1 |
tf.nn.avg_pool |
AvgPool Type：Mean |
【参数】
- value：4-D tensor，格式：[batch，height，width，channels]，数据类型：float32
- ksize：包含四个int的列表或元组，其中每个值对应相应维度的窗口大小
- strides：包含四个int的列表或元组，其中每个值对应相应维度的滑动步长
- padding：类型：string，值必须为’VALID’或’SAME’
- data_format：类型：string，值为'NHWC'（默认值）或'NCHW'
- name：可选参数，类型：string
【约束】
- kernelH<=inputH+padTop+padBottom
- kernelW<=inputW+padLeft+padRight
- padTop<windowH
- padBottom<windowH
- padLeft<windowW
- padRight<windowW
除公共约束外，还需满足下列某一场景支持范围：
global pool模式只支持下列场景：
- outputH==1 && outputW==1 && kernelH>=inputH && kernelW>=inputW
- inputH*inputW<=10000
【输出】 1个tensor，数据类型与value相同 【量化工具支持】 是 |
2 |
tf.nn.max_pool |
MaxPool |
同tf.nn.avg_pool |
3 |
tf.nn.conv2d |
Conv2D |
【参数】
- value：4-D tensor，格式：[batch，height，width，channels]
- 数据类型：float32
- filter：1个常量tensor，数据类型与维度与value相同，[filter_height，filter_width，in_channels，out_channels]
- strides：非空，包含四个int的列表或元组，其中每个值对应相应维度的滑动步长
- padding：非空，类型：string，值必须为’VALID’或’SAME’
- use_cudnn_on_gpu：类型：bool，默认为‘True’
- data_format：非空，类型：string，值为'NHWC'（默认值）或'NCHW'
- dilations：可选参数，1个int列表（长度为4）；默认为[1，1，1，1]，对应输入的每一维；如果k>1，相应维度做filter间跳过k-1个单元；维度顺序由data_format决定；dilations的batch与depth维度上的值必须是1
- name：可选参数，类型：string
【约束】
- （inputW + padWHead + padWTail） >= （（（FilterW- 1） * dilationW） + 1）
- （inputW + padWHead + padWTail） /StrideW + 1 <= INT32_MAX
- （inputH + padHHead + padHTail） >= （（（FilterH- 1） * dilationH） + 1）
- （inputH + padHHead + padHTail） /StrideH + 1 <= INT32_MAX
- 0 <= Pad < 256， 0 < FilterSize < 256， 0 < Stride < 64， 1 <= dilationsize < 256
【输出】 Tensor，数据类型与Value相同 【量化工具支持】 是 |
4 |
tf.concat |
Concat |
【参数】
- values：输入，包含tensor对象的列表或单个tensor，除要拼接的维度外，其他维度上的值要一致
- axis：0-D tensor，类型：int32，指定要拼接的维度，范围在[-rank（values），rank（values）]；python中，索引以0开始，axis为正值时，表示对第axis维拼接；axis为负值时，对第axis+rank（values）维拼接
【约束】 输入的tensor，除了进行concat的维度外，其他维度的size必须相等 输入的的tensor个数范围属于[1，1000] 【输出】 1个tensor，为输入tensors拼接后的结果 【量化工具支持】 是 |
5 |
tf.matmul |
MatMul |
【参数】
- a：非常量tensor，rank>=2，类型：float32
- b：常量tensor，类型与rank同a
- transpose_a：如果属性为True，a在乘法前做转置
- transpose_b：如果属性为True，b在乘法前做转置；transpose_a属性为False，transpose_b属性也为False
- adjoint_a：如果属性为True，a在乘法前被共轭和转置
- adjoint_b：如果属性为True，b在乘法前被共轭和转置
- a_is_sparse：如果属性为True，a被看做是稀疏矩阵
- b_is_sparse：如果属性为True，b被看做是稀疏矩阵
- name：可选参数
【约束】
- weight的转置属性为false
- 不能支持两个tensor相乘，只能支持1个tensor乘以1个常量
【输出】 1个tensor，类型同a与b 【量化工具支持】 否 |
6 |
tf.nn.fused_batch_norm |
FusedBatchNorm |
【参数】
- x：输入，4-D tensor，类型：float32
- scale：1-D tensor，用于缩放
- offset：1-D tensor，偏差
- mean：1-D tensor，用于推理总体均值
- variance：1-D tensor，用于推理总体方差
- epsilon：在x的方差中添加的1个小的浮点数
- data_format：x的数据格式，值为'NHWC'（默认）或'NCHW'
- is_training：bool值，用于指定操作是用于训练还是推断
- name：操作的名称，可选参数
【约束】 scale，bias，mean，var的shape只支持（1，C，1，1），且c维度与input的c维度相等 【输出】
- y：标准化、缩放、偏移x的4-D tensor
- batch_mean：1-D tensor，表示x的均值
- batch_var：1-D tensor，表示x的方差
【量化工具支持】 否 |
7 |
tf.abs |
Abs |
【参数】
- x：tensor或稀疏tensor，类型：float32
- name：操作的名称，可选参数
【约束】 无限制 【输出】 返回x的绝对值，tensor或稀疏tensor，尺寸与类型同x 【量化工具支持】 是 |
8 |
tf.image.resize_nearest_neighbor |
ResizeNearestNeighbor |
【参数】
- images：4维tensor，[batch，height，width，channels]；3维tensor，[height，width，channels]；类型：float32
