readme 目录

一、pg4ml 机器学习框架安装指引
   1. 安装条件与前置工作
   2. 安装步骤
二、mnist 手写体数字数据集的加工、lenet-5 模型的构建、训练
   1. mnist 手写体数字数据集的加工
   2. lenet-5 模型的构建
   3. lenet-5 模型的训练
   4. 若干说明
三、基于数据库的机器学习框架设计基本原理
   1. schema、广播运算、切片/切块的分组、组播运算、多态伪类型等规约说明
   2. 提升运行效率的建议
   3. 运算库函数规划分类
     1). 矩阵基础运算 
     2). 分类、回归、神经网络
     3). 聚类
     4). 科学计算
     5). 其他函数
   4. 增加算子类型的方法
   5. 增加损失函数类型的方法
四、附录
 (一)、项目目录结构说明
 (二)、数据库对象命名惯常缩写或解释
 (三)、附表
   1. 函数列表
   2. 运算符列表
   3. 存储过程介绍
   4. 神经网络节点支持运算类型

一、pg4ml 机器学习框架安装指引

pg4ml机器学习框架是PostgreSQL的一个扩展，因此在PostgreSQL上安装使用pg4ml非常容易。

1. 安装条件与前置工作

1). linux 环境；

2). 已安装 PostgreSQL v14 (需支持python)；

2. 安装步骤

1). 解压项目工程

假定解压至目录 /var/lib/pgsql/pg4ml。

├─/var/lib/pgsql/pg4ml/
│  ├─sql
│  ├─README.md
│  ├─README_en.md
│  ├─pg4ml.control
│  ├─gen_sql_files.sh
│  ├─Makefile
│  ├─...

2). 安装前准备工作：

a. 查找 postgresql 安装目录，假定安装在 /usr/pgsql-14/bin/postgres

find / -name postgres

b. 确认系统变量 PATH 包含 postgresql 安装目录，且包含 pg_config 目录：

which postgres which pg_config export PATH=$PATH:/usr/pgsql-14/bin #如果不包含要添加

c. 如果通过包安装，也有必要安装开发工具包

yum install postgresql14-devel

yum install postgresql14-contrib

3). 编译安装，如下例：

export USE_PGXS=1

make && make install

4). 创建pg4ml扩展

CREATE EXTENSION pg4ml CASCADE;

二、mnist 手写体数字数据集的加工、lenet-5 模型的构建、训练

1. mnist 手写体数字数据集的加工

1). 该模型案例，在项目工程中的如下目录：

./02_nn_model/000000002_mnist_lenet5_batchnorm

2). 在数据库中，创建表 sm_sc.tb_tmp_mnist_0201，用于接收数据集；sql 建表脚本如下：

./02_nn_model/000000002_mnist_lenet5_batchnorm/01_mnist_dataset/01_create_source_data_table.sql

3). 在数据库中，向 sm_sc.tb_tmp_mnist_0201 中插入数据集，sql 脚本如下：

在项目工程中的如下目录 ./02_nn_model/000000002_mnist_lenet5_batchnorm/02_import_source_data/ 中的 .sql 文件： a. mnist_train_part_00001_09992.sql b. mnist_train_part_09993_19992.sql c. mnist_train_part_19993_29992.sql d. mnist_train_part_29993_39992.sql e. mnist_train_part_39993_49992.sql f. mnist_train_part_49993_60000.sql

4). 在数据库中，将数据集编码后，插入 sm_sc.tb_nn_train_input_buff 表 ，sql 脚本如下：

在项目工程中的如下目录 ./02_nn_model/000000002_mnist_lenet5_batchnorm/02_import_to_buffer_table/ 中的 .sql 文件： a. 01_import_dataset.sql

2. lenet-5 模型的构建

1). 在数据库中，创建 lenet-5 神经网络训练任务和模型设计、配置节点的超参数，sql 脚本如下：

在项目工程中的如下目录 ./02_nn_model/000000002_mnist_lenet5_batchnorm/03_create_train_nn_task/ 中的 .sql 文件： a. 01_create_task.sql b. 02_create_nn.sql

3. lenet-5 模型的训练

1). 在数据库中，训练任务的准备工作，设置每组类别的小批量随机数量、规划训练次数，sql 脚本如下：

在项目工程中的如下目录 ./02_nn_model/000000002_mnist_lenet5_batchnorm/04_train/ 中的 .sql 文件： a. 01_prepare.sql

2). 在数据库中，执行训练任务，设置初始学习率、损失函数梯度阈值等任务超参数，sql 脚本如下：

在项目工程中的如下目录 ./02_nn_model/000000002_mnist_lenet5_batchnorm/04_train/ 中的 .sql 文件： a. 02_exec_train.sql

4. 若干说明

1). 步骤6，步骤7，可以交替循环执行，用于中途逐步递增规划次数、调整任务超参数； 2). 训练过程中，查看节点明细情况，sql 脚本举例如下：

./02_nn_model/000000002_mnist_lenet5_batchnorm/04_train/03_track_data_in_nn_node.sql 3). 测试集、验证集验证正确预测结果，sql 脚本举例如下： ./02_nn_model/000000002_mnist_lenet5_batchnorm/05_validation/01_predict.sql

4). 本项目中已经上传了一个训练过的模型：

在项目工程中的如下目录 ./02_nn_model/000000002_mnist_lenet5_batchnorm/06_model_backup/ 即，导出如下两表： a. sm_sc.tb_nn_node，用于继续训练； b. sm_sc.__vt_nn_node，用于测试集、验证集做预测；

三、基于数据库的机器学习框架设计基本原理

1. schema、广播运算、切片/切块的分组、组播运算、多态伪类型等规约说明

pg4ml 定义了名称为 sm_sc 的 schema，用于装载框架对象，避免 postgresql 原生对象名或其他扩展对象名称的冲突；

数组运算函数设计与运算库的规划，考虑到运算粒度因素。运算操作对象可能是以下其中的一种或多种：

1). 矩阵每个元素的内部结构。比如：复矩阵取各元素实部；

2). 两个或多个入参矩阵的一一对应元素。比如：元素、点(广播)四则运算；

3). 入参矩阵的切片。比如：切片聚合；

4). 入参矩阵。比如：转置；

5). 多个入参矩阵聚合。比如：多个矩阵每个对应位置求平均；

6). 三维或四维数组的二维矩阵切片运算后，再堆叠聚合为三维或四维数组。比如：二维图像的多通道运算；

7). 三维或四维数组的运算。比如三维或四维点加、三维卷积；

大部分切片、切块粒度的聚合运算支持分组；

     示例一：矩阵纵向切片的分组求平均，每两个元素一组：

 select 
   sm_sc.fv_aggr_y_avg
   (
     array[[1.5, 11.5]
          ,[2.1, 12.1]
          ,[3.3, 13.3]
          ,[4.3, 14.3]
          ,[5.5, 15.5]
          ,[6.1, 16.1]]
     , 2
   )
 返回：
   array[[1.8, 11.8]
        ,[3.8, 13.8]
        ,[5.8, 15.8]]
 其中，返回结果矩阵的元素 1.8 来自入参矩阵的 (1.5 + 2.1) / 2。

     示例二：矩阵横向切片的分组合计，每三个元素一组：

 select 
   sm_sc.fv_aggr_x_sum
   (
     array[[1.5, 11.5, 4.3, 14.3, 24.3, 34.3]
          ,[2.1, 12.1, 5.5, 15.5, 25.5, 35.5]
          ,[3.3, 13.3, 6.1, 16.1, 26.1, 36.1]]
     , 3
   )
 返回：
   array[[17.3, 72.9]
        ,[19.7, 76.5]
        ,[22.7, 78.3]]
 其中，返回结果矩阵的元素 17.3 来自入参矩阵的 1.5 + 11.5 + 4.3。

     示例三：矩阵切块的分组求平均，每高宽规格为 2*3 的矩阵切块为一组；

 select 
   sm_sc.fv_aggr_slice_max
   (
     array[[2.3, 5.1, 8.2, 2.56, 3.33, -1.9]
          ,[3.25, 6.4, 6.6, 6.9, -2.65, -4.6]
          ,[-2.3, 5.1, -8.2, 2.56, -3.33, -1.9]
          ,[3.25, -6.4, -6.6, 6.9, -2.65, -4.6]
          ]
     , array[2, 3]
   )
 返回：
   array[[8.2, 6.9]
        ,[5.1, 6.9]]
 其中，返回结果矩阵的元素 8.2 来自入参矩阵的 greatest(2.3, 5.1, 8.2, 3.25, 6.4, 6.6)。

矩阵双目运算的入参矩阵组播，适用于加减乘除、幂运算、对数运算和矩阵乘法等，即将背景矩阵在滑动窗口内的子矩阵与窗口矩阵运算。其滑动窗口原理与卷积的滑动窗口类似。

     示例一：卷减 sm_sc.fv_conv_sub

 select 
   sm_sc.fv_conv_sub
   (
     array[[1.0,2.0,3.0,4.0,5.0,6.0,7.0]
          ,[10.0,20.0,30.0,40.0,50.0,60.0,70.0]
          ,[100.0,200.0,300.0,400.0,500.0,600.0,700.0]
          ,[-1.0,-2.0,-3.0,-4.0,-5.0,-6.0,-7.0]
          ,[-10.0,-20.0,-30.0,-40.0,-50.0,-60.0,-70.0]
          ]
    , array[[1.0, 2.0, 3.0]
           ,[-1.0, -2.0, -3.0]
           ,[3.0, -2.0, 1.0]]
    , array[2, 2]
   )
 返回：
   array[[0.0, 0.0, 0.0, 2.0, 2.0, 2.0, 4.0, 4.0, 4.0]
        ,[11.0, 22.0, 33.0, 31.0, 42.0, 53.0, 51.0, 62.0, 73.0]
        ,[97.0, 202.0, 299.0, 297.0, 402.0, 499.0, 497.0, 602.0, 699.0]
        ,[99.0, 198.0, 297.0, 299.0, 398.0, 497.0, 499.0, 598.0, 697.0]
        ,[0.0, 0.0, 0.0, -2.0, -2.0, -2.0, -4.0, -4.0, -4.0]
        ,[-13.0, -18.0, -31.0, -33.0, -38.0, -51.0, -53.0, -58.0, -71.0]]
 其中，入参一为背景矩阵，入参二为窗口矩阵，入参三为纵向与横向的滑动步长。

对于不服从交换律的某类二元运算，比如矩阵组播减法，组播运算存在卷减与反卷减两种运算。其中卷减运算的第一入参为背景矩阵，第二入参为窗口矩阵；而反卷减运算的第一入参为窗口矩阵，第二入参为背景矩阵；

     示例二：反卷减 sm_sc.fv_conv_de_sub

 select 
   sm_sc.fv_conv_de_sub
   (
     array[[1.0, 2.0, 3.0]
          ,[-1.0, -2.0, -3.0]
          ,[3.0, -2.0, 1.0]]
     , array[[1.0,2.0,3.0,4.0,5.0,6.0,7.0]
            ,[10.0,20.0,30.0,40.0,50.0,60.0,70.0]
            ,[100.0,200.0,300.0,400.0,500.0,600.0,700.0]
            ,[-1.0,-2.0,-3.0,-4.0,-5.0,-6.0,-7.0]
            ,[-10.0,-20.0,-30.0,-40.0,-50.0,-60.0,-70.0]
            ]
    , array[2, 2]
   )
 返回：
   array[[0.0, 0.0, 0.0, -2.0, -2.0, -2.0, -4.0, -4.0, -4.0]
        ,[-11.0, -22.0, -33.0, -31.0, -42.0, -53.0, -51.0, -62.0, -73.0]
        ,[-97.0, -202.0, -299.0, -297.0, -402.0, -499.0, -497.0, -602.0, -699.0]
        ,[-99.0, -198.0, -297.0, -299.0, -398.0, -497.0, -499.0, -598.0, -697.0]
        ,[0.0, 0.0, 0.0, 2.0, 2.0, 2.0, 4.0, 4.0, 4.0]
        ,[13.0, 18.0, 31.0, 33.0, 38.0, 51.0, 53.0, 58.0, 71.0]]
 其中，入参一为窗口矩阵，入参二为背景矩阵，入参三为纵向与横向的滑动步长。

本套矩阵基础运算函数库，带有“元素、点(广播)”说明的函数，通常支持广播功能。包括如下场景：

1). 单元素值与一维数组(入参顺序不分先后)；

2). 单元素值与二维数组(入参顺序不分先后)；

3). 一维数组与二维数组(入参顺序不分先后)；

4). 二维数组单行与二维数组(入参顺序不分先后)；

5). 二维数组单列与二维数组(入参顺序不分先后)；

6). 单元素值与三维数组(入参顺序不分先后)；

7). 单元素值与四维数组(入参顺序不分先后)；

8). 三维切片与三维数组(入参顺序不分先后)；

9). 四维切片与四维数组(入参顺序不分先后)；

其中3)、4)结果等价。

对于构建神经网络的算子而言，通常也支持双目入参中，其中一个入参的若干维度长度为 1 的广播功能，但不支持维度数不同的广播功能。即以上第 4), 5), 8), 9) 所述入参规格。

pg4ml 矩阵运算函数库的很多函数，利用 postgresql 的伪类型特性，使用 anyarray 为入参和出参类型，类似 java 泛型或 c++ 类模板，以支持这些函数对任何元素类型的矩阵的多态。

2. 提升运行效率的建议

1). 关闭调试审查开关

pg4ml 矩阵运算函数库的很多函数，对数组类型参数的维度、各维度长度做审查。

该审查可以通过设置 session 变量 pg4ml._v_is_debug_check 来开启。该审查默认为不生效。

set session pg4ml._v_is_debug_check = '1';   -- 开启
set session pg4ml._v_is_debug_check = '0';   -- 关闭
select current_setting('pg4ml._v_is_debug_check', true)   -- 查看变量值

2). 矩阵运算库优化：

在当前版本，矩阵乘法通过 pg 的扩展 pgplpython3 调用 numpy 实现。

建议也可以使用运行效率更高的其他编程语言矩阵运算库，比如 openblas；

3). 训练过程多线程：

a. 调整系统内核参数 /etc/sysctl.conf, /etc/security/limits.conf, 为 pg 数据库分配更多系统资源；

b. 设置 pg 并行参数

min_parallel_table_scan_size
min_parallel_index_scan_size
force_parallel_mode
max_parallel_workers_per_gather
parallel_setup_cost
parallel_tuple_cost

4). 分布式计算改造：

建议可以对神经网络节点的 lambda 调用改造为 rdd 或 mpp；

5). 使用 GPU：

建议可以创建 pg_strom 扩展，引入 GPU 计算；

3. 运算库函数规划分类

1). 矩阵基础运算

具体运算库函数分类规划：

fn_a. 矩阵元素的算数、比较、进位、拼接、布尔、位运算、复运算、广播运算：

fn_b. 矩阵乘法、转置、翻转、旋转、拼接：

fn_c. 矩阵的构造、采样、替换、填充、字符匹配、随机生成、去壳(缘于pg13版本暂不支持 array 高维切片)：

fn_d. 矩阵的三角函数广播运算：

fn_f. 矩阵的切片粒度聚合、矩阵粒度聚合、以某切片值排序、切片粒度定位极值位置：

2). 分类、回归、神经网络

1). table - sm_sc.tb_nn_node / sm_sc.__vt_nn_node(前者用于训练，后者用于测试和验证)、sm_sc.tb_nn_path 表，用于承载深度神经网络的 node 和 path 结构；

2). table - sm_sc.tb_nn_train_input_buff ，用于公共接收训练集；

3). table - sm_sc.tb_classify_task ，用于部署和管理训练任务；

4). 定义了机器学习、矩阵运算的相关函数，用于实时执行简单运算或原子运算；

具体运算函数库分类规划：

fn_g. 机器学习的重分布函数，包括标准化、规范化、归一化、中心化等等：

fn_h. 机器学习的激活函数：

fn_j. 机器学习的卷积、池化、矩阵组播：

fn_k. 机器学习的 lambda：

fn_l. 机器学习的神经网络专用：

fn_m. 机器学习的编码、解码：

fn_n. 机器学习的损失函数：

fn_q. 导数公式推导：

fn_r. 复杂函数求导：

5). procedure - sm_sc.prc_nn_prepare / sm_sc.prc_nn_train，用于深度神经网络训练任务的准备和执行；

a. 执行 sm_sc.prc_nn_prepare 之前，可以通过更新 input buff_slice_rand_pick 节点的 node_fn_asso_value，调整随机小批量的每个类别采样数量； b. sm_sc.prc_nn_train 采用了 adam 梯度下降算法

6). procedure - sm_sc.prc_linear_regression / sm_sc.prc_logistic_regression，用于线性回归、逻辑分类的浅层训练任务的准备和执行；

当一轮准备和执行完成，可以调高 sm_sc.prc_nn_prepare 的次数参数，接续准备和执行；

7). function - sm_sc.ft_nn_in_out，用于输入测试集或验证集的单条数据，输出测试或验证结果；

3). 聚类

1). 硬聚类 - kmeans++

a. table - sm_sc.tb_cluster_task ，用于部署和管理训练任务； b. procedure - sm_sc.prc_kmeans_pp，用于执行 kmeans++ 任务；

2). 软聚类 - dbscan

a. table - sm_sc.tb_cluster_task ，用于部署和管理训练任务； b. procedure - sm_sc.prc_dbscan_pp，用于执行 dbscan 任务；

4). 科学计算

1). 定义了科学计算的相关函数，用于实时执行简单运算或原子运算；

具体运算函数库分类规划：

fn_e. 波形处理：

fn_i. 计算图的 json 序列化、反序列化：

fn_o. 复数运算：

fn_s. 线性代数：

5). 其他函数

fn_p. 对 postgresql 补充的 udf 公共函数： fn_q. (二次开发)用户自定义算子函数：

该类函数由用户自行定义、扩展求导、注册算子，被统一的 lambda 扩展接口调用。

fn_r. (二次开发)用户自定义复合算子函数：

该类函数由用户自行定义，仅以 json 配置的形式，辅助模型的设计构建，不参与模型训练与部署。

4. 增加算子类型的方法

以下是框架内定义算子的指引：

1). 编写算子函数及其导数，规划存放在(如果有求导)源码所属的目录；

以卷积为例， 函数源码存放路径：

plpgsql_pg4ml/sql/03_function/04_machine_learn/06_conv_pool/sm_sc.fv_conv_2d_v_im2col.sql

函数导数源码存放路径：

plpgsql_pg4ml/sql/03_function/04_machine_learn/06_conv_pool/01_delta/sm_sc.fv_d_conv_2d_dloss_dindepdt_1_ex.sql
plpgsql_pg4ml/sql/03_function/04_machine_learn/06_conv_pool/01_delta/sm_sc.fv_d_conv_2d_dloss_dindepdt_2.sql
plpgsql_pg4ml/sql/03_function/04_machine_learn/06_conv_pool/01_delta/sm_sc.fv_d_conv_2d_dloss_dindepdt_3.sql

2). 定义该新增算子的 lambda 名称；

以卷积为例，卷积的 lambda 名称为 '05_conv_prod_mx'。

3). 在字典表中，设定该算子的超参数数组字段各个元素的配置结构与含义；

字典表位置：

plpgsql_pg4ml/sql/06_data_initial/table_data_initial.sql
  sm_sc.tb_dic_enum 表的 enum_name = 'node_fn_asso_value' 的记录

