'tfl' Lehçe

TensorFlow Lite lehçesi.

Bu lehçe TensorFlow Lite işlemleriyle eşleşir.

Değişmezler:

• Tüm değerler Tensör tipindedir (özellikle skalerler sıfır boyutlu tensörler kullanılarak temsil edilir);

Operasyonlar

tfl.abs (TFL::AbsOp)

Mutlak değer operatörü

Bir x tensörü verildiğinde, bu işlem x her bir öğenin mutlak değerini içeren bir tensör döndürür. Örneğin, x bir giriş elemanı ve y bir çıkış elemanı ise, bu işlem şunu hesaplar: \(y = |x|\).

Nitelikler: AlwaysSpeculatableImplTrait , QuantizableResult , SameOperandsAndResultShape

Arayüzler: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Efektler: MemoryEffects::Effect{}

İşlenenler:

Sonuçlar:

tfl.add (TFL::AddOp)

Toplama operatörü

Eleman bazında toplama işlemi.

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

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

Efektler: MemoryEffects::Effect{}

Nitelikler:

İşlenenler:

Sonuçlar:

tfl.add_n (TFL::AddNOp)

_İşleç ekle

Tüm giriş tensörlerini öğe bazında ekler.

Nitelikler: AlwaysSpeculatableImplTrait , Commutative

Arayüzler: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , SameOperandsAndResultsScale , TflArithmeticCountOpInterface , TflRuntimeVerifyOpInterface

Efektler: MemoryEffects::Effect{}

İşlenenler:

Sonuçlar:

tfl.arg_max (TFL::ArgMaxOp)

ArgMax operatörü

Bir tensörün boyutları genelinde en büyük değere sahip dizini döndürür.

Nitelikler: AlwaysSpeculatableImplTrait , QuantizableResult

Arayüzler: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Efektler: MemoryEffects::Effect{}

Nitelikler:

İşlenenler:

Sonuçlar:

tfl.arg_min (TFL::ArgMinOp)

ArgMin operatörü

Bir tensörün boyutları genelinde en küçük değere sahip dizini döndürür. a = [1, 10, 26,9, 2,8, 166,32, 62,3] b = tf.math.argmin(giriş = a) c = tf.keras.backend.eval(b)

Nitelikler: AlwaysSpeculatableImplTrait , QuantizableResult

Arayüzler: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Efektler: MemoryEffects::Effect{}

Nitelikler:

İşlenenler:

Sonuçlar:

tfl.assign_variable (TFL::AssignVariableOp)

Bir değişkene yeni bir değer atar.

Bu op üzerinde kontrol bağımlılığı olan herhangi bir ReadVariableOp'un, bu değeri veya değişkenin daha sonraki daha yeni bir değerini döndürmesi garanti edilir.

Arayüzler: TflRuntimeVerifyOpInterface

İşlenenler:

tfl.atan2 (TFL::Atan2Op)

Atan2 operasyonu

"Atan2" işlemi, argümanların işaretlerine saygı göstererek y/x'in arktanjantını öğe bazında hesaplar.

Özellikler: AlwaysSpeculatableImplTrait , SameOperandsAndResultElementType , SameOperandsAndResultShape

Arayüzler: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Efektler: MemoryEffects::Effect{}

İşlenenler:

Sonuçlar:

tfl.average_pool_2d (TFL::AveragePool2DOp)

_Average_pool 2d operatörü

Girişte ortalama havuzlama işlemini gerçekleştirir.

Nitelikler: AlwaysSpeculatableImplTrait , QuantizableResult

Arayüzler: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , SameOperandsAndResultsScale , TflArithmeticCountOpInterface , TflRuntimeVerifyOpInterface

Efektler: MemoryEffects::Effect{}

Nitelikler:

İşlenenler:

Sonuçlar:

tfl.basic_lstm (TFL::BasicLSTMOp)

Temel lstm operatörü

temel LSTM Hücre Operatörü.

Nitelikler: AlwaysSpeculatableImplTrait , QuantizableResult

Arayüzler: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Efektler: MemoryEffects::Effect{}

Nitelikler:

İşlenenler:

Sonuçlar:

tfl.batch_matmul (TFL::BatchMatMulOp)

Toplu Matris Çarpma Operatörü

Girişlerde toplu matris çarpımı gerçekleştirir. Toplu boyutlar ve yayında bilinmeyen boyutlara yönelik destekle TensorFlow BatchMatMulV2'nin kurallarını takip eder.

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

Özellikler: ::mlir::OpTrait::TFLRuntimeOpTrait , AlwaysSpeculatableImplTrait , QuantizableResult

Arayüzler: ConditionallySpeculatable , DynamicRangeQuantizedOpInterface , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Efektler: MemoryEffects::Effect{}

Nitelikler:

İşlenenler:

Sonuçlar:

tfl.batch_to_space_nd (TFL::BatchToSpaceNdOp)

BatchToSpaceNd operatörü

Bu işlem "toplu" boyut 0'ı alan boyutlarına yeniden şekillendirir.

Nitelikler: AlwaysSpeculatableImplTrait , QuantizableResult

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

Efektler: MemoryEffects::Effect{}

İşlenenler:

Sonuçlar:

tfl.bidirectional_sequence_lstm (TFL::Bi DirectionalSequenceLSTMOp)

Çift yönlü dizi lstm operatörü

Çift yönlü lstm aslında biri ileri, diğeri geriye doğru çalışan iki lstm'den oluşur. Ve çıktı iki lstm'nin birleşimidir.

Nitelikler: QuantizableResult

Arayüzler: DynamicRangeQuantizedOpInterface , TFL_StatefulOp , TflRuntimeVerifyOpInterface

Nitelikler:

İşlenenler:

Sonuçlar:

tfl.bitcast (TFL::BitcastOp)

Bit yayını operatörü

Bir tensörü bir türden diğerine aktarır.

Nitelikler: AlwaysSpeculatableImplTrait

Arayüzler: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Efektler: MemoryEffects::Effect{}

İşlenenler:

Sonuçlar:

tfl.bitwise_xor (TFL::BitwiseXorOp)

Bitsel Xor operatörü

Elementwise, lhs ve rhs bitsel XOR'unu hesaplar.

Nitelikler: AlwaysSpeculatableImplTrait , Commutative , ResultsBroadcastableShape , SameOperandsAndResultElementType

Arayüzler: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Efektler: MemoryEffects::Effect{}

İşlenenler:

Sonuçlar:

tfl.broadcast_args (TFL::BroadcastArgsOp)

Yayınla s0 op s1 şeklini döndürün.

Şekilleri temsil eden tensörler olan s0 ve s1 verildiğinde, yayınlanan şekil olan r0 hesaplayın. s0 , s1 ve r0 tümü tam sayı vektörleridir.

Nitelikler: AlwaysSpeculatableImplTrait

Arayüzler: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Efektler: MemoryEffects::Effect{}

İşlenenler:

Sonuçlar:

tfl.broadcast_to (TFL::BroadcastToOp)

Uyumlu bir şekil için bir dizi yayınlayın.

Yayın, dizilerin aritmetik işlemler için uyumlu şekillere sahip olması işlemidir. Her boyut çifti için eşit olmaları veya içlerinden birinin bir olması durumunda iki şekil uyumludur. Bir Tensörü bir şekle yayınlamaya çalışırken, takip eden boyutlarla başlar ve ileriye doğru ilerler.

Örneğin,

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

Yukarıdaki örnekte, [1, 3] şeklindeki giriş Tensörü [3, 3] şeklindeki çıkış Tensörüne yayınlanır.

Bir tensörü bir skalerle çarpmak gibi yayınlanmış işlemleri yaparken, yayınlanan tensör hiçbir zaman gerçekleşmediğinden yayınlama (genellikle) bir miktar zaman veya alan avantajı sağlar.

Ancak, broadcast_to bu tür yararları yoktur. Yeni oluşturulan tensör, yayınlanan şeklin tüm hafızasını alır. (Bir grafik bağlamında, broadcast_to sonraki işlemle birleştirilebilir ve daha sonra optimize edilebilir.)

Nitelikler: AlwaysSpeculatableImplTrait , QuantizableResult

Arayüzler: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Efektler: MemoryEffects::Effect{}

İşlenenler:

Sonuçlar:

tfl.bucketize (TFL::BucketizeOp)

'Girdiyi' 'sınırlara' göre paketler.

Örnek:

Girişler boundaries = [0, 10, 100] ve input = [[-5, 10000][150, 10][5, 100]] ise, çıkış output = [[0, 3][3, 2][1, 3]] olacaktır. output = [[0, 3][3, 2][1, 3]] .

Nitelikler: AlwaysSpeculatableImplTrait SpeculatableImplTrait , SameOperandsAndResultShape

Arayüzler: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Efektler: MemoryEffects::Effect{}

Nitelikler:

İşlenenler:

Sonuçlar:

tfl.call_once (TFL::CallOnceOp)

Bir başlatma işlevini çağırır

Bu işlem, tf kayıtlı model diyalektinde oturum başlatıcı için verilen başlatma fonksiyonunu çağırır.

Arayüzler: TflRuntimeVerifyOpInterface

Nitelikler:

tfl.cast (TFL::CastOp)

Yayınlama operatörü

Girişi giriş türünden çıkış türüne aktarır.

Nitelikler: AlwaysSpeculatableImplTrait SpeculatableImplTrait , SameOperandsAndResultShape

Arayüzler: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Efektler: MemoryEffects::Effect{}

İşlenenler:

Sonuçlar:

tfl.ceil (TFL::CeilOp)

Tavan operatörü

Girişin öğe bazında tavan değerini döndürür.

Özellikler: AlwaysSpeculatableImplTrait , InferTensorType , TF::SameOperandsAndResultTypeResolveRef

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

Efektler: MemoryEffects::Effect{}

İşlenenler:

Sonuçlar:

tfl.complex_abs (TFL::ComplexAbsOp)

Bir tensörün karmaşık mutlak değerini hesaplar.

Karmaşık sayılardan oluşan bir x tensörü verildiğinde, bu işlem, x her öğenin mutlak değeri olan float veya double türünde bir tensör döndürür. x tüm öğeler, formdaki karmaşık sayılar olmalıdır \(a + bj\). Mutlak değer şu şekilde hesaplanır: \( \sqrt{a^2 + b^2}\).

Nitelikler: AlwaysSpeculatableImplTrait SpeculatableImplTrait , SameOperandsAndResultShape

Arayüzler: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Efektler: MemoryEffects::Effect{}

İşlenenler:

Sonuçlar:

tfl.concatenation (TFL::ConcatenationOp)

Birleştirme operatörü

Tensörleri bir boyut boyunca birleştirir

Nitelikler: AlwaysSpeculatableImplTrait , QuantizableResult

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

Efektler: MemoryEffects::Effect{}

Nitelikler:

İşlenenler:

Sonuçlar:

tfl.control_node (TFL::ControlNodeOp)

TFL.control_node işlemi, kontrol kenarlarını eklemek için tek bloklu işlemleri sarar.

Bu, bölgeleri sarmak ve onlara kontrol bağımlılıkları eklemek için kullanılır. Tipik olarak bu, sabit bir işlem sırasına (yeniden materyalleştirme gibi) dayanan optimizasyonları etkinleştirmek için düz arabellek modelini yayınlamadan önceki son adımlardan birinde gerçekleşir. Düz arabellek dışa aktarıcı, sarılmış bölgeyi açar ve oluşturulan modele meta verilerle açıklama ekler. öyle ki herhangi bir çalışma zamanı yeniden sıralaması, kontrol bağımlılıkları tarafından verilen sıraya uyacaktır.

Özellikler: HasParent<mlir::func::FuncOp> , RecursiveMemoryEffects , SingleBlockImplicitTerminator<YieldOp> , SingleBlock

İşlenenler:

Sonuçlar:

tfl.conv_2d (TFL::Conv2DOp)

Evrişim operatörü

Girişlerde evrişim işlemini gerçekleştirir.

Girişler: inputs[0] : gerekli: giriş aktivasyonu tensör inputs[1] : gerekli: filtre ağırlığı tensör inputs[2] : isteğe bağlı: öngerilim tensörü

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

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

Efektler: MemoryEffects::Effect{}

Nitelikler:

İşlenenler:

Sonuçlar:

tfl.conv_3d (TFL::Conv3Dop)

Evrişim 3D operatörü

3D girişlerde evrişim işlemini gerçekleştirir. Girişler: inputs[0] : gerekli: giriş aktivasyonu tensör inputs[1] : gerekli: filtre ağırlığı tensör inputs[2] : isteğe bağlı: öngerilim tensörü

Nitelikler: AlwaysSpeculatableImplTrait , quant::AccumulatorUniformScale<2, 0, 1>

Arayüzler: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Efektler: MemoryEffects::Effect{}

Nitelikler:

İşlenenler:

Sonuçlar:

tfl.conv_3d_transpose (TFL::Conv3DTransposeOp)

Transpoze Evrişim 3D operatörü

3D girişlerde transpoze evrişim işlemini gerçekleştirir. Girişler: inputs[0] : gerekli: çıkış tensörünün şekli inputs[1] : gerekli: filtre ağırlığı tensör inputs[2] : gerekli: giriş aktivasyonu tensör inputs[3] : isteğe bağlı: öngerilim tensörü

Nitelikler: AlwaysSpeculatableImplTrait , quant::AccumulatorUniformScale<2, 0, 1>

Arayüzler: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Efektler: MemoryEffects::Effect{}

Nitelikler:

İşlenenler:

Sonuçlar:

tfl.cos (TFL::CosOp)

Kosinüs operatörü

Girişin eleman bazında Kosinüsünü hesaplar

Özellikler: AlwaysSpeculatableImplTrait , InferTensorType , TF::SameOperandsAndResultTypeResolveRef

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

Efektler: MemoryEffects::Effect{}

İşlenenler:

Sonuçlar:

tfl.cumsum (TFL::CumsumOp)

Cumsum operatörü

Tensör x'in eksen boyunca kümülatif toplamını hesaplayın.

Nitelikler: AlwaysSpeculatableImplTrait

Arayüzler: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Efektler: MemoryEffects::Effect{}

Nitelikler:

İşlenenler:

Sonuçlar:

tfl.custom (TFL::CustomOp)

Özel operasyon

Herhangi bir TFLite özel işlemi için genel bir işlem.

giriş: Orijinal operasyondaki girişlerin listesi. özel_kod: Bu işlemin tam olarak hangisi olduğunu tanımlamak için kullanılan ve düz arabellekteki operatör_kodları.özel_koda karşılık gelen bir dize. özel_seçenek: op niteliklerini bayt biçiminde kaydetmek için bir tutucu. çıktı: Orijinal operasyondaki çıktıların listesi.

Arayüzler: TflRuntimeVerifyOpInterface

Nitelikler:

İşlenenler:

Sonuçlar:

tfl.custom_tf (TFL::CustomTfOp)

TF özel operasyonları için Wrapper Op.

Herhangi bir Özel TF işleminin etrafındaki sarmalayıcı işlem. Bunlar, özel_opdefler kullanılarak tanımlanan veya TF diyalektinde tanımlanmayan bağlantılı işlemleri içerir. Bu Operasyon sadece özel operasyonu bir bölge içinde tamamlıyor. Not #1, bu Operasyon, CustomOp kullanılarak tanımlanan TF Lite özel operasyonlarını içermeyecektir. Not #2, bu işlem yalnızca dönüştürücünün içindeki dahili temsildir ve model Flatbuffer'a aktarıldığında açığa çıkmaz/dışa aktarılmaz.

Özellikler: IsolatedFromAbove , RecursiveMemoryEffects , SingleBlockImplicitTerminator<YieldOp> , SingleBlock

Arayüzler: InferTypeOpInterface , TflRuntimeVerifyOpInterface

İşlenenler:

Sonuçlar:

tfl.densify (TFL::DensifyOp)

Yoğunlaştırma operatörü

Seyrek tensörü yoğun formata dönüştürür.

Nitelikler: AlwaysSpeculatableImplTrait

Arayüzler: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Efektler: MemoryEffects::Effect{}

İşlenenler:

Sonuçlar:

tfl.depth_to_space (TFL::DepthToSpaceOp)

DepthToSpace operatörü

Verileri derinlikten uzamsal veri bloklarına yeniden düzenler. Bu SpaceToDepth'in ters dönüşümüdür. Daha spesifik olarak, bu işlem, depth boyutundan gelen değerlerin uzamsal bloklar halinde height ve width boyutlarına taşındığı giriş tensörünün bir kopyasını çıkarır. attr block_size giriş bloğu boyutunu ve verilerin nasıl taşındığını gösterir.

Nitelikler: AlwaysSpeculatableImplTrait , QuantizableResult

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

Efektler: MemoryEffects::Effect{}

Nitelikler:

İşlenenler:

Sonuçlar:

tfl.depthwise_conv_2d (TFL::DepthwiseConv2DOp)

Derinlemesine ayrılabilir evrişim operatörü

Girişlerde evrişim işlemini gerçekleştirir.

Girişler: inputs[0] : gerekli: giriş aktivasyonu tensör inputs[1] : gerekli: filtre ağırlığı tensör inputs[2] : isteğe bağlı: öngerilim tensörü

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

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

Efektler: MemoryEffects::Effect{}

Nitelikler:

İşlenenler:

Sonuçlar:

tfl.dequantize (TFL::DequantizeOp)

Dekuantizasyon operatörü

Niceleme parametrelerine göre nicelenmiş tamsayı dizisini kayan noktalara dönüştürür.

Arayüzler: NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Efektler: MemoryEffects::Effect{}

İşlenenler:

Sonuçlar:

tfl.dilate (TFL::DilateOp)

Genişleme operatörü

Mevcut elemanların arasına yeni elemanlar ekleyerek tensörü genişletir.

Nitelikler: AlwaysSpeculatableImplTrait

Arayüzler: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Efektler: MemoryEffects::Effect{}

İşlenenler:

Sonuçlar:

tfl.div (TFL::DivOp)

Bölüm operatörü

Eleman bazında bölme işlemi.

Özellikler: ::mlir::OpTrait::TFLRuntimeOpTrait , AlwaysSpeculatableImplTrait , ResultsBroadcastableShape

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

Efektler: MemoryEffects::Effect{}

Nitelikler:

İşlenenler:

Sonuçlar:

tfl.dynamic_update_slice (TFL::DynamicUpdateSliceOp)

DynamicUpdateSlice.

XLA DynamicUpdateSlice ile aynı anlamlara sahip DynamicUpdateSlice işlemi. Start_indices'te bir dilim güncellemesinin üzerine yazılan giriş dizisi işleneninin değeri olan bir sonuç üretir.

Bkz. https://www.tensorflow.org/xla/operation_semantics#dynamicupdateslice

Nitelikler: AlwaysSpeculatableImplTrait

Arayüzler: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Efektler: MemoryEffects::Effect{}

İşlenenler:

Sonuçlar:

tfl.elu (tfl :: eluop)

Üstel Doğrusal Ünite Operatörü

X <0 için üstel doğrusal F (x) -> exp (x) -1, x> = 0 için x'i hesaplar.

Özellikler: AlwaysSpeculatableImplTrait , SameOperandsAndResultShape

Arabirimler: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Efektler: MemoryEffects::Effect{}

İşlenenler:

Sonuçlar:

tfl.embedding_lookup (tfl :: gömmeokupop)

Arama Operatörü gömme

Gömme tensörleri listesindeki kimlikleri arar.

Özellikler: AlwaysSpeculatableImplTrait , QuantizableResult

Arabirimler: AffineQuantizedOpInterface , ConditionallySpeculatable , DynamicRangeQuantizedOpInterface , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Efektler: MemoryEffects::Effect{}

İşlenenler:

Sonuçlar:

tfl.equal (Tfl :: Equalop)

Eşit operatör

X == y element-by'nin gerçek öğesini döndürür

Özellikler: ::mlir::OpTrait::TFLRuntimeOpTrait , AlwaysSpeculatableImplTrait speculatableImptrait, Commutative , QuantizableResult , ResultsBroadcastableShape

Arabirimler: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Efektler: MemoryEffects::Effect{}

İşlenenler:

Sonuçlar:

tfl.exp (tfl :: expop)

Doğal üs operatörü

Girdi üzerinde eleman bazında doğal üsleme işlemi gerçekleştirir.

Özellikler: AlwaysSpeculatableImplTrait , QuantizableResult

Arabirimler: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Efektler: MemoryEffects::Effect{}

İşlenenler:

Sonuçlar:

tfl.expand_dims (tfl :: expanddimsop)

1 boyutunu bir tensör şekline ekler.

Bir tensör input göz önüne alındığında, bu işlem, input şeklinin boyut indeks axis 1 boyut ekler. Boyut dizin axis sıfırdan başlar; axis için negatif bir sayı belirlerseniz, sondan geriye doğru sayılır.

Bu işlem, tek bir öğeye bir parti boyutu eklemek istiyorsanız yararlıdır. Örneğin, tek bir şekil [height, width, channels] görüntüsünüz varsa, şekli [1, height, width, channels] oluşturacak olan expand_dims(image, 0) ile 1 görüntüden oluşan bir parti yapabilirsiniz. .

Diğer örnekler:

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

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

Bu işlem şunu gerektirir:

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

Bu işlem, boyut 1 boyutlarını ortadan kaldıran squeeze() ile ilişkilidir.

Özellikler: AlwaysSpeculatableImplTrait , QuantizableResult

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

Efektler: MemoryEffects::Effect{}

İşlenenler:

Sonuçlar:

tfl.external_const (tfl :: externalconstop)

Harici const op.

Harici const op, düz buffer içinde bir sabite işaret eden bir buffer_index tutar.

Özellikler: AlwaysSpeculatableImplTrait , QuantizableResult

Arabirimler: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Efektler: MemoryEffects::Effect{}

Nitelikler:

Sonuçlar:

tfl.fake_quant (tfl :: fauquantop)

Sahte operatör

Şamandıra skalerleri ile şamandıra 'girişleri' tensörünü, girişlerle aynı şekle sahip 'çıkışlar' tensörüne sahte olarak nitelendirin.

Özellikler: AlwaysSpeculatableImplTrait , QuantizableResult

Arabirimler: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Efektler: MemoryEffects::Effect{}

Nitelikler:

İşlenenler:

Sonuçlar:

tfl.fill (tfl :: filop)

Tensörü verilen değerle doldurun.

Tensörü verilen değerle doldurun.

Özellikler: AlwaysSpeculatableImplTrait , QuantizableResult

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

Efektler: MemoryEffects::Effect{}

İşlenenler:

Sonuçlar:

tfl.floor (tfl :: kat)

Zemin operatörü

Girişin eleman olarak taban değerini döndürür.

Özellikler: AlwaysSpeculatableImplTrait , InferTensorType , TF::SameOperandsAndResultTypeResolveRef

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

Efektler: MemoryEffects::Effect{}

İşlenenler:

Sonuçlar:

tfl.floor_div (tfl :: floordivop)

Zemin divan operatörü

Element-bilge zemin div operasyonu.

Özellikler: ::mlir::OpTrait::TFLRuntimeOpTrait , AlwaysSpeculatableImplTrait , ResultsBroadcastableShape

Arabirimler: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Efektler: MemoryEffects::Effect{}

İşlenenler:

Sonuçlar:

tfl.floor_mod (tfl :: floormodop)

Bölünme hatırlatıcısı

Element-Base Bölüm Hatırlatma İşlemi.

Özellikler: ::mlir::OpTrait::TFLRuntimeOpTrait , AlwaysSpeculatableImplTrait , ResultsBroadcastableShape

Arabirimler: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Efektler: MemoryEffects::Effect{}

İşlenenler:

Sonuçlar:

tfl.fully_connected (tfl :: tamConnectedop)

Tamamen Bağlı OP

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

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

Efektler: MemoryEffects::Effect{}

Nitelikler:

İşlenenler:

Sonuçlar:

tfl.gather (tfl :: gollop)

Operatör topla

indices göre params axis ekseninden dilimler toplayın.

Özellikler: AlwaysSpeculatableImplTrait , QuantizableResult

Arabirimler: ConditionallySpeculatable , DynamicRangeQuantizedOpInterface , NoMemoryEffect (MemoryEffectOpInterface) , SameOperandsAndResultsScale , TflRuntimeVerifyOpInterface

Efektler: MemoryEffects::Effect{}

Nitelikler:

İşlenenler:

Sonuçlar:

tfl.gather_nd (tfl :: gatherndop)

_Gather ND operatörü

indices tarafından belirtilen şekli olan bir params dilimler toplayın.

Özellikler: AlwaysSpeculatableImplTrait , QuantizableResult

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

Efektler: MemoryEffects::Effect{}

İşlenenler:

Sonuçlar:

tfl.gelu (tfl :: geluop)

Gelu aktivasyon fonksiyonu.

Gelu aktivasyon fonksiyonu eleman olarak hesaplar.

Özellikler: AlwaysSpeculatableImplTrait , QuantizableResult , SameOperandsAndResultShape

Arabirimler: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Efektler: MemoryEffects::Effect{}

Nitelikler:

İşlenenler:

Sonuçlar:

tfl.greater (tfl :: greaterop)

Büyük operatör

Element olarak daha fazla işlem.

Özellikler: ::mlir::OpTrait::TFLRuntimeOpTrait , AlwaysSpeculatableImplTrait speculatableImptrait, QuantizableResult , ResultsBroadcastableShape

Arabirimler: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Efektler: MemoryEffects::Effect{}

İşlenenler:

Sonuçlar:

tfl.greater_equal (tfl :: daha büyükequalop)

_Greater Eşit Operatör

Element-bazlı Greater_Equal Operasyon.

Özellikler: ::mlir::OpTrait::TFLRuntimeOpTrait , AlwaysSpeculatableImplTrait speculatableImptrait, QuantizableResult , ResultsBroadcastableShape

Arabirimler: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Efektler: MemoryEffects::Effect{}

İşlenenler:

Sonuçlar:

tfl.hard_swish (tfl :: hardwishop)

Hardswish aktivasyon fonksiyonu.

Sert süpürme aktivasyon fonksiyonunu F (x)-> (x * relu6 (x+3))/6 element olarak hesaplar.

Özellikler: AlwaysSpeculatableImplTrait , QuantizableResult , SameOperandsAndResultShape

Arabirimler: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Efektler: MemoryEffects::Effect{}

İşlenenler:

Sonuçlar:

tfl.hashtable (tfl :: Hashtableop)

İnitselleştirilmemiş bir karma tablo oluşturur.

Bu OP, anahtarlarının ve değerlerinin türünü belirten bir karma tablosu oluşturur. Tabloyu kullanmadan önce başlatmanız gerekecek. Başlattıktan sonra tablo değişmez olacaktır.

Arayüzler: TflRuntimeVerifyOpInterface

Nitelikler:

Sonuçlar:

tfl.hashtable_find (tfl :: HashtableFindop)

Bir tablodaki anahtarlara bakar, karşılık gelen değerleri çıkarır.

Tensör keys tablonun anahtarlarıyla aynı türde olmalıdır. Çıktı values tablo değerlerinin türündedir.

Skaler default_value tabloda bulunmayan anahtarlar için değer çıkışıdır. Ayrıca tablo değerleriyle aynı türde olmalıdır.

Arayüzler: TflRuntimeVerifyOpInterface

İşlenenler:

Sonuçlar:

tfl.hashtable_import (tfl :: hashTableImportop)

Tablonun içeriğini belirtilen anahtarlar ve değerlerle değiştirir.

Tensör keys tablonun anahtarlarıyla aynı türde olmalıdır. Tensör values tablo değerlerinin türünde olmalıdır.

Arayüzler: TflRuntimeVerifyOpInterface

İşlenenler:

tfl.hashtable_size (tfl :: hashtablesizeop)

Verilen tablodaki öğelerin sayısını hesaplar.

Arayüzler: TflRuntimeVerifyOpInterface

İşlenenler:

Sonuçlar:

tfl.if (tfl :: ifop)

IF-THEN-ELSE Operasyon

tfl.if işlemi, iki kod bölgesinin koşullu olarak yürütülmesi için bir IF-then eles yapısını temsil eder. IF işleminin işlenmesi bir boole değeridir. Örneğin:

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

tfl.if bölgesinde tanımlanan sonuçları da döndürebilir. Tanımlanan değerler hangi yürütme yolunun alındığı belirlenir.

Örnek:

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

tfl.if bölgeleri her zaman "tfl.Yield" ile sonlandırılırsa. "Tfl.iF" hiçbir değer tanımlamazsa, "tfl.yanyd" dışarıda bırakılabilir ve dolaylı olarak yerleştirilir. Aksi takdirde, açık olmalıdır. Ayrıca, "tfl.if" bir veya daha fazla değer tanımlarsa, 'else' bloğu atlanamaz.

Örnek:

tfl.if %b  {
  ...
}

Özellikler: NoRegionArguments , RecursiveMemoryEffects , SingleBlockImplicitTerminator<YieldOp> , SingleBlock

Arayüzler: RegionBranchOpInterface , TflRuntimeVerifyOpInterface

İşlenenler:

Sonuçlar:

tfl.imag (tfl :: imagop)

Karmaşık bir sayının hayali kısmını döndürür.

Karmaşık sayıların bir tensör input göz önüne alındığında, bu işlem, input her elemanın hayali kısmı olan bir tip float tensörünü döndürür. input tüm öğeler formun karmaşık sayıları olmalıdır \(a + bj\), burada A gerçek kısım ve B, bu operasyon tarafından döndürülen hayali kısımdır.

Özellikler: AlwaysSpeculatableImplTrait , SameOperandsAndResultShape

Arabirimler: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Efektler: MemoryEffects::Effect{}

İşlenenler:

Sonuçlar:

tfl.l2_normalization (tfl :: L2NormalizatOp)

L2 Operatörü Normalleştir

L2Normalizasyon OP

Özellikler: AlwaysSpeculatableImplTrait , QuantizableResult

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

Efektler: MemoryEffects::Effect{}

Nitelikler:

İşlenenler:

Sonuçlar:

tfl.leaky_relu (tfl :: leakyeluop)

Sızıntılı relu operatörü

Element bazlı sızıntılı relu operatörü x -> x> = 0? x: (alfa * x)

Özellikler: AlwaysSpeculatableImplTrait , QuantizableResult , SameOperandsAndResultShape

Arabirimler: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Efektler: MemoryEffects::Effect{}

Nitelikler:

İşlenenler:

Sonuçlar:

tfl.less (tfl :: lessop)

Daha az operatör

Element bazında daha az çalışma.

Özellikler: ::mlir::OpTrait::TFLRuntimeOpTrait , AlwaysSpeculatableImplTrait speculatableImptrait, QuantizableResult , ResultsBroadcastableShape

Arabirimler: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Efektler: MemoryEffects::Effect{}

İşlenenler:

Sonuçlar:

tfl.less_equal (tfl :: lessequalop)

_Less Eşit Operatör

Element-bazda Less_Equal Operasyon.

Özellikler: ::mlir::OpTrait::TFLRuntimeOpTrait , AlwaysSpeculatableImplTrait speculatableImptrait, QuantizableResult , ResultsBroadcastableShape

Arabirimler: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Efektler: MemoryEffects::Effect{}

İşlenenler:

Sonuçlar:

tfl.local_response_normalization (tfl :: localResponSenAmaRizationOp)

Yerel yanıt normalizasyonu.

4-B input tensörü, 3 boyutlu bir 1-B vektör dizisi (son boyut boyunca) olarak ele alınır ve her vektör bağımsız olarak normalleştirilir. Belirli bir vektör içinde, her bir bileşen depth_radius içindeki ağırlıklı, kare girişlerinin toplamına bölünür. Ayrıntılı,

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

Ayrıntılar için, bkz . Krizhevsky ve ark.

Özellikler: AlwaysSpeculatableImplTrait , InferTensorType , TF::SameOperandsAndResultTypeResolveRef

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

Efektler: MemoryEffects::Effect{}

Nitelikler:

İşlenenler:

Sonuçlar:

tfl.log (tfl :: logop)

Doğal Logaritma Operatörü

Girdi üzerinde eleman bazında doğal logaritma işlemi gerçekleştirir.

Özellikler: AlwaysSpeculatableImplTrait , QuantizableResult

Arabirimler: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Efektler: MemoryEffects::Effect{}

İşlenenler:

Sonuçlar:

tfl.log_softmax (tfl :: logsoftmaxop)

Log softmax operatörü

Aşağıdaki formülle element bazında log softmax aktivasyonlarını hesaplar

Giriş - Log (indirgeme (exp (giriş), dim))

Özellikler: AlwaysSpeculatableImplTrait , QuantizableResult , SameOperandsAndResultShape

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

Efektler: MemoryEffects::Effect{}

İşlenenler:

Sonuçlar:

tfl.logical_and (tfl :: logicalAndop)

Mantıksal ve Operatör

Element-çapında mantıksal ve çalışma.

Özellikler: AlwaysSpeculatableImplTrait SpeculatableImptrait, ResultsBroadcastableShape

Arabirimler: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Efektler: MemoryEffects::Effect{}

İşlenenler:

Sonuçlar:

tfl.logical_not (tfl :: logicalNotop)

Mantıksal Operatör değil

Element-çapında mantıksal işlem değil.

Özellikler: AlwaysSpeculatableImplTrait , SameOperandsAndResultShape

Arabirimler: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Efektler: MemoryEffects::Effect{}

İşlenenler:

Sonuçlar:

tfl.logical_or (tfl :: logicalorop)

Mantıksal veya operatör

Element çapında mantıksal veya işlem.

Özellikler: AlwaysSpeculatableImplTrait SpeculatableImptrait, ResultsBroadcastableShape

Arabirimler: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Efektler: MemoryEffects::Effect{}

İşlenenler:

Sonuçlar:

tfl.logistic (tfl :: logistop)

Lojistik operatör

Girişin eleman bazında sigmoid hesaplar

Özellikler: AlwaysSpeculatableImplTrait , QuantizableResult , SameOperandsAndResultShape

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

Efektler: MemoryEffects::Effect{}

İşlenenler:

Sonuçlar:

tfl.lstm (tfl :: lstmop)

Tam LSTM operatörü

Uzun kısa süreli bellek birimi (LSTM) tekrarlayan ağ katmanı. Varsayılan peephole uygulaması şu şekildedir: http://deeplearning.cs.cmu.edu/pdfs/hochreiter97_lstm.pdf S. Hochreiter ve J. Schmidhuber. 'Uzun kısa süreli bellek'. Nöral Hesaplama, 9 (8): 1735-1780, 1997. Peephole uygulaması şu şekildedir: https://research.google.com/pubs/archive/43905.pdf Hasim Sak, Andrew Senior ve Francoise Beaufays. 'Büyük ölçekli akustik modelleme için uzun kısa süreli bellek tekrarlayan sinir ağı mimarileri.' Interspeech, 2014. Giriş ve Unut Kapısı (CIFG) birleştirilmesi: http://arxiv.org/pdf/1503.04069.pdf Greff et al. 'LSTM: Bir Arama Alanı Odyssey' Katman Normalizasyonu: https://arxiv.org/pdf/1607.06450.pdf Ba et al. 'Katman Normalizasyonu'

Özellikler: QuantizableResult

Arabirimler: DynamicRangeQuantizedOpInterface , TFL_StatefulOp , TflRuntimeVerifyOpInterface

Nitelikler:

İşlenenler:

Sonuçlar:

tfl.matrix_diag (tfl :: Matrixdiagop)

Sağlanan diyagonal ve diğer her şey sıfırlarla doldurulmuş bir tensör döndürür.

Bir diyagonal göz önüne alındığında, diyagonal ve diğer her şey sıfırlarla doldurulmuş bir tensör döndürür. Diagonal'ın k boyutlarına sahip olduğunu varsayalım [I, J, K, ..., N] , o zaman çıktı boyutları olan k+1 rütbe tensörüdür [I, J, K, ..., N, N] Nerede: output[i, j, k, ..., m, n] = 1{m=n} * diagonal[i, j, k, ..., n].

Özellikler: AlwaysSpeculatableImplTrait , QuantizableResult

Arabirimler: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Efektler: MemoryEffects::Effect{}

İşlenenler:

Sonuçlar:

tfl.matrix_set_diag (tfl :: matrixsetdiagop)

Yeni toplu diyagonal değerlere sahip toplu bir matris tensörü döndürür.

input ve diagonal göz önüne alındığında, bu işlem, en içteki matrislerin ana diyagonali hariç, input aynı şekle ve değerlere sahip bir tensör döndürür. Bunlar diagonal değerler tarafından yazılacaktır.

Özellikler: AlwaysSpeculatableImplTrait , QuantizableResult

Arabirimler: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Efektler: MemoryEffects::Effect{}

İşlenenler:

Sonuçlar:

tfl.max_pool_2d (tfl :: maxpool2dop)

Max Pool 2D OP

Girişte Max Pool 2D gerçekleştirir.

Girişler: inputs[0] : Gerekli: Giriş tensörü

Özellikler: AlwaysSpeculatableImplTrait , QuantizableResult

Arayüzler: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , SameOperandsAndResultsScale , TflArithmeticCountOpInterface , TflRuntimeVerifyOpInterface

Efektler: MemoryEffects::Effect{}

Nitelikler:

İşlenenler:

Sonuçlar:

tfl.maximum (tfl :: maximumop)

Maksimum operatör

Element-bazda maksimum işlem.

Özellikler: ::mlir::OpTrait::TFLRuntimeOpTrait , AlwaysSpeculatableImplTrait speculatableImptrait, Commutative , QuantizableResult , ResultsBroadcastableShape

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

Efektler: MemoryEffects::Effect{}

İşlenenler:

Sonuçlar:

tfl.mean (tfl :: ANAPOP)

Ortalama operatör

Bir tensörün boyutları arasındaki elemanların ortalamasını hesaplar. Eksende verilen boyutlar boyunca input_tensor'u azaltır. KeepDIMS doğru olmadıkça, eksendeki her giriş için tensörün sırası 1 azalır. KeepDIMS doğruysa, azaltılmış boyutlar uzunluk 1 ile korunur.

Özellikler: AlwaysSpeculatableImplTrait , QuantizableResult

Arabirimler: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Efektler: MemoryEffects::Effect{}

Nitelikler:

İşlenenler:

Sonuçlar:

tfl.minimum (tfl :: minimumop)

Min operatörü

Element-Base Min işlemi.

Özellikler: ::mlir::OpTrait::TFLRuntimeOpTrait , AlwaysSpeculatableImplTrait speculatableImptrait, Commutative , QuantizableResult , ResultsBroadcastableShape

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

Efektler: MemoryEffects::Effect{}

İşlenenler:

Sonuçlar:

tfl.mirror_pad (tfl :: mirrorpadop)

MirrorPad Operator. Pads a tensor with mirrored values.

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

Both paddings[D, 0] and paddings[D, 1] must be no greater than input.dim_size(D) (or input.dim_size(D) - 1) if copy_border is true (if false, respectively).

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

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

Traits: AlwaysSpeculatableImplTrait , QuantizableResult

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

Effects: MemoryEffects::Effect{}

Nitelikler:

Operands:

Sonuçlar:

tfl.mul (TFL::MulOp)

Multiplication operator

Element-wise multiplication operation.

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

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

Effects: MemoryEffects::Effect{}

Nitelikler:

Operands:

Sonuçlar:

tfl.multinomial (TFL::MultinomialOp)

Draws samples from a categorical distribution.

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

Interfaces: TflRuntimeVerifyOpInterface

Nitelikler:

Operands:

Sonuçlar:

tfl.neg (TFL::NegOp)

Negation operator

Computes element-wise negation of input

Traits: AlwaysSpeculatableImplTrait , InferTensorType , TF::SameOperandsAndResultTypeResolveRef

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

Effects: MemoryEffects::Effect{}

Operands:

Sonuçlar:

tfl.no_value (TFL::NoValueOp)

Constant representing no value.

No value constant op.

Traits: AlwaysSpeculatableImplTrait , ConstantLike

Interfaces: ConditionallySpeculatable , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Nitelikler:

Sonuçlar:

tfl.non_max_suppression_v4 (TFL::NonMaxSuppressionV4Op)

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

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

Traits: AlwaysSpeculatableImplTrait

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

Operands:

Sonuçlar:

tfl.non_max_suppression_v5 (TFL::NonMaxSuppressionV5Op)

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

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

Traits: AlwaysSpeculatableImplTrait

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

Operands:

Sonuçlar:

tfl.not_equal (TFL::NotEqualOp)

_Not equal operator

Element-wise not_equal operation.

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

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

Operands:

Sonuçlar:

tfl.NumericVerify (TFL::NumericVerifyOp)

Verifies the numericals of the two operands

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

Traits: QuantizableResult , SameOperandsShape

Interfaces: TflRuntimeVerifyOpInterface

Nitelikler:

Operands:

Sonuçlar:

tfl.one_hot (TFL::OneHotOp)

OneHot operator

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

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

Traits: AlwaysSpeculatableImplTrait , QuantizableResult

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

Nitelikler:

Operands:

Sonuçlar:

tfl.pack (TFL::PackOp)

Packs a list of tensors along a dimension into one tensor

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

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

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

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

Örneğin:

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

This is the opposite of unpack .

Traits: AlwaysSpeculatableImplTrait , QuantizableResult

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

Effects: MemoryEffects::Effect{}

Nitelikler:

Operands:

Sonuçlar:

tfl.pad (TFL::PadOp)

Padding operator

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

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

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

Örneğin:

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

Traits: AlwaysSpeculatableImplTrait , QuantizableResult

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

Effects: MemoryEffects::Effect{}

Operands:

Sonuçlar:

tfl.padv2 (TFL::PadV2Op)

Padding operator v2

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

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

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

Örneğin:

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

Traits: AlwaysSpeculatableImplTrait , QuantizableResult

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

Effects: MemoryEffects::Effect{}

Operands:

Sonuçlar:

tfl.poly_call (TFL::PolyCallOp)

Poly call

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

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

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

Traits: SingleBlockImplicitTerminator<YieldOp> , SingleBlock

Interfaces: RegionBranchOpInterface

Operands:

Sonuçlar:

tfl.pow (TFL::PowOp)

Power operator

Element-wise power operation.

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

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

Operands:

Sonuçlar:

tfl.prelu (TFL::PReluOp)

Parameterized Relu operator

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

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

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

Effects: MemoryEffects::Effect{}

Operands:

Sonuçlar:

tfl.pseudo_const (TFL::ConstOp)

Constant pseudo op.

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

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

Traits: AlwaysSpeculatableImplTrait , ConstantLike , FirstAttrDerivedResultType , QuantizableResult

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

Nitelikler:

Sonuçlar:

tfl.pseudo_qconst (TFL::QConstOp)

Quantized constant pseudo op

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

Traits: AlwaysSpeculatableImplTrait , FirstAttrDerivedResultType

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Nitelikler:

Sonuçlar:

tfl.pseudo_sparse_const (TFL::SparseConstOp)

Sparse constant pseudo op.

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

Traits: AlwaysSpeculatableImplTrait , FirstAttrDerivedResultType , QuantizableResult

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

Nitelikler:

Sonuçlar:

tfl.pseudo_sparse_qconst (TFL::SparseQConstOp)

Sparse quantized constant pseudo op

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

Traits: AlwaysSpeculatableImplTrait , FirstAttrDerivedResultType

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

Nitelikler:

Sonuçlar:

tfl.quantize (TFL::QuantizeOp)

Quantize operator

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

Traits: FirstAttrDerivedResultType , SameOperandsAndResultShape

Interfaces: NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

Nitelikler:

Operands:

Sonuçlar:

tfl.random_standard_normal (TFL::RandomStandardNormalOp)

Outputs random values from a normal distribution.

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

Interfaces: TflRuntimeVerifyOpInterface

Nitelikler:

Operands:

Sonuçlar:

tfl.random_uniform (TFL::RandomUniformOp)

Outputs random values from a uniform distribution.

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

Interfaces: TflRuntimeVerifyOpInterface

Nitelikler:

Operands:

Sonuçlar:

tfl.range (TFL::RangeOp)

Range operator

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

Traits: AlwaysSpeculatableImplTrait

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

Operands:

Sonuçlar:

tfl.rank (TFL::RankOp)

Rank operator.

Returns the rank of a tensor.

Traits: AlwaysSpeculatableImplTrait , QuantizableResult

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

Operands:

Sonuçlar:

tfl.read_variable (TFL::ReadVariableOp)

Reads variable value.

Read variable data identified by 'resource_id'.

Interfaces: TflRuntimeVerifyOpInterface

Operands:

Sonuçlar:

tfl.real (TFL::RealOp)

Returns the real part of a complex number.

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

Traits: AlwaysSpeculatableImplTrait , SameOperandsAndResultShape

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

Operands:

Sonuçlar:

tfl.reduce_all (TFL::ReduceAllOp)

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

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

Traits: AlwaysSpeculatableImplTrait

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

Nitelikler:

Operands:

Sonuçlar:

tfl.reduce_any (TFL::ReduceAnyOp)

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

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

Traits: AlwaysSpeculatableImplTrait

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

Nitelikler:

Operands:

Sonuçlar:

tfl.reduce_max (TFL::ReduceMaxOp)

Max-reduction operator

Computes the max reduction along the specified axes

Traits: AlwaysSpeculatableImplTrait , QuantizableResult

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

Effects: MemoryEffects::Effect{}

Nitelikler:

Operands:

Sonuçlar:

tfl.reduce_min (TFL::ReduceMinOp)

Min-reduction operator

Computes the min reduction along the specified axes

Traits: AlwaysSpeculatableImplTrait , QuantizableResult

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

Effects: MemoryEffects::Effect{}

Nitelikler:

Operands:

Sonuçlar:

tfl.reduce_prod (TFL::ReduceProdOp)

Prod-reduction operator

Computes the product along the specified axes

Traits: AlwaysSpeculatableImplTrait , QuantizableResult

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

Nitelikler:

Operands:

Sonuçlar:

tfl.relu (TFL::ReluOp)

Relu operator

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

Traits: AlwaysSpeculatableImplTrait , QuantizableResult , SameOperandsAndResultShape

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

Operands:

Sonuçlar:

tfl.relu6 (TFL::Relu6Op)

Relu6 operator

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

Traits: AlwaysSpeculatableImplTrait , QuantizableResult , SameOperandsAndResultShape

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

Operands:

Sonuçlar:

tfl.relu_0_to_1 (TFL::Relu0To1Op)

Relu0To1 operator

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

Traits: AlwaysSpeculatableImplTrait , QuantizableResult , SameOperandsAndResultShape

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

Operands:

Sonuçlar:

tfl.relu_n1_to_1 (TFL::Relu1Op)

Relu1 operator

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

Traits: AlwaysSpeculatableImplTrait , QuantizableResult , SameOperandsAndResultShape

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

Operands:

Sonuçlar:

tfl.reshape (TFL::ReshapeOp)

Reshape operator

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

Traits: AlwaysSpeculatableImplTrait , QuantizableResult

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

Effects: MemoryEffects::Effect{}

Operands:

Sonuçlar:

tfl.resize_bilinear (TFL::ResizeBilinearOp)

ResizeBilinear Op

Resize images to size using bilinear interpolation.

Traits: AlwaysSpeculatableImplTrait , QuantizableResult

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

Effects: MemoryEffects::Effect{}

Nitelikler:

Operands:

Sonuçlar:

tfl.resize_nearest_neighbor (TFL::ResizeNearestNeighborOp)

ResizeNearestNeighbor Op

Resize images to size using nearest neighbor interpolation.

Traits: AlwaysSpeculatableImplTrait , QuantizableResult

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

Effects: MemoryEffects::Effect{}

Nitelikler:

Operands:

Sonuçlar:

tfl.reverse_sequence (TFL::ReverseSequenceOp)

Reverses variable length slices.

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

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

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

Traits: AlwaysSpeculatableImplTrait , QuantizableResult

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

Nitelikler:

Operands:

Sonuçlar:

tfl.reverse_v2 (TFL::ReverseV2Op)

ReverseV2 Operator

Reverses specific dimensions of a tensor.

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

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

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

Traits: AlwaysSpeculatableImplTrait , QuantizableResult

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

Operands:

Sonuçlar:

tfl.rfft2d (TFL::RFFT2dOp)

2D real-valued fast Fourier transform.

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

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

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

Traits: AlwaysSpeculatableImplTrait

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

Operands:

Sonuçlar:

tfl.right_shift (TFL::RightShiftOp)

Right Shift operator

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

Traits: AlwaysSpeculatableImplTrait , SameOperandsAndResultElementType

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

Operands:

Sonuçlar:

tfl.round (TFL::RoundOp)

Round operator

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

Traits: AlwaysSpeculatableImplTrait , InferTensorType , TF::SameOperandsAndResultTypeResolveRef

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

Effects: MemoryEffects::Effect{}

Operands:

Sonuçlar:

tfl.rsqrt (TFL::RsqrtOp)

Reciprocal of square root operator

Computes element-wise reverse square root of input

Traits: AlwaysSpeculatableImplTrait , QuantizableResult , SameOperandsAndResultShape

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

Operands:

Sonuçlar:

tfl.scatter_nd (TFL::ScatterNdOp)

_Scatter nd operator

Scatter updates into a new tensor according to indices

Traits: AlwaysSpeculatableImplTrait , QuantizableResult

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

Effects: MemoryEffects::Effect{}

Operands:

Sonuçlar:

tfl.segment_sum (TFL::SegmentSumOp)

SegmentSum operator

Computes the sum along segments of a tensor.

Traits: AlwaysSpeculatableImplTrait

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

Operands:

Sonuçlar:

tfl.select (TFL::SelectOp)

Select operator

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

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

Traits: AlwaysSpeculatableImplTrait , QuantizableResult

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

Effects: MemoryEffects::Effect{}

Operands:

Sonuçlar:

tfl.select_v2 (TFL::SelectV2Op)

SelectV2 operator

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

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

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

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

Effects: MemoryEffects::Effect{}

Operands:

Sonuçlar:

tfl.shape (TFL::ShapeOp)

Shape operator

Returns the shape of a tensor.

Traits: AlwaysSpeculatableImplTrait , QuantizableResult

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

Nitelikler:

Operands:

Sonuçlar:

tfl.sign (TFL::SignOp)

Sign operation

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

Traits: AlwaysSpeculatableImplTrait , SameOperandsAndResultElementType , SameOperandsAndResultShape

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

Operands:

Sonuçlar:

tfl.sin (TFL::SinOp)

Sine operator

Computes element-wise Sine of input

Traits: AlwaysSpeculatableImplTrait , InferTensorType , TF::SameOperandsAndResultTypeResolveRef

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

Effects: MemoryEffects::Effect{}

Operands:

Sonuçlar:

tfl.slice (TFL::SliceOp)

Return a slice from 'input'.

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

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

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

Traits: AlwaysSpeculatableImplTrait , QuantizableResult

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

Effects: MemoryEffects::Effect{}

Operands:

Sonuçlar:

tfl.softmax (TFL::SoftmaxOp)

Softmax operator

Computes element-wise softmax activations with the following formula

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

Traits: AlwaysSpeculatableImplTrait , QuantizableResult , SameOperandsAndResultShape

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

Effects: MemoryEffects::Effect{}

Nitelikler:

Operands:

Sonuçlar:

tfl.space_to_batch_nd (TFL::SpaceToBatchNdOp)

SpaceToBatchNd operator

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

Traits: AlwaysSpeculatableImplTrait , QuantizableResult

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

Effects: MemoryEffects::Effect{}

Operands:

Sonuçlar:

tfl.space_to_depth (TFL::SpaceToDepthOp)

SpaceToDepth operator

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

Traits: AlwaysSpeculatableImplTrait , QuantizableResult

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

Effects: MemoryEffects::Effect{}

Nitelikler:

Operands:

Sonuçlar:

tfl.sparse_to_dense (TFL::SparseToDenseOp)

Converts a sparse representation into a dense tensor.

Builds an array dense with shape output_shape such that

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

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

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

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

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

Traits: AlwaysSpeculatableImplTrait , QuantizableResult

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

Operands:

Sonuçlar:

tfl.split (TFL::SplitOp)

Splits a tensor into num_split tensors along one dimension.

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

Traits: AlwaysSpeculatableImplTrait , QuantizableResult

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

Effects: MemoryEffects::Effect{}

Nitelikler:

Operands:

Sonuçlar:

tfl.split_v (TFL::SplitVOp)

Splits a tensor into num_split tensors along one dimension.

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

Traits: AlwaysSpeculatableImplTrait , QuantizableResult

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

Effects: MemoryEffects::Effect{}

Nitelikler:

Operands:

Sonuçlar:

tfl.sqrt (TFL::SqrtOp)

Square root operator

Computes element-wise Square root of input

Traits: AlwaysSpeculatableImplTrait , InferTensorType , TF::SameOperandsAndResultTypeResolveRef

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

Effects: MemoryEffects::Effect{}

Operands:

Sonuçlar:

tfl.square (TFL::SquareOp)

Square operator

Computes element-wise Square of input

Traits: AlwaysSpeculatableImplTrait , InferTensorType , TF::SameOperandsAndResultTypeResolveRef

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

Effects: MemoryEffects::Effect{}

Operands:

Sonuçlar:

tfl.squared_difference (TFL::SquaredDifferenceOp)

Squared difference operator

Element-wise squared difference operation.

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

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

Operands:

Sonuçlar:

tfl.squeeze (TFL::SqueezeOp)

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

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

Örneğin:

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

Or, to remove specific size 1 dimensions:

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

Traits: AlwaysSpeculatableImplTrait , QuantizableResult

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

Effects: MemoryEffects::Effect{}

Nitelikler:

Operands:

Sonuçlar:

tfl.strided_slice (TFL::StridedSliceOp)

StridedSlice Op

Return a strided slice from input .

Traits: AlwaysSpeculatableImplTrait , QuantizableResult

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

Effects: MemoryEffects::Effect{}

Nitelikler:

Operands:

Sonuçlar:

tfl.sub (TFL::SubOp)

Subtraction operator

Element-wise subtraction operation.

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

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

Effects: MemoryEffects::Effect{}

Nitelikler:

Operands:

Sonuçlar:

tfl.sum (TFL::SumOp)

Sum operator

Computes the sum reduction along the specified axes

Traits: AlwaysSpeculatableImplTrait , QuantizableResult

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface) , TflRuntimeVerifyOpInterface

Effects: MemoryEffects::Effect{}

Nitelikler:

Operands:

Sonuçlar:

tfl.svdf (TFL::SVDFOp)

Single value decomposition filter operator

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

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

Interfaces: DynamicRangeQuantizedOpInterface , TFL_StatefulOp , TflRuntimeVerifyOpInterface

Nitelikler:

Operands:

Sonuçlar:

tfl.tanh (TFL::TanhOp)

Hyperbolic tangent operator

Computes element-wise Hyperbolic tangent of input

Traits: AlwaysSpeculatableImplTrait , QuantizableResult , SameOperandsAndResultShape

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

Effects: MemoryEffects::Effect{}

Operands:

Sonuçlar:

tfl.tile (TFL::TileOp)

Tile operator.

Constructs a tensor by tiling a given tensor.

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

Traits: AlwaysSpeculatableImplTrait , QuantizableResult

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

Effects: MemoryEffects::Effect{}

Operands:

Sonuçlar:

tfl.topk_v2 (TFL::TopKV2Op)

TopK operator

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

Results are always sorted in the descending order.

Traits: AlwaysSpeculatableImplTrait , QuantizableResult

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

Effects: MemoryEffects::Effect{}

Operands:

Sonuçlar:

tfl.transpose (TFL::TransposeOp)

Transpose operator

Returns the Transpose of x

Traits: AlwaysSpeculatableImplTrait , QuantizableResult

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

Effects: MemoryEffects::Effect{}

Operands:

Sonuçlar:

tfl.transpose_conv (TFL::TransposeConvOp)

Transpose convolution operator

Performs transpose convolution operation on input.

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

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

Effects: MemoryEffects::Effect{}

Nitelikler:

Operands: