ، SameOperandsAndResultsScale ، TflRuntimeVerifyOpInterface

اثرات: MemoryEffects::Effect{}

عملیات:

نتایج:

tfl.gelu (tfl :: geluop)

عملکرد فعال سازی GELU.

عملکرد فعال سازی GELU را از نظر عناصر محاسبه می کند.

صفات: AlwaysSpeculatableImplTrait ، QuantizableResult ، SameOperandsAndResultShape

رابط ها: ConditionallySpeculatable ، NoMemoryEffect (MemoryEffectOpInterface) ، TflRuntimeVerifyOpInterface

اثرات: MemoryEffects::Effect{}

ویژگی های:

عملیات:

نتایج:

tfl.greater (tfl :: greaterop)

عملگر بزرگ

عملیات بیشتر عناصر عاقلانه.

صفات: ::mlir::OpTrait::TFLRuntimeOpTrait ، AlwaysSpeculatableImplTrait ، QuantizableResult ، ResultsBroadcastableShape

رابط ها: ConditionallySpeculatable ، NoMemoryEffect (MemoryEffectOpInterface) ، TflRuntimeVerifyOpInterface

اثرات: MemoryEffects::Effect{}

عملیات:

نتایج:

tfl.greater_equal (tfl :: greaterequalop)

_ اپراتور برابر

عملیات GREATER_EQUAL ELETIES.

صفات: ::mlir::OpTrait::TFLRuntimeOpTrait ، AlwaysSpeculatableImplTrait ، QuantizableResult ، ResultsBroadcastableShape

رابط ها: ConditionallySpeculatable ، NoMemoryEffect (MemoryEffectOpInterface) ، TflRuntimeVerifyOpInterface

اثرات: MemoryEffects::Effect{}

عملیات:

نتایج:

tfl.hard_swish (tfl :: hardswishop)

عملکرد فعال سازی سخت.

محاسبه عملکرد فعال سازی سخت f (x)-> (x * relu6 (x+3))/6 عنصر عاقلانه.

صفات: AlwaysSpeculatableImplTrait ، QuantizableResult ، SameOperandsAndResultShape

رابط ها: ConditionallySpeculatable ، NoMemoryEffect (MemoryEffectOpInterface) ، TflRuntimeVerifyOpInterface

اثرات: MemoryEffects::Effect{}

عملیات:

نتایج:

tfl.hashtable (tfl :: hashtableop)

یک جدول هش غیر محض ایجاد می کند.

این OP یک جدول هش ایجاد می کند و نوع کلیدها و مقادیر آن را مشخص می کند. قبل از استفاده از جدول ، باید آن را اولیه کنید. پس از اولیه سازی جدول تغییر ناپذیر خواهد بود.

رابط ها: TflRuntimeVerifyOpInterface

ویژگی های:

نتایج:

tfl.hashtable_find (tfl :: hashtablefindop)

کلیدها را در یک جدول جستجو می کند ، مقادیر مربوطه را خروجی می کند.

keys تانسور باید از همان نوع کلیدهای جدول استفاده کنند. values خروجی از نوع مقادیر جدول است.

SCALAR default_value خروجی مقدار کلیدهایی است که در جدول موجود نیست. همچنین باید از همان نوع مقادیر جدول باشد.

رابط ها: TflRuntimeVerifyOpInterface

عملیات:

نتایج:

tfl.hashtable_import (tfl :: hashtableimportop)

محتویات جدول را با کلیدها و مقادیر مشخص شده جایگزین می کند.

keys تانسور باید از همان نوع کلیدهای جدول باشند. values تانسور باید از نوع مقادیر جدول باشد.

رابط ها: TflRuntimeVerifyOpInterface

عملیات:

tfl.hashtable_size (tfl :: hashtablesizeop)

تعداد عناصر موجود در جدول داده شده را محاسبه می کند.

رابط ها: TflRuntimeVerifyOpInterface

عملیات:

نتایج:

tfl.if (tfl :: ifop)

عملیات IF-Then-Eten

عملیات tfl.if نشان دهنده یک ساختار IF-Then-Else برای اجرای شرطی دو منطقه کد است. عمل به یک عملیات IF یک مقدار بولی است. مثلا:

tfl.if %b  {
  ...
} else {
  ...
}

tfl.if همچنین ممکن است نتایج را که در مناطق آن تعریف شده است بازگرداند. مقادیر تعریف شده تعیین می شود که با استفاده از مسیر اجرای آن انجام می شود.

مثال:

%x, %y = tfl.if %b -> (tensor<f32>, tensor<f32>) {
  %x_true = ...
  %y_true = ...
  tfl.yield %x_true, %y_true : tensor<f32>, tensor<f32>
} else {
  %x_false = ...
  %y_false = ...
  tfl.yield %x_false, %y_false : tensor<f32>, tensor<f32>
}

مناطق tfl.if همیشه با "tfl.yield" خاتمه می یابد. اگر "tfl.if" هیچ مقداری را تعریف نکند ، "tfl.yield" را می توان از بین برد و به طور ضمنی وارد می شود. در غیر این صورت ، باید صریح باشد. همچنین ، اگر "tfl.if" یک یا چند مقدار را تعریف کند ، بلوک "Else" نمی تواند حذف شود.

مثال:

tfl.if %b  {
  ...
}

صفات: NoRegionArguments ، RecursiveMemoryEffects ، SingleBlockImplicitTerminator<YieldOp> ، SingleBlock

رابط ها: RegionBranchOpInterface ، TflRuntimeVerifyOpInterface

عملیات:

نتایج:

tfl.imag (tfl :: imagop)

قسمت خیالی یک عدد پیچیده را برمی گرداند.

با توجه به input تانسور از اعداد پیچیده ، این عمل یک تانسور از نوع float را برمی گرداند که قسمت خیالی هر عنصر در input است. تمام عناصر موجود در input باید تعداد پیچیده ای از فرم \(a + bj\)باشند ، جایی که A قسمت واقعی است و B قسمت خیالی است که توسط این عملیات بازگردانده می شود.

صفات: AlwaysSpeculatableImplTrait ، SameOperandsAndResultShape

رابط ها: ConditionallySpeculatable ، NoMemoryEffect (MemoryEffectOpInterface) ، TflRuntimeVerifyOpInterface

اثرات: MemoryEffects::Effect{}

عملیات:

نتایج:

tfl.l2_normalization (tfl :: l2normalizationOp)

L2 اپراتور را عادی کنید

l2 normalization op

صفات: AlwaysSpeculatableImplTrait ، QuantizableResult

رابط ها: ConditionallySpeculatable ، FixedOutputRangeInterface ، NoMemoryEffect (MemoryEffectOpInterface) ، TflArithmeticCountOpInterface ، TflRuntimeVerifyOpInterface

اثرات: MemoryEffects::Effect{}

ویژگی های:

عملیات:

نتایج:

tfl.leaky_relu (tfl :: leakyreluop)

اپراتور Leaky Relu

Element Wise Leaky Relu Operator X -> x> = 0؟ X: (آلفا * x)

صفات: AlwaysSpeculatableImplTrait ، QuantizableResult ، SameOperandsAndResultShape

رابط ها: ConditionallySpeculatable ، NoMemoryEffect (MemoryEffectOpInterface) ، TflRuntimeVerifyOpInterface

اثرات: MemoryEffects::Effect{}

ویژگی های:

عملیات:

نتایج:

tfl.less (tfl :: letherop)

عملگر کمتر

عملیات کمتر عناصر.

صفات: ::mlir::OpTrait::TFLRuntimeOpTrait ، AlwaysSpeculatableImplTrait ، QuantizableResult ، ResultsBroadcastableShape

رابط ها: ConditionallySpeculatable ، NoMemoryEffect (MemoryEffectOpInterface) ، TflRuntimeVerifyOpInterface

اثرات: MemoryEffects::Effect{}

عملیات:

نتایج:

tfl.less_equal (tfl :: lessequalop)

_ بیش از اپراتور برابر

عملیات LECT_EQUAL Elementies.

صفات: ::mlir::OpTrait::TFLRuntimeOpTrait ، AlwaysSpeculatableImplTrait ، QuantizableResult ، ResultsBroadcastableShape

رابط ها: ConditionallySpeculatable ، NoMemoryEffect (MemoryEffectOpInterface) ، TflRuntimeVerifyOpInterface

اثرات: MemoryEffects::Effect{}

عملیات:

نتایج:

tfl.local_response_normalization (tfl :: localResponseNormalizationOp)

عادی سازی پاسخ محلی.

تانسور input 4 بعدی به عنوان یک آرایه 3 بعدی از بردارهای 1 بعدی (در طول آخرین بعد) درمان می شود و هر بردار به طور مستقل نرمال می شود. در یک وکتور معین ، هر مؤلفه با کل ورودی و مربع ورودی در depth_radius تقسیم می شود. به تفصیل،

sqr_sum[a, b, c, d] =
    sum(input[a, b, c, d - depth_radius : d + depth_radius + 1] ** 2)
output = input / (bias + alpha * sqr_sum) ** beta

برای جزئیات بیشتر ، به Krizhevsky و همکاران ، طبقه بندی Imagenet با شبکه های عصبی عمیق حلقوی مراجعه کنید (NIPS 2012) .

صفات: AlwaysSpeculatableImplTrait ، InferTensorType ، TF::SameOperandsAndResultTypeResolveRef

رابط ها: ConditionallySpeculatable ، InferShapedTypeOpInterface ، InferTypeOpInterface ، NoMemoryEffect (MemoryEffectOpInterface) ، TflRuntimeVerifyOpInterface

اثرات: MemoryEffects::Effect{}

ویژگی های:

عملیات:

نتایج:

tfl.log (tfl :: logop)

اپراتور لگاریتم طبیعی

عملکرد لگاریتم طبیعی عناصر عناصر را بر روی ورودی انجام می دهد.

صفات: AlwaysSpeculatableImplTrait ، QuantizableResult

رابط ها: ConditionallySpeculatable ، NoMemoryEffect (MemoryEffectOpInterface) ، TflRuntimeVerifyOpInterface

اثرات: MemoryEffects::Effect{}

عملیات:

نتایج:

tfl.log_softmax (tfl :: logsoftmaxop)

اپراتور SoftMax را وارد کنید

فعال سازی های Log Element Wise Log را با فرمول زیر محاسبه می کند

ورودی - ورود به سیستم (read_sum (exp (ورودی) ، کم نور))

صفات: AlwaysSpeculatableImplTrait ، QuantizableResult ، SameOperandsAndResultShape

رابط ها: ConditionallySpeculatable ، FixedOutputRangeInterface ، NoMemoryEffect (MemoryEffectOpInterface) ، TflArithmeticCountOpInterface ، TflRuntimeVerifyOpInterface

اثرات: MemoryEffects::Effect{}

عملیات:

نتایج:

tfl.logical_and (tfl :: logicalandop)

منطقی و اپراتور

عناصر منطقی و عملیاتی.

صفات: AlwaysSpeculatableImplTrait

رابط ها: ConditionallySpeculatable ، NoMemoryEffect (MemoryEffectOpInterface) ، TflRuntimeVerifyOpInterface

اثرات: MemoryEffects::Effect{}

عملیات:

نتایج:

tfl.logical_not (tfl :: logicalnotop)

منطقی نه اپراتور

عملیات منطقی عناصر عناصر.

صفات: AlwaysSpeculatableImplTrait ، SameOperandsAndResultShape

رابط ها: ConditionallySpeculatable ، NoMemoryEffect (MemoryEffectOpInterface) ، TflRuntimeVerifyOpInterface

اثرات: MemoryEffects::Effect{}

عملیات:

نتایج:

tfl.logical_or (tfl :: logicalorop)

منطقی یا اپراتور

عناصر منطقی یا عملیاتی.

صفات: AlwaysSpeculatableImplTrait

رابط ها: ConditionallySpeculatable ، NoMemoryEffect (MemoryEffectOpInterface) ، TflRuntimeVerifyOpInterface

اثرات: MemoryEffects::Effect{}

عملیات:

نتایج:

tfl.logistic (tfl :: logisticop)

اپراتور لجستیک

سیگموئید عناصر ورودی را محاسبه می کند

صفات: AlwaysSpeculatableImplTrait ، QuantizableResult ، SameOperandsAndResultShape

رابط ها: ConditionallySpeculatable ، FixedOutputRangeInterface ، NoMemoryEffect (MemoryEffectOpInterface) ، TflArithmeticCountOpInterface ، TflRuntimeVerifyOpInterface

اثرات: MemoryEffects::Effect{}

عملیات:

نتایج:

tfl.lstm (tfl :: lstmop)

