说明

Element-wise类操作接口

对输入数据进行逐个元素对应运算的操作，这种操作的输出往往具有与输入相同的形状。

• 双操作数操作。输入两个Tensor（张量）进行2个Tensor之间逐元素运算，得到一个结果的操作。
  • 两个Tensor对应元素相加，详细请参见te.lang.cce.vadd(lhs, rhs)。
  • 两个Tensor对应元素相减，详细请参见te.lang.cce.vsub(lhs, rhs)。
  • 两个Tensor对应元素相乘，详细请参见te.lang.cce.vmul(lhs, rhs)。
  • 两个Tensor对应元素比较取较小值，详细请参见te.lang.cce.vmin(lhs, rhs)。
  • 两个Tensor对应元素比较取较大值，详细请参见te.lang.cce.vmax(lhs, rhs)。
  • 两个Tensor对应元素按位求或，详细请参见te.lang.cce.vor(lhs, rhs)。
  • 两个Tensor对应元素按位求与，详细请参见te.lang.cce.vand(lhs, rhs)。

  

• 单操作数操作。对输入的一个张量进行逐元素运算。
  • 自然指数，详细请参见te.lang.cce.vexp(raw_tensor)。
  • 对数，详细请参见te.lang.cce.vlog(raw_tensor)。
  • 绝对值，详细请参见te.lang.cce.vabs(raw_tensor)。
  • 倒数，详细请参见te.lang.cce.vrec(raw_tensor)。
  • 向上取整，详细请参见te.lang.cce.ceil(raw_tensor)。
  • 向下取整，详细请参见te.lang.cce.floor(raw_tensor)。
  • 四舍六入，详细请参见te.lang.cce.round(raw_tensor)。
  • 转换数据类型，详细请参见te.lang.cce.cast_to(data, dtype, f1628IntegerFlag=False)。
  • 实现relu计算，详细请参见te.lang.cce.vrelu(raw_tensor)。
  • 按位取反，详细请参见te.lang.cce.vnot(raw_tensor)。

  

• Tensor与标量数值的运算操作。输入Tensor的每个元素与同一个数值进行运算。
  • Tensor加上标量，详细请参见te.lang.cce.vadds(raw_tensor, scalar)。
  • Tensor乘上标量，详细请参见te.lang.cce.vmuls(raw_tensor, scalar)。

  

• 三操作数。输入为3个。tensor与标量按照上边的规则混合运算得到一个结果的操作。
  • 对一个Tensor进行缩放后和第二个Tensor相加，详细请参见te.lang.cce.vaxpy(lhs, rhs, scalar)。
  • 输入为三个Tensor，计算x * y + z，详细请参见te.lang.cce.vmla(x, y, z)。
  • 输入为三个Tensor，计算x * z + y，详细请参见te.lang.cce.vmadd(x, y, z)。
  • 输入为三个Tensor，计算relu (x * z + y)，详细请参见te.lang.cce.vmaddrelu(x, y, z)。

Reduction 操作接口

压缩某一维的数据，沿着指定方向将数据进行累加或累乘等操作，该操作输出比输入数据维度少一维的结果。

• 沿某个轴进行累加，详细请参见te.lang.cce.sum(raw_tensor, axis, keepdims=False)。
• 沿某个轴求最小值，详细请参见te.lang.cce.reduce_min(raw_tensor, axis, keepdims=False)。
• 沿某个轴求最大值，详细请参见te.lang.cce.reduce_max(raw_tensor, axis, keepdims=False)。

使用限制：由于CCE计算平台的数据排布限制，reduction操作后的数据需要进行一次重排才能进行后续的操作。故当前在使用不同类型的接口时，暂时不能在reduction操作后进行任何向量运算操作。

Broadcast操作接口

Broadcast操作主要是用于处理两个不同形状的tensor进行计算，将低维度的一个操作数按照高维度操作数的维度进行广播，使得两个操作数的维度相同后，再进行element-wise计算。

把较小的tensor广播为较大的tensor，详细请参见te.lang.cce.broadcast(var, shape, output_dtype=None)。

Index操作接口

Index操作，对Tensor进行分段计算，比如求和、均值、内积、最大值、最小值等。

• 对Tensor进行分段求和，详细请参见te.lang.cce.unsorted_segment_sum(tensor, segment_ids, num_segments, init_value=0)。
• 对Tensor进行分段求均值，详细请参见te.lang.cce.unsorted_segment_mean(tensor, segment_ids, num_segments, init_value=0)。
• 对Tensor进行分段求内积，详细请参见te.lang.cce.unsorted_segment_prod(tensor, segment_ids, num_segments, init_value=0)。
• 对Tensor进行分段求最小值，详细请参见te.lang.cce.unsorted_segment_min(tensor, segment_ids, num_segments, init_value=0)。
• 对Tensor进行分段求最大值，详细请参见te.lang.cce.unsorted_segment_max(tensor, segment_ids, num_segments, init_value=0)。

Concat操作接口

Concat操作是沿着某个轴对多个输入的Tensor进行连接。

沿一个轴连接Tensor，详细请参见te.lang.cce.concat(raw_tensors, axis)。

卷积接口

卷积接口是用来实现卷积算子的接口。

实现卷积，详细请参见te.lang.cce.conv(*args)。

4D/5D互转接口

4D维度NCHW与5D维度NC1HWC0互转接口。

• 4D转5D，详细请参见te.lang.cce.compute_four2five(input, raw_shape_4D)。
• 5D转4D，详细请参见te.lang.cce.compute_five2four(input, raw_shape_4D)。

矩阵乘接口

矩阵乘接口是用来实现矩阵相乘的接口。

详细请参见te.lang.cce.matmul(tensor_a, tensor_b, trans_a=False, trans_b=False, alpha_num=1.0, beta_num=0.0, tensor_c=None)。

融合算子接口

TE算子融合功能需要对单算子的融合能力和入参等信息做预处理，因此在生成单算子时需要调用指定API生成单算子的*.so文件和*.json文件。

详细请参见bool BuildTeCustomOp(std::string ddkVer, std::string opName, std::string opPath, std::string opFuncName, const char *format, ...)。