o
    "ÕjÄ~ ã                   @   s†T  i d d ddiddidœ“dddddd	œd
dddœdœ“ddddiddidœ“ddddiddidœ“dddddddddœdddddœdœ“ddddd ddd!œdd"dd#œdœ“d$d%dddd&d'd(d)dd*d+œ	dd,d-d.d/dd0œd1d2d3œd1d4d3œd1d5d3œd6œd7œ“d8d9dddd d:d(dd;œdd"d<ddœdœ“d=d>dddd&d'd(d)dd*d+œ	dd,d-d.d/dd0œd1d2d3œd1d4d3œd1d5d3œd6œd7œ“d?d@ddAdBœddidœ“dCdDdEdiddidœ“dFdFdGddAdHœddidIdJdKœdLœ“dMdMdNdOidPdQidRdSdTd3œidUœ“dVdWddiddidXdYdZœdLœ“d[d[dGd\dBœddid]d^d3œd]d_d3œd`œd7œ“dadbddiddidXdYdZœdLœ“dcddddiddidXdYdZœdLœ“i dededdiddidœ“dfdgddiddidXdYdZœdLœ“dhdidjdkdldmœddidœ“dndoddiddidpdqdrdsœid7œ“dtduddiddidpdqdrdsœid7œ“dvdvddidddwœdœ“dxdyddiddzd{œdœ“d|d|ddiddidœ“d}d}ddiddidœ“d~d~ddiddidœ“ddddiddidœ“d€d€dd‚dƒœd„œ“d…d…ddiddidœ“d†d†ddid‡œ“dˆdˆddiddidœ“d‰d‰dŠd‹dBœddidœ“dŒdŒddiddidœ“¥i dddŽdddd‘d’œd“d”d•d–œdœ“d—d—dd˜d™dšd›dœœdAddždŸd d¡d¢œdœ“d£d£ddd¤œddidœ“d¥d¥ddiddidœ“d¦d§dd¨d©dšdªœdPdidœ“d«d¬ddAd­d›d®œddidœ“d¯d°dd¨d©dšdªœdPdidœ“d±d±dd²d³œddid´dSdrdsœid7œ“dµdµddAdBœddidœ“d¶d¶ddiddidœ“d·d·ddAdBœddidœ“d¸d¸ddAdBœddidœ“d¹d¹ddAdBœddidœ“dºdºd»d¼d½d¾œd¿dÀidœ“dÁdÁdNdiddidœ“dÂdÂddiddidœ“dÃdÃdÄdÅdÆœddidœ“¥i dÇdÇddiddidœ“dÈdÈddiddidœ“dÉdÉddiddidœ“dÊdËddšdÌœddÍdÎœdœ“dÏdÏddiddidœ“dÐdÐddAdBœddidœ“dÑdÑdÒdidÓdÔdÕœdœ“dÖdÖddiddid1d×d3œd1dØd3œdÙœd7œ“dÚdÚddiddidœ“dÛdÛdNdGidQdÜdÝœdÞdßidLœ“dàdàddAdáœddidœ“dâdâddiddidpdpidpdSdãd3œidäœ“dådædåi“dçdçddiddidœ“dèdèdGdédêœddQidœ“dëdëdGdéd›dìœddQidídSdrdsœidUœ“dîdîdGdédêœddQidœ“¥i dïdïdGdédðœddQidœ“dñdñddiddidœ“dòdòddiddidœ“dódôddiddidSdõdöd÷œdSdødùd÷œdúœdUœ“dûdûddAdBœddidpdXidLœ“düdýdþdd¤œdÿd dœdœ“ddddiddidXdXidLœ“ddddiddidpdSdrdsœid7œ“ddædi“ddddiddidœ“dddGddédd	œddQidœ“d
d
dGdédêœddQidœ“dddGdéd›dìœddQidídSdrdsœidUœ“ddædi“ddddGiddidœ“ddddiddidœ“dddNdGiddidœ“¥i ddddGiddidœ“ddddiddidœ“ddddIiddidœ“ddddAdBœddidœ“ddædi“ddddAdBœddidœ“ddddAdBœddidœ“dddddœdddœdd d!d"d#d$œdLœ“d%dæd%i“d&d&d'd(d)d*d+œd,dd-œdœ“d.d.ddid/d0d1œdœ“d2d2ddid/d0d1œdœ“d3d3ddiddidœ“d4d4ddid/d0d5œd6d7idLœ“d8d8dd9idd:d;d<œdœ“d=d=ddAdBœddidœ“d>d>ddiddidœ“¥i d?d@dÅdÄdAœddidBdCidLœ“dDdDddidEdqdödFd÷œidGœ“dHdHddAdBœddidœ“dIdIddAdBœddidœ“dJdJddiddidœ“dKdKddiddidœ“dLdLddiddidœ“dMdNddiddidEdEidEdSdõdOd÷œidPœ“dQdRddAdBœddidœ“dSdSddiddidœ“dTdUddiddidVdWidLœ“dXdXddidYdridYdridZœd[œ“d\dæd\i“d]dæd]i“d^dæd^i“d_dæd_i“d`dæd`i“¥i dadædai“dbdædbi“dcdcdGdÄd›ddœddidedfdgdhœdLœ“dididdid‡œ“djdjddiddidœ“dkdkddiddidœ“dldlddiddidœ“dmdnddiddidod1drdsœid7œ“dpdpddiddidœ“dqdqddAdBœddidœ“drdsddidd;dtœdudvdwœdLœ“dxdxddiddidœ“dydyddiddidœ“dzd{ddAdBœddidœ“d|d}ddAdBœddidœ“d~dddAdBœddidœ“d€d€ddiddAidœ“¥i ddddiddidœ“d‚d‚ddiddidXdYdZœdpdSdrdsœidPœ“dƒd„ddid‡œ“d…d†ddiddidod1drdsœid7œ“d‡d‡ddˆd‰dŠd‹dŒddŽddd‘d’œi d“d”“d•d–“d—d˜“d™dš“d›dœ“ddž“dŸd “d¡d¢“d£d¤“d¥d¦“d§d¨“d©dª“d«d¬“d­d®“d¯d°“d±d²“d³d´“dµd¶dAd·œ¥dœ“d¸d¸dd˜d™dšd›dœœdAddždŸd d¡d¢œdœ“d¹d¹ddºd›dˆd‰d»œdµd°d”d–dAd¼œdœ“d½d¾dd¿d˜d™dšd›dÀœdAddždŸd d¡d¢œdœ“dÁdædÁi“dÂdÂdGdéd›dÃdÄœdQdÅdÆœdœ“dÇdÇdÅdÈd›dšdÉœddidœ“dÊdÊddÄdAdËdšdÌdÍœdd˜d™dÎœdœ“dÏdÏddÐdÑdÒdÓdÔdÕdÖd×dd‘dØœddÙdÚdÛdÜd²d´dÝdÞdßdàdáœdâdãdädådæœdLœ“dçdçddAd›dèœdd¡déœdœ“dêdêddAd¡dëdìœdídîdïdðœdœ“dñdædñi“dòdòddódôdõd›döœd÷dødùdúdûdüœdýdþdfdÿœdLœ“¥i d d ddÄd›dœdddœdœ“ddddéd›dìœdddœddd	d
œdLœ“ddddddœdddœdœ“ddddiddidœ“dddddœddidpdSdd3œid7œ“dddddœddidœ“dddÅddœddidœ“ddddidEdqdödFd÷œidGœ“ddddiddidœ“dddd d!d"d#d$œd%d&d'd(œd)d*d+œdLœ“d,d,ddAdBœddidœ“d-d-ddAdBœddidœ“d.d.ddAdBœddidœ“d/d0dd1d2œddQidœ“d3d3ddšd›d4œdAd˜d™d5œdœ“d6dæd6i“d7d7ddiddidœ“¥i d8d9ddiddidœ“d:d;ddiddidœ“d<d=ddiddidœ“d>d?ddiddidœ“d@dAddAdBœddidœ“dBdBdNdiddidœ“dCdDddÄdd›dEdFdGœddHdIdJœdœ“dKdKddAd¤œddºdLœdœ“dMdMddiddidœ“dNdNddiddidœ“dOdOdddPdQœddidœ“dRdRdddœddidœ“dSdSdddœddidpdXidLœ“dTdTddšd›d4œdAdŸd dUœdœ“dVdVddGiddQidœ“dWdWddiddidœ“dXdXdGd\dBœddid]d^d3œd]d_d3œd`œd7œ“¥i dYdZddiddidœ“d[d\ddiddidœ“d]d^ddiddidœ“d_d_dd`daœdd idœ“dbdbddAdBœddidœ“dcdcddidddwœdœ“ddddddedfœddidœ“dgdhdddd&d'd(d)dd*d+œ	dd,d-d.d/ddiœdœ“djdjddšd›d4œdAd˜d™dÎœdœ“dkdkddiddidldidLœ“dmdmddAd­dnœddidœ“dododdAdBœddidœ“dpdpddAdBœddidœ“dqdqddiddidœ“drdsdd¨d©dšdªœdPdidœ“dtdtdjdudvdwœddidœ“dxdxddiddidœ“¥i dydyddiddidœ“dzdzddiddidœ“d{d{ddiddidœ“d|d|d}d~d¤œdd idœ“ddddiddidœ“d€d€ddiddidœ“ddddAdBœddidœ“d‚d‚ddiddidœ“dƒdƒddAdBœddidœ“d„d„ddAdBœddidœ“d…d…ddiddidœ“d†d†ddiddidœ“d‡d‡ddiddidœ“dˆdædˆi“d‰d‰ddAdBœdŠd‹dŒddŽœdd1drdsœid7œ“dddd‘dBœd’d“d”d•œdœ“d–d–dþdd—œdÿd dœdœ“¥i d˜d˜ddd™œddAidœ“dšd›ddAdBœddidœddžœdLœ“dŸd ddAdBœddidœ“d¡d¡d¢dd£œddd¤d¥œdœ“d¦d¦ddiddidœ“d§d§dd¨d©œddidœ“dªd«ddiddidXdYdZœdpdSdrdsœidPœ“d¬d¬ddidddœd­d®idLœ“d¯d¯ddidddœd­d®idLœ“d°d±ddAdBœddidœ“d²d²ddiddidœ“d³d´ddiddidXdYdZœdLœ“d´dµddiddidœ“d¶d¶ddiddidœ“d·d·dddd&d'd(d)dd¸œdd,d-d.d/dd0œd1drdsœd1drdsœd1drdsœd6œd7œ“d¹dºddd»ddd¼œdd½dd¾œdœ“d¿d¿dEdiddidœ“¥i dÀdÁddiddidXdYdZœdpdSdrdsœidPœ“dÂdÃddAdBœddidœ“dÄdÄddÅdÆœddidœ“dÇdÇddidddwœdœ“dÈdÉddd»ddd¼œdd½dd¾œdœ“dÊdÊddiddidœ“dËdËd¢dd¤dÌœdddÍdÎœdœ“dÏdÏdGdÄd›dÐdÑœddidÒdÓdÔdÕœdLœ“dÖdÖddiddid×dSdrdsœid7œ“dØdØddÅdÙœddidœ“dÚdÛddAdBœddidœ“dÜdÜddÝdÞœddidœ“dßdßddiddàdáœdpdâdSiidUœ“dãdædãi“dädådd¨d©dšdªœdPdidœ“dædæddd­dçœddèdéœdœ“dêdêddëiddìidÅdíidLœ“¥i dîdïdðdñiddidœ“dòdòddiddódôœdœ“dõdõddAdBœddidœ“död÷ddGidödidœ“dødùddiddidúdSdûd3œid7œ“düdüddiddidœ“dýdýddiddidœ“dþdþddiddidÿd1drdsœid7œ“d dæd i“ddddiddidÿdoiddSdd3œidPœ“ddædi“ddddiddidœ“ddddiddidœ“ddddiddidœ“ddddiddid­d®id­dSdrdsœidPœ“d	d	ddiddid­d®idLœ“d
d
ddiddiddidd1dd3œidäœ“¥i ddddIdœddidœ“ddddiddidœ“dddGddœdëd#dœdœ“ddddiddidXdYdœddSdrdsœidPœ“ddddd¤dœddidœ“dddGddd œdd!idd"d#d$œdLœ“d%dæd%i“d&d&ddid'd(d)œdœ“d*dæd*i“d+d+ddidEdqdödFd÷œidGœ“d,d,ddid‡œ“d-d-ddiddidœ“d.d.ddiddidœ“d/d/ddiddidœ“d0d0ddiddidœ“d1d2ddAdBœddidœ“d3d3ddiddidœ“¥i d4d4ddiddid5dXd6œdLœ“d7d7dd8d9œddidpdXidLœ“d:d;ddidd;dtœdEdSdõdöd÷œidUœ“d<d<ddiddidpdSdrdsœidUœ“d=d>dd?d@ddd ddAœdd"dBdCddDœdœ“dEdEdGdFdGdHdIœddJdKdLdMœdœ“dNdNddd¤dœddidœ“dOdOddd¤dœddPdQœdœ“dRdRddiddidSdqdTd3œidUœ“dUdUddiddidœ“dVdVddiddidœ“dWdWddid„œ“dXdXddiddidXd1dYd3œid7œ“dZdZddÅd[d\œddidœ“d]d]ddd[d\œddidœ“d^d^d_d`daœddidœ“d"d"ddid‡œ“¥i dbdbddcddœddedfœdœ“dgdgddiddidœ“dhdhddiddidœ“didjddkdldmœddndoœdpdqdqd3œidUœ“drdsddAdkdldtœddndoœdpdqdqd3œidUœ“dudædvi“dwdwddiddAidxdyidxdSdzd3œidäœ“d{dæd{i“d|d}ddddd~œdddœdœ“dEdædEi“d€d€dNdiddidœ“ddddidd‚dƒœdœ“d„dæd„i“d…d…ddiddidœ“d†d†ddiddidœ“d‡d‡ddiddidœ“dˆdˆddiddidœ“¥i d‰d‰ddiddidœ“dŠdŠdNdGiddidSd‹dŒd÷œdSddŽd÷œdœdUœ“dd‘ddGiddidœ“d’d’ddiddidœ“d“d“ddiddidœ“d”d”ddiddidœ“d•d•ddiddidÅdWidLœ“d–d–ddiddidœ“d—d—ddAdBœddidœ“d˜d˜d­d”d™dšœddidœ“d›d›ddiddidpdSdrdsœidœdSdrdsœidœ“dždždpdSdrdãdŸœid œ“d¡d¡ddiddidœ“d¢d¢ddiddidœ“d£d¤ddidd;dtœdpd¥idpdSdrdsœidPœ“d¦d¦ddiddAidœ“d§d§ddiddidœ“¥i d¨d¨ddGiddidSd‹dŒd÷œdSddŽd÷œdSd©dªd÷œd«œdUœ“d¬d­ddAdBœddidœ“d®dCddiddidXdYd¯d°œdpdSdrdsœidPœ“d±d±ddid”d²d³d´œdœ“dµdµddiddidœ“d¶d¶ddšd›d˜d™d·œdAddždŸd d¡d¢œdœ“d¸d¸dGdd¹œdd!idpdidLœ“dºdºddiddidœ“d»d»ddiddidœ“d¼d¼ddiddidœ“d½d½ddiddidœ“d¾d¾ddiddid¿dSdÀdÁd÷œidUœ“dÂdÃddidddwœdÄdSdÅd3œid7œ“dÆdÆddGiddidœ“dÇdÈddiddidÉdpidLœ“dÊdÊddAdBœddidœ“dËdËddiddidœ“¥i dÌdÍdd¨d©dšdªœdPdidœ“dÎdÎdNdiddidœ“dÏdÏddid‡œ“dÐdÐdNdiddidœ“dÑdÑddiddAidœ“dÒdÓddid1drdsœd1drdsœdÙœdEdqdödFd÷œidÔœ“dÕdÖddiddidœ“d×d×ddiddddØdÙœdœ“dÚdÚddidddØdÛœdœ“dÜdÜdddÝœddidÞdidídSdrdsœidPœ“dßdßdddÝœddidœ“dàdáddidd;dtœdpd¥idpdSdâdãd÷œidPœ“dädäddiddAidœ“dådæddÍdçdèdédêœddëdìdídîœdïdðdñd3œid7œ“dòdòdGdódôdõœddöd÷œdœ“dødødþddùdúdûœdüd dýœdœ“dþdþdñddAdÿœddidœ“¥i d dæd i“dddddœdëddœdœ“dddddd	d
œd dddœdœ“ddddiddidœ“ddddiddidœ“ddddiddidœ“ddddiddidœ“ddddiddidœ“ddddiddidœ“ddddiddidœ“ddddiddidœ“ddddiddidœ“ddddiddidœ“ddddd ddœdd"dœdœ“ddddddœddidœ“ddddiddidœ“d d!dNdGiddidœ“¥i d"d"ddAdBœdd#d$œdœ“d%d%ddAdBœd&d'd(dd)œdœ“d*d*ddiddidœ“d+d+ddiddidœ“d,d,djdudvd-d.œddidœ“d/d/ddidd‘d0d1œd2d3idLœ“d4d4ddiddidœ“d5d5ddiddidœ“d6d6dd7d8œddidœ“d9d9ddid‡œ“d:d;dd<d=d>d?d@œdAdBdCdDœdœ“dEdEddiddFdGœdœ“dHdHddid„œ“dIdIddGiddidqdŒdJœdqdŽdJœdqdKdJœdLœdUœ“dMdMddGiddidqdŒdJœdqdŽdJœdqdKdJœdLœdUœ“dNdNddiddidœ“dOdOdddaœddidœ“¥dPddAdšd›dQœddidœdRddd»dddddSœdd½dd¾œdpdSddTœid7œdUddiddidœdVddiddidœdWdNdGiddidœdXdd7dYœddidœdZœ¥Z i d d[d\d]œ“dd^d_d]œ“dd[d\d]œ“dd[d\d]œ“dd`dad]œ“d%dbdcd]œ“d9ddded]œ“d>dfdcd]œ“dFdgd\d]œ“dMdhdid]œ“d[djd\d]œ“ded[dkd]œ“dodld\d]œ“dudld\d]œ“dvdmdnd]œ“d|d[dkd]œ“d}d[dkd]œ“i dodpdkd]œ“d~d[d\d]œ“dd[d\d]œ“dˆd[d\d]œ“d‰dqd\d]œ“dŒd[d\d]œ“ddrdsd]œ“dtdudvd]œ“d£dwdkd]œ“d¥d[d\d]œ“d§dxdid]œ“d¬dydkd]œ“d°dxdid]œ“d±dzd\d]œ“dµdqd\d]œ“d¶d[d\d]œ“d·dqd\d]œ“¥i d¸dqd\d]œ“d¹dqdkd]œ“dºd{d|d]œ“dÁd}d~d]œ“dÈd[d\d]œ“dÉdd\d]œ“dËd€dd]œ“d‚dƒd„d]œ“dÏd…dkd]œ“dÐd†dkd]œ“dÑd‡dˆd]œ“dÖd‰d\d]œ“dÚdŠd\d]œ“dÛd‹dŒd]œ“dàddkd]œ“dâdŽdkd]œ“dçd[dd]œ“¥i dèddkd]œ“dîd‘dkd]œ“dïd’d\d]œ“dñd[d\d]œ“dòd[d\d]œ“dôd“d\d]œ“dûd”dkd]œ“dýd•d–d]œ“d—d˜dnd]œ“d™d˜dnd]œ“ddšd\d]œ“dd›d\d]œ“dœdd\d]œ“d
džd\d]œ“dd[dkd]œ“ddŸdkd]œ“dd d\d]œ“¥i dd¡dkd]œ“dd[d\d]œ“dd¢d\d]œ“dd£dkd]œ“ddqdkd]œ“d&d¤d¥d]œ“d.d[d¦d]œ“d2d§d¦d]œ“d3d[d\d]œ“d4d¨d©d]œ“d>dªd\d]œ“dIdqd\d]œ“dJd[d\d]œ“dKd[d\d]œ“dLd[d\d]œ“dNd«d\d]œ“dRd¬d\d]œ“¥i dSd[d\d]œ“djd­dkd]œ“dkd®dkd]œ“dld¯dkd]œ“dnd°d\d]œ“dpd±d\d]œ“dqd²d\d]œ“d³d´dµd]œ“d¶d·dµd]œ“dsd¸d¹d]œ“dxdºdd]œ“dyd[d\d]œ“d}dqd\d]œ“ddqd\d]œ“d€d»d\d]œ“dd¼d\d]œ“d½d¾d\d]œ“¥i dd¿d\d]œ“ddÀd\d]œ“ddÁd\d]œ“dÂdÃd\d]œ“ddÄd\d]œ“ddÅdÆd]œ“d0dÇd\d]œ“d3dÈdÉd]œ“d7dÊdkd]œ“d9dËdd]œ“d;dÌdd]œ“d?dÍd\d]œ“dAdqd\d]œ“dBdÎd\d]œ“dKdÏdÐd]œ“dÑd[d\d]œ“dÒd[d\d]œ“¥i dÓd[d\d]œ“dÔd[d\d]œ“dMd[dd]œ“dOdÕd\d]œ“dÖd×d\d]œ“dRdÀdkd]œ“dSdØd\d]œ“dÙdÚd\d]œ“dTdÛdÜd]œ“dVd[d\d]œ“dWd[d\d]œ“dXdÝd\d]œ“dZd[d\d]œ“d\d[d\d]œ“d^d[d\d]œ“d_dÞd\d]œ“dbdqdkd]œ“¥i dcdßdnd]œ“dddàdd]œ“dhdádâd]œ“djdãdäd]œ“dkdåd\d]œ“dmdæd\d]œ“dqd[d\d]œ“dsdxdid]œ“dçdèd\d]œ“dxd[d\d]œ“dyd[d\d]œ“dzd[d\d]œ“d{d[d\d]œ“d|dédkd]œ“ddêd\d]œ“d€dëd\d]œ“ddqd\d]œ“¥i d‚d[d\d]œ“dƒdqd\d]œ“d„dqd\d]œ“d…dìd\d]œ“d†d[dkd]œ“d‰dídîd]œ“d/dïdðd]œ“ddñdòd]œ“d–dód–d]œ“dôdõdöd]œ“d˜d÷dd]œ“d¡dødùd]œ“d¦dúdkd]œ“d¬dûdüd]œ“d¯dýdüd]œ“d²dþd\d]œ“dµd[dkd]œ“¥i dÿd dd]œ“d¶d[d\d]œ“d·ddd]œ“dºddd]œ“d¿ddd]œ“dÇddnd]œ“dÉd	d
d]œ“dÊddkd]œ“dËddd]œ“dÖdd\d]œ“dØddkd]œ“dÜddkd]œ“dßddd]œ“dådxdid]œ“ddqd\d]œ“dæddd]œ“dêdd\d]œ“¥i dïdd\d]œ“dddkd]œ“d÷d[dd]œ“düddkd]œ“dýdd\d]œ“ddd\d]œ“dddkd]œ“dddkd]œ“dd[dkd]œ“d dúd\d]œ“d
d!d\d]œ“dd"d\d]œ“dd#d$d]œ“dd%dkd]œ“dd&d\d]œ“d&d'd(d]œ“d-d[dd]œ“¥i d.d[d\d]œ“d;d)d*d]œ“d/d[d\d]œ“d0d[dkd]œ“d3d+d\d]œ“d<d,dkd]œ“d-d.d/d]œ“d>d0d1d]œ“dNd2dkd]œ“dOd3d4d]œ“dRd5d\d]œ“dUd[d\d]œ“dVd[d\d]œ“dXd6d\d]œ“dZd7d\d]œ“d]d8dkd]œ“d^d9d\d]œ“¥i dbd:d;d]œ“dhd<dkd]œ“djd=d>d]œ“dsd?d>d]œ“dvd@d\d]œ“d}dAdBd]œ“dEdCd\d]œ“d€dDd\d]œ“d…d[dkd]œ“dOdEdkd]œ“d†d[d\d]œ“d‡d[dkd]œ“dˆd[d\d]œ“d‰d[d\d]œ“d‘d[dkd]œ“d”dFdkd]œ“d•dËdkd]œ“¥i d–d[dkd]œ“d—dqdkd]œ“d˜dGdkd]œ“d¡d[d\d]œ“d¢d[dkd]œ“dUd[d\d]œ“d¤dHd¹d]œ“d¦dIdd]œ“d§dJd\d]œ“d±dKdLd]œ“d¸dMdkd]œ“dºd[d\d]œ“d»d[d\d]œ“d¼d[dkd]œ“dVdNd\d]œ“dOdPdkd]œ“d½dQd\d]œ“¥i dRdSdTd]œ“dÃdUdnd]œ“dÆd¡dkd]œ“dÊdVdkd]œ“dÍdxdid]œ“dÎdCd\d]œ“dÐdWdXd]œ“dÑdYd\d]œ“dÖdZd\d]œ“dÚd[d\d]œ“dßd]d\d]œ“dád^d¹d]œ“däd_d`d]œ“dædadbd]œ“dcddd\d]œ“dedfd\d]œ“dòdgdhd]œ“¥i dødidjd]œ“dkdldmd]œ“dndod\d]œ“dpdqd\d]œ“drdsdtd]œ“dudvdwd]œ“dþdxd\d]œ“ddydzd]œ“dd{d|d]œ“dd}ded]œ“d@dqd\d]œ“dDddkd]œ“dWd~d\d]œ“dbd~d\d]œ“ddd~d\d]œ“dgd~d\d]œ“didd\d]œ“¥i d…d[dkd]œ“d€dd\d]œ“d‚dƒd\d]œ“d—d„d…d]œ“dd†d\d]œ“dd‡d\d]œ“dd‡d\d]œ“ddˆd\d]œ“dÂd‰d\d]œ“dÃdŠd\d]œ“dd‡d\d]œ“dd‹d\d]œ“dd[d\d]œ“ddŒd\d]œ“dÇdd\d]œ“ddŽd\d]œ“dëdd\d]œ“¥i dd‘d\d]œ“dd’d\d]œ“dd“d\d]œ“ddd\d]œ“d”d•d\d]œ“d–d—d˜d]œ“ddqd\d]œ“dd™düd]œ“d8dšd›d]œ“d=dqd\d]œ“d@dœdkd]œ“ddždŸd]œ“dDd d\d]œ“d¡d¢d\d]œ“d£d¤d\d]œ“dHdqd\d]œ“dUd¥d\d]œ“¥i dXd¦d\d]œ“d{dqd\d]œ“d‚d§d\d]œ“d„d¨d\d]œ“d©dªd\d]œ“d!d«d\d]œ“d†d¬d\d]œ“d­d®d\d]œ“d¯d°d±d]œ“d¸d²d…d]œ“d½d³d…d]œ“d´dµd¶d]œ“dd·d\d]œ“d-dqd\d]œ“d.dqd\d]œ“d=d[d\d]œ“dDd¸d¹d]œ“¥i dNdºd\d]œ“dodqd\d]œ“dpdqd\d]œ“dtd»d\d]œ“d,d¼d\d]œ“d‡d½d\d]œ“d›d¾dkd]œ“d§d¿d\d]œ“dÀdÁd\d]œ“d«dÂd\d]œ“d±dqd\d]œ“d´dÂd\d]œ“d5dÃdkd]œ“dÄdÃdkd]œ“dÁdÂd\d]œ“dÃdqd\d]œ“dÄdÅdkd]œ“¥i dÛdqdkd]œ“dòdÆdÇd]œ“dõdqd\d]œ“dùdÈd\d]œ“dÉd d\d]œ“dÊdËd\d]œ“dþdÌdkd]œ“ddÍd\d]œ“d	dÎd\d]œ“ddÏdkd]œ“d+dÐd\d]œ“d,dÑd\d]œ“dÒdÓd\d]œ“d2dqdd]œ“d4dÔd\d]œ“d7dÕd\d]œ“d;dÖd¹d]œ“¥i dEd×dØd]œ“dEdÙdÚd]œ“dIdÛd\d]œ“dMdÜd\d]œ“dŠdÝdkd]œ“d“dÞd\d]œ“d›dßdàd]œ“dždádâd]œ“d¨dãdkd]œ“d­dqd\d]œ“dCdäd\d]œ“dµd[d\d]œ“dåd„d…d]œ“d¾dæd\d]œ“dçdèdkd]œ“dÈdèd\d]œ“dédêd\d]œ“¥dëd\d]œdêd\d]œdìd\d]œdíd\d]œdîd\d]œdïdðd]œdñd\d]œd d\d]œdòd\d]œdóœ	¥ZdôS (õ  ÚabsÚxÚXÚoutZOut)Úphi_nameÚinputsÚoutputsÚaccuracyZIndicesÚLabel)r   ÚindicesÚlabelZAccuracyZCorrectZTotal)r   ZcorrectÚtotalÚacosÚacoshZadadeltaZ	adadelta_ÚParamZGradZAvgSquaredGradZAvgSquaredUpdateZLearningRateZMasterParam)ÚparamÚgradZavg_squared_gradZavg_squared_updateÚlearning_rateÚmaster_paramZParamOutZAvgSquaredGradOutZAvgSquaredUpdateOutZMasterParamOut)Ú	param_outÚ
moment_outZinf_norm_outÚmaster_param_outZadagradZadagrad_ZMoment)r   r   Úmomentr   r   Z	MomentOut)r   r   r   ZadamZadam_ZMoment1ZMoment2ZBeta1PowZBeta2PowZ
SkipUpdate)	r   r   r   Úmoment1Úmoment2Ú	beta1_powÚ	beta2_powr   Zskip_updateZ
Moment1OutZ
Moment2OutZBeta1PowOutZBeta2PowOut)r   Úmoment1_outÚmoment2_outÚbeta1_pow_outÚbeta2_pow_outr   ÚfloatZBeta1Tensor)Ú	data_typeÚtensor_nameZBeta2TensorZEpsilonTensor)Zbeta1Zbeta2Úepsilon)r   r   r   ÚscalarZadamaxZadamax_ZInfNorm)r   r   r   r   Zinf_normr   r   Z
InfNormOutZadamwZadamw_Zelementwise_addÚaddÚY)r   ÚyÚsumZadd_nr   ZaddmmZInput)Úinputr   r'   ÚAlphaÚBeta)ÚalphaÚbeta)r   r   r   ÚattrsZaffine_gridr)   ÚThetaÚoutputÚOutputZoutput_shapeÚintZOutputShape)r   r   r   Ú	int_arrayZ
reduce_allÚallÚdimÚkeep_dim)ÚaxisÚkeepdimZallcloseÚOtherzstd::stringZRtolZAtol)ZrtolZatolZreduce_amaxZamaxZreduce_aminZaminZangleZ
reduce_anyÚanyÚrangeZarangeZStartZEndZStep)ÚstartÚendÚstepÚarg_maxZargmaxr7   Zint64_tÚTrue)r!   Úsupport_tensorZarg_minZargminZargsort)r   r
   Ztensor_array_to_tensorZarray_to_tensorZOutIndex)r   Z	out_indexZ
as_complexZas_realÚasinÚasinhÚassertZCondZData)ZcondÚdata)r   r   ZassignZassign_value)r   r   ÚatanÚatan2ZX1ZX2ÚatanhÚaucZPredictZStatPosZStatNegZInsTagWeight)r   r   Zstat_posZstat_negZins_tag_weightZAUCZ
StatPosOutZ
StatNegOut)rI   Zstat_pos_outZstat_neg_outZ
batch_normZMeanZVarianceZScaleZBias)r   ÚmeanÚvarianceÚscaleÚbiasZMeanOutZVarianceOutZ	SavedMeanZSavedVarianceZReserveSpace)r   Zmean_outZvariance_outÚ
saved_meanÚsaved_varianceÚreserve_spaceZbce_loss)r)   r   Z	bernoulliZbicubic_interp_v2Zbicubic_interpZOutSizeZ
SizeTensor)r   Úout_sizeZsize_tensorZscale_tensorZbilinear_tensor_productZbilinearZWeight)r   r'   ÚweightrM   Zbilinear_interp_v2Zbilinear_interpZbincountZWeights)r   ÚweightsZ	minlengthZbitwise_andZbitwise_notZ
bitwise_orZbitwise_xorZbmmZ	box_coderZPriorBoxZPriorBoxVarZ	TargetBox)Ú	prior_boxZprior_box_varZ
target_boxZ
output_boxZ	OutputBoxZbroadcast_tensorsZc_concatZc_embeddingÚWZIds)rR   r   ÚcastÚceilZceluZcheck_finite_and_unscaleZcheck_finite_and_unscale_)r   rL   ZFoundInfinite)r   Úfound_infiniteZcholeskyZcholesky_solveZclass_center_sampler   ZRemappedLabelZSampledLocalClassCenter)Zremapped_labelZsampled_local_class_centerZclipZMinZMax)ÚminÚmaxZclip_by_normZcoalesce_tensorZFusedOutput)r0   Zfused_outputZsize_of_dtypeZuser_defined_size_of_dtypeÚcomplex)ÚrealÚimagÚconcatZ
AxisTensor)r   r   r   r.   r$   Zconditional_blockr   ZconjZconv2dÚFilter)r)   ÚfilterZconv2d_transpose)r   r`   rM   Zoutput_sizeZconv3dZconv3d_transpose)r   r`   ÚcosÚcoshZcrop_tensorÚcropZShapeZShapeTensor)r!   r"   Útensors_nameZOffsetsZOffsetsTensor)ÚshapeÚoffsetsÚcrossZsoftmax_with_cross_entropyZcross_entropy_with_softmaxZLogitsZSoftmaxZLoss)ÚsoftmaxÚlossZcumprodZcumsumZ	data_normZdecode_jpegZdeformable_convZOffsetÚMask)r   Úoffsetr`   ÚmaskZdepthwise_conv2dZdepthwise_conv2d_transposeZdequantize_linearZdeterminantZdetZdiag_v2ZdiagZ
diag_embedZdiagonalZdigammaZ	dirichletr,   ÚdistZdistributed_push_sparseZelementwise_divÚdivideÚdotZdropoutZSeed)r   Zseed_tensor)r   rl   Zdropout_probÚis_testZdropout_implementationÚseedÚfix_seed)Úprp   Úmoderq   rr   Z
dropout_ndZedit_distanceZHypsZRefsZ
HypsLengthZ
RefsLength)ZhypsÚrefsZ
hypslengthZ
refslengthZSequenceNum)Zsequencenumr   ZeigZEigenvaluesZEigenvectors)Zout_wZout_vZeighZeigvalsZeigvalsh)ZeigenvaluesZeigenvectorsZuploZUPLOZeinsumZOperandsZ
InnerCacheZXShape)r   Zinner_cacheÚxshapeZelementwise_powZeluZlookup_table_v2Z	embedding)r   rR   ÚsparseZ	is_sparseÚemptyre   ZShapeTensorList)r   r   r3   ÚequalZ	equal_allÚerfZerfinvÚexpZ	expand_v2ÚexpandZexpand_shapes_tensor)r   r   r   r.   r3   Zexpand_as_v2Z	expand_asÚexpm1ZexponentialZexponential_ZlamÚlambdaÚeyerA   )Znum_rowsZnum_columns)r   r   r$   Z"fake_channel_wise_quantize_abs_maxZ-fake_channel_wise_quantize_dequantize_abs_maxZfake_quantize_abs_maxZ fake_quantize_dequantize_abs_maxZ/fake_quantize_dequantize_moving_average_abs_maxZ$fake_quantize_moving_average_abs_maxZfake_quantize_range_abs_maxÚfc)r)   ÚwrM   ZScale_inZScale_weightsZ	Scale_out)Zscale_inÚscale_weightsZ	scale_outÚfeedZfft_c2cZfft_c2rZfft_r2cZfill_anyÚfillÚvalueZfill_diagonalZfill_diagonal_tensorZflatten_contiguous_rangeÚflatten)r   rv   Ú
start_axisÚ	stop_axis)r‡   rˆ   ÚflipÚfloorZelementwise_floordivZfloor_divideZelementwise_fmaxZfmaxZelementwise_fminZfminÚfoldÚframeZfrobenius_normZfill_constantÚfullZfill_any_likeZ	full_likeZfused_attentionZLnScaleZLnBiasZQKVWZQKVBiasZCacheKVZSrcMaskZ
OutLinearWZOutLinearBiasZLn2ScaleZLn2Bias)r   Úln_scaleÚln_biasZ
qkv_weightZqkv_biasZcache_kvZsrc_maskZout_linear_weightZout_linear_biasZ
ln_scale_2Z	ln_bias_2Úln_meanZLnMeanZln_varZ
LnVarianceZln_outZLnOutZqkv_outZQKVOutZqkv_bias_outZ
QKVBiasOutZtranspose_out_2ZTransposeOut2Zqk_outZQKOutZqktv_outZQKTVOutZsoftmax_outZ
SoftmaxOutZattn_dropout_mask_outZAttnDropoutMaskOutZattn_dropout_outZAttnDropoutOutZsrc_mask_outZ
SrcMaskOutZfmha_outZFMHAOutZout_linear_outZOutLinearOutÚdropout_mask_outZDropoutMaskOutZ	ln_mean_2ZLn2MeanZln_var_2ZLn2VarianceZBiasDropoutResidualOutZ
CacheKVOut)Úbias_dropout_residual_outZcache_kv_outr   Zfused_batch_norm_actZ&fused_bias_dropout_residual_layer_normZResidual)r   ÚresidualrM   rŽ   r   )r’   r‘   r   Zln_variancer'   Zfused_bn_add_activationZfused_bn_add_activation_ÚZ)r   ÚzrJ   rK   rL   rM   Zfused_conv2dZfused_conv2d_add_actZResidualData)r)   r`   rM   Zresidual_dataZOutputs)r0   r   Z!fused_embedding_eltwise_layernormZEmbs)ÚidsZembsrM   rL   Zfused_fc_elementwise_layernormZBias0ZBias1)r   r   r'   Zbias0rL   Zbias1)r   rJ   rK   Zfused_feedforwardZDropout1SeedZDropout2SeedZLinear1WeightZLinear1BiasZLinear2WeightZLinear2BiasZLn1ScaleZLn1Bias)r   Údropout1_seedÚdropout2_seedZlinear1_weightZlinear1_biasZlinear2_weightZlinear2_biasZ	ln1_scaleZln1_biasZ	ln2_scaleZln2_biasZDropout1MaskZDropout2MaskZLn1MeanZLn1VarianceZ
Linear1OutZLn1OutZDropout1OutZDropout2Out)r   Zdropout1_maskZdropout2_maskZln1_meanZln1_varianceZln2_meanZln2_varianceZlinear1_outZln1_outZdropout1_outZdropout2_outr—   r˜   Zdropout1_rateZdropout2_rate)Zdropout1_seed_valZdropout2_seed_valZdropout1_probZdropout2_probZfused_gemm_epilogue)r   r'   rM   )r   rP   Zfused_gemm_epilogue_gradZDOut)r   r'   rP   Zout_gradZDXZDYZDBias)Zx_gradZy_gradZ	bias_gradZfused_transposeZ
fusion_gruZH0ZWeightXZWeightH)r   Zh0Zweight_xZweight_hrM   ZReorderedH0ZXXZBatchedInputZ
BatchedOutZHidden)Zreordered_h0ÚxxZbatched_inputZbatched_outZhiddenZ
Scale_dataZ
Shift_data)Z
scale_dataZ
shift_datar‚   Zfusion_repeated_fc_relu)r   r   rM   ZReluOut)Zrelu_outr   Zfusion_seqconv_eltadd_reluZColMat)r   Zcol_matZcontextLengthZcontextStartZcontextStride)Zcontext_lengthZcontext_startZcontext_strideZfusion_seqexpand_concat_fcZFCWeightZFCBias)r   Z	fc_weightZfc_biasZFCOut)r   Zfc_outZfusion_transpose_flatten_concatZgatherÚIndex)r   ÚindexZAxisZ	gather_ndZgather_treeZParents)r–   ÚparentsZgaussian_randomZgaussianZgeluZgenerate_proposals_v2Zgenerate_proposalsZScoresZ
BboxDeltasZImShapeZAnchorsZ	Variances)ÚscoresZbbox_deltasZim_shapeÚanchorsZ	variancesZRpnRoisZRpnRoiProbsZ
RpnRoisNum)Zrpn_roisZrpn_roi_probsZrpn_rois_numZpre_nms_topNZpost_nms_topN)Zpre_nms_top_nZpost_nms_top_nZgrad_addZgreater_equalÚgreater_thanZgrid_samplerZgrid_sampleZGrid)r   ÚgridZ
group_norm)r   rL   rM   )r'   rJ   rK   ZgruZgumbel_softmaxZhard_shrinkZ
hardshrinkZhard_sigmoidZhardsigmoidZ
hard_swishZ	hardswishZbreluZhardtanhZelementwise_heavisideZ	heavisideZ	histogramZhierarchical_sigmoidZhsigmoid_lossZ	PathTableZPathCode)r   r   r   rM   ÚpathÚcodeZPreOutZW_Out)r   Zpre_outZw_outZ
huber_loss)r   r“   r]   Ú	incrementZ	index_addZAddValue)r   r›   Z	add_valueZindex_sampleZindex_selectZinstance_norm)r'   rN   rO   ÚinverseZis_emptyÚiscloseZisfinite_v2ÚisfiniteZisinf_v2ÚisinfZisnan_v2ÚisnanZ
kldiv_lossZTarget)r   r   ZkronZkthvalueZlabel_smoothZ	PriorDist)r   Z
prior_distZlambZlamb_)r   r   r   r   r   Úmaster_param_outsZ
layer_normZ
leaky_reluZnegative_slopeZlerp)r   r'   rR   Z
less_equalÚ	less_thanÚlgammaZlinear_interp_v2Zlinear_interpZlinspaceZStopÚNum)r<   ÚstopÚnumberÚlogÚlog10Úlog1pÚlog2Zlog_lossZ	PredictedZLabelsZlog_softmaxZlogcumsumexpÚlogical_andZlogical_notÚ
logical_orÚlogical_xorZlogitZ
logsigmoidZ	logsumexpZlrnZlstsqZSolutionZ	ResidualsZRankZSingularValues)ZsolutionZ	residualsÚrankZsingular_valuesZrcondZ	lu_unpackZPivotsZPmatÚLÚU)ZpmatÚlÚuZmargin_cross_entropy)Úlogitsr   Zmasked_select)r   rl   Z	matmul_v2ÚmatmulZtrans_xZtrans_y)Ztranspose_xZtranspose_yÚmulZmatmul_with_flattenZ
matrix_nmsZBBoxes)Úbboxesr   ZRoisNum)r   r›   ZroisnumZmatrix_powerZmatrix_rankZ	TolTensor)r   Z
tol_tensorZ
reduce_maxrZ   Zmax_pool2d_with_indexZkernel_sizeZksizeZmax_pool3d_with_indexZelementwise_maxÚmaximumZmaxoutZreduce_meanrJ   Zmean_allZmerge_selected_rowsZmerged_adam_)r   r   r   r   r   r   r   r   Zmerged_momentumZmerged_momentum_ÚVelocity)r   r   Úvelocityr   r   ZVelocityOut)r   Zvelocity_outr   ZmeshgridZ
reduce_minrY   Zelementwise_minÚminimumZmishÚ	threshold)r   r~   rt   ZmomentumZ	momentum_Z	multi_dotZmulticlass_nms3)r¾   r   Zrois_numZ
NmsRoisNum)r   r›   Znms_rois_numZmultihead_matmulZBiasQK)r)   r   rM   Zbias_qkZtranspose_QZtranspose_KZtranspose_V)Ztranspose_qZtranspose_kZtranspose_vZmultinomialZnum_samplesZ	multiplex)r   r›   Zelementwise_mulÚmultiplyÚmvZVec)r   ZvecZ	nanmedianZMedianIndex)r   Zmediansr!   ZnceZnearest_interp_v2Znearest_interpZnll_loss)r)   r   rR   ZTotal_weight)r   Ztotal_weightZnmsZBoxesZKeepBoxesIdxsZiou_thresholdZwhere_indexZnonzeroÚ	conditionÚ	ConditionÚnormZNorm)r   rÈ   Ú	not_equalÚsizeZnumelZ
one_hot_v2Zone_hotÚdepthZdepth_tensorZoverlap_addZp_normÚpadZ	pad_valueZpad2dZpad3dZpaddingsZPaddingsZpartial_sumZpixel_shuffleZpixel_unshuffleZpoissonZpool2dZpool3dÚpowr'   ÚfactorZFactorTensorZprelu)r   r,   ÚprintÚinÚInrT   ZImage)r)   Úimage)r   ÚvarZreduce_prodÚprod)Údimsr6   rÕ   Z
psroi_poolZROIs)r   ÚboxesZ	boxes_numZput_along_axisÚValue)Úarrr
   ÚvaluesÚResultZReduceZInclude_self)r7   ÚreduceZinclude_selfZpylayerZqrÚQÚR)ÚqÚrZquantize_linearÚrandintZrandpermr\   Z
reciprocalZreluZrelu6Zelementwise_modÚ	remainderZrenormZrepeat_interleaveZRepeats)Úrepeatsr7   Z#repeat_interleave_with_tensor_indexZRepeatTensor)r   râ   Zreshape2ZreshapeÚreverseZrmspropZrmsprop_Z
MeanSquareZMeanGrad)r   Zmean_squareZ	mean_gradr   r   r   r   ZMeanSquareOutZMeanGradOut)r   r   Zmean_square_outZmean_grad_outr©   ZrnnZPreStateZ
WeightListZSequenceLength)r   Z	pre_stateZweight_listZsequence_lengthZDropoutStateÚStateZReserve)r   Zdropout_state_outÚstateZreserveZ	roi_alignZroi_poolZArgmax)r   r?   ZrollZshiftsZShiftsTensorÚroundZrsqrtZsave_combinerL   ZScaleTensorZscatterZUpdates)r   r›   ZupdatesZscatter_nd_addZsearchsortedZSortedSequenceÚValues)Zsorted_sequencerÙ   Zsegment_poolZ
SegmentIds)r   Zsegment_idsZ	SummedIds)r   Z
summed_idsZself_dp_attentionZseluZgraph_send_recvZsend_u_recvZ	Src_indexZ	Dst_index)r   Ú	src_indexÚ	dst_indexZ	Dst_count)r   Z	dst_countrQ   ZOut_sizeZgraph_send_ue_recvZsend_ue_recv)r   r'   rè   ré   Zgraph_send_uvZsend_uvZsequence_maskÚmax_lenÚmaxlenZMaxLenTensorZsequence_softmaxZsgdZsgd_)r   r   r   r   )r   r   Zshard_indexZshare_bufferZXOut)r   ZxoutZshuffle_channelZsigmoidÚsignZsiluÚsinÚsinhÚsliceZStartsTensorZStartsTensorListZ
EndsTensorZEndsTensorList)ÚstartsÚendsZslogdeterminantZslogdetZ	soft_relurh   ZsoftplusZ
softshrinkZsoftsignZsolveZspectral_normÚV)rR   rº   ÚvÚsplitÚsections)r   r   r   r$   r3   Zsplit_with_num)r!   rA   r"   )r   r$   ÚsqrtZsquareZsqueeze2ZsqueezeZaxesÚstackZstanhZstrided_sliceZStridesTensorZStridesTensorList)rð   rñ   ÚstridesZelementwise_subÚsubtractZ
reduce_sumZ	out_dtype)r7   r8   ZdtypeZsvdÚSZVH)rº   ÚsZvhZswishZsync_batch_norm)r   rL   rM   rJ   rK   Ztake_along_axis)rØ   r
   ÚtanÚtanhZtanh_shrinkZthresholded_reluZtileZrepeat_timesZRepeatTimesZrepeat_times_tensorZtop_k_v2ZtopkÚkÚKÚtraceZ
transpose2Z	transposeÚpermZtriangular_solveZ	tril_triuZtrilinear_interp_v2Ztrilinear_interpÚtruncÚtruncated_gaussian_randomZunbindZunfoldZuniform_randomÚuniform)r   r   r$   r3   Zuniform_random_inplaceZuniform_inplaceÚuniqueZCounts)r   r
   r¤   ÚcountsZunique_consecutive)r   r›   r  Úunpool)r   r
   ÚpaddingZunpool3dZ
unsqueeze2Z	unsqueezeZ
AxesTensorZAxesTensorListZunstackZupdate_loss_scalingZupdate_loss_scaling_ZPrevLossScalingZInGoodStepsZ
InBadSteps)r   rX   Zprev_loss_scalingZin_good_stepsZin_bad_stepsZLossScalingZOutGoodStepsZOutBadSteps)r   Zloss_scalingZout_good_stepsZout_bad_stepsZstop_updateÚboolZ
StopUpdateZviterbi_decodeZ
TransitionZLength)Z
potentialsZtransition_paramsÚlengthsÚPath)r   r¡   ZwarpctcZLogitsLengthZLabelLength)r»   r   Zlogits_lengthZlabels_lengthZWarpCTCGrad)Zwarpctcgradri   Úwhere)rÆ   r   r'   ÚwhileZyolo_boxZImgSize)r   Zimg_size)rÖ   r   Zyolov3_lossZ	yolo_lossZGTBoxZGTLabelZGTScore)r   Zgt_boxZgt_labelZgt_scoreZObjectnessMaskZGTMatchMask)ri   Zobjectness_maskZgt_match_maskZc_allgatherZc_allreduce_maxZc_allreduce_sumZc_broadcastZ
c_identityZc_reduce_sumZc_reducescatterZc_sync_calc_streamZc_sync_comm_streamZchannel_shuffleZdecayed_adagrad)r   r   r   r   )r   r   Zdpsgd)r   r   r   r   Zfetch_v2ÚfetchZfill_constant_batch_size_likeZfull_batch_size_likeZfused_elemwise_add_activationZIntermediateOut)r   Zintermediate_outZfusion_squared_mat_subZSquaredXZSquaredYZ	SquaredXY)Z	squared_xZ	squared_yZ
squared_xyr   Zget_tensor_from_selected_rowsZlod_array_lengthZlogspaceZBase)r<   r­   ÚnumÚbaseZluZInfos)r   ÚpivotsÚinfosZpivotr  ZmemcpyZ
memcpy_d2hZread_from_arrayÚI)ÚarrayÚiZrecv_v2Zgraph_reindexZreindex_graphZ	NeighborsZCountZHashTable_ValueZHashTable_Index)r   Z	neighborsÚcountZhashtable_valueZhashtable_indexZReindex_SrcZReindex_DstZ	Out_Nodes)Zreindex_srcZreindex_dstZ	out_nodesZrreluZNoise)r   ÚnoiseZsend_v2Ú	set_value)r!   rd   ZStepsTensorList)rð   rñ   ZstepsZset_value_with_tensorZ
share_dataZ!sigmoid_cross_entropy_with_logitsÚskip_layernorm)r   r'   rL   rM   Úsparse_momentum)r   r   rÁ   r›   r7   r   r   )Údatatyper"   Úsquared_l2_normÚtemporal_shiftÚuniform_random_batch_size_likeÚwrite_to_array)r   r  )r  r  r  r  r  r  zTensor xzTensor(out))Úargsr0   z&Tensor x, Tensor indices, Tensor labelz0Tensor(accuracy), Tensor(correct), Tensor(total)zŠTensor param, Tensor grad, Tensor moment, Tensor learning_rate, Tensor master_param, float epsilon = 1.0e-6f, bool multi_precision = falsez?Tensor(param_out), Tensor(moment_out), Tensor(master_param_out)aj  Tensor param, Tensor grad, Tensor learning_rate, Tensor moment1, Tensor moment2, Tensor beta1_pow, Tensor beta2_pow, Tensor master_param, Tensor skip_update, Scalar beta1 = 0.9f, Scalar beta2 = 0.999f, Scalar epsilon = 1.0e-8f, bool lazy_mode = false, int64_t min_row_size_to_use_multithread = 1000, bool multi_precision = false, bool use_global_beta_pow = falsezƒTensor(param_out), Tensor(moment1_out), Tensor(moment2_out), Tensor(beta1_pow_out), Tensor(beta2_pow_out), Tensor(master_param_out)z×Tensor param, Tensor grad, Tensor learning_rate, Tensor moment, Tensor inf_norm, Tensor beta1_pow, Tensor master_param, float beta1 = 0.9f, float beta2 = 0.999f, float epsilon = 1.0e-8f, bool multi_precision = falsezUTensor(param_out), Tensor(moment_out), Tensor(inf_norm_out), Tensor(master_param_out)a¯  Tensor param, Tensor grad, Tensor learning_rate, Tensor moment1, Tensor moment2, Tensor beta1_pow, Tensor beta2_pow, Tensor master_param, Tensor skip_update, Scalar beta1 = 0.9f, Scalar beta2 = 0.999f, Scalar epsilon = 1.0e-8f, float lr_ratio = 1.0f, float coeff = 0.01f, bool with_decay = false, bool lazy_mode = false, int64_t min_row_size_to_use_multithread = 1000, bool multi_precision = false, bool use_global_beta_pow = falsezATensor input, Tensor x, Tensor y, float beta=1.0, float alpha=1.0z?Tensor input, IntArray output_shape={}, bool align_corners=truezTensor(output)zPTensor x, Tensor y, Scalar rtol="1e-5", Scalar atol="1e-8", bool equal_nan=falseZTensorzmTensor x, Scalar(int64_t) axis, bool keepdims = false, bool flatten = false, DataType dtype = DataType::INT64z,Tensor x, int axis=-1, bool descending=falsezTensor(out), Tensor(indices)Z
as_stridedzLTensor input, int64_t[] dims = {}, int64_t[] stride = {}, int64_t offset = 0zTensor x, Tensor yz›Tensor x, Tensor label, Tensor stat_pos, Tensor stat_neg, Tensor ins_tag_weight, str curve = "ROC", int num_thresholds = (2 << 12) - 1, int slide_steps = 1z7Tensor(auc), Tensor(stat_pos_out), Tensor(stat_neg_out)Zaverage_accumulates_z÷Tensor param, Tensor in_sum_1, Tensor in_sum_2, Tensor in_sum_3, Tensor in_num_accumulates, Tensor in_old_num_accumulates, Tensor in_num_updates, float average_window = 0, int64_t max_average_window = INT64_MAX, int64_t min_average_window = 10000LzŽTensor(out_sum_1), Tensor(out_sum_2), Tensor(out_sum_3), Tensor(out_num_accumulates), Tensor(out_old_num_accumulates), Tensor(out_num_updates)zTensor input, Tensor labelzÞTensor x, Tensor out_size, Tensor[] size_tensor, Tensor scale_tensor, str data_layout="NCHW", int out_d=0, int out_h=0, int out_w=0, float[] scale={}, str interp_method="bilinear", bool align_corners=true, int align_mode=1z.Tensor x, Tensor y, Tensor weight, Tensor biasz3Tensor x, Tensor weights, Scalar(int) minlength = 0z Tensor prior_box, Tensor prior_box_var, Tensor target_box, str code_type = "encode_center_size", bool box_normalized = true, int axis = 0, float[] variance = {}zTensor(output_box)zTensor[] inputzTensor[]{input.size()}zTensor x, float alpha = 1.0zTensor[] x, Tensor scalez/Tensor[](out){x.size()}, Tensor(found_infinite)Zcheck_numericszTensor tensor, str op_type = "", str var_name = "", int check_nan_inf_level = 0, int stack_height_limit = -1, str output_dir = ""zTensor(stats), Tensor(values)zTensor x, bool upper=falsez$Tensor x, Tensor y, bool upper=falsez‚Tensor label, int num_classes, int num_samples, int ring_id = 0, int rank = 0, int nranks = 1, bool fix_seed = false, int seed = 0z:Tensor(remapped_label), Tensor(sampled_local_class_center)z.Tensor x, Scalar(float) min, Scalar(float) maxzTensor x, float max_norma  Tensor[] input, DataType dtype, bool copy_data = false, bool set_constant = false, bool persist_output = false, float constant = 0.0, bool use_align = true, int align_size = -1, int size_of_dtype = -1, int64_t[] concated_shapes = {}, int64_t[] concated_ranks = {}z4Tensor[](output){input.size()}, Tensor(fused_output)zTensor real, Tensor imagzTensor[] x, Scalar axis=0zTensor (out)z¨Tensor input, Tensor filter, int[] strides={1, 1}, int[] paddings={0, 0}, str padding_algorithm="EXPLICIT", int[] dilations={1, 1}, int groups=1, str data_format="NCHW"z²Tensor input, Tensor filter, int[] strides={1, 1, 1}, int[] paddings={0, 0, 0}, str padding_algorithm="EXPLICIT", int groups=1, int[] dilations={1, 1, 1}, str data_format="NCDHW"zÜTensor x, Tensor filter, int[] strides={1, 1, 1}, int[] paddings={0, 0, 0}, int[] output_padding={}, int[] output_size={}, str padding_algorithm="EXPLICIT", int groups=1, int[] dilations={1, 1, 1}, str data_format="NCHW"z4Tensor x, IntArray shape = {}, IntArray offsets = {}z Tensor x, Tensor y, int axis = 9z‹Tensor input, Tensor label, bool soft_label=false, bool use_softmax=true, bool numeric_stable_mode=true, int ignore_index=-100, int axis=-1zTensor(softmax), Tensor(loss)Zcummaxz7Tensor x, int axis=-1, DataType dtype = DataType::INT64ZcumminzTensor x,  int dimzVTensor x, Scalar axis=-1, bool flatten=false, bool exclusive=false, bool reverse=falserE   z5str name, IntArray shape, DataType dtype, Place placez¨Tensor input, Tensor filter, int[] strides={1, 1}, int[] paddings={0, 0}, str padding_algorithm="EXPLICIT", int groups=1, int[] dilations={1, 1}, str data_format="NCHW"z3Tensor x, int offset = 0, float padding_value = 0.0z:Tensor input, int offset = 0, int dim1 = -2, int dim2 = -1z6Tensor x, int offset = 0, int axis1 = 0, int axis2 = 1zTensor alphaz!Tensor x, Tensor y, float p = 2.0zWTensor hyps, Tensor refs, Tensor hypslength, Tensor refslength, bool normalized = falsez Tensor(sequencenum), Tensor(out)zTensor(out_w), Tensor(out_v)zTensor x, str UPLO = "L"z.Tensor x, str uplo = "L", bool is_test = falsez)Tensor(eigenvalues), Tensor(eigenvectors)zTensor x, float alpha = 1.0fzTensor x, IntArray shape = {}z+Tensor x, Tensor y, int[] target_shape = {}z9Tensor x, int64_t[] axes, str normalization, bool forwardzSTensor x, int64_t[] axes, str normalization, bool forward, int64_t last_dim_size=0LzHTensor x, int64_t[] axes, str normalization, bool forward, bool onesidedzTensor x, Scalar value=0z6Tensor x, float value=0, int offset=0, bool wrap=falsezBTensor x, Tensor y, int64_t offset = 0, int dim1 = 0, int dim2 = 1Z
flash_attnz¸Tensor q, Tensor k, Tensor v, Tensor fixed_seed_offset, Tensor attn_mask, float dropout = 0.0, bool causal = false, bool return_softmax = false, bool is_test = false, str rng_name = ""zFTensor(out), Tensor(softmax), Tensor(softmax_lse), Tensor(seed_offset)Zflash_attn_unpaddeda  Tensor q, Tensor k, Tensor v, Tensor cu_seqlens_q,  Tensor cu_seqlens_k, Tensor fixed_seed_offset, Tensor attn_mask, int64_t max_seqlen_q, int64_t max_seqlen_k, float scale, float dropout = 0.0, bool causal = false, bool return_softmax = false, bool is_test = false, str rng_name = ""z/Tensor x, int start_axis = 1, int stop_axis = 1zTensor(out), Tensor(xshape)zTensor x, int[] axiszaTensor x, int[] output_sizes, int[] kernel_sizes,  int[] strides, int[] paddings, int[] dilationsz7Tensor x, int frame_length, int hop_length, int axis=-1Zfull_int_arrayzIint64_t[] value, DataType dtype=DataType::FLOAT32, Place place=CPUPlace()z%Tensor x, Tensor index, Scalar axis=0zTensor x, Tensor indexzTensor ids, Tensor parentsZgaussian_inplacez1Tensor x, float mean=0, float std=1.0, int seed=0z#Tensor x,  bool approximate = falsezÀTensor scores, Tensor bbox_deltas, Tensor im_shape, Tensor anchors, Tensor variances, int pre_nms_top_n, int post_nms_top_n, float nms_thresh, float min_size, float eta, bool pixel_offset=truez=Tensor(rpn_rois), Tensor(rpn_roi_probs), Tensor(rpn_rois_num)zcTensor x, Tensor grid, str mode = "bilinear", str padding_mode = "zeros", bool align_corners = truezdTensor x, Tensor scale, Tensor bias, float epsilon = 1e-5, int groups = -1, str data_layout = "NCHW"z)Tensor(y), Tensor(mean), Tensor(variance)zCTensor x, float temperature = 1.0, bool hard = false, int axis = -1zTensor x, float threshold = 0.5z/Tensor x, float slope = 0.2, float offset = 0.5z'Tensor x, float t_min=0, float t_max=24z:Tensor input, int64_t bins = 100, int min = 0, int max = 0z'Tensor input, Tensor label, float deltazTensor(out), Tensor(residual)Zi0Zi0eÚi1Zi1ez7Tensor x, Tensor index,  Tensor add_value, int axis = 0Z	index_putz?Tensor x, Tensor[] indices, Tensor value, bool accumulate=falsez$Tensor x, Tensor index, int axis = 0Zindex_select_stridedz%Tensor x, int64_t index, int axis = 0z7Tensor x, Tensor scale, Tensor bias, float epsilon=1e-5z5Tensor(y), Tensor(saved_mean), Tensor(saved_variance)z]Tensor x, Tensor y, Scalar(double) rtol=1e-5, Scalar(double) atol=1e-8,  bool equal_nan=falsez.Tensor x, Tensor label, str reduction = "mean"z8Tensor x, int k = 1, int axis = -1, bool keepdim = falsez5Tensor label, Tensor prior_dist, float epsilon = 0.0fa   Tensor param, Tensor grad, Tensor learning_rate, Tensor moment1, Tensor moment2, Tensor beta1_pow, Tensor beta2_pow, Tensor master_param, Tensor skip_update, float weight_decay, float beta1=0.9, float beta2=0.999, float epsilon=1.0e-6f, bool always_adapt=false, bool multi_precision=falsez„Tensor(param_out), Tensor(moment1_out), Tensor(moment2_out), Tensor(beta1_pow_out), Tensor(beta2_pow_out), Tensor(master_param_outs)zRTensor x, Tensor scale, Tensor bias, float epsilon = 1e-5, int begin_norm_axis = 1z+Tensor(out), Tensor(mean), Tensor(variance)z&Tensor x, float negative_slope = 0.02fz!Tensor x, Tensor y, Tensor weightZllm_int8_linearzNTensor x, Tensor weight, Tensor bias, Tensor weight_scale, float threshold=6.0z)Tensor input, Tensor label, float epsilonzTensor x, int axis = -1zSTensor x, int axis=-1, bool flatten=false, bool exclusive=false, bool reverse=falsezTensor x, float eps = 1e-6fz8Tensor x, Tensor y, Scalar rcond=0.0f, str driver="gels"zJTensor(solution), Tensor(residuals), Tensor(rank), Tensor(singular_values)zTensor x, bool pivot = truez*Tensor(out), Tensor(pivots), Tensor(infos)zHTensor x, Tensor y, bool unpack_ludata = true, bool unpack_pivots = truez"Tensor(pmat), Tensor(l), Tensor(u)z¾Tensor logits, Tensor label, bool return_softmax = false, int ring_id = 0, int rank = 0, int nranks = 1, float margin1 = 1.0f, float margin2 = 0.5f, float margin3 = 0.0f, float scale = 64.0fZmasked_multihead_attention_a™  Tensor x, Tensor cache_kv, Tensor bias, Tensor src_mask, Tensor cum_offsets, Tensor sequence_lengths, Tensor rotary_tensor, Tensor beam_cache_offset, Tensor qkv_out_scale, Tensor out_shift, Tensor out_smooth, int seq_len, int rotary_emb_dims, bool use_neox_rotary_style=false, str compute_dtype = "default", float out_scale=-1, int quant_round_type=1, float quant_max_bound=127.0, float quant_min_bound=-127.0z@Tensor(out), Tensor(cache_kv_out), Tensor(beam_cache_offset_out)zTensor x, Tensor maskzÓTensor bboxes, Tensor scores, float score_threshold, int nms_top_k, int keep_top_k, float post_threshold=0., bool use_gaussian = false, float gaussian_sigma = 2., int background_label = 0, bool normalized = truez+Tensor(out), Tensor(index), Tensor(roisnum)zTensor x, int nzTensor x, int[] kernel_size, int[] strides= {1, 1}, int[] paddings = {0, 0}, bool global_pooling = false, bool adaptive = falsezTensor(out), Tensor(mask)z†Tensor x, int[] kernel_size, int[] strides = {1, 1, 1}, int[] paddings = {0, 0, 0}, bool global_pooling = false, bool adaptive = falsez"Tensor x, int groups, int axis = 1Zmemory_efficient_attentionzêTensor query, Tensor key, Tensor value, Tensor bias, Tensor cu_seqlens_q, Tensor cu_seqlens_k, Tensor causal_diagonal, Tensor seqlen_k, Scalar max_seqlen_q, Scalar max_seqlen_k, bool causal, double dropout_p, float scale, bool is_testz:Tensor(output), Tensor(logsumexp), Tensor(seed_and_offset)a  Tensor[] param, Tensor[] grad, Tensor[] learning_rate, Tensor[] moment1, Tensor[] moment2, Tensor[] beta1_pow, Tensor[] beta2_pow, Tensor[] master_param, Scalar beta1 = 0.9f, Scalar beta2 = 0.999f, Scalar epsilon = 1.0e-8f, bool multi_precision = false, bool use_global_beta_pow = falsezãTensor[](param_out){param.size()}, Tensor[](moment1_out){param.size()}, Tensor[](moment2_out){param.size()}, Tensor[](beta1_pow_out){param.size()}, Tensor[](beta2_pow_out){param.size()}, Tensor[](master_param_out){param.size()}a  Tensor[] param, Tensor[] grad, Tensor[] velocity, Tensor[] learning_rate, Tensor[] master_param, float mu, bool use_nesterov = false, str[] regularization_method = {}, float[] regularization_coeff = {}, bool multi_precision = false, float rescale_grad = 1.0fzqTensor[](param_out){param.size()}, Tensor[](velocity_out){param.size()}, Tensor[](master_param_out){param.size()}zTensor[] inputszTensor[]{inputs.size()}z/Tensor x,  int axis = -1,  bool keepdim = falsezöTensor param, Tensor grad, Tensor velocity, Tensor learning_rate, Tensor master_param, float mu, bool use_nesterov = false, str regularization_method = "", float regularization_coeff = 0.0f, bool multi_precision = false, float rescale_grad = 1.0fzATensor(param_out), Tensor(velocity_out), Tensor(master_param_out)z
Tensor[] xz½Tensor bboxes, Tensor scores, Tensor rois_num, float score_threshold, int nms_top_k, int keep_top_k, float nms_threshold=0.3, bool normalized=true, float nms_eta=1.0, int background_label=0z0Tensor(out), Tensor(index), Tensor(nms_rois_num)z?Tensor x, Scalar(int) num_samples = 1, bool replacement = falsezTensor[] inputs, Tensor indexzTensor x, Tensor vecz1Tensor x, IntArray axis = {}, bool keepdim = truezTensor(out), Tensor(medians)Ú	nextafterz^Tensor input, Tensor label, Tensor weight, int64_t ignore_index = -100, str reduction = "mean"z!Tensor(out), Tensor(total_weight)z Tensor x, float threshold = 1.0fzTensor conditionZnpu_identityzTensor x, int format = -1zTensor(size)z%Tensor x, int hop_length, int axis=-1zkTensor x,  float porder=2,  int axis=-1,  float epsilon=1.0e-12f,  bool keepdim=false,  bool asvector=falsezdTensor x, IntArray paddings, str mode = "constant", float pad_value = 0.0, str data_format = "NCDHW"z6Tensor x, int upscale_factor=1, str data_format="NCHW"z8Tensor x, int downscale_factor=1, str data_format="NCHW"Z	polygammazTensor x, Scalar y=1.0fz>Tensor x, Tensor alpha, str data_format="NCHW", str mode="all"z÷Tensor input, Tensor image, float[] min_sizes, float[] max_sizes = {}, float[] aspect_ratios = {}, float[] variances = {}, bool flip=true, bool clip=true, float step_w=0.0, float step_h=0.0, float offset=0.5, bool min_max_aspect_ratios_order=falsezTensor(out), Tensor(var)zTensor x, Tensor boxes, Tensor boxes_num, int pooled_height=1, int pooled_width=1, int output_channels=1, float spatial_scale=1.0zdTensor arr, Tensor indices, Tensor values, int axis, str reduce = "assign", bool include_self = truezTensor x, str mode = "reduced"zTensor(q), Tensor(r)zXTensor x, Tensor neighbors, Tensor count, Tensor hashtable_value, Tensor hashtable_indexz;Tensor(reindex_src), Tensor(reindex_dst), Tensor(out_nodes)z+Tensor x, float p, int axis, float max_normzTensor x, IntArray axisZrms_normzÇTensor x, Tensor bias, Tensor residual, Tensor norm_weight, Tensor norm_bias, float epsilon, int begin_norm_axis, float quant_scale, int quant_round_type, float quant_max_bound, float quant_min_boundz!Tensor(out), Tensor(residual_out)zóTensor param, Tensor mean_square, Tensor grad, Tensor moment, Tensor learning_rate, Tensor mean_grad, Tensor master_param, float epsilon = 1.0e-10f, float decay = 0.9f, float momentum = 0.0f, bool centered = false, bool multi_precision = falsezpTensor(param_out), Tensor(moment_out), Tensor(mean_square_out), Tensor(mean_grad_out), Tensor(master_param_outs)z•Tensor x, Tensor boxes, Tensor boxes_num, int pooled_height=1, int pooled_width=1, float spatial_scale=1.0, int sampling_ratio=-1, bool aligned=falsezjTensor x, Tensor boxes, Tensor boxes_num, int pooled_height=1, int pooled_width=1, float spatial_scale=1.0zTensor(out), Tensor(arg_max)z/Tensor x, IntArray shifts={}, int64_t[] axis={}zFTensor x, Scalar scale=1.0, float bias=0.0, bool bias_after_scale=truez;Tensor x, Tensor index, Tensor updates, bool overwrite=truez&Tensor x, Tensor index, Tensor updateszQTensor sorted_sequence, Tensor values, bool out_int32 = false, bool right = falsez0Tensor x, Tensor segment_ids, str pooltype="SUM"zTensor(out), Tensor(summed_ids)zfTensor x, float scale=1.0507009873554804934193349852946, float alpha=1.6732632423543772848170429916717z\Tensor x, Tensor src_index, Tensor dst_index, str reduce_op = "SUM", IntArray out_size = {0}zTensor(out), Tensor(dst_count)zxTensor x, Tensor y, Tensor src_index, Tensor dst_index, str message_op="ADD", str reduce_op="SUM", IntArray out_size={0}zNTensor x, Tensor y, Tensor src_index, Tensor dst_index, str message_op = "ADD"z`Tensor param, Tensor learning_rate, Tensor grad, Tensor master_param, bool multi_precision=falsez+Tensor(param_out), Tensor(master_param_out)zTensor inputzKTensor input, int index_num, int nshards, int shard_id, int ignore_value=-1zVTensor x, Tensor label, Tensor pos_weight, bool normalize=false, int ignore_index=-100z3Tensor x, float beta = 1.0, float threshold = 20.0fzWTensor weight, Tensor u, Tensor v, int dim = 0, int power_iters = 1, float eps = 1e-12fzTensor x, IntArray axis={}zTensor[] x, int axis = 0z4Tensor x, float scale_a=0.67f, float scale_b=1.7159fz$Tensor x, bool full_matrices = falsez Tensor(u), Tensor(s), Tensor(vh)z$Tensor arr, Tensor indices, int axiszJTensor x, int seg_num, float shift_ratio = 0.25f, str data_format = "NCHW"Ztensor_unfoldz6Tensor input, int64_t axis, int64_t size, int64_t stepzTensor x, float threshold = 1.0Ztop_p_samplingz2Tensor x, Tensor ps, Tensor threshold, int seed=-1zTensor (out), Tensor(ids)zSTensor x, Scalar(int) k = 1, int axis = -1, bool largest = true, bool sorted = truezSTensor x, Tensor y, bool upper=true, bool transpose=false, bool unitriangular=falsezTensor input, int axis = 0zMTensor[] {axis<0 ? input.dims()[input.dims().size()+axis]:input.dims()[axis]}zLTensor x, int[] kernel_sizes, int[] strides, int[] paddings, int[] dilationsztTensor x, float min = -1.0, float max = 1.0, int seed = 0, int diag_num = 0, int diag_step = 0, float diag_val = 1.0zvTensor x, bool return_inverse = false, bool return_counts = false, int[] axis = {}, DataType dtype = DataType::FLOAT32z*Tensor(out), Tensor(index), Tensor(counts)zˆTensor x, Tensor indices, int[] ksize, int[] strides={1,1,1}, int[] paddings={0,0,0}, int[] output_size={0,0,0}, str data_format="NCDHW"zTensor x, IntArray axis = {}zTensor x, int axis=0, int num=0zTensor[](out){num}zÙTensor[] x, Tensor found_infinite, Tensor prev_loss_scaling, Tensor in_good_steps, Tensor in_bad_steps, int incr_every_n_steps, int decr_every_n_nan_or_inf, float incr_ratio, float decr_ratio, Scalar stop_update=falsez\Tensor[](out){x.size()}, Tensor(loss_scaling), Tensor(out_good_steps), Tensor(out_bad_steps)Z
view_dtypezTensor input, DataType dtypeZ
view_shapez!Tensor input, int64_t[] dims = {}z\Tensor potentials, Tensor transition_params, Tensor lengths, bool include_bos_eos_tag = truezTensor(scores), Tensor(path)zrTensor logits, Tensor label, Tensor logits_length, Tensor labels_length, int blank = 0, bool norm_by_times = falsez!Tensor(loss), Tensor(warpctcgrad)ZwarprnntzrTensor input, Tensor label, Tensor input_lengths, Tensor label_lengths, int blank = 0, float fastemit_lambda = 0.0z"Tensor(loss), Tensor(warprnntgrad)Zweight_dequantizezYTensor x, Tensor scale, str algo="weight_only_int8", DataType out_dtype=DataType::FLOAT16Zweight_only_linearzZTensor x, Tensor weight, Tensor bias, Tensor weight_scale, str weight_dtype, int arch = 80Zweight_quantizez6Tensor x, str algo = "weight_only_int8", int arch = 80zTensor(out), Tensor(scale)Zweighted_sample_neighborszqTensor row, Tensor colptr, Tensor edge_weight, Tensor input_nodes, Tensor eids, int sample_size, bool return_eidsz:Tensor(out_neighbors), Tensor(out_count), Tensor(out_eids)z$Tensor condition, Tensor x, Tensor yzÑTensor x, Tensor img_size, int[] anchors={}, int class_num = 1, float conf_thresh = 0.01, int downsample_ratio = 32, bool clip_bbox = true, float scale_x_y=1.0, bool iou_aware=false, float iou_aware_factor=0.5zTensor(boxes), Tensor(scores)z×Tensor x, Tensor gt_box, Tensor gt_label, Tensor gt_score, int[] anchors={}, int[] anchor_mask={}, int class_num =1 , float ignore_thresh=0.7, int downsample_ratio=32, bool use_label_smooth=true, float scale_x_y=1.0z<Tensor(loss), Tensor(objectness_mask), Tensor(gt_match_mask)z¨Tensor param, Tensor grad, Tensor avg_squared_grad, Tensor avg_squared_update, Tensor learning_rate, Tensor master_param, float rho, float epsilon, bool multi_precisionz/Tensor x, int64_t[] axis={}, bool keepdim=falsezETensor start, Tensor end, Tensor step, DataType dtype, Place place={}Zassign_out_zTensor x, Tensor outputZassign_value_zMTensor output, int[] shape, DataType dtype, Scalar[] values, Place place = {}z±Tensor x, Tensor mean, Tensor variance, Tensor scale, Tensor bias, bool is_test, float momentum, float epsilon, str data_layout, bool use_global_stats, bool trainable_statisticszvTensor(out), Tensor(mean_out), Tensor(variance_out), Tensor(saved_mean), Tensor(saved_variance), Tensor(reserve_space)z7Tensor x, int ring_id, int nranks, bool use_calc_streamzDTensor x, int ring_id, bool use_calc_stream, bool use_model_parallelz?Tensor x, int ring_id=0, int root=0, bool use_calc_stream=falsezZTensor x, int rank, int nranks, int ring_id, bool use_calc_stream, bool use_model_parallelzETensor weight, Tensor x, int64_t start_index=0, int64_t vocab_size=-1z8Tensor x, int ring_id, int root_id, bool use_calc_streamzTensor x, int ring_idzTensor x, DataType dtypez,Tensor x, int groups, str data_format="NCHW"zÖTensor x, Tensor filter, int[] strides={1, 1}, int[] paddings={0, 0}, int[] output_padding={}, IntArray output_size={}, str padding_algorithm="EXPLICIT", int groups=1, int[] dilations={1, 1}, str data_format="NCHW"Zcopy_toz$Tensor x, Place place, bool blockingzTensor x, str mode, Place placez—Tensor x, Tensor offset, Tensor filter, Tensor mask, int[] strides, int[] paddings, int[] dilations, int deformable_groups, int groups, int im2col_stepZdisable_check_model_nan_infzTensor x, int flag = 0Zdistribute_fpn_proposalszsTensor fpn_rois, Tensor rois_num, int min_level, int max_level, int refer_level, int refer_scale, bool pixel_offsetz…Tensor[](multi_fpn_rois){max_level - min_level + 1}, Tensor[](multi_level_rois_num){max_level - min_level + 1}, Tensor(restore_index)zWTensor x, Tensor seed_tensor, Scalar p, bool is_test, str mode, int seed, bool fix_seedzTensor[] x, str equationzHTensor(out), Tensor[](inner_cache){x.size()}, Tensor[](xshape){x.size()}zBTensor x, Tensor weight, int64_t padding_idx=-1, bool sparse=falseZembedding_grad_densezSTensor x, Tensor weight, Tensor out_grad, int64_t padding_idx=-1, bool sparse=falsezTensor(weight_grad)zHIntArray shape, DataType dtype=DataType::FLOAT32, Place place=CPUPlace()Z
empty_likez@Tensor x, DataType dtype = DataType::UNDEFINED, Place place = {}Zenable_check_model_nan_infzTensor x, int flag = 1zTensor x, float lamzUScalar num_rows, Scalar num_columns, DataType dtype=DataType::FLOAT32, Place place={}z9Tensor x, IntArray axis,  bool keep_dim,  bool reduce_allzVIntArray shape, Scalar value, DataType dtype=DataType::FLOAT32, Place place=CPUPlace()Zfull_zeTensor output, IntArray shape, Scalar value, DataType dtype=DataType::FLOAT32, Place place=CPUPlace()zvTensor input, int[] shape, DataType dtype, Scalar value, int input_dim_idx, int output_dim_idx, Place place=CPUPlace()zNTensor x, Scalar value, DataType dtype = DataType::UNDEFINED, Place place = {}Zfull_with_tensorz<Tensor shape, Tensor value, DataType dtype=DataType::FLOAT32Zfused_adam_aA  Tensor[] params, Tensor[] grads, Tensor learning_rate, Tensor[] moments1, Tensor[] moments2, Tensor[] beta1_pows, Tensor[] beta2_pows, Tensor[] master_params, Tensor skip_update, Scalar beta1, Scalar beta2, Scalar epsilon, int chunk_size, float weight_decay, bool use_adamw, bool multi_precision, bool use_global_beta_powzïTensor[](params_out){params.size()}, Tensor[](moments1_out){params.size()}, Tensor[](moments2_out){params.size()}, Tensor[](beta1_pows_out){params.size()}, Tensor[](beta2_pows_out){params.size()}, Tensor[](master_params_out){params.size()}znTensor x, Tensor scale, Tensor bias, Tensor mean, Tensor variance, float momentum, float epsilon, str act_typezxTensor x, Tensor z, Tensor scale, Tensor bias, Tensor mean, Tensor variance, float momentum, float epsilon, str act_typeZ!fused_softmax_mask_upper_trianglezTensor XzTensor(Out)zOIntArray shape, float mean, float std, int seed, DataType dtype, Place place={}zhTensor x, Tensor label, Tensor w, Tensor bias, Tensor path, Tensor code, int num_classes, bool is_sparsez+Tensor(out), Tensor(pre_out), Tensor(w_out)zTensor x, float value = 1.0zETensor start, Tensor stop, Tensor number, DataType dtype, Place placezRTensor start, Tensor stop, Tensor num, Tensor base, DataType dtype, Place place={}z9Tensor x, int64_t[] axis,  bool keepdim,  bool reduce_allzFTensor x, Tensor y, bool transpose_x = false, bool transpose_y = falsezDTensor x, float tol, bool use_default_tol=true, bool hermitian=falseZmatrix_rank_tolzMTensor x, Tensor atol_tensor, bool use_default_tol=true, bool hermitian=falsez.Tensor x, IntArray axis={}, bool keepdim=falsezTensor x, int dst_place_typeZ
memcpy_h2dzTensor x, float lambdaz/Tensor x, int axis, float epsilon, bool is_testzTensor(out), Tensor(norm)z!Tensor x, Scalar(int) num_classesZonesZ	ones_likez<Tensor x, DataType dtype=DataType::UNDEFINED, Place place={}z*Tensor x, int[] paddings, Scalar pad_valuez»Tensor x, IntArray kernel_size, int[] strides, int[] paddings, bool ceil_mode, bool exclusive, str data_format, str pooling_type, bool global_pooling, bool adaptive, str padding_algorithmz¸Tensor x, int[] kernel_size, int[] strides, int[] paddings, bool ceil_mode, bool exclusive, str data_format, str pooling_type, bool global_pooling, bool adaptive, str padding_algorithmz7Tensor x, IntArray dims, bool keep_dim, bool reduce_allzQint low, int high, IntArray shape, DataType dtype=DataType::INT64, Place place={}z%int n, DataType dtype, Place place={}Ú	read_filezIstr filename = "", DataType dtype=DataType::UINT8, Place place=CPUPlace()zTensor x, int repeats, int axisz"Tensor x, Tensor repeats, int axiszTensor x, IntArray shapea  Tensor x, Tensor[] pre_state, Tensor[] weight_list, Tensor sequence_length, Tensor dropout_state_in, float dropout_prob=0.0, bool is_bidirec=false, int input_size=10, int hidden_size=100, int num_layers=1, str mode="RNN_TANH", int seed=0, bool is_test=falsezZTensor(out), Tensor(dropout_state_out), Tensor[](state){pre_state.size()}, Tensor(reserve)z0Tensor x, float lower, float upper, bool is_testzTensor(out), Tensor(noise)z˜Tensor x, IntArray starts, IntArray ends, IntArray steps, int64_t[] axes, int64_t[] decrease_axes, int64_t[] none_axes, int64_t[] shape, Scalar[] valuesz…Tensor x, Tensor values, IntArray starts, IntArray ends, IntArray steps, int64_t[] axes, int64_t[] decrease_axes, int64_t[] none_axeszlTensor input, int64_t[] axes, IntArray starts, IntArray ends, int64_t[] infer_flags, int64_t[] decrease_axiszTensor x, int axisz-Tensor x, IntArray sections, Scalar(int) axiszTensor[]{sections.size()}z#Tensor x, int num, Scalar(int) axiszTensor[]{num}zFTensor x, int[] axes, IntArray starts, IntArray ends, IntArray strideszRTensor x, IntArray axis={}, DataType dtype=DataType::UNDEFINED, bool keepdim=falseZsync_batch_norm_z$Tensor x, IntArray repeat_times = {}Ztrans_layoutzTensor x, int[] permZtrilzTensor x, int diagonalz>int rows, int cols, int offset, DataType dtype, Place place={}z<int row, int col, int offset, DataType dtype, Place place={}z^int[] shape, float mean, float std, int seed, DataType dtype=DataType::FLOAT32, Place place={}zTIntArray shape,  DataType dtype,  Scalar min,  Scalar max,  int seed, Place place={}zpTensor x, bool return_index, bool return_inverse, bool return_counts, int[] axis, DataType dtype=DataType::INT64z=Tensor(out), Tensor(indices), Tensor(inverse), Tensor(counts)zjTensor x, Tensor indices, int[] ksize, int[] strides, int[] padding, IntArray output_size, str data_formatz>Tensor x, DataType dtype=DataType::UNDEFINED, Place place = {})	Ztril_indicesZtriuZtriu_indicesr  r  r  r  ZzerosZ
zeros_likeN)Zop_mapZop_info© r$  r$  úe/var/www/html/Deteccion_Ine/venv/lib/python3.10/site-packages/paddle/incubate/autograd/phi_ops_map.pyÚ<module>   sŠÄ   ÿÿûÿ
ýýùöÿÿûé ÿÿûà)ú	üö×:ûý÷ÆI÷ú
þþþ÷ë·mù
üõ“÷ú
þþþ÷ë $þÿú Ü .ÿÿû Ò 7ýÿþö É Fÿÿþÿø º Uÿÿþø « bþÿþþû÷ ž vÿÿþø Š  ÿÿþø  ü  ÿÿû  ï  ÿÿþø  æ  'ýÿù  Ù  2ÿÿþÿø  Î  Aÿÿþÿø  ¿  Pÿþû  °  Zÿþû  ¦  dÿÿû  œ  mÿÿû  “  vÿÿû  Š  ÿÿû     	þþ   ÷   ÿÿû   ð   ÿþ   ç   ÿÿû   á   (þÿú   Ø   2ÿÿû   Î   ;ûý÷   Å   Jûú÷   ¶   \þÿú   ¤   fÿÿû   š   oüÿø   ‘   {üÿø   …    üÿø    ø    þÿþÿ÷    ì    $þÿú    Ü    .ÿÿû    Ò    7þÿú    É    Aþÿú    ¿    Kþÿú    µ    Uýÿù    «    `ÿÿû         iÿÿû    —    rþÿú    Ž    |ÿÿû    „     ÿÿû     ú     ÿÿû     ñ     þþú     è     #ÿÿû     Ý     ,þÿú     Ô     6ÿþû     Ê     @ÿÿþþûø     À     Sÿÿû     ­     \ÿþÿ÷     ¤     iþÿú     —     sÿÿÿþÿõ           ÿ      ú      	ÿÿû      ÷      þÿú      î      ýÿþÿö      ä      -þÿú      Ó      7þÿú      É      Aÿÿû      ¿      Jÿÿû      ¶      Sÿÿýýúø      ­      hþÿÿ÷      ˜      uþþú      ‹       ÿÿÿø       ÿ       ÿÿþÿø       ó       ÿ       ä       ÿÿû       á       (üÿø       Ø       4þÿú       Ì       >ýÿþÿö       Â       Oÿ       ±       Rÿÿû       ®       [ÿÿû       ¥       dÿÿû       œ       mÿÿû       “       vÿÿû       Š       ÿÿû               	þÿú        ÷        ÿ        í        þÿú        ê         þÿú        à        *þþûö        Ö        <ÿ        Ä        ?üþø        Á        Lÿþû        ´        Vÿþû        ª        `ÿÿû                 iÿþÿ÷        —        vÿýû        Š         þÿú         þ         ÿÿû         ô         þÿÿ÷         ë         "ÿýÿû         Þ         /þÿú         Ñ         9þÿú         Ç         Cÿÿû         ½         Lÿÿû         ´         Uÿÿû         «         ^ÿÿÿýÿõ         ¢         qþÿú                  {ÿÿû         …          ÿÿÿø          û          ÿÿÿüû          ï          ÿ          á          "ÿ          Þ          %ÿ          Û          (ÿ          Ø          +ÿ          Õ          .ÿ          Ò          1ÿ          Ï          4ýÿýö          Ì          Dÿþ          ¼          Jÿÿû          ¶          Sÿÿû          ­          \ÿÿû          ¤          eÿÿþÿø          ›          tÿÿû          Œ          }þÿú          ƒ           ÿþþ÷           ø           ÿÿû           ê           ÿÿû           á           (þÿú           Ø           2þÿú           Î           <þÿú           Ä           Fÿÿû           º           Oÿÿû           ±           Xÿÿþþÿô           ¨           kÿþ           •           qÿÿþÿø                       õÿþýüûúùø	÷
öõôóòñðïìñ            ÿ            'ûú÷            Ù            9ûû÷            Ç            Jú	úö            ¶            ]ÿ            £            `üþø                         müÿø            “            yú	ýö            ‡             
õõüä             ö             -ýþù             Ó             9üýø             Ç             Gÿ             ¹             Jûûýð             ¶             `ýþù                           lýþýõ             ”             }ýþù             ƒ              
ÿÿû              ö              þÿþÿ÷              í              #þÿú              Ý              -þÿú              Ó              7ÿýÿû              É              Dÿÿû              ¼              Mûýþò              ³              `þÿú                             jþÿú              –              tþÿú              Œ              ~þÿú              ‚               	ýýù               ÷               ÿ               ê               ÿÿû               ç               "ÿÿû               Þ               +ÿÿû               Õ               4ÿÿû               Ì               =ÿÿû               Ã               Fþÿú               º               Pÿÿû               °               Yú	ýö               §               iþþú               —               tÿÿû               Œ               }ÿÿû               ƒ                ýÿù                ù                þÿú                î                þÿÿ÷                ä                )ýýù                ×                6ÿÿû                Ê                ?ÿÿû                Á                Hþÿþþû÷                ¸                \ÿÿû                ¤                eÿÿû                ›                nÿÿû                ’                wþÿú                ‰                 þÿú                 þ                 ÿþû                 ô                 þÿú                 ê                  ÷úó                 à                 6ýýù                 Ê                 Cÿÿÿø                 ½                 Oýÿù                 ±                 Zþÿú                 ¦                 dþÿú                 œ                 nÿÿû                 ’                 wüÿø                 ‰                  ýÿù                  ü                  ÿÿû                  ñ                  ÿÿû                  è                  !ÿÿû                  ß                  *ÿÿû                  Ö                  3þÿú                  Í                  =ÿÿû                  Ã                  Fÿÿû                  º                  Oþÿú                  ±                  Yÿÿû                  §                  bþÿú                  ž                  lþÿú                  ”                  vÿÿû                  Š                  ÿÿû                                     	ÿÿû                   ÷                   ÿ                   î                   þüþÿô                   ë                   (þýú                   Ø                   4þþú                   Ì                   ?þÿú                   Á                   Iþÿþ÷                   ·                   Wþÿú                   ©                   aþýú                   Ÿ                   mÿÿû                   “                   vþÿú                   Š                    ÿÿþþÿô                    ÿ                    ÿþÿ÷                    ì                    !ÿþÿ÷                    ß                    .þÿú                    Ò                    8ÿÿû                    È                    Aÿÿþø                    ¿                    Nÿÿû                    ²                    Wÿÿû                    ©                    `øú
þþþ÷ì                                          ûý÷                     ü                     ÿÿû                     í                     ÿÿþþÿô                     ä                     /þÿú                     Ñ                     9þÿú                     Ç                     Cÿþû                     ½                     Mûý÷                     ³                     \ÿÿû                     ¤                     eýýù                     ›                     rüÿýõ                     Ž                      ÿÿþÿø                      ü                      þÿú                      í                      þÿú                      ã                      'þÿú                      Ù                      1ÿþÿÿ÷                      Ï                      @ÿ                      À                      Cüÿø                      ½                      Oýþù                      ±                      [ÿÿÿø                      ¥                      gÿÿû                      ™                      pÿþû                                            zþÿú                      †                       ÿÿû                       û                       ÿÿþÿø                       ò                       ÿÿû                       ã                       &ÿÿû                       Ú                       /ÿÿþÿø                       Ñ                       >ÿ                       Â                       Aÿÿÿþÿõ                       ¿                       Sÿ                       ­                       Vÿÿû                       ª                       _ÿÿû                       ¡                       hÿÿû                       ˜                       qÿÿÿþÿõ                                               ÿÿÿø                        ü                        ÿÿÿþÿõ                        ð                        "þÿú                        Þ                        ,ÿÿû                        Ô                        5þþú                        Ë                        @ÿÿþþÿô                        À                        Sýÿù                        ­                        ^ýÿýö                        ¢                        nÿ                        ’                        qÿþû                                                {ÿ                        …                        ~ÿýÿû                        ‚                         ÿþ                         ô                         ÿÿû                         î                         ÿÿû                         å                         $ÿÿû                         Ü                         -ÿÿû                         Ó                         6þÿú                         Ê                         @ÿÿû                         À                         Iÿÿþø                         ·                         Vþÿÿ÷                         ª                         cÿþýÿ÷                                                  tÿÿþÿø                         Œ                          ù
ûõ                          ü                          üüø                          é                          &ýÿù                          Ú                          1ýþù                          Ï                          =ÿÿþÿø                          Ã                          Lÿÿû                          ´                          Uÿÿû                          «                          ^ÿþ                          ¢                          dÿÿþÿø                          œ                          sýÿù                                                    ~ýÿù                          ‚                           
þÿú                           ö                           ÿþ                           ì                           þþú                           æ                           %ÿÿû                           Û                           .ÿÿû                           Ò                           7ýþþÿõ                           É                           Iüþþÿô                           ·                           \ÿ                           ¤                           _ÿÿÿþÿõ                           ¡                           qÿ                                                      tüþø                           Œ                            ÿ                            þ                            ÿÿû                            û                            ÿþû                            ò                            ÿ                            è                            ÿÿû                            å                            $ÿÿû                            Ü                            -ÿÿû                            Ó                            6ÿÿû                            Ê                            ?ÿÿû                            Á                            Hÿÿýýúø                            ¸                            ]ÿÿû                            £                            fÿÿû                            š                            oÿÿû                            ‘                            xÿÿû                            ˆ                             ÿÿÿø                             þ                             ÿÿû                             ò                             þÿú                             é                             !ýÿù                             ß                             ,ÿÿþÿþÿò                             Ô                             Aýÿþ                             ¿                             Kÿÿû                             µ                             Tÿÿû                             ¬                             ]ÿþÿþÿô                             £                             pÿÿû                                                          yÿÿû                             ‡                              ÿÿýýýõø                              ý                              þÿú                              ã                              'ÿÿýþÿó                              Ù                              ;ÿýû                              Å                              Fÿÿû                              º                              Oûú÷                              ±                              aþÿÿ÷                              Ÿ                              nÿÿû                              ’                              wÿÿû                              ‰                               ÿÿû                               ÿ                               
ÿÿû                               ö                               ÿÿýÿø                               í                               #ÿþþÿ÷                               Ý                               3ÿÿû                               Í                               <ÿÿÿø                               Ä                               Hþÿú                               ¸                               Rÿÿû                               ®                               [üÿø                               ¥                               gÿÿû                               ™                               pÿþ                                                              vÿÿû                               Š                               ÿÿû                                                               	ÿþþûýÿñ                                ÷                                 ÿÿû                                à                                )ÿüû                                ×                                5ÿýû                                Ë                                @þÿÿþÿô                                À                                Sþÿú                                ­                                ]ÿþÿýÿô                                £                                qÿÿû                                                                zûüþÿñ                                †                                 ýþù                                 ï                                 üþø                                 ã                                 *ýÿù                                 Ö                                 5ÿ                                 Ë                                 8þþú                                 È                                 Cüýø                                 ½                                 Qÿÿû                                 ¯                                 Zÿÿû                                 ¦                                 cÿÿû                                                                  lÿÿû                                 ”                                 uÿÿû                                 ‹                                 ~ÿÿû                                 ‚                                  ÿÿû                                  ø                                  ÿÿû                                  ï                                  ÿÿû                                  æ                                  #ÿÿû                                  Ý                                  ,üþø                                  Ô                                  9ýÿù                                  Ç                                  Dÿÿû                                  ¼                                  Mÿÿû                                  ³                                  Vþþú                                  ª                                  aþüú                                  Ÿ                                  nÿÿû                                  ’                                  wÿÿû                                  ‰                                   üÿø                                   ÿ                                   ÿýÿö                                   ó                                   ÿÿû                                   å                                   $ÿÿû                                   Ü                                   -þÿú                                   Ó                                   7ÿþ                                   É                                   =ûý÷                                   Ã                                   Lÿþû                                   ´                                   Vÿþ                                   ª                                   \ÿÿþþþ÷ø                                   ¤                                   sÿÿþþþ÷ø                                                                       ÿÿû                                    õ                                    þÿú                                    ì                                    üÿøù
ýþÿðÿÿû
ÿÿû
ÿÿû
þÿú                                    
¤                                    gþÿþû	þ÷þóþïþëþçþã!þß%þÛ)þ×-þÓ1þÏ5þË9þÇ=þÃAþ¿Eþ»Iþ·Mþ³Qþ¯Uþ«Yþ§]þ£aþŸeþ›iþ—mþ“qþuþ‹yþ‡}þƒ þ þ þ ú 
þ ö þ ò þ î þ ê þ æ þ â "þ Þ &þ Ú *þ Ö .þ Ò 2þ Î 6þ Ê :þ Æ >þ Â Bþ ¾ Fþ º Jþ ¶ Nþ ² Rþ ® Vþ ª Zþ ¦ ^þ ¢ bþ ž fþ š jþ – nþ ’ rþ Ž vþ Š zþ † ~þ ‚  þ  ý  þ  ù  þ  õ  þ  ñ  þ  í  þ  é  þ  å  þ  á  #þ  Ý  'þ  Ù  +þ  Õ  /þ  Ñ  3þ  Í  7þ  É  ;þ  Å  ?þ  Á  Cþ  ½  Gþ  ¹  Kþ  µ  Oþ  ±  Sþ  ­  Wþ  ©  [þ  ¥  _þ  ¡  cþ    gþ  ™  kþ  •  oþ  ‘  sþ    wþ  ‰  {þ  …  þ     þ   ü   þ   ø   þ   ô   þ   ð   þ   ì   þ   è   þ   ä    þ   à   $þ   Ü   (þ   Ø   ,þ   Ô   0þ   Ð   4þ   Ì   8þ   È   <þ   Ä   @þ   À   Dþ   ¼   Hþ   ¸   Lþ   ´   Pþ   °   Tþ   ¬   Xþ   ¨   \þ   ¤   `þ       dþ   œ   hþ   ˜   lþ   ”   pþ      tþ   Œ   xþ   ˆ   |þ   „    þ    ÿ    þ    û    	þ    ÷    þ    ó    þ    ï    þ    ë    þ    ç    þ    ã    !þ    ß    %þ    Û    )þ    ×    -þ    Ó    1þ    Ï    5þ    Ë    9þ    Ç    =þ    Ã    Aþ    ¿    Eþ    »    Iþ    ·    Mþ    ³    Qþ    ¯    Uþ    «    Yþ    §    ]þ    £    aþ    Ÿ    eþ    ›    iþ    —    mþ    “    qþ        uþ    ‹    yþ    ‡    }þ    ƒ     þ     þ     þ     ú     
þ     ö     þ     ò     þ     î     þ     ê     þ     æ     þ     â     "þ     Þ     &þ     Ú     *þ     Ö     .þ     Ò     2þ     Î     6þ     Ê     :þ     Æ     >þ     Â     Bþ     ¾     Fþ     º     Jþ     ¶     Nþ     ²     Rþ     ®     Vþ     ª     Zþ     ¦     ^þ     ¢     bþ     ž     fþ     š     jþ     –     nþ     ’     rþ     Ž     vþ     Š     zþ     †     ~þ     ‚      þ      ý      þ      ù      þ      õ      þ      ñ      þ      í      þ      é      þ      å      þ      á      #þ      Ý      'þ      Ù      +þ      Õ      /þ      Ñ      3þ      Í      7þ      É      ;þ      Å      ?þ      Á      Cþ      ½      Gþ      ¹      Kþ      µ      Oþ      ±      Sþ      ­      Wþ      ©      [þ      ¥      _þ      ¡      cþ            gþ      ™      kþ      •      oþ      ‘      sþ            wþ      ‰      {þ      …      þ             þ       ü       þ       ø       þ       ô       þ       ð       þ       ì       þ       è       þ       ä        þ       à       $þ       Ü       (þ       Ø       ,þ       Ô       0þ       Ð       4þ       Ì       8þ       È       <þ       Ä       @þ       À       Dþ       ¼       Hþ       ¸       Lþ       ´       Pþ       °       Tþ       ¬       Xþ       ¨       \þ       ¤       `þ               dþ       œ       hþ       ˜       lþ       ”       pþ              tþ       Œ       xþ       ˆ       |þ       „        þ        ÿ        þ        û        	þ        ÷        þ        ó        þ        ï        þ        ë        þ        ç        þ        ã        !þ        ß        %þ        Û        )þ        ×        -þ        Ó        1þ        Ï        5þ        Ë        9þ        Ç        =þ        Ã        Aþ        ¿        Eþ        »        Iþ        ·        Mþ        ³        Qþ        ¯        Uþ        «        Yþ        §        ]þ        £        aþ        Ÿ        eþ        ›        iþ        —        mþ        “        qþ                uþ        ‹        yþ        ‡        }þ        ƒ         þ         þ         þ         ú         
þ         ö         þ         ò         þ         î         þ         ê         þ         æ         þ         â         "þ         Þ         &þ         Ú         *þ         Ö         .þ         Ò         2þ         Î         6þ         Ê         :þ         Æ         >þ         Â         Bþ         ¾         Fþ         º         Jþ         ¶         Nþ         ²         Rþ         ®         Vþ         ª         Zþ         ¦         ^þ         ¢         bþ         ž         fþ         š         jþ         –         nþ         ’         rþ         Ž         vþ         Š         zþ         †         ~þ         ‚          þ          ý          þ          ù          þ          õ          þ          ñ          þ          í          þ          é          þ          å          þ          á          #þ          Ý          'þ          Ù          +þ          Õ          /þ          Ñ          3þ          Í          7þ          É          ;þ          Å          ?þ          Á          Cþ          ½          Gþ          ¹          Kþ          µ          Oþ          ±          Sþ          ­          Wþ          ©          [þ          ¥          _þ          ¡          cþ                    gþ          ™          kþ          •          oþ          ‘          sþ                    wþ          ‰          {þ          …          þ                     þ           ü           þ           ø           þ           ô           þ           ð           þ           ì           þ           è           þ           ä            þ           à           $þ           Ü           (þ           Ø           ,þ           Ô           0þ           Ð           4þ           Ì           8þ           È           <þ           Ä           @þ           À           Dþ           ¼           Hþ           ¸           Lþ           ´           Pþ           °           Tþ           ¬           Xþ           ¨           \þ           ¤           `þ                       dþ           œ           hþ           ˜           lþ           ”           pþ                      tþ           Œ           xþ           ˆ           |þ           „            þ            ÿ            þ            û            	þ            ÷            þ            ó            þ            ï            þ            ë            þ            ç            þ            ã            !þ            ß            %þ            Û            *þþþþþþþþþ            ·