اپراتور کامل LSTM

واحد حافظه کوتاه مدت کوتاه مدت (LSTM) لایه شبکه مکرر. اجرای پیش فرض غیر Peephole بر اساس: http://deeplearning.cs.cmu.edu/pdfs/hochreiter97_lstm.pdf S. Hochreiter و J. Schmidhuber. "حافظه کوتاه مدت طولانی". محاسبات عصبی ، 9 (8): 1735-1780 ، 1997. اجرای Peephole بر اساس: https://research.google.com/archive/43905.pdf Hasim Sak ، Andrew Senior و Francoise Beaufays است. "حافظه کوتاه مدت کوتاه مدت معماری شبکه عصبی مکرر برای مدل سازی آکوستیک در مقیاس بزرگ." interspeech ، 2014. اتصال دروازه ورودی و فراموش شده (CIFG) بر اساس: http://arxiv.org/pdf/1503.04069.pdf Greff و همکاران. 'lstm: یک فضای جستجو ادیسه' عادی سازی لایه بر اساس: https://arxiv.org/pdf/1607.06450.pdf ba et al. "عادی سازی لایه"

صفات: QuantizableResult

رابط ها: DynamicRangeQuantizedOpInterface ، TFL_StatefulOp ، TflRuntimeVerifyOpInterface

ویژگی های:

عملیات:

نتایج:

tfl.matrix_diag (tfl :: ماتریسدیاگوپ)

یک تانسور را با مورب ارائه شده و هر چیز دیگری که با صفرها بسته بندی شده است ، برمی گرداند.

با توجه به مورب ، تانسور را با مورب و هر چیز دیگری که با صفرها خالی شده است ، برمی گرداند. فرض کنید مورب دارای ابعاد K [I, J, K, ..., N] است ، سپس خروجی یک تانسور رتبه k+1 با ابعاد است [I, J, K, ..., N, N] جایی: output[i, j, k, ..., m, n] = 1{m=n} * diagonal[i, j, k, ..., n].

صفات: AlwaysSpeculatableImplTrait ، QuantizableResult

رابط ها: ConditionallySpeculatable ، NoMemoryEffect (MemoryEffectOpInterface) ، TflRuntimeVerifyOpInterface

اثرات: MemoryEffects::Effect{}

عملیات:

نتایج:

tfl.matrix_set_diag (tfl :: matrixsetdiagop)

یک تانسور ماتریس دسته دار را با مقادیر مورب جدید جمع شده برمی گرداند.

با توجه به input و diagonal ، این عمل یک تانسور را با همان شکل و مقادیر input ، به جز مورب اصلی ماتریس های داخلی باز می گرداند. اینها توسط مقادیر موجود در diagonal می شوند.

صفات: AlwaysSpeculatableImplTrait ، QuantizableResult

رابط ها: ConditionallySpeculatable ، NoMemoryEffect (MemoryEffectOpInterface) ، TflRuntimeVerifyOpInterface

اثرات: MemoryEffects::Effect{}

عملیات:

نتایج:

tfl.max_pool_2d (tfl :: maxpool2dop)

حداکثر استخر 2D OP

حداکثر استخر 2D را در ورودی انجام می دهد.

ورودی ها: inputs[0] : مورد نیاز: تانسور ورودی

صفات: AlwaysSpeculatableImplTrait ، QuantizableResult

رابط ها: ConditionallySpeculatable ، NoMemoryEffect (MemoryEffectOpInterface) ، SameOperandsAndResultsScale ، TflArithmeticCountOpInterface ، TflRuntimeVerifyOpInterface

اثرات: MemoryEffects::Effect{}

ویژگی های:

عملیات:

نتایج:

tfl.maximum (tfl :: حداکثر)

حداکثر عملگر

عملیات حداکثر عناصر.

صفات: ::mlir::OpTrait::TFLRuntimeOpTrait ، AlwaysSpeculatableImplTrait ، Commutative ، QuantizableResult ، ResultsBroadcastableShape

رابط ها: ConditionallySpeculatable ، NoMemoryEffect (MemoryEffectOpInterface) ، SameOperandsAndResultsScale ، TflRuntimeVerifyOpInterface

اثرات: MemoryEffects::Effect{}

عملیات:

نتایج:

tfl.mean (tfl :: meanop)

میانگین عملگر

میانگین عناصر را در ابعاد یک تانسور محاسبه می کند. input_tensor را در امتداد ابعاد داده شده در محور کاهش می دهد. مگر در مواردی که Keepdims صحیح باشد ، درجه تانسور برای هر ورودی در محور 1 کاهش می یابد. اگر Keepdims درست باشد ، ابعاد کاهش یافته با طول 1 حفظ می شوند.

صفات: AlwaysSpeculatableImplTrait ، QuantizableResult

رابط ها: ConditionallySpeculatable ، NoMemoryEffect (MemoryEffectOpInterface) ، TflRuntimeVerifyOpInterface

اثرات: MemoryEffects::Effect{}

ویژگی های:

عملیات:

نتایج:

tfl.minimum (tfl :: minimumop)

حداقل عملگر

عملیات حداقل عناصر عناصر.

صفات: ::mlir::OpTrait::TFLRuntimeOpTrait ، AlwaysSpeculatableImplTrait ، Commutative ، QuantizableResult ، ResultsBroadcastableShape

رابط ها: ConditionallySpeculatable ، NoMemoryEffect (MemoryEffectOpInterface) ، SameOperandsAndResultsScale ، TflRuntimeVerifyOpInterface

اثرات: MemoryEffects::Effect{}

عملیات:

نتایج:

tfl.mirror_pad (tfl :: mirrorpadop)

اپراتور Mirrorpad. لنت یک تانسور با مقادیر آینه دار.

این عملیات ورودی با مقادیر آینه ای مطابق با بالشتک هایی که مشخص می کنید ، می باشد. Paddings یک تانسور عدد صحیح با شکل [n ، 2] است ، جایی که n رتبه ورودی است. برای هر ابعاد d از ورودی ، بالشتک ها [D ، 0] نشان می دهد که چه مقدار مقادیر قبل از محتوای ورودی در آن بعد اضافه می شود ، و بالشتک ها [D ، 1] نشان می دهد که چه مقدار مقادیر بعد از محتوای ورودی در آن بعد اضافه می شود.

هر دو بالشتک [D ، 0] و Paddings [D ، 1] نباید بیشتر از input.dim_size (d) (یا input.dim_size (d) - 1) اگر کپی_برای صحیح است (اگر نادرست باشد).

اندازه خالی از هر بعد D خروجی:

paddings (d ، 0) + input.dim_size (d) + paddings (d ، 1)

صفات: AlwaysSpeculatableImplTrait ، QuantizableResult

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , SameOperandsAndResultsScale , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

ویژگی های:

Operands:

نتایج:

tfl.mul (TFL::MulOp)

عملگر ضرب

Element-wise multiplication operation.

