jax.lax 模块#

jax.lax 是支撑 jax.numpy 等库的基础原始运算符库。转换规则，如 JVP 和批处理规则，通常定义为对 jax.lax 原始运算符的转换。

许多原始运算符只是对等效 XLA 运算符的薄封装，如 XLA 运算符语义 文档所述。在少数情况下，JAX 会偏离 XLA，通常是为了确保运算符集合在 JVP 和转置规则的作用下是闭合的。

在可能的情况下，请优先使用 jax.numpy 等库，而不是直接使用 jax.lax。 jax.numpy API 遵循 NumPy，因此比 jax.lax API 更稳定，更不容易发生变化。

运算符#

abs(x)

逐元素绝对值：\(|x|\)。

acos(x)

逐元素反余弦：\(\mathrm{acos}(x)\)。

acosh(x)

逐元素反双曲余弦：\(\mathrm{acosh}(x)\)。

add(x, y)

逐元素加法：\(x + y\)。

after_all(*operands)

合并一个或多个 XLA 令牌值。

approx_max_k(operand, k[, ...])

以近似方式返回 k 个最大值及其索引。

approx_min_k(operand, k[, ...])

以近似方式返回 k 个最小值及其索引。

argmax(operand, axis, index_dtype)

计算沿 axis 的最大元素的索引。

argmin(operand, axis, index_dtype)

计算沿 axis 的最小元素的索引。

asin(x)

逐元素反正弦：\(\mathrm{asin}(x)\)。

asinh(x)

逐元素反双曲正弦：\(\mathrm{asinh}(x)\)。

atan(x)

逐元素反正切：\(\mathrm{atan}(x)\)。

atan2(x, y)

逐元素双变量反正切：\(\mathrm{atan}({x \over y})\)。

atanh(x)

逐元素反双曲正切：\(\mathrm{atanh}(x)\)。

batch_matmul(lhs, rhs[, precision])

批处理矩阵乘法。

bessel_i0e(x)

指数缩放的零阶修正贝塞尔函数：\(\mathrm{i0e}(x) = e^{-|x|} \mathrm{i0}(x)\)

bessel_i1e(x)

指数缩放的一阶修正贝塞尔函数：\(\mathrm{i1e}(x) = e^{-|x|} \mathrm{i1}(x)\)

betainc(a, b, x)

逐元素正则化不完全 Beta 积分。

bitcast_convert_type(operand, new_dtype)

逐元素位转换。

bitwise_and(x, y)

逐元素 AND：\(x \wedge y\)。

bitwise_not(x)

逐元素 NOT：\(\neg x\)。

bitwise_or(x, y)

逐元素 OR：\(x \vee y\)。

bitwise_xor(x, y)

逐元素异或：\(x \oplus y\)。

population_count(x)

逐元素 population count，计算每个元素中置位比特的数量。

broadcast(operand, sizes, *[, out_sharding])

广播数组，添加新的前导维度

broadcast_in_dim(operand, shape, ...[, ...])

封装 XLA 的 BroadcastInDim 运算符。

broadcast_shapes(*shapes)

返回 NumPy 广播 shapes 的结果形状。

broadcast_to_rank(x, rank)

添加前导维度 1 以使 x 的秩为 rank。

broadcasted_iota(dtype, shape, dimension, *)

iota 的便利包装器。

cbrt(x[, accuracy])

逐元素立方根：\(\sqrt[3]{x}\)。

ceil(x)

逐元素向上取整：\(\left\lceil x \right\rceil\)。

clamp(min, x, max)

逐元素夹紧。

clz(x)

逐元素计算前导零的数量。

collapse(operand, start_dimension[, ...])

将数组的维度折叠成一个维度。

complex(x, y)

逐元素构造复数：\(x + jy\)。

composite(decomposition, name[, version])

具有由分解函数定义的语义的复合体。

concatenate(operands, dimension)

沿 dimension 连接一系列数组。

conj(x)

逐元素复共轭函数：\(\overline{x}\)。

conv(lhs, rhs, window_strides, padding[, ...])

围绕 conv_general_dilated 的便捷包装器。

convert_element_type(operand, new_dtype)

逐元素类型转换。

conv_dimension_numbers(lhs_shape, rhs_shape, ...)

将卷积 dimension_numbers 转换为 ConvDimensionNumbers。

conv_general_dilated(lhs, rhs, ...[, ...])

通用 N 维卷积运算符，带可选的扩张。

conv_general_dilated_local(lhs, rhs, ...[, ...])

通用 N 维非共享卷积运算符，带可选的扩张。

conv_general_dilated_patches(lhs, ...[, ...])

提取受 conv_general_dilated 感受野影响的块。

conv_transpose(lhs, rhs, strides, padding[, ...])

计算 N 维卷积“转置”的便利包装器。

conv_with_general_padding(lhs, rhs, ...[, ...])

围绕 conv_general_dilated 的便捷包装器。

cos(x[, accuracy])

逐元素余弦：\(\mathrm{cos}(x)\)。

cosh(x)

逐元素双曲余弦：\(\mathrm{cosh}(x)\)。

cumlogsumexp(operand[, axis, reverse])

沿 axis 计算累积 logsumexp。

cummax(operand[, axis, reverse])

沿 axis 计算累积最大值。

cummin(operand[, axis, reverse])

沿 axis 计算累积最小值。

cumprod(operand[, axis, reverse])

沿 axis 计算累积乘积。

cumsum(operand[, axis, reverse])

沿 axis 计算累积和。

digamma(x)

逐元素双伽马函数：\(\psi(x)\)。

div(x, y)

逐元素除法：\(x \over y\)。

dot(lhs, rhs, *args[, dimension_numbers, ...])

通用点积/收缩运算符。

dot_general(lhs, rhs, dimension_numbers[, ...])

jax.lax.dot() 的别名。

dynamic_index_in_dim(operand, index[, axis, ...])

封装 dynamic_slice 以执行整数索引。

dynamic_slice(operand, start_indices, ...[, ...])

封装 XLA 的 DynamicSlice 运算符。

dynamic_slice_in_dim(operand, start_index, ...)

封装 lax.dynamic_slice() 以应用于单个维度的便利包装器。

dynamic_update_index_in_dim(operand, update, ...)

封装 dynamic_update_slice() 以更新单个 axis 中大小为 1 的切片。

dynamic_update_slice(operand, update, ...[, ...])

封装 XLA 的 DynamicUpdateSlice 运算符。

dynamic_update_slice_in_dim(operand, update, ...)

封装 dynamic_update_slice() 以更新单个 axis 中切片。

eq(x, y)

逐元素等于：\(x = y\)。

erf(x)

逐元素误差函数：\(\mathrm{erf}(x)\)。

erfc(x)

逐元素互补误差函数：\(\mathrm{erfc}(x) = 1 - \mathrm{erf}(x)\)。

erf_inv(x)

逐元素反误差函数：\(\mathrm{erf}^{-1}(x)\)。

exp(x[, accuracy])

逐元素指数：\(e^x\)。

exp2(x[, accuracy])

逐元素以 2 为底的指数：\(2^x\)。

expand_dims(array, dimensions)

向数组插入任意数量大小为 1 的维度。

expm1(x[, accuracy])

逐元素 \(e^{x} - 1\)。

fft(x, fft_type, fft_lengths)

floor(x)

逐元素向下取整：\(\left\lfloor x \right\rfloor\)。

full(shape, fill_value[, dtype, sharding])

返回一个填充了 fill_value 的 shape 数组。

full_like(x, fill_value[, dtype, shape, ...])

根据示例数组 x 创建一个与 np.full 相似的数组。

gather(operand, start_indices, ...[, ...])

Gather 运算符。

ge(x, y)

逐元素大于等于：\(x \geq y\)。

gt(x, y)

逐元素大于：\(x > y\)。

igamma(a, x)

逐元素正则化不完全伽马函数。

igammac(a, x)

逐元素互补正则化不完全伽马函数。

imag(x)

逐元素提取虚部：\(\mathrm{Im}(x)\)。

index_in_dim(operand, index[, axis, keepdims])

封装 lax.slice() 以执行整数索引的便利包装器。

index_take(src, idxs, axes)

integer_pow(x, y)

逐元素幂：\(x^y\)，其中 \(y\) 是静态整数。

iota(dtype, size)

封装 XLA 的 Iota 运算符。

is_finite(x)

逐元素 \(\mathrm{isfinite}\)。

le(x, y)

逐元素小于等于：\(x \leq y\)。

lgamma(x)

逐元素对数伽马函数：\(\mathrm{log}(\Gamma(x))\)。

log(x[, accuracy])

逐元素自然对数：\(\mathrm{log}(x)\)。

log1p(x[, accuracy])

逐元素 \(\mathrm{log}(1 + x)\)。

logistic(x[, accuracy])

逐元素 Logistic（Sigmoid）函数：\(\frac{1}{1 + e^{-x}}\)。

lt(x, y)

逐元素小于：\(x < y\)。

max(x, y)

逐元素最大值：\(\mathrm{max}(x, y)\)。

min(x, y)

逐元素最小值：\(\mathrm{min}(x, y)\)

mul(x, y)

逐元素乘法：\(x \times y\)。

ne(x, y)

逐元素不等于：\(x \neq y\)。

neg(x)

逐元素取反：\(-x\)。

nextafter(x1, x2)

返回 x2 方向上紧随 x1 的下一个可表示值。

optimization_barrier(operand, /)

阻止编译器将操作移到屏障之外。

pad(operand, padding_value, padding_config)

对数组应用低、高和/或内部填充。

platform_dependent(*args[, default])

暂存平台特定的代码。

polygamma(m, x)

逐元素多伽马函数：\(\psi^{(m)}(x)\)。

population_count(x)

逐元素 population count，计算每个元素中置位比特的数量。

pow(x, y)

逐元素幂：\(x^y\)。

random_gamma_grad(*args)

real(x)

逐元素提取实部：\(\mathrm{Re}(x)\)。

reciprocal(x)

逐元素倒数：\(1 \over x\)。

reduce(operands, init_values, computation, ...)

封装 XLA 的 Reduce 运算符。

reduce_and(operand, axes)

计算一个或多个数组轴上元素的按位 AND。

reduce_max(operand, axes)

计算一个或多个数组轴上元素的最大值。

reduce_min(operand, axes)

计算一个或多个数组轴上元素的最小值。

reduce_or(operand, axes)

计算一个或多个数组轴上元素的按位 OR。

reduce_precision(operand, exponent_bits, ...)

封装 XLA 的 ReducePrecision 运算符。

reduce_prod(operand, axes)

计算一个或多个数组轴上元素的乘积。

reduce_sum(operand, axes, *[, out_sharding])

计算一个或多个数组轴上元素的和。

reduce_window(operand, init_value, ...[, ...])

在填充的窗口上进行归约。

reduce_xor(operand, axes)

计算一个或多个数组轴上元素的按位 XOR。

rem(x, y)

逐元素余数：\(x \bmod y\)。

reshape(operand, new_sizes[, dimensions, ...])

封装 XLA 的 Reshape 运算符。

rev(operand, dimensions)

封装 XLA 的 Rev 运算符。

rng_bit_generator(key, shape[, dtype, ...])

无状态 PRNG 位生成器。

rng_uniform(a, b, shape)

有状态 PRNG 生成器。

round(x[, rounding_method])

逐元素四舍五入。

rsqrt(x[, accuracy])

逐元素倒数平方根：\(1 \over \sqrt{x}\)。

scatter(operand, scatter_indices, updates, ...)

Scatter-update 运算符。

scatter_add(operand, scatter_indices, ...[, ...])

Scatter-add 运算符。

scatter_apply(operand, scatter_indices, ...)

Scatter-apply 运算符。

scatter_max(operand, scatter_indices, ...[, ...])

Scatter-max 运算符。

scatter_min(operand, scatter_indices, ...[, ...])

Scatter-min 运算符。

scatter_mul(operand, scatter_indices, ...[, ...])

Scatter-multiply 运算符。

shift_left(x, y)

逐元素左移：\(x \ll y\)。

shift_right_arithmetic(x, y)

逐元素算术右移：\(x \gg y\)。

shift_right_logical(x, y)

逐元素逻辑右移：\(x \gg y\)。

sign(x)

逐元素符号。

sin(x[, accuracy])

逐元素正弦：\(\mathrm{sin}(x)\)。

sinh(x)

逐元素双曲正弦：\(\mathrm{sinh}(x)\)。

slice(operand, start_indices, limit_indices)

封装 XLA 的 Slice 运算符。

slice_in_dim(operand, start_index, limit_index)

封装 lax.slice() 以仅应用于一个维度的便利包装器。

sort()

封装 XLA 的 Sort 运算符。

sort_key_val(keys, values[, dimension, ...])

沿 dimension 对 keys 进行排序，并对 values 应用相同的置换。

split(operand, sizes[, axis])

沿 axis 分割数组。

sqrt(x[, accuracy])

逐元素平方根：\(\sqrt{x}\)。

square(x)

逐元素平方：\(x^2\)。

squeeze(array, dimensions)

从数组中挤压掉任意数量的大小为 1 的维度。

sub(x, y)

逐元素减法：\(x - y\)。

tan(x[, accuracy])

逐元素正切：\(\mathrm{tan}(x)\)。

tanh(x[, accuracy])

逐元素双曲正切：\(\mathrm{tanh}(x)\)。

top_k(operand, k)

沿 operand 的最后一个轴返回前 k 个值及其索引。

transpose(operand, permutation)

封装 XLA 的 Transpose 运算符。

zeros_like_array(x)

zeta(x, q)

逐元素赫维茨 zeta 函数：\(\zeta(x, q)\)

控制流运算符#

associative_scan(fn, elems[, reverse, axis])

并行执行具有关联二元运算的扫描。

cond(pred, true_fun, false_fun, *operands[, ...])

根据谓词 pred 条件性地应用 true_fun 或 false_fun。

fori_loop(lower, upper, body_fun, init_val, *)

通过归约到 jax.lax.while_loop() 从 lower 循环到 upper。

map(f, xs, *[, batch_size])

将函数映射到前导数组轴。

scan(f, init[, xs, length, reverse, unroll, ...])

在携带状态的同时将函数扫描到前导数组轴。

select(pred, on_true, on_false)

根据布尔谓词在两个分支之间进行选择。

select_n(which, *cases)

从多个案例中选择数组值。

switch(index, branches, *operands[, operand])

根据 index 应用 branches 中的恰好一个。

while_loop(cond_fun, body_fun, init_val)

当 cond_fun 为 True 时，重复调用 body_fun。

自定义梯度运算符#

stop_gradient(x)

停止梯度计算。

custom_linear_solve(matvec, b, solve[, ...])

执行具有隐式定义的梯度的无矩阵线性求解。

custom_root(f, initial_guess, solve, ...[, ...])

可微分地求解函数的根。

并行运算符#

all_gather(x, axis_name, *[, ...])

跨所有副本收集 x 的值。

all_to_all(x, axis_name, split_axis, ...[, ...])

实现映射轴并映射另一个轴。

psum(x, axis_name, *[, axis_index_groups])

在 pmapped 轴 axis_name 上对 x 进行 all-reduce 求和。

psum_scatter(x, axis_name, *[, ...])

类似于 psum(x, axis_name)，但每个设备只保留结果的一部分。

pmax(x, axis_name, *[, axis_index_groups])

在 pmapped 轴 axis_name 上对 x 进行 all-reduce 求最大值。

pmin(x, axis_name, *[, axis_index_groups])

在 pmapped 轴 axis_name 上对 x 进行 all-reduce 求最小值。

pmean(x, axis_name, *[, axis_index_groups])

在 pmapped 轴 axis_name 上对 x 进行 all-reduce 求平均值。

ppermute(x, axis_name, perm)

根据置换 perm 执行集体置换。

pshuffle(x, axis_name, perm)

使用替代置换编码的 jax.lax.ppermute 的便利包装器。

pswapaxes(x, axis_name, axis, *[, ...])

将 pmapped 轴 axis_name 与未映射轴 axis 交换。

axis_index(axis_name)

返回沿映射轴 axis_name 的索引。

axis_size(axis_name)

返回映射轴 axis_name 的大小。

psend(x, axis_name, perm)

根据置换 perm 执行集体发送。

precv(token, out_shape, axis_name, perm)

根据置换 perm 执行集体接收。

线性代数运算符 (jax.lax.linalg)#

cholesky(x, *[, symmetrize_input])

乔列斯基分解。

cholesky_update(r_matrix, w_vector)

乔列斯基秩-1 更新。

eig(x, *[, compute_left_eigenvectors, ...])

一般矩阵的特征值分解。

eigh(x, *[, lower, symmetrize_input, ...])

厄米特矩阵的特征值分解。

hessenberg(a)

将方阵还原为上黑塞堡形式。

householder_product(a, taus)

初等豪斯霍尔德反射的乘积。

lu(x)

带部分主元的 LU 分解。

lu_pivots_to_permutation(pivots, ...)

将 LU 返回的主元（行交换）转换为置换。

qdwh(x, *[, is_hermitian, max_iterations, ...])

用于极分解的基于 QR 的动态加权 Halley 迭代。

qr()

QR 分解。

schur(x, *[, compute_schur_vectors, ...])

Schur 分解。

svd()

奇异值分解。

SvdAlgorithm(value[, names, module, ...])

SVD 算法的枚举。

symmetric_product(a_matrix, c_matrix, *[, ...])

对称乘积。

triangular_solve(a, b, *[, left_side, ...])

三角求解。

tridiagonal(a, *[, lower])

将对称/厄米特矩阵还原为三对角线形式。

tridiagonal_solve(dl, d, du, b)

计算三对角线线性系统的解。

参数类#

class jax.lax.ConvDimensionNumbers(lhs_spec, rhs_spec, out_spec)[source]#

描述卷积的批次、空间和特征维度。

参数:

  • lhs_spec (Sequence[int]) – 一个非负整数维度编号元组，包含 (batch dimension, feature dimension, spatial dimensions…)。

  • rhs_spec (Sequence[int]) – 一个非负整数维度编号元组，包含 (out feature dimension, in feature dimension, spatial dimensions…)。

  • out_spec (Sequence[int]) – 一个非负整数维度编号元组，包含 (batch dimension, feature dimension, spatial dimensions…)。

jax.lax.ConvGeneralDilatedDimensionNumbers#

alias of tuple[str, str, str] | ConvDimensionNumbers | None

class jax.lax.DotAlgorithm(lhs_precision_type, rhs_precision_type, accumulation_type, lhs_component_count=1, rhs_component_count=1, num_primitive_operations=1, allow_imprecise_accumulation=False)[source]#

指定用于计算点积的算法。

当用于指定 dot()、dot_general() 和其他点积函数的 precision 输入时，此数据结构用于控制用于计算点积的算法的属性。此 API 控制用于计算的精度，并允许用户访问特定于硬件的加速。

这些算法的支持取决于平台，使用不受支持的算法将在编译计算时引发 Python 异常。在至少一些平台上已知支持的算法列在 DotAlgorithmPreset 枚举中，这些是尝试使用此 API 的一个很好的起点。

“点算法”由以下参数指定

  • lhs_precision_type 和 rhs_precision_type，操作的 LHS 和 RHS 的舍入数据类型。

  • accumulation_type，用于累积的数据类型。

  • lhs_component_count、rhs_component_count 和 num_primitive_operations 适用于将 LHS 和/或 RHS 分解为多个组件并对这些值执行多个操作的算法，通常是为了模拟更高的精度。对于没有分解的算法，这些值应设置为 1。

  • allow_imprecise_accumulation，用于指定是否允许在某些步骤中使用较低精度的累积（例如 CUBLASLT_MATMUL_DESC_FAST_ACCUM）。

dot 操作的 StableHLO 规范 不需要精度类型与输入或输出的存储类型相同，但某些平台可能要求这些类型匹配。此外，dot_general() 的返回类型始终由输入算法的 accumulation_type 参数定义（如果已指定）。

示例

使用 32 位浮点累加器累加两个 16 位浮点数

>>> algorithm = DotAlgorithm(
...     lhs_precision_type=np.float16,
...     rhs_precision_type=np.float16,
...     accumulation_type=np.float32,
... )
>>> lhs = jnp.array([1.0, 2.0, 3.0, 4.0], dtype=np.float16)
>>> rhs = jnp.array([1.0, 2.0, 3.0, 4.0], dtype=np.float16)
>>> dot(lhs, rhs, precision=algorithm)  
array([ 1.,  4.,  9., 16.], dtype=float16)

或者，等效地，使用预设

>>> algorithm = DotAlgorithmPreset.F16_F16_F32
>>> dot(lhs, rhs, precision=algorithm)  
array([ 1.,  4.,  9., 16.], dtype=float16)

还可以通过名称指定预设

>>> dot(lhs, rhs, precision="F16_F16_F32")  
array([ 1.,  4.,  9., 16.], dtype=float16)

可以使用 preferred_element_type 参数在不向下转换累积类型的情况下返回输出

>>> dot(lhs, rhs, precision="F16_F16_F32", preferred_element_type=np.float32)  
array([ 1.,  4.,  9., 16.], dtype=float32)
参数:

  • lhs_precision_type (DTypeLike)

  • rhs_precision_type (DTypeLike)

  • accumulation_type (DTypeLike)

  • lhs_component_count (int)

  • rhs_component_count (int)

  • num_primitive_operations (int)

  • allow_imprecise_accumulation (bool)

class jax.lax.DotAlgorithmPreset(value, names=<not given>, *values, module=None, qualname=None, type=None, start=1, boundary=None)[source]#

已知点积计算算法的枚举。

这个 Enum 提供了一组已知的、至少在 平台 上支持的 DotAlgorithm 对象。有关这些算法行为的更多详细信息，请参阅 DotAlgorithm 文档。

在调用 dot()、dot_general() 或大多数其他 JAX 点积函数时，可以通过将此 Enum 的成员或其名称作为字符串传递给 precision 参数来从此列表中选择算法。

例如，用户可以直接通过此 Enum 指定预设

>>> lhs = jnp.array([1.0, 2.0, 3.0, 4.0], dtype=np.float16)
>>> rhs = jnp.array([1.0, 2.0, 3.0, 4.0], dtype=np.float16)
>>> algorithm = DotAlgorithmPreset.F16_F16_F32
>>> dot(lhs, rhs, precision=algorithm)  
array([ 1.,  4.,  9., 16.], dtype=float16)

或者，等效地，可以通过名称指定

>>> dot(lhs, rhs, precision="F16_F16_F32")  
array([ 1.,  4.,  9., 16.], dtype=float16)

预设的名称通常是 LHS_RHS_ACCUM，其中 LHS 和 RHS 分别是 lhs 和 rhs 输入的元素类型，而 ACCUM 是累加器的元素类型。一些预设有一个额外的后缀，这些后缀的含义将在下面文档中说明。支持的预设如下：

DEFAULT = 1#

将根据输入和输出类型选择算法。

ANY_F8_ANY_F8_F32 = 2#

接受任何 float8 输入类型，并累加到 float32。

ANY_F8_ANY_F8_F32_FAST_ACCUM = 3#

类似于 ANY_F8_ANY_F8_F32，但使用更快的累加，以牺牲精度为代价。

ANY_F8_ANY_F8_ANY = 4#

类似于 ANY_F8_ANY_F8_F32，但累加类型由 preferred_element_type 控制。

ANY_F8_ANY_F8_ANY_FAST_ACCUM = 5#

类似于 ANY_F8_ANY_F8_F32_FAST_ACCUM，但累加类型由 preferred_element_type 控制。

F16_F16_F16 = 6#
F16_F16_F32 = 7#
BF16_BF16_BF16 = 8#
BF16_BF16_F32 = 9#
BF16_BF16_F32_X3 = 10#

后缀 _X3 表示该算法使用 3 次运算来模拟更高的精度。

BF16_BF16_F32_X6 = 11#

类似于 BF16_BF16_F32_X3，但使用 6 次运算而不是 3 次。

BF16_BF16_F32_X9 = 12#

类似于 BF16_BF16_F32_X3，但使用 9 次运算而不是 3 次。

TF32_TF32_F32 = 13#
TF32_TF32_F32_X3 = 14#

后缀 _X3 表示该算法使用 3 次运算来模拟更高的精度。

F32_F32_F32 = 15#
F64_F64_F64 = 16#
property supported_lhs_types: tuple[DTypeLike, ...] | None[source]#
property supported_rhs_types: tuple[DTypeLike, ...] | None[source]#
property accumulation_type: DTypeLike | None[source]#
supported_output_types(lhs_dtype, rhs_dtype)[source]#
参数:

  • lhs_dtype (DTypeLike)

  • rhs_dtype (DTypeLike)

返回类型:

tuple[DTypeLike, …] | None

class jax.lax.FftType(value, names=<not given>, *values, module=None, qualname=None, type=None, start=1, boundary=None)[source]#

描述要执行的 FFT 操作。

FFT = 0#

正向复数到复数 FFT。

IFFT = 1#

反向复数到复数 FFT。

IRFFT = 3#

反向实数到复数 FFT。

RFFT = 2#

正向实数到复数 FFT。

class jax.lax.GatherDimensionNumbers(offset_dims, collapsed_slice_dims, start_index_map, operand_batching_dims=(), start_indices_batching_dims=())[source]#

描述 XLA 的 Gather 运算符的维度编号参数。有关维度编号含义的更多详细信息，请参阅 XLA 文档。

参数:

  • offset_dims (tuple[int, ...]) – gather 输出中用于偏移从 operand 切片出的数组的维度集合。必须是升序整数元组，每个整数代表输出的维度编号。

  • collapsed_slice_dims (tuple[int, ...]) – operand 中 slice_sizes[i] == 1 且不应在 gather 输出中具有相应维度的维度 i 的集合。必须是升序整数元组。

  • start_index_map (tuple[int, ...]) – 对于 start_indices 中的每个维度，给出要切片的 operand 中对应的维度。必须是大小等于 start_indices.shape[-1] 的整数元组。

  • operand_batching_dims (tuple[int, ...]) – operand 中 slice_sizes[i] == 1 且应在 start_indices（在 start_indices_batching_dims 的相同索引处）和 gather 输出中具有相应维度的批处理维度 i 的集合。必须是升序整数元组。

  • start_indices_batching_dims (tuple[int, ...]) – start_indices 中应在 operand（在 operand_batching_dims 的相同索引处）和 gather 输出中具有相应维度的批处理维度 i 的集合。必须是整数元组（顺序基于与 operand_batching_dims 的对应关系固定）。

与 XLA 的 GatherDimensionNumbers 结构不同，index_vector_dim 是隐式的；始终存在一个索引向量维度，并且它必须始终是最后一个维度。要收集标量索引，请添加大小为 1 的尾随维度。

class jax.lax.GatherScatterMode(value, names=<not given>, *values, module=None, qualname=None, type=None, start=1, boundary=None)[source]#

描述如何处理 gather 或 scatter 中的越界索引。

可能的值是

CLIP

索引将被裁剪到最接近的范围内值，即，使得要收集的整个窗口都在范围内。

FILL_OR_DROP

如果收集窗口的任何部分越界，则返回的整个窗口（即使是那些原本在范围内的元素）都将被填充为常量。如果分散窗口的任何部分越界，则整个窗口将被丢弃。

PROMISE_IN_BOUNDS

用户保证索引在范围内。将不执行额外的检查。实际上，使用当前的 XLA 实现，这意味着越界收集将被裁剪，但越界分散将被丢弃。如果索引越界，梯度将不正确。

class jax.lax.Precision(value, names=<not given>, *values, module=None, qualname=None, type=None, start=1, boundary=None)[source]#

用于 lax 矩阵乘法相关函数的精度枚举。

JAX 函数的设备相关 precision 参数通常控制加速器后端（即 TPU 和 GPU）上数组计算的速度和准确性之间的权衡。对 CPU 后端没有影响。这仅对 float32 计算有效，并且不影响输入/输出数据类型。成员是

DEFAULT

最快的模式，但精度最低。在 TPU 上：以 bfloat16 执行 float32 计算。在 GPU 上：如果可用，则使用 tensorfloat32（例如，在 A100 和 H100 GPU 上），否则使用标准 float32（例如，在 V100 GPU 上）。别名：'default'、'fastest'。

HIGH

速度较慢但精度更高。在 TPU 上：以 3 次 bfloat16 传递执行 float32 计算。在 GPU 上：在可用时使用 tensorfloat32，否则使用 float32。别名：'high'。

HIGHEST

最慢但最精确。在 TPU 上：以 6 次 bfloat16 传递执行 float32 计算。别名：'highest'。在 GPU 上：使用 float32。

jax.lax.PrecisionLike#

别名：None | str | Precision | tuple[str, str] | tuple[Precision, Precision] | DotAlgorithm | DotAlgorithmPreset

class jax.lax.RandomAlgorithm(value, names=<not given>, *values, module=None, qualname=None, type=None, start=1, boundary=None)[source]#

描述 `rng_bit_generator` 使用的 PRNG 算法。

RNG_DEFAULT = 0#

平台的默认算法。

RNG_THREE_FRY = 1#

Threefry-2x32 PRNG 算法。

RNG_PHILOX = 2#

Philox-4x32 PRNG 算法。

class jax.lax.RoundingMethod(value, names=<not given>, *values, module=None, qualname=None, type=None, start=1, boundary=None)[source]#

处理 jax.lax.round() 中一半值（例如 0.5）的舍入策略。

AWAY_FROM_ZERO = 0#

将一半值舍入到远离零的方向（例如，0.5 -> 1，-0.5 -> -1）。

TO_NEAREST_EVEN = 1#

将一半值舍入到最接近的偶数整数。这也被称为“银行家舍入”（例如，0.5 -> 0，1.5 -> 2）。

class jax.lax.ScatterDimensionNumbers(update_window_dims, inserted_window_dims, scatter_dims_to_operand_dims, operand_batching_dims=(), scatter_indices_batching_dims=())[source]#

描述 XLA 的 Scatter 运算符的维度编号参数。有关维度编号含义的更多详细信息，请参阅 XLA 文档。

参数:

  • update_window_dims (Sequence[int]) – updates 中作为窗口维度的维度集合。必须是升序整数元组，每个整数代表一个维度编号。

  • inserted_window_dims (Sequence[int]) – 必须插入到 updates 形状中的大小为 1 的窗口维度集合。必须是升序整数元组，每个整数代表输出的维度编号。这些是 gather 的 collapsed_slice_dims 的镜像。

  • scatter_dims_to_operand_dims (Sequence[int]) – 对于 scatter_indices 中的每个维度，给出 operand 中对应的维度。必须是大小等于 scatter_indices.shape[-1] 的整数序列。

  • operand_batching_dims (Sequence[int]) – operand 中应在 scatter_indices（在 scatter_indices_batching_dims 的相同索引处）和 updates 中具有相应维度的批处理维度 i 的集合。必须是升序整数元组。这些是 gather 的 operand_batching_dims 的镜像。

  • scatter_indices_batching_dims (Sequence[int]) – scatter_indices 中应在 operand（在 operand_batching_dims 的相同索引处）和 gather 输出中具有相应维度的批处理维度 i 的集合。必须是整数元组（顺序基于与 input_batching_dims 的对应关系固定）。这些是 gather 的 start_indices_batching_dims 的镜像。

与 XLA 的 ScatterDimensionNumbers 结构不同，index_vector_dim 是隐式的；始终存在一个索引向量维度，并且它必须始终是最后一个维度。要分散标量索引，请添加大小为 1 的尾随维度。