# Tensorflow算子边界 ".om"模型支持的Tensorflow算子边界如[表1]所示。表1TensorFlow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\=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被看作是稀疏矩阵 - b_is_sparse：如果属性为True，b被看作是稀疏矩阵 - 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】 - input：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，在同一维度上，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： 1. a = ALIGN（filter_num，16） \* ALIGN（filter_c，16） \* filter_h \* filter_w \* 2； 2. 如果ALIGN（filter_c，16）%32 = 0，a = a/2 3. conv_input_width=（反卷积输入w - 1） \* strideW + 1 4. b = （conv_input_width） \* filter_h \* ALIGN（filter_num，16） \* 2 \* 2 5. 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=\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，在同一维度上，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\0 【输出】 1个Tensor 【量化工具支持】是 | | 50 | tf.placeholder | - | 【参数】 - dtype：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，输出数据类型与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，输出数据类型与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，在同一维度上，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，在同一维度上，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，在同一维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\ 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\=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 |