معناشناسی عملیات

در زیر معنای عملیات تعریف شده در رابط XlaBuilder را شرح می دهد. به طور معمول، این عملیات یک به یک به عملیات تعریف شده در رابط RPC در xla_data.proto نگاشت.

نکته ای در مورد نامگذاری: نوع داده تعمیم یافته ای که XLA با آن سروکار دارد، یک آرایه N بعدی است که عناصری از نوع یکنواخت (مانند شناور ۳۲ بیتی) را در خود نگه می دارد. در سراسر مستندات، آرایه برای نشان دادن یک آرایه با ابعاد دلخواه استفاده می شود. برای راحتی، موارد خاص نام های خاص و آشناتری دارند. به عنوان مثال یک بردار یک آرایه 1 بعدی و یک ماتریس یک آرایه دو بعدی است.

گذشته از همه اینها

XlaBuilder::AfterAll نیز ببینید.

AfterAll تعداد متغیری توکن را می گیرد و یک توکن تولید می کند. توکن‌ها انواع اولیه‌ای هستند که می‌توان آن‌ها را بین عملیات‌های جانبی قرار داد تا سفارش را اجرا کنند. AfterAll می توان به عنوان پیوندی از نشانه ها برای سفارش عملیات پس از یک مجموعه عملیات استفاده کرد.

AfterAll(operands)

همه جمع شوند

XlaBuilder::AllGather نیز ببینید.

الحاق بین کپی ها را انجام می دهد.

AllGather(operand, all_gather_dim, shard_count, replica_group_ids, channel_id)

• replica_groups لیستی از گروه‌های replica است که الحاق بین آنها انجام می‌شود (شناسه replica برای ماکت فعلی را می‌توان با استفاده از ReplicaId بازیابی کرد). ترتیب تکرارها در هر گروه تعیین کننده ترتیب قرار گرفتن ورودی های آنها در نتیجه است. replica_groups یا باید خالی باشند (در این صورت همه کپی‌ها متعلق به یک گروه واحد هستند که از 0 تا N - 1 مرتب شده‌اند)، یا دارای همان تعداد عناصر با تعداد کپی‌ها باشند. برای مثال، replica_groups = {0, 2}, {1, 3} الحاق بین replica های 0 و 2 و 1 و 3 را انجام می دهد.
• shard_count اندازه هر گروه ماکت است. در مواردی که replica_groups خالی هستند به این نیاز داریم.
• channel_id برای ارتباط متقابل ماژول استفاده می شود: فقط عملیات all-gather با همان channel_id می توانند با یکدیگر ارتباط برقرار کنند.

شکل خروجی شکل ورودی با all_gather_dim است که shard_count بار بزرگتر شده است. به عنوان مثال، اگر دو replica وجود داشته باشد و عملوند دارای مقدار [1.0, 2.5] و [3.0, 5.25] به ترتیب روی دو replica باشد، آنگاه مقدار خروجی از این عملیات که در آن all_gather_dim 0 است [1.0, 2.5, 3.0, 5.25] خواهد بود. [1.0, 2.5, 3.0, 5.25] در هر دو ماکت.

همه کاهش

XlaBuilder::AllReduce نیز ببینید.

یک محاسبات سفارشی در بین کپی ها انجام می دهد.

AllReduce(operand, computation, replica_group_ids, channel_id)

• هنگامی که operand چند آرایه است، کاهش همه روی هر عنصر تاپل انجام می شود.
• replica_groups فهرستی از گروه‌های replica است که بین آن‌ها کاهش انجام می‌شود (شناسه replica برای replica فعلی را می‌توان با استفاده از ReplicaId بازیابی کرد). replica_groups یا باید خالی باشد (در این صورت همه replica ها متعلق به یک گروه واحد هستند)، یا دارای همان تعداد عناصر با تعداد Replica ها باشند. برای مثال، replica_groups = {0, 2}, {1, 3} بین کپی‌های 0 و 2 و 1 و 3 کاهش می‌دهد.
• channel_id برای ارتباطات متقابل ماژول استفاده می‌شود: فقط عملیات‌های all-reduce با همان channel_id می‌توانند با یکدیگر ارتباط برقرار کنند.

شکل خروجی همان شکل ورودی است. به عنوان مثال، اگر دو replica وجود داشته باشد و عملوند دارای مقدار [1.0, 2.5] و [3.0, 5.25] به ترتیب روی دو replica باشد، آنگاه مقدار خروجی از این عملیات و محاسبه جمع در هر دو [4.0, 7.75] خواهد بود. ماکت ها اگر ورودی یک تاپلی باشد، خروجی نیز یک تاپل است.

محاسبه نتیجه AllReduce مستلزم داشتن یک ورودی از هر ماکت است، بنابراین اگر یک ماکت یک گره AllReduce را بیشتر از دیگری اجرا کند، آنگاه ماکت قبلی برای همیشه منتظر خواهد ماند. از آنجایی که کپی‌ها همه یک برنامه را اجرا می‌کنند، راه‌های زیادی برای این کار وجود ندارد، اما زمانی ممکن است که شرایط حلقه while به داده‌های ورودی بستگی داشته باشد و داده‌هایی که وارد می‌شوند باعث شوند حلقه while بارها تکرار شود. روی یک ماکت نسبت به دیگری

AllToAll

XlaBuilder::AllToAll نیز ببینید.

AllToAll یک عملیات جمعی است که داده ها را از همه هسته ها به همه هسته ها ارسال می کند. دو فاز دارد:

1. فاز پراکندگی. در هر هسته، عملوند به تعداد بلوک‌های split_count در امتداد split_dimensions تقسیم می‌شود، و بلوک‌ها به همه هسته‌ها پراکنده می‌شوند، به عنوان مثال، بلوک ith ​​به هسته ith ارسال می‌شود.
2. مرحله جمع آوری هر هسته بلوک های دریافتی را در امتداد concat_dimension به هم متصل می کند.

هسته های شرکت کننده را می توان توسط:

• replica_groups : هر ReplicaGroup حاوی لیستی از Replica id شرکت کننده در محاسبات است (شناسه replica برای replica فعلی را می توان با استفاده از ReplicaId بازیابی کرد). AllToAll در زیر گروه ها به ترتیب مشخص شده اعمال خواهد شد. برای مثال، replica_groups = { {1,2,3}, {4,5,0} } به این معنی است که یک AllToAll در کپی‌های {1, 2, 3} و در مرحله جمع‌آوری اعمال می‌شود و بلوک‌های دریافتی به همان ترتیب 1، 2، 3 الحاق شود. سپس، AllToAll دیگری در کپی های 4، 5، 0 اعمال می شود، و ترتیب الحاق نیز 4، 5، 0 است. اگر replica_groups خالی باشد، همه کپی ها متعلق به یک هستند. گروه، به ترتیب الحاق ظاهرشان.

پیش نیازها:

• اندازه بعد عملوند در split_dimension بر split_count قابل تقسیم است.
• شکل عملوند تاپلی نیست.

AllToAll(operand, split_dimension, concat_dimension, split_count, replica_groups)

در زیر نمونه ای از Alltoall را نشان می دهد.

XlaBuilder b("alltoall");
auto x = Parameter(&b, 0, ShapeUtil::MakeShape(F32, {4, 16}), "x");
AllToAll(x, /*split_dimension=*/1, /*concat_dimension=*/0, /*split_count=*/4);

در این مثال، 4 هسته در Alltoall شرکت می کنند. در هر هسته، عملوند در امتداد بعد 1 به 4 قسمت تقسیم می شود، بنابراین هر قسمت دارای شکل f32 [4،4] است. 4 قسمت در تمام هسته ها پراکنده شده اند. سپس هر هسته قطعات دریافتی را در امتداد ابعاد 0 به ترتیب یا هسته 0-4 به هم متصل می کند. بنابراین خروجی هر هسته دارای شکل f32 [16,4] است.

BatchNormGrad

همچنین XlaBuilder::BatchNormGrad و مقاله نرمال سازی دسته اصلی را برای توضیح دقیق الگوریتم ببینید.

گرادیان های هنجار دسته ای را محاسبه می کند.

BatchNormGrad(operand, scale, mean, variance, grad_output, epsilon, feature_index)

برای هر ویژگی در بعد ویژگی ( feature_index شاخص بعد ویژگی در operand است)، این عملیات گرادیان ها را با توجه به operand ، offset و scale در تمام ابعاد دیگر محاسبه می کند. feature_index باید یک شاخص معتبر برای بعد ویژگی در operand باشد.

سه گرادیان با فرمول های زیر تعریف می شوند (با فرض یک آرایه 4 بعدی به عنوان operand و با شاخص بعد ویژگی l ، اندازه دسته ای m و اندازه های فضایی w و h ):

\[ \begin{split} c_l&= \frac{1}{mwh}\sum_{i=1}^m\sum_{j=1}^w\sum_{k=1}^h \left( \nabla y_{ijkl} \frac{x_{ijkl} - \mu_l}{\sigma^2_l+\epsilon} \right) \\\\ d_l&= \frac{1}{mwh}\sum_{i=1}^m\sum_{j=1}^w\sum_{k=1}^h \nabla y_{ijkl} \\\\ \nabla x_{ijkl} &= \frac{\gamma_{l} }{\sqrt{\sigma^2_{l}+\epsilon} } \left( \nabla y_{ijkl} - d_l - c_l (x_{ijkl} - \mu_{l}) \right) \\\\ \nabla \gamma_l &= \sum_{i=1}^m\sum_{j=1}^w\sum_{k=1}^h \left( \nabla y_{ijkl} \frac{x_{ijkl} - \mu_l}{\sqrt{\sigma^2_{l}+\epsilon} } \right) \\\\\ \nabla \beta_l &= \sum_{i=1}^m\sum_{j=1}^w\sum_{k=1}^h \nabla y_{ijkl} \end{split} \]

mean و variance ورودی ها ارزش گشتاورها را در ابعاد دسته ای و فضایی نشان می دهد.

نوع خروجی سه دسته است:

BatchNormInference

همچنین XlaBuilder::BatchNormInference و مقاله نرمال سازی دسته اصلی را برای توضیح دقیق الگوریتم ببینید.

یک آرایه را در ابعاد دسته ای و فضایی عادی می کند.

BatchNormInference(operand, scale, offset, mean, variance, epsilon, feature_index)

برای هر ویژگی در بعد ویژگی ( feature_index شاخص بعد ویژگی در operand است)، این عملیات میانگین و واریانس را در تمام ابعاد دیگر محاسبه می کند و از میانگین و واریانس برای عادی سازی هر عنصر در operand استفاده می کند. feature_index باید یک شاخص معتبر برای بعد ویژگی در operand باشد.

BatchNormInference معادل فراخوانی BatchNormTraining بدون محاسبه mean و variance برای هر دسته است. در عوض از mean ورودی و variance به عنوان مقادیر تخمینی استفاده می کند. هدف از این عملیات کاهش تأخیر در استنتاج است، از این رو BatchNormInference نامیده می شود.

خروجی یک آرایه n بعدی و نرمال شده با همان شکل operand ورودی است.

BatchNormTraining

همچنین XlaBuilder::BatchNormTraining و the original batch normalization paper برای توضیح دقیق الگوریتم ببینید.

یک آرایه را در ابعاد دسته ای و فضایی عادی می کند.

BatchNormTraining(operand, scale, offset, epsilon, feature_index)

برای هر ویژگی در بعد ویژگی ( feature_index شاخص بعد ویژگی در operand است)، این عملیات میانگین و واریانس را در تمام ابعاد دیگر محاسبه می کند و از میانگین و واریانس برای عادی سازی هر عنصر در operand استفاده می کند. feature_index باید یک شاخص معتبر برای بعد ویژگی در operand باشد.