Traits: ::mlir::OpTrait::TFLRuntimeOpTrait , AlwaysSpeculatableImplTrait , Commutative , QuantizableResult , ResultsBroadcastableShape

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflArithmeticCountOpInterface , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

ویژگی های:

Operands:

نتایج:

tfl.multinomial (TFL::MultinomialOp)

Draws samples from a categorical distribution.

The generated values will have a categorical distribution based on the logits or unnormalized log-probabilities provided for all classes.

Interfaces: TflRuntimeVerifyOpInterface

ویژگی های:

Operands:

نتایج:

tfl.neg (TFL::NegOp)

Negation operator

Computes element-wise negation of input

Traits: AlwaysSpeculatableImplTrait , InferTensorType , TF::SameOperandsAndResultTypeResolveRef

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

Effects: MemoryEffects::Effect{}

Operands:

نتایج:

tfl.no_value (TFL::NoValueOp)

Constant representing no value.

No value constant op.

Traits: AlwaysSpeculatableImplTrait , ConstantLike

Interfaces: ConditionallySpeculatable , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

ویژگی های:

نتایج:

tfl.non_max_suppression_v4 (TFL::NonMaxSuppressionV4Op)

Greedily selects a subset of bounding boxes in descending order of score,

pruning away boxes that have high intersection-over-union (IOU) overlap with previously selected boxes. Bounding boxes with score less than score_threshold are removed. Bounding boxes are supplied as [y1, x1, y2, x2], where (y1, x1) and (y2, x2) are the coordinates of any diagonal pair of box corners and the coordinates can be provided as normalized (ie, lying in the interval [0, 1]) or absolute. Note that this algorithm is agnostic to where the origin is in the coordinate system and more generally is invariant to orthogonal transformations and translations of the coordinate system; thus translating or reflections of the coordinate system result in the same boxes being selected by the algorithm. The output of this operation is a set of integers indexing into the input collection of bounding boxes representing the selected boxes. The bounding box coordinates corresponding to the selected indices can then be obtained using the tf.gather operation . For example: selected_indices = tf.image.non_max_suppression_v2( boxes, scores, max_output_size, iou_threshold, score_threshold) selected_boxes = tf.gather(boxes, selected_indices)

Traits: AlwaysSpeculatableImplTrait

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

Operands:

نتایج:

tfl.non_max_suppression_v5 (TFL::NonMaxSuppressionV5Op)

Greedily selects a subset of bounding boxes in descending order of score,

pruning away boxes that have high intersection-over-union (IOU) overlap with previously selected boxes. Bounding boxes with score less than score_threshold are removed. Bounding boxes are supplied as [y1, x1, y2, x2], where (y1, x1) and (y2, x2) are the coordinates of any diagonal pair of box corners and the coordinates can be provided as normalized (ie, lying in the interval [0, 1]) or absolute. Note that this algorithm is agnostic to where the origin is in the coordinate system and more generally is invariant to orthogonal transformations and translations of the coordinate system; thus translating or reflections of the coordinate system result in the same boxes being selected by the algorithm. The output of this operation is a set of integers indexing into the input collection of bounding boxes representing the selected boxes. The bounding box coordinates corresponding to the selected indices can then be obtained using the tf.gather operation . For example: selected_indices = tf.image.non_max_suppression_v2( boxes, scores, max_output_size, iou_threshold, score_threshold) selected_boxes = tf.gather(boxes, selected_indices) This op also supports a Soft-NMS (with Gaussian weighting) mode (cf Bodla et al, https://arxiv.org/abs/1704.04503 ) where boxes reduce the score of other overlapping boxes instead of directly causing them to be pruned. To enable this Soft-NMS mode, set the soft_nms_sigma parameter to be larger than 0.

Traits: AlwaysSpeculatableImplTrait

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

Operands:

نتایج:

tfl.not_equal (TFL::NotEqualOp)

_Not equal operator

Element-wise not_equal operation.

Traits: ::mlir::OpTrait::TFLRuntimeOpTrait , AlwaysSpeculatableImplTrait , Commutative , ResultsBroadcastableShape

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

Operands:

نتایج:

tfl.NumericVerify (TFL::NumericVerifyOp)

Verifies the numericals of the two operands

The NumericVerify op is a debugging op to verify the numericals of the two activations. It is a custom op in TFLite. If log_if_failed is true, the NumericVerify op calculates statistics on differences between float and quantized activations, output logs, set differences to the output tensors, and throws an error if errors above tolerance exist. If log_if_failed = false, then it doesn't care about errors.

Traits: QuantizableResult , SameOperandsShape

Interfaces: TflRuntimeVerifyOpInterface

ویژگی های:

Operands:

نتایج:

tfl.one_hot (TFL::OneHotOp)

OneHot operator

Returns a one-hot tensor.The locations represented by indices in indices take value on_value , while all other locations take value off_value .

If the input indices is rank N , the output will have rank N+1 , The new axis is created at dimension axis (default: the new axis is appended at the end).

Traits: AlwaysSpeculatableImplTrait , QuantizableResult

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

ویژگی های:

Operands:

نتایج:

tfl.pack (TFL::PackOp)

Packs a list of tensors along a dimension into one tensor

Packs a list of values_count rank- R tensors into one rank- (R+1) tensor.

Packs the values_count tensors in values into a tensor with rank one higher than each tensor in values , by packing them along the axis dimension.

Given a list of tensors of shape (A, B, C) ;

if axis == 0 then the output tensor will have the shape (N, A, B, C) . if axis == 1 then the output tensor will have the shape (A, N, B, C) . و غیره.

مثلا:

# 'x' is [1, 4]
# 'y' is [2, 5]
# 'z' is [3, 6]
pack([x, y, z]) => [[1, 4], [2, 5], [3, 6]]  # Pack along first dim.
pack([x, y, z], axis=1) => [[1, 2, 3], [4, 5, 6]]

This is the opposite of unpack .

Traits: AlwaysSpeculatableImplTrait , QuantizableResult

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , SameOperandsAndResultsScale , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

ویژگی های:

Operands:

نتایج:

tfl.pad (TFL::PadOp)

Padding operator

This operation pads a input with zeros according to the paddings you specify. paddings is an integer tensor with shape [Dn, 2] , where n is the rank of input . For each dimension D of input , paddings[D, 0] indicates how many zeros to add before the contents of input in that dimension, and paddings[D, 1] indicates how many zeros to add after the contents of input in that dimension.

The padded size of each dimension D of the output is:

paddings(D, 0) + input.dim_size(D) + paddings(D, 1)

مثلا:

# 't' is [[1, 1], [2, 2]]
# 'paddings' is [[1, 1], [2, 2]]
# rank of 't' is 2
pad(t, paddings) ==> [[0, 0, 0, 0, 0, 0]
                      [0, 0, 1, 1, 0, 0]
                      [0, 0, 2, 2, 0, 0]
                      [0, 0, 0, 0, 0, 0]]

Traits: AlwaysSpeculatableImplTrait , QuantizableResult

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , SameOperandsAndResultsScale , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

Operands:

نتایج:

tfl.padv2 (TFL::PadV2Op)

Padding operator v2

This operation pads a input according to the paddings and constant_values you specify. paddings is an integer tensor with shape [Dn, 2] , where n is the rank of input . For each dimension D of input , paddings[D, 0] indicates how many zeros to add before the contents of input in that dimension, and paddings[D, 1] indicates how many zeros to add after the contents of input in that dimension. constant_values is a scalar tensor of the same type as input that indicates the value to use for padding input .

The padded size of each dimension D of the output is:

paddings(D, 0) + input.dim_size(D) + paddings(D, 1)

مثلا:

# 't' is [[1, 1], [2, 2]]
# 'paddings' is [[1, 1], [2, 2]]
# rank of 't' is 2
pad(t, paddings) ==> [[0, 0, 0, 0, 0, 0]
                      [0, 0, 1, 1, 0, 0]
                      [0, 0, 2, 2, 0, 0]
                      [0, 0, 0, 0, 0, 0]]

Traits: AlwaysSpeculatableImplTrait , QuantizableResult

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , SameOperandsAndResultsScale , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

Operands:

نتایج:

tfl.poly_call (TFL::PolyCallOp)

Poly call

Have multiple function bodies for the same computation. This allows a program compiler/interpreter to choose one of the available options to execute the program based on which one is most suitable for the target backend.

input: A list of input tensors whose types are T. output: A list of output tensors whose types are T.

call: Multiple regions, each of which encapsulates the same semantic computation but in different forms.

Traits: SingleBlockImplicitTerminator<YieldOp> , SingleBlock

Interfaces: RegionBranchOpInterface

Operands:

نتایج:

tfl.pow (TFL::PowOp)

Power operator

Element-wise power operation.

Traits: ::mlir::OpTrait::TFLRuntimeOpTrait , AlwaysSpeculatableImplTrait , ResultsBroadcastableShape

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

Operands:

نتایج:

tfl.prelu (TFL::PReluOp)

Parameterized Relu operator

Parameterized Relu operator x -> x >= 0 ? x : (alpha * x) where alpha is a trainable tensor. input and alpha should be the same size as input or be broadcastable.

Traits: ::mlir::OpTrait::TFLRuntimeOpTrait , AlwaysSpeculatableImplTrait , QuantizableResult , ResultsBroadcastableShape , quant::AffineOpCoefficient<-1, 1>

Interfaces: AffineQuantizedOpInterface , ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

Operands:

نتایج:

tfl.pseudo_const (TFL::ConstOp)

Constant pseudo op.

Represents a constant value in TensorFlow Lite dialect. This is not an actual operation and it will be lowered to buffer instead.

The op is allowed to have all the same type of attributes as tf.Const does (eg, opaque TF attributes are allowed).

Traits: AlwaysSpeculatableImplTrait , ConstantLike , FirstAttrDerivedResultType , QuantizableResult

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

ویژگی های:

نتایج:

tfl.pseudo_qconst (TFL::QConstOp)

Quantized constant pseudo op

Represents a quantized constant value in TensorFlow Lite dialect. This is not an actual operation and it will be lowered to buffer instead. The quantization parameters are stored as a type attribute in this constant.

Traits: AlwaysSpeculatableImplTrait , FirstAttrDerivedResultType

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

ویژگی های:

نتایج:

tfl.pseudo_sparse_const (TFL::SparseConstOp)

Sparse constant pseudo op.

Represents a sparse constant value in TensorFlow Lite dialect. This is not an actual operation and it will be lowered to buffer instead.

Traits: AlwaysSpeculatableImplTrait , FirstAttrDerivedResultType , QuantizableResult

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

ویژگی های:

نتایج:

tfl.pseudo_sparse_qconst (TFL::SparseQConstOp)

Sparse quantized constant pseudo op

Represents a sparse quantized constant value in TensorFlow Lite dialect. This is not an actual operation and it will be lowered to buffer instead. The quantization parameters are stored as a type attribute in this constant.

Traits: AlwaysSpeculatableImplTrait , FirstAttrDerivedResultType

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

ویژگی های:

نتایج:

tfl.quantize (TFL::QuantizeOp)

Quantize operator

Converts floating point tensors to quantized integer tensors according to the quantization parameters defined in the type attribute.

Traits: FirstAttrDerivedResultType , SameOperandsAndResultShape

Interfaces: NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

ویژگی های:

Operands:

نتایج:

tfl.random_standard_normal (TFL::RandomStandardNormalOp)

Outputs random values from a normal distribution.

The generated values will have mean 0 and standard deviation 1.

Interfaces: TflRuntimeVerifyOpInterface

ویژگی های:

Operands:

نتایج:

tfl.random_uniform (TFL::RandomUniformOp)

Outputs random values from a uniform distribution.

The generated values follow a uniform distribution in the range [0, 1) . The lower bound 0 is included in the range, while the upper bound 1 is excluded.

Interfaces: TflRuntimeVerifyOpInterface

ویژگی های:

Operands:

نتایج:

tfl.range (TFL::RangeOp)

Range operator

Returns a 1D tensor defined by a sequence from start to limit with a given delta .

Traits: AlwaysSpeculatableImplTrait

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

Operands:

نتایج:

tfl.rank (TFL::RankOp)

Rank operator.

Returns the rank of a tensor.

Traits: AlwaysSpeculatableImplTrait , QuantizableResult

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

Operands:

نتایج:

tfl.read_variable (TFL::ReadVariableOp)

Reads variable value.

Read variable data identified by 'resource_id'.

Interfaces: TflRuntimeVerifyOpInterface

Operands:

نتایج:

tfl.real (TFL::RealOp)

Returns the real part of a complex number.

Given a tensor input of complex numbers, this operation returns a tensor of type float that is the real part of each element in input . All elements in input must be complex numbers of the form \(a + bj\), where a is the real part returned by this operation and b is the imaginary part.

