หน้านี้ได้รับการแปลโดย Cloud Translation API
Switch to English

ภาษา & # 39; tfl & # 39; คำนิยาม

ภาษาถิ่น TensorFlow Lite

ภาษานี้แม็พกับการดำเนินการ TensorFlow Lite

ค่าคงที่:

  • ค่าทั้งหมดเป็นประเภทเทนเซอร์ (โดยเฉพาะสเกลาร์จะแสดงด้วยเทนเซอร์มิติศูนย์)

คำจำกัดความการดำเนินงาน

tfl.abs (TFL :: AbsOp)

ตัวดำเนินการค่าสัมบูรณ์

รายละเอียด:

กำหนดเมตริกซ์ x , การดำเนินการนี้จะส่งกลับเมตริกซ์ที่มีค่าสัมบูรณ์ขององค์ประกอบในแต่ละ x ตัวอย่างเช่นถ้า x เป็นองค์ประกอบอินพุตและ y เป็นองค์ประกอบเอาต์พุตการดำเนินการนี้จะคำนวณ \ (y = | x | \)

ถูกดำเนินการ:

  1. x : เทนเซอร์ของค่าประเภทใด ๆ

คุณลักษณะ:

ผล:

  1. y : เทนเซอร์ของค่าประเภทใด ๆ

tfl.add_n (TFL :: AddNOp)

ผู้ประกอบการ add_n

รายละเอียด:

เพิ่มองค์ประกอบเทนเซอร์เมตริกซ์อินพุตทั้งหมด

ถูกดำเนินการ:

  1. inputs : เมตริกซ์ของค่าชนิดใด ๆ

คุณลักษณะ:

ผล:

  1. sum : เทนเซอร์ของค่าประเภทใด ๆ

tfl.add (TFL :: AddOp)

ผู้ประกอบการเพิ่มเติม

รายละเอียด:

การดำเนินการเพิ่มเติมองค์ประกอบที่ชาญฉลาด

ถูกดำเนินการ:

  1. lhs : เทนเซอร์ของค่าประเภทใด ๆ
  2. rhs : เทนเซอร์ของค่าประเภทใด ๆ

คุณลักษณะ:

คุณลักษณะ ประเภท MLIR ลักษณะ
fused_activation_function StringAttr แอตทริบิวต์การเปิดใช้งาน fum fused

ผล:

  1. output : เทนเซอร์ของค่าประเภทใด ๆ

tfl.arg_max (TFL :: ArgMaxOp)

ผู้ประกอบการ ArgMax

รายละเอียด:

ส่งคืนดัชนีที่มีค่ามากที่สุดในทุกมิติของเมตริกซ์

ถูกดำเนินการ:

  1. input : เทนเซอร์ของค่าประเภทใด ๆ
  2. dim : เมตริกซ์ของค่าชนิดใด ๆ

คุณลักษณะ:

คุณลักษณะ ประเภท MLIR ลักษณะ
output_type Attribute แอตทริบิวต์ที่ได้รับมา

ผล:

  1. output : เทนเซอร์ของค่าประเภทใด ๆ

tfl.arg_min (TFL :: ArgMinOp)

ผู้ประกอบการ ArgMin

รายละเอียด:

ส่งคืนดัชนีที่มีค่าน้อยที่สุดในมิติของเมตริกซ์ "a = [1, 10, 26.9, 2.8, 166.32, 62.3] b = tf.math.argmin (อินพุต = a) c = tf.keras.backend.eval (ข)

ถูกดำเนินการ:

  1. input : เทนเซอร์ของค่าประเภทใด ๆ
  2. dim : เมตริกซ์ของค่าชนิดใด ๆ

คุณลักษณะ:

คุณลักษณะ ประเภท MLIR ลักษณะ
output_type Attribute แอตทริบิวต์ที่ได้รับมา

ผล:

  1. output : เทนเซอร์ของค่าประเภทใด ๆ

tfl.average_pool_2d (TFL :: AveragePool2DOp)

ตัวดำเนินการ Average_pool_2d

รายละเอียด:

ทำการดำเนินการรวมกำไรเฉลี่ยในการป้อนข้อมูล

ถูกดำเนินการ:

  1. input : เทนเซอร์ของค่าประเภทใด ๆ

คุณลักษณะ:

คุณลักษณะ ประเภท MLIR ลักษณะ
filter_height IntegerAttr คุณลักษณะแอตทริบิวต์จำนวนเต็ม 32 บิต
filter_width IntegerAttr คุณลักษณะแอตทริบิวต์จำนวนเต็ม 32 บิต
padding StringAttr แอ็ตทริบิวต์ padding enum
stride_h IntegerAttr คุณลักษณะแอตทริบิวต์จำนวนเต็ม 32 บิต
stride_w IntegerAttr คุณลักษณะแอตทริบิวต์จำนวนเต็ม 32 บิต
fused_activation_function StringAttr แอตทริบิวต์การเปิดใช้งาน fum fused

ผล:

  1. output : เทนเซอร์ของค่าประเภทใด ๆ

tfl.basic_lstm (TFL :: BasicLSTMOp)

ตัวดำเนินการ lstm พื้นฐาน

รายละเอียด:

LSTM Cell Operator ขั้นพื้นฐาน

ถูกดำเนินการ:

  1. data_input : เทนเซอร์ของค่าประเภทใด ๆ
  2. prev_activ_input : เมตริกซ์ของค่าประเภทใด ๆ
  3. weights_input : เทนเซอร์ของค่าประเภทใด ๆ
  4. biases_input : เทนเซอร์ของค่าประเภทใด ๆ
  5. prev_state_input : เทนเซอร์ของค่าประเภทใด ๆ

คุณลักษณะ:

คุณลักษณะ ประเภท MLIR ลักษณะ
fused_activation_function StringAttr แอตทริบิวต์การเปิดใช้งาน fum fused
cell_clip FloatAttr แอตทริบิวต์ของแอตทริบิวต์ลอย 32 บิต
proj_clip FloatAttr แอตทริบิวต์ของแอตทริบิวต์ลอย 32 บิต
kernel_type StringAttr lstm เคอร์เนลชนิด enum เคสแอ็ตทริบิวต์ BASIC

ผล:

  1. activ_output : 2D tensor ของค่าประเภทใด ๆ
  2. state_output : 2D tensor ของค่าประเภทใด ๆ
  3. concat_temp : ตัวนับ 2D ของค่าประเภทใด ๆ
  4. activ_temp : ตัวนับ 2D ของค่าประเภทใด ๆ

tfl.batch_to_space_nd (TFL :: BatchToSpaceNdOp)

ตัวดำเนินการ BatchToSpaceNd

รายละเอียด:

การดำเนินการนี้จะปรับขนาด "แบทช์" เป็น 0 ในมิติของพื้นที่

ถูกดำเนินการ:

  1. input : เทนเซอร์ของค่าประเภทใด ๆ
  2. block_shape : เทนเซอร์ของค่าประเภทใด ๆ
  3. indices : เทนเซอร์ของค่าประเภทใด ๆ

คุณลักษณะ:

ผล:

  1. output : เทนเซอร์ของค่าประเภทใด ๆ

tfl.cast (TFL :: CastOp)

ผู้ประกอบการหล่อ

รายละเอียด:

ปลดเปลื้องอินพุตจากประเภทอินพุตเป็นประเภทเอาต์พุต

ถูกดำเนินการ:

  1. input : เทนเซอร์ของค่าประเภทใด ๆ

คุณลักษณะ:

ผล:

  1. output : เทนเซอร์ของค่าประเภทใด ๆ

tfl.ceil (TFL :: CeilOp)

ผู้ประกอบการ Ceil

รายละเอียด:

ส่งคืนค่า ceil ที่ชาญฉลาดของอินพุต

ถูกดำเนินการ:

  1. x : เทนเซอร์ของค่าประเภทใด ๆ

คุณลักษณะ:

ผล:

  1. y : เทนเซอร์ของค่าประเภทใด ๆ

tfl.concatenation (TFL :: ConcatenationOp)

ผู้ประกอบการเชื่อมต่อ

รายละเอียด:

เชื่อมโยงเทนเซอร์กับมิติเดียว

ถูกดำเนินการ:

  1. values : เทนเซอร์ของค่าประเภทใด ๆ

คุณลักษณะ:

คุณลักษณะ ประเภท MLIR ลักษณะ
axis IntegerAttr คุณลักษณะแอตทริบิวต์จำนวนเต็ม 32 บิต
fused_activation_function StringAttr แอตทริบิวต์การเปิดใช้งาน fum fused

ผล:

  1. output : เทนเซอร์ของค่าประเภทใด ๆ

tfl.pseudo_const (TFL :: ConstOp)

สหกรณ์หลอกคงที่

รายละเอียด:

แสดงถึงค่าคงที่ในภาษา TensorFlow Lite นี่ไม่ใช่การดำเนินการจริงและจะลดลงเป็นบัฟเฟอร์แทน

op ได้รับอนุญาตให้มีแอตทริบิวต์ประเภทเดียวกันทั้งหมดที่ tf.Const ทำ (เช่นอนุญาตให้ใช้แอตทริบิวต์ opaque TF)

ถูกดำเนินการ:

คุณลักษณะ:

คุณลักษณะ ประเภท MLIR ลักษณะ
value ElementsAttr แอตทริบิวต์แอตทริบิวต์เวกเตอร์ / เมตริกซ์คงที่

ผล:

  1. output : เทนเซอร์ของค่าประเภทใด ๆ

tfl.conv_2d (TFL :: Conv2DOp)

ผู้ประกอบการสนทนา

รายละเอียด:

ทำการดำเนินการ convolution กับอินพุต

อินพุต: inputs[0] : ต้องการ: อินพุตตัวกระตุ้นการเปิดใช้งาน inputs[1] : จำเป็น: inputs[2] ตัวกรองน้ำหนักของตัวนับเทนเซอร์ inputs[2] : ทางเลือก: ตัวไบแอนเทนเซอร์

ถูกดำเนินการ:

  1. input : เทนเซอร์ของค่าประเภทใด ๆ
  2. filter : เทนเซอร์ของค่าประเภทใด ๆ
  3. bias : เมตริกซ์ของค่าประเภทใด ๆ หรือไม่มีประเภท

คุณลักษณะ:

คุณลักษณะ ประเภท MLIR ลักษณะ
dilation_h_factor IntegerAttr คุณลักษณะแอตทริบิวต์จำนวนเต็ม 32 บิต
dilation_w_factor IntegerAttr คุณลักษณะแอตทริบิวต์จำนวนเต็ม 32 บิต
fused_activation_function StringAttr แอตทริบิวต์การเปิดใช้งาน fum fused
padding StringAttr แอ็ตทริบิวต์ padding enum
stride_h IntegerAttr คุณลักษณะแอตทริบิวต์จำนวนเต็ม 32 บิต
stride_w IntegerAttr คุณลักษณะแอตทริบิวต์จำนวนเต็ม 32 บิต

ผล:

  1. output : เทนเซอร์ของค่าประเภทใด ๆ

tfl.convolution_2d_transpose_bias (TFL :: Convolution2DTransposeBiasOp)

สลับการสนทนาด้วยตัวดำเนินการไบอัส

รายละเอียด:

ดำเนินการแปลงแบบสังสรรบนอินพุตด้วยตัวเลือกในการเพิ่มอคติ หมายเหตุนี่เป็น op แบบกำหนดเองที่ไม่ได้รับการสนับสนุนในรันไทม์มาตรฐาน

 Inputs:
  `inputs[0]`: required: the input activation tensor
  `inputs[1]`: required: the filter weight tensor
  `inputs[2]`: optional: the bias tensor
 

ถูกดำเนินการ:

  1. input : เทนเซอร์ของค่าประเภทใด ๆ
  2. filter : เทนเซอร์ของค่าประเภทใด ๆ
  3. bias : เมตริกซ์ของค่าประเภทใด ๆ หรือไม่มีประเภท

คุณลักษณะ:

คุณลักษณะ ประเภท MLIR ลักษณะ
padding StringAttr แอ็ตทริบิวต์ padding enum
stride_h IntegerAttr คุณลักษณะแอตทริบิวต์จำนวนเต็ม 32 บิต
stride_w IntegerAttr คุณลักษณะแอตทริบิวต์จำนวนเต็ม 32 บิต

ผล:

  1. output : เทนเซอร์ของค่าประเภทใด ๆ

tfl.cos (TFL :: CosOp)

ผู้ประกอบการโคไซน์

รายละเอียด:

คำนวณโคไซน์ที่ชาญฉลาดขององค์ประกอบ

ถูกดำเนินการ:

  1. x : เทนเซอร์ของค่าประเภทใด ๆ

คุณลักษณะ:

ผล:

  1. y : เทนเซอร์ของค่าประเภทใด ๆ

tfl.densify (TFL :: DensifyOp)

ผู้ปฏิบัติงานหนาแน่นขึ้น

รายละเอียด:

แปลงเมตริกซ์เบาบางเป็นรูปแบบหนาแน่น

ถูกดำเนินการ:

  1. input : เทนเซอร์ของค่าประเภทใด ๆ

คุณลักษณะ:

ผล:

  1. output : เทนเซอร์ของค่าประเภทใด ๆ

tfl.depth_to_space (TFL :: DepthToSpaceOp)

ตัวดำเนินการ DepthToSpace

รายละเอียด:

จัดเรียงข้อมูลจากความลึกไปเป็นบล็อกของข้อมูลเชิงพื้นที่ นี่คือการแปลงกลับของ SpaceToDepth โดยเฉพาะอย่างยิ่ง op นี้ส่งออกสำเนาของเทนเซอร์อินพุตซึ่งค่าจากมิติ depth จะถูกย้ายในบล็อกเชิงพื้นที่ไปจนถึงขนาด height และ width attr block_size ระบุขนาดบล็อกอินพุตและวิธีย้ายข้อมูล

ถูกดำเนินการ:

  1. input : เทนเซอร์ของค่าประเภทใด ๆ

คุณลักษณะ:

คุณลักษณะ ประเภท MLIR ลักษณะ
block_size IntegerAttr คุณลักษณะแอตทริบิวต์จำนวนเต็ม 32 บิต

ผล:

  1. output : เทนเซอร์ของค่าประเภทใด ๆ

tfl.depthwise_conv_2d (TFL :: DepthwiseConv2DOp)

ตัวดำเนินการสังวัตนาแบบแยกกันไม่ได้

รายละเอียด:

ทำการดำเนินการ convolution กับอินพุต

อินพุต: inputs[0] : ต้องการ: อินพุตตัวกระตุ้นการเปิดใช้งาน inputs[1] : จำเป็น: inputs[2] ตัวกรองน้ำหนักของตัวนับเทนเซอร์ inputs[2] : ทางเลือก: ตัวไบแอนเทนเซอร์

ถูกดำเนินการ:

  1. input : เทนเซอร์ของค่าประเภทใด ๆ
  2. filter : เทนเซอร์ของค่าประเภทใด ๆ
  3. bias : เมตริกซ์ของค่าประเภทใด ๆ หรือไม่มีประเภท

คุณลักษณะ:

คุณลักษณะ ประเภท MLIR ลักษณะ
dilation_h_factor IntegerAttr คุณลักษณะแอตทริบิวต์จำนวนเต็ม 32 บิต
dilation_w_factor IntegerAttr คุณลักษณะแอตทริบิวต์จำนวนเต็ม 32 บิต
fused_activation_function StringAttr แอตทริบิวต์การเปิดใช้งาน fum fused
padding StringAttr แอ็ตทริบิวต์ padding enum
stride_h IntegerAttr คุณลักษณะแอตทริบิวต์จำนวนเต็ม 32 บิต
stride_w IntegerAttr คุณลักษณะแอตทริบิวต์จำนวนเต็ม 32 บิต
depth_multiplier IntegerAttr คุณลักษณะแอตทริบิวต์จำนวนเต็ม 32 บิต

ผล:

  1. output : เทนเซอร์ของค่าประเภทใด ๆ

tfl.dequantize (TFL :: DequantizeOp)

ตัดผู้ประกอบการ

รายละเอียด:

แปลงอาร์เรย์ quantized ของจำนวนเต็มเป็นทศนิยมตามพารามิเตอร์ quantization

ถูกดำเนินการ:

  1. input : เทนเซอร์ของค่าประเภทใด ๆ

คุณลักษณะ:

ผล:

  1. output : เทนเซอร์ของค่าประเภทใด ๆ

tfl.div (TFL :: DivOp)

ผู้ควบคุมงาน

รายละเอียด:

การดำเนินการหารองค์ประกอบที่ชาญฉลาด

ถูกดำเนินการ:

  1. lhs : เทนเซอร์ของค่าประเภทใด ๆ
  2. rhs : เทนเซอร์ของค่าประเภทใด ๆ

คุณลักษณะ:

คุณลักษณะ ประเภท MLIR ลักษณะ
fused_activation_function StringAttr แอตทริบิวต์การเปิดใช้งาน fum fused

ผล:

  1. output : เทนเซอร์ของค่าประเภทใด ๆ

tfl.elu (TFL :: EluOp)

ตัวดำเนินการหน่วยเชิงเส้นแบบเอ็กซ์โปเนนเชียล

รายละเอียด:

คำนวณค่าเอ็กซ์โพเนนเชียลเชิงเส้น f (x) -> exp (x) - 1 สำหรับ x <0, x สำหรับ x> = 0. องค์ประกอบที่ชาญฉลาด

ถูกดำเนินการ:

  1. x : เทนเซอร์ของค่าประเภทใด ๆ

คุณลักษณะ:

ผล:

  1. y : เทนเซอร์ของค่าประเภทใด ๆ

tfl.embedding_lookup (TFL :: EmbeddingLookupOp)

การฝังตัวดำเนินการค้นหา

รายละเอียด:

ค้นหารหัสในรายการของเทนเซอร์ฝัง

ถูกดำเนินการ:

  1. lookup : เทนเซอร์ของค่าประเภทใด ๆ
  2. value : เทนเซอร์ของค่าประเภทใด ๆ

คุณลักษณะ:

ผล:

  1. output : เทนเซอร์ของค่าประเภทใด ๆ

tfl.equal (TFL :: EqualOp)

ผู้ประกอบการที่เท่าเทียมกัน

รายละเอียด:

ส่งคืนองค์ประกอบความจริงของ x == y องค์ประกอบที่ชาญฉลาด

ถูกดำเนินการ:

  1. x : เทนเซอร์ของค่าประเภทใด ๆ
  2. y : เทนเซอร์ของค่าประเภทใด ๆ

คุณลักษณะ:

ผล:

  1. output : เทนเซอร์ของค่าประเภทใด ๆ

tfl.exp (TFL :: ExpOp)

ผู้ประกอบการยกกำลังธรรมชาติ

รายละเอียด:

ดำเนินการการยกกำลังตามธรรมชาติขององค์ประกอบที่ชาญฉลาดบนอินพุต

ถูกดำเนินการ:

  1. x : เทนเซอร์ของค่าประเภทใด ๆ

คุณลักษณะ:

ผล:

  1. y : เทนเซอร์ของค่าประเภทใด ๆ

tfl.expand_dims (TFL :: ExpandDimsOp)

แทรกขนาด 1 ลงในรูปร่างของเทนเซอร์

รายละเอียด:

รับ input เทนเซอร์การดำเนินการนี้จะแทรกมิติ 1 ที่ axis ดัชนีมิติของรูปร่างของ input axis ดัชนีมิติเริ่มต้นที่ศูนย์ หากคุณระบุจำนวนลบสำหรับ axis มันจะนับถอยหลังจากจุดสิ้นสุด

การดำเนินการนี้มีประโยชน์หากคุณต้องการเพิ่มมิติชุดงานให้กับองค์ประกอบเดียว ตัวอย่างเช่นหากคุณมีภาพหนึ่งรูปร่าง [height, width, channels] คุณสามารถทำให้เป็นชุดที่ 1 ภาพด้วย expand_dims(image, 0) ซึ่งจะทำให้รูปร่าง [1, height, width, channels] .

ตัวอย่างอื่น ๆ :

 # '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]
 

การดำเนินการนี้ต้องการ:

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

การดำเนินการนี้เกี่ยวข้องกับการ squeeze() ซึ่งจะลบขนาดที่ 1

ถูกดำเนินการ:

  1. input : เทนเซอร์ของค่าประเภทใด ๆ
  2. dim : เทนเซอร์ของประเภทจำนวนเต็มใด ๆ

คุณลักษณะ:

ผล:

  1. output : เทนเซอร์ของค่าประเภทใด ๆ

tfl.external_const (TFL :: ExternalConstOp)

const op ภายนอก

รายละเอียด:

const op ภายนอกเก็บ buffer_index ซึ่งชี้ไปที่ค่าคงที่ใน flatbuffer

ถูกดำเนินการ:

คุณลักษณะ:

คุณลักษณะ ประเภท MLIR ลักษณะ
buffer_index IntegerAttr คุณลักษณะแอตทริบิวต์จำนวนเต็ม 32 บิต

ผล:

  1. output : เทนเซอร์ของค่าประเภทใด ๆ

tfl.fake_quant (TFL :: FakeQuantOp)

ผู้ประกอบการ FakeQuant

รายละเอียด:

ปลอมปริมาณของเมตริกซ์ประเภท 'อินพุท' แบบลอยโดยใช้สเกลาร์แบบลอยขั้นต่ำสุดและสูงสุดเป็นเมตริกซ์แบบ 'อินพุท' ที่มีรูปร่างเดียวกับอินพุต

ถูกดำเนินการ:

  1. input : เทนเซอร์ของค่าประเภทใด ๆ

คุณลักษณะ:

คุณลักษณะ ประเภท MLIR ลักษณะ
min FloatAttr แอตทริบิวต์ของแอตทริบิวต์ลอย 32 บิต
max FloatAttr แอตทริบิวต์ของแอตทริบิวต์ลอย 32 บิต
num_bits IntegerAttr คุณลักษณะแอตทริบิวต์จำนวนเต็ม 32 บิต
narrow_range BoolAttr แอตทริบิวต์ของบูล

ผล:

  1. output : เทนเซอร์ของค่าประเภทใด ๆ

tfl.fill (TFL :: FillOp)

กรอกค่าเทนเซอร์ด้วยค่าที่กำหนด

รายละเอียด:

กรอกค่าเทนเซอร์ด้วยค่าที่กำหนด

ถูกดำเนินการ:

  1. dims : เมตริกซ์ของค่าประเภทใด ๆ
  2. value : เทนเซอร์ของค่าประเภทใด ๆ

คุณลักษณะ:

ผล:

  1. res : เทนเซอร์ของค่าประเภทใด ๆ

tfl.floor_div (TFL :: FloorDivOp)

ผู้ประกอบการ div ชั้น

รายละเอียด:

การดำเนินการ div ชั้นองค์ประกอบที่ชาญฉลาด

ถูกดำเนินการ:

  1. lhs : เทนเซอร์ของค่าประเภทใด ๆ
  2. rhs : เทนเซอร์ของค่าประเภทใด ๆ

คุณลักษณะ:

ผล:

  1. output : เทนเซอร์ของค่าประเภทใด ๆ

tfl.floor_mod (TFL :: FloorModOp)

เตือนกอง

รายละเอียด:

การดำเนินการเตือนการแบ่งองค์ประกอบที่ชาญฉลาด

ถูกดำเนินการ:

  1. lhs : เทนเซอร์ของค่าประเภทใด ๆ
  2. rhs : เทนเซอร์ของค่าประเภทใด ๆ

คุณลักษณะ:

ผล:

  1. output : เทนเซอร์ของค่าประเภทใด ๆ

tfl.floor (TFL :: FloorOp)

ผู้ควบคุมการผลิต

รายละเอียด:

ส่งคืนค่าพื้นที่เป็นองค์ประกอบของอินพุต

ถูกดำเนินการ:

  1. x : เทนเซอร์ของค่าประเภทใด ๆ

คุณลักษณะ:

ผล:

  1. y : เทนเซอร์ของค่าประเภทใด ๆ

tfl.fully_connected (TFL :: FullyConnectedOp)

สหกรณ์เชื่อมต่ออย่างสมบูรณ์

รายละเอียด:

ถูกดำเนินการ:

  1. input : เทนเซอร์ของค่าประเภทใด ๆ
  2. filter : เทนเซอร์ของค่าประเภทใด ๆ
  3. bias : เมตริกซ์ของค่าประเภทใด ๆ หรือไม่มีประเภท

คุณลักษณะ:

คุณลักษณะ ประเภท MLIR ลักษณะ
fused_activation_function StringAttr แอตทริบิวต์การเปิดใช้งาน fum fused
weights_format StringAttr ตัวเลือกการเชื่อมต่ออย่างเต็มที่แอตทริบิวต์น้ำหนักรูปแบบ
keep_num_dims BoolAttr แอตทริบิวต์ของบูล

ผล:

  1. output : เทนเซอร์ของค่าประเภทใด ๆ

tfl.gather_nd (TFL :: GatherNdOp)

ผู้ประกอบการ Gather_nd

รายละเอียด:

รวบรวมชิ้นส่วนจาก params เป็น Tensor ด้วยรูปร่างที่ระบุโดย indices

ถูกดำเนินการ:

  1. params : เทนเซอร์ของค่าประเภทใด ๆ
  2. indices : เทนเซอร์ของค่าประเภทใด ๆ

คุณลักษณะ:

ผล:

  1. output : เทนเซอร์ของค่าประเภทใด ๆ

tfl.gather (TFL :: GatherOp)

รวบรวมผู้ประกอบการ

รายละเอียด:

รวบรวมชิ้นจาก params แกน axis ตาม indices

ถูกดำเนินการ:

  1. params : เทนเซอร์ของค่าประเภทใด ๆ
  2. indices : เทนเซอร์ของค่าประเภทใด ๆ

คุณลักษณะ:

คุณลักษณะ ประเภท MLIR ลักษณะ
axis IntegerAttr คุณลักษณะแอตทริบิวต์จำนวนเต็ม 32 บิต

ผล:

  1. output : เทนเซอร์ของค่าประเภทใด ๆ

tfl.greater_equal (TFL :: GreaterEqualOp)

ตัวดำเนินการ Greater_equal

รายละเอียด:

การดำเนินการ Greater_equal ที่ฉลาดกว่าองค์ประกอบ

ถูกดำเนินการ:

  1. lhs : เทนเซอร์ของค่าประเภทใด ๆ
  2. rhs : เทนเซอร์ของค่าประเภทใด ๆ

คุณลักษณะ:

ผล:

  1. output : เทนเซอร์ของค่าประเภทใด ๆ

tfl.greater (TFL :: GreaterOp)

ผู้ประกอบการมากขึ้น

รายละเอียด:

การทำงานที่ชาญฉลาดกว่าองค์ประกอบ

ถูกดำเนินการ:

  1. lhs : เทนเซอร์ของค่าประเภทใด ๆ
  2. rhs : เทนเซอร์ของค่าประเภทใด ๆ

คุณลักษณะ:

ผล:

  1. output : เทนเซอร์ของค่าประเภทใด ๆ

tfl.hard_swish (TFL :: HardSwishOp)

ฟังก์ชั่นการเปิดใช้งาน Hardswish

รายละเอียด:

คำนวณฟังก์ชั่นการเปิดใช้งานแบบ swish อย่างหนัก f (x) -> (x * relu6 (x + 3)) / 6 องค์ประกอบที่ชาญฉลาด

ถูกดำเนินการ:

  1. input : เทนเซอร์ของค่าประเภทใด ๆ

คุณลักษณะ:

ผล:

  1. out : เทนเซอร์ของค่าประเภทใด ๆ

tfl.l2_normalization (TFL :: L2NormalizationOp)

L2 Normalize Operator

รายละเอียด:

สหกรณ์ L2N Normalization

ถูกดำเนินการ:

  1. input : เทนเซอร์ของค่าประเภทใด ๆ

คุณลักษณะ:

คุณลักษณะ ประเภท MLIR ลักษณะ
fused_activation_function StringAttr แอตทริบิวต์การเปิดใช้งาน fum fused

ผล:

  1. output : เทนเซอร์ของค่าประเภทใด ๆ

tfl.lstm (TFL :: LSTMOp)

ตัวดำเนินการ lstm แบบเต็ม

รายละเอียด:

