UniformQuantizedAdd

کلاس نهایی عمومی UniformQuantizedAdd

برای ایجاد «خروجی» کوانتیزه شده تانسور کوانتیزه «lhs» و تانسور کوانتیزه «rhs» را انجام دهید.

با توجه به "lhs" کوانتیزه شده و "rhs" کوانتیزه شده، افزودن کوانتیزه شده روی "lhs" و "rhs" را برای ایجاد "خروجی" کوانتیزه انجام می دهد.

«UniformQuantizedAdd» از قوانین پخش Numpy پیروی می کند. دو شکل آرایه ورودی از نظر عنصر با هم مقایسه می شوند. با شروع از ابعاد انتهایی، دو بعد یا باید برابر باشند یا یکی از آنها باید 1 باشد.

«lhs» و «rhs» باید تانسور کوانتیزه شوند، جایی که مقدار داده با استفاده از فرمول کوانتیزه می‌شود: «خروجی

quantized_data = clip(original_data / scale + zero_point, quantization_min_val, quantization_max_val)

نیز با استفاده از همان فرمول کوانتیزه می‌شود.

اگر «lhs» و «خروجی» هر دو در هر محور کوانتیزه شوند، محور کوانتیزه‌سازی باید مطابقت داشته باشد. همچنین، اگر «rhs» و «خروجی» هر دو در هر محور کوانتیزه شوند، محور کوانتیزه شدن باید مطابقت داشته باشد. مطابقت به این معنی است که هنگام اضافه کردن، در مورد پخش، محور باید مطابقت داشته باشد. یعنی برای هر دو عملوند «lhs» و «rhs»، اگر «operand.quantization_axis» >= 0 و «output.quantization_axis» >= 0، «operand.dims» - «operand.quantization_axis» باید برابر با «output.dims» باشد. " - "output.quantization_axis".

کلاس های تو در تو

کلاس UniformQuantizedAdd.Options ویژگی های اختیاری برای UniformQuantizedAdd

روش های عمومی

خروجی <T>	asOutput () دسته نمادین یک تانسور را برمی‌گرداند.
استاتیک <T> UniformQuantizedAdd <T>	ایجاد ( scope scope، عملوند <T> lhs، عملوند <T> rhs، عملوند <Float> lhsScales، عملوند <Integer> lhsZeroPoints، عملوند <Float> rhsScales، عملوند <Integer> rhsZeroPoints، عملوند < Scalte , out> > outputZeroPoints، Long lhsQuantizationMinVal، Long lhsQuantizationMaxVal، Long rhsQuantizationMinVal، طولانی rhsQuantizationMaxVal، Long outputQuantizationMinVal، Long outputQuantizationMaxVal، گزینه ها... روش کارخانه برای ایجاد کلاسی که یک عملیات UniformQuantizedAdd جدید را بسته بندی می کند.
استاتیک UniformQuantizedAdd.Options	lhsQuantizationAxis (Long lhsQuantizationAxis)
خروجی <T>	خروجی () تانسور کوانتیزه خروجی
استاتیک UniformQuantizedAdd.Options	outputQuantizationAxis (محور خروجی طولانی مدت)
استاتیک UniformQuantizedAdd.Options	rhsQuantizationAxis (Long rhsQuantizationAxis)

روش های ارثی

از کلاس org.tensorflow.op.PrimitiveOp

بولی نهایی	برابر است (object obj)
بین المللی نهایی	هش کد ()
عمل	عملیات () `Operation` زیربنایی را برمی گرداند
رشته نهایی	toString ()

از کلاس java.lang.Object

بولی	برابر است (شیء arg0)
کلاس نهایی<?>	getClass ()
بین المللی	هش کد ()
باطل نهایی	اعلام کردن ()
باطل نهایی	اطلاع رسانی به همه ()
رشته	toString ()
باطل نهایی	صبر کنید (long arg0، int arg1)
باطل نهایی	صبر کنید (طولانی arg0)
باطل نهایی	صبر کن ()

از رابط org.tensorflow.Operand

خروجی چکیده <T>

asOutput ()

دسته نمادین یک تانسور را برمی‌گرداند.

روش های عمومی

خروجی عمومی <T> asOutput ()

دسته نمادین یک تانسور را برمی‌گرداند.

ورودی های عملیات TensorFlow خروجی های عملیات تنسورفلو دیگر هستند. این روش برای به دست آوردن یک دسته نمادین که نشان دهنده محاسبه ورودی است استفاده می شود.

عمومی استاتیک UniformQuantizedAdd <T> create ( محدوده دامنه، عملوند <T> lhs، عملوند <T> rhs، عملوند <Float> lhsScales، عملوند <صحیح> lhsZeroPoints، عملوند <Float> rhsScales، عملوند <ZinderoF، عملوند <IntegerPoint> > OutputScales، عملوند <Integer> outputZeroPoints، Long lhsQuantizationMinVal، Long lhsQuantizationMaxVal، Long rhsQuantizationMinVal، طولانی rhsQuantizationMaxVal، Long outputQuantizationMinVal، Long outputQuantizationMinVal، Long Outputx)

روش کارخانه برای ایجاد کلاسی که یک عملیات UniformQuantizedAdd جدید را بسته بندی می کند.

مولفه های

محدوده	محدوده فعلی
lhs	باید یک تانسور کوانتیزه باشد.
rhs	باید یک تانسور کوانتیزه باشد.
lhsScales	مقدار(های) شناور به عنوان فاکتورهای مقیاس هنگام کمی کردن داده های اصلی که «lhs» نشان می دهد استفاده می شود.
lhsZeroPoints	مقدار(های) int32 به‌عنوان نقطه صفر در زمان کمی کردن داده‌های اصلی که «lhs» نشان‌دهنده آن است، استفاده می‌شود. باید همان شکل "lhs_scales" را داشته باشد.
rhsScales	مقدار(های) شناور به عنوان فاکتورهای مقیاس هنگام کمی کردن داده های اصلی که "rhs" نشان می دهد استفاده می شود.
rhsZeroPoints	مقدار(های) int32 به عنوان نقطه صفر در زمان کمی کردن داده های اصلی که "rhs" نشان می دهد استفاده می شود. باید شکلی مشابه با "rhs_scales" داشته باشد.
مقیاس های خروجی	مقدار(های) شناور برای استفاده به عنوان فاکتورهای مقیاس هنگام کمی کردن داده های اصلی که «خروجی» نشان می دهد.
outputZeroPoints	مقدار(های) int32 به عنوان نقطه صفر در زمان کمی کردن داده های اصلی که خروجی نشان می دهد استفاده می شود. باید همان شکل «مقیاس_خروجی» را داشته باشد.
lhsQuantizationMinVal	مقدار حداقل داده‌های کوانتیزه‌شده ذخیره‌شده در «lhs». برای مثال، اگر «Tin» «qint8» باشد، اگر محدوده باریک کوانتیزه شود، باید روی 127- یا اگر نه -128 تنظیم شود.
lhsQuantizationMaxVal	حداکثر مقدار داده‌های کوانتیزه‌شده ذخیره‌شده در «lhs». برای مثال، اگر «Tin» «qint8» باشد، باید روی 127 تنظیم شود.
rhsQuantizationMinVal	مقدار حداقل داده های کوانتیزه شده ذخیره شده در «rhs». برای مثال، اگر «Tin» «qint8» باشد، اگر محدوده باریک کوانتیزه شود، باید روی 127- یا اگر نه -128 تنظیم شود.
rhsQuantizationMaxVal	حداکثر مقدار داده‌های کوانتیزه‌شده ذخیره‌شده در «rhs». برای مثال، اگر «Tin» «qint8» باشد، باید روی 127 تنظیم شود.
خروجیQuantizationMinVal	مقدار حداقل داده های کوانتیزه شده ذخیره شده در «خروجی». برای مثال، اگر «Tout» «qint8» باشد، اگر محدوده باریک کوانتیزه شود، باید روی 127- یا در غیر این صورت 128- تنظیم شود.
خروجیQuantizationMaxVal	حداکثر مقدار داده های کوانتیزه شده ذخیره شده در «خروجی». برای مثال، اگر «Tout» «qint8» باشد، باید روی 127 تنظیم شود.
گزینه ها	مقادیر ویژگی های اختیاری را حمل می کند

برمی گرداند

یک نمونه جدید از UniformQuantizedAdd

عمومی ثابت UniformQuantizedAdd.Options lhsQuantizationAxis (Long lhsQuantizationAxis)

مولفه های

lhsQuantizationAxis	شاخص بعد تانسور را نشان می دهد که در آن کوانتیزاسیون هر محور برای برش های امتداد آن بعد اعمال می شود. اگر روی -1 تنظیم شود (پیش‌فرض)، این نشان‌دهنده کوانتیزاسیون هر تانسور است. برای «lhs»، فقط کوانتیزاسیون هر تانسور پشتیبانی می‌شود. بنابراین، این باید روی -1 تنظیم شود. مقادیر دیگر باعث ایجاد خطا در ساخت OpKernel می شوند.

lhsQuantizationAxis

شاخص بعد تانسور را نشان می دهد که در آن کوانتیزاسیون هر محور برای برش های امتداد آن بعد اعمال می شود. اگر روی -1 تنظیم شود (پیش‌فرض)، این نشان‌دهنده کوانتیزاسیون هر تانسور است. برای «lhs»، فقط کوانتیزاسیون هر تانسور پشتیبانی می‌شود. بنابراین، این باید روی -1 تنظیم شود. مقادیر دیگر باعث ایجاد خطا در ساخت OpKernel می شوند.

خروجی عمومی <T> خروجی ()

تانسور کوانتیزه خروجی

استاتیک عمومی UniformQuantizedAdd.Options outputQuantizationAxis (Long outputQuantizationAxis)

مولفه های

خروجی QuantizationAxis	شاخص بعد تانسور را نشان می دهد که در آن کوانتیزاسیون هر محور برای برش های امتداد آن بعد اعمال می شود. اگر روی -1 تنظیم شود (پیش‌فرض)، این نشان‌دهنده کوانتیزاسیون هر تانسور است. برای «خروجی»، فقط کوانتیزاسیون هر تانسور یا کمیت‌سازی هر کانال در امتداد «بعد_ویژگی_خروجی» پشتیبانی می‌شود. بنابراین، این باید روی -1 یا 'dimension_numbers.output_feature_dimension' تنظیم شود. مقادیر دیگر باعث ایجاد خطا در ساخت OpKernel می شوند.

خروجی QuantizationAxis

شاخص بعد تانسور را نشان می دهد که در آن کوانتیزاسیون هر محور برای برش های امتداد آن بعد اعمال می شود. اگر روی -1 تنظیم شود (پیش‌فرض)، این نشان‌دهنده کوانتیزاسیون هر تانسور است. برای «خروجی»، فقط کوانتیزاسیون هر تانسور یا کمیت‌سازی هر کانال در امتداد «بعد_ویژگی_خروجی» پشتیبانی می‌شود. بنابراین، این باید روی -1 یا 'dimension_numbers.output_feature_dimension' تنظیم شود. مقادیر دیگر باعث ایجاد خطا در ساخت OpKernel می شوند.

عمومی ثابت UniformQuantizedAdd.Options rhsQuantizationAxis (Long rhsQuantizationAxis)

مولفه های

rhsQuantizationAxis	شاخص بعد تانسور را نشان می دهد که در آن کوانتیزاسیون هر محور برای برش های امتداد آن بعد اعمال می شود. اگر روی -1 تنظیم شود (پیش‌فرض)، این نشان‌دهنده کوانتیزاسیون هر تانسور است. برای «rhs»، فقط کوانتیزه‌سازی هر تانسور یا کمی‌سازی هر کانال در امتداد «بعد_ویژگی_خروجی_کرنل» پشتیبانی می‌شود. بنابراین، این باید روی -1 یا 'dimension_numbers.kernel_output_feature_dimension' تنظیم شود. مقادیر دیگر باعث ایجاد خطا در ساخت OpKernel می شوند.

rhsQuantizationAxis

شاخص بعد تانسور را نشان می دهد که در آن کوانتیزاسیون هر محور برای برش های امتداد آن بعد اعمال می شود. اگر روی -1 تنظیم شود (پیش‌فرض)، این نشان‌دهنده کوانتیزاسیون هر تانسور است. برای «rhs»، فقط کوانتیزه‌سازی هر تانسور یا کمی‌سازی هر کانال در امتداد «بعد_ویژگی_خروجی_کرنل» پشتیبانی می‌شود. بنابراین، این باید روی -1 یا 'dimension_numbers.kernel_output_feature_dimension' تنظیم شود. مقادیر دیگر باعث ایجاد خطا در ساخت OpKernel می شوند.