Traits: AlwaysSpeculatableImplTrait , SameOperandsAndResultShape

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

Operands:

نتایج:

tfl.reduce_all (TFL::ReduceAllOp)

Computes the "logical and" of elements across dimensions of a tensor.

Reduces input along the dimensions given in axis . Unless keep_dims is true, the rank of the tensor is reduced by 1 for each entry in axis . If keep_dims is true, the reduced dimensions are retained with length 1.

Traits: AlwaysSpeculatableImplTrait

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

ویژگی های:

Operands:

نتایج:

tfl.reduce_any (TFL::ReduceAnyOp)

Computes the "logical or" of elements across dimensions of a tensor.

Reduces input along the dimensions given in axis . Unless keep_dims is true, the rank of the tensor is reduced by 1 for each entry in axis . If keep_dims is true, the reduced dimensions are retained with length 1.

Traits: AlwaysSpeculatableImplTrait

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

ویژگی های:

Operands:

نتایج:

tfl.reduce_max (TFL::ReduceMaxOp)

Max-reduction operator

Computes the max reduction along the specified axes

Traits: AlwaysSpeculatableImplTrait , QuantizableResult

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , SameOperandsAndResultsScale , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

ویژگی های:

Operands:

نتایج:

tfl.reduce_min (TFL::ReduceMinOp)

Min-reduction operator

Computes the min reduction along the specified axes

Traits: AlwaysSpeculatableImplTrait , QuantizableResult

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , SameOperandsAndResultsScale , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

ویژگی های:

Operands:

نتایج:

tfl.reduce_prod (TFL::ReduceProdOp)

Prod-reduction operator

Computes the product along the specified axes

Traits: AlwaysSpeculatableImplTrait , QuantizableResult

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

ویژگی های:

Operands:

نتایج:

tfl.relu (TFL::ReluOp)

Relu operator

Element-wise Relu operator x -> max(0, x)

Traits: AlwaysSpeculatableImplTrait , QuantizableResult , SameOperandsAndResultShape

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

Operands:

نتایج:

tfl.relu6 (TFL::Relu6Op)

Relu6 operator

Element-wise Relu6 operator x -> max(0, min(6, x))

Traits: AlwaysSpeculatableImplTrait , QuantizableResult , SameOperandsAndResultShape

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

Operands:

نتایج:

tfl.relu_0_to_1 (TFL::Relu0To1Op)

Relu0To1 operator

Element-wise Relu0To1 operator x -> max(0, min(1, x))

Traits: AlwaysSpeculatableImplTrait , QuantizableResult , SameOperandsAndResultShape

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

Operands:

نتایج:

tfl.relu_n1_to_1 (TFL::Relu1Op)

Relu1 operator

Element-wise Relu1 operator x -> max(-1, min(1, x))

Traits: AlwaysSpeculatableImplTrait , QuantizableResult , SameOperandsAndResultShape

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

Operands:

نتایج:

tfl.reshape (TFL::ReshapeOp)

Reshape operator

Produces a tensor with the same values but different static shape defined by the output type.

Traits: AlwaysSpeculatableImplTrait , QuantizableResult

Interfaces: ConditionallySpeculatable , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface) , SameOperandsAndResultsScale , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

Operands:

نتایج:

tfl.resize_bilinear (TFL::ResizeBilinearOp)

ResizeBilinear Op

Resize images to size using bilinear interpolation.

Traits: AlwaysSpeculatableImplTrait , QuantizableResult

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , SameOperandsAndResultsScale , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

ویژگی های:

Operands:

نتایج:

tfl.resize_nearest_neighbor (TFL::ResizeNearestNeighborOp)

ResizeNearestNeighbor Op

Resize images to size using nearest neighbor interpolation.

Traits: AlwaysSpeculatableImplTrait , QuantizableResult

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , SameOperandsAndResultsScale , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

ویژگی های:

Operands:

نتایج:

tfl.reverse_sequence (TFL::ReverseSequenceOp)

Reverses variable length slices.

This op first slices input along the dimension batch_dim , and for each slice i , reverses the first seq_lengths[i] elements along the dimension seq_dim .

The elements of seq_lengths must obey seq_lengths[i] <= input.dims[seq_dim] , and seq_lengths must be a vector of length input.dims[batch_dim] .

The output slice i along dimension batch_dim is then given by input slice i , with the first seq_lengths[i] slices along dimension seq_dim reversed.

Traits: AlwaysSpeculatableImplTrait , QuantizableResult

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

ویژگی های:

Operands:

نتایج:

tfl.reverse_v2 (TFL::ReverseV2Op)

ReverseV2 Operator

Reverses specific dimensions of a tensor.

Given a tensor, and a int32/int64 tensor axis representing the set of dimensions of tensor to reverse. This operation reverses each dimension i for which there exists j st axis[j] == i.

Args: tensor: A Tensor. Must be one of the following types: uint8, int8, int16, int32, int64, float32, bool Up to 8-D.

axis: A Tensor. Must be one of the following types: int32, int64. with only 1 element which is the axis index. TODO: Add support for multiple elements.

Traits: AlwaysSpeculatableImplTrait , QuantizableResult

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

Operands:

نتایج:

tfl.rfft2d (TFL::RFFT2dOp)

2D real-valued fast Fourier transform.

Computes the 2-dimensional discrete Fourier transform of a real-valued signal over the inner-most 2 dimensions of input .

Since the DFT of a real signal is Hermitian-symmetric, RFFT2D only returns the fft_length / 2 + 1 unique components of the FFT for the inner-most dimension of output : the zero-frequency term, followed by the fft_length / 2 positive-frequency مقررات.

Along each axis RFFT2D is computed on, if fft_length is smaller than the corresponding dimension of input , the dimension is cropped. If it is larger, the dimension is padded with zeros.

Traits: AlwaysSpeculatableImplTrait

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

Operands:

نتایج:

tfl.right_shift (TFL::RightShiftOp)

Right Shift operator

Elementwise computes the bitwise right-shift of lhs by rhs .

Traits: AlwaysSpeculatableImplTrait , SameOperandsAndResultElementType

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

Operands:

نتایج:

tfl.round (TFL::RoundOp)

Round operator

Rounds the values of a tensor to the nearest integer, element-wise.