หน่วยความจำระยะสั้นระยะยาว (LSTM) เลเยอร์เครือข่ายซ้ำ การนำไปใช้ที่ไม่ใช่ช่องมองเริ่มต้นนั้นขึ้นอยู่กับ: http://deeplearning.cs.cmu.edu/pdfs/Hochreiter97_lstm.pdf S. Hochreiter และ J. Schmidhuber "หน่วยความจำระยะสั้นระยะยาว" การคำนวณทางประสาท, 9 (8): 1735-1780, 1997. การติดตั้งช่องมองภาพนั้นขึ้นอยู่กับ: https://research.google.com/pubs/archive/43905.pdf Hasim Sak, Andrew Senior และ Francoise Beaufays "สถาปัตยกรรมเครือข่ายประสาทเทียมหน่วยความจำระยะสั้นระยะยาวสำหรับการสร้างแบบจำลองอะคูสติกขนาดใหญ่ INTERSPEECH, 2014. การเชื่อมต่อของอินพุตและลืมเกต (CIFG) ขึ้นอยู่กับ: http://arxiv.org/pdf/1503.04069.pdf Greff et al . "LSTM: A Space Search Odyssey" การปรับสภาพของเลเยอร์ขึ้นอยู่กับ: https://arxiv.org/pdf/1607.06450.pdf Ba et al.“ เลเยอร์การทำให้เป็นมาตรฐาน”

ถูกดำเนินการ:

  1. input : เทนเซอร์ของค่าประเภทใด ๆ
  2. input_to_input_weights : เมตริกซ์ของค่าประเภทใด ๆ หรือไม่มีประเภท
  3. input_to_forget_weights : เมตริกซ์ของค่าชนิดใด ๆ
  4. input_to_cell_weights : เมตริกซ์ของค่าชนิดใด ๆ
  5. input_to_output_weights : เมตริกซ์ของค่าประเภทใด ๆ
  6. recurrent_to_input_weights : เมตริกซ์ของค่าประเภทใด ๆ หรือไม่มีประเภท
  7. recurrent_to_forget_weights : เมตริกซ์ของค่าชนิดใด ๆ
  8. recurrent_to_cell_weights : เมตริกซ์ของค่าชนิดใด ๆ
  9. recurrent_to_output_weights : เมตริกซ์ของค่าประเภทใด ๆ
  10. cell_to_input_weights : เมตริกซ์ของค่าประเภทใด ๆ หรือไม่มีประเภท
  11. cell_to_forget_weights : เมตริกซ์ของค่าประเภทใด ๆ หรือไม่มีประเภท
  12. cell_to_output_weights : เมตริกซ์ของค่าประเภทใด ๆ หรือไม่มีประเภท
  13. input_gate_bias : เทนเซอร์ของค่าประเภทใด ๆ หรือไม่มีประเภท
  14. forget_gate_bias : เมตริกซ์ของค่าชนิดใด ๆ
  15. cell_bias : เมตริกซ์ของค่าประเภทใด ๆ
  16. output_gate_bias : เทนเซอร์ของค่าประเภทใด ๆ
  17. projection_weights : เมตริกซ์ของค่าประเภทใด ๆ หรือไม่มีประเภท
  18. projection_bias : เมตริกซ์ของค่าประเภทใด ๆ หรือไม่มีประเภท
  19. input_activation_state : stateful เมตริกซ์
  20. input_cell_state : stateful เมตริกซ์
  21. input_layer_norm_coefficients : เมตริกซ์ของค่าประเภทใด ๆ หรือไม่มีประเภท
  22. forget_layer_norm_coefficients : เมตริกซ์ของค่าประเภทใด ๆ หรือไม่มีประเภท
  23. cell_layer_norm_coefficients : เมตริกซ์ของค่าประเภทใด ๆ หรือไม่มีประเภท
  24. output_layer_norm_coefficients : เมตริกซ์ของค่าประเภทใด ๆ หรือไม่มีประเภท

คุณลักษณะ:

คุณลักษณะ ประเภท MLIR ลักษณะ
fused_activation_function StringAttr แอตทริบิวต์การเปิดใช้งาน fum fused
cell_clip FloatAttr แอตทริบิวต์ของแอตทริบิวต์ลอย 32 บิต
proj_clip FloatAttr แอตทริบิวต์ของแอตทริบิวต์ลอย 32 บิต
kernel_type StringAttr แอ็ตทริบิวต์ชนิดเคอร์เนล lstm enum เคส FULL

ผล:

  1. output : เทนเซอร์ของค่าประเภทใด ๆ

tfl.leaky_relu (TFL :: LeakyReluOp)

ผู้ประกอบการรั่วไหลออกมา

รายละเอียด:

ผู้ประกอบการ LeLa ReLU ที่ชาญฉลาดองค์ประกอบ x -> x> = 0? x: (อัลฟา * x)

ถูกดำเนินการ:

  1. input : เทนเซอร์ของค่าประเภทใด ๆ

คุณลักษณะ:

คุณลักษณะ ประเภท MLIR ลักษณะ
alpha FloatAttr แอตทริบิวต์ของแอตทริบิวต์ลอย 32 บิต

ผล:

  1. output : เทนเซอร์ของค่าประเภทใด ๆ

tfl.less_equal (TFL :: LessEqualOp)

ตัวดำเนินการ Less_equal

รายละเอียด:

การดำเนินการน้อยกว่าองค์ประกอบที่ชาญฉลาด

ถูกดำเนินการ:

  1. lhs : เทนเซอร์ของค่าประเภทใด ๆ
  2. rhs : เทนเซอร์ของค่าประเภทใด ๆ

คุณลักษณะ:

ผล:

  1. output : เทนเซอร์ของค่าประเภทใด ๆ

tfl.less (TFL :: LessOp)

ผู้ประกอบการน้อย

รายละเอียด:

การดำเนินการน้อยกว่าองค์ประกอบที่ชาญฉลาด

ถูกดำเนินการ:

  1. lhs : เทนเซอร์ของค่าประเภทใด ๆ
  2. rhs : เทนเซอร์ของค่าประเภทใด ๆ

คุณลักษณะ:

ผล:

  1. output : เทนเซอร์ของค่าประเภทใด ๆ

tfl.local_response_n ปกติization (TFL :: LocalResponseNormalizationOp)

การปรับสภาพการตอบสนองในท้องถิ่น

รายละเอียด:

เมตริกซ์ input 4-D ถือเป็นอาร์เรย์ 3 มิติของเวกเตอร์ 1 มิติ (ตามมิติสุดท้าย) และเวกเตอร์แต่ละตัวจะถูกทำให้เป็นมาตรฐานโดยอิสระ ภายในเวกเตอร์ที่กำหนดแต่ละองค์ประกอบจะถูกหารด้วยผลรวมน้ำหนักถ่วงกำลังสองของการป้อนข้อมูลภายใน depth_radius ในรายละเอียด,

 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
 

สำหรับรายละเอียดโปรดดู Krizhevsky et al., การจัดประเภท ImageNet ด้วยเครือข่ายนิวรัล convolutional (NIPS 2012)

ถูกดำเนินการ:

  1. input : เทนเซอร์ของค่าประเภทใด ๆ

คุณลักษณะ:

คุณลักษณะ ประเภท MLIR ลักษณะ
radius IntegerAttr คุณลักษณะแอตทริบิวต์จำนวนเต็ม 32 บิต
bias FloatAttr แอตทริบิวต์ของแอตทริบิวต์ลอย 32 บิต
alpha FloatAttr แอตทริบิวต์ของแอตทริบิวต์ลอย 32 บิต
beta FloatAttr แอตทริบิวต์ของแอตทริบิวต์ลอย 32 บิต

ผล:

  1. output : เทนเซอร์ของค่าประเภทใด ๆ

tfl.log (TFL :: LogOp)

ตัวดำเนินการลอการิทึมธรรมชาติ

รายละเอียด:

ดำเนินการลอการิทึมธรรมชาติองค์ประกอบที่ชาญฉลาดในการป้อนข้อมูล

ถูกดำเนินการ:

  1. x : เทนเซอร์ของค่าประเภทใด ๆ

คุณลักษณะ:

ผล:

  1. y : เทนเซอร์ของค่าประเภทใด ๆ

tfl.log_softmax (TFL :: LogSoftmaxOp)

บันทึกผู้ดำเนินการ softmax

รายละเอียด:

คำนวณการเปิดใช้งาน softmax บันทึกองค์ประกอบที่ชาญฉลาดด้วยสูตรต่อไปนี้

อินพุต - บันทึก (ลด sumum (exp (อินพุต), สลัว))

ถูกดำเนินการ:

  1. input : เทนเซอร์ของค่าประเภทใด ๆ

คุณลักษณะ:

ผล:

  1. output : เทนเซอร์ของค่าประเภทใด ๆ

tfl.logical_and (TFL :: LogicalAndOp)

ตรรกะและตัวดำเนินการ

รายละเอียด:

ตรรกะและการดำเนินการองค์ประกอบที่ชาญฉลาด

ถูกดำเนินการ:

  1. lhs : เทนเซอร์ของค่าประเภทใด ๆ
  2. rhs : เทนเซอร์ของค่าประเภทใด ๆ

คุณลักษณะ:

ผล:

  1. output : เทนเซอร์ของค่าประเภทใด ๆ

tfl.logical_not (TFL :: LogicalNotOp)

ตัวดำเนินการ Logical NOT

รายละเอียด:

การดำเนินการ NOT เชิงตรรกะแบบองค์ประกอบ

ถูกดำเนินการ:

  1. lhs : เทนเซอร์ของค่าประเภทใด ๆ

คุณลักษณะ:

ผล:

  1. output : เทนเซอร์ของค่าประเภทใด ๆ

tfl.logical_or (TFL :: LogicalOrOp)

ผู้ประกอบการตรรกะหรือ

รายละเอียด:

การดำเนินการหรือองค์ประกอบตรรกะที่ชาญฉลาด

ถูกดำเนินการ:

  1. lhs : เทนเซอร์ของค่าประเภทใด ๆ
  2. rhs : เทนเซอร์ของค่าประเภทใด ๆ

คุณลักษณะ:

ผล:

  1. output : เทนเซอร์ของค่าประเภทใด ๆ

tfl.logistic (TFL :: LogisticOp)

ผู้ประกอบการขนส่ง

รายละเอียด:

คำนวณ Sigmoid ขององค์ประกอบที่ชาญฉลาด

ถูกดำเนินการ:

  1. x : เทนเซอร์ของค่าประเภทใด ๆ

คุณลักษณะ:

ผล:

  1. y : เทนเซอร์ของค่าประเภทใด ๆ

tfl.matrix_diag (TFL :: MatrixDiagOp)

 Returns a tensor with the provided diagonal and everything else padded with zeros.
 

รายละเอียด:

รับค่าทแยงมุมส่งกลับค่าเทนเซอร์ด้วยเส้นทแยงมุมและทุกอย่างมีค่าเป็นศูนย์ สมมติว่าเส้นทแยงมุมมีขนาด k [I, J, K, ..., N] จากนั้นผลลัพธ์คือเมตริกซ์อันดับ k+1 มีขนาด [I, J, K, ..., N, N] โดยที่: output[i, j, k, ..., m, n] = 1{m=n} * diagonal[i, j, k, ..., n].

ถูกดำเนินการ:

  1. diagonal : เทนเซอร์ของค่าประเภทใด ๆ

คุณลักษณะ:

ผล:

  1. output : เทนเซอร์ของค่าประเภทใด ๆ

tfl.matrix_set_diag (TFL :: MatrixSetDiagOp)

 Returns a batched matrix tensor with new batched diagonal values.
 

รายละเอียด:

การ input และ diagonal ดำเนินการนี้จะส่งกลับเมตริกซ์ที่มีรูปร่างและค่าเช่นเดียวกับ input ยกเว้นเส้นทแยงมุมหลักของเมทริกซ์ในสุด สิ่งเหล่านี้จะถูกเขียนทับโดยค่าใน diagonal

ถูกดำเนินการ:

  1. input : ตัวนับจำนวน 32 บิตหรือจำนวนเต็ม 64 บิตหรือจำนวนเต็ม 64 บิตหรือจำนวนเต็ม 8 บิตหรือประเภท QI8 หรือประเภท QI16 หรือประเภท QUI16 หรือประเภท QUI8 หรือประเภท TFLite uint8 หรือ TFLite quint8
  2. diagonal : เทนเซอร์ของ 32 บิตลอยหรือจำนวนเต็ม 32 บิตหรือจำนวนเต็ม 64 บิตหรือจำนวนเต็ม 8 บิตหรือชนิด QI8 หรือประเภท QI16 หรือประเภท QI16 หรือประเภท QUI8 หรือ TFLite uint8 ประเภท TFLite หรือค่าชนิด quint8 TFLite

คุณลักษณะ:

ผล:

  1. output : ตัวนับจำนวนทศนิยม 32 บิตหรือจำนวนเต็ม 32 บิตหรือจำนวนเต็ม 64 บิตหรือจำนวนเต็ม 8 บิตหรือประเภท QI8 หรือประเภท QI16 หรือประเภท QUI16 หรือประเภท QUI8 หรือประเภท TFLite uint8 หรือค่าชนิด TFLite quint8

tfl.max_pool_2d (TFL :: MaxPool2DOp)

Max Pool 2D op

รายละเอียด:

ดำเนินการ max พูล 2D บนอินพุต

อินพุต: inputs[0] : ต้องการ: เทนเซอร์เมตริก

ถูกดำเนินการ:

  1. input : เทนเซอร์ของค่าประเภทใด ๆ

คุณลักษณะ:

คุณลักษณะ ประเภท MLIR ลักษณะ
padding StringAttr แอ็ตทริบิวต์ padding enum
stride_w IntegerAttr คุณลักษณะแอตทริบิวต์จำนวนเต็ม 32 บิต
stride_h IntegerAttr คุณลักษณะแอตทริบิวต์จำนวนเต็ม 32 บิต
filter_width IntegerAttr คุณลักษณะแอตทริบิวต์จำนวนเต็ม 32 บิต
filter_height IntegerAttr คุณลักษณะแอตทริบิวต์จำนวนเต็ม 32 บิต
fused_activation_function StringAttr แอตทริบิวต์การเปิดใช้งาน fum fused

ผล:

  1. output : เทนเซอร์ของค่าประเภทใด ๆ

tfl.max_pooling_with_argmax_2d (TFL :: MaxPoolingWithArgMax2DOp)

Max Pool 2D พร้อม op argmax

รายละเอียด:

ดำเนินการรวมกำไรสูงสุดบนอินพุตและเอาต์พุตทั้งค่าและดัชนีสูงสุด แต่ละดัชนีเป็นดัชนีแบนในชุดย่อยของ "filter_w" x "filter_h" ขนาดหมายเหตุนี่เป็น op แบบกำหนดเองที่ไม่ได้รับการสนับสนุนในรันไทม์มาตรฐาน

อินพุต: inputs[0] : จำเป็น: เทนเซอร์เปิดใช้งานอินพุต

ถูกดำเนินการ:

  1. input : เทนเซอร์ของค่าประเภทใด ๆ

คุณลักษณะ:

คุณลักษณะ ประเภท MLIR ลักษณะ
padding StringAttr แอ็ตทริบิวต์ padding enum
stride_w IntegerAttr คุณลักษณะแอตทริบิวต์จำนวนเต็ม 32 บิต
stride_h IntegerAttr คุณลักษณะแอตทริบิวต์จำนวนเต็ม 32 บิต
filter_w IntegerAttr คุณลักษณะแอตทริบิวต์จำนวนเต็ม 32 บิต
filter_h IntegerAttr คุณลักษณะแอตทริบิวต์จำนวนเต็ม 32 บิต

ผล:

  1. value : เทนเซอร์ของค่าประเภทใด ๆ
  2. indices : เทนเซอร์ของค่าประเภทใด ๆ

tfl.max_unpooling_2d (TFL :: MaxUnpooling2DOp)

Max Unpool 2D

รายละเอียด:

ทำการดำเนินการ unpool สูงสุด ในระดับหนึ่งนี่เป็นการดำเนินการย้อนกลับของการรวมสูงสุด: องค์ประกอบในเทอร์มินัลการเปิดใช้งานอินพุตจะถูกเก็บไว้ในตำแหน่งที่ระบุโดยดัชนีอินพุท หมายเหตุนี่เป็น op แบบกำหนดเองที่ไม่ได้รับการสนับสนุนในรันไทม์มาตรฐาน

อินพุต: inputs[0] : ต้องการ: อินพุตตัวกระตุ้นการเปิดใช้งาน inputs[1] : จำเป็น: ดัชนีอินพุท

ถูกดำเนินการ:

  1. input : เทนเซอร์ของค่าประเภทใด ๆ
  2. indices : เทนเซอร์ของค่าประเภทใด ๆ

คุณลักษณะ:

คุณลักษณะ ประเภท MLIR ลักษณะ
padding StringAttr แอ็ตทริบิวต์ padding enum
stride_w IntegerAttr คุณลักษณะแอตทริบิวต์จำนวนเต็ม 32 บิต
stride_h IntegerAttr คุณลักษณะแอตทริบิวต์จำนวนเต็ม 32 บิต
filter_w IntegerAttr คุณลักษณะแอตทริบิวต์จำนวนเต็ม 32 บิต
filter_h IntegerAttr คุณลักษณะแอตทริบิวต์จำนวนเต็ม 32 บิต

ผล:

  1. outputs : เทนเซอร์ของค่าประเภทใด ๆ

tfl.maximum (TFL :: MaximumOp)

ผู้ประกอบการสูงสุด

รายละเอียด:

การทำงานสูงสุดตามองค์ประกอบ

ถูกดำเนินการ:

  1. lhs : เทนเซอร์ของค่าประเภทใด ๆ
  2. rhs : เทนเซอร์ของค่าประเภทใด ๆ

คุณลักษณะ:

ผล:

  1. max : เทนเซอร์ของค่าประเภทใด ๆ

tfl.mean (TFL :: MeanOp)

ผู้ประกอบการหมายถึง

รายละเอียด:

คำนวณค่าเฉลี่ยขององค์ประกอบข้ามมิติของเทนเซอร์ ลด input_tensor ตามขนาดที่กำหนดในแกน เว้นแต่ว่า keepdims เป็นจริงอันดับของเมตริกซ์จะลดลง 1 สำหรับแต่ละรายการในแกน หาก keepdims เป็นจริงมิติที่ลดลงจะถูกรักษาไว้ด้วยความยาว 1

ถูกดำเนินการ:

  1. input : เทนเซอร์ของค่าประเภทใด ๆ
  2. axis : เทนเซอร์ของค่าประเภทใด ๆ

คุณลักษณะ:

คุณลักษณะ ประเภท MLIR ลักษณะ
keep_dims BoolAttr แอตทริบิวต์ของบูล

ผล:

  1. output : เทนเซอร์ของค่าประเภทใด ๆ

tfl.minimum (TFL :: MinimumOp)

ผู้ประกอบการขั้นต่ำ

รายละเอียด:

การดำเนินการขั้นต่ำองค์ประกอบที่ชาญฉลาด

ถูกดำเนินการ:

  1. lhs : เทนเซอร์ของค่าประเภทใด ๆ
  2. rhs : เทนเซอร์ของค่าประเภทใด ๆ

คุณลักษณะ:

ผล:

  1. min : เมตริกซ์ของค่าชนิดใด ๆ

tfl.mirror_pad (TFL :: MirrorPadOp)

MirrorPad Operator แผ่นเทนเซอร์ที่มีค่ามิเรอร์

รายละเอียด:

การดำเนินการนี้เสริมอินพุตด้วยค่ามิร์เรอร์ตาม paddings ที่คุณระบุ paddings คือตัวนับจำนวนเต็มที่มีรูปร่าง [n, 2] โดยที่ n คืออันดับของอินพุต สำหรับแต่ละมิติ D ของอินพุต paddings [D, 0] ระบุจำนวนค่าที่จะเพิ่มก่อนเนื้อหาของอินพุตในมิตินั้นและ paddings [D, 1] ระบุจำนวนค่าที่จะเพิ่มหลังจากเนื้อหาของอินพุตในมิตินั้น

ทั้งการเติม [D, 0] และการเติม [D, 1] ต้องไม่เกิน input.dim_size (D) (หรือ input.dim_size (D) - 1) ถ้า copy_border เป็นจริง (ถ้าเป็นเท็จตามลำดับ)

ขนาดเบาะของแต่ละมิติ D ของเอาต์พุตคือ:

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

ถูกดำเนินการ:

  1. input : เทนเซอร์ของค่าประเภทใด ๆ
  2. pad : เทนเซอร์ของค่าประเภทใด ๆ

คุณลักษณะ:

คุณลักษณะ ประเภท MLIR ลักษณะ
mode StringAttr แอตทริบิวต์ของแผ่นสะท้อนแสง

ผล:

  1. output : เทนเซอร์ของค่าประเภทใด ๆ

tfl.mul (TFL :: MulOp)

ผู้ประกอบการคูณ

รายละเอียด:

การดำเนินการคูณองค์ประกอบที่ชาญฉลาด

ถูกดำเนินการ:

  1. lhs : เทนเซอร์ของค่าประเภทใด ๆ
  2. rhs : เทนเซอร์ของค่าประเภทใด ๆ

คุณลักษณะ:

คุณลักษณะ ประเภท MLIR ลักษณะ
fused_activation_function StringAttr แอตทริบิวต์การเปิดใช้งาน fum fused

ผล:

  1. output : เทนเซอร์ของค่าประเภทใด ๆ

tfl.neg (TFL :: NegOp)

ผู้ประกอบการปฏิเสธ

รายละเอียด:

คำนวณการปฏิเสธการป้อนข้อมูลด้วยองค์ประกอบที่ชาญฉลาด

ถูกดำเนินการ:

  1. x : เทนเซอร์ของค่าประเภทใด ๆ

คุณลักษณะ:

ผล:

  1. y : เทนเซอร์ของค่าประเภทใด ๆ

tfl.non_max_suppression_v4 (TFL :: NonMaxSuppressionV4Op)

อย่างตะกละตะกลามเลือกชุดย่อยของกล่องขอบเขตในการเรียงลำดับคะแนนจากมากไปน้อย,

รายละเอียด:

การตัดออกจากกล่องที่มีการทับซ้อนสูง (IOU) ทับซ้อนกับกล่องที่เลือกไว้ก่อนหน้านี้ กล่องที่ล้อมรอบด้วยคะแนนน้อยกว่า score_threshold จะถูกลบออก กล่องที่ถูก จำกัด ขอบเขตให้เป็น [y1, x1, y2, x2] โดยที่ (y1, x1) และ (y2, x2) เป็นพิกัดของมุมในแนวทแยงมุมใด ๆ ของกล่องและพิกัดสามารถให้เป็นมาตรฐานได้ (เช่นการโกหกใน ช่วงเวลา [0, 1]) หรือสัมบูรณ์ โปรดทราบว่าอัลกอริธึมนี้ไม่เชื่อเรื่องพระเจ้าในที่ที่กำเนิดอยู่ในระบบพิกัดและโดยทั่วไปจะไม่แปรเปลี่ยนจากการแปลงฉากและการแปลของระบบพิกัด ดังนั้นการแปลหรือการสะท้อนของระบบพิกัดจึงส่งผลให้กล่องเดียวกันนั้นถูกเลือกโดยอัลกอริทึม เอาต์พุตของการดำเนินการนี้คือชุดของการทำดัชนีจำนวนเต็มในคอลเลกชันอินพุตของกล่องขอบเขตที่แสดงถึงกล่องที่เลือก พิกัดกล่องขอบเขตที่สอดคล้องกับดัชนีที่เลือกนั้นสามารถรับได้โดยใช้การ tf.gather operation ตัวอย่างเช่น: selected_indices = tf.image.non_max_suppression_v2 (กล่องคะแนน, max_output_size, iou_threshold, score_threshold) selected_boxes = tf.gather (กล่อง, Selected_indices)

ถูกดำเนินการ:

  1. boxes : เทนเซอร์ของค่าประเภทใด ๆ
  2. scores : เทนเซอร์ของค่าประเภทใด ๆ
  3. max_output_size : ตัวนับของค่าประเภทใด ๆ
  4. iou_threshold : เทนเซอร์ของค่าประเภทใด ๆ
  5. score_threshold : เทนเซอร์ของค่าประเภทใด ๆ

คุณลักษณะ:

ผล:

  1. selected_indices : เทนเซอร์ของค่าประเภทใด ๆ
  2. valid_outputs : เทนเซอร์ของค่าประเภทใด ๆ

tfl.non_max_suppression_v5 (TFL :: NonMaxSuppressionV5Op)

อย่างตะกละตะกลามเลือกชุดย่อยของกล่องขอบเขตในการเรียงลำดับคะแนนจากมากไปน้อย,

รายละเอียด:

การตัดออกจากกล่องที่มีการทับซ้อนสูง (IOU) ทับซ้อนกับกล่องที่เลือกไว้ก่อนหน้านี้ กล่องที่ล้อมรอบด้วยคะแนนน้อยกว่า score_threshold จะถูกลบออก กล่องที่ถูก จำกัด ให้เป็น [y1, x1, y2, x2] โดยที่ (y1, x1) และ (y2, x2) เป็นพิกัดของมุมในแนวทแยงมุมใด ๆ ของกล่องและพิกัดสามารถให้เป็นมาตรฐานได้ ช่วงเวลา [0, 1]) หรือสัมบูรณ์ โปรดทราบว่าอัลกอริธึมนี้ไม่เชื่อเรื่องพระเจ้าในที่ที่กำเนิดอยู่ในระบบพิกัดและโดยทั่วไปจะไม่แปรเปลี่ยนจากการแปลงฉากและการแปลของระบบพิกัด ดังนั้นการแปลหรือการสะท้อนของระบบพิกัดจึงส่งผลให้กล่องเดียวกันนั้นถูกเลือกโดยอัลกอริทึม เอาต์พุตของการดำเนินการนี้คือชุดของการทำดัชนีจำนวนเต็มในคอลเลกชันอินพุตของกล่องขอบเขตที่แสดงถึงกล่องที่เลือก พิกัดกล่องขอบเขตที่สอดคล้องกับดัชนีที่เลือกนั้นสามารถรับได้โดยใช้การ 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.

Operands:

  1. boxes : tensor of any type values
  2. scores : tensor of any type values
  3. max_output_size : tensor of any type values
  4. iou_threshold : tensor of any type values
  5. score_threshold : tensor of any type values
  6. soft_nms_sigma : tensor of any type values

Attributes:

Results:

  1. selected_indices : tensor of any type values
  2. selected_scores : tensor of any type values
  3. valid_outputs : tensor of any type values

tfl.not_equal (TFL::NotEqualOp)

Not_equal operator

Description:

Element-wise not_equal operation.

Operands:

  1. lhs : tensor of any type values
  2. rhs : tensor of any type values

Attributes:

Results:

  1. output : tensor of any type values

tfl.NumericVerify (TFL::NumericVerifyOp)

Verifies the numericals of the two operands

Description:

The NumericVerify op is a debugging op to verify the numericals of the two activations. It is a custom op in TFLite.

Operands:

  1. input : tensor of any type values
  2. ref : tensor of any type values

Attributes:

Attribute MLIR Type Description
tolerance FloatAttr 32-bit float attribute attribute

Results:

tfl.one_hot (TFL::OneHotOp)

OneHot operator

Description:

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).

Operands:

  1. indices : tensor of any type values
  2. depth : tensor of any type values
  3. on_value : tensor of any type values
  4. off_value : tensor of any type values

Attributes:

Attribute MLIR Type Description
axis IntegerAttr 32-bit integer attribute attribute

Results:

  1. output : tensor of any type values

tfl.prelu (TFL::PReluOp)

Parameterized Relu operator

Description:

Parameterized Relu operator x -> x >= 0 ? x : (alpha * x) where alpha is a trainable tensor. alpha should have one less rank than the input as it doesn't have the batch dimension, and the other dimensions either should be the same size as input or size 1, where it is broadcasted in the second case.

Operands:

  1. input : tensor of any type values
  2. alpha : tensor of any type values

Attributes:

Results:

  1. output : tensor of any type values

tfl.pack (TFL::PackOp)

Packs a list of tensors along a dimension into one tensor

Description:

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) . Etc.

For example:

 # '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 .

Operands:

  1. values : tensor of any type values

Attributes:

Attribute MLIR Type Description
values_count IntegerAttr 32-bit integer attribute attribute
axis IntegerAttr 32-bit integer attribute attribute

Results:

  1. output : tensor of any type values

tfl.pad (TFL::PadOp)

Padding operator

Description:

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)

For example:

 # '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]]
 

Operands:

  1. input : tensor of any type values
  2. padding : tensor of any type values

Attributes:

Results:

  1. output : tensor of any type values

tfl.padv2 (TFL::PadV2Op)

Padding operator v2

Description:

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)

For example:

 # '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]]
 

Operands:

  1. input : tensor of any type values
  2. padding : tensor of any type values
  3. constant_values : tensor of any type values

Attributes:

Results:

  1. output : tensor of any type values

tfl.pow (TFL::PowOp)

Power operator

Description:

Element-wise power operation.

Operands:

  1. lhs : tensor of any type values
  2. rhs : tensor of any type values

Attributes:

Results:

  1. output : tensor of any type values

tfl.pseudo_qconst (TFL::QConstOp)

Quantized constant pseudo op

Description:

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.

Operands:

Attributes:

Attribute MLIR Type Description
qtype TypeAttr Tensor type attribute attribute
value ElementsAttr constant vector/tensor attribute attribute

Results:

  1. output : tensor of any type values

tfl.quantize (TFL::QuantizeOp)

Quantize operator

Description:

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

Operands:

  1. input : tensor of any type values

Attributes:

Attribute MLIR Type Description
qtype TypeAttr Tensor type attribute attribute

Results:

  1. output : tensor of any type values

tfl.range (TFL::RangeOp)

Range operator

Description:

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

Operands:

  1. start : tensor of any type values
  2. limit : tensor of any type values
  3. delta : tensor of any type values

Attributes:

Results:

  1. result : tensor of any type values

tfl.rank (TFL::RankOp)

Rank operator.

Description:

Returns the rank of a tensor.

Operands:

  1. input : tensor of any type values

Attributes:

Results:

  1. output : tensor of any integer type

tfl.reduce_any (TFL::ReduceAnyOp)

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

Description:

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.

Operands:

  1. input : tensor of any type values
  2. reduction_indices : tensor of any type values

Attributes:

Attribute MLIR Type Description
keep_dims BoolAttr bool attribute attribute

Results:

  1. output : tensor of any type values

tfl.reduce_max (TFL::ReduceMaxOp)

Max-reduction operator

Description:

Computes the max reduction along the specified axes

Operands:

  1. input : tensor of any type values
  2. axes : tensor of any type values

Attributes:

Attribute MLIR Type Description
keep_dims BoolAttr bool attribute attribute

Results:

  1. «unnamed»: tensor of any type values

tfl.reduce_min (TFL::ReduceMinOp)

Min-reduction operator

Description:

Computes the min reduction along the specified axes

Operands:

  1. input : tensor of any type values
  2. axes : tensor of any type values

Attributes:

Attribute MLIR Type Description
keep_dims BoolAttr bool attribute attribute

Results:

  1. «unnamed»: tensor of any type values

tfl.reduce_prod (TFL::ReduceProdOp)

Prod-reduction operator

Description:

Computes the product along the specified axes

Operands:

  1. input : tensor of any type values
  2. axes : tensor of any type values

Attributes:

Attribute MLIR Type Description
keep_dims BoolAttr bool attribute attribute

Results:

  1. «unnamed»: tensor of any type values

tfl.relu_n1_to_1 (TFL::Relu1Op)

Relu1 operator

Description:

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

Operands:

  1. x : tensor of any type values

Attributes:

Results:

  1. y : tensor of any type values

tfl.relu6 (TFL::Relu6Op)

Relu6 operator

Description:

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

Operands:

  1. x : tensor of any type values

Attributes:

Results:

  1. y : tensor of any type values

tfl.relu (TFL::ReluOp)

Relu operator

Description:

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

Operands:

  1. x : tensor of any type values

Attributes:

Results:

  1. y : tensor of any type values

tfl.reshape (TFL::ReshapeOp)

Reshape operator

Description:

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

Operands:

  1. input : tensor of any type values
  2. shape : tensor of any type values

Attributes:

Results:

  1. output : tensor of any type values

tfl.resize_bilinear (TFL::ResizeBilinearOp)

ResizeBilinear Op

Description:

Resize images to size using bilinear interpolation.

Operands:

  1. input : tensor of any type values
  2. size : tensor of any type values

Attributes:

Attribute MLIR Type Description
align_corners BoolAttr bool attribute attribute
half_pixel_centers BoolAttr bool attribute attribute

Results:

  1. output : tensor of any type values

tfl.resize_nearest_neighbor (TFL::ResizeNearestNeighborOp)

ResizeNearestNeighbor Op

Description:

Resize images to size using nearest neighbor interpolation.

Operands:

  1. input : tensor of any type values
  2. size : tensor of any type values

Attributes:

Attribute MLIR Type Description
align_corners BoolAttr bool attribute attribute

Results:

  1. output : tensor of any type values

tfl.reverse_sequence (TFL::ReverseSequenceOp)

Reverses variable length slices.

Description:

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.

Operands:

  1. input : tensor of any type values
  2. seq_lengths : tensor of any type values

Attributes:

Attribute MLIR Type Description
seq_dim IntegerAttr 32-bit integer attribute attribute
batch_dim IntegerAttr 32-bit integer attribute attribute

Results:

  1. output : tensor of any type values

tfl.reverse_v2 (TFL::ReverseV2Op)

ReverseV2 Operator

Description:

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, 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.

Operands:

  1. input : tensor of any type values
  2. axis : tensor of any type values

Attributes:

Results:

  1. output : tensor of any type values

tfl.round (TFL::RoundOp)

Round operator

Description:

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

Operands:

  1. x : tensor of any type values

Attributes:

Results:

  1. y : tensor of any type values

tfl.rsqrt (TFL::RsqrtOp)

Reciprocal of square root operator

Description:

Computes element-wise reverse square root of input

Operands:

  1. x : tensor of any type values

Attributes:

Results:

  1. y : tensor of any type values

tfl.svdf (TFL::SVDFOp)

Single value decomposition filter operator

Description:

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

Operands:

  1. input : tensor of any type values
  2. feature_weights : tensor of any type values
  3. time_weights : tensor of any type values
  4. input_gate_bias : tensor of any type values or none type
  5. activation_state : stateful tensor

Attributes:

Attribute MLIR Type Description
rank IntegerAttr 32-bit integer attribute attribute
fused_activation_function StringAttr fused activation enum attribute

Results:

  1. output : tensor of any type values

tfl.segment_sum (TFL::SegmentSumOp)

SegmentSum operator

Description:

Computes the sum along segments of a tensor.

Operands:

  1. data : tensor of any type values
  2. segment_ids : tensor of any type values

Attributes:

Results:

  1. output : tensor of any type values

tfl.select (TFL::SelectOp)

Select operator

Description:

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.

Operands:

  1. condition : tensor of any type values
  2. x : tensor of any type values
  3. y : tensor of any type values

Attributes:

Results:

  1. output : tensor of any type values

tfl.select_v2 (TFL::SelectV2Op)

SelectV2 operator

Description:

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'.

Operands:

  1. condition : tensor of any type values
  2. x : tensor of any type values
  3. y : tensor of any type values

Attributes:

Results:

  1. output : tensor of any type values

tfl.shape (TFL::ShapeOp)

Shape operator

Description:

Returns the shape of a tensor.

Operands:

  1. input : tensor of any type values

Attributes:

Attribute MLIR Type Description
out_type Attribute derived attribute attribute

Results:

  1. output : tensor of any type values

tfl.sin (TFL::SinOp)

Sine operator

Description:

Computes element-wise Sine of input

Operands:

  1. x : tensor of any type values

Attributes:

Results:

  1. y : tensor of any type values

tfl.slice (TFL::SliceOp)

Return a slice from 'input'.

Description:

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)

Operands:

  1. input : tensor of any type values
  2. begin : tensor of any type values
  3. size : tensor of any type values

Attributes:

Results:

  1. output : tensor of any type values

tfl.softmax (TFL::SoftmaxOp)

Softmax operator

Description:

Computes element-wise softmax activations with the following formula

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

Operands:

  1. input : tensor of any type values

Attributes:

Attribute MLIR Type Description
beta FloatAttr 32-bit float attribute attribute

Results:

  1. output : tensor of any type values

tfl.space_to_batch_nd (TFL::SpaceToBatchNdOp)

SpaceToBatchNd operator

Description:

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

Operands:

  1. input : tensor of any type values
  2. block_shape : tensor of any type values
  3. paddings : tensor of any type values

Attributes:

Results:

  1. output : tensor of any type values

tfl.space_to_depth (TFL::SpaceToDepthOp)

SpaceToDepth operator

Description:

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.

Operands:

  1. input : tensor of any type values

Attributes:

Attribute MLIR Type Description
block_size IntegerAttr 32-bit integer attribute attribute

Results:

  1. output : tensor of any type values

tfl.pseudo_sparse_const (TFL::SparseConstOp)

Sparse constant pseudo op.

Description:

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

Operands:

Attributes:

Attribute MLIR Type Description
value ElementsAttr constant vector/tensor attribute attribute
s_param TFL::SparsityParameterAttr Sparsity parameter. attribute

Results:

  1. output : tensor of any type values

tfl.pseudo_sparse_qconst (TFL::SparseQConstOp)

Sparse quantized constant pseudo op

Description:

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.

Operands:

Attributes:

Attribute MLIR Type Description
qtype TypeAttr Tensor type attribute attribute
value ElementsAttr constant vector/tensor attribute attribute
s_param TFL::SparsityParameterAttr Sparsity parameter. attribute

Results:

  1. output : tensor of any type values

tfl.sparse_to_dense (TFL::SparseToDenseOp)

Converts a sparse representation into a dense tensor.

Description:

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.

Operands:

  1. sparse_indices : tensor of any type values
  2. output_shape : tensor of any type values
  3. sparse_values : tensor of any type values
  4. default_value : tensor of any type values

Attributes:

Results:

  1. dense : tensor of any type values

tfl.split (TFL::SplitOp)

Splits a tensor into num_split tensors along one dimension.

Description:

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.

Operands:

  1. split_dim : tensor of any type values
  2. value : tensor of any type values

Attributes:

Attribute MLIR Type Description
num_splits IntegerAttr positive 32-bit integer attribute attribute

Results:

  1. outputs : tensor of any type values

tfl.split_v (TFL::SplitVOp)

Splits a tensor into num_split tensors along one dimension.

