AI常用算子列表
1
Abs
求绝对值
【输入】
input：输入Tensor，float32
【约束】
无限制
【输出】
output：输出Tensor
2
Acos
反余弦
【输入】
input：输入Tensor，数值范围[-1, 1]，类型：float32
【约束】
无限制
【输出】
output：输出Tensor，数值范围[0, pi]，类型与x输入相同
3
Add
二元点加
【输入】
A：输入Tensor，类型：float32，第1个操作数
B：输入Tensor，类型：float32，第2个操作数
【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：
NCHW+NCHW(备注, 两个维度相同tensor)
NCHW+scalar
NCHW+W, CHW+W, HW+W(备注, W维度做broadcast)
NCHW + NCH1, CHW + CH1, HW + H1
CHW + C1W(备注，H维度做broadcast)
对于两个输入维度个数不相同的场景，需要将维度补齐到四维。例如，x.shape=(1, 5, 6, 7) 和 y.shape=(6, 7)需要将y的维度补齐到4维，即y.shape=(1, 1, 6, 7)。
说明：两个Tensor的输入顺序可以互换。
【输出】
C：输出Tensor，类型同B
4
And
取与运算
【输入】
A：输入Tensor，类型：bool
B：输入Tensor，类型：bool
【约束】
input输入不支持NCHW格式数据
【输出】
output：输出Tensor，类型：bool
5
ArgMax
在指定轴上找到最大值索引
【输入】
data：输入Tensor，类型：float32
【参数】
axis：int，default值为0，取值范围[-r, r-1]，r = rank(data)
keepdims：int，default值为1
【输出】
output：输出Tensor，类型：int64
6
Asin
反正弦
【输入】
input：输入Tensor，数值范围[-1, 1]，类型：float32
【约束】
无限制
【输出】
output：输出Tensor，数值范围[-pi/2, pi/2]，类型与input输入相同
7
Atan
反正切
【输入】
input：输入Tensor，类型：float32
【约束】
无限制
【输出】
output：输出Tensor，类型与input输入相同
8
AveragePool
平均池化
【输入】
X：输入Tensor，类型：float32
【参数】
auto_pad：optional, string，pad的计算模式，默认是NOTSET
ceil_mode：optional, int，使用ceil（向上取整）还是floor（向下取整）计算输出维度，默认是0（ceil）
count_include_pad：optional，int，计算边缘时是否包含pad，默认是0，不包含pad
kernel_shape：list of ints，每个值对应相应维度的窗口大小
pads：list of ints，每个值对应相应维度的pad值，默认值为0
strides：list of ints，其中每个值对应相应维度的滑动步长，默认值为1
【约束】
auto_pad参数不支持SAME_UPPER，SAME_LOWER
count_include_pad参数只支持默认值
【输出】
Y：输出Tensor，类型与X输入相同
9
BatchNormalization
对输入做标准化
【输入】
X：输入Tensor，类型：float32
scale：输入Tensor，类型：float32，用于缩放
B：输入Tensor，类型：float32，偏差
mean：输入Tensor，类型：float32，用于推理总体均值
var：输入Tensor，类型：float32，用于推理总体方差
training_mode：输入Tensor，optional，训练模式
【参数】
epsilon：float32，在X的方差中添加的一个小的浮点数，默认值是1e-05
momentum：float32，计算mean和var的因子，默认值为0.9
spatial：int，计算mean和var的方式，默认值1
【约束】
不支持训练场景
不支持training_mode输入
不支持output_mean、output_var、saved_mean、saved_var输出
opset7中不支持spatial设置
【输出】
Y：输出Tensor，和X输入有相同的维度
output_mean：训练模式下是滑动均值，非训练模式下是估计均值
output_var：训练模式下是滑动方差，非训练模式下是估计方差
saved_mean：已保存的均值
saved_var：已保存的均值
10
Cast
数据类型转换
【输入】
input：输入Tensor，类型：float32，bool，int32，uint8
【参数】
to：数据类型int
FLOAT = 1
UINT8 = 2
INT8 = 3
UINT16 = 4
INT16 = 5
INT32 = 6
INT64 = 7
STRING = 8
BOOL = 9
FLOAT16 = 10
DOUBLE = 11
UINT32 = 12
【约束】
支持下面类型转换：
fp16 -> fp32
fp32 -> fp16
u8 -> fp16
fp16 -> u8
int32 -> fp32
fp32->int32
fp16 -> int8
int8 -> fp16
in32 -> fp16
fp16 -> int32
bool -> fp16
fp16 -> bool
【输出】
output：输出Tensor
11
Ceil
向上取值
【输入】
X：输入Tensor，类型：float32
【约束】
无
【输出】
output：输出Tensor，类型与input输入相同
12
Clip
将输入限制在一个区间中
【输入】
input：输入Tensor，类型：float32
min：Scalar Tensor，optional，类型：float32，区间最小值
max：Scalar Tensor，optional，类型：float32，区间最大值
【参数】
在opset 7~10中min和max是参数
【约束】
min输入必须是常量
max输入必须是常量
【输出】
output：输出Tensor，类型与input输入相同
13
Concat
数据按维度拼接
【输入】
inputs：List of tensors，类型：float32，int32
【参数】
axis：int，轴参数，控制需要拼接的数据轴，负值表示从维度最后一位往前数
【约束】
无
【输出】
concat_result：拼接之后的Tensor，类型：float32，int32
14
Constant
输出1个常量Tensor
【输入】
无
【参数】
sparse_value：稀疏类型的输出值
value：Tensor，输出Tensor的值
value_float：float32类型的标量输出Tensor的值
value_floats：list of floats，float32类型的1D输出Tensor的值
value_int：int，int32类型的标量输出Tensor的值
value_ints：list of ints，int32类型的1D输出Tensor的值
value_string：string，string类型的标量UTF-8输出Tensor的值
value_strings：list of strings，string类型的1D UTF-8输出Tensor的值
【约束】
不支持sparse_value参数
不支持value_string参数
不支持value_strings参数
【输出】
output：输出Tensor，和提供的Tensor具有相同的值
15
ConstantOfShape
根据给定的值和维度，生成1个Tensor
【输入】
input：1-D Tensor，类型：int32，uint8
【参数】
value：optional，0-D Tensor，需要填充的值，默认为0，默认类型float32
【约束】
无
【输出】
output：输出Tensor，类型同value
16
Conv
卷积
【输入】
X：输入Tensor，类型：float32
W：输入Tensor，具有维度(M * C/group * kH * kW)，其中C是channels的数量，kH和kW是卷积核的高和宽，M是feature maps的数量
B：optional，1D 常量Tensor，卷积计算时添加的偏置
【参数】
auto_pad：optional, string，pad的计算模式，默认是NOTSET
dilations：optional，list of ints，每个值对应卷积核对应空间轴上的扩张值，默认值1
group：optional，int，组的数量
kernel_shape：list of ints，卷积核的维度
pads：list of ints，每个值对应相应维度的pad值
list of ints，每个值对应相应维度的滑动步长，默认值为1
【约束】
auto_pad参数不支持SAME_UPPER, SAME_LOWER
【输出】
Y：输出Tensor，类型同X
17
ConvTranspose
反卷积
【输入】
X：输入Tensor，类型：float32
W：输入Tensor，具有维度(M * C/group * kH * kW)，其中C是channels的数量，kH和kW是卷积核的高和宽，M是feature maps的数量
B：optional，1D 常量Tensor，卷积计算时添加的偏置
【参数】
auto_pad：optional, string，pad的计算模式，默认是NOTSET
dilations：optional，list of ints，每个值对应卷积核对应空间轴上的扩张值，默认值1
group：optional，int，组的数量
kernel_shape：list of ints，卷积核的维度
output_padding：为输出坐标指数较高的边添加的额外值
output_shape：输出的shape
pads：list of ints，每个值对应相应维度的pad值
list of ints，每个值对应相应维度的滑动步长，默认值为1
【约束】
auto_pad参数不支持SAME_UPPER, SAME_LOWER
output_padding参数不支持
W输入必须为常量
【输出】
Y：输出Tensor，类型同X输入
18
Cos
计算余弦
【输入】
input：输入Tensor，类型：float32
【约束】
无限制
【输出】
output：输出Tensor，类型与x输入相同
19
DepthToSpace
重组数据，根据blocksize
【输入】
input：输入Tensor，类型：float32
【参数】
blocksize：数据类型：int
mode: 数据类型 string
【约束】
mode仅支持DCR CRD两种模式
【输出】
output：输出Tensor，类型与x输入相同
20
Div
做除法运算
【输入】
A：输入Tensor，类型：float32，int32
B：输入Tensor，类型：float32，int32
【约束】
对于两个输入维度个数不相同的场景，需要将维度补齐到四维。例如，x.shape=(1, 5, 6, 7) 和 y.shape=(6, 7)需要将y的维度补齐到4维，即y.shape=(1, 1, 6, 7)。
【输出】
C：输出Tensor，类型与x输入相同
21
Elu
根据f(x) = alpha * (exp(x) - 1.) 该公式做计算
【输入】
X：输入Tensor，类型：float32
【参数】
alpha：float32，缺省值为1.0
【约束】
无
【输出】
Y：输出Tensor，类型与x输入相同
22
Equal
判断输入是否相等
【输入】
A：输入Tensor，类型：uint8,float32,bool,int32（int32只支持标量）
B：输入Tensor，类型：uint8,float32,bool,int32（int32只支持标量）
【约束】
暂不支持广播场景
【输出】
C：输出Tensor，类型 bool
23
Erf
对输入数据逐个元素做error function计算
【输入】
x：输入Tensor，类型：float32
【约束】
无限制
【输出】
y：输出Tensor，类型与x输入相同
24
Exp
指数函数，output = e^input
【输入】
input：输入Tensor，类型：float32，double
【约束】
无限制
【输出】
output：输出Tensor，类型与x输入相同
25
Expand
根据指定的shape做广播
【输入】
input：输入Tensor，类型：float32，int8, uint8, bool
shape：输入Tensor，类型：int32，1D的tensor，指定输出的shape
【约束】
支持任意满足broadcast条件的Broadcast场景
对于需要插broadcastTo算子的Add、Sub、Mul、Div、Max，不支持量化功能
支持在Kirin 9000及以后的芯片上运行
【输出】
output：输出Tensor，类型与x输入相同
26
Flatten
数据按维度展开
【输入】
input：输入 Tensor，类型float32
【参数】
axis：int，标识数据在哪个维度上展开，值的范围[-r, r]，r是输入Tensor的维度个数，负值表示从最后1个维度往回计算
【约束】
axis参数必须为1
【输出】
output：2-D Tensor，类型float32
27
Floor
对输入进行向下取整
【输入】
X：输入Tensor，类型：float32
【约束】
无
【输出】
Y：输出Tensor，类型同X输入
28
Gather
根据输入的indices，从data中获取entry组成输出tensor
【输入】
data：输入Tensor，类型：float32, int32
indices：输入Tensor，数据类型int32
【参数】
axis：int, [-r, r-1] ,r = rank(data)
【约束】
无
【输出】
output：输出Tensor，类型同data输入
29
Gemm
通用矩阵乘法，
Y = alpha * A' * B' + beta * C
【输入】
A：输入Tensor，类型：float32
B：输入Tensor，类型：float32
C：输入Tensor，类型：float32
【参数】
alpha：float32，A * B的标量乘数，默认值1.0
beta：float32，C的标量乘数，默认值1.0
transA：int，A输入是否需要转置，默认值0
transB：int，B输入是否需要转置，默认值0
【约束】
transA参数不支持true
输入B和C只支持常量
如果A是M*K，B是K*N，C可以是N或1*N或不指定
【输出】
Y：输出Tensor，维度是（M, N）
30
GlobalAveragePool
对输入进行全局平均池化
【输入】
X：输入Tensor，类型：float32，维度是（N * C * H * W）
【约束】
无
【输出】
Y：输出Tensor，类型同X输入
31
GlobalMaxPool
对输入进行全局最大池化
【输入】
X：输入Tensor，类型float32，维度是（N * C * H * W）
【约束】
无
【输出】
Y：输出Tensor，类型同X输入
32
Greater
逐个元素比较哪个大
【输入】
A：输入Tensor，类型float32，
B：输入Tensor，类型float32，
【约束】
无
【输出】
C：输出Tensor，类型 bool
33
InstanceNormalization
按照下面公式做归一化运算
y = scale * (x - mean) / sqrt(variance + epsilon) + B
【输入】
input：输入4D Tensor，类型float32，
scale：输入Tensor，类型float32，
B：输入Tensor，类型float32，
【参数】
alpha：float32，避免除零错误，默认值1e-05
【约束】
无
【输出】
output：输出Tensor，类型同input输入
34
LeakyRelu
对输入进行LeakyRelu激活函数计算
f(x) = alpha * x for x < 0, f(x) = x for x >= 0
【输入】
X：输入Tensor，类型：float32
【参数】
alpha：float32，泄漏系数，默认值0.01
【约束】
无
【输出】
Y：输出Tensor，类型同X输入
35
Less
对输入A和B进行逐元素Less逻辑运算
【输入】
A：输入Tensor，类型：float32
B：输入Tensor，类型：float32
【约束】
无限制
【输出】
C：输出Tensor，类型：bool
36
Log
取自然对数运算
【输入】
input：输入Tensor，类型： float32
【约束】
无
【输出】
output：输出Tensor，类型同input输入
37
LogSoftmax
对输入进行logsoftmax（log of softmax）计算
【输入】
input：输入Tensor，类型：float32
【参数】
axis：int，输入变为2D维度时的轴，默认值1
【约束】
axis参数仅支持最后一维
【输出】
output：输出Tensor，维度和输入相同
38
MatMul
矩阵乘
【输入】
A：输入Tensor，类型：float32
B：输入Tensor，类型：float32
【约束】
A: 输入tensor，2<=rank<=4
B: 输入tensor，类型与rank同A
【输出】
Y：输出Tensor，类型：float32
39
Max
逐个元素取最大值
【输入】
X1：输入Tensor，类型：float32
X2：输入Tensor，类型：float32
【约束】
对于两个输入维度个数不相同的场景，需要将维度补齐到四维。例如，x.shape=(1, 5, 6, 7) 和 y.shape=(6, 7)需要将y的维度补齐到4维，即y.shape=(1, 1, 6, 7)；Kirin 9000平台下，已经支持broadcast；1<=N <= 65535
只支持2个输入
【输出】
y：输出Tensor，类型：float32
40
MaxPool
最大池化
【输入】
X：输入Tensor，类型：float32
【参数】
auto_pad：optional, string，pad的计算模式，默认是NOTSET
ceil_mode：optional, int，使用ceil（向上取整）还是floor（向下取整）计算输出维度，默认值0（ceil）
dilations：optional，list of ints，每个值对应池化核对应空间轴上的扩张值，默认值1
kernel_shape：list of ints，每个值对应相应维度的窗口大小
pads：list of ints，每个值对应相应维度的pad值，默认值为0
storage_order：int，Tensor的存储顺序，默认值0，按行存储
strides：list of ints，其中每个值对应相应维度的滑动步长，默认值为1
【约束】
auto_pad参数只支持默认值
storage_order参数只支持默认值
dilations参数只支持默认值
Indices可选输出不支持
【输出】
Y：输出Tensor，类型与X输入相同
Indices：optional，输出Tensor
41
Min
逐个元素取最小
【输入】
X1：输入Tensor，类型：float32, int32
X2：输入Tensor，类型：float32,int32
【约束】
5D输入不支持常量广播
只支持2个输入
【输出】
y：输出Tensor，类型与Xn输入相同
42
Mul
二元点乘
【输入】
A：输入Tensor，类型：float32，第1个操作数
B：输入Tensor，类型：float32，第2个操作数
【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：
NCHW+NCHW(备注, 两个维度相同tensor)
NCHW+scalar
NCHW+W, CHW+W, HW+W(备注, W维度做broadcast)
NCHW + NCH1, CHW + CH1, HW + H1
CHW + C1W(备注，H维度做broadcast)
对于两个输入维度个数不相同的场景，需要将维度补齐到四维。例如，x.shape=(1, 5, 6, 7) 和 y.shape=(6, 7)需要将y的维度补齐到4维，即y.shape=(1, 1, 6, 7)。
说明：两个Tensor的输入顺序可以互换。
【输出】
C：输出Tensor，类型同B
43
Neg
对Tensor的每个元素取反，y=-x
【输入】
X：输入Tensor，类型：float32
【约束】
无
【输出】
Y：输出Tensor，类型：float32
44
NonMaxSuppression
进行非最大值压缩在指定框中
【输入】
boxes：输入Tensor，类型：float32
scores：输入Tensor，类型：float32
max_output_boxes_per_class（可选）：输入Tensor，类型：int32
iou_threshold（可选）：输入Tensor，类型：float32
score_threshold（可选）：输入Tensor，类型：float32
【约束】
max_output_boxes_per_class、iou_threshold、score_threshold仅支持权值输入
max_output_boxes_per_class不支持取0
iou_threshold不支持取0和1
【输出】
selected_indices：输出Tensor，类型：float32
45
Or
对输入Tensor的每个元素取逻辑或
【输入】
A：输入Tensor，类型：bool
B：输入Tensor，类型：bool
【约束】
input输入不支持NCHW格式数据
【输出】
C：输出Tensor，类型：bool
46
PRelu
根据下面公式做运算
f(x) = slope * x for x < 0, f(x) = x for x >= 0
【输入】
X：输入Tensor，类型：float32
slope：输入Tensor，类型：float32
【约束】
slope输入必须是常量
slope必须是标量或者1C11或C11的形式，其中C是X输入的channel
X输入必须是4D
【输出】
Y：输出Tensor，类型同X输入
47
Pad
对输入Tensor做补pad处理
【输入】
data：输入Tensor，类型：float32
pads：输入Tensor，类型：int64
constant_value：optional，输入Tensor，标量，类型同data输入，默认值0
【参数】
mode：string，支持的模式
在opset 7~10中pads输入是参数
在opset 7~10中存在value参数，表示要被填充的值
【约束】
mode仅支持constant模式
pads输入必须是常量
【输出】
output：输出Tensor，类型：float32
48
Pow
逐个元素做指数运算
【输入】
X：输入Tensor，类型：float32, int32
Y：输入Tensor，类型：float32, int32
【约束】
无限制
【输出】
Z：输出Tensor，类型：float32, int32
49
Range
创建一个Tensor，Tensor的数据以start开始，以delta作为步长扩展直到limit
【输入】
start：输入Tensor，标量，类型：float32，int32，输出数据的起始值
limit：输入Tensor，标量，类型：float32，int32，输出数据的上限值
delta：输入Tensor，标量，类型：float32，int32，步长
【约束】
输入start必须是常量
输入limit必须是常量
输入delta必须是常量
【输出】
output：输出Tensor，标量，类型float32，int32
50
ReduceLogSumExp
计算输入Tensor沿着指定轴上的对数和的指数
【输入】
data：输入Tensor，类型：float32
【参数】
axes：list of ints，指定的轴
keepdims：ints，是否保留指定轴上的维度，默认值是1
【约束】
无
【输出】
reduced：输出Tensor
51
ReduceMax
计算输入Tensor沿着指定轴上的最大值
【输入】
data：输入Tensor，类型：float32
【参数】
axes：list of ints，指定的轴
keepdims：ints，是否保留指定轴上的维度，如果是1，保留，如果是0，则不保留，默认值是1
【约束】
axes参数为必选参数
【输出】
reduced：输出Tensor
52
ReduceMean
计算输入Tensor沿着指定轴上的平均值
【输入】
data：输入Tensor，类型：float32
【参数】
axes：list of ints，指定的轴
keepdims：ints，是否保留指定轴上的维度，如果是1，保留，如果是0，则不保留，默认值是1
【约束】
axes参数为必选参数
【输出】
reduced：输出Tensor
53
ReduceMin
计算输入Tensor沿着指定轴上的最小值
【输入】
data：输入Tensor，类型：float32
【参数】
axes：list of ints，指定的轴
keepdims：int，是否保留维度，默认值1
【约束】
axes参数为必选参数
keepdims参数仅支持设置为1
【输出】
reduced：输出Tensor
54
ReduceSum
计算输入Tensor沿着指定轴上的和
【输入】
data：输入Tensor，类型：float32
【参数】
axes：list of ints，指定的轴
keepdims：int，是否保留维度，默认值1
【约束】
axes参数为必选参数
【输出】
reduced：输出Tensor
55
Relu
整流线性单位函数
【输入】
X：输入Tensor，类型：float32
【约束】
无
【输出】
Y：输出Tensor，类型同X输入
56
Reshape
改变输入Tensor的维度
【输入】
data：输入Tensor，类型：float32，int32，int64，bool
shape：输入Tensor，类型：int32，int64
【约束】
shape输入必须是常量
【输出】
reshaped：输出Tensor，类型同data输入
57
Resize
调整输入tensor的维度
【输入】
X：输入Tensor，类型：float32
roi：输入Tensor，类型：float32
【参数】
align_corners：bool，缺省值为false
half_pixel_centers：bool，缺省值为false
【约束】
scales和sizes两个输入仅支持权值输入，不支持非权值输入
coordinate_transformation_mode支持half_pixel，pytorch_half_pixel。其中pytorch_half_pixel仅支持resized_length>1场景，resized_length <=1场景报错
cubic_coeff_a仅支持默认值-0.75
exclude_outside仅支持默认值0
extrapolation_value仅支持默认值：0.0
mode 支持nearest, linear
nearest_mode仅支持默认值round_prefer_floor
不支持crop功能
roi是无效输入时，仅支持权值输入
其他场景报错处理
【输出】
Y：输出Tensor，类型同data输入
58
RoiAlign
对关注的区域做对齐操作
【输入】
X：输入Tensor，类型：float32
roi：输入Tensor，类型：int32
batch_indices：输入Tensor，类型：int32
【参数】
mode：string，缺省值为avg
output_height：int32，缺省值为1
output_width：int32，缺省值为1
sampling_ratio：int32，缺省值为1
spatial_scale：float32，缺省值为1.0
【约束】
mode仅支持avg模式
【输出】
Y：输出Tensor，类型同X输入
59
Round
逐个元素取整
【输入】
X：输入Tensor，类型：float32
【约束】
无限制
【输出】
Y：输出Tensor，类型同X输入
60
ScatterElements
绘制散点图
【输入】
data：输入Tensor，类型：float32, int8, uint8, bool
indices：输入Tensor，类型：int32, int64
updates：输入Tensor，类型：float32, int8, uint8, bool
【参数】
axis：int，缺省值为0
【约束】
无
【输出】
output：输出Tensor，类型同data输入
61
Selu
对输入做下面公式计算
y = gamma * (alpha * e^x - alpha) for x <= 0, y = gamma * x for x > 0
【输入】
x：输入Tensor，类型：float32
【参数】
alpha：float32，缺省值为1.67326
gamma：float32，缺省值为1.0507
【约束】
仅支持alpha和gamma参数是默认值
【输出】
y：输出Tensor，类型同x输入
62
Shape
获取输入Tensor的维度，并输出
【输入】
data：输入Tensor，类型：float32，int32，bool，uint8
【约束】
不支持指定为输出节点
【输出】
shape：输出Tensor，data输入的维度
63
Sigmoid
sigmoid函数，y = 1 / (1 + exp(-x))
【输入】
X：输入Tensor，类型：float32
【约束】
无
【输出】
Y：输出Tensor，类型同X输入
64
Sign
sign函数（符号函数），
当x>0，sign(x)=1
当x=0，sign(x)=0
当x<0，sign(x)=-1
【输入】
input：输入Tensor，类型：float32
【约束】
无
【输出】
output：输出Tensor，类型和维度同input输入
65
Sin
计算正弦
【输入】
input：输入Tensor，类型：float32
【约束】
无限制
【输出】
output：输出Tensor，类型与x输入相同
66
Slice
对输入Tensor沿着指定轴切分
【输入】
data：输入Tensor，类型：float32，int32，uint8，bool
starts：1-D输入Tensor，类型：int64，int32，表示在指定轴上切分的起始位置
ends：1-D输入Tensor，类型：int64，int32，表示在指定轴上切分的结束位置
axes：optional，1-D输入Tensor，类型：int64，int32，指定需要切分的轴，缺省表示沿所有的维度切分，负值表示从后往前统计维度值
steps：optional，1-D输入Tensor，类型：int64，int32，切分的步长
【参数】
opset9及之前版本，axes，ends，starts是参数
【约束】
输入starts，ends，axes，steps必须为常量
不支持切分后，存在维度为0的场景
【输出】
output：输出Tensor，切分后的Tensor
67
Softmax
归一化逻辑函数
【输入】
input：输入Tensor，类型：float32
【参数】
axis：int，输入变为2D维度时的轴，默认值1
【约束】
axis参数仅支持最后一维
【输出】
output：输出Tensor，类型和维度同input输入
68
Softplus
softplus激活函数，y = ln(exp(x) + 1)
【输入】
X：1-D输入Tensor，类型：float32
【约束】
无
【输出】
Y：1-D输出Tensor，类型同X输入
69
Split
在指定轴上做拆分,输出多个tensor
【输入】
input：输入Tensor，类型： float32
【参数】
axis：int, 缺省值为0
split: list of ints 值必须大于等于0
【约束】
无
【输出】
outputs：D输出Tensor，类型同输入
70
Sqrt
求平方根
【输入】
X：输入Tensor，类型：float32
【约束】
无
【输出】
Y：输出Tensor，类型同X输入
71
Squeeze
在指定轴上降维
【输入】
data：输入Tensor，类型：float32
【参数】
axes：list of ints，轴，缺省值为所有维度，负值表示从后往前遍历
【约束】
无
【输出】
squeezed：输出Tensor，类型：float32
72
Sub
逐个元素的减法运算
【输入】
A：输入Tensor，类型：float32 ，第1个操作数
B：输入Tensor，类型：float32 ，第2个操作数
【约束】
无
【输出】
C：输出Tensor，类型：float32
73
Tan
正切函数
【输入】
input：输入Tensor，类型：float32
【约束】
无
【输出】
output：输出Tensor，类型：float32
74
Tanh
双曲函数
【输入】
input：输入Tensor，类型：float32
【约束】
无
【输出】
output：输出Tensor，类型：float32
75
Tile
对输入Tensor做平铺操作
【输入】
input：输入Tensor，类型：float32，int8，uint8，bool
repeats：1-D输入Tensor，类型：int32, int64
【约束】
repeats输入必须是常量
【输出】
output：输出Tensor，类型同input输入
76
TopK
实现最大或者最小的K个元素在指定的轴上。
【输入】
X：输入Tensor，类型：float32
K：输入Tensor，类型：int32, int64
【参数】
axis：int，缺省值为-1
largest：int，缺省值为1
sorted：int，缺省值为1
【约束】
K输入必须是常量
【输出】
values：输出Tensor，类型：float32
indices: 输出Tensor，类型：int32
77
Transpose
根据属性perm中各个轴的排列顺序，对输入Tensor和shape做相应转换
【输入】
data：输入Tensor，类型：float32
【参数】
perm：list of ints，轴调整排列的顺序表
【约束】
无
【输出】
transposed：输出Tensor，类型：float32
78
Unsqueeze
在指定轴上扩维
【输入】
data：输入Tensor，类型：float32，int32，uint8，bool
【参数】
axes：list of ints，指定需要扩维的轴
【约束】
仅支持axes个数为1
【输出】
expanded：输出Tensor，类型：float32，int32，uint8，bool
79
Upsample
上采样
【输入】
X：输入Tensor，类型：float32
scales：输入Tensor，类型：float32
【参数】
mode：string，模式，有2个插值模式，nearest模式和linear模式（包含bilinear, trilinear等），默认是nearest模式
在opset7中scales输入是参数
【约束】
仅支持nearest、bilinear两种插值模式
X仅支持4D输入Tensor
N、C方向的scale仅支持等于1.0
【输出】
Y：输出Tensor，类型：float32
80
ReduceL2
（V510新增）
计算输入Tensor沿着指定轴上的欧几里得范数
【输入】
data：输入Tensor，类型：float32
【参数】
axes：list of ints，指定的轴
keepdims：int，是否保留维度，默认值1
【约束】
只支持keepdims=1的情形，所以输入和输出的realDim相等
输入N <= 65535
axes范围：支持realDim为3和realDim为4时对最后一维做reduceL2
【输出】
reduced：输出Tensor