الگوریتم برای هر دسته در operand \(x\) که شامل m عناصر با w و h به اندازه ابعاد فضایی است (با فرض اینکه operand یک آرایه 4 بعدی است) به شرح زیر است:

• میانگین دسته ای \(\mu_l\) را برای هر ویژگی l در بعد ویژگی محاسبه می کند:\(\mu_l=\frac{1}{mwh}\sum_{i=1}^m\sum_{j=1}^w\sum_{k=1}^h x_{ijkl}\)

• محاسبه واریانس دسته ای \(\sigma^2_l\):\(\sigma^2_l=\frac{1}{mwh}\sum_{i=1}^m\sum_{j=1}^w\sum_{k=1}^h (x_{ijkl} - \mu_l)^2\)

• عادی، مقیاس و جابجایی:\(y_{ijkl}=\frac{\gamma_l(x_{ijkl}-\mu_l)}{\sqrt[2]{\sigma^2_l+\epsilon} }+\beta_l\)

مقدار اپسیلون، معمولاً یک عدد کوچک، برای جلوگیری از خطاهای تقسیم بر صفر اضافه می شود.

نوع خروجی سه تایی XlaOp است:

batch_mean و batch_var گشتاورهایی هستند که در ابعاد دسته ای و فضایی با استفاده از فرمول های بالا محاسبه می شوند.

BitcastConvertType

XlaBuilder::BitcastConvertType را نیز ببینید.

مشابه یک tf.bitcast در TensorFlow، عملیات بیتکست عنصری را از شکل داده به شکل هدف انجام می دهد. اندازه ورودی و خروجی باید مطابقت داشته باشند: به عنوان مثال، عناصر s32 از طریق روال بیت‌کست به عناصر f32 تبدیل می‌شوند و یک عنصر s32 به چهار عنصر s8 تبدیل می‌شود. بیت‌کست به‌عنوان یک بازیگر سطح پایین پیاده‌سازی می‌شود، بنابراین ماشین‌هایی با نمایش‌های ممیز شناور متفاوت نتایج متفاوتی خواهند داشت.

BitcastConvertType(operand, new_element_type)

ابعاد عملوند و شکل هدف باید مطابقت داشته باشند، جدای از آخرین بعد که با نسبت اندازه اولیه قبل و بعد از تبدیل تغییر می کند.

نوع عنصر مبدا و مقصد نباید چند تایی باشد.

تبدیل بیتکست به نوع اولیه با عرض های مختلف

دستور BitcastConvert HLO از حالتی پشتیبانی می کند که اندازه عنصر خروجی نوع T' با اندازه عنصر ورودی T برابر نباشد. از آنجایی که کل عملیات از نظر مفهومی یک بیت‌کست است و بایت‌های زیرین را تغییر نمی‌دهد، شکل عنصر خروجی باید تغییر کند. برای B = sizeof(T), B' = sizeof(T') ، دو حالت ممکن وجود دارد.

ابتدا، وقتی B > B' ، شکل خروجی یک بعد جزئی جدید به اندازه B/B' می گیرد. مثلا:

  f16[10,2]{1,0} %output = f16[10,2]{1,0} bitcast-convert(f32[10]{0} %input)

این قانون برای اسکالرهای موثر یکسان است:

  f16[2]{0} %output = f16[2]{0} bitcast-convert(f32[] %input)

روش دیگر، برای B' > B ، دستورالعمل نیاز دارد که آخرین بعد منطقی شکل ورودی برابر با B'/B باشد، و این بعد در طول تبدیل حذف می‌شود:

  f32[10]{0} %output = f32[10]{0} bitcast-convert(f16[10,2]{1,0} %input)

توجه داشته باشید که تبدیل بین پهنای بیت های مختلف عنصری نیست.

پخش

XlaBuilder::Broadcast نیز ببینید.

با کپی کردن داده ها در آرایه، ابعاد را به آرایه اضافه می کند.

Broadcast(operand, broadcast_sizes)

ابعاد جدید در سمت چپ درج می شوند، یعنی اگر broadcast_sizes دارای مقادیر {a0, ..., aN} و شکل عملوند دارای ابعاد {b0, ..., bM} باشد، شکل خروجی دارای ابعاد {a0, ..., aN, b0, ..., bM} .

ابعاد جدید به کپی هایی از عملوند ایندکس می شود، به عنوان مثال

output[i0, ..., iN, j0, ..., jM] = operand[j0, ..., jM]

به عنوان مثال، اگر operand اسکالر f32 با مقدار 2.0f باشد، و broadcast_sizes {2, 3} باشد، نتیجه آرایه ای با شکل f32[2, 3] خواهد بود و تمام مقادیر در نتیجه 2.0f خواهد بود.

BroadcastInDim

XlaBuilder::BroadcastInDim نیز ببینید.

اندازه و رتبه یک آرایه را با کپی کردن داده ها در آرایه گسترش می دهد.

BroadcastInDim(operand, out_dim_size, broadcast_dimensions)

مشابه Broadcast، اما امکان افزودن ابعاد در هر نقطه و گسترش ابعاد موجود با اندازه 1 را می دهد.

operand به شکل توصیف شده توسط out_dim_size پخش می شود. broadcast_dimensions ابعاد operand را به ابعاد شکل هدف نگاشت می‌کند، یعنی بعد i'م عملوند به بعد broadcast_dimension[i]'مین شکل خروجی نگاشت می‌شود. ابعاد operand باید اندازه 1 داشته باشد یا به اندازه ابعاد در شکل خروجی که به آن نگاشت شده اند باشد. ابعاد باقیمانده با ابعاد اندازه 1 پر می شود. پخش با ابعاد منحط سپس در امتداد این ابعاد منحط پخش می شود تا به شکل خروجی برسد. معناشناسی به طور مفصل در صفحه پخش توضیح داده شده است.

زنگ زدن

XlaBuilder::Call نیز ببینید.

محاسبه ای را با آرگومان های داده شده فراخوانی می کند.

Call(computation, args...)

آریتی و انواع args باید با پارامترهای computation مطابقت داشته باشد. بدون args مجاز است.

چولسکی

XlaBuilder::Cholesky نیز ببینید.

تجزیه Cholesky دسته ای از ماتریس های قطعی مثبت متقارن (Hermitian) را محاسبه می کند.

Cholesky(a, lower)

اگر lower true باشد، ماتریس های مثلثی پایین l به گونه ای محاسبه می کند که \( a = l . l^T \). اگر lower false باشد، ماتریس‌های مثلثی بالا u به‌گونه‌ای محاسبه می‌کند که \( a = u^T . u \).

بسته به مقدار lower ، داده های ورودی فقط از مثلث پایین/بالایی a خوانده می شود. مقادیر از مثلث دیگر نادیده گرفته می شوند. داده های خروجی در همان مثلث برگردانده می شوند. مقادیر در مثلث دیگر با پیاده سازی تعریف شده اند و ممکن است هر چیزی باشند.

اگر رتبه a بزرگتر از 2 باشد، a به عنوان دسته ای از ماتریس ها در نظر گرفته می شود، که در آن همه ابعاد به جز 2 جزئی، ابعاد دسته ای هستند.

اگر a متقارن (Hermitian) مثبت قطعی نباشد، نتیجه اجرا تعریف می شود.

گیره

XlaBuilder::Clamp نیز ببینید.

یک عملوند را در محدوده بین یک مقدار حداقل و حداکثر قرار می دهد.

Clamp(min, operand, max)

با توجه به یک عملوند و مقادیر حداقل و حداکثر، اگر در محدوده بین حداقل و حداکثر باشد، عملوند را برمی‌گرداند، در غیر این صورت اگر عملوند زیر این محدوده باشد، مقدار حداقل و اگر عملوند بالاتر از این محدوده باشد، مقدار حداکثر را برمی‌گرداند. یعنی clamp(a, x, b) = min(max(a, x), b) .

هر سه آرایه باید یک شکل باشند. از طرف دیگر، به عنوان یک شکل محدود پخش ، min و/یا max می‌تواند یک اسکالر از نوع T باشد.

مثال با min و max اسکالر:

let operand: s32[3] = {-1, 5, 9};
let min: s32 = 0;
let max: s32 = 6;
==>
Clamp(min, operand, max) = s32[3]{0, 5, 6};

سقوط - فروپاشی

همچنین XlaBuilder::Collapse و عملیات tf.reshape را ببینید.

ابعاد یک آرایه را در یک بعد جمع می کند.

Collapse(operand, dimensions)

Collapse زیر مجموعه داده شده از ابعاد عملوند را با یک بعد منفرد جایگزین می کند. آرگومان های ورودی یک آرایه دلخواه از نوع T و یک بردار ثابت-زمان کامپایل از شاخص های بعد هستند. شاخص‌های ابعاد باید یک مرتبه (اعداد ابعاد کم تا زیاد)، زیرمجموعه‌ای متوالی از ابعاد T باشند. بنابراین، {0، 1، 2}، {0، 1}، یا {1، 2} همه مجموعه‌های ابعاد معتبر هستند، اما {1، 0} یا {0، 2} نیستند. آنها با یک بعد جدید جایگزین می شوند، در همان موقعیت در ترتیب ابعادی که جایگزین می شوند، با اندازه ابعاد جدید برابر با حاصلضرب اندازه های ابعاد اصلی. کمترین عدد بعد در dimensions ، کندترین بعد متغیر (بزرگترین) در لانه حلقه است که این ابعاد را جمع می کند، و بالاترین عدد بعد سریعترین تغییر (فرعی ترین) است. در صورت نیاز به سفارش جمع‌بندی کلی‌تر، عملگر tf.reshape را ببینید.

به عنوان مثال، فرض کنید v آرایه ای از 24 عنصر باشد:

let v = f32[4x2x3] { { {10, 11, 12},  {15, 16, 17} },
{ {20, 21, 22},  {25, 26, 27} },
{ {30, 31, 32},  {35, 36, 37} },
{ {40, 41, 42},  {45, 46, 47} } };

// Collapse to a single dimension, leaving one dimension.
let v012 = Collapse(v, {0,1,2});
then v012 == f32[24] {10, 11, 12, 15, 16, 17,
20, 21, 22, 25, 26, 27,
30, 31, 32, 35, 36, 37,
40, 41, 42, 45, 46, 47};

// Collapse the two lower dimensions, leaving two dimensions.
let v01 = Collapse(v, {0,1});
then v01 == f32[4x6] { {10, 11, 12, 15, 16, 17},
{20, 21, 22, 25, 26, 27},
{30, 31, 32, 35, 36, 37},
{40, 41, 42, 45, 46, 47} };

// Collapse the two higher dimensions, leaving two dimensions.
let v12 = Collapse(v, {1,2});
then v12 == f32[8x3] { {10, 11, 12},
{15, 16, 17},
{20, 21, 22},
{25, 26, 27},
{30, 31, 32},
{35, 36, 37},
{40, 41, 42},
{45, 46, 47} };

CollectivePermute

XlaBuilder::CollectivePermute را نیز ببینید.

CollectivePermute یک عملیات جمعی است که داده های متقاطع را ارسال و دریافت می کند.

CollectivePermute(operand, source_target_pairs)

توجه داشته باشید که محدودیت های زیر برای source_target_pair وجود دارد:

• هر دو جفت نباید شناسه ماکت هدف یکسانی داشته باشند، و نباید شناسه ماکت منبع یکسانی داشته باشند.
• اگر یک Replica id در هیچ جفتی هدف نباشد، خروجی آن ماکت یک تانسور است که از 0(s) با همان شکل ورودی تشکیل شده است.

الحاق

XlaBuilder::ConcatInDim را نیز ببینید.

Concatenate یک آرایه از چند عملوند آرایه می سازد. آرایه با هر یک از عملوندهای آرایه ورودی (که باید هم رتبه یکدیگر باشند) رتبه یکسانی دارد و آرگومان ها را به ترتیبی که مشخص کرده اند، در خود دارد.

Concatenate(operands..., dimension)

به استثنای dimension همه ابعاد باید یکسان باشند. این به این دلیل است که XLA از آرایه‌های "راگ" پشتیبانی نمی‌کند. همچنین توجه داشته باشید که مقادیر رتبه-0 را نمی توان به هم متصل کرد (زیرا نام بعدی که در آن الحاق اتفاق می افتد غیرممکن است).

مثال 1 بعدی:

Concat({ {2, 3}, {4, 5}, {6, 7} }, 0)
>>> {2, 3, 4, 5, 6, 7}

مثال دو بعدی:

let a = {
{1, 2},
{3, 4},
{5, 6},
};
let b = {
{7, 8},
};
Concat({a, b}, 0)
>>> {
{1, 2},
{3, 4},
{5, 6},
{7, 8},
}

نمودار:

مشروط

XlaBuilder::Conditional نیز ببینید.

Conditional(pred, true_operand, true_computation, false_operand, false_computation)

اگر pred true باشد true_computation اگر pred false باشد false_computation را اجرا می‌کند و نتیجه را برمی‌گرداند.

true_computation باید در یک آرگومان واحد از نوع \(T_0\) باشد و با true_operand که باید از همان نوع باشد فراخوانی می شود. false_computation باید یک آرگومان منفرد از نوع \(T_1\) داشته باشد و با false_operand که باید از همان نوع باشد فراخوانی می شود. نوع مقدار بازگشتی true_computation و false_computation باید یکسان باشد.

توجه داشته باشید که فقط یکی از true_computation و false_computation بسته به مقدار pred اجرا خواهد شد.

Conditional(branch_index, branch_computations, branch_operands)

branch_computations[branch_index] را اجرا می کند و نتیجه را برمی گرداند. اگر branch_index یک S32 است که < 0 یا >= N است، branch_computations[N-1] به عنوان شاخه پیش‌فرض اجرا می‌شود.

هر branch_computations[b] باید یک آرگومان واحد از نوع T_b داشته باشد و با branch_operands[b] که باید از همان نوع باشند فراخوانی می شود. نوع مقدار بازگشتی هر branch_computations[b] باید یکسان باشد.

توجه داشته باشید که بسته به مقدار branch_index فقط یکی از branch_computations اجرا می‌شود.

تبدیل (پیچیدگی)

XlaBuilder::Conv نیز ببینید.

به عنوان ConvWithGeneralPadding، اما بالشتک به صورت مختصر به صورت SAME یا VALID مشخص می شود. همان بالشتک ورودی ( lhs ) را با صفر می‌پوشاند تا در صورت عدم توجه به گام برداشتن، خروجی همان شکل ورودی را داشته باشد. VALID padding به سادگی به معنای عدم وجود بالشتک است.

ConvWithGeneralPadding (کانولوشن)

XlaBuilder::ConvWithGeneralPadding را نیز ببینید.

یک پیچیدگی از نوع مورد استفاده در شبکه های عصبی را محاسبه می کند. در اینجا، یک کانولوشن را می توان به عنوان یک پنجره n بعدی در نظر گرفت که در یک ناحیه پایه n بعدی حرکت می کند و یک محاسبه برای هر موقعیت احتمالی پنجره انجام می شود.

n تعداد ابعاد فضایی باشد. آرگومان lhs یک آرایه رتبه ای n+2 است که ناحیه پایه را توصیف می کند. این ورودی نامیده می شود، حتی اگر البته rhs نیز یک ورودی است. در یک شبکه عصبی، اینها فعال سازی های ورودی هستند. ابعاد n+2 به ترتیب زیر است:

• batch : هر مختصات در این بعد یک ورودی مستقل را نشان می دهد که کانولوشن برای آن انجام می شود.
• z/depth/features : هر موقعیت (y,x) در ناحیه پایه دارای یک بردار مرتبط با آن است که به این بعد می رود.
• spatial_dims : n بعد فضایی را توصیف می کند که ناحیه پایه ای را که پنجره در آن حرکت می کند را مشخص می کند.

آرگومان rhs یک آرایه رتبه ای n+2 است که فیلتر/هسته/پنجره کانولوشنال را توصیف می کند. ابعاد به این ترتیب است:

• output-z : بعد z خروجی.
• input-z : اندازه این بعد ضربدر feature_group_count باید با اندازه z در lh برابر باشد.
• spatial_dims : n بعد فضایی را توصیف می کند که پنجره دومی را که در ناحیه پایه حرکت می کند، تعریف می کند.

آرگومان window_strides گام پنجره کانولوشن را در ابعاد فضایی مشخص می کند. به عنوان مثال، اگر گام در اولین بعد فضایی 3 باشد، پنجره را فقط می توان در مختصاتی قرار داد که اولین شاخص فضایی بر 3 بخش پذیر باشد.

آرگومان padding مقدار padding صفر را که باید در ناحیه پایه اعمال شود را مشخص می کند. مقدار padding می تواند منفی باشد -- قدر مطلق padding منفی تعداد عناصری را که باید قبل از انجام کانولوشن از بعد مشخص شده حذف شوند، نشان می دهد. padding[0] padding را برای بعد y و padding[1] padding را برای بعد x مشخص می کند. هر جفت دارای بالشتک کم به عنوان عنصر اول و بالشتک بالا به عنوان عنصر دوم است. لایه کم در جهت شاخص های پایین تر اعمال می شود در حالی که بالشتک بالا در جهت شاخص های بالاتر اعمال می شود. به عنوان مثال، اگر padding[1] (2,3) باشد، در بعد فضایی دوم 2 صفر در سمت چپ و 3 صفر در سمت راست وجود خواهد داشت. استفاده از padding معادل درج همان مقادیر صفر در ورودی ( lhs ) قبل از انجام کانولوشن است.

آرگومان های lhs_dilation و rhs_dilation ضریب اتساع را مشخص می کنند که به ترتیب برای lhs و rhs در هر بعد فضایی اعمال می شود. اگر ضریب اتساع در یک بعد فضایی d باشد، سوراخ‌های d-1 به طور ضمنی بین هر یک از ورودی‌های آن بعد قرار می‌گیرند و اندازه آرایه را افزایش می‌دهند. سوراخ ها با یک مقدار no-op پر شده اند که برای کانولوشن به معنای صفر است.

به اتساع rhs پیچیدگی آتروس نیز گفته می شود. برای جزئیات بیشتر، tf.nn.atrous_conv2d را ببینید. اتساع lhs را کانولوشن انتقالی نیز می گویند. برای جزئیات بیشتر، tf.nn.conv2d_transpose را ببینید.

آرگومان feature_group_count (مقدار پیش فرض 1) می تواند برای کانولوشن های گروه بندی شده استفاده شود. feature_group_count باید مقسوم‌کننده بعد ویژگی ورودی و خروجی باشد. اگر feature_group_count بزرگتر از 1 باشد، به این معنی است که از نظر مفهومی، بعد ویژگی ورودی و خروجی و بعد ویژگی خروجی rhs feature_group_count طور مساوی به گروه های بسیاری تقسیم می شوند، که هر گروه متشکل از یک دنباله متوالی از ویژگی ها است. بعد ویژگی ورودی rhs باید برابر با بعد ویژگی ورودی lhs تقسیم بر feature_group_count باشد (بنابراین از قبل اندازه یک گروه از ویژگی های ورودی را دارد). گروه های i-ام با هم برای محاسبه feature_group_count بسیاری از کانولوشن های جداگانه استفاده می شوند. نتایج این پیچیدگی ها در بعد ویژگی خروجی به هم متصل می شوند.

برای کانولوشن عمیق، آرگومان feature_group_count روی بعد ویژگی ورودی تنظیم می‌شود و فیلتر از [filter_height, filter_width, in_channels, channel_multiplier] به [filter_height, filter_width, 1, in_channels * channel_multiplier] تغییر شکل می‌دهد. برای جزئیات بیشتر، tf.nn.depthwise_conv2d را ببینید.

آرگومان batch_group_count (مقدار پیش‌فرض 1) را می‌توان برای فیلترهای گروه‌بندی‌شده در حین انتشار پس‌انداز استفاده کرد. batch_group_count باید مقسوم‌کننده‌ای برای اندازه lhs (ورودی) بعد دسته باشد. اگر batch_group_count بزرگتر از 1 باشد، به این معنی است که بعد دسته خروجی باید به اندازه input batch / batch_group_count باشد. batch_group_count باید مقسوم‌کننده اندازه ویژگی خروجی باشد.

شکل خروجی دارای این ابعاد است، به ترتیب:

• batch : اندازه این بعد ضربدر batch_group_count باید با اندازه بعد batch بر حسب lh برابر باشد.
• z : اندازه output-z در هسته ( rhs ).
• spatial_dims : یک مقدار برای هر قرار دادن معتبر پنجره کانولوشنال.

شکل بالا نحوه کار فیلد batch_group_count را نشان می دهد. به طور موثر، ما هر دسته lhs را به گروه های batch_group_count تقسیم می کنیم و همین کار را برای ویژگی های خروجی انجام می دهیم. سپس، برای هر یک از این گروه‌ها، کانولوشن‌های زوجی انجام می‌دهیم و خروجی را در امتداد بعد ویژگی خروجی به هم متصل می‌کنیم. معنای عملیاتی همه ابعاد دیگر (ویژگی و فضایی) یکسان باقی می ماند.

محل قرارگیری معتبر پنجره کانولوشن با گام‌ها و اندازه ناحیه پایه پس از بالشتک تعیین می‌شود.

برای توصیف کاری که یک کانولوشن انجام می دهد، یک کانولوشن 2 بعدی را در نظر بگیرید و چند مختصات batch ثابت، z ، y ، x را در خروجی انتخاب کنید. سپس (y,x) موقعیت یک گوشه از پنجره در ناحیه پایه است (مثلاً گوشه سمت چپ بالا، بسته به نحوه تفسیر ابعاد فضایی). اکنون یک پنجره 2 بعدی داریم که از ناحیه پایه گرفته شده است، جایی که هر نقطه 2 بعدی به یک بردار 1 بعدی مرتبط است، بنابراین یک کادر سه بعدی دریافت می کنیم. از هسته کانولوشنال، از آنجایی که مختصات خروجی z ثابت کردیم، یک جعبه 3 بعدی نیز داریم. ابعاد دو جعبه یکسان است، بنابراین می‌توانیم مجموع حاصلضرب‌های عنصر را بین دو جعبه بگیریم (شبیه به حاصل ضرب نقطه‌ای). این مقدار خروجی است.

توجه داشته باشید که اگر output-z به عنوان مثال 5 باشد، هر موقعیت از پنجره 5 مقدار در خروجی به بعد z خروجی تولید می کند. این مقادیر در قسمتی از هسته کانولوشنال استفاده شده متفاوت است - یک جعبه 3 بعدی جداگانه از مقادیر برای هر مختصات output-z استفاده می شود. بنابراین می توانید آن را به عنوان 5 پیچ مجزا با یک فیلتر متفاوت برای هر یک از آنها در نظر بگیرید.

در اینجا شبه کد برای یک کانولوشن دو بعدی با بالشتک و گام برداشتن آمده است:

for (b, oz, oy, ox) {  // output coordinates
  value = 0;
  for (iz, ky, kx) {  // kernel coordinates and input z
    iy = oy*stride_y + ky - pad_low_y;
    ix = ox*stride_x + kx - pad_low_x;
    if ((iy, ix) inside the base area considered without padding) {
      value += input(b, iz, iy, ix) * kernel(oz, iz, ky, kx);
    }
  }
  output(b, oz, oy, ox) = value;
}

ConvertElementType

XlaBuilder::ConvertElementType نیز ببینید.

شبیه به عنصر static_cast در C++، عملیات تبدیل عنصری را از شکل داده به شکل هدف انجام می دهد. ابعاد باید مطابقت داشته باشند، و تبدیل از نظر عنصر است. به عنوان مثال، عناصر s32 از طریق یک روال تبدیل s32 به f32 به عناصر f32 تبدیل می شوند.

ConvertElementType(operand, new_element_type)

ابعاد عملوند و شکل هدف باید مطابقت داشته باشند. نوع عنصر مبدا و مقصد نباید چند تایی باشد.

تبدیلی مانند T=s32 به U=f32 یک روال عادی تبدیل درون به شناور مانند دور به نزدیکترین زوج را انجام می دهد.

let a: s32[3] = {0, 1, 2};
let b: f32[3] = convert(a, f32);
then b == f32[3]{0.0, 1.0, 2.0}

CrossReplicaSum

AllReduce با محاسبات جمع انجام می دهد.

تماس سفارشی

XlaBuilder::CustomCall نیز ببینید.

یک تابع ارائه شده توسط کاربر را در یک محاسبات فراخوانی کنید.

CustomCall(target_name, args..., shape)

امضای تابع بدون توجه به آریت یا نوع آرگ ها یکسان است:

extern "C" void target_name(void* out, void** in);

به عنوان مثال، اگر CustomCall به صورت زیر استفاده شود:

let x = f32[2] {1,2};
let y = f32[2x3] { {10, 20, 30}, {40, 50, 60} };

CustomCall("myfunc", {x, y}, f32[3x3])

در اینجا نمونه ای از پیاده سازی myfunc آمده است:

extern "C" void myfunc(void* out, void** in) {
  float (&x)[2] = *static_cast<float(*)[2]>(in[0]);
  float (&y)[2][3] = *static_cast<float(*)[2][3]>(in[1]);
  EXPECT_EQ(1, x[0]);
  EXPECT_EQ(2, x[1]);
  EXPECT_EQ(10, y[0][0]);
  EXPECT_EQ(20, y[0][1]);
  EXPECT_EQ(30, y[0][2]);
  EXPECT_EQ(40, y[1][0]);
  EXPECT_EQ(50, y[1][1]);
  EXPECT_EQ(60, y[1][2]);
  float (&z)[3][3] = *static_cast<float(*)[3][3]>(out);
  z[0][0] = x[1] + y[1][0];
  // ...
}

عملکرد ارائه شده توسط کاربر نباید دارای عوارض جانبی باشد و اجرای آن باید بدون قدرت باشد.

نقطه

XlaBuilder::Dot نیز ببینید.

Dot(lhs, rhs)

معنای دقیق این عملیات به رتبه های عملوندها بستگی دارد:

این عملیات مجموع محصولات را در بعد دوم lhs (یا اولین بعد اگر دارای رتبه 1 باشد) و بعد اول rhs انجام می دهد. اینها ابعاد «قراردادی» هستند. ابعاد انقباض lhs و rhs باید به یک اندازه باشند. در عمل، می توان از آن برای انجام محصولات نقطه ای بین بردارها، ضرب بردار/ماتریس یا ضرب ماتریس/ماتریس استفاده کرد.

DotGeneral

XlaBuilder::DotGeneral نیز ببینید.

DotGeneral(lhs, rhs, dimension_numbers)

به عنوان نقطه، اما اجازه می دهد تا اعداد انقباض و ابعاد دسته ای برای هر دو "lhs" و "rhs" مشخص شود.

DotGeneral مجموع محصولات را بر روی ابعاد انقباضی مشخص شده در "dimension_numbers" انجام می دهد.

اعداد ابعاد انقباض مرتبط از «lhs» و «rhs» لازم نیست یکسان باشند، بلکه باید اندازه‌های ابعاد یکسانی داشته باشند.

مثال با اعداد ابعاد قراردادی:

lhs = { {1.0, 2.0, 3.0},
{4.0, 5.0, 6.0} }

rhs = { {1.0, 1.0, 1.0},
{2.0, 2.0, 2.0} }

DotDimensionNumbers dnums;
dnums.add_lhs_contracting_dimensions(1);
dnums.add_rhs_contracting_dimensions(1);

DotGeneral(lhs, rhs, dnums) -> { {6.0, 12.0},
{15.0, 30.0} }

اعداد ابعاد دسته‌ای مرتبط از «lhs» و «rhs» باید ابعاد یکسانی داشته باشند.

مثال با اعداد ابعاد دسته ای (متریس اندازه دسته 2، 2x2):

lhs = { { {1.0, 2.0},
{3.0, 4.0} },
{ {5.0, 6.0},
{7.0, 8.0} } }

rhs = { { {1.0, 0.0},
{0.0, 1.0} },
{ {1.0, 0.0},
{0.0, 1.0} } }

DotDimensionNumbers dnums;
dnums.add_lhs_contracting_dimensions(2);
dnums.add_rhs_contracting_dimensions(1);
dnums.add_lhs_batch_dimensions(0);
dnums.add_rhs_batch_dimensions(0);

DotGeneral(lhs, rhs, dnums) -> { { {1.0, 2.0},
{3.0, 4.0} },
{ {5.0, 6.0},
{7.0, 8.0} } }

نتیجه می شود که عدد بعد حاصل با بعد دسته ای شروع می شود، سپس بعد غیر انقباضی/غیر دسته ای "lhs" و در نهایت بعد غیر انقباضی/غیر دسته ای "rhs".

DynamicSlice

XlaBuilder::DynamicSlice نیز ببینید.

DynamicSlice یک آرایه فرعی را از آرایه ورودی در start_indices پویا استخراج می کند. اندازه برش در هر بعد در size_indices ارسال می شود که نقطه پایان فواصل برش انحصاری در هر بعد را مشخص می کند: [شروع، شروع + اندازه). شکل start_indices باید رتبه == 1 باشد، با اندازه ابعاد برابر با رتبه operand .

DynamicSlice(operand, start_indices, size_indices)

The effective slice indices are computed by applying the following transformation for each index i in [1, N) before performing the slice:

start_indices[i] = clamp(start_indices[i], 0, operand.dimension_size[i] - size_indices[i])

This ensures that the extracted slice is always in-bounds with respect to the operand array. If the slice is in-bounds before the transformation is applied, the transformation has no effect.

1-dimensional example:

let a = {0.0, 1.0, 2.0, 3.0, 4.0}
let s = {2}

DynamicSlice(a, s, {2}) produces:
{2.0, 3.0}

2-dimensional example:

let b =
{ {0.0,  1.0,  2.0},
{3.0,  4.0,  5.0},
{6.0,  7.0,  8.0},
{9.0, 10.0, 11.0} }
let s = {2, 1}

DynamicSlice(b, s, {2, 2}) produces:
{ { 7.0,  8.0},
{10.0, 11.0} }

DynamicUpdateSlice

See also XlaBuilder::DynamicUpdateSlice .

DynamicUpdateSlice generates a result which is the value of the input array operand , with a slice update overwritten at start_indices . The shape of update determines the shape of the sub-array of the result which is updated. The shape of start_indices must be rank == 1, with dimension size equal to the rank of operand .

DynamicUpdateSlice(operand, update, start_indices)

The effective slice indices are computed by applying the following transformation for each index i in [1, N) before performing the slice:

start_indices[i] = clamp(start_indices[i], 0, operand.dimension_size[i] - update.dimension_size[i])

This ensures that the updated slice is always in-bounds with respect to the operand array. If the slice is in-bounds before the transformation is applied, the transformation has no effect.

1-dimensional example:

let a = {0.0, 1.0, 2.0, 3.0, 4.0}
let u = {5.0, 6.0}
let s = {2}

DynamicUpdateSlice(a, u, s) produces:
{0.0, 1.0, 5.0, 6.0, 4.0}

2-dimensional example:

let b =
{ {0.0,  1.0,  2.0},
{3.0,  4.0,  5.0},
{6.0,  7.0,  8.0},
{9.0, 10.0, 11.0} }
let u =
{ {12.0,  13.0},
{14.0,  15.0},
{16.0,  17.0} }

let s = {1, 1}

DynamicUpdateSlice(b, u, s) produces:
{ {0.0,  1.0,  2.0},
{3.0, 12.0, 13.0},
{6.0, 14.0, 15.0},
{9.0, 16.0, 17.0} }

Element-wise binary arithmetic operations

See also XlaBuilder::Add .

A set of element-wise binary arithmetic operations is supported.

Op(lhs, rhs)

Where Op is one of Add (addition), Sub (subtraction), Mul (multiplication), Div (division), Rem (remainder), Max (maximum), Min (minimum), LogicalAnd (logical AND), or LogicalOr (logical OR).

The arguments' shapes have to be either similar or compatible. See the broadcasting documentation about what it means for shapes to be compatible. The result of an operation has a shape which is the result of broadcasting the two input arrays. In this variant, operations between arrays of different ranks are not supported, unless one of the operands is a scalar.

When Op is Rem , the sign of the result is taken from the dividend, and the absolute value of the result is always less than the divisor's absolute value.

Integer division overflow (signed/unsigned division/remainder by zero or signed division/remainder of INT_SMIN with -1 ) produces an implementation defined value.

An alternative variant with different-rank broadcasting support exists for these operations:

Op(lhs, rhs, broadcast_dimensions)

Where Op is the same as above. This variant of the operation should be used for arithmetic operations between arrays of different ranks (such as adding a matrix to a vector).

The additional broadcast_dimensions operand is a slice of integers used to expand the rank of the lower-rank operand up to the rank of the higher-rank operand. broadcast_dimensions maps the dimensions of the lower-rank shape to the dimensions of the higher-rank shape. The unmapped dimensions of the expanded shape are filled with dimensions of size one. Degenerate-dimension broadcasting then broadcasts the shapes along these degenerate dimensions to equalize the shapes of both operands. The semantics are described in detail on the broadcasting page .

Element-wise comparison operations

See also XlaBuilder::Eq .

A set of standard element-wise binary comparison operations is supported. Note that standard IEEE 754 floating-point comparison semantics apply when comparing floating-point types.

Op(lhs, rhs)

Where Op is one of Eq (equal-to), Ne (not equal-to), Ge (greater-or-equal-than), Gt (greater-than), Le (less-or-equal-than), Lt (less-than). Another set of operators, EqTotalOrder, NeTotalOrder, GeTotalOrder, GtTotalOrder, LeTotalOrder, and LtTotalOrder, provide the same functionalities, except that they additionally support a total order over the floating point numbers, by enforcing -NaN < -Inf < -Finite < -0 < +0 < +Finite < +Inf < +NaN.

The arguments' shapes have to be either similar or compatible. See the broadcasting documentation about what it means for shapes to be compatible. The result of an operation has a shape which is the result of broadcasting the two input arrays with the element type PRED . In this variant, operations between arrays of different ranks are not supported, unless one of the operands is a scalar.

An alternative variant with different-rank broadcasting support exists for these operations:

Op(lhs, rhs, broadcast_dimensions)

Where Op is the same as above. This variant of the operation should be used for comparison operations between arrays of different ranks (such as adding a matrix to a vector).

The additional broadcast_dimensions operand is a slice of integers specifying the dimensions to use for broadcasting the operands. The semantics are described in detail on the broadcasting page .

Element-wise unary functions

XlaBuilder supports these element-wise unary functions:

Abs(operand) Element-wise abs x -> |x| .

Ceil(operand) Element-wise ceil x -> ⌈x⌉ .

Cos(operand) Element-wise cosine x -> cos(x) .

Exp(operand) Element-wise natural exponential x -> e^x .

Floor(operand) Element-wise floor x -> ⌊x⌋ .

Imag(operand) Element-wise imaginary part of a complex (or real) shape. x -> imag(x) . If the operand is a floating point type, returns 0.

IsFinite(operand) Tests whether each element of operand is finite, ie, is not positive or negative infinity, and is not NaN . Returns an array of PRED values with the same shape as the input, where each element is true if and only if the corresponding input element is finite.

Log(operand) Element-wise natural logarithm x -> ln(x) .

LogicalNot(operand) Element-wise logical not x -> !(x) .

Logistic(operand) Element-wise logistic function computation x -> logistic(x) .

PopulationCount(operand) Computes the number of bits set in each element of operand .

Neg(operand) Element-wise negation x -> -x .

Real(operand) Element-wise real part of a complex (or real) shape. x -> real(x) . If the operand is a floating point type, returns the same value.

Rsqrt(operand) Element-wise reciprocal of square root operation x -> 1.0 / sqrt(x) .

Sign(operand) Element-wise sign operation x -> sgn(x) where

\[\text{sgn}(x) = \begin{cases} -1 & x < 0\\ -0 & x = -0\\ NaN & x = NaN\\ +0 & x = +0\\ 1 & x > 0 \end{cases}\]

using the comparison operator of the element type of operand .

Sqrt(operand) Element-wise square root operation x -> sqrt(x) .

Cbrt(operand) Element-wise cubic root operation x -> cbrt(x) .

Tan(operand) Element-wise tangent x -> tan(x) .

Tanh(operand) Element-wise hyperbolic tangent x -> tanh(x) .

Round(operand) Element-wise rounding, ties away from zero.

RoundNearestEven(operand) Element-wise rounding, ties to nearest even.

The function is applied to each element in the operand array, resulting in an array with the same shape. It is allowed for operand to be a scalar (rank 0).

Fft

The XLA FFT operation implements the forward and inverse Fourier Transforms for real and complex inputs/outputs. Multidimensional FFTs on up to 3 axes are supported.

See also XlaBuilder::Fft .

Multidimensional FFT

When more than 1 fft_length is provided, this is equivalent to applying a cascade of FFT operations to each of the innermost axes. Note that for the real->complex and complex->real cases, the innermost axis transform is (effectively) performed first (RFFT; last for IRFFT), which is why the innermost axis is the one which changes size. Other axis transforms will then be complex->complex.

Implementation details

CPU FFT is backed by Eigen's TensorFFT. GPU FFT uses cuFFT.

Gather

The XLA gather operation stitches together several slices (each slice at a potentially different runtime offset) of an input array.

General Semantics

See also XlaBuilder::Gather . For a more intuitive description, see the "Informal Description" section below.

gather(operand, start_indices, offset_dims, collapsed_slice_dims, slice_sizes, start_index_map)

For convenience, we label dimensions in the output array not in offset_dims as batch_dims .

The output is an array of rank batch_dims.size + offset_dims.size .

The operand.rank must equal the sum of offset_dims.size and collapsed_slice_dims.size . Also, slice_sizes.size has to be equal to operand.rank .

If index_vector_dim is equal to start_indices.rank we implicitly consider start_indices to have a trailing 1 dimension (ie if start_indices was of shape [6,7] and index_vector_dim is 2 then we implicitly consider the shape of start_indices to be [6,7,1] ).

The bounds for the output array along dimension i is computed as follows:

1. If i is present in batch_dims (ie is equal to batch_dims[k] for some k ) then we pick the corresponding dimension bounds out of start_indices.shape , skipping index_vector_dim (ie pick start_indices.shape.dims [ k ] if k < index_vector_dim and start_indices.shape.dims [ k + 1 ] otherwise).

2. If i is present in offset_dims (ie equal to offset_dims [ k ] for some k ) then we pick the corresponding bound out of slice_sizes after accounting for collapsed_slice_dims (ie we pick adjusted_slice_sizes [ k ] where adjusted_slice_sizes is slice_sizes with the bounds at indices collapsed_slice_dims removed).

Formally, the operand index In corresponding to a given output index Out is calculated as follows:

1. Let G = { Out [ k ] for k in batch_dims }. Use G to slice out a vector S such that S [ i ] = start_indices [Combine( G , i )] where Combine(A, b) inserts b at position index_vector_dim into A. Note that this is well defined even if G is empty -- if G is empty then S = start_indices .

2. Create a starting index, S in , into operand using S by scattering S using start_index_map . More precisely:

   1. S in [ start_index_map [ k ]] = S [ k ] if k < start_index_map.size .

   2. S in [ _ ] = 0 otherwise.

3. Create an index O in into operand by scattering the indices at the offset dimensions in Out according to the collapsed_slice_dims set. More precisely:

   1. O in [ remapped_offset_dims ( k )] = Out [ offset_dims [ k ]] if k < offset_dims.size ( remapped_offset_dims is defined below).

   2. O in [ _ ] = 0 otherwise.

4. In is O in + S in where + is element-wise addition.

remapped_offset_dims is a monotonic function with domain [ 0 , offset_dims.size ) and range [ 0 , operand.rank ) \ collapsed_slice_dims . So if, eg, offset_dims.size is 4 , operand.rank is 6 and collapsed_slice_dims is { 0 , 2 } then remapped_offset_dims is { 0 → 1 , 1 → 3 , 2 → 4 , 3 → 5 }.

If indices_are_sorted is set to true then XLA can assume that start_indices are sorted (in ascending start_index_map order) by the user. If they are not then the semantics is implementation defined.

If unique_indices is set to true then XLA can assume that all element scattered to are unique. So XLA could use non-atomic operations. If unique_indices is set to true and the indices being scattered to are not unique then the semantics is implementation defined.

Informal Description and Examples

Informally, every index Out in the output array corresponds to an element E in the operand array, computed as follows:

• We use the batch dimensions in Out to look up a starting index from start_indices .

• We use start_index_map to map the starting index (whose size may be less than operand.rank) to a "full" starting index into the operand .

• We dynamic-slice out a slice with size slice_sizes using the full starting index.

• We reshape the slice by collapsing the collapsed_slice_dims dimensions. Since all collapsed slice dimensions must have a bound of 1, this reshape is always legal.

• We use the offset dimensions in Out to index into this slice to get the input element, E , corresponding to output index Out .

index_vector_dim is set to start_indices.rank - 1 in all of the examples that follow. More interesting values for index_vector_dim do not change the operation fundamentally, but make the visual representation more cumbersome.

To get an intuition on how all of the above fits together, let's look at an example that gathers 5 slices of shape [8,6] from a [16,11] array. The position of a slice into the [16,11] array can be represented as an index vector of shape S64[2] , so the set of 5 positions can be represented as a S64[5,2] array.

The behavior of the gather operation can then be depicted as an index transformation that takes [ G , O 0 , O 1 ], an index in the output shape, and maps it to an element in the input array in the following way:

We first select an ( X , Y ) vector from the gather indices array using G . The element in the output array at index [ G , O 0 , O 1 ] is then the element in the input array at index [ X + O 0 , Y + O 1 ].

slice_sizes is [8,6] , which decides the range of O ₀ and O ₁ , and this in turn decides the bounds of the slice.

This gather operation acts as a batch dynamic slice with G as the batch dimension.

The gather indices may be multidimensional. For instance, a more general version of the example above using a "gather indices" array of shape [4,5,2] would translate indices like this:

Again, this acts as a batch dynamic slice G 0 and G 1 as the batch dimensions. The slice size is still [8,6] .

The gather operation in XLA generalizes the informal semantics outlined above in the following ways:

1. We can configure which dimensions in the output shape are the offset dimensions (dimensions containing O 0 , O 1 in the last example). The output batch dimensions (dimensions containing G 0 , G 1 in the last example) are defined to be the output dimensions that are not offset dimensions.

2. The number of output offset dimensions explicitly present in the output shape may be smaller than the input rank. These "missing" dimensions, which are listed explicitly as collapsed_slice_dims , must have a slice size of 1 . Since they have a slice size of 1 the only valid index for them is 0 and eliding them does not introduce ambiguity.

3. The slice extracted from the "Gather Indices" array (( X , Y ) in the last example) may have fewer elements than the input array rank, and an explicit mapping dictates how the index should be expanded to have the same rank as the input.

As a final example, we use (2) and (3) to implement tf.gather_nd :

G 0 and G 1 are used to slice out a starting index from the gather indices array as usual, except the starting index has only one element, X . Similarly, there is only one output offset index with the value O 0 . However, before being used as indices into the input array, these are expanded in accordance to "Gather Index Mapping" ( start_index_map in the formal description) and "Offset Mapping" ( remapped_offset_dims in the formal description) into [ X , 0 ] and [ 0 , O 0 ] respectively, adding up to [ X , O 0 ]. In other words, the output index [ G 0 , G 1 , O 0 ] maps to the input index [ GatherIndices [ G 0 , G 1 , 0 ], O 0 ] which gives us the semantics for tf.gather_nd .

slice_sizes for this case is [1,11] . Intuitively this means that every index X in the gather indices array picks an entire row and the result is the concatenation of all these rows.

GetDimensionSize

See also XlaBuilder::GetDimensionSize .

Returns the size of the given dimension of the operand. The operand must be array shaped.

GetDimensionSize(operand, dimension)

SetDimensionSize

See also XlaBuilder::SetDimensionSize .

Sets the dynamic size of XlaOp's given dimension. The operand must be array shaped.

SetDimensionSize(operand, size, dimension)

Pass through the operand as result, with dynamic dimension tracked by the compiler.

Padded values will be ignored by downstream reduction ops.

let v: f32[10] = f32[10]{1, 2, 3, 4, 5, 6, 7, 8, 9, 10};
let five: s32 = 5;
let six: s32 = 6;

// Setting dynamic dimension size doesn't change the upper bound of the static
// shape.
let padded_v_five: f32[10] = set_dimension_size(v, five, /*dimension=*/0);
let padded_v_six: f32[10] = set_dimension_size(v, six, /*dimension=*/0);

// sum == 1 + 2 + 3 + 4 + 5
let sum:f32[] = reduce_sum(padded_v_five);
// product == 1 * 2 * 3 * 4 * 5
let product:f32[] = reduce_product(padded_v_five);

// Changing padding size will yield different result.
// sum == 1 + 2 + 3 + 4 + 5 + 6
let sum:f32[] = reduce_sum(padded_v_six);

GetTupleElement

See also XlaBuilder::GetTupleElement .

Indexes into a tuple with a compile-time-constant value.

The value must be a compile-time-constant so that shape inference can determine the type of the resulting value.

This is analogous to std::get<int N>(t) in C++. Conceptually:

let v: f32[10] = f32[10]{0, 1, 2, 3, 4, 5, 6, 7, 8, 9};
let s: s32 = 5;
let t: (f32[10], s32) = tuple(v, s);
let element_1: s32 = gettupleelement(t, 1);  // Inferred shape matches s32.

See also tf.tuple .

Infeed

See also XlaBuilder::Infeed .

Infeed(shape)

Reads a single data item from the implicit Infeed streaming interface of the device, interpreting the data as the given shape and its layout, and returns a XlaOp of the data. Multiple Infeed operations are allowed in a computation, but there must be a total order among the Infeed operations. For example, two Infeeds in the code below have a total order since there is a dependency between the while loops.

result1 = while (condition, init = init_value) {
  Infeed(shape)
}

result2 = while (condition, init = result1) {
  Infeed(shape)
}

Nested tuple shapes are not supported. For an empty tuple shape, the Infeed operation is effectively a no-op and proceeds without reading any data from the Infeed of the device.

Iota

See also XlaBuilder::Iota .

Iota(shape, iota_dimension)

Builds a constant literal on device rather than a potentially large host transfer. Creates an array that has specified shape and holds values starting at zero and incrementing by one along the specified dimension. For floating-point types, the produced array is equivalent to ConvertElementType(Iota(...)) where the Iota is of integral type and the conversion is to the floating-point type.

For example, Iota(s32[4, 8], 0) returns

  [[0, 0, 0, 0, 0, 0, 0, 0 ],
   [1, 1, 1, 1, 1, 1, 1, 1 ],
   [2, 2, 2, 2, 2, 2, 2, 2 ],
   [3, 3, 3, 3, 3, 3, 3, 3 ]]

Iota(s32[4, 8], 1) returns

  [[0, 1, 2, 3, 4, 5, 6, 7 ],
   [0, 1, 2, 3, 4, 5, 6, 7 ],
   [0, 1, 2, 3, 4, 5, 6, 7 ],
   [0, 1, 2, 3, 4, 5, 6, 7 ]]

Map

See also XlaBuilder::Map .

Map(operands..., computation)

Applies a scalar function over the given operands arrays, producing an array of the same dimensions where each element is the result of the mapped function applied to the corresponding elements in the input arrays.

The mapped function is an arbitrary computation with the restriction that it has N inputs of scalar type T and a single output with type S . The output has the same dimensions as the operands except that the element type T is replaced with S.

For example: Map(op1, op2, op3, computation, par1) maps elem_out <- computation(elem1, elem2, elem3, par1) at each (multi-dimensional) index in the input arrays to produce the output array.

OptimizationBarrier

Blocks any optimization pass from moving computations across the barrier.

Ensures that all inputs are evaluated before any operators that depend on the barrier's outputs.

Pad

See also XlaBuilder::Pad .

Pad(operand, padding_value, padding_config)

Expands the given operand array by padding around the array as well as between the elements of the array with the given padding_value . padding_config specifies the amount of edge padding and the interior padding for each dimension.

PaddingConfig is a repeated field of PaddingConfigDimension , which contains three fields for each dimension: edge_padding_low , edge_padding_high , and interior_padding .

edge_padding_low and edge_padding_high specify the amount of padding added at the low-end (next to index 0) and the high-end (next to the highest index) of each dimension respectively. The amount of edge padding can be negative -- the absolute value of negative padding indicates the number of elements to remove from the specified dimension.

interior_padding specifies the amount of padding added between any two elements in each dimension; it may not be negative. Interior padding occurs logically before edge padding, so in the case of negative edge padding, elements are removed from the interior-padded operand.

This operation is a no-op if the edge padding pairs are all (0, 0) and the interior padding values are all 0. The figure below shows examples of different edge_padding and interior_padding values for a two-dimensional array.

Recv

See also XlaBuilder::Recv .

Recv(shape, channel_handle)

Receives data of the given shape from a Send instruction in another computation that shares the same channel handle. Returns a XlaOp for the received data.

The client API of Recv operation represents synchronous communication. However, the instruction is internally decomposed into 2 HLO instructions ( Recv and RecvDone ) to enable asynchronous data transfers. See also HloInstruction::CreateRecv and HloInstruction::CreateRecvDone .

Recv(const Shape& shape, int64 channel_id)

Allocates resources required to receive data from a Send instruction with the same channel_id. Returns a context for the allocated resources, which is used by a following RecvDone instruction to wait for the completion of the data transfer. The context is a tuple of {receive buffer (shape), request identifier (U32)} and it can only be used by a RecvDone instruction.

RecvDone(HloInstruction context)

Given a context created by a Recv instruction, waits for the data transfer to complete and returns the received data.

Reduce

See also XlaBuilder::Reduce .

Applies a reduction function to one or more arrays in parallel.

Reduce(operands..., init_values..., computation, dimensions)

Where:

• N is required to be greater or equal to 1.
• The computation has to be "roughly" associative (see below).
• All input arrays must have the same dimensions.
• All initial values have to form an identity under computation .
• If N = 1 , Collate(T) is T .
• If N > 1 , Collate(T_0, ..., T_{N-1}) is a tuple of N elements of type T .

This operation reduces one or more dimensions of each input array into scalars. The rank of each returned array is rank(operand) - len(dimensions) . The output of the op is Collate(Q_0, ..., Q_N) where Q_i is an array of type T_i , the dimensions of which are described below.

Different backends are allowed to reassociate the reduction computation. This can lead to numerical differences, as some reduction functions like addition are not associative for floats. However, if the range of the data is limited, floating-point addition is close enough to being associative for most practical uses.

Examples

When reducing across one dimension in a single 1D array with values [10, 11, 12, 13] , with reduction function f (this is computation ) then that could be computed as

f(10, f(11, f(12, f(init_value, 13)))

but there are also many other possibilities, eg

f(init_value, f(f(10, f(init_value, 11)), f(f(init_value, 12), f(init_value, 13))))

The following is a rough pseudo-code example of how reduction could be implemented, using summation as the reduction computation with an initial value of 0.

result_shape <- remove all dims in dimensions from operand_shape

# Iterate over all elements in result_shape. The number of r's here is equal
# to the rank of the result
for r0 in range(result_shape[0]), r1 in range(result_shape[1]), ...:
  # Initialize this result element
  result[r0, r1...] <- 0

  # Iterate over all the reduction dimensions
  for d0 in range(dimensions[0]), d1 in range(dimensions[1]), ...:
    # Increment the result element with the value of the operand's element.
    # The index of the operand's element is constructed from all ri's and di's
    # in the right order (by construction ri's and di's together index over the
    # whole operand shape).
    result[r0, r1...] += operand[ri... di]

Here's an example of reducing a 2D array (matrix). The shape has rank 2, dimension 0 of size 2 and dimension 1 of size 3:

Results of reducing dimensions 0 or 1 with an "add" function:

Note that both reduction results are 1D arrays. The diagram shows one as column and another as row just for visual convenience.

For a more complex example, here is a 3D array. Its rank is 3, dimension 0 of size 4, dimension 1 of size 2 and dimension 2 of size 3. For simplicity, the values 1 to 6 are replicated across dimension 0.

Similarly to the 2D example, we can reduce just one dimension. If we reduce dimension 0, for example, we get a rank-2 array where all values across dimension 0 were folded into a scalar:

|  4   8  12 |
| 16  20  24 |

If we reduce dimension 2, we also get a rank-2 array where all values across dimension 2 were folded into a scalar:

| 6  15 |
| 6  15 |
| 6  15 |
| 6  15 |

Note that the relative order between the remaining dimensions in the input is preserved in the output, but some dimensions may get assigned new numbers (since the rank changes).

We can also reduce multiple dimensions. Add-reducing dimensions 0 and 1 produces the 1D array [20, 28, 36] .

Reducing the 3D array over all its dimensions produces the scalar 84 .

Variadic Reduce

When N > 1 , reduce function application is slightly more complex, as it is applied simultaneously to all inputs. The operands are supplied to the computation in the following order:

• Running reduced value for the first operand
• ...
• Running reduced value for the N'th operand
• Input value for the first operand
• ...
• Input value for the N'th operand

For example, consider the following reduction function, which can be used to compute the max and the argmax of a 1-D array in parallel:

f: (Float, Int, Float, Int) -> Float, Int
f(max, argmax, value, index):
  if value >= max:
    return (value, index)
  else:
    return (max, argmax)

For 1-D Input arrays V = Float[N], K = Int[N] , and init values I_V = Float, I_K = Int , the result f_(N-1) of reducing across the only input dimension is equivalent to the following recursive application:

f_0 = f(I_V, I_K, V_0, K_0)
f_1 = f(f_0.first, f_0.second, V_1, K_1)
...
f_(N-1) = f(f_(N-2).first, f_(N-2).second, V_(N-1), K_(N-1))

Applying this reduction to an array of values, and an array of sequential indices (ie iota), will co-iterate over the arrays, and return a tuple containing the maximal value and the matching index.

ReducePrecision

See also XlaBuilder::ReducePrecision .

Models the effect of converting floating-point values to a lower-precision format (such as IEEE-FP16) and back to the original format. The number of exponent and mantissa bits in the lower-precision format can be specified arbitrarily, although all bit sizes may not be supported on all hardware implementations.

ReducePrecision(operand, mantissa_bits, exponent_bits)

The result is an array of type T . The input values are rounded to the nearest value representable with the given number of mantissa bits (using "ties to even" semantics), and any values that exceed the range specified by the number of exponent bits are clamped to positive or negative infinity. NaN values are retained, although they may be converted to canonical NaN values.

The lower-precision format must have at least one exponent bit (in order to distinguish a zero value from an infinity, since both have a zero mantissa), and must have a non-negative number of mantissa bits. The number of exponent or mantissa bits may exceed the corresponding value for type T ; the corresponding portion of the conversion is then simply a no-op.

ReduceScatter

See also XlaBuilder::ReduceScatter .

ReduceScatter is a collective operation that effectively does an AllReduce and then scatters the result by splitting it into shard_count blocks along the scatter_dimension and replica i in the replica group receives the ith shard.

ReduceScatter(operand, computation, scatter_dim, shard_count, replica_group_ids, channel_id)

• When operand is a tuple of arrays, the reduce-scatter is performed on each element of the tuple.
• replica_groups is a list of replica groups between which the reduction is performed (replica id for the current replica can be retrieved using ReplicaId ). The order of replicas in each group determines the order in which the all-reduce result will be scattered. replica_groups must either be empty (in which case all replicas belong to a single group), or contain the same number of elements as the number of replicas. When there are more than one replica groups, they all must be of the same size. For example, replica_groups = {0, 2}, {1, 3} performs reduction between the replicas 0 and 2 , and 1 and 3 and then scatters the result.
• shard_count is the size of each replica group. We need this in cases where replica_groups are empty. If replica_groups is not empty, shard_count must be equal to the size of each replica group.
• channel_id is used for cross-module communication: only reduce-scatter operations with the same channel_id can communicate with each other.

The output shape is the input shape with the scatter_dimension made shard_count times smaller. For example, if there are two replicas and the operand has the value [1.0, 2.25] and [3.0, 5.25] respectively on the two replicas, then the output value from this op where scatter_dim is 0 will be [4.0] for the first replica and [7.5] for the second replica.

ReduceWindow

See also XlaBuilder::ReduceWindow .

Applies a reduction function to all elements in each window of a sequence of N multi-dimensional arrays, producing a single or a tuple of N multi-dimensional arrays as output. Each output array has the same number of elements as the number of valid positions of the window. A pooling layer can be expressed as a ReduceWindow . Similar to Reduce , the applied computation is always passed the init_values on the left-hand side.

ReduceWindow(operands..., init_values..., computation, window_dimensions, window_strides, padding)

Where:

• N is required to be greater or equal to 1.
• All input arrays must have the same dimensions.
• If N = 1 , Collate(T) is T .
• If N > 1 , Collate(T_0, ..., T_{N-1}) is a tuple of N elements of type (T0,...T{N-1}) .

Below code and figure shows an example of using ReduceWindow . Input is a matrix of size [4x6] and both window_dimensions and window_stride_dimensions are [2x3].

// Create a computation for the reduction (maximum).
XlaComputation max;
{
  XlaBuilder builder(client_, "max");
  auto y = builder.Parameter(0, ShapeUtil::MakeShape(F32, {}), "y");
  auto x = builder.Parameter(1, ShapeUtil::MakeShape(F32, {}), "x");
  builder.Max(y, x);
  max = builder.Build().value();
}

// Create a ReduceWindow computation with the max reduction computation.
XlaBuilder builder(client_, "reduce_window_2x3");
auto shape = ShapeUtil::MakeShape(F32, {4, 6});
auto input = builder.Parameter(0, shape, "input");
builder.ReduceWindow(
    input,
    /*init_val=*/builder.ConstantLiteral(LiteralUtil::MinValue(F32)),
    *max,
    /*window_dimensions=*/{2, 3},
    /*window_stride_dimensions=*/{2, 3},
    Padding::kValid);

Stride of 1 in a dimension specifies that the position of a window in the dimension is 1 element away from its adjacent window. In order to specify that no windows overlap with each other, window_stride_dimensions should be equal to window_dimensions. The figure below illustrates the use of two different stride values. Padding is applied to each dimension of the input and the calculations are the same as though the input came in with the dimensions it has after padding.

For a non-trivial padding example, consider computing reduce-window minimum (initial value is MAX_FLOAT ) with dimension 3 and stride 2 over the input array [10000, 1000, 100, 10, 1] . Padding kValid computes minimums over two valid windows: [10000, 1000, 100] and [100, 10, 1] , resulting in the output [100, 1] . Padding kSame first pads the array so that the shape after the reduce-window would be the same as input for stride one by adding initial elements on both sides, getting [MAX_VALUE, 10000, 1000, 100, 10, 1, MAX_VALUE] . Running reduce-window over the padded array operates on three windows [MAX_VALUE, 10000, 1000] , [1000, 100, 10] , [10, 1, MAX_VALUE] , and yields [1000, 10, 1] .

The evaluation order of the reduction function is arbitrary and may be non-deterministic. Therefore, the reduction function should not be overly sensitive to reassociation. See the discussion about associativity in the context of Reduce for more details.

ReplicaId

See also XlaBuilder::ReplicaId .

Returns the unique ID (U32 scalar) of the replica.

ReplicaId()

The unique ID of each replica is an unsigned integer in the interval [0, N) , where N is the number of replicas. Since all the replicas are running the same program, a ReplicaId() call in the program will return a different value on each replica.

Reshape

See also XlaBuilder::Reshape and the Collapse operation.

Reshapes the dimensions of an array into a new configuration.

Reshape(operand, new_sizes) Reshape(operand, dimensions, new_sizes)

Conceptually, reshape first flattens an array into a one-dimensional vector of data values, and then refines this vector into a new shape. The input arguments are an arbitrary array of type T, a compile-time-constant vector of dimension indices, and a compile-time-constant vector of dimension sizes for the result. The values in the dimension vector, if given, must be a permutation of all of T's dimensions; the default if not given is {0, ..., rank - 1} . The order of the dimensions in dimensions is from slowest-varying dimension (most major) to fastest-varying dimension (most minor) in the loop nest which collapses the input array into a single dimension. The new_sizes vector determines the size of the output array. The value at index 0 in new_sizes is the size of dimension 0, the value at index 1 is the size of dimension 1, and so on. The product of the new_size dimensions must equal the product of the operand's dimension sizes. When refining the collapsed array into the multidimensional array defined by new_sizes , the dimensions in new_sizes are ordered from slowest varying (most major) and to fastest varying (most minor).

For example, let v be an array of 24 elements:

let v = f32[4x2x3] { { {10, 11, 12}, {15, 16, 17} },
                    { {20, 21, 22}, {25, 26, 27} },
                    { {30, 31, 32}, {35, 36, 37} },
                    { {40, 41, 42}, {45, 46, 47} } };

In-order collapse:
let v012_24 = Reshape(v, {0,1,2}, {24});
then v012_24 == f32[24] {10, 11, 12, 15, 16, 17, 20, 21, 22, 25, 26, 27,
                         30, 31, 32, 35, 36, 37, 40, 41, 42, 45, 46, 47};

let v012_83 = Reshape(v, {0,1,2}, {8,3});
then v012_83 == f32[8x3] { {10, 11, 12}, {15, 16, 17},
                          {20, 21, 22}, {25, 26, 27},
                          {30, 31, 32}, {35, 36, 37},
                          {40, 41, 42}, {45, 46, 47} };

Out-of-order collapse:
let v021_24 = Reshape(v, {1,2,0}, {24});
then v012_24 == f32[24]  {10, 20, 30, 40, 11, 21, 31, 41, 12, 22, 32, 42,
                          15, 25, 35, 45, 16, 26, 36, 46, 17, 27, 37, 47};

let v021_83 = Reshape(v, {1,2,0}, {8,3});
then v021_83 == f32[8x3] { {10, 20, 30}, {40, 11, 21},
                          {31, 41, 12}, {22, 32, 42},
                          {15, 25, 35}, {45, 16, 26},
                          {36, 46, 17}, {27, 37, 47} };


let v021_262 = Reshape(v, {1,2,0}, {2,6,2});
then v021_262 == f32[2x6x2] { { {10, 20}, {30, 40},
                              {11, 21}, {31, 41},
                              {12, 22}, {32, 42} },
                             { {15, 25}, {35, 45},
                              {16, 26}, {36, 46},
                              {17, 27}, {37, 47} } };

As a special case, reshape can transform a single-element array to a scalar and vice versa. For example,

Reshape(f32[1x1] { {5} }, {0,1}, {}) == 5;
Reshape(5, {}, {1,1}) == f32[1x1] { {5} };

Rev (reverse)

See also XlaBuilder::Rev .

Rev(operand, dimensions)

Reverses the order of elements in the operand array along the specified dimensions , generating an output array of the same shape. Each element of the operand array at a multidimensional index is stored into the output array at a transformed index. The multidimensional index is transformed by reversing the index in each dimension to be reversed (ie, if a dimension of size N is one of the reversing dimensions, its index i is transformed into N - 1 - i).

One use for the Rev operation is to reverse the convolution weight array along the two window dimensions during the gradient computation in neural networks.

RngNormal

See also XlaBuilder::RngNormal .

Constructs an output of a given shape with random numbers generated following the \(N(\mu, \sigma)\) normal distribution. The parameters \(\mu\) and\(\sigma\), and output shape have to have a floating point elemental type. The parameters furthermore have to be scalar valued.

RngNormal(mu, sigma, shape)

RngUniform

See also XlaBuilder::RngUniform .

Constructs an output of a given shape with random numbers generated following the uniform distribution over the interval \([a,b)\). The parameters and output element type have to be a boolean type, an integral type or a floating point types, and the types have to be consistent. The CPU and GPU backends currently only support F64, F32, F16, BF16, S64, U64, S32 and U32. Furthermore, the parameters need to be scalar valued. If \(b <= a\) the result is implementation-defined.

RngUniform(a, b, shape)

RngBitGenerator

Generates an output with a given shape filled with uniform random bits using the specified algorithm (or backend default) and returns an updated state (with the same shape as initial state) and the generated random data.

Initial state is the initial state of the current random number generation. It and the required shape and valid values are dependent on the algorithm used.

The output is guaranteed to be a deterministic function of the initial state but it is not guaranteed to be deterministic between backends and different compiler versions.

RngBitGenerator(algorithm, key, shape)

Available values for algorithm :

• rng_default : Backend specific algorithm with backend specific shape requirements.

• rng_three_fry : ThreeFry counter-based PRNG algorithm. The initial_state shape is u64[2] with arbitrary values. Salmon et al. SC 2011. Parallel random numbers: as easy as 1, 2, 3.

• rng_philox : Philox algorithm to generate random numbers in parallel. The initial_state shape is u64[3] with arbitrary values. Salmon et al. SC 2011. Parallel random numbers: as easy as 1, 2, 3.

Scatter

The XLA scatter operation generates a sequence of results which are the values of the input array operands , with several slices (at indices specified by scatter_indices ) updated with the sequence of values in updates using update_computation .

See also XlaBuilder::Scatter .

scatter(operands..., scatter_indices, updates..., update_computation, index_vector_dim, update_window_dims, inserted_window_dims, scatter_dims_to_operand_dims)

Where:

• N is required to be greater or equal to 1.
• operands [ 0 ], ..., operands [ N-1 ] must all have the same dimensions.
• updates [ 0 ], ..., updates [ N-1 ] must all have the same dimensions.
• If N = 1 , Collate(T) is T .
• If N > 1 , Collate(T_0, ..., T_N) is a tuple of N elements of type T .

If index_vector_dim is equal to scatter_indices.rank we implicitly consider scatter_indices to have a trailing 1 dimension.

We define update_scatter_dims of type ArraySlice<int64> as the set of dimensions in updates shape that are not in update_window_dims , in ascending order.

The arguments of scatter should follow these constraints:

• Each updates array must be of rank update_window_dims.size + scatter_indices.rank - 1 .

• Bounds of dimension i in each updates array must conform to the following:

  • If i is present in update_window_dims (ie equal to update_window_dims [ k ] for some k ), then the bound of dimension i in updates must not exceed the corresponding bound of operand after accounting for the inserted_window_dims (ie adjusted_window_bounds [ k ], where adjusted_window_bounds contains the bounds of operand with the bounds at indices inserted_window_dims removed).
  • If i is present in update_scatter_dims (ie equal to update_scatter_dims [ k ] for some k ), then the bound of dimension i in updates must be equal to the corresponding bound of scatter_indices , skipping index_vector_dim (ie scatter_indices.shape.dims [ k ], if k < index_vector_dim and scatter_indices.shape.dims [ k+1 ] otherwise).

• update_window_dims must be in ascending order, not have any repeating dimension numbers, and be in the range [0, updates.rank) .

• inserted_window_dims must be in ascending order, not have any repeating dimension numbers, and be in the range [0, operand.rank) .

• operand.rank must equal the sum of update_window_dims.size and inserted_window_dims.size .

• scatter_dims_to_operand_dims.size must be equal to scatter_indices.shape.dims [ index_vector_dim ], and its values must be in the range [0, operand.rank) .

For a given index U in each updates array, the corresponding index I in the corresponding operands array into which this update has to be applied is computed as follows:

1. Let G = { U [ k ] for k in update_scatter_dims }. Use G to look up an index vector S in the scatter_indices array such that S [ i ] = scatter_indices [Combine( G , i )] where Combine(A, b) inserts b at positions index_vector_dim into A.
2. Create an index S in into operand using S by scattering S using the scatter_dims_to_operand_dims map. More formally:
   1. S in [ scatter_dims_to_operand_dims [ k ]] = S [ k ] if k < scatter_dims_to_operand_dims.size .
   2. S in [ _ ] = 0 otherwise.
3. Create an index W in into each operands array by scattering the indices at update_window_dims in U according to inserted_window_dims . More formally:
   1. W in [ window_dims_to_operand_dims ( k )] = U [ k ] if k is in update_window_dims , where window_dims_to_operand_dims is the monotonic function with domain [ 0 , update_window_dims.size ) and range [ 0 , operand.rank ) \ inserted_window_dims . (For example, if update_window_dims.size is 4 , operand.rank is 6 , and inserted_window_dims is { 0 , 2 } then window_dims_to_operand_dims is { 0 → 1 , 1 → 3 , 2 → 4 , 3 → 5 }).
   2. W in [ _ ] = 0 otherwise.
4. I is W in + S in where + is element-wise addition.

In summary, the scatter operation can be defined as follows.

• Initialize output with operands , ie for all indices J , for all indices O in the operands [ J ] array:
  output [ J ][ O ] = operands [ J ][ O ]
• For every index U in the updates [ J ] array and the corresponding index O in the operand [ J ] array, if O is a valid index for output :
  (output [ 0 ][ O ], ..., output [ N-1 ][ O ]) = update_computation ( output [ 0 ][ O ], ..., , output [ N-1 ][ O ], updates [ 0 ][ U ], ..., updates [ N-1 ][ U ])

The order in which updates are applied is non-deterministic. So, when multiple indices in updates refer to the same index in operands , the corresponding value in output will be non-deterministic.

Note that the first parameter that is passed into the update_computation will always be the current value from the output array and the second parameter will always be the value from the updates array. This is important specifically for cases when the update_computation is not commutative .

If indices_are_sorted is set to true then XLA can assume that start_indices are sorted (in ascending start_index_map order) by the user. If they are not then the semantics is implementation defined.

Informally, the scatter op can be viewed as an inverse of the gather op, ie the scatter op updates the elements in the input that are extracted by the corresponding gather op.

For a detailed informal description and examples, refer to the "Informal Description" section under Gather .

Select

See also XlaBuilder::Select .

Constructs an output array from elements of two input arrays, based on the values of a predicate array.

Select(pred, on_true, on_false)

The arrays on_true and on_false must have the same shape. This is also the shape of the output array. The array pred must have the same dimensionality as on_true and on_false , with the PRED element type.

For each element P of pred , the corresponding element of the output array is taken from on_true if the value of P is true , and from on_false if the value of P is false . As a restricted form of broadcasting , pred can be a scalar of type PRED . In this case, the output array is taken wholly from on_true if pred is true , and from on_false if pred is false .

Example with non-scalar pred :

let pred: PRED[4] = {true, false, false, true};
let v1: s32[4] = {1, 2, 3, 4};
let v2: s32[4] = {100, 200, 300, 400};
==>
Select(pred, v1, v2) = s32[4]{1, 200, 300, 4};

Example with scalar pred :

let pred: PRED = true;
let v1: s32[4] = {1, 2, 3, 4};
let v2: s32[4] = {100, 200, 300, 400};
==>
Select(pred, v1, v2) = s32[4]{1, 2, 3, 4};

Selections between tuples are supported. Tuples are considered to be scalar types for this purpose. If on_true and on_false are tuples (which must have the same shape!) then pred has to be a scalar of type PRED .

SelectAndScatter

See also XlaBuilder::SelectAndScatter .

This operation can be considered as a composite operation that first computes ReduceWindow on the operand array to select an element from each window, and then scatters the source array to the indices of the selected elements to construct an output array with the same shape as the operand array. The binary select function is used to select an element from each window by applying it across each window, and it is called with the property that the first parameter's index vector is lexicographically less than the second parameter's index vector. The select function returns true if the first parameter is selected and returns false if the second parameter is selected, and the function must hold transitivity (ie, if select(a, b) and select(b, c) are true , then select(a, c) is also true ) so that the selected element does not depend on the order of the elements traversed for a given window.

The function scatter is applied at each selected index in the output array. It takes two scalar parameters:

1. Current value at the selected index in the output array
2. The scatter value from source that applies to the selected index

It combines the two parameters and returns a scalar value that's used to update the value at the selected index in the output array. Initially, all indices of the output array are set to init_value .

The output array has the same shape as the operand array and the source array must have the same shape as the result of applying a ReduceWindow operation on the operand array. SelectAndScatter can be used to backpropagate the gradient values for a pooling layer in a neural network.

SelectAndScatter(operand, select, window_dimensions, window_strides, padding, source, init_value, scatter)

The figure below shows examples of using SelectAndScatter , with the select function computing the maximal value among its parameters. Note that when the windows overlap, as in the figure (2) below, an index of the operand array may be selected multiple times by different windows. In the figure, the element of value 9 is selected by both of the top windows (blue and red) and the binary addition scatter function produces the output element of value 8 (2 + 6).

The evaluation order of the scatter function is arbitrary and may be non-deterministic. Therefore, the scatter function should not be overly sensitive to reassociation. See the discussion about associativity in the context of Reduce for more details.

Send

See also XlaBuilder::Send .

Send(operand, channel_handle)

Sends the given operand data to a Recv instruction in another computation that shares the same channel handle. Does not return any data.

Similar to the Recv operation, the client API of Send operation represents synchronous communication, and is internally decomposed into 2 HLO instructions ( Send and SendDone ) to enable asynchronous data transfers. See also HloInstruction::CreateSend and HloInstruction::CreateSendDone .

Send(HloInstruction operand, int64 channel_id)

Initiates an asynchronous transfer of the operand to the resources allocated by the Recv instruction with the same channel id. Returns a context, which is used by a following SendDone instruction to wait for the completion of the data transfer. The context is a tuple of {operand (shape), request identifier (U32)} and it can only be used by a SendDone instruction.

SendDone(HloInstruction context)

Given a context created by a Send instruction, waits for the data transfer to complete. The instruction does not return any data.

Scheduling of channel instructions

The execution order of the 4 instructions for each channel ( Recv , RecvDone , Send , SendDone ) is as below.

• Recv happens before Send
• Send happens before RecvDone
• Recv happens before RecvDone
• Send happens before SendDone

When the backend compilers generate a linear schedule for each computation that communicates via channel instructions, there must not be cycles across the computations. For example, below schedules lead to deadlocks.

Slice

See also XlaBuilder::Slice .

Slicing extracts a sub-array from the input array. The sub-array is of the same rank as the input and contains the values inside a bounding box within the input array where the dimensions and indices of the bounding box are given as arguments to the slice operation.

Slice(operand, start_indices, limit_indices, strides)

1-dimensional example:

let a = {0.0, 1.0, 2.0, 3.0, 4.0}
Slice(a, {2}, {4}) produces:
  {2.0, 3.0}

2-dimensional example:

let b =
 { {0.0,  1.0,  2.0},
   {3.0,  4.0,  5.0},
   {6.0,  7.0,  8.0},
   {9.0, 10.0, 11.0} }

Slice(b, {2, 1}, {4, 3}) produces:
  { { 7.0,  8.0},
    {10.0, 11.0} }

Sort

See also XlaBuilder::Sort .

Sort(operands, comparator, dimension, is_stable)

If only one operand is provided:

• If the operand is a rank-1 tensor (an array), the result is a sorted array. If you want to sort the array into ascending order, the comparator should perform a less-than comparison. Formally, after the array is sorted, it holds for all index positions i, j with i < j that either comparator(value[i], value[j]) = comparator(value[j], value[i]) = false or comparator(value[i], value[j]) = true .

• If the operand has higher rank, the operand is sorted along the provided dimension. For example, for a rank-2 tensor (a matrix), a dimension value of 0 will independently sort every column, and a dimension value of 1 will independently sort each row. If no dimension number is provided, then the last dimension is chosen by default. For the dimension which is sorted, the same sorting order applies as in the rank-1 case.

If n > 1 operands are provided:

• All n operands must be tensors with the same dimensions. The element types of the tensors may be different.

• All operands are sorted together, not individually. Conceptually the operands are treated as a tuple. When checking whether the elements of each operand at index positions i and j need to be swapped, the comparator is called with 2 * n scalar parameters, where parameter 2 * k corresponds to the value at position i from the k-th operand, and parameter 2 * k + 1 corresponds to the value at position j from the k-th operand. Usually, the comparator would thus compare parameters 2 * k and 2 * k + 1 with each other and possibly use other parameter pairs as tie breakers.

• The result is a tuple that consists of the operands in sorted order (along the provided dimension, as above). The i-th operand of the tuple corresponds to the i-th operand of Sort.

For example, if there are three operands operand0 = [3, 1] , operand1 = [42, 50] , operand2 = [-3.0, 1.1] , and the comparator compares only the values of operand0 with less-than, then the output of the sort is the tuple ([1, 3], [50, 42], [1.1, -3.0]) .

If is_stable is set to true, the sort is guaranteed to be stable, that is, if there are elements which are considered to be equal by the comparator, the relative order of the equal values is preserved. Two elements e1 and e2 are equal if and only if comparator(e1, e2) = comparator(e2, e1) = false . By default, is_stable is set to false.

Top-K

See also the jax.lax.top_k operation.

TopK(operand)

Returns top k values and their indices as a tuple, along the last dimension of the operand using the given comparator (for usual topk behavior, it should be strict-greater-than operation).

For example, given strict > operator, k=1 and the following operand of shape f32[2,3] :

[[0.1, 0.3, 0.1], [0.7, 0.2, -0.1]]

The TopK application returns the following tuple of shape (f32[2,1], s32[2,1]) :

([[0.3], [0.7]], [[1], [0]])

Transpose

See also the tf.reshape operation.

Transpose(operand)

Permutes the operand dimensions with the given permutation, so ∀ i . 0 ≤ i < rank ⇒ input_dimensions[permutation[i]] = output_dimensions[i] .

This is the same as Reshape(operand, permutation, Permute(permutation, operand.shape.dimensions)).

TriangularSolve

See also XlaBuilder::TriangularSolve .

Solves systems of linear equations with lower or upper triangular coefficient matrices by forward- or back-substitution. Broadcasting along leading dimensions, this routine solves one of the matrix systems op(a) * x = b , or x * op(a) = b , for the variable x , given a and b , where op(a) is either op(a) = a , or op(a) = Transpose(a) , or op(a) = Conj(Transpose(a)) .

TriangularSolve(a, b, left_side, lower, unit_diagonal, transpose_a)

Input data is read only from the lower/upper triangle of a , depending on the value of lower . Values from the other triangle are ignored. Output data is returned in the same triangle; the values in the other triangle are implementation-defined and may be anything.

If the rank of a and b are greater than 2, they are treated as batches of matrices, where all except the minor 2 dimensions are batch dimensions. a and b must have equal batch dimensions.

Tuple

See also XlaBuilder::Tuple .

A tuple containing a variable number of data handles, each of which has its own shape.

This is analogous to std::tuple in C++. Conceptually:

let v: f32[10] = f32[10]{0, 1, 2, 3, 4, 5, 6, 7, 8, 9};
let s: s32 = 5;
let t: (f32[10], s32) = tuple(v, s);

Tuples can be deconstructed (accessed) via the GetTupleElement operation.

While

See also XlaBuilder::While .

While(condition, body, init)

Sequentially executes the body until the condition fails. This is similar to a typical while loop in many other languages except for the differences and restrictions listed below.

• A While node returns a value of type T , which is the result from the last execution of the body .
• The shape of the type T is statically determined and must be the same across all iterations.

The T parameters of the computations are initialized with the init value in the first iteration and are automatically updated to the new result from body in each subsequent iteration.

One main use case of the While node is to implement the repeated execution of training in neural networks. Simplified pseudocode is shown below with a graph that represents the computation. The code can be found in while_test.cc . The type T in this example is a Tuple consisting of an int32 for the iteration count and a vector[10] for the accumulator. For 1000 iterations, the loop keeps adding a constant vector to the accumulator.

// Pseudocode for the computation.
init = {0, zero_vector[10]} // Tuple of int32 and float[10].
result = init;
while (result(0) < 1000) {
  iteration = result(0) + 1;
  new_vector = result(1) + constant_vector[10];
  result = {iteration, new_vector};
}