Description:

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.

Operands:

  1. value : tensor of any type values
  2. size_splits : 1D tensor of 32-bit integer values
  3. split_dim : 0D tensor of 32-bit integer values

Attributes:

Attribute MLIR Type Description
num_splits IntegerAttr positive 32-bit integer attribute attribute

Results:

  1. outputs : tensor of any type values

tfl.sqrt (TFL::SqrtOp)

Square root operator

Description:

Computes element-wise Square root of input

Operands:

  1. x : tensor of any type values

Attributes:

Results:

  1. y : tensor of any type values

tfl.square (TFL::SquareOp)

Square operator

Description:

Computes element-wise Square of input

Operands:

  1. x : tensor of any type values

Attributes:

Results:

  1. y : tensor of any type values

tfl.squared_difference (TFL::SquaredDifferenceOp)

Squared difference operator

Description:

Element-wise squared difference operation.

Operands:

  1. lhs : tensor of any type values
  2. rhs : tensor of any type values

Attributes:

Results:

  1. output : tensor of any type values

tfl.squeeze (TFL::SqueezeOp)

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

Description:

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 axis .

For example:

 # '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]
 

Operands:

  1. input : tensor of any type values

Attributes:

Attribute MLIR Type Description
squeeze_dims ArrayAttr 64-bit integer array attribute attribute

Results:

  1. output : tensor of any type values

tfl.strided_slice (TFL::StridedSliceOp)

StridedSlice Op

Description:

Return a strided slice from input .

Operands:

  1. input : tensor of any type values
  2. begin : tensor of any type values
  3. end : tensor of any type values
  4. strides : tensor of any type values

Attributes:

Attribute MLIR Type Description
begin_mask IntegerAttr 32-bit integer attribute attribute
end_mask IntegerAttr 32-bit integer attribute attribute
ellipsis_mask IntegerAttr 32-bit integer attribute attribute
new_axis_mask IntegerAttr 32-bit integer attribute attribute
shrink_axis_mask IntegerAttr 32-bit integer attribute attribute

Results:

  1. output : tensor of any type values

tfl.sub (TFL::SubOp)

Subtraction operator

Description:

Element-wise subtraction operation.

Operands:

  1. lhs : tensor of any type values
  2. rhs : tensor of any type values

Attributes:

Attribute MLIR Type Description
fused_activation_function StringAttr fused activation enum attribute

Results:

  1. output : tensor of any type values

tfl.sum (TFL::SumOp)

Sum operator

Description:

Computes the sum reduction along the specified axes

Operands:

  1. input : tensor of any type values
  2. axes : tensor of any type values

Attributes:

Attribute MLIR Type Description
keep_dims BoolAttr bool attribute attribute

Results:

  1. «unnamed»: tensor of any type values

tfl.tanh (TFL::TanhOp)

Hyperbolic tangent operator

Description:

Computes element-wise Hyperbolic tangent of input

Operands:

  1. x : tensor of any type values

Attributes:

Results:

  1. y : tensor of any type values

tfl.tile (TFL::TileOp)

Tile operator.

Description:

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].

Operands:

  1. input : tensor of any type values
  2. multiples : tensor of any type values

Attributes:

Results:

  1. output : tensor of any type values

tfl.topk_v2 (TFL::TopKV2Op)

TopK operator

Description:

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.

Operands:

  1. input : tensor of any type values
  2. k : tensor of any type values

Attributes:

Results:

  1. values : tensor of any type values
  2. indices : tensor of any type values

tfl.transpose_conv (TFL::TransposeConvOp)

Transpose convolution operator

Description:

Performs transpose convolution operation on input.

Operands:

  1. output_shape : 1D tensor of any type values
  2. weights : tensor of any type values
  3. input : tensor of any type values

Attributes:

Attribute MLIR Type Description
padding StringAttr padding enum attribute
stride_h IntegerAttr 32-bit integer attribute attribute
stride_w IntegerAttr 32-bit integer attribute attribute

Results:

  1. output : tensor of any type values

tfl.transpose (TFL::TransposeOp)

Transpose operator

Description:

Returns the Transpose of x

Operands:

  1. x : tensor of any type values
  2. perm : tensor of any type values

Attributes:

Results:

  1. y : tensor of any type values

tfl.unidirectional_sequence_lstm (TFL::UnidirectionalSequenceLSTMOp)

Unidirectional sequence lstm operator

Description:

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”).

Operands:

  1. input : tensor of any type values
  2. input_to_input_weights : tensor of any type values or none type
  3. input_to_forget_weights : tensor of any type values
  4. input_to_cell_weights : tensor of any type values
  5. input_to_output_weights : tensor of any type values
  6. recurrent_to_input_weights : tensor of any type values or none type
  7. recurrent_to_forget_weights : tensor of any type values
  8. recurrent_to_cell_weights : tensor of any type values
  9. recurrent_to_output_weights : tensor of any type values
  10. cell_to_input_weights : tensor of any type values or none type
  11. cell_to_forget_weights : tensor of any type values or none type
  12. cell_to_output_weights : tensor of any type values or none type
  13. input_gate_bias : tensor of any type values or none type
  14. forget_gate_bias : tensor of any type values
  15. cell_bias : tensor of any type values
  16. output_gate_bias : tensor of any type values
  17. projection_weights : tensor of any type values or none type
  18. projection_bias : tensor of any type values or none type
  19. input_activation_state : stateful tensor
  20. input_cell_state : stateful tensor
  21. input_layer_norm_coefficients : tensor of any type values or none type
  22. forget_layer_norm_coefficients : tensor of any type values or none type
  23. cell_layer_norm_coefficients : tensor of any type values or none type
  24. output_layer_norm_coefficients : tensor of any type values or none type

Attributes:

Attribute MLIR Type Description
fused_activation_function StringAttr fused activation enum attribute
cell_clip FloatAttr 32-bit float attribute attribute
proj_clip FloatAttr 32-bit float attribute attribute
time_major BoolAttr bool attribute attribute

Results:

  1. output : tensor of any type values

tfl.unidirectional_sequence_rnn (TFL::UnidirectionalSequenceRNNOp)

Unidirectional sequence rnn operator

Description:

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”).

Operands:

  1. input : tensor of any type values
  2. input_to_input_weights : tensor of any type values
  3. recurrent_to_input_weights : tensor of any type values
  4. input_gate_bias : tensor of any type values
  5. hidden_state : stateful tensor

Attributes:

Attribute MLIR Type Description
time_major BoolAttr bool attribute attribute
fused_activation_function StringAttr fused activation enum attribute

Results:

  1. output : tensor of any type values

tfl.unique (TFL::UniqueOp)

Unique Op.

Description:

This operation returns a tensor y containing all of the unique elements of x sorted in the same order that they occur in x . This operation also returns a tensor idx the same size as x that contains the index of each value of x in the unique output y . In other words:

Operands:

  1. input : tensor of any type values

Attributes:

Attribute MLIR Type Description
idx_out_type Attribute derived attribute attribute

Results:

  1. output : tensor of any type values
  2. idx : tensor of any type values

tfl.unpack (TFL::UnpackOp)

Unpacks a tensor along a dimension into multiple tensors

Description:

Unpacks a given dimension of a rank- R tensor into num rank- (R-1) tensors.

Unpacks num tensors from value by chipping it along the axis dimension. For example, given a tensor of shape (A, B, C, D) ;

If axis == 0 then the i'th tensor in output is the slice value[i, :, :, :] and each tensor in output will have shape (B, C, D) . (Note that the dimension unpacked along is gone, unlike split ).

If axis == 1 then the i'th tensor in output is the slice value[:, i, :, :] and each tensor in output will have shape (A, C, D) . Etc.

This is the opposite of pack .

Operands:

  1. input : tensor of any type values

Attributes:

Attribute MLIR Type Description
num IntegerAttr 32-bit integer attribute attribute
axis IntegerAttr 32-bit integer attribute attribute

Results:

  1. outputs : tensor of any type values

tfl.where (TFL::WhereOp)

Returns locations of nonzero / true values in a tensor.

Description:

This operation returns the coordinates of true elements in condition . The coordinates are returned in a 2-D tensor where the first dimension (rows) represents the number of true elements, and the second dimension (columns) represents the coordinates of the true elements. Keep in mind, the shape of the output tensor can vary depending on how many true values there are in condition . Indices are output in row-major order.

Operands:

  1. input : tensor of any type values

Attributes:

Results:

  1. index : tensor of any type values

tfl.while (TFL::WhileOp)

While loop

Description:

output = input; while (cond(output)) { output = body(output) }

While loop where all values are passes through arguments with implicit capture.

input: A list of input tensors whose types are T. output: A list of output tensors whose types are T. cond: A region takes 'input' and returns a boolean scalar tensor. body: A region that takes a list of tensors and returns another list of tensors. Both lists have the same types.

Operands:

  1. input : tensor of any type values

Attributes:

Attribute MLIR Type Description
is_stateless BoolAttr bool attribute attribute

Results:

  1. output : tensor of any type values

tfl.yield (TFL::YieldOp)

Yield operation

Description:

The "yield" operation represents a return operation within the conditional and body of structured control flow (eg, while). The operation takes variable number of operands and produces no results. The operand number and types must match the signature of the region that contains the operation.

Operands:

  1. operands : any type

Attributes:

Results:

tfl.zeros_like (TFL::ZerosLikeOp)

ZerosLike operator

Description:

Returns a tensor of zeros with the same shape and type as the input tensor.

Operands:

  1. input : tensor of any type values

Attributes:

Results:

  1. output : tensor of any type values