StableHLO की खास बातें

StableHLO, मशीन लर्निंग (एमएल) मॉडल में हाई-लेवल ऑपरेशन (एचएलओ) के लिए सेट किया गया ऑपरेशन है. StableHLO अलग-अलग एमएल फ़्रेमवर्क और एमएल कंपाइलर के बीच पोर्टेबिलिटी लेयर के तौर पर काम करता है: StableHLO प्रोग्राम बनाने वाले एमएल फ़्रेमवर्क, StableHLO प्रोग्राम का इस्तेमाल करने वाले एमएल कंपाइलर के साथ काम करते हैं.

हमारा मकसद, ML के अलग-अलग फ़्रेमवर्क (जैसे, TensorFlow, JAX और PyTorch) और ML कंपाइलर (जैसे कि XLA और IREE) के बीच ज़्यादा इंटरऑपरेबिलिटी बनाकर, एमएल के डेवलपमेंट को आसान बनाना और तेज़ करना है. इस दस्तावेज़ में StableHLO प्रोग्रामिंग भाषा की जानकारी दी गई है.

इस स्पेसिफ़िकेशन में तीन मुख्य सेक्शन शामिल हैं. सबसे पहले, प्रोग्राम सेक्शन में StableHLO प्रोग्राम की बनावट के बारे में बताया गया है. इसमें StableHLO फ़ंक्शन मौजूद हैं जिनमें StableHLO ऑपरेशन शामिल हैं. इस संरचना में, Ops सेक्शन हर ऑपरेशन का मतलब बताता है. एक्ज़ीक्यूशन सेक्शन में, प्रोग्राम के अंदर एक साथ लागू किए जाने वाले सभी ऑपरेशन के लिए सिमेंटिक्स उपलब्ध होते हैं. आखिर में, नोटेशन सेक्शन में पूरी जानकारी में इस्तेमाल किए गए नोटेशन के बारे में बताया गया है.

प्रोग्राम

Program ::= {Func}

StableHLO प्रोग्राम में StableHLO की संख्या, मनचाहे तरीके से शामिल होती है. यहां @main फ़ंक्शन वाले एक प्रोग्राम का उदाहरण दिया गया है, जिसमें तीन इनपुट (%image, %weights, और %bias) और एक आउटपुट है. फ़ंक्शन के मुख्य हिस्से में 6 ऑपरेशन होते हैं.

func.func @main(
  %image: tensor<28x28xf32>,
  %weights: tensor<784x10xf32>,
  %bias: tensor<1x10xf32>
) -> tensor<1x10xf32> {
  %0 = "stablehlo.reshape"(%image) : (tensor<28x28xf32>) -> tensor<1x784xf32>
  %1 = "stablehlo.dot"(%0, %weights) : (tensor<1x784xf32>, tensor<784x10xf32>) -> tensor<1x10xf32>
  %2 = "stablehlo.add"(%1, %bias) : (tensor<1x10xf32>, tensor<1x10xf32>) -> tensor<1x10xf32>
  %3 = "stablehlo.constant"() { value = dense<0.0> : tensor<1x10xf32> } : () -> tensor<1x10xf32>
  %4 = "stablehlo.maximum"(%2, %3) : (tensor<1x10xf32>, tensor<1x10xf32>) -> tensor<1x10xf32>
  "func.return"(%4): (tensor<1x10xf32>) -> ()
}

फ़ंक्शन

Func        ::= 'func' '.' 'func' FuncId FuncInputs FuncOutputs '{' FuncBody '}'
FuncInputs  ::= '(' [FuncInput {',' FuncInput}] `)`
FuncInput   ::= '%' ValueId ':' ValueType
FuncOutputs ::= ['->' FuncOutput, {',' FuncOutput}]
FuncOutput  ::= ValueType
FuncBody    ::= {Op}

StableHLO फ़ंक्शन (जिन्हें नाम वाले फ़ंक्शन भी कहा जाता है) में एक आइडेंटिफ़ायर, इनपुट/आउटपुट, और एक मुख्य हिस्सा होता है. आने वाले समय में, हम फ़ंक्शन के लिए अतिरिक्त मेटाडेटा शुरू करने की योजना बना रहे हैं, ताकि एचएलओ (#425, #626, #740, #744) के साथ बेहतर काम किया जा सके.

आइडेंटिफ़ायर

FuncId  ::= '@' letter {letter | digit}
ValueId ::= '%' digit {digit}
          | '%' letter {letter | digit}
letter  ::= 'a' | ... | 'z' | 'A' | ... | 'Z' | '_'
digit   ::= '0' | ... | '9'

StableHLO आइडेंटिफ़ायर, कई प्रोग्रामिंग भाषाओं के आइडेंटिफ़ायर की तरह ही होते हैं. इनकी दो विशेषताएं होती हैं: 1) सभी आइडेंटिफ़ायर में अलग-अलग तरह के आइडेंटिफ़ायर होते हैं जो अलग-अलग तरह के आइडेंटिफ़ायर होते हैं, 2) StableHLO प्रोग्राम को आसानी से जनरेट करने के लिए, वैल्यू आइडेंटिफ़ायर पूरी तरह से न्यूमेरिक हो सकते हैं.

टाइप

Type         ::= ValueType | NonValueType
ValueType    ::= TensorType | QuantizedTensorType | TokenType | TupleType
NonValueType ::= TensorElementType | QuantizedTensorElementType | FunctionType | StringType

StableHLO टाइप को वैल्यू के टाइप (जिन्हें फ़र्स्ट-क्लास टाइप भी कहा जाता है) की कैटगरी में रखा जाता है. ये StableHLO वैल्यू और नॉन-वैल्यू टाइप को दिखाते हैं, जो प्रोग्राम के दूसरे एलिमेंट के बारे में बताते हैं. StableHLO के टाइप, कई प्रोग्रामिंग लैंग्वेज के टाइप से मिलते-जुलते होते हैं. इनमें से खास तौर पर, StableHLO डोमेन के हिसाब से काम करता है, जिसकी वजह से कुछ असामान्य नतीजे मिलते हैं (जैसे कि स्केलर टाइप, वैल्यू टाइप नहीं होते).

TensorType ::= 'tensor' '<' Shape TensorElementType '>'
Shape ::= {DimensionSize 'x'}
DimensionSize ::= digit {digit}

टेंसर टाइप, टेंसर यानी मल्टीडाइमेंशन वाले अरे को दिखाते हैं. इनमें एक आकार और एलिमेंट का टाइप होता है. इसमें, आकार डाइमेंशन के बढ़ते क्रम में नॉन-नेगेटिव डाइमेंशन साइज़ को दिखाता है. इन डाइमेंशन को ऐक्सिस भी कहा जाता है. इन्हें 0 से R-1 तक नंबर दिया जाता है. R डाइमेंशन की संख्या को rank कहा जाता है. उदाहरण के लिए, tensor<2x3xf32> एक टेंसर टाइप है, जिसका साइज़ 2x3 और एलिमेंट टाइप f32 है. इसमें दो डाइमेंशन (या दूसरे शब्दों में, दो ऐक्सिस) होते हैं - पहला डाइमेंशन और पहला डाइमेंशन - जिसका साइज़ 2 और 3 है. इसकी रैंक 2 है.

यह उन स्टैटिक आकार के साथ काम करने के बारे में बताता है जहां डाइमेंशन के साइज़, स्टैटिक रूप से तय होते हैं. आने वाले समय में, हम ऐसे डाइनैमिक शेप के लिए भी सहायता उपलब्ध कराने की योजना बना रहे हैं, जिनमें डाइमेंशन के साइज़ के बारे में कुछ हद तक या पूरी तरह जानकारी नहीं होती (#8). इसके अलावा, हम डाइमेंशन साइज़ और एलिमेंट टाइप के अलावा, अन्य तरह के टेंसर टाइप एक्सप्लोर करने की योजना बना रहे हैं. जैसे, लेआउट (#629) और स्पैरिटी (#1078) को शामिल करना.

QuantizedTensorType ::= 'tensor' '<' Shape QuantizedTensorElementType '>'
QuantizedTensorElementType ::= '!quant.uniform' '<'
                  QuantizationStorageType
                  ['<' QuantizationStorageMin ':' QuantizationStorageMax '>']
                  ':' QuantizationExpressedType
                  [':' QuantizationDimension]
                  ',' QuantizationParameters '>'
QuantizationStorageType ::= IntegerType
QuantizationStorageMin ::= IntegerConstant
QuantizationStorageMax ::= IntegerConstant
QuantizationExpressedType ::= FloatType
QuantizationDimension ::= IntegerConstant
QuantizationParameters ::= QuantizationParameter
                         | '{' QuantizationParameter {',' QuantizationParameter} '}'
QuantizationParameter ::= QuantizationScale ':' QuantizationZeroPoint
QuantizationScale ::= FloatConstant
QuantizationZeroPoint ::= IntegerConstant

नाम	टाइप	कंस्ट्रेंट
storage_type	पूर्णांक का टाइप	(C1-C4), (C9)
storage_min	पूर्णांक कॉन्सटेंट	(C2), (C4), (C8)
storage_max	पूर्णांक कॉन्सटेंट	(C3), (C4), (C8)
expressed_type	फ़्लोटिंग-पॉइंट टाइप	(C1), (C5)
quantization_dimension	वैकल्पिक पूर्णांक कॉन्सटेंट	(C11-C13)
scales	फ़्लोटिंग-पॉइंट कॉन्सटेंट की अलग-अलग संख्या	(C5-C7), (C10), (C11), (C13)
zero_points	इंटीजर कॉन्सटेंट की अलग-अलग संख्या	(C8-C10)

संख्या के हिसाब से बनाए गए एलिमेंट, storage_min से storage_max (शामिल) की रेंज में स्टोरेज टाइप की इंटीजर वैल्यू दिखाते हैं. ये वैल्यू, दिखाए गए टाइप की फ़्लोटिंग-पॉइंट वैल्यू से मेल खाती हैं. किसी दिए गए पूर्णांक के लिए मान i के लिए, संबंधित फ़्लोटिंग-पॉइंट मान f की गणना f = (i - zero_point) * scale के तौर पर की जा सकती है. इसमें scale और zero_point को क्वांटाइज़ेशन पैरामीटर कहा जाता है. व्याकरण में storage_min और storage_max वैकल्पिक हैं, लेकिन उनकी डिफ़ॉल्ट वैल्यू min_value(storage_type) और max_value(storage_type) है. क्वांटाइज़ किए गए एलिमेंट के टाइप में ये सीमाएं होती हैं:

• (C1) num_bits(storage_type) < num_bits(expressed_type).
• (C2) type(storage_min) = storage_type.
• (C3) type(storage_max) = storage_type.
• (C4) min_value(storage_type) <= storage_min < storage_max <= max_value(storage_type).
• (C5) type(scales...) = expressed_type.
• (C6) 0 < scales.
• (C7) is_finite(scales...).
• (C8) storage_min <= zero_points <= storage_max.
• (C9) type(zero_points...) = storage_type.
• (C10) size(scales) = size(zero_points).
• (C11) अगर is_empty(quantization_dimension) है, तो size(scales) = 1.
• (C12) 0 <= quantization_dimension.

फ़िलहाल, QuantizationScale एक फ़्लोटिंग-पॉइंट कॉन्सटेंट है, लेकिन पूर्णांक पर आधारित स्केल में ज़्यादा दिलचस्पी है. इन्हें मल्टीप्लायर और शिफ़्ट की मदद से दिखाया जाता है. हम आने वाले समय में इसे एक्सप्लोर करने की योजना बना रहे हैं (#1404).

QuantizationZeroPoint के सिमैंटिक पर लगातार बातचीत चल रही है. इसमें टाइप और वैल्यू शामिल हैं. साथ ही, यह भी शामिल है कि क्वानटिफ़ाई किए गए टेंसर टाइप में, सिर्फ़ एक या संभावित तौर पर एक से ज़्यादा ज़ीरो पॉइंट हो सकते हैं या नहीं. इस चर्चा के नतीजों के आधार पर, आने वाले समय में शून्य पॉइंट के स्पेसिफ़िकेशन में बदलाव किया जा सकता है (#1405).

एक और चर्चा में QuantizationStorageMin और QuantizationStorageMax के सिमेंटिक्स शामिल हैं, ताकि यह तय किया जा सके कि इन वैल्यू पर और क्वांटाइज़ किए गए सेंसर की वैल्यू पर कोई कंस्ट्रेंट लागू किया जाना चाहिए या नहीं #1406.

आखिर में, हम अनजान स्केल और ज़ीरो पॉइंट को भी दिखाने की योजना बना रहे हैं. ठीक उसी तरह, जैसे हम अज्ञात डाइमेंशन साइज़ (#1407) को दिखाने के लिए प्लान कर रहे हैं.

क्वांटाइज़्ड टेंसर टाइप, मात्रा वाले एलिमेंट के साथ टेंसर को दिखाते हैं. ये टेंसर, रेगुलर टेंसर की तरह ही होते हैं. हालांकि, इनके एलिमेंट में सामान्य तरह के एलिमेंट के बजाय मात्रा वाले एलिमेंट होते हैं.

क्वांटाइज़ किए गए टेंसर में, क्वांटाइज़ेशन हर टेंसर हो सकता है. इसका मतलब है कि पूरे टेंसर के लिए एक scale और zero_point हो सकता है या यह हर ऐक्सिस के तौर पर हो सकता है. इसका मतलब है कि इसमें कई scales और zero_points हैं, जो किसी खास डाइमेंशन quantization_dimension के हर स्लाइस के तौर पर एक जोड़ी है. औपचारिक तौर पर, पर-ऐक्सिस क्वांटाइज़ेशन वाले टेंसर t में, quantization_dimension के dim(t, quantization_dimension) स्लाइस होते हैं: t[:, ..., 0, ..., :], t[:, ..., 1, ..., :] वगैरह. iवें स्लाइस में मौजूद सभी एलिमेंट, अपने-आप आकलन करने के पैरामीटर के तौर पर scales[i] और zero_points[i] का इस्तेमाल करते हैं. संख्या के हिसाब से बने टेंसर में ये सीमाएं होती हैं:

• हर सेंसर की संख्या का पता लगाने के लिए:
  • कोई अतिरिक्त सीमा नहीं.
• हर ऐक्सिस पर आकलन करने के लिए:
  • (C12) quantization_dimension < rank(self).
  • (C13) dim(self, quantization_dimension) = size(scales).

TokenType ::= 'token'

टोकन टाइप टोकन को दिखाते हैं. जैसे, कुछ कार्रवाइयों से बनाई गई और इस्तेमाल की गई ओपेक वैल्यू. टोकन का इस्तेमाल, एक्ज़ीक्यूशन सेक्शन में बताए गए तरीके से, कार्रवाइयों पर एक्ज़ीक्यूट करने का ऑर्डर लागू करने के लिए किया जाता है.

TupleType ::= 'tuple' '<' TupleElementTypes '>'
TupleElementTypes ::= [ValueType {',' ValueType}]

टपल टाइप, टपल को दिखाते हैं. उदाहरण के लिए, विषमांगी सूचियां. टपल एक लेगसी सुविधा है, जो सिर्फ़ एचएलओ के साथ काम करने के लिए उपलब्ध है. एचएलओ में, ट्यूपल का इस्तेमाल बदलाव वाले इनपुट और आउटपुट को दिखाने के लिए किया जाता है. StableHLO में, वैरिएडिक इनपुट और आउटपुट मूल रूप से काम करते हैं. StableHLO में, ट्यूपल का सिर्फ़ इस्तेमाल HLO एबीआई को बेहतर तरीके से दिखाने के लिए किया जाता है, जहां T, tuple<T>, और tuple<tuple<T>> जैसे किसी खास लागू करने के हिसाब से काफ़ी अलग-अलग हो सकता है. आने वाले समय में, हम एचएलओ एबीआई में बदलाव करने की योजना बना रहे हैं. इससे हमें StableHLO से टपल टाइप हटाने की अनुमति मिल सकती है (#598).

TensorElementType ::= BooleanType | IntegerType | FloatType | ComplexType
BooleanType ::= 'i1'
IntegerType ::= SignedIntegerType | UnsignedIntegerType
SignedIntegerType ::= 'si4' | 'si8' | 'si16' | 'si32' | 'si64'
UnsignedIntegerType ::= 'ui4' | 'ui8' | 'ui16' | 'ui32' | 'ui64'
FloatType ::= 'f8E4M3FN' | 'f8E5M2' | 'f8E4M3FNUZ' | 'f8E5M2FNUZ'
            | 'f8E4M3B11FNUZ' | 'bf16' | 'f16' | 'f32' | 'f64'
ComplexType ::= 'complex' '<' ComplexElementType '>'
ComplexElementType ::= 'f32' | 'f64'

एलिमेंट टाइप, टेंसर टाइप के एलिमेंट दिखाते हैं. कई प्रोग्रामिंग भाषाओं के उलट, ये टाइप StableHLO की पहली कैटगरी नहीं हैं. इसका मतलब है कि StableHLO प्रोग्राम, सीधे तौर पर इस तरह की वैल्यू को नहीं दिखा सकते. इसी वजह से, T टाइप के अदिश वैल्यू को tensor<T> टाइप के 0-डाइमेंशन वाले टेंसर वैल्यू से दिखाना मुहावरे है.

• बूलियन टाइप, बूलियन वैल्यू true और false दिखाता है.
• इंटीज़र टाइप साइन किए गए (si) या साइन नहीं किए गए (ui) हो सकते हैं और इनमें से एक बिट विड्थ (4, 8, 16, 32 या 64) हो सकती है. साइन किए गए siN टाइप -2^(N-1) से 2^(N-1)-1 तक के पूर्णांक वैल्यू दिखाते हैं और साइन नहीं किए गए uiN टाइप, 0 से 2^N-1 तक के पूर्णांकों की वैल्यू दिखाते हैं.
• फ़्लोट-पॉइंट टाइप इनमें से कोई एक हो सकता है:
  • f8E4M3FN और f8E5M2 टाइप, डीप लर्निंग के लिए FP8 फ़ॉर्मैट में बताए गए FP8 फ़ॉर्मैट के E4M3 और E5M2 एन्कोडिंग के हिसाब से हैं.
  • FP8 फ़ॉर्मैट के E4M3 और E5M2 एन्कोडिंग से जुड़े f8E4M3FNUZ और f8E5M2FNUZ टाइप डीप न्यूरल नेटवर्क के लिए 8-बिट वाले न्यूमेरिक फ़ॉर्मैट में बताए गए हैं.
  • E4M3 के FP8 फ़ॉर्मैट के हिसाब से f8E4M3B11FNUZ टाइप. हाइब्रिड 8-बिट फ़्लोटिंग पॉइंट (HFP8) ट्रेनिंग और डीप न्यूरल नेटवर्क के अनुमान में इसके बारे में बताया गया है.
  • BFloat16: Cloud TPU पर बेहतर परफ़ॉर्मेंस का सीक्रेट फ़ॉर्मैट में बताए गए bfloat16 फ़ॉर्मैट से जुड़ा bf16 टाइप.
  • f16, f32, और f64 टाइप इनके मुताबिक होते हैं: binary16 ("हाफ़ प्रिसिज़न"), binary32 ("सिंगल प्रिसिज़न"), और binary64 ("डबल सटीक") फ़ॉर्मैट, IEEE 754 स्टैंडर्ड में बताए गए हैं.
• जटिल टाइप ऐसी जटिल वैल्यू दिखाते हैं जिनमें असल हिस्सा होता है और एक ही एलिमेंट टाइप का काल्पनिक हिस्सा होता है. काम करने वाले कॉम्प्लेक्स टाइप, complex<f32> (दोनों हिस्से f32 टाइप के हैं) और complex<f64> (दोनों हिस्से f64 टाइप के हैं) हैं.

FunctionType ::= '(' InputTypes ')' '->' '(' OutputTypes ')'
InputTypes ::= [ValueType {',' ValueType}]
OutputTypes ::= [ValueType {',' ValueType}]

फ़ंक्शन टाइप नाम वाले और पहचान छिपाने वाले, दोनों फ़ंक्शन को दिखाते हैं. इनमें इनपुट टाइप (-> की बाईं ओर मौजूद टाइप की सूची) और आउटपुट टाइप (-> की दाईं ओर मौजूद टाइप की सूची) होते हैं. कई प्रोग्रामिंग भाषाओं में, फ़ंक्शन टाइप फ़र्स्ट क्लास होते हैं, लेकिन StableHLO में नहीं.

StringType ::= 'string'

स्ट्रिंग का टाइप, बाइट के क्रम को दिखाता है. कई प्रोग्रामिंग भाषाओं के उलट, StableHLO में स्ट्रिंग का टाइप पहली क्लास नहीं है. इसका इस्तेमाल सिर्फ़ प्रोग्राम एलिमेंट के लिए स्टैटिक मेटाडेटा की जानकारी देने के लिए किया जाता है.

ऑपरेशंस

StableHLO ऑपरेशन (जिन्हें ऑपरेशन भी कहा जाता है) मशीन लर्निंग मॉडल में हाई-लेवल ऑपरेशन के बंद सेट को दिखाते हैं. जैसा कि ऊपर बताया गया है, StableHLO सिंटैक्स काफ़ी हद तक MLIR से प्रेरित है. यह ज़रूरी नहीं है कि यह सबसे बेहतर विकल्प हो. हालांकि, एमएल फ़्रेमवर्क और एमएल कंपाइलर के बीच ज़्यादा इंटरऑपरेबिलिटी बनाने के StableHLO के लक्ष्य के लिए, यह साफ़ तौर पर सबसे सही विकल्प है.

Op            ::= [OpOutputs] OpName OpInputs ':' OpSignature
OpName        ::= '"' 'stablehlo' '.' OpMnemonic '"'
OpMnemonic    ::= 'abs' | 'add' | ...

StableHLO कार्रवाइयों (इन्हें ops भी कहा जाता है) का एक नाम, इनपुट/आउटपुट, और एक सिग्नेचर होता है. नाम में stablehlo. प्रीफ़िक्स और एक मेनेमोनिक शामिल है, जो काम करने वाले ऑपरेशन में से किसी एक की खास तौर पर पहचान करता है. काम करने वाले सभी ऑपरेशन की पूरी सूची यहां देखें.

फ़िलहाल, StableHLO प्रोग्राम में कभी-कभी ऐसी कार्रवाइयां की जाती हैं जिनके बारे में इस दस्तावेज़ में नहीं बताया गया है. आने वाले समय में, हम या तो इन ऑपरेशन को StableHLO ऑपसेट में शामिल कर लेंगे या फिर उन्हें StableHLO प्रोग्राम में दिखाने पर पाबंदी लगा देंगे. तब तक, यहां इन कार्रवाइयों की सूची दी गई है:

• builtin.module, func.func, func.call, और func.return (#425).
• chlo कार्रवाइयां (#602).
• StableHLO कार्रवाइयों की "एचएलओ में नहीं" कैटगरी - शुरुआत में, ये StableHLO ऑपरेशन का हिस्सा थे, लेकिन बाद में इन्हें सही से फ़िट नहीं किया गया: broadcast, create_token, cross-replica-sum, dot, einsum, torch_index_select, unary_einsum (#3).
• StableHLO कार्रवाइयों की "डायनेमिज़्म" कैटगरी - इन्हें MHLO से बूटस्ट्रैप किया गया था, लेकिन हमने अभी तक उनका अनुमान नहीं लगाया है: compute_reshape_shape, cstr_reshapable, dynamic_broadcast_in_dim, dynamic_conv, dynamic_gather, dynamic_iota, dynamic_pad, dynamic_reshape, real_dynamic_slice, set_dimension_size (#8).
• आकार का हिसाब लगाना, जिसमें arith, shape, और tensor कार्रवाइयां (#8) शामिल हैं.

OpInputs        ::= OpInputValues OpInputFuncs OpInputAttrs
OpInputValues   ::= '(' [OpInputValue {',' OpInputValue}] ')'
OpInputValue    ::= ValueId
OpInputFuncs    ::= ['(' OpInputFunc {',' OpInputFunc} ')']
OpInputAttrs    ::= ['{' OpInputAttr {',' OpInputAttr} '}']
OpOutputs       ::= [OpOutput {',' OpOutput} '=']
OpOutput        ::= ValueId

ऑपरेशन, इनपुट का इस्तेमाल करते हैं और आउटपुट जनरेट करते हैं. इनपुट को, इनपुट फ़ंक्शन (एक्ज़ीक्यूशन के दौरान हिसाब लगाया गया), इनपुट फ़ंक्शन (स्टैटिक तरीके से, क्योंकि StableHLO फ़ंक्शन में कोई फ़र्स्ट-क्लास वैल्यू नहीं होती) और इनपुट एट्रिब्यूट (स्टैटिक तरीके से भी दिए जाते हैं) में बांटा जाता है. किसी ऑपरेटर की ओर से इस्तेमाल और बनाए गए इनपुट और आउटपुट किस तरह के इनपुट और आउटपुट के तौर पर बनते हैं, यह उसके मिनेमोनिक पर निर्भर करता है. उदाहरण के लिए, add ऑपरेशन दो इनपुट वैल्यू का इस्तेमाल करता है और एक आउटपुट वैल्यू जनरेट करता है. इसके मुकाबले, select_and_scatter ऑपरेटर तीन इनपुट वैल्यू, दो इनपुट फ़ंक्शन, और तीन इनपुट एट्रिब्यूट का इस्तेमाल करता है.

OpInputFunc ::= '{' Unused FuncInputs ':' FuncBody '}'
Unused      ::= '^' digit {digit}
              | '^' letter {letter | digit}

इनपुट फ़ंक्शन (जिन्हें अनाम फ़ंक्शन भी कहा जाता है) नाम वाले फ़ंक्शन से बहुत हद तक मिलते-जुलते होते हैं, लेकिन: 1) उनमें कोई आइडेंटिफ़ायर नहीं होता (इसलिए, "पहचान नहीं की गई है"), 2) वे आउटपुट टाइप का एलान नहीं करते (आउटपुट टाइप, फ़ंक्शन के अंदर return op से लागू किए जाते हैं).

इनपुट फ़ंक्शन के सिंटैक्स में फ़िलहाल इस्तेमाल न किया गया एक हिस्सा शामिल है (ऊपर दिया गया Unused प्रोडक्शन देखें), जो MLIR के साथ काम करने के लिए इस्तेमाल किया गया है. एमएलआईआर में, "इलाकों" का एक सामान्य सिद्धांत है. इसमें जंप ऑपरेटर के ज़रिए एक साथ कई "ब्लॉक" जोड़े जा सकते हैं. इन ब्लॉक में Unused प्रोडक्शन से जुड़े आईडी होते हैं, ताकि उन्हें एक-दूसरे से अलग किया जा सके. StableHLO में जंप ऑपरेटर नहीं है, इसलिए MLIR सिंटैक्स के लिए इस्तेमाल किए गए हिस्से का इस्तेमाल नहीं किया गया है (लेकिन यह अब भी वहां मौजूद है).

OpInputAttr      ::= OpInputAttrName '=' OpInputAttrValue
OpInputAttrName  ::= letter {letter | digit}
OpInputAttrValue ::= Constant

इनपुट एट्रिब्यूट में एक नाम और वैल्यू होती है, जो इस्तेमाल किए जा सकने वाले कॉन्सटेंट में से एक है. प्रोग्राम एलिमेंट के लिए स्टैटिक मेटाडेटा तय करने के ये मुख्य तरीके हैं. उदाहरण के लिए, concatenate ऑपरेटर dimension एट्रिब्यूट का इस्तेमाल करके, उस डाइमेंशन की जानकारी देता है जिसके साथ इसके इनपुट वैल्यू को जोड़ा जाता है. इसी तरह, slice op, इनपुट वैल्यू को स्लाइस करने के लिए इस्तेमाल होने वाली सीमाओं के बारे में बताने के लिए, start_indices और limit_indices जैसे कई एट्रिब्यूट का इस्तेमाल करता है.

फ़िलहाल, जंगल में StableHLO प्रोग्राम में कभी-कभी ऐसे एट्रिब्यूट मौजूद होते हैं जिनके बारे में इस दस्तावेज़ में नहीं बताया गया है. आने वाले समय में, हम इन एट्रिब्यूट को StableHLO ऑप्टसेट में शामिल कर लेने या इन्हें StableHLO प्रोग्राम में दिखाने पर पाबंदी लगाने की योजना बना रहे हैं. इस दौरान, इन एट्रिब्यूट की सूची यहां दी गई है:

• layout (#629).
• mhlo.frontend_attributes (#628).
• mhlo.sharding (#619).
• output_operand_aliases (#740).
• जगह का मेटाडेटा (#594).

OpSignature ::= '(' [ValueType {',' ValueType}] ')' '->' '(' [ValueType {',' ValueType}] ')'

ऑप सिग्नेचर में सभी इनपुट वैल्यू के टाइप (-> की बाईं ओर मौजूद टाइप की सूची) और सभी आउटपुट वैल्यू के टाइप (-> की दाईं ओर मौजूद टाइप की सूची) शामिल होते हैं. साफ़ तौर पर कहा जाए, तो इनपुट के टाइप दोहराए नहीं जाते और आउटपुट टाइप भी अक्सर ग़ैर-ज़रूरी होते हैं, क्योंकि ज़्यादातर StableHLO ऑपरेशन के लिए, आउटपुट टाइप का अनुमान इनपुट से लगाया जा सकता है. इसके बावजूद, MLIR के साथ काम करने के लिए, op हस्ताक्षर को StableHLO सिंटैक्स का जान-बूझकर हिस्सा बनाया जाता है.

नीचे एक उदाहरण ऑप दिया गया है, जिसके मेनेमॉनिक select_and_scatter है. यह तीन इनपुट वैल्यू (%operand, %source, और %init_value), दो इनपुट फ़ंक्शन, और तीन इनपुट एट्रिब्यूट (window_dimensions, window_strides, और padding) का इस्तेमाल करता है. ध्यान दें कि कैसे ऑप के सिग्नेचर में इसके इनपुट वैल्यू के टाइप ही शामिल किए जाते हैं (इसमें इनलाइन दिए जाने वाले इनपुट फ़ंक्शन और एट्रिब्यूट के टाइप शामिल नहीं होते).

%result = "stablehlo.select_and_scatter"(%operand, %source, %init_value) ({
  ^bb0(%arg0: tensor<i32>, %arg1: tensor<i32>):
    %0 = "stablehlo.compare"(%arg0, %arg1) {
      comparison_direction = #stablehlo<comparison_direction GE>
    } : (tensor<i32>, tensor<i32>) -> tensor<i1>
    "stablehlo.return"(%0) : (tensor<i1>) -> ()
}, {
  ^bb0(%arg0: tensor<i32>, %arg1: tensor<i32>):
    %0 = "stablehlo.add"(%arg0, %arg1) : (tensor<i32>, tensor<i32>) -> tensor<i32>
    "stablehlo.return"(%0) : (tensor<i32>) -> ()
}) {
  window_dimensions = dense<[3, 1]> : tensor<2xi64>,
  window_strides = dense<[2, 1]> : tensor<2xi64>,
  padding = dense<[[0, 1], [0, 0]]> : tensor<2x2xi64>
} : (tensor<4x2xi32>, tensor<2x2xi32>, tensor<i32>) -> tensor<4x2xi32>

स्थिरांक

Constant ::= BooleanConstant
           | IntegerConstant
           | FloatConstant
           | ComplexConstant
           | TensorConstant
           | QuantizedTensorConstant
           | StringConstant
           | EnumConstant

StableHLO कॉन्सटेंट में लिटरल और टाइप होता है, जो एक साथ StableHLO वैल्यू दिखाता है. आम तौर पर, टाइप, कॉन्सटैंट सिंटैक्स का हिस्सा होता है. हालांकि, जब यह साफ़ तौर पर पता न हो (जैसे, साफ़ तौर पर बूलियन कॉन्सटेंट का टाइप i1 होता है, जबकि पूर्णांक कॉन्सटेंट के कई टाइप हो सकते हैं).

BooleanConstant ::= BooleanLiteral
BooleanLiteral  ::= 'true' | 'false'

बूलियन कॉन्सटेंट, बूलियन वैल्यू true और false को दिखाते हैं. बूलियन कॉन्सटेंट का टाइप i1 होता है.

IntegerConstant   ::= IntegerLiteral ':' IntegerType
IntegerLiteral    ::= ['-' | '+'] DecimalDigits
                    | ['-' | '+'] '0x' HexadecimalDigits
DecimalDigits     ::= decimalDigit {decimalDigit}
HexadecimalDigits ::= hexadecimalDigit {hexadecimalDigit}
decimalDigit      ::= '0' | ... | '9'
hexadecimalDigit  ::= decimalDigit | 'a' | ... | 'f' | 'A' | ... | 'F'

इंटीजर कॉन्सटेंट दशमलव या हेक्साडेसिमल नोटेशन का इस्तेमाल करने वाली स्ट्रिंग के ज़रिए, पूर्णांक की वैल्यू दिखाते हैं. अन्य बेस, जैसे कि बाइनरी या ऑक्टल का इस्तेमाल नहीं किया जा सकता. पूर्णांक स्थिरांक में ये सीमाएं होती हैं:

• (C1) is_wellformed(integer_literal, integer_type).

FloatConstant  ::= FloatLiteral ':' FloatType
FloatLiteral   ::= SignPart IntegerPart FractionalPart ScientificPart
                 | '0x' [HexadecimalDigits]
SignPart       ::= ['-' | '+']
IntegerPart    ::= DecimalDigits
FractionalPart ::= ['.' [DecimalDigits]]
ScientificPart ::= [('e' | 'E') ['-' | '+'] DecimalDigits]

फ़्लोट-पॉइंट कॉन्सटेंट उन स्ट्रिंग के ज़रिए फ़्लोटिंग-पॉइंट वैल्यू दिखाते हैं जो दशमलव या वैज्ञानिक नोटेशन का इस्तेमाल करते हैं. इसके अलावा, हेक्साडेसिमल नोटेशन का इस्तेमाल, संबंधित टाइप के फ़्लोटिंग-पॉइंट फ़ॉर्मैट में सीधे तौर पर बिट की जानकारी देने के लिए किया जा सकता है. फ़्लोटिंग-पॉइंट कॉन्सटेंट में ये कंस्ट्रेंट होते हैं:

• (C1) अगर नॉन-हेक्ज़ाडेसिमल नोटेशन का इस्तेमाल किया गया है, तो is_wellformed(float_literal, float_type).
• (C2) अगर हेक्साडेसिमल नोटेशन का इस्तेमाल किया गया है, तो size(hexadecimal_digits) = num_bits(float_type) / 4.

ComplexConstant ::= ComplexLiteral ':' ComplexType
ComplexLiteral  ::= '(' RealPart ',' ImaginaryPart ')'
RealPart        ::= FloatLiteral
ImaginaryPart   ::= FloatLiteral

कॉम्प्लेक्स कॉन्सटेंट, कॉम्प्लेक्स वैल्यू को दिखाता है. इसके लिए, रीयल पार्ट (पहले आता है) और काल्पनिक हिस्से (सेकंड सेकंड) की सूची का इस्तेमाल किया जाता है. उदाहरण के लिए, (1.0, 0.0) : complex<f32> से 1.0 + 0.0i और (0.0, 1.0) : complex<f32>, 0.0 + 1.0i के बारे में बताते हैं. इन हिस्सों को मेमोरी में स्टोर करने का क्रम लागू करने से तय होता है. कॉम्प्लेक्स कॉन्सटेंट में ये पाबंदियां होती हैं:

• (C1) is_wellformed(real_part, complex_element_type(complex_type)).
• (C2) is_wellformed(imaginary_part, complex_element_type(complex_type)).

TensorConstant ::= TensorLiteral ':' TensorType
TensorLiteral  ::= 'dense' '<' (DenseLiteral | ElementLiteral) '>'
DenseLiteral   ::= DenseDimension | DenseElements
DenseDimension ::= '[' [DenseLiteral {',' DenseLiteral}] ']'
DenseElements  ::= [ElementLiteral {',' ElementLiteral}]
ElementLiteral ::= BooleanLiteral | IntegerLiteral | FloatLiteral | ComplexLiteral

टेंसर कॉन्सटेंट NumPy नोटेशन के ज़रिए तय की गई नेस्ट की गई सूचियों का इस्तेमाल करके, टेंसर वैल्यू दिखाते हैं. उदाहरण के लिए, dense<[[1, 2, 3], [4, 5, 6]]> : tensor<2x3xi32> इंडेक्स से एलिमेंट की इन मैपिंग के साथ टेंसर वैल्यू दिखाता है: {0, 0} => 1, {0, 1} => 2, {0, 2} => 3, {1, 0} => 4, {1, 1} => 5, {1, 2} => 6. इसके बाद, इन एलिमेंट को मेमोरी में स्टोर करने का क्रम लागू करने की बात तय करता है. टेंसर कॉन्सटेंट में ये पाबंदियां होती हैं:

• (C1) has_syntax(tensor_literal, element_type(tensor_type)), जहां:
  • has_syntax(element_literal: Syntax, element_type: Type) = is_wellformed(element_literal, type).
  • has_syntax(tensor_literal: List, element_type: Type) = has_syntax(tensor_literal..., element_type).
• (C2) has_shape(tensor_literal, shape(tensor_type)), जहां:
  • has_shape(element_literal: Syntax, []) = true.
  • has_shape(tensor_literal: List, shape: List) = size(tensor_literal) = shape[0] and has_shape(tensor_literal..., shape[1:]).
  • नहीं तो, false.

QuantizedTensorConstant ::= QuantizedTensorLiteral ':' QuantizedTensorType
QuantizedTensorLiteral  ::= 'dense' '<' (DenseLiteral | ElementLiteral) '>'

क्वांटाइज़्ड टेंसर कॉन्सटेंट मात्रा के रूप में मौजूद दसियों की वैल्यू को दिखाता है. इसके लिए, उसी नोटेशन का इस्तेमाल किया जाता है जिसे टेन्सर कॉन्सटेंट के तौर पर इस्तेमाल किया जाता है. एलिमेंट को उनके स्टोरेज टाइप के कॉन्सटेंट के तौर पर तय किया जाता है. क्वांटाइज़्ड टेंसर कॉन्सटेंट में ये कंस्ट्रेंट होते हैं:

• (C1) has_syntax(quantized_tensor_literal, storage_type(quantized_tensor_type)).
• (C2) has_shape(quantized_tensor_literal, shape(quantized_tensor_type)).

StringConstant  ::= StringLiteral
StringLiteral   ::= '"' {stringCharacter | escapeSequence} '"'
stringCharacter ::= all ASCII characters except '\00', '\01', ... '\1f' and '"'
escapeSequence  ::= '\' ('"' | '\' | 'n' | 't' | (hexadecimalDigit hexadecimalDigit))

स्ट्रिंग की लिटरल वैल्यू में ऐसे बाइट होते हैं जिन्हें ASCII वर्णों और एस्केप सीक्वेंस का इस्तेमाल करके तय किया जाता है. ये एन्कोडिंग-ऐग्नोस्टिक होते हैं, इसलिए इन बाइट की व्याख्या, लागू करने की प्रक्रिया से तय होती है. स्ट्रिंग की लिटरल वैल्यू का टाइप string है.

ऑपरेशंस टीम

abs

सिमैंटिक

यह operand टेंसर पर, एलिमेंट के हिसाब से ऐब्स ऑपरेशन करता है और result टेंसर बनाता है. एलिमेंट टाइप के आधार पर, ये काम करता है:

• साइन किए गए पूर्णांक के लिए: पूर्णांक मॉड्यूल.
• फ़्लोट के लिए: IEEE-754 से abs.
• कॉम्प्लेक्स नंबर (समिश्र संख्याओं) के लिए: कॉम्प्लेक्स मॉड्यूलस.
• संख्या वाले टाइप के लिए: dequantize_op_quantize(abs, operand, type(result)).

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	operand	साइन किए गए इंटीजर, फ़्लोटिंग-पॉइंट या कॉम्प्लेक्स टाइप या पर-टेन्सर का क्वानंटाइज़ किया हुआ टेंसर	(सी1-सी2)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
result	साइन किए गए इंटीजर या फ़्लोटिंग-पॉइंट टाइप या पर-टेन्सर का क्वानंटाइज़ किया गया टेंसर	(सी1-सी2)

कंस्ट्रेंट

• (C1) shape(result) = shape(operand).
• (C2) baseline_element_type(result) इस तरह परिभाषित किया गया है:
  • अगर is_complex(operand) है, तो complex_element_type(element_type(operand)).
  • अगर ऐसा नहीं है, तो baseline_element_type(operand).

उदाहरण

// %operand: [-2, 0, 2]
%result = "stablehlo.abs"(%operand) : (tensor<3xi32>) -> tensor<3xi32>
// %result: [2, 0, 2]

ज़्यादा उदाहरण

जोड़ें

सिमैंटिक

यह दो टेंसर lhs और rhs को एलिमेंट के हिसाब से जोड़ता है और इससे result टेंसर बनता है. एलिमेंट टाइप के आधार पर, ये काम करता है:

• बूलियन के लिए: लॉजिकल OR.
• पूर्णांकों के लिए: पूर्णांक जोड़ना.
• फ़्लोट के लिए: IEEE-754 से addition.
• सम्मिश्र संख्याओं के लिए: जटिल जोड़.
• संख्या वाले टाइप के लिए: dequantize_op_quantize(add, lhs, rhs, type(result)).

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	lhs	टेंसर या पर-टेंसर मात्रा में मापा गया टेंसर	(सी1)
(I2)	rhs	टेंसर या पर-टेंसर मात्रा में मापा गया टेंसर	(सी1)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
result	टेंसर या पर-टेंसर मात्रा में मापा गया टेंसर	(सी1)

कंस्ट्रेंट

• (C1) baseline_type(lhs) = baseline_type(rhs) = baseline_type(result).

उदाहरण

// %lhs: [[1, 2], [3, 4]]
// %rhs: [[5, 6], [7, 8]]
%result = "stablehlo.add"(%lhs, %rhs) : (tensor<2x2xi32>, tensor<2x2xi32>) -> tensor<2x2xi32>
// %result: [[6, 8], [10, 12]]

ज़्यादा उदाहरण

after_all

सिमैंटिक

यह पक्का करता है कि inputs बनाने वाली कार्रवाइयां, result पर निर्भर किसी भी ऑपरेशन से पहले एक्ज़ीक्यूट की जाएं. यह कार्रवाई कुछ भी नहीं है. यह सिर्फ़ result से inputs के लिए डेटा डिपेंडेंसी बनाने के लिए मौजूद है.

इनपुट

लेबल	नाम	टाइप
(I1)	inputs	token की वैरिएडिक संख्या

आउटपुट

नाम	टाइप
result	token

उदाहरण

// %input0: !stablehlo.token
// %input1: !stablehlo.token
%result = "stablehlo.after_all"(%input0, %input1) : (!stablehlo.token, !stablehlo.token) -> !stablehlo.token

ज़्यादा उदाहरण

all_gather

सिमैंटिक

StableHLO प्रोसेस ग्रिड में मौजूद हर प्रोसेस ग्रुप में, all_gather_dim के साथ-साथ हर प्रोसेस से operand टेंसर की वैल्यू जोड़ता है और result टेंसर बनाता है.

यह कार्रवाई, StableHLO प्रोसेस ग्रिड को process_groups में बांटती है, जिसके बारे में इस तरह से बताया गया है:

• cross_replica(replica_groups) अगर channel_id <= 0 and use_global_device_ids = false हो.
• cross_replica_and_partition(replica_groups) अगर channel_id > 0 and use_global_device_ids = false हो.
• flattened_ids(replica_groups) अगर channel_id > 0 and use_global_device_ids = true हो.

इसके बाद, हर process_group के अंदर:

• process_group में मौजूद receiver सभी के लिए operands@receiver = [operand@sender for sender in process_group].
• process_group में मौजूद process सभी के लिए result@process = concatenate(operands@process, all_gather_dim).

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	operand	टेंसर या पर-टेंसर मात्रा में मापा गया टेंसर	(C1), (C6)
(I2)	all_gather_dim	si64 टाइप का कॉन्सटेंट	(C1), (C6)
(I3)	replica_groups	si64 टाइप का 2-डाइमेंशन टेंसर कॉन्सटेंट	(सी2-सी4)
(I4)	channel_id	si64 टाइप का कॉन्सटेंट	(सी5)
(I5)	use_global_device_ids	i1 टाइप का कॉन्सटेंट	(सी5)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
result	टेंसर या पर-टेंसर मात्रा में मापा गया टेंसर	(सी6)

कंस्ट्रेंट

• (C1) 0 <= all_gather_dim < rank(operand).
• (C2) is_unique(replica_groups).
• (C3) size(replica_groups) को इस तरह से परिभाषित किया गया है:
  • अगर cross_replica का इस्तेमाल किया गया है, तो num_replicas.
  • अगर cross_replica_and_partition का इस्तेमाल किया गया है, तो num_replicas.
  • अगर flattened_ids का इस्तेमाल किया गया है, तो num_processes.
• (C4) 0 <= replica_groups < size(replica_groups).
• (C5) अगर use_global_device_ids = true है, तो channel_id > 0.
• (C6) type(result) = type(operand) को छोड़कर:
  • dim(result, all_gather_dim) = dim(operand, all_gather_dim) * dim(process_groups, 1).

उदाहरण

// num_replicas: 2
// num_partitions: 1
// %operand@(0, 0): [[1, 2], [3, 4]]
// %operand@(1, 0): [[5, 6], [7, 8]]
%result = "stablehlo.all_gather"(%operand) {
  all_gather_dim = 1 : i64,
  replica_groups = dense<[[0, 1]]> : tensor<1x2xi64>,
  // channel_id = 0
  channel_handle = #stablehlo.channel_handle<handle = 0, type = 0>
  // use_global_device_ids = false
} : (tensor<2x2xi64>) -> tensor<2x4xi64>
// %result@(0, 0): [[1, 2, 5, 6], [3, 4, 7, 8]]
// %result@(1, 0): [[1, 2, 5, 6], [3, 4, 7, 8]]

ज़्यादा उदाहरण

all_reduce

सिमैंटिक

StableHLO प्रोसेस ग्रिड में मौजूद हर प्रोसेस ग्रुप में, हर प्रोसेस से operand टेंसर की वैल्यू पर रिडक्शन computation लागू करता है और result टेंसर बनाता है.

यह कार्रवाई, StableHLO प्रोसेस ग्रिड को process_groups में बांटती है, जिसके बारे में इस तरह से बताया गया है:

• cross_replica(replica_groups) अगर channel_id <= 0 and use_global_device_ids = false हो.
• cross_replica_and_partition(replica_groups) अगर channel_id > 0 and use_global_device_ids = false हो.
• flattened_ids(replica_groups) अगर channel_id > 0 and use_global_device_ids = true हो.

इसके बाद, हर process_group के अंदर:

• कुछ बाइनरी ट्री के लिए result@process[result_index] = exec(schedule) schedule, जहां:
  • exec(node) = computation(exec(node.left), exec(node.right)).
  • exec(leaf) = leaf.value.
• schedule एक लागू होने वाला बाइनरी ट्री है. इसका इन-ऑर्डर ट्रैवर्सल to_destination_type(operands@process_group...[result_index], type(func_inputs(computation)[0])) है.

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	operand	टेंसर या पर-टेंसर मात्रा में मापा गया टेंसर	(C5), (C6)
(I2)	replica_groups	si64 टाइप के 1-डाइमेंशन वाले टेंसर कॉन्सटेंट का वैरैडिक नंबर	(सी1-सी3)
(I3)	channel_id	si64 टाइप का कॉन्सटेंट	(सी4)
(I4)	use_global_device_ids	i1 टाइप का कॉन्सटेंट	(सी4)
(I5)	computation	फ़ंक्शन	(सी5)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
result	टेंसर या पर-टेंसर मात्रा में मापा गया टेंसर	(C6-C7)

कंस्ट्रेंट

• (C1) is_unique(replica_groups).
• (C2) size(replica_groups) इस तरह परिभाषित किया गया है:
  • अगर cross_replica का इस्तेमाल किया गया है, तो num_replicas.
  • अगर cross_replica_and_partition का इस्तेमाल किया गया है, तो num_replicas.
  • अगर flattened_ids का इस्तेमाल किया गया है, तो num_processes.
• (C3) 0 <= replica_groups < size(replica_groups).
• (C4) अगर use_global_device_ids = true है, तो channel_id > 0.
• (C5) computation का टाइप (tensor<E>, tensor<E>) -> (tensor<E>) है, जहां is_promotable(element_type(operand), E) है.
• (C6) shape(result) = shape(operand).
• (C7) element_type(result) = E.

उदाहरण

// num_replicas: 2
// num_partitions: 1
// %operand@(0, 0): [1, 2, 3, 4]
// %operand@(1, 0): [5, 6, 7, 8]
%result = "stablehlo.all_reduce"(%operand) ({
  ^bb0(%arg0: tensor<i64>, %arg1: tensor<i64>):
    %0 = "stablehlo.add"(%arg0, %arg1) : (tensor<i64>, tensor<i64>) -> tensor<i64>
    "stablehlo.return"(%0) : (tensor<i64>) -> ()
}) {
  replica_groups = dense<[[0, 1]]> : tensor<1x2xi64>,
  channel_handle = #stablehlo.channel_handle<handle = 0, type = 0>
} : (tensor<i64>) -> tensor<i64>
// %result@(0, 0): [6, 8, 10, 12]
// %result@(1, 0): [6, 8, 10, 12]

ज़्यादा उदाहरण

all_to_all

सिमैंटिक

StableHLO प्रोसेस ग्रिड में मौजूद हर प्रोसेस ग्रुप में, operand टेंसर की वैल्यू को split_dimension के साथ-साथ हिस्सों में बांटता है, प्रोसेस के बीच में स्प्लिट किए गए हिस्सों को बांटता है, concat_dimension की मदद से, बिखरे हुए हिस्सों को बांटता है, और result टेंसर बनाता है.

यह कार्रवाई, StableHLO प्रोसेस ग्रिड को process_groups में बांटती है, जिसके बारे में इस तरह से बताया गया है:

• अगर channel_id <= 0 है, तो cross_replica(replica_groups).
• अगर channel_id > 0 है, तो cross_partition(replica_groups).

इसके बाद, हर process_group के अंदर:

• process_group में मौजूद सभी sender के लिए split_parts@sender = split(operand@sender, split_count, split_dimension).
• scattered_parts@receiver = [split_parts@sender[receiver_index] for sender in process_group], जहां receiver_index = process_group.index(receiver).
• result@process = concatenate(scattered_parts@process, concat_dimension).

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	operand	टेंसर या पर-टेंसर मात्रा में मापा गया टेंसर	(C1-C3), (C9)
(I2)	split_dimension	si64 टाइप का कॉन्सटेंट	(C1), (C2), (C9)
(I3)	concat_dimension	si64 टाइप का कॉन्सटेंट	(C3), (C9)
(I4)	split_count	si64 टाइप का कॉन्सटेंट	(C2), (C4), (C8), (C9)
(I5)	replica_groups	si64 टाइप का 2-डाइमेंशन टेंसर कॉन्सटेंट	(सी5-सी8)
(I6)	channel_id	si64 टाइप का कॉन्सटेंट

आउटपुट

नाम	टाइप	कंस्ट्रेंट
result	टेंसर या पर-टेंसर मात्रा में मापा गया टेंसर	(सी9)

कंस्ट्रेंट

• (C1) 0 <= split_dimension < rank(operand).
• (C2) dim(operand, split_dimension) % split_count = 0.
• (C3) 0 <= concat_dimension < rank(operand).
• (C4) 0 < split_count.
• (C5) is_unique(replica_groups).
• (C6) size(replica_groups) को इस तरह से परिभाषित किया गया है:
  • अगर cross_replica का इस्तेमाल किया गया है, तो num_replicas.
  • अगर cross_partition का इस्तेमाल किया गया है, तो num_partitions.
• (C7) 0 <= replica_groups < size(replica_groups).
• (C8) dim(replica_groups, 1) = split_count.
• (C9) type(result) = type(operand), इसे छोड़कर:
  • dim(result, split_dimension) = dim(operand, split_dimension) / split_count.
  • dim(result, concat_dimension) = dim(operand, concat_dimension) * split_count.

उदाहरण

// num_replicas: 2
// num_partitions: 1
// %operand@(0, 0): [[1, 2, 3, 4],
//                   [5, 6, 7, 8]]
// %operand@(1, 0): [[9, 10, 11, 12],
//                   [13, 14, 15, 16]]
%result = "stablehlo.all_to_all"(%operand) {
  split_dimension = 1 : i64,
  concat_dimension = 0 : i64,
  split_count = 2 : i64,
  replica_groups = dense<[[0, 1]]> : tensor<1x2xi64>
} : (tensor<2x4xi64>) -> tensor<4x2xi64>
// %result@(0, 0): [[1, 2],
//                  [5, 6],
//                  [9, 10],
//                  [13, 14]]
// %result@(1, 0): [[3, 4],
//                  [7, 8],
//                  [11, 12],
//                  [15, 16]]

ज़्यादा उदाहरण

और

सिमैंटिक

दो टेंसर lhs और rhs से, एलिमेंट के हिसाब से AND काम करता है और result टेंसर बनाता है. एलिमेंट टाइप के आधार पर, ये काम करता है:

• बूलियन के लिए: लॉजिकल AND.
• पूर्णांक के लिए: बिट के अनुसार AND.

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	lhs	बूलियन या पूर्णांक टाइप का टेंसर	(सी1)
(I2)	rhs	बूलियन या पूर्णांक टाइप का टेंसर	(सी1)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
result	बूलियन या पूर्णांक टाइप का टेंसर	(सी1)

कंस्ट्रेंट

• (C1) type(lhs) = type(rhs) = type(result).

उदाहरण

// %lhs: [[1, 2], [3, 4]]
// %rhs: [[5, 6], [7, 8]]
%result = "stablehlo.and"(%lhs, %rhs) : (tensor<2x2xi32>, tensor<2x2xi32>) -> tensor<2x2xi32>
// %result: [[1, 2], [3, 0]]

atan2

सिमैंटिक

यह lhs और rhs टेंसर पर, एलिमेंट के हिसाब से atan2 ऑपरेशन करता है और result टेंसर बनाता है. एलिमेंट टाइप के आधार पर, ये काम करता है:

• फ़्लोट के लिए: IEEE-754 से atan2.
• सम्मिश्र संख्याओं के लिए: जटिल atan2.
• संख्या वाले टाइप के लिए: dequantize_op_quantize(atan2, lhs, rhs, type(result)).

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	lhs	फ़्लोटिंग-पॉइंट या कॉम्प्लेक्स टाइप या पर-टेंसर क्वानटिाइज़्ड टेंसर का टेंसर	(सी1)
(I2)	rhs	फ़्लोटिंग-पॉइंट या कॉम्प्लेक्स टाइप या पर-टेंसर क्वानटिाइज़्ड टेंसर का टेंसर	(सी1)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
result	फ़्लोटिंग-पॉइंट या कॉम्प्लेक्स टाइप या पर-टेंसर क्वानटिाइज़्ड टेंसर का टेंसर	(सी1)

कंस्ट्रेंट

• (C1) baseline_type(lhs) = baseline_type(rhs) = baseline_type(result).

उदाहरण

// %lhs: [0.0, 1.0, -1.0]
// %rhs: [0.0, 0.0, 0.0]
%result = "stablehlo.atan2"(%lhs, %rhs) : (tensor<3xf64>, tensor<3xf64>) -> tensor<3xf64>
// %result: [0.0, 1.57079637, -1.57079637] // [0.0, pi/2, -pi/2]

ज़्यादा उदाहरण

batch_norm_grad

सिमैंटिक

grad_output से, batch_norm_training के कई इनपुट के अलग-अलग इनपुट के ग्रेडिएंट का इस्तेमाल करता है. साथ ही, grad_operand, grad_scale, और grad_offset टेंसर बनाता है. औपचारिक तौर पर, इस कार्रवाई को Python सिंटैक्स का इस्तेमाल करके मौजूदा StableHLO ऑपरेशन के डिकंपोज़िशन के तौर पर इस तरह दिखाया जा सकता है:

def compute_sum(operand, feature_index):
  (sum,) = reduce(
      inputs=[operand],
      init_values=[constant(0, element_type(operand))],
      dimensions=[i for i in range(rank(operand)) if i != feature_index],
      body=lambda x, y: add(x, y))
  return sum

def compute_mean(operand, feature_index):
  sum = compute_sum(operand, feature_index)
  divisor = constant(size(operand) / dim(operand, feature_index),
                     element_type(operand))
  divisor_bcast = broadcast_in_dim(divisor, [], type(sum))
  return divide(sum, divisor_bcast)

def batch_norm_grad(operand, scale, mean, variance, grad_output, epsilon, feature_index):
  # Broadcast inputs to type(operand)
  scale_bcast = broadcast_in_dim(scale, [feature_index], type(operand))
  mean_bcast = broadcast_in_dim(mean, [feature_index], type(operand))
  variance_bcast = broadcast_in_dim(variance, [feature_index], type(operand))
  epsilon_bcast = broadcast_in_dim(constant(epsilon, element_type(operand)), [],
                                   type(operand))

  # Perform normalization using the provided `mean` and `variance`
  # Intermediate values will be useful for computing gradients
  centered_operand = subtract(operand, mean_bcast)
  stddev = sqrt(add(variance_bcast, epsilon_bcast))
  normalized_operand = divide(centered_operand, stddev)

  # Use the implementation from batchnorm_expander.cc in XLA
  # Temporary variables have exactly the same names as in the C++ code
  elements_per_feature = broadcast_in_dim(
      constant(divide(size(operand), dim(operand, feature_index)),
               element_type(grad_output)),
      [], type(operand))
  i1 = multiply(grad_output, elements_per_feature)
  i2 = broadcast_in_dim(
      compute_sum(grad_output, feature_index), [feature_index], type(operand))
  i3 = broadcast_in_dim(
      compute_sum(multiply(grad_output, centered_operand), feature_index),
      [feature_index], type(operand))
  i4 = multiply(i3, centered_operand)
  i5 = divide(i4, add(variance_bcast, epsilon_bcast))
  i6 = subtract(subtract(i1, i2), i5)

  grad_operand =
      multiply(divide(divide(scale_bcast, stddev), elements_per_feature), i6)
  grad_scale =
      compute_sum(multiply(grad_output, normalized_operand), feature_index)
  grad_offset = compute_sum(grad_output, feature_index)

  return grad_operand, grad_scale, grad_offset

संख्या वाले टाइप के लिए, यह वैल्यू dequantize_batch_norm_grad_or_training_quantize(lambda operand, scale, mean, variance, grad_output: batch_norm_grad(operand, scale, mean, variance, grad_output, epsilon, feature_index), operand, scale, mean, variance, grad_output, type(grad_operand), type(grad_scale), type(feature_index)) के हिसाब से होती है.

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	operand	फ़्लोटिंग-पॉइंट टाइप या पर-टेन्सर का इस्तेमाल किया गया टेंसर	(C1-C3), (C5)
(I2)	scale	फ़्लोटिंग-पॉइंट या पर-टेंसर मात्रा के हिसाब से 1-डाइमेंशन वाला टेंसर	(C2), (C4), (C5)
(I3)	mean	फ़्लोटिंग-पॉइंट या पर-टेंसर मात्रा के हिसाब से 1-डाइमेंशन वाला टेंसर	(C2), (C4)
(I4)	variance	फ़्लोटिंग-पॉइंट या पर-टेंसर मात्रा के हिसाब से 1-डाइमेंशन वाला टेंसर	(C2), (C4)
(I5)	grad_output	फ़्लोटिंग-पॉइंट टाइप या पर-टेन्सर का इस्तेमाल किया गया टेंसर	(C2), (C3)
(I6)	epsilon	f32 टाइप का कॉन्सटेंट
(I7)	feature_index	si64 टाइप का कॉन्सटेंट	(C1), (C5)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
grad_operand	फ़्लोटिंग-पॉइंट टाइप या पर-टेन्सर का इस्तेमाल किया गया टेंसर	(C2), (C3)
grad_scale	फ़्लोटिंग-पॉइंट या पर-टेंसर मात्रा के हिसाब से 1-डाइमेंशन वाला टेंसर	(C2), (C4)
grad_offset	फ़्लोटिंग-पॉइंट या पर-टेंसर मात्रा के हिसाब से 1-डाइमेंशन वाला टेंसर	(C2), (C4)

कंस्ट्रेंट

• (C1) 0 <= feature_index < rank(operand).
• (C2) operand, scale, mean, variance, grad_output, grad_operand, grad_scale, और grad_offset में एक जैसे baseline_element_type हैं.
• (C3) operand, grad_output, और grad_operand का आकार एक जैसा है.
• (C4) scale, mean, variance, grad_scale, और grad_offset का आकार एक जैसा है.
• (C5) size(scale) = dim(operand, feature_index).

उदाहरण

// %operand: [
//            [[1.0, 2.0], [3.0, 4.0]],
//            [[3.0, 4.0], [1.0, 2.0]]
//           ]
// %scale: [1.0, 1.0]
// %mean: [2.0, 3.0]
// %variance: [1.0, 1.0]
// %grad_output: [
//                [[0.1, 0.1], [0.1, 0.1]],
//                [[0.1, 0.1], [0.1, 0.1]]
//               ]
%grad_operand, %grad_scale, %grad_offset =
"stablehlo.batch_norm_grad"(%operand, %scale, %mean, %variance, %grad_output) {
  epsilon = 0.0 : f32,
  feature_index = 2 : i64
} : (tensor<2x2x2xf64>, tensor<2xf64>, tensor<2xf64>, tensor<2xf64>,
     tensor<2x2x2xf64>) -> (tensor<2x2x2xf64>, tensor<2xf64>, tensor<2xf64>)
// %grad_operand: [
//                 [[0.0, 0.0], [0.0, 0.0]],
//                 [[0.0, 0.0], [0.0, 0.0]]
//                ]
// %grad_scale:  [0.0, 0.0]
// %grad_offset: [0.4, 0.4]

batch_norm_inference

सिमैंटिक

feature_index डाइमेंशन को छोड़कर, सभी डाइमेंशन में operand टेंसर को सामान्य बनाता है और result टेंसर बनाता है. औपचारिक तौर पर, इस कार्रवाई को Python सिंटैक्स का इस्तेमाल करके मौजूदा StableHLO ऑपरेशन में अपघटन के तौर पर इस तरह से दिखाया जा सकता है:

def batch_norm_inference(operand, scale, offset, mean, variance, epsilon, feature_index):
  # Broadcast inputs to shape(operand)
  scale_bcast = broadcast_in_dim(scale, [feature_index], type(operand))
  offset_bcast = broadcast_in_dim(offset, [feature_index], type(operand))
  mean_bcast = broadcast_in_dim(mean, [feature_index], type(operand))
  variance_bcast = broadcast_in_dim(variance, [feature_index], type(operand))
  epsilon_bcast = broadcast_in_dim(constant(epsilon, element_type(operand)), [],
                                   type(operand))

  # Perform normalization using the provided `mean` and `variance` instead of
  # computing them like `batch_norm_training` does.
  centered_operand = subtract(operand, mean_bcast)
  stddev = sqrt(add(variance_bcast, epsilon_bcast))
  normalized_operand = divide(centered_operand, stddev)
  return add(multiply(scale_bcast, normalized_operand), offset_bcast)

संख्या वाले टाइप के लिए, यह वैल्यू dequantize_op_quantize(lambda operand, scale, offset, mean, variance: batch_norm_inference(operand, scale, offset, mean, variance, epsilon, feature_index), operand, scale, offset, mean, variance, type(result)) के हिसाब से होती है.

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	operand	फ़्लोटिंग-पॉइंट टाइप या पर-टेन्सर का इस्तेमाल किया गया टेंसर	(सी1-सी7)
(I2)	scale	फ़्लोटिंग-पॉइंट या पर-टेंसर मात्रा के हिसाब से 1-डाइमेंशन वाला टेंसर	(C2), (C3)
(I3)	offset	फ़्लोटिंग-पॉइंट या पर-टेंसर मात्रा के हिसाब से 1-डाइमेंशन वाला टेंसर	(C2), (C4)
(I4)	mean	फ़्लोटिंग-पॉइंट या पर-टेंसर मात्रा के हिसाब से 1-डाइमेंशन वाला टेंसर	(सी5)
(I5)	variance	फ़्लोटिंग-पॉइंट या पर-टेंसर मात्रा के हिसाब से 1-डाइमेंशन वाला टेंसर	(C2), (C6)
(I6)	epsilon	f32 टाइप का कॉन्सटेंट
(I7)	feature_index	si64 टाइप का कॉन्सटेंट	(C1), (C3-C6)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
result	फ़्लोटिंग-पॉइंट टाइप या पर-टेन्सर का इस्तेमाल किया गया टेंसर	(C2), (C7)

कंस्ट्रेंट

• (C1) 0 <= feature_index < rank(operand).
• (C2) operand, scale, offset, mean, variance, और result के लिए baseline_element_type एक जैसा है.
• (C3) size(scale) = dim(operand, feature_index).
• (C4) size(offset) = dim(operand, feature_index).
• (C5) size(mean) = dim(operand, feature_index).
• (C6) size(variance) = dim(operand, feature_index).
• (C7) baseline_type(operand) = baseline_type(result).

उदाहरण

// %operand: [
//            [[1.0, 2.0], [3.0, 4.0]],
//            [[3.0, 4.0], [1.0, 2.0]]
//           ]
// %scale: [1.0, 1.0]
// %offset: [1.0, 1.0]
// %mean: [2.0, 3.0]
// %variance: [1.0, 1.0]
%result = "stablehlo.batch_norm_inference"(%operand, %scale, %offset, %mean, %variance) {
  epsilon = 0.0 : f32,
  feature_index = 2 : i64
} : (tensor<2x2x2xf64>, tensor<2xf64>, tensor<2xf64>, tensor<2xf64>, tensor<2xf64>) -> tensor<2x2x2xf64>
// %result: [
//           [[0.0, 0.0], [2.0, 2.0]],
//           [[2.0, 2.0], [0.0, 0.0]]
//          ]

batch_norm_training

सिमैंटिक

feature_index डाइमेंशन को छोड़कर, बाकी सभी डाइमेंशन के माध्य और वैरियंस का हिसाब लगाया जाता है. साथ ही, output, batch_mean, और batch_var टेंसर बनाने वाले operand टेंस को सामान्य बनाया जाता है. औपचारिक तौर पर, इस कार्रवाई को Python सिंटैक्स का इस्तेमाल करके मौजूदा StableHLO ऑपरेशन के डिकंपोज़िशन के तौर पर इस तरह से दिखाया जा सकता है:

def compute_mean(operand, feature_index):
  (sum,) = reduce(
      inputs=[operand],
      init_values=[constant(0, element_type(operand))],
      dimensions=[i for i in range(rank(operand)) if i != feature_index],
      body=lambda x, y: add(x, y))
  divisor = constant(size(operand) / dim(operand, feature_index),
                     element_type(operand))
  divisor_bcast = broadcast_in_dim(divisor, [], type(sum))
  return divide(sum, divisor_bcast)

def compute_variance(operand, feature_index):
  mean = compute_mean(operand, feature_index)
  mean_bcast = broadcast_in_dim(mean, [feature_index], type(operand))
  centered_operand = subtract(operand, mean_bcast)
  return compute_mean(mul(centered_operand, centered_operand), feature_index)

def batch_norm_training(operand, scale, offset, epsilon, feature_index):
  mean = compute_mean(operand, feature_index)
  variance = compute_variance(operand, feature_index)
  return batch_norm_inference(operand, scale, offset, mean, variance, epsilon,
                              feature_index),
         mean, variance

संख्या वाले टाइप के लिए, यह वैल्यू dequantize_batch_norm_grad_or_training_quantize(lambda operand, scale, offset: batch_norm_training(operand, scale, offset, epsilon, feature_index), operand, scale, offset, type(output), type(batch_mean), type(batch_var)) के हिसाब से होती है.

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	operand	फ़्लोटिंग-पॉइंट टाइप या पर-टेन्सर का इस्तेमाल किया गया टेंसर	(सी1)
(I2)	scale	फ़्लोटिंग-पॉइंट या पर-टेंसर का मापा गया 1-डाइमेंशन टेंसर	(C2), (C3)
(I3)	offset	फ़्लोटिंग-पॉइंट या पर-टेंसर का मापा गया 1-डाइमेंशन टेंसर	(C2), (C4)
(I4)	epsilon	f32 टाइप का कॉन्सटेंट	(C1), (C3-C6)
(I5)	feature_index	si64 टाइप का कॉन्सटेंट	(C1), (C3-C6)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
output	फ़्लोटिंग-पॉइंट टाइप या पर-टेन्सर का इस्तेमाल किया गया टेंसर	(सी7)
batch_mean	फ़्लोटिंग-पॉइंट या पर-टेंसर का मापा गया 1-डाइमेंशन टेंसर	(C2), (C5)
batch_var	फ़्लोटिंग-पॉइंट या पर-टेंसर का मापा गया 1-डाइमेंशन टेंसर	(C2), (C6)

कंस्ट्रेंट

• (C1) 0 <= feature_index < rank(operand).
• (C2) operand, scale, offset, batch_mean, batch_var, और output के लिए baseline_element_type एक जैसा है.
• (C3) size(scale) = dim(operand, feature_index).
• (C4) size(offset) = dim(operand, feature_index).
• (C5) size(batch_mean) = dim(operand, feature_index).
• (C6) size(batch_var) = dim(operand, feature_index).
• (C7) baseline_type(output) = baseline_type(operand).

उदाहरण

// %operand: [
//            [[1.0, 2.0], [3.0, 4.0]],
//            [[3.0, 4.0], [1.0, 2.0]]
//           ]
// %scale: [1.0, 1.0]
// %offset: [1.0, 1.0]
%output, %batch_mean, %batch_var = "stablehlo.batch_norm_training"(%operand, %scale, %offset) {
  epsilon = 0.0 : f32,
  feature_index = 2 : i64
} : (tensor<2x2x2xf64>, tensor<2xf64>, tensor<2xf64>) ->
    (tensor<2x2x2xf64>, tensor<2xf64>, tensor<2xf64>)
// %output: [
//           [[0.0, 0.0], [2.0, 2.0]],
//           [[2.0, 2.0], [0.0, 0.0]]
//          ]
// %batch_mean: [2.0, 3.0]
// %batch_var: [1.0, 1.0]

bitcast_convert

सिमैंटिक

operand टेंसर पर बिटकास्ट कार्रवाई करता है और result टेंसर बनाता है. यहां result टेंसर के टाइप का इस्तेमाल करके, पूरे operand टेंसर के बिट का दोबारा मतलब निकाला जाता है.

औपचारिक तौर पर, E = element_type(operand), E' = element_type(result), और R = rank(operand) के आधार पर:

• अगर num_bits(E') < num_bits(E), bits(result[i0, ..., iR-1, :]) = bits(operand[i0, ..., iR-1]).
• अगर num_bits(E') > num_bits(E), bits(result[i0, ..., iR-2]) = bits(operand[i0, ..., iR-2, :]).
• अगर num_bits(E') = num_bits(E), bits(result[i0, ..., iR-1]) = bits(operand[i0, ..., iR-1]).

bits, किसी दी गई वैल्यू को मेमोरी में दिखाता है. इसके काम करने का तरीका तय होता है, क्योंकि टेंसर को सटीक रूप से लागू करने के बारे में बताया जाता है. साथ ही, एलिमेंट के टाइप को सटीक रूप से लागू करने के बारे में भी बताया जाता है.

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	operand	टेंसर या क्वानटिाइज़्ड टेंसर	(सी1-सी2)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
result	टेंसर या क्वानटिाइज़्ड टेंसर	(सी1-सी2)

कंस्ट्रेंट

• (C1) E = is_quantized(operand) ? storage_type(operand) : element_type(operand), E' = is_quantized(result) ? storage_type(result) : element_type(result), और R = rank(operand) दिए गए हैं:
  • अगर num_bits(E') = num_bits(E), shape(result) = shape(operand).
  • अगर num_bits(E') < num_bits(E):
  • rank(result) = R + 1.
  • सभी 0 <= i < R के लिए dim(result, i) = dim(operand, i).
  • dim(result, R) * num_bits(E') = num_bits(E).
  • अगर num_bits(E') > num_bits(E):
  • rank(result) = R - 1.
  • सभी 0 <= i < R के लिए dim(result, i) = dim(operand, i).
  • dim(operand, R - 1) * num_bits(E) = num_bits(E').
• (C2) अगर is_complex(operand) or is_complex(result) है, तो is_complex(operand) and is_complex(result).

उदाहरण

// %operand: 0x0123456789ABCDEF
%result = "stablehlo.bitcast_convert"(%operand) : (tensor<f64>) -> tensor<4xf16>
// %result: [0xCDEF, 0x89AB, 0x4567, 0x0123] // little-endian representation

ज़्यादा उदाहरण

broadcast_in_dim

सिमैंटिक

operand टेंसर में डेटा का डुप्लीकेट बनाकर, इनपुट टेंसर के डाइमेंशन और/या रैंक को बढ़ाता है. इसके बाद, result टेंसर बनाता है. औपचारिक तौर पर, axes(operand) में मौजूद सभी d के लिए result[result_index] = operand[operand_index]:

• अगर dim(operand, d) = 1 है, तो operand_index[d] = 0.
• अगर ऐसा नहीं है, तो operand_index[d] = result_index[broadcast_dimensions[d]].

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	operand	टेंसर या क्वानटिाइज़्ड टेंसर	(C1-C2), (C5-C6)
(I2)	broadcast_dimensions	si64 टाइप का 1-डाइमेंशन टेंसर कॉन्सटेंट	(सी2-सी6)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
result	टेंसर या क्वानटिाइज़्ड टेंसर	(C1), (C3), (C5-C6)

कंस्ट्रेंट

• (C1) element_type(result) को यह सुविधा देता है:
  • element_type(operand), अगर !is_per_axis_quantized(operand) है.
  • element_type(operand) के अलावा, quantization_dimension(operand), scales(operand), और zero_points(operand) के लिए यूआरएल, quantization_dimension(result), scales(result), और zero_points(result) रिस्पॉन्स से अलग हो सकता है.
• (C2) size(broadcast_dimensions) = rank(operand).
• (C3) 0 <= broadcast_dimensions < rank(result).
• (C4) is_unique(broadcast_dimensions).
• (C5) axes(operand) में मौजूद सभी d के लिए:
  • dim(operand, d) = 1 या
  • dim(operand, d) = dim(result, broadcast_dimensions[d]).
• (C6) अगर is_per_axis_quantized(result):
  • quantization_dimension(result) = broadcast_dimensions[quantization_dimension(operand)].
  • अगर dim(operand, quantization_dimension(operand)) = 1, तो scales(result)[i] = scales(operand)[0] and zero_points(result)[i] = zero_points(operand)[0] for i in range(dim(result, quantization_dimension(result))).

उदाहरण

// %operand: [
//            [1, 2, 3]
//           ]
%result = "stablehlo.broadcast_in_dim"(%operand) {
  broadcast_dimensions = array<i64: 2, 1>
} : (tensor<1x3xi32>) -> tensor<2x3x2xi32>
// %result: [
//            [
//             [1, 1],
//             [2, 2],
//             [3, 3]
//            ],
//            [
//             [1, 1],
//             [2, 2],
//             [3, 3]
//            ]
//          ]

ज़्यादा उदाहरण

केस

सिमैंटिक

index की वैल्यू के आधार पर, branches से एक फ़ंक्शन को एक्ज़ीक्यूट करने पर आउटपुट बनाता है. औपचारिक तौर पर, result = selected_branch() जहां:

• अगर 0 <= index < size(branches) है, तो selected_branch = branches[index].
• अगर ऐसा नहीं है, तो selected_branch = branches[-1].

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	index	si32 टाइप का 0-डाइमेंशन वाला टेंसर
(I2)	branches	फ़ंक्शन की वैरिएडिक संख्या	(सी1-सी4)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
results	टेंसर की अलग-अलग संख्या, मात्रा वाले टेंसर या टोकन	(सी4)

कंस्ट्रेंट

• (C1) 0 < size(branches).
• (C2) input_types(branches...) = [].
• (C3) same(output_types(branches...)).
• (C4) type(results...) = output_types(branches[0]).

उदाहरण

// %index: -1
// %result_branch0: [0, 0]
// %result_branch1: [1, 1]
%result0, %result1 = "stablehlo.case"(%index) ({
  "stablehlo.return"(%result_branch0, %result_branch0) : (tensor<2xi64>, tensor<2xi64>) -> ()
}, {
  "stablehlo.return"(%result_branch1, %result_branch1) : (tensor<2xi64>, tensor<2xi64>) -> ()
}) : (tensor<i32>) -> (tensor<2xi64>, tensor<2xi64>)
// %result0: [1, 1]
// %result1: [1, 1]

ज़्यादा उदाहरण

सीबीआरटी

सिमैंटिक

यह operand टेंसर पर, एलिमेंट के मुताबिक क्यूबिक रूट ऑपरेशन करता है और result टेंसर बनाता है. एलिमेंट टाइप के आधार पर, ये काम करता है:

• फ़्लोट के लिए: IEEE-754 से rootn(x, 3).
• सम्मिश्र संख्याओं के लिए: सम्मिश्र घन मूल.
• संख्या वाले टाइप के लिए: dequantize_op_quantize(cbrt, operand, type(result))

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	operand	फ़्लोटिंग-पॉइंट या कॉम्प्लेक्स टाइप या पर-टेंसर क्वानटिाइज़्ड टेंसर का टेंसर	(सी1)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
result	फ़्लोटिंग-पॉइंट या कॉम्प्लेक्स टाइप या पर-टेंसर क्वानटिाइज़्ड टेंसर का टेंसर	(सी1)

कंस्ट्रेंट

• (C1) baseline_type(operand) = baseline_type(result).

उदाहरण

// %operand: [0.0, 1.0, 8.0, 27.0]
%result = "stablehlo.cbrt"(%operand) : (tensor<4xf64>) -> tensor<4xf64>
// %result: [0.0, 1.0, 2.0, 3.0]

ज़्यादा उदाहरण

सील

सिमैंटिक

यह operand टेंसर की, एलिमेंट के हिसाब से सेल करता है और result टेंसर बनाता है. IEEE-754 के स्पेसिफ़िकेशन के मुताबिक roundToIntegralTowardPositive कार्रवाई को लागू करता है. संख्या वाले टाइप के लिए, यह वैल्यू dequantize_op_quantize(ceil, operand, type(result)) के हिसाब से होती है.

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	operand	फ़्लोटिंग-पॉइंट टाइप या पर-टेन्सर का इस्तेमाल किया गया टेंसर	(सी1)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
result	फ़्लोटिंग-पॉइंट टाइप या पर-टेन्सर का इस्तेमाल किया गया टेंसर	(सी1)

कंस्ट्रेंट

• (C1) baseline_type(operand) = baseline_type(result).

उदाहरण

// %operand: [-0.8166, -0.2530, 0.2530, 0.8166, 2.0]
%result = "stablehlo.ceil"(%operand) : (tensor<5xf32>) -> tensor<5xf32>
// %result: [-0.0, -0.0, 1.0, 1.0, 2.0]

ज़्यादा उदाहरण

चोलेस्की

सिमैंटिक

आव्यूहों के किसी बैच के चोलेस्की अपघटन की गणना करता है.

आधिकारिक तौर पर, index_space(result) में मौजूद सभी i के लिए, result[i0, ..., iR-3, :, :], a[i0, ..., iR-3, :, :] का कोलेस्की डिकंपोज़िशन है. यह किसी निचले त्रिकोणीय (अगर lower true हो) या ऊपरी त्रिकोणीय (अगर lower false है) मैट्रिक्स के रूप में होता है. उलटे त्रिभुज में आउटपुट वैल्यू, जैसे कि सख्त ऊपरी त्रिभुज या सख्त निचला त्रिकोण, लागू करने से तय होते हैं.

अगर i मौजूद है, जहां इनपुट मैट्रिक्स हर्मिटियन पॉज़िटिव-डेफ़िनेट मैट्रिक्स नहीं है, तो व्यवहार के बारे में नहीं बताया गया है.

संख्या वाले टाइप के लिए, यह वैल्यू dequantize_op_quantize(lambda operand: cholesky(operand, lower), a, type(result)) के हिसाब से होती है.

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	a	फ़्लोटिंग-पॉइंट या कॉम्प्लेक्स टाइप या पर-टेंसर क्वानटिाइज़्ड टेंसर का टेंसर	(सी1-सी3)
(I2)	lower	i1 टाइप का 0-डाइमेंशन वाला टेंसर कॉन्सटेंट

आउटपुट

नाम	टाइप	कंस्ट्रेंट
result	फ़्लोटिंग-पॉइंट या कॉम्प्लेक्स टाइप या पर-टेंसर क्वानटिाइज़्ड टेंसर का टेंसर	(सी1)

कंस्ट्रेंट

• (C1) baseline_type(a) = baseline_type(result).
• (C2) 2 <= rank(a).
• (C3) dim(a, -2) = dim(a, -1).

उदाहरण

// %a: [
//      [1.0, 2.0, 3.0],
//      [2.0, 20.0, 26.0],
//      [3.0, 26.0, 70.0]
//     ]
%result = "stablehlo.cholesky"(%a) {
  lower = true
} : (tensor<3x3xf32>) -> tensor<3x3xf64>
// %result: [
//           [1.0, 0.0, 0.0],
//           [2.0, 4.0, 0.0],
//           [3.0, 5.0, 6.0]
//          ]

क्लैंप

सिमैंटिक

operand टेंसर के हर एलिमेंट को, कम से कम और ज़्यादा से ज़्यादा वैल्यू के बीच जोड़ता है और result टेंसर बनाता है. औपचारिक तौर पर, result[result_index] = minimum(maximum(operand[result_index], min_element), max_element), जहां min_element = rank(min) = 0 ? min[] : min[result_index], max_element = rank(max) = 0 ? max[] : max[result_index]. संख्या वाले टाइप के लिए, dequantize_op_quantize(clamp, min, operand, max, type(result)) की परफ़ॉर्मेंस मिलती है.

कॉम्प्लेक्स नंबर का क्रम लागू करने में हैरान करने वाले सिमैंटिक शामिल होते हैं. इसलिए, आने वाले समय में हम इस ऑपरेशन (#560) के लिए, कॉम्प्लेक्स नंबर का इस्तेमाल हटाने की योजना बना रहे हैं.

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	min	टेंसर या पर-टेंसर मात्रा में मापा गया टेंसर	(C1), (C3)
(I2)	operand	टेंसर या पर-टेंसर मात्रा में मापा गया टेंसर	(सी1-सी4)
(I3)	max	टेंसर या पर-टेंसर मात्रा में मापा गया टेंसर	(C2), (C3)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
result	टेंसर या पर-टेंसर मात्रा में मापा गया टेंसर	(सी4)

कंस्ट्रेंट

• (C1) rank(min) = 0 or shape(min) = shape(operand).
• (C2) rank(max) = 0 or shape(max) = shape(operand).
• (C3) baseline_element_type(min) = baseline_element_type(operand) = baseline_element_type(max).
• (C4) baseline_type(operand) = baseline_type(result).

उदाहरण

// %min: [5, 10, 15]
// %operand: [3, 13, 23]
// %max: [10, 15, 20]
%result = "stablehlo.clamp"(%min, %operand, %max) : (tensor<3xi32>, tensor<3xi32>, tensor<3xi32>) -> tensor<3xi32>
// %result: [5, 13, 20]

ज़्यादा उदाहरण

collective_broadcast

सिमैंटिक

StableHLO प्रोसेस ग्रिड में मौजूद हर प्रोसेस ग्रुप में, सोर्स प्रोसेस से operand टेंसर की वैल्यू को टारगेट प्रोसेस में भेजें और result टेंसर जनरेट करें.

यह कार्रवाई, StableHLO प्रोसेस ग्रिड को process_groups में बांटती है, जिसके बारे में इस तरह से बताया गया है:

• अगर channel_id <= 0 है, तो cross_replica(replica_groups).
• अगर channel_id > 0 है, तो cross_partition(replica_groups).

इसके बाद, result@process देने वाली कंपनी:

• operand@process_groups[i, 0], अगर कोई i मौजूद हो, जैसे कि प्रोसेस process_groups[i] में हो.
• broadcast_in_dim(constant(0, element_type(result)), [], type(result)) नहीं तो.

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	operand	टेंसर	(सी3)
(I2)	replica_groups	si64 टाइप के 1-डाइमेंशन वाले टेंसर कॉन्सटेंट का वैरैडिक नंबर	(C1), (C2)
(I3)	channel_id	si64 टाइप का कॉन्सटेंट

आउटपुट

नाम	टाइप	कंस्ट्रेंट
result	टेंसर	(सी3)

कंस्ट्रेंट

• (C1) is_unique(replica_groups).
• (C2) 0 <= replica_groups < N जहां N को इस रूप में परिभाषित किया गया है:
  • अगर cross_replica का इस्तेमाल किया गया है, तो num_replicas.
  • अगर cross_partition का इस्तेमाल किया गया है, तो num_partitions.
• (C3) type(result) = type(operand).

उदाहरण

// num_replicas: 4
// num_partitions: 1
// %operand@(0, 0): [[1, 2]]
// %operand@(1, 0): [[3, 4]]
// %operand@(2, 0): [[5, 6]]
// %operand@(3, 0): [[7, 8]]
%result = "stablehlo.collective_broadcast"(%operand) {
  replica_groups = dense<[[2, 1]]> : tensor<1x2xi64>,
  channel_handle = #stablehlo.channel_handle<handle = 0, type = 0>
} : (tensor1x2xi64>) -> tensor<1x2xi64>
// %result@(0, 0): [[0, 0]]
// %result@(1, 0): [[5, 6]]
// %result@(2, 0): [[5, 6]]
// %result@(3, 0): [[0, 0]]

collective_permute

सिमैंटिक

StableHLO प्रोसेस ग्रिड में मौजूद हर प्रोसेस ग्रुप में, सोर्स प्रोसेस से operand टेंसर की वैल्यू, टारगेट प्रोसेस में भेजती है और result टेंसर बनाती है.

यह कार्रवाई, StableHLO प्रोसेस ग्रिड को process_groups में बांटती है, जिसके बारे में इस तरह से बताया गया है:

• अगर channel_id <= 0 है, तो cross_replica(source_target_pairs).
• अगर channel_id > 0 है, तो cross_partition(source_target_pairs).

इसके बाद, result@process देने वाली कंपनी:

• operand@process_groups[i, 0], अगर कोई i ऐसा हो process_groups[i, 1] = process.
• broadcast_in_dim(constant(is_quantized(result) ? quantize(0, element_type(result)) : 0, element_type(result)), [], type(result)) नहीं तो.

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	operand	टेंसर या पर-टेंसर मात्रा में मापा गया टेंसर	(सी5)
(I2)	source_target_pairs	si64 टाइप का 2-डाइमेंशन टेंसर कॉन्सटेंट	(सी1-सी4)
(I3)	channel_id	si64 टाइप का कॉन्सटेंट

आउटपुट

नाम	टाइप	कंस्ट्रेंट
result	टेंसर या पर-टेंसर मात्रा में मापा गया टेंसर	(सी1)

कंस्ट्रेंट

• (C1) dim(source_target_pairs, 1) = 2.
• (C2) is_unique(source_target_pairs[:, 0]).
• (C3) is_unique(source_target_pairs[:, 1]).
• (C4) 0 <= source_target_pairs < N, जहां N को इस तरह से परिभाषित किया गया है:
  • अगर cross_replica का इस्तेमाल किया गया है, तो num_replicas.
  • अगर cross_partition का इस्तेमाल किया गया है, तो num_partitions.
• (C5) type(result) = type(operand).

उदाहरण

// num_replicas: 3
// num_partitions: 1
// %operand@(0, 0): [[1, 2], [3, 4]]
// %operand@(1, 0): [[5, 6], [7, 8]]
// %operand@(2, 0): [[9, 10], [11, 12]]
%result = "stablehlo.collective_permute"(%operand) {
  source_target_pairs = dense<[[0, 1], [1, 2]]> : tensor<2x2xi64>,
  channel_handle = #stablehlo.channel_handle<handle = 0, type = 0>
} : (tensor<2x2xi64>) -> tensor<2x2xi64>
//
// %result@(0, 0): [[0, 0], [0, 0]]
// %result@(1, 0): [[1, 2], [3, 4]]
// %result@(2, 0): [[5, 6], [7, 8]]

ज़्यादा उदाहरण

तुलना करना

सिमैंटिक

comparison_direction और compare_type के मुताबिक, lhs और rhs टेंसर की तुलना, एलिमेंट के हिसाब से करता है और result टेंसर बनाता है.

comparison_direction और compare_type की वैल्यू के ये सिमेंटिक होते हैं:

बूलियन और पूर्णांक एलिमेंट टाइप के लिए:

• EQ: lhs = rhs.
• NE: lhs != rhs.
• GE: lhs >= rhs.
• GT: lhs > rhs.
• LE: lhs <= rhs.
• LT: lhs < rhs.

compare_type = FLOAT के साथ फ़्लोटिंग-पॉइंट एलिमेंट टाइप के लिए, op यह IEEE-754 कार्रवाइयां लागू करता है:

• EQ: compareQuietEqual.
• NE: compareQuietNotEqual.
• GE: compareQuietGreaterEqual.
• GT: compareQuietGreater.
• LE: compareQuietLessEqual.
• LT: compareQuietLess.

compare_type = TOTALORDER के साथ फ़्लोटिंग-पॉइंट एलिमेंट टाइप के लिए, ऑपरेटर, आईईई-754 से totalOrder और compareQuietEqual के कॉम्बिनेशन का इस्तेमाल करता है. ऐसा लगता है कि इस सुविधा का इस्तेमाल नहीं किया गया है. इसलिए, आने वाले समय में हम इसे हटाने की योजना बना रहे हैं (#584).

जटिल एलिमेंट टाइप के लिए, (real, imag) पेयर की लेक्सिकोग्राफ़िक तुलना, दिए गए comparison_direction और compare_type का इस्तेमाल करके की जाती है. कॉम्प्लेक्स नंबर का क्रम लागू करने में हैरान करने वाले सिमेंटिक शब्द शामिल होते हैं. इसलिए, आने वाले समय में हम कॉम्प्लेक्स नंबर के लिए ऐसी सहायता हटाने की योजना बना रहे हैं जब comparison_direction GE, GT, LE या LT हो (#560).

संख्या वाले टाइप के लिए, dequantize_compare(lhs, rhs, comparison_direction) परफ़ॉर्म करता है.

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	lhs	टेंसर या पर-टेंसर मात्रा में मापा गया टेंसर	(सी1-सी3)
(I2)	rhs	टेंसर या पर-टेंसर मात्रा में मापा गया टेंसर	(सी1-सी2)
(I3)	comparison_direction	EQ, NE, GE, GT, LE, और LT की सूची
(I4)	compare_type	FLOAT, TOTALORDER, SIGNED, और UNSIGNED की Enum	(सी3)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
result	बूलियन टाइप का टेंसर	(सी2)

कंस्ट्रेंट

• (C1) baseline_element_type(lhs) = baseline_element_type(rhs).
• (C2) shape(lhs) = shape(rhs) = shape(result).
• (C3) compare_type को इस तरह से परिभाषित किया गया है:
  • अगर is_signed_integer(element_type(lhs)) है, तो SIGNED.
  • अगर is_unsigned_integer(element_type(lhs)) or is_boolean(element_type(lhs)) है, तो UNSIGNED.
  • FLOAT या TOTALORDER अगर is_float(element_type(lhs)) हो.
  • अगर is_complex(element_type(lhs)) है, तो FLOAT.

उदाहरण

// %lhs: [1.0, 3.0]
// %rhs: [1.1, 2.9]
%result = "stablehlo.compare"(%lhs, %rhs) {
  comparison_direction = #stablehlo<comparison_direction LT>,
  compare_type = #stablehlo<comparison_type FLOAT>
} : (tensor<2xf32>, tensor<2xf32>) -> tensor<2xi1>
// %result: [true, false]

ज़्यादा उदाहरण

जटिल

सिमैंटिक

यह वास्तविक और काल्पनिक वैल्यू, lhs और rhs के जोड़े से, एलिमेंट के हिसाब से कॉम्प्लेक्स वैल्यू को बदलता है और result टेंसर बनाता है.

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	lhs	f32 या f64 टाइप का टेंसर	(सी1-सी3)
(I2)	rhs	f32 या f64 टाइप का टेंसर	(सी1)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
result	कॉम्प्लेक्स टाइप का टेंसर	(C2), (C3)

कंस्ट्रेंट

• (C1) type(lhs) = type(rhs).
• (C2) shape(result) = shape(lhs).
• (C3) element_type(result) का टाइप complex<E> है, जहां E = element_type(lhs) है.

उदाहरण

// %lhs: [1.0, 3.0]
// %rhs: [2.0, 4.0]
%result = "stablehlo.complex"(%lhs, %rhs) : (tensor<2xf64>, tensor<2xf64>) -> tensor<2xcomplex<f64>>
// %result: [(1.0, 2.0), (3.0, 4.0)]

ज़्यादा उदाहरण

concatenate

सिमैंटिक

inputs को dimension डाइमेंशन के साथ उसी क्रम में लगाता है जिस क्रम में दिए गए तर्क करते हैं और result टेंसर बनाता है. औपचारिक तौर पर, result[i0, ..., id, ..., iR-1] = inputs[k][i0, ..., kd, ..., iR-1], जहां:

1. id = d0 + ... + dk-1 + kd.
2. d, dimension के बराबर है और d0, ... inputs के dवें डाइमेंशन साइज़ हैं.

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	inputs	टेंसर की अलग-अलग संख्या या पर-टेंसर के मात्रा वाले टेंसर	(सी1-सी6)
(I2)	dimension	si64 टाइप का कॉन्सटेंट	(C2), (C4), (C6)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
result	टेंसर या पर-टेंसर मात्रा में मापा गया टेंसर	(सी5-सी6)

कंस्ट्रेंट

• (C1) same(element_type(inputs...)).
• (C2) dim(inputs..., dimension) को छोड़कर, same(shape(inputs...)).
• (C3) 0 < size(inputs).
• (C4) 0 <= dimension < rank(inputs[0]).
• (C5) element_type(result) = element_type(inputs[0]).
• (C6) shape(result) = shape(inputs[0]), हालांकि:
  • dim(result, dimension) = dim(inputs[0], dimension) + ....

उदाहरण

// %input0: [[1, 2], [3, 4], [5, 6]]
// %input1: [[7, 8]]
%result = "stablehlo.concatenate"(%input0, %input1) {
  dimension = 0 : i64
} : (tensor<3x2xi64>, tensor<1x2xi64>) -> tensor<4x2xi64>
// %result: [[1, 2], [3, 4], [5, 6], [7, 8]]

ज़्यादा उदाहरण

कॉन्सटेंट

सिमैंटिक

कॉन्सटैंट value से output टेंसर बनाता है.

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	value	कॉन्सटेंट	(सी1)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
output	टेंसर या क्वानटिाइज़्ड टेंसर	(सी1)

कंस्ट्रेंट

• (C1) type(value) = type(output).

उदाहरण

%output = "stablehlo.constant"() {
  value = dense<[[0.0, 1.0], [2.0, 3.0]]> : tensor<2x2xf32>
} : () -> tensor<2x2xf32>
// %output: [[0.0, 1.0], [2.0, 3.0]]

ज़्यादा उदाहरण

ग्राहक में बदलने वाले

सिमैंटिक

operand टेंसर पर, एलिमेंट के हिसाब से एक एलिमेंट टाइप से दूसरे एलिमेंट में बदलाव करता है और result टेंसर बनाता है.

boolean-to-any-supported-type कन्वर्ज़न के लिए, false वैल्यू को शून्य में बदला जाता है और वैल्यू true को एक में बदला जाता है. any-supported-type-to-boolean कन्वर्ज़न के लिए, किसी भी वैल्यू को false और नॉन-ज़ीरो वैल्यू को true में बदल दिया जाता है. नीचे देखें कि यह जटिल टाइप के लिए कैसे काम करता है.

इंटीजर-टू-इंटीजर, इंटीजर-टू-फ़्लोटिंग-पॉइंट या फ़्लोटिंग-पॉइंट-टू-फ़्लोटिंग-पॉइंट वाले कन्वर्ज़न के लिए, अगर सोर्स वैल्यू को डेस्टिनेशन टाइप में सटीक रूप से दिखाया जा सकता है, तो नतीजे की वैल्यू वही होगी. ऐसा न होने पर, व्यवहार TBD (#180) है.

floating-point-to-integer वाले कन्वर्ज़न के लिए, फ़्रैक्शनल वाले हिस्से को काटा जाता है. अगर डेस्टिनेशन टाइप में छोटी की गई वैल्यू को नहीं दिखाया जा सकता, तो व्यवहार TBD (#180) है.

complex-से-जटिल कन्वर्ज़न वाले कन्वर्ज़न, असल और काल्पनिक हिस्सों को बदलने के लिए फ़्लोटिंग-पॉइंट-टू-फ़्लोटिंग-पॉइंट कन्वर्ज़न के ही तरीके का पालन करते हैं.

complex-to-any-other-type और any-other-type-to-complex कन्वर्ज़न के लिए, सोर्स काल्पनिक वैल्यू को अनदेखा कर दिया जाता है या डेस्टिनेशन काल्पनिक वैल्यू शून्य कर दी जाती है. असल हिस्से का कन्वर्ज़न, फ़्लोट-पॉइंट कन्वर्ज़न के बाद होता है.

आम तौर पर, इस कार्रवाई में डिक्वांटाइज़ेशन (क्वांटाइज़्ड टेंसर से रेगुलर टेंसर में कन्वर्ज़न), क्वांटाइज़ेशन (सामान्य टेंसर से मात्रा वाले टेंसर में कन्वर्ज़न), और रिकंटिाइज़ेशन (क्वांटाइज़्ड टेंसर में कन्वर्ज़न) को शामिल किया जा सकता है. हालांकि, फ़िलहाल हमारे पास इसके लिए काम करने का खास तरीका है - पहले इस्तेमाल के उदाहरण के लिए uniform_dequantize और सेकंड और तीसरे उदाहरण के लिए uniform_quantize. आने वाले समय में, इन दोनों ऑपरेशन को convert (#1576) में मर्ज किया जा सकता है.

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	operand	टेंसर	(सी1)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
result	टेंसर	(सी1)

कंस्ट्रेंट

• (C1) shape(operand) = shape(result).

उदाहरण

// %operand: [-1, 0, 1]
%result = "stablehlo.convert"(%operand) : (tensor<3xi64>) -> tensor<3xcomplex<f64>>
// %result: [(-1.0, 0.0), (0.0, 0.0), (1.0, 0.0)]

ज़्यादा उदाहरण

कॉन्वलूशन

सिमैंटिक

यह lhs की विंडो और rhs के स्लाइस के बीच डॉट प्रॉडक्ट को प्रोसेस करता है और result जनरेट करता है. इस डायग्राम में दिखाया गया है कि कंक्रीट के उदाहरण का इस्तेमाल करके, result में मौजूद एलिमेंट की गिनती कैसे की जाती है, lhs और rhs से.

औपचारिक तौर पर, lhs की विंडो को एक्सप्रेस के तौर पर दिखाने के लिए, इनपुट के विकल्पों को lhs के हिसाब से बदलने का तरीका देखें:

• lhs_window_dimensions = lhs_shape(dim(lhs, input_batch_dimension), dim(rhs, kernel_spatial_dimensions), dim(lhs, input_feature_dimension)).
• lhs_window_strides = lhs_shape(1, window_strides, 1).
• lhs_padding = lhs_shape([0, 0], padding, [0, 0]).
• lhs_base_dilations = lhs_shape(1, lhs_dilation, 1).
• lhs_window_dilations = lhs_shape(1, rhs_dilation, 1).

फिर से फ़्रेम करने की इस प्रक्रिया में, इन हेल्पर फ़ंक्शन का इस्तेमाल किया जाता है:

• lhs_shape(n, hw, c) = permute([n] + hw + [c], [input_batch_dimension] + input_spatial_dimensions + [input_feature_dimension]).
• result_shape(n1, hw, c1) = permute([n1] + hw + [c1], [output_batch_dimension] + output_spatial_dimensions + [output_feature_dimension]).
• permute([j0, j1, ..., jR-1], permutation) = [i0, i1, ..., iR-1], जहां j[d] = i[permutation[d]].

अगर feature_group_count = 1 और batch_group_count = 1 है, तो index_space(dim(result, output_spatial_dimensions...)) में मौजूद सभी output_spatial_index के लिए, result[result_shape(:, output_spatial_index, :)] = dot_product जहां:

• padding_value = constant(0, element_type(lhs)).
• padded_lhs = pad(lhs, padding_value, lhs_padding[:, 0], lhs_padding[:, 1], lhs_base_dilations - 1).
• lhs_window_start = lhs_shape(0, output_spatial_index, 0) * lhs_window_strides.
• lhs_window = slice(padded_lhs, lhs_window_start, lhs_window_start + lhs_window_dimensions, lhs_window_dilations).
• reversed_lhs_window = reverse(lhs_window, [input_spatial_dimensions[dim] for dim in range(size(window_reversal)) if window_reversal[dim] = true]). ऐसा लगता है कि इस सुविधा का इस्तेमाल नहीं किया गया है. इसलिए, आने वाले समय में हम इसे (#1181) हटाने की योजना बना रहे हैं.
• dot_product = dot_general(reversed_lhs_window, rhs, lhs_batching_dimensions=[], lhs_contracting_dimensions=input_spatial_dimensions + [input_feature_dimension], rhs_batching_dimensions=[], rhs_contracting_dimensions=kernel_spatial_dimensions + [kernel_input_feature_dimension]).

अगर feature_group_count > 1:

• lhses = split(lhs, feature_group_count, input_feature_dimension).
• rhses = split(rhs, feature_group_count, kernel_output_feature_dimension).
• results... = convolution(lhses..., rhses..., ..., feature_group_count=1, ...).
• result = concatenate(results, output_feature_dimension).

अगर batch_group_count > 1:

• lhses = split(lhs, batch_group_count, input_batch_dimension).
• rhses = split(rhs, batch_group_count, kernel_output_feature_dimension).
• results... = convolution(lhses..., rhses..., ..., batch_group_count=1, ...).
• result = concatenate(results, output_feature_dimension).

संख्या वाले टाइप के लिए, dequantize_op_quantize( lambda lhs, rhs: convolution(lhs, rhs, window_strides, padding, lhs_dilation, rhs_dilation, window_reversal, input_batch_dimension, input_feature_dimension, input_spatial_dimensions, kernel_input_feature_dimension, kernel_output_feature_dimension, kernel_spatial_dimensions, output_batch_dimension, output_feature_dimension, output_spatial_dimensions, feature_group_count, batch_group_count, precision_config), lhs, rhs, type(result)) की वैल्यू देता है.

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	lhs	टेंसर या पर-टेंसर मात्रा में मापा गया टेंसर	(C1), (C10-C11), (C14) (C25), (C27-C30)
(I2)	rhs	टेंसर या क्वानटिाइज़्ड टेंसर	(C1), (C14-C16), (C25), (C27-C32)
(I3)	window_strides	si64 टाइप का 1-डाइमेंशन टेंसर कॉन्सटेंट	(C2-C3), (C25)
(I4)	padding	si64 टाइप का 2-डाइमेंशन टेंसर कॉन्सटेंट	(C4), (C25)
(I5)	lhs_dilation	si64 टाइप का 1-डाइमेंशन टेंसर कॉन्सटेंट	(C5-C6), (C25)
(I6)	rhs_dilation	si64 टाइप का 1-डाइमेंशन टेंसर कॉन्सटेंट	(C7-C8), (C25)
(I7)	window_reversal	i1 टाइप का 1-डाइमेंशन टेंसर कॉन्सटेंट	(सी9)
(I8)	input_batch_dimension	si64 टाइप का कॉन्सटेंट	(C10), (C13), (C25)
(I9)	input_feature_dimension	si64 टाइप का कॉन्सटेंट	(C11), (C13-C14)
(I10)	input_spatial_dimensions	si64 टाइप का 1-डाइमेंशन टेंसर कॉन्सटेंट	(C12), (C13), (C25)
(I11)	kernel_input_feature_dimension	si64 टाइप का कॉन्सटेंट	(C14), (C18)
(I12)	kernel_output_feature_dimension	si64 टाइप का कॉन्सटेंट	(C15-C16), (C18), (C25), (C32)
(I13)	kernel_spatial_dimensions	si64 टाइप का 1-डाइमेंशन टेंसर कॉन्सटेंट	(C17-C18), (C25)
(I14)	output_batch_dimension	si64 टाइप का कॉन्सटेंट	(C20), (C25)
(I15)	output_feature_dimension	si64 टाइप का कॉन्सटेंट	(C20), (C25), (C33)
(I16)	output_spatial_dimensions	si64 टाइप का 1-डाइमेंशन टेंसर कॉन्सटेंट	(C19-C20), (C25)
(I17)	feature_group_count	si64 टाइप का कॉन्सटेंट	(C11), (C14), (C16), (C21), (C23)
(I18)	batch_group_count	si64 टाइप का कॉन्सटेंट	(C10), (C15), (C22), (C23), (C25)
(I19)	precision_config	DEFAULT, HIGH, और HIGHEST के एनम की अलग-अलग संख्या	(C24)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
result	टेंसर या क्वानटिाइज़्ड टेंसर	(C25-C28), (C30-C31), (C33)

कंस्ट्रेंट

• (C1) N = rank(lhs) = rank(rhs).
• (C2) size(window_strides) = N - 2.
• (C3) 0 < window_strides.
• (C4) shape(padding) = [N - 2, 2].
• (C5) size(lhs_dilation) = N - 2.
• (C6) 0 < lhs_dilation.
• (C7) size(rhs_dilation) = N - 2.
• (C8) 0 < rhs_dilation.
• (C9) size(window_reversal) = N - 2.
• (C10) dim(lhs, input_batch_dimension) % batch_group_count = 0.
• (C11) dim(lhs, input_feature_dimension) % feature_group_count = 0.
• (C12) size(input_spatial_dimensions) = N - 2.
• (C13) input_dimensions = [input_batch_dimension] + input_spatial_dimensions + [input_feature_dimension]:
  • is_unique(input_dimensions).
  • 0 <= input_dimensions < N.
• (C14) dim(rhs, kernel_input_feature_dimension) = dim(lhs, input_feature_dimension) / feature_group_count.
• (C15) dim(rhs, kernel_output_feature_dimension) % batch_group_count = 0.
• (C16) dim(rhs, kernel_output_feature_dimension) % feature_group_count = 0.
• (C17) size(kernel_spatial_dimensions) = N - 2.
• (C18) kernel_dimensions = kernel_spatial_dimensions + [kernel_input_feature_dimension] + [kernel_output_feature_dimension]:
  • is_unique(kernel_dimensions).
  • 0 <= kernel_dimensions < N.
• (C19) size(output_spatial_dimensions) = N - 2.
• (C20) output_dimensions = [output_batch_dimension] + output_spatial_dimensions + [output_feature_dimension]:
  • is_unique(output_dimensions).
  • 0 <= output_dimensions < N.
• (C21) 0 < feature_group_count.
• (C22) 0 < batch_group_count.
• (C23) feature_group_count = 1 or batch_group_count = 1.
• (C24) size(precision_config) = 2.
• (C25) dim(result, result_dim) को इस तरह से परिभाषित किया गया है:
  • अगर result_dim = output_batch_dimension है, तो dim(lhs, input_batch_dimension) / batch_group_count.
  • अगर result_dim = output_feature_dimension है, तो dim(rhs, kernel_output_feature_dimension).
  • num_windows अगर नहीं, तो:
  • output_spatial_dimensions[spatial_dim] = result_dim.
  • lhs_dim = input_spatial_dimensions[spatial_dim].
  • rhs_dim = kernel_spatial_dimensions[spatial_dim].
  • dilated_input_shape[lhs_dim] = dim(lhs, lhs_dim) = 0 ? 0 : (dim(lhs, lhs_dim) - 1) * lhs_dilation[spatial_dim] + 1.
  • padded_input_shape[lhs_dim] = padding[spatial_dim, 0] + dilated_input_shape[lhs_dim] + padding[spatial_dim, 1].
  • dilated_window_shape[lhs_dim] = dim(rhs, rhs_dim) = 0 ? 0 : (dim(rhs, rhs_dim) - 1) * rhs_dilation[spatial_dim] + 1.
  • is_empty_window[lhs_dim] = padded_input_shape[lhs_dim] = 0 || dilated_window_shape[lhs_dim] > padded_input_shape[lhs_dim].
  • num_windows = is_empty_window[lhs_dim] ? 0 : floor((padded_input_shape[lhs_dim] - dilated_window_shape[lhs_dim]) / window_strides[spatial_dim]) + 1.
• (C26) rank(result) = N.
• अगर इस कार्रवाई में ऐसे टेंसर का इस्तेमाल किया जाता है जिनकी संख्या नहीं पाई जा सकती:
  • (C27) element_type(lhs) = element_type(rhs) = element_type(result).
• अगर इस कार्रवाई में क्वांटाइज़्ड टेंसर का इस्तेमाल किया जाता है, तो:
  • (C28) is_quantized_tensor(lhs) and is_quantized_tensor(rhs) and is_quantized_tensor(result).
  • (C29) storage_type(lhs) = storage_type(rhs).
  • (C30) expressed_type(lhs) = expressed_type(rhs) = expressed_type(result).
  • (C31) अगर is_per_tensor_quantized(rhs) है, तो is_per_tensor_quantized(result).
  • (C32) अगर is_per_axis_quantized(rhs) है, तो quantization_dimension(rhs) = kernel_output_feature_dimension.
  • (C33) अगर is_per_axis_quantized(result) है, तो quantization_dimension(result) = output_feature_dimension.

उदाहरण

// %lhs: [[
//        [
//          [1], [2], [5], [6]
//        ],
//        [
//          [3], [4], [7], [8]
//        ],
//        [
//          [10], [11], [14], [15]
//        ],
//        [
//          [12], [13], [16], [17]
//        ]
//      ]]
//
// %rhs : [
//         [[[1]], [[1]], [[1]]],
//         [[[1]], [[1]], [[1]]],
//         [[[1]], [[1]], [[1]]]
//        ]
%result = "stablehlo.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>,
  // In the StableHLO dialect, dimension numbers are encoded via:
  // `[<input dimensions>]x[<kernel dimensions>]->[output dimensions]`.
  // "b" is batch dimension, "f" is feature dimension,
  // "i" is input feature dimension, "o" is output feature dimension,
  // "0/1/etc" are spatial dimensions.
  dimension_numbers = #stablehlo.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>
// %result: [[
//            [[10], [26]],
//            [[46], [62]]
//          ]]

कोटिज्या

सिमैंटिक

operand टेंसर पर, एलिमेंट के हिसाब से कोसाइन ऑपरेशन करता है और result टेंसर बनाता है. एलिमेंट टाइप के आधार पर, ये काम करता है:

• फ़्लोट के लिए: IEEE-754 से cos.
• सम्मिश्र संख्याओं के लिए: सम्मिश्र कोसाइन.
• संख्या वाले टाइप के लिए: dequantize_op_quantize(cosine, operand, type(result)).

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	operand	फ़्लोटिंग-पॉइंट या कॉम्प्लेक्स टाइप या पर-टेंसर क्वानटिाइज़्ड टेंसर का टेंसर	(सी1)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
result	फ़्लोटिंग-पॉइंट या कॉम्प्लेक्स टाइप या पर-टेंसर क्वानटिाइज़्ड टेंसर का टेंसर	(सी1)

कंस्ट्रेंट

• (C1) baseline_type(operand) = baseline_type(result).

उदाहरण

// %operand: [
//            [0.0, 1.57079632],       // [0, pi/2]
//            [3.14159265, 4.71238898] // [pi, 3pi/2]
//           ]
%result = "stablehlo.cosine"(%operand) : (tensor<2x2xf32>) -> tensor<2x2xf32>
// %result: [[1.0, 0.0], [-1.0, 0.0]]

ज़्यादा उदाहरण

count_leading_zeros

सिमैंटिक

operandटेंसर में लीडिंग ज़ीरो बिट की संख्या का एलिमेंट के हिसाब से गिनती करता है और result टेंसर बनाता है.

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	operand	पूर्णांक टाइप का टेंसर	(सी1)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
result	पूर्णांक टाइप का टेंसर	(सी1)

कंस्ट्रेंट

• (C1) type(operand) = type(result).

उदाहरण

// %operand: [[0, 1], [128, -1]]
%result = "stablehlo.count_leading_zeros"(%operand) : (tensor<2x2xi64>) -> tensor<2x2xi64>
// %result: [[64, 63], [56, 0]]

ज़्यादा उदाहरण

custom_call

सिमैंटिक

लागू करने के तरीके से तय किए गए call_target_name ऑपरेशन को एनकैप्सुलेट करता है, जो inputs और called_computations लेता है और results जनरेट करता है. has_side_effect, backend_config, और api_version का इस्तेमाल, लागू करने के लिए तय किए गए अतिरिक्त मेटाडेटा देने के लिए किया जा सकता है.

फ़िलहाल, इस ऑपरेशन में मेटाडेटा का एक व्यवस्थित कलेक्शन शामिल है, जो XLA कंपाइलर में, इसके साथ काम करने वाले दूसरी प्रोसेस के ऑर्गैनिक तौर पर हुए क्रम को दिखाता है. आने वाले समय में, हम इस मेटाडेटा (#741) को एक साथ एक ही जगह पर लाने की योजना बना रहे हैं.

इनपुट

लेबल	नाम	टाइप
(I1)	inputs	वैल्यू की अलग-अलग संख्या
(I2)	call_target_name	string टाइप का कॉन्सटेंट
(I3)	has_side_effect	i1 टाइप का कॉन्सटेंट
(I4)	backend_config	string टाइप का कॉन्सटेंट
(I5)	api_version	si32 टाइप का कॉन्सटेंट
(I6)	called_computations	string टाइप के कॉन्सटेंट की अलग-अलग संख्या

आउटपुट

नाम	टाइप
results	वैल्यू की अलग-अलग संख्या

उदाहरण

%results = "stablehlo.custom_call"(%input0) {
  call_target_name = "foo",
  has_side_effect = false,
  backend_config = "bar",
  api_version = 1 : i32,
  called_computations = [@foo]
} : (tensor<f64>) -> tensor<f64>

विभाजन

सिमैंटिक

भाज्य lhs और भाजक rhs टेंस को एलिमेंट के हिसाब से भाग देता है और result टेंसर बनाता है. एलिमेंट टाइप के आधार पर, ये काम करता है:

• पूर्णांकों के लिए: पूर्णांक का विभाजन, जो खारिज किए गए किसी भी हिस्से के भाग के साथ बीजगणितीय भागफल बनाता है.
• फ़्लोट के लिए: IEEE-754 से division.
• सम्मिश्र संख्याओं के लिए: सम्मिश्र विभाजन.
• संख्या वाले टाइप के लिए:
  • dequantize_op_quantize(divide, lhs, rhs, type(result)).

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	lhs	पूर्णांक, फ़्लोटिंग-पॉइंट या कॉम्प्लेक्स टाइप या पर-टेन्सर का क्वानंटाइज़ किया गया टेंसर	(सी1)
(I2)	rhs	पूर्णांक, फ़्लोटिंग-पॉइंट या कॉम्प्लेक्स टाइप या पर-टेन्सर का क्वानंटाइज़ किया गया टेंसर	(सी1)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
result	पूर्णांक, फ़्लोटिंग-पॉइंट या कॉम्प्लेक्स टाइप या पर-टेन्सर से क्वान्टाइज़्ड टेंसर का टेंसर	(सी1)

कंस्ट्रेंट

• (C1) baseline_type(lhs) = baseline_type(rhs) = baseline_type(result).

उदाहरण

// %lhs: [17.1, -17.1, 17.1, -17.1]
// %rhs: [3.0, 3.0, -3.0, -3.0]
%result = "stablehlo.divide"(%lhs, %rhs) : (tensor<4xf32>, tensor<4xf32>) -> tensor<4xf32>
// %result: [5.66666651, -5.66666651, -5.66666651, 5.66666651]

ज़्यादा उदाहरण

dot_general

सिमैंटिक

lhs के स्लाइस और rhs के स्लाइस के बीच, डॉट प्रॉडक्ट को प्रोसेस करता है और result टेंसर बनाता है.

औपचारिक तौर पर, result[result_index] = dot_product, जहां:

• lhs_result_dimensions = [d for d in axes(lhs) and d not in lhs_batching_dimensions and d not in lhs_contracting_dimensions].
• rhs_result_dimensions = [d for d in axes(rhs) and d not in rhs_batching_dimensions and d not in rhs_contracting_dimensions].
• result_batching_index + result_lhs_index + result_rhs_index = result_index जहां size(result_batching_index) = size(lhs_batching_dimensions), size(result_lhs_index) = size(lhs_result_dimensions), और size(result_rhs_index) = size(rhs_result_dimensions).
• transposed_lhs = transpose(lhs, lhs_batching_dimensions + lhs_result_dimensions + lhs_contracting_dimensions).
• transposed_lhs_slice = slice(transposed_lhs, result_batching_index + result_lhs_index + [:, ..., :]).
• reshaped_lhs_slice = reshape(transposed_lhs_slice, dims(lhs, lhs_contracting_dimensions)).
• transposed_rhs = transpose(rhs, rhs_batching_dimensions + rhs_result_dimensions + rhs_contracting_dimensions).
• transposed_rhs_slice = slice(transposed_rhs, result_batching_index + result_rhs_index + [:, ..., :]).
• reshaped_rhs_slice = reshape(transposed_rhs_slice, dims(rhs, rhs_contracting_dimensions)).
• dot_product = reduce( inputs=[multiply(reshaped_lhs_slice, reshaped_rhs_slice)], init_values=[constant(0, element_type(result))], dimensions=range(size(lhs_contracting_dimensions)), body=lambda x, y: add(x, y)).

संख्या वाले टाइप के लिए, dequantize_op_quantize( lambda lhs, rhs: dot_general(lhs, rhs, lhs_batching_dimensions, rhs_batching_dimensions, lhs_contracting_dimensions, rhs_contracting_dimensions, precision_config), lhs, rhs, type(result)) की वैल्यू देता है.

यह सिर्फ़ पर-टेंसर क्वांटाइज़ेशन के लिए सिमैंटिक के बारे में बताता है. हर ऐक्सिस पर संख्या बढ़ाने का काम चल रहा है (#1574). साथ ही, आने वाले समय में, हम हाइब्रिड क्वांटाइज़ेशन (#1575) के लिए सहायता जोड़ने पर विचार कर सकते हैं.

precision_config, ऐक्सेलरेटर बैकएंड पर कंप्यूटेशन की स्पीड और सटीक होने के बीच संतुलन को कंट्रोल करता है. यह इनमें से कोई एक हो सकता है (इस समय, Enum वैल्यू के सिमेंटिक के बारे में कुछ नहीं बताया गया है, लेकिन हम #755 में इसे ठीक करने की योजना बना रहे हैं):

• DEFAULT: सबसे तेज़ कैलकुलेशन, लेकिन ओरिजनल नंबर का कम से कम सटीक अनुमान.
• HIGH: ज़्यादा धीमी कैलकुलेशन, लेकिन ओरिजनल नंबर का ज़्यादा सटीक अनुमान.
• HIGHEST: सबसे धीमी गिनती, लेकिन मूल संख्या का सबसे सटीक अनुमान.

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	lhs	टेंसर या पर-टेंसर मात्रा में मापा गया टेंसर	(C5-C6), (C9-C10), (C12-C16)
(I2)	rhs	टेंसर या पर-टेंसर मात्रा में मापा गया टेंसर	(C7-C10), (C12)
(I3)	lhs_batching_dimensions	si64 टाइप का 1-डाइमेंशन टेंसर कॉन्सटेंट	(C1), (C3), (C5), (C9), (C12)
(I4)	rhs_batching_dimensions	si64 टाइप का 1-डाइमेंशन टेंसर कॉन्सटेंट	(C1), (C4), (C7), (C9)
(I5)	lhs_contracting_dimensions	si64 टाइप का 1-डाइमेंशन टेंसर कॉन्सटेंट	(C2), (C3), (C6), (C10)
(I6)	rhs_contracting_dimensions	si64 टाइप का 1-डाइमेंशन टेंसर कॉन्सटेंट	(C2), (C4), (C8), (C10)
(I7)	precision_config	DEFAULT, HIGH, और HIGHEST के एनम की अलग-अलग संख्या	(C11)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
result	टेंसर या पर-टेंसर मात्रा में मापा गया टेंसर	(C12), (C14), (C16)

कंस्ट्रेंट

• (C1) size(lhs_batching_dimensions) = size(rhs_batching_dimensions).
• (C2) size(lhs_contracting_dimensions) = size(rhs_contracting_dimensions).
• (C3) is_unique(lhs_batching_dimensions + lhs_contracting_dimensions).
• (C4) is_unique(rhs_batching_dimensions + rhs_contracting_dimensions).
• (C5) 0 <= lhs_batching_dimensions < rank(lhs).
• (C6) 0 <= lhs_contracting_dimensions < rank(lhs).
• (C7) 0 <= rhs_batching_dimensions < rank(rhs).
• (C8) 0 <= rhs_contracting_dimensions < rank(rhs).
• (C9) dim(lhs, lhs_batching_dimensions...) = dim(rhs, rhs_batching_dimensions...).
• (C10) dim(lhs, lhs_contracting_dimensions...) = dim(rhs, rhs_contracting_dimensions...).
• (C11) size(precision_config) = 2.
• (C12) shape(result) = dim(lhs, lhs_batching_dimensions) + dim(lhs, lhs_result_dimensions) + dim(rhs, rhs_result_dimensions).
• अगर इस कार्रवाई में ऐसे टेंसर का इस्तेमाल किया जाता है जिनकी संख्या नहीं पाई जा सकती:
  • (C13) element_type(lhs) = element_type(rhs).
• अगर इस कार्रवाई में क्वांटाइज़्ड टेंसर का इस्तेमाल किया जाता है, तो:
  • (C14) is_quantized(lhs) and is_quantized(rhs) and is_quantized(result).
  • (C15) storage_type(lhs) = storage_type(rhs).
  • (C16) expressed_type(lhs) = expressed_type(rhs) = expressed_type(result).
  • (C17) zero_points(rhs) = 0.

उदाहरण

// %lhs: [
//        [[1, 2],
//         [3, 4]],
//        [[5, 6],
//         [7, 8]]
//       ]
// %rhs: [
//        [[1, 0],
//         [0, 1]],
//        [[1, 0],
//         [0, 1]]
//       ]
%result = "stablehlo.dot_general"(%lhs, %rhs) {
  dot_dimension_numbers = #stablehlo.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<2x2x2xi64>, tensor<2x2x2xi64>) -> tensor<2x2x2xi64>
// %result: [
//           [[1, 2],
//            [3, 4]],
//           [[5, 6],
//            [7, 8]]
//          ]

ज़्यादा उदाहरण

dynamic_slice

सिमैंटिक

डाइनैमिक रूप से कंप्यूट किए गए शुरुआती इंडेक्स का इस्तेमाल करके, operand से स्लाइस निकालता है और result टेंसर बनाता है. start_indices में हर डाइमेंशन के लिए स्लाइस के शुरुआती इंडेक्स होते हैं, हालांकि इसमें बदलाव हो सकता है. साथ ही, slice_sizes में हर डाइमेंशन के स्लाइस के साइज़ होते हैं. औपचारिक तौर पर, result[result_index] = operand[operand_index] यहां:

• adjusted_start_indices = clamp(0, start_indices, shape(operand) - slice_sizes).
• operand_index = adjusted_start_indices + result_index.

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	operand	टेंसर या पर-टेंसर मात्रा में मापा गया टेंसर	(C1), (C2), (C4)
(I2)	start_indices	पूर्णांक टाइप के 0-डाइमेंशन वाले टेंसर की वैरैडिक संख्या	(C2), (C3)
(I3)	slice_sizes	si64 टाइप का 1-डाइमेंशन टेंसर कॉन्सटेंट	(C2), (C4), (C5)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
result	टेंसर या पर-टेंसर मात्रा में मापा गया टेंसर	(C1), (C5)

कंस्ट्रेंट

• (C1) element_type(operand) = element_type(result).
• (C2) size(start_indices) = size(slice_sizes) = rank(operand).
• (C3) same(type(start_indices...)).
• (C4) 0 <= slice_sizes <= shape(operand).
• (C5) shape(result) = slice_sizes.

उदाहरण

// %operand: [
//            [0, 0, 1, 1],
//            [0, 0, 1, 1],
//            [0, 0, 0, 0],
//            [0, 0, 0, 0]
//           ]
// %start_indices0: -1
// %start_indices1: 3
%result = "stablehlo.dynamic_slice"(%operand, %start_indices0, %start_indices1) {
  slice_sizes = dense<[2, 2]> : tensor<2xi64>
} : (tensor<4x4xi32>, tensor<i64>, tensor<i64>) -> tensor<2x2xi32>
// %result: [
//           [1, 1],
//           [1, 1]
//          ]

ज़्यादा उदाहरण

dynamic_update_slice

सिमैंटिक

इससे result टेंसर बनता है, जो operand टेंसर के बराबर होता है. हालांकि, इसमें अंतर सिर्फ़ यह है कि start_indices से शुरू होने वाली स्लाइस को, update की वैल्यू के हिसाब से अपडेट किया जाता है. औपचारिक तौर पर, result[result_index] को इस तरह परिभाषित किया गया है:

• update[update_index] अगर 0 <= update_index < shape(update) है, तो:
  • adjusted_start_indices = clamp(0, start_indices, shape(operand) - shape(update)).
  • update_index = result_index - adjusted_start_indices.
• अगर ऐसा नहीं है, तो operand[result_index].

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	operand	टेंसर या पर-टेंसर मात्रा में मापा गया टेंसर	(C1-C4), (C6)
(I2)	update	टेंसर या पर-टेंसर मात्रा में मापा गया टेंसर	(C2), (C3), (C6)
(I3)	start_indices	पूर्णांक टाइप के 0-डाइमेंशन वाले टेंसर की वैरैडिक संख्या	(C4), (C5)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
result	टेंसर या पर-टेंसर मात्रा में मापा गया टेंसर	(सी1)

कंस्ट्रेंट

• (C1) type(operand) = type(result).
• (C2) element_type(update) = element_type(operand).
• (C3) rank(update) = rank(operand).
• (C4) size(start_indices) = rank(operand).
• (C5) same(type(start_indices...)).
• (C6) 0 <= shape(update) <= shape(operand).

उदाहरण

// %operand: [
//            [1, 1, 0, 0],
//            [1, 1, 0, 0],
//            [1, 1, 1, 1],
//            [1, 1, 1, 1]
//           ]
// %update: [
//           [1, 1],
//           [1, 1]
//          ]
// %start_indices0: -1
// %start_indices1: 3
%result = "stablehlo.dynamic_update_slice"(%operand, %update, %start_indices0, %start_indices1)
  : (tensor<4x4xi32>, tensor<2x2xi32>, tensor<i64>, tensor<i64>) -> tensor<4x4xi32>
// %result: [
//           [1, 1, 1, 1],
//           [1, 1, 1, 1],
//           [1, 1, 1, 1],
//           [1, 1, 1, 1]
//          ]

ज़्यादा उदाहरण

घातांकी

सिमैंटिक

operand टेंसर पर, एलिमेंट के हिसाब से एक्स्पोनेंशियल कार्रवाई करता है और result टेंसर बनाता है. एलिमेंट टाइप के आधार पर, ये काम करता है:

• फ़्लोट के लिए: IEEE-754 से exp.
• सम्मिश्र संख्याओं के लिए: जटिल घातांक.
• संख्या वाले टाइप के लिए: dequantize_op_quantize(exponential, operand, type(result)).

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	operand	फ़्लोटिंग-पॉइंट या कॉम्प्लेक्स टाइप या पर-टेंसर क्वानटिाइज़्ड टेंसर का टेंसर	(सी1)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
result	फ़्लोटिंग-पॉइंट या कॉम्प्लेक्स टाइप या पर-टेंसर क्वानटिाइज़्ड टेंसर का टेंसर	(सी1)

कंस्ट्रेंट

• (C1) baseline_type(operand) = baseline_type(result).

उदाहरण

// %operand: [[0.0, 1.0], [2.0, 3.0]]
%result = "stablehlo.exponential"(%operand) : (tensor<2x2xf64>) -> tensor<2x2xf64>
// %result: [[1.0, 2.7182818284590451], [7.3890560989306504, 20.085536923187668]]

ज़्यादा उदाहरण

exponential_minus_one

सिमैंटिक

operand टेंसर पर, एलिमेंट के हिसाब से एक्सपोनेन्शियल माइनस एक ऑपरेशन करता है और result टेंसर बनाता है. एलिमेंट टाइप के आधार पर, ये काम करता है:

• फ़्लोट के लिए: IEEE-754 से expm1.
• कॉम्प्लेक्स नंबर (समिश्र संख्याओं) के लिए: कॉम्प्लेक्स एक्सपोनेन्शियल माइनस एक.
• संख्या वाले टाइप के लिए: dequantize_op_quantize(exponential_minus_one, operand, type(result)).

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	operand	फ़्लोटिंग-पॉइंट या कॉम्प्लेक्स टाइप या पर-टेंसर क्वानटिाइज़्ड टेंसर का टेंसर	(सी1)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
result	फ़्लोटिंग-पॉइंट या कॉम्प्लेक्स टाइप या पर-टेंसर क्वानटिाइज़्ड टेंसर का टेंसर	(सी1)

कंस्ट्रेंट

• (C1) baseline_type(operand) = baseline_type(result).

उदाहरण

// %operand: [0.0, 1.0]
%result = "stablehlo.exponential_minus_one"(%operand) : (tensor<2xf64>) -> tensor<2xf64>
// %result: [0.0, 1.71828187]

ज़्यादा उदाहरण

एफ़एफ़टी

सिमैंटिक

रीयल और कॉम्प्लेक्स इनपुट/आउटपुट के लिए, फ़ॉरवर्ड और इनवर्स फूरियर ट्रांसफ़ॉर्म करता है.

fft_type इनमें से एक है:

• FFT: कॉम्प्लेक्स-टू-कॉम्प्लेक्स एफ़एफ़टी को फ़ॉरवर्ड करें.
• IFFT: इनवर्स कॉम्प्लेक्स-टू-कॉम्प्लेक्स एफ़एफ़टी.
• RFFT: रीयल-टू-कॉम्प्लेक्स एफ़एफ़टी को फ़ॉरवर्ड करें.
• IRFFT: इनवर्स रियल-टू-कॉम्प्लेक्स एफ़एफ़टी (इसका मतलब है कि यह मुश्किल शब्दों में होता है, लेकिन असल रिटर्न रीयल होता है).

आधिकारिक तौर पर, अगर fft, इनपुट के तौर पर कॉम्प्लेक्स टाइप के एक डाइमेंशन वाले टेंसर लेता है, तो आउटपुट के तौर पर एक जैसे 1-डाइमेंशन वाले टेंसर बनाता है और डिस्क्रीट फूरिये कन्वर्ज़न की गणना करता है:

fft_type = FFT के लिए, result को एल कंप्यूटेशन की सीरीज़ का फ़ाइनल नतीजा माना जाता है. इसमें L = size(fft_length) शामिल है. उदाहरण के लिए, L = 3 के लिए:

• result1[i0, ..., :] = fft(operand[i0, ..., :]).
• result2[i0, ..., :, iR-1] = fft(result1[i0, ..., :, iR-1]).
• result[i0, ..., :, iR-2, iR-1] = fft(result2[i0, ..., :, iR-2, iR-1]).

इसके अलावा, ifft फ़ंक्शन दिया गया है, जिसमें एक ही तरह का सिग्नेचर है और यह fft के व्युत्क्रम की गणना करता है:

fft_type = IFFT के लिए, result को fft_type = FFT के लिए कंप्यूटेशन के उलटा तय किया जाता है. उदाहरण के लिए, L = 3 के लिए:

• result1[i0, ..., :, iR-2, iR-1] = ifft(operand[i0, ..., :, iR-2, iR-1]).
• result2[i0, ..., :, iR-1] = ifft(result1[i0, ..., :, iR-1]).
• result[i0, ..., :] = ifft(result2[i0, ..., :]).

इसके अलावा, फ़्लोटिंग-पॉइंट टाइप के 1 डाइमेंशन वाले टेंसर लेने वाला फ़ंक्शन rfft, एक ही फ़्लोटिंग-पॉइंट सिमैंटिक वाले कॉम्प्लेक्स टाइप के एक डाइमेंशन वाले टेंसर बनाता है. यह इस तरह काम करता है:

• rfft(real_operand) = truncated_result कहां
• complex_operand... = (real_operand..., 0.0).
• complex_result = fft(complex_operand).
• truncated_result = complex_result[:(rank(complex_result) / 2 + 1)].

(जब रीयल ऑपरेंड के लिए डिस्क्रीट फूरिये ट्रांसफ़ॉर्म का हिसाब लगाया जाता है, तो नतीजे के पहले N/2 + 1 एलिमेंट साफ़ तौर पर बाकी के नतीजे के बारे में बताते हैं. इसलिए, ग़ैर-ज़रूरी एलिमेंट की गिनती करने से बचने के लिए, rfft के नतीजे में काट-छांट की जाती है).

fft_type = RFFT के लिए, result को एल कंप्यूटेशन की सीरीज़ का फ़ाइनल नतीजा माना जाता है. इसमें L = size(fft_length) शामिल है. उदाहरण के लिए, L = 3 के लिए:

• result1[i0, ..., :] = rfft(operand[i0, ..., :]).
• result2[i0, ..., :, iR-1] = fft(result1[i0, ..., :, iR-1]).
• result[i0, ..., :, iR-2, iR-1] = fft(result2[i0, ..., :, iR-2, iR-1]).

आखिर में, irfft फ़ंक्शन दिया गया है, जिसमें एक ही तरह का सिग्नेचर है और यह rfft के व्युत्क्रम की गणना करता है:

fft_type = IRFFT के लिए, result को fft_type = RFFT के लिए कंप्यूटेशन के उलटा तय किया जाता है. उदाहरण के लिए, L = 3 के लिए:

• result1[i0, ..., :, iR-2, iR-1] = ifft(operand[i0, ..., :, iR-2, iR-1]).
• result2[i0, ..., :, iR-1] = ifft(result1[i0, ..., :, iR-1]).
• result[i0, ..., :] = irfft(result2[i0, ..., :]).

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	operand	फ़्लोटिंग-पॉइंट या कॉम्प्लेक्स टाइप का टेंसर	(C1), (C2), (C4), (C5)
(I2)	fft_type	FFT, IFFT, RFFT, और IRFFT की Enum	(C2), (C5)
(I3)	fft_length	si64 टाइप का 1-डाइमेंशन टेंसर कॉन्सटेंट	(C1), (C3), (C4)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
result	फ़्लोटिंग-पॉइंट या कॉम्प्लेक्स टाइप का टेंसर	(C2), (C4), (C5)

कंस्ट्रेंट

• (C1) size(fft_length) <= rank(operand).
• (C2) अलग-अलग तरह के operand और result एलिमेंट के बीच संबंध अलग-अलग होता है:
  • अगर fft_type = FFT, element_type(operand), और element_type(result) का कॉम्प्लेक्स टाइप एक ही है.
  • अगर fft_type = IFFT, element_type(operand), और element_type(result) का कॉम्प्लेक्स टाइप एक ही है.
  • अगर fft_type = RFFT है, तो element_type(operand) एक फ़्लोटिंग-पॉइंट टाइप है और element_type(result) एक ही फ़्लोटिंग-पॉइंट वाले सिमैंटिक का कॉम्प्लेक्स टाइप है.
  • अगर fft_type = IRFFT है, तो element_type(operand) एक कॉम्प्लेक्स टाइप है और element_type(result) एक ही फ़्लोटिंग-पॉइंट वाले सिमैंटिक का फ़्लोटिंग-पॉइंट टाइप है.
• (C3) 1 <= size(fft_length) <= 3.
• (C4) अगर operand और result में से, फ़्लोटिंग-पॉइंट टाइप का टेंसर real है, तो shape(real)[-size(fft_length):] = fft_length होगा.
• (C5) shape(result) = shape(operand), हालांकि:
  • अगर fft_type = RFFT, dim(result, -1) = dim(operand, -1) = 0 ? 0 : dim(operand, -1) / 2 + 1.
  • अगर fft_type = IRFFT, dim(operand, -1) = dim(result, -1) = 0 ? 0 : dim(result, -1) / 2 + 1.

उदाहरण

// %operand: [(1.0, 0.0), (0.0, 0.0), (0.0, 0.0), (0.0, 0.0)]
%result = "stablehlo.fft"(%operand) {
  fft_type = #stablehlo<fft_type FFT>,
  fft_length = dense<4> : tensor<1xi64>
} : (tensor<4xcomplex<f32>>) -> tensor<4xcomplex<f32>>
// %result: [(1.0, 0.0), (1.0, 0.0), (1.0, 0.0), (1.0, 0.0)]

फ़्लोर ऑपरेटर डालें

सिमैंटिक

एलिमेंट के हिसाब से operand टेंसर के फ़्लोर से नतीजे देता है और result टेंसर बनाता है. IEEE-754 के स्पेसिफ़िकेशन के मुताबिक roundToIntegralTowardNegative कार्रवाई को लागू करता है. संख्या वाले टाइप के लिए, यह वैल्यू dequantize_op_quantize(floor, operand, type(result)) के हिसाब से होती है.

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	operand	फ़्लोटिंग-पॉइंट टाइप या पर-टेन्सर का इस्तेमाल किया गया टेंसर	(सी1)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
result	फ़्लोटिंग-पॉइंट टाइप या पर-टेन्सर का इस्तेमाल किया गया टेंसर	(सी1)

कंस्ट्रेंट

• (C1) baseline_type(operand) = baseline_type(result).

उदाहरण

// %operand: [-0.8166, -0.2530, 0.2530, 0.8166, 2.0]
%result = "stablehlo.floor"(%operand) : (tensor<5xf32>) -> tensor<5xf32>
// %result: [-1.0, -1.0, 0.0, 0.0, 2.0]

ज़्यादा उदाहरण

इकट्ठा करना

सिमैंटिक

start_indices में बताए गए ऑफ़सेट से operand टेंसर से स्लाइस इकट्ठा करता है और result टेंसर बनाता है.

यह डायग्राम दिखाता है कि result में मौजूद एलिमेंट, कैसे operand में मौजूद एलिमेंट को कंक्रीट के उदाहरण का इस्तेमाल करके मैप करते हैं. इस डायग्राम में, result इंडेक्स के कुछ उदाहरण दिए गए हैं. साथ ही, यह जानकारी दी गई है कि वे किस operand इंडेक्स से जुड़े हैं.

औपचारिक तौर पर, result[result_index] = operand[operand_index] जहां:

• batch_dims = [d for d in axes(result) and d not in offset_dims].
• batch_index = result_index[batch_dims...].
• start_index का मतलब है:
  • start_indices[bi0, ..., :, ..., biN] में, जहां batch_index में bi अलग-अलग एलिमेंट होते हैं और : को index_vector_dim इंडेक्स में डाला जाता है. ऐसा तब होता है, जब index_vector_dim < rank(start_indices) हो.
  • अगर ऐसा नहीं है, तो [start_indices[batch_index]].
• axes(operand) में मौजूद d_operand के लिए,
  • full_start_index[d_operand] = clamp(start_index[d_start], 0, dim(operand, d_operand) - slice_sizes[d_operand]) अगर d_operand = start_index_map[d_start] हो.
  • अगर ऐसा नहीं है, तो full_start_index[d_operand] = 0.
• offset_index = result_index[offset_dims...].
• full_offset_index = [oi0, ..., 0, ..., oiN], जहां offset_index में oi अलग-अलग एलिमेंट होते हैं और 0 को collapsed_slice_dims के इंडेक्स में शामिल किया जाता है.
• operand_index = full_start_index + full_offset_index.

अगर indices_are_sorted, true है, तो लागू करने के तरीके में यह माना जा सकता है कि start_indices को start_index_map के हिसाब से क्रम में लगाया गया है. ऐसा न होने पर, व्यवहार के बारे में जानकारी नहीं दी जाती. औपचारिक तौर पर, indices(result) के सभी i1 < i2 के लिए, full_start_index(i1) <= full_start_index(i2).

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	operand	टेंसर या पर-टेंसर मात्रा में मापा गया टेंसर	(C1), (C7), (C10-C12), (C14)
(I2)	start_indices	पूर्णांक टाइप का टेंसर	(C2), (C3), (C13)
(I3)	offset_dims	si64 टाइप का 1-डाइमेंशन टेंसर कॉन्सटेंट	(C1), (C4-C5), (C13)
(I4)	collapsed_slice_dims	si64 टाइप का 1-डाइमेंशन टेंसर कॉन्सटेंट	(C1), (C6-C8), (C13)
(I5)	start_index_map	si64 टाइप का 1-डाइमेंशन टेंसर कॉन्सटेंट	(C3), (C9), (C10)
(I6)	index_vector_dim	si64 टाइप का कॉन्सटेंट	(C2), (C3), (C13)
(I7)	slice_sizes	si64 टाइप का 1-डाइमेंशन टेंसर कॉन्सटेंट	(C8), (C11-C13)
(I8)	indices_are_sorted	i1 टाइप का कॉन्सटेंट

आउटपुट

नाम	टाइप	कंस्ट्रेंट
result	टेंसर या पर-टेंसर मात्रा में मापा गया टेंसर	(C5), (C13-C14)

कंस्ट्रेंट

• (C1) rank(operand) = size(offset_dims) + size(collapsed_slice_dims).
• (C2) 0 <= index_vector_dim <= rank(start_indices).
• (C3) size(start_index_map) = index_vector_dim < rank(start_indices) ? dim(start_indices, index_vector_dim) : 1.
• (C4) is_unique(offset_dims) and is_sorted(offset_dims).
• (C5) 0 <= offset_dims < rank(result).
• (C6) is_unique(collapsed_slice_dims) and is_sorted(collapsed_slice_dims).
• (C7) 0 <= collapsed_slice_dims < rank(operand).
• (C8) slice_sizes[collapsed_slice_dims...] <= 1.
• (C9) is_unique(start_index_map).
• (C10) 0 <= start_index_map < rank(operand).
• (C11) size(slice_sizes) = rank(operand).
• (C12) 0 <= slice_sizes <= shape(operand).
• (C13) shape(result) = combine(batch_dim_sizes, offset_dim_sizes) जहां:
  • batch_dim_sizes = shape(start_indices) के अलावा, इसमें index_vector_dim से जुड़ा start_indices डाइमेंशन साइज़ शामिल नहीं है.
  • offset_dim_sizes = shape(slice_sizes), सिर्फ़ slice_sizes में, collapsed_slice_dims से जुड़े डाइमेंशन साइज़ शामिल नहीं किए गए हैं.
  • combine, batch_dim_sizes को batch_dims के हिसाब से ऐक्सिस पर और offset_dim_sizes को offset_dims से जुड़े ऐक्सिस पर रखता है.
• (C14) element_type(operand) = element_type(result).

उदाहरण

// %operand: [
//            [[1, 2], [3, 4], [5, 6], [7, 8]],
//            [[9, 10],[11, 12], [13, 14], [15, 16]],
//            [[17, 18], [19, 20], [21, 22], [23, 24]]
//           ]
// %start_indices: [
//                  [[0, 0], [1, 0], [2, 1]],
//                  [[0, 1], [1, 1], [0, 2]]
//                 ]
%result = "stablehlo.gather"(%operand, %start_indices) {
  dimension_numbers = #stablehlo.gather<
    offset_dims = [2, 3],
    collapsed_slice_dims = [0],
    start_index_map = [1, 0],
    index_vector_dim = 2>,
  slice_sizes = dense<[1, 2, 2]> : tensor<3xi64>,
  indices_are_sorted = false
} : (tensor<3x4x2xi32>, tensor<2x3x2xi64>) -> tensor<2x3x2x2xi32>
// %result: [
//            [
//              [[1, 2], [3, 4]],
//              [[3, 4], [5, 6]],
//              [[13, 14], [15, 16]]
//            ],
//            [
//              [[9, 10], [11, 12]],
//              [[11, 12], [13, 14]],
//              [[17, 18], [19, 20]]
//            ]
//          ]

ज़्यादा उदाहरण

get_dimension_size

सिमैंटिक

operand के दिए गए dimension के साइज़ की वैल्यू जनरेट करता है. औपचारिक तौर पर, result = dim(operand, dimension).

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	operand	टेंसर	(सी1)
(I2)	dimension	si64 टाइप का कॉन्सटेंट	(सी1)

आउटपुट

नाम	टाइप
result	si32 टाइप का 0-डाइमेंशन वाला टेंसर

कंस्ट्रेंट

• (C1) 0 <= dimension < rank(operand).

उदाहरण

// %operand: [[1, 2, 3], [4, 5, 6]]
%result = "stablehlo.get_dimension_size"(%operand) {
  dimension = 1 : i64
} : (tensor<2x3xi64>) -> tensor<i32>
// %result: 3

ज़्यादा उदाहरण

get_tuple_element

सिमैंटिक

operand टपल की index पोज़िशन पर एलिमेंट एक्सट्रैक्ट करता है और result बनाता है. औपचारिक तौर पर, result = operand[index].

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	operand	tuple	(C1), (C2)
(I2)	index	si32 टाइप का कॉन्सटेंट	(C1), (C2)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
result	कोई भी समर्थित प्रकार	(सी2)

कंस्ट्रेंट

• (C1) 0 <= index < size(operand).
• (C2) type(result) = tuple_element_types(operand)[index].

उदाहरण

// %operand: ([1.0, 2.0], (3))
%result = "stablehlo.get_tuple_element"(%operand) {
  index = 0 : i32
} : (tuple<tensor<2xf32>, tuple<tensor<i32>>>) -> tensor<2xf32>
// %result: [1.0, 2.0]

ज़्यादा उदाहरण

if

सिमैंटिक

pred की वैल्यू के आधार पर, true_branch या false_branch से सिर्फ़ एक फ़ंक्शन को एक्ज़ीक्यूट करने पर आउटपुट देता है. औपचारिक तौर पर, result = pred ? true_branch() : false_branch().

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	pred	i1 टाइप का 0-डाइमेंशन वाला टेंसर
(I2)	true_branch	फ़ंक्शन	(सी1-सी3)
(I3)	false_branch	फ़ंक्शन	(C1), (C2)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
results	टेंसर की अलग-अलग संख्या, मात्रा वाले टेंसर या टोकन	(सी3)

कंस्ट्रेंट

• (C1) input_types(true_branch) = input_types(false_branch) = [].
• (C2) output_types(true_branch) = output_types(false_branch).
• (C3) type(results...) = output_types(true_branch).

उदाहरण

// %result_true_branch: 10
// %result_false_branch: 11
// %pred: true
%result = "stablehlo.if"(%pred) ({
  "stablehlo.return"(%result_true_branch) : (tensor<i32>) -> ()
}, {
  "stablehlo.return"(%result_false_branch) : (tensor<i32>) -> ()
}) : (tensor<i1>) -> tensor<i32>
// %result: 10

ज़्यादा उदाहरण

इमेज

सिमैंटिक

operand से, एलिमेंट के हिसाब से काल्पनिक हिस्सा निकालता है और result टेंसर बनाता है. औपचारिक तौर पर, हर एलिमेंट x के लिए: imag(x) = is_complex(x) ? imaginary_part(x) : constant(0, element_type(result)).

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	operand	फ़्लोटिंग-पॉइंट या कॉम्प्लेक्स टाइप का टेंसर	(C1), (C2)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
result	फ़्लोटिंग-पॉइंट टाइप का टेंसर	(C1), (C2)

कंस्ट्रेंट

• (C1) shape(result) = shape(operand).
• (C2) element_type(result) इस तरह परिभाषित किया गया है:
  • अगर is_complex(operand) है, तो complex_element_type(element_type(operand)).
  • अगर ऐसा नहीं है, तो element_type(operand).

उदाहरण

// %operand: [(1.0, 2.0), (3.0, 4.0)]
%result = "stablehlo.imag"(%operand) : (tensor<2xcomplex<f32>>) -> tensor<2xf32>
// %result: [2.0, 4.0]

ज़्यादा उदाहरण

इनफ़ीड

सिमैंटिक

फ़ीड में मौजूद डेटा को पढ़ता है और results जनरेट करता है.

infeed_config के सिमैंटिक लागू करने से तय होते हैं.

results में पेलोड की वैल्यू पहले और बाद में आने वाला टोकन होता है. आने वाले समय में, हम पेलोड और टोकन को दो अलग-अलग आउटपुट में बांटने की योजना बना रहे हैं, ताकि बेहतर तरीके से काम किया जा सके (#670).

इनपुट

लेबल	नाम	टाइप
(I1)	token	token
(I2)	infeed_config	string टाइप का कॉन्सटेंट

आउटपुट

नाम	टाइप	कंस्ट्रेंट
results	टेंसर की अलग-अलग संख्या, मात्रा वाले टेंसर या टोकन	(सी1-सी3)

कंस्ट्रेंट

• (C1) 0 < size(results).
• (C2) is_empty(result[:-1]) या is_tensor(type(results[:-1])).
• (C3) is_token(type(results[-1])).

उदाहरण

// %token: !stablehlo.token
// infeed_queue[0]: [[1, 2], [3, 4]]
// infeed_queue[1]: [[5, 6], [7, 8]]
%results0:2 = "stablehlo.infeed"(%token) {
  infeed_config = ""
} : (!stablehlo.token) -> (tensor<2x2xi64>, !stablehlo.token)
// results0#0: [[1, 2], [3, 4]]
%results1:2 = "stablehlo.infeed"(%token) {
  infeed_config = ""
} : (!stablehlo.token) -> (tensor<2x2xi64>, !stablehlo.token)
// results1#0: [[5, 6], [7, 8]]

ज़्यादा उदाहरण

आयोटा

सिमैंटिक

iota_dimension डाइमेंशन के साथ शून्य से शुरू होने वाले बढ़ते क्रम में, output टेंसर में वैल्यू भरता है. औपचारिक तौर पर,

output[result_index] = constant(is_quantized(output) ? quantize(result_index[iota_dimension], element_type(output)) : result_index[iota_dimension], element_type(output)).

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	iota_dimension	si64	(सी1)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
output	पूर्णांक, फ़्लोटिंग-पॉइंट या कॉम्प्लेक्स टाइप या पर-टेन्सर का क्वानंटाइज़ किया गया टेंसर	(सी1)

कंस्ट्रेंट

• (C1) 0 <= iota_dimension < rank(output).

उदाहरण

%output = "stablehlo.iota"() {
  iota_dimension = 0 : i64
} : () -> tensor<4x5xi32>
// %output: [
//           [0, 0, 0, 0, 0],
//           [1, 1, 1, 1, 1],
//           [2, 2, 2, 2, 2],
//           [3, 3, 3, 3, 3]
//          ]

%output = "stablehlo.iota"() {
  iota_dimension = 1 : i64
} : () -> tensor<4x5xi32>
// %output: [
//           [0, 1, 2, 3, 4],
//           [0, 1, 2, 3, 4],
//           [0, 1, 2, 3, 4],
//           [0, 1, 2, 3, 4]
//          ]

ज़्यादा उदाहरण

is_finite

सिमैंटिक

एलिमेंट के हिसाब से जांच करता है कि क्या x में वैल्यू सीमित है (जैसे, न तो +Inf, -Inf, और न ही NaN) और y टेंसर देता है. IEEE-754 स्पेसिफ़िकेशन के मुताबिक isFinite ऑपरेशन लागू करता है. संख्या वाले टाइप के लिए, नतीजा हमेशा true होता है.

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	x	फ़्लोटिंग-पॉइंट टाइप या पर-टेन्सर का इस्तेमाल किया गया टेंसर	(सी1)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
y	बूलियन टाइप का टेंसर	(सी1)

कंस्ट्रेंट

• (C1) shape(x) = shape(y).

उदाहरण

// Logical values: -Inf, +Inf, NaN, ...
// %x: [0xFFF0000000000000, 0x7FF0000000000000, 0x7FF8000000000000, -10.0, -0.0, 0.0, 10.0]
%y = "stablehlo.is_finite"(%x) : (tensor<7xf64) -> tensor<7xi1>
// %y: [false, false, false, true, true, true, true]

ज़्यादा उदाहरण

log

सिमैंटिक

यह operand टेंसर पर, एलिमेंट के हिसाब से लॉगारिद्म (लघुगणक) की कार्रवाई करता है और result टेंसर बनाता है. एलिमेंट टाइप के आधार पर, ये काम करता है:

• फ़्लोट के लिए: IEEE-754 से log.
• कॉम्प्लेक्स नंबर (समिश्र संख्याओं) के लिए: कॉम्प्लेक्स लॉगारिद्म.
• संख्या वाले टाइप के लिए: dequantize_op_quantize(log, operand, type(result)).

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	operand	फ़्लोटिंग-पॉइंट या कॉम्प्लेक्स टाइप या पर-टेंसर क्वानटिाइज़्ड टेंसर का टेंसर	(सी1)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
result	फ़्लोटिंग-पॉइंट या कॉम्प्लेक्स टाइप या पर-टेंसर क्वानटिाइज़्ड टेंसर का टेंसर	(सी1)

कंस्ट्रेंट

• (C1) baseline_type(operand) = baseline_type(result).

उदाहरण

// %operand: [[1.0, 2.0], [3.0, 4.0]]
%result = "stablehlo.log"(%operand) : (tensor<2x2xf64>) -> tensor<2x2xf64>
// %result: [[0.0, 0.69314718055994529], [1.0986122886681098, 1.3862943611198906]]

ज़्यादा उदाहरण

log_plus_one

सिमैंटिक

operand टेंसर पर, एलिमेंट के हिसाब से लॉगारिद्म और एक कार्रवाई करता है. साथ ही, result टेंसर बनाता है. एलिमेंट टाइप के आधार पर, ये काम करता है:

• फ़्लोट के लिए: IEEE-754 से logp1.
• कॉम्प्लेक्स नंबर के लिए: कॉम्प्लेक्स लॉगारिद्म और वन.
• संख्या वाले टाइप के लिए: dequantize_op_quantize(log_plus_one, operand, type(result)).

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	operand	फ़्लोटिंग-पॉइंट या कॉम्प्लेक्स टाइप या पर-टेंसर क्वानटिाइज़्ड टेंसर का टेंसर	(सी1)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
result	फ़्लोटिंग-पॉइंट या कॉम्प्लेक्स टाइप या पर-टेंसर क्वानटिाइज़्ड टेंसर का टेंसर	(सी1)

कंस्ट्रेंट

• (C1) baseline_type(operand) = baseline_type(result).

उदाहरण

// %operand: [0.0, -0.999, 7.0, 6.38905621, 15.0]
%result = "stablehlo.log_plus_one"(%operand) : (tensor<5xf64>) -> tensor<5xf64>
// %result: [0.0, -6.90776825, 2.07944155, 2.0, 2.77258873]

ज़्यादा उदाहरण

लॉजिस्टिक

सिमैंटिक

यह operand टेंसर पर एलिमेंट के हिसाब से लॉजिस्टिक ऑपरेशन करता है और result टेंसर बनाता है. एलिमेंट टाइप के आधार पर, ये काम करता है:

• फ़्लोट के लिए: IEEE-754 से division(1, addition(1, exp(-x))).
• कॉम्प्लेक्स नंबर के लिए: कॉम्प्लेक्स लॉजिस्टिक.
• संख्या वाले टाइप के लिए: dequantize_op_quantize(logistic, operand, type(result)).

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	operand	फ़्लोटिंग-पॉइंट या कॉम्प्लेक्स टाइप या पर-टेंसर क्वानटिाइज़्ड टेंसर का टेंसर	(सी1)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
result	फ़्लोटिंग-पॉइंट या कॉम्प्लेक्स टाइप या पर-टेंसर क्वानटिाइज़्ड टेंसर का टेंसर	(सी1)

कंस्ट्रेंट

• (C1) baseline_type(operand) = baseline_type(result).

उदाहरण

// %operand: [[0.0, 1.0], [2.0, 3.0]]
%result = "stablehlo.logistic"(%operand) : (tensor<2x2xf64>) -> tensor<2x2xf64>
// %result: [[0.5, 0.73105858], [0.88079708, 0.95257413]]

ज़्यादा उदाहरण

मैप

सिमैंटिक

dimensions के किनारे, मैप फ़ंक्शन computation को inputs पर लागू करता है और result टेंसर बनाता है.

औपचारिक तौर पर, result[result_index] = computation(inputs...[result_index]). ध्यान दें कि फ़िलहाल, dimensions का इस्तेमाल नहीं किया गया है और ऐसा हो सकता है कि आने वाले समय में इसे हटा दिया जाए (#487).

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	inputs	टेंसर की अलग-अलग संख्या या पर-टेंसर के मात्रा वाले टेंसर	(सी1-सी4)
(I2)	dimensions	si64 टाइप का 1-डाइमेंशन टेंसर कॉन्सटेंट	(सी3)
(I3)	computation	फ़ंक्शन	(सी4)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
result	टेंसर या पर-टेंसर मात्रा में मापा गया टेंसर	(C1), (C4)

कंस्ट्रेंट

• (C1) shape(inputs...) = shape(result).
• (C2) 0 < size(inputs) = N.
• (C3) dimensions = range(rank(inputs[0])).
• (C4) computation का टाइप (tensor<E0>, ..., tensor<EN-1>) -> tensor<E'> है, जिसमें Ei = element_type(inputs[i]) और E' = element_type(result) शामिल हैं.

उदाहरण

// %input0: [[0, 1], [2, 3]]
// %input1: [[4, 5], [6, 7]]
%result = "stablehlo.map"(%input0, %input1) ({
  ^bb0(%arg0: tensor<i64>, %arg1: tensor<i64>):
    %0 = stablehlo.multiply %arg0, %arg1 : tensor<i64>
    stablehlo.return %0 : tensor<i64>
}) {
  dimensions = dense<[0, 1]> : tensor<2xi64>
} : (tensor<2x2xi64>, tensor<2x2xi64>) -> tensor<2x2xi64>
// %result: [[0, 5], [12, 21]]

ज़्यादा उदाहरण

ज़्यादा से ज़्यादा

सिमैंटिक

यह टेंसर lhs और rhs पर, एलिमेंट के हिसाब से ज़्यादा से ज़्यादा कार्रवाई करता है और result टेंसर बनाता है. एलिमेंट टाइप के आधार पर, ये काम करता है:

• बूलियन के लिए: लॉजिकल OR.
• पूर्णांकों के लिए: ज़्यादा से ज़्यादा पूर्णांक.
• फ़्लोट के लिए: IEEE-754 से maximum.
• कॉम्प्लेक्स नंबर के लिए: (real, imaginary) पेयर के लिए ज़्यादा से ज़्यादा लेक्सिकोग्राफ़िक. कॉम्प्लेक्स नंबर का क्रम लागू करने में हैरान करने वाले सिमैंटिक शामिल होते हैं. इसलिए, आने वाले समय में हम इस ऑपरेशन (#560) के लिए, कॉम्प्लेक्स नंबर का इस्तेमाल हटाने की योजना बना रहे हैं.
• संख्या वाले टाइप के लिए:
  • dequantize_op_quantize(maximum, lhs, rhs, type(result)).

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	lhs	टेंसर या पर-टेंसर मात्रा में मापा गया टेंसर	(सी1)
(I2)	rhs	टेंसर या पर-टेंसर मात्रा में मापा गया टेंसर	(सी1)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
result	टेंसर या पर-टेंसर मात्रा में मापा गया टेंसर	(सी1)

कंस्ट्रेंट

• (C1) baseline_type(lhs) = baseline_type(rhs) = baseline_type(result).

उदाहरण

// %lhs: [[1, 2], [7, 8]]
// %rhs: [[5, 6], [3, 4]]
%result = "stablehlo.maximum"(%lhs, %rhs) : (tensor<2x2xi32>, tensor<2x2xi32>) -> tensor<2x2xi32>
// %result: [[5, 6], [7, 8]]

ज़्यादा उदाहरण

कम से कम

सिमैंटिक

यह टेंसर lhs और rhs पर, एलिमेंट के हिसाब से कम से कम कार्रवाई करता है और result टेंसर बनाता है. एलिमेंट टाइप के आधार पर, ये काम करता है:

• बूलियन के लिए: लॉजिकल AND.
• पूर्णांकों के लिए: कम से कम पूर्णांक.
• फ़्लोट के लिए: IEEE-754 से minimum.
• कॉम्प्लेक्स नंबर के लिए: (real, imaginary) पेयर के लिए कम से कम लेक्सिकोग्राफ़िक होना चाहिए. कॉम्प्लेक्स नंबर का क्रम लागू करने में हैरान करने वाले सिमैंटिक शामिल होते हैं. इसलिए, आने वाले समय में हम इस ऑपरेशन (#560) के लिए, कॉम्प्लेक्स नंबर का इस्तेमाल हटाने की योजना बना रहे हैं.
• संख्या वाले टाइप के लिए:
  • dequantize_op_quantize(minimum, lhs, rhs, type(result)).

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	lhs	टेंसर या पर-टेंसर मात्रा में मापा गया टेंसर	(सी1)
(I2)	rhs	टेंसर या पर-टेंसर मात्रा में मापा गया टेंसर	(सी1)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
result	टेंसर या पर-टेंसर मात्रा में मापा गया टेंसर	(सी1)

कंस्ट्रेंट

• (C1) baseline_type(lhs) = baseline_type(rhs) = baseline_type(result).

उदाहरण

// %lhs: [[1, 2], [7, 8]]
// %rhs: [[5, 6], [3, 4]]
%result = "stablehlo.minimum"(%lhs, %rhs) : (tensor<2x2xi32>, tensor<2x2xi32>) -> tensor<2x2xi32>
// %result: [[1, 2], [3, 4]]

ज़्यादा उदाहरण

गुणा करें

सिमैंटिक

एलिमेंट के हिसाब से, दो टेंसर lhs और rhs का गुणनफल करता है और result टेंसर बनाता है. एलिमेंट टाइप के आधार पर, ये काम करता है:

• बूलियन के लिए: लॉजिकल AND.
• पूर्णांकों के लिए: पूर्णांक का गुणा करना.
• फ़्लोट के लिए: IEEE-754 से multiplication.
• सम्मिश्र संख्याओं के लिए: जटिल गुणन.
• संख्या वाले टाइप के लिए:
  • dequantize_op_quantize(multiply, lhs, rhs, type(result)).

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	lhs	टेंसर या पर-टेंसर मात्रा में मापा गया टेंसर	(सी1)
(I2)	rhs	टेंसर या पर-टेंसर मात्रा में मापा गया टेंसर	(सी1)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
result	टेंसर या पर-टेंसर मात्रा में मापा गया टेंसर	(सी1)

कंस्ट्रेंट

• (C1) baseline_type(operand) = baseline_type(result).

उदाहरण

// %lhs: [[1, 2], [3, 4]]
// %rhs: [[5, 6], [7, 8]]
%result = "stablehlo.multiply"(%lhs, %rhs) : (tensor<2x2xi32>, tensor<2x2xi32>) -> tensor<2x2xi32>
// %result: [[5, 12], [21, 32]]

ज़्यादा उदाहरण

ऋण का चिह्न

सिमैंटिक

एलिमेंट के हिसाब से operand टेंसर निगेशन करता है और result टेंसर बनाता है. एलिमेंट टाइप के आधार पर, ये काम करता है:

• साइन किए गए पूर्णांक के लिए: पूर्णांक निगेशन.
• साइन नहीं किए गए पूर्णांक के लिए: बिटकास्ट करके साइन किए गए पूर्णांक पर, पूर्णांक निगेशन, बिटकास्ट करके साइन नहीं किए गए पूर्णांक पर वापस जाएं.
• फ़्लोट के लिए: IEEE-754 से negate.
• कॉम्प्लेक्स नंबर के लिए: कॉम्प्लेक्स निगेशन.
• संख्या वाले टाइप के लिए: dequantize_op_quantize(negate, operand, type(result)).

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	operand	पूर्णांक, फ़्लोटिंग-पॉइंट या कॉम्प्लेक्स टाइप या पर-टेन्सर से क्वान्टाइज़्ड टेंसर का टेंसर	(सी1)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
result	पूर्णांक, फ़्लोटिंग-पॉइंट या कॉम्प्लेक्स टाइप या पर-टेन्सर से क्वान्टाइज़्ड टेंसर का टेंसर	(सी1)

कंस्ट्रेंट

• (C1) baseline_type(operand) = baseline_type(result).

उदाहरण

// Negation operation with integer Tensors
// %operand: [0, -2]
%result = "stablehlo.negate"(%operand) : (tensor<2xi32>) -> tensor<2xi32>
// %result: [0, 2]

// Negation operation with with complex tensors
// %operand: (2.5, 0.0)
%result = "stablehlo.negate"(%operand) : (tensor<1xcomplex<f32>>) -> tensor<1xcomplex<f32>>
// %result: [-2.5, -0.0]

ज़्यादा उदाहरण

नहीं

सिमैंटिक

टेंसर operand के बजाय, एलिमेंट के हिसाब से result टेंसर बनाता है. एलिमेंट टाइप के आधार पर, ये काम करता है:

• बूलियन के लिए: लॉजिकल NOT.
• पूर्णांकों के लिए: बिट के मुताबिक NOT.

तर्क

नाम	टाइप	कंस्ट्रेंट
operand	बूलियन या पूर्णांक टाइप का टेंसर	(सी1)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
result	बूलियन या पूर्णांक टाइप का टेंसर	(सी1)

कंस्ट्रेंट

• (C1) type(operand) = type(result).

उदाहरण

// Bitwise operation with with integer tensors
// %operand: [[1, 2], [3, 4]]
%result = "stablehlo.not"(%operand) : (tensor<2x2xi32>) -> tensor<2x2xi32>
// %result: [[-2, -3], [-4, -5]]

// Bitwise operation with with boolean tensors
// %operand: [true, false]
%result = "stablehlo.not"(%operand) : (tensor<2xi1>) -> tensor<2xi1>
// %result: [false, true]

optimization_barrier

सिमैंटिक

यह पक्का करता है कि operand बनाने वाले ऑपरेशन, result पर निर्भर किसी भी ऑपरेशन से पहले एक्ज़िक्यूट होते हैं. साथ ही, कंपाइलर ट्रांसफ़ॉर्मेशन को बैरियर पर मूव करने से रोकते हैं. इसके अलावा, यह कार्रवाई एक आइडेंटिटी है, जैसे कि result = operand.

तर्क

नाम	टाइप	कंस्ट्रेंट
operand	टेंसर की अलग-अलग संख्या, पर-टेनर मात्रा के हिसाब से संख्या में पाए गए टेंसर या टोकन	(सी1)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
result	टेंसर की अलग-अलग संख्या, पर-टेनर मात्रा के हिसाब से संख्या में पाए गए टेंसर या टोकन	(सी1)

कंस्ट्रेंट

• (C1) type(operand...) = type(result...).

उदाहरण

// %operand0: 0.0
// %operand1: 1.0
%result0, %result1 = "stablehlo.optimization_barrier"(%operand0, %operand1) : (tensor<f32>, tensor<f32>) -> (tensor<f32>, tensor<f32>)
// %result0: 0.0
// %result1: 1.0

ज़्यादा उदाहरण

या

सिमैंटिक

दो टेंसर lhs और rhs पर, एलिमेंट के हिसाब से OR result टेंसर बनाता है. एलिमेंट टाइप के आधार पर, ये काम करता है:

• बूलियन के लिए: लॉजिकल OR.
• पूर्णांक के लिए: बिट के मुताबिक OR.

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	lhs	पूर्णांक या बूलियन टाइप का टेंसर	(सी1)
(I2)	rhs	पूर्णांक या बूलियन टाइप का टेंसर	(सी1)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
result	पूर्णांक या बूलियन टाइप का टेंसर	(सी1)

कंस्ट्रेंट

• (C1) type(lhs) = type(rhs) = type(result).

उदाहरण

// Bitwise operation with with integer tensors
// %lhs: [[1, 2], [3, 4]]
// %rhs: [[5, 6], [7, 8]]
%result = "stablehlo.or"(%lhs, %rhs) : (tensor<2x2xi32>, tensor<2x2xi32>) -> tensor<2x2xi32>
// %result: [[5, 6], [7, 12]]

// Logical operation with with boolean tensors
// %lhs: [[false, false], [true, true]]
// %rhs: [[false, true], [false, true]]
%result = "stablehlo.or"(%lhs, %rhs) : (tensor<2x2xi1>, tensor<2x2xi1>) -> tensor<2x2xi1>
// %result: [[false, true], [true, true]]

आउटफ़ीड

सिमैंटिक

आउटफ़ीड में inputs को लिखता है और result टोकन बनाता है.

outfeed_config के सिमैंटिक लागू करने से तय होते हैं.

इनपुट

लेबल	नाम	टाइप
(I1)	inputs	टेंसर या क्वांटाइज़्ड टेंसर की अलग-अलग संख्या
(I2)	token	token
(I3)	outfeed_config	string टाइप का कॉन्सटेंट

आउटपुट

नाम	टाइप
result	token

उदाहरण

%result = "stablehlo.outfeed"(%inputs0, %token) {
  outfeed_config = ""
} : (tensor<2x2x2xi64>, !stablehlo.token) -> !stablehlo.token

ज़्यादा उदाहरण

पैड

सिमैंटिक

दिए गए padding_value की मदद से, operand को टेंसर के चारों ओर और साथ ही टेंसर के एलिमेंट के बीच में रखकर, operand को बड़ा करता है.

edge_padding_low और edge_padding_high, हर डाइमेंशन के लो-एंड (इंडेक्स 0 के बगल में) और हाई-एंड (सबसे बड़े इंडेक्स के बगल में) में जोड़ी गई पैडिंग की संख्या बताते हैं. पैडिंग की संख्या नेगेटिव हो सकती है. यहां नेगेटिव पैडिंग की कुल वैल्यू, तय किए गए डाइमेंशन से हटाए जाने वाले एलिमेंट की संख्या बताती है.

interior_padding, हर डाइमेंशन में किसी भी दो एलिमेंट के बीच जोड़ी गई पैडिंग की संख्या बताता है, जो शायद नेगेटिव न हो. इंटीरियर पैडिंग, एज पैडिंग से पहले होती है, जैसे कि नेगेटिव एज पैडिंग, इंटीरियर-पैडेड ऑपरेंड के एलिमेंट को हटा देगी.

औपचारिक तौर पर, result[result_index] को इस तरह परिभाषित किया गया है:

• operand[operand_index] अगर result_index = edge_padding_low + operand_index * (interior_padding + 1).
• अगर ऐसा नहीं है, तो padding_value.

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	operand	टेंसर या पर-टेंसर मात्रा में मापा गया टेंसर	(C1), (C2), (C4)
(I2)	padding_value	0-डाइमेंशन वाले टेंसर या पर-टेन्सर का क्वानटिफ़ाई किया गया टेंसर	(सी1)
(I3)	edge_padding_low	si64 टाइप का 1-डाइमेंशन टेंसर कॉन्सटेंट	(C1), (C4)
(I4)	edge_padding_high	si64 टाइप का 1-डाइमेंशन टेंसर कॉन्सटेंट	(C1), (C4)
(I5)	interior_padding	si64 टाइप का 1-डाइमेंशन टेंसर कॉन्सटेंट	(सी2-सी4)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
result	टेंसर या पर-टेंसर मात्रा में मापा गया टेंसर	(सी3-सी6)

कंस्ट्रेंट

• (C1) element_type(operand) = element_type(padding_value) = element_type(result).
• (C2) size(edge_padding_low) = size(edge_padding_high) = size(interior_padding) = rank(operand).
• (C3) 0 <= interior_padding.
• (C4) shape(result) = shape(operand) + edge_padding_low + max(shape(operand) - 1, 0) * interior_padding + edge_padding_high.

उदाहरण

// %operand: [
//            [1, 2, 3],
//            [4, 5, 6]
//           ]
// %padding_value: 0
%result = "stablehlo.pad"(%operand, %padding_value) {
  edge_padding_low = dense<[0, 1]> : tensor<2xi64>,
  edge_padding_high = dense<[2, 1]> : tensor<2xi64>,
  interior_padding = dense<[1, 2]> : tensor<2xi64>
} : (tensor<2x3xi32>, tensor<i32>) -> tensor<5x9xi32>
// %result: [
//           [0, 1, 0, 0, 2, 0, 0, 3, 0],
//           [0, 0, 0, 0, 0, 0, 0, 0, 0],
//           [0, 4, 0, 0, 5, 0, 0, 6, 0],
//           [0, 0, 0, 0, 0, 0, 0, 0, 0],
//           [0, 0, 0, 0, 0, 0, 0, 0, 0]
//          ]

ज़्यादा उदाहरण

partition_id

सिमैंटिक

मौजूदा प्रोसेस का partition_id बनता है.

आउटपुट

नाम	टाइप
result	ui32 टाइप का 0-डाइमेंशन वाला टेंसर

उदाहरण

%result = "stablehlo.partition_id"() : () -> tensor<ui32>

ज़्यादा उदाहरण

पॉपसींट

सिमैंटिक

operand टेंसर में सेट किए गए बिट की संख्या की एलिमेंट के हिसाब से गिनती करता है और result टेंसर बनाता है.

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	operand	पूर्णांक टाइप का टेंसर	(सी1)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
result	पूर्णांक टाइप का टेंसर	(सी1)

कंस्ट्रेंट

• (C1) type(operand) = type(result).

उदाहरण

// %operand: [0, 1, 2, 127]
%result = "stablehlo.popcnt"(%operand) : (tensor<4xi64>) -> tensor<4xi64>
// %result: [0, 1, 1, 7]

ज़्यादा उदाहरण

शारीरिक गतिविधि से बनी पावर का डेटा

सिमैंटिक

यह फ़ंक्शन, lhs टेंसर को rhs टेंसर के हिसाब से एक्सपोनेन्शियल (तत्व के हिसाब से) करता है और result टेंसर बनाता है. एलिमेंट टाइप के आधार पर, ये काम करता है:

• पूर्णांकों के लिए: पूर्णांक घातांक.
• फ़्लोट के लिए: IEEE-754 से pow.
• सम्मिश्र संख्याओं के लिए: सम्मिश्र घातांक.
• संख्या वाले टाइप के लिए: dequantize_op_quantize(power, lhs, rhs, type(result)).

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	lhs	पूर्णांक, फ़्लोटिंग-पॉइंट या कॉम्प्लेक्स टाइप या पर-टेन्सर से क्वान्टाइज़्ड टेंसर का टेंसर	(सी1)
(I2)	rhs	पूर्णांक, फ़्लोटिंग-पॉइंट या कॉम्प्लेक्स टाइप या पर-टेन्सर से क्वान्टाइज़्ड टेंसर का टेंसर	(सी1)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
result	पूर्णांक, फ़्लोटिंग-पॉइंट या कॉम्प्लेक्स टाइप या पर-टेन्सर से क्वान्टाइज़्ड टेंसर का टेंसर	(सी1)

कंस्ट्रेंट

• (C1) baseline_type(operand) = baseline_type(result).

उदाहरण

// %lhs: [-2.0, -0.0, -36.0, 5.0, 3.0, 10000.0]
// %rhs: [2.0, 2.0, 1.1, 2.0, -1.0, 10.0]
%result = "stablehlo.power"(%lhs, %rhs) : (tensor<6xf64>, tensor<6xf64>) -> tensor<6xf64>
// %result: [4.0, 0.0, -nan, 25.0, 0.333333343, inf]

ज़्यादा उदाहरण

वास्तविक

सिमैंटिक

operand से, एलिमेंट के हिसाब से असली हिस्सा निकालता है और result टेंसर बनाता है. औपचारिक तौर पर, हर एलिमेंट x के लिए: real(x) = is_complex(x) ? real_part(x) : x.

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	operand	फ़्लोटिंग-पॉइंट या कॉम्प्लेक्स टाइप का टेंसर	(C1), (C2)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
result	फ़्लोटिंग-पॉइंट टाइप का टेंसर	(C1), (C2)

कंस्ट्रेंट

• (C1) shape(result) = shape(operand).
• (C2) element_type(result) इस तरह परिभाषित किया गया है:
  • अगर is_complex(operand) है, तो complex_element_type(element_type(operand)).
  • अगर ऐसा नहीं है, तो element_type(operand).

उदाहरण

// %operand: [(1.0, 2.0), (3.0, 4.0)]
%result = "stablehlo.real"(%operand) : (tensor<2xcomplex<f32>>) -> tensor<2xf32>
// %result: [1.0, 3.0]

ज़्यादा उदाहरण

Recv

सिमैंटिक

यह channel_id के साथ किसी चैनल से डेटा लेता है और results बनाता है.

अगर is_host_transfer true है, तो कार्रवाई, होस्ट से डेटा ट्रांसफ़र करती है. ऐसा न होने पर, यह दूसरे डिवाइस से डेटा ट्रांसफ़र करता है. इसका मतलब है कि यह लागू करने के तरीके से तय होता है. यह फ़्लैग, channel_type में दी गई जानकारी का डुप्लीकेट है. इसलिए, आने वाले समय में हम इनमें से सिर्फ़ एक जानकारी (#666) को रखने की योजना बना रहे हैं.

results में पेलोड की वैल्यू पहले और बाद में आने वाला टोकन होता है. आने वाले समय में, हम पेलोड और टोकन को दो अलग-अलग आउटपुट में बांटने की योजना बना रहे हैं, ताकि बेहतर तरीके से काम किया जा सके (#670).

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	token	token	(सी4)
(I2)	channel_id	si64 टाइप का कॉन्सटेंट
(I3)	channel_type	DEVICE_TO_DEVICE और HOST_TO_DEVICE की Enum	(सी1)
(I4)	is_host_transfer	i1 टाइप का कॉन्सटेंट	(सी1)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
results	टेंसर की अलग-अलग संख्या, मात्रा वाले टेंसर या टोकन	(सी2-सी4)

कंस्ट्रेंट

• (C1) channel_type को इस तरह से परिभाषित किया गया है:
  • HOST_TO_DEVICE अगर is_host_transfer = true,
  • अगर ऐसा नहीं है, तो DEVICE_TO_DEVICE.
• (C2) 0 < size(results).
• (C3) is_empty(result[:-1]) या is_tensor(type(results[:-1])).
• (C4) is_token(type(results[-1])).

उदाहरण

%results0, %results1 = "stablehlo.recv"(%token) {
  channel_handle = #stablehlo.channel_handle<handle = 1, type = 3>,
  is_host_transfer = true
} : (!stablehlo.token) -> (tensor<2x2xi64>, !stablehlo.token)

ज़्यादा उदाहरण

कम करें

सिमैंटिक

dimensions के साथ-साथ inputs और init_values पर रिडक्शन फ़ंक्शन body लागू करता है और results टेंसर बनाता है.

कमी का क्रम, लागू करने के क्रम से तय होता है. इसका मतलब है कि body और init_values को एक मोनोइड बनाना चाहिए, ताकि यह पक्का किया जा सके कि ऑपरेशन सभी इनपुट के लिए एक जैसे नतीजे दे. हालांकि, यह स्थिति बहुत कम उत्सर्जन के दायरे में नहीं आती है. उदाहरण के लिए, body के लिए फ़्लोटिंग-पॉइंट जोड़ना और init_values के लिए शून्य, असल में मोनोइड नहीं बनाता है, क्योंकि फ़्लोटिंग-पॉइंट जोड़ संबंध नहीं होता है.

औपचारिक तौर पर, results...[j0, ..., jR-1] = reduce(input_slices_converted) जहां:

• input_slices = inputs...[j0, ..., :, ..., jR-1], जहां dimensions पर : डाले जाते हैं.
• input_slices_converted = to_destination_type(input_slices..., type(func_inputs(body)[:len(func_inputs(body))//2])...).
• init_values_converted = to_destination_type(init_values..., type(func_inputs(body)[len(func_inputs(body))//2:])...).
• कुछ बाइनरी ट्री के लिए reduce(input_slices_converted) = exec(schedule) schedule, जहां:
  • exec(node) = body(exec(node.left), exec(node.right)).
  • exec(leaf) = leaf.value.
• schedule एक लागू लागू किया गया पूरा बाइनरी ट्री है. इसका इन-ऑर्डर ट्रैवर्सल, लागू किए जाने वाले तरीके से तय होता है.
  • index_space(input_slices_converted) में सभी index के लिए, input_slices_converted...[index] की वैल्यू, index के बढ़ते हुए लेक्सिकोग्राफ़िक क्रम में हैं.
  • इसे लागू करने की तय की गई स्थितियों पर, init_values_converted की तय की गई संख्या के साथ बांटा गया हो.

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	inputs	टेंसर की अलग-अलग संख्या या पर-टेंसर के मात्रा वाले टेंसर	(C1-C4), (C6), (C7)
(I2)	init_values	0-डाइमेंशन वाले टेंसर या पर-टेन्सर के मात्रा वाले टेंसर की वैरैडिक संख्या	(C2), (C3)
(I3)	dimensions	si64 टाइप का 1-डाइमेंशन टेंसर कॉन्सटेंट	(C4), (C5), (C7)
(I4)	body	फ़ंक्शन	(सी6)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
results	टेंसर की अलग-अलग संख्या या पर-टेंसर के मात्रा वाले टेंसर	(C3), (C7), (C8)

कंस्ट्रेंट

• (C1) same(shape(inputs...)).
• (C2) element_type(inputs...) = element_type(init_values...).
• (C3) 0 < size(inputs) = size(init_values) = size(results) = N.
• (C4) 0 <= dimensions < rank(inputs[0]).
• (C5) is_unique(dimensions).
• (C6) body का टाइप (tensor<E0>, ..., tensor<EN-1>, tensor<E0>, ..., tensor<EN-1>) -> (tensor<E0>, ..., tensor<EN-1>) है, जहां is_promotable(element_type(inputs[i]), Ei) है.
• (C7) shape(results...) = shape(inputs...), लेकिन dimensions से जुड़े inputs... के डाइमेंशन साइज़ शामिल नहीं किए गए हैं.
• [0,N) में सभी i के लिए (C8) element_type(results[i]) = Ei.

उदाहरण

// %input = [[0, 1, 2, 3, 4, 5]]
// %init_value = 0
%result = "stablehlo.reduce"(%input, %init_value) ({
  ^bb0(%arg0: tensor<i64>, %arg1: tensor<i64>):
    %0 = "stablehlo.add"(%arg0, %arg1) : (tensor<i64>, tensor<i64>) -> tensor<i64>
    "stablehlo.return"(%0) : (tensor<i64>) -> ()
}) {
  dimensions = dense<1> : tensor<1xi64>
} : (tensor<1x6xi64>, tensor<i64>) -> tensor<1xi64>
// %result = [15]

ज़्यादा उदाहरण

reduce_precision

सिमैंटिक

एलिमेंट के हिसाब से operand को किसी दूसरे फ़्लोटिंग-पॉइंट टाइप में बदलता है, जो exponent_bits और mantissa_bits का इस्तेमाल करता है. साथ ही, वापस मूल फ़्लोटिंग-पॉइंट टाइप में बदलता है और output टेंसर बनाता है.

औपचारिक तौर पर:

• मूल वैल्यू के मैंटिसा बिट को अपडेट किया जाता है, ताकि roundToIntegralTiesToEven सिमैंटिक का इस्तेमाल करके, मूल वैल्यू को mantissa_bits की मदद से सबसे करीबी वैल्यू में पूरा किया जा सके.
• इसके बाद, अगर mantissa_bits, ओरिजनल वैल्यू के मैंटिसा बिट की संख्या से कम है, तो मैंटिसा बिट को छोटा करके mantissa_bits कर दिया जाता है.
• इसके बाद, अगर इंटरमीडिएट नतीजे के घातांक बिट, exponent_bits से मिली रेंज में फ़िट नहीं होते हैं, तो इंटरमीडिएट नतीजा, मूल चिह्न का इस्तेमाल करके अनंत संख्या में ओवरफ़्लो हो जाता है. इसके अलावा, मूल चिह्न का इस्तेमाल करके अंडरफ़्लो करके शून्य पर सेट हो जाता है.
• संख्या वाले टाइप के लिए, dequantize_op_quantize( lambda operand: reduce_precision(operand, exponent_bits, mantissa_bits), operand, type(result)) की वैल्यू देता है.

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	operand	फ़्लोटिंग-पॉइंट टाइप या पर-टेन्सर का इस्तेमाल किया गया टेंसर	(सी1)
(I2)	exponent_bits	si32 टाइप का कॉन्सटेंट	(सी2)
(I3)	mantissa_bits	si32 टाइप का कॉन्सटेंट	(सी3)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
output	फ़्लोटिंग-पॉइंट टाइप या पर-टेन्सर का इस्तेमाल किया गया टेंसर	(सी1)

कंस्ट्रेंट

• (C1) baseline_type(operand) = baseline_type(output).
• (C2) 1 <= exponent_bits.
• (C3) 0 <= mantissa_bits.

उदाहरण

// Logical values: +Inf, NaN, +Denormal, 0.0, 65519.0, 65520.0
// %operand: [0x7FF0000000000000, 0x7FFFFFFFFFFFFFFF, 0x0000000000000001, 0.0, 65519.0, 65520.0]
%output = "stablehlo.reduce_precision"(%operand) {
  exponent_bits = 5 : i32,
  mantissa_bits = 10 : i32
} : (tensor<6xf64>) -> tensor<6xf64>
// Logical values: +Inf, NaN, 0.0, 0.0, 65504.0, +Inf
// %output: [0x7FF0000000000000, 0x7FFFFFFFFFFFFFFF, 0.0, 0.0, 65504.0, 0x7FF0000000000000]

ज़्यादा उदाहरण

reduce_scatter

सिमैंटिक

StableHLO प्रोसेस ग्रिड में मौजूद हर प्रोसेस ग्रुप में, रिडक्शन करता है. इसके लिए, हर प्रोसेस के operand टेंसर की वैल्यू पर computations का इस्तेमाल करके, रिडक्शन के नतीजे को scatter_dimension के साथ-साथ कई हिस्सों में बांट दिया जाता है. साथ ही, result बनाने के लिए प्रोसेस के बीच में बंटे हुए हिस्सों को बांट देता है.

यह कार्रवाई, StableHLO प्रोसेस ग्रिड को process_groups में बांटती है, जिसके बारे में इस तरह से बताया गया है:

• cross_replica(replica_groups) अगर channel_id <= 0 and use_global_device_ids = false हो.
• cross_replica_and_partition(replica_groups) अगर channel_id > 0 and use_global_device_ids = false हो.
• flattened_ids(replica_groups) अगर channel_id > 0 and use_global_device_ids = true हो.

इसके बाद, हर process_group के अंदर:

• reduced_value = all_reduce(operand, replica_groups, channel_id, use_global_device_ids, computation).
• parts@sender = split(reduced_value@sender, dim(process_groups, 1), scatter_dimension).
• process_group में मौजूद सभी sender के लिए result@receiver = parts@sender[receiver_index], जहां receiver_index = process_group.index(receiver) है.

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	operand	टेंसर या पर-टेंसर मात्रा में मापा गया टेंसर	(C1), (C2), (C7), (C8)
(I2)	scatter_dimension	si64 टाइप का कॉन्सटेंट	(C1), (C2), (C8)
(I3)	replica_groups	si64 टाइप का 2-डाइमेंशन टेंसर कॉन्सटेंट	(सी3-सी5)
(I4)	channel_id	si64 टाइप का कॉन्सटेंट	(सी6)
(I5)	use_global_device_ids	i1 टाइप का कॉन्सटेंट	(सी6)
(I6)	computation	फ़ंक्शन	(सी7)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
result	टेंसर या पर-टेंसर मात्रा में मापा गया टेंसर	(C8-C9)

कंस्ट्रेंट

• (C1) dim(operand, scatter_dimension) % dim(process_groups, 1) = 0.
• (C2) 0 <= scatter_dimension < rank(operand).
• (C3) is_unique(replica_groups).
• (C4) size(replica_groups) को इस तरह से परिभाषित किया गया है:
  • अगर cross_replica का इस्तेमाल किया गया है, तो num_replicas.
  • अगर cross_replica_and_partition का इस्तेमाल किया गया है, तो num_replicas.
  • अगर flattened_ids का इस्तेमाल किया गया है, तो num_processes.
• (C5) 0 <= replica_groups < size(replica_groups).
• (C6) अगर use_global_device_ids = true है, तो channel_id > 0.
• (C7) computation का टाइप (tensor<E>, tensor<E>) -> (tensor<E>) है, जहां is_promotable(element_type(operand), E) है.
• (C8) shape(result) = shape(operand), इसे छोड़कर:
  • dim(result, scatter_dimension) = dim(operand, scatter_dimension) / dim(process_groups, 1).
• (C9) element_type(result) = E.

उदाहरण

// num_replicas: 2
// num_partitions: 1
// %operand@(0, 0): [[1, 2, 3, 4],
//                   [5, 6, 7, 8]]
// %operand@(1, 0): [[9, 10, 11, 12],
//                   [13, 14, 15, 16]]
%result = "stablehlo.reduce_scatter"(%operand) ({
  ^bb0(%arg0: tensor<i64>, %arg1: tensor<i64>):
  %0 = "stablehlo.add"(%arg0, %arg1) : (tensor<i64>, tensor<i64>) -> tensor<i64>
  "stablehlo.return"(%0) : (tensor<i64>) -> ()
}) {
  scatter_dimension = 1 : i64,
  replica_groups = dense<[[0, 1]]> : tensor<1x2xi64>,
  channel_handle = #stablehlo.channel_handle<handle = 0, type = 0>
} : (tensor<2x4xi64>) -> tensor<2x2xi64>
//
// %result@(0, 0): [[10, 12],
//                  [18, 20]]
// %result@(1, 0): [[14, 16],
//                  [22, 24]]

ज़्यादा उदाहरण

reduce_window

सिमैंटिक

inputs और init_values की विंडो पर कम करने वाला फ़ंक्शन body लागू करता है और results बनाता है.

यह डायग्राम दिखाता है कि कंक्रीट के उदाहरण का इस्तेमाल करके, inputs... से results... में एलिमेंट की गिनती कैसे की जाती है.

औपचारिक तौर पर, results...[result_index] = reduce(windows, init_values, axes(inputs...), body) (कम करें देखें) जहां:

• padded_inputs = pad(inputs..., init_values..., padding[:, 0], padding[:, 1], base_dilations - 1).
• window_start = result_index * window_strides.
• window_end = window_start + (window_dimensions - 1) * window_dilations + 1.
• windows = slice(padded_inputs..., window_start, window_end, window_dilations).

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	inputs	टेंसर की अलग-अलग संख्या या पर-टेंसर के मात्रा वाले टेंसर	(C1-C4), (C6), (C8), (C10), (C12), (C13), (C15)
(I2)	init_values	0-डाइमेंशन वाले टेंसर या पर-टेन्सर के मात्रा वाले टेंसर की वैरैडिक संख्या	(C1), (C13)
(I3)	window_dimensions	si64 टाइप का 1-डाइमेंशन टेंसर कॉन्सटेंट	(C4), (C5), (C15)
(I4)	window_strides	si64 टाइप का 1-डाइमेंशन टेंसर कॉन्सटेंट	(C6), (C7), (C15)
(I5)	base_dilations	si64 टाइप का 1-डाइमेंशन टेंसर कॉन्सटेंट	(C8), (C9), (C15)
(I6)	window_dilations	si64 टाइप का 1-डाइमेंशन टेंसर कॉन्सटेंट	(C10), (C11), (C15)
(I7)	padding	si64 टाइप का 2-डाइमेंशन टेंसर कॉन्सटेंट	(C12), (C15)
(I8)	body	फ़ंक्शन	(C13)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
results	टेंसर की अलग-अलग संख्या या पर-टेंसर के मात्रा वाले टेंसर	(C1), (C14-C16)

कंस्ट्रेंट

• (C1) 0 < size(inputs) = size(init_values) = size(results) = N.
• (C2) same(shape(inputs...)).
• (C3) element_type(inputs...) = element_type(init_values...).
• (C4) size(window_dimensions) = rank(inputs[0]).
• (C5) 0 < window_dimensions.
• (C6) size(window_strides) = rank(inputs[0]).
• (C7) 0 < window_strides.
• (C8) size(base_dilations) = rank(inputs[0]).
• (C9) 0 < base_dilations.
• (C10) size(window_dilations) = rank(inputs[0]).
• (C11) 0 < window_dilations.
• (C12) shape(padding) = [rank(inputs[0]), 2].
• (C13) body का टाइप (tensor<E0>, ..., tensor<EN-1>, tensor<E0>, ..., tensor<EN-1>) -> (tensor<E0>, ..., tensor<EN-1>) है, जहां is_promotable(element_type(inputs[i]), Ei) है.
• (C14) same(shape(results...)).
• (C15) shape(results[0]) = num_windows जहां:
  • dilated_input_shape = shape(inputs[0]) = 0 ? 0 : (shape(inputs[0]) - 1) * base_dilations + 1.
  • padded_input_shape = padding[:, 0] + dilated_input_shape + padding[:, 1].
  • dilated_window_shape = (window_dimensions - 1) * window_dilations + 1.
  • is_empty_window = padded_input_shape = 0 || dilated_window_shape > padded_input_shape.
  • num_windows = is_empty_window ? 0 : floor((padded_input_shape - dilated_window_shape) / window_strides) + 1.
• [0,N) में सभी i के लिए (C16) element_type(results[i]) = Ei.

उदाहरण

// %input = [[1, 2], [3, 4], [5, 6]]
// %init_value = 0
%result = "stablehlo.reduce_window"(%input, %init_value) ({
  ^bb0(%arg0: tensor<i64>, %arg1: tensor<i64>):
    %0 = "stablehlo.add"(%arg0, %arg1) : (tensor<i64>, tensor<i64>) -> tensor<i64>
    "stablehlo.return"(%0) : (tensor<i64>) -> ()
}) {
  window_dimensions = dense<[2, 1]> : tensor<2xi64>,
  window_strides = dense<[4, 1]> : tensor<2xi64>,
  base_dilations = dense<[2, 1]> : tensor<2xi64>,
  window_dilations = dense<[3, 1]> : tensor<2xi64>,
  padding = dense<[[2, 1], [0, 0]]> : tensor<2x2xi64>
} : (tensor<3x2xi64>, tensor<i64>) -> tensor<2x2xi64>
// %result = [[0, 0], [3, 4]]

ज़्यादा उदाहरण

शेष

सिमैंटिक

भाज्य lhs और भाजक rhs टेंसर का शेष भाग एलिमेंट के हिसाब से करता है और result टेंसर बनाता है.

औपचारिक रूप से, नतीजे का चिह्न भाजक से लिया जाता है और नतीजे की निरपेक्ष वैल्यू हमेशा भाजक के निरपेक्ष मान से कम होती है. बाकी बचे पैसों का हिसाब lhs - d * rhs के तौर पर लगाया जाता है, जहां d से पता चलता है:

• पूर्णांकों के लिए: stablehlo.divide(lhs, rhs).
• फ़्लोट के लिए: राउंडिंग एट्रिब्यूट के साथ IEEE-754 से division(lhs, rhs). roundTowardZero.
• कॉम्प्लेक्स नंबर के लिए: TBD (#997).
• संख्या वाले टाइप के लिए:
  • dequantize_op_quantize(remainder, lhs, rhs, type(result)).

फ़्लोटिंग-पॉइंट एलिमेंट टाइप के लिए, यह कार्रवाई IEEE-754 की खास जानकारी में बताए गए remainder ऑपरेशन से मेल नहीं खाती. इसमें d, सम से बंधने वाली lhs/rhs की सटीक वैल्यू के आस-पास की इंटिग्रल वैल्यू है.

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	lhs	पूर्णांक, फ़्लोटिंग-पॉइंट या कॉम्प्लेक्स टाइप या पर-टेन्सर का क्वानंटाइज़ किया गया टेंसर	(सी1)
(I2)	rhs	पूर्णांक, फ़्लोटिंग-पॉइंट या कॉम्प्लेक्स टाइप या पर-टेन्सर का क्वानंटाइज़ किया गया टेंसर	(सी1)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
result	पूर्णांक, फ़्लोटिंग-पॉइंट या कॉम्प्लेक्स टाइप या पर-टेन्सर का क्वानंटाइज़ किया गया टेंसर	(सी1)

कंस्ट्रेंट

• (C1) baseline_type(operand) = baseline_type(result).

उदाहरण

// %lhs: [17, -17, 17, -17]
// %rhs: [3, 3, -3, -3]
%result = "stablehlo.remainder"(%lhs, %rhs) : (tensor<4xi64>, tensor<4xi64>) -> tensor<4xi64>
// %result: [2, -2, 2, -2]

ज़्यादा उदाहरण

replica_id

सिमैंटिक

मौजूदा प्रोसेस का replica_id बनता है.

आउटपुट

नाम	टाइप
result	ui32 टाइप का 0-डाइमेंशन वाला टेंसर

उदाहरण

%result = "stablehlo.replica_id"() : () -> tensor<ui32>

ज़्यादा उदाहरण

आकार बदलें

सिमैंटिक

operand टेंसर का आकार बदलकर result टेंसर बनाता है. सैद्धान्तिक तौर पर, एक ही कैननिकल वर्शन बनाए रखना, लेकिन आकार में बदलाव करने का मतलब है. उदाहरण के लिए, tensor<2x3xf32> से tensor<3x2xf32> या tensor<6xf32>.

औपचारिक तौर पर, result[result_index] = operand[operand_index] में जहां result_index और operand_index, index_space(result) और index_space(operand) के लेक्सिकोग्राफ़िक क्रम में एक ही हैं.

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	operand	टेंसर या क्वानटिाइज़्ड टेंसर	(सी1-सी3)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
result	टेंसर या क्वानटिाइज़्ड टेंसर	(सी1-सी3)

कंस्ट्रेंट

• (C1) element_type(result) को यह सुविधा देता है:
  • element_type(operand), अगर !is_per_axis_quantized(operand) है.
  • element_type(operand) में अंतर हो सकता है. हालांकि, अगर ऐसा नहीं है, तो quantization_dimension(operand) और quantization_dimension(result) में अंतर हो सकता है.
• (C2) size(operand) = size(result).
• (C3) अगर is_per_axis_quantized(operand):
  • reduce(dims(operand, [0, 1, ..., quantization_dimension(operand) - 1]), init_values=1, dimensions=[0], body=lambda x, y: x * y) = reduce(dims(result, [0, 1, ..., quantization_dimension(result) - 1]), init_values=1, dimensions=[0], body=lambda x, y: x * y).
  • dim(operand, quantization_dimension(operand)) = dim(result, quantization_dimension(result)).
  • reduce(dims(operand, [quantization_dimension(operand) + 1, ..., rank(operand) - 1]), init_values=1, dimensions=[0], body=lambda x, y: x * y) = reduce(dims(result, [quantization_dimension(result) + 1, ..., rank(result) - 1]), init_values=1, dimensions=[0], body=lambda x, y: x * y).

उदाहरण

// %operand: [[1, 2, 3], [4, 5, 6]]]
%result = "stablehlo.reshape"(%operand) : (tensor<2x3xi32>) -> tensor<3x2xi32>
// %result: [[1, 2], [3, 4], [5, 6]]

ज़्यादा उदाहरण

reverse

सिमैंटिक

operand में, तय किए गए dimensions के साथ एलिमेंट के क्रम को उलटा करता है और result टेंसर बनाता है. औपचारिक तौर पर, result[result_index] = operand[operand_index] यहां:

• अगर dimensions में d है, तो operand_index[d] = dim(result, d) - result_index[d] - 1.
• अगर ऐसा नहीं है, तो operand_index[d] = result_index[d].

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	operand	टेंसर या पर-टेंसर मात्रा में मापा गया टेंसर	(C1), (C3)
(I2)	dimensions	si64 टाइप का 1-डाइमेंशन टेंसर कॉन्सटेंट	(C2), (C3)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
result	टेंसर या पर-टेंसर मात्रा में मापा गया टेंसर	(C1), (C3)

कंस्ट्रेंट

• (C1) type(operand) = type(result).
• (C2) is_unique(dimensions).
• (C3) 0 <= dimensions < rank(result).

उदाहरण

// %operand = [[1, 2], [3, 4], [5, 6]]
%result = "stablehlo.reverse"(%operand) {
  dimensions = dense<1> : tensor<1xi64>
} : (tensor<3x2xi32>) -> tensor<3x2xi32>
// %result: [[2, 1], [4, 3], [6, 5]]

ज़्यादा उदाहरण

आरएनजी

सिमैंटिक

rng_distribution एल्गोरिदम का इस्तेमाल करके, रैंडम नंबर जनरेट करता है और दिए गए आकार shape का result टेंसर बनाता है.

अगर rng_distribution = UNIFORM है, तो [a, b) इंटरवल पर एक जैसा डिस्ट्रिब्यूशन के बाद, रैंडम नंबर जनरेट होते हैं. अगर a >= b हो, तो व्यवहार के बारे में नहीं बताया जाता.

अगर rng_distribution = NORMAL है, तो मीन = a और स्टैंडर्ड डेविएशन = b के साथ सामान्य डिस्ट्रिब्यूशन के बाद, रैंडम नंबर जनरेट होते हैं. अगर b < 0 हो, तो व्यवहार तय नहीं होता.

रैंडम नंबरों को जनरेट करने का तरीका लागू करने से तय होता है. उदाहरण के लिए, वे सारणिक पर सेट हो सकते हैं और नहीं भी. साथ ही, यह भी हो सकता है कि वे छिपी हुई स्थिति का इस्तेमाल करें या न करें.

कई हिस्सेदारों के साथ बातचीत करने के दौरान इस ऑपर्च्यूनिटी को काफ़ी हद तक रोक दिया गया इसलिए, आने वाले समय में हम इसे हटाने की योजना बना रहे हैं (#597).

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	a	पूर्णांक, बूलियन या फ़्लोटिंग-पॉइंट टाइप का 0-डाइमेंशन टेंसर	(C1), (C2)
(I2)	b	पूर्णांक, बूलियन या फ़्लोटिंग-पॉइंट टाइप का 0-डाइमेंशन टेंसर	(C1), (C2)
(I3)	shape	si64 टाइप का 1-डाइमेंशन टेंसर कॉन्सटेंट	(सी3)
(I4)	rng_distribution	UNIFORM और NORMAL की Enum	(सी2)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
result	पूर्णांक, बूलियन या फ़्लोटिंग-पॉइंट टाइप का टेंसर	(सी1-सी3)

कंस्ट्रेंट

• (C1) element_type(a) = element_type(b) = element_type(result).
• (C2) अगर rng_distribution = NORMAL है, तो is_float(a).
• (C3) shape(result) = shape.

उदाहरण

// %a = 0
// %b = 2
// %shape = [3, 3]
%result = "stablehlo.rng"(%a, %b, %shape) {
  rng_distribution = #stablehlo<rng_distribution UNIFORM>
} : (tensor<i32>, tensor<i32>, tensor<2xi64>) -> tensor<3x3xi32>
// %result: [
//           [1, 0, 1],
//           [1, 1, 1],
//           [0, 0, 0]
//          ]

rng_bit_generator

सिमैंटिक

यूनिफ़ॉर्म रैंडम बिट और अपडेट किए गए आउटपुट स्टेटस से भरा output दिखाता है. यह स्यूडोरैंडम नंबर जनरेटर एल्गोरिदम का इस्तेमाल करके, rng_algorithm शुरुआती स्थिति initial_state देता है.output_state इस बात की गारंटी नहीं दी जाती है कि आउटपुट, initial_state का डिटर्मिनिस्टिक फ़ंक्शन है. हालांकि, इसकी कोई गारंटी नहीं है कि यह लागू करने के तरीके के बीच तय होगा.

rng_algorithm इनमें से एक है:

• DEFAULT: लागू करने वाला एल्गोरिदम.
• THREE_FRY: Thryfry एल्गोरिदम का लागू करने वाला वैरिएंट.*
• PHILOX: Philox एल्गोरिदम का वह वैरिएंट जिसे लागू किया गया है.*

* देखें: सैलमन और अन्य एससी 2011. पैरलल रैंडम नंबर: 1, 2, 3 जितना आसान.

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	rng_algorithm	DEFAULT, THREE_FRY, और PHILOX की Enum	(सी2)
(I2)	initial_state	ui64 टाइप का 1-डाइमेंशन टेंसर	(C1), (C2)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
output_state	ui64 टाइप का 1-डाइमेंशन टेंसर	(सी1)
output	पूर्णांक या फ़्लोटिंग-पॉइंट टाइप का टेंसर

कंस्ट्रेंट

• (C1) type(initial_state) = type(output_state).
• (C2) size(initial_state) इस तरह परिभाषित किया गया है:
  • लागू करने से तय होता है, अगर rng_algorithm = DEFAULT.
  • अगर rng_algorithm = THREE_FRY है, तो 2.
  • 2 या 3 अगर rng_algorithm = PHILOX हो.

उदाहरण

// %initial_state: [1, 2]
%output_state, %output = "stablehlo.rng_bit_generator"(%initial_state) {
  rng_algorithm = #stablehlo<rng_algorithm THREE_FRY>
} : (tensor<2xui64>) -> (tensor<2xui64>, tensor<2x2xui64>)
// %output_state: [1, 6]
// %output: [
//           [9236835810183407956, 16087790271692313299],
//           [18212823393184779219, 2658481902456610144]
//          ]

round_nearest_afz

सिमैंटिक

एलिमेंट के हिसाब से, सबसे करीबी पूर्णांक की ओर राउंडिंग करता है. इससे टाई को operand टेंसर पर, शून्य से दूर तोड़ता है और result टेंसर बनाता है. IEEE-754 निर्देशों के मुताबिक roundToIntegralTiesToAway कार्रवाई लागू करता है. संख्या वाले टाइप के लिए, यह dequantize_op_quantize(round_nearest_afz, operand, type(result)) की वैल्यू देता है.

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	operand	फ़्लोटिंग-पॉइंट टाइप या पर-टेन्सर का इस्तेमाल किया गया टेंसर	(सी1)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
result	फ़्लोटिंग-पॉइंट टाइप या पर-टेन्सर का इस्तेमाल किया गया टेंसर	(सी1)

कंस्ट्रेंट

• (C1) baseline_type(operand) = baseline_type(result).

उदाहरण

// %operand = [-2.5, 0.4, 0.5, 0.6, 2.5]
%result = "stablehlo.round_nearest_afz"(%operand) : (tensor<5xf64>) -> tensor<5xf64>
// %result: [-3.0, 0.0, 1.0, 1.0, 3.0]

ज़्यादा उदाहरण

round_nearest_even

सिमैंटिक

एलिमेंट के हिसाब से, सबसे करीबी पूर्णांक की ओर राउंडिंग करता है और operand टेंसर पर, सम पूर्णांक से टाई करता है और result टेंसर बनाता है. IEEE-754 के स्पेसिफ़िकेशन के मुताबिक roundToIntegralTiesToEven कार्रवाई को लागू करता है. संख्या वाले टाइप के लिए, यह वैल्यू dequantize_op_quantize(round_nearest_even, operand, type(result)) के हिसाब से होती है.

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	operand	फ़्लोटिंग-पॉइंट टाइप या पर-टेन्सर का इस्तेमाल किया गया टेंसर	(सी1)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
result	फ़्लोटिंग-पॉइंट टाइप या पर-टेन्सर का इस्तेमाल किया गया टेंसर	(सी1)

कंस्ट्रेंट

• (C1) baseline_type(operand) = baseline_type(result).

उदाहरण

// %operand = [-2.5, 0.4, 0.5, 0.6, 2.5]
%result = "stablehlo.round_nearest_even"(%operand) : (tensor<5xf64>) -> tensor<5xf64>
// %result: [-2.0, 0.0, 0.0, 1.0, 2.0]

ज़्यादा उदाहरण

आरएसक्यूर्ट

सिमैंटिक

operand टेंसर पर, एलिमेंट के हिसाब से रेसिप्रोकल स्क्वेयर रूट ऑपरेशन करता है और result टेंसर बनाता है. एलिमेंट टाइप के आधार पर, ये काम करता है:

• फ़्लोट के लिए: IEEE-754 से rSqrt.
• सम्मिश्र संख्याओं के लिए: जटिल व्युत्क्रम वर्गमूल.
• संख्या वाले टाइप के लिए: dequantize_op_quantize(rsqrt, operand, type(result)).

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	operand	फ़्लोटिंग-पॉइंट या कॉम्प्लेक्स टाइप या पर-टेंसर क्वानटिाइज़्ड टेंसर का टेंसर	(सी1)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
result	फ़्लोटिंग-पॉइंट या कॉम्प्लेक्स टाइप या पर-टेंसर क्वानटिाइज़्ड टेंसर का टेंसर	(सी1)

कंस्ट्रेंट

• (C1) baseline_type(operand) = baseline_type(result).

उदाहरण

// %operand: [[1.0, 4.0], [9.0, 25.0]]
%result = "stablehlo.rsqrt"(%operand) : (tensor<2x2xf32>) -> tensor<2x2xf32>
// %result: [[1.0, 0.5], [0.33333343, 0.2]]

ज़्यादा उदाहरण

scatter

सिमैंटिक

inputs टेंसर के बराबर results टेंसर बनाता है. हालांकि, scatter_indices में बताए गए कई स्लाइस, update_computation का इस्तेमाल करके updates वैल्यू के साथ अपडेट होते हैं.

यह डायग्राम दिखाता है कि updates... में मौजूद एलिमेंट, कैसे results... में मौजूद एलिमेंट को कंक्रीट के उदाहरण का इस्तेमाल करके मैप करते हैं. इस डायग्राम में, updates... इंडेक्स के कुछ उदाहरण दिए गए हैं. साथ ही, यह जानकारी दी गई है कि results... के किन इंडेक्स के बारे में जानकारी दी गई है.

आधिकारिक तौर पर, index_space(updates[0]) में मौजूद सभी update_index के लिए:

• update_scatter_dims = [d for d in axes(updates[0]) and d not in update_window_dims].
• update_scatter_index = update_index[update_scatter_dims...].
• start_index का मतलब है:
  • scatter_indices[si0, ..., :, ..., siN], जहां update_scatter_index में si अलग-अलग एलिमेंट होते हैं और : को index_vector_dim इंडेक्स में डाला जाता है. ऐसा तब होता है, जब index_vector_dim < rank(scatter_indices) हो.
  • अगर ऐसा नहीं है, तो [scatter_indices[update_scatter_index]].
• axes(inputs[0]) में मौजूद d_input के लिए,
  • full_start_index[d_input] = start_index[d_start] अगर d_input = scatter_dims_to_operand_dims[d_start].
  • अगर ऐसा नहीं है, तो full_start_index[d_input] = 0.
• update_window_index = update_index[update_window_dims...].
• full_window_index = [wi0, ..., 0, ..., wiN], जहां update_window_index में wi अलग-अलग एलिमेंट होते हैं और 0 को inserted_window_dims के इंडेक्स में शामिल किया जाता है.
• result_index = full_start_index + full_window_index.

इसे देखते हुए, results = exec(schedule, inputs), जहां:

• schedule, index_space(updates[0]) का लागू किया गया क्रम है.
• exec([update_index, ...], results) = exec([...], updated_results) में:
  • अगर result_index, shape(results...) की सीमा में है
  • updates_converted = to_destination_type( updates...[update_index], type(func_inputs(update_computation) [len(func_inputs(update_computation))//2:])... )
  • updated_values = update_computation(results...[result_index], updates_converted)
  • updated_results, results की एक कॉपी है, जिसकी results...[result_index] को updated_values... पर सेट किया गया है.
  • या फिर
  • updated_results = results.
• exec([], results) = results.

अगर indices_are_sorted, true है, तो लागू करने के तरीके में यह माना जा सकता है कि scatter_indices को scatter_dims_to_operand_dims के हिसाब से क्रम में लगाया गया है. ऐसा न होने पर, व्यवहार के बारे में जानकारी नहीं दी जाएगी. औपचारिक तौर पर, indices(result) के सभी i1 < i2 के लिए, full_start_index(i1) <= full_start_index(i2).

अगर unique_indices, true है, तो लागू करने के तरीके यह मान सकता है कि सभी result_index इंडेक्स अलग-अलग हैं. अगर unique_indices, true है, लेकिन बिखरे हुए इंडेक्स यूनीक नहीं हैं, तो व्यवहार तय नहीं होता.

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	inputs	टेंसर की अलग-अलग संख्या या पर-टेंसर के मात्रा वाले टेंसर	(C1), (C2), (C4-C6), (C10), (C13), (C15-C16)
(I2)	scatter_indices	पूर्णांक टाइप का टेंसर	(C4), (C11), (C14)
(I3)	updates	टेंसर की अलग-अलग संख्या या पर-टेंसर के मात्रा वाले टेंसर	(C3-C6), (C8)
(I4)	update_window_dims	si64 टाइप का 1-डाइमेंशन टेंसर कॉन्सटेंट	(C2), (C4), (C7), (C8)
(I5)	inserted_window_dims	si64 टाइप का 1-डाइमेंशन टेंसर कॉन्सटेंट	(C2), (C4), (C9), (C10)
(I6)	scatter_dims_to_operand_dims	si64 टाइप का 1-डाइमेंशन टेंसर कॉन्सटेंट	(C11-C13)
(I7)	index_vector_dim	si64 टाइप का कॉन्सटेंट	(C4), (C11), (C14)
(I8)	indices_are_sorted	i1 टाइप का कॉन्सटेंट
(I9)	unique_indices	i1 टाइप का कॉन्सटेंट
(I10)	update_computation	फ़ंक्शन	(C15)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
results	टेंसर की अलग-अलग संख्या या पर-टेंसर के मात्रा वाले टेंसर	(C15-C17)

कंस्ट्रेंट

• (C1) same(shape(inputs...)).
• (C2) rank(inputs[0]) = size(update_window_dims) + size(inserted_window_dims).
• (C3) same(shape(updates...)).
• (C4) shape(updates[0]) = combine(update_scatter_dim_sizes, update_window_dim_sizes) जहां:
  • update_scatter_dim_sizes = shape(scatter_indices), लेकिन इसमें index_vector_dim से जुड़ा scatter_indices डाइमेंशन साइज़ शामिल नहीं है.
  • update_window_dim_sizes <= shape(inputs[0]), सिर्फ़ inputs[0] में, inserted_window_dims से जुड़े डाइमेंशन साइज़ को शामिल नहीं किया गया है.
  • combine, update_scatter_dim_sizes को update_scatter_dims से जुड़े ऐक्सिस पर और update_window_dim_sizes को update_window_dims से जुड़े ऐक्सिस पर रखता है.
• (C5) 0 < size(inputs) = size(updates) = N.
• (C6) element_type(updates...) = element_type(inputs...).
• (C7) is_unique(update_window_dims) and is_sorted(update_window_dims).
• (C8) 0 <= update_window_dims < rank(updates[0]).
• (C9) is_unique(inserted_window_dims) and is_sorted(update_window_dims).
• (C10) 0 <= inserted_window_dims < rank(inputs[0]).
• (C11) size(scatter_dims_to_operand_dims) = index_vector_dim < rank(scatter_indices) ? dim(scatter_indices, index_vector_dim) : 1.
• (C12) is_unique(scatter_dims_to_operand_dims).
• (C13) 0 <= scatter_dims_to_operand_dims < rank(inputs[0]).
• (C14) 0 <= index_vector_dim <= rank(scatter_indices).
• (C15) update_computation का टाइप (tensor<E0>, ..., tensor<EN-1>, tensor<E0>, ..., tensor<EN-1>) -> (tensor<E0>, ..., tensor<EN-1>) है, जहां is_promotable(element_type(inputs[i]), Ei) है.
• (C16) shape(inputs...) = shape(results...).
• [0,N) में सभी i के लिए (C17) element_type(results[i]) = Ei.

उदाहरण

// %input: [
//          [[1, 2], [3, 4], [5, 6], [7, 8]],
//          [[9, 10], [11, 12], [13, 14], [15, 16]],
//          [[17, 18], [19, 20], [21, 22], [23, 24]]
//         ]
// %scatter_indices: [[[0, 2], [1, 0], [2, 1]], [[0, 1], [1, 0], [0, 9]]]
// %update: [
//           [[[1, 1], [1, 1]], [[1, 1], [1, 1]], [[1, 1], [1, 1]]],
//           [[[1, 1], [1, 1]], [[1, 1], [1, 1]], [[1, 1], [1, 1]]]
//          ]
%result = "stablehlo.scatter"(%input, %scatter_indices, %update) ({
  ^bb0(%arg0: tensor<i64>, %arg1: tensor<i64>):
    %0 = "stablehlo.add"(%arg0, %arg1) : (tensor<i64>, tensor<i64>) -> tensor<i64>
    "stablehlo.return"(%0) : (tensor<i64>) -> ()
}) {
  scatter_dimension_numbers = #stablehlo.scatter<
    update_window_dims = [2, 3],
    inserted_window_dims = [0],
    scatter_dims_to_operand_dims = [1, 0],
    index_vector_dim = 2>,
  indices_are_sorted = false,
  unique_indices = false
} : (tensor<3x4x2xi64>, tensor<2x3x2xi64>, tensor<2x3x2x2xi64>) -> tensor<3x4x2xi64>
// %result: [
//           [[1, 2], [5, 6], [7, 8], [7, 8]],
//           [[10, 11], [12, 13], [14, 15], [16, 17]],
//           [[18, 19], [20, 21], [21, 22], [23, 24]]
//          ]

ज़्यादा उदाहरण

चुनें

सिमैंटिक

इससे result टेंसर बनता है, जहां हर एलिमेंट को on_true या on_false टैंसर से चुना जाता है. ऐसा pred के एलिमेंट की वैल्यू के आधार पर किया जाता है. औपचारिक तौर पर, result[result_index] = pred_element ? on_true[result_index] : on_false[result_index], जहां pred_element = rank(pred) = 0 ? pred[] : pred[result_index]. संख्या वाले टाइप के लिए, यह वैल्यू dequantize_select_quantize(pred, on_true, on_false, type(result)) के हिसाब से होती है.

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	pred	i1 टाइप का टेंसर	(सी1)
(I2)	on_true	टेंसर या पर-टेंसर मात्रा में मापा गया टेंसर	(सी1-सी2)
(I3)	on_false	टेंसर या पर-टेंसर मात्रा में मापा गया टेंसर	(सी2)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
result	टेंसर या पर-टेंसर मात्रा में मापा गया टेंसर	(सी2)

कंस्ट्रेंट

• (C1) rank(pred) = 0 or shape(pred) = shape(on_true).
• (C2) baseline_type(on_true) = baseline_type(on_false) = baseline_type(result).

उदाहरण

// %pred: [[false, true], [true, false]]
// %on_true: [[1, 2], [3, 4]]
// %on_false: [[5, 6], [7, 8]]
%result = "stablehlo.select"(%pred, %on_true, %on_false) : (tensor<2x2xi1>, tensor<2x2xi32>, tensor<2x2xi32>) -> tensor<2x2xi32>
// %result: [[5, 2], [3, 8]]

ज़्यादा उदाहरण

select_and_scatter

सिमैंटिक

select का इस्तेमाल करके, input टेंसर के reduce_window से मिले नतीजे के आधार पर, scatter का इस्तेमाल करके source टेंसर की वैल्यू को अलग-अलग करता है और result टेंसर बनाता है.

इस डायग्राम में दिखाया गया है कि कंक्रीट के उदाहरण का इस्तेमाल करके, result में मौजूद एलिमेंट की गिनती कैसे की जाती है, operand और source से.

औपचारिक तौर पर:

• इन इनपुट के साथ selected_values = reduce_window_without_init(...):

  • `इनपुट = [ऑपरेंड].
  • window_dimensions, window_strides, और padding को इसी तरह इस्तेमाल किया जा रहा है.
  • base_dilations = windows_dilations = 1.
  • body को इस तरह परिभाषित किया गया है:

  def body(arg0: tensor<E>, arg1: tensor<E>) -> tensor<E>:
    return select(arg0, arg1) ? arg0 : arg1;
  

  जहां E = element_type(operand) और reduce_window_without_init, reduce_window की तरह ही काम करते हैं. हालांकि, इसमें शामिल वैल्यू reduce (कम करें देखें) के schedule में, init वैल्यू शामिल नहीं होती हैं. फ़िलहाल, यह नहीं बताया गया है कि अगर मिलती-जुलती विंडो में कोई वैल्यू (#731) नहीं है, तो क्या होगा.

• result[result_index] = reduce([source_values], [init_value], [0], scatter) जहां:

  • source_values = [source[source_index] for source_index in source_indices].
  • selected_index(source_index) = operand_index, अगर selected_values[source_index] में operand_index से operand एलिमेंट है.
  • source_indices = [source_index for source_index in indices(source) if selected_index(source_index) = result_index].

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	operand	टेंसर या पर-टेंसर मात्रा में मापा गया टेंसर	(C1-C4), (C6), (C8-C11)
(I2)	source	टेंसर या पर-टेंसर मात्रा में मापा गया टेंसर	(C1), (C2)
(I3)	init_value	0-डाइमेंशन वाले टेंसर या पर-टेन्सर का क्वानटिफ़ाई किया गया टेंसर	(सी3)
(I4)	window_dimensions	si64 टाइप का 1-डाइमेंशन टेंसर कॉन्सटेंट	(C2), (C4), (C5)
(I5)	window_strides	si64 टाइप का 1-डाइमेंशन टेंसर कॉन्सटेंट	(C2), (C6), (C7)
(I6)	padding	si64 टाइप का 2-डाइमेंशन टेंसर कॉन्सटेंट	(C2), (C8)
(I7)	select	फ़ंक्शन	(सी9)
(I8)	scatter	फ़ंक्शन	(सी10)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
result	टेंसर या पर-टेंसर मात्रा में मापा गया टेंसर	(C11-C12)

कंस्ट्रेंट

• (C1) element_type(operand) = element_type(source).
• (C2) shape(source) = num_windows जहां:
  • padded_operand_shape = padding[:, 0] + shape(operand) + padding[:, 1].
  • is_empty_window = padded_operand_shape = 0 || window_dimensions > padded_operand_shape.
  • num_windows = is_empty_window ? 0 : floor((padded_operand_shape - window_dimensions) / window_strides) + 1.
• (C3) element_type(init_value) = element_type(operand).
• (C4) size(window_dimensions) = rank(operand).
• (C5) 0 < window_dimensions.
• (C6) size(window_strides) = rank(operand).
• (C7) 0 < window_strides.
• (C8) shape(padding) = [rank(operand), 2].
• (C9) select का टाइप (tensor<E>, tensor<E>) -> tensor<i1> है, जहां E = element_type(operand) है.
• (C10) scatter का टाइप (tensor<E>, tensor<E>) -> tensor<E> है, जहां is_promotable(element_type(operand), E) है.
• (C11) shape(operand) = shape(result).
• (C12) element_type(result) = E.

उदाहरण

// %operand: [[1, 5], [2, 5], [3, 6], [4, 4]]
// %source: [[5, 6], [7, 8]]
// %init_value: 0
%result = "stablehlo.select_and_scatter"(%operand, %source, %init_value) ({
  ^bb0(%arg0: tensor<i64>, %arg1: tensor<i64>):
    %0 = "stablehlo.compare"(%arg0, %arg1) {
      comparison_direction = #stablehlo<comparison_direction GE>
    } : (tensor<i64>, tensor<i64>) -> tensor<i1>
    "stablehlo.return"(%0) : (tensor<i1>) -> ()
}, {
  ^bb0(%arg0: tensor<i64>, %arg1: tensor<i64>):
    %0 = "stablehlo.add"(%arg0, %arg1) : (tensor<i64>, tensor<i64>) -> tensor<i64>
    "stablehlo.return"(%0) : (tensor<i64>) -> ()
}) {
  window_dimensions = dense<[3, 1]> : tensor<2xi64>,
  window_strides = dense<[2, 1]> : tensor<2xi64>,
  padding = dense<[[0, 1], [0, 0]]> : tensor<2x2xi64>
} : (tensor<4x2xi64>, tensor<2x2xi64>, tensor<i64>) -> tensor<4x2xi64>
// %result: [[0, 0], [0, 0], [5, 14], [7, 0]]

ज़्यादा उदाहरण

भेजें

सिमैंटिक

channel_id चैनल पर inputs भेजता है और result टोकन बनाता है.

अगर is_host_transfer true है, तो कार्रवाई, डेटा को होस्ट को ट्रांसफ़र कर देती है. ऐसा न होने पर, यह डेटा को दूसरे डिवाइस पर ट्रांसफ़र कर देता है. इसका मतलब है कि यह लागू करने के तरीके से तय होता है. यह फ़्लैग, channel_type में दी गई जानकारी का डुप्लीकेट है. इसलिए, आने वाले समय में हम इनमें से सिर्फ़ एक जानकारी (#666) को रखने की योजना बना रहे हैं.

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	inputs	टेंसर या क्वांटाइज़्ड टेंसर की अलग-अलग संख्या
(I2)	token	token
(I3)	channel_id	si64 टाइप का कॉन्सटेंट
(I4)	channel_type	DEVICE_TO_DEVICE और DEVICE_TO_HOST की Enum	(सी1)
(I5)	is_host_transfer	i1 टाइप का कॉन्सटेंट	(सी1)

आउटपुट

नाम	टाइप
result	token

कंस्ट्रेंट

• (C1) channel_type को इस तरह से परिभाषित किया गया है:
  • DEVICE_TO_HOST अगर is_host_transfer = true,
  • अगर ऐसा नहीं है, तो DEVICE_TO_DEVICE.

उदाहरण

%result = "stablehlo.send"(%operand, %token) {
  channel_handle = #stablehlo.channel_handle<handle = 1, type = 2>,
  is_host_transfer = true
} : (tensor<2x2xi64>, !stablehlo.token) -> !stablehlo.token

ज़्यादा उदाहरण

shift_left

सिमैंटिक

lhs टेंसर पर, एलिमेंट के हिसाब से लेफ़्ट-शिफ़्ट कार्रवाई करता है. इसके लिए, बिट की rhs संख्या का इस्तेमाल किया जाता है और result टेंसर बनता है.

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	lhs	पूर्णांक टाइप का टेंसर	(सी1)
(I2)	rhs	पूर्णांक टाइप का टेंसर	(सी1)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
result	पूर्णांक टाइप का टेंसर	(सी1)

कंस्ट्रेंट

• (C1) type(lhs) = type(rhs) = type(result).

उदाहरण

// %lhs: [-1, 0, 1]
// %rhs: [1, 2, 3]
%result = "stablehlo.shift_left"(%lhs, %rhs): (tensor<3xi64>, tensor<3xi64>) -> tensor<3xi64>
// %result: [-2, 0, 8]

ज़्यादा उदाहरण

shift_right_arithmetic

सिमैंटिक

lhs टेंसर पर, एलिमेंट के हिसाब से अंकगणितीय राइट-शिफ़्ट ऑपरेशन करता है. इसके लिए, rhs बिट का इस्तेमाल किया जाता है और result टेंसर बनता है.

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	lhs	पूर्णांक टाइप का टेंसर	(सी1)
(I2)	rhs	पूर्णांक टाइप का टेंसर	(सी1)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
result	पूर्णांक टाइप का टेंसर	(सी1)

कंस्ट्रेंट

• (C1) type(lhs) = type(rhs) = type(result).

उदाहरण

// %lhs: [-1, 0, 8]
// %rhs: [1, 2, 3]
%result = "stablehlo.shift_right_arithmetic"(%lhs, %rhs): (tensor<3xi64>, tensor<3xi64>) -> tensor<3xi64>
// %result: [-1, 0, 1]

ज़्यादा उदाहरण

shift_right_logical

सिमैंटिक

lhs टेंसर पर, एलिमेंट के हिसाब से लॉजिकल राइट-शिफ़्ट कार्रवाई करता है. इसके लिए, rhs बिट का इस्तेमाल किया जाता है और result टेंसर जनरेट होता है.

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	lhs	पूर्णांक टाइप का टेंसर	(सी1)
(I2)	rhs	पूर्णांक टाइप का टेंसर	(सी1)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
result	पूर्णांक टाइप का टेंसर	(सी1)

कंस्ट्रेंट

• (C1) type(lhs) = type(rhs) = type(result).

उदाहरण

// %lhs: [-1, 0, 8]
// %rhs: [1, 2, 3]
%result = "stablehlo.shift_right_logical"(%lhs, %rhs): (tensor<3xi64>, tensor<3xi64>) -> tensor<3xi64>
// %result: [9223372036854775807, 0, 1]

ज़्यादा उदाहरण

हस्ताक्षर

सिमैंटिक

operand एलिमेंट के हिसाब से चिह्न दिखाता है और result टेंसर बनाता है. औपचारिक तौर पर हर एलिमेंट x के लिए, Python सिंटैक्स का इस्तेमाल करके सिमैंटिक इस तरह से समझाया जा सकता है:

def sign(x):
  if is_integer(x):
    if compare(x, 0, LT, SIGNED): return -1
    if compare(x, 0, EQ, SIGNED): return 0
    return 1
  elif is_float(x):
    if is_nan(x): return NaN
    if compare(x, -0.0, EQ, FLOAT): return -0.0
    if compare(x, +0.0, EQ, FLOAT): return +0.0
    if compare(x, 0.0, LT, FLOAT): return -1.0
    return 1.0
  elif is_complex(x):
    if is_nan(real(x)) or is_nan(imag(x)): return (NaN, NaN)
    if compare(x, (0.0, 0.0), EQ, FLOAT): return (0.0, 0.0)
    return divide(x, convert(abs(x), type(x)))

संख्या वाले टाइप के लिए, यह वैल्यू dequantize_op_quantize(sign, operand, type(result)) के हिसाब से होती है.

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	operand	साइन किए गए इंटीजर, फ़्लोटिंग-पॉइंट या कॉम्प्लेक्स टाइप या पर-टेन्सर का क्वानंटाइज़ किया हुआ टेंसर	(सी1)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
result	साइन किए गए इंटीजर, फ़्लोटिंग-पॉइंट या कॉम्प्लेक्स टाइप या पर-टेन्सर का क्वानंटाइज़ किया हुआ टेंसर	(सी1)

कंस्ट्रेंट

• (C1) baseline_type(operand) = baseline_type(result).

उदाहरण

// Logical values: +NaN, -1.0, -0.0, +0.0, 1.0
// operand: [0x7FFFFFFFFFFFFFFF, -1.0, -0.0, 0.0, 1.0]
%result = "stablehlo.sign"(%operand) : (tensor<5xf64>) -> tensor<5xf64>
// Logical values: +NaN, -1.0, -0.0, +0.0, 1.0
// %result: [0x7FFFFFFFFFFFFFFF, -1.0, -0.0, 0.0, 1.0]

ज़्यादा उदाहरण

ज्या

सिमैंटिक

operand टेंसर पर, एलिमेंट के हिसाब से साइन ऑपरेशन करता है और result टेंसर बनाता है. एलिमेंट टाइप के आधार पर, ये काम करता है:

• फ़्लोट के लिए: IEEE-754 से sin.
• सम्मिश्र संख्याओं के लिए: सम्मिश्र साइन.
• संख्या वाले टाइप के लिए: dequantize_op_quantize(sine, operand, type(result)).

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	operand	फ़्लोटिंग-पॉइंट या कॉम्प्लेक्स टाइप या पर-टेंसर क्वानटिाइज़्ड टेंसर का टेंसर	(सी1)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
result	फ़्लोटिंग-पॉइंट या कॉम्प्लेक्स टाइप या पर-टेंसर क्वानटिाइज़्ड टेंसर का टेंसर	(सी1)

कंस्ट्रेंट

• (C1) baseline_type(operand) = baseline_type(result).

उदाहरण

// %operand: [
//            [0.0, 1.57079632],       // [0, pi/2]
//            [3.14159265, 4.71238898] // [pi, 3pi/2]
//           ]
%result = "stablehlo.sine"(%operand) : (tensor<2x2xf32>) -> tensor<2x2xf32>
// %result: [[0.0, 1.0], [0.0, -1.0]]

ज़्यादा उदाहरण

स्‍लाइस

सिमैंटिक

स्टैटिक तरीके से कंप्यूट किए गए शुरुआती इंडेक्स का इस्तेमाल करके, operand से स्लाइस निकालता है और result टेंसर बनाता है. start_indices में हर डाइमेंशन के स्लाइस के शुरुआती इंडेक्स होते हैं. limit_indices में हर डाइमेंशन के स्लाइस के लिए, आखिरी इंडेक्स (खास) शामिल होता है. साथ ही, strides में हर डाइमेंशन के लिए स्ट्राइड शामिल होते हैं.

औपचारिक तौर पर, result[result_index] = operand[operand_index] जहां operand_index = start_indices + result_index * strides.

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	operand	टेंसर या पर-टेंसर मात्रा में मापा गया टेंसर	(C1-C3), (C5)
(I2)	start_indices	si64 टाइप का 1-डाइमेंशन टेंसर कॉन्सटेंट	(C2), (C3), (C5)
(I3)	limit_indices	si64 टाइप का 1-डाइमेंशन टेंसर कॉन्सटेंट	(C2), (C3), (C5)
(I4)	strides	si64 टाइप का 1-डाइमेंशन टेंसर कॉन्सटेंट	(C2), (C4)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
result	टेंसर या पर-टेंसर मात्रा में मापा गया टेंसर	(C1), (C5)

कंस्ट्रेंट

• (C1) element_type(operand) = element_type(result).
• (C2) size(start_indices) = size(limit_indices) = size(strides) = rank(operand).
• (C3) 0 <= start_indices <= limit_indices <= shape(operand).
• (C4) 0 < strides.
• (C5) shape(result) = ceil((limit_indices - start_indices) / strides).

उदाहरण

// %operand: [
//            [0, 0, 0, 0],
//            [0, 0, 1, 1],
//            [0, 0, 1, 1]
//           ]
%result = "stablehlo.slice"(%operand) {
  start_indices = dense<[1, 2]> : tensor<2xi64>,
  limit_indices = dense<[3, 4]> : tensor<2xi64>,
  strides = dense<1> : tensor<2xi64>
} : (tensor<3x4xi64>) -> tensor<2x2xi64>
// % result: [
//            [1, 1],
//            [1, 1]
//           ]

ज़्यादा उदाहरण

क्रम से लगाएं

सिमैंटिक

comparator के हिसाब से, dimension डाइमेंशन के साथ inputs के 1-डाइमेंशन स्लाइस को एक साथ क्रम में लगाता है और results बनाता है.

दूसरी कार्रवाइयों में मिलते-जुलते इनपुट के उलट, dimension नीचे दिए गए सिमैंटिक के साथ नेगेटिव वैल्यू इस्तेमाल करने की अनुमति देता है. आने वाले समय में, एक जैसा अनुभव देने की वजह से इसे अस्वीकार किया जा सकता है (#1377).

अगर is_stable सही है, तो क्रम एक जैसा रहता है. इसका मतलब है कि उन एलिमेंट का क्रम पहले के हिसाब से बना रहता है जिन्हें कम्पैरेटर के बराबर माना जाता है. अगर एक इनपुट हो, तो दो एलिमेंट e1 और e2 को तुलना करने वाला तब ही माना जाता है, जब comparator(e1, e2) = comparator(e2, e1) = false हो. यह कई इनपुट को सामान्य कैसे बनाता है, इसके लिए नीचे दिया गया औपचारिक तरीका देखें.

आधिकारिक तौर पर, index_space(results[0]) में मौजूद सभी result_index के लिए:

• adjusted_dimension = dimension >= 0 ? dimension : rank(inputs[0]) + dimension.
• result_slice = [ri0, ..., :, ..., riR-1] में, riN result_index में अलग-अलग एलिमेंट होते हैं और : को adjusted_dimension में डाला जाता है.
• inputs_together = (inputs[0]..., ..., inputs[N-1]...).
• results_together[result_slice] = sort(inputs_together[result_slice], comparator_together).
• जहां sort, 1-डाइमेंशन स्लाइस को घटते क्रम में सॉर्ट करता है. इससे यह उम्मीद की जाती है कि comparator_together true तब दिखता है, जब बाईं ओर का तर्क, दाएं हाथ के दूसरे आर्ग्युमेंट से कम हो.

• def comparator_together(lhs_together, rhs_together):
    args = []
    for (lhs_el, rhs_el) in zip(lhs_together, rhs_together):
      args.append(lhs_el)
      args.append(rhs_el)
    return comparator(*args)
  

• (results[0]..., ..., results[N-1]...) = results_together.

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	inputs	टेंसर की अलग-अलग संख्या या पर-टेंसर के मात्रा वाले टेंसर	(सी1-सी5)
(I2)	dimension	si64 टाइप का कॉन्सटेंट	(सी4)
(I3)	is_stable	i1 टाइप का कॉन्सटेंट
(I4)	comparator	फ़ंक्शन	(सी5)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
results	टेंसर की अलग-अलग संख्या या पर-टेंसर के मात्रा वाले टेंसर	(C2), (C3)

कंस्ट्रेंट

• (C1) 0 < size(inputs).
• (C2) type(inputs...) = type(results...).
• (C3) same(shape(inputs...) + shape(results...)).
• (C4) -R <= dimension < R, जहां R = rank(inputs[0]).
• (C5) comparator का टाइप (tensor<E1>, tensor<E1>, ..., tensor<EN-1>, tensor<EN-1>) -> tensor<i1> है, जिसमें Ei = element_type(inputs[i]) है.

उदाहरण

// %input0 = [[1, 2, 3], [3, 2, 1]]
// %input1 = [[3, 2, 1], [1, 2, 3]]
%result0, %result1 = "stablehlo.sort"(%input0, %input1) ({
  ^bb0(%arg0: tensor<i64>, %arg1: tensor<i64>, %arg2: tensor<i64>, %arg3: tensor<i64>):
    %predicate = "stablehlo.compare"(%arg0, %arg1) {
      comparison_direction = #stablehlo<comparison_direction GT>
    } : (tensor<i64>, tensor<i64>) -> tensor<i1>
    "stablehlo.return"(%predicate) : (tensor<i1>) -> ()
}) {
  dimension = 0 : i64,
  is_stable = true
} : (tensor<2x3xi64>, tensor<2x3xi64>) -> (tensor<2x3xi64>, tensor<2x3xi64>)
// %result0 = [[3, 2, 3], [1, 2, 1]]
// %result1 = [[1, 2, 1], [3, 2, 3]]

ज़्यादा उदाहरण

sqrt

सिमैंटिक

एलिमेंट के हिसाब से स्क्वेयर रूट, operand टेंसर पर कार्रवाई करता है और result टेंसर बनाता है. एलिमेंट टाइप के आधार पर, ये काम करता है:

• फ़्लोट के लिए: IEEE-754 से squareRoot.
• सम्मिश्र संख्याओं के लिए: सम्मिश्र वर्गमूल.
• संख्या वाले टाइप के लिए: dequantize_op_quantize(sqrt, operand, type(result)).

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	operand	फ़्लोटिंग-पॉइंट या कॉम्प्लेक्स टाइप या पर-टेंसर क्वानटिाइज़्ड टेंसर का टेंसर	(सी1)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
result	फ़्लोटिंग-पॉइंट या कॉम्प्लेक्स टाइप या पर-टेंसर क्वानटिाइज़्ड टेंसर का टेंसर	(सी1)

कंस्ट्रेंट

• (C1) baseline_type(operand) = baseline_type(result).

उदाहरण

// %operand: [[0.0, 1.0], [4.0, 9.0]]
%result = "stablehlo.sqrt"(%operand) : (tensor<2x2xf32>) -> tensor<2x2xf32>
// %result: [[0.0, 1.0], [2.0, 3.0]]

ज़्यादा उदाहरण

घटाएं

सिमैंटिक

यह एलिमेंट के हिसाब से, दो टेंसर lhs और rhs को घटाता है और इससे result टेंसर बनता है. एलिमेंट टाइप के आधार पर, ये काम करता है:

• पूर्णांकों के लिए: पूर्णांक घटाना.
• फ़्लोट के लिए: IEEE-754 से subtraction.
• सम्मिश्र संख्याओं के लिए: जटिल घटाव.
• संख्या वाले टाइप के लिए:
  • dequantize_op_quantize(subtract, lhs, rhs, type(result)).

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	lhs	पूर्णांक, फ़्लोटिंग-पॉइंट या कॉम्प्लेक्स टाइप या पर-टेन्सर से क्वान्टाइज़्ड टेंसर का टेंसर	(सी1)
(I2)	rhs	पूर्णांक, फ़्लोटिंग-पॉइंट या कॉम्प्लेक्स टाइप या पर-टेन्सर से क्वान्टाइज़्ड टेंसर का टेंसर	(सी1)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
result	पूर्णांक, फ़्लोटिंग-पॉइंट या कॉम्प्लेक्स टाइप या पर-टेन्सर से क्वान्टाइज़्ड टेंसर का टेंसर	(सी1)

कंस्ट्रेंट

• (C1) baseline_type(lhs) = baseline_type(rhs) = baseline_type(result).

उदाहरण

// %lhs: [[6, 8], [10, 12]]
// %rhs: [[5, 6], [7, 8]]
%result = "stablehlo.subtract"(%lhs, %rhs) : (tensor<2x2xf32>, tensor<2x2xf32>) -> (tensor<2x2xf32>)
// %result: [[1, 2], [3, 4]]

ज़्यादा उदाहरण

टैन

सिमैंटिक

operand टेंसर पर, एलिमेंट के हिसाब से हाइपरबोलिक टेंजेंट ऑपरेशन करता है और result टेंसर बनाता है. एलिमेंट टाइप के आधार पर, ये काम करता है:

• फ़्लोट के लिए: IEEE-754 से tanh.
• कॉम्प्लेक्स नंबर (समिश्र संख्याओं) के लिए: कॉम्प्लेक्स हाइपरबोलिक टैंजेंट.
• संख्या वाले टाइप के लिए:
  • dequantize_op_quantize(tanh, operand, type(result)).

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	operand	फ़्लोटिंग-पॉइंट या कॉम्प्लेक्स टाइप या पर-टेंसर क्वानटिाइज़्ड टेंसर का टेंसर	(सी1)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
result	फ़्लोटिंग-पॉइंट या कॉम्प्लेक्स टाइप या पर-टेंसर क्वानटिाइज़्ड टेंसर का टेंसर	(सी1)

कंस्ट्रेंट

• (C1) baseline_type(operand) = baseline_type(result).

उदाहरण

// %operand: [-1.0, 0.0, 1.0]
%result = "stablehlo.tanh"(%operand) : (tensor<3xf32>) -> tensor<3xf32>
// %result: [-0.76159416, 0.0, 0.76159416]

ज़्यादा उदाहरण

ट्रांसपोज़ करें

सिमैंटिक

permutation का इस्तेमाल करके, operand टेंसर के डाइमेंशन की अनुमति देता है और result टेंसर बनाता है. औपचारिक तौर पर, result[result_index] = operand[operand_index] जहां result_index[d] = operand_index[permutation[d]].

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	operand	टेंसर या क्वानटिाइज़्ड टेंसर	(सी1-सी4)
(I2)	permutation	si64 टाइप का 1-डाइमेंशन टेंसर कॉन्सटेंट	(सी2-सी4)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
result	टेंसर या क्वानटिाइज़्ड टेंसर	(C1), (C3-C4)

कंस्ट्रेंट

• (C1) element_type(result) को यह सुविधा देता है:
  • element_type(operand), अगर !is_per_axis_quantized(operand) है.
  • element_type(operand) में अंतर हो सकता है. हालांकि, अगर ऐसा नहीं है, तो quantization_dimension(operand) और quantization_dimension(result) में अंतर हो सकता है.
• (C2) permutation, range(rank(operand)) का क्रमचय है.
• (C3) shape(result) = dim(operand, permutation...).
• (C4) अगर is_per_axis_quantized(result) है, तो quantization_dimension(operand) = permutation(quantization_dimension(result)).

उदाहरण

// %operand: [
//            [[1,2], [3,4], [5,6]],
//            [[7,8], [9,10], [11,12]]
//           ]
%result = "stablehlo.transpose"(%operand) {
  permutation = dense<[2, 1, 0]> : tensor<3xi64>
} : (tensor<2x3x2xi32>) -> tensor<2x3x2xi32>
// %result: [
//           [[1,7], [3,9], [5,11]],
//           [[2,8], [4,10], [6,12]]
//          ]

ज़्यादा उदाहरण

triangular_solve

सिमैंटिक

निचले और ऊपरी त्रिकोणीय गुणांकों वाले रैखिक समीकरणों के बैच को हल करता है.

औपचारिक तौर पर, अगर a और b दिए गए हैं, तो op(a[i0, ..., iR-3, :, :]) * x = b[i0, ..., iR-3, :, :] के लिए result[i0, ..., iR-3, :, :] एक समाधान है, जब left_side, true या x * op(a[i0, ..., iR-3, :, :]) = b[i0, ..., iR-3, :, :] होता है, जब left_side false होता है, तो x वैरिएबल का समाधान होता है. यहां op(a) का पता transpose_a से लगाया जाता है. यह इनमें से कोई एक हो सकता है:

• NO_TRANSPOSE: a का इस्तेमाल करके कार्रवाई करें.
• TRANSPOSE: a के ट्रांसपोज़ पर कार्रवाई करें.
• ADJOINT: a के संयुग्मी अंतरण पर कार्रवाई करें.

अगर lower true है या a का ऊपरी त्रिभुज है, तो इनपुट डेटा को सिर्फ़ a के निचले त्रिभुज से ही पढ़ा जा सकता है. आउटपुट डेटा उसी त्रिभुज में दिखाया जाता है; दूसरे त्रिभुज में दी गई वैल्यू, लागू की गई वैल्यू से तय होती हैं.

अगर unit_diagonal सही है, तो लागू करने वाले टूल यह मान सकता है कि a के विकर्ण एलिमेंट 1 के बराबर हैं. ऐसा न होने पर, व्यवहार के बारे में जानकारी नहीं दी जाती.

संख्या वाले टाइप के लिए, यह वैल्यू dequantize_op_quantize(lambda x, y: triangular_solve(x, y, left_side, lower, unit_diagonal, transpose_a), a, b, type(result)) के हिसाब से होती है.

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	a	फ़्लोटिंग-पॉइंट या कॉम्प्लेक्स टाइप या पर-टेंसर क्वानटिाइज़्ड टेंसर का टेंसर	(सी1-सी3)
(I2)	b	फ़्लोटिंग-पॉइंट या कॉम्प्लेक्स टाइप या पर-टेंसर क्वानटिाइज़्ड टेंसर का टेंसर	(सी1-सी4)
(I3)	left_side	i1 टाइप का कॉन्सटेंट	(सी3)
(I4)	lower	i1 टाइप का कॉन्सटेंट
(I5)	unit_diagonal	i1 टाइप का कॉन्सटेंट
(I6)	transpose_a	NO_TRANSPOSE, TRANSPOSE, और ADJOINT की Enum

आउटपुट

नाम	टाइप	कंस्ट्रेंट
result	फ़्लोटिंग-पॉइंट या कॉम्प्लेक्स टाइप या पर-टेंसर क्वानटिाइज़्ड टेंसर का टेंसर	(सी1)

कंस्ट्रेंट

• (C1) baseline_element_type(a) = baseline_element_type(b).
• (C2) 2 <= rank(a) = rank(b) = R.
• (C3) shape(a) और shape(b) के बीच का संबंध इस तरह परिभाषित किया गया है:
  • shape(a)[:-3] = shape(b)[:-3].
  • dim(a, -2) = dim(a, -1) = dim(b, left_side ? -2 : -1).
• (C4) baseline_type(b) = baseline_type(result).

उदाहरण

// %a = [
//       [1.0, 0.0, 0.0],
//       [2.0, 4.0, 0.0],
//       [3.0, 5.0, 6.0]
//      ]
// %b = [
//       [2.0, 0.0, 0.0],
//       [4.0, 8.0, 0.0],
//       [6.0, 10.0, 12.0]
//      ]
%result = "stablehlo.triangular_solve"(%a, %b) {
  left_side = true,
  lower = true,
  unit_diagonal = false,
  transpose_a = #stablehlo<transpose NO_TRANSPOSE>
} : (tensor<3x3xf32>, tensor<3x3xf32>) -> tensor<3x3xf32>
// %result: [
//           [2.0, 0.0, 0.0],
//           [0.0, 2.0, 0.0],
//           [0.0, 0.0, 2.0]
//          ]

tuple

सिमैंटिक

val वैल्यू से result टपल जनरेट करता है.

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	val	वैल्यू की अलग-अलग संख्या	(सी1)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
result	tuple	(सी1)

कंस्ट्रेंट

• (C1) result का टाइप tuple<E0, ..., EN-1> है, जहां Ei = type(val[i]) है.

उदाहरण

// %val0: [1.0, 2.0]
// %val1: (3)
%result = "stablehlo.tuple"(%val0, %val1) : (tensor<2xf32>, tuple<tensor<i32>>) -> tuple<tensor<2xf32>, tuple<tensor<i32>>>
// %result: ([1.0, 2.0], (3))

ज़्यादा उदाहरण

uniform_dequantize

सिमैंटिक

यह operand टाइप के हिसाब से तय किए गए वॉल्यूम वाले टेंसर operand के एलिमेंट के हिसाब से, एलिमेंट के हिसाब से फ़्लोटिंग-पॉइंट टेंसर result में बदलाव करता है.

औपचारिक तौर पर, result = dequantize(operand).

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	operand	क्वांटाइज़्ड टेंसर	(C1), (C2)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
result	फ़्लोटिंग-पॉइंट टाइप का टेंसर	(C1), (C2)

कंस्ट्रेंट

• (C1) shape(operand) = shape(result).
• (C2) element_type(result) = expressed_type(operand).

उदाहरण

// %operand: [10, 10]
%result = "stablehlo.uniform_dequantize"(%operand) : (tensor<2x!quant.uniform<i8:f32:0, {0.1:-30,0.5:-20}>>) -> tensor<2xf32>
// %result: [4.0, 15.0]

uniform_quantize

सिमैंटिक

यह फ़ंक्शन result टाइप में तय किए गए क्वांटाइज़ेशन पैरामीटर के मुताबिक, एलिमेंट के हिसाब से फ़्लोटिंग-पॉइंट टेंसर या क्वांटाइज़्ड टेंसर में, operand को क्वांटाइज़्ड टेंसर result में बदलता है.

औपचारिक तौर पर,

• अगर is_float(operand):
  • result = quantize(operand, type(result)).
• अगर is_quantized(operand):
  • float_result = dequantize(operand).
  • result = quantize(float_result, type(result)).

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	operand	फ़्लोटिंग-पॉइंट या वॉल्यूम वाले टाइप का टेंसर	(C1), (C2)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
result	क्वांटाइज़्ड टेंसर	(C1), (C2)

कंस्ट्रेंट

• (C1) shape(operand) = shape(result).
• (C2) expressed_type(result) = is_float(operand) ? element_type(operand) : expressed_type(operand).

उदाहरण

// %operand: [4.0, 15.0]
%result = "stablehlo.uniform_quantize"(%operand) : (tensor<2xf32>) -> tensor<2x!quant.uniform<i8:f32:0, {0.1:-30,0.5:-20}>>
// %result: [10, 10]

// %operand: [10, 10]
%result = "stablehlo.uniform_quantize"(%operand) : (tensor<2x!quant.uniform<i8:f32:0, {0.1:-30,0.5:-20}>>) -> tensor<2x!quant.uniform<i8:f32:0, {0.1:-20,0.2:-30}>>
// %result: [20, 45]

समय

सिमैंटिक

body फ़ंक्शन को 0 या उससे ज़्यादा बार एक्ज़ीक्यूट करने पर आउटपुट देता है, जबकि cond फ़ंक्शन true आउटपुट देता है. औपचारिक तौर पर, Python सिंटैक्स का इस्तेमाल करके सिमैंटिक को इस तरह से दिखाया जा सकता है:

internal_state = operand
while cond(*internal_state):
  internal_state = body(*internal_state)
results = internal_state

इनफ़ाइनाइट लूप का व्यवहार TBD है (#383).

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	operand	टेंसर की अलग-अलग संख्या, मात्रा वाले टेंसर या टोकन	(सी1-सी3)
(I2)	cond	फ़ंक्शन	(सी1)
(I3)	body	फ़ंक्शन	(सी2)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
results	टेंसर की अलग-अलग संख्या, मात्रा वाले टेंसर या टोकन	(सी3)

कंस्ट्रेंट

• (C1) cond का टाइप (T0, ..., TN-1) -> tensor<i1> है, जहां Ti = type(operand[i]) है.
• (C2) body का टाइप (T0, ..., TN-1) -> (T0, ..., TN-1) है, जहां Ti = type(operand[i]) है.
• (C3) type(results...) = type(operand...).

उदाहरण

// %init_i: 1
// %init_sum: 0
// %one: 1
// %ten: 10
%results0, %results1 = "stablehlo.while"(%init_i, %init_sum) ({
  ^bb0(%arg0: tensor<i64>, %arg1: tensor<i64>):
    %cond = "stablehlo.compare"(%arg0, %ten) {
      comparison_direction = #stablehlo<comparison_direction LT>
    } : (tensor<i64>, tensor<i64>) -> tensor<i1>
    stablehlo.return %cond : tensor<i1>
  }, {
  ^bb0(%arg0: tensor<i64>, %arg1: tensor<i64>):
    %new_sum = stablehlo.add %arg1, %one : tensor<i64>
    %new_i = stablehlo.add %arg0, %one : tensor<i64>
    stablehlo.return %new_i, %new_sum : tensor<i64>, tensor<i64>
}) : (tensor<i64>, tensor<i64>) -> (tensor<i64>, tensor<i64>)
// %results0: 10
// %results1: 10

ज़्यादा उदाहरण

एक्सओआर

सिमैंटिक

एलिमेंट के हिसाब से, दो टेंसर lhs और rhs का XOR परफ़ॉर्म करता है और result टेंसर बनाता है. एलिमेंट टाइप के आधार पर, ये काम करता है:

• बूलियन के लिए: लॉजिकल XOR.
• पूर्णांक के लिए: बिट के अनुसार XOR.

इनपुट

लेबल	नाम	टाइप	कंस्ट्रेंट
(I1)	lhs	बूलियन या पूर्णांक टाइप का टेंसर	(सी1)
(I2)	rhs	बूलियन या पूर्णांक टाइप का टेंसर	(सी1)

आउटपुट

नाम	टाइप	कंस्ट्रेंट
result	बूलियन या पूर्णांक टाइप का टेंसर	(सी1)

कंस्ट्रेंट

• (C1) type(lhs) = type(rhs) = type(result).

उदाहरण

// Bitwise operation with with integer tensors
// %lhs: [[1, 2], [3, 4]]
// %rhs: [[5, 6], [7, 8]]
%result = "stablehlo.xor"(%lhs, %rhs) : (tensor<2x2xi32>, tensor<2x2xi32>) -> tensor<2x2xi32>
// %result: [[4, 4], [4, 12]]

// Logical operation with with boolean tensors
// %lhs: [[false, false], [true, true]]
// %rhs: [[false, true], [false, true]]
%result = "stablehlo.xor"(%lhs, %rhs) : (tensor<2x2xi1>, tensor<2x2xi1>) -> tensor<2x2xi1>
// %result: [[false, true], [true, false]]

प्लान लागू करना

क्रम में एक्ज़ीक्यूशन

StableHLO प्रोग्राम को चलाने के लिए, main फ़ंक्शन में इनपुट वैल्यू और आउटपुट वैल्यू की गणना की जाती है. किसी फ़ंक्शन के आउटपुट वैल्यू का पता लगाने के लिए, इससे जुड़े return ऑपरेटर में रूट किए गए ऑपरेशन के ग्राफ़ को लागू किया जाता है.

एक्ज़ीक्यूशन ऑर्डर, लागू करने के लिए तब तक तय किया जाता है, जब तक कि यह डेटाफ़्लो के साथ अलाइन हो जाता है. इसका मतलब है कि अगर ऑप को उनके इस्तेमाल से पहले लागू किया जाता है. StableHLO में, साइड पर असर डालने वाले सभी ऑपरेशन एक टोकन का इस्तेमाल करते हैं और एक टोकन जनरेट करते हैं (after_all के ज़रिए कई टोकन को एक टोकन में मल्टीप्लेक्स किया जा सकता है). इसलिए, साइड इफ़ेक्ट को लागू करने का क्रम भी डेटाफ़्लो के साथ अलाइन होता है. ऊपर दिए गए उदाहरण कार्यक्रम के लागू होने के संभावित आदेश %0 → %1 → %2 → %3 → %4 → return या %3 → %0 → %1 → %2 → %4 → return हैं.

औपचारिक तौर पर, StableHLO प्रोसेस: 1) StableHLO प्रोग्राम, 2) ऑपरेशन स्टेटस (अभी तक एक्ज़ीक्यूट नहीं किया गया है, पहले से लागू किया जा चुका है), और 3) इंटरमीडिएट वैल्यू का कॉम्बिनेशन होता है, जिन पर प्रोसेस काम कर रही है. यह प्रोसेस, main फ़ंक्शन के लिए इनपुट वैल्यू से शुरू होती है. कार्रवाई की स्थितियों और इंटरमीडिएट वैल्यू को अपडेट करने वाले ऑपरेशन के ग्राफ़ से, यह प्रोसेस आगे बढ़ती है. इसके बाद, यह आउटपुट वैल्यू के साथ खत्म होती है. अब अतिरिक्त औपचारिकता TBD है (#484).

पैरलल एक्ज़ीक्यूशन

StableHLO प्रोग्राम को साथ-साथ, num_partitions तक num_replicas की 2D प्रोसेस ग्रिड में व्यवस्थित किया जा सकता है. दोनों का टाइप ui32 है.

StableHLO प्रोसेस ग्रिड में, StableHLO प्रोसेस में से num_replicas * num_partitions एक साथ प्रोसेस हो रही हैं. हर प्रोसेस में एक यूनीक process_id = (replica_id, partition_id) होता है, जहां replica_ids = range(num_replicas) में replica_id और partition_ids = range(num_partitions) में partition_id, दोनों का टाइप ui32 है.

प्रोसेस ग्रिड का साइज़, हर प्रोग्राम के लिए स्टैटिक रूप से जाना जाता है. आने वाले समय में, हम इसे StableHLO प्रोग्राम #650 का हिस्सा बनाने की योजना बना रहे हैं. साथ ही, प्रोसेस ग्रिड में हर प्रोसेस के लिए जगह की जानकारी स्थिर रूप से मौजूद होती है. हर प्रोसेस को replica_id और partition_id ऑपरेशन के ज़रिए, प्रोसेस ग्रिड में अपनी पोज़िशन ऐक्सेस करने की अनुमति होती है.

प्रोसेस ग्रिड में, सभी प्रोग्राम एक जैसे हो सकते हैं ("सिंगल प्रोग्राम, कई डेटा" स्टाइल में), सभी अलग-अलग हो सकते हैं ("एक से ज़्यादा प्रोग्राम, एक से ज़्यादा डेटा" स्टाइल में) या इनके बीच में कुछ हो सकता है. आने वाले समय में, हम पैरलल StableHLO प्रोग्राम तय करने के अन्य मुहावरों के लिए सहायता शुरू करने की योजना बना रहे हैं, जिसमें GSPMD (#619) भी शामिल है.

प्रोसेस ग्रिड में, प्रोसेस एक-दूसरे से काफ़ी अलग होती हैं - उनकी कार्रवाई की अलग-अलग स्थितियां होती हैं, अलग-अलग इनपुट/इंटरमीडिएट/आउटपुट वैल्यू होती हैं और ज़्यादातर ऑपरेशन, प्रोसेस के बीच अलग-अलग किए जाते हैं. हालांकि, नीचे बताए गए कुछ सामूहिक ऑपरेशन अलग-अलग होते हैं.

यह देखते हुए कि ज़्यादातर ऑपरेशन को चलाने में एक ही प्रोसेस की वैल्यू का इस्तेमाल किया जाता है, आम तौर पर इन वैल्यू को उनके नामों से रेफ़र करना साफ़ तौर पर नहीं बताया जाता. हालांकि, कलेक्टिव ऑपरेशन के सिमैंटिक की जानकारी देते समय, यह काफ़ी नहीं होता. साथ ही, इससे किसी खास प्रोसेस में वैल्यू name के बारे में बताने के लिए नोटेशन name@process_id का इस्तेमाल किया जाता है. (इस नज़रिए से, अमान्य name को name@(replica_id(), partition_id()) के लिए शॉर्टहैंड के तौर पर देखा जा सकता है).

सभी प्रोसेस में एक्ज़ीक्यूशन का क्रम, लागू करने के तरीके से तय होता है. हालांकि, पॉइंट-टू-पॉइंट कम्यूनिकेशन और सामूहिक ऑपरेशन से की जाने वाली प्रोसेस को सिंक नहीं किया जाता, जैसा कि नीचे बताया गया है.

अलग-अलग लोगों के बीच बातचीत की सुविधा

StableHLO प्रोसेस, StableHLO चैनल की मदद से एक-दूसरे से बातचीत कर सकती हैं. चैनल को si64 टाइप के पॉज़िटिव आईडी से दिखाया जाता है. अलग-अलग ऑपरेशन की मदद से, चैनलों को वैल्यू भेजी जा सकती हैं और उन्हें चैनलों से लिया जा सकता है.

आगे से तरीका बताना है कि ये चैनल आईडी कहां से आ रहे हैं, प्रोसेस प्रोग्राम को कैसे उनके बारे में जानकारी मिलती है और उनके लिए किस तरह का सिंक्रनाइज़ेशन शुरू किया जाता है. यह अभी तय नहीं है (#484).

स्ट्रीमिंग कम्यूनिकेशन

हर StableHLO प्रोसेस में दो स्ट्रीमिंग इंटरफ़ेस का ऐक्सेस होता है:

• फ़ीड में, जिससे पढ़ा जा सकता है.
• आउटफ़ीड, जिसमें लिखा जा सकता है.

प्रोसेस के बीच संपर्क करने के लिए इस्तेमाल होने वाले चैनलों के उलट, इनफ़ीड और आउटफ़ीड के दोनों सिरों पर प्रोसेस होती हैं. हालांकि, इनफ़ीड और आउटफ़ीड के लिए, प्रोसेस को लागू करने की प्रोसेस तय होती है.

अतिरिक्त औपचारिकता, जैसे कि स्ट्रीमिंग कम्यूनिकेशन, प्रोग्राम को लागू करने के क्रम पर किस तरह असर डालता है और इसके ज़रिए किस तरह का सिंक किया गया है, इसे टीबीडी (#484) कहा जाता है.

कलेक्टिव ऑपरेशन

StableHLO में छह सामूहिक ऑपरेशन हैं: all_gather, all_reduce, all_to_all, collective_broadcast, collective_permute, और reduce_scatter. ये सभी ऑपरेशन, StableHLO प्रोसेस ग्रिड में मौजूद प्रोसेस को StableHLO प्रोसेस ग्रुप में बांट देते हैं और हर प्रोसेस ग्रुप के अंदर जॉइंट कंप्यूटेशन करते हैं. ये प्रोसेस दूसरे प्रोसेस ग्रुप से अलग होते हैं.

हर प्रोसेस ग्रुप में, सामूहिक ऑपरेशन सिंक करने की प्रक्रिया में रुकावट डाल सकते हैं. अतिरिक्त औपचारिकता, जैसे यह बताना कि आखिर यह सिंक्रोनाइज़ेशन कब होता है, प्रोसेस किस तरह इस रुकावट तक पहुंचती हैं और नहीं करने पर क्या होता है, TBD है (#484).

अगर प्रोसेस ग्रुप में क्रॉस-पार्टिशन कम्यूनिकेशन शामिल है, यानी कि प्रोसेस ग्रुप में ऐसी प्रोसेस हैं जिनके पार्टीशन आईडी अलग-अलग हैं, तो कलेक्टिव ऑप के लिए एक चैनल की ज़रूरत होगी. साथ ही, कलेक्टिव ऑपरेटर को si64 टाइप का एक पॉज़िटिव channel_id देना होगा. क्रॉस-रेप्लिका कम्यूनिकेशन के लिए चैनलों की ज़रूरत नहीं होती.

सामूहिक ऑपरेशन के ज़रिए किए गए कंप्यूटेशन, अलग-अलग ऑपरेशन के लिए खास होते हैं. साथ ही, इसके बारे में ऊपर दिए गए अलग-अलग ऑपरेशन सेक्शन में बताया गया है. हालांकि, प्रोसेस ग्रिड को प्रोसेस ग्रुप में बांटने की रणनीतियां, इन ऑपरेशन के बीच शेयर की जाती हैं और इस सेक्शन में इनके बारे में बताया गया है. औपचारिक रूप से, StableHLO नीचे दी गई चार रणनीतियों का इस्तेमाल करता है.

cross_replica

प्रोसेस के हर ग्रुप में, सिर्फ़ क्रॉस-रेप्लिका कम्यूनिकेशन होते हैं. यह रणनीति, replica_groups - प्रतिरूप आईडी की सूचियों की सूची - का इस्तेमाल करती है और partition_ids तक replica_groups के कार्टीज़न प्रॉडक्ट की गणना करती है. replica_groups में यूनीक एलिमेंट होने चाहिए और ये सभी replica_ids को कवर करना चाहिए. औपचारिक तौर पर, Python सिंटैक्स का इस्तेमाल करके:

def cross_replica(replica_groups: List[List[ReplicaId]]) -> List[List[ProcessId]]:
  for replica_group in replica_groups:
    for partition_id in partition_ids:
      process_group = []
      for replica_id in replica_group:
        process_group.append((replica_id, partition_id))
      yield process_group

उदाहरण के लिए, replica_groups = [[0, 1], [2, 3]] और num_partitions = 2 के लिए cross_replica, [[(0, 0), (1, 0)], [(0, 1), (1, 1)], [(2, 0), (3, 0)], [(2, 1), (3, 1)]] जनरेट करेगा.

cross_partition

प्रोसेस करने वाले हर ग्रुप में, सिर्फ़ क्रॉस-पार्टिशन कम्यूनिकेशन होते हैं. यह रणनीति partition_groups का इस्तेमाल करती है - जो विभाजन आईडी की सूची की सूची होती है - और replica_ids के ज़रिए partition_groups के कार्टेशियन प्रॉडक्ट की गणना करती है. partition_groups में यूनीक एलिमेंट होने चाहिए और ये सभी partition_ids को कवर करने चाहिए. औपचारिक तौर पर, Python सिंटैक्स का इस्तेमाल करके:

def cross_partition(partition_groups: List[List[PartitionId]]) -> List[List[ProcessId]]:
  for partition_group in partition_groups:
    for replica_id in replica_ids:
      process_group = []
      for partition_id in partition_group:
        process_group.append((replica_id, partition_id))
      yield process_group

उदाहरण के लिए, partition_groups = [[0, 1]] और num_replicas = 4 के लिए cross_partition, [[(0, 0), (0, 1)], [(1, 0), (1, 1)], [(2, 0), (2, 1)], [(3, 0), (3, 1)]] जनरेट करेगा.

cross_replica_and_partition

क्रॉस-रेप्लिका और क्रॉस-पार्टिशन कम्यूनिकेशन, दोनों प्रोसेस हर ग्रुप में हो सकते हैं. यह रणनीति replica_groups - रेप्लिका आईडी की सूची - और हर replica_group के कार्टेशियन प्रॉडक्ट की गणना partition_ids तक करती है. replica_groups में यूनीक एलिमेंट होने चाहिए और ये सभी replica_ids को कवर करने चाहिए. औपचारिक तौर पर, Python सिंटैक्स का इस्तेमाल करके:

def cross_replica_and_partition(replica_groups: List[List[ReplicaId]]) -> List[List[ProcessId]]:
  for replica_group in replica_groups:
    process_group = []
    for partition_id in partition_ids:
      for replica_id in replica_group:
        process_group.append((replica_id, partition_id))
    yield process_group

उदाहरण के लिए, replica_groups = [[0, 1], [2, 3]] और num_partitions = 2 के लिए cross_replica_and_partition, [[(0, 0), (1, 0), (0, 1), (1, 1)], [(2, 0), (3, 0), (2, 1), (3, 1)]] जनरेट करेगा.

flattened_ids

यह रणनीति flattened_id_groups - replica_id * num_partitions + partition_id के रूप में "फ़्लैट की गई" प्रोसेस आईडी की सूचियों की सूची लेती है और उन्हें प्रोसेस आईडी में बदल देती है. flattened_id_groups में यूनीक एलिमेंट होने चाहिए और इनमें सभी process_ids शामिल होने चाहिए. औपचारिक तौर पर, Python सिंटैक्स का इस्तेमाल करके:

def flattened_ids(flattened_id_groups: List[List[ui32]]) -> List[List[ProcessId]]:
  for flattened_id_group in flattened_id_groups:
    process_group = []
    for flattened_id in flattened_id_group:
      replica_id = flattened_id // num_partitions
      partition_id = flattened_id % num_partitions
      process_group.append((replica_id, partition_id))
    yield process_group

उदाहरण के लिए, flattened_id_groups = [[0, 1, 2, 3], [4, 5, 6, 7]], num_replicas = 4, और num_partitions = 2 के लिए flattened_ids, [[(0, 0), (0, 1), (1, 0), (1, 1)], [(2, 0), (2, 1), (3, 0), (3, 1)]] जनरेट करेगा.

सटीक जानकारी

फ़िलहाल, StableHLO संख्या के सटीक होने की गारंटी नहीं देता, लेकिन आने वाले समय में इसमें बदलाव हो सकता है (#1156).

गड़बड़ियां

StableHLO प्रोग्राम की पुष्टि, अलग-अलग ऑपरेशन के लिए कई तरह की पाबंदियों के ज़रिए की जाती है, जो रन टाइम से पहले कई तरह की गड़बड़ियों को कंट्रोल करते हैं. हालांकि, गड़बड़ी की स्थितियां अब भी हो सकती हैं, जैसे कि इंटीजर ओवरफ़्लो, आउट-ऑफ़-बाउंड ऐक्सेस वगैरह. जब तक साफ़ तौर पर समस्या को दूर न किया जाए, तब तक इन सभी गड़बड़ियों की वजह से, लागू करने से जुड़ी तय कार्रवाई होती है, लेकिन आने वाले समय में यह बदल सकती है (#1157).

इस नियम के अपवाद के तौर पर, StableHLO प्रोग्राम में फ़्लोटिंग-पॉइंट अपवाद का व्यवहार अच्छी तरह से तय किया गया है. जिन ऑपरेशन के लिए आईईईई-754 स्टैंडर्ड (अमान्य ऑपरेशन, डिवीज़न-बाय-ज़ीरो, ओवरफ़्लो, अंडरफ़्लो या पूरी तरह से लागू न होने वाले अपवाद) के तहत अपवाद तय किए जाते हैं वे डिफ़ॉल्ट नतीजे देते हैं (जैसा कि स्टैंडर्ड में बताया गया है) और इनसे जुड़े स्टेटस फ़्लैग को ऊपर किए बिना, एक्ज़ीक्यूट करना जारी रखा जाता है. यह स्टैंडर्ड के raiseNoFlag अपवाद को हैंडल करने की तरह ही होता है. गैर-मानक संक्रियाओं (जैसे कि जटिल अंकगणित और कुछ ट्रांसेंडेंटल फ़ंक्शन) के अपवादों के बारे में बताया गया है.

नोटेशन

सिंटैक्स की जानकारी देने के लिए, इस दस्तावेज़ में EBNF सिंटैक्स (ISO/IEC 14977:1996, Wikipedia) के बदले हुए ISO फ़्लेवर का इस्तेमाल किया गया है, जिसमें दो बदलाव किए गए हैं: 1) नियमों को = के बजाय ::= का इस्तेमाल करके तय किया गया है,

2) स्ट्रिंग जोड़ने की प्रोसेस को , के बजाय, जूसटैपोज़िशन का इस्तेमाल करके दिखाया जाता है.

सिमेंटिक्स (जैसे कि "टाइप", "कॉन्स्टेंट", और "ऑप" सेक्शन में) की जानकारी देने के लिए, हम Python सिंटैक्स पर आधारित फ़ॉर्मूले इस्तेमाल कर रहे हैं. साथ ही, अरे ऑपरेशन को संक्षेप में बताने के लिए, जैसा कि नीचे बताया गया है. यह कोड के छोटे स्निपेट के साथ अच्छा काम करता है. हालांकि, ऐसे मामलों में जब कोड के बड़े स्निपेट की ज़रूरत होती है, तो हम vanilla Python सिंटैक्स का इस्तेमाल करते हैं. इसे हमेशा साफ़ तौर पर उपलब्ध कराया जाता है.

फ़ॉर्मूला

जानें कि dot_general स्पेसिफ़िकेशन में दिए गए उदाहरण से, फ़ॉर्मूला कैसे काम करते हैं. इस कार्रवाई की एक शर्त इस तरह से है: dim(lhs, lhs_batching_dimensions...) = dim(rhs, rhs_batching_dimensions...).

इस फ़ॉर्मूला में इस्तेमाल किए गए नाम दो सोर्स से लिए जाते हैं: 1) ग्लोबल फ़ंक्शन, यानी dim, 2) इससे जुड़े प्रोग्राम एलिमेंट की मेंबर डेफ़िनिशन यानी कि lhs, lhs_batching_dimensions, rhs, और rhs_batching_dimensions इनपुट. जो dot_general के "इनपुट" सेक्शन में बताए गए हैं.

जैसा कि ऊपर बताया गया है, इस फ़ॉर्मूला का सिंटैक्स Python पर आधारित है. इसमें कम शब्दों में लिखे गए कुछ एक्सटेंशन इस्तेमाल किए गए हैं. फ़ॉर्मूला को समझने के लिए, आइए इसे वैनिला Python सिंटैक्स में बदलते हैं.

A) इन फ़ॉर्मूलों में, हम बराबरी दिखाने के लिए = का इस्तेमाल कर रहे हैं. इसलिए, Python सिंटैक्स पाने के लिए सबसे पहले, = को == से बदला जाएगा. इसका तरीका नीचे बताया गया है: dim(lhs, lhs_batching_dimensions...) == dim(rhs, rhs_batching_dimensions...).

B) साथ ही, ये फ़ॉर्मूले एलिप्सिस (...) के साथ भी काम करते हैं, जो स्केलर एक्सप्रेशन को टेंसर एक्सप्रेशन में बदल देते हैं. संक्षेप में, f(xs...) का शाब्दिक अर्थ है कि "टेंसर xs में हर अदिश x के लिए, एक अदिश f(x) की गणना करें और फिर इन सभी अदिश नतीजों को एक टेंसर परिणाम के रूप में एक साथ लौटाता है". वनीला Python सिंटैक्स में, हमारा उदाहरण फ़ॉर्मूला यह है: [dim(lhs, dim1) for dim1 in lhs_batching_dimensions] == [dim(rhs, dim2) for dim2 in rhs_batching_dimensions].

एलिप्सिस की वजह से, अक्सर अलग-अलग स्केलर के लेवल पर काम करने से बचा जा सकता है. हालांकि, कुछ मामलों में, कम लेवल वाले सेमी-इन्फ़ॉर्मल सिंटैक्स का इस्तेमाल, gather स्पेसिफ़िकेशन के start_indices[bi0, ..., :, ..., biN] फ़ॉर्मूला की तरह ही किया जा सकता है. कम शब्दों में सटीक जानकारी देने के लिए, हम उम्मीद करते हैं कि इस तरह के सिंटैक्स का अनुवाद वनीला Python में करने के लिए कोई औपचारिकता नहीं दी जाएगी. हालांकि, यह उम्मीद की जाती है कि अलग-अलग मामलों के हिसाब से इसे अब भी आसानी से समझा जा सकेगा. अगर कुछ खास फ़ॉर्मूला धुंधले दिखते हैं, तो कृपया हमें बताएं. हम उन्हें बेहतर बनाने की कोशिश करेंगे.

साथ ही, आपने ध्यान दिया कि फ़ॉर्मूला सभी तरह की सूचियों को बड़ा करने के लिए एलिप्सिस का इस्तेमाल करते हैं. इनमें टेंसर, टेंसर की सूचियां (जैसे, अलग-अलग टेंसर की सूची वगैरह) शामिल हो सकते हैं. यह ऐसा क्षेत्र है जहां हम सटीक औपचारिकता नहीं देते (उदाहरण के लिए, सूचियां, StableHLO 'स्टेबिलिटी टाइप सिस्टम' का हिस्सा भी नहीं होती हैं), और समझने लायक होती हैं.

C) हम जो आख़िरी अहम नोटेशन इस्तेमाल करते हैं वह इंप्लिसिट ब्रॉडकास्टिंग है. हालांकि, StableHLO ऑप्टसेट को बिना किसी वाक्य के ब्रॉडकास्ट करने की सुविधा नहीं मिलती, लेकिन फ़ॉर्मूले को कम शब्दों में लिखने की सुविधा मिलती है. कम शब्दों में कहें, तो अगर स्केलर का इस्तेमाल उस संदर्भ में किया जाता है जहां टेंसर की उम्मीद की जाती है, तो स्केलर को सही आकार में ब्रॉडकास्ट किया जाता है.

dot_general उदाहरण को जारी रखने के लिए, यहां एक और कंस्ट्रेंट दिया गया है: 0 <= lhs_batching_dimensions < rank(lhs). dot_general के ब्यौरे के मुताबिक, lhs_batching_dimensions एक टेंसर है. हालांकि, 0 और rank(lhs) दोनों स्केलर हैं. इंप्लिसिट ब्रॉडकास्टिंग लागू करने के बाद, फ़ॉर्मूला [0, ..., 0] <= lhs_batching_dimensions < [rank(lhs), ..., rank(lhs)] हो जाएगा.

जब किसी खास dot_general ऑपरेशन पर लागू किया जाता है, तो यह फ़ॉर्मूला बूलियन के टेंसर का आकलन करेगा. जब फ़ॉर्मूले का इस्तेमाल कंस्ट्रेंट के तौर पर किया जाता है, तो कंस्ट्रेंट होल्ड तब होता है, जब फ़ॉर्मूला, true या ऐसे टेंसर का आकलन करता है जिसमें सिर्फ़ true एलिमेंट होते हैं.

नाम

फ़ॉर्मूला में, लेक्सिकल स्कोप में ये चीज़ें शामिल होती हैं: 1) ग्लोबल फ़ंक्शन, 2) सदस्य की परिभाषाएं,

3) स्थानीय परिभाषाएं. ग्लोबल फ़ंक्शन की सूची यहां दी गई है. एलिमेंट परिभाषाओं की सूची उस प्रोग्राम एलिमेंट पर निर्भर करती है जिस पर नोटेशन लागू होता है:

• सदस्य की परिभाषाओं में, "इनपुट" और "आउटपुट" सेक्शन में पेश किए गए नाम शामिल होते हैं.
• बाकी सभी चीज़ों के लिए, सदस्य परिभाषाओं में प्रोग्राम एलिमेंट के स्ट्रक्चर वाले हिस्से शामिल होते हैं, जिनका नाम उनसे जुड़े ईबीएनएफ़ नॉन-टर्मिनल के नाम पर रखा जाता है. ज़्यादातर, इन स्ट्रक्चर वाले हिस्सों के नाम, नॉन-टर्मिनल के नामों को स्नेक केस में बदलकर (जैसे कि IntegerLiteral => integer_literal) हासिल किए जाते हैं. हालांकि, कभी-कभी इस प्रोसेस में नाम छोटे कर दिए जाते हैं (जैसे कि QuantizationStorageType => storage_type). ऐसे मामलों में, नामों को
• इसके अलावा, सदस्य की परिभाषाओं में, संबंधित प्रोग्राम एलिमेंट को रेफ़र करने के लिए, self को हमेशा शामिल किया जाता है.

वैल्यू

फ़ॉर्मूलों का आकलन होने पर, वे इस तरह की वैल्यू के साथ काम करते हैं: 1) Value (असल वैल्यू, जैसे कि dense<[[1, 2], [3, 4]]> : tensor<2x2xi32>; उन्हें हमेशा पता होता है कि उनका टाइप किस तरह का है), 2) Placeholder (आने वाले समय की वैल्यू, जैसे कि lhs, rhs या result; उनके असल वैल्यू का अभी तक पता नहीं है, सिर्फ़ उनके टाइप के बारे में पता है), 3) Type ("टाइप" सेक्शन में बताए गए टाइप), 4) "फ़ंक्शन" सेक्शन में Function फ़ंक्शन.

संदर्भ के आधार पर, हो सकता है कि नाम अलग-अलग वैल्यू का हवाला दे रहे हों. खास तौर पर, ऑपरेशन के लिए "सेमैंटिक" सेक्शन (और दूसरे प्रोग्राम एलिमेंट के लिए मिलते-जुलते) रनटाइम लॉजिक के बारे में बताता है, इसलिए सभी इनपुट Value के तौर पर उपलब्ध होते हैं. वहीं दूसरी ओर, ऑपरेशन (और उसके बराबर) के लिए "कंस्ट्रेंट" सेक्शन, "कंपाइल-टाइम" लॉजिक के बारे में बताता है.इसका मतलब है कि आम तौर पर, रनटाइम से पहले एक कन्वर्ज़न लागू होता है. इसलिए, Value के तौर पर सिर्फ़ कॉन्सटैंट इनपुट उपलब्ध होते हैं और अन्य इनपुट सिर्फ़ Placeholder के तौर पर उपलब्ध होते हैं.

नाम	"सेमैंटिक" में	"सीमाएं" में
ग्लोबल फ़ंक्शन	Function	Function
कॉन्सटैंट इनपुट	Value	Value
नॉन-कॉन्सटेंट इनपुट	Value	Placeholder
आउटपुट	Value	Placeholder
स्थानीय परिभाषाएं	परिभाषा पर निर्भर करता है	परिभाषा पर निर्भर करता है

आइए, एक transpose कार्रवाई के उदाहरण पर विचार करें:

%result = "stablehlo.transpose"(%operand) {
  permutation = dense<[2, 1, 0]> : tensor<3xi64>
} : (tensor<2x3x2xi32>) -> tensor<2x3x2xi32>

इस ऑपरेशन के लिए, permutation एक कॉन्सटेंट है. इसलिए, यह सिमैंटिक और कंस्ट्रेंट, दोनों में Value के तौर पर उपलब्ध है. वहीं, सिमैंटिक में operand और result, Value के तौर पर उपलब्ध हैं, लेकिन कंस्ट्रेंट के मामले में सिर्फ़ Placeholder के तौर पर उपलब्ध हैं.

फ़ंक्शन

टाइप का निर्माण

ऐसा कोई फ़ंक्शन नहीं है जिसका इस्तेमाल टाइप बनाने के लिए किया जा सके. इसके बजाय, हम सीधे टाइप सिंटैक्स का इस्तेमाल करते हैं, क्योंकि यह आम तौर पर छोटा होता है. उदाहरण के लिए, function_type( [tensor_type([], E), tensor_type([], E)], [tensor_type([], E)]) के बजाय (tensor<E>, tensor<E>) -> (tensor<E>).

टाइप पर फ़ंक्शन

• element_type की जानकारी, टेंसर टाइप और कैलकुलेटर वाले टेंसर के हिसाब से तय की जाती है. यह वैल्यू, इससे जुड़े TensorType या QuantizedTensorType के TensorElementType या QuantizedTensorElementType हिस्से के आधार पर तय की जाती है.

def element_type(x: Value | Placeholder | Type):
 if type(x) == TensorType:
    return tensor_element_type(x)
  if type(x) == QuantizedTensorType:
    return quantized_tensor_element_type(x)
  if type(x) is not Type:
    return element_type(type(x))

• is_per_axis_quantized(x: Value | Placeholder | Type) -> Value, is_quantized(x) and quantization_dimension(x) is not None का शॉर्टकट है.

• is_per_tensor_quantized(x: Value | Placeholder | Type) -> Value, is_quantized(x) and quantization_dimension(x) is None का शॉर्टकट है.

• is_promotable(x: Type, y: Type) -> bool यह जांचता है कि टाइप x को y टाइप करने के लिए प्रमोट किया जा सकता है या नहीं. जब x और y QuantizedTensorElementType हो, तो प्रमोशन सिर्फ़ storage_type पर लागू होता है. फ़िलहाल, प्रमोशन के इस खास वर्शन का इस्तेमाल सीमित करने की गणना के संदर्भ में किया जाता है (ज़्यादा जानकारी के लिए आरएफ़सी देखें).

def is_promotable(x: Type, y: Type) -> Value:
  is_same_type = (is_bool(x) and is_bool(y)) or
    (is_integer(x) and is_integer(y)) or (is_float(x) and is_float(y)) or
    (is_complex(x) and is_complex(y)) or
    (is_quantized(x) and is_quantized(y) and expressed_type(x) = expressed_type(y))

  if is_same_type == False:
    return False

  if is_integer(x) or is_float(x):
    return bitwidth(x) <= bitwidth(y)

  if is_complex(x):
    return bitwidth(element_type(x)) <= bitwidth(element_type(y))

  if is_quantized(x):
    return bitwidth(storage_type(x)) <= bitwidth(storage_type(y))

  return false

• is_quantized(x: Value | Placeholder | Type) -> Value, is_quantized_tensor_element_type(x) का शॉर्टकट है.

• is_type_name(x: Value | Placeholder | Type) -> Value. यह सुविधा सभी तरह के लोगों के लिए उपलब्ध है. जैसे, अगर x FloatType है, तो is_float(x) true दिखाता है. अगर x कोई वैल्यू या प्लेसहोल्डर है, तो यह फ़ंक्शन is_type_name(type(x)) के लिए शॉर्टकट है.

• max_value(x: Type) -> Value, TensorElementType की ज़्यादा से ज़्यादा वैल्यू दिखाता है. अगर x, TensorElementType नहीं है, तो None दिखाता है.

• min_value(x: Type) -> Value, TensorElementType की कम से कम संभावित वैल्यू दिखाता है. अगर x, TensorElementType नहीं है, तो None दिखाता है.

• member_name(x: Value | Placeholder | Type) -> Any. यह सुविधा सभी तरह की सदस्यता की सभी परिभाषाएं member_name के लिए उपलब्ध हैं. उदाहरण के लिए, tensor_element_type(x) इससे जुड़े TensorType का TensorElementType वाला हिस्सा दिखाता है. अगर x कोई वैल्यू या प्लेसहोल्डर है, तो यह फ़ंक्शन member_name(type(x)) के लिए शॉर्टकट है. अगर x ऐसा टाइप नहीं है जिसमें सही सदस्य या ऐसी वैल्यू या प्लेसहोल्डर मौजूद हो, तो None दिखाता है.

वैल्यू तैयार करना

• operation_name(*xs: Value | Type) -> Value. सभी कार्रवाइयों के लिए उपलब्ध है. उदाहरण के लिए, add(lhs, rhs) दो टेंसर वैल्यू lhs और rhs लेता है और इन इनपुट की मदद से, add ऑपरेशन का आकलन करने का आउटपुट दिखाता है. broadcast_in_dim जैसे कुछ ऑपरेशन के लिए, उनके आउटपुट "लोड-असर" होते हैं. इसका मतलब है कि किसी कार्रवाई का आकलन करने के लिए, इसकी ज़रूरत होती है. इस मामले में, फ़ंक्शन इन टाइप को आर्ग्युमेंट के तौर पर लेता है.

वैल्यू पर फ़ंक्शन

• Python के सभी ऑपरेटर और फ़ंक्शन उपलब्ध हैं. उदाहरण के लिए, Python में मौजूद सदस्यता और स्लाइसिंग, दोनों नोटेशन को टेंसर, क्वांटाइज़्ड टेंसर, और ट्यूपल में इंडेक्स करने के लिए उपलब्ध है.

• to_destination_type(x: Value, destination_type: Type) -> Value को टेंसर पर सेट किया जाता है और type(x) और destination_type के आधार पर, x की बदली गई वैल्यू इस तरह मिलती है:

def to_destination_type(x: Value, destination_type: Type) -> Value:
  if type(x) == destination_type:
    return x

  if is_quantized(destination_type):
    if is_quantized(type(x)):
      return quantize(x, destination_type)
    assert is_float(type(x))
    return quantize(x, destination_type)

  if is_quantized(type(x)):
    assert destination_type = expressed_type(type(x))
    return dequantize(type(x))

  return convert(x, destination_type)

convert, uniform_quantize, और uniform_dequantize कार्रवाइयों (#1576) को मर्ज करने पर, शुरुआती चर्चा चल रही है. मर्ज करने के बाद, हमें ऊपर दिए गए फ़ंक्शन की ज़रूरत नहीं होती और हम उसके बजाय convert के लिए, कार्रवाई के नाम का इस्तेमाल कर सकते हैं.

• is_nan(x: Value) -> Value को टेंसर पर सेट किया जाता है और अगर x के सभी एलिमेंट NaN या false होते हैं, तो true दिखाता है. अगर x टेंसर नहीं है, तो None दिखाता है.

• अगर x के एलिमेंट को उनके इंडेक्स के बढ़ते क्रम में या false के हिसाब से बढ़ते क्रम में लगाया जाए, तो is_sorted(x: Value) -> Value का मतलब टेंसर पर होता है और यह true दिखाता है. अगर x, टेंसर नहीं है, तो None दिखाता है.

• is_unique(x: Value) -> Value को टेंसर पर सेट किया जाता है. साथ ही, अगर x में डुप्लीकेट एलिमेंट नहीं होता या false मौजूद नहीं होता, तो यह true दिखाता है. अगर x टेंसर नहीं है, तो None दिखाता है.

• member_name(x: Value) -> Any सभी वैल्यू में से, member_name मेंबर की सभी परिभाषाओं के लिए तय किया जाता है. उदाहरण के लिए, real_part(x), इससे जुड़े ComplexConstant का RealPart हिस्सा दिखाता है. अगर x ऐसी वैल्यू नहीं है जिसका सदस्य सही है, तो None दिखाता है.

• same(x: Value) -> Value को टेंसर पर सेट किया जाता है. अगर x के सभी एलिमेंट एक-दूसरे के बराबर हैं या false है, तो नतीजे के तौर पर true दिखता है. अगर टेंसर में कोई एलिमेंट नहीं है, तो उसे "सभी एक-दूसरे के बराबर" के तौर पर गिना जाता है. इसका मतलब है कि फ़ंक्शन true दिखाता है. अगर x कोई टेंसर नहीं है, तो None दिखाता है.

• split(x: Value, num_results: Value, axis: Value) -> Value को टेंसर पर सेट किया जाता है और यह ऐक्सिस axis के साथ x के num_results स्लाइस दिखाता है. अगर x, टेंसर या dim(x, axis) % num_results != 0 नहीं है, तो None दिखाता है.

आकार की गणना

• axes(x: Value | Placeholder | Type) -> Value, range(rank(x)) का शॉर्टकट है.

• dim(x: Value | Placeholder | Type, axis: Value) -> Value, shape(x)[axis] का शॉर्टकट है.

• dims(x: Value | Placeholder | Type, axes: List) -> List, list(map(lambda axis: dim(x, axis), axes)) का शॉर्टकट है.

• index_space(x: Value | Placeholder | Type) -> Value के बारे में टेंसर पर बताया गया है और यह बढ़ते हुए क्रम में लगाए गए TensorType के लिए size(x) इंडेक्स दिखाता है. जैसे, [0, ..., 0], [0, ..., 1], ...,shape(x) - 1. अगर x, टेंसर टाइप नहीं है, तो कैलकुलेटेड टेंसर टाइप या इनमें से किसी एक टाइप की वैल्यू या प्लेसहोल्डर None है.

• rank(x: Value | Placeholder | Type) -> Value, size(shape(x)) का शॉर्टकट है.

• shape(x: Value | Placeholder | Type) -> Value के बारे में member_name के ज़रिए "फ़ंक्शन टाइप" सेक्शन में बताया गया है.

• size(x: Value | Placeholder | Type) -> Value, reduce(lambda x, y: x * y, shape(x)) का शॉर्टकट है.

क्वांटाइज़ेशन से जुड़ी गणनाएं

• def baseline_element_type(x: Value | Placeholder | Type) -> Type, element_type(baseline_type(x)) का शॉर्टकट है.

• baseline_type के बारे में, टेंसर टाइप और संख्या वाले टेंसर टाइप के आधार पर इस्तेमाल किया जाता है.साथ ही, यह उन्हें "बेसलाइन" में बदल देता है. इसका मतलब है कि एक समान आकार वाला टाइप है, लेकिन एलिमेंट टाइप के क्वांटाइज़ेशन पैरामीटर, डिफ़ॉल्ट वैल्यू पर रीसेट हो जाते हैं. इसका इस्तेमाल टेंसर और क्वांटाइज़ किए गए टेंसर, दोनों टाइप की एक समान तरीके से तुलना करने के लिए आसान ट्रिक के तौर पर किया जाता है. इसकी अक्सर ज़रूरत पड़ती है. संख्या वाले टाइप के लिए, यह क्वांटाइज़ेशन पैरामीटर को अनदेखा किए बिना, टाइप की तुलना करने की सुविधा चालू करता है. जैसे, shape, storage_type, expressed_type, storage_min, storage_max, और quantization_dimension (हर ऐक्सिस के लिए संख्या के हिसाब से आकलन किए गए टाइप के लिए) सभी मैच होने चाहिए. हालांकि, scales और zero points में अंतर हो सकता है.

def baseline_type(x: Value | Placeholder | Type) -> Type:
  if type(x) == TensorType:
    return x
  if type(x) == QuantizedTensorType:
    element_type = quantized_tensor_element_type(x)
    baseline_element_type = QuantizedTensorElementType(
      storage_type = storage_type(element_type),
      storage_min = storage_min(element_type),
      storage_max = storage_max(element_type),
      expressed_type = expressed_type(element_type),
      quantization_dimension = quantization_dimension(element_type),
      scales = [constant(1.0, expressed_type(element_type))] * dim(x, quantization_dimension(element_type)),
      zero_points = [constant(0, storage_type(element_type))] * dim(x, quantization_dimension(element_type)))
    return QuantizedTensorType(shape(x), baseline_element_type)
  if type(x) is not Type:
    return baseline_element_type(type(x))

• dequantize को क्वांटाइज़्ड टेंसर टाइप के हिसाब से तय किया जाता है. यह उन्हें फ़्लोटिंग-पॉइंट टेंसर में बदल देता है. इसके लिए संख्या वाले एलिमेंट को बदला जाता है. ये एलिमेंट, स्टोरेज टाइप की इंटीजर वैल्यू को, बताए गए टाइप की फ़्लोटिंग-पॉइंट वैल्यू में बदलते हैं. इसके लिए, क्वांटाइज़ किए गए एलिमेंट से जुड़े ज़ीरो पॉइंट और स्केल का इस्तेमाल किया जाता है.

def compute_zero_points(quantized_type, result_type):
  if is_per_tensor_quantized(quantized_type):
    return broadcast_in_dim(constant(zero_point(quantized_type), storage_type(quantized_type)), [], result_type)
  if is_per_axis_quantized(quantized_type):
    for i in index_space(result_type):
      d = quantization_dimension(quantized_type)
      zero_points[i] = zero_points(quantized_type)[i[d]]
    return zero_points

def compute_scales(quantized_type, result_type):
  if is_per_tensor_quantized(quantized_type):
    return broadcast_in_dim(constant(scale(quantized_type), expressed_type(quantized_type)), [],
            type(result_type))
  if is_per_axis_quantized(quantized_type):
    for i in index_space(result_type):
      d = quantization_dimension(quantized_type)
      scales[i] = scales(quantized_type)[i[d]]
    return scales

def dequantize(x: Value) -> Value:
  assert is_quantized(x)
  x_storage = bitcast_convert(x, storage_type(x))
  x_storage_sub = x_storage - compute_zero_points(type(x), type(x_storage))
  x_expressed_sub = convert(x_storage_sub, expressed_type(x))
  return x_expressed_sub * compute_scales(type(x), type(x_expressed_sub))

• quantize को फ़्लोटिंग-पॉइंट टेंसर टाइप पर तय किया जाता है और यह उन्हें क्वांटाइज़ किए गए टेंसर टाइप में बदल देता है. ऐसा करने के लिए, बताए गए टाइप के फ़्लोटिंग-पॉइंट वैल्यू को स्टोरेज टाइप से जुड़ी पूर्णांक वैल्यू में बदला जाता है. इसके लिए, क्वांटाइज़ किए गए एलिमेंट से जुड़े ज़ीरो पॉइंट और स्केल का इस्तेमाल किया जाता है.

def quantize(x: Value, type: Type) -> Value:
  assert is_float(x) and is_quantized(type)
  x_expressed_rounded = round_nearest_even(x / compute_scales(type, type(x)))
  x_storage_rounded = convert(x_expressed_rounded, storage_type(type))
  x_storage_add = x_storage_rounded + compute_zero_points(type, type(x_storage_rounded))
  x_storage = clamp(storage_min(type), x_storage_add, storage_max(type))
  return bitcast_convert(x_storage, type)

• dequantize_op_quantize का इस्तेमाल, क्वांटाइज़ किए गए टेंसर पर एलिमेंट के हिसाब से कैलकुलेशन करने के लिए किया जाता है. यह आकलन किए गए एलिमेंट को मापता है. इसका मतलब यह है कि संख्या वाले एलिमेंट को उनके बताए गए टाइप में बदल दिया जाता है, फिर कोई कार्रवाई की जाती है. इसके बाद, संख्या को कैलकुलेट किया जाता है. इसका मतलब है कि नतीजों को वापस उनके स्टोरेज टाइप में बदल दिया जाता है. फ़िलहाल, यह फ़ंक्शन सिर्फ़ पर-टेंसर क्वांटाइज़ेशन के लिए काम करता है. हर ऐक्सिस पर संख्या बढ़ाने का काम जारी है (#1574).

def dequantize_op_quantize(op, *inputs_and_output_type):
  inputs = inputs_and_output_type[:-1]
  output_type = inputs_and_output_type[-1]

  float_inputs = map(dequantize, inputs)
  float_result = op(*float_inputs)
  return quantize(float_result, output_type)

def dequantize_batch_norm_grad_or_training_quantize(op, *inputs_and_output_types):
  inputs = inputs_and_output_type[:-3]
  float_inputs = map(dequantize, inputs)
  float_results = op(*float_inputs)
  return map(quantize, float_results, inputs_and_output_type[-3:])

def dequantize_compare(lhs, rhs, comparison_direction):
  float_lhs = dequantize(lhs)
  float_rhs = dequantize(rhs)
  return compare(float_lhs, float_rhs, comparison_direction, FLOAT)

def dequantize_select_quantize(pred, on_true, on_false, output_type):
  float_on_true = dequantize(on_true)
  float_on_false = dequantize(on_false)
  float_result = select(pred, float_on_true, float_on_false)
  return quantize(float_result, output_type)

ग्रिड कंप्यूटेशन

• cross_partition(replica_groups: Value) -> Value. ऊपर दिया गया "cross_replica" सेक्शन देखें.

• cross_replica(replica_groups: Value) -> Value. ऊपर दिया गया "cross_replica" सेक्शन देखें.

• cross_replica_and_partition(replica_groups: Value) -> Value. ऊपर दिया गया "cross_replica_and_partition" सेक्शन देखें.

• flattened_ids(replica_groups: Value) -> Value. ऊपर दिया गया "फ़्लैटेन्ड_id" सेक्शन देखें.