'mhlo' گویش

عملیات

mhlo.abs (mhlo::AbsOp)

عمل شکم

نحو:

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

عملیات abs از نظر عنصر را روی تانسور operand انجام می دهد و یک تانسور result تولید می کند.

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

مثال:

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

صفات: AlwaysSpeculatableImplTrait ، Elementwise ، SameOperandsAndResultShape

رابط ها: ConditionallySpeculatable ، InferShapedTypeOpInterface ، InferTypeOpInterface ، NoMemoryEffect (MemoryEffectOpInterface)

جلوه ها: MemoryEffects::Effect{}

عملگرها:

عملوند	توضیحات
operand	تانسور رتبه‌بندی شده 2/4/8/16/32/64 بیتی عدد صحیح بدون علامت یا 4/6/8/16/32/64 بیتی نوع شناور یا مختلط با عناصر شناور 32/64 بیتی یا 2/4/8/16/32 بیتی عدد صحیح علامت‌دار کوانتیزه یکنواخت یا 2/4/4 بیتی یکنواخت علامت‌دار در هر 2/8 بیت یا 2/4/8/16/32 بیتی یکنواخت کوانتیزه عدد صحیح بدون علامت یا 2/4/8/16/32 بیتی یکنواخت کوانتیزه شده در هر محور مقادیر صحیح بدون علامت

نتایج:

نتیجه	توضیحات
result	تانسور رتبه‌بندی شده 2/4/8/16/32/64 بیتی عدد صحیح بدون علامت یا 4/6/8/16/32/64 بیتی شناور یا 2/4/8/16/32 بیتی یکنواخت یکنواخت عدد صحیح علامت‌دار یا 2/4/8/16/32 بیتی یکنواخت کوانتیزه‌شده در هر محور 1/38 بیتی یا یکنواخت 1/38 بیتی در هر محور عدد صحیح بدون علامت کوانتیزه شده یا مقادیر عدد صحیح بدون علامت 2/4/8/16/32 بیتی یکنواخت کوانتیزه شده در هر محور

mhlo.acos (mhlo::AcosOp)

عملیات Acos

نحو:

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

عملیات acos از نظر عنصر را روی تانسور operand انجام می دهد و یک تانسور result تولید می کند.

مثال:

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

صفات: CompatibleOperandsAndResultType ، Elementwise ، SameOperandsAndResultShape

رابط ها: InferShapedTypeOpInterface ، InferTypeOpInterface

عملگرها:

عملوند	توضیحات
operand	تانسور 4/6/8/16/32/64 بیتی از نوع شناور یا پیچیده با مقادیر عناصر شناور 32/64 بیتی

نتایج:

نتیجه	توضیحات
result	تانسور 4/6/8/16/32/64 بیتی از نوع شناور یا پیچیده با مقادیر عناصر شناور 32/64 بیتی

mhlo.acosh (mhlo::AcoshOp)

عملیات آکوش

نحو:

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

عملیات acosh از نظر عنصر را روی تانسور operand انجام می دهد و یک تانسور result تولید می کند.

مثال:

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

صفات: CompatibleOperandsAndResultType ، Elementwise ، SameOperandsAndResultShape

رابط ها: InferShapedTypeOpInterface ، InferTypeOpInterface

عملگرها:

عملوند	توضیحات
operand	تانسور 4/6/8/16/32/64 بیتی از نوع شناور یا پیچیده با مقادیر عناصر شناور 32/64 بیتی

نتایج:

نتیجه	توضیحات
result	تانسور 4/6/8/16/32/64 بیتی از نوع شناور یا پیچیده با مقادیر عناصر شناور 32/64 بیتی

mhlo.add (mhlo::AddOp)

عملیات را اضافه کنید

نحو:

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

جمع عنصری دو تانسور lhs و rhs را انجام می دهد و یک تانسور result تولید می کند.

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

مثال:

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

صفات: AlwaysSpeculatableImplTrait , Commutative , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

رابط ها: ConditionallySpeculatable ، InferShapedTypeOpInterface ، InferTypeOpInterface ، NoMemoryEffect (MemoryEffectOpInterface)

جلوه ها: MemoryEffects::Effect{}

عملگرها:

عملوند	توضیحات
lhs	تانسور رتبه بندی شده 4/6/8/16/32/64 بیتی شناور یا bool یا 2/4/8/16/32/64 بیتی از نوع صحیح یا مختلط با عناصر شناور 32/64 بیتی یا مقادیر کوانتیزه شده به ازای هر تانسور عدد صحیح کوانتیزه شده یا عدد صحیح هر محور
rhs	تانسور رتبه بندی شده 4/6/8/16/32/64 بیتی شناور یا bool یا 2/4/8/16/32/64 بیتی از نوع صحیح یا مختلط با عناصر شناور 32/64 بیتی یا مقادیر کوانتیزه شده به ازای هر تانسور عدد صحیح کوانتیزه شده یا عدد صحیح هر محور

نتایج:

نتیجه	توضیحات
result	تانسور رتبه بندی شده 4/6/8/16/32/64 بیتی شناور یا bool یا 2/4/8/16/32/64 بیتی از نوع صحیح یا مختلط با عناصر شناور 32/64 بیتی یا مقادیر کوانتیزه شده به ازای هر تانسور عدد صحیح کوانتیزه شده یا عدد صحیح هر محور

mhlo.add_dependency (mhlo::AddDependencyOp)

عملیات AddDependency

نحو:

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

این عملیات برای کامپایلر XLA خصوصی است، بنابراین هنوز مشخصاتی ندارد.

به طور غیر رسمی، این عملیات دو عملوند: یک عملوند داده و یک نشانه. خروجی عملیات، عملوند داده است. هنگامی که با AfterAll استفاده می‌شود، این عملیات سفارش عملیات‌های بدون تأثیر جانبی (آنهایی که مقادیر توکن تولید نمی‌کنند) را امکان‌پذیر می‌کند.

مثال:

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

صفات: AlwaysSpeculatableImplTrait

رابط ها: ConditionallySpeculatable ، InferTypeOpInterface ، NoMemoryEffect (MemoryEffectOpInterface)

جلوه ها: MemoryEffects::Effect{}

عملگرها:

عملوند	توضیحات
operand	تانسور رتبه‌بندی‌شده 4/6/8/16/32/64 بیتی شناور یا bool یا 2/4/8/16/32/64 بیتی از نوع صحیح یا مختلط با عناصر شناور 32/64 بیتی یا مقادیر کوانتیزه‌شده در هر تانسور یا تانسور رتبه‌بندی‌شده برای هر محور مقدار صحیح قابل کوانتیزه یا کوانتیزه شده
token	توکن یا ژتون stablehlo

نتایج:

نتیجه	توضیحات
output	تانسور رتبه‌بندی‌شده 4/6/8/16/32/64 بیتی شناور یا bool یا 2/4/8/16/32/64 بیتی از نوع صحیح یا مختلط با عناصر شناور 32/64 بیتی یا مقادیر کوانتیزه‌شده در هر تانسور یا تانسور رتبه‌بندی‌شده برای هر محور مقدار صحیح قابل کوانتیزه یا کوانتیزه شده

mhlo.after_all (mhlo::AfterAllOp)

عملیات AfterAll

نحو:

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

اطمینان حاصل می کند که عملیات تولید inputs قبل از هر عملیاتی که به result بستگی دارد اجرا می شود.

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

مثال:

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

صفات: AlwaysSpeculatableImplTrait

رابط ها: ConditionallySpeculatable ، InferTypeOpInterface ، NoMemoryEffect (MemoryEffectOpInterface)

جلوه ها: MemoryEffects::Effect{}

عملگرها:

عملوند	توضیحات
inputs	تنوع نشانه

نتایج:

نتیجه	توضیحات
result	نشانه

mhlo.all_gather (mhlo::AllGatherOp)

عملیات AllGather

در هر گروه فرآیندی در شبکه فرآیند، مقادیر تانسور عملوند از هر فرآیند را در امتداد all_gather_dim به هم متصل می کند و یک تانسور نتیجه تولید می کند. computation به طور جداگانه برای هر عملوند در operands اعمال می شود و یک نتیجه در هر عملوند ایجاد می کند.

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

مثال:

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

صفات: SameOperandsAndResultElementType

ویژگی ها:

صفت	نوع MLIR	توضیحات
all_gather_dim	::mlir::IntegerAttr	ویژگی عدد صحیح بدون علامت 64 بیتی که مقدار آن غیر منفی است
replica_groups	::mlir::DenseIntElementsAttr	ویژگی عناصر عدد صحیح بدون علامت 64 بیتی
channel_handle	::mlir::mhlo::ChannelHandleAttr	دو عدد صحیح 64 بیتی 'handle' و 'type'
use_global_device_ids	::mlir::UnitAttr	ویژگی واحد

عملگرها:

عملوند	توضیحات
operands	متغیر تانسور رتبه‌بندی شده 4/6/8/16/32/64 بیتی شناور یا bool یا 2/4/8/16/32/64 بیتی از نوع صحیح یا مختلط با عناصر شناور 32/64 بیتی یا مقادیر کوانتیزه‌شده به ازای هر تانسور عدد صحیح کوانتیزه‌شده یا عدد صحیح هر محور

نتایج:

نتیجه	توضیحات
«بی نام»	متغیر تانسور رتبه‌بندی شده 4/6/8/16/32/64 بیتی شناور یا bool یا 2/4/8/16/32/64 بیتی از نوع صحیح یا مختلط با عناصر شناور 32/64 بیتی یا مقادیر کوانتیزه‌شده به ازای هر تانسور عدد صحیح کوانتیزه‌شده یا عدد صحیح هر محور

mhlo.all_reduce (mhlo::AllReduceOp)

عملیات AllReduce

در هر گروه فرآیند در شبکه فرآیند، یک computation تابع کاهش را برای مقادیر یک تانسور عملوند از هر فرآیند اعمال می‌کند و یک تانسور نتیجه تولید می‌کند. computation به طور جداگانه برای هر عملوند در operands اعمال می شود و یک نتیجه در هر عملوند ایجاد می کند.

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

مثال:

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

صفات: InferTensorType ، SingleBlockImplicitTerminator<ReturnOp> ، SingleBlock

رابط ها: InferShapedTypeOpInterface ، InferTypeOpInterface

ویژگی ها:

صفت	نوع MLIR	توضیحات
replica_groups	::mlir::DenseIntElementsAttr	ویژگی عناصر عدد صحیح بدون علامت 64 بیتی
channel_handle	::mlir::mhlo::ChannelHandleAttr	دو عدد صحیح 64 بیتی 'handle' و 'type'
use_global_device_ids	::mlir::UnitAttr	ویژگی واحد

عملگرها:

عملوند	توضیحات
operands	متغیر تانسور رتبه‌بندی شده 4/6/8/16/32/64 بیتی شناور یا bool یا 2/4/8/16/32/64 بیتی از نوع صحیح یا مختلط با عناصر شناور 32/64 بیتی یا مقادیر کوانتیزه‌شده به ازای هر تانسور عدد صحیح کوانتیزه‌شده یا عدد صحیح هر محور

نتایج:

نتیجه	توضیحات
«بی نام»	متغیر تانسور رتبه‌بندی شده 4/6/8/16/32/64 بیتی شناور یا bool یا 2/4/8/16/32/64 بیتی از نوع صحیح یا مختلط با عناصر شناور 32/64 بیتی یا مقادیر کوانتیزه‌شده به ازای هر تانسور عدد صحیح کوانتیزه‌شده یا عدد صحیح هر محور

mhlo.all_to_all (mhlo::AllToAllOp)

عملیات AllToAll

در هر گروه فرآیند در شبکه فرآیند، مقادیر تانسور operand در امتداد split_dimension به قطعات تقسیم می‌کند، قسمت‌های تقسیم شده را بین فرآیندها پراکنده می‌کند، قطعات پراکنده را در امتداد concat_dimension به هم متصل می‌کند و یک تانسور result تولید می‌کند.

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

مثال:

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

صفات: AlwaysSpeculatableImplTrait , InferTensorType , SameOperandsElementType , SameOperandsShape , SameVariadicOperandSize

رابط ها: ConditionallySpeculatable ، InferShapedTypeOpInterface ، InferTypeOpInterface ، NoMemoryEffect (MemoryEffectOpInterface)

جلوه ها: MemoryEffects::Effect{}

ویژگی ها:

صفت	نوع MLIR	توضیحات
split_dimension	::mlir::IntegerAttr	ویژگی عدد صحیح بدون علامت 64 بیتی که مقدار آن غیر منفی است
concat_dimension	::mlir::IntegerAttr	ویژگی عدد صحیح بدون علامت 64 بیتی که مقدار آن غیر منفی است
split_count	::mlir::IntegerAttr	ویژگی عدد صحیح بدون علامت 64 بیتی که مقدار آن مثبت است
replica_groups	::mlir::DenseIntElementsAttr	ویژگی عناصر عدد صحیح بدون علامت 64 بیتی
channel_handle	::mlir::mhlo::ChannelHandleAttr	دو عدد صحیح 64 بیتی 'handle' و 'type'

عملگرها:

عملوند	توضیحات
operand	متغیر تانسور رتبه‌بندی شده 4/6/8/16/32/64 بیتی شناور یا bool یا 2/4/8/16/32/64 بیتی از نوع صحیح یا مختلط با عناصر شناور 32/64 بیتی یا مقادیر کوانتیزه‌شده به ازای هر تانسور عدد صحیح کوانتیزه‌شده یا عدد صحیح هر محور

نتایج:

نتیجه	توضیحات
«بی نام»	متغیر تانسور رتبه‌بندی شده 4/6/8/16/32/64 بیتی شناور یا bool یا 2/4/8/16/32/64 بیتی از نوع صحیح یا مختلط با عناصر شناور 32/64 بیتی یا مقادیر کوانتیزه‌شده به ازای هر تانسور عدد صحیح کوانتیزه‌شده یا عدد صحیح هر محور

mhlo.and (mhlo::AndOp)

و عملیات

نحو:

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

AND دو تانسور lhs و rhs را از نظر عنصر اجرا می کند و یک تانسور result تولید می کند.

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

مثال:

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

صفات: AlwaysSpeculatableImplTrait , Commutative , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

رابط ها: ConditionallySpeculatable ، InferShapedTypeOpInterface ، InferTypeOpInterface ، NoMemoryEffect (MemoryEffectOpInterface)

جلوه ها: MemoryEffects::Effect{}

عملگرها:

عملوند	توضیحات
lhs	تانسور رتبه بندی شده bool یا مقادیر عدد صحیح 2/4/8/16/32/64 بیتی
rhs	تانسور رتبه بندی شده bool یا مقادیر عدد صحیح 2/4/8/16/32/64 بیتی

نتایج:

نتیجه	توضیحات
result	تانسور رتبه بندی شده 4/6/8/16/32/64 بیتی شناور یا bool یا 2/4/8/16/32/64 بیتی از نوع صحیح یا مختلط با عناصر شناور 32/64 بیتی یا مقادیر کوانتیزه شده به ازای هر تانسور عدد صحیح کوانتیزه شده یا عدد صحیح هر محور

mhlo.asin (mhlo::AsinOp)

عملیات آسین

نحو:

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

عملیات asin از نظر عنصر را بر روی تانسور operand انجام می دهد و یک تانسور result تولید می کند.

مثال:

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

صفات: CompatibleOperandsAndResultType ، Elementwise ، SameOperandsAndResultShape

رابط ها: InferShapedTypeOpInterface ، InferTypeOpInterface

عملگرها:

عملوند	توضیحات
operand	تانسور 4/6/8/16/32/64 بیتی از نوع شناور یا پیچیده با مقادیر عناصر شناور 32/64 بیتی

نتایج:

نتیجه	توضیحات
result	تانسور 4/6/8/16/32/64 بیتی از نوع شناور یا پیچیده با مقادیر عناصر شناور 32/64 بیتی

mhlo.async_done (mhlo::AsyncDoneOp)

عملیات AsyncDone

این عملیات برای کامپایلر XLA خصوصی است، بنابراین هنوز مشخصاتی ندارد.

به طور غیر رسمی، این عملیات تا پایان یک محاسبات ناهمزمان مسدود می شود. نتیجه نهایی محاسبات ناهمزمان را برمی گرداند.

برای اطلاعات بیشتر به مستندات AsyncStart مراجعه کنید.

رابط ها: InferTypeOpInterface

عملگرها:

عملوند	توضیحات
bundle	async_bundle با هر ترکیبی از تانسور رتبه‌بندی‌شده 4/6/8/16/32/64 بیتی شناور یا bool یا 2/4/8/16/32/64 بیتی یا نوع مختلط با عناصر شناور 32/64 بیتی یا مقادیر کوانتیزه‌شده در هر تانسور یا مقادیر کوانتیزه‌شده در هر محور یا مقادیر کوانتیزه‌شده در هر محور

نتایج:

نتیجه

توضیحات

«بی نام»

متغیر تانسور رتبه‌بندی‌شده 4/6/8/16/32/64 بیتی شناور یا bool یا 2/4/8/16/32/64 بیتی از نوع عدد صحیح یا مختلط با عناصر شناور 32/64 بیتی یا عدد صحیح به ازای هر تانسور کوانتیزه‌شده یا ترکیبی از مقادیر صحیح قابل تنظیم در هر محور با هر عدد صحیح کوانتیزه‌شده یا ترکیبی از مقادیر ناهموار یا توکن تانسور 4/6/8/16/32/64 بیتی float یا bool یا 2/4/8/16/32/64 بیتی از نوع صحیح یا مختلط با عناصر شناور 32/64 بیتی یا مقادیر کوانتیزه شده اعداد صحیح در هر تانسور یا memref 4/6/8/16/32/64-bit نوع عدد صحیح یا مختلط 2/4/8/16/32/64 بیتی با عناصر شناور 32/64 بیتی یا مقادیر کوانتیزه عدد صحیح در هر تانسور یا تانسور رتبه‌بندی شده مقادیر کوانتیزه‌شده یا مقادیر نشانه‌ای عدد صحیح در هر محور

mhlo.async_start (mhlo::AsyncStartOp)

عملیات AsyncStart

این عملیات برای کامپایلر XLA خصوصی است، بنابراین هنوز مشخصاتی ندارد.

به طور غیر رسمی، این عملیات یک محاسبات ناهمزمان را آغاز می کند.

این زمانی استفاده می شود که توابعی وجود داشته باشد که شامل انتظارات ناهمزمان (مانند DMA) و محاسبات درون رشته ای باشد. به عنوان مثال، یک تابع ممکن است از یک محاسبه، یک DMA، یک محاسبات دیگر، یک DMA دوم و یک محاسبه نهایی تشکیل شده باشد. این به عنوان async_start و به دنبال آن async_update و async_done نمایش داده می شود. async_start اولین محاسبات را روی رشته انجام می دهد و سپس DMA را شروع می کند. async_update منتظر می ماند تا DMA تکمیل شود اگر هنوز انجام نشده باشد، سپس دومین محاسبه را در تابع اجرا می کند و DMA دوم را شروع می کند. در نهایت، async_done در آخرین DMA منتظر می‌ماند و سپس آخرین محاسباتی را که باید روی رشته اجرا شود اجرا می‌کند و نتیجه محاسبات نهایی را برمی‌گرداند.

operands called_computation طور execution_thread به محاسبات منتقل می شوند. نخ اصلی "اصلی" نامیده می شود. همه رشته ها نام دارند.

این همه حالت مورد نیاز بین عملیات async را برمی گرداند. پس از تخصیص بافر، مقادیر بازگشتی نشان‌دهنده فضای مورد نیاز برای نگهداری ورودی، نتایج، و هرگونه صفحه خراش مورد نیاز یا ویرایش شده توسط async op است.

ویژگی ها:

صفت	نوع MLIR	توضیحات
called_computation	::mlir::FlatSymbolRefAttr	صفت مرجع نماد مسطح
execution_thread	::mlir::StringAttr	ویژگی رشته

عملگرها:

عملوند

توضیحات

inputs

متغیر تانسور رتبه‌بندی‌شده 4/6/8/16/32/64 بیتی شناور یا bool یا 2/4/8/16/32/64 بیتی از نوع عدد صحیح یا مختلط با عناصر شناور 32/64 بیتی یا عدد صحیح به ازای هر تانسور کوانتیزه‌شده یا ترکیبی از مقادیر صحیح قابل تنظیم در هر محور با هر عدد صحیح کوانتیزه‌شده یا ترکیبی از مقادیر ناهموار یا توکن تانسور 4/6/8/16/32/64 بیتی float یا bool یا 2/4/8/16/32/64 بیتی از نوع صحیح یا مختلط با عناصر شناور 32/64 بیتی یا مقادیر کوانتیزه شده اعداد صحیح در هر تانسور یا memref 4/6/8/16/32/64-bit نوع عدد صحیح یا مختلط 2/4/8/16/32/64 بیتی با عناصر شناور 32/64 بیتی یا مقادیر کوانتیزه عدد صحیح در هر تانسور یا تانسور رتبه‌بندی شده مقادیر کوانتیزه‌شده یا مقادیر نشانه‌ای عدد صحیح در هر محور

نتایج:

نتیجه	توضیحات
«بی نام»	async_bundle با هر ترکیبی از تانسور رتبه‌بندی‌شده 4/6/8/16/32/64 بیتی شناور یا bool یا 2/4/8/16/32/64 بیتی یا نوع مختلط با عناصر شناور 32/64 بیتی یا مقادیر کوانتیزه‌شده در هر تانسور یا مقادیر کوانتیزه‌شده در هر محور یا مقادیر کوانتیزه‌شده در هر محور

mhlo.async_update (mhlo::AsyncUpdateOp)

عملیات AsyncUpdate

این عملیات برای کامپایلر XLA خصوصی است، بنابراین هنوز مشخصاتی ندارد.

به طور غیررسمی، این عملیات در یک محاسبات ناهمزمان تا زمانی که مانع همگام‌سازی شود، مسدود می‌شود. این bundle پس از عمل بر روی آن برمی گرداند.

برای اطلاعات بیشتر به مستندات AsyncStart مراجعه کنید.

رابط ها: InferTypeOpInterface

عملگرها:

عملوند	توضیحات
bundle	async_bundle با هر ترکیبی از تانسور رتبه‌بندی‌شده 4/6/8/16/32/64 بیتی شناور یا bool یا 2/4/8/16/32/64 بیتی یا نوع مختلط با عناصر شناور 32/64 بیتی یا مقادیر کوانتیزه‌شده در هر تانسور یا مقادیر کوانتیزه‌شده در هر محور یا مقادیر کوانتیزه‌شده در هر محور

نتایج:

نتیجه	توضیحات
«بی نام»	async_bundle با هر ترکیبی از تانسور رتبه‌بندی‌شده 4/6/8/16/32/64 بیتی شناور یا bool یا 2/4/8/16/32/64 بیتی یا نوع مختلط با عناصر شناور 32/64 بیتی یا مقادیر کوانتیزه‌شده در هر تانسور یا مقادیر کوانتیزه‌شده در هر محور یا مقادیر کوانتیزه‌شده در هر محور

mhlo.atan2 (mhlo::Atan2Op)

عملیات Atan2

نحو:

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

عملیات atan2 را از نظر عنصر روی تانسور lhs و rhs انجام می دهد و یک تانسور result تولید می کند.

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

مثال:

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

صفات: AlwaysSpeculatableImplTrait ، CompatibleOperandsAndResultType ، Elementwise ، SameOperandsAndResultShape

رابط ها: ConditionallySpeculatable ، InferShapedTypeOpInterface ، InferTypeOpInterface ، NoMemoryEffect (MemoryEffectOpInterface)

جلوه ها: MemoryEffects::Effect{}

عملگرها:

عملوند	توضیحات
lhs	تانسور رتبه بندی شده از نوع شناور یا مختلط 4/6/8/16/32/64 بیتی با عناصر شناور 32/64 بیتی یا مقادیر کوانتیزه عدد صحیح در هر تانسور
rhs	تانسور رتبه بندی شده از نوع شناور یا مختلط 4/6/8/16/32/64 بیتی با عناصر شناور 32/64 بیتی یا مقادیر کوانتیزه عدد صحیح در هر تانسور

نتایج:

نتیجه	توضیحات
result	تانسور رتبه بندی شده از نوع شناور یا مختلط 4/6/8/16/32/64 بیتی با عناصر شناور 32/64 بیتی یا مقادیر کوانتیزه عدد صحیح در هر تانسور

mhlo.atanh (mhlo::AtanhOp)

عملیات آتن

نحو:

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

عملیات atanh از نظر عنصر را روی تانسور operand انجام می دهد و یک تانسور result تولید می کند.

مثال:

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

صفات: CompatibleOperandsAndResultType ، Elementwise ، SameOperandsAndResultShape

رابط ها: InferShapedTypeOpInterface ، InferTypeOpInterface

عملگرها:

عملوند	توضیحات
operand	تانسور 4/6/8/16/32/64 بیتی از نوع شناور یا پیچیده با مقادیر عناصر شناور 32/64 بیتی

نتایج:

نتیجه	توضیحات
result	تانسور 4/6/8/16/32/64 بیتی از نوع شناور یا پیچیده با مقادیر عناصر شناور 32/64 بیتی

mhlo.batch_norm_grad (mhlo::BatchNormGradOp)

عملیات BatchNormGrad

گرادیان های چندین ورودی BatchNormTrainingOp را که از grad_output پس انتشار می یابند محاسبه می کند و تانسورهای grad_operand ، grad_scale و grad_offset تولید می کند.

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

مثال:

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

صفات: AlwaysSpeculatableImplTrait ، InferTensorType

رابط ها: ConditionallySpeculatable ، InferShapedTypeOpInterface ، InferTypeOpInterface ، NoMemoryEffect (MemoryEffectOpInterface)

جلوه ها: MemoryEffects::Effect{}

ویژگی ها:

صفت	نوع MLIR	توضیحات
epsilon	::mlir::FloatAttr	ویژگی شناور 32 بیتی
feature_index	::mlir::IntegerAttr	ویژگی عدد صحیح بدون علامت 64 بیتی که مقدار آن غیر منفی است

عملگرها:

عملوند	توضیحات
operand	تانسور رتبه بندی شده مقادیر شناور 4/6/8/16/32/64 بیتی
scale	تانسور 1 بعدی مقادیر شناور 4/6/8/16/32/64 بیتی
mean	تانسور 1 بعدی مقادیر شناور 4/6/8/16/32/64 بیتی
variance	تانسور 1 بعدی مقادیر شناور 4/6/8/16/32/64 بیتی
grad_output	تانسور رتبه بندی شده مقادیر شناور 4/6/8/16/32/64 بیتی

نتایج:

نتیجه	توضیحات
grad_operand	تانسور رتبه بندی شده مقادیر شناور 4/6/8/16/32/64 بیتی
grad_scale	تانسور 1 بعدی مقادیر شناور 4/6/8/16/32/64 بیتی
grad_offset	تانسور 1 بعدی مقادیر شناور 4/6/8/16/32/64 بیتی

mhlo.batch_norm_inference (mhlo::BatchNormInferenceOp)

عملیات BatchNormInference

تانسور operand در تمام ابعاد به جز بعد feature_index عادی می کند و یک تانسور result تولید می کند.

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

مثال:

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

صفات: AlwaysSpeculatableImplTrait ، InferTensorType

رابط ها: ConditionallySpeculatable ، InferShapedTypeOpInterface ، InferTypeOpInterface ، NoMemoryEffect (MemoryEffectOpInterface)

جلوه ها: MemoryEffects::Effect{}

ویژگی ها:

صفت	نوع MLIR	توضیحات
epsilon	::mlir::FloatAttr	ویژگی float 32 بیتی
feature_index	::mlir::IntegerAttr	ویژگی عدد صحیح بدون علامت 64 بیتی که مقدار آن غیر منفی است

عملگرها:

عملوند	توضیحات
operand	تانسور رتبه بندی شده مقادیر شناور 4/6/8/16/32/64 بیتی
scale	تانسور 1 بعدی مقادیر شناور 4/6/8/16/32/64 بیتی
offset	تانسور 1 بعدی مقادیر شناور 4/6/8/16/32/64 بیتی
mean	تانسور 1 بعدی مقادیر شناور 4/6/8/16/32/64 بیتی
variance	تانسور 1 بعدی مقادیر شناور 4/6/8/16/32/64 بیتی

نتایج:

نتیجه	توضیحات
result	تانسور رتبه بندی شده مقادیر شناور 4/6/8/16/32/64 بیتی

mhlo.batch_norm_training (mhlo::BatchNormTrainingOp)

عملیات BatchNormTraining

میانگین و واریانس را در ابعاد دسته ای و فضایی محاسبه می کند و تانسور operand را برای هر ویژگی در بعد feature_index عادی می کند و تانسورهای output ، batch_mean و batch_var تولید می کند.

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

مثال:

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

صفات: AlwaysSpeculatableImplTrait ، InferTensorType

رابط ها: ConditionallySpeculatable ، InferShapedTypeOpInterface ، InferTypeOpInterface ، NoMemoryEffect (MemoryEffectOpInterface)

جلوه ها: MemoryEffects::Effect{}

ویژگی ها:

صفت	نوع MLIR	توضیحات
epsilon	::mlir::FloatAttr	ویژگی شناور 32 بیتی
feature_index	::mlir::IntegerAttr	ویژگی عدد صحیح بدون علامت 64 بیتی که مقدار آن غیر منفی است

عملگرها:

عملوند	توضیحات
operand	تانسور رتبه بندی شده مقادیر شناور 4/6/8/16/32/64 بیتی
scale	تانسور 1 بعدی مقادیر شناور 4/6/8/16/32/64 بیتی
offset	تانسور 1 بعدی مقادیر شناور 4/6/8/16/32/64 بیتی

نتایج:

نتیجه	توضیحات
output	تانسور رتبه بندی شده مقادیر شناور 4/6/8/16/32/64 بیتی
batch_mean	تانسور 1 بعدی مقادیر شناور 4/6/8/16/32/64 بیتی
batch_var	تانسور 1 بعدی مقادیر شناور 4/6/8/16/32/64 بیتی

mhlo.bitcast (mhlo::BitcastOp)

عملیات بیتکست

نحو:

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

این عملیات برای کامپایلر XLA خصوصی است، بنابراین هنوز مشخصاتی ندارد.

به طور غیررسمی، این عملیات شکل ورودی را به گونه ای تغییر می دهد که آرایش فیزیکی عناصر بدون تغییر است.

این عملیات به اطلاعات چیدمان نیاز دارد تا «آرایش فیزیکی عناصر» را بفهمد، و پشتیبانی چیدمان در MHLO در حال حاضر در حال انجام است.

مثال:

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

صفات: AlwaysSpeculatableImplTrait

رابط ها: ConditionallySpeculatable ، NoMemoryEffect (MemoryEffectOpInterface)

جلوه ها: MemoryEffects::Effect{}

عملگرها:

عملوند	توضیحات
operand	تانسور رتبه بندی شده 4/6/8/16/32/64 بیتی شناور یا bool یا 2/4/8/16/32/64 بیتی از نوع صحیح یا مختلط با عناصر شناور 32/64 بیتی یا مقادیر کوانتیزه شده به ازای هر تانسور عدد صحیح کوانتیزه شده یا عدد صحیح هر محور

نتایج:

نتیجه	توضیحات
«بی نام»	تانسور رتبه بندی شده 4/6/8/16/32/64 بیتی شناور یا bool یا 2/4/8/16/32/64 بیتی از نوع صحیح یا مختلط با عناصر شناور 32/64 بیتی یا مقادیر کوانتیزه شده به ازای هر تانسور عدد صحیح کوانتیزه شده یا عدد صحیح هر محور

mhlo.bitcast_convert (mhlo::BitcastConvertOp)

عملیات BitcastConvert

نحو:

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

یک عملیات بیت‌کست را روی تانسور operand انجام می‌دهد و یک تانسور result تولید می‌کند که در آن بیت‌های کل تانسور operand با استفاده از نوع تانسور result تفسیر مجدد می‌شوند.

ببینید: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#bitcast_convert

مثال:

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

صفات: AlwaysSpeculatableImplTrait

رابط ها: ConditionallySpeculatable ، InferShapedTypeOpInterface ، NoMemoryEffect (MemoryEffectOpInterface)

جلوه ها: MemoryEffects::Effect{}

عملگرها:

عملوند	توضیحات
operand	تانسور رتبه بندی شده 4/6/8/16/32/64 بیتی شناور یا bool یا 2/4/8/16/32/64 بیتی از نوع صحیح یا مختلط با عناصر شناور 32/64 بیتی یا مقادیر کوانتیزه شده به ازای هر تانسور عدد صحیح کوانتیزه شده یا عدد صحیح هر محور

نتایج:

نتیجه	توضیحات
«بی نام»	تانسور رتبه بندی شده 4/6/8/16/32/64 بیتی شناور یا bool یا 2/4/8/16/32/64 بیتی از نوع صحیح یا مختلط با عناصر شناور 32/64 بیتی یا مقادیر کوانتیزه شده به ازای هر تانسور عدد صحیح کوانتیزه شده یا عدد صحیح هر محور

mhlo.broadcast (mhlo::BroadcastOp)

عملیات پخش

این عملیات در راه خروج از StableHLO است، بنابراین در مشخصات گنجانده نشده است: https://github.com/openxla/stablehlo/issues/3

به طور غیررسمی، این عملیات همان کار پخش XLA را انجام می دهد: https://www.tensorflow.org/xla/operation_semantics#broadcast

مثال:

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

صفات: AlwaysSpeculatableImplTrait , InferTensorType , SameOperandsAndResultElementType

رابط ها: ConditionallySpeculatable ، InferShapedTypeOpInterface ، InferTypeOpInterface ، NoMemoryEffect (MemoryEffectOpInterface)

جلوه ها: MemoryEffects::Effect{}

ویژگی ها:

صفت	نوع MLIR	توضیحات
broadcast_sizes	::mlir::DenseIntElementsAttr	ویژگی عناصر عدد صحیح بدون علامت 64 بیتی

عملگرها:

عملوند	توضیحات
operand	تانسور رتبه بندی شده 4/6/8/16/32/64 بیتی شناور یا bool یا 2/4/8/16/32/64 بیتی از نوع صحیح یا مختلط با عناصر شناور 32/64 بیتی یا مقادیر کوانتیزه شده به ازای هر تانسور عدد صحیح کوانتیزه شده یا عدد صحیح هر محور

نتایج:

نتیجه	توضیحات
«بی نام»	تانسور رتبه بندی شده 4/6/8/16/32/64 بیتی شناور یا bool یا 2/4/8/16/32/64 بیتی از نوع صحیح یا مختلط با عناصر شناور 32/64 بیتی یا مقادیر کوانتیزه شده به ازای هر تانسور عدد صحیح کوانتیزه شده یا عدد صحیح هر محور

mhlo.broadcast_in_dim (mhlo::BroadcastInDimOp)

عملیات BroadcastInDim

ابعاد و/یا رتبه یک تانسور ورودی را با کپی کردن داده ها در تانسور operand گسترش می دهد و یک تانسور result تولید می کند.

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

مثال:

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

صفات: AlwaysSpeculatableImplTrait ، HLO_CompatibleOperandsAndResultElementType

رابط ها: ConditionallySpeculatable ، NoMemoryEffect (MemoryEffectOpInterface)

جلوه ها: MemoryEffects::Effect{}

ویژگی ها:

صفت	نوع MLIR	توضیحات
broadcast_dimensions	::mlir::DenseIntElementsAttr	ویژگی عناصر عدد صحیح بدون علامت 64 بیتی

عملگرها:

عملوند	توضیحات
operand	تانسور رتبه بندی شده 4/6/8/16/32/64 بیتی شناور یا bool یا 2/4/8/16/32/64 بیتی از نوع صحیح یا مختلط با عناصر شناور 32/64 بیتی یا مقادیر کوانتیزه شده به ازای هر تانسور عدد صحیح کوانتیزه شده یا عدد صحیح هر محور

نتایج:

نتیجه	توضیحات
«بی نام»	تانسور ابعاد استاتیک یا محدود تکی 4/6/8/16/32/64 بیتی شناور یا bool یا 2/4/8/16/32/64 بیتی از نوع صحیح یا مختلط با عناصر شناور 32/64 بیتی یا هر عدد صحیح کوانتیزه شده یا مقدار کوانتیزه شده هر محور عدد صحیح

mhlo.case (mhlo::CaseOp)

عملیات کیس

خروجی را از اجرای دقیقاً یک function از branches بسته به مقدار index تولید می کند.

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

مثال:

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

ویژگی ها: RecursiveMemoryEffects ، SingleBlockImplicitTerminator<ReturnOp> ، SingleBlock

رابط ها: InferTypeOpInterface

عملگرها:

عملوند	توضیحات
index	تانسور مقادیر صحیح بدون علامت 32 بیتی

نتایج:

نتیجه	توضیحات
«بی نام»	تنوع تانسور رتبه‌بندی‌شده 4/6/8/16/32/64 بیتی شناور یا bool یا 2/4/8/16/32/64 بیتی از نوع صحیح یا مختلط با عناصر شناور 32/64 بیتی یا مقادیر کوانتیزه شده هر تانسور یا تانسور رتبه‌بندی شده از مقادیر کوانتیزه شده در هر محور یا عدد صحیح

mhlo.cbrt (mhlo::CbrtOp)

عملیات Cbrt

نحو:

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

عملیات ریشه مکعب عنصر را روی تانسور operand انجام می دهد و یک تانسور result تولید می کند.

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

مثال:

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

صفات: AlwaysSpeculatableImplTrait ، CompatibleOperandsAndResultType ، Elementwise ، SameOperandsAndResultShape

رابط ها: ConditionallySpeculatable ، InferShapedTypeOpInterface ، InferTypeOpInterface ، NoMemoryEffect (MemoryEffectOpInterface)

جلوه ها: MemoryEffects::Effect{}

ویژگی ها:

صفت	نوع MLIR	توضیحات
result_accuracy	::mlir::mhlo::ResultAccuracyAttr	دقت درخواستی برای عملیات unary.

عملگرها:

عملوند	توضیحات
operand	تانسور رتبه بندی شده از نوع شناور یا مختلط 4/6/8/16/32/64 بیتی با عناصر شناور 32/64 بیتی یا مقادیر کوانتیزه عدد صحیح در هر تانسور

نتایج:

نتیجه	توضیحات
result	تانسور رتبه بندی شده از نوع شناور یا مختلط 4/6/8/16/32/64 بیتی با عناصر شناور 32/64 بیتی یا مقادیر کوانتیزه عدد صحیح در هر تانسور

mhlo.ceil (mhlo::CeilOp)

عملیات سقف

نحو:

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

سقف عنصری تانسور operand را انجام می دهد و یک تانسور result تولید می کند.

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

مثال:

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

صفات: AlwaysSpeculatableImplTrait ، CompatibleOperandsAndResultType ، Elementwise ، SameOperandsAndResultShape

رابط ها: ConditionallySpeculatable ، InferShapedTypeOpInterface ، InferTypeOpInterface ، NoMemoryEffect (MemoryEffectOpInterface)

جلوه ها: MemoryEffects::Effect{}

عملگرها:

عملوند	توضیحات
operand	تانسور رتبه بندی شده 4/6/8/16/32/64 بیتی شناور یا مقادیر کوانتیزه هر عدد صحیح در هر تانسور

نتایج:

نتیجه	توضیحات
result	تانسور رتبه بندی شده 4/6/8/16/32/64 بیتی شناور یا مقادیر کوانتیزه هر عدد صحیح در هر تانسور

mhlo.cholesky (mhlo::CholeskyOp)

عملیات Cholesky

تجزیه Cholesky دسته ای از ماتریس ها را محاسبه می کند.

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

مثال:

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

صفات: AlwaysSpeculatableImplTrait , InferTensorType , SameOperandsAndResultElementType

رابط ها: ConditionallySpeculatable ، InferShapedTypeOpInterface ، InferTypeOpInterface ، NoMemoryEffect (MemoryEffectOpInterface)

جلوه ها: MemoryEffects::Effect{}

ویژگی ها:

صفت	نوع MLIR	توضیحات
lower	::mlir::BoolAttr	ویژگی bool

عملگرها:

عملوند	توضیحات
a	تانسور رتبه بندی شده از نوع شناور یا مختلط 4/6/8/16/32/64 بیتی با مقادیر عناصر شناور 32/64 بیتی

نتایج:

نتیجه	توضیحات
«بی نام»	تانسور رتبه بندی شده از نوع شناور یا مختلط 4/6/8/16/32/64 بیتی با مقادیر عناصر شناور 32/64 بیتی

mhlo.clamp (mhlo::ClampOp)

عملکرد گیره

نحو:

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

هر عنصر تانسور operand بین یک مقدار حداقل و حداکثر می‌بندد و یک تانسور result تولید می‌کند.

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

مثال:

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

صفات: AlwaysSpeculatableImplTrait ، HLO_BroadcastingElementwise ، InferTensorType ، SameOperandsAndResultElementType

رابط ها: ConditionallySpeculatable ، InferShapedTypeOpInterface ، InferTypeOpInterface ، NoMemoryEffect (MemoryEffectOpInterface)

جلوه ها: MemoryEffects::Effect{}

عملگرها:

عملوند	توضیحات
min	تانسور رتبه بندی شده 4/6/8/16/32/64 بیتی شناور یا bool یا 2/4/8/16/32/64 بیتی از نوع صحیح یا مختلط با عناصر شناور 32/64 بیتی یا مقادیر کوانتیزه شده به ازای هر تانسور عدد صحیح کوانتیزه شده یا عدد صحیح هر محور
operand	تانسور رتبه بندی شده 4/6/8/16/32/64 بیتی شناور یا bool یا 2/4/8/16/32/64 بیتی از نوع صحیح یا مختلط با عناصر شناور 32/64 بیتی یا مقادیر کوانتیزه شده به ازای هر تانسور عدد صحیح کوانتیزه شده یا عدد صحیح هر محور
max	تانسور رتبه بندی شده 4/6/8/16/32/64 بیتی شناور یا bool یا 2/4/8/16/32/64 بیتی از نوع صحیح یا مختلط با عناصر شناور 32/64 بیتی یا مقادیر کوانتیزه شده به ازای هر تانسور عدد صحیح کوانتیزه شده یا عدد صحیح هر محور

نتایج:

نتیجه	توضیحات
result	تانسور رتبه بندی شده 4/6/8/16/32/64 بیتی شناور یا bool یا 2/4/8/16/32/64 بیتی از نوع صحیح یا مختلط با عناصر شناور 32/64 بیتی یا مقادیر کوانتیزه شده به ازای هر تانسور عدد صحیح کوانتیزه شده یا عدد صحیح هر محور

mhlo.collective_broadcast (mhlo::CollectiveBroadcastOp)

عملیات پخش جمعی

در هر گروه فرآیندی در شبکه فرآیند، مقدار تانسور operand را از فرآیند منبع به فرآیندهای هدف ارسال کنید و یک تانسور result تولید کنید.

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

مثال:

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

صفات: CompatibleOperandsAndResultType

رابط ها: InferShapedTypeOpInterface ، InferTypeOpInterface

ویژگی ها:

صفت	نوع MLIR	توضیحات
replica_groups	::mlir::DenseIntElementsAttr	ویژگی عناصر عدد صحیح بدون علامت 64 بیتی
channel_handle	::mlir::mhlo::ChannelHandleAttr	دو عدد صحیح 64 بیتی 'handle' و 'type'

عملگرها:

عملوند	توضیحات
operand	تانسور رتبه بندی شده 4/6/8/16/32/64 بیتی شناور یا bool یا 2/4/8/16/32/64 بیتی از نوع صحیح یا مختلط با عناصر شناور 32/64 بیتی یا مقادیر کوانتیزه شده به ازای هر تانسور عدد صحیح کوانتیزه شده یا عدد صحیح هر محور

نتایج:

نتیجه	توضیحات
«بی نام»	تانسور رتبه بندی شده 4/6/8/16/32/64 بیتی شناور یا bool یا 2/4/8/16/32/64 بیتی از نوع صحیح یا مختلط با عناصر شناور 32/64 بیتی یا مقادیر کوانتیزه شده به ازای هر تانسور عدد صحیح کوانتیزه شده یا عدد صحیح هر محور

mhlo.collective_permute (mhlo::CollectivePermuteOp)

عملیات CollectivePermute

در هر گروه فرآیندی در شبکه فرآیند، مقدار تانسور operand را از فرآیند منبع به فرآیند هدف ارسال می‌کند و یک تانسور result تولید می‌کند.

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

مثال:

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

صفات: AlwaysSpeculatableImplTrait ، CompatibleOperandsAndResultType

رابط ها: ConditionallySpeculatable ، InferShapedTypeOpInterface ، InferTypeOpInterface ، NoMemoryEffect (MemoryEffectOpInterface)

جلوه ها: MemoryEffects::Effect{}

ویژگی ها:

صفت	نوع MLIR	توضیحات
source_target_pairs	::mlir::DenseIntElementsAttr	ویژگی عناصر عدد صحیح بدون علامت 64 بیتی
channel_handle	::mlir::mhlo::ChannelHandleAttr	دو عدد صحیح 64 بیتی 'handle' و 'type'

عملگرها:

عملوند	توضیحات
operand	تانسور رتبه بندی شده 4/6/8/16/32/64 بیتی شناور یا bool یا 2/4/8/16/32/64 بیتی از نوع صحیح یا مختلط با عناصر شناور 32/64 بیتی یا مقادیر کوانتیزه شده به ازای هر تانسور عدد صحیح کوانتیزه شده یا عدد صحیح هر محور

نتایج:

نتیجه	توضیحات
«بی نام»	تانسور رتبه بندی شده 4/6/8/16/32/64 بیتی شناور یا bool یا 2/4/8/16/32/64 بیتی از نوع صحیح یا مختلط با عناصر شناور 32/64 بیتی یا مقادیر کوانتیزه شده به ازای هر تانسور عدد صحیح کوانتیزه شده یا عدد صحیح هر محور

mhlo.compare (mhlo::CompareOp)

مقایسه عملکرد

نحو:

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

مقایسه عنصری تانسورهای lhs و rhs را با توجه به comparison_direction و compare_type انجام می‌دهد و یک تانسور result تولید می‌کند.

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

مثال:

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

صفات: AlwaysSpeculatableImplTrait , Elementwise , InferTensorType , SameOperandsAndResultShape , SameOperandsElementType

رابط ها: ConditionallySpeculatable ، InferShapedTypeOpInterface ، InferTypeOpInterface ، NoMemoryEffect (MemoryEffectOpInterface)

جلوه ها: MemoryEffects::Effect{}

ویژگی ها:

صفت	نوع MLIR	توضیحات
comparison_direction	::mlir::mhlo::ComparisonDirectionAttr	کدام عملیات مقایسه انجام شود.
compare_type	::mlir::mhlo::ComparisonTypeAttr	از کدام نوع مقایسه استفاده کنید.

عملگرها:

عملوند	توضیحات
lhs	تانسور رتبه بندی شده 4/6/8/16/32/64 بیتی شناور یا bool یا 2/4/8/16/32/64 بیتی از نوع صحیح یا مختلط با عناصر شناور 32/64 بیتی یا مقادیر کوانتیزه شده به ازای هر تانسور عدد صحیح کوانتیزه شده یا عدد صحیح هر محور
rhs	تانسور رتبه بندی شده 4/6/8/16/32/64 بیتی شناور یا bool یا 2/4/8/16/32/64 بیتی از نوع صحیح یا مختلط با عناصر شناور 32/64 بیتی یا مقادیر کوانتیزه شده به ازای هر تانسور عدد صحیح کوانتیزه شده یا عدد صحیح هر محور

نتایج:

نتیجه	توضیحات
«بی نام»	تانسور رتبه بندی مقادیر bool

mhlo.complex (mhlo::ComplexOp)

عملیات پیچیده

نحو:

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

از یک جفت مقدار واقعی و خیالی، lhs و rhs ، تبدیل عنصری را به یک مقدار مختلط انجام می‌دهد و یک تانسور result تولید می‌کند.

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

مثال:

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

صفات: AlwaysSpeculatableImplTrait , Elementwise , SameOperandsAndResultShape , SameOperandsElementType

رابط ها: ConditionallySpeculatable ، InferShapedTypeOpInterface ، InferTypeOpInterface ، NoMemoryEffect (MemoryEffectOpInterface)

جلوه ها: MemoryEffects::Effect{}

عملگرها:

عملوند	توضیحات
lhs	تانسور رتبه بندی شده مقادیر شناور 32/64 بیتی
rhs	تانسور رتبه بندی شده مقادیر شناور 32/64 بیتی

نتایج:

نتیجه	توضیحات
result	تانسور رتبه بندی شده از نوع مختلط با مقادیر عناصر شناور 32/64 بیتی

mhlo.composite (mhlo::CompositeOp)

عملیات ترکیبی

نحو:

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

عملیات ساخته شده (تشکیل شده) از سایر عملیات StableHlo را محاصره می کند ، از inputs و composite_attributes استفاده می کند و results تولید می کند. معناشناسی OP توسط ویژگی decomposition اجرا می شود. composite OP را می توان با تجزیه آن بدون تغییر معانی برنامه جایگزین کرد. در مواردی که در حال تجزیه تجزیه ، همان معانی OP را ارائه نمی دهد ، استفاده از custom_call ترجیح می دهید.

قسمت version (پیش فرض 0 ) برای نشان دادن هنگام تغییر معانی کامپوزیت استفاده می شود.

نگاه کنید به: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#composite

مثال:

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

رابط ها: SymbolUserOpInterface

ویژگی ها:

صفت	نوع MLIR	توضیحات
name	:: mlir :: stringAttr	ویژگی رشته
composite_attributes	:: mlir :: dictionaryattr	فرهنگ لغت مقادیر ویژگی های نامگذاری شده
decomposition	:: mlir :: flatsymbolrefattr	ویژگی مرجع نماد صاف
version	:: mlir :: integerattr	ویژگی عدد صحیح 32 بیتی بدون امضا

عملیات:

عملوند

توضیحات

inputs

متغیر تانسور رتبه بندی شده از شناور 4/6/8/16/16/64/64 بیتی یا بول یا 2/4/16/32/64 بیتی با عناصر شناور 32/64 بیتی یا عناصر شناور 32/64 بیتی یا در هر محور به اندازه گیری یا هر محور مقادیر اندازه گیری شده یا مقادیر مقادیر اندازه گیری یا هرگونه ترکیب با هر یک از آنها با هم در هر محور. شناور 4/6/8/16/16/32/64 بیتی یا بول یا 2/4/16/16/32/64 بیتی یا نوع پیچیده با عناصر شناور 32/64 بیتی یا مقادیر کمیته در هر تنیسور یا memref از 4/6/8/32/32/64 بیتی شناور یا شناور یا BOOL یا BOOL یا BOOL یا BOOL یا BOOL یا BOOL یا 2/4/8/16/32/64 بیتی عدد صحیح یا نوع پیچیده با عناصر شناور 32/64 بیتی یا مقادیر کمیته عدد صحیح در هر تونسور یا تانسور رتبه بندی مقادیر کم اندازه گیری در هر محور یا مقادیر توکن

نتایج:

نتیجه

توضیحات

«بی نام»

متغیر تانسور رتبه بندی شده از شناور 4/6/8/16/16/64/64 بیتی یا بول یا 2/4/16/32/64 بیتی با عناصر شناور 32/64 بیتی یا عناصر شناور 32/64 بیتی یا در هر محور به اندازه گیری یا هر محور مقادیر اندازه گیری شده یا مقادیر مقادیر اندازه گیری یا هرگونه ترکیب با هر یک از آنها با هم در هر محور. شناور 4/6/8/16/16/32/64 بیتی یا بول یا 2/4/16/16/32/64 بیتی یا نوع پیچیده با عناصر شناور 32/64 بیتی یا مقادیر کمیته در هر تنیسور یا memref از 4/6/8/32/32/64 بیتی شناور یا شناور یا BOOL یا BOOL یا BOOL یا BOOL یا BOOL یا BOOL یا 2/4/8/16/32/64 بیتی عدد صحیح یا نوع پیچیده با عناصر شناور 32/64 بیتی یا مقادیر کمیته عدد صحیح در هر تونسور یا تانسور رتبه بندی مقادیر کم اندازه گیری در هر محور یا مقادیر توکن

mhlo.concatenate (mhlo :: concatenateop)

عمل

تعداد متغیرهای تانسور در inputs در ابعاد dimension به همان ترتیب آرگومان های داده شده را به هم می پیوندد و تانسور result تولید می کند.

نگاه کنید به: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#concatenate

مثال:

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

صفات: AlwaysSpeculatableImplTrait ، SameOperandsAndResultElementType

رابط ها: ConditionallySpeculatable ، InferShapedTypeOpInterface ، InferTypeOpInterface ، NoMemoryEffect (MemoryEffectOpInterface)

اثرات: MemoryEffects::Effect{}

ویژگی ها:

صفت	نوع MLIR	توضیحات
dimension	:: mlir :: integerattr	ویژگی عدد صحیح 64 بیتی که ارزش آن غیر منفی است

عملیات:

عملوند	توضیحات
val	متغیر تانسور رتبه بندی شده از شناور 4/6/8/16/16/64 بیتی یا بول یا 2/4/16/32/64 بیتی با عناصر شناور 32/64 بیتی یا مقادیر درجه یک در هر محوره مقادیر تعیین شده

نتایج:

نتیجه	توضیحات
«بی نام»	تانسور رتبه بندی شده از شناور 4/6/8/16/32/64 بیتی یا بول یا 2/4/16/32/64 بیتی یا نوع پیچیده با عناصر شناور 32/64 بیتی یا مقادیر کمی عدد عدد صحیح یا در هر محور عدد عدد صحیح است.

mhlo.constant (mhlo :: constantop)

عمل ثابت

یک تانسور output از یک value ثابت تولید می کند.

نگاه کنید به: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#constant

مثال:

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

صفات: AlwaysSpeculatableImplTrait SpeculatableImpltrait ، ConstantLike

رابط ها: ConditionallySpeculatable ، InferTypeOpInterface ، NoMemoryEffect (MemoryEffectOpInterface)

اثرات: MemoryEffects::Effect{}

ویژگی ها:

صفت	نوع MLIR	توضیحات
value	:: mlir :: leasementattr	ویژگی بردار/تانسور ثابت

نتایج:

نتیجه	توضیحات
output	تانسور به صورت آماری شکل 4/6/16/16/32/64 بیتی شناور یا بول یا 2/4/16/32/64 بیتی یا نوع پیچیده با عناصر شناور 32/64 بیتی یا مقادیر اندازه گیری اندازه گیری کم اندازه یا هر محور در هر محور

mhlo.convert (mhlo :: convertop)

تبدیل عمل

نحو:

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

تبدیل عناصر عاقلانه از یک عنصر به نوع دیگر در تانسور operand را انجام می دهد و یک تانسور result تولید می کند.

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

مثال:

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

صفات: AlwaysSpeculatableImplTrait ، Elementwise ، SameOperandsAndResultShape

رابط ها: ConditionallySpeculatable ، InferShapedTypeOpInterface ، NoMemoryEffect (MemoryEffectOpInterface)

اثرات: MemoryEffects::Effect{}

عملیات:

عملوند	توضیحات
operand	تانسور رتبه بندی شده از شناور 4/6/8/16/32/64 بیتی یا بول یا 2/4/16/32/64 بیتی یا نوع پیچیده با عناصر شناور 32/64 بیتی یا مقادیر کمی عدد عدد صحیح یا در هر محور عدد عدد صحیح است.

نتایج:

نتیجه	توضیحات
result	تانسور رتبه بندی شده از شناور 4/6/8/16/32/64 بیتی یا بول یا 2/4/16/32/64 بیتی یا نوع پیچیده با عناصر شناور 32/64 بیتی یا مقادیر کمی عدد عدد صحیح یا در هر محور عدد عدد صحیح است.

mhlo.convolution (mhlo :: convolutionop)

عملیات پیچیدگی

نحو:

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

محصولات DOT را بین ویندوز lhs و برش های rhs محاسبه می کند و result تولید می کند.

نگاه کنید به: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#convolution

مثال:

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

صفات: AlwaysSpeculatableImplTrait

رابط ها: ConditionallySpeculatable ، NoMemoryEffect (MemoryEffectOpInterface)

اثرات: MemoryEffects::Effect{}

ویژگی ها:

صفت	نوع MLIR	توضیحات
window_strides	:: mlir :: denseintelementsattr	ویژگی عناصر عدد صحیح 64 بیتی
padding	:: mlir :: denseintelementsattr	ویژگی عناصر عدد صحیح 64 بیتی
lhs_dilation	:: mlir :: denseintelementsattr	ویژگی عناصر عدد صحیح 64 بیتی
rhs_dilation	:: mlir :: denseintelementsattr	ویژگی عناصر عدد صحیح 64 بیتی
window_reversal	:: mlir :: denseElementSattr	ویژگی بردار/تانسور بولی ثابت
dimension_numbers	:: mlir :: mhlo :: convdimensionNumbersattr	ساختار اطلاعات ابعادی برای کنفرانس
feature_group_count	:: mlir :: integerattr	ویژگی عدد صحیح 64 بیتی که ارزش آن مثبت است
batch_group_count	:: mlir :: integerattr	ویژگی عدد صحیح 64 بیتی که ارزش آن مثبت است
precision_config	:: mlir :: arrayattr	ویژگی پیکربندی دقیق

عملیات:

عملوند	توضیحات
lhs	تانسور رتبه بندی شده از شناور 4/6/8/16/32/64 بیتی یا بول یا 2/4/16/32/64 بیتی یا نوع پیچیده با عناصر شناور 32/64 بیتی یا مقادیر کمی عدد عدد صحیح یا در هر محور عدد عدد صحیح است.
rhs	تانسور رتبه بندی شده از شناور 4/6/8/16/32/64 بیتی یا بول یا 2/4/16/32/64 بیتی یا نوع پیچیده با عناصر شناور 32/64 بیتی یا مقادیر کمی عدد عدد صحیح یا در هر محور عدد عدد صحیح است.

نتایج:

نتیجه	توضیحات
«بی نام»	تانسور رتبه بندی شده از شناور 4/6/8/16/32/64 بیتی یا بول یا 2/4/16/32/64 بیتی یا نوع پیچیده با عناصر شناور 32/64 بیتی یا مقادیر کمی عدد عدد صحیح یا در هر محور عدد عدد صحیح است.

mhlo.copy (mhlo :: copyop)

عملیات کپی

نحو:

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

این عملیات برای کامپایلر XLA خصوصی است ، بنابراین هنوز مشخصات آن را ندارد.

به طور غیررسمی ، این عمل یک نسخه از operand است. بسته به ابرداده متصل به این عملیات ، می تواند کاملاً متفاوت از یک OP رفتار کند.

مثال:

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

صفات: AlwaysSpeculatableImplTrait ، CompatibleOperandsAndResultType ، Elementwise

رابط ها: ConditionallySpeculatable ، InferShapedTypeOpInterface ، InferTypeOpInterface ، NoMemoryEffect (MemoryEffectOpInterface)

اثرات: MemoryEffects::Effect{}

ویژگی ها:

صفت	نوع MLIR	توضیحات
cross_program_prefetch_index	:: mlir :: integerattr	ویژگی عدد صحیح 32 بیتی بدون امضا

عملیات:

عملوند

توضیحات

operand

تانسور رتبه بندی شده از شناور 4/6/8/16/6/64/64 بیتی یا بول یا 2/4/16/6/64 بیتی یا نوع پیچیده با عناصر شناور 32/64 بیتی یا مقادیر کمیت اندازه گیری در هر محور یا در هر محور مقادیر اندازه گیری یا هر نوع توکن یا توکن با استفاده از هرگونه ترکیبی از تنش تنش با هر یک شناور 4/6/8/16/16/32/64 بیتی یا بول یا 2/4/16/16/32/64 بیتی یا نوع پیچیده با عناصر شناور 32/64 بیتی یا مقادیر کمیته در هر تنیسور یا memref از 4/6/8/32/32/64 بیتی شناور یا شناور یا BOOL یا BOOL یا BOOL یا BOOL یا BOOL یا BOOL یا 2/4/8/16/32/64 بیتی عدد صحیح یا نوع پیچیده با عناصر شناور 32/64 بیتی یا مقادیر کمیته عدد صحیح در هر تونسور یا تانسور رتبه بندی مقادیر کم اندازه گیری در هر محور یا مقادیر توکن

نتایج:

نتیجه

توضیحات

result

تانسور رتبه بندی شده از شناور 4/6/8/16/6/64/64 بیتی یا بول یا 2/4/16/6/64 بیتی یا نوع پیچیده با عناصر شناور 32/64 بیتی یا مقادیر کمیت اندازه گیری در هر محور یا در هر محور مقادیر اندازه گیری یا هر نوع توکن یا توکن با استفاده از هرگونه ترکیبی از تنش تنش با هر یک شناور 4/6/8/16/16/32/64 بیتی یا بول یا 2/4/16/16/32/64 بیتی یا نوع پیچیده با عناصر شناور 32/64 بیتی یا مقادیر کمیته در هر تنیسور یا memref از 4/6/8/32/32/64 بیتی شناور یا شناور یا BOOL یا BOOL یا BOOL یا BOOL یا BOOL یا BOOL یا 2/4/8/16/32/64 بیتی عدد صحیح یا نوع پیچیده با عناصر شناور 32/64 بیتی یا مقادیر کمیته عدد صحیح در هر تونسور یا تانسور رتبه بندی مقادیر کم اندازه گیری در هر محور یا مقادیر توکن

mhlo.cosh (mhlo :: coshop)

عمل جراحی

نحو:

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

عملکرد COSH عناوین را بر روی تانسور operand انجام می دهد و تانسور result ای را تولید می کند.

مثال:

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

صفات: CompatibleOperandsAndResultType ، Elementwise ، SameOperandsAndResultShape

رابط ها: InferShapedTypeOpInterface ، InferTypeOpInterface

عملیات:

عملوند	توضیحات
operand	تانسور از شناور 4/6/8/16/32/64 بیتی یا نوع پیچیده با مقادیر عناصر شناور 32/64 بیتی

نتایج:

نتیجه	توضیحات
result	تانسور از شناور 4/6/8/16/32/64 بیتی یا نوع پیچیده با مقادیر عناصر شناور 32/64 بیتی

mhlo.cosine (mhlo :: cosineop)

عمل

نحو:

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

عملکرد کنجین عناصر را بر روی تانسور operand انجام می دهد و تانسور result ای را تولید می کند.

نگاه کنید به: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#cosine

مثال:

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

صفات: AlwaysSpeculatableImplTrait speculatableImpltrait ، CompatibleOperandsAndResultType ، Elementwise ، SameOperandsAndResultShape

رابط ها: ConditionallySpeculatable ، InferShapedTypeOpInterface ، InferTypeOpInterface ، NoMemoryEffect (MemoryEffectOpInterface)

اثرات: MemoryEffects::Effect{}

ویژگی ها:

صفت	نوع MLIR	توضیحات
result_accuracy	:: mlir :: mhlo :: resultAccuracyAttr	دقت درخواست شده برای Ounary Ops.

عملیات:

عملوند	توضیحات
operand	تانسور رتبه بندی شده از شناور 4/6/8/16/16/32/64 بیتی یا نوع پیچیده با عناصر شناور 32/64 بیتی یا مقادیر کمیته عدد صحیح در هر ده

نتایج:

نتیجه	توضیحات
result	تانسور رتبه بندی شده از شناور 4/6/8/16/16/32/64 بیتی یا نوع پیچیده با عناصر شناور 32/64 بیتی یا مقادیر کمیته عدد صحیح در هر ده

mhlo.count_leading_zeros (mhlo :: clzop)

عمل CLZ

نحو:

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

تعداد عناصر عاقلانه از تعداد بیت های صفر پیشرو در تانسور operand را انجام می دهد و یک تانسور result تولید می کند.

نگاه کنید به: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#count_leading_zeros

مثال:

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

صفات: AlwaysSpeculatableImplTrait speculatableImpltrait ، CompatibleOperandsAndResultType ، Elementwise ، SameOperandsAndResultShape

رابط ها: ConditionallySpeculatable ، InferShapedTypeOpInterface ، InferTypeOpInterface ، NoMemoryEffect (MemoryEffectOpInterface)

اثرات: MemoryEffects::Effect{}

عملیات:

عملوند	توضیحات
operand	تانسور رتبه بندی شده از مقادیر عدد صحیح 2/4/16/16/32/64 بیتی

نتایج:

نتیجه	توضیحات
result	تانسور رتبه بندی شده از مقادیر عدد صحیح 2/4/16/16/32/64 بیتی

mhlo.create_token (mhlo :: createTokenop)

عملیات ایجاد شده

نحو:

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

این عملیات در راه خروج از Stablehlo است ، بنابراین در مشخصات موجود نیست: https://github.com/openxla/stablehlo/issues/3

به طور غیررسمی ، این عمل همان کاری را انجام می دهد که پس از آن با 0 ورودی: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#after_all

مثال:

%output = mhlo.create_token : !mhlo.token

صفات: AlwaysSpeculatableImplTrait

رابط ها: ConditionallySpeculatable ، InferTypeOpInterface ، NoMemoryEffect (MemoryEffectOpInterface)

اثرات: MemoryEffects::Effect{}

نتایج:

نتیجه	توضیحات
output	نشانه

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

عملیات متقابل

این عملیات در راه خروج از Stablehlo است ، بنابراین در مشخصات موجود نیست: https://github.com/openxla/stablehlo/issues/3

به طور غیررسمی ، این عمل همان کاری را انجام می دهد که AllReduceOp با channel_id = 0 ، use_global_device_ids = false و computation اجرای اضافه شده: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#all_reduceuce

مثال:

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

صفات: AlwaysSpeculatableImplTrait ، CompatibleOperandsAndResultType

رابط ها: ConditionallySpeculatable ، InferShapedTypeOpInterface ، InferTypeOpInterface ، NoMemoryEffect (MemoryEffectOpInterface)

اثرات: MemoryEffects::Effect{}

ویژگی ها:

صفت	نوع MLIR	توضیحات
replica_groups	:: mlir :: denseintelementsattr	ویژگی عناصر عدد صحیح 64 بیتی

عملیات:

عملوند	توضیحات
operand	تانسور رتبه بندی شده از شناور 4/6/8/16/32/64 بیتی یا بول یا 2/4/16/32/64 بیتی یا نوع پیچیده با عناصر شناور 32/64 بیتی یا مقادیر کمی عدد عدد صحیح یا در هر محور عدد عدد صحیح است.

نتایج:

نتیجه	توضیحات
«بی نام»	تانسور رتبه بندی شده از شناور 4/6/8/16/32/64 بیتی یا بول یا 2/4/16/32/64 بیتی یا نوع پیچیده با عناصر شناور 32/64 بیتی یا مقادیر کمی عدد عدد صحیح یا در هر محور عدد عدد صحیح است.

mhlo.custom_call (mhlo :: customCallop)

عملیات سفارشی

نحو:

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

یک عملیات تعریف شده توسط اجرای call_target_name که inputs می گیرد و called_computations می شود ، محاصره می کند و results می گیرد.

نگاه کنید به: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#custom_call

مثال:

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

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

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

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

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

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

رابط ها: MemoryEffectOpInterface

ویژگی ها:

صفت	نوع MLIR	توضیحات
call_target_name	:: mlir :: stringAttr	ویژگی رشته
has_side_effect	:: mlir :: boolattr	ویژگی بول
backend_config	:: mlir :: ویژگی	ویژگی رشته یا فرهنگ لغت مقادیر ویژگی های نامگذاری شده
api_version	:: mlir :: mhlo :: customCallapiversionattr	نسخه API تماس سفارشی
called_computations	:: mlir :: arrayattr	ویژگی آرایه نماد مسطح
custom_call_schedule	:: mlir :: mhlo :: customCallschedueTtr	برنامه مورد نظر را برای تماس سفارشی مشخص می کند.
operand_layouts	:: mlir :: arrayattr	آرایه چیدمان (تانسور 1D از نوع شاخص)
result_layouts	:: mlir :: arrayattr	آرایه چیدمان (تانسور 1D از نوع شاخص)
output_operand_aliases	:: mlir :: arrayattr	ویژگی aliasing برای خروجی ها و عملیات های CustomCall

عملیات:

عملوند

توضیحات

inputs

متغیر تانسور از شناور 4/6/8/16/16/32/64 بیتی یا بول یا 2/4/16/32/64 بیتی یا نوع پیچیده با عناصر شناور 32/64 بیتی یا مقادیر عدد صحیح در هر محور یا مقادیر عدد اندازه گیری یا هر محور مقادیر اندازه گیری یا یادبود 4/6/6/6/8/8/8/8/8/8/8/8/8/8/8/8/8/8/8/8 BOOL یا 2/4/16/32/64 بیتی عدد صحیح یا نوع پیچیده با عناصر شناور 32/64 بیتی یا مقادیر اندازه گیری شده با اندازه گیری یا توکن یا توکن با هر ترکیبی از تانسور 4/6/8/32/64-BIT FLOAT یا BOOL یا BOOL یا 2/4/8/8/16/16/16/16/32/32/32/32/32/32/32/32 عناصر شناور 32/64 بیتی یا عدد عدد صحیح در هر محور مقادیر اندازه گیری شده یا در هر محور یا MEMREF از شناور 4/6/16/16/32/64 بیتی یا بول یا 2/4/16/16/32/64 بیتی با نوع پیچیده با 32/64 بیت عناصر شناور شناور یا اندازه گیری مقادیر شناور اندازه ارزش ها

نتایج:

نتیجه

توضیحات

«بی نام»

متغیر تانسور از شناور 4/6/8/16/16/32/64 بیتی یا بول یا 2/4/16/32/64 بیتی یا نوع پیچیده با عناصر شناور 32/64 بیتی یا مقادیر عدد صحیح در هر محور یا مقادیر عدد اندازه گیری یا هر محور مقادیر اندازه گیری یا یادبود 4/6/6/6/8/8/8/8/8/8/8/8/8/8/8/8/8/8/8/8 BOOL یا 2/4/16/32/64 بیتی عدد صحیح یا نوع پیچیده با عناصر شناور 32/64 بیتی یا مقادیر اندازه گیری شده با اندازه گیری یا توکن یا توکن با هر ترکیبی از تانسور 4/6/8/32/64-BIT FLOAT یا BOOL یا BOOL یا 2/4/8/8/16/16/16/16/32/32/32/32/32/32/32/32 عناصر شناور 32/64 بیتی یا عدد عدد صحیح در هر محور مقادیر اندازه گیری شده یا در هر محور یا MEMREF از شناور 4/6/16/16/32/64 بیتی یا بول یا 2/4/16/16/32/64 بیتی با نوع پیچیده با 32/64 بیت عناصر شناور شناور یا اندازه گیری مقادیر شناور اندازه ارزش ها

mhlo.divide (mhlo :: divop)

عمل

نحو:

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

بخش عناصر عاقلانه از سود سهام lhs و تانسور Divisor rhs را انجام می دهد و تانسور result ای را تولید می کند.

نگاه کنید به: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#divide

مثال:

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

صفات: AlwaysSpeculatableImplTrait speculatableImpltrait ، CompatibleOperandsAndResultType ، Elementwise ، SameOperandsAndResultShape

رابط ها: ConditionallySpeculatable ، InferShapedTypeOpInterface ، InferTypeOpInterface ، NoMemoryEffect (MemoryEffectOpInterface)

اثرات: MemoryEffects::Effect{}

عملیات:

عملوند	توضیحات
lhs	تانسور رتبه بندی شده 2/4/16/16/32/64 بیتی یا شناور 4/6/8/16/32/64 بیتی یا نوع پیچیده با عناصر شناور 32/64 بیتی یا مقادیر کمیت اندازه گیری اندازه گیری اندازه گیری یا در هر محور
rhs	تانسور رتبه بندی شده 2/4/16/16/32/64 بیتی یا شناور 4/6/8/16/32/64 بیتی یا نوع پیچیده با عناصر شناور 32/64 بیتی یا مقادیر کمیت اندازه گیری اندازه گیری اندازه گیری یا در هر محور

نتایج:

نتیجه	توضیحات
result	تانسور رتبه بندی شده 2/4/16/16/32/64 بیتی یا شناور 4/6/8/16/32/64 بیتی یا نوع پیچیده با عناصر شناور 32/64 بیتی یا مقادیر کمیت اندازه گیری اندازه گیری اندازه گیری یا در هر محور

mhlo.domain (mhlo :: domainop)

عمل

این عملیات برای کامپایلر XLA خصوصی است ، بنابراین هنوز مشخصات آن را ندارد.

به طور غیررسمی ، این عملیات برای گروه بندی دستورالعمل ها با همان خاصیت DomainMetadata استفاده می شود. ShardingMetadata مورد اصلی استفاده امروز برای گروه بندی دستورالعمل در همان دستگاه است. دستورالعمل دامنه دو مزیت اصلی را ارائه می دهد:

• از بهینه سازی ناخواسته دستورالعمل ها در حوزه ها جلوگیری کنید.
• به طور خودکار ابرداده دستورالعمل های ایجاد شده در دامنه را اختصاص دهید. بدون دستورالعمل دامنه ، هر پاس بهینه سازی HLO باید ابرداده را بررسی و تبلیغ کند ، که از دست دادن آن آسان خواهد بود و همچنین پیچیدگی را به کامپایلر اضافه می کند. از آنجا که دستورالعمل دامنه دو حوزه مختلف را به هم وصل می کند ، هر دستورالعمل دامنه با دو DomainMetadata همراه است - یکی در سمت عمل و دیگری در سمت کاربر دامنه.

صفات: AlwaysSpeculatableImplTrait ، CompatibleOperandsAndResultType

رابط ها: ConditionallySpeculatable ، InferShapedTypeOpInterface ، InferTypeOpInterface ، NoMemoryEffect (MemoryEffectOpInterface)

اثرات: MemoryEffects::Effect{}

ویژگی ها:

صفت	نوع MLIR	توضیحات
kind	:: mlir :: mhlo :: domainkindattr	نوع Metatdata دامنه متصل به دامنه HLO.
entry_metadata	:: mlir :: stringAttr	ویژگی رشته
exit_metadata	:: mlir :: stringAttr	ویژگی رشته

عملیات:

عملوند	توضیحات
operand	تانسور رتبه بندی شده از شناور 4/6/8/16/32/64 بیتی یا بول یا 2/4/16/32/64 بیتی یا نوع پیچیده با عناصر شناور 32/64 بیتی یا مقادیر کم اندازه در هر تسویه

نتایج:

نتیجه	توضیحات
result	تانسور رتبه بندی شده از شناور 4/6/8/16/32/64 بیتی یا بول یا 2/4/16/32/64 بیتی یا نوع پیچیده با عناصر شناور 32/64 بیتی یا مقادیر کم اندازه در هر تسویه

mhlo.dot (mhlo :: dotop)

عمل

این عملیات در راه خروج از Stablehlo است ، بنابراین در مشخصات موجود نیست: https://github.com/openxla/stablehlo/issues/3

به طور غیررسمی ، این عمل همان کار را با نقطه XLA انجام می دهد: https://www.tensorflow.org/xla/operation_semantics#dot

مثال:

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

صفات: AlwaysSpeculatableImplTrait

رابط ها: ConditionallySpeculatable ، NoMemoryEffect (MemoryEffectOpInterface)

اثرات: MemoryEffects::Effect{}

ویژگی ها:

صفت	نوع MLIR	توضیحات
precision_config	:: mlir :: arrayattr	ویژگی پیکربندی دقیق

عملیات:

عملوند	توضیحات
lhs	تانسور رتبه بندی شده از شناور 4/6/8/16/32/64 بیتی یا بول یا 2/4/16/32/64 بیتی یا نوع پیچیده با عناصر شناور 32/64 بیتی یا مقادیر کمی عدد عدد صحیح یا در هر محور عدد عدد صحیح است.
rhs	تانسور رتبه بندی شده از شناور 4/6/8/16/32/64 بیتی یا بول یا 2/4/16/32/64 بیتی یا نوع پیچیده با عناصر شناور 32/64 بیتی یا مقادیر کمی عدد عدد صحیح یا در هر محور عدد عدد صحیح است.

نتایج:

نتیجه	توضیحات
«بی نام»	تانسور رتبه بندی شده از شناور 4/6/8/16/32/64 بیتی یا بول یا 2/4/16/32/64 بیتی یا نوع پیچیده با عناصر شناور 32/64 بیتی یا مقادیر کمی عدد عدد صحیح یا در هر محور عدد عدد صحیح است.

mhlo.dot_general (mhlo :: dotgeneralop)

عمل جراحی

محصولات DOT را بین برش های lhs و برش های rhs محاسبه می کند و تانسور result ای را تولید می کند.

نگاه کنید به: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#dot_general

مثال:

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

صفات: AlwaysSpeculatableImplTrait

رابط ها: ConditionallySpeculatable ، InferShapedTypeOpInterface ، NoMemoryEffect (MemoryEffectOpInterface)

اثرات: MemoryEffects::Effect{}

ویژگی ها:

صفت	نوع MLIR	توضیحات
dot_dimension_numbers	:: mlir :: mhlo :: dotdimensionnumbersattr	این اطلاعات ابعاد را برای DOT مدل می کند.
precision_config	:: mlir :: arrayattr	ویژگی پیکربندی دقیق
algorithm	:: mlir :: mhlo :: dotalgorithmattr	ویژگی هایی که محدودیت های الگوریتم را برای استفاده برای محاسبات DOT مدل می کند.

عملیات:

عملوند	توضیحات
lhs	تانسور رتبه بندی شده از شناور 4/6/8/16/32/64 بیتی یا بول یا 2/4/16/32/64 بیتی یا نوع پیچیده با عناصر شناور 32/64 بیتی یا مقادیر کمی عدد عدد صحیح یا در هر محور عدد عدد صحیح است.
rhs	تانسور رتبه بندی شده از شناور 4/6/8/16/32/64 بیتی یا بول یا 2/4/16/32/64 بیتی یا نوع پیچیده با عناصر شناور 32/64 بیتی یا مقادیر کمی عدد عدد صحیح یا در هر محور عدد عدد صحیح است.

نتایج:

نتیجه	توضیحات
«بی نام»	تانسور رتبه بندی شده از شناور 4/6/8/16/32/64 بیتی یا بول یا 2/4/16/32/64 بیتی یا نوع پیچیده با عناصر شناور 32/64 بیتی یا مقادیر کمی عدد عدد صحیح یا در هر محور عدد عدد صحیح است.

mhlo.dynamic_broadcast_in_dim (mhlo :: dynamicbroadcastindimop)

عملیات DynamicBroadcastIndim

این عمل از نظر عملکردی با Broadcast_in_dim OP یکسان است ، اما شکل نتیجه از طریق output_dimensions به صورت پویا مشخص می شود.

همچنین ویژگی های اختیاری را برای بیان دانش استاتیک در مورد رفتار در حال گسترش ابعاد می پذیرد. اگر مشخص نشده باشد ، فرض بر این است که همه ابعاد در حال گسترش هستند. مجموعه ای از ابعاد که در حال گسترش است و مجموعه ای از ابعادی که شناخته می شوند غیر گسترده هستند باید از هم جدا شوند و باید زیر مجموعه ای از ابعاد عمل باشند.

نگاه کنید به: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#dynamic_broadcast_in_dim

مثال:

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

صفات: AlwaysSpeculatableImplTrait

رابط ها: ConditionallySpeculatable ، InferShapedTypeOpInterface ، NoMemoryEffect (MemoryEffectOpInterface)

اثرات: MemoryEffects::Effect{}

ویژگی ها:

صفت	نوع MLIR	توضیحات
broadcast_dimensions	:: mlir :: denseintelementsattr	ویژگی عناصر عدد صحیح 64 بیتی
known_expanding_dimensions	:: mlir :: denseintelementsattr	ویژگی عناصر عدد صحیح 64 بیتی
known_nonexpanding_dimensions	:: mlir :: denseintelementsattr	ویژگی عناصر عدد صحیح 64 بیتی

عملیات:

عملوند	توضیحات
operand	تانسور رتبه بندی شده از شناور 4/6/8/16/32/64 بیتی یا بول یا 2/4/16/32/64 بیتی یا نوع پیچیده با عناصر شناور 32/64 بیتی یا مقادیر کمی عدد عدد صحیح یا در هر محور عدد عدد صحیح است.
output_dimensions	1D Tensor از شاخص یا مقادیر عدد صحیح 2/4/16/16/32/64 بیتی

نتایج:

نتیجه	توضیحات
«بی نام»	تانسور رتبه بندی شده از شناور 4/6/8/16/32/64 بیتی یا بول یا 2/4/16/32/64 بیتی یا نوع پیچیده با عناصر شناور 32/64 بیتی یا مقادیر کمی عدد عدد صحیح یا در هر محور عدد عدد صحیح است.

mhlo.dynamic_conv (mhlo :: dynamicconvop)

عملیات پویا

این عمل یک کار در حال انجام است ، بنابراین هنوز در مشخصات گنجانده نشده است: https://github.com/openxla/stablehlo/issues/8

به طور غیررسمی ، این عمل همان کاری را انجام می دهد که ConvolutionOp به جز اینکه padding به صورت پویا از طریق d_padding مشخص می شود: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#convolution

مثال:

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

صفات: AlwaysSpeculatableImplTrait

رابط ها: ConditionallySpeculatable ، NoMemoryEffect (MemoryEffectOpInterface)

اثرات: MemoryEffects::Effect{}

ویژگی ها:

صفت	نوع MLIR	توضیحات
window_strides	:: mlir :: denseintelementsattr	ویژگی عناصر عدد صحیح 64 بیتی
padding	:: mlir :: denseintelementsattr	ویژگی عناصر عدد صحیح 64 بیتی
lhs_dilation	:: mlir :: denseintelementsattr	ویژگی عناصر عدد صحیح 64 بیتی
rhs_dilation	:: mlir :: denseintelementsattr	ویژگی عناصر عدد صحیح 64 بیتی
window_reversal	:: mlir :: denseElementSattr	ویژگی بردار/تانسور بولی ثابت
dimension_numbers	:: mlir :: mhlo :: convdimensionNumbersattr	ساختار اطلاعات ابعادی برای کنفرانس
feature_group_count	:: mlir :: integerattr	ویژگی عدد صحیح 64 بیتی که ارزش آن مثبت است
batch_group_count	:: mlir :: integerattr	ویژگی عدد صحیح 64 بیتی که ارزش آن مثبت است
precision_config	:: mlir :: arrayattr	ویژگی پیکربندی دقیق

عملیات:

عملوند	توضیحات
lhs	تانسور رتبه بندی شده از شناور 4/6/8/16/32/64 بیتی یا بول یا 2/4/16/32/64 بیتی یا نوع پیچیده با عناصر شناور 32/64 بیتی یا مقادیر کمی عدد عدد صحیح یا در هر محور عدد عدد صحیح است.
rhs	تانسور رتبه بندی شده از شناور 4/6/8/16/32/64 بیتی یا بول یا 2/4/16/32/64 بیتی یا نوع پیچیده با عناصر شناور 32/64 بیتی یا مقادیر کمی عدد عدد صحیح یا در هر محور عدد عدد صحیح است.
d_padding	تانسور رتبه بندی شده از شناور 4/6/8/16/32/64 بیتی یا بول یا 2/4/16/32/64 بیتی یا نوع پیچیده با عناصر شناور 32/64 بیتی یا مقادیر کمی عدد عدد صحیح یا در هر محور عدد عدد صحیح است.

نتایج:

نتیجه	توضیحات
«بی نام»	تانسور رتبه بندی شده از شناور 4/6/8/16/32/64 بیتی یا بول یا 2/4/16/32/64 بیتی یا نوع پیچیده با عناصر شناور 32/64 بیتی یا مقادیر کمی عدد عدد صحیح یا در هر محور عدد عدد صحیح است.

mhlo.dynamic_gather (mhlo :: dynamicgatherop)

عمل پویا

این عمل یک کار در حال انجام است ، بنابراین هنوز در مشخصات گنجانده نشده است: https://github.com/openxla/stablehlo/issues/8

به طور غیررسمی ، این عمل همان کاری را انجام می دهد که جمع آوری شده است به جز اینکه slice_sizes به صورت پویا مشخص می شود: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#gather

مثال:

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

صفات: AlwaysSpeculatableImplTrait ، InferTensorType

رابط ها: ConditionallySpeculatable ، InferShapedTypeOpInterface ، InferTypeOpInterface ، NoMemoryEffect (MemoryEffectOpInterface)

اثرات: MemoryEffects::Effect{}

ویژگی ها:

صفت	نوع MLIR	توضیحات
dimension_numbers	:: mlir :: mhlo :: gatherdimensionnumbersattr	نسبت به آن اطلاعات ابعاد را برای جمع آوری می کند
indices_are_sorted	:: mlir :: boolattr	ویژگی بول

عملیات:

عملوند	توضیحات
operand	تانسور رتبه بندی شده از شناور 4/6/8/16/32/64 بیتی یا بول یا 2/4/16/32/64 بیتی یا نوع پیچیده با عناصر شناور 32/64 بیتی یا مقادیر کمی عدد عدد صحیح یا در هر محور عدد عدد صحیح است.
start_indices	تانسور رتبه بندی شده از مقادیر عدد صحیح 2/4/16/16/32/64 بیتی
slice_sizes	تانسور عدد صحیح 1 بعدی به شکل استاتیک از مقادیر عدد صحیح 2/4/16/16/32/64 بیتی

نتایج:

نتیجه	توضیحات
«بی نام»	تانسور رتبه بندی شده از شناور 4/6/8/16/32/64 بیتی یا بول یا 2/4/16/32/64 بیتی یا نوع پیچیده با عناصر شناور 32/64 بیتی یا مقادیر کمی عدد عدد صحیح یا در هر محور عدد عدد صحیح است.

mhlo.dynamic_iota (mhlo :: dynamiciotaop)

عمل پویا

این عمل از نظر عملکردی با IOTA OP یکسان است ، اما شکل نتیجه به صورت پویا از طریق output_shape مشخص می شود.

نگاه کنید به: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#dynamic_iota

مثال:

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

صفات: AlwaysSpeculatableImplTrait

رابط ها: ConditionallySpeculatable ، InferShapedTypeOpInterface ، NoMemoryEffect (MemoryEffectOpInterface)

اثرات: MemoryEffects::Effect{}

ویژگی ها:

صفت	نوع MLIR	توضیحات
iota_dimension	:: mlir :: integerattr	ویژگی عدد صحیح 64 بیتی که ارزش آن غیر منفی است

عملیات:

عملوند	توضیحات
output_shape	1D Tensor از شاخص یا مقادیر عدد صحیح 2/4/16/16/32/64 بیتی

نتایج:

نتیجه	توضیحات
result	تانسور رتبه بندی شده از شناور 4/6/8/16/32/64 بیتی یا بول یا 2/4/16/32/64 بیتی یا نوع پیچیده با عناصر شناور 32/64 بیتی یا مقادیر کمی عدد عدد صحیح یا در هر محور عدد عدد صحیح است.

mhlo.dynamic_pad (mhlo :: dynamicpadop)

عملیات پویا

نحو:

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

به صورت پویا از operand استفاده می کند ، با مقدار بالشتک اضافه شده در سطح پایین/سطح بالا/داخلی از طریق تانسور ورودی عبور می کند.

صفات: AlwaysSpeculatableImplTrait

رابط ها: ConditionallySpeculatable ، InferShapedTypeOpInterface ، NoMemoryEffect (MemoryEffectOpInterface)

اثرات: MemoryEffects::Effect{}

عملیات:

عملوند	توضیحات
operand	تانسور رتبه بندی شده از شناور 4/6/8/16/32/64 بیتی یا بول یا 2/4/16/32/64 بیتی یا نوع پیچیده با عناصر شناور 32/64 بیتی یا مقادیر کمی عدد عدد صحیح یا در هر محور عدد عدد صحیح است.
padding_value	تانسور رتبه بندی شده از شناور 4/6/8/16/32/64 بیتی یا بول یا 2/4/16/32/64 بیتی یا نوع پیچیده با عناصر شناور 32/64 بیتی یا مقادیر کمی عدد عدد صحیح یا در هر محور عدد عدد صحیح است.
edge_padding_low	1D Tensor از شاخص یا مقادیر عدد صحیح 2/4/16/16/32/64 بیتی
edge_padding_high	1D Tensor از شاخص یا مقادیر عدد صحیح 2/4/16/16/32/64 بیتی
interior_padding	1D Tensor از شاخص یا مقادیر عدد صحیح 2/4/16/16/32/64 بیتی

نتایج:

نتیجه	توضیحات
result	تانسور رتبه بندی شده از شناور 4/6/8/16/32/64 بیتی یا بول یا 2/4/16/32/64 بیتی یا نوع پیچیده با عناصر شناور 32/64 بیتی یا مقادیر کمی عدد عدد صحیح یا در هر محور عدد عدد صحیح است.

mhlo.dynamic_reshape (mhlo :: dynamicreshapeop)

عمل پویا

نحو:

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

این عمل از نظر عملکردی با تغییر شکل OP یکسان است ، اما شکل نتیجه به صورت پویا از طریق output_shape مشخص می شود.

نگاه کنید به: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#dynamic_reshape

مثال:

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

صفات: AlwaysSpeculatableImplTrait

رابط ها: ConditionallySpeculatable ، InferShapedTypeOpInterface ، NoMemoryEffect (MemoryEffectOpInterface)

اثرات: MemoryEffects::Effect{}

عملیات:

عملوند	توضیحات
operand	تانسور از شناور 4/6/8/16/32/64 بیتی یا بول یا 2/4/16/16/32/64 بیتی یا نوع پیچیده با عناصر شناور 32/64 بیتی یا مقادیر کمی عدد عدد عدد صحیح یا در هر محوره
output_shape	1D Tensor از شاخص یا مقادیر عدد صحیح 2/4/16/16/32/64 بیتی

نتایج:

نتیجه	توضیحات
result	تانسور از شناور 4/6/8/16/32/64 بیتی یا بول یا 2/4/16/16/32/64 بیتی یا نوع پیچیده با عناصر شناور 32/64 بیتی یا مقادیر کمی عدد عدد عدد صحیح یا در هر محوره

mhlo.dynamic_slice (mhlo :: dynamicsliceop)

عملیات پویا

با استفاده از شاخص های شروع پویا و محاسباتی ، یک قطعه از operand را استخراج می کند و تانسور result ای را تولید می کند.

نگاه کنید به: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#dynamic_slice

مثال:

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

صفات: AlwaysSpeculatableImplTrait ، InferTensorType

رابط ها: ConditionallySpeculatable ، InferShapedTypeOpInterface ، InferTypeOpInterface ، NoMemoryEffect (MemoryEffectOpInterface)

اثرات: MemoryEffects::Effect{}

ویژگی ها:

صفت	نوع MLIR	توضیحات
slice_sizes	:: mlir :: denseintelementsattr	ویژگی عناصر عدد صحیح 64 بیتی

عملیات:

عملوند	توضیحات
operand	تانسور رتبه بندی شده از شناور 4/6/8/16/32/64 بیتی یا بول یا 2/4/16/32/64 بیتی یا نوع پیچیده با عناصر شناور 32/64 بیتی یا مقادیر کمی عدد عدد صحیح یا در هر محور عدد عدد صحیح است.
start_indices	متغیر از تانسور 0D از مقادیر عدد صحیح 2/4/5/16/32/64 بیتی

نتایج:

نتیجه	توضیحات
result	تانسور رتبه بندی شده از شناور 4/6/8/16/32/64 بیتی یا بول یا 2/4/16/32/64 بیتی یا نوع پیچیده با عناصر شناور 32/64 بیتی یا مقادیر کمی عدد عدد صحیح یا در هر محور عدد عدد صحیح است.

mhlo.dynamic_update_slice (mhlo :: dynamicupdatesliceop)

عملکرد DynamicUpdateslice

نحو:

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

تانسور result ای را تولید می کند که برابر با تانسور operand است به جز اینکه برش از start_indices با مقادیر موجود در update به روز می شود.

نگاه کنید به: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#dynamic_update_slice

مثال:

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

صفات: AlwaysSpeculatableImplTrait ، InferTensorType

رابط ها: ConditionallySpeculatable ، InferShapedTypeOpInterface ، InferTypeOpInterface ، NoMemoryEffect (MemoryEffectOpInterface)

اثرات: MemoryEffects::Effect{}

عملیات:

عملوند	توضیحات
operand	تانسور رتبه بندی شده از شناور 4/6/8/16/32/64 بیتی یا بول یا 2/4/16/32/64 بیتی یا نوع پیچیده با عناصر شناور 32/64 بیتی یا مقادیر کمی عدد عدد صحیح یا در هر محور عدد عدد صحیح است.
update	تانسور رتبه بندی شده از شناور 4/6/8/16/32/64 بیتی یا بول یا 2/4/16/32/64 بیتی یا نوع پیچیده با عناصر شناور 32/64 بیتی یا مقادیر کمی عدد عدد صحیح یا در هر محور عدد عدد صحیح است.
start_indices	متغیر از تانسور 0D از مقادیر عدد صحیح 2/4/5/16/32/64 بیتی

نتایج:

نتیجه	توضیحات
result	تانسور رتبه بندی شده از شناور 4/6/8/16/32/64 بیتی یا بول یا 2/4/16/32/64 بیتی یا نوع پیچیده با عناصر شناور 32/64 بیتی یا مقادیر کمی عدد عدد صحیح یا در هر محور عدد عدد صحیح است.

mhlo.einsum (mhlo :: einsumop)

عمل einsum

این عملیات در راه خروج از Stablehlo است ، بنابراین در مشخصات موجود نیست: https://github.com/openxla/stablehlo/issues/3

به طور غیررسمی ، این عمل همان کاری را انجام می دهد که Einsum TF: https://www.tensorflow.org/api_docs/python/tf/einsum

مثال:

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

صفات: AlwaysSpeculatableImplTrait

رابط ها: ConditionallySpeculatable ، NoMemoryEffect (MemoryEffectOpInterface)

اثرات: MemoryEffects::Effect{}

ویژگی ها:

صفت	نوع MLIR	توضیحات
einsum_config	:: mlir :: stringAttr	ویژگی رشته

عملیات:

عملوند	توضیحات
lhs	تانسور رتبه بندی شده از شناور 4/6/8/16/32/64 بیتی یا بول یا 2/4/16/32/64 بیتی یا نوع پیچیده با عناصر شناور 32/64 بیتی یا مقادیر کمی عدد عدد صحیح یا در هر محور عدد عدد صحیح است.
rhs	تانسور رتبه بندی شده از شناور 4/6/8/16/32/64 بیتی یا بول یا 2/4/16/32/64 بیتی یا نوع پیچیده با عناصر شناور 32/64 بیتی یا مقادیر کمی عدد عدد صحیح یا در هر محور عدد عدد صحیح است.

نتایج:

نتیجه	توضیحات
«بی نام»	تانسور رتبه بندی شده از شناور 4/6/8/16/32/64 بیتی یا بول یا 2/4/16/32/64 بیتی یا نوع پیچیده با عناصر شناور 32/64 بیتی یا مقادیر کمی عدد عدد صحیح یا در هر محور عدد عدد صحیح است.

mhlo.erf (mhlo :: erfop)

عمل ERF

نحو:

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

عملکرد ERF عاقلانه را بر روی تانسور operand انجام می دهد و تانسور result ای را تولید می کند.

مثال:

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

صفات: AlwaysSpeculatableImplTrait speculatableImpltrait ، CompatibleOperandsAndResultType ، Elementwise ، SameOperandsAndResultShape

رابط ها: ConditionallySpeculatable ، InferShapedTypeOpInterface ، InferTypeOpInterface ، NoMemoryEffect (MemoryEffectOpInterface)

اثرات: MemoryEffects::Effect{}

عملیات:

عملوند	توضیحات
operand	تانسور رتبه بندی شده از مقادیر شناور 4/6/16/16/32/64 بیتی

نتایج:

نتیجه	توضیحات
result	تانسور رتبه بندی شده از مقادیر شناور 4/6/16/16/32/64 بیتی

mhlo.exponential (mhlo :: expop)

عملیاتی

نحو:

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

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

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

مثال:

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

Traits: AlwaysSpeculatableImplTrait , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

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

Effects: MemoryEffects::Effect{}

Attributes:

صفت	MLIR Type	توضیحات
result_accuracy	::mlir::mhlo::ResultAccuracyAttr	The requested accuracy for unary ops.

Operands:

عملوند	توضیحات
operand	ranked tensor of 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements or per-tensor integer quantized values

نتایج:

نتیجه	توضیحات
result	ranked tensor of 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements or per-tensor integer quantized values

mhlo.exponential_minus_one (mhlo::Expm1Op)

Expm1 operation

نحو:

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

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

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

مثال:

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

Traits: AlwaysSpeculatableImplTrait , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

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

Effects: MemoryEffects::Effect{}

Attributes:

صفت	MLIR Type	توضیحات
result_accuracy	::mlir::mhlo::ResultAccuracyAttr	The requested accuracy for unary ops.

Operands:

عملوند	توضیحات
operand	ranked tensor of 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements or per-tensor integer quantized values

نتایج:

نتیجه	توضیحات
result	ranked tensor of 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements or per-tensor integer quantized values

mhlo.fft (mhlo::FftOp)

Fft operation

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

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

مثال:

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

Traits: AlwaysSpeculatableImplTrait , InferTensorType

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

Effects: MemoryEffects::Effect{}

Attributes:

صفت	MLIR Type	توضیحات
fft_type	::mlir::mhlo::FftTypeAttr	XLA fast fourier transform type.
fft_length	::mlir::DenseIntElementsAttr	64-bit signless integer elements attribute

Operands:

عملوند	توضیحات
operand	ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

نتایج:

نتیجه	توضیحات
«unnamed»	ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

mhlo.floor (mhlo::FloorOp)

Floor operation

نحو:

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

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

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

مثال:

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

Traits: AlwaysSpeculatableImplTrait , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

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

Effects: MemoryEffects::Effect{}

Operands:

عملوند	توضیحات
operand	ranked tensor of 4/6/8/16/32/64-bit float or per-tensor integer quantized values

نتایج:

نتیجه	توضیحات
result	ranked tensor of 4/6/8/16/32/64-bit float or per-tensor integer quantized values

mhlo.fusion (mhlo::FusionOp)

Fusion operation

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

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

Attributes:

صفت	MLIR Type	توضیحات
fusion_kind	::mlir::mhlo::FusionKindAttr	fusion kind
output_operand_aliases	::mlir::ArrayAttr	Aliasing attribute for outputs and operands of Fusion

Operands:

عملوند	توضیحات
inputs	variadic of ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized values or ranked tensor of per-axis integer quantized values or token

نتایج:

نتیجه

توضیحات

results

variadic of ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values or nested tuple with any combination of ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized values or memref of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized values or ranked tensor of per-axis integer quantized values or token values

mhlo.gather (mhlo::GatherOp)

Gather operation

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

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

مثال:

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

Traits: AlwaysSpeculatableImplTrait , InferTensorType

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

Effects: MemoryEffects::Effect{}

Attributes:

صفت	MLIR Type	توضیحات
dimension_numbers	::mlir::mhlo::GatherDimensionNumbersAttr	Attribute that models the dimension information for gather
slice_sizes	::mlir::DenseIntElementsAttr	64-bit signless integer elements attribute
indices_are_sorted	::mlir::BoolAttr	bool attribute

Operands:

عملوند	توضیحات
operand	ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values
start_indices	ranked tensor of 2/4/8/16/32/64-bit integer values

نتایج:

نتیجه	توضیحات
«unnamed»	ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

mhlo.get_dimension_size (mhlo::GetDimensionSizeOp)

GetDimensionSize operation

Produces the size of the given dimension of the operand .

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

مثال:

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

Traits: AlwaysSpeculatableImplTrait , InferTensorType

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

Effects: MemoryEffects::Effect{}

Attributes:

صفت	MLIR Type	توضیحات
dimension	::mlir::IntegerAttr	64-bit signless integer attribute whose value is non-negative

Operands:

عملوند	توضیحات
operand	ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

نتایج:

نتیجه	توضیحات
«unnamed»	tensor of 32-bit signless integer values

mhlo.get_tuple_element (mhlo::GetTupleElementOp)

GetTupleElement operation

نحو:

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

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

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

مثال:

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

Traits: AlwaysSpeculatableImplTrait

Interfaces: ConditionallySpeculatable , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Attributes:

صفت	MLIR Type	توضیحات
index	::mlir::IntegerAttr	32-bit signless integer attribute whose value is non-negative

Operands:

عملوند

توضیحات

operand

nested tuple with any combination of ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized values or memref of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized values or ranked tensor of per-axis integer quantized values or token values

نتایج:

نتیجه

توضیحات

«unnamed»

ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values or token or nested tuple with any combination of ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized values or memref of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized values or ranked tensor of per-axis integer quantized values or token values or memref of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized values

mhlo.if (mhlo::IfOp)

If operation

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

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

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

Traits: RecursiveMemoryEffects , SingleBlockImplicitTerminator<ReturnOp> , SingleBlock

Interfaces: InferTypeOpInterface

Operands:

عملوند	توضیحات
pred	ranked tensor of bool values

نتایج:

نتیجه	توضیحات
«unnamed»	variadic of ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized values or ranked tensor of per-axis integer quantized values or token

mhlo.imag (mhlo::ImagOp)

Imag operation

نحو:

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

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

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

مثال:

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

Traits: AlwaysSpeculatableImplTrait , Elementwise , SameOperandsAndResultShape

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

Effects: MemoryEffects::Effect{}

Operands:

عملوند	توضیحات
operand	ranked tensor of 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements values

نتایج:

نتیجه	توضیحات
result	ranked tensor of 4/6/8/16/32/64-bit float values

mhlo.infeed (mhlo::InfeedOp)

Infeed operation

Reads data from the infeed and produces results .

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

مثال:

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

Attributes:

صفت	MLIR Type	توضیحات
infeed_config	::mlir::StringAttr	string attribute
layout	::mlir::ArrayAttr	array attribute

Operands:

عملوند	توضیحات
token	نشانه

نتایج:

نتیجه

توضیحات

«unnamed»

variadic of statically shaped tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized values or statically shaped tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values or token

mhlo.iota (mhlo::IotaOp)

Iota operation

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

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

مثال:

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

Traits: AlwaysSpeculatableImplTrait

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Attributes:

صفت	MLIR Type	توضیحات
iota_dimension	::mlir::IntegerAttr	64-bit signless integer attribute whose value is non-negative

نتایج:

نتیجه	توضیحات
output	statically shaped tensor of 2/4/8/16/32/64-bit integer or 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements values

mhlo.is_finite (mhlo::IsFiniteOp)

IsFinite operation

نحو:

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

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

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

مثال:

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

Traits: AlwaysSpeculatableImplTrait , Elementwise , SameOperandsAndResultShape

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

Effects: MemoryEffects::Effect{}

Operands:

عملوند	توضیحات
x	ranked tensor of 4/6/8/16/32/64-bit float values

نتایج:

نتیجه	توضیحات
y	ranked tensor of bool values

mhlo.log (mhlo::LogOp)

Log operation

نحو:

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

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

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

مثال:

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

Traits: AlwaysSpeculatableImplTrait , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

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

Effects: MemoryEffects::Effect{}

Attributes:

صفت	MLIR Type	توضیحات
result_accuracy	::mlir::mhlo::ResultAccuracyAttr	The requested accuracy for unary ops.

Operands:

عملوند	توضیحات
operand	ranked tensor of 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements or per-tensor integer quantized values

نتایج:

نتیجه	توضیحات
result	ranked tensor of 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements or per-tensor integer quantized values

mhlo.log_plus_one (mhlo::Log1pOp)

Log1p operation

نحو:

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

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

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

مثال:

%result = mhlo.log_plus_one %operand : tensor<6xf32>

Traits: AlwaysSpeculatableImplTrait , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

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

Effects: MemoryEffects::Effect{}

Attributes:

صفت	MLIR Type	توضیحات
result_accuracy	::mlir::mhlo::ResultAccuracyAttr	The requested accuracy for unary ops.

Operands:

عملوند	توضیحات
operand	ranked tensor of 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements or per-tensor integer quantized values

نتایج:

نتیجه	توضیحات
result	ranked tensor of 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements or per-tensor integer quantized values

mhlo.logistic (mhlo::LogisticOp)

Logistic operation

نحو:

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

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

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

مثال:

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

Traits: AlwaysSpeculatableImplTrait , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

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

Effects: MemoryEffects::Effect{}

Attributes:

صفت	MLIR Type	توضیحات
result_accuracy	::mlir::mhlo::ResultAccuracyAttr	The requested accuracy for unary ops.

Operands:

عملوند	توضیحات
operand	ranked tensor of 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements or per-tensor integer quantized values

نتایج:

نتیجه	توضیحات
result	ranked tensor of 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements or per-tensor integer quantized values

mhlo.map (mhlo::MapOp)

Map operation

Applies a map function computation to inputs along the dimensions and produces a result tensor.

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

مثال:

%result = "mhlo.map"(%input0, %input1) ({
  ^bb0(%arg0: tensor<i32>, %arg1: tensor<i32>):
    %0 = mhlo.multiply %arg0, %arg1 : tensor<i32>
    mhlo.return %0 : tensor<i32>
}) {
  dimensions = dense<[0, 1]> : tensor<2xi64>
} : (tensor<2x2xi32>, tensor<2x2xi32>) -> tensor<2x2xi32>

Traits: InferTensorType , RecursiveMemoryEffects , SameOperandsAndResultShape , SingleBlockImplicitTerminator<ReturnOp> , SingleBlock

Interfaces: InferShapedTypeOpInterface , InferTypeOpInterface

Attributes:

صفت	MLIR Type	توضیحات
dimensions	::mlir::DenseIntElementsAttr	64-bit signless integer elements attribute

Operands:

عملوند	توضیحات
inputs	variadic of ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

نتایج:

نتیجه	توضیحات
«unnamed»	ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

mhlo.maximum (mhlo::MaxOp)

Max operation

نحو:

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

Performs element-wise max operation on tensors lhs and rhs and produces a result tensor.

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

مثال:

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

Traits: AlwaysSpeculatableImplTrait , Commutative , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

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

Effects: MemoryEffects::Effect{}

Operands:

عملوند	توضیحات
lhs	ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values
rhs	ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

نتایج:

نتیجه	توضیحات
result	ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

mhlo.minimum (mhlo::MinOp)

Min operation

نحو:

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

Performs element-wise min operation on tensors lhs and rhs and produces a result tensor.

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

مثال:

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

Traits: AlwaysSpeculatableImplTrait , Commutative , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

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

Effects: MemoryEffects::Effect{}

Operands:

عملوند	توضیحات
lhs	ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values
rhs	ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

نتایج:

نتیجه	توضیحات
result	ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

mhlo.minimum_broadcast_shapes (mhlo::MinimumBroadcastShapesOp)

Minimizes the rank of two or more shapes to be broadcasted

نحو:

operation ::= `mhlo.minimum_broadcast_shapes` $shapes attr-dict `:` type($shapes) `->` type($results)

Given two or more 1D tensors representing shapes, returns one 1D tensor for each operand, where operand i corresponds to output i .

The returned tensors have the property that they specify a shape which is a reshape of the corresponding input shape, and the broadcasted output shape (using shape::BroadcastOp) of the returned shapes is a reshape of the broadcasted output shape of the input shapes. Among all possibilities with this property, the one is chosen which minimizes the rank of each returned shape.

The general idea of this op is that it can be used for ops which have a broadcasting semantic to operate on shapes with a possibly smaller rank while preserving equivalence of the computed values. After computing the result of the op using reshaped operands, the result can be reshaped to the result that would have been originally computed.

Here is an example with two input shapes:

mhlo.minimum_broadcast_shapes [1, 2, 3, 1, 2, 1],
                                 [1, 1, 1, 2, 3] -> [6, 2, 1], [2, 3]

The broadcasted output shape of the operands is [1, 2, 3, 1, 2, 3], the broadcasted output shape of the outputs is [6, 2, 3]. These two shapes are reshapes of each other, and also each output is a reshape of the corresponding input.

Traits: AlwaysSpeculatableImplTrait

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Operands:

عملوند	توضیحات
shapes	variadic of 1D tensor of index values

نتایج:

نتیجه	توضیحات
results	variadic of 1D tensor of index values

mhlo.multiply (mhlo::MulOp)

Mul operation

نحو:

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

Performs element-wise product of two tensors lhs and rhs and produces a result tensor.

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

مثال:

%result = mhlo.multiply %lhs, %rhs : tensor<2xi32>

Traits: AlwaysSpeculatableImplTrait , Commutative , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

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

Effects: MemoryEffects::Effect{}

Operands:

عملوند	توضیحات
lhs	ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values
rhs	ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

نتایج:

نتیجه	توضیحات
result	ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

mhlo.negate (mhlo::NegOp)

Neg operation

نحو:

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

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

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

مثال:

%result = mhlo.negate %operand : tensor<2x3xi32>

Traits: AlwaysSpeculatableImplTrait , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

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

Effects: MemoryEffects::Effect{}

Operands:

عملوند	توضیحات
operand	ranked tensor of 2/4/8/16/32/64-bit integer or 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

نتایج:

نتیجه	توضیحات
result	ranked tensor of 2/4/8/16/32/64-bit integer or 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

mhlo.not (mhlo::NotOp)

Not operation

نحو:

operation ::= `mhlo.not` $operand attr-dict
              `:` custom<SameOperandsAndResultType>(type($operand), type($result))

Performs element-wise NOT of tensor operand of type integer and produces a result tensor.

See: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#not

مثال:

%result = mhlo.not %operand : tensor<5x3x1xi1>

Traits: AlwaysSpeculatableImplTrait , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

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

Effects: MemoryEffects::Effect{}

Operands:

عملوند	توضیحات
operand	ranked tensor of bool or 2/4/8/16/32/64-bit integer values

نتایج:

نتیجه	توضیحات
result	ranked tensor of bool or 2/4/8/16/32/64-bit integer values

mhlo.optimization_barrier (mhlo::OptimizationBarrierOp)

OptimizationBarrier operation

نحو:

operation ::= `mhlo.optimization_barrier` attr-dict ($operand^ `:` custom<PairwiseOpType>(type($operand), type($result))):(`(` `)`)?

Ensures that the operations that produce the operand are executed before any operations that depend on the result and prevents compiler transformations from moving operations across the barrier. Other than that, the operation is an identity, ie result = operand .

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

مثال:

%result0, %result1 = mhlo.optimization_barrier %operand0, %operand1 : tensor<f32>, tensor<f32>

Traits: AlwaysSpeculatableImplTrait , HLO_PairwiseSameOperandAndResultType

Interfaces: ConditionallySpeculatable , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Operands:

عملوند	توضیحات
operand	variadic of ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized values or ranked tensor of per-axis integer quantized values or token

نتایج:

نتیجه	توضیحات
result	variadic of ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized values or ranked tensor of per-axis integer quantized values or token

mhlo.or (mhlo::OrOp)

Or operation

نحو:

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

Performs element-wise OR of two tensors lhs and rhs and produces a result tensor.

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

مثال:

%result = mhlo.or %lhs, %rhs : tensor<2xi1>

Traits: AlwaysSpeculatableImplTrait , Commutative , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

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

Effects: MemoryEffects::Effect{}

Operands:

عملوند	توضیحات
lhs	ranked tensor of bool or 2/4/8/16/32/64-bit integer values
rhs	ranked tensor of bool or 2/4/8/16/32/64-bit integer values

نتایج:

نتیجه	توضیحات
result	ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

mhlo.outfeed (mhlo::OutfeedOp)

Outfeed operation

Writes inputs to the outfeed and produces a result token.

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

مثال:

%result = "mhlo.outfeed"(%input0, %token) {
  outfeed_config = ""
} : (tensor<3x3x3xi32>, !mhlo.token) -> !mhlo.token

Interfaces: InferTypeOpInterface

Attributes:

صفت	MLIR Type	توضیحات
outfeed_config	::mlir::StringAttr	string attribute

Operands:

عملوند	توضیحات
inputs	variadic of ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values
token	نشانه

نتایج:

نتیجه	توضیحات
«unnamed»	نشانه

mhlo.pad (mhlo::PadOp)

Pad operation

Expands operand by padding around the tensor as well as between the elements of the tensor with the given padding_value .

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

مثال:

%0 = mhlo.pad %arg0, %arg1, low = [0, 1], high = [2, 1], interior = [1, 2]
  : (tensor<2x3xi32>, tensor<i32>) -> tensor<5x9xi32>

Traits: AlwaysSpeculatableImplTrait , SameOperandsAndResultElementType

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

Effects: MemoryEffects::Effect{}

Attributes:

صفت	MLIR Type	توضیحات
edge_padding_low	::mlir::DenseIntElementsAttr	64-bit signless integer elements attribute
edge_padding_high	::mlir::DenseIntElementsAttr	64-bit signless integer elements attribute
interior_padding	::mlir::DenseIntElementsAttr	64-bit signless integer elements attribute

Operands:

عملوند	توضیحات
operand	ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values
padding_value	ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

نتایج:

نتیجه	توضیحات
«unnamed»	ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

mhlo.partition_id (mhlo::PartitionIdOp)

PartitionId operation

نحو:

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

Produces partition_id of the current process.

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

مثال:

%result = mhlo.partition_id : tensor<ui32>

Interfaces: InferTypeOpInterface

نتایج:

نتیجه	توضیحات
«unnamed»	ranked tensor of 32-bit unsigned integer values

mhlo.popcnt (mhlo::PopulationCountOp)

PopulationCount operation

نحو:

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

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

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

مثال:

%result = mhlo.popcnt %operand : tensor<4xi8>

Traits: AlwaysSpeculatableImplTrait , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

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

Effects: MemoryEffects::Effect{}

Operands:

عملوند	توضیحات
operand	ranked tensor of 2/4/8/16/32/64-bit integer values

نتایج:

نتیجه	توضیحات
result	ranked tensor of 2/4/8/16/32/64-bit integer values

mhlo.power (mhlo::PowOp)

Pow operation

نحو:

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

Performs element-wise exponentiation of lhs tensor by rhs tensor and produces a result tensor.

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

مثال:

%result = mhlo.power %lhs, %rhs : tensor<6xf32>

Traits: AlwaysSpeculatableImplTrait , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

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

Effects: MemoryEffects::Effect{}

Operands:

عملوند	توضیحات
lhs	ranked tensor of 2/4/8/16/32/64-bit integer or 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values
rhs	ranked tensor of 2/4/8/16/32/64-bit integer or 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

نتایج:

نتیجه	توضیحات
result	ranked tensor of 2/4/8/16/32/64-bit integer or 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

mhlo.ragged_dot (mhlo::RaggedDotOp)

Ragged matrix multiplication over a single ragged dimension

This operation takes three tensor args---lhs, rhs, and group_sizes---and a "ragged_dot_dimension_numbers" attribute. Like dot_general, the lhs and rhs are allowed arbitrary batch and contracting dimensions. Additionally, the lhs is required to have one ragged dimension, and the rhs may have at most one group dimension. The op has three modes, depending on the kind of the lhs ragged dimension.

In mode 1, the shape-signature is [b,m,k], [g,b,k,n], [b,g] -> [b,m,n] . Here the ragged dimension is an lhs non-contracting dimension ( m ). The dimensions b and k represent batch and contracting dimensions respectively. The rhs is required to have a group dimension ( g ).

In mode 2, the shape-signature is [b,m,k], [b,k,n], [b,g] -> [g,b,m,n] . Here the ragged dimension is an lhs/rhs contracting dimension ( k ).

In mode 3, the shape-signature is [b,m,k], [b,k,n], [g] -> [b,m,n] . Here the ragged dimension is an lhs/rhs batch dimension ( b ).

Traits: AlwaysSpeculatableImplTrait

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Attributes:

صفت	MLIR Type	توضیحات
ragged_dot_dimension_numbers	::mlir::mhlo::RaggedDotDimensionNumbersAttr	Attribute that models the dimension information for ragged dot.
precision_config	::mlir::ArrayAttr	Precision Config attribute

Operands:

عملوند	توضیحات
lhs	ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values
rhs	ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values
group_sizes	ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

نتایج:

نتیجه	توضیحات
result	ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized values

mhlo.real (mhlo::RealOp)

Real operation

نحو:

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

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

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

مثال:

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

Traits: AlwaysSpeculatableImplTrait , Elementwise , SameOperandsAndResultShape

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

Effects: MemoryEffects::Effect{}

Operands:

عملوند	توضیحات
operand	ranked tensor of 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements values

نتایج:

نتیجه	توضیحات
result	ranked tensor of 4/6/8/16/32/64-bit float values

mhlo.real_dynamic_slice (mhlo::RealDynamicSliceOp)

RealDynamicSlice operation

نحو:

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

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

Informally, this operation does the same thing as SliceOp except that start_indices , limit_indices and strides are specified dynamically: https://github.com/openxla/stablehlo/blob/main/docs/spec.md#slice

مثال:

%result = mhlo.real_dynamic_slice %operand,
            %start_indices, %limit_indices, %strides
       : (tensor<256x?xf32>, tensor<2xindex>, tensor<2xindex>, tensor<2xindex>) -> tensor<256x?xf32>

Traits: AlwaysSpeculatableImplTrait

Interfaces: ConditionallySpeculatable , InferShapedTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Operands:

عملوند	توضیحات
operand	ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values
start_indices	1D tensor of index or 2/4/8/16/32/64-bit integer values
limit_indices	1D tensor of index or 2/4/8/16/32/64-bit integer values
strides	1D tensor of index or 2/4/8/16/32/64-bit integer values

نتایج:

نتیجه	توضیحات
result	ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

mhlo.recv (mhlo::RecvOp)

Recv operation

Receives data from a channel with channel_id and produces results .

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

مثال:

%results:2 = "mhlo.recv"(%token) {
  // channel_id = 5 : i64,
  // channel_type = #stablehlo<channel_type DEVICE_TO_DEVICE>,
  channel_handle = #mhlo.channel_handle<handle = 5, type = 1>,
  is_host_transfer = false,
  source_target_pairs = dense<[[0, 1], [1, 2]]> : tensor<2x2xi64>
} : (!mhlo.token) -> (tensor<3x4xi32>, !mhlo.token)

Attributes:

صفت	MLIR Type	توضیحات
channel_handle	::mlir::mhlo::ChannelHandleAttr	two 64-bit integers 'handle' and 'type'
is_host_transfer	::mlir::BoolAttr	bool attribute
source_target_pairs	::mlir::DenseIntElementsAttr	64-bit signless integer elements attribute

Operands:

عملوند	توضیحات
token	نشانه

نتایج:

نتیجه

توضیحات

«unnamed»

variadic of statically shaped tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized values or statically shaped tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values or token

mhlo.reduce (mhlo::ReduceOp)

Reduce operation

Applies a reduction function body to inputs and init_values along the dimensions and produces a result tensor.

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

مثال:

%result = "mhlo.reduce"(%input, %init_value) ({
  ^bb0(%arg0: tensor<i32>, %arg1: tensor<i32>):
    %0 = "mhlo.add"(%arg0, %arg1) : (tensor<i32>, tensor<i32>) -> tensor<i32>
    "mhlo.return"(%0) : (tensor<i32>) -> ()
}) {
  dimensions = dense<1> : tensor<1xi64>
} : (tensor<1x6xi32>, tensor<i32>) -> tensor<1xi32>

Traits: InferTensorType , RecursiveMemoryEffects , SameVariadicOperandSize , SingleBlockImplicitTerminator<ReturnOp> , SingleBlock

Interfaces: InferShapedTypeOpInterface , InferTypeOpInterface

Attributes:

صفت	MLIR Type	توضیحات
dimensions	::mlir::DenseIntElementsAttr	64-bit signless integer elements attribute

Operands:

عملوند	توضیحات
inputs	variadic of ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values
init_values	variadic of ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

نتایج:

نتیجه	توضیحات
«unnamed»	variadic of ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

mhlo.reduce_precision (mhlo::ReducePrecisionOp)

ReducePrecision operation

نحو:

operation ::= `mhlo.reduce_precision` $operand `,` `format` `=` custom<ExponentMantissa>($exponent_bits, $mantissa_bits)
              attr-dict `:` custom<SameOperandsAndResultType>(type($operand), type($output))

Performs element-wise conversion of operand to another floating-point type that uses exponent_bits and mantissa_bits and back to the original floating-point type and produces an output tensor.

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

مثال:

%output = mhlo.reduce_precision %operand, format = e5m2 : tensor<6xf32>

Traits: AlwaysSpeculatableImplTrait , CompatibleOperandsAndResultType , Elementwise

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

Effects: MemoryEffects::Effect{}

Attributes:

صفت	MLIR Type	توضیحات
exponent_bits	::mlir::IntegerAttr	32-bit signless integer attribute whose value is positive
mantissa_bits	::mlir::IntegerAttr	32-bit signless integer attribute whose value is non-negative

Operands:

عملوند	توضیحات
operand	ranked tensor of 4/6/8/16/32/64-bit float values

نتایج:

نتیجه	توضیحات
output	ranked tensor of 4/6/8/16/32/64-bit float values

mhlo.reduce_scatter (mhlo::ReduceScatterOp)

ReduceScatter operation

Within each process group in the process grid, performs reduction, using computations , over the values of the operand tensor from each process, splits the reduction result along scatter_dimension into parts, and scatters the split parts between the processes to produce the result .

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

مثال:

%result = "mhlo.reduce_scatter"(%operand) ({
  ^bb0(%arg0: tensor<f32>, %arg1: tensor<f32>):
  %0 = mhlo.add %arg0, %arg1 : tensor<f32>
  mhlo.return %0 : tensor<f32>
}) {
  scatter_dimension = 1 : i64,
  replica_groups = dense<[[0, 1]]> : tensor<1x2xi64>,
  // channel_id = 0
  channel_handle = #mhlo.channel_handle<handle = 0, type = 0>
  // use_global_device_ids = false
} : (tensor<2x4xf32>) -> tensor<2x2xf32>

Attributes:

صفت	MLIR Type	توضیحات
scatter_dimension	::mlir::IntegerAttr	64-bit signless integer attribute whose value is non-negative
replica_groups	::mlir::DenseIntElementsAttr	64-bit signless integer elements attribute
channel_handle	::mlir::mhlo::ChannelHandleAttr	two 64-bit integers 'handle' and 'type'
use_global_device_ids	::mlir::UnitAttr	unit attribute

Operands:

عملوند	توضیحات
operand	ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

نتایج:

نتیجه	توضیحات
«unnamed»	ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

mhlo.reduce_window (mhlo::ReduceWindowOp)

ReduceWindow operation

Applies a reduction function body to windows of inputs and init_values and produces results .

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

مثال:

%result = "mhlo.reduce_window"(%input, %init_value) ({
  ^bb0(%arg0: tensor<i32>, %arg1: tensor<i32>):
    %0 = mhlo.add %arg0, %arg1 : tensor<i32>
    mhlo.return %0 : tensor<i32>
}) {
  window_dimensions = dense<[2, 1]> : tensor<2xi64>,
  window_strides = dense<[4, 1]> : tensor<2xi64>,
  base_dilations = dense<[2, 1]> : tensor<2xi64>,
  window_dilations = dense<[3, 1]> : tensor<2xi64>,
  padding = dense<[[2, 1], [0, 0]]> : tensor<2x2xi64>
} : (tensor<3x2xi32>, tensor<i32>) -> tensor<2x2xi32>

Traits: InferTensorType , RecursiveMemoryEffects , SameVariadicOperandSize , SingleBlockImplicitTerminator<ReturnOp> , SingleBlock

Interfaces: InferShapedTypeOpInterface , InferTypeOpInterface

Attributes:

صفت	MLIR Type	توضیحات
window_dimensions	::mlir::DenseIntElementsAttr	64-bit signless integer elements attribute
window_strides	::mlir::DenseIntElementsAttr	64-bit signless integer elements attribute
base_dilations	::mlir::DenseIntElementsAttr	64-bit signless integer elements attribute
window_dilations	::mlir::DenseIntElementsAttr	64-bit signless integer elements attribute
padding	::mlir::DenseIntElementsAttr	64-bit signless integer elements attribute

Operands:

عملوند	توضیحات
inputs	variadic of ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values
init_values	variadic of ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

نتایج:

نتیجه	توضیحات
«unnamed»	variadic of ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

mhlo.remainder (mhlo::RemOp)

Rem operation

نحو:

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

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

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

مثال:

%result = mhlo.remainder %lhs, %rhs : tensor<4xi64>

Traits: AlwaysSpeculatableImplTrait , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

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

Effects: MemoryEffects::Effect{}

Operands:

عملوند	توضیحات
lhs	ranked tensor of 2/4/8/16/32/64-bit integer or 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values
rhs	ranked tensor of 2/4/8/16/32/64-bit integer or 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

نتایج:

نتیجه	توضیحات
result	ranked tensor of 2/4/8/16/32/64-bit integer or 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

mhlo.replica_id (mhlo::ReplicaIdOp)

ReplicaId operation

نحو:

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

Produces replica_id of the current process.

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

مثال:

%result = mhlo.replica_id : tensor<ui32>

Traits: AlwaysSpeculatableImplTrait

Interfaces: ConditionallySpeculatable , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

نتایج:

نتیجه	توضیحات
«unnamed»	ranked tensor of 32-bit unsigned integer values

mhlo.reshape (mhlo::ReshapeOp)

Reshape operation

نحو:

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

Performs reshape of operand tensor to a result tensor.

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

مثال:

%result = mhlo.reshape %operand : (tensor<2xf32>) -> tensor<1x2xf32>

Traits: AlwaysSpeculatableImplTrait , HLO_CompatibleOperandsAndResultElementType

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Operands:

عملوند	توضیحات
operand	tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

نتایج:

نتیجه	توضیحات
«unnamed»	statically shaped or single bounded dimension tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

mhlo.return (mhlo::ReturnOp)

_This operation is a work in progress, so it is not yet included in the specification: https://github.com/openxla/stablehlo/issues/425

Informally, this operation serves as a terminator for regions defined by
the StableHLO ops. Non-StableHLO ops, e.g. `func.func`, have their own
terminators, e.g. `func.return`.

Example:

    ```mlir
    %result = "mhlo.reduce"(%input, %init_value) ({
      ^bb0(%arg0: tensor<i32>, %arg1: tensor<i32>):
        %0 = "mhlo.add"(%arg0, %arg1) : (tensor<i32>, tensor<i32>) -> tensor<i32>
        "mhlo.return"(%0) : (tensor<i32>) -> ()
    }) {
      dimensions = dense<1> : tensor<1xi64>
    } : (tensor<1x6xi32>, tensor<i32>) -> tensor<1xi32>
    ```_

Syntax:

```

operation ::= mhlo.return $results attr-dict ( : type($results)^)?

Traits: `AlwaysSpeculatableImplTrait`, `Terminator`

Interfaces: `ConditionallySpeculatable`, `NoMemoryEffect (MemoryEffectOpInterface)`

Effects: `MemoryEffects::Effect{}`

#### Operands:

| Operand | Description |
| :-----: | ----------- |
| `results` | variadic of ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values or token or nested tuple with any combination of ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized values or memref of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized values or ranked tensor of per-axis integer quantized values or token values or memref of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized values |



### `mhlo.reverse` (mhlo::ReverseOp)

_Reverse operation_

Reverses the order of elements in the `operand` along the specified
`dimensions` and produces a `result` tensor.

See:
<a href="https://github.com/openxla/stablehlo/blob/main/docs/spec.md#reverse">https://github.com/openxla/stablehlo/blob/main/docs/spec.md#reverse</a>

Example:
```mlir
%result = mhlo.reverse %operand, dims = [1] : tensor<3x2xi32>

Traits: AlwaysSpeculatableImplTrait , CompatibleOperandsAndResultType

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

Effects: MemoryEffects::Effect{}

Attributes:

صفت	MLIR Type	توضیحات
dimensions	::mlir::DenseIntElementsAttr	64-bit signless integer elements attribute

Operands:

عملوند	توضیحات
operand	ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

نتایج:

نتیجه	توضیحات
«unnamed»	ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

mhlo.rng (mhlo::RngOp)

Rng operation

Generates random numbers using the rng_distribution algorithm and produces a result tensor of a given shape shape .

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

مثال:

%result = mhlo.rng %a, %b, %shape, distribution = NORMAL : (tensor<i32>, tensor<i32>, tensor<2xi64>) -> tensor<3x3xi32>

Traits: InferTensorType

Interfaces: InferShapedTypeOpInterface , InferTypeOpInterface

Attributes:

صفت	MLIR Type	توضیحات
rng_distribution	::mlir::mhlo::RngDistributionAttr	XLA PRNG distribution to be used.

Operands:

عملوند	توضیحات
a	0D tensor of bool or 2/4/8/16/32/64-bit integer or 4/6/8/16/32/64-bit float values
b	0D tensor of bool or 2/4/8/16/32/64-bit integer or 4/6/8/16/32/64-bit float values
shape	1D tensor of index or 2/4/8/16/32/64-bit integer values

نتایج:

نتیجه	توضیحات
result	ranked tensor of bool or 2/4/8/16/32/64-bit integer or 4/6/8/16/32/64-bit float values

mhlo.rng_bit_generator (mhlo::RngBitGeneratorOp)

RngBitGenerator operation

Returns an output filled with uniform random data and an updated output state output_state given an initial state initial_state using the pseudorandom number generator algorithm rng_algorithm .

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

مثال:

%output_state, %output = mhlo.rng_bit_generator %initial_state, algorithm = THREE_FRY : (tensor<2xui64>) -> (tensor<2xui64>, tensor<2x2xui64>)

Traits: AlwaysSpeculatableImplTrait

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Attributes:

صفت	MLIR Type	توضیحات
rng_algorithm	::mlir::mhlo::RngAlgorithmAttr	XLA PRNG algorithm to be used.

Operands:

عملوند	توضیحات
initial_state	ranked tensor of 2/4/8/16/32/64-bit integer or 4/6/8/16/32/64-bit float values

نتایج:

نتیجه	توضیحات
output_state	ranked tensor of 2/4/8/16/32/64-bit integer or 4/6/8/16/32/64-bit float values
output	statically shaped tensor of 2/4/8/16/32/64-bit integer or 4/6/8/16/32/64-bit float values

mhlo.round_nearest_afz (mhlo::RoundOp)

Round operation

نحو:

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

Performs element-wise rounding towards the nearest integer, breaking ties away from zero, on the operand tensor and produces a result tensor.

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

مثال:

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

Traits: AlwaysSpeculatableImplTrait , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

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

Effects: MemoryEffects::Effect{}

Operands:

عملوند	توضیحات
operand	ranked tensor of 4/6/8/16/32/64-bit float values

نتایج:

نتیجه	توضیحات
result	ranked tensor of 4/6/8/16/32/64-bit float values

mhlo.round_nearest_even (mhlo::RoundNearestEvenOp)

RoundNearestEven operation

نحو:

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

Performs element-wise rounding towards the nearest integer, breaking ties towards the even integer, on the operand tensor and produces a result tensor.

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

مثال:

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

Traits: AlwaysSpeculatableImplTrait , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

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

Effects: MemoryEffects::Effect{}

Operands:

عملوند	توضیحات
operand	ranked tensor of 4/6/8/16/32/64-bit float values

نتایج:

نتیجه	توضیحات
result	ranked tensor of 4/6/8/16/32/64-bit float values

mhlo.rsqrt (mhlo::RsqrtOp)

Rsqrt operation

نحو:

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

Performs element-wise reciprocal square root operation on operand tensor and produces a result tensor, implementing the rSqrt operation from the IEEE-754 specification.

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

مثال:

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

Traits: AlwaysSpeculatableImplTrait , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

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

Effects: MemoryEffects::Effect{}

Attributes:

صفت	MLIR Type	توضیحات
result_accuracy	::mlir::mhlo::ResultAccuracyAttr	The requested accuracy for unary ops.

Operands:

عملوند	توضیحات
operand	ranked tensor of 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements or per-tensor integer quantized values

نتایج:

نتیجه	توضیحات
result	ranked tensor of 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements or per-tensor integer quantized values

mhlo.scatter (mhlo::ScatterOp)

Scatter operation

Produces results tensors which are equal to inputs tensors except that several slices specified by scatter_indices are updated with the values updates using update_computation .

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

مثال:

%result = "mhlo.scatter"(%input, %scatter_indices, %update) ({
  ^bb0(%arg0: tensor<i32>, %arg1: tensor<i32>):
    %0 = mhlo.add %arg0, %arg1 : tensor<i32>
    mhlo.return %0 : tensor<i32>
}) {
  scatter_dimension_numbers = #mhlo.scatter<
    update_window_dims = [3, 4],
    inserted_window_dims = [1],
    input_batching_dims = [0],
    scatter_indices_batching_dims = [1],
    scatter_dims_to_operand_dims = [2, 1],
    index_vector_dim = 3>,
  indices_are_sorted = false,
  unique_indices = false
} : (tensor<2x3x4x2xi64>, tensor<2x2x3x2xi64>, tensor<2x2x3x2x2xi64>) -> tensor<2x3x4x2xi64>

Traits: RecursiveMemoryEffects , SameVariadicOperandSize

Interfaces: InferTypeOpInterface

Attributes:

صفت	MLIR Type	توضیحات
scatter_dimension_numbers	::mlir::mhlo::ScatterDimensionNumbersAttr	Attribute that models the dimension information for scatter
indices_are_sorted	::mlir::BoolAttr	bool attribute
unique_indices	::mlir::BoolAttr	bool attribute

Operands:

عملوند	توضیحات
inputs	variadic of ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values
scatter_indices	ranked tensor of integer or index values
updates	variadic of ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

نتایج:

نتیجه	توضیحات
«unnamed»	variadic of ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

mhlo.select (mhlo::SelectOp)

Select operation

نحو:

operation ::= `mhlo.select` operands attr-dict `:`
              custom<SelectOpType>(type($pred), type($on_true), type($on_false), type($result))

Produces a result tensor where each element is selected from on_true or on_false tensor based on the value of the corresponding element of pred .

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

مثال:

%result = mhlo.select %pred, %on_true, %on_false : tensor<2x2xi1>, tensor<2x2xi32>

Traits: AlwaysSpeculatableImplTrait , HLO_BroadcastingElementwise , InferTensorType

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

Effects: MemoryEffects::Effect{}

Operands:

عملوند	توضیحات
pred	ranked tensor of bool values
on_true	ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values
on_false	ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

نتایج:

نتیجه	توضیحات
result	ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

mhlo.select_and_scatter (mhlo::SelectAndScatterOp)

SelectAndScatter operation

Scatters the values from the source tensor using scatter based on the outcome of reduce_window of the input tensor using select and produces a result tensor.

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

مثال:

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

Traits: RecursiveMemoryEffects

Interfaces: InferTypeOpInterface

Attributes:

صفت	MLIR Type	توضیحات
window_dimensions	::mlir::DenseIntElementsAttr	64-bit signless integer elements attribute
window_strides	::mlir::DenseIntElementsAttr	64-bit signless integer elements attribute
padding	::mlir::DenseIntElementsAttr	64-bit signless integer elements attribute

Operands:

عملوند	توضیحات
operand	ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values
source	ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values
init_value	ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

نتایج:

نتیجه	توضیحات
«unnamed»	ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

mhlo.send (mhlo::SendOp)

Send operation

Sends inputs to a channel channel_id and produces a result token.

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

مثال:

%result = "mhlo.send"(%operand, %token) {
  // channel_id = 5 : i64,
  // channel_type = #stablehlo<channel_type DEVICE_TO_DEVICE>,
  channel_handle = #mhlo.channel_handle<handle = 5, type = 1>,
  is_host_transfer = false,
  source_target_pairs = dense<[[0, 1], [1, 2]]> : tensor<2x2xi64>
} : (tensor<3x4xi32>, !mhlo.token) -> !mhlo.token

Interfaces: InferTypeOpInterface

Attributes:

صفت	MLIR Type	توضیحات
channel_handle	::mlir::mhlo::ChannelHandleAttr	two 64-bit integers 'handle' and 'type'
is_host_transfer	::mlir::BoolAttr	bool attribute
source_target_pairs	::mlir::DenseIntElementsAttr	64-bit signless integer elements attribute

Operands:

عملوند	توضیحات
inputs	variadic of ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values
token	نشانه

نتایج:

نتیجه	توضیحات
«unnamed»	نشانه

mhlo.set_dimension_size (mhlo::SetDimensionSizeOp)

SetDimensionSize operation

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

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

مثال:

%0 = mhlo.set_dimension_size %arg0, %arg1, dim = 1 : (tensor<4x2xf32>, tensor<i32>) -> tensor<4x2xf32>

Traits: AlwaysSpeculatableImplTrait , InferTensorType

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

Effects: MemoryEffects::Effect{}

Attributes:

صفت	MLIR Type	توضیحات
dimension	::mlir::IntegerAttr	64-bit signless integer attribute whose value is non-negative

Operands:

عملوند	توضیحات
operand	ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values
size	tensor of 32-bit signless integer values

نتایج:

نتیجه	توضیحات
«unnamed»	ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

mhlo.shift_left (mhlo::ShiftLeftOp)

ShiftLeft operation

نحو:

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

Performs element-wise left-shift operation on the lhs tensor by rhs number of bits and produces a result tensor.

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

مثال:

%result = mhlo.shift_left %lhs, %rhs : tensor<6xi8>

Traits: AlwaysSpeculatableImplTrait , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

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

Effects: MemoryEffects::Effect{}

Operands:

عملوند	توضیحات
lhs	ranked tensor of 2/4/8/16/32/64-bit integer values
rhs	ranked tensor of 2/4/8/16/32/64-bit integer values

نتایج:

نتیجه	توضیحات
result	ranked tensor of 2/4/8/16/32/64-bit integer values

mhlo.shift_right_arithmetic (mhlo::ShiftRightArithmeticOp)

ShiftRightArithmetic operation

نحو:

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

Performs element-wise arithmetic right-shift operation on the lhs tensor by rhs number of bits and produces a result tensor.

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

مثال:

%result = mhlo.shift_right_arithmetic %lhs, %rhs : tensor<6xi8>

Traits: AlwaysSpeculatableImplTrait , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

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

Effects: MemoryEffects::Effect{}

Operands:

عملوند	توضیحات
lhs	ranked tensor of 2/4/8/16/32/64-bit integer values
rhs	ranked tensor of 2/4/8/16/32/64-bit integer values

نتایج:

نتیجه	توضیحات
result	ranked tensor of 2/4/8/16/32/64-bit integer values

mhlo.shift_right_logical (mhlo::ShiftRightLogicalOp)

ShiftRightLogical operation

نحو:

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

Performs element-wise logical right-shift operation on the lhs tensor by rhs number of bits and produces a result tensor.

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

مثال:

%result = mhlo.shift_right_logical %lhs, %rhs : tensor<6xi8>

Traits: AlwaysSpeculatableImplTrait , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

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

Effects: MemoryEffects::Effect{}

Operands:

عملوند	توضیحات
lhs	ranked tensor of 2/4/8/16/32/64-bit integer values
rhs	ranked tensor of 2/4/8/16/32/64-bit integer values

نتایج:

نتیجه	توضیحات
result	ranked tensor of 2/4/8/16/32/64-bit integer values

mhlo.sign (mhlo::SignOp)

Sign operation

نحو:

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

Returns the sign of the operand element-wise and produces a result tensor.

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

مثال:

%result = mhlo.sign %operand : tensor<7xf32>

Traits: AlwaysSpeculatableImplTrait , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

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

Effects: MemoryEffects::Effect{}

Operands:

عملوند	توضیحات
operand	ranked tensor of 2/4/8/16/32/64-bit signless integer or 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements or per-tensor integer quantized values

نتایج:

نتیجه	توضیحات
result	ranked tensor of 2/4/8/16/32/64-bit signless integer or 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements or per-tensor integer quantized values

mhlo.sine (mhlo::SineOp)

Sine operation

نحو:

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

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

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

مثال:

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

Traits: AlwaysSpeculatableImplTrait , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

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

Effects: MemoryEffects::Effect{}

Attributes:

صفت	MLIR Type	توضیحات
result_accuracy	::mlir::mhlo::ResultAccuracyAttr	The requested accuracy for unary ops.

Operands:

عملوند	توضیحات
operand	ranked tensor of 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements or per-tensor integer quantized values

نتایج:

نتیجه	توضیحات
result	ranked tensor of 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements or per-tensor integer quantized values

mhlo.sinh (mhlo::SinhOp)

Sinh operation

نحو:

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

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

مثال:

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

Traits: CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

Interfaces: InferShapedTypeOpInterface , InferTypeOpInterface

Operands:

عملوند	توضیحات
operand	tensor of 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements values

نتایج:

نتیجه	توضیحات
result	tensor of 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements values

mhlo.slice (mhlo::SliceOp)

Slice operation

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

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

مثال:

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

Traits: AlwaysSpeculatableImplTrait , SameOperandsAndResultElementType

Interfaces: ConditionallySpeculatable , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Attributes:

صفت	MLIR Type	توضیحات
start_indices	::mlir::DenseIntElementsAttr	64-bit signless integer elements attribute
limit_indices	::mlir::DenseIntElementsAttr	64-bit signless integer elements attribute
strides	::mlir::DenseIntElementsAttr	64-bit signless integer elements attribute

Operands:

عملوند	توضیحات
operand	ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

نتایج:

نتیجه	توضیحات
«unnamed»	ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

mhlo.sort (mhlo::SortOp)

Sort operation

Sorts a variadic number of tensors in inputs together, according to a custom comparator , along the given dimension and produces a variadic number of tensors as results .

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

مثال:

%result0, %result1 = "mhlo.sort"(%input0, %input1) ({
  ^bb0(%arg0: tensor<i32>, %arg1: tensor<i32>, %arg2: tensor<i32>, %arg3: tensor<i32>):
    %predicate = "mhlo.compare"(%arg0, %arg1) {
      comparison_direction = #stablehlo<comparison_direction GT>
      } : (tensor<i32>, tensor<i32>) -> tensor<i1>
    "mhlo.return"(%predicate) : (tensor<i1>) -> ()
}) {
  dimension = 0 : i64,
  is_stable = true
} : (tensor<2x3xi32>, tensor<2x3xi32>) -> (tensor<2x3xi32>, tensor<2x3xi32>)

Traits: InferTensorType , RecursiveMemoryEffects , SameOperandsAndResultShape

Interfaces: InferShapedTypeOpInterface , InferTypeOpInterface

Attributes:

صفت	MLIR Type	توضیحات
dimension	::mlir::IntegerAttr	64-bit signless integer attribute
is_stable	::mlir::BoolAttr	bool attribute

Operands:

عملوند	توضیحات
inputs	variadic of ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

نتایج:

نتیجه	توضیحات
«unnamed»	variadic of ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

mhlo.sqrt (mhlo::SqrtOp)

Sqrt operation

نحو:

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

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

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

مثال:

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

Traits: AlwaysSpeculatableImplTrait , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

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

Effects: MemoryEffects::Effect{}

Attributes:

صفت	MLIR Type	توضیحات
result_accuracy	::mlir::mhlo::ResultAccuracyAttr	The requested accuracy for unary ops.

Operands:

عملوند	توضیحات
operand	ranked tensor of 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements or per-tensor integer quantized values

نتایج:

نتیجه	توضیحات
result	ranked tensor of 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements or per-tensor integer quantized values

mhlo.stochastic_convert (mhlo::StochasticConvertOp)

StochasticConvert operation

This operation is a work in progress, so it is not yet included in the specification: https://github.com/openxla/stablehlo/issues/295

Informally, this operation performs element-wise conversion of values from a bigger type to a smaller one with stochastic rounding using the random number passed in.

Traits: AlwaysSpeculatableImplTrait , Elementwise

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Operands:

عملوند	توضیحات
operand	ranked tensor of 4/6/8/16/32/64-bit float values
random	ranked tensor of 2/4/8/16/32/64-bit unsigned integer values

نتایج:

نتیجه	توضیحات
result	ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

mhlo.subtract (mhlo::SubtractOp)

Subtract operation

نحو:

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

Performs element-wise subtraction of two tensors lhs and rhs and produces a result tensor.

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

مثال:

%result = mhlo.subtract %lhs, %rhs : tensor<2xi32>

Traits: AlwaysSpeculatableImplTrait , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

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

Effects: MemoryEffects::Effect{}

Operands:

عملوند	توضیحات
lhs	ranked tensor of 2/4/8/16/32/64-bit integer or 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values
rhs	ranked tensor of 2/4/8/16/32/64-bit integer or 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

نتایج:

نتیجه	توضیحات
result	ranked tensor of 2/4/8/16/32/64-bit integer or 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

mhlo.tan (mhlo::TanOp)

Tan operation

نحو:

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

This operation is a work in progress, so it is not yet included in the specification: https://github.com/openxla/stablehlo/issues/954

Informally, this operation returns Tan(operand) element-wise.

مثال:

%0 = mhlo.tan %arg0 : tensor<2xf32>

Traits: AlwaysSpeculatableImplTrait , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

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

Effects: MemoryEffects::Effect{}

Attributes:

صفت	MLIR Type	توضیحات
result_accuracy	::mlir::mhlo::ResultAccuracyAttr	The requested accuracy for unary ops.

Operands:

عملوند	توضیحات
operand	ranked tensor of 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements or per-tensor integer quantized values

نتایج:

نتیجه	توضیحات
result	ranked tensor of 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements or per-tensor integer quantized values

mhlo.tanh (mhlo::TanhOp)

Tanh operation

نحو:

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

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

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

مثال:

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

Traits: AlwaysSpeculatableImplTrait , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

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

Effects: MemoryEffects::Effect{}

Attributes:

صفت	MLIR Type	توضیحات
result_accuracy	::mlir::mhlo::ResultAccuracyAttr	The requested accuracy for unary ops.

Operands:

عملوند	توضیحات
operand	ranked tensor of 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements or per-tensor integer quantized values

نتایج:

نتیجه	توضیحات
result	ranked tensor of 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements or per-tensor integer quantized values

mhlo.topk (mhlo::TopKOp)

TopK operation

نحو:

operation ::= `mhlo.topk` `(`$operand `,` `k` `=` $k (`,` `largest` `=` $largest^)? `)` attr-dict `:`
              type($operand) `->` `(`type($values)`,` type($indices)`)`

Returns top k values and their indices, along the last dimension of the operand if largest=true or the bottom k values if largest=false .

See: https://www.tensorflow.org/xla/operation_semantics#top-k

مثال:

%values, %indices = mhlo.topk(%operand, k=5, largest=true)
  : tensor<100xf32> -> (tensor<5xf32>, tensor<5xi32>)

Traits: InferTensorType , RecursiveMemoryEffects

Interfaces: InferShapedTypeOpInterface , InferTypeOpInterface

Attributes:

صفت	MLIR Type	توضیحات
k	::mlir::IntegerAttr	64-bit signless integer attribute
largest	::mlir::BoolAttr	bool attribute

Operands:

عملوند	توضیحات
operand	ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

نتایج:

نتیجه	توضیحات
values	ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values
indices	ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

mhlo.torch_index_select (mhlo::TorchIndexSelectOp)

TorchIndexSelect operation

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

Informally, this operation does the same thing as PyTorch's index_select, augmented with support for batch dimensions: https://pytorch.org/docs/stable/generated/torch.index_select.html

The batch_dims attribute specifies the number of major batch dimensions (0 or more) that act like a multidimensional loop over both the operand and the index.

مثال:

%result = "mhlo.torch_index_select"(%operand, %index) {
  dim = 2 : i64,
  batch_dims = 1 : i64
} : (tensor<8x128x3072x64xf32>, tensor<8x16x1024xi32>) -> tensor<8x128x16x1024x64xf32>

Traits: AlwaysSpeculatableImplTrait

Interfaces: ConditionallySpeculatable , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Attributes:

صفت	MLIR Type	توضیحات
dim	::mlir::IntegerAttr	64-bit signless integer attribute
batch_dims	::mlir::IntegerAttr	64-bit signless integer attribute

Operands:

عملوند	توضیحات
operand	ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values
index	ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

نتایج:

نتیجه	توضیحات
«unnamed»	ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

mhlo.trace (mhlo::TraceOp)

Trace operation

نحو:

operation ::= `mhlo.trace` $operand `,` $tag attr-dict `:` type($operand)

This operation is on its way out of StableHLO, so it is not included in the specification: https://github.com/openxla/stablehlo/issues/604

It is not used by JAX, PyTorch or TensorFlow, so it looks like we should've classified it as "Private to XLA" and not included it in StableHLO in the first place. With that in mind, its semantics will not be documented here.

مثال:

mhlo.trace %arg0, "In test code." : tensor<5x1x5xi32>

Attributes:

صفت	MLIR Type	توضیحات
tag	::mlir::StringAttr	string attribute

Operands:

عملوند	توضیحات
operand	ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

mhlo.transpose (mhlo::TransposeOp)

Transpose operation

Permutes the dimensions of operand tensor using permutation and produces a result tensor.

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

مثال:

%0 = mhlo.transpose %arg0, dims = [2, 1, 0] : (tensor<1x2x3xi32>) -> tensor<3x2x1xi32>

Traits: AlwaysSpeculatableImplTrait , HLO_CompatibleOperandsAndResultElementType

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

Effects: MemoryEffects::Effect{}

Attributes:

صفت	MLIR Type	توضیحات
permutation	::mlir::DenseIntElementsAttr	64-bit signless integer elements attribute

Operands:

عملوند	توضیحات
operand	ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

نتایج:

نتیجه	توضیحات
«unnamed»	ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

mhlo.triangular_solve (mhlo::TriangularSolveOp)

TriangularSolve operation

Solves batches of systems of linear equations with lower or upper triangular coefficient matrices.

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

مثال:

%result = "mhlo.triangular_solve"(%a, %b) {
  left_side = true,
  lower = true,
  unit_diagonal = false,
  transpose_a = #stablehlo<transpose NO_TRANSPOSE>
} : (tensor<3x3xf32>, tensor<3x3xf32>) -> tensor<3x3xf32>

Traits: AlwaysSpeculatableImplTrait , InferTensorType , SameOperandsAndResultElementType

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

Effects: MemoryEffects::Effect{}

Attributes:

صفت	MLIR Type	توضیحات
left_side	::mlir::BoolAttr	bool attribute
lower	::mlir::BoolAttr	bool attribute
unit_diagonal	::mlir::BoolAttr	bool attribute
transpose_a	::mlir::mhlo::TransposeAttr	Transpose options

Operands:

عملوند	توضیحات
a	ranked tensor of 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements values
b	ranked tensor of 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements values

نتایج:

نتیجه	توضیحات
«unnamed»	ranked tensor of 4/6/8/16/32/64-bit float or complex type with 32/64-bit float elements values

mhlo.tuple (mhlo::TupleOp)

Tuple operation

نحو:

operation ::= `mhlo.tuple` $val attr-dict `:` custom<TupleOpType>(type($val), type($result))

Produces a result tuple from values val .

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

مثال:

%result = mhlo.tuple %val0, %val1 : tuple<tensor<2xf32>, tuple<tensor<i32>>>

Traits: AlwaysSpeculatableImplTrait

Interfaces: ConditionallySpeculatable , InferTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Operands:

عملوند

توضیحات

val

variadic of ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values or token or nested tuple with any combination of ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized values or memref of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized values or ranked tensor of per-axis integer quantized values or token values or memref of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized values

نتایج:

نتیجه

توضیحات

result

nested tuple with any combination of ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized values or memref of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized values or ranked tensor of per-axis integer quantized values or token values

mhlo.uniform_dequantize (mhlo::UniformDequantizeOp)

UniformDequantize operation

نحو:

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

Performs element-wise conversion of quantized tensor operand to a floating-point tensor result according to the quantization parameters defined by the operand type.

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

مثال:

%result = mhlo.uniform_dequantize %operand : (tensor<16x16x!quant.uniform<i8:f32, 34.0:16>>) -> tensor<16x16xf32>

Traits: AlwaysSpeculatableImplTrait , Elementwise , InferTensorType , SameOperandsAndResultShape

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

Effects: MemoryEffects::Effect{}

Operands:

عملوند	توضیحات
operand	ranked tensor of per-tensor integer quantized or per-axis integer quantized values

نتایج:

نتیجه	توضیحات
result	ranked tensor of 4/6/8/16/32/64-bit float values

mhlo.uniform_quantize (mhlo::UniformQuantizeOp)

UniformQuantize operation

نحو:

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

Performs element-wise conversion of floating-point tensor or quantized tensor operand to a quantized tensor result according to the quantization parameters defined by the result type.

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

مثال:

%result = mhlo.uniform_quantize %operand : (tensor<16x16xf32>) -> tensor<16x16x!quant.uniform<ui8:f32, 34.0:16>>

Traits: AlwaysSpeculatableImplTrait , Elementwise , SameOperandsAndResultShape

Interfaces: ConditionallySpeculatable , InferShapedTypeOpInterface , NoMemoryEffect (MemoryEffectOpInterface)

Effects: MemoryEffects::Effect{}

Operands:

عملوند	توضیحات
operand	ranked tensor of 4/6/8/16/32/64-bit float or 2/4/8/16/32-bit uniform quantized signed integer or 2/4/8/16/32-bit uniform quantized per axis signed integer or 2/4/8/16/32-bit uniform quantized unsigned integer or 2/4/8/16/32-bit uniform quantized per axis unsigned integer values

نتایج:

نتیجه	توضیحات
result	ranked tensor of per-tensor integer quantized or per-axis integer quantized values

mhlo.while (mhlo::WhileOp)

While operation

Produces the output from executing body function 0 or more times while the cond function outputs true .

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

مثال:

%results0, %results1 = "mhlo.while"(%operand0, %operand1) ({
  ^bb0(%arg0: tensor<i32>, %arg1: tensor<i32>):
    %0 = "mhlo.compare"(%arg0, %arg1) {
      comparison_direction = #stablehlo<comparison_direction LT>
    } : (tensor<i32>, tensor<i32>) -> tensor<i1>
    "mhlo.return"(%0) : (tensor<i1>) -> ()
}, {
  ^bb0(%arg0: tensor<i32>, %arg1: tensor<i32>):
    %0 = "mhlo.add"(%arg0, %constant0) : (tensor<i32>, tensor<i32>) -> tensor<i32>
    "mhlo.return"(%0, %arg1) : (tensor<i32>, tensor<i32>) -> ()
}) : (tensor<i32>, tensor<i32>) -> (tensor<i32>, tensor<i32>)

Traits: RecursiveMemoryEffects , SingleBlockImplicitTerminator<ReturnOp> , SingleBlock

Interfaces: InferTypeOpInterface , OpAsmOpInterface

Operands:

عملوند

توضیحات

operand

variadic of ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized values or ranked tensor of per-axis integer quantized values or token or memref of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized values

نتایج:

نتیجه

توضیحات

«unnamed»

variadic of ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized values or ranked tensor of per-axis integer quantized values or token or memref of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized values

mhlo.xla.rng_get_and_update_state (mhlo::XlaRngGetAndUpdateStateOp)

XlaRngGetAndUpdateState operation

نحو:

operation ::= `mhlo.xla.rng_get_and_update_state` attr-dict

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

Informally, this operation represents the change of the global random number generator state for rng instructions. The global state is incremented by delta and the old state is returned.

The output is currently defined for a single output type. If this changes in the future to support multiple types, lowering to use of a global memref must ensure that a single memref is still used and updated appropriately.

Interfaces: InferTypeOpInterface

Attributes:

صفت	MLIR Type	توضیحات
delta	::mlir::IntegerAttr	64-bit signless integer attribute

نتایج:

نتیجه	توضیحات
«unnamed»	statically shaped tensor of 64-bit unsigned integer values

mhlo.xor (mhlo::XorOp)

Xor operation

نحو:

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

Performs element-wise XOR of two tensors lhs and rhs and produces a result tensor.

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

مثال:

%result = mhlo.xor %lhs, %rhs : tensor<2xi32>

Traits: AlwaysSpeculatableImplTrait , Commutative , CompatibleOperandsAndResultType , Elementwise , SameOperandsAndResultShape

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

Effects: MemoryEffects::Effect{}

Operands:

عملوند	توضیحات
lhs	ranked tensor of bool or 2/4/8/16/32/64-bit integer values
rhs	ranked tensor of bool or 2/4/8/16/32/64-bit integer values

نتایج:

نتیجه	توضیحات
result	ranked tensor of 4/6/8/16/32/64-bit float or bool or 2/4/8/16/32/64-bit integer or complex type with 32/64-bit float elements or per-tensor integer quantized or per-axis integer quantized values

صفات

ArgResultAliasAttr

Attribute that models the alias relationship of entry function argument

This attribute captures the alias relationship of an MHLO main function argument to one of the results, denoted by resultIndex . The argTupleIndices and resultTupleIndices are used to index into nested tuples in operand and result respectively. If isMustAlias is true then the operand-result pair must alias.

This is meant to be used as an attribute on a function argument in MHLO. For example, in the following code it expresses that %arg1 may alias 0-th result.

func @main(%arg0: tensor<2xf32>, %arg1: tensor<3xf32> {mhlo.result_alias =
    mhlo.result_alias<result_index = [2], ...>}
  ) -> tensor<2xf32>, tensor<3xf32> {
  // function body ...
}

پارامترها:

پارامتر	C++ type	توضیحات
argTupleIndices	::llvm::ArrayRef<int64_t>	بعد
resultIndex	int64_t
resultTupleIndices	::llvm::ArrayRef<int64_t>	بعد
isMustAlias	bool

ChannelHandleAttr

Two 64-bit integers 'handle' and 'type'

نحو:

#mhlo.channel_handle<
  int64_t,   # handle
  int64_t   # type
>

پارامترها:

پارامتر	C++ type	توضیحات
دسته	int64_t
نوع	int64_t

ComparisonDirectionAttr

Which comparison operation to perform.

نحو:

#mhlo.comparison_direction<
  ::mlir::mhlo::ComparisonDirection   # value
>

پارامترها:

پارامتر	C++ type	توضیحات
ارزش	::mlir::mhlo::ComparisonDirection	an enum of type ComparisonDirection

ComparisonTypeAttr

Which comparison type to use.

نحو:

#mhlo.comparison_type<
  ::mlir::mhlo::ComparisonType   # value
>

پارامترها:

پارامتر	C++ type	توضیحات
ارزش	::mlir::mhlo::ComparisonType	an enum of type ComparisonType

ConvDimensionNumbersAttr

Structure of dimension information for conv op

پارامترها:

پارامتر	C++ type	توضیحات
inputBatchDimension	int64_t
inputFeatureDimension	int64_t
inputSpatialDimensions	::llvm::ArrayRef<int64_t>	بعد
kernelInputFeatureDimension	int64_t
kernelOutputFeatureDimension	int64_t
kernelSpatialDimensions	::llvm::ArrayRef<int64_t>	بعد
outputBatchDimension	int64_t
outputFeatureDimension	int64_t
outputSpatialDimensions	::llvm::ArrayRef<int64_t>	بعد

CrossProgramPrefetchAttr

Argument that is prefetched from another program

نحو:

#mhlo.cross_program_prefetch<
  int64_t,   # parameter
  ::llvm::ArrayRef<int64_t>,   # indices
  std::optional<int64_t>   # offset
>

This attribute captures an argument that is prefetched from another program. For a given CrossProgramPrefetchAttr , parameter tells us which argument of the main function of the module is prefetched, and indices is a shape index telling us what subshape of that argument is prefetched.

A shape has a subshape iff it is a tuple. In that case, the subshape of the tuple by indices is the shape achieved after indexing by each element of indices in turn. For example, the [1,0] subshape of tuple<tuple<token, token>, tuple<tensor<i32>, token>> is tensor<i32> .

An empty value for indices means the whole shape is prefetched.

به عنوان مثال،

module attributes { mhlo.cross_program_prefetch = [ #mhlo.cross_program_prefetch< parameter = 0, indices = [0]> ]} {
  func.func @copy(%arg0 : tuple<tensor<2x3xi32>, tensor<i32>>) -> tuple<tensor<2x3xi32>, tensor<i32>> {
    %0 = "mhlo.copy"(%arg0) {is_cross_program_prefetch}
    return %0 : tuple<tensor<2x3xi32>, tensor<i32>>
  }
  func.func @main(%arg0 : tuple<tensor<2x3xi32>, tensor<i32>>) -> tuple<tensor<2x3xi32>, tensor<i32>> {
    %1 = "mhlo.async_start"(%arg0) {called_computation=@copy}
    %2 = "mhlo.async_done"(%1) {called_computation=@copy}
    return %2 : tuple<tensor<2x3xi32>, tensor<i32>>
  }
}

The parameter = 0 tells us that the async copy of the 0 th parameter is a cross_program_prefetch , while the index of [0] tells us that the 0 th element of the tuple is prefetched while the other element of the tuple is not.

پارامترها:

پارامتر	C++ type	توضیحات
پارامتر	int64_t
شاخص ها	::llvm::ArrayRef<int64_t>	بعد
جبران	std::optional<int64_t>

CustomCallScheduleAttr

Specifies the desired schedule for the custom-call.

نحو:

#mhlo.custom_call_schedule<
  ::mlir::mhlo::CustomCallSchedule   # value
>

پارامترها:

پارامتر	C++ type	توضیحات
ارزش	::mlir::mhlo::CustomCallSchedule	an enum of type CustomCallSchedule

DequantizeModeAttr

_Dequantization mode. Only MIN COMBINED is supported.

نحو:

#mhlo.dequantize_mode<
  ::mlir::mhlo::DequantizeMode   # value
>

پارامترها:

پارامتر	C++ type	توضیحات
ارزش	::mlir::mhlo::DequantizeMode	an enum of type DequantizeMode

DomainKindAttr

Kind of domain metatdata attached to an HLO domain.

نحو:

#mhlo.kind<
  ::mlir::mhlo::DomainKind   # value
>

پارامترها:

پارامتر	C++ type	توضیحات
ارزش	::mlir::mhlo::DomainKind	an enum of type DomainKind

DotAlgorithmAttr

Attribute that models the algorithm constraints to use for computing dot.

نحو:

#mhlo.dot_algorithm<
  Type,   # lhsPrecisionType
  Type,   # rhsPrecisionType
  Type,   # accumulationType
  int64_t,   # lhsComponentCount
  int64_t,   # rhsComponentCount
  int64_t,   # numPrimitiveOperations
  bool   # allowImpreciseAccumulation
>

پارامترها:

پارامتر	C++ type	توضیحات
lhsPrecisionType	Type
rhsPrecisionType	Type
accumulationType	Type
lhsComponentCount	int64_t
rhsComponentCount	int64_t
numPrimitiveOperations	int64_t
allowImpreciseAccumulation	bool

DotDimensionNumbersAttr

Attribute that models the dimension information for dot.

پارامترها:

پارامتر	C++ type	توضیحات
lhsBatchingDimensions	::llvm::ArrayRef<int64_t>	بعد
rhsBatchingDimensions	::llvm::ArrayRef<int64_t>	بعد
lhsContractingDimensions	::llvm::ArrayRef<int64_t>	بعد
rhsContractingDimensions	::llvm::ArrayRef<int64_t>	بعد

FftTypeAttr

XLA fast fourier transform type.

نحو:

#mhlo.fft_type<
  ::mlir::mhlo::FftType   # value
>

پارامترها:

پارامتر	C++ type	توضیحات
ارزش	::mlir::mhlo::FftType	an enum of type FftType

FusionKindAttr

Fusion kind

نحو:

#mhlo.fusion_kind<
  ::mlir::mhlo::FusionKind   # value
>

پارامترها:

پارامتر	C++ type	توضیحات
ارزش	::mlir::mhlo::FusionKind	an enum of type FusionKind

GatherDimensionNumbersAttr

Attribute that models the dimension information for gather

پارامترها:

پارامتر	C++ type	توضیحات
offsetDims	::llvm::ArrayRef<int64_t>	بعد
collapsedSliceDims	::llvm::ArrayRef<int64_t>	بعد
operandBatchingDims	::llvm::ArrayRef<int64_t>	بعد
startIndicesBatchingDims	::llvm::ArrayRef<int64_t>	بعد
startIndexMap	::llvm::ArrayRef<int64_t>	بعد
indexVectorDim	int64_t

OutputOperandAliasAttr

Attribute that models the alias relationship of output and operand of a CustomCall op

نحو:

#mhlo.output_operand_alias<
  ::llvm::ArrayRef<int64_t>,   # outputTupleIndices
  int64_t,   # operandIndex
  ::llvm::ArrayRef<int64_t>   # operandTupleIndices
>

This attribute captures the alias relationship of the output to one of the operands for a CustomCall op, denoted by operand_index . The output_tuple_indices and operand_tuple_indices are used to index into output and operand types. These indices lists are empty if the corresponding types are not tuple types, and can be arbitrarily long in case of arbitrarily nested tuple types.

See https://www.tensorflow.org/xla/aliasing

Example when used as array with in mhlo.custom-call:

%0 = "mhlo.custom_call"(%arg0, %arg1) {
  // other attributes
  output_operand_alias = [
    #mhlo.output_operand_alias<output_tuple_indices = [0],
                               operand_index = 0,
                               operand_tuple_indices = [1]>
  ]
} : (tuple<tensor<1x1xf32>, tensor<2x3xf32>>, tensor<5x5xf32>) -> tuple<tensor<2x3xf32>>

The output and the 0th operand are both tuples. The aliasing shows the
relationship between the 0th element in output tuple with the 1st element in
the 0th operand. And both of them are of the same type: tensor<2x3xf32>.

پارامترها:

پارامتر	C++ type	توضیحات
outputTupleIndices	::llvm::ArrayRef<int64_t>	بعد
operandIndex	int64_t
operandTupleIndices	::llvm::ArrayRef<int64_t>	بعد

PrecisionAttr

XLA precision for an operand. Has backend specific meaning.

نحو:

#mhlo.precision<
  ::mlir::mhlo::Precision   # value
>

پارامترها:

پارامتر	C++ type	توضیحات
ارزش	::mlir::mhlo::Precision	an enum of type Precision

RaggedDotDimensionNumbersAttr

Attribute that models the dimension information for ragged dot.

پارامترها:

پارامتر	C++ type	توضیحات
dotDimensionNumbers	::mlir::mhlo::DotDimensionNumbersAttr	Attribute that models the dimension information for dot.
lhsRaggedDimensions	::llvm::ArrayRef<int64_t>	بعد
rhsGroupDimensions	::llvm::ArrayRef<int64_t>	بعد

ResultAccuracyAttr

The requested accuracy for unary ops.

پارامترها:

پارامتر	C++ type	توضیحات
اتل	APFloat
rtol	APFloat
ulps	int64_t
حالت	::mlir::mhlo::ResultAccuracyModeAttr	XLA result accuracy mode.

ResultAccuracyModeAttr

XLA result accuracy mode.

نحو:

#mhlo.result_accuracy_mode<
  ::mlir::mhlo::ResultAccuracyMode   # value
>

پارامترها:

پارامتر	C++ type	توضیحات
ارزش	::mlir::mhlo::ResultAccuracyMode	an enum of type ResultAccuracyMode

RngAlgorithmAttr

XLA PRNG algorithm to be used.

نحو:

#mhlo.rng_algorithm<
  ::mlir::mhlo::RngAlgorithm   # value
>

پارامترها:

پارامتر	C++ type	توضیحات
ارزش	::mlir::mhlo::RngAlgorithm	an enum of type RngAlgorithm

RngDistributionAttr

XLA PRNG distribution to be used.

نحو:

#mhlo.rng_distribution<
  ::mlir::mhlo::RngDistribution   # value
>

پارامترها:

پارامتر	C++ type	توضیحات
ارزش	::mlir::mhlo::RngDistribution	an enum of type RngDistribution

ScatterDimensionNumbersAttr

Attribute that models the dimension information for scatter

پارامترها:

پارامتر	C++ type	توضیحات
updateWindowDims	::llvm::ArrayRef<int64_t>	بعد
insertedWindowDims	::llvm::ArrayRef<int64_t>	بعد
inputBatchingDims	::llvm::ArrayRef<int64_t>	بعد
scatterIndicesBatchingDims	::llvm::ArrayRef<int64_t>	بعد
scatterDimsToOperandDims	::llvm::ArrayRef<int64_t>	بعد
indexVectorDim	int64_t

TransposeAttr

Transpose options

نحو:

#mhlo.transpose<
  ::mlir::mhlo::Transpose   # value
>

پارامترها:

پارامتر	C++ type	توضیحات
ارزش	::mlir::mhlo::Transpose	an enum of type Transpose

TypeExtensionsAttr

Attribute that extends tensor type with MHLO type properties.

نحو:

#mhlo.type_extensions<
  ::llvm::ArrayRef<int64_t>   # bounds
>

This attribute is used to extend MLIR tensor type with MHLO tensor specific properties. These properties aren't modeled in the MLIR type. This attribute is set in the encoding field of the tensor type.

See HLO_BoundedAttrInterface for documentation for bounds .

پارامترها:

پارامتر	C++ type	توضیحات
محدوده	::llvm::ArrayRef<int64_t>

انواع

AsyncBundleType

Opaque collection of other types

نحو:

!mhlo.async_bundle<
  ::llvm::ArrayRef<Type>   # types
>

پارامترها:

پارامتر	C++ type	توضیحات
انواع	::llvm::ArrayRef<Type>

Enums

ComparisonDirection

Which comparison operation to perform.

موارد:

نماد	ارزش	رشته
EQ	0	EQ
NE	1	NE
جنرال الکتریک	2	جنرال الکتریک
GT	3	GT
LE	4	LE
آن	5	آن

ComparisonType

Which comparison type to use.

موارد:

نماد	ارزش	رشته
NOTYPE	0	NOTYPE
شناور	1	شناور
TOTALORDER	2	TOTALORDER
امضا شد	3	امضا شد
UNSIGNED	4	UNSIGNED

CustomCallApiVersion

Custom call API version

موارد:

نماد	ارزش	رشته
API_VERSION_UNSPECIFIED	0	API_VERSION_UNSPECIFIED
API_VERSION_ORIGINAL	1	API_VERSION_ORIGINAL
API_VERSION_STATUS_RETURNING	2	API_VERSION_STATUS_RETURNING
API_VERSION_STATUS_RETURNING_UNIFIED	3	API_VERSION_STATUS_RETURNING_UNIFIED
API_VERSION_TYPED_FFI	4	API_VERSION_TYPED_FFI

CustomCallSchedule

Specifies the desired schedule for the custom-call.

موارد:

نماد	ارزش	رشته
هیچکدام	0	هیچکدام
آخرین	1	آخرین
زودترین	2	زودترین

DequantizeMode

_Dequantization mode. Only MIN COMBINED is supported.

موارد:

نماد	ارزش	رشته
MIN_COMBINED	0	MIN_COMBINED

DomainKind

Kind of domain metatdata attached to an HLO domain.

موارد:

نماد	ارزش	رشته
sharding	0	sharding

FftType

XLA fast fourier transform type.

موارد:

نماد	ارزش	رشته
FFT	0	FFT
IFFT	1	IFFT
RFFT	2	RFFT
IRFFT	3	IRFFT

FusionKind

Fusion kind

موارد:

نماد	ارزش	رشته
kLoop	0	kLoop
kInput	1	kInput
kOutput	2	kOutput
kCustom	3	kCustom

دقت

XLA precision for an operand. Has backend specific meaning.

موارد:

نماد	ارزش	رشته
پیش فرض	0	پیش فرض
بالا	1	بالا
بالاترین	2	بالاترین

ResultAccuracyMode

XLA result accuracy mode.

موارد:

نماد	ارزش	رشته
پیش فرض	0	پیش فرض
بالاترین	1	بالاترین
مدارا	2	مدارا

RngAlgorithm

XLA PRNG algorithm to be used.

موارد:

نماد	ارزش	رشته
پیش فرض	0	پیش فرض
THREE_FRY	1	THREE_FRY
PHILOX	2	PHILOX

RngDistribution

XLA PRNG distribution to be used.

موارد:

نماد	ارزش	رشته
یکنواخت	1	یکنواخت
NORMAL	2	NORMAL

جابجا شود

Transpose options

موارد:

نماد	ارزش	رشته
TRANSPOSE_INVALID	0	TRANSPOSE_INVALID
NO_TRANSPOSE	1	NO_TRANSPOSE
جابجایی	2	جابجایی
ADJOINT	3	ADJOINT