অপারেশন শব্দার্থবিদ্যা

XlaBuilder ইন্টারফেসে সংজ্ঞায়িত ক্রিয়াকলাপের শব্দার্থবিদ্যা নিম্নলিখিত বর্ণনা করে। সাধারণত, এই ক্রিয়াকলাপগুলি xla_data.proto এ RPC ইন্টারফেসে সংজ্ঞায়িত ক্রিয়াকলাপগুলির সাথে একের পর এক ম্যাপ করে।

নামকরণের উপর একটি নোট: সাধারণীকৃত ডেটা টাইপ XLA হল একটি এন-ডাইমেনশনাল অ্যারে যা কিছু ইউনিফর্ম টাইপের উপাদান ধারণ করে (যেমন 32-বিট ফ্লোট)। ডকুমেন্টেশন জুড়ে, অ্যারে একটি অবাধ-মাত্রিক অ্যারে বোঝাতে ব্যবহৃত হয়। সুবিধার জন্য, বিশেষ ক্ষেত্রে আরো নির্দিষ্ট এবং পরিচিত নাম আছে; উদাহরণস্বরূপ একটি ভেক্টর একটি 1-মাত্রিক অ্যারে এবং একটি ম্যাট্রিক্স একটি 2-মাত্রিক অ্যারে।

অ্যাবস

এছাড়াও দেখুন XlaBuilder::Abs ।

উপাদান-ভিত্তিক abs x -> |x| .

Abs(operand)

StableHLO তথ্যের জন্য StableHLO - abs দেখুন।

যোগ করুন

এছাড়াও দেখুন XlaBuilder::Add ।

lhs এবং rhs এর উপাদান-ভিত্তিক যোগ সম্পাদন করে।

Add(lhs, rhs)

আর্গুমেন্টের আকারগুলি একই রকম বা সামঞ্জস্যপূর্ণ হতে হবে। আকারগুলি সামঞ্জস্যপূর্ণ হওয়ার জন্য এর অর্থ কী সে সম্পর্কে সম্প্রচার ডকুমেন্টেশন দেখুন৷ একটি অপারেশনের ফলাফলের একটি আকৃতি থাকে যা দুটি ইনপুট অ্যারে সম্প্রচারের ফলাফল। এই ভেরিয়েন্টে, বিভিন্ন র‌্যাঙ্কের অ্যারেগুলির মধ্যে ক্রিয়াকলাপগুলি সমর্থিত নয় , যদি না অপারেন্ডগুলির একটি একটি স্কেলার হয়।

যোগ করার জন্য ভিন্ন-মাত্রিক সম্প্রচার সমর্থন সহ একটি বিকল্প বৈকল্পিক বিদ্যমান:

Add(lhs,rhs, broadcast_dimensions)

অপারেশনের এই বৈকল্পিকটি বিভিন্ন র‌্যাঙ্কের অ্যারের মধ্যে গাণিতিক ক্রিয়াকলাপের জন্য ব্যবহার করা উচিত (যেমন একটি ভেক্টরে একটি ম্যাট্রিক্স যোগ করা)।

অতিরিক্ত ব্রডকাস্ট_ডাইমেনশন অপারেন্ড হল পূর্ণসংখ্যার একটি স্লাইস যা অপারেন্ড সম্প্রচারের জন্য ব্যবহার করার মাত্রা নির্দিষ্ট করে। শব্দার্থবিদ্যা সম্প্রচার পৃষ্ঠায় বিশদভাবে বর্ণনা করা হয়েছে।

StableHLO তথ্যের জন্য StableHLO - যুক্ত দেখুন।

নির্ভরতা যোগ করুন

আরও দেখুন HloInstruction::AddDependency ।

AddDependency এইচএলও ডাম্পগুলিতে প্রদর্শিত হতে পারে, তবে সেগুলি শেষ ব্যবহারকারীদের দ্বারা ম্যানুয়ালি তৈরি করার উদ্দেশ্যে নয়।

আফটার অল

এছাড়াও দেখুন XlaBuilder::AfterAll ।

আফটারঅল বিভিন্ন সংখ্যক টোকেন নেয় এবং একটি একক টোকেন তৈরি করে। টোকেন হল আদিম প্রকার যা আদেশ কার্যকর করার জন্য পার্শ্ব-প্রতিক্রিয়াশীল ক্রিয়াকলাপগুলির মধ্যে থ্রেড করা যেতে পারে। AfterAll অপারেশনের একটি সেটের পরে একটি অপারেশন অর্ডার করার জন্য টোকেনের যোগদান হিসাবে ব্যবহার করা যেতে পারে।

AfterAll(tokens)

StableHLO তথ্যের জন্য StableHLO - after_all দেখুন।

অল গ্যাদার

এছাড়াও দেখুন XlaBuilder::AllGather ।

প্রতিলিপি জুড়ে সংযোগ সঞ্চালন.

AllGather(operand, all_gather_dimension, shard_count, replica_groups, channel_id, layout, use_global_device_ids)

• replica_groups হল প্রতিরূপ গোষ্ঠীর একটি তালিকা যার মধ্যে সংযোগ করা হয় (বর্তমান প্রতিরূপের জন্য প্রতিলিপি আইডি ReplicaId ব্যবহার করে পুনরুদ্ধার করা যেতে পারে)। প্রতিটি গোষ্ঠীর প্রতিলিপিগুলির ক্রম নির্ধারণ করে যে ক্রমে তাদের ইনপুটগুলি ফলাফলে অবস্থিত। replica_groups হয় খালি হতে হবে (যে ক্ষেত্রে সমস্ত প্রতিলিপি একটি একক গোষ্ঠীর অন্তর্গত, 0 থেকে N - 1 পর্যন্ত অর্ডার করা হয়েছে), অথবা প্রতিলিপির সংখ্যার সমান সংখ্যক উপাদান থাকতে হবে। উদাহরণস্বরূপ, replica_groups = {0, 2}, {1, 3} প্রতিলিপিগুলি 0 এবং 2 , এবং 1 এবং 3 মধ্যে সংযুক্তি সম্পাদন করে।
• shard_count হল প্রতিটি রেপ্লিকা গ্রুপের আকার। আমাদের এই ক্ষেত্রে প্রয়োজন যেখানে replica_groups খালি থাকে।
• channel_id ক্রস-মডিউল যোগাযোগের জন্য ব্যবহৃত হয়: একই channel_id দিয়ে শুধুমাত্র all-gather ক্রিয়াকলাপ একে অপরের সাথে যোগাযোগ করতে পারে।
• use_global_device_ids সত্য প্রত্যাবর্তন করে যদি ReplicaGroup কনফিগারেশনের আইডিগুলি একটি প্রতিলিপি আইডির পরিবর্তে (replica_id * partition_count + partition_id) এর একটি বিশ্বব্যাপী আইডি উপস্থাপন করে। এটি ডিভাইসগুলির আরও নমনীয় গ্রুপিং সক্ষম করে যদি এই অল-রিডুসটি ক্রস-পার্টিশন এবং ক্রস-প্রতিলিপি উভয়ই হয়।

আউটপুট শেপ হল ইনপুট শেপ যা all_gather_dimension দিয়ে shard_count বার বড় করা হয়। উদাহরণস্বরূপ, যদি দুটি প্রতিলিপি থাকে এবং অপারেন্ড দুটি প্রতিলিপিতে যথাক্রমে [1.0, 2.5] এবং [3.0, 5.25] মান থাকে, তাহলে এই অপ থেকে আউটপুট মান যেখানে all_gather_dim 0 হবে উভয় রেপ্লিকে [1.0, 2.5, 3.0,5.25] হবে।

AllGather এর API অভ্যন্তরীণভাবে 2টি HLO নির্দেশাবলীতে ( AllGatherStart এবং AllGatherDone ) বিভক্ত হয়।

আরও দেখুন HloInstruction::CreateAllGatherStart ।

AllGatherStart , AllGatherDone HLO-তে আদিম হিসেবে কাজ করে। এই অপ্সগুলি HLO ডাম্পগুলিতে প্রদর্শিত হতে পারে, তবে এগুলি শেষ ব্যবহারকারীদের দ্বারা ম্যানুয়ালি তৈরি করার উদ্দেশ্যে নয়।

StableHLO তথ্যের জন্য StableHLO - all_gather দেখুন।

AllReduce

এছাড়াও দেখুন XlaBuilder::AllReduce ।

প্রতিলিপি জুড়ে একটি কাস্টম গণনা সম্পাদন করে।

AllReduce(operand, computation, replica_groups, channel_id, shape_with_layout, use_global_device_ids)

• যখন operand অ্যারের একটি টিপল হয়, তখন টিপলের প্রতিটি উপাদানে অল-রিডুস সঞ্চালিত হয়।
• replica_groups হল প্রতিরূপ গোষ্ঠীর একটি তালিকা যার মধ্যে হ্রাস করা হয় (বর্তমান প্রতিরূপের জন্য প্রতিলিপি আইডি ReplicaId ব্যবহার করে পুনরুদ্ধার করা যেতে পারে)। replica_groups হয় খালি হতে হবে (যে ক্ষেত্রে সমস্ত প্রতিলিপি একটি একক গোষ্ঠীর অন্তর্গত), বা প্রতিলিপির সংখ্যার সমান সংখ্যক উপাদান থাকতে হবে। উদাহরণস্বরূপ, replica_groups = {0, 2}, {1, 3} প্রতিলিপি 0 এবং 2 , এবং 1 এবং 3 মধ্যে হ্রাস সম্পাদন করে।
• channel_id ক্রস-মডিউল যোগাযোগের জন্য ব্যবহৃত হয়: একই channel_id দিয়ে শুধুমাত্র all-reduce ক্রিয়াকলাপ একে অপরের সাথে যোগাযোগ করতে পারে।
• shape_with_layout : AllReduce-এর লেআউটকে প্রদত্ত লেআউটে জোর করে। এটি আলাদাভাবে কম্পাইল করা AllReduce ops এর একটি গ্রুপের জন্য একই লেআউটের গ্যারান্টি দিতে ব্যবহৃত হয়।
• use_global_device_ids সত্য প্রত্যাবর্তন করে যদি ReplicaGroup কনফিগারেশনের আইডিগুলি একটি প্রতিলিপি আইডির পরিবর্তে (replica_id * partition_count + partition_id) এর একটি বিশ্বব্যাপী আইডি উপস্থাপন করে। এটি ডিভাইসগুলির আরও নমনীয় গ্রুপিং সক্ষম করে যদি এই অল-রিডুসটি ক্রস-পার্টিশন এবং ক্রস-প্রতিলিপি উভয়ই হয়।

আউটপুট আকৃতি ইনপুট আকারের মতই। উদাহরণস্বরূপ, যদি দুটি প্রতিলিপি থাকে এবং অপারেন্ড দুটি প্রতিলিপিতে যথাক্রমে [1.0, 2.5] এবং [3.0, 5.25] মান থাকে, তাহলে উভয় প্রতিলিপিতে এই অপ এবং সমষ্টি গণনা থেকে আউটপুট মান হবে [4.0, 7.75] । ইনপুট একটি tuple হলে, আউটপুট একটি tuple পাশাপাশি.

AllReduce এর ফলাফল গণনা করার জন্য প্রতিটি প্রতিলিপি থেকে একটি ইনপুট থাকা প্রয়োজন, তাই যদি একটি প্রতিলিপি একটি AllReduce নোডকে অন্যটির চেয়ে বেশি বার চালায়, তাহলে পূর্বের প্রতিরূপটি চিরতরে অপেক্ষা করবে। যেহেতু প্রতিলিপিগুলি একই প্রোগ্রাম চালাচ্ছে, তাই এটি হওয়ার জন্য অনেকগুলি উপায় নেই, তবে এটি সম্ভব যখন একটি while লুপের অবস্থা infeed ডেটার উপর নির্ভর করে এবং infeed ডেটার কারণে while লুপ একটি প্রতিলিপিতে অন্যটির চেয়ে বেশি বার পুনরাবৃত্তি করে।

AllReduce এর এপিআই অভ্যন্তরীণভাবে 2টি HLO নির্দেশাবলী ( AllReduceStart এবং AllReduceDone ) তে পচে যায়।

আরও দেখুন HloInstruction::CreateAllReduceStart ।

AllReduceStart এবং AllReduceDone HLO-তে আদিম হিসেবে কাজ করে। এই অপ্সগুলি HLO ডাম্পগুলিতে প্রদর্শিত হতে পারে, তবে এগুলি শেষ ব্যবহারকারীদের দ্বারা ম্যানুয়ালি তৈরি করার উদ্দেশ্যে নয়।

CrossReplicaSum

এছাড়াও দেখুন XlaBuilder::CrossReplicaSum ।

একটি সমষ্টি গণনা সহ AllReduce সম্পাদন করে।

CrossReplicaSum(operand, replica_groups)

প্রতিলিপিগুলির প্রতিটি উপগোষ্ঠীর মধ্যে অপারেন্ড মানের সমষ্টি প্রদান করে। সমস্ত প্রতিলিপি যোগফলের জন্য একটি ইনপুট সরবরাহ করে এবং সমস্ত প্রতিলিপি প্রতিটি উপগোষ্ঠীর জন্য ফলস্বরূপ যোগফল গ্রহণ করে।

AllToAll

এছাড়াও দেখুন XlaBuilder::AllToAll ।

AllToAll হল একটি যৌথ অপারেশন যা সমস্ত কোর থেকে সমস্ত কোরে ডেটা পাঠায়। এর দুটি পর্যায় রয়েছে:

1. বিক্ষিপ্ত পর্ব। প্রতিটি কোরে, অপারেন্ডটি split_dimensions বরাবর ব্লকের split_count সংখ্যায় বিভক্ত হয়, এবং ব্লকগুলি সমস্ত কোরে ছড়িয়ে পড়ে, যেমন, ith ব্লকটি ith কোরে পাঠানো হয়।
2. সংগ্রহ পর্ব। প্রতিটি কোর concat_dimension বরাবর প্রাপ্ত ব্লকগুলিকে সংযুক্ত করে।

অংশগ্রহণকারী কোরগুলি এর দ্বারা কনফিগার করা যেতে পারে:

• replica_groups : প্রতিটি ReplicaGroup গণনায় অংশগ্রহণকারী প্রতিলিপি আইডিগুলির একটি তালিকা ধারণ করে (বর্তমান প্রতিরূপের জন্য প্রতিরূপ আইডি ReplicaId ব্যবহার করে পুনরুদ্ধার করা যেতে পারে)। AllToAll নির্দিষ্ট ক্রমে সাবগ্রুপের মধ্যে প্রয়োগ করা হবে। উদাহরণস্বরূপ, replica_groups = { {1,2,3}, {4,5,0} } এর মানে হল যে একটি AllToAll প্রতিলিপি {1, 2, 3} মধ্যে প্রয়োগ করা হবে, এবং সংগ্রহের পর্যায়ে, এবং প্রাপ্ত ব্লকগুলি 1, 2, 3 এর একই ক্রমে সংযুক্ত করা হবে। তারপর, অন্য AllToAll প্রয়োগ করা হবে, 4 এবং 5 এর মধ্যে, সংযোজন ক্রমটিও 4, 5, 0। যদি replica_groups খালি থাকে, তবে সমস্ত প্রতিলিপি তাদের উপস্থিতির সংমিশ্রণ ক্রম অনুসারে একটি গ্রুপের অন্তর্গত।

পূর্বশর্ত:

• split_dimension এর অপারেন্ডের ডাইমেনশন সাইজ split_count দ্বারা বিভাজ্য।
• অপারেন্ডের আকৃতি টিপল নয়।

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

আকার এবং লেআউট সম্পর্কে আরও তথ্যের জন্য xla::shapes দেখুন। .

StableHLO তথ্যের জন্য StableHLO - all_to_all দেখুন।

AllToAll - উদাহরণ 1.

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

উপরের উদাহরণে, Alltoall-এ 4টি কোর অংশগ্রহণ করছে। প্রতিটি কোরে, অপারেন্ডটি 1 মাত্রা সহ 4টি অংশে বিভক্ত, তাই প্রতিটি অংশের আকার f32[4,4] আছে। 4টি অংশ সমস্ত কোরে ছড়িয়ে ছিটিয়ে রয়েছে। তারপর প্রতিটি কোর কোর 0-4 এর ক্রমানুসারে 0 মাত্রা সহ প্রাপ্ত অংশগুলিকে সংযুক্ত করে। সুতরাং প্রতিটি কোরের আউটপুটের আকার f32[16,4] আছে।

AllToAll - উদাহরণ 2 - StableHLO

উপরের উদাহরণে, AllToAll-এ 2টি প্রতিলিপি অংশগ্রহণ করছে। প্রতিটি প্রতিলিপিতে, অপারেন্ডের আকার f32[2,4] আছে। অপারেন্ডটি 1 মাত্রা বরাবর 2টি অংশে বিভক্ত, তাই প্রতিটি অংশের আকার f32[2,2] আছে। 2টি অংশ তারপর প্রতিলিপি গোষ্ঠীতে তাদের অবস্থান অনুযায়ী প্রতিলিপি জুড়ে বিনিময় করা হয়। প্রতিটি প্রতিরূপ উভয় অপারেন্ড থেকে তার সংশ্লিষ্ট অংশ সংগ্রহ করে এবং 0 মাত্রার সাথে সংযুক্ত করে। ফলস্বরূপ, প্রতিটি প্রতিরূপের আউটপুট f32[4,2] আকৃতি ধারণ করে।

RaggedAllToAll

এছাড়াও দেখুন XlaBuilder::RaggedAllToAll ।

RaggedAllToAll একটি যৌথ অল-টু-অল অপারেশন করে, যেখানে ইনপুট এবং আউটপুট রাগড টেনসর হয়।

RaggedAllToAll(input, input_offsets, send_sizes, output, output_offsets, recv_sizes, replica_groups, channel_id)

রাগড টেনসরগুলি তিনটি টেনসরের একটি সেট দ্বারা সংজ্ঞায়িত করা হয়:

• data : data টেনসরটি তার বাইরেরতম মাত্রা বরাবর "র্যাগড" হয়, যার সাথে প্রতিটি সূচীকৃত উপাদানের পরিবর্তনশীল আকার থাকে।
• offsets ': offsets টেনসর data টেনসরের বাইরেরতম মাত্রাকে সূচী করে এবং data টেনসরের প্রতিটি র‌্যাগড উপাদানের শুরুর অফসেটকে প্রতিনিধিত্ব করে।
• sizes : sizes টেনসর data টেনসরের প্রতিটি র‍্যাগড উপাদানের আকারকে উপস্থাপন করে, যেখানে আকারটি উপ-উপাদানের এককগুলিতে নির্দিষ্ট করা হয়। একটি উপ-উপাদানকে 'ডেটা' টেনসর আকৃতির প্রত্যয় হিসাবে সংজ্ঞায়িত করা হয় যা বাইরেরতম "র্যাগড" মাত্রা সরিয়ে দিয়ে প্রাপ্ত হয়।
• offsets এবং sizes টেনসরগুলির অবশ্যই একই আকার থাকতে হবে।

রাগড টেনসরের একটি উদাহরণ:

data: [8,3] =
{ {a,b,c},{d,e,f},{g,h,i},{j,k,l},{m,n,o},{p,q,r},{s,t,u},{v,w,x} }

offsets: [3] = {0, 1, 4}

sizes: [3] = {1, 3, 4}

// Index 'data' at 'offsets'[0], 'sizes'[0]' // {a,b,c}

// Index 'data' at 'offsets'[1], 'sizes'[1]' // {d,e,f},{g,h,i},{j,k,l}

// Index 'data' at 'offsets'[2], 'sizes'[2]' // {m,n,o},{p,q,r},{s,t,u},{v,w,x}

output_offsets এমনভাবে শার্ড করা উচিত যাতে প্রতিটি প্রতিলিপির লক্ষ্য প্রতিলিপি আউটপুট দৃষ্টিকোণে অফসেট থাকে।

i-th আউটপুট অফসেটের জন্য, বর্তমান রেপ্লিকাটি input[input_offsets[i]:input_offsets[i]+input_sizes[i]] আপডেট পাঠাবে i -th প্রতিলিপিতে যা লেখা হবে output_i[output_offsets[i]:output_offsets[i]+send_sizes[i]] output i

উদাহরণস্বরূপ, যদি আমাদের 2টি প্রতিলিপি থাকে:

replica 0:
input: [1, 2, 2]
output:[0, 0, 0, 0]
input_offsets: [0, 1]
send_sizes: [1, 2]
output_offsets: [0, 0]
recv_sizes: [1, 1]

replica 1:
input: [3, 4, 0]
output: [0, 0, 0, 0]
input_offsets: [0, 1]
send_sizes: [1, 1]
output_offsets: [1, 2]
recv_sizes: [2, 1]

// replica 0's result will be: [1, 3, 0, 0]
// replica 1's result will be: [2, 2, 4, 0]

র্যাগড অল-টু-অল এইচএলও-তে নিম্নলিখিত যুক্তি রয়েছে:

• input : রাগড ইনপুট ডেটা টেনসর।
• output : রাগড আউটপুট ডেটা টেনসর।
• input_offsets : রাগড ইনপুট অফসেট টেনসর।
• send_sizes : রাগড সেন্ড সাইজ টেনসর।
• output_offsets : টার্গেট রেপ্লিকা আউটপুটে র‌্যাগড অফসেটের অ্যারে।
• recv_sizes : রাগড recv মাপ টেনসর।

*_offsets এবং *_sizes টেনসরগুলির সকলেরই আকৃতি একই হওয়া আবশ্যক।

দুটি আকার *_offsets এবং *_sizes টেনসরের জন্য সমর্থিত:

• [num_devices] যেখানে র‍্যাগড-অল-টু-অল রেপ্লিকা গ্রুপের প্রতিটি দূরবর্তী ডিভাইসে সর্বাধিক একটি আপডেট পাঠাতে পারে। যেমন:

for (remote_device_id : replica_group) {
     SEND input[input_offsets[remote_device_id]],
     output[output_offsets[remote_device_id]],
     send_sizes[remote_device_id] }

• [num_devices, num_updates] যেখানে ragged-all-to-all num_updates পর্যন্ত পাঠাতে পারে একই রিমোট ডিভাইস (প্রতিটি আলাদা অফসেটে), প্রতিরূপ গ্রুপের প্রতিটি দূরবর্তী ডিভাইসের জন্য।

যেমন:

for (remote_device_id : replica_group) {
    for (update_idx : num_updates) {
        SEND input[input_offsets[remote_device_id][update_idx]],
        output[output_offsets[remote_device_id][update_idx]]],
        send_sizes[remote_device_id][update_idx] } }

এবং

এছাড়াও দেখুন XlaBuilder::And ।

দুটি টেনসর lhs এবং rhs এর উপাদান-ভিত্তিক AND সম্পাদন করে।

And(lhs, rhs)

আর্গুমেন্টের আকারগুলি একই রকম বা সামঞ্জস্যপূর্ণ হতে হবে। আকারগুলি সামঞ্জস্যপূর্ণ হওয়ার জন্য এর অর্থ কী সে সম্পর্কে সম্প্রচার ডকুমেন্টেশন দেখুন৷ একটি অপারেশনের ফলাফলের একটি আকৃতি থাকে যা দুটি ইনপুট অ্যারে সম্প্রচারের ফলাফল। এই ভেরিয়েন্টে, বিভিন্ন র‌্যাঙ্কের অ্যারেগুলির মধ্যে ক্রিয়াকলাপগুলি সমর্থিত নয় , যদি না অপারেন্ডগুলির একটি একটি স্কেলার হয়।

বিভিন্ন-মাত্রিক সম্প্রচার সমর্থন সহ একটি বিকল্প বৈকল্পিক বিদ্যমান এবং এর জন্য:

And(lhs,rhs, broadcast_dimensions)

অপারেশনের এই বৈকল্পিকটি বিভিন্ন র‌্যাঙ্কের অ্যারের মধ্যে গাণিতিক ক্রিয়াকলাপের জন্য ব্যবহার করা উচিত (যেমন একটি ভেক্টরে একটি ম্যাট্রিক্স যোগ করা)।

অতিরিক্ত ব্রডকাস্ট_ডাইমেনশন অপারেন্ড হল পূর্ণসংখ্যার একটি স্লাইস যা অপারেন্ড সম্প্রচারের জন্য ব্যবহার করার মাত্রা নির্দিষ্ট করে। শব্দার্থবিদ্যা সম্প্রচার পৃষ্ঠায় বিশদভাবে বর্ণনা করা হয়েছে।

StableHLO তথ্যের জন্য StableHLO - এবং দেখুন।

অ্যাসিঙ্ক

আরও দেখুন HloInstruction::CreateAsyncStart , HloInstruction::CreateAsyncUpdate , HloInstruction::CreateAsyncDone ।

AsyncDone , AsyncStart , এবং AsyncUpdate হল অভ্যন্তরীণ HLO নির্দেশাবলী অ্যাসিঙ্ক্রোনাস ক্রিয়াকলাপের জন্য ব্যবহৃত হয় এবং HLO-তে আদিম হিসাবে কাজ করে৷ এই অপ্সগুলি HLO ডাম্পগুলিতে প্রদর্শিত হতে পারে তবে সেগুলি শেষ ব্যবহারকারীদের দ্বারা ম্যানুয়ালি তৈরি করার উদ্দেশ্যে নয়৷

Atan2

এছাড়াও দেখুন XlaBuilder::Atan2 ।

lhs এবং rhs এ উপাদান-ভিত্তিক atan2 অপারেশন সম্পাদন করে।

Atan2(lhs, rhs)

আর্গুমেন্টের আকারগুলি একই রকম বা সামঞ্জস্যপূর্ণ হতে হবে। আকারগুলি সামঞ্জস্যপূর্ণ হওয়ার জন্য এর অর্থ কী সে সম্পর্কে সম্প্রচার ডকুমেন্টেশন দেখুন৷ একটি অপারেশনের ফলাফলের একটি আকৃতি থাকে যা দুটি ইনপুট অ্যারে সম্প্রচারের ফলাফল। এই ভেরিয়েন্টে, বিভিন্ন র‌্যাঙ্কের অ্যারেগুলির মধ্যে ক্রিয়াকলাপগুলি সমর্থিত নয় , যদি না অপারেন্ডগুলির একটি একটি স্কেলার হয়।

Atan2 এর জন্য ভিন্ন-মাত্রিক সম্প্রচার সমর্থন সহ একটি বিকল্প বৈকল্পিক বিদ্যমান:

Atan2(lhs,rhs, broadcast_dimensions)

অপারেশনের এই বৈকল্পিকটি বিভিন্ন র‌্যাঙ্কের অ্যারের মধ্যে গাণিতিক ক্রিয়াকলাপের জন্য ব্যবহার করা উচিত (যেমন একটি ভেক্টরে একটি ম্যাট্রিক্স যোগ করা)।

অতিরিক্ত ব্রডকাস্ট_ডাইমেনশন অপারেন্ড হল পূর্ণসংখ্যার একটি স্লাইস যা অপারেন্ড সম্প্রচারের জন্য ব্যবহার করার মাত্রা নির্দিষ্ট করে। শব্দার্থবিদ্যা সম্প্রচার পৃষ্ঠায় বিশদভাবে বর্ণনা করা হয়েছে।

StableHLO তথ্যের জন্য StableHLO - atan2 দেখুন।

ব্যাচ নর্মগ্র্যাড

অ্যালগরিদমের বিশদ বিবরণের জন্য XlaBuilder::BatchNormGrad এবং মূল ব্যাচের স্বাভাবিককরণের কাগজটিও দেখুন।

ব্যাচের আদর্শের গ্রেডিয়েন্ট গণনা করে।

BatchNormGrad(operand, scale, batch_mean, batch_var, grad_output, epsilon, feature_index)

ফিচার ডাইমেনশনের প্রতিটি ফিচারের জন্য ( feature_index হল operand ফিচার ডাইমেনশনের জন্য সূচক), অপারেশনটি অন্য সব ডাইমেনশন জুড়ে operand , offset এবং scale সাপেক্ষে গ্রেডিয়েন্ট গণনা করে। feature_index operand বৈশিষ্ট্যের মাত্রার জন্য একটি বৈধ সূচক হতে হবে।

তিনটি গ্রেডিয়েন্ট নিম্নলিখিত সূত্র দ্বারা সংজ্ঞায়িত করা হয়েছে ( operand হিসাবে একটি 4-মাত্রিক অ্যারে ধরে নেওয়া এবং বৈশিষ্ট্যের মাত্রা সূচক l , ব্যাচের আকার m এবং স্থানিক আকার w এবং h সহ):

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

ইনপুট batch_mean এবং batch_var ব্যাচ এবং স্থানিক মাত্রা জুড়ে মুহূর্ত মান উপস্থাপন করে।

আউটপুট প্রকারটি তিনটি হ্যান্ডেলের একটি টিপল:

StableHLO তথ্যের জন্য StableHLO - batch_norm_grad দেখুন।

BatchNormInference

অ্যালগরিদমের বিশদ বিবরণের জন্য XlaBuilder::BatchNormInference এবং মূল ব্যাচের স্বাভাবিককরণ কাগজটিও দেখুন।

ব্যাচ এবং স্থানিক মাত্রা জুড়ে একটি অ্যারেকে স্বাভাবিক করে।

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

ফিচার ডাইমেনশনের প্রতিটি ফিচারের জন্য ( feature_index হল operand ফিচার ডাইমেনশনের জন্য সূচক), অপারেশনটি অন্য সব ডাইমেনশন জুড়ে গড় এবং ভ্যারিয়েন্স গণনা করে এবং operand প্রতিটি উপাদানকে স্বাভাবিক করার জন্য গড় এবং প্রকরণ ব্যবহার করে। feature_index operand বৈশিষ্ট্যের মাত্রার জন্য একটি বৈধ সূচক হতে হবে।

BatchNormInference প্রতিটি ব্যাচের mean এবং variance গণনা না করে BatchNormTraining কল করার সমতুল্য। এটি আনুমানিক মান হিসাবে পরিবর্তে ইনপুট mean এবং variance ব্যবহার করে। এই অপের উদ্দেশ্য হল অনুমানে বিলম্ব কমানো, তাই নাম BatchNormInference ।

আউটপুট হল একটি এন-ডাইমেনশনাল, ইনপুট operand মতো একই আকৃতি সহ স্বাভাবিক বিন্যাস।

StableHLO তথ্যের জন্য StableHLO - batch_norm_inference দেখুন।

ব্যাচ নর্ম ট্রেনিং

অ্যালগরিদমের বিশদ বিবরণের জন্য XlaBuilder::BatchNormTraining এবং the original batch normalization paper দেখুন।

ব্যাচ এবং স্থানিক মাত্রা জুড়ে একটি অ্যারেকে স্বাভাবিক করে।

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

ফিচার ডাইমেনশনের প্রতিটি ফিচারের জন্য ( feature_index হল operand ফিচার ডাইমেনশনের জন্য সূচক), অপারেশনটি অন্য সব ডাইমেনশন জুড়ে গড় এবং ভ্যারিয়েন্স গণনা করে এবং operand প্রতিটি উপাদানকে স্বাভাবিক করার জন্য গড় এবং প্রকরণ ব্যবহার করে। feature_index operand বৈশিষ্ট্যের মাত্রার জন্য একটি বৈধ সূচক হতে হবে।

operand প্রতিটি ব্যাচের জন্য অ্যালগরিদমটি নিম্নরূপ \(x\) যেখানে স্থানিক মাত্রার আকার হিসাবে w এবং h সহ m উপাদান রয়েছে ( operand একটি 4 মাত্রিক অ্যারে ধরে নেওয়া হচ্ছে):

• ব্যাচ গড় গণনা করে \(\mu_l\) প্রতিটি বৈশিষ্ট্যের জন্য l বৈশিষ্ট্য মাত্রায়:\(\mu_l=\frac{1}{mwh}\sum_{i=1}^m\sum_{j=1}^w\sum_{k=1}^h x_{ijkl}\)

• ব্যাচ বৈচিত্র্য গণনা করে \(\sigma^2_l\): $\sigma^2 l=\frac{1}{mwh}\sum {i=1}^m\sum {j=1}^w\sum {k=1}^h (x_{ijkl} - \mu_l)^2$

• স্বাভাবিককরণ, স্কেল এবং পরিবর্তন:\(y_{ijkl}=\frac{\gamma_l(x_{ijkl}-\mu_l)}{\sqrt[2]{\sigma^2_l+\epsilon} }+\beta_l\)

এপসিলন মান, সাধারণত একটি ছোট সংখ্যা, বিভাজন-দ্বারা-শূন্য ত্রুটি এড়াতে যোগ করা হয়।

আউটপুট টাইপ তিনটি XlaOp s এর একটি টিপল:

batch_mean এবং batch_var হল উপরের সূত্রগুলি ব্যবহার করে ব্যাচ এবং স্থানিক মাত্রা জুড়ে গণনা করা মুহূর্ত।

StableHLO তথ্যের জন্য StableHLO - batch_norm_training দেখুন।

বিটকাস্ট

আরও দেখুন HloInstruction::CreateBitcast ।

Bitcast এইচএলও ডাম্পে প্রদর্শিত হতে পারে, তবে সেগুলি শেষ ব্যবহারকারীদের দ্বারা ম্যানুয়ালি তৈরি করার উদ্দেশ্যে নয়।

BitcastConvertType

আরও দেখুন XlaBuilder::BitcastConvertType ।

TensorFlow-এর একটি tf.bitcast এর মতোই, ডেটা শেপ থেকে টার্গেট শেপে এলিমেন্ট-ভিত্তিক বিটকাস্ট অপারেশন করে। ইনপুট এবং আউটপুট আকার অবশ্যই মিলবে: যেমন s32 উপাদানগুলি বিটকাস্ট রুটিনের মাধ্যমে f32 উপাদানে পরিণত হবে এবং একটি s32 উপাদান চারটি s8 উপাদানে পরিণত হবে৷ বিটকাস্ট একটি নিম্ন-স্তরের কাস্ট হিসাবে প্রয়োগ করা হয়, তাই বিভিন্ন ফ্লোটিং-পয়েন্ট উপস্থাপনা সহ মেশিনগুলি বিভিন্ন ফলাফল দেবে।

BitcastConvertType(operand, new_element_type)

অপারেন্ডের মাত্রা এবং লক্ষ্য আকৃতি অবশ্যই মিলতে হবে, শেষ মাত্রা ছাড়াও যা রূপান্তরের আগে এবং পরে আদিম আকারের অনুপাত দ্বারা পরিবর্তিত হবে।

উত্স এবং গন্তব্য উপাদানের প্রকারগুলি অবশ্যই টিপল হতে হবে না৷

StableHLO তথ্যের জন্য StableHLO - bitcast_convert দেখুন।

বিটকাস্ট-বিভিন্ন প্রস্থের আদিম প্রকারে রূপান্তর

BitcastConvert HLO নির্দেশটি সেই ক্ষেত্রে সমর্থন করে যেখানে আউটপুট উপাদানের আকার T' ইনপুট উপাদান T এর আকারের সমান নয়। যেহেতু পুরো অপারেশনটি ধারণাগতভাবে একটি বিটকাস্ট এবং অন্তর্নিহিত বাইট পরিবর্তন করে না, আউটপুট উপাদানটির আকৃতি পরিবর্তন করতে হবে। B = sizeof(T), B' = sizeof(T') , দুটি সম্ভাব্য ক্ষেত্রে আছে।

প্রথমত, যখন B > B' , আউটপুট আকারটি B/B' আকারের একটি নতুন ক্ষুদ্র-সবচেয়ে মাত্রা পায়। যেমন:

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

কার্যকর স্কেলারের জন্য নিয়ম একই থাকে:

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

বিকল্পভাবে, B' > B জন্য নির্দেশের জন্য ইনপুট আকারের শেষ লজিক্যাল মাত্রাটি B'/B এর সমান হওয়া প্রয়োজন, এবং এই মাত্রাটি রূপান্তরের সময় বাদ দেওয়া হয়:

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

মনে রাখবেন যে বিভিন্ন বিটউইথের মধ্যে রূপান্তরগুলি উপাদান অনুসারে নয়।

সম্প্রচার

এছাড়াও দেখুন XlaBuilder::Broadcast .

অ্যারেতে ডেটা সদৃশ করে একটি অ্যারেতে মাত্রা যোগ করে।

Broadcast(operand, broadcast_sizes)

নতুন মাত্রা বাম দিকে সন্নিবেশ করা হয়েছে, অর্থাৎ যদি broadcast_sizes মান থাকে {a0, ..., aN} এবং অপারেন্ড আকারের মাত্রা থাকে {b0, ..., bM} তাহলে আউটপুটের আকারের মাত্রা আছে {a0, ..., aN, b0, ..., bM} ।

অপারেন্ডের অনুলিপিতে নতুন মাত্রা সূচক, অর্থাৎ

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

উদাহরণস্বরূপ, যদি operand 2.0f মান সহ একটি স্কেলার f32 হয় এবং broadcast_sizes হয় {2, 3} , তাহলে ফলাফলটি আকার f32[2, 3] সহ একটি অ্যারে হবে এবং ফলাফলের সমস্ত মান 2.0f হবে।

StableHLO তথ্যের জন্য StableHLO - সম্প্রচার দেখুন।

ব্রডকাস্ট ইনডিম

এছাড়াও দেখুন XlaBuilder::BroadcastInDim ।

অ্যারেতে ডেটা সদৃশ করে একটি অ্যারের আকার এবং মাত্রার সংখ্যা প্রসারিত করে।

BroadcastInDim(operand, out_dim_size, broadcast_dimensions)

সম্প্রচারের অনুরূপ, কিন্তু যে কোনো জায়গায় মাত্রা যোগ করতে এবং 1 আকারের সাথে বিদ্যমান মাত্রা প্রসারিত করার অনুমতি দেয়।

operand out_dim_size দ্বারা বর্ণিত আকারে সম্প্রচার করা হয়। broadcast_dimensions operand ডাইমেনশনকে টার্গেট আকৃতির ডাইমেনশনে ম্যাপ করে, অর্থাৎ অপারেন্ডের i'th ডাইমেনশন আউটপুট শেপের ব্রডকাস্ট_ডাইমেনশন[i]'ম ডাইমেনশনে ম্যাপ করা হয়। operand ডাইমেনশনের সাইজ 1 থাকতে হবে অথবা আউটপুট আকৃতিতে যে ডাইমেনশনে ম্যাপ করা হয়েছে সেই আকারের সমান হতে হবে। অবশিষ্ট মাত্রাগুলি 1 আকারের মাত্রা দিয়ে পূর্ণ। ডিজেনারেট-ডাইমেনশন সম্প্রচার তারপর আউটপুট আকারে পৌঁছানোর জন্য এই অধঃপতন মাত্রাগুলি বরাবর সম্প্রচার করে। শব্দার্থবিদ্যা সম্প্রচার পৃষ্ঠায় বিশদভাবে বর্ণনা করা হয়েছে।

কল

এছাড়াও দেখুন XlaBuilder::Call ।

প্রদত্ত আর্গুমেন্টের সাথে একটি গণনা আহ্বান করে।

Call(computation, operands...)

operands আরিটি এবং প্রকারগুলি অবশ্যই computation পরামিতিগুলির সাথে মেলে। এটা কোন operands আছে অনুমোদিত হয়.

কম্পোজিটকল

এছাড়াও দেখুন XlaBuilder::CompositeCall ।

অন্যান্য StableHLO ক্রিয়াকলাপগুলির সমন্বয়ে গঠিত (রচিত) একটি অপারেশনকে এনক্যাপসুলেট করে, ইনপুট এবং যৌগিক_ বৈশিষ্ট্য গ্রহণ করে এবং ফলাফল তৈরি করে। অপের শব্দার্থবিদ্যা পচন বৈশিষ্ট্য দ্বারা বাস্তবায়িত হয়। যৌগিক অপটি প্রোগ্রাম শব্দার্থবিদ্যা পরিবর্তন না করে তার পচন দিয়ে প্রতিস্থাপিত করা যেতে পারে। যে ক্ষেত্রে ইনলাইন পচন একই বিকল্প শব্দার্থ প্রদান করে না, custom_call ব্যবহার করতে পছন্দ করুন।

সংস্করণ ক্ষেত্রটি (ডিফল্ট 0 থেকে) বোঝাতে ব্যবহৃত হয় যখন একটি যৌগিক শব্দার্থ পরিবর্তন হয়।

এই অপশনটি is_composite=true বৈশিষ্ট্য সহ একটি kCall হিসাবে প্রয়োগ করা হয়েছে। decomposition ক্ষেত্র computation বৈশিষ্ট্য দ্বারা নির্দিষ্ট করা হয়. ফ্রন্টএন্ড অ্যাট্রিবিউটগুলি composite. .

CompositeCall op উদাহরণ:

f32[] call(f32[] %cst), to_apply=%computation, is_composite=true,
frontend_attributes = {
  composite.name="foo.bar",
  composite.attributes={n = 1 : i32, tensor = dense<1> : tensor<i32>},
  composite.version="1"
}

CompositeCall(computation, operands..., name, attributes, version)

একটি অপের decomposition একটি ক্ষেত্র বলা হয় না, কিন্তু পরিবর্তে একটি to_apply বৈশিষ্ট্য হিসাবে প্রদর্শিত হয় যা নিম্ন-স্তরের বাস্তবায়ন ধারণ করে এমন ফাংশনকে নির্দেশ করে, যেমন to_apply=%funcname

কম্পোজিট এবং পচন সম্পর্কিত আরও তথ্য StableHLO স্পেসিফিকেশনে পাওয়া যাবে।

সিবিআরটি

আরও দেখুন XlaBuilder::Cbrt ।

এলিমেন্ট-ভিত্তিক কিউবিক রুট অপারেশন x -> cbrt(x) ।

Cbrt(operand)

Cbrt ঐচ্ছিক result_accuracy যুক্তি সমর্থন করে:

Cbrt(operand, result_accuracy)

result_accuracy সম্পর্কে আরও তথ্যের জন্য ফলাফলের সঠিকতা দেখুন।

StableHLO তথ্যের জন্য StableHLO - cbrt দেখুন।

সিল

এছাড়াও দেখুন XlaBuilder::Ceil ।

উপাদান-ভিত্তিক সিল x -> ⌈x⌉ ।

Ceil(operand)

StableHLO তথ্যের জন্য StableHLO - ceil দেখুন।

চোলেস্কি

XlaBuilder::Cholesky আরও দেখুন।

সিমেট্রিক (হার্মিটিয়ান) ধনাত্মক নির্দিষ্ট ম্যাট্রিক্সের একটি ব্যাচের চোলেস্কি পচন গণনা করে।

Cholesky(a, lower)

lower true হলে, নিম্ন-ত্রিভুজাকার ম্যাট্রিক্স l গণনা করে যেমন $a = l। l^T$। lower যদি false হয়, ঊর্ধ্ব-ত্রিভুজাকার ম্যাট্রিক্স গণনা করে u যেমন\(a = u^T . u\).

ইনপুট ডেটা কেবলমাত্র a এর নিম্ন/উপরের ত্রিভুজ থেকে পড়া হয়, lower মানের উপর নির্ভর করে। অন্য ত্রিভুজ থেকে মান উপেক্ষা করা হয়. আউটপুট ডেটা একই ত্রিভুজে ফেরত দেওয়া হয়; অন্য ত্রিভুজের মানগুলি বাস্তবায়ন-সংজ্ঞায়িত এবং কিছু হতে পারে।

যদি a 2টির বেশি মাত্রা থাকে, তাহলে a ম্যাট্রিক্সের একটি ব্যাচ হিসাবে গণ্য করা হয়, যেখানে ছোট 2টি মাত্রা ছাড়া বাকি সবগুলিই ব্যাচের মাত্রা।

যদি a প্রতিসম (Hermitian) ধনাত্মক নির্দিষ্ট না হয়, ফলাফলটি বাস্তবায়ন-সংজ্ঞায়িত হয়।

StableHLO তথ্যের জন্য StableHLO - cholesky দেখুন।

বাতা

এছাড়াও দেখুন XlaBuilder::Clamp ।

ন্যূনতম এবং সর্বোচ্চ মানের মধ্যে একটি অপারেন্ডকে ক্ল্যাম্প করে।

Clamp(min, operand, max)

একটি অপারেন্ড এবং ন্যূনতম এবং সর্বোচ্চ মান দেওয়া হলে, অপারেন্ডটি ন্যূনতম এবং সর্বোচ্চের মধ্যে থাকলে তা ফেরত দেয়, অন্যথায় অপারেন্ডটি এই সীমার নীচে হলে সর্বনিম্ন মান বা অপারেন্ডটি এই সীমার উপরে থাকলে সর্বোচ্চ মান প্রদান করে। অর্থাৎ, clamp(a, x, b) = min(max(a, x), b) ।

তিনটি অ্যারে একই আকৃতির হতে হবে। বিকল্পভাবে, সম্প্রচারের একটি সীমাবদ্ধ রূপ হিসাবে, min এবং/অথবা max T টাইপের স্কেলার হতে পারে।

স্কেলার min এবং max সহ উদাহরণ:

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

StableHLO তথ্যের জন্য StableHLO - clamp দেখুন।

সঙ্কুচিত

XlaBuilder::Collapse আরও দেখুন। এবং tf.reshape অপারেশন।

একটি অ্যারের মাত্রাগুলিকে একটি মাত্রায় সঙ্কুচিত করে৷

Collapse(operand, dimensions)

সঙ্কুচিত একটি একক মাত্রা দ্বারা অপারেন্ডের মাত্রার প্রদত্ত উপসেট প্রতিস্থাপন করে। ইনপুট আর্গুমেন্ট হল T টাইপের একটি নির্বিচারে অ্যারে এবং মাত্রা সূচকগুলির একটি কম্পাইল-টাইম-কনস্ট্যান্ট ভেক্টর। মাত্রা সূচকগুলি অবশ্যই একটি ইন-অর্ডার হতে হবে (নিম্ন থেকে উচ্চ মাত্রার সংখ্যা), T-এর মাত্রার ধারাবাহিক উপসেট। এইভাবে, {0, 1, 2}, {0, 1}, বা {1, 2} সবই বৈধ মাত্রা সেট, কিন্তু {1, 0} বা {0, 2} নয়৷ এগুলিকে একটি একক নতুন মাত্রা দ্বারা প্রতিস্থাপিত করা হয়, তারা যেগুলি প্রতিস্থাপন করে সেই মাত্রার ক্রমানুসারে একই অবস্থানে, নতুন মাত্রার আকার মূল মাত্রার মাপের গুণফলের সমান। dimensions মধ্যে সর্বনিম্ন মাত্রা সংখ্যা হল লুপ নেস্টে সবচেয়ে ধীর পরিবর্তিত মাত্রা (সবচেয়ে বড়) যা এই মাত্রাগুলিকে ভেঙে দেয় এবং সর্বোচ্চ মাত্রা সংখ্যাটি দ্রুততম পরিবর্তিত (সবচেয়ে ছোট)। আরও সাধারণ পতনের ক্রম প্রয়োজন হলে tf.reshape অপারেটর দেখুন।

উদাহরণস্বরূপ, v 24 টি উপাদানের একটি অ্যারে হতে দিন:

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

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

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

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

Clz

আরও দেখুন XlaBuilder::Clz ।

উপাদান-ভিত্তিক গণনা অগ্রণী শূন্য।

Clz(operand)

যৌথ সম্প্রচার

এছাড়াও দেখুন XlaBuilder::CollectiveBroadcast .

প্রতিলিপি জুড়ে ডেটা সম্প্রচার করে। প্রতিটি গ্রুপের প্রথম রেপ্লিকা আইডি থেকে একই গ্রুপের অন্যান্য আইডিতে ডেটা পাঠানো হয়। যদি একটি প্রতিলিপি আইডি কোনো প্রতিলিপি গ্রুপে না থাকে, তাহলে সেই প্রতিরূপের আউটপুটটি 0(গুলি) shape নিয়ে গঠিত একটি টেনসর।

CollectiveBroadcast(operand, replica_groups, channel_id)

StableHLO তথ্যের জন্য StableHLO - সম্মিলিত_সম্প্রচার দেখুন।

কালেক্টিভ পারমিউট

এছাড়াও দেখুন XlaBuilder::CollectivePermute .

CollectivePermute হল একটি যৌথ অপারেশন যা প্রতিলিপি জুড়ে ডেটা পাঠায় এবং গ্রহণ করে।

CollectivePermute(operand, source_target_pairs, channel_id, inplace)

মনে রাখবেন source_target_pairs নিম্নলিখিত সীমাবদ্ধতা রয়েছে:

• যেকোনো দুই জোড়ার একই টার্গেট রেপ্লিকা আইডি থাকা উচিত নয় এবং তাদের একই সোর্স রেপ্লিকা আইডি থাকা উচিত নয়।
• যদি একটি প্রতিলিপি আইডি কোনো জোড়ায় লক্ষ্য না হয়, তাহলে সেই প্রতিরূপের আউটপুটটি ইনপুটের মতো একই আকৃতি সহ 0(গুলি) সমন্বিত একটি টেনসর।

CollectivePermute অপারেশনের API অভ্যন্তরীণভাবে 2টি HLO নির্দেশাবলীতে পচে যায় ( CollectivePermuteStart এবং CollectivePermuteDone )।

আরও দেখুন HloInstruction::CreateCollectivePermuteStart ।

CollectivePermuteStart এবং CollectivePermuteDone HLO-তে আদিম হিসেবে কাজ করে। এই অপ্সগুলি HLO ডাম্পগুলিতে প্রদর্শিত হতে পারে, তবে এগুলি শেষ ব্যবহারকারীদের দ্বারা ম্যানুয়ালি তৈরি করার উদ্দেশ্যে নয়।

StableHLO তথ্যের জন্য StableHLO - collective_permute দেখুন।

তুলনা করুন

এছাড়াও দেখুন XlaBuilder::Compare ।

নিম্নলিখিতগুলির lhs এবং rhs এর উপাদান-ভিত্তিক তুলনা সম্পাদন করে:

সমক

আরও দেখুন XlaBuilder::Eq ।

lhs এবং rhs এর তুলনা করার জন্য উপাদান-ভিত্তিক সমান- সঞ্চালন করে।

\(lhs = rhs\)

Eq(lhs, rhs)

আর্গুমেন্টের আকারগুলি একই রকম বা সামঞ্জস্যপূর্ণ হতে হবে। আকারগুলি সামঞ্জস্যপূর্ণ হওয়ার জন্য এর অর্থ কী তা সম্পর্কে সম্প্রচারের ডকুমেন্টেশন দেখুন। অপারেশনের ফলাফলের একটি আকার রয়েছে যা দুটি ইনপুট অ্যারে সম্প্রচারের ফলাফল। এই বৈকল্পিকভাবে, বিভিন্ন র‌্যাঙ্কের অ্যারেগুলির মধ্যে অপারেশনগুলি সমর্থিত নয় , যদি না অপারেন্ডগুলির মধ্যে একটি স্কেলার হয়।

বিভিন্ন-মাত্রিক সম্প্রচার সমর্থন সহ একটি বিকল্প বৈকল্পিক EQ এর জন্য বিদ্যমান:

Eq(lhs,rhs, broadcast_dimensions)

অপারেশনের এই বৈকল্পিক বিভিন্ন র‌্যাঙ্কের অ্যারেগুলির মধ্যে গাণিতিক ক্রিয়াকলাপগুলির জন্য ব্যবহার করা উচিত (যেমন কোনও ভেক্টরে ম্যাট্রিক্স যুক্ত করা)।

অতিরিক্ত সম্প্রচার_ডিমেনশনস অপারেন্ড হ'ল অপারেশনগুলি সম্প্রচারের জন্য ব্যবহারের জন্য মাত্রাগুলি নির্দিষ্ট করে এমন পূর্ণসংখ্যার একটি টুকরো। শব্দার্থবিজ্ঞানগুলি সম্প্রচার পৃষ্ঠায় বিশদভাবে বর্ণনা করা হয়েছে।

কার্যকরভাবে কার্যকর করে ভাসমান পয়েন্ট নম্বরগুলির উপর মোট অর্ডার সমর্থন করুন:

\[-NaN < -Inf < -Finite < -0 < +0 < +Finite < +Inf < +NaN.\]

EqTotalOrder(lhs,rhs, broadcast_dimensions)

স্থিতিশীল তথ্যের জন্য স্থিতিশীল দেখুন - তুলনা করুন ।

নে

XlaBuilder::Ne দেখুন।

lhs এবং rhs তুলনা সমান নয় এমন উপাদান অনুসারে সম্পাদন করে।

\(lhs != rhs\)

Ne(lhs, rhs)

যুক্তিগুলির আকারগুলি হয় একই বা সামঞ্জস্যপূর্ণ হতে হবে। আকারগুলি সামঞ্জস্যপূর্ণ হওয়ার জন্য এর অর্থ কী তা সম্পর্কে সম্প্রচারের ডকুমেন্টেশন দেখুন। অপারেশনের ফলাফলের একটি আকার রয়েছে যা দুটি ইনপুট অ্যারে সম্প্রচারের ফলাফল। এই বৈকল্পিকভাবে, বিভিন্ন র‌্যাঙ্কের অ্যারেগুলির মধ্যে অপারেশনগুলি সমর্থিত নয় , যদি না অপারেন্ডগুলির মধ্যে একটি স্কেলার হয়।

বিভিন্ন-মাত্রিক সম্প্রচার সমর্থন সহ একটি বিকল্প বৈকল্পিক NE এর জন্য বিদ্যমান:

Ne(lhs,rhs, broadcast_dimensions)

অপারেশনের এই বৈকল্পিক বিভিন্ন র‌্যাঙ্কের অ্যারেগুলির মধ্যে গাণিতিক ক্রিয়াকলাপগুলির জন্য ব্যবহার করা উচিত (যেমন কোনও ভেক্টরে ম্যাট্রিক্স যুক্ত করা)।

অতিরিক্ত সম্প্রচার_ডিমেনশনস অপারেন্ড হ'ল অপারেশনগুলি সম্প্রচারের জন্য ব্যবহারের জন্য মাত্রাগুলি নির্দিষ্ট করে এমন পূর্ণসংখ্যার একটি টুকরো। শব্দার্থবিজ্ঞানগুলি সম্প্রচার পৃষ্ঠায় বিশদভাবে বর্ণনা করা হয়েছে।

কার্যকরভাবে কার্যকর করে ভাসমান পয়েন্ট নম্বরগুলির উপর মোট অর্ডার সমর্থন করুন:

\[-NaN < -Inf < -Finite < -0 < +0 < +Finite < +Inf < +NaN.\]

NeTotalOrder(lhs,rhs, broadcast_dimensions)

স্থিতিশীল তথ্যের জন্য স্থিতিশীল দেখুন - তুলনা করুন ।

জি

XlaBuilder::Ge দেখুন।

lhs এবং rhs তুলনায় উপাদান-ভিত্তিক বৃহত্তর-বা-সমান-তুলনা সম্পাদন করে।

\(lhs >= rhs\)

Ge(lhs, rhs)

যুক্তিগুলির আকারগুলি হয় একই বা সামঞ্জস্যপূর্ণ হতে হবে। আকারগুলি সামঞ্জস্যপূর্ণ হওয়ার জন্য এর অর্থ কী তা সম্পর্কে সম্প্রচারের ডকুমেন্টেশন দেখুন। অপারেশনের ফলাফলের একটি আকার রয়েছে যা দুটি ইনপুট অ্যারে সম্প্রচারের ফলাফল। এই বৈকল্পিকভাবে, বিভিন্ন র‌্যাঙ্কের অ্যারেগুলির মধ্যে অপারেশনগুলি সমর্থিত নয় , যদি না অপারেন্ডগুলির মধ্যে একটি স্কেলার হয়।

বিভিন্ন-মাত্রিক সম্প্রচার সমর্থন সহ একটি বিকল্প বৈকল্পিক জিই এর জন্য বিদ্যমান:

Ge(lhs,rhs, broadcast_dimensions)

অপারেশনের এই বৈকল্পিক বিভিন্ন র‌্যাঙ্কের অ্যারেগুলির মধ্যে গাণিতিক ক্রিয়াকলাপগুলির জন্য ব্যবহার করা উচিত (যেমন কোনও ভেক্টরে ম্যাট্রিক্স যুক্ত করা)।

অতিরিক্ত সম্প্রচার_ডিমেনশনস অপারেন্ড হ'ল অপারেশনগুলি সম্প্রচারের জন্য ব্যবহারের জন্য মাত্রাগুলি নির্দিষ্ট করে এমন পূর্ণসংখ্যার একটি টুকরো। শব্দার্থবিজ্ঞানগুলি সম্প্রচার পৃষ্ঠায় বিশদভাবে বর্ণনা করা হয়েছে।

কার্যকর করে জিটি -র জন্য ভাসমান পয়েন্ট নম্বরগুলির উপর মোট অর্ডার সমর্থন করুন:

\[-NaN < -Inf < -Finite < -0 < +0 < +Finite < +Inf < +NaN.\]

GtTotalOrder(lhs,rhs, broadcast_dimensions)

স্থিতিশীল তথ্যের জন্য স্থিতিশীল দেখুন - তুলনা করুন ।

জিটি

XlaBuilder::Gt দেখুন।

lhs এবং rhs তুলনায় উপাদান-ভিত্তিক বৃহত্তর-তুলনা সম্পাদন করে।

\(lhs > rhs\)

Gt(lhs, rhs)

যুক্তিগুলির আকারগুলি হয় একই বা সামঞ্জস্যপূর্ণ হতে হবে। আকারগুলি সামঞ্জস্যপূর্ণ হওয়ার জন্য এর অর্থ কী তা সম্পর্কে সম্প্রচারের ডকুমেন্টেশন দেখুন। অপারেশনের ফলাফলের একটি আকার রয়েছে যা দুটি ইনপুট অ্যারে সম্প্রচারের ফলাফল। এই বৈকল্পিকভাবে, বিভিন্ন র‌্যাঙ্কের অ্যারেগুলির মধ্যে অপারেশনগুলি সমর্থিত নয় , যদি না অপারেন্ডগুলির মধ্যে একটি স্কেলার হয়।

বিভিন্ন-মাত্রিক সম্প্রচার সমর্থন সহ একটি বিকল্প বৈকল্পিক জিটি-র জন্য বিদ্যমান:

Gt(lhs,rhs, broadcast_dimensions)

অপারেশনের এই বৈকল্পিক বিভিন্ন র‌্যাঙ্কের অ্যারেগুলির মধ্যে গাণিতিক ক্রিয়াকলাপগুলির জন্য ব্যবহার করা উচিত (যেমন কোনও ভেক্টরে ম্যাট্রিক্স যুক্ত করা)।

অতিরিক্ত সম্প্রচার_ডিমেনশনস অপারেন্ড হ'ল অপারেশনগুলি সম্প্রচারের জন্য ব্যবহারের জন্য মাত্রাগুলি নির্দিষ্ট করে এমন পূর্ণসংখ্যার একটি টুকরো। শব্দার্থবিজ্ঞানগুলি সম্প্রচার পৃষ্ঠায় বিশদভাবে বর্ণনা করা হয়েছে।

স্থিতিশীল তথ্যের জন্য স্থিতিশীল দেখুন - তুলনা করুন ।

লে

XlaBuilder::Le দেখুন।

lhs এবং rhs তুলনায় উপাদান-ভিত্তিক কম-বা সমান-সমান-তুলনায় সম্পাদন করে।

\(lhs <= rhs\)

Le(lhs, rhs)

যুক্তিগুলির আকারগুলি হয় একই বা সামঞ্জস্যপূর্ণ হতে হবে। আকারগুলি সামঞ্জস্যপূর্ণ হওয়ার জন্য এর অর্থ কী তা সম্পর্কে সম্প্রচারের ডকুমেন্টেশন দেখুন। অপারেশনের ফলাফলের একটি আকার রয়েছে যা দুটি ইনপুট অ্যারে সম্প্রচারের ফলাফল। এই বৈকল্পিকভাবে, বিভিন্ন র‌্যাঙ্কের অ্যারেগুলির মধ্যে অপারেশনগুলি সমর্থিত নয় , যদি না অপারেন্ডগুলির মধ্যে একটি স্কেলার হয়।

বিভিন্ন-মাত্রিক সম্প্রচার সমর্থন সহ একটি বিকল্প বৈকল্পিক এলই এর জন্য বিদ্যমান:

Le(lhs,rhs, broadcast_dimensions)

অপারেশনের এই বৈকল্পিক বিভিন্ন র‌্যাঙ্কের অ্যারেগুলির মধ্যে গাণিতিক ক্রিয়াকলাপগুলির জন্য ব্যবহার করা উচিত (যেমন কোনও ভেক্টরে ম্যাট্রিক্স যুক্ত করা)।

অতিরিক্ত সম্প্রচার_ডিমেনশনস অপারেন্ড হ'ল অপারেশনগুলি সম্প্রচারের জন্য ব্যবহারের জন্য মাত্রাগুলি নির্দিষ্ট করে এমন পূর্ণসংখ্যার একটি টুকরো। শব্দার্থবিজ্ঞানগুলি সম্প্রচার পৃষ্ঠায় বিশদভাবে বর্ণনা করা হয়েছে।

কার্যকর করে এলই -র জন্য ভাসমান পয়েন্ট নম্বরগুলির উপর মোট অর্ডার সমর্থন করুন:

\[-NaN < -Inf < -Finite < -0 < +0 < +Finite < +Inf < +NaN.\]

LeTotalOrder(lhs,rhs, broadcast_dimensions)

স্থিতিশীল তথ্যের জন্য স্থিতিশীল দেখুন - তুলনা করুন ।

লে

XlaBuilder::Lt দেখুন।

lhs এবং rhs তুলনায় উপাদান অনুসারে কম- তুলনা করে।

\(lhs < rhs\)

Lt(lhs, rhs)

যুক্তিগুলির আকারগুলি হয় একই বা সামঞ্জস্যপূর্ণ হতে হবে। আকারগুলি সামঞ্জস্যপূর্ণ হওয়ার জন্য এর অর্থ কী তা সম্পর্কে সম্প্রচারের ডকুমেন্টেশন দেখুন। অপারেশনের ফলাফলের একটি আকার রয়েছে যা দুটি ইনপুট অ্যারে সম্প্রচারের ফলাফল। এই বৈকল্পিকভাবে, বিভিন্ন র‌্যাঙ্কের অ্যারেগুলির মধ্যে অপারেশনগুলি সমর্থিত নয় , যদি না অপারেন্ডগুলির মধ্যে একটি স্কেলার হয়।

বিভিন্ন-মাত্রিক সম্প্রচার সমর্থন সহ একটি বিকল্প বৈকল্পিক এলটি-র জন্য বিদ্যমান:

Lt(lhs,rhs, broadcast_dimensions)

অপারেশনের এই বৈকল্পিক বিভিন্ন র‌্যাঙ্কের অ্যারেগুলির মধ্যে গাণিতিক ক্রিয়াকলাপগুলির জন্য ব্যবহার করা উচিত (যেমন কোনও ভেক্টরে ম্যাট্রিক্স যুক্ত করা)।

অতিরিক্ত সম্প্রচার_ডিমেনশনস অপারেন্ড হ'ল অপারেশনগুলি সম্প্রচারের জন্য ব্যবহারের জন্য মাত্রাগুলি নির্দিষ্ট করে এমন পূর্ণসংখ্যার একটি টুকরো। শব্দার্থবিজ্ঞানগুলি সম্প্রচার পৃষ্ঠায় বিশদভাবে বর্ণনা করা হয়েছে।

কার্যকরভাবে এলটি -র জন্য ভাসমান পয়েন্ট নম্বরগুলির উপর মোট অর্ডার সমর্থন করুন:

\[-NaN < -Inf < -Finite < -0 < +0 < +Finite < +Inf < +NaN.\]

LtTotalOrder(lhs,rhs, broadcast_dimensions)

স্থিতিশীল তথ্যের জন্য স্থিতিশীল দেখুন - তুলনা করুন ।

জটিল

XlaBuilder::Complex দেখুন।

বাস্তব এবং কল্পিত মান, lhs এবং rhs একজোড়া থেকে একটি জটিল মানতে উপাদান-ভিত্তিক রূপান্তর সম্পাদন করে।

Complex(lhs, rhs)

যুক্তিগুলির আকারগুলি হয় একই বা সামঞ্জস্যপূর্ণ হতে হবে। আকারগুলি সামঞ্জস্যপূর্ণ হওয়ার জন্য এর অর্থ কী তা সম্পর্কে সম্প্রচারের ডকুমেন্টেশন দেখুন। অপারেশনের ফলাফলের একটি আকার রয়েছে যা দুটি ইনপুট অ্যারে সম্প্রচারের ফলাফল। এই বৈকল্পিকভাবে, বিভিন্ন র‌্যাঙ্কের অ্যারেগুলির মধ্যে অপারেশনগুলি সমর্থিত নয় , যদি না অপারেন্ডগুলির মধ্যে একটি স্কেলার হয়।

বিভিন্ন-মাত্রিক সম্প্রচার সমর্থন সহ একটি বিকল্প বৈকল্পিক কমপ্লেক্সের জন্য বিদ্যমান:

Complex(lhs,rhs, broadcast_dimensions)

অপারেশনের এই বৈকল্পিক বিভিন্ন র‌্যাঙ্কের অ্যারেগুলির মধ্যে গাণিতিক ক্রিয়াকলাপগুলির জন্য ব্যবহার করা উচিত (যেমন কোনও ভেক্টরে ম্যাট্রিক্স যুক্ত করা)।

অতিরিক্ত সম্প্রচার_ডিমেনশনস অপারেন্ড হ'ল অপারেশনগুলি সম্প্রচারের জন্য ব্যবহারের জন্য মাত্রাগুলি নির্দিষ্ট করে এমন পূর্ণসংখ্যার একটি টুকরো। শব্দার্থবিজ্ঞানগুলি সম্প্রচার পৃষ্ঠায় বিশদভাবে বর্ণনা করা হয়েছে।

স্থিতিশীল তথ্যের জন্য স্থিতিশীল দেখুন - কমপ্লেক্স ।

কনকাতিন্ডিম (কনটেনেটেট)

XlaBuilder::ConcatInDim দেখুন।

কনটেনটেট একাধিক অ্যারে অপারেন্ডগুলি থেকে একটি অ্যারে রচনা করে। অ্যারেটির প্রতিটি ইনপুট অ্যারে অপারেন্ডগুলির মতো একই সংখ্যার মাত্রা রয়েছে (যার একে অপরের মতো একই সংখ্যার মাত্রা থাকতে হবে) এবং সেগুলি নির্দিষ্ট করে দেওয়া ক্রমে যুক্তি রয়েছে।

Concatenate(operands..., dimension)

dimension ব্যতীত সমস্ত মাত্রা অবশ্যই একই হতে হবে। এটি কারণ এক্সএলএ "রাগড" অ্যারে সমর্থন করে না। এছাড়াও নোট করুন যে 0-মাত্রিক মানগুলি সংমিশ্রণ করা যায় না (কারণ সংমিশ্রণটি যে মাত্রাটি ঘটে তার নামকরণ করা অসম্ভব)।

1-মাত্রিক উদাহরণ:

Concat({ {2, 3}, {4, 5}, {6, 7} }, 0)
//Output:  {2, 3, 4, 5, 6, 7}

2-মাত্রিক উদাহরণ:

let a = { {1, 2},
         {3, 4},
         {5, 6} };

let b = { {7, 8} };

Concat({a, b}, 0)

//Output:  { {1, 2},
//          {3, 4},
//          {5, 6},
//          {7, 8} }

চিত্র:

স্থিতিশীল তথ্যের জন্য স্থিতিশীল দেখুন - কনটেনেট ।

শর্তসাপেক্ষ

XlaBuilder::Conditional দেখুন।

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

predicate true হলে true_computation সম্পাদন করে, যদি predicate false হয় তবে false_computation এবং ফলাফলটি ফিরিয়ে দেয়।

true_computation অবশ্যই টাইপের একক যুক্তি গ্রহণ করতে হবে \(T_0\) এবং true_operand সাথে আহ্বান করা হবে যা অবশ্যই একই ধরণের হতে হবে। false_computation অবশ্যই টাইপের একক যুক্তি গ্রহণ করতে হবে \(T_1\) এবং false_operand দিয়ে আহ্বান করা হবে যা অবশ্যই একই ধরণের হতে হবে। true_computation এবং false_computation প্রত্যাবর্তনের মানটির ধরণটি একই হতে হবে।

মনে রাখবেন যে predicate মানের উপর নির্ভর করে true_computation একটি এবং false_computation কার্যকর করা হবে।

Conditional(branch_index, branch_computations, branch_operands)

branch_computations[branch_index] কার্যকর করে এবং ফলাফলটি প্রদান করে। যদি branch_index একটি S32 হয় যা <0 বা> = n হয়, তবে branch_computations[N-1] ডিফল্ট শাখা হিসাবে কার্যকর করা হয়।

প্রতিটি branch_computations[b] অবশ্যই টাইপের একক যুক্তি গ্রহণ করতে হবে \(T_b\) এবং branch_operands[b] এর সাথে আহ্বান করা হবে যা অবশ্যই একই ধরণের হতে হবে। প্রতিটি branch_computations[b] এর প্রত্যাবর্তনের মানের প্রকারটি একই হতে হবে।

নোট করুন যে branch_index মানের উপর নির্ভর করে কেবলমাত্র একটি branch_computations কার্যকর করা হবে।

স্থিতিশীল তথ্যের জন্য স্থিতিশীল দেখুন - যদি ।

ধ্রুবক

XlaBuilder::ConstantLiteral দেখুন।

একটি ধ্রুবক literal থেকে একটি output উত্পাদন করে।

Constant(literal)

স্থিতিশীল তথ্যের জন্য স্থিতিশীল দেখুন - ধ্রুবক ।

রূপান্তরকরণ টাইপ

XlaBuilder::ConvertElementType দেখুন।

সি ++ তে একটি উপাদান-ভিত্তিক static_cast অনুরূপ, ConvertElementType একটি ডেটা আকার থেকে লক্ষ্য আকারে একটি উপাদান-ভিত্তিক রূপান্তর অপারেশন সম্পাদন করে। মাত্রাগুলি অবশ্যই মেলে, এবং রূপান্তরটি একটি উপাদান-ভিত্তিক; যেমন s32 উপাদানগুলি একটি s32 -to- f32 রূপান্তর রুটিনের মাধ্যমে f32 উপাদানগুলিতে পরিণত হয়।

ConvertElementType(operand, new_element_type)

অপারেন্ডের মাত্রা এবং লক্ষ্য আকৃতি অবশ্যই মেলে। উত্স এবং গন্তব্য উপাদান প্রকারগুলি অবশ্যই teples হওয়া উচিত নয়।

T=s32 এর মতো একটি রূপান্তর যেমন U=f32 তে একটি সাধারণকরণ ইন-টু-ফ্লোট রূপান্তর রুটিন যেমন বৃত্তাকার থেকে নিকটতম-এমনকি।

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

স্থিতিশীল তথ্যের জন্য স্থিতিশীল দেখুন - রূপান্তর করুন ।

কনভ (কনভোলশন)

XlaBuilder::Conv ।

নিউরাল নেটওয়ার্কগুলিতে ব্যবহৃত ধরণের একটি সমঝোতা গণনা করে। এখানে, একটি এন-ডাইমেনশনাল উইন্ডো হিসাবে একটি এন-ডাইমেনশনাল বেস অঞ্চল জুড়ে চলমান এবং উইন্ডোটির প্রতিটি সম্ভাব্য অবস্থানের জন্য একটি গণনা সঞ্চালিত হয়।

Conv গণনাটির উপর একটি কনভোলিউশন নির্দেশনা দেয়, যা কোনও প্রসারণ ছাড়াই ডিফল্ট কনভোলিউশন ডাইমেনশন সংখ্যা ব্যবহার করে।

প্যাডিংটি স্বল্প-হাতের উপায়ে একই বা বৈধ হিসাবে নির্দিষ্ট করা হয়। একই প্যাডিং জিরো সহ ইনপুট ( lhs ) প্যাড করে যাতে আউটপুটটি অ্যাকাউন্টে স্ট্রাইডিং না নেওয়ার সময় ইনপুট হিসাবে একই আকার থাকে। বৈধ প্যাডিংয়ের অর্থ কেবল প্যাডিং নেই।

Conv(lhs, rhs, window_strides, padding, feature_group_count, batch_group_count, precision_config, preferred_element_type)

নিয়ন্ত্রণের ক্রমবর্ধমান স্তরগুলি Conv জন্য উপলব্ধ:

• কনফেনারালপ্যাডিং
• কনফেনারাল ডাইমেনশনস
• কনভিজেনারাল
• কনভেনরালডিলেটেড

আসুন n স্থানিক মাত্রার সংখ্যা হতে দিন। lhs আর্গুমেন্টটি একটি (এন+2)-বেস অঞ্চলটি বর্ণনা করে মাত্রিক অ্যারে। এটিকে ইনপুট বলা হয়, যদিও অবশ্যই আরএইচএসও একটি ইনপুট। একটি নিউরাল নেটওয়ার্কে, এগুলি ইনপুট অ্যাক্টিভেশন। এন+2 মাত্রা এই ক্রমে:

• batch : এই মাত্রায় প্রতিটি সমন্বয় একটি স্বতন্ত্র ইনপুট উপস্থাপন করে যার জন্য সমঝোতা করা হয়।
• z/depth/features : বেস অঞ্চলে প্রতিটি (y, x) অবস্থানের সাথে সম্পর্কিত একটি ভেক্টর রয়েছে, যা এই মাত্রায় যায়।
• spatial_dims : n স্পেসিয়াল ডাইমেনশনগুলি বর্ণনা করে যা উইন্ডোটি জুড়ে চলে যায় এমন বেস অঞ্চলকে সংজ্ঞায়িত করে।

rhs আর্গুমেন্টটি একটি (এন+2)-কনভোলিউশনাল ফিল্টার/কার্নেল/উইন্ডো বর্ণনা করে মাত্রিক অ্যারে। মাত্রাগুলি এই ক্রমে:

• output-z : আউটপুটটির z মাত্রা।
• input-z : এই মাত্রার সময়গুলির আকার feature_group_count এলএইচএসে z মাত্রার আকারের সমান হওয়া উচিত।
• spatial_dims : এনডি উইন্ডোটি সংজ্ঞায়িত করে এমন n স্পেসিয়াল মাত্রাগুলি বর্ণনা করে যা বেস অঞ্চল জুড়ে চলে।

window_strides আর্গুমেন্টটি স্থানিক মাত্রাগুলিতে কনভোলিউশনাল উইন্ডোর প্রবাহ নির্দিষ্ট করে। উদাহরণস্বরূপ, যদি প্রথম স্থানিক মাত্রার স্ট্রাইড 3 হয়, তবে উইন্ডোটি কেবল স্থানাঙ্কে স্থাপন করা যেতে পারে যেখানে প্রথম স্থানিক সূচকটি 3 দ্বারা বিভাজ্য।

padding আর্গুমেন্ট বেস অঞ্চলে প্রয়োগ করার জন্য শূন্য প্যাডিংয়ের পরিমাণ নির্দিষ্ট করে। প্যাডিংয়ের পরিমাণ নেতিবাচক হতে পারে - নেতিবাচক প্যাডিংয়ের পরম মানটি কনভোলিউশন করার আগে নির্দিষ্ট মাত্রা থেকে সরানোর জন্য উপাদানগুলির সংখ্যা নির্দেশ করে। padding[0] মাত্রা y এবং padding[1] মাত্রা x জন্য প্যাডিং নির্দিষ্ট করে। প্রতিটি জুটির প্রথম উপাদান হিসাবে কম প্যাডিং এবং দ্বিতীয় উপাদান হিসাবে উচ্চ প্যাডিং রয়েছে। উচ্চ প্যাডিং উচ্চতর সূচকগুলির দিকে প্রয়োগ করা হলে নিম্ন সূচকগুলির দিকে কম প্যাডিং প্রয়োগ করা হয়। উদাহরণস্বরূপ, যদি padding[1] হয় (2,3) তবে বামদিকে 2 শূন্য দ্বারা এবং দ্বিতীয় স্থানিক মাত্রায় ডানদিকে 3 শূন্য দ্বারা প্যাডিং থাকবে। প্যাডিং ব্যবহার করা কনভোলিউশন করার আগে সেই একই শূন্য মানগুলি ইনপুট ( lhs ) এ প্রবেশের সমতুল্য।

lhs_dilation এবং rhs_dilation আর্গুমেন্টগুলি প্রতিটি স্থানিক মাত্রায় যথাক্রমে এলএইচএস এবং আরএইচএসে প্রয়োগ করার জন্য ডিলেশন ফ্যাক্টর নির্দিষ্ট করে। যদি কোনও স্থানিক মাত্রায় ডিলেশন ফ্যাক্টরটি ডি হয়, তবে ডি -1 গর্তগুলি সেই মাত্রার প্রতিটি এন্ট্রিগুলির মধ্যে স্পষ্টভাবে স্থাপন করা হয়, অ্যারের আকার বাড়িয়ে। গর্তগুলি একটি নো-অপ-মান দিয়ে পূর্ণ হয়, যা কনভোলিউশনের অর্থ শূন্য।

আরএইচএসের প্রসারণকে অ্যাট্রিয়াস কনভোলিউশনও বলা হয়। আরও তথ্যের জন্য, tf.nn.atrous_conv2d দেখুন। এলএইচএসের প্রসারণকে ট্রান্সপোজড কনভোলিউশনও বলা হয়। আরও তথ্যের জন্য, tf.nn.conv2d_transpose দেখুন।

feature_group_count আর্গুমেন্ট (ডিফল্ট মান 1) গোষ্ঠীযুক্ত কনভোলিউশনের জন্য ব্যবহার করা যেতে পারে। feature_group_count ইনপুট এবং আউটপুট বৈশিষ্ট্য মাত্রা উভয়ের বিভাজক হওয়া দরকার। যদি feature_group_count 1 এর চেয়ে বেশি হয় তবে এর অর্থ হ'ল ধারণাগতভাবে ইনপুট এবং আউটপুট বৈশিষ্ট্য মাত্রা এবং rhs আউটপুট বৈশিষ্ট্য মাত্রা সমানভাবে অনেকগুলি feature_group_count গ্রুপে বিভক্ত হয়, প্রতিটি গ্রুপ বৈশিষ্ট্যগুলির একটানা পরবর্তীকালের সমন্বয়ে গঠিত। rhs ইনপুট বৈশিষ্ট্য মাত্রা lhs ইনপুট বৈশিষ্ট্য মাত্রার সমান হওয়া দরকার feature_group_count দ্বারা বিভক্ত (সুতরাং এটি ইতিমধ্যে ইনপুট বৈশিষ্ট্যগুলির একটি গ্রুপের আকার রয়েছে)। আই-থি গ্রুপগুলি একসাথে অনেকগুলি পৃথক কনভোলিউশনের জন্য feature_group_count গণনা করতে একসাথে ব্যবহৃত হয়। এই কনভোলিউশনের ফলাফলগুলি আউটপুট বৈশিষ্ট্য মাত্রায় একত্রিত হয়।

গভীরতার সাথে কনভোলিউশনের জন্য feature_group_count যুক্তিটি ইনপুট বৈশিষ্ট্য মাত্রায় সেট করা হবে এবং ফিল্টারটি [filter_height, filter_width, in_channels, channel_multiplier] থেকে [filter_height, filter_width, 1, in_channels * channel_multiplier] থেকে পুনরায় আকার দেওয়া হবে। আরও তথ্যের জন্য, tf.nn.depthwise_conv2d দেখুন।

batch_group_count (ডিফল্ট মান 1) আর্গুমেন্ট ব্যাকপ্রোপেজেশন চলাকালীন গ্রুপযুক্ত ফিল্টারগুলির জন্য ব্যবহার করা যেতে পারে। batch_group_count lhs (ইনপুট) ব্যাচের মাত্রার আকারের একটি বিভাজক হওয়া দরকার। যদি batch_group_count 1 এর চেয়ে বেশি হয় তবে এর অর্থ হ'ল আউটপুট ব্যাচের মাত্রা আকারের input batch / batch_group_count হওয়া উচিত। batch_group_count অবশ্যই আউটপুট বৈশিষ্ট্য আকারের একটি বিভাজক হতে হবে।

আউটপুট আকারের এই ক্রমে এই মাত্রা রয়েছে:

• batch : এই মাত্রার সময়গুলির আকার batch_group_count এলএইচএসে batch মাত্রার আকারের সমান হওয়া উচিত।
• z : কার্নেল ( rhs ) এ output-z হিসাবে একই আকার।
• spatial_dims : কনভোলিউশনাল উইন্ডোর প্রতিটি বৈধ স্থান নির্ধারণের জন্য একটি মান।

উপরের চিত্রটি দেখায় যে কীভাবে batch_group_count ক্ষেত্রটি কাজ করে। কার্যকরভাবে, আমরা প্রতিটি এলএইচএস ব্যাচকে batch_group_count গ্রুপগুলিতে টুকরো টুকরো করি এবং আউটপুট বৈশিষ্ট্যগুলির জন্য একই কাজ করি। তারপরে, এই গোষ্ঠীর প্রত্যেকটির জন্য আমরা জোড়াযুক্ত কনভোলিউশনগুলি করি এবং আউটপুট বৈশিষ্ট্যটির মাত্রা বরাবর আউটপুটকে একত্রিত করি। অন্যান্য সমস্ত মাত্রার অপারেশনাল শব্দার্থবিজ্ঞান (বৈশিষ্ট্য এবং স্থানিক) একই থাকে।

কনভোলিউশনাল উইন্ডোর বৈধ স্থানগুলি প্যাডিংয়ের পরে স্ট্রাইডস এবং বেস অঞ্চলের আকার দ্বারা নির্ধারিত হয়।

একটি সমঝোতা কী করে তা বর্ণনা করার জন্য, একটি 2 ডি কনভোলিউশন বিবেচনা করুন এবং আউটপুটে কিছু স্থির batch , z , y , x স্থানাঙ্কগুলি বেছে নিন। তারপরে (y,x) হ'ল বেস অঞ্চলের মধ্যে উইন্ডোর একটি কোণার একটি অবস্থান (যেমন আপনি স্থানিক মাত্রাগুলি কীভাবে ব্যাখ্যা করেন তার উপর নির্ভর করে উপরের বাম কোণটি)। আমাদের এখন একটি 2 ডি উইন্ডো রয়েছে, বেস অঞ্চল থেকে নেওয়া, যেখানে প্রতিটি 2 ডি পয়েন্ট 1 ডি ভেক্টরের সাথে সম্পর্কিত, তাই আমরা একটি 3 ডি বাক্স পাই। কনভোলিউশনাল কার্নেল থেকে, যেহেতু আমরা আউটপুট স্থানাঙ্ক z স্থির করেছি, আমাদের একটি 3 ডি বাক্সও রয়েছে। দুটি বাক্সের একই মাত্রা রয়েছে, তাই আমরা দুটি বাক্সের (একটি বিন্দু পণ্যের অনুরূপ) এর মধ্যে উপাদান-ভিত্তিক পণ্যগুলির যোগফল নিতে পারি। এটি আউটপুট মান।

মনে রাখবেন যে output-z যেমন, 5 হয়, তবে উইন্ডোর প্রতিটি অবস্থান আউটপুটটিতে 5 টি মান আউটপুটটির z মাত্রায় উত্পাদন করে। এই মানগুলি কনভোলিউশনাল কার্নেলের কোন অংশে ব্যবহৃত হয় তার মধ্যে পৃথক - প্রতিটি output-z সমন্বয় করার জন্য ব্যবহৃত মানগুলির একটি পৃথক 3 ডি বাক্স রয়েছে। সুতরাং আপনি এটিকে প্রত্যেকের জন্য আলাদা ফিল্টার সহ 5 টি পৃথক কনভোলিউশন হিসাবে ভাবতে পারেন।

প্যাডিং এবং স্ট্রাইডিং সহ 2 ডি কনভোলিউশনের জন্য এখানে সিউডো-কোড রয়েছে:

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

নির্ভুলতা কনফিগারেশনটি নির্দেশ করতে precision_config ব্যবহৃত হয়। স্তরটি নির্ধারণ করে যে হার্ডওয়্যারটি যখন প্রয়োজন হয় তখন আরও সঠিক ডিটিওয়াইপি এমুলেশন সরবরাহের জন্য আরও মেশিন কোড নির্দেশাবলী উত্পন্ন করার চেষ্টা করা উচিত কিনা তা নির্ধারণ করে (অর্থাত্ একটি টিপিইউতে এফ 32 অনুকরণকারী যা কেবল বিএফ 16 ম্যাটমুলকে সমর্থন করে)। মানগুলি DEFAULT হতে পারে, HIGH , HIGHEST । এমএক্সইউ বিভাগগুলিতে অতিরিক্ত বিশদ।

preferred_element_type হ'ল উচ্চতর/নিম্ন নির্ভুলতা আউটপুট প্রকারের একটি স্কেলার উপাদান যা জমা হওয়ার জন্য ব্যবহৃত হয়। preferred_element_type প্রদত্ত অপারেশনের জন্য জমে থাকা ধরণের প্রস্তাব দেয়, তবে এটি গ্যারান্টিযুক্ত নয়। এটি কিছু হার্ডওয়্যার ব্যাকেন্ডের পরিবর্তে পরিবর্তে আলাদা ধরণের সংগ্রহ করতে এবং পছন্দসই আউটপুট প্রকারে রূপান্তর করতে দেয়।

স্থিতিশীল তথ্যের জন্য স্টেবলহ্লো - কনভোলিউশন দেখুন।

কনফেনারালপ্যাডিং

XlaBuilder::ConvWithGeneralPadding দেখুন।

ConvWithGeneralPadding(lhs, rhs, window_strides, padding, feature_group_count, batch_group_count, precision_config, preferred_element_type)

প্যাডিং কনফিগারেশন সুস্পষ্ট যেখানে Conv হিসাবে একই।

কনফেনারাল ডাইমেনশনস

XlaBuilder::ConvWithGeneralDimensions দেখুন।

ConvWithGeneralDimensions(lhs, rhs, window_strides, padding, dimension_numbers, feature_group_count, batch_group_count, precision_config, preferred_element_type)

Conv যেখানে ডাইমেনশন সংখ্যাগুলি সুস্পষ্ট।

কনভিজেনারাল

XlaBuilder::ConvGeneral দেখুন।

ConvGeneral(lhs, rhs, window_strides, padding, dimension_numbers, feature_group_count, batch_group_count, precision_config, preferred_element_type)

Conv যেখানে ডাইমেনশন সংখ্যা এবং প্যাডিং কনফিগারেশন সুস্পষ্ট

কনভেনরালডিলেটেড

XlaBuilder::ConvGeneralDilated দেখুন।

ConvGeneralDilated(lhs, rhs, window_strides, padding, lhs_dilation, rhs_dilation, dimension_numbers, feature_group_count, batch_group_count, precision_config, preferred_element_type, window_reversal)

প্যাডিং কনফিগারেশন, প্রসারণ উপাদান এবং মাত্রা সংখ্যাগুলি সুস্পষ্ট যেখানে Conv হিসাবে একই।

কপি

HloInstruction::CreateCopyStart দেখুন।

Copy অভ্যন্তরীণভাবে 2 এইচএলও নির্দেশাবলী CopyStart এবং CopyDone মধ্যে পচে যায়। Copy CopyStart এবং অনুলিপি সহ CopyDone এইচএলওতে আদিম হিসাবে কাজ করে। এই ওপিগুলি এইচএলও ডাম্পগুলিতে উপস্থিত হতে পারে, তবে এগুলি শেষ ব্যবহারকারীরা ম্যানুয়ালি নির্মিত হওয়ার উদ্দেশ্যে নয়।

কারণ

XlaBuilder::Cos দেখুন।

উপাদান অনুসারে কোসাইন x -> cos(x) ।

Cos(operand)

সিওএসও al চ্ছিক result_accuracy আর্গুমেন্টকে সমর্থন করে:

Cos(operand, result_accuracy)

result_accuracy সম্পর্কে আরও তথ্যের জন্য ফলাফলের নির্ভুলতা দেখুন।

স্থিতিশীল তথ্যের জন্য স্টেবলহ্লো - কোসাইন দেখুন।

কশ

XlaBuilder::Cosh দেখুন।

উপাদান -ভিত্তিক হাইপারবোলিক কোসাইন x -> cosh(x) ।

Cosh(operand)

COSH চ্ছিক result_accuracy আর্গুমেন্টকেও সমর্থন করে:

Cosh(operand, result_accuracy)

result_accuracy সম্পর্কে আরও তথ্যের জন্য ফলাফলের নির্ভুলতা দেখুন।

কাস্টমকল

XlaBuilder::CustomCall দেখুন।

একটি গণনার মধ্যে ব্যবহারকারী-সরবরাহিত ফাংশন কল করুন।

কাস্টমকল ডকুমেন্টেশন বিকাশকারী বিবরণে সরবরাহ করা হয় - এক্সএলএ কাস্টম কল

স্থিতিশীল তথ্যের জন্য স্টেবলহ্লো - কাস্টম_ক্যাল দেখুন।

বিভাগ

XlaBuilder::Div ।

লভ্যাংশ lhs এবং বিভাজক rhs উপাদান-ভিত্তিক বিভাগ সম্পাদন করে।

Div(lhs, rhs)

পূর্ণসংখ্যা বিভাগ ওভারফ্লো (স্বাক্ষরিত/স্বাক্ষরবিহীন বিভাগ/শূন্য দ্বারা অবশিষ্টাংশ বা স্বাক্ষরিত বিভাগ/ -1 এর সাথে INT_SMIN এর অবশিষ্টাংশ) একটি বাস্তবায়ন সংজ্ঞায়িত মান উত্পাদন করে।

যুক্তিগুলির আকারগুলি হয় একই বা সামঞ্জস্যপূর্ণ হতে হবে। আকারগুলি সামঞ্জস্যপূর্ণ হওয়ার জন্য এর অর্থ কী তা সম্পর্কে সম্প্রচারের ডকুমেন্টেশন দেখুন। অপারেশনের ফলাফলের একটি আকার রয়েছে যা দুটি ইনপুট অ্যারে সম্প্রচারের ফলাফল। এই বৈকল্পিকভাবে, বিভিন্ন র‌্যাঙ্কের অ্যারেগুলির মধ্যে অপারেশনগুলি সমর্থিত নয় , যদি না অপারেন্ডগুলির মধ্যে একটি স্কেলার হয়।

বিভিন্ন-মাত্রিক সম্প্রচার সমর্থন সহ একটি বিকল্প বৈকল্পিক ডিভের জন্য বিদ্যমান:

Div(lhs,rhs, broadcast_dimensions)

অপারেশনের এই বৈকল্পিক বিভিন্ন র‌্যাঙ্কের অ্যারেগুলির মধ্যে গাণিতিক ক্রিয়াকলাপগুলির জন্য ব্যবহার করা উচিত (যেমন কোনও ভেক্টরে ম্যাট্রিক্স যুক্ত করা)।

অতিরিক্ত সম্প্রচার_ডিমেনশনস অপারেন্ড হ'ল অপারেশনগুলি সম্প্রচারের জন্য ব্যবহারের জন্য মাত্রাগুলি নির্দিষ্ট করে এমন পূর্ণসংখ্যার একটি টুকরো। শব্দার্থবিজ্ঞানগুলি সম্প্রচার পৃষ্ঠায় বিশদভাবে বর্ণনা করা হয়েছে।

স্থিতিশীল তথ্যের জন্য স্থিতিশীল দেখুন - ভাগ করুন ।

ডোমেইন

HloInstruction::CreateDomain দেখুন।

Domain এইচএলও ডাম্পগুলিতে উপস্থিত হতে পারে, তবে এটি শেষ ব্যবহারকারীরা ম্যানুয়ালি তৈরি করার উদ্দেশ্যে নয়।

ডট

XlaBuilder::Dot দেখুন।

Dot(lhs, rhs, precision_config, preferred_element_type)

এই অপারেশনের সঠিক শব্দার্থবিজ্ঞানগুলি অপারেশনগুলির র‌্যাঙ্কগুলির উপর নির্ভর করে:

অপারেশনটি lhs দ্বিতীয় মাত্রা (বা এটি যদি 1 টি মাত্রা থাকে তবে প্রথম) এবং rhs প্রথম মাত্রা জুড়ে পণ্যগুলির যোগফল সম্পাদন করে। এগুলি হ'ল "চুক্তিবদ্ধ" মাত্রা। lhs এবং rhs চুক্তিবদ্ধ মাত্রা একই আকারের হতে হবে। অনুশীলনে, এটি ভেক্টর, ভেক্টর/ম্যাট্রিক্স গুণ বা ম্যাট্রিক্স/ম্যাট্রিক্স গুণগুলির মধ্যে ডট পণ্য সম্পাদন করতে ব্যবহার করা যেতে পারে।

নির্ভুলতা কনফিগারেশনটি নির্দেশ করতে precision_config ব্যবহৃত হয়। স্তরটি নির্ধারণ করে যে হার্ডওয়্যারটি যখন প্রয়োজন হয় তখন আরও সঠিক ডিটিওয়াইপি এমুলেশন সরবরাহের জন্য আরও মেশিন কোড নির্দেশাবলী উত্পন্ন করার চেষ্টা করা উচিত কিনা তা নির্ধারণ করে (অর্থাত্ একটি টিপিইউতে এফ 32 অনুকরণকারী যা কেবল বিএফ 16 ম্যাটমুলকে সমর্থন করে)। মানগুলি DEFAULT হতে পারে, HIGH , HIGHEST । এমএক্সইউ বিভাগগুলিতে অতিরিক্ত বিশদ।

preferred_element_type হ'ল উচ্চতর/নিম্ন নির্ভুলতা আউটপুট প্রকারের একটি স্কেলার উপাদান যা জমা হওয়ার জন্য ব্যবহৃত হয়। preferred_element_type প্রদত্ত অপারেশনের জন্য জমে থাকা ধরণের প্রস্তাব দেয়, তবে এটি গ্যারান্টিযুক্ত নয়। এটি কিছু হার্ডওয়্যার ব্যাকেন্ডের পরিবর্তে পরিবর্তে আলাদা ধরণের সংগ্রহ করতে এবং পছন্দসই আউটপুট প্রকারে রূপান্তর করতে দেয়।

স্থিতিশীল তথ্যের জন্য স্টেবলহ্লো - ডট দেখুন।

ডটজেনারাল

XlaBuilder::DotGeneral দেখুন।

DotGeneral(lhs, rhs, dimension_numbers, precision_config, preferred_element_type)

ডটের মতো, তবে চুক্তি এবং ব্যাচের মাত্রা সংখ্যাগুলি lhs এবং rhs উভয়ের জন্য নির্দিষ্ট করার অনুমতি দেয়।

ডটজেনারাল dimension_numbers নির্দিষ্ট চুক্তির মাত্রাগুলির চেয়ে পণ্যগুলির যোগফল সম্পাদন করে।

lhs এবং rhs থেকে সম্পর্কিত চুক্তির মাত্রা সংখ্যাগুলি একই হওয়ার দরকার নেই তবে একই মাত্রার আকার থাকতে হবে।

চুক্তির মাত্রা সংখ্যা সহ উদাহরণ:

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

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

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

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

lhs এবং rhs থেকে সম্পর্কিত ব্যাচের মাত্রা সংখ্যাগুলির একই মাত্রা আকার থাকতে হবে।

ব্যাচের মাত্রা সংখ্যা (ব্যাচের আকার 2, 2x2 ম্যাট্রিকেস) সহ উদাহরণ:

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

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

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

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

এটি অনুসরণ করে যে ফলাফলের মাত্রা সংখ্যাটি ব্যাচের মাত্রা দিয়ে শুরু হয়, তারপরে lhs নন-কন্ট্রাক্টিং/নন-ব্যাচের মাত্রা এবং অবশেষে rhs নন-কন্ট্রাক্টিং/নন-ব্যাচের মাত্রা।

নির্ভুলতা কনফিগারেশনটি নির্দেশ করতে precision_config ব্যবহৃত হয়। স্তরটি নির্ধারণ করে যে হার্ডওয়্যারটি যখন প্রয়োজন হয় তখন আরও সঠিক ডিটিওয়াইপি এমুলেশন সরবরাহের জন্য আরও মেশিন কোড নির্দেশাবলী উত্পন্ন করার চেষ্টা করা উচিত কিনা তা নির্ধারণ করে (অর্থাত্ একটি টিপিইউতে এফ 32 অনুকরণকারী যা কেবল বিএফ 16 ম্যাটমুলকে সমর্থন করে)। মানগুলি DEFAULT হতে পারে, HIGH , HIGHEST । অতিরিক্ত বিশদ এমএক্সইউ বিভাগগুলিতে পাওয়া যাবে ।

preferred_element_type হ'ল উচ্চতর/নিম্ন নির্ভুলতা আউটপুট প্রকারের একটি স্কেলার উপাদান যা জমা হওয়ার জন্য ব্যবহৃত হয়। preferred_element_type প্রদত্ত অপারেশনের জন্য জমে থাকা ধরণের প্রস্তাব দেয়, তবে এটি গ্যারান্টিযুক্ত নয়। এটি কিছু হার্ডওয়্যার ব্যাকেন্ডের পরিবর্তে পরিবর্তে আলাদা ধরণের সংগ্রহ করতে এবং পছন্দসই আউটপুট প্রকারে রূপান্তর করতে দেয়।

স্থিতিশীল তথ্যের জন্য স্টেবলহ্লো - ডট_ জেনারেল দেখুন।

স্কেলডট

XlaBuilder::ScaledDot দেখুন।

ScaledDot(lhs, lhs_scale, rhs, rhs_scale, dimension_number, precision_config,preferred_element_type)

ডটজেনারালের মতো।

অপারেন্ডস 'এলএইচএস', 'এলএইচএস_স্কেল', 'আরএইচএস', এবং 'আরএইচএস_স্কেল' সহ একটি স্কেলড ডট অপার তৈরি করে, 'ডাইমেনশন_নম্বারস' এ নির্দিষ্ট করা চুক্তি এবং ব্যাচের মাত্রা সহ।

রাগডডট

XlaBuilder::RaggedDot দেখুন।

RaggedDot গণনার একটি ভাঙ্গনের জন্য দেখুন স্থিতিশীলহ্লো - clo.ragged_dot

ডায়নামিকরশেপ

XlaBuilder::DynamicReshape দেখুন।

এই অপারেশনটি পুনরায় আকার দেওয়ার মতো কার্যত অভিন্ন, তবে ফলাফলের আকারটি আউটপুট_শেপের মাধ্যমে গতিশীলভাবে নির্দিষ্ট করা হয়।

DynamicReshape(operand, dim_sizes, new_size_bounds, dims_are_dynamic)

স্থিতিশীল তথ্যের জন্য স্টেবলহ্লো - ডায়নামিক_রশেপ দেখুন।

ডায়নামিক্সলিস

XlaBuilder::DynamicSlice দেখুন।

ডায়নামিক্সলিস ডায়নামিক start_indices ইনপুট অ্যারে থেকে একটি সাব-অ্যারে নিষ্কাশন করে। The size of the slice in each dimension is passed in size_indices , which specify the end point of exclusive slice intervals in each dimension: [start, start + size). The shape of start_indices must be 1-dimensional, with dimension size equal to the number of dimensions of operand .

DynamicSlice(operand, start_indices, slice_sizes)

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

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

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

1-dimensional example:

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

DynamicSlice(a, s, {2});
// Result: {2.0, 3.0}

2-dimensional example:

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

DynamicSlice(b, s, {2, 2});
//Result:
// { { 7.0,  8.0},
//   {10.0, 11.0} }

For StableHLO information see StableHLO - dynamic_slice .

DynamicUpdateSlice

See also XlaBuilder::DynamicUpdateSlice .

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

DynamicUpdateSlice(operand, update, start_indices)

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

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

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

1-dimensional example:

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

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

2-dimensional example:

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

let s = {1, 1}

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

For StableHLO information see StableHLO - dynamic_update_slice .

এরফ

See also XlaBuilder::Erf .

Element-wise error function x -> erf(x) where:

\(\text{erf}(x) = \frac{2}{\sqrt{\pi} }\int_0^x e^{-t^2} \, dt\).

Erf(operand)

Erf also supports the optional result_accuracy argument:

Erf(operand, result_accuracy)

For more information on result_accuracy see Result Accuracy .

মেয়াদ

See also XlaBuilder::Exp .

Element-wise natural exponential x -> e^x .

Exp(operand)

Exp also supports the optional result_accuracy argument:

Exp(operand, result_accuracy)

For more information on result_accuracy see Result Accuracy .

For StableHLO information see StableHLO - exponential .

Expm1

See also XlaBuilder::Expm1 .

Element-wise natural exponential minus one x -> e^x - 1 .

Expm1(operand)

Expm1 also supports the optional result_accuracy argument:

Expm1(operand, result_accuracy)

For more information on result_accuracy see Result Accuracy .

For StableHLO information see StableHLO - exponential_minus_one .

Fft

See also XlaBuilder::Fft .

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

Fft(operand, ftt_type, fft_length)

For StableHLO information see StableHLO - fft .

Multidimensional FFT

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

বাস্তবায়নের বিবরণ

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

মেঝে

See also XlaBuilder::Floor .

Element-wise floor x -> ⌊x⌋ .

Floor(operand)

For StableHLO information see StableHLO - floor .

ফিউশন

See also HloInstruction::CreateFusion .

Fusion operation represents HLO instructions and serves as a primitive in HLO. This op may appear in HLO dumps but is not intended to be constructed manually by end users.

জড়ো করা

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

For StableHLO information see StableHLO - gather .

General Semantics

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

gather(operand, start_indices, dimension_numbers, slice_sizes, indices_are_sorted)

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

The output is an array with batch_dims.size + offset_dims.size dimensions.

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

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

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

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

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

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

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

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

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

   2. S in [ _ ] = 0 otherwise.

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

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

   2. O in [ _ ] = 0 otherwise.

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

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

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

Informal Description and Examples

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

GetDimensionSize

See also XlaBuilder::GetDimensionSize .

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

GetDimensionSize(operand, dimension)

For StableHLO information see StableHLO - get_dimension_size .

GetTupleElement

See also XlaBuilder::GetTupleElement .

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

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

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

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

See also tf.tuple .

GetTupleElement(tuple_data, index)

For StableHLO information see StableHLO - get_tuple_element .

ইমেজ

See also XlaBuilder::Imag .

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

Imag(operand)

For StableHLO information see StableHLO - imag .

Infeed

See also XlaBuilder::Infeed .

Infeed(shape, config)

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

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

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

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

For StableHLO information see StableHLO - infeed .

আইওটা

See also XlaBuilder::Iota .

Iota(shape, iota_dimension)

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

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

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

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

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

For StableHLO information see StableHLO - iota .

IsFinite

See also XlaBuilder::IsFinite .

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

IsFinite(operand)

For StableHLO information see StableHLO - is_finite .

লগ

See also XlaBuilder::Log .

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

Log(operand)

Log also supports the optional result_accuracy argument:

Log(operand, result_accuracy)

For more information on result_accuracy see Result Accuracy .

For StableHLO information see StableHLO - log .

Log1p

See also XlaBuilder::Log1p .

Element-wise shifted natural logarithm x -> ln(1+x) .

Log1p(operand)

Log1p also supports the optional result_accuracy argument:

Log1p(operand, result_accuracy)

For more information on result_accuracy see Result Accuracy .

For StableHLO information see StableHLO - log_plus_one .

লজিস্টিক

See also XlaBuilder::Logistic .

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

Logistic(operand)

Logistic also supports the optional result_accuracy argument:

Logistic(operand, result_accuracy)

For more information on result_accuracy see Result Accuracy .

For StableHLO information see StableHLO - logistic .

মানচিত্র

See also XlaBuilder::Map .

Map(operands..., computation, dimensions)

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

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

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

For StableHLO information see StableHLO - map .

সর্বোচ্চ

See also XlaBuilder::Max .

Performs element-wise max operation on tensors lhs and rhs .

Max(lhs, rhs)

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

An alternative variant with different-dimensional broadcasting support exists for Max:

Max(lhs,rhs, broadcast_dimensions)

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

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

For StableHLO information see StableHLO - maximum .

মিন

See also XlaBuilder::Min .

Performs element-wise min operation on lhs and rhs .

Min(lhs, rhs)

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

An alternative variant with different-dimensional broadcasting support exists for Min:

Min(lhs,rhs, broadcast_dimensions)

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

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

For StableHLO information see StableHLO - minimum .

মুল

See also XlaBuilder::Mul .

Performs element-wise product of lhs and rhs .

Mul(lhs, rhs)

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

An alternative variant with different-dimensional broadcasting support exists for Mul:

Mul(lhs,rhs, broadcast_dimensions)

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

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

For StableHLO information see StableHLO - multiply .

নেগ

See also XlaBuilder::Neg .

Element-wise negation x -> -x .

Neg(operand)

For StableHLO information see StableHLO - negate

না

See also XlaBuilder::Not .

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

Not(operand)

For StableHLO information see StableHLO - not .

OptimizationBarrier

See also XlaBuilder::OptimizationBarrier .

Blocks any optimization pass from moving computations across the barrier.

OptimizationBarrier(operand)

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

For StableHLO information see StableHLO - optimization_barrier .

বা

See also XlaBuilder::Or .

Performs element-wise OR of lhs and rhs .

Or(lhs, rhs)

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

An alternative variant with different-dimensional broadcasting support exists for Or:

Or(lhs,rhs, broadcast_dimensions)

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

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

For StableHLO information see StableHLO - or .

Outfeed

See also XlaBuilder::Outfeed .

Writes inputs to the outfeed.

Outfeed(operand, shape_with_layout, outfeed_config)

shape_with_layout communicates the laid out shape that we want to outfeed.

For StableHLO information see StableHLO - outfeed .

প্যাড

See also XlaBuilder::Pad .

Pad(operand, padding_value, padding_config)

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

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

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

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

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

For StableHLO information see StableHLO - pad .

প্যারামিটার

See also XlaBuilder::Parameter .

Parameter represents an argument input to a computation.

PartitionID

See also XlaBuilder::BuildPartitionId .

Produces partition_id of the current process.

PartitionID(shape)

PartitionID may appear in HLO dumps but it is not intended to be constructed manually by end users.

For StableHLO information see StableHLO - partition_id .

PopulationCount

See also XlaBuilder::PopulationCount .

Computes the number of bits set in each element of operand .

PopulationCount(operand)

For StableHLO information see StableHLO - popcnt .

পো

See also XlaBuilder::Pow .

Performs element-wise exponentiation of lhs by rhs .

Pow(lhs, rhs)

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

An alternative variant with different-dimensional broadcasting support exists for Pow:

Pow(lhs,rhs, broadcast_dimensions)

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

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

For StableHLO information see StableHLO - power .

রিয়াল

See also XlaBuilder::Real .

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

Real(operand)

For StableHLO information see StableHLO - real .

Recv

See also XlaBuilder::Recv .

Recv , RecvWithTokens , and RecvToHost are operations that serve as communication primitives in HLO. These ops typically appear in HLO dumps as part of low-level input/output or cross-device transfer, but they are not intended to be constructed manually by end users.

Recv(shape, handle)

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

For StableHLO information see StableHLO - recv .

RecvDone

See also HloInstruction::CreateRecv and HloInstruction::CreateRecvDone .

Similar to Send , the client API of Recv operation represents synchronous communication. However, the instruction is internally decomposed into 2 HLO instructions ( Recv and RecvDone ) to enable asynchronous data transfers.

Recv(const Shape& shape, int64 channel_id)

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

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

কমিয়ে দিন

See also XlaBuilder::Reduce .

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

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

কোথায়:

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

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

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

For StableHLO information see StableHLO - reduce .

উদাহরণ

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

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

but there are also many other possibilities, eg

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

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

result_shape <- remove all dims in dimensions from operand_shape

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

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

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

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

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

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

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

|  4   8  12 |
| 16  20  24 |

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

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

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

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

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

Variadic Reduce

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

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

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

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

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

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

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

ReducePrecision

See also XlaBuilder::ReducePrecision .

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

ReducePrecision(operand, exponent_bits, mantissa_bits)

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

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

For StableHLO information see StableHLO - reduce_precision .

ReduceScatter

See also XlaBuilder::ReduceScatter .

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

ReduceScatter(operand, computation, scatter_dimension, shard_count, replica_groups, channel_id, layout, use_global_device_ids)

• When operand is a tuple of arrays, the reduce-scatter is performed on each element of the tuple.
• replica_groups is a list of replica groups between which the reduction is performed (replica id for the current replica can be retrieved using ReplicaId ). The order of replicas in each group determines the order in which the all-reduce result will be scattered. replica_groups must either be empty (in which case all replicas belong to a single group), or contain the same number of elements as the number of replicas. When there are more than one replica groups, they all must be of the same size. For example, replica_groups = {0, 2}, {1, 3} performs reduction between the replicas 0 and 2 , and 1 and 3 and then scatters the result.
• shard_count is the size of each replica group. We need this in cases where replica_groups are empty. If replica_groups is not empty, shard_count must be equal to the size of each replica group.
• channel_id is used for cross-module communication: only reduce-scatter operations with the same channel_id can communicate with each other.
• layout See xla::shapes for more information on layouts.
• use_global_device_ids is a user-specified flag. When false (default) the numbers in replica_groups are ReplicaId when true the replica_groups represent a global id of ( ReplicaID * partition_count + partition_id ). যেমন:
  • With 2 replicas and 4 partitions,
  • replica_groups={ {0,1,4,5},{2,3,6,7} } and use_global_device_ids=true
  • group[0] = (0,0), (0,1), (1,0), (1,1)
  • group[1] = (0,2), (0,3), (1,2), (1,3)
  • where each pair is (replica_id, partition_id).

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

For StableHLO information see StableHLO - reduce_scatter .

ReduceScatter - Example 1 - StableHLO

In the above example, there are 2 replicas participating in the ReduceScatter. On each replica, the operand has shape f32[2,4]. An all-reduce (sum) is performed across the replicas, producing a reduced value of shape f32[2,4] on each replica. This reduced value is then split into 2 parts along dimension 1, so each part has shape f32[2,2]. Each replica within the process group receives the part corresponding to its position in the group. As a result, the output on each replica has shape f32[2,2].

ReduceWindow

See also XlaBuilder::ReduceWindow .

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

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

কোথায়:

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

For StableHLO information see StableHLO - reduce_window .

ReduceWindow - Example 1

Input is a matrix of size [4x6] and both window_dimensions and window_stride_dimensions are [2x3].

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

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