- size：1维tensor，常量，2个元素（新的高宽）
- method：ResizeMethod.NEARESTNEIGHBOR
- align_corners：bool值，默认为False；如果为True，输入和输出的4个角像素的中心对齐，保留角像素处的值
【约束】 无限制 【输出】 shape同输入，类型：float 【量化工具支持】 否 |
9 |
tf.image.resize_bilinear |
ResizeBilinear |
【参数】
- images：4维非常量tensor，[batch，height，width，channels]；类型：float32
- size：1维tensor，常量，2个元素（新的高宽）
- method：ResizeMethod.BILINEAR
- align_corners：bool值，默认为False；如果为True，输入和输出的4个角像素的中心对齐，保留角像素处的值
【约束】 （outputH*outputW）/（inputH*inputW） > 1/7 【输出】 shape同输入，类型：float 【量化工具支持】 否 |
10 |
tf.cast |
Cast |
【输入】 类型：float32，int32，bool，int64，int16，int8，uint8，uint16，double 【参数】
- x：tensor或sparseTensor或indexedSlices
- dtype：目标类型，同x支持的数据类型
- name：名称（可选）
【约束】 无限制 【输出】 tensor或sparseTensor或indexedSlices，同输入的dtype、shape 【量化工具支持】 无需支持 |
11 |
tf.nn.depthwise_conv2d |
DepthwiseConv2dNative |
【参数】
- input：4维
- filter：4维，常量，数据格式：[filter_height，filter_width，in_channels，channel_multiplier]
- strides：输入的每个维度的滑动窗口的步长，属性必须是list（int），且大小为4
- padding：类型：string，值为’VALID’或’SAME’
- rate：1维，大小为2；等值卷积中在height和width维度上对输入值进行采样的扩张率；如果值大于1，则步长的所有值必须为1
- data_format：输入的数据格式，可以是NHWC（默认）或NCHW
- name：名称（可选）
【约束】 filterN=inputC=group 【输出】 4维tensor，形状与data_format一致，例如，对于NHWC格式，形状是[batch，out_height，out_width，in_channels * channel_multiplier] 【量化工具支持】 是 |
12 |
tf.reshape |
Reshape |
【参数】
- tensor：输入，1个tensor
- shape：定义输出的shape，常量tensor，数据类型：int64，int
- name：此操作的名称（可选）
【约束】 无限制 【输出】 1个tensor，类型同输入 【量化工具支持】 是 |
13 |
tf.squeeze |
Squeeze |
【参数】
- input：1个tensor，非常量输入
- axis：1个int型列表，指定要移除的维度，默认为[]；不能指定非1的维度
- name：此操作的名称（可选）
- squeeze_dims：不推荐使用的参数，axis和dim不能同时存在
【约束】 无限制 【输出】 1个tensor，与input的类型、数据相同，但删除了1个或多个值为1的维度 【量化工具支持】 是 |
14 |
tf.expand_dims |
ExpandDims |
【参数】
- inuput：输入，1个tensor
- axis：0-D（标量），指定扩展input形状的维度索引
- name：输出tensor的名称
- dim：0-D（标量），相当于axis，被弃用
【约束】 无限制 【输出】 1个tensor，与input数据相同，shape增加了一维（值为1） 【量化工具支持】 是 |
15 |
tf.greater |
Greater |
【参数】
- x：输入，1个tensor
- y：标量
- name：此操作的名称（可选）
【约束】 支持广播broadcast，对比x和y的shape，在同一纬度上，dim[x]只能相同或者一方为1或者一方缺失 【输出】 1个tensor，类型：bool 【量化工具支持】 无需支持 |
16 |
tf.nn.relu |
Relu |
【参数】
- features：非常量输入，tensor
- name：此操作的名称（可选）
【约束】 无限制 【输出】 1个tensor，类型同features 【量化工具支持】 是 |
17 |
tf.nn.relu6 |
Relu6 |
【参数】
- features：非常量输入，tensor
- name：此操作的名称（可选）
【约束】 无限制 【输出】 1个tensor，类型同features 【量化工具支持】 是 |
18 |
tf.nn.leaky_relu |
/ |
【参数】
- features：非常量输入，tensor，表示预激活的值
- alpha：x<0时激活函数的斜率
- name：此操作的名称（可选）
【约束】 无限制 【输出】 激活值 【量化工具支持】 是 |
19 |
tf.exp |
exp |
【参数】
- x：1个输入tensor，类型float32，double
- name：此操作的名称（可选）
【约束】 无限制 【输出】 1个tensor，类型同x 【量化工具支持】 否 |
20 |
tf.nn.conv2d_transpose |
Conv2DBackpropInput |
【参数】
- value：输入，4-D tensor，数据格式：NHWC（[batch，height，width，in_channels]）或NCHW（[batch，in_channel，height，width]）
- filter：4-D tensor，常量，shape：[height，width，output_channels，in_channels]
- output_shape：1-D tensor，表示输出的shape
- strides：int型列表，非空，输入的每个维度的滑动窗口的步长
- padding：类型：string，值为’VALID’或’SAME’，非空
- data_format：类型：string，’NHWC’或’NCHW’，非空
- name：输出名（可选）
【约束】
- group = 1
- dilation = 1
- filterH - padHHead - 1 >= 0
- filterW - padWHead - 1 >= 0
还有一条约束涉及中间变量，公式如下：
- a = ALIGN（filter_num，16） * ALIGN（filter_c，16） * filter_h * filter_w * 2；
- 如果ALIGN（filter_c，16）%32 = 0，a = a/2
- conv_input_width=（反卷积输入w - 1） * strideW + 1
- b = （conv_input_width） * filter_h * ALIGN（filter_num，16） * 2 * 2
- a + b <= 1024*1024
【输出】 1个tensor，类型同value 【量化工具支持】 是 |
21 |
tf.sigmoid |
Sigmoid |
【参数】
- x：1个tensor，输入
- name：此操作的名称（可选）
【约束】 无限制 【输出】 1个tensor，类型同value 【量化工具支持】 是 |
22 |
tf.add |
Add |
【参数】
- x：输入，1个tensor，类型：float32、int32
- y：输入，1个tensor，类型同x；两个输入为常量时，1个输入为标量
- name：此操作的名称（可选）
【约束】 支持两组输入的维度不一致，进行广播操作（广播即维度补齐） 目前支持以下几种广播场景：
- NHWC+NHWC，NHWC+scalar
- NHWC +1 1 1 1
- NHWC+W和HWC+W和HW+W（备注，W维度做广播）
- NCHW + NH1C和HWC + H1C和HW + H1
- HWC + 1 WC（备注，H维度做广播）
【输出】 1个tensor，类型同y 【量化工具支持】 是 |
23 |
tf.multiply |
Multiply Type：Mul |
【参数】
- x：输入，1个tensor，类型：float32、int32
- y：输入，1个tensor，类型同x；两个输入为常量时，维度必须一致，为标量或者1-D tensor
- name：此操作的名称（可选）
【约束】 支持两组输入的维度不一致，进行广播操作（广播即维度补齐）， 目前支持以下几种广播场景：
- NHWC+NHWC，NHWC+scalar
- NHWC +1 1 1 1，
- NHWC+W和HWC+W和HW+W（备注，W维度做广播）
- NCHW + NH1C和HWC + H1C和HW + H1
- HWC + 1 WC（备注，H维度做广播）
【输出】 1个tensor 【量化工具支持】 是 |
24 |
tf.subtract |
Subtract Type：Sub |
【参数】
- x：输入，1个tensor
- y：输入，1个tensor，类型同x；两个输入，可支持常量或非常量
- name：此操作的名称（可选）
【约束】 支持两组输入的维度不一致，进行广播操作（广播即维度补齐）， 目前支持以下几种广播场景：
- NHWC+NHWC，NHWC+scalar
- NHWC +1 1 1 1
- NHWC+W和HWC+W 和HW+W（备注，W维度做广播）
- NCHW + NH1C和HWC + H1C和HW + H1
- HWC + 1 WC（备注，H维度做广播）
【输出】 1个tensor 【量化工具支持】 是 |
25 |
tf.nn.bias_add |
BiasAdd |
【参数】
- value：输入，1个tensor，非常量
- bias：1-D tensor，常量，尺寸与value的最后一维一致；除非value为量化类型，否则类型需同value
- data_format：类型：string，‘NHWC’或‘NCHW’
- name：此操作的名称（可选）
【约束】
- C < 10000
- input和bias的数据排布要一致
- 当在c通道上加bias时，input和bias的C维度大小要一致
【输出】 1个tensor，类型同value 【量化工具支持】 是 |
26 |
tf.nn.lrn |
LRN |
【参数】
- input：输入，4-D tensor，类型：float32
- depth_radius：0-D int型，默认值为5，1-D标准化窗口的半宽
- bias：可选参数，float型，默认为1；偏移（通常为正值，以避免除以0）
- alpha：可选参数，float型，默认为1；比例因子，通常为正值
- beta：可选参数，float型，默认为0.5；1个指数
- name：此操作的名称（可选）
【约束】
【输出】 1个tensor，类型同input 【量化工具支持】 是 |
27 |
tf.nn.elu |
Elu |
【参数】
- features：输入tensor，非常量
- name：名称（可选）
【约束】 无限制 【输出】 输出tensor，类型同features 【量化工具支持】 否 |
28 |
tf.rsqrt |
Rsqrt |
【参数】
【约束】 无限制 【输出】 输出tensor，类型同x 【量化工具支持】 是 |
29 |
tf.log |
Log |
【参数】
- x：输入tensor，类型：float32
- name：名称（可选）
【约束】 无限制 【输出】 输出tensor，类型同x 【量化工具支持】 否 |
30 |
tf.tanh |
Tanh |
【参数】
- x：输入tensor，非常量
- name：名称（可选）
【约束】 无限制 【输出】 输出tensor，类型同x 【量化工具支持】 是 |
31 |
tf.slice |
Slice |
【参数】
- input_：输入tensor
- begin：tensor，类型：int32或int64
- size：tensor，类型：int32或int64
- name：名称（可选）
【约束】 输入tensor元素个数不超过INT32_MAX 【输出】 输出tensor，类型同input_ 【量化工具支持】 是 |
32 |
tf.split |
Split |
【参数】
- value：输入Tensor
- num_or_size_splits：不支持这个参数
- axis：标准，整型，指定输出维度
- name：string；名称（可选）
【约束】 无限制 【输出】 List，包含split后的各Tensor 【量化工具支持】 是 |
33 |
tf.nn.softplus |
Softplus |
【参数】
- features：输入Tensor；数据类型：`float32`
- name：string；名称（可选）
【约束】 无限制 【输出】 输出Tensor，数据类型与features相同 【量化工具支持】 否 |
34 |
tf.nn.softsign |
Softsign |
【参数】
- features：输入Tensor；数据类型：`float32`
- name：string；名称（可选）
【约束】 无限制 【输出】 输出Tensor，数据类型与features相同 【量化工具支持】 否 |
35 |
tf.pad |
Pad/MirrorPad/ PadV2 |
【参数】
- tensor：4-D Tensor；数据类型：`float32`，`int32`
- paddings：Tensor，常量，数据类型：`int32`
- mode：string，值为"CONSTANT"，或"REFLECT"，或"SYMMETRIC"
- name：string；名称（可选）
- constant_values：Pad默认填充的值，标量，数据类型与tensor相同
【约束】 CONSTANT模式时，0=<PAD<=128，0<W<=3000 【输出】 输出Tensor，数据类型与tensor相同 【量化工具支持】 是 |
36 |
tf.fake_quant_with_min_max_vars |
FakeQuantWithMinMaxVars |
【参数】
- inputs ：输入Tensor；数据类型：`float32`
- min：Tensor，数据类型：`float32`
- max：Tensor，数据类型：`float32`
- num_bits：标量，整型，默认值`8`
- narrow_range：bool（可选），默认值`False`
- name：string；名称（可选）
【约束】 -65504<=min<=65504，-65504<=max<=65504 【输出】 输出Tensor，数据类型：`float32` 【量化工具支持】 否 |
37 |
tf.reduce_max |
Max |
【参数】
- input_tensor：输入tensor；数据类型：`float32`，`int64`，`int32`，`uint8`，`uint16`，`int16`，`int8`
- axis：1-D list或标量，数据类型整型
- keepdims：bool，是否保留维度为1
- name：string；名称（可选）
- reduction_indices：axis旧的别名（不推荐）
- keep_dims：keepdims别名（不推荐）
【约束】
- 当输入的tensor维数等于4时：输入axis={3，{1，2，3}}，keepDims=true，H*W*16*2 <= 16*1024
- 当输入的tensor维数等于2时，输入axis={1，{1}}，keepDims=true，H*W*CEIL（C，16）*16*2 <= 16*1024
【输出】 输出reduce后的Tensor，数据类型同input_tensor 【量化工具支持】 否 |
38 |
tf.strided_slice |
StridedSlice |
【参数】
- input_：1个Tensor
- begin：1-D Tensor，数据类型：`int32`
- end：1-D Tensor，数据类型：`int32`
- strides：1-D Tensor，数据类型：`int32`
- begin_mask：标量，数据类型：`int32`
- end_mask：标量，数据类型：`int32`
- ellipsis_mask：标量，数据类型：`int32`
- new_axis_mask：：标量，数据类型：`int32`
- shrink_axis_mask：标量，数据类型：`int32`
- var：与input_或None对应的变量
- name：string；名称（可选）
【约束】 strides不允许为0 【输出】 输出Tensor，数据类型同input_ 【量化工具支持】 否 |
39 |
tf.reverse |
Reverse |
【参数】
- tensor：1个包含Tensor的列表，
- axis：Tensor reverse轴向，数据类型：`int32`，`int64`
- name：string；名称（可选）
【约束】 无限制 【输出】 1个Tensor，数据类型同tensor 【量化工具支持】 否 |
40 |
tf.realdiv |
RealDiv |
【参数】
- x：输入Tensor；数据类型：float32`
- y：输入Tensor；数据类型：float32`
- name：string；名称（可选）
【约束】 无限制 【输出】 输出Tensor，数据类型同x 【量化工具支持】 是 |
41 |
tf.stack |
Stack |
【参数】
- values：包含tensor对象（形状与类型相同，类型：float32，int32）的列表
- axis：整数，沿axis维度堆叠，默认是第一维，必须设置
- name：名称（可选）
【约束】 无限制 【输出】 堆叠后的tensor，类型同values 属性T、N和axis必须存在 【量化工具支持】 否 |
42 |
tf.unstack |
Unpack |
【参数】
- value：输入tensor，秩>0，类型：float32、int32
- num：整数，表示axis维度的长度，默认为None
- axis：整数，沿axis拆分，默认是第一维
- name：名称（可选）
【约束】 无限制 【输出】 从value中拆分出的包含tensor对象的列表 【量化工具支持】 否 |
43 |
tf.transpose |
Transpose |
【参数】
- a：输入tensor
- perm：a的维数的排列
- name：名称（可选）
- conjugate：可选，类型：bool，默认为False；设置为True时，等同于tf.conj（tf.transpose（input））
【约束】 无限制 【输出】 被转置后的tensor 【量化工具支持】 是 |
44 |
tf.space_to_batch_nd |
SpaceToBatchND |
【参数】
- input：1个Tensor，是N维的并且具有形状input_shape = [batch] + spatial_shape + remaining_shape，其中spatial_shape有M维度；支持数据类型为：uint8，int8，int16，uint16，int32，int64，float32
- block_shape：1个Tensor，必须是以下类型之一：int32，int64；1-D，shape为[M]，所有值必须>=1
- paddings：1个Tensor，必须是以下类型之一：int32，int64；二维，shape为[M，2]，所有值必须>=0
【约束】 当tensor维数为4时： blockShape的长度必须等于2，paddings的长度必须等于4
- blockShape元素的大小必须要大于等于1，paddings元素值的大小必须大于等于0
- padding后的h维度要能够被blockShape[0]整除，padding后的w维度要能够被blockShape[1]整除
【输出】 1个Tensor，与input具有相同的类型 【量化工具支持】 否 |
45 |
tf.batch_to_space_nd |
BatchToSpaceND |
【参数】
- input：1个Tensor，是N维的并且具有形状input_shape = [batch] + spatial_shape + remaining_shape，其中spatial_shape有M维度；支持数据类型为：uint8，int8，int16，uint16，int32，int64，float32
- block_shape：1个Tensor；必须是以下类型之一：int32，int64；1-D，shape为[M]，所有值必须>=1
- crops：1个Tensor；必须是以下类型之一：int32，int64；二维，shape为[M，2]，所有值必须>=0
【约束】
- blockShape和crops的元素值数据类型必须是int32，当tensor维数为4时：blockShape的长度必须等于2，crops的长度必须等于4
- blockShape元素的大小必须要大于等于1，crops元素值的大小必须大于等于0，crops数组的大小必须满足crop_start[i] + crop_end[i] < block_shape[i] * input_shape[i+1]
【输出】 1个Tensor，与images具有相同的类型 【量化工具支持】 否 |
46 |
tf.extract_image_patches |
ExtractImagePatches |
【参数】
- images：1个Tensor，支持数据类型：float32，int32，int64，uint8，int8，uint16，int16；4-D Tensor shape：[batch，in_rows，in_cols，depth]
- ksizes：1个整形list，长度>=4
- strides：1个整形list，必须是：[1，stride_rows，stride_cols，1]
- rate：1个整形list，必须是：[1，rate_rows，rate_cols，1]
- padding：string，取值：“VALID”或者“SAME”，“VALID”表示所取的patch区域必须完全包含在原始图中"SAME"表示取超出原始图像的部分，以0填充该部分
- name：名称（可选）
【约束】 无约束 【输出】 1个Tensor，与images具有相同的类型 【量化工具支持】 否 |
47 |
tf.floormod |
FloorMod |
【参数】
- x：1个Tensor，支持数据类型：float32，int32
- y：1个Tensor，与x具有相同类型
- name：名称（可选）
【约束】 由于支持广播broadcast，对比x和y的shape，在同一纬度上，dim[x]只能相同或者一方为1或者一方缺失 【输出】 1个Tensor，与x具有相同的类型 【量化工具支持】 否 |
48 |
tf.nn.softmax |
Softmax |
【参数】
- logits：1个非空的Tensor，支持数据类型：float32
- axis：在其上执行维度softmax。默认值为-1，表示最后1个维度，不超过logits维度
- name：名称（可选）
- dim：axis的已弃用的别名
【约束】
- 输入4维时可以针对每一维做softmax：
根据分类的轴不同，计算边界分别为： axis=1时，c<=（（256*1024/4）-8*1024-256）/2 axis=0时，n<=（56*1024-256）/2 axis=2时，W=1，0<h<（1024*1024/32） axis=3时，0<W<（1024*1024/32）
- 输入维度不足4维时，仅支持对最后一维做softmax计算，并且最后一维不超过46080
【输出】 1个Tensor，与logits具有相同的类型和shape 【量化工具支持】 是 |
49 |
tf.math.pow |
Power |
【参数】
- x：1个Tensor，支持数据类型：float32
- y：1个Tensor，支持数据类型：float32
- name：名称（可选）
【约束】 power!=1 scale*x+shift>0 【输出】 1个Tensor 【量化工具支持】 是 |
50 |
tf.placeholder |
- |
【参数】
- dype：数据类型（必须）
- shape：Tensor的维度和大小（必须）
【约束】 无限制 【输出】 1个Tensor 【量化工具支持】 否 |
51 |
tf.shape |
Shape |
【参数】
- input：1个Tensor或`SparseTensor`
- name：string；名称（可选）
- out_type输出Tensor数据类型，`int32`或`int64`（可选，默认为`int32`）
【约束】 无限制 【输出】 1个Tensor，输出数据类型为out_type 【量化工具支持】 无需支持 |
52 |
tf.math.argmax |
ArgMax |
【参数】
- input：1个Tensor，支持数据类型：`int8`，`uint8`，`int16`，`uint16`，`int32`，`int64`，`float32`
- axis：1个Tensor，数据类型`int32`，`int64`
- out_type输出Tensor数据类型，`int32`或`int64`（可选，默认为`int64`）
- name：string；名称（可选）
【约束】 无限制 【输出】 1个Tensor，输出数据类型为out_type 【量化工具支持】 否 |
53 |
tf.gather |
Gather GatherV2 |
【参数】
- params：1个Tensor，维度必须大于`axis + 1`
- indices：1个Tensor，数据类型`int32`，`int64`，范围[0，params.shape[axis]）
- axis：输出Tensor数据类型，`int32`或`int64`，指定indices选取的维度，rank=0
- name：string，名称（可选）
【约束】 无限制 【输出】 1个Tensor，输出数据类型于params相同 【量化工具支持】 否 |
54 |
tf.gather_nd |
GatherNd |
【参数】
- params：1个Tensor，维度必须大于`axis + 1`
- indices：1个Tensor，数据类型`int32`，`int64`
- name：string；名称（可选）
【约束】
- indices最后一维的大小不能超过params的维数
- indices最后一维中的元素对应着params中的1个维度上的坐标，必须满足坐标规则
- indices中对应维度上的坐标不能超过维度的大小
【输出】 1个Tensor，输出数据类型于params相同 【量化工具支持】 是 |
55 |
tf.math.floordiv |
FloorDiv |
【参数】
- x：1个Tensor，数据类型：`float32`，`int32`，
- y：1个Tensor，分母，数据类型：`float32`，`int32`
- name：string；名称（可选）
【约束】 由于支持广播broadcast，对比x和y的shape，在同一纬度上，dim[x]只能相同或者一方为1或者一方缺失 【输出】 1个Tensor，floor（x/y） 【量化工具支持】 否 |
56 |
tf.range |
Range |
【参数】
- start：开始标量，数据类型`float32`，`int32`，必须为常量
- limit：结束标量，数据类型`float32`，`int32`，必须为常量
- delta：步长标量，数据类型`float32`，`int32`，必须为常量
- dtype：返回Tensor的数据类型
- name：string；名称（可选）
【约束】 无限制 【输出】 1个1-D Tensor 【量化工具支持】 否 |
57 |
tf.tile |
Tile |
【参数】
【约束】 无限制 【输出】 1个Tensor 【量化工具支持】 是 |
58 |
tf.size |
Size |
【参数】
- input：输入Tensor，数据类型：float32`
- name：string；名称（可选）
- out_type：输出Tensor数据类型，默认`int32`
【约束】 无限制 【输出】 1个Tensor，类型由out_type指定 【量化工具支持】 否 |
59 |
tf.fill |
Fill |
【参数】
- dims：1-D Tensor，数据类型：`int32`，
- value：变量，数据类型：`int32`，`float32`
- name：string；名称（可选）
【约束】 支持Constant、GivenTensor、Range、Diagonal、Gaussian、MSRA、Uniform、UniformInt、UniqueUniform、XavierFill这些填充模式，在Uniform填充、UniformInt填充、UniqueUniform填充、xavier填充时，生成的数值区间最大范围介于[min，max）之间 【输出】 1个Tensor，类型同value数据类型 【量化工具支持】 否 |
60 |
tf.concat |
Concat |
【参数】
- value：1个包含Tensor的列表，数据类型：`int32`，`float32`
- axis：Tensor拼接轴向，数据类型：`int32`
- name：string；名称（可选）
【约束】 输入的tensor，除了进行concat的维度外，其他维度的size必须相等 输入的的tensor个数范围属于[1，1000] 【输出】 1个Tensor 【量化工具支持】 是 |
61 |
tf.reverse |
Reverse |
【参数】
- tensor：1个包含Tensor的列表，
- axis：Tensor reverse轴向，数据类型：`int32`
- name：string；名称（可选）
【约束】 无限制 【输出】 1个Tensor，数据类型同tensor 【量化工具支持】 否 |
62 |
tf. reduce_sum |
sum |
【参数】
- input_tensor：输入Tensor，
- axis：Tensor sum轴向，数据类型：`int32`
- keepdims：bool值，是否保留维度
- name：string；名称（可选）
- reduction_indices：axis旧的string；名称
- keep_dims：不推荐使用，参数keepdims别名
【约束】 无约束 【输出】 输出Tensor，数据类型同tensor 【量化工具支持】 否 |
63 |
tf. math.maximum |
Maximum |
【参数】
- x：Tensor数据类型：`int32`，`int64`，`float32`
- y：Tensor数据类型同x
- name：string；名称（可选）
【约束】 由于支持广播broadcast，对比x和y的shape，在同一纬度上，dim[x]只能相同或者一方为1或者一方缺失 【输出】 输出Tensor，返回值（x > y ? x ：y） 数据类型同x 【量化工具支持】 否 |
64 |
tf. math.minimum |
Minimum |
【参数】
- x：Tensor数据类型：`int32`，`int64`，`float32`
- y：Tensor数据类型同x
- name：名称（可选）
【约束】 广播场景只支持下面两种： NHWC+scaler，NHWC+NHWC 【输出】 输出Tensor，返回值（x < y ? x ：y） 数据类型同x 【量化工具支持】 否 |
65 |
tf.clip_by_value |
ClipByValue |
【参数】
- t：Tensor
- clip_value_min：clip最小值
- clip_value_max：clip最大值
- name：string；名称（可选）
【约束】 min值要小于或者等于max值 【输出】 输出Tensor，返回值范围【clip_value_min，clip_value_max】 【量化工具支持】 否 |
66 |
tf.math.logical_not |
LogicalNot |
【参数】
- x：Tensor数据类型bool
- name：string；名称（可选）
【约束】 无限制 【输出】 输出Tensor，数据类型bool 【量化工具支持】 否 |
67 |
tf.math.logical_and |
LogicalAnd |
【参数】
- x：Tensor数据类型bool
- y：Tensor数据类型bool
- name：string；名称（可选）
【约束】 BroadCast只支持如下几种维度的广播，NHWC和[1，1，1，1]，[N，H，W，C]，[N，H，W，1]，[1，H，W，C]，[N，1，1，C] 【输出】 输出Tensor，数据类型bool 【量化工具支持】 否 |
68 |
tf.equal |
Equal |
【参数】
- x：Tensor
- y：Tensor，数据类型同x
- name：string，名称（可选）
【约束】 由于支持广播broadcast，对比x和y的shape，在同一纬度上右对齐的情况下，xdim[i]和ydim[i]只能相同或者一方为1或者一方缺失 【输出】 输出Tensor，数据类型bool 【量化工具支持】 否 |
69 |
tf.square |
Square |
【参数】
- x：Tensor
- name：string，名称（可选）
【约束】 无限制 【输出】 输出Tensor，数据类型同x 【量化工具支持】 否 |
70 |
tf.image.crop_and_resize |
CropAndResize |
【参数】
- image：4-D Tensor；数据类型：`float32`，`int8`，`int32`，`int64`，shape：`[num_boxes，4]`
- boxes：2-D Tensor；数据类型：`float32`，shape：`[num_boxes]`
- box_ind：1-D Tensor，数据类型：`int32`
- crop_size：1-D Tensor，包含2个元素，数据类型：`int32`
- method：string，表示插值方法，值为"bilinear"（默认），"nearest"
- name：string；名称（可选）
【约束】 无限制 【输出】 Tensor，数据类型：`float32` 【量化工具支持】 否 |
71 |
tf.math.top_k |
TopKV2 |
【参数】
- input：Tensor，>=1-D，最后1个维度大小必须大于k，数据类型：`float32`k：标量，>=1；数据类型：`int32`
- sorted：bool
- name：string；名称（可选）
【约束】 K一定要以常量传入 【输出】
- values：Tensor返回最后维度上的K个最大向量
- indices：Tensor，values在input中的索引位置
【量化工具支持】 否
|
72 |
tf.invert_permutation |
InvertPermutation |
【参数】
- x：1-D Tensor，数据类型：`int32`，`int64`，
- name：string；名称（可选）
【约束】 无限制 【输出】 Tensor，数据类型同x 【量化工具支持】 否 |
73 |
tf.multinomial |
Multinomial |
【参数】
- logits：2-D Tensor，shape `[batch_size，num_classes]`
- num_samples：标量，抽样个数
- seed：随机数种子，数据类型：`int32`，`int64`，
- name：string；名称（可选）
- output_dtype：输出Tensor数据类型：整型默认`int64`
【约束】 seed为0时产生随机数是动态的 输出数据行数等于输出数据的行，输出数据的列数等num_samples 【输出】 Tensor，数据类型同output_dtype 【量化工具支持】 否 |
74 |
tf.reverse_sequence |
ReverseSequence |
【参数】
- input：输入Tensor
- seq_lengths：1-D Tensor；数据类型：`int32`，`int64`
- seq_axis：标量，，数据类型：整型
- batch_axis：标量（可选），数据类型：整型
- name：string；名称（可选）
【约束】
- seq_lengths的长度必须等于input在batchAxis的元素数
- seq_lengths的最大元素必须要小于等于seq_dim的元素数
- seqAxis、batchAxis、seqDim、batchDim必须是int64类型
- seqAxis与seqDim不可同时指定，batchAxis与batchDim不可同时指定
- batchAxis和batchDim是可选参数，缺省值为0，权值个数需要为1
【输出】 Tensor，数据类型同input 【量化工具支持】 否 |
75 |
tf.math.reciprocal |
Reciprocal |
【参数】
- x：输入Tensor数据类型`float32`
- name：string；名称（可选）
【约束】 不支持输入数据中包含0 【输出】 Tensor，数据类型同x 【量化工具支持】 否 |
76 |
tf.nn.selu |
Selu |
【参数】
- features：输入Tensor数据类型`float32`，
- name：string；名称（可选）
【约束】 无约束 【输出】 Tensor，数据类型同features 【量化工具支持】 否 |
77 |
tf.math.acosh |
Acosh |
【参数】
- x：输入Tensor数据类型`float32`
- name：string；名称（可选）
【约束】 无约束 【输出】 Tensor，数据类型同x 【量化工具支持】 否 |
78 |
tf.math.asinh |
Asinh |
【参数】
- x：输入Tensor数据类型`float32`
- name：string；名称（可选）
【约束】 无约束 【输出】 Tensor，数据类型同x 【量化工具支持】 否 |
79 |
tf.math.reduce_prod |
Prod |
【参数】
- input_tensor：输入Tensor
- axis：reduce维度
- keepdims：bool是否需要保存reduce维度
- name：string；名称（可选）
- reduction_indices：参数axis旧的别名（不推荐）
- keep_dims：参数keepdims别名（不推荐）
【约束】 无约束 【输出】 Tensor，raduce后的Tensor 【量化工具支持】 否 |
80 |
tf.math.sqrt |
Sqrt |
【参数】
- x：输入Tensor；数据类型：`float32`
- name：string；名称（可选）
【约束】 无约束 【输出】 Tensor，数据类型同x 【量化工具支持】 否 |
81 |
tf.math.reduce_all |
All |
【参数】
- input_tensor：输入Tensor；数据类型：bool
- axis：指定reduce的维度
- keepdims：bool值
- name：string；名称（可选）
- reduction_indices：axis旧的别名（不推荐）
- keep_dims：keepdims别名（不推荐）
【约束】 无约束 【输出】 Tensor，数据类型同input_tensor 【量化工具支持】 否 |
82 |
tf.nn.l2_normalize |
L2Normalize |
【参数】
- x：输入Tensor；数据类型：boolean
- axis：指定normalize的维度轴向
- 如果format为NCHW，则axis必须为1
- 如果format为NHWC，则axis必须为3
- epsilon：规范化的下限值.如果norm<sqrt（epsilon），将使用sqrt（epsilon）作为除数
- name：string；名称（可选）
- dim：axis旧的别名（不推荐）
【约束】 H*W*2 < 256*1024/4 【输出】 Tensor，数据类型同x 【量化工具支持】 否 |
83 |
tf.keras.backend.hard_sigmoid |
Hardsigmoid |
【参数】 x：输入Tensor 【约束】 无限制 【输出】 输出Tensor，返回值：`0.` if `x < -2.5`，`1.` if `x > 2.5` 当`-2.5 <= x <= 2.5`，返回`0.2 * x + 0.5` 【量化工具支持】 否 |
84 |
tf.keras.layers.ThresholdedReLU |
ThresholdedReLU |
【参数】 theta：标量>=0，数据类型：；`float32` 【约束】 无限制 【输出】 Tensor 【量化工具支持】 否 |
85 |
tf.math.acos |
Acos |
【参数】 x：输入Tensor数据类型`float32`，`int32`，`int64` name：string；名称（可选） 【约束】 输入数据范围（-1<=x<=1），输出数据范围（0<=y<=π） 【输出】 Tensor，数据类型同x 【量化工具支持】 否 |
86 |
tf.math.atan |
Arctan |
【参数】 x：输入Tensor数据类型`float32`，`int32`，`int64` name：string；名称（可选） 【约束】 输入数据范围（-65504<=x<=65504），输出数据范围（-π/2<y<π/2） 【输出】 Tensor，数据类型同x 【量化工具支持】 否 |
87 |
tf.math.asin |
Asin |
【参数】
- x：输入Tensor数据类型`float32`，`int32`，`int64`
- name：string；名称（可选）
【约束】 输入数据范围（-1<=x<=1），输出数据范围（-π/2<=y<=π/2） 【输出】 Tensor，数据类型同x 【量化工具支持】 否 |
88 |
tf.math.atanh |
Atanh |
【参数】
- x：输入Tensor数据类型`float32`，`int32`，`int64`
- name：string；名称（可选）
【约束】 输入数据范围：x∈（-1，1） 【输出】 Tensor，数据类型同x 【量化工具支持】 否 |
89 |
tf.math.tan |
Tan |
【参数】
- x：输入Tensor数据类型`float32`，`int32`，`int64`
- name：string；名称（可选）
【约束】 无限制 【输出】 Tensor，数据类型同x 【量化工具支持】 否 |
90 |
tf.math.logical_or |
LogicalOr |
【参数】
- x：输入Tensor数据类型：`bool`
- y：输入Tensor数据类型：`bool`
- name：string；名称（可选）
【约束】 由于支持广播broadcast，对比x和y的shape，在同一纬度上右对齐的情况下，xdim[i]和ydim[i]只能相同或者一方为1或者一方缺失 【输出】 Tensor，数据类型：`bool` 【量化工具支持】 否 |
91 |
tf.math.reduce_min |
ReduceMin |
【参数】
- input_tensor：输入Tensor数据类型：`float32`，`int64`，`int32`，`uint8`，`uint16`，`int8`，`int16`，
- axis：reduce的维度轴向
- keepdims：标量，bool类型
- name：string；名称（可选）
- reduction_indices：axis旧的别名
- keep_dims：keepdims别名（不推荐）
【约束】
- 当输入的tensor维数等于4时：输入axis={3，{1，2，3}}，keepDims=true，H*W*16*2 <= 16*1024
- 当输入的tensor维数等于2时，输入axis={1，{1}}，keepDims=true，H*W*CEIL（C，16）*16*2 <= 16*1024
【输出】 Tensor，数据类型同input_tensor 【量化工具支持】 否 |
92 |
tf.math.negative |
Neg |
【参数】
- x：输入Tensor数据类型：`float32`，`int64`，`int32`
- name：string；名称（可选）
【约束】 输入数据范围（-65504<=x<=65504），输出数据范围（-65504<=y<=65504） 【输出】 Tensor，输出=-x 【量化工具支持】 否 |
93 |
tf.math.greater_equal |
Greaterequal |
【参数】
- x：输入Tensor数据类型：`float32`，`int64`，`int32`，`uint8`，`uint16`，`int8`，`int16`
- y：输入Tensor数据类型同x
- name：string；名称（可选）
【约束】 输入数据范围（-65504<=x<=65504） 【输出】 Tensor，输出类型bool 【量化工具支持】 否 |
94 |
tf.space_to_depth |
SpaceToDepth |
【参数】
- input：输入Tensor数据类型：`float32`，`int64`，`int32`，`uint8`，`int8`
- block_size：标量，整型，值>=2
- data_format：数据类型：string值："NHWC"，"NCHW"，"NCHW_VECT_C"；默认值"NHWC"
- name：string；名称（可选）
【约束】 blockSize的大小必须大于等于1，且能被H和W整除 【输出】 Tensor，输出类型input 【量化工具支持】 否 |
95 |
tf.depth_to_space |
DepthToSpace |
【参数】
- input：输入Tensor数据类型：`float32`，`int64`，`int32`，`uint8`，`int8`
- block_size：标量，整型，值>=2
- data_format：数据类型：string值："NHWC"，"NCHW"，"NCHW_VECT_C"；默认值是"NHWC"
- name：string；名称（可选）
【约束】 blockSize必须大于等于1，且blockSize*blockSize必须能被C整除 【输出】 Tensor，输出类型input 【量化工具支持】 否 |
96 |
tf.math.round |
Round |
【参数】
- x：输入Tensor；数据类型：`float32`，`int64`，`int32`
- name：string；名称（可选）
【约束】 无限制 【输出】 Tensor，输出类型同x，输出shape同x 【量化工具支持】 否 |
97 |
tf.math.rint |
Rint |
【参数】
- x：输入Tensor；数据类型：`float32`，`int64`，`int32`，`uint8`，`int8`
- name：string；名称（可选）
【约束】 无限制 【输出】 Tensor，输出类型同x，输出shape同x 【量化工具支持】 否 |
98 |
tf.math.less |
Less |
【参数】
- x：输入Tensor数据类型：`float32`，`int64`，`int32`，`uint8`，`uint16`，`int8`，`int16`
- y：输入Tensor数据类型同x，
- name：string；名称（可选）
【约束】 无限制 【输出】 Tensor，输出类型bool 【量化工具支持】 否 |
99 |
tf.math.sinh |
Sinh |
【参数】
- x：输入Tensor数据类型：`float32`
- name：string；名称（可选）
【约束】 无限制 【输出】 Tensor，输出类型同x 【量化工具支持】 否 |
100 |
tf.math.cosh |
Cosh |
【参数】
- x：输入Tensor数据类型：`float32`
- name：string；名称（可选）
【约束】 无限制 【输出】 Tensor，输出类型同x 【量化工具支持】 否 |
101 |
tf.math.squared_difference |
Squared_difference |
【参数】
- x：输入Tensor；数据类型：`float32`，`int64`，`int32`
- y：输入Tensor数据类型同x
- name：string；名称（可选）
【约束】 广播模式只支持下列场景： 第1个的tensor_format是NCHW，另1个的dim{}可以是[1，1，1，1]，[N，C，H，W]，[N，1，H，W]，[1，C，H，W]，[N，C，1，1]，[1，C，1，1]，[1，1，H，W]，[N，1，1，1]这几种情况 【输出】 Tensor，数据类型同x 【量化工具支持】 否 |