Traits: AlwaysSpeculatableImplTrait , InferTensorType , TF::SameOperandsAndResultTypeResolveRef

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

Effects: MemoryEffects::Effect{}

Operands:

نتایج:

tfl.rsqrt (TFL::RsqrtOp)

Reciprocal of square root operator

Computes element-wise reverse square root of input

Traits: AlwaysSpeculatableImplTrait , QuantizableResult , SameOperandsAndResultShape

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

Operands:

نتایج:

tfl.scatter_nd (TFL::ScatterNdOp)

_Scatter nd operator

Scatter updates into a new tensor according to indices

Traits: AlwaysSpeculatableImplTrait , QuantizableResult

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , SameOperandsAndResultsScale , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

Operands:

نتایج:

tfl.segment_sum (TFL::SegmentSumOp)

SegmentSum operator

Computes the sum along segments of a tensor.

Traits: AlwaysSpeculatableImplTrait

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

Operands:

نتایج:

tfl.select (TFL::SelectOp)

اپراتور را انتخاب کنید

Select values of 'x' if the corresponding value of 'condition' is true or the value of 'y' if false. There are valid condition input sizes:

1. Either the same shape (in which case the select is elementwise), or
2. condition must be Rank 1 and match over the first dimension.

Traits: AlwaysSpeculatableImplTrait , QuantizableResult

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , SameOperandsAndResultsScale , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

Operands:

نتایج:

tfl.select_v2 (TFL::SelectV2Op)

SelectV2 operator

Select values of 'x' if the corresponding value of 'condition' is true or the value of 'y' if false. There are valid condition input sizes:

1. Either the same shape (in which case the select is elementwise), or
2. Broadcastable shapes between 'condition', 'x' and 'y'.

Traits: ::mlir::OpTrait::TFLRuntimeOpTrait , AlwaysSpeculatableImplTrait , QuantizableResult , ResultsBroadcastableShape

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , SameOperandsAndResultsScale , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

Operands:

نتایج:

tfl.shape (TFL::ShapeOp)

عملگر شکل

Returns the shape of a tensor.

Traits: AlwaysSpeculatableImplTrait , QuantizableResult

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

ویژگی های:

Operands:

نتایج:

tfl.sign (TFL::SignOp)

Sign operation

Returns NaN if x is NaN, 0 if x is 0, -1 if x < 0 and 1 if x > 0.

Traits: AlwaysSpeculatableImplTrait , SameOperandsAndResultElementType , SameOperandsAndResultShape

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

Operands:

نتایج:

tfl.sin (TFL::SinOp)

Sine operator

Computes element-wise Sine of input

Traits: AlwaysSpeculatableImplTrait , InferTensorType , TF::SameOperandsAndResultTypeResolveRef

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

Effects: MemoryEffects::Effect{}

Operands:

نتایج:

tfl.slice (TFL::SliceOp)

Return a slice from 'input'.

The output tensor is a tensor with dimensions described by 'size' whose values are extracted from 'input' starting at the offsets in 'begin'.

begin is zero-based; size is one-based. If size[i] is -1, all remaining elements in dimension i are included in the slice. In other words, this is equivalent to setting: size[i] = input.dim_size(i) - begin[i]

Requirements : 0 <= begin[i] <= begin[i] + size[i] <= Di for i in [0, n)

Traits: AlwaysSpeculatableImplTrait , QuantizableResult

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , SameOperandsAndResultsScale , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

Operands:

نتایج:

tfl.softmax (TFL::SoftmaxOp)

Softmax operator

Computes element-wise softmax activations with the following formula

exp(input) / tf.reduce_sum(exp(input * beta), dim)

Traits: AlwaysSpeculatableImplTrait , QuantizableResult , SameOperandsAndResultShape

Interfaces: ConditionallySpeculatable , FixedOutputRangeInterface , NoMemoryEffect (MemoryEffectOpInterface) , TflArithmeticCountOpInterface , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

ویژگی های:

Operands:

نتایج:

tfl.space_to_batch_nd (TFL::SpaceToBatchNdOp)

SpaceToBatchNd operator

This operation reshapes space dimensions into the "batch" dimension 0

Traits: AlwaysSpeculatableImplTrait , QuantizableResult

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , SameOperandsAndResultsScale , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

Operands:

نتایج:

tfl.space_to_depth (TFL::SpaceToDepthOp)

SpaceToDepth operator

Rearranges blocks of spatial data, into depth. More specifically, this op outputs a copy of the input tensor where values from the height and width dimensions are moved to the depth dimension. block_size indicates the input block size.

Traits: AlwaysSpeculatableImplTrait , QuantizableResult

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , SameOperandsAndResultsScale , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

ویژگی های:

Operands:

نتایج:

tfl.sparse_to_dense (TFL::SparseToDenseOp)

Converts a sparse representation into a dense tensor.

Builds an array dense with shape output_shape such that

# If sparse_indices is scalar
dense[i] = (i == sparse_indices ? sparse_values : default_value)

# If sparse_indices is a vector, then for each i
dense[sparse_indices[i]] = sparse_values[i]

# If sparse_indices is an n by d matrix, then for each i in [0, n)
dense[sparse_indices[i][0], ..., sparse_indices[i][d-1]] = sparse_values[i]

All other values in dense are set to default_value . If sparse_values is a scalar, all sparse indices are set to this single value.

Indices should be sorted in lexicographic order, and indices must not contain any repeats. If validate_indices is true, these properties are checked during execution.

Traits: AlwaysSpeculatableImplTrait , QuantizableResult

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

Operands:

نتایج:

tfl.split (TFL::SplitOp)

Splits a tensor into num_split tensors along one dimension.

Splits the value tensor along split_dim into a number of sub-tensors with same shape as the original one, except for split_dim . Same as tf.Split.

Traits: AlwaysSpeculatableImplTrait , QuantizableResult

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , SameOperandsAndResultsScale , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

ویژگی های:

Operands:

نتایج:

tfl.split_v (TFL::SplitVOp)

Splits a tensor into num_split tensors along one dimension.

Splits the value tensor along split_dim into a number of sub-tensors with same shape as the original one, except for split_dim . The grouping of the resultant sub-tensors is decided by size-splits . Same as tf.SplitV.

Traits: AlwaysSpeculatableImplTrait , QuantizableResult

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , SameOperandsAndResultsScale , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

ویژگی های:

Operands:

نتایج:

tfl.sqrt (TFL::SqrtOp)

Square root operator

Computes element-wise Square root of input

Traits: AlwaysSpeculatableImplTrait , InferTensorType , TF::SameOperandsAndResultTypeResolveRef

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

Effects: MemoryEffects::Effect{}

Operands:

نتایج:

tfl.square (TFL::SquareOp)

Square operator

Computes element-wise Square of input

Traits: AlwaysSpeculatableImplTrait , InferTensorType , TF::SameOperandsAndResultTypeResolveRef

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

Effects: MemoryEffects::Effect{}

Operands:

نتایج:

tfl.squared_difference (TFL::SquaredDifferenceOp)

Squared difference operator

Element-wise squared difference operation.

Traits: ::mlir::OpTrait::TFLRuntimeOpTrait , AlwaysSpeculatableImplTrait , QuantizableResult , ResultsBroadcastableShape

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

Operands:

نتایج:

tfl.squeeze (TFL::SqueezeOp)

Removes dimensions of size 1 from the shape of a tensor.

Given a tensor input , this operation returns a tensor of the same type with all dimensions of size 1 removed. If you don't want to remove all size 1 dimensions, you can remove specific size 1 dimensions by specifying squeeze_dims .

مثلا:

# 't' is a tensor of shape [1, 2, 1, 3, 1, 1]
shape(squeeze(t)) ==> [2, 3]

Or, to remove specific size 1 dimensions:

# 't' is a tensor of shape [1, 2, 1, 3, 1, 1]
shape(squeeze(t, [2, 4])) ==> [1, 2, 3, 1]

Traits: AlwaysSpeculatableImplTrait , QuantizableResult

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , SameOperandsAndResultsScale , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

ویژگی های:

Operands:

نتایج:

tfl.strided_slice (TFL::StridedSliceOp)

StridedSlice Op

Return a strided slice from input .

Traits: AlwaysSpeculatableImplTrait , QuantizableResult

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , SameOperandsAndResultsScale , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

ویژگی های:

Operands:

نتایج:

tfl.sub (TFL::SubOp)

عملگر تفریق

Element-wise subtraction operation.

Traits: ::mlir::OpTrait::TFLRuntimeOpTrait , AlwaysSpeculatableImplTrait , QuantizableResult , ResultsBroadcastableShape

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflArithmeticCountOpInterface , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

ویژگی های:

Operands:

نتایج:

tfl.sum (TFL::SumOp)

Sum operator

Computes the sum reduction along the specified axes

Traits: AlwaysSpeculatableImplTrait , QuantizableResult

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

ویژگی های:

Operands:

نتایج:

tfl.svdf (TFL::SVDFOp)

Single value decomposition filter operator

The SVDF op is a decomposition of a densely connected op into low rank filters. For details: https://research.google.com/pubs/pub43813.html https://arxiv.org/abs/1812.02802

Traits: QuantizableResult , quant::AccumulatorUniformScale<3, 2, 4>

Interfaces: DynamicRangeQuantizedOpInterface , TFL_StatefulOp , TflRuntimeVerifyOpInterface

ویژگی های:

Operands:

نتایج:

tfl.tanh (TFL::TanhOp)

Hyperbolic tangent operator

Computes element-wise Hyperbolic tangent of input

Traits: AlwaysSpeculatableImplTrait , QuantizableResult , SameOperandsAndResultShape

Interfaces: ConditionallySpeculatable , FixedOutputRangeInterface , NoMemoryEffect (MemoryEffectOpInterface) , TflArithmeticCountOpInterface , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

Operands:

نتایج:

tfl.tile (TFL::TileOp)

Tile operator.

Constructs a tensor by tiling a given tensor.

This operation creates a new tensor by replicating input multiples times. The output tensor's i'th dimension has input.dims(i) * multiples[i] elements, and the values of input are replicated multiples[i] times along the 'i'th dimension. For example, tiling [abcd] by [2] produces [abcdabcd].

Traits: AlwaysSpeculatableImplTrait , QuantizableResult

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , SameOperandsAndResultsScale , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

Operands:

نتایج:

tfl.topk_v2 (TFL::TopKV2Op)

TopK operator

Returns the top k largest element along each last dimensional slice of input and the indices of values within the last dimension of the input tensor.

Results are always sorted in the descending order.

Traits: AlwaysSpeculatableImplTrait , QuantizableResult

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , SameOperandsAndResultsScale , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

Operands:

نتایج:

tfl.transpose (TFL::TransposeOp)

Transpose operator

Returns the Transpose of x

Traits: AlwaysSpeculatableImplTrait , QuantizableResult

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , SameOperandsAndResultsScale , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

Operands:

نتایج:

tfl.transpose_conv (TFL::TransposeConvOp)

Transpose convolution operator

Performs transpose convolution operation on input.

Traits: AlwaysSpeculatableImplTrait , QuantizableResult , quant::AccumulatorUniformScale<3, 1, 2> , quant::AffineOpCoefficient<0, 1>

Interfaces: AffineQuantizedOpInterface , ConditionallySpeculatable , DynamicRangeQuantizedOpInterface , NoMemoryEffect (MemoryEffectOpInterface) , TFL_SparseOp , TflArithmeticCountOpInterface , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

ویژگی های:

Operands:

نتایج:

tfl.unidirectional_sequence_lstm (TFL::UnidirectionalSequenceLSTMOp)

Unidirectional sequence lstm operator

A recurrent neural network specified by an LSTM cell. This Op supports unrolling the input along the time or batch dimensions, and implements the following operation for each element in the sequence s = 1...sequence_length: outputs[s] = state = activation(LSTMOp(inputs[s]))

where LSTMOp is LSTM TF Lite Op and the “activation” is the function passed as the “fused_activation_function” argument (if not “NONE”).

Traits: QuantizableResult

Interfaces: DynamicRangeQuantizedOpInterface , InferTypeOpInterface , TFL_StatefulOp , TflRuntimeVerifyOpInterface

ویژگی های:

Operands:

نتایج:

tfl.unidirectional_sequence_rnn (TFL::UnidirectionalSequenceRNNOp)

Unidirectional sequence rnn operator

A recurrent neural network specified by an RNN cell. This Op takes in input in a format {batch_size, seq_len, input_size} or {seq_len, batch_size, input_size} if it's time-majored.

It implements the following operation for each element in the sequence s = 1...sequence_length: outputs[s] = state = activation(RNNOp(inputs[s]))

where RNNOp is RNNOp TF Lite Op and the “activation” is the function passed as the “fused_activation_function” argument (if not “NONE”).

Traits: QuantizableResult

Interfaces: DynamicRangeQuantizedOpInterface , TFL_StatefulOp , TflRuntimeVerifyOpInterface

ویژگی های:

Operands:

نتایج:

tfl.unique (TFL::UniqueOp)

Unique Op.

This operation returns a tensor output containing all of the unique elements of input sorted in the same order that they occur in input . This operation also returns a tensor idx the same size as x that contains the index of each value of input in the unique output output . به عبارت دیگر: