'मह्लो' बोली

संचालन

mhlo.abs (mhlo::AbsOp)

एब्स ऑपरेशन

सिंटेक्स:

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

operand टेंसर पर तत्व-वार एब्स ऑपरेशन करता है और result टेंसर उत्पन्न करता है।

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

उदाहरण:

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

लक्षण: AlwaysSpeculatableImplTrait , Elementwise , SameOperandsAndResultShape

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

प्रभाव: MemoryEffects::Effect{}

संकार्य:

परिणाम:

mhlo.add (mhlo::AddOp)

ऑपरेशन जोड़ें

सिंटेक्स:

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

दो टेंसर lhs और rhs का तत्व-वार जोड़ करता है और एक result टेंसर उत्पन्न करता है।

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

उदाहरण:

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

लक्षण: AlwaysSpeculatableImplTrait , Commutative , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

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

प्रभाव: MemoryEffects::Effect{}

संकार्य:

परिणाम:

mhlo.add_dependency (mhlo::AddDependencyOp)

निर्भरता जोड़ें ऑपरेशन

सिंटेक्स:

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

यह ऑपरेशन XLA कंपाइलर के लिए निजी है, इसलिए इसमें अभी तक कोई विनिर्देश नहीं है।

अनौपचारिक रूप से, यह ऑपरेशन दो ऑपरेंड: एक डेटा ऑपरेंड और एक टोकन। ऑपरेशन का आउटपुट डेटा ऑपरेंड है। जब AfterAll के साथ उपयोग किया जाता है तो यह ऑपरेशन गैर-साइड-इफेक्टिंग ऑपरेशंस (वे जो टोकन मान उत्पन्न नहीं करते हैं) को ऑर्डर करने में सक्षम बनाता है।

उदाहरण:

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

लक्षण: AlwaysSpeculatableImplTrait

इंटरफेस: ConditionallySpeculatable , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

प्रभाव: MemoryEffects::Effect{}

संकार्य:

परिणाम:

mhlo.after_all (mhlo::AfterAllOp)

आख़िरकार ऑपरेशन

सिंटेक्स:

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

यह सुनिश्चित करता है कि inputs उत्पन्न करने वाले ऑपरेशन result पर निर्भर किसी भी ऑपरेशन से पहले निष्पादित किए जाते हैं।

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

उदाहरण:

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

लक्षण: AlwaysSpeculatableImplTrait

इंटरफेस: ConditionallySpeculatable , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

प्रभाव: MemoryEffects::Effect{}

संकार्य:

परिणाम:

mhlo.all_gather (mhlo::AllGatherOp)

ऑलगैदर ऑपरेशन

प्रक्रिया ग्रिड में प्रत्येक प्रक्रिया समूह के भीतर, प्रत्येक प्रक्रिया से ऑपरेंड टेंसर के मूल्यों को all_gather_dim के साथ जोड़ता है और एक परिणाम टेंसर उत्पन्न करता है। operands में प्रत्येक ऑपरेंड के लिए computation अलग से लागू की जाती है, जिससे प्रति ऑपरेंड एक परिणाम उत्पन्न होता है।

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

उदाहरण:

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

लक्षण: SameOperandsAndResultElementType

गुण:

संकार्य:

परिणाम:

mhlo.all_reduce (mhlo::AllReduceOp)

ऑलरिड्यूस ऑपरेशन

प्रक्रिया ग्रिड में प्रत्येक प्रक्रिया समूह के भीतर, प्रत्येक प्रक्रिया से एक ऑपरेंड टेंसर के मानों के लिए एक कमी फ़ंक्शन computation लागू करता है और एक परिणाम टेंसर उत्पन्न करता है। operands में प्रत्येक ऑपरेंड के लिए computation अलग से लागू की जाती है, जिससे प्रति ऑपरेंड एक परिणाम उत्पन्न होता है।

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

उदाहरण:

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

लक्षण: InferTensorType , SingleBlockImplicitTerminator<ReturnOp> , SingleBlock

इंटरफ़ेस: InferShapedTypeOpInterface , InferTypeOpInterface

गुण:

संकार्य:

परिणाम:

mhlo.all_to_all (mhlo::AllToAllOp)

ऑलटूऑल ऑपरेशन

प्रक्रिया ग्रिड में प्रत्येक प्रक्रिया समूह के भीतर, operand टेंसर के मानों को split_dimension के साथ भागों में विभाजित करता है, प्रक्रियाओं के बीच विभाजित भागों को बिखेरता है, बिखरे हुए हिस्सों को concat_dimension के साथ जोड़ता है और एक result टेंसर उत्पन्न करता है।

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

उदाहरण:

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

लक्षण: AlwaysSpeculatableImplTrait , InferTensorType , SameOperandsElementType , SameOperandsShape , SameVariadicOperandSize

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

प्रभाव: MemoryEffects::Effect{}

गुण:

संकार्य:

परिणाम:

mhlo.and (mhlo::AndOp)

और ऑपरेशन

सिंटेक्स:

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

दो टेंसर lhs और rhs का तत्व-वार AND निष्पादित करता है और एक result टेंसर उत्पन्न करता है

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

उदाहरण:

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

लक्षण: AlwaysSpeculatableImplTrait , Commutative , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

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

प्रभाव: MemoryEffects::Effect{}

संकार्य:

परिणाम:

mhlo.async_done (mhlo::AsyncDoneOp)

AsyncDone ऑपरेशन

यह ऑपरेशन XLA कंपाइलर के लिए निजी है, इसलिए इसमें अभी तक कोई विनिर्देश नहीं है।

अनौपचारिक रूप से, यह ऑपरेशन अतुल्यकालिक गणना के अंत तक ब्लॉक हो जाता है। यह अतुल्यकालिक गणना का अंतिम परिणाम लौटाता है।

अधिक जानकारी के लिए AsyncStart के दस्तावेज़ देखें।

इंटरफ़ेस: InferTypeOpInterface

संकार्य:

परिणाम:

mhlo.async_start (mhlo::AsyncStartOp)

AsyncStart ऑपरेशन

यह ऑपरेशन XLA कंपाइलर के लिए निजी है, इसलिए इसमें अभी तक कोई विनिर्देश नहीं है।

अनौपचारिक रूप से, यह ऑपरेशन एक अतुल्यकालिक गणना शुरू करता है।

इसका उपयोग तब किया जाता है जब ऐसे फ़ंक्शन होते हैं जिनमें अतुल्यकालिक प्रतीक्षा (जैसे डीएमए) और ऑन-थ्रेड गणना दोनों शामिल होते हैं। उदाहरण के लिए, एक फ़ंक्शन में एक गणना, एक डीएमए, एक अन्य गणना, एक दूसरा डीएमए और एक अंतिम गणना शामिल हो सकती है। इसे async_start के बाद async_update और async_done के रूप में दर्शाया जाएगा। async_start पहली गणना ऑन-थ्रेड करेगा और फिर DMA प्रारंभ करेगा। यदि यह अभी तक पूरा नहीं हुआ है तो async_update डीएमए के पूरा होने की प्रतीक्षा करेगा, फिर फ़ंक्शन में दूसरी गणना निष्पादित करेगा, और दूसरा डीएमए शुरू करेगा। अंत में, async_done इस अंतिम DMA पर प्रतीक्षा करेगा, और फिर अंतिम गणना चलाएगा जिसे थ्रेड पर चलाने की आवश्यकता है और उस अंतिम गणना का परिणाम लौटाएगा।

operands को सीधे गणना के लिए पास कर दिया जाता है called_computation है वह फ़ंक्शन है जिसे एसिंक्रोनस रूप से चलाया जाएगा execution_thread उस थ्रेड का नाम है जिसमें इसे चलाया जाएगा। मुख्य धागे को "मुख्य" कहा जाता है। सभी धागों के नाम हैं.

यह async ऑप्स के बीच आवश्यक सभी स्थिति लौटाता है। बफ़र असाइनमेंट के बाद, रिटर्न मान इनपुट, परिणाम और एसिंक ऑप द्वारा आवश्यक या संपादित किए गए किसी भी स्क्रैचपैड को रखने के लिए आवश्यक स्थान का प्रतिनिधित्व करता है।

गुण:

संकार्य:

परिणाम:

mhlo.async_update (mhlo::AsyncUpdateOp)

AsyncUpdate ऑपरेशन

यह ऑपरेशन XLA कंपाइलर के लिए निजी है, इसलिए इसमें अभी तक कोई विनिर्देश नहीं है।

अनौपचारिक रूप से, यह ऑपरेशन एक सिंक बाधा तक अतुल्यकालिक गणना पर रोक लगाता है। यह इस पर काम करने के बाद bundle लौटाता है।

अधिक जानकारी के लिए AsyncStart के दस्तावेज़ देखें।

इंटरफ़ेस: InferTypeOpInterface

संकार्य:

परिणाम:

mhlo.atan2 (mhlo::Atan2Op)

Atan2 ऑपरेशन

सिंटेक्स:

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

lhs और rhs टेंसर पर तत्व-वार atan2 ऑपरेशन करता है और result टेंसर उत्पन्न करता है।

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

उदाहरण:

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

लक्षण: AlwaysSpeculatableImplTrait , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

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

प्रभाव: MemoryEffects::Effect{}

संकार्य:

परिणाम:

mhlo.batch_norm_grad (mhlo::BatchNormGradOp)

बैचनॉर्मग्रैड ऑपरेशन

grad_output से बैकप्रोपेगेटिंग करके BatchNormTrainingOp के कई इनपुट के ग्रेडिएंट की गणना करता है, और grad_operand , grad_scale और grad_offset टेंसर तैयार करता है।

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

उदाहरण:

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

लक्षण: AlwaysSpeculatableImplTrait , InferTensorType

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

प्रभाव: MemoryEffects::Effect{}

गुण:

संचालक:

परिणाम:

mhlo.batch_norm_inference (mhlo::BatchNormInferenceOp)

बैचनॉर्मइंफेरेंस ऑपरेशन

feature_index आयाम को छोड़कर सभी आयामों में operand टेंसर को सामान्यीकृत करता है और एक result टेंसर उत्पन्न करता है।

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

उदाहरण:

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

लक्षण: AlwaysSpeculatableImplTrait , InferTensorType

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

प्रभाव: MemoryEffects::Effect{}

गुण:

संकार्य:

परिणाम:

mhlo.batch_norm_training (mhlo::BatchNormTrainingOp)

बैचनॉर्मट्रेनिंग ऑपरेशन

बैच और स्थानिक आयामों में माध्य और भिन्नता की गणना करता है और feature_index आयाम में प्रत्येक सुविधा के लिए operand टेंसर को सामान्य करता है और output , batch_mean और batch_var टेंसर उत्पन्न करता है।

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

उदाहरण:

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

लक्षण: AlwaysSpeculatableImplTrait , InferTensorType

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

प्रभाव: MemoryEffects::Effect{}

गुण:

संचालक:

परिणाम:

mhlo.bitcast (MHLO :: Bitcastop)

बिटकास्ट ऑपरेशन

सिंटेक्स:

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

यह ऑपरेशन XLA कंपाइलर के लिए निजी है, इसलिए यह अभी तक कोई विनिर्देश नहीं है।

अनौपचारिक रूप से, यह ऑपरेशन इनपुट के आकार को उस तरह से बदल देता है जिस तरह से तत्वों की भौतिक व्यवस्था अपरिवर्तित है।

इस ऑपरेशन को "तत्वों की भौतिक व्यवस्था" की समझ बनाने के लिए लेआउट जानकारी की आवश्यकता होती है, और MHLO में लेआउट समर्थन वर्तमान में एक काम है।

उदाहरण:

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

लक्षण: AlwaysSpeculatableImplTrait

इंटरफेस: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface)

प्रभाव: MemoryEffects::Effect{}

संचालक:

परिणाम:

mhlo.bitcast_convert (mhlo :: bitcastconvertop)

बिटकास्टकॉनवर्ट ऑपरेशन

सिंटेक्स:

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

operand टेंसर पर एक बिटकास्ट ऑपरेशन करता है और एक result टेंसर का उत्पादन करता है जहां पूरे operand टेंसर के बिट्स को result टेंसर के प्रकार का उपयोग करके फिर से व्याख्या किया जाता है।

देखें: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#bitcast_conver

उदाहरण:

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

लक्षण: AlwaysSpeculatableImplTrait

इंटरफेस: ConditionallySpeculatable , InferShapedTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

प्रभाव: MemoryEffects::Effect{}

संचालक:

परिणाम:

mhlo.broadcast (MHLO :: ब्रॉडकास्टॉप)

प्रसारण प्रचालन

यह ऑपरेशन StableHlo से बाहर है, इसलिए यह विनिर्देश में शामिल नहीं है: https://github.com/openxla/stablehlo/issues/3

अनौपचारिक रूप से, यह ऑपरेशन XLA के प्रसारण के समान ही करता है: https://www.tensorflow.org/xla/operation_semantics#broadcast

उदाहरण:

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

लक्षण: AlwaysSpeculatableImplTrait , InferTensorType , SameOperandsAndResultElementType

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

प्रभाव: MemoryEffects::Effect{}

गुण:

संचालक:

परिणाम:

mhlo.broadcast_in_dim (mhlo :: प्रसारण indimop)

प्रसारणविम प्रचालन

operand टेंसर में डेटा को डुप्लिकेट करके इनपुट टेंसर के आयामों और/या रैंक का विस्तार करता है और एक result टेंसर का उत्पादन करता है।

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

उदाहरण:

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

लक्षण: AlwaysSpeculatableImplTrait , HLO_CompatibleOperandsAndResultElementType

इंटरफेस: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface)

प्रभाव: MemoryEffects::Effect{}

गुण:

संचालक:

परिणाम:

mhlo.case (mhlo :: caseop)

केस -ऑपरेशन

index के मूल्य के आधार पर branches से बिल्कुल एक function निष्पादित करने से आउटपुट का उत्पादन करता है।

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

उदाहरण:

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

लक्षण: RecursiveMemoryEffects , SingleBlockImplicitTerminator<ReturnOp> , SingleBlock

इंटरफेस: InferTypeOpInterface

संचालक:

परिणाम:

mhlo.cbrt (mhlo :: cbrtop)

सीबीआरटी ऑपरेशन

सिंटेक्स:

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

operand टेंसर पर तत्व-वार क्यूबिक रूट ऑपरेशन करता है और एक result टेंसर का उत्पादन करता है।

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

उदाहरण:

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

लक्षण: AlwaysSpeculatableImplTrait , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

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

प्रभाव: MemoryEffects::Effect{}

संचालक:

परिणाम:

mhlo.ceil (mhlo :: ceilop)

छत -प्रचालन

सिंटेक्स:

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

operand टेंसर के तत्व-वार सीआईएल का प्रदर्शन करता है और एक result टेंसर का उत्पादन करता है।

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

उदाहरण:

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

लक्षण: AlwaysSpeculatableImplTrait , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

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

प्रभाव: MemoryEffects::Effect{}

संचालक:

परिणाम:

mhlo.cholesky (mhlo :: choleskyop)

चोलीज़ का संचालन

मैट्रिस के एक बैच के चोलस्की अपघटन की गणना करता है।

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

उदाहरण:

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

लक्षण: AlwaysSpeculatableImplTrait , InferTensorType , SameOperandsAndResultElementType

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

प्रभाव: MemoryEffects::Effect{}

गुण:

संचालक:

परिणाम:

mhlo.clamp (mhlo :: clampop)

क्लैंप ऑपरेशन

सिंटेक्स:

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

एक न्यूनतम और अधिकतम मूल्य के बीच operand टेंसर के प्रत्येक तत्व को क्लैंप करता है और एक result टेंसर का उत्पादन करता है।

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

उदाहरण:

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

लक्षण: AlwaysSpeculatableImplTrait , HLO_BroadcastingElementwise , InferTensorType , SameOperandsAndResultElementType

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

प्रभाव: MemoryEffects::Effect{}

संचालक:

परिणाम:

mhlo.collective_broadcast (MHLO :: COLLECTICBROADCASTOP)

सामूहिक -संचालन संचालन

प्रक्रिया ग्रिड में प्रत्येक प्रक्रिया समूह के भीतर, स्रोत प्रक्रिया से operand टेंसर का मूल्य लक्ष्य प्रक्रियाओं तक भेजें और result टेंसर का उत्पादन करें।

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

उदाहरण:

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

लक्षण: CompatibleOperandsAndResultType

इंटरफेस: InferShapedTypeOpInterface , InferTypeOpInterface

गुण:

संचालक:

परिणाम:

mhlo.collective_permute (MHLO :: COLLECTICPERMUTEOP)

सामूहिक संचालन

प्रक्रिया ग्रिड में प्रत्येक प्रक्रिया समूह के भीतर, स्रोत प्रक्रिया से operand टेंसर का मूल्य लक्ष्य प्रक्रिया में भेजता है और result टेंसर का उत्पादन करता है।

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

उदाहरण:

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

लक्षण: AlwaysSpeculatableImplTrait , CompatibleOperandsAndResultType

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

प्रभाव: MemoryEffects::Effect{}

गुण:

संचालक:

परिणाम:

mhlo.compare (MHLO :: तुलना)

ऑपरेशन की तुलना करें

सिंटेक्स:

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

comparison_direction और compare_type के अनुसार lhs और rhs टेंसर्स की तत्व-वार तुलना करता है, और एक result टेंसर का उत्पादन करता है।

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

उदाहरण:

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

लक्षण: AlwaysSpeculatableImplTrait , Elementwise , InferTensorType , SameOperandsAndResultShape , SameOperandsElementType

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

प्रभाव: MemoryEffects::Effect{}

गुण:

संचालक:

परिणाम:

mhlo.complex (mhlo :: Complexop)

जटिल प्रचालन

सिंटेक्स:

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

वास्तविक और काल्पनिक मूल्यों, lhs और rhs की एक जोड़ी से एक जटिल मूल्य के लिए तत्व-वार रूपांतरण करता है, और एक result टेंसर का उत्पादन करता है।

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

उदाहरण:

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

लक्षण: AlwaysSpeculatableImplTrait , Elementwise , SameOperandsAndResultShape , SameOperandsElementType

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

प्रभाव: MemoryEffects::Effect{}

संचालक:

परिणाम:

mhlo.composite (MHLO :: COMMESITEOP)

समग्र प्रचालन

सिंटेक्स:

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

अन्य StableHlo संचालन के एक ऑपरेशन (रचित) को एनकैप्सुलेट करता है, inputs और composite_attributes और प्रोड्यूसिंग results लेता है। ओपी के शब्दार्थ को decomposition विशेषता द्वारा लागू किया जाता है। composite ओपी को प्रोग्राम शब्दार्थ को बदलने के बिना इसके अपघटन के साथ प्रतिस्थापित किया जा सकता है। ऐसे मामलों में जहां अपघटन को रोकना एक ही ओपी शब्दार्थ प्रदान नहीं करता है, custom_call उपयोग करना पसंद करते हैं।

version फ़ील्ड ( 0 से डिफॉल्ट्स) का उपयोग एक समग्र शब्दार्थ बदलने पर निरूपित करने के लिए किया जाता है।

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

उदाहरण:

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

इंटरफेस: SymbolUserOpInterface

गुण:

संचालक:

परिणाम:

mhlo.concatenate (mhlo :: concatenateop)

संप्रदाय संचालन

दिए गए तर्कों के रूप में एक ही क्रम में dimension आयाम के साथ inputs में टेनर्स की एक वैरिडिक संख्या को समेटता है और एक result टेंसर का उत्पादन करता है।

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

उदाहरण:

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

लक्षण: AlwaysSpeculatableImplTrait , SameOperandsAndResultElementType

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

प्रभाव: MemoryEffects::Effect{}

गुण:

संचालक:

परिणाम:

mhlo.constant (mhlo :: constantop)

निरंतर प्रचालन

एक निरंतर value से एक output टेंसर का उत्पादन करता है।

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

उदाहरण:

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

लक्षण: AlwaysSpeculatableImplTrait ConstantLike

इंटरफेस: ConditionallySpeculatable NoMemoryEffect (MemoryEffectOpInterface) InferTypeOpInterface

प्रभाव: MemoryEffects::Effect{}

गुण:

परिणाम:

mhlo.convert (mhlo::ConvertOp)

Convert operation

सिंटेक्स:

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

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

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

उदाहरण:

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

Traits: AlwaysSpeculatableImplTrait , Elementwise , SameOperandsAndResultShape

Interfaces: ConditionallySpeculatable , InferShapedTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Operands:

परिणाम:

mhlo.convolution (mhlo::ConvolutionOp)

Convolution operation

सिंटेक्स:

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

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

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

उदाहरण:

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

Traits: AlwaysSpeculatableImplTrait

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

गुण:

Operands:

परिणाम:

mhlo.copy (mhlo::CopyOp)

Copy operation

सिंटेक्स:

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

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

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

उदाहरण:

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

Traits: AlwaysSpeculatableImplTrait , CompatibleOperandsAndResultType , Elementwise

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

Effects: MemoryEffects::Effect{}

गुण:

Operands:

परिणाम:

mhlo.cosine (mhlo::CosineOp)

Cosine operation

सिंटेक्स:

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

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

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

उदाहरण:

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

Traits: AlwaysSpeculatableImplTrait , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

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

Effects: MemoryEffects::Effect{}

Operands:

परिणाम:

mhlo.count_leading_zeros (mhlo::ClzOp)

Clz operation

सिंटेक्स:

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

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

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

उदाहरण:

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

Traits: AlwaysSpeculatableImplTrait , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

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

Effects: MemoryEffects::Effect{}

Operands:

परिणाम:

mhlo.create_token (mhlo::CreateTokenOp)

CreateToken operation

सिंटेक्स:

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

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

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

उदाहरण:

%output = mhlo.create_token : !mhlo.token

Traits: AlwaysSpeculatableImplTrait

Interfaces: ConditionallySpeculatable , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

परिणाम:

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

CrossReplicaSum operation

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

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

उदाहरण:

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

Traits: AlwaysSpeculatableImplTrait , CompatibleOperandsAndResultType

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

Effects: MemoryEffects::Effect{}

गुण:

Operands:

परिणाम:

mhlo.custom_call (mhlo::CustomCallOp)

CustomCall operation

सिंटेक्स:

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

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

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

उदाहरण:

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

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

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

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

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

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

Interfaces: MemoryEffectOpInterface

गुण:

Operands:

परिणाम:

mhlo.divide (mhlo::DivOp)

Div operation

सिंटेक्स:

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

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

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

उदाहरण:

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

Traits: AlwaysSpeculatableImplTrait , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

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

Effects: MemoryEffects::Effect{}

Operands:

परिणाम:

mhlo.domain (mhlo::DomainOp)

Domain operation

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

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

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

Traits: AlwaysSpeculatableImplTrait , CompatibleOperandsAndResultType

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

Effects: MemoryEffects::Effect{}

गुण:

Operands:

परिणाम:

mhlo.dot (mhlo::DotOp)

Dot operation

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

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

उदाहरण:

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

Traits: AlwaysSpeculatableImplTrait

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

गुण:

Operands:

परिणाम:

mhlo.dot_general (mhlo::DotGeneralOp)

DotGeneral operation

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

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

उदाहरण:

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

Traits: AlwaysSpeculatableImplTrait

Interfaces: ConditionallySpeculatable , InferShapedTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

गुण:

Operands:

परिणाम:

mhlo.dynamic_broadcast_in_dim (mhlo::DynamicBroadcastInDimOp)

DynamicBroadcastInDim operation

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

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

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

उदाहरण:

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

Traits: AlwaysSpeculatableImplTrait

Interfaces: ConditionallySpeculatable , InferShapedTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

गुण:

Operands:

परिणाम:

mhlo.dynamic_conv (mhlo::DynamicConvOp)

DynamicConv operation

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

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

उदाहरण:

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

Traits: AlwaysSpeculatableImplTrait

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

गुण:

Operands:

परिणाम:

mhlo.dynamic_gather (mhlo::DynamicGatherOp)

DynamicGather operation

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

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

उदाहरण:

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

Traits: AlwaysSpeculatableImplTrait , InferTensorType

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

Effects: MemoryEffects::Effect{}

गुण:

Operands:

परिणाम:

mhlo.dynamic_iota (mhlo::DynamicIotaOp)

DynamicIota operation

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

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

उदाहरण:

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

Traits: AlwaysSpeculatableImplTrait

Interfaces: ConditionallySpeculatable , InferShapedTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

गुण:

Operands:

परिणाम:

mhlo.dynamic_pad (mhlo::DynamicPadOp)

DynamicPad operation

सिंटेक्स:

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

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

Traits: AlwaysSpeculatableImplTrait

Interfaces: ConditionallySpeculatable , InferShapedTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Operands:

परिणाम:

mhlo.dynamic_reshape (mhlo::DynamicReshapeOp)

DynamicReshape operation

सिंटेक्स:

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

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

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

उदाहरण:

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

Traits: AlwaysSpeculatableImplTrait

Interfaces: ConditionallySpeculatable , InferShapedTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Operands:

परिणाम:

mhlo.dynamic_slice (mhlo::DynamicSliceOp)

DynamicSlice operation

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

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

उदाहरण:

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

Traits: AlwaysSpeculatableImplTrait , InferTensorType

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

Effects: MemoryEffects::Effect{}

गुण:

Operands:

परिणाम:

mhlo.dynamic_update_slice (mhlo::DynamicUpdateSliceOp)

DynamicUpdateSlice operation

सिंटेक्स:

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

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

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

उदाहरण:

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

Traits: AlwaysSpeculatableImplTrait , InferTensorType

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

Effects: MemoryEffects::Effect{}

Operands:

परिणाम:

mhlo.einsum (mhlo::EinsumOp)

Einsum operation

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

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

उदाहरण:

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

Traits: AlwaysSpeculatableImplTrait

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

गुण:

Operands:

परिणाम:

mhlo.erf (mhlo::ErfOp)

Erf operation

सिंटेक्स:

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

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

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

उदाहरण:

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

Traits: AlwaysSpeculatableImplTrait , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

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

Effects: MemoryEffects::Effect{}

Operands:

परिणाम:

mhlo.exponential (mhlo::ExpOp)

Exp operation

सिंटेक्स:

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

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

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

उदाहरण:

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

Traits: AlwaysSpeculatableImplTrait , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

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

Effects: MemoryEffects::Effect{}

Operands:

परिणाम:

mhlo.exponential_minus_one (mhlo::Expm1Op)

Expm1 operation

सिंटेक्स:

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

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

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

उदाहरण:

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

Traits: AlwaysSpeculatableImplTrait , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

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

Effects: MemoryEffects::Effect{}

Operands:

परिणाम:

mhlo.fft (mhlo::FftOp)

Fft operation

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

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

उदाहरण:

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

Traits: AlwaysSpeculatableImplTrait , InferTensorType

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

Effects: MemoryEffects::Effect{}

गुण:

Operands:

परिणाम:

mhlo.floor (mhlo::FloorOp)

Floor operation

सिंटेक्स:

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

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

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

उदाहरण:

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

Traits: AlwaysSpeculatableImplTrait , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

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

Effects: MemoryEffects::Effect{}

Operands:

परिणाम:

mhlo.fusion (mhlo::FusionOp)

Fusion operation

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

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

गुण:

Operands:

परिणाम:

mhlo.gather (mhlo::GatherOp)

Gather operation

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

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

उदाहरण:

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

Traits: AlwaysSpeculatableImplTrait , InferTensorType

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

Effects: MemoryEffects::Effect{}

गुण:

Operands:

परिणाम:

mhlo.get_dimension_size (mhlo::GetDimensionSizeOp)

GetDimensionSize operation

Produces the size of the given dimension of the operand .

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

उदाहरण:

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

Traits: AlwaysSpeculatableImplTrait , InferTensorType

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

Effects: MemoryEffects::Effect{}

गुण:

Operands:

परिणाम:

mhlo.get_tuple_element (mhlo::GetTupleElementOp)

GetTupleElement operation

सिंटेक्स:

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

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

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

उदाहरण:

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

Traits: AlwaysSpeculatableImplTrait

Interfaces: ConditionallySpeculatable , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

गुण:

Operands:

परिणाम:

mhlo.if (mhlo::IfOp)

If operation

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

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

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

Traits: RecursiveMemoryEffects , SingleBlockImplicitTerminator<ReturnOp> , SingleBlock

Interfaces: InferTypeOpInterface

Operands:

परिणाम:

mhlo.imag (mhlo::ImagOp)

Imag operation

सिंटेक्स:

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

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

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

उदाहरण:

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

Traits: AlwaysSpeculatableImplTrait , Elementwise , SameOperandsAndResultShape

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

Effects: MemoryEffects::Effect{}

Operands:

परिणाम:

mhlo.infeed (mhlo::InfeedOp)

Infeed operation

Reads data from the infeed and produces results .

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

उदाहरण:

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

गुण:

Operands:

परिणाम:

mhlo.iota (mhlo::IotaOp)

Iota operation

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

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

उदाहरण:

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

Traits: AlwaysSpeculatableImplTrait

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

गुण:

परिणाम:

mhlo.is_finite (mhlo::IsFiniteOp)

IsFinite operation

सिंटेक्स:

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

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

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

उदाहरण:

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

Traits: AlwaysSpeculatableImplTrait , Elementwise , SameOperandsAndResultShape

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

Effects: MemoryEffects::Effect{}

Operands:

परिणाम:

mhlo.log (mhlo::LogOp)

Log operation

सिंटेक्स:

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

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

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

उदाहरण:

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

Traits: AlwaysSpeculatableImplTrait , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

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

Effects: MemoryEffects::Effect{}

Operands:

परिणाम: