Tensorflow算子边界

“.om”模型支持的Tensorflow算子边界如表1所示。

表1 TensorFlow算子边界
序号	Python API	C++ API	边界
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’ 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】（outputHoutputW）/（inputHinputW） > 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）说明：两个tensor的输入顺序可以互换。【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）说明：两个tensor的输入顺序可以互换。【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）说明：两个tensor的输入顺序可以互换。【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】 depth_radius >0，且必须为奇数通道间：当depth_radius∈[1，15]时，alpha >0.00001且beta>0.01，否则alpha和beta为任意值；当C维度大于1776时，depth_radius <1728 【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】 x：输入tensor 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
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，HW162 <= 161024 当输入的tensor维数等于2时，输入axis={1，{1}}，keepDims=true，HWCEIL（C，16）162 <= 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个整型list，长度>=4 strides：1个整型list，必须是：[1，stride_rows，stride_cols，1] rate：1个整型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<=（（2561024/4）-81024-256）/2 axis=0时，n<=（561024-256）/2 axis=2时，W=1，0<h<（10241024/32） 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】 input：输入Tensor，数据类型： `int8`，`uint8`，`int16`，`uint16`，`int32`，`int64`，`float32` multiples：1-D Tensor，长度须和input的秩相同，数据类型：`int32`，必须为常量 name：string；名称（可选）【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】 HW2 < 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，HW162 <= 161024 当输入的tensor维数等于2时，输入axis={1，{1}}，keepDims=true，HWCEIL（C，16）162 <= 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

上一篇：Caffe算子边界

意见反馈

文档内容是否对您有帮助？

有帮助没帮助

提供反馈

提交成功！非常感谢您的反馈，我们会继续努力做到更好！

系统繁忙，请稍后重试

在使用文档中是否遇到以下问题

内容与产品页面不一致

内容不易理解

缺失示例代码

步骤不可操作

搜不到想要的内容

缺少最佳实践

意见反馈（选填）

0/500

请至少选择一项反馈信息并填写问题反馈

字符长度不能超过500

直接提交取消