以卷积为例，函数超参数的配置结构与含义：

select trim('window_len_heigh__1d         '), trim('滑动窗口高度规格                   '), trim('05_conv_prod_mx        '),  1, numrange(2.0, 2.0, '[]') union all
select trim('stride__1d                   '), trim('纵向和横向步长                     '), trim('05_conv_prod_mx        '),  2, numrange(4.0, 5.0, '[]') union all
select trim('padding__1d                  '), trim('上下左右补齐行数/列数              '), trim('05_conv_prod_mx        '),  3, numrange(6.0, 9.0, '[]') union all
select trim('padding_value__1d            '), trim('补齐填充元素值                     '), trim('05_conv_prod_mx        '),  4, numrange(10.0, 10.0, '[]') union all

4). 在字典表中，设定该算子的其他特征配置；

以卷积为例，

plpgsql_pg4ml/sql/06_data_initial/table_data_initial.sql
  sm_sc.tb_dic_enum 表的 enum_name = 'node_fn_type' 的记录
  sm_sc.tb_dic_enum 表的 enum_name = 'node_fn_type_delta' 的记录
  sm_sc.tb_dic_enum 表的 enum_name = 'node_fn_type_delta_method' 的记录

5). 在神经网络有关的 lambda 函数中，注册该算子以及其导数的匿名调用；

lamdda 函数的路径：

plpgsql_pg4ml/sql/03_function/04_machine_learn/07_lambda/sm_sc.fv_lambda_arr_len.sql
plpgsql_pg4ml/sql/03_function/04_machine_learn/07_lambda/sm_sc.fv_lambda_arr.sql
plpgsql_pg4ml/sql/03_function/04_machine_learn/07_lambda/sm_sc.fv_lambda_arr_ddepdt_dindepdt.sql
plpgsql_pg4ml/sql/03_function/04_machine_learn/07_lambda/sm_sc.fv_lambda_arr_dloss_dindepdt.sql

其中, a. 求导 lambda，根据新增算子的求导方法，选取 fv_lambda_arr_ddepdt_dindepdt 和 fv_lambda_arr_dloss_dindepdt 其中之一； b. fv_lambda_arr_len 中，可能不必要配置新增算子类型。对单目运算有缺省的审计策略，即因变量数组规格等于唯一自变量数组的规格；

6). 如果为该算子函数制定运算符，在以下源码文件中创建；

数组运算符源码路径：

plpgsql_pg4ml/sql/09_operator/operator_mx.sql

7). 在 readme.md 文档以及多语言版本中，添加该新增算子的相关说明；

a. 算子函数列表：

四、附录 -> (三)、附表 -> 1. 函数列表； b. 算子的求导函数列表： 四、附录 -> (三)、附表 -> 1. 函数列表 -> r. 一些矩阵运算求导； c. 如果制定了运算符列表： 四、附录 -> (三)、附表 -> 2. 运算符列表； d. 神经网络节点类型列表： 四、附录 -> (三)、附表 -> 4. 神经网络节点支持运算类型；

8). 将上述代码改动和配置数据初始化部分，增量部署在 pg4ml 框架所在数据库；

以下是自定义算子的指引：

9). pg4ml 深度学习框架中，规约自定义算子以"81_"为命名前缀，建议存放在以下路径中：

plpgsql_pg4ml/sql/03_function/81_ufv/81_xxxxx/sm_sc.ufv_xxxx.sql

10). 在字典表中，设定该算子的其他特征配置；

以卷积为例，

plpgsql_pg4ml/sql/06_data_initial/01_ufv_data_initial_81_xxxxx.sql
  sm_sc.tb_dic_enum 表的 enum_name = 'node_fn_asso_value' 的记录
  sm_sc.tb_dic_enum 表的 enum_name = 'node_fn_type' 的记录
  sm_sc.tb_dic_enum 表的 enum_name = 'node_fn_type_delta' 的记录
  sm_sc.tb_dic_enum 表的 enum_name = 'node_fn_type_delta_method' 的记录

11). 该命名前缀的算子可被以下路径的 lambda 函数识别并匿名调用；

plpgsql_pg4ml/sql/03_function/81_ufv/sm_sc.ufv_lambda_...

12). 与框架内算子类似，自定义算子也需要配套的求导函数、配置和文档说明，建议独立存放在同一路径中：

plpgsql_pg4ml/sql/03_function/81_ufv/readme_udf_lambda.md

5. 增加损失函数类型的方法

1). 编写损失函数及其导数，规划存放在损失函数源码所属的目录；

以最小二乘法损失函数为例， 函数源码存放路径：

plpgsql_pg4ml/sql/03_function/04_machine_learn/10_loss_fn/sm_sc.fv_loss_least_square.sql

函数导数源码存放路径：

plpgsql_pg4ml/sql/03_function/04_machine_learn/10_loss_fn/01_delta/sm_sc.fv_dloss_dz_least_square.sql

2). 定义该新增损失函数类型的 lambda 名称；

以最小二乘法损失函数为例，其 lambda 名称代号为 '101'。

3). 在字典表中，设定该算子的损失函数解释说明；

字典表位置：

plpgsql_pg4ml/sql/06_data_initial/table_data_initial.sql
  sm_sc.tb_dic_enum 表的 enum_name = 'loss_fn_type' 的记录

以最小二乘法损失函数为例，函数超参数的配置结构与含义：

select 
  'loss_fn_type'      as enum_name, 
  '101'               as enum_key, 
  '最小二乘法'        as enum_value, 
  row_number() over() as enum_order

4). 在神经网络有关的 lambda 函数中，注册该算子以及其导数的匿名调用；

lamdda 函数的路径：

plpgsql_pg4ml/sql/03_function/04_machine_learn/07_lambda/sm_sc.fv_lambda_loss.sql
plpgsql_pg4ml/sql/03_function/04_machine_learn/07_lambda/sm_sc.fv_lambda_dloss_dz.sql

5). 将上述代码改动和配置数据初始化部分，增量部署在 pg4ml 框架所在数据库；

四、附录

(一)、项目目录结构说明

├─plpgsql_pg4ml
│  ├─sql
│  │  ├─01_type_schema_extension                       : 创建 schema 和 extension
│  │  │  └─04_create_type                              : 创建类型
│  │  │     ├─01                                       : 此处序号仅为了控制部署执行顺序
│  │  │     │  ├─01_typ                                : 创建普通类型
│  │  │     │  └─02___type                             : 创建全局内部使用类型
│  │  │     └─02                                       : 此处序号仅为了控制部署执行顺序
│  │  ├─02_table_view                                  : 创建 table 和 view
│  │  ├─03_function                                    : 创建 function
│  │  │  ├─03_matrix                                   : 矩阵相关函数
│  │  │  │  ├─01_calcu_bit_concat_compare              : 算数运算、位运算、拼接、比较
│  │  │  │  │  └─01_delta                              : 对应的求导函数
│  │  │  │  ├─03_prod_trans_turn_mirror                : 矩阵乘法、变换、转换、翻转
│  │  │  │  │  └─01_delta                              : 对应的求导函数
│  │  │  │  ├─04_construct_sample_match_replace        : 构建、采样、匹配、替换
│  │  │  │  │  └─01_delta                              : 对应的求导函数
│  │  │  │  ├─05_trigono                               : 三角运算
│  │  │  │  │  └─01_delta                              : 对应的求导函数
│  │  │  │  ├─06_wave                                  : 波形变换
│  │  │  │  └─09_slice_aggr_ord                        : 切片、聚合、排序
│  │  │  │     │─01_fv                                 : 返回类型的函数
│  │  │  │     │  └─01_delta                           : 对应的求导函数
│  │  │  │     └─02_fa                                 : 聚合函数
│  │  │  │        └─01_delta                           : 对应的求导函数
│  │  │  ├─04_machine_learn                            : 机器学习相关函数
│  │  │  │  ├─01_udf_calcu                             : 自定义简单类型函数
│  │  │  │  │  └─01_delta                              : 对应的求导函数
│  │  │  │  ├─02_redistribute                          : 标准化函数
│  │  │  │  │  └─01_delta                              : 对应的求导函数
│  │  │  │  ├─03_grad_reduction                        : 导数推导
│  │  │  │  ├─04_activate                              : 激活函数
│  │  │  │  │  └─01_delta                              : 对应的求导函数
│  │  │  │  ├─05_computational_graph_json              : json 类型的计算图
│  │  │  │  ├─06_conv_pool                             : 卷积、池化、矩阵组播
│  │  │  │  │  └─01_delta                              : 对应的求导函数
│  │  │  │  ├─07_lambda                                : lambda 函数
│  │  │  │  ├─08_nn                                    : 神经网络
│  │  │  │  ├─09_encode_decode                         : 编码、解码
│  │  │  │  └─10_loss_fn                               : 损失函数
│  │  │  ├─05_complex                                  : 复数
│  │  │  │  ├─01_calcu                                 : 复数初等运算函数
│  │  │  │  ├─02_alian                                 : 复数初等运算函数别名
│  │  │  │  └─03_aggr                                  : 复数聚合运算
│  │  │  ├─06_common                                   : 通用性函数
│  │  │  ├─07_math_array                               : 线性代数
│  │  │  ├─81_ufv                                      : 自定义算子
│  │  │  └─83_ufv_conbine                              : 自定义复合算子
│  │  ├─04_procedure                                   : 创建存储过程
│  │  │  └─01_machine_learn                            : 机器学习
│  │  │     ├─01_classify_regress                      : 分类、回归
│  │  │     ├─02_neural_network                        : 神经网络
│  │  │     └─03_cluster                               : 聚类
│  │  ├─06_data_initial                                : 初始化数据
│  │  ├─09_operator                                    : 创建运算符
│  │  └─10_install                                     : 安装部署
│  └─02_nn_model                                       : 模型
│     ├─000000002_mnist_lenet5_batchnorm               : mnist 数据集，lenet-5神经网络、BN 标准化
│     │  ├─01_mnist_dataset                            : mnist 数据集
│     │  ├─02_import_to_buffer_table                   : 导入 buff 表
│     │  ├─03_create_train_nn_task                     : 创建神经网络结构和训练任务
│     │  ├─04_train                                    : 执行训练
│     │  ├─05_validation                               : 验证
│     │  └─06_model_backup                             : 导出训练模型
│     ├─00xxxxxxx_xxxx                                 : 其他模型
│     │  ├─01_xxx_dataset                              : xxx 数据集
│     │  ├─...                                         : 模型其他目录...
│     ├─...                                            : 其他模型...

(二)、数据库对象命名惯常缩写或解释

• _ : 做为命名前缀，意味着执行体(包括代码块，函数，存储过程)内部使用的临时对象
• __ : 做为命名前缀，意味着全局内部使用对象
• typ_ : type，类型对象
• sm_ : schema，模式，类似于逻辑概念的 database 或 tablespace
• seq_ : sequence，序列
• tb_ : table，表
• idx_ : index，索引
• vw_ : view，普通视图
• xv_ : x_view，带有关联、复杂运算的视图
• fv_ : function_value，返回数据类型数值的函数
• ft_ : function_table，返回表的函数
• fa_ : function_aggregate，聚合函数
• prc_ : procedure，存储过程
• m_ : member，(类型)成员
• is_ : bool 判断
• i_ : input，输入变量
• o_ : output，输出变量
• v_ : val，变量
• cte_ : common_table_expression，公共表达式
• enum_ : enum，枚举
• sess_ : session，会话
• _no : number，编号
• _id : id，标识
• _a_ : alias，别名
• _cur_ : cursor，游标、迭代器、下标访问遍历
• _co_ : cooperative，合作的，配套的
• _asso_ : associate，协作的，副的
• _ex_ : extra，额外的
• _2_ : to，"指向"关系
• _4_ : for，"用于"关系
• _l_ : long，长类型
• _s_ : short，短类型
• _tmp_ : temp，临时对象
• _ord_ : order，排序的
• _aggr_ : aggregate，聚合的
• _idx_ : position，定位的，检索的
• _dic_ : dictionary，字典的
• _opr_ : operator，运算符的
• _sum_ : summary，汇总的
• _lsum_ : low_summary，低粒度汇总的
• _hsum_ : high_summary，高粒度汇总的
• _cfg_ : configure，配置的
• _fn_ : function，函数的
• _time_ : time，时间有关的
• _lang_ : language，语言有关的
• _gis_ : geographic_information_system，地理有关的，地点有关的，地图有关的
• _sys_ : system，系统配套的
• _map_ : map，映射关系
• _snap_ : snapshot，快照，不随时间线性变化的清单
• _trs_ : transaction，流水，随时间线性变化的清单
• _ods_ : operational_data_store，(业务系统)主数据
• _dw_ : data_warehouse，数据仓库，数据加工，数据分析处理过程
• _dm_ : data_market，数据集市，成品分析数据
• _sour_ : source，源
• _tar_ : target，目标
• _his_ : history，历史(数据)
• _slice_ : slice，(数组)切片粒度
• _chunk_ : chunk，(数组)切块粒度
• _mx_ : matrix，(数组)粒度
• _arr_ : array，数组
• _y_ : y 轴，数组的第一维度。如果是二维数组，也即纵向方向
• _x_ : x 轴，数组的第二维度。如果是二维数组，也即横向方向
• _x3_ : 数组的第三维度。
• _x4_ : 数组的第四维度。
• _heith_ : 数组的倒数第二维度，通常是视觉操作平面切片的高度维度
• _width_ : 数组的倒数第一维度，通常是视觉操作平面切片的宽度维度
• _mx_ : matrix，矩阵，也即多维数组
• _1d_ : 1st_dimension，一维(数组)
• _2d_ : 2nd_dimension，二维(数组)
• _3d_ : 3rd_dimension，三维(数组)
• _4d_ : 4th_dimension，四维(数组)
• _ele_ : element，(数组)元素
• _area_ : area，指定区域
• _pos_ : position，指定位置
• _nn_ : neural_network，神经网络
• _fore_ : fore，(神经网络)前向
• _back_ : back，(神经网络)反向
• _loss_ : loss，损失函数相关的
• _d_ : delta，求导
• _de_ : de，否、非、相反的
• _ne_ : negative，负数的
• _nega_ : negative，负数的
• _posi_ : positive，正数的
• _bi_ : bis，两个的，成双的
• _tri_ : triangular，三个的，三角的
• _depdt_ : dependent，因变量的，函数结果
• _indepdt_ : independent，自变量的，函数入参的
• _redistr_ : redistribution，重分布，包括标准换、规范化、归一化、中心化有关的
• _45_ : degree of angle 45，(旋转)角度 45°
• _90_ : degree of angle 90，(旋转)角度 90°
• _180_ : degree of angle 180，(旋转)角度 180°
• _dddi_ : delta dependent / delta independent，因变量对自变量的导数
• _dldi_ : delta loss / delta independent，损失函数对自变量的导数

(三)、附表

1. 函数列表

a. 矩阵元素的算数、比较、进位、拼接、布尔、位运算、复运算、广播运算：

函数名	函数说明	调用举例
sm_sc.fv_opr_add	元素、点(广播)加。 入参：   1. 加数1；   2. 加数2；	select   sm_sc.fv_opr_add   (     array[[1.3, -8.8],[2.2, -3.0]]   , array[[-2.6, 11.3],[-4.6, 5.1]]   ); 返回：   array[[-1.3, 2.5],[-2.4, 2.1]]
sm_sc.fv_opr_sub	元素、点(广播)减。 入参：   1. 被减数；   2. 减数；	select   sm_sc.fv_opr_sub   (     array[[1.3, -8.8],[2.2, -3.0]]   , array[[-2.6, 11.3],[-4.6, 5.1]]   ); 返回：   array[[3.9, -20.1],[6.8, -8.1]]
sm_sc.fv_opr_sub	元素、点(广播)相反数。 入参：   1. 原数组；	select   sm_sc.fv_opr_sub   (     array[[1.3, -8.8],[2.2, -3.0]]   ); 返回：   array[[-1.3,8.8],[-2.2,3.0]]
sm_sc.fv_opr_mul	元素、点(广播)乘。 入参：   1. 乘数1；   2. 乘数2；	select   sm_sc.fv_opr_mul   (     array[[1.3, -8.8],[2.2, -3.0]]   , array[[-2.6, 11.3],[-4.6, 5.1]]   ); 返回：   array[[-3.38, -99.44],[-10.12, -15.30]]
sm_sc.fv_opr_div	元素、点(广播)除。 入参：   1. 被除数；   2. 除数；	select   sm_sc.fv_opr_div   (     array[[1.3, -8.8],[2.2, -3.0]]   , array[[-2.6, 11.3],[-4.6, 5.1]]   ); 返回：   array[[-0.5, -0.77876],[-0.47826, -0.58824]]
sm_sc.fv_opr_div	元素、点(广播)倒数。 入参：   1. 原数组；	select   sm_sc.fv_opr_div   (     array[[1.3, -8.8],[2.2, -3.0]]   ); 返回：   array[[0.76923, -0.11364],[0.45455, -0.33333]]
sm_sc.fv_opr_mod	元素、点(广播)求余。 入参：   1. 被除数；   2. 除数；	select   sm_sc.fv_opr_mod   (     array[[10, -29],[12, -33]]   , array[[-3, 11],[-5, 5]]   ); 返回：   array[[1, -7],[2, -3]]
sm_sc.fv_opr_pow	元素、点(广播)幂。 入参：   1. 底数；   2. 指数；	select   sm_sc.fv_opr_pow   (     array[[1.3, 8.8],[2.2, 3.0]]   , array[[-2.6, 1.3],[-4.6, 5.1]]   ); 返回：   array[[0.50553, 16.89770],[0.02660, 271.21793]]
sm_sc.fv_opr_exp	元素、点(广播)自然常数幂。 入参：   1. 指数；	select   sm_sc.fv_opr_exp   (     array[[1.3, -8.8],[2.2, -3.0]]   ); 返回：   array[[3.66930, 0.00015],[9.02501, 0.04979]]
sm_sc.fv_opr_log	元素、点(广播)对数。 入参：   1. 底数；   2. 真数；	select   sm_sc.fv_opr_log   (     array[[1.3, 8.8],[2.2, 3.0]]   , array[[2.6, 11.3],[4.6, 5.1]]   ); 返回：   array[[3.64193, 1.11498],[1.93550, 1.48300]]
sm_sc.fv_opr_ln	元素、点(广播)自然对数。 入参：   1. 真数；	select   sm_sc.fv_opr_ln   (     array[[1.3, 8.8],[2.2, 3.0]]   ); 返回：   array[[0.26236, 2.17475],[0.78846, 1.09861]]
sm_sc.fv_opr_or	元素、点(广播)位或、逻辑或操作。 入参：   1. 操作数1；   2. 操作数2；	select   sm_sc.fv_opr_or   (     array[[true, false],[true, false]]   , array[[false, true],[false, true]]   ); 返回：   array[[true, true],[true, true]] -------------------------- select   sm_sc.fv_opr_or   (     array[[B'010', B'011'],[B'101', B'011']]   , array[[B'011', B'101'],[B'011', B'101']]   ); 返回：   array[[B'011', B'111'],[B'111', B'111']]
sm_sc.fv_opr_and	元素、点(广播)位与、逻辑且操作。 入参：   1. 操作数1；   2. 操作数2；	select   sm_sc.fv_opr_and   (     array[[true, false],[true, false]]   , array[[false, true],[false, true]]   ); 返回：   array[[false, false],[false, false]] -------------------------- select   sm_sc.fv_opr_and   (     array[[B'010', B'011'],[B'101', B'011']]   , array[[B'011', B'101'],[B'011', B'101']]   ); 返回：   array[[B'010', B'001'],[B'001', B'001']]
sm_sc.fv_opr_not	元素、点(广播)位非、逻辑否操作。 入参：   1. 操作数1；	select   sm_sc.fv_opr_not   (     array[[true, false],[true, false]]   ); 返回：   array[[false, true],[false, true]] -------------------------- select   sm_sc.fv_opr_not   (     array[[B'010', B'011'],[B'101', B'011']]   ); 返回：   array[[B'101', B'100'],[B'010', B'100']]
sm_sc.fv_opr_is_regexp_match	元素、点(广播)文本正则是否匹配。 入参：   1. 原文本矩阵；   2. 正则表达式矩阵；	select   sm_sc.fv_opr_is_regexp_match   (     array[['abbbbbc122223', 'abc123'],['abc123', 'ac13']]   , array[['a.c', '1.*?3'],['1.3', 'a.*?c']]   ); 返回：   array[[false, true],[true, true]]
sm_sc.fv_opr_conjugate	元素、点(广播)复元素共轭。 入参：   1. 原数组；	select   sm_sc.fv_opr_conjugate   (     array[[(12.3, -25.1), (-2.56, 3.25)]              ,[(12.3, 0.0), (0.0, 3.25)]] :: sm_sc.typ_l_complex[]   ); 返回：   array[[(12.3, 25.1), (-2.56, -3.25)]            ,[(12.3, 0.0), (0.0, -3.25)]] :: sm_sc.typ_l_complex[]
sm_sc.fv_opr_conjugate_i	复矩阵共轭。 入参：   1. 原数组；	select   sm_sc.fv_opr_conjugate_i   (     array[[(12.3, -25.1), (-2.56, 3.25)]              ,[(12.3, 0.0), (0.0, 3.25)]] :: sm_sc.typ_l_complex[]   ); 返回：   array[[(12.3, 25.1), (12.3, 0.0)]            ,[(-2.56, -3.25), (0.0, -3.25)]] :: sm_sc.typ_l_complex[]
sm_sc.fv_opr_real	元素、点(广播)复元素实部。 入参：   1. 原数组；	select   sm_sc.fv_opr_real   (     array[[(12.3, -25.1), (-2.56, 3.25)]              ,[(12.3, 0.0), (0.0, 3.25)]] :: sm_sc.typ_l_complex[]   ); 返回：   array[[12.3, -2.56],[12.3, 0.0]]
sm_sc.fv_opr_imaginary	元素、点(广播)复元素虚部。 入参：   1. 原数组；	select   sm_sc.fv_opr_imaginary   (     array[[(12.3, -25.1), (-2.56, 3.25)]              ,[(12.3, 0.0), (0.0, 3.25)]] :: sm_sc.typ_l_complex[]   ); 返回：   array[[-25.1, 3.25],[0.0, 3.25]]
sm_sc.fv_opr_conjugate_45	元素、点(广播)复元素实虚对换。 入参：   1. 原数组；	select   sm_sc.fv_opr_conjugate_45   (     array[[(12.3, -25.1), (-2.56, 3.25)]              ,[(12.3, 0.0), (0.0, 3.25)]] :: sm_sc.typ_l_complex[]   ); 返回：   array[[(-25.1, 12.3), (3.25, -2.56)]            ,[(0.0, 12.3), (3.25, 0.0)]] :: sm_sc.typ_l_complex[]
sm_sc.fv_opr_xor	元素、点(广播)位异或、逻辑异或操作。 入参：   1. 操作数1；   2. 操作数2；	select   sm_sc.fv_opr_xor   (     array[[true, true],[true, true]]   , array[[false, true],[false, true]]   ); 返回：   array[[true, true],[true, true]] -------------------------- select   sm_sc.fv_opr_xor   (     array[[B'010', B'011'],[B'101', B'011']]   , array[[B'011', B'101'],[B'011', B'101']]   ); 返回：   array[[B'001', B'110'],[B'110', B'110']]
sm_sc.fv_opr_xnor	元素、点(广播)位同或、逻辑同或操作。 入参：   1. 操作数1；   2. 操作数2；	select   sm_sc.fv_opr_xnor   (     array[[true, false],[true, false]]   , array[[false, true],[false, true]]   ); 返回：   array[[false, false],[false, false]] -------------------------- select   sm_sc.fv_opr_xnor   (     array[[B'010', B'011'],[B'101', B'011']]   , array[[B'011', B'101'],[B'011', B'101']]   ); 返回：   array[[B'110', B'001'],[B'001', B'001']]
sm_sc.fv_opr_concat	元素、点(广播)拼接。 入参：   1. 操作数1；   2. 操作数2；	select   sm_sc.fv_opr_concat   (     array[['abc', 'efgh'],['hijk', 'lm']]   , array[['no', 'pqr'],['stu', 'vwxyz']]   ); 返回：   array[['abcno', 'efghpqr'],['hijkstu', 'lmvwxyz']]
sm_sc.fv_opr_shift_left	元素、点(广播)位左移。 入参：   1. 操作数1；	select   sm_sc.fv_opr_shift_left   (     array[[B'010', B'011'],[B'101', B'011']]   , array[[1, 2],[-1, -2]]   ); 返回：   array[[B'100', B'100'],[B'010', B'000']]
sm_sc.fv_opr_shift_right	元素、点(广播)位右移。 入参：   1. 操作数1；	select   sm_sc.fv_opr_shift_right   (     array[[B'010', B'011'],[B'101', B'011']]   , array[[1, 2],[-1, -2]]   ); 返回：   array[[B'001', B'000'],[B'010', B'100']]
sm_sc.fv_opr_is_equal	元素、点(广播)相等判断。 入参：   1. 操作数1；   2. 操作数2；	select   sm_sc.fv_opr_is_equal   (     array[[1.3, -8.8],[2.2, -3.0]]   , array[[-2.6, -8.8],[2.2, 5.1]]   ); 返回：   array[[false, true],[true, false]]
sm_sc.fv_opr_is_less	元素、点(广播)小于判断。 入参：   1. 操作数1；   2. 操作数2；	select   sm_sc.fv_opr_is_less   (     array[[1.3, -8.8],[2.2, -3.0]]   , array[[-2.6, 11.3],[-4.6, 5.1]]   ); 返回：   array[[false, true],[false, true]]
sm_sc.fv_opr_is_greater	元素、点(广播)大于判断。 入参：   1. 操作数1；   2. 操作数2；	select   sm_sc.fv_opr_is_greater   (     array[[1.3, -8.8],[2.2, -3.0]]   , array[[-2.6, 11.3],[-4.6, 3.0]]   ); 返回：   array[[true, false],[true, false]]
sm_sc.fv_opr_is_less_ex	元素、点(广播)小于等于判断。 入参：   1. 操作数1；   2. 操作数2；	select   sm_sc.fv_opr_is_less_ex   (     array[[1.3, -8.8],[2.2, -3.0]]   , array[[1.3, -8.8],[-4.6, 5.1]]   ); 返回：   array[[true, true],[false, true]]
sm_sc.fv_opr_is_greater_ex	元素、点(广播)大于等于判断。 入参：   1. 操作数1；   2. 操作数2；	select   sm_sc.fv_opr_is_greater_ex   (     array[[1.3, 11.3],[2.2, -3.0]]   , array[[-2.6, 11.3],[2.2, 5.1]]   ); 返回：   array[[true, true],[true, false]]
sm_sc.fv_opr_compare	元素、点(广播)比较大小。 入参：   1. 操作数1；   2. 操作数2；	select   sm_sc.fv_opr_compare   (     array[[1.3, -8.8],[2.2, -3.0]]   , array[[-2.6, 11.3],[-4.6, 5.1]]   ); 返回：   array[[1, -1],[1, -1]]
sm_sc.fv_opr_sign	元素、点(广播)正负判断。 入参：   1. 操作数1；   2. 操作数2；	select   sm_sc.fv_opr_sign   (     array[[1.3, -8.8],[2.2, -3.0],[-2.6, 11.3]]   ); 返回：   array[[1, -1],[1, -1],[-1, 1]]
sm_sc.fv_opr_least	元素、点(广播)取小。 入参：   1. 操作数1；   2. 操作数2；	select   sm_sc.fv_opr_least   (     array[[1.3, -8.8],[2.2, -3.0]]   , array[[-2.6, 11.3],[-4.6, 5.1]]   ); 返回：   array[[-2.6, -8.8],[-4.6, -3.0]]
sm_sc.fv_opr_greatest	元素、点(广播)取大。 入参：   1. 操作数1；   2. 操作数2；	select   sm_sc.fv_opr_greatest   (     array[[1.3, -8.8],[2.2, -3.0]]   , array[[-2.6, 11.3],[-4.6, 5.1]]   ); 返回：   array[[1.3, 11.3],[2.2, 5.1]]
sm_sc.fv_opr_abs	元素、点(广播)绝对值。 入参：   1. 原数组；	select   sm_sc.fv_opr_abs   (     array[[1.3, -8.8],[2.2, -3.0],[-2.6, 11.3]]   ); 返回：   array[[1.3, 8.8],[2.2, 3.0],[2.6, 11.3]]
sm_sc.fv_opr_round	元素、点(广播)四舍五入。 入参：   1. 原数组；   2. 保留小数点后位数；	select   sm_sc.fv_opr_round   (     array[[1244.3753, -8.8443],[225.2153, -30.03821]]   , 2   ); 返回：   array[[1240, -10],[230, -30]] -------------------------- select   sm_sc.fv_opr_round   (     array[[1244.3753, -8.8443],[225.2153, -30.03821]]   ); 返回：   array[[1244, -9],[225, -30]]
sm_sc.fv_opr_floor	元素、点(广播)数位地板值。 入参：   1. 原数组；   2. 保留小数点后位数；	select   sm_sc.fv_opr_floor   (     array[[1244.3753, -8.8443],[225.2153, -30.03821]]   , 2   ); 返回：   array[[1244.37, -8.85],[225.21, -30.04]] -------------------------- select   sm_sc.fv_opr_floor   (     array[[1244.3753, -8.8443],[225.2153, -30.03821]]   ); 返回：   array[[1244, -9],[225, -31]]
sm_sc.fv_opr_ceil	元素、点(广播)数位天花板值。 入参：   1. 原数组；   2. 保留小数点后位数；	select   sm_sc.fv_opr_ceil   (     array[[1244.3753, -8.8443],[225.2153, -30.03821]]   , 2   ); 返回：   array[[1244.38, -8.84],[225.22, -30.03]] -------------------------- select   sm_sc.fv_opr_ceil   (     array[[1244.3753, -8.8443],[225.2153, -30.03821]]   ); 返回：   array[[1245, -8],[226, -30]]
sm_sc.fv_opr_trunc	元素、点(广播)数位截取值。 入参：   1. 原数组；   2. 保留小数点后位数；	select   sm_sc.fv_opr_trunc   (     array[[1244.3753, -8.8443],[225.2153, -30.03821]]   , 2   ); 返回：   array[[1244.37, -8.84],[225.21, -30.03]] -------------------------- select   sm_sc.fv_opr_trunc   (     array[[1244.3753, -8.8443],[225.2153, -30.03821]]   ); 返回：   array[[1244, -8],[225, -30]]

b. 矩阵乘法、转置、翻转、旋转、拼接：

函数名	函数说明	调用举例
sm_sc.fv_concat_y	二维数组上下拼接，多维数组第一维度的拼接。 入参：   1. 操作数1；   2. 操作数2；	select   sm_sc.fv_concat_y   (     array[[1.3, -8.8],[2.2, -3.0]]   , array[[-2.6, 11.3],[-4.6, 5.1],[2.6, 5.8]]   ); 返回：   array[[1.3, -8.8]           ,[2.2, -3.0]           ,[-2.6, 11.3]           ,[-4.6, 5.1]           ,[2.6, 5.8]]
sm_sc.fv_concat_x	二维数组左右拼接，多维数组第二维度的拼接。 入参：   1. 操作数1；   2. 操作数2；	select   sm_sc.fv_concat_x   (     array[[1.3, -8.8],[2.2, -3.0]]   , array[[-2.6, 11.3, 1.1],[-4.6, 5.1, 0.4]]   ); 返回：   array[[1.3, -8.8, -2.6, 11.3, 1.1]           ,[2.2, -3.0, -4.6, 5.1, 0.4]]
sm_sc.fv_concat_x3	多维数组第三维度的拼接。 入参：   1. 操作数1；   2. 操作数2；	select    sm_sc.fv_concat_x3   (     array     [       [[1,2,3,4],[11,12,13,14],[111,112,113,114]]     , [[5,6,7,8],[15,16,17,18],[115,116,117,118]]     ]   , array     [       [[1,2,3],[11,12,13],[111,112,113]]     , [[5,6,7],[15,16,17],[115,116,117]]     ]   )    返回：   array   [     [       [1,2,3,4,1,2,3]     , [11,12,13,14,11,12,13]     , [111,112,113,114,111,112,113]     ]   , [       [5,6,7,8,5,6,7]     , [15,16,17,18,15,16,17]     , [115,116,117,118,115,116,117]     ]   ]
sm_sc.fv_concat_x4	多维数组第四维度的拼接。 入参：   1. 操作数1；   2. 操作数2；	select    sm_sc.fv_concat_x4   (     array     [       [         [[1,2,3],[11,12,13],[111,112,113]]       , [[5,6,7],[15,16,17],[115,116,117]]       ]     , [         [[21,22,23],[31,32,33],[131,132,133]]       , [[25,26,27],[35,36,37],[135,136,137]]       ]     ]   , array     [       [         [[-1,-2,-3,-4],[-11,-12,-13,-14],[-111,-112,-113,-114]]       , [[-5,-6,-7,-8],[-15,-16,-17,-18],[-115,-116,-117,-118]]       ]     , [         [[-21,-22,-23,-24],[-31,-32,-33,-34],[-121,-122,-123,-124]]       , [[-25,-26,-27,-28],[-35,-36,-37,-38],[-125,-126,-127,-128]]       ]     ]   )    返回：   array   [     [       [         [1,2,3,-1,-2,-3,-4]       , [11,12,13,-11,-12,-13,-14]       , [111,112,113,-111,-112,-113,-114]       ]     , [         [5,6,7,-5,-6,-7,-8]       , [15,16,17,-15,-16,-17,-18]       , [115,116,117,-115,-116,-117,-118]       ]     ]   , [       [         [21,22,23,-21,-22,-23,-24]       , [31,32,33,-31,-32,-33,-34]       , [131,132,133,-121,-122,-123,-124]       ]     , [         [25,26,27,-25,-26,-27,-28]       , [35,36,37,-35,-36,-37,-38]       , [135,136,137,-125,-126,-127,-128]       ]     ]   ]
sm_sc.fv_opr_concat_heigh	二维背景平面上下(高度方向)拼接，多维数组倒数第二维度的拼接。 入参：   1. 操作数1；   2. 操作数2；	select   sm_sc.fv_opr_concat_heigh   (     array[[1.3, -8.8],[2.2, -3.0]]   , array[[-2.6, 11.3],[-4.6, 5.1],[2.6, 5.8]]   ); 返回：   array[[1.3, -8.8]           ,[2.2, -3.0]           ,[-2.6, 11.3]           ,[-4.6, 5.1]           ,[2.6, 5.8]]
sm_sc.fv_opr_concat_width	二维背景平面左右(宽度方向)拼接，多维数组倒数第一维度的拼接。 入参：   1. 操作数1；   2. 操作数2；	select   sm_sc.fv_opr_concat_width   (     array[[1.3, -8.8],[2.2, -3.0]]   , array[[-2.6, 11.3, 1.1],[-4.6, 5.1, 0.4]]   ); 返回：   array[[1.3, -8.8, -2.6, 11.3, 1.1]           ,[2.2, -3.0, -4.6, 5.1, 0.4]]
sm_sc.fv_opr_mirror_heigh	二维数组上下翻转，多维数组倒数第二维度翻转。 入参：   1. 操作数1；	select   sm_sc.fv_opr_mirror_heigh   (     array[[1.3, -8.8, 2.25],[2.2, -3.0, -0.95]]   ); 返回：   array[[2.2, -3.0, -0.95],[1.3, -8.8, 2.25]]
sm_sc.fv_opr_mirror_width	二维数组左右翻转，多维数组倒数第一维度翻转。 入参：   1. 操作数1；	select   sm_sc.fv_opr_mirror_width   (     array[[1.3, -8.8, 2.25],[2.2, -3.0, -0.95]]   ); 返回：   array[[2.25, -8.8, 1.3],[-0.95, -3.0, 2.2]]
sm_sc.fv_opr_mirror	多维数组指定维度倒序排列。 入参：   1. 操作数1；   2. 指定维度。最高四维；	select    sm_sc.fv_opr_mirror   (     array     [       [         [[1,2,3,4],[11,12,13,14]]       , [[5,6,7,8],[15,16,17,18]]       ]     , [         [[21,22,23,24],[31,32,33,34]]       , [[25,26,27,28],[35,36,37,38]]       ]     ]   , 3   )    返回：   array   [     [       [[11,12,13,14],[1,2,3,4]]     , [[15,16,17,18],[5,6,7,8]]     ]   , [       [[31,32,33,34],[21,22,23,24]]     , [[35,36,37,38],[25,26,27,28]]     ]   ]
sm_sc.fv_opr_transpose	二维数组转置。 入参：   1. 操作数1；	select   sm_sc.fv_opr_transpose   (     array[[1.3, -8.8, 2.25],[2.2, -3.0, -0.95]]   ); 返回：   array[[1.3, 2.2],[-8.8,-3.0],[2.25,-0.95]]
sm_sc.fv_opr_transpose_3d	3d 矩阵转置。 入参：   1. 操作数1；   2. 转置的两个维度；	select   sm_sc.fv_opr_transpose_3d   (     array[[[1.3, -8.8, 2.25],[2.2, -3.0, -0.95]],[[-1.3, 8.8, -2.25],[-2.2, 3.0, 0.95]]]   , array[2, 3]   ); 返回：   array[[[1.3,2.2],[-8.8,-3.0],[2.25,-0.95]],[[-1.3,-2.2],[8.8,3.0],[-2.25,0.95]]]
sm_sc.fv_opr_transpose_i	矩阵反转置，等价于左右翻转后再转置。 入参：   1. 操作数1；	select   sm_sc.fv_opr_transpose_i   (     array[[1.3, -8.8, 2.25],[2.2, -3.0, -0.95]]   ); 返回：   array[[-0.95,2.25],[-3.0,-8.8],[2.2,1.3]]
sm_sc.fv_opr_turn_heigh_width_180	数组第一、第二维度切面旋转180°，矩阵旋转180°，或等价于左右翻转再上下翻转。 等价于转置后再反转置， 或等价于左右维度、上下维度依次翻转。 入参：   1. 操作数1；	select   sm_sc.fv_opr_turn_heigh_width_180   (     array[[1.3, -8.8, 2.25],[2.2, -3.0, -0.95]]   ); 返回：   array[[2.25, -8.8, 1.3],[-0.95, -3.0, 2.2]]
sm_sc.fv_opr_turn_width_heigh_90	数组左右维度正方向旋转90°至上下维度正方向。 矩阵逆时针旋转90°。 入参：   1. 操作数1；	select   sm_sc.fv_opr_turn_width_heigh_90   (     array[[1.3, -8.8, 2.25],[2.2, -3.0, -0.95]]   ); 返回：   array[[2.2, 1.3],[-3.0, -8.8],[-0.95, 2.25]]
sm_sc.fv_opr_turn_heigh_width_90	矩阵顺时针旋转90°。 入参：   1. 操作数1；	select   sm_sc.fv_opr_turn_heigh_width_90   (     array[[1.3, -8.8, 2.25],[2.2, -3.0, -0.95]]   ); 返回：   array[[2.25, -0.95],[-8.8, -3.0],[1.3, 2.2]]
sm_sc.fv_opr_prod_inner	矩阵内积；对应元素乘积合计。 入参：   1. 操作数1；   2. 操作数2；	select   sm_sc.fv_opr_prod_inner   (     array[[1.3, -8.8, 2.25],[2.2, -3.0, -0.95]]   , array[[-2.6, 11.3, 3.3],[-4.6, 5.1, -6.1]]   ); 返回：   -115.020
sm_sc.fv_opr_prod_inner_pow	矩阵幂积；对应元素幂合计。 入参：   1. 幂积的底数；   2. 幂积的指数；	select   sm_sc.fv_opr_prod_inner_pow   (     array[[1.3, -8.8, 2.25],[2.2, -3.0, -0.95]]   , 3.0   ); 返回：   -685.09375
sm_sc.fv_opr_prod_kronecker	Kronecker 积，外积。 入参：   1. 操作数1；   2. 操作数2；	select   sm_sc.fv_opr_prod_kronecker   (     array[[1.3, -8.8, 2.25],[2.2, -3.0, -0.95]]   , array[[-2.6, 11.3],[-4.6, 5.1]]   ); 返回：   array[[-3.38, 14.69, 22.88, -99.44, -5.850, 25.425]           ,[-5.98, 6.63, 40.48, -44.88, -10.350, 11.475]           ,[-5.72, 24.86, 7.80, -33.90, 2.470, -10.735]           ,[-10.12, 11.22, 13.80, -15.30, 4.370, -4.845]]
sm_sc.fv_opr_prod_mx_py	python 实现的矩阵乘法：乘、点积、数量积。 入参：   1. 操作数1；   2. 操作数2；	select   sm_sc.fv_opr_prod_mx_py   (     array[[1.3, -8.8, 2.25],[2.2, -3.0, -0.95]]   , array[[-2.6, 11.3],[-4.6, 5.1],[4.1, -3.1]]   ); 返回：   array[[46.3250, -37.1650],[4.1850, 12.5050]]
sm_sc.fv_chunk_prod_mx	块儿分组矩阵乘法。 入参：   1. 操作数1；   2. 操作数2；   3. 矩阵乘法块儿的两个入参高宽规格；分别为：       a. i_chunk_len[1]: 分块矩阵乘法入参一的高;       b. i_chunk_len[2]: 分块矩阵乘法入参一的宽，也即分块矩阵乘法入参二的高;       c. i_chunk_len[3]: 分块矩阵乘法入参二的宽;	select       array_dims     (         sm_sc.fv_chunk_prod_mx         (             array_fill(random(),  array[2    7,  3    11])         ,  array_fill(random(),  array[3    7,  5    11])         ,  array[2,  3,  5]         )    --  期望规格：array[2    7,  5    11]     )      返回:     [1:14][1:55]
sm_sc.fv_opr_prod_mx_pow	矩阵方阵乘法幂。 入参：   1. 矩阵乘法的底数；   2.矩阵乘法的指数；	select   sm_sc.fv_opr_prod_mx_pow   (     array[[1.3, 2.25],[2.2, -3.0]]   , 3   ); 返回：   array[[1.3000, 2.25],[2.2000, -3.0]]
sm_sc.fv_opr_prod_mx_left	矩阵方阵乘以其转置。 入参：   1. 操作数1；	select   sm_sc.fv_opr_prod_mx_left   (     array[[-8.8, 2.25],[2.2, -0.95]]   ); 返回：   array[[82.5025, -21.4975],[-21.4975, 5.7425]]
sm_sc.fv_opr_prod_mx_right	矩阵方阵的转置乘以该矩阵。 入参：   1. 操作数1；	select   sm_sc.fv_opr_prod_mx_right   (     array[[1.3, 2.25],[2.2, -3.0]]   ); 返回：   array[[6.5300, -3.6750],[-3.6750, 14.0625]]

c. 矩阵的构造、采样、替换、填充、字符匹配、随机生成、去壳(缘于pg13版本暂不支持 array 高维切片)：

函数名	函数说明	调用举例
sm_sc.fv_mx_ele_2d_2_1d	二维数组扁平化为一维数组。 入参：   1. 操作数1；	select   sm_sc.fv_mx_ele_2d_2_1d   (     array[[1.3, -8.8],[2.2, -3.0]]   ); 返回：   array[1.3, -8.8, 2.2, -3.0]
sm_sc.fv_mx_ele_1d_2_2d	一维数组按照指定宽度堆砌为二维数组。 入参：   1. 原一维数组；   2. 指定宽度；	select   sm_sc.fv_mx_ele_1d_2_2d   (     array[[1.3, -8.8, 2.2, -3.0, 6.1, 0.23]]   , 3   ); 返回：   array[[1.3, -8.8, 2.2]           ,[-3.0, 6.1, 0.23]]
sm_sc.fv_mx_ele_3d_2_2d	三维数组对指定的两个维度，扁平化为二维数组。 入参：   1. 原三维数组；   2. 待合并的两个维度。       合并后的新维度在 to 的顺序位置；   3. 被定住元素顺序的旧维度。       该旧维度下的元素顺序，将保留至新维度；	select    sm_sc.fv_mx_ele_3d_2_2d   (     array     [       [         [1, 2, 3, 4],          [5, 6, 7, 8],          [9, 10, 11, 12]       ],        [         [21, 22, 23, 24],          [25, 26, 27, 28],          [29, 30, 31, 32]       ]     ],      array[1, 2],      2   ) 返回：   array   [     [1, 2, 3, 4]   , [5, 6, 7, 8]   , [9, 10, 11, 12]   , [21, 22, 23, 24]   , [25, 26, 27, 28]   , [29, 30, 31, 32]   ]
sm_sc.fv_mx_ele_2d_2_3d	二维数组对指定的维度、按照指定宽度堆砌为三维数组。 入参：   1. 原二维数组；   2. 升维的新增维度的维度长度。       如果第三个入参为 1 则，新增维度为3。       如果第三个入参为 2 则，新增维度为2；   3. 定住的维度，1 或 2；	select    sm_sc.fv_mx_ele_2d_2_3d   (     array     [       [1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12]     , [21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32]     ]     , 3     , 1   ) 返回：   array   [     [[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]]   , [[21, 22, 23], [24, 25, 26], [27, 28, 29], [30, 31, 32]]   ]
sm_sc.fv_mx_slice_4d_2_3d	四维切片去壳为三维。 入参：   1. 原四维数组；   2. 被切片维度；   3. 被切片位置序号。缺省为 1；	select       array_dims     (         sm_sc.fv_mx_slice_4d_2_3d         (             array_fill(random(),  array[3,  2,  4,  5])         ,  3         ,  2         )    --  期望规格：array[3,  2,  5]     )      返回:     [1:3][1:2][1:5]
sm_sc.fv_mx_slice_3d_2_2d	三维切片去壳为二维。 入参：   1. 原三维数组；   2. 被切片维度；   3. 被切片位置序号。缺省为 1；	select       array_dims     (         sm_sc.fv_mx_slice_3d_2_2d         (             array_fill(random(),  array[3,  2,  5])         ,  3         ,  2         )    --  期望规格：array[3,  2]     )      返回:     [1:3][1:2]
sm_sc.fv_mx_slice_4d_2_2d	四维切片去壳为二维。 入参：   1. 原四维数组；   2. 被切片的两个维度；   3. 被切片位置序号。缺省为 array[1, 1]；	select       array_dims     (         sm_sc.fv_mx_slice_4d_2_2d         (             array_fill(random(),  array[4,  3,  2,  5])         ,  array[2,  3]         ,  array[2,  1]         )    --  期望规格：array[4,  5]     )      返回:     [1:4][1:5]
sm_sc.fv_mx_ascend_dim	加壳升维。 入参：   1. 原数组；   2. 加壳次数；	select       array_dims     (         sm_sc.fv_mx_ascend_dim         (             array_fill(random(),  array[2,  5])         ,  2         )     )      返回:     [1:1][1:1][1:2][1:5]
sm_sc.fv_mx_descend_dim	去壳降维。 入参：   1. 原数组；   2. 去壳次数；	select       array_dims     (         sm_sc.fv_mx_descend_dim         (             array_fill(random(),  array[1,  1,  2,  5])         ,  2         )     )      返回:     [1:2][1:5]
sm_sc.fv_new	给定元素值构造数组。 入参：   1. 元素值；   2. 数组维度长度规格； --------------------- 给定数组单元构造新数组。 入参：   1. 数组单元；   2. 数组单元重复次数；	select   sm_sc.fv_new   (     3.6   , array[3, 4]   ); 返回：   array[[3.6, 3.6, 3.6, 3.6]           ,[3.6, 3.6, 3.6, 3.6]           ,[3.6, 3.6, 3.6, 3.6]] --------------------- select     sm_sc.fv_new     (         array[[2,  4],  [1,  3]]     ,  array[3,  2]     )      返回:     array[[2,  4,  2,  4]             ,[1,  3,  1,  3]             ,[2,  4,  2,  4]             ,[1,  3,  1,  3]             ,[2,  4,  2,  4]             ,[1,  3,  1,  3]]
sm_sc.fv_new_rand	0.0 至给定值范围内，构造随机数组。 入参：   1. 随机值上限；   2. 数组规格； --------------------- 0.0 至 1.0 范围内，构造随机数组。 入参：   1. 数组规格；	select   sm_sc.fv_new_rand   (     2.0   , array[3, 2]   ); 返回：   array[[0.070740982239343, 0.0899943754998205]           ,[0.629551500745066, 0.369479334510409]           ,[0.159237183526308, 1.29839220669395]] -------------------------- select   sm_sc.fv_new_rand   (     array[3, 2]   ); 返回：   array[[0.070740982239343, 0.0899943754998205]           ,[0.629551500745066, 0.369479334510409]           ,[0.159237183526308, 0.29839220669395]]
sm_sc.fv_new_rand_enum	构造枚举随机矩阵。 入参：   1. 原枚举值一维数组；   2. 新数组规格；	select   sm_sc.fv_new_rand_enum   (     array['Mon', 'Tue', 'Wed', 'Thu', 'Fri', 'Sat', 'Sun']   , array[2, 3]   ); 返回：   array[['Sun', 'Sat', 'Sun ],['Sun', 'Tue', 'Wed']]
sm_sc.fv_new_randn	构造正态分布随机矩阵。 入参：   1. 正态分布均值(期望值)；   2. 正态分布标准差；   3. 新数组规格；	select   sm_sc.fv_new_randn   (     3.6     , 0.2     , array[3, 2]   ); 返回：   array[[3.66170684, 3.40963440]           ,[3.60093244, 3.51437251]           ,[3.30444215, 3.35682136]]
sm_sc.fv_eye	构造给定序列、背景元素的对角矩阵。 入参：   1. 背景元素值；   2. 生成矩阵维数；   3...n. 按序排列的对角元素值，可以是 variadic array；	select   sm_sc.fv_eye   (     1.0   , 2   , variadic array[1.5, 2.3, 5.6]   ); 返回：   array[[1.5, 1.0, 1.0],[1.0, 2.3, 1.0],[1.0, 1.0, 5.6]]
sm_sc.fv_eye_arr_dense	给定对角块的构造稠密矩阵。 入参：   1...n. 对角块矩阵队列； -------------------------- 给定对角块、背景元素值的构造稠密矩阵。 入参：   1. 背景元素值(缺省为 0.0)；   2...n. 对角块矩阵队列；	select   sm_sc.fv_eye_arr_dense   (     array[[1.2, 2.4], [11.2, 12.4]] :: float[]   , array[[1.3, 2.6, 1.4, 2.8], [11.3, 12.6, 11.4, 12.8]] :: float[]   , array[[1.1, 2.2], [11.1, 12.2], [21.1, 22.2]] :: float[]   ); 返回：   array[[1.2, 2.4, 0.0, 0.0, 0.0, 0.0]           ,[11.2, 12.4, 0.0, 0.0, 0.0, 0.0]           ,[0.0, 0.0, 1.3, 2.6, 1.4, 2.8]           ,[0.0, 0.0, 11.3, 12.6, 11.4, 12.8]           ,[0.0, 0.0, 0.0, 0.0, 1.1, 2.2]           ,[0.0, 0.0, 0.0, 0.0, 11.1, 12.2]           ,[0.0, 0.0, 0.0, 0.0, 21.1, 22.2]] -------------------------- select   sm_sc.fv_eye_arr_dense   (     1.0,     array[[1.2, 2.4], [11.2, 12.4]] :: float[]   , array[[1.3, 2.6, 1.4, 2.8], [11.3, 12.6, 11.4, 12.8]] :: float[]   , array[[1.1, 2.2], [11.1, 12.2], [21.1, 22.2]] :: float[]   ); 返回：   array[[1.2, 2.4, 1.0, 1.0, 1.0, 1.0]           ,[11.2, 12.4, 1.0, 1.0, 1.0, 1.0]           ,[1.0, 1.0, 1.3, 2.6, 1.4, 2.8]           ,[1.0, 1.0, 11.3, 12.6, 11.4, 12.8]           ,[1.0, 1.0, 1.0, 1.0, 1.1, 2.2]           ,[1.0, 1.0, 1.0, 1.0, 11.1, 12.2]           ,[1.0, 1.0, 1.0, 1.0, 21.1, 22.2]]
sm_sc.fv_eye_arr_sparse	给定对角块的构造稀疏矩阵。 入参：   1...n. 对角块矩阵队列； -------------------------- 给定对角块、背景元素值的构造稀疏矩阵。 入参：   1. 背景元素值(缺省为 0.0)；   2...n. 对角块矩阵队列；	select     sm_sc.fv_eye_arr_sparse     (         array[[1.2,  2.4],  [11.2,  12.4]]  ::  float[]     ,  array[[1.3,  2.6,  1.4,  2.8],  [11.3,  12.6,  11.4,  12.8]]  ::  float[]     ,  array[[1.1,  2.2],  [11.1,  12.2],  [21.1,  22.2]]  ::  float[]     );   返回:       array[[1.2,2.4,0,0,0,0,0,0,0]               ,[11.2,12.4,0,0,0,0,0,0,0]               ,[0,0,1.3,2.6,1.4,2.8,0,0,0]               ,[0,0,11.3,12.6,11.4,12.8,0,0,0]               ,[0,0,0,0,0,0,0,0,0]               ,[0,0,0,0,0,0,0,0,0]               ,[0,0,0,0,0,0,1.1,2.2,0]               ,[0,0,0,0,0,0,11.1,12.2,0]               ,[0,0,0,0,0,0,21.1,22.2,0]] -------------------------- select     sm_sc.fv_eye_arr_sparse     (         1.0,           array[[1.2,  2.4],  [11.2,  12.4]]  ::  float[]     ,  array[[1.3,  2.6,  1.4,  2.8],  [11.3,  12.6,  11.4,  12.8]]  ::  float[]     ,  array[[1.1,  2.2],  [11.1,  12.2],  [21.1,  22.2]]  ::  float[]     );   返回:       array[[1.2,2.4,1,1,1,1,1,1,1]               ,[11.2,12.4,1,1,1,1,1,1,1]               ,[1,1,1.3,2.6,1.4,2.8,1,1,1]               ,[1,1,11.3,12.6,11.4,12.8,1,1,1]               ,[1,1,1,1,1,1,1,1,1]               ,[1,1,1,1,1,1,1,1,1]               ,[1,1,1,1,1,1,1.1,2.2,1]               ,[1,1,1,1,1,1,11.1,12.2,1]               ,[1,1,1,1,1,1,21.1,22.2,1]]
sm_sc.fv_eye_unit	构造给定值的对角矩阵。 入参：   1. 对角矩阵高宽规格；   2. 对角元素值；   3. 三维或四维堆叠时，指定第一或第一与第二维维长； -------------------------- 构造单位(左对角线元素的值为 1.0)对角矩阵。 入参：   1. 对角矩阵高宽规格；	select   sm_sc.fv_eye_unit   (     3   , 3.6   ); 返回：   array[[3.6, 0, 0],[0, 3.6, 0],[0, 0, 3.6]] -------------------------- select   sm_sc.fv_eye_unit   (     3   ); 返回：   array[[1.0, 0, 0],[0, 1.0, 0],[0, 0, 1.0]]
sm_sc.fv_augmented	高宽数组填值增广或切块。 入参：   1. 原高宽数组；   2. 增广或切块的左上角在原矩阵的坐标；   3. 增广或切块的高宽规格；   4. 增广区域背景元素填值；	select   sm_sc.fv_augmented   (     array[[1, 2, 3, 4, 5]             ,[6, 7, 8, 9, 10]             ,[11, 12, 13, 14, 15]             ,[16, 17, 18, 19, 20]             ,[21, 22, 23, 24, 25]]   , array[2, -1]   , array[8, 4]   , 0   ); 返回：   array[[0, 0, 6, 7, 8, 9]           ,[0, 0, 11, 12, 13, 14]           ,[0, 0, 16, 17, 18, 19]           ,[0, 0, 21, 22, 23, 24]           ,[0, 0, 0, 0, 0, 0]           ,[0, 0, 0, 0, 0, 0]           ,[0, 0, 0, 0, 0, 0]]
sm_sc.fv_array_1d_set_ele	对一维数组定位赋值， 支持指定负数或零的位置编号。 入参：   1. 原一维数组；   2. 一个位置编号或位置编号范围；   3. 赋值或赋为给定数组；	select   sm_sc.fv_array_1d_set_ele   (     array[1, 2, 3, 4]   , -2   , 5   ); 返回：   array[1, 2, 5, 4] -------------------------- select   sm_sc.fv_array_1d_set_ele   (     array[1, 2, 3, 4]   , 4   , array[5, 6, 7]   ); 返回：   array[1, 2, 3, 5, 6, 7] -------------------------- select   sm_sc.fv_array_1d_set_ele   (     array[1, 2, 3, 4]   , int4range(1, 2, '[]')   , array[5, 6, 7]   ); 返回：   array[5, 6, 7, 3, 4] -------------------------- select   sm_sc.fv_array_1d_set_ele   (     array[1, 2, 3, 4]   , -2   , 5   ); 返回：   array[1, 2, 5, 4]
sm_sc.fv_arr_remove_1d	一维数组移除给定若干值的元素。 入参：   1. 原数组；   2. 要移除的若干元素值；	select   sm_sc.fv_arr_remove_1d   (     [1, 2, 3, 4, 5, 3, 4, 5, 6, 7]   , array[3, 5]   ); 返回：   array[1, 2, 4, 4, 6, 7]
sm_sc.fv_rand_1d_ele	随机组合，序号可重复。 入参：   1. 总体数量；   2. 抽样数量；	select   sm_sc.fv_rand_1d_ele   (     8   , 5   ); 返回：   array[1, 1, 7, 3, 7]
sm_sc.fv_rand_1d_ele_pick	随机组合，序号不重复。 入参：   1. 总体数量；   2. 抽样数量；	select   sm_sc.fv_rand_1d_ele_pick   (     8   , 5   ); 返回：   array[3, 6, 1, 7, 5]
sm_sc.ft_rand_slice_y	数组y方向随机获取切片行， 元素序号可重复。 入参：   1. 原矩阵；   2. 抽样数量； 出参列：   1. 抽到的样本编号；   2. 抽样切片组成的新矩阵；	select   o_ord_nos, o_slices from   sm_sc.ft_rand_slice_y   (     array[[1.0, 2.0],[3.0, 4.0],[5.0, 6.0]             ,[7.0, 8.0],[9.0, 10.0],[11.0, 12.0]]   , 3   ); 返回：   o_ord_nos:     array[6, 2, 6]   o_slices:     array[[11.0, 12.0],[3.0, 4.0],[11.0, 12.0]]
sm_sc.ft_rand_slice_y_pick	数组y方向随机拣取切片行， 元素序号不重复。 入参：   1. 原矩阵；   2. 抽样数量； 出参列：   1. 抽到的样本编号；   2. 抽样切片组成的新矩阵；	select   o_ord_nos, o_slices from   sm_sc.ft_rand_slice_y_pick   (     array[[1.0, 2.0],[3.0, 4.0],[5.0, 6.0]             ,[7.0, 8.0],[9.0, 10.0],[11.0, 12.0]]   , 3   ); 返回：   o_ord_nos:     array[6, 2, 6]   o_slices:     array[[5.0, 6.0],[3.0, 4.0],[11.0, 12.0]]
sm_sc.ft_rand_slice_x	数组x方向随机获取切片列， 元素序号可重复。 入参：   1. 原矩阵；   2. 抽样数量； 出参列：   1. 抽到的样本编号；   2. 抽样切片组成的新矩阵；	select   o_ord_nos, o_slices from   sm_sc.ft_rand_slice_x   (     array[[1.0, 2.0, 3.0, 4.0, 5.0, 6.0]             ,[7.0, 8.0, 9.0, 10.0, 11.0, 12.0]]   , 3   ); 返回：   o_ord_nos:     array[1, 4, 1]   o_slices:     array[[1.0, 4.0, 1.0],[7.0, 10.0, 7.0]]
sm_sc.ft_rand_slice_x_pick	数组x方向随机拣取切片列， 元素序号不重复。 入参：   1. 原矩阵；   2. 抽样数量； 出参列：   1. 抽到的样本编号；   2. 抽样切片组成的新矩阵；	select   o_ord_nos, o_slices from   sm_sc.ft_rand_slice_x_pick   (     array[[1.0, 2.0, 3.0, 4.0, 5.0, 6.0]             ,[7.0, 8.0, 9.0, 10.0, 11.0, 12.0]]   , 3   ); 返回：   o_ord_nos:     array[4, 5, 3]   o_slices:     array[[4.0, 5.0, 3.0],[10.0, 11.0, 9.0]]
sm_sc.ft_rand_slice_x3	数组x3方向随机获取切片行， 元素序号可重复。 入参：   1. 原矩阵；   2. 抽样数量； 出参列：   1. 抽到的样本编号；   2. 抽样切片组成的新矩阵；	select    o_ord_nos,   o_slices from sm_sc.ft_rand_slice_x3   (     array     [       [         [1, 2, 3]       , [11, 21, 31]       , [12, 22, 32]       , [13, 23, 33]       , [14, 24, 34]       , [15, 25, 35]       ]     , [         [16, 26, 36]       , [17, 27, 37]       , [18, 28, 38]       , [19, 29, 39]       , [61, 62, 63]       , [81, 82, 83]       ]     ]   , 2   ); 返回：   o_ord_nos:     array[2, 1]   o_slices:     array     [       [[2, 1],[21, 11],[22, 12],[23, 13],[24, 14],[25, 15]]     , [[26, 16],[27, 17],[28, 18],[29, 19],[62, 61],[82, 81]]     ]
sm_sc.ft_rand_slice_x3_pick	数组x3方向随机拣取切片行， 元素序号不重复。 入参：   1. 原矩阵；   2. 抽样数量； 出参列：   1. 抽到的样本编号；   2. 抽样切片组成的新矩阵；	select    o_ord_nos,   o_slices from sm_sc.ft_rand_slice_x3_pick   (     array     [       [         [[1, -1], [2, -2], [3, -3]]       , [[11, -11], [21, -21], [31, -31]]       , [[12, -12], [22, -22], [32, -32]]       , [[13, -13], [23, -23], [33, -33]]       , [[14, -14], [24, -24], [34, -34]]       , [[15, -15], [25, -25], [35, -35]]       ]     , [         [[16, -16], [26, -26], [36, -36]]       , [[27, -27], [27, -27], [37, -37]]       , [[18, -18], [28, -28], [38, -38]]       , [[19, -19], [29, -29], [39, -39]]       , [[61, -61], [62, -62], [63, -63]]       , [[81, -81], [82, -82], [83, -83]]       ]     ]     , 2   ) 返回：   o_ord_nos:     array[1, 3]   o_slices:     array     [       [         [[1, -1], [3, -3]]       , [[11, -11], [31, -31]]       , [[12, -12], [32, -32]]       , [[13, -13], [33, -33]]       , [[14, -14], [34, -34]]       , [[15, -15], [35, -35]]       ]     , [         [[16, -16], [36, -36]]       , [[27, -27], [37, -37]]       , [[18, -18], [38, -38]]       , [[19, -19], [39, -39]]       , [[61, -61], [63, -63]]       , [[81, -81], [83, -83]]       ]     ]
sm_sc.ft_rand_slice_x4	数组x4方向随机获取切片列， 元素序号可重复。 入参：   1. 原矩阵；   2. 抽样数量； 出参列：   1. 抽到的样本编号；   2. 抽样切片组成的新矩阵；	select       o_ord_nos,     o_slices from  sm_sc.ft_rand_slice_x4     (         array         [             [                 [[1,  -1],  [2,  -2],  [3,  -3]]             ,  [[11,  -11],  [21,  -21],  [31,  -31]]             ,  [[12,  -12],  [22,  -22],  [32,  -32]]             ,  [[13,  -13],  [23,  -23],  [33,  -33]]             ,  [[14,  -14],  [24,  -24],  [34,  -34]]             ,  [[15,  -15],  [25,  -25],  [35,  -35]]             ]         ,  [                 [[16,  -16],  [26,  -26],  [36,  -36]]             ,  [[17,  -17],  [27,  -27],  [37,  -37]]             ,  [[18,  -18],  [28,  -28],  [38,  -38]]             ,  [[19,  -19],  [29,  -29],  [39,  -39]]             ,  [[61,  -61],  [62,  -62],  [63,  -63]]             ,  [[81,  -81],  [82,  -82],  [83,  -83]]             ]         ]     ,  2     ) 返回：     o_ord_nos:         array[2,  2]     o_slices:         array         [             [                 [[-1,  -1],  [-2,  -2],  [-3,  -3]]             ,  [[-11,  -11],  [-21,  -21],  [-31,  -31]]             ,  [[-12,  -12],  [-22,  -22],  [-32,  -32]]             ,  [[-13,  -13],  [-23,  -23],  [-33,  -33]]             ,  [[-14,  -14],  [-24,  -24],  [-34,  -34]]             ,  [[-15,  -15],  [-25,  -25],  [-35,  -35]]             ]         ,  [                 [[-16,  -16],  [-26,  -26],  [-36,  -36]]             ,  [[-17,  -17],  [-27,  -27],  [-37,  -37]]             ,  [[-18,  -18],  [-28,  -28],  [-38,  -38]]             ,  [[-19,  -19],  [-29,  -29],  [-39,  -39]]             ,  [[-61,  -61],  [-62,  -62],  [-63,  -63]]             ,  [[-81,  -81],  [-82,  -82],  [-83,  -83]]             ]         ]
sm_sc.ft_rand_slice_x4_pick	数组x4方向随机拣取切片列， 元素序号不重复。 入参：   1. 原矩阵；   2. 抽样数量； 出参列：   1. 抽到的样本编号；   2. 抽样切片组成的新矩阵；	select       o_ord_nos,     o_slices from  sm_sc.ft_rand_slice_x4_pick     (         array         [             [                 [[1,  -1],  [2,  -2],  [3,  -3]]             ,  [[11,  -11],  [21,  -21],  [31,  -31]]             ,  [[12,  -12],  [22,  -22],  [32,  -32]]             ,  [[13,  -13],  [23,  -23],  [33,  -33]]             ,  [[14,  -14],  [24,  -24],  [34,  -34]]             ,  [[15,  -15],  [25,  -25],  [35,  -35]]             ]         ,  [                 [[16,  -16],  [26,  -26],  [36,  -36]]             ,  [[27,  -27],  [27,  -27],  [37,  -37]]             ,  [[18,  -18],  [28,  -28],  [38,  -38]]             ,  [[19,  -19],  [29,  -29],  [39,  -39]]             ,  [[61,  -61],  [62,  -62],  [63,  -63]]             ,  [[81,  -81],  [82,  -82],  [83,  -83]]             ]         ]         ,  2     ) 返回：     o_ord_nos:         array[2,  1]     o_slices:         array         [             [                 [[-1  ,  1  ],  [-2  ,  2  ],  [-3  ,  3  ]]             ,  [[-11,  11],  [-21,  21],  [-31,  31]]             ,  [[-12,  12],  [-22,  22],  [-32,  32]]             ,  [[-13,  13],  [-23,  23],  [-33,  33]]             ,  [[-14,  14],  [-24,  24],  [-34,  34]]             ,  [[-15,  15],  [-25,  25],  [-35,  35]]             ]         ,  [                 [[-16,  16],  [-26,  26],  [-36,  36]]             ,  [[-27,  27],  [-27,  27],  [-37,  37]]             ,  [[-18,  18],  [-28,  28],  [-38,  38]]             ,  [[-19,  19],  [-29,  29],  [-39,  39]]             ,  [[-61,  61],  [-62,  62],  [-63,  63]]             ,  [[-81,  81],  [-82,  82],  [-83,  83]]             ]         ]
sm_sc.fv_rand_slice_y	数组y方向随机获取切片行， 元素序号可重复。 入参：   1. 原矩阵；   2. 抽样数量；	select       sm_sc.fv_rand_slice_y     (         array         [             [[1,  2,  3],  [11,  21,  31]]         ,  [[16,  26,  36],  [17,  27,  37]]         ]     ,  5     ) 返回:     array     [         [[1,  2,  3],  [11,  21,  31]]     ,  [[1,  2,  3],  [11,  21,  31]]     ,  [[16,  26,  36],[17,  27,  37]]     ,  [[1,  2,  3],  [11,  21,  31]]     ,  [[1,  2,  3],  [11,  21,  31]]     ]
sm_sc.fv_rand_slice_y_pick	数组y方向随机拣取切片行， 元素序号不重复。 入参：   1. 原矩阵；   2. 抽样数量；	select       sm_sc.fv_rand_slice_y_pick     (         array         [             [1,  2,  3]         ,  [11,  21,  31]         ,  [16,  26,  36]         ,  [17,  27,  37]         ]     ,  3     ) 返回:     array     [         [16,  26,  36]     ,  [11,  21,  31]     ,  [17,  27,  37]     ]
sm_sc.fv_rand_slice_x	数组x方向随机获取切片列， 元素序号可重复。 入参：   1. 原矩阵；   2. 抽样数量；	select       sm_sc.fv_rand_slice_x     (         array         [             [1.0,  2.0,  3.0,  4.0,  5.0,  6.0]         ,  [7.0,  8.0,  9.0,  10.0,  11.0,  12.0]         ]     ,  3     ) 返回:     array     [         [4.0,  5.0,  4.0]     ,  [10.0,  11.0,  10.0]     ]
sm_sc.fv_rand_slice_x_pick	数组x方向随机拣取切片列， 元素序号不重复。 入参：   1. 原矩阵；   2. 抽样数量；	select       sm_sc.fv_rand_slice_x_pick     (         array         [             [1.0,  2.0,  3.0,  4.0,  5.0,  6.0]         ,  [7.0,  8.0,  9.0,  10.0,  11.0,  12.0]         ]     ,  4     ) 返回:     array     [         [5.0,  3.0,  2.0,  1.0]     ,  [11.0,  9.0,  8.0,  7.0]     ]
sm_sc.fv_rand_slice_x3	数组x3方向随机获取切片行， 元素序号可重复。 入参：   1. 原矩阵；   2. 抽样数量；	select       sm_sc.fv_rand_slice_x3     (         array         [[             [1.0,  2.0,  3.0,  4.0,  5.0,  6.0]         ,  [7.0,  8.0,  9.0,  10.0,  11.0,  12.0]         ]]     ,  4     ) 返回:     array     [[         [6.0,  5.0,  1.0,  6.0]     ,  [12.0,  11.0,  7.0,  12.0]     ]]
sm_sc.fv_rand_slice_x3_pick	数组x3方向随机拣取切片行， 元素序号不重复。 入参：   1. 原矩阵；   2. 抽样数量；	select       sm_sc.fv_rand_slice_x3_pick     (         array         [[             [1.0,  2.0,  3.0,  4.0,  5.0,  6.0]         ,  [7.0,  8.0,  9.0,  10.0,  11.0,  12.0]         ]]     ,  4     ) 返回:     array     [[         [5.0,  6.0,  1.0,  4.0]     ,  [11.0,  12.0,  7.0,  10.0]     ]]
sm_sc.fv_rand_slice_x4	数组x4方向随机获取切片列， 元素序号可重复。 入参：   1. 原矩阵；   2. 抽样数量；	select       sm_sc.fv_rand_slice_x4     (         array         [[[             [1.0,  2.0,  3.0,  4.0,  5.0,  6.0]         ,  [7.0,  8.0,  9.0,  10.0,  11.0,  12.0]         ]]]     ,  4     ) 返回:     array     [[[         [6.0,  6.0,  3.0,  1.0]     ,  [12.0,  12.0,  9.0,  7.0]     ]]]
sm_sc.fv_rand_slice_x4_pick	数组x4方向随机拣取切片列， 元素序号不重复。 入参：   1. 原矩阵；   2. 抽样数量；	select       sm_sc.fv_rand_slice_x4_pick     (         array         [[[             [1.0,  2.0,  3.0,  4.0,  5.0,  6.0]         ,  [7.0,  8.0,  9.0,  10.0,  11.0,  12.0]         ]]]     ,  4     ) 返回:     array     [[[         [3.0,  1.0,  2.0,  4.0]     ,  [9.0,  7.0,  8.0,  10.0]     ]]]
sm_sc.fv_chunk	多维单切片(单切块)。 入参：   1. 原矩阵；   2. 切片位置下标各维度范围上下界；	select       sm_sc.fv_chunk     (         array[[1,2,3,4],[5,6,7,8]]     ,  array[[2,1],[3,2]]     ) 返回:       array[[5,6]]
sm_sc.fv_slice_y	第一维度切片(切块)。 入参：   1. 原矩阵；   2. 切片位置下标范围集合；	select    sm_sc.fv_slice_y   (     array[[1, 2],[3, 4],[5, 6],[7, 8]]   , array[int4range(1, 3, '[]'), int4range(2, 3, '[]')]   )    返回：   array   [[1, 2],[3, 4],[5, 6],[3, 4],[5, 6]]
sm_sc.fv_slice_x	第二维度切片(切块)。 入参：   1. 原矩阵；   2. 切片位置下标范围集合；	select    sm_sc.fv_slice_x   (     array[[1, 2, 3, 4],[5, 6, 7, 8]]   , array[int4range(1, 3, '[]'), int4range(2, 3, '[]')]   )    返回：   array   [[1, 2, 3, 2, 3],[5, 6, 7, 6, 7]]
sm_sc.fv_slice_x3	第三维度切片(切块)。 入参：   1. 原矩阵；   2. 切片位置下标范围集合；	select    sm_sc.fv_slice_x3   (     array     [       [[11, 12, 13, 14],[21, 22, 23, 24]]     , [[31, 32, 33, 34],[41, 42, 43, 44]]     ]   , array[int4range(1, 3, '[]'), int4range(2, 3, '[]')]   )    返回：   array   [     [[11, 12, 13, 12, 13],[21, 22, 23, 22, 23]]   , [[31, 32, 33, 32, 33],[41, 42, 43, 42, 43]]   ]
sm_sc.fv_slice_x4	第四维度切片(切块)。 入参：   1. 原矩阵；   2. 切片位置下标范围集合；	select    sm_sc.fv_slice_x4   (     array     [       [         [[11, 12, 13, 14],[21, 22, 23, 24]]       , [[31, 32, 33, 34],[41, 42, 43, 44]]       ]     , [         [[51, 52, 53, 54],[61, 62, 63, 64]]       , [[71, 72, 73, 74],[81, 82, 83, 84]]       ]     ]   , array[int4range(1, 3, '[]'), int4range(2, 3, '[]')]   )    返回：   array   [     [       [[11, 12, 13, 12, 13],[21, 22, 23, 22, 23]]     , [[31, 32, 33, 32, 33],[41, 42, 43, 42, 43]]     ]   , [       [[51, 52, 53, 52, 53],[61, 62, 63, 62, 63]]     , [[71, 72, 73, 72, 73],[81, 82, 83, 82, 83]]     ]   ]
sm_sc.fv_sample_y	第一维度间隔采样。 入参：   1. 原矩阵；   2. 采样周期；   3. 采样窗口约束。       null 值表示不约束；   4. 采样范围。       队列支持多个范围；   5. 升采样填充值阵。缺省为 null；       超过窗口约束的采样范围，填充该值阵；	select   sm_sc.fv_sample_y   (     array[[1, 2],[3, 4],[5, 6],[7, 8],[9, 10],[11, 12]]   , 3   , 3   , array[int4range(1,2, '[]'), int4range(2,4, '[]')]   , array[[13, 14], [15, 16]]   ); 返回：   array[[1, 2],[3, 4],[3, 4],[5, 6],[13, 14],[15, 16]           ,[7, 8],[9, 10],[9, 10],[11, 12],[13, 14],[15, 16]]
sm_sc.fv_sample_x	第二维度间隔采样。 入参：   1. 原矩阵；   2. 采样周期；   3. 采样窗口约束。       null 值表示不约束；   4. 采样范围。       队列支持多个范围；   5. 升采样填充值阵。缺省为 null；       超过窗口约束的采样范围，填充该值阵；	select   sm_sc.fv_sample_x   (     array[[1, 2, 3, 4, 5, 6],[7, 8, 9, 10, 11, 12]]   , 3   , 2   , array[int4range(1,2, '[]'), int4range(2,4, '[]')]   , array[[13, 14], [15, 16]]   ); 返回：   array[[1, 2, 2, 13, 14, 13, 14, 4, 5, 5, 13, 14, 13, 14]           ,[7, 8, 8, 15, 16, 15, 16, 10, 11, 11, 15, 16, 15, 16]]
sm_sc.fv_sample_x3	第三维度间隔采样。 入参：   1. 原矩阵；   2. 采样周期；   3. 采样窗口约束。       null 值表示不约束；   4. 采样范围。       队列支持多个范围；   5. 升采样填充值阵。缺省为 null；       超过窗口约束的采样范围，填充该值阵；	select    sm_sc.fv_sample_x3   (     array     [       [         [[1, -1],[2, -2]],[[3, -3],[4, -4]],[[5, -5],[6, -6]]       , [[7, -7],[8, -8]],[[9.7, -9],[10, -10]],[[11, -11],[12, -12]]       ]     , [         [[1, -1],[2, -2]],[[3, -3],[4, -4]],[[5, -5],[6, -6]]       , [[7, -7],[8, -8]],[[9.7, -9],[10, -10]],[[11, -11],[12, -12]]       ]     , [         [[1, -1],[2, -2]],[[3, -3],[4, -4]],[[5, -5],[6, -6]]       , [[7, -7],[8, -8]],[[9.7, -9],[10, -10]],[[11, -11],[12, -12]]       ]     , [         [[1, -1],[2, -2]],[[3, -3],[4, -4]],[[5, -5],[6, -6]]       , [[7, -7],[8, -8]],[[9.7, -9],[10, -10]],[[11, -11],[12, -12]]       ]     ]::float[]   , 3   , 3   , array     [       int4range(-1, 2, '[]')     , int4range(-2, 0, '[]')     , int4range(3, 5, '[]')     , int4range(4, 5, '[]')     ]   , array     [       [         [[32, -42]],[[54, -64]],[[75, -85]]       , [[97, -97]],[[19.7, -19]],[[110, -116]]       ]     , [         [[32, -42]],[[54, -64]],[[75, -85]]       , [[97, -97]],[[19.7, -19]],[[110, -116]]       ]     , [         [[32, -42]],[[54, -64]],[[75, -85]]       , [[97, -97]],[[19.7, -19]],[[110, -116]]       ]     , [         [[32, -42]],[[54, -64]],[[75, -85]]       , [[97, -97]],[[19.7, -19]],[[110, -116]]       ]     ]::float[]   ) 返回：   array   [     [       [         [32,-42],[32,-42],[1,-1],[2,-2],[32,-42],[32,-42]       , [32,-42],[32,-42],[32,-42],[32,-42],[32,-42]       ]     , [         [54,-64],[54,-64],[3,-3],[4,-4],[54,-64],[54,-64]       , [54,-64],[54,-64],[54,-64],[54,-64],[54,-64]       ]     , [         [75,-85],[75,-85],[5,-5],[6,-6],[75,-85],[75,-85]       , [75,-85],[75,-85],[75,-85],[75,-85],[75,-85]       ]     , [         [97,-97],[97,-97],[7,-7],[8,-8],[97,-97],[97,-97]       , [97,-97],[97,-97],[97,-97],[97,-97],[97,-97]       ]     , [         [19.7,-19],[19.7,-19],[9.7,-9],[10,-10],[19.7,-19],[19.7,-19]       , [19.7,-19],[19.7,-19],[19.7,-19],[19.7,-19],[19.7,-19]       ]     , [         [110,-116],[110,-116],[11,-11],[12,-12],[110,-116],[110,-116]       , [110,-116],[110,-116],[110,-116],[110,-116],[110,-116]       ]     ]   , [       [         [32,-42],[32,-42],[1,-1],[2,-2],[32,-42],[32,-42]       , [32,-42],[32,-42],[32,-42],[32,-42],[32,-42]       ]     , [         [54,-64],[54,-64],[3,-3],[4,-4],[54,-64],[54,-64]       , [54,-64],[54,-64],[54,-64],[54,-64],[54,-64]       ]     , [         [75,-85],[75,-85],[5,-5],[6,-6],[75,-85],[75,-85]       , [75,-85],[75,-85],[75,-85],[75,-85],[75,-85]       ]     , [         [97,-97],[97,-97],[7,-7],[8,-8],[97,-97],[97,-97]       , [97,-97],[97,-97],[97,-97],[97,-97],[97,-97]       ]     , [         [19.7,-19],[19.7,-19],[9.7,-9],[10,-10],[19.7,-19]       , [19.7,-19],[19.7,-19],[19.7,-19],[19.7,-19],[19.7,-19],[19.7,-19]       ]     , [         [110,-116],[110,-116],[11,-11],[12,-12],[110,-116],[110,-116]       , [110,-116],[110,-116],[110,-116],[110,-116],[110,-116]       ]     ]   , [       [         [32,-42],[32,-42],[1,-1],[2,-2],[32,-42],[32,-42]       , [32,-42],[32,-42],[32,-42],[32,-42],[32,-42]       ]     , [         [54,-64],[54,-64],[3,-3],[4,-4],[54,-64],[54,-64]       , [54,-64],[54,-64],[54,-64],[54,-64],[54,-64]       ]     , [         [75,-85],[75,-85],[5,-5],[6,-6],[75,-85],[75,-85]       , [75,-85],[75,-85],[75,-85],[75,-85],[75,-85]       ]     , [         [97,-97],[97,-97],[7,-7],[8,-8],[97,-97],[97,-97]       , [97,-97],[97,-97],[97,-97],[97,-97],[97,-97]       ]     , [         [19.7,-19],[19.7,-19],[9.7,-9],[10,-10],[19.7,-19],[19.7,-19]       , [19.7,-19],[19.7,-19],[19.7,-19],[19.7,-19],[19.7,-19]       ]     , [         [110,-116],[110,-116],[11,-11],[12,-12],[110,-116],[110,-116]       , [110,-116],[110,-116],[110,-116],[110,-116],[110,-116]       ]     ]   , [       [         [32,-42],[32,-42],[1,-1],[2,-2],[32,-42],[32,-42]       , [32,-42],[32,-42],[32,-42],[32,-42],[32,-42]]     , [         [54,-64],[54,-64],[3,-3],[4,-4],[54,-64],[54,-64]       , [54,-64],[54,-64],[54,-64],[54,-64],[54,-64]]     , [         [75,-85],[75,-85],[5,-5],[6,-6],[75,-85],[75,-85]       , [75,-85],[75,-85],[75,-85],[75,-85],[75,-85]       ]     , [         [97,-97],[97,-97],[7,-7],[8,-8],[97,-97],[97,-97]       , [97,-97],[97,-97],[97,-97],[97,-97],[97,-97]       ]     , [         [19.7,-19],[19.7,-19],[9.7,-9],[10,-10],[19.7,-19],[19.7,-19]       , [19.7,-19],[19.7,-19],[19.7,-19],[19.7,-19],[19.7,-19]       ]     , [         [110,-116],[110,-116],[11,-11],[12,-12],[110,-116],[110,-116]       , [110,-116],[110,-116],[110,-116],[110,-116],[110,-116]       ]     ]   ]
sm_sc.fv_sample_x4	第四维度间隔采样。 入参：   1. 原矩阵；   2. 采样周期；   3. 采样窗口约束。       null 值表示不约束；   4. 采样范围。       队列支持多个范围；   5. 升采样填充值阵。缺省为 null；       超过窗口约束的采样范围，填充该值阵；	select    sm_sc.fv_sample_x4   (     array     [       [         [[1, -1],[2, -2]],[[3, -3],[4, -4]],[[5, -5],[6, -6]]       , [[7, -7],[8, -8]],[[9.7, -9],[10, -10]],[[11, -11],[12, -12]]       ]     , [         [[1, -1],[2, -2]],[[3, -3],[4, -4]],[[5, -5],[6, -6]]       , [[7, -7],[8, -8]],[[9.7, -9],[10, -10]],[[11, -11],[12, -12]]       ]     , [         [[1, -1],[2, -2]],[[3, -3],[4, -4]],[[5, -5],[6, -6]]       , [[7, -7],[8, -8]],[[9.7, -9],[10, -10]],[[11, -11],[12, -12]]       ]     , [         [[1, -1],[2, -2]],[[3, -3],[4, -4]],[[5, -5],[6, -6]]       , [[7, -7],[8, -8]],[[9.7, -9],[10, -10]],[[11, -11],[12, -12]]       ]     ]::float[]   , 3   , 3   , array     [       int4range(-1, 2, '[]')     , int4range(-2, 0, '[]')     , int4range(3, 5, '[]')     , int4range(4, 5, '[]')     ]   , array     [       [         [[1], [2]], [[3], [-4]], [[-5], [-6]]       , [[-7], [-8]], [[9.7], [10]], [[-11], [12]]       ]     , [         [[1], [2]], [[3], [-4]], [[-5], [-6]]       , [[-7], [-8]], [[9.7], [10]], [[-11], [12]]       ]     , [         [[1], [2]], [[3], [-4]], [[-5], [-6]]       , [[-7], [-8]], [[9.7], [10]], [[-11], [12]]       ]     , [         [[1], [2]], [[3], [-4]], [[-5], [-6]]       , [[-7], [-8]], [[9.7], [10]], [[-11], [12]]       ]     ]::float[]   ) 返回：   array   [     [       [         [1,1,1,-1,1,1,1,1,1,1,1]       , [2,2,2,-2,2,2,2,2,2,2,2]       ]     , [         [3,3,3,-3,3,3,3,3,3,3,3]       , [-4,-4,4,-4,-4,-4,-4,-4,-4,-4,-4]       ]     , [         [-5,-5,5,-5,-5,-5,-5,-5,-5,-5,-5]       , [-6,-6,6,-6,-6,-6,-6,-6,-6,-6,-6]       ]     , [         [-7,-7,7,-7,-7,-7,-7,-7,-7,-7,-7]       , [-8,-8,8,-8,-8,-8,-8,-8,-8,-8,-8]       ]     , [         [9.7,9.7,9.7,-9,9.7,9.7,9.7,9.7,9.7,9.7,9.7]       , [10,10,10,-10,10,10,10,10,10,10,10]       ]     , [         [-11,-11,11,-11,-11,-11,-11,-11,-11,-11,-11]       , [12,12,12,-12,12,12,12,12,12,12,12]       ]     ]   , [       [         [1,1,1,-1,1,1,1,1,1,1,1]       , [2,2,2,-2,2,2,2,2,2,2,2]       ]     , [         [3,3,3,-3,3,3,3,3,3,3,3]       , [-4,-4,4,-4,-4,-4,-4,-4,-4,-4,-4]       ]     , [         [-5,-5,5,-5,-5,-5,-5,-5,-5,-5,-5]       , [-6,-6,6,-6,-6,-6,-6,-6,-6,-6,-6]       ]     , [         [-7,-7,7,-7,-7,-7,-7,-7,-7,-7,-7]       , [-8,-8,8,-8,-8,-8,-8,-8,-8,-8,-8]       ]     , [         [9.7,9.7,9.7,-9,9.7,9.7,9.7,9.7,9.7,9.7,9.7]       , [10,10,10,-10,10,10,10,10,10,10,10]       ]     , [         [-11,-11,11,-11,-11,-11,-11,-11,-11,-11,-11]       , [12,12,12,-12,12,12,12,12,12,12,12]       ]     ]   , [       [         [1,1,1,-1,1,1,1,1,1,1,1]       , [2,2,2,-2,2,2,2,2,2,2,2]       ]     , [         [3,3,3,-3,3,3,3,3,3,3,3]       , [-4,-4,4,-4,-4,-4,-4,-4,-4,-4,-4]       ]     , [         [-5,-5,5,-5,-5,-5,-5,-5,-5,-5,-5]       , [-6,-6,6,-6,-6,-6,-6,-6,-6,-6,-6]       ]     , [         [-7,-7,7,-7,-7,-7,-7,-7,-7,-7,-7]       , [-8,-8,8,-8,-8,-8,-8,-8,-8,-8,-8]       ]     , [         [9.7,9.7,9.7,-9,9.7,9.7,9.7,9.7,9.7,9.7,9.7]       , [10,10,10,-10,10,10,10,10,10,10,10]       ]     , [         [-11,-11,11,-11,-11,-11,-11,-11,-11,-11,-11]       , [12,12,12,-12,12,12,12,12,12,12,12]       ]     ]   , [       [         [1,1,1,-1,1,1,1,1,1,1,1]       , [2,2,2,-2,2,2,2,2,2,2,2]       ]     , [         [3,3,3,-3,3,3,3,3,3,3,3]       , [-4,-4,4,-4,-4,-4,-4,-4,-4,-4,-4]       ]     , [         [-5,-5,5,-5,-5,-5,-5,-5,-5,-5,-5]       , [-6,-6,6,-6,-6,-6,-6,-6,-6,-6,-6]       ]     , [         [-7,-7,7,-7,-7,-7,-7,-7,-7,-7,-7]       , [-8,-8,8,-8,-8,-8,-8,-8,-8,-8,-8]       ]     , [         [9.7,9.7,9.7,-9,9.7,9.7,9.7,9.7,9.7,9.7,9.7]       , [10,10,10,-10,10,10,10,10,10,10,10]       ]     , [         [-11,-11,11,-11,-11,-11,-11,-11,-11,-11,-11]       , [12,12,12,-12,12,12,12,12,12,12,12]       ]     ]   ]
sm_sc.fv_lower_tri_mx	下三角矩阵。 入参：   1. 原矩阵；   2. 上三角填充值。缺省值为 null；	select       sm_sc.fv_lower_tri_mx     (         array         [             [                 [1,  2,  3,  4,  5,  6]             ,  [-1,  -2,  -3,  -4,  -5,  -6]             ,  [-1,  2,  -3,  4,  5,  -6]             ,  [1,  -2,  3,  4,  -5,  6]             ]         ,  [                 [1,  2,  3,  4,  5,  6]             ,  [-1,  -2,  -3,  -4,  -5,  -6]             ,  [-1,  2,  -3,  4,  5,  -6]             ,  [1,  -2,  3,  4,  -5,  6]             ]         ,  [                 [1,  2,  3,  4,  5,  6]             ,  [-1,  -2,  -3,  -4,  -5,  -6]             ,  [-1,  2,  -3,  4,  5,  -6]             ,  [1,  -2,  3,  4,  -5,  6]             ]         ]     ) 返回：     array     [         [             [1,NULL,NULL,NULL,NULL,NULL]         ,  [-1,-2,NULL,NULL,NULL,NULL]         ,  [-1,2,-3,NULL,NULL,NULL]         ,  [1,-2,3,4,NULL,NULL]]     ,  [             [1,NULL,NULL,NULL,NULL,NULL]         ,  [-1,-2,NULL,NULL,NULL,NULL]         ,  [-1,2,-3,NULL,NULL,NULL]         ,  [1,-2,3,4,NULL,NULL]         ]     ,  [             [1,NULL,NULL,NULL,NULL,NULL]         ,  [-1,-2,NULL,NULL,NULL,NULL]         ,  [-1,2,-3,NULL,NULL,NULL]         ,  [1,-2,3,4,NULL,NULL]         ]     ]
sm_sc.fv_upper_tri_mx	上三角矩阵。 入参：   1. 原矩阵；   2. 下三角填充值。缺省值为 null；	select       sm_sc.fv_upper_tri_mx     (         array         [             [                 [1,  2,  3,  4,  5,  6]             ,  [-1,  -2,  -3,  -4,  -5,  -6]             ,  [-1,  2,  -3,  4,  5,  -6]             ,  [1,  -2,  3,  4,  -5,  6]             ]         ,  [                 [1,  2,  3,  4,  5,  6]             ,  [-1,  -2,  -3,  -4,  -5,  -6]             ,  [-1,  2,  -3,  4,  5,  -6]             ,  [1,  -2,  3,  4,  -5,  6]             ]         ,  [                 [1,  2,  3,  4,  5,  6]             ,  [-1,  -2,  -3,  -4,  -5,  -6]             ,  [-1,  2,  -3,  4,  5,  -6]             ,  [1,  -2,  3,  4,  -5,  6]             ]         ]     ) 返回：     array     [         [             [1,2,3,4,5,6]         ,  [NULL,-2,-3,-4,-5,-6]         ,  [NULL,NULL,-3,4,5,-6]         ,  [NULL,NULL,NULL,4,-5,6]]     ,  [             [1,2,3,4,5,6]         ,  [NULL,-2,-3,-4,-5,-6]         ,  [NULL,NULL,-3,4,5,-6]         ,  [NULL,NULL,NULL,4,-5,6]]         ]     ,  [             [1,2,3,4,5,6]         ,  [NULL,-2,-3,-4,-5,-6]         ,  [NULL,NULL,-3,4,5,-6]         ,  [NULL,NULL,NULL,4,-5,6]]         ]     ]
sm_sc.fv_lower_tri_mx_ex	欠下三角矩阵。 入参：   1. 原矩阵；   2. 包含对角线的上三角填充值。缺省值为 null；	select       sm_sc.fv_lower_tri_mx_ex     (         array         [             [                 [1,  2,  3,  4,  5,  6]             ,  [-1,  -2,  -3,  -4,  -5,  -6]             ,  [-1,  2,  -3,  4,  5,  -6]             ,  [1,  -2,  3,  4,  -5,  6]             ]         ,  [                 [1,  2,  3,  4,  5,  6]             ,  [-1,  -2,  -3,  -4,  -5,  -6]             ,  [-1,  2,  -3,  4,  5,  -6]             ,  [1,  -2,  3,  4,  -5,  6]             ]         ,  [                 [1,  2,  3,  4,  5,  6]             ,  [-1,  -2,  -3,  -4,  -5,  -6]             ,  [-1,  2,  -3,  4,  5,  -6]             ,  [1,  -2,  3,  4,  -5,  6]             ]         ]     ) 返回：     array     [         [             [NULL,NULL,NULL,NULL,NULL,NULL]         ,  [-1,NULL,NULL,NULL,NULL,NULL]         ,  [-1,2,NULL,NULL,NULL,NULL]         ,  [1,-2,3,NULL,NULL,NULL]]     ,  [             [NULL,NULL,NULL,NULL,NULL,NULL]         ,  [-1,NULL,NULL,NULL,NULL,NULL]         ,  [-1,2,NULL,NULL,NULL,NULL]         ,  [1,-2,3,NULL,NULL,NULL]         ]     ,  [             [NULL,NULL,NULL,NULL,NULL,NULL]         ,  [-1,NULL,NULL,NULL,NULL,NULL]         ,  [-1,2,NULL,NULL,NULL,NULL]         ,  [1,-2,3,NULL,NULL,NULL]         ]     ]
sm_sc.fv_upper_tri_mx_ex	欠上三角矩阵。 入参：   1. 原矩阵；   2. 包含对角线的下三角填充值。缺省值为 null；	select       sm_sc.fv_upper_tri_mx_ex     (         array         [             [                 [1,  2,  3,  4,  5,  6]             ,  [-1,  -2,  -3,  -4,  -5,  -6]             ,  [-1,  2,  -3,  4,  5,  -6]             ,  [1,  -2,  3,  4,  -5,  6]             ]         ,  [                 [1,  2,  3,  4,  5,  6]             ,  [-1,  -2,  -3,  -4,  -5,  -6]             ,  [-1,  2,  -3,  4,  5,  -6]             ,  [1,  -2,  3,  4,  -5,  6]             ]         ,  [                 [1,  2,  3,  4,  5,  6]             ,  [-1,  -2,  -3,  -4,  -5,  -6]             ,  [-1,  2,  -3,  4,  5,  -6]             ,  [1,  -2,  3,  4,  -5,  6]             ]         ]     ) 返回：     array     [         [             [null,2,3,4,5,6]         ,  [NULL,null,-3,-4,-5,-6]         ,  [NULL,NULL,null,4,5,-6]         ,  [NULL,NULL,NULL,null,-5,6]]     ,  [             [null,2,3,4,5,6]         ,  [NULL,null,-3,-4,-5,-6]         ,  [NULL,NULL,null,4,5,-6]         ,  [NULL,NULL,NULL,null,-5,6]]         ]     ,  [             [null,2,3,4,5,6]         ,  [NULL,null,-3,-4,-5,-6]         ,  [NULL,NULL,null,4,5,-6]         ,  [NULL,NULL,NULL,null,-5,6]]         ]     ]
sm_sc.fv_lmask	高宽二维面左部分逐个高度位置按给定长度掩码。 入参：   1. 原矩阵；   2. 逐个高度位置掩码长度；   3. 填充值；	select       sm_sc.fv_lmask     (         array         [             [                 [1,  2,  3,  4,  5]             ,  [2,  3,  4,  5,  6]             ,  [3,  4,  5,  6,  7]             ,  [4,  5,  6,  7,  8]             ]         ,  [                 [-1,  -2,  -3,  -4,  -5]             ,  [-2,  -3,  -4,  -5,  -6]             ,  [-3,  -4,  -5,  -6,  -7]             ,  [-4,  -5,  -6,  -7,  -8]             ]         ,  [                 [11,  12,  13,  14,  15]             ,  [12,  13,  14,  15,  16]             ,  [13,  14,  15,  16,  17]             ,  [14,  15,  16,  17,  18]             ]         ]     ,  array         [             [                 [3]             ,  [0]             ,  [2]             ,  [1]             ]         ,  [                 [1]             ,  [1]             ,  [4]             ,  [2]             ]         ,  [                 [3]             ,  [5]             ,  [2]             ,  [1]             ]         ]     ,  0     ) 返回:     array     [         [             [0,0,0,4,5]         ,  [2,3,4,5,6]         ,  [0,0,5,6,7]         ,  [0,5,6,7,8]         ]     ,  [             [0,-2,-3,-4,-5]         ,  [0,-3,-4,-5,-6]         ,  [0,0,0,0,-7]         ,  [0,0,-6,-7,-8]         ]     ,  [             [0,0,0,14,15]         ,  [0,0,0,0,0]         ,  [0,0,15,16,17]         ,  [0,15,16,17,18]         ]     ]
sm_sc.fv_rmask	高宽二维面右部分逐个高度位置按给定长度掩码。 入参：   1. 原矩阵；   2. 逐个高度位置掩码长度；   3. 填充值；	select       sm_sc.fv_rmask     (         array         [             [                 [1,  2,  3,  4,  5]             ,  [2,  3,  4,  5,  6]             ,  [3,  4,  5,  6,  7]             ,  [4,  5,  6,  7,  8]             ]         ,  [                 [-1,  -2,  -3,  -4,  -5]             ,  [-2,  -3,  -4,  -5,  -6]             ,  [-3,  -4,  -5,  -6,  -7]             ,  [-4,  -5,  -6,  -7,  -8]             ]         ,  [                 [11,  12,  13,  14,  15]             ,  [12,  13,  14,  15,  16]             ,  [13,  14,  15,  16,  17]             ,  [14,  15,  16,  17,  18]             ]         ]     ,  array         [             [                 [3]             ,  [0]             ,  [2]             ,  [1]             ]         ,  [                 [1]             ,  [1]             ,  [4]             ,  [2]             ]         ,  [                 [3]             ,  [5]             ,  [2]             ,  [1]             ]         ]     ,  0     ) 返回:     array     [         [             [1,2,0,0,0]         ,  [2,3,4,5,6]         ,  [3,4,5,0,0]         ,  [4,5,6,7,0]         ]     ,  [             [-1,-2,-3,-4,0]         ,  [-2,-3,-4,-5,0]         ,  [-3,0,0,0,0]         ,  [-4,-5,-6,0,0]         ]     ,  [             [11,12,0,0,0]         ,  [0,0,0,0,0]         ,  [13,14,15,0,0]         ,  [14,15,16,17,0]         ]     ]
sm_sc.fv_amask	高宽二维面上部分逐个宽度位置按给定长度掩码。 入参：   1. 原矩阵；   2. 逐个宽度位置掩码长度；   3. 填充值；	select       sm_sc.fv_amask     (         array         [             [                 [1,  2,  3,  4,  5]             ,  [2,  3,  4,  5,  6]             ,  [3,  4,  5,  6,  7]             ,  [4,  5,  6,  7,  8]             ]         ,  [                 [-1,  -2,  -3,  -4,  -5]             ,  [-2,  -3,  -4,  -5,  -6]             ,  [-3,  -4,  -5,  -6,  -7]             ,  [-4,  -5,  -6,  -7,  -8]             ]         ,  [                 [11,  12,  13,  14,  15]             ,  [12,  13,  14,  15,  16]             ,  [13,  14,  15,  16,  17]             ,  [14,  15,  16,  17,  18]             ]         ]     ,  array         [             [                 [3,  0,  2,  1,  0]             ]         ,  [                 [1,  1,  4,  2,  1]             ]         ,  [                 [3,  2,  2,  1,  4]             ]         ]     ,  0     ) 返回:     array     [         [             [0,2,0,0,5]         ,  [0,3,0,5,6]         ,  [0,4,5,6,7]         ,  [4,5,6,7,8]         ]     ,  [             [0,0,0,0,0]         ,  [-2,-3,0,0,-6]         ,  [-3,-4,0,-6,-7]         ,  [-4,-5,0,-7,-8]         ]     ,  [             [0,0,0,0,0]         ,  [0,0,0,15,0]         ,  [0,14,15,16,0]         ,  [14,15,16,17,0]         ]     ]
sm_sc.fv_bmask	高宽二维面下部分逐个宽度位置按给定长度掩码。 入参：   1. 原矩阵；   2. 逐个宽度位置掩码长度；   3. 填充值；	select       sm_sc.fv_bmask     (         array         [             [                 [1,  2,  3,  4,  5]             ,  [2,  3,  4,  5,  6]             ,  [3,  4,  5,  6,  7]             ,  [4,  5,  6,  7,  8]             ]         ,  [                 [-1,  -2,  -3,  -4,  -5]             ,  [-2,  -3,  -4,  -5,  -6]             ,  [-3,  -4,  -5,  -6,  -7]             ,  [-4,  -5,  -6,  -7,  -8]             ]         ,  [                 [11,  12,  13,  14,  15]             ,  [12,  13,  14,  15,  16]             ,  [13,  14,  15,  16,  17]             ,  [14,  15,  16,  17,  18]             ]         ]     ,  array         [             [                 [3,  0,  2,  1,  0]             ]         ,  [                 [1,  1,  4,  2,  1]             ]         ,  [                 [3,  2,  2,  1,  4]             ]         ]     ,  0     ) 返回:     array     [         [             [1,2,3,4,5]         ,  [0,3,4,5,6]         ,  [0,4,0,6,7]         ,  [0,5,0,0,8]         ]     ,  [             [-1,-2,0,-4,-5]         ,  [-2,-3,0,-5,-6]         ,  [-3,-4,0,0,-7]         ,  [0,0,0,0,0]         ]     ,  [             [11,12,13,14,0]         ,  [0,13,14,15,0]         ,  [0,0,0,16,0]         ,  [0,0,0,0,0]         ]     ]
sm_sc.fv_ele_replace	指定元素值替换为另外指定元素值。 入参：   1. 原矩阵；   2. 被替换的一个或多个元素值；   3. 新元素值；	select   sm_sc.fv_ele_replace   (     array[[12.3, 25.1],[3.25, 6.1]]   , array[12.3, 3.25]   , 1.0   ); 返回：   array[[1.0, 25.1],[1.0, 6.1]]
sm_sc.fv_area_replace	指定位置区域替换切片或切块。 入参：   1. 原矩阵；   2. 被替换块在元矩阵的起始位置；   3. 替换块矩阵；	select   sm_sc.fv_area_replace   (     array[['a', 'b', 'c'],['e', 'f', 'g'],['h', 'i', 'j'],['x', 'y', 'z']]   , array[3, 2]   , array[['m', 'n'],['p', 'q']]   ); 返回：   array[['a', 'b', 'c'],['e', 'f', 'g'],['h', 'm', 'n'],['x', 'p', 'q']]
sm_sc.fv_pos_replaces	指定若干位置替换为指定元素值。 入参：   1. 原矩阵；   2. 被替换位置清单；   3. 新元素值；	select   sm_sc.fv_pos_replaces   (     array[['a', 'b', 'c'],['e', 'f', 'g']]   , array[[1, 3],[2, 2]]   , 'd'   ); 返回：   array[['a', 'b', 'd'],['e', 'd', 'g']]
sm_sc.fv_regexp_matches	文本矩阵元素值正则匹配。 入参：   1. 原文本矩阵；   2. 正则表达式；   3. 正则表达式选项标记。缺省为 'g'；	select   sm_sc.fv_regexp_matches   (     array[['abbbbbc122223', 'abc123adc'],['abc123', 'ac13']]   , array['a.c']   , 'gi'   ); 返回：   array[[null, '"{{abc},{adc}}"'],['"{{abc}}"', null]]
sm_sc.fv_regexp_replace	文本矩阵元素值正则替换。 入参：   1. 原文本矩阵；   2. 正则表达式；   3. 替换新文本；   4. 正则表达式选项标记。缺省为 'g'；	select   sm_sc.fv_regexp_replace   (     array[['abbbbbc122223', 'abc123adc'],['abc123', 'ac13']]   , array[['a.c'], ['1.*?3']]   , 'fff'   , 'gi'   ); 返回：   array[['abbbbbc122223', 'fff123fff'],['abcfff', 'acfff']]
sm_sc.fv_nullif	元素避值。 入参：   1. 原矩阵；   2. 回避敏感值矩阵；	select   sm_sc.fv_nullif   (     array[[12.3, -12.3],[45.6, -45.6]]   , array[[12.3],[-45.6]]   ); 返回：   array[[null,-12.3],[45.6,null]]
sm_sc.fv_coalesce sm_sc.fv_coalesce_variadic	元素免空。   sm_sc.fv_coalesce 入参：     1. 优先首个非空元素获取；     2. 次优先首个非空元素获取； --------------------------   sm_sc.fv_coalesce_variadic 入参：     1...n. 依次序首个非空元素获取；	select   sm_sc.fv_coalesce   (     array[null, 2.4, 5.6, 52.3]   , array[1.2, 2.3, null, 52.1]   ); 返回：   array[[],[]] -------------------------- select   sm_sc.fv_coalesce_variadic   (variadic     array[[null, 2.4, 5.6, 52.3]             ,[null, 2.3, null, 52.1]             ,[1.2, 2.8, null, null]]   ); 返回：   array[{1.2, 2.4, 5.6, 52.3}]
sm_sc.fv_lpad	右对齐左填充。 对于三维数组与四维数组，以最深的两个维度为方位的背景依据，   即三维的 x, x3；四维的 x3, x4。 入参：   1. 原矩阵；   2. 填充值矩阵；   3. 重复次数；	select   sm_sc.fv_lpad   (     array[[1, 2, 3, 4, 5, 6],[-1, -2, -3, -4, -5, -6]]   , array[[7],[8]]   , 2   ); 返回：   array[[7, 7, 1, 2, 3, 4, 5, 6]           ,[8, 8, -1, -2, -3, -4, -5, -6]]
sm_sc.fv_rpad	左对齐右填充。 对于三维数组与四维数组，以最深的两个维度为方位的背景依据，   即三维的 x, x3；四维的 x3, x4。 入参：   1. 原矩阵；   2. 填充值矩阵；   3. 重复次数；	select   sm_sc.fv_rpad   (     array[[1, 2, 3, 4, 5, 6],[-1, -2, -3, -4, -5, -6]]   , array[[7],[8]]   , 2   ); 返回：   array[[1, 2, 3, 4, 5, 6, 7, 7]           ,[-1, -2, -3, -4, -5, -6, 8, 8]]
sm_sc.fv_apad	下对齐上填充。 对于三维数组与四维数组，以最深的两个维度为方位的背景依据，   即三维的 x, x3；四维的 x3, x4。 入参：   1. 原矩阵；   2. 填充值矩阵；   3. 重复次数；	select   sm_sc.fv_apad   (     array[[1, 2, 3, 4, 5, 6],[-1, -2, -3, -4, -5, -6]]   , array[[7],[8]]   , 2   ); 返回：   array[[7, 7, 7, 7, 7, 7]           ,[8, 8, 8, 8, 8, 8]           ,[7, 7, 7, 7, 7, 7]           ,[8, 8, 8, 8, 8, 8]           ,[1, 2, 3, 4, 5, 6]           ,[-1, -2, -3, -4, -5, -6]]
sm_sc.fv_bpad	上对齐下填充。 对于三维数组与四维数组，以最深的两个维度为方位的背景依据，   即三维的 x, x3；四维的 x3, x4。 入参：   1. 原矩阵；   2. 填充值矩阵；   3. 重复次数；	select   sm_sc.fv_bpad   (     array[[1, 2, 3, 4, 5, 6],[-1, -2, -3, -4, -5, -6]]   , array[[7],[8]]   , 2   ); 返回：   array[[1, 2, 3, 4, 5, 6]           ,[-1, -2, -3, -4, -5, -6]           ,[7, 7, 7, 7, 7, 7]           ,[8, 8, 8, 8, 8, 8]           ,[7, 7, 7, 7, 7, 7]           ,[8, 8, 8, 8, 8, 8]]
sm_sc.fv_trim	上下左右消去某元素值置空。 对于三维数组与四维数组，以最深的两个维度为方位的背景依据，   即三维的 x, x3；四维的 x3, x4。 入参：   1. 原矩阵；   2. 被端头置空的元素值	select   sm_sc.fv_trim   (     array[[2, 0, 0, 0, 0, 0]             ,[1, 2, 0, 4, 0, 0]             ,[0, 0, 1, 0, 2, 0]             ,[0, 1, 2, 2, 0, 0]             ,[1, 0, 1, 0, 0, 3]]   , 0   ); 返回：   array[[2, null, null, null, null, null]           ,[1, 2, null, 4, null, null]           ,[null, null, 1, 0, 2, null]           ,[null, 1, 2, 2, null, null]           ,[1, null, 1, null, null, 3]]
sm_sc.fv_ltrim	左消去某元素值置空。 对于三维数组与四维数组，以最深的两个维度为方位的背景依据，   即三维的 x, x3；四维的 x3, x4。 入参：   1. 原矩阵；   2. 被端头置空的元素值	select   sm_sc.fv_ltrim   (     array[[0, 1, 2, 3, 4, 5]             ,[0, 0, 1, 2, 0, 4]             ,[0, 0, 0, 1, 2, 3]             ,[0, 0, 0, 0, 1, 2]             ,[0, 0, 1, 0, 0, 3]]   , 0   ); 返回：   array[[null, 1, 2, 3, 4, 5]           ,[null, null, 1, 2, 0, 4]           ,[null, null, null, 1, 2, 3]           ,[null, null, null, null, 1, 2]           ,[null, null, 1, 0, 0, 3]]
sm_sc.fv_rtrim	右消去某元素值置空。 对于三维数组与四维数组，以最深的两个维度为方位的背景依据，   即三维的 x, x3；四维的 x3, x4。 入参：   1. 原矩阵；   2. 被端头置空的元素值	select   sm_sc.fv_rtrim   (     array[[0, 1, 2, 3, 4, 5, 0]             ,[4, 0, 0, 1, 2, 0, 0]             ,[0, 1, 2, 3, 0, 0, 0]             ,[0, 1, 2, 0, 0, 0, 0]             ,[0, 0, 1, 0, 0, 3, 0]]   , 0   ); 返回：   array[[0, 1, 2, 3, 4, 5, NULL]           ,[4, 0, 0, 1, 2, NULL, NULL]           ,[0, 1, 2, 3, NULL, NULL, NULL]           ,[0, 1, 2, NULL, NULL, NULL, NULL]           ,[0, 0, 1, 0, 0, 3, NULL]]
sm_sc.fv_atrim	上消去某元素值置空。 对于三维数组与四维数组，以最深的两个维度为方位的背景依据，   即三维的 x, x3；四维的 x3, x4。 入参：   1. 原矩阵；   2. 被端头置空的元素值	select   sm_sc.fv_atrim   (     array[[0, 0, 0, 0, 0, 2]             ,[0, 0, 1, 2, 0, 4]             ,[0, 1, 0, 2, 0, 0]             ,[0, 0, 0, 0, 1, 2]             ,[1, 0, 1, 0, 0, 3]]   , 0   ); 返回：   array[[NULL, NULL, NULL, NULL, NULL, 2]           ,[NULL, NULL, 1, 2, NULL, 4]           ,[NULL, 1, 0, 2, NULL, 0]           ,[NULL, 0, 0, 0, 1, 2]           ,[1, 0, 1, 0, 0, 3]]
sm_sc.fv_btrim	下消去某元素值置空。 对于三维数组与四维数组，以最深的两个维度为方位的背景依据，   即三维的 x, x3；四维的 x3, x4。 入参：   1. 原矩阵；   2. 被端头置空的元素值	select   sm_sc.fv_btrim   (     array[[2, 0, 0, 0, 0, 0]             ,[1, 2, 0, 4, 0, 0]             ,[0, 0, 1, 0, 2, 0]             ,[0, 1, 2, 0, 0, 0]             ,[1, 0, 1, 0, 0, 3]]   , 0   ); 返回：   array[[2, 0, 0, 0, 0, 0]           ,[1, 2, 0, 4, 0, 0]           ,[0, 0, 1, NULL, 2, 0]           ,[0, 1, 2, NULL, NULL, 0]           ,[1, NULL, 1, NULL, NULL, 3]]

d. 矩阵的三角函数广播运算：

函数名	函数说明	调用举例
sm_sc.fv_degrees	元素、点(广播)弧度转角度。 入参：   1. 原弧度矩阵；	select   sm_sc.fv_degrees   (     array[[12.64, -12.64],[3.16, -3.16],[0.1, -0.1]]   ); 返回：   array[[724.2187, -724.2187],[181.0547, -181.0547],[5.7296, -5.7296]]
sm_sc.fv_radians	元素、点(广播)角度转弧度。 入参：   1. 原角度矩阵；	select   sm_sc.fv_radians   (     array[[89, -90],[181, -270],[0, -360.1]]   ); 返回：   array[[1.5533, -1.5708],[3.1590, -4.7124],[0, -6.2849]]
sm_sc.fv_sin	元素、点(广播)弧度正弦。 入参：   1. 原弧度矩阵；	select   sm_sc.fv_sin   (     array[[pi(), -pi()],[pi() / 2, pi() / 4]]::double precision[]   ); 返回：   array[[1.5533, -1.5708],[3.1590, -4.7124],[0, -6.2849]]
sm_sc.fv_cos	元素、点(广播)弧度余弦。 入参：   1. 原弧度矩阵；	select   sm_sc.fv_cos   (     array[[pi(), -pi()],[pi() / 2, pi() / 4]]::double precision[]   ); 返回：   array[[-1, -1],[0, 0.7071]]
sm_sc.fv_tan	元素、点(广播)弧度正切。 入参：   1. 原弧度矩阵；	select   sm_sc.fv_tan   (     array[[pi(), -pi()],[pi() / 2, pi() / 4]]::double precision[]   ); 返回：   array[[0, 0],[1.6331e+16, 1]]
sm_sc.fv_cot	元素、点(广播)弧度余切。 入参：   1. 原弧度矩阵；	select   sm_sc.fv_cot   (     array[[pi(), -pi()],[pi() / 2, pi() / 4]]::double precision[]   ); 返回：   array[[-8.1656e+15, 8.1656e+15],[0, 1]]
sm_sc.fv_sec	元素、点(广播)弧度正割。 入参：   1. 原弧度矩阵；	select   sm_sc.fv_sec   (     array[[pi(), -pi()],[pi() / 2, pi() / 4]]::double precision[]   ); 返回：   array[[-1.0, -1.0],[1.6331e+16, 1.414]]
sm_sc.fv_csc	元素、点(广播)弧度余割。 入参：   1. 原弧度矩阵；	select   sm_sc.fv_csc   (     array[[pi(), -pi()],[pi() / 2, pi() / 4]]::double precision[]   ); 返回：   array[[8.1656e+15, -8.1656e+15],[1.0, 1.414]]
sm_sc.fv_sind	元素、点(广播)角度正弦。 入参：   1. 原角度矩阵；	select   sm_sc.fv_sind   (     array[[180, -180],[90, 45]]::double precision[]   ); 返回：   array[[0, -0],[1, 0.7071]]
sm_sc.fv_cosd	元素、点(广播)角度余弦。 入参：   1. 原角度矩阵；	select   sm_sc.fv_cosd   (     array[[180, -180],[90, 45]]::double precision[]   ); 返回：   array[[-1, -1],[1, 0.7071]]
sm_sc.fv_tand	元素、点(广播)角度正切。 入参：   1. 原角度矩阵；	select   sm_sc.fv_tand   (     array[[180, -180],[90, 45]]::double precision[]   ); 返回：   array[[0, 0],[Infinity, 1]]
sm_sc.fv_cotd	元素、点(广播)角度余切。 入参：   1. 原角度矩阵；	select   sm_sc.fv_cotd   (     array[[180, -180],[90, 45]]::double precision[]   ); 返回：   array[[-Infinity, Infinity],[0, 1]]
sm_sc.fv_asin	元素、点(广播)弧度反正弦。 入参：   1. 原弧度矩阵；	select   sm_sc.fv_asin   (     array[[1, -1],[0.5, 0.25]]::double precision[]   ); 返回：   array[[1.5708, -1.5708],[0.5236, 0.2527]]
sm_sc.fv_acos	元素、点(广播)弧度反余弦。 入参：   1. 原弧度矩阵；	select   sm_sc.fv_acos   (     array[[1, -1],[0.5, 0.25]]::double precision[]   ); 返回：   array[[0, 3.1416],[1.0472, 1.3181]]
sm_sc.fv_atan	元素、点(广播)弧度反正切。 入参：   1. 原弧度矩阵；	select   sm_sc.fv_atan   (     array[[1, -1],[0.5, 0.25]]::double precision[]   ); 返回：   array[[0.7854, -0.7854],[0.4636, 0.2450]]
sm_sc.fv_asind	元素、点(广播)角度反正弦。 入参：   1. 原角度矩阵；	select   sm_sc.fv_asind   (     array[[1, -1], [1.0 :: float/ 2, 1.0 :: float/ 4]]::double precision[]   ); 返回：   array[[90, -90],[30, 14.4775]]
sm_sc.fv_acosd	元素、点(广播)角度反余弦。 入参：   1. 原角度矩阵；	select   sm_sc.fv_acosd   (     array[[1, -1], [1.0 :: float/ 2, 1.0 :: float/ 4]]::double precision[]   ); 返回：   array[[0, 180],[60, 75.5225]]
sm_sc.fv_atand	元素、点(广播)角度反正切。 入参：   1. 原角度矩阵；	select   sm_sc.fv_atand   (     array[[1, -1],[1.0 / 2, 1.0 / 4],['-Infinity', 'Infinity']]::double precision[]   ); 返回：   array[[45, -45],[26.5651, 14.0362],[-90, 90]]
sm_sc.fv_sinh	元素、点(广播)双曲正弦。 入参：   1. 原矩阵；	select   sm_sc.fv_sinh   (     array[[pi(), -pi()],[pi() / 2, pi() / 4]]::double precision[]   ); 返回：   array[[11.5487, -11.5487],[2.3013, 0.8687]]
sm_sc.fv_cosh	元素、点(广播)双曲余弦。 入参：   1. 原矩阵；	select   sm_sc.fv_cosh   (     array[[pi(), -pi()],[pi() / 2, pi() / 4]]::double precision[]   ); 返回：   array[[11.5920, 11.5920],[2.5092, 1.3246]]
sm_sc.fv_tanh	元素、点(广播)双曲正切。 入参：   1. 原矩阵；	select   sm_sc.fv_tanh   (     array[[pi(), -pi()],[pi() / 2, pi() / 4]]::double precision[]   ); 返回：   array[[0.9963, -0.9963],[0.9176, 0.6558]]
sm_sc.fv_asinh	元素、点(广播)反双曲正弦。 入参：   1. 原矩阵；	select   sm_sc.fv_asinh   (     array[[1, -1],[0.5, 0.25],['-Infinity', 'Infinity']]::double precision[]   ); 返回：   array[[0.8814, -0.8814],[0.4812, 0.2475],[-Infinity,Infinity]]
sm_sc.fv_acosh	元素、点(广播)反双曲余弦。 入参：   1. 原矩阵；	select   sm_sc.fv_acosh   (     array[[1.2, 1.3],[1.5, 1.25],[1.0, 'Infinity']]::double precision[]   ); 返回：   array[[0.6224, 0.7564],[0.9624, 0.6931],[0,Infinity]]
sm_sc.fv_atanh	元素、点(广播)反双曲正切。 入参：   1. 原矩阵；	select   sm_sc.fv_atanh   (     array[[1, -1],[0.5, 0.25]]::double precision[]   ); 返回：   array[[Infinity, -Infinity],[0.5493, 0.2554]]

e. 波形处理：

函数名	函数说明	调用举例
sm_sc.fv_grad_heigh_1st	矩阵y方向一阶差分。 输出高度比输入长度小1。 入参：   1. 原矩阵；	select   sm_sc.fv_grad_heigh_1st   (     array[[1, 2, 3, 4],[-1, -2, -3, -4],[-3, -2, -4, -1]]   ); 返回：   array[[-2, -4, -6, -8],[-2, 0, -1, 3]]
sm_sc.fv_grad_heigh_2nd	矩阵y方向二阶差分。 输出高度比输入长度小2。 入参：   1. 原矩阵；	select   sm_sc.fv_grad_heigh_2nd   (     array[[1, 2, 3, 4],[-1, -2, -3, -4],[-3, -2, -4, -1]]   ); 返回：   array[[0, 4, 5, 11]]
sm_sc.fv_grad_width_1st	矩阵x方向一阶差分。 输出长度比输入长度小1。 入参：   1. 原矩阵；	select   sm_sc.fv_grad_width_1st   (     array[[1, 2, 3, 4],[-1, -2, -3, -4],[-3, -2, -4, -1]]   ); 返回：   array[[1, 1, 1],[-1, -1, -1],[1, -2, 3]]
sm_sc.fv_grad_width_2nd	矩阵x方向二阶差分。 输出长度比输入长度小2。 入参：   1. 原矩阵；	select   sm_sc.fv_grad_width_2nd   (     array[[1, 2, 3, 4],[-1, -2, -3, -4],[-3, -2, -4, -1]]   ); 返回：   array[[0, 0],[-3, 5]]
sm_sc.fv_sgn_fft	一维快速傅里叶变换。 输出长度为2的整数幂。 入参：   1. 原时域序列；	select   sm_sc.fv_sgn_fft   (     array     [        1. , 0.97952994, 0.91895781, 0.82076344, 0.68896692, 0.52896401,        0.34730525, 0.15142778, -0.05064917, -0.25065253, -0.44039415, -0.61210598,        -0.75875812, -0.87434662, -0.95413926, -0.99486932, -0.99486932, -0.95413926,        -0.87434662, -0.75875812, -0.61210598, -0.44039415, -0.25065253, -0.05064917,        0.15142778, 0.34730525, 0.52896401, 0.68896692, 0.82076344, 0.91895781,        0.97952994, 1.     ]   ); 返回复数类型数组(sm_sc.typ_l_complex[])：   array   [     1.00000000e+00+0.00000000e+00j, 1.61497357e+01+1.59061014e+00j,     -3.53833224e-01-7.03818042e-02j, -1.26604779e-01-3.84051399e-02j,     -6.41365736e-02-2.65662386e-02j, -3.75538211e-02-2.00729356e-02j,     -2.37109631e-02-1.58431590e-02j, -1.55930224e-02-1.27968628e-02j,     -1.04489194e-02-1.04489194e-02j, -7.01356383e-03-8.54605226e-03j,     -4.63822579e-03-6.94159545e-03j, -2.96316279e-03-5.54368767e-03j,     -1.77736596e-03-4.29094101e-03j, -9.52464878e-04-3.13985591e-03j,     -4.09315616e-04-2.05776856e-03j, -1.00322243e-04-1.01858882e-03j,      2.22044605e-16+0.00000000e+00j, -1.00322243e-04+1.01858882e-03j,     -4.09315616e-04+2.05776856e-03j, -9.52464878e-04+3.13985591e-03j,     -1.77736596e-03+4.29094101e-03j, -2.96316279e-03+5.54368767e-03j,     -4.63822579e-03+6.94159545e-03j, -7.01356383e-03+8.54605226e-03j,     -1.04489194e-02+1.04489194e-02j, -1.55930224e-02+1.27968628e-02j,     -2.37109631e-02+1.58431590e-02j, -3.75538211e-02+2.00729356e-02j,     -6.41365736e-02+2.65662386e-02j, -1.26604779e-01+3.84051399e-02j,     -3.53833224e-01+7.03818042e-02j, 1.61497357e+01-1.59061014e+00j   ]
sm_sc.fv_sgn_ifft	一维快速傅里叶逆变换。 输出长度为2的整数幂。 入参：   1. 原频域序列；	select   sm_sc.fv_sgn_ifft   (     array     [        1. , 0.97952994, 0.91895781, 0.82076344, 0.68896692, 0.52896401,        0.34730525, 0.15142778, -0.05064917, -0.25065253, -0.44039415, -0.61210598,        -0.75875812, -0.87434662, -0.95413926, -0.99486932, -0.99486932, -0.95413926,        -0.87434662, -0.75875812, -0.61210598, -0.44039415, -0.25065253, -0.05064917,        0.15142778, 0.34730525, 0.52896401, 0.68896692, 0.82076344, 0.91895781,        0.97952994, 1.     ]   ); 返回复数类型数组(sm_sc.typ_l_complex[])：   array   [     -0.00014495-0.00021693j, -0.00009260-0.00017324j,     -0.00005554-0.00013409j, -0.00002977-0.00009812j,     -0.00001279-0.00006431j, -0.00000314-0.00003183j,     0.00000000+0.00000000j , -0.00000314+0.00003183j,     -0.00001279+0.00006431j, -0.00002977+0.00009812j,     -0.00005554+0.00013409j, -0.00009260+0.00017324j,     -0.00014495+0.00021693j, -0.00021917+0.00026707j,     -0.00032653+0.00032653j, -0.00048729+0.00039991j,     -0.00074097+0.00049510j, -0.00117356+0.00062728j,     -0.00200427+0.00083020j, -0.00395641+0.00120017j,     -0.01105730+0.00219944j, 0.50467924-0.04970657j   ]
sm_sc.fv_sgn_fft2	二维快速傅里叶变换。 输出高宽为2的整数幂。 入参：   1. 原时域序列；	select   sm_sc.fv_sgn_fft2   (     array[[1, 2, 3, 4],[4, 5, 6, 7],[8, 9, 10, 11]]   ); 返回：   array[[70.0+0.0j, -6.0-6.0j, -6.0+0.0j, -6.0+6.0j]           ,[-28.0+22.0j, 2.0-2.0j, 0.0-2.0j, -2.0-2.0j]           ,[26.0+0.0j, -2.0-2.0j, -2.0+0.0j, -2.0+2.0j]           ,[-28.0-22.0j, -2.0+2.0j, 0.0+2.0j, 2.0+2.0j]]
sm_sc.fv_sgn_ifft2	二维快速傅里叶逆变换。 输出高宽为2的整数幂。 入参：   1. 原频域序列；	select   sm_sc.fv_sgn_ifft2   (     array[[1, 2, 3, 4],[4, 5, 6, 7],[8, 9, 10, 11]]   ); 返回：   array[[4.3750+0.0000j, -0.3750+0.3750j, -0.3750+0.0000j, -0.3750-0.3750j]           ,[-1.7500-1.3750j, 0.1250+0.1250j, 0.0000+0.1250j, -0.1250+0.1250j]           ,[1.6250+0.0000j, -0.1250+0.1250j, -0.1250+0.0000j, -0.1250-0.1250j]           ,[-1.7500+1.3750j, -0.1250-0.1250j, 0.0000-0.1250j, 0.1250-0.1250j]]
sm_sc.fv_sgn_kalman	卡尔曼滤波变换。 输出序列比输入序列长度大1。 入参：   1. 原时域序列；	-- create extension tablefunc; with -- 构造精确序列 cte_ods as (    select      row_number() over() as row_no,      a_x,      10 * sin(a_x) :: float as ods_ele    from generate_series(0.0::decimal, pi()::decimal, (pi() / 100)::decimal) tb_a(a_x) ) , -- 构造误差序列 cte_test as (    select      row_no,      ods_ele + normal_rand(1, 0.0, 0.5) :: float as test_ele -- 假定观测误差标准差 0.5    from cte_ods ) , -- 执行卡尔曼滤波 cte_predict as (    select      sm_sc.fv_sgn_kalman      (        array_agg(test_ele order by row_no),        0.4 * 0.4 , -- 假定过程误差标准差 0.4        0.5 * 0.5 , -- 假定观测误差标准差 0.5        0.5 * 0.5      ) as predict_arr    from cte_test ) -- 对比结果 select    a_x, a_ods_ele, a_test_ele, a_predict_ele    -- sum(abs(a_test_ele - a_ods_ele) - abs(a_predict_ele - a_ods_ele)) from unnest (    (select array_agg(a_x) from cte_ods),    (select array_agg(ods_ele) from cte_ods),    (select array_agg(test_ele) from cte_test),    (select predict_arr from cte_predict) )  tb_a(a_x, a_ods_ele, a_test_ele, a_predict_ele) 返回：     a_x              a_ods_ele   a_test_ele     a_predict_ele     0.00000000 0.00000000 -0.07238570 -0.07238570     0.03141593 0.31410760 0.06269807 0.01152998     0.06283186 0.62790530 0.90212888 0.50826981     0.09424779 0.94108320 1.73031760 1.17427501     0.12566372 1.25333250 0.59666534 0.86101867     0.15707965 1.56434480 1.01786649 0.94599484     0.18849558 1.87381340 2.09580312 1.56879714     0.21991151 2.18143270 2.11825104 1.86639946     0.25132744 2.48689910 2.55075390 2.23706481     0.28274337 2.78991140 2.60066296 2.43399926     0.31415930 3.09017030 2.45377347 2.44470949     0.34557523 3.38737960 3.72143761 3.13621913     0.37699116 3.68124590 2.99812719 3.06142489     0.40840709 3.97147930 3.42792734 3.25993228     0.43982302 4.25779340 4.31830536 3.83317505     0.47123895 4.53990550 4.56145212 4.22762911     0.50265488 4.81753720 5.06905005 4.68336488     0.53407081 5.09041470 5.45222292 5.09979867     0.56548674 5.35826850 5.81926993 5.48948327     0.59690267 5.62083430 5.97156983 5.75059406     0.62831860 5.87785310 6.19611739 5.99190124     0.65973453 6.12907110 6.98108901 6.52767142     0.69115046 6.37424050 5.99603643 6.23972389     0.72256639 6.61311930 6.28735803 6.26552380     0.75398232 6.84547170 5.74105687 5.98145868     0.78539825 7.07106840 6.77602618 6.41181739     0.81681418 7.28968690 6.85151619 6.64996985     0.84823011 7.50111130 6.38093462 6.50425328     0.87964604 7.70513300 7.66786487 7.13449600     0.91106197 7.90155070 8.07567306 7.64426231     0.94247790 8.09017060 7.87262345 7.76794872     0.97389383 8.27080630 8.31935211 8.06660333     1.00530976 8.44327980 8.86376730 8.49836836     1.03672569 8.60742090 8.06964373 8.26615980     1.06814162 8.76306740 9.41039761 8.88590917     1.09955755 8.91006580 8.92835762 8.90890037     1.13097348 9.04827110 8.68164490 8.78581282     1.16238941 9.17754680 9.27285046 9.04960525     1.19380534 9.29776530 9.65991384 9.38016447     1.22522127 9.40880810 9.37680006 9.37834222     1.25663720 9.51056560 9.17752884 9.26957640     1.28805313 9.60293730 8.78020289 9.00451880     1.31946906 9.68583200 9.57998840 9.31620831     1.35088499 9.75916790 9.27521528 9.29400540     1.38230092 9.82287280 9.78488155 9.55987687     1.41371685 9.87688360 10.32271604 9.97305068     1.44513278 9.92114720 10.41625520 10.21310193     1.47654871 9.95561980 9.17540882 9.65105998     1.50796464 9.98026740 9.11660215 9.36158353     1.53938057 9.99506570 10.34605545 9.89479948     1.57079650 10.00000000 10.35161797 10.14222442     1.60221243 9.99506550 9.88948807 10.00533575     1.63362836 9.98026720 10.25024667 10.13798596     1.66504429 9.95561950 9.73600478 9.92026235     1.69646022 9.92114680 10.15850842 10.04930270     1.72787615 9.87688310 11.01563448 10.57269347     1.75929208 9.82287210 10.40551561 10.48214553     1.79070801 9.75916720 10.51001749 10.49724172     1.82212394 9.68583110 9.82572837 10.13353238     1.85353987 9.60293630 10.46598167 10.31359568     1.88495580 9.51056450 9.31690803 9.77376337     1.91637173 9.40880700 9.12661892 9.42325287     1.94778766 9.29776410 9.47494195 9.45124904     1.97920359 9.17754540 8.83534106 9.11765704     2.01061952 9.04826960 8.42020767 8.73990007     2.04203545 8.91006420 9.31084849 9.04914079     2.07345138 8.76306570 8.58320157 8.79677582     2.10486731 8.60741910 8.81196387 8.80500207     2.13628324 8.44327800 8.83431931 8.82088106     2.16769917 8.27080440 8.69911763 8.75493078     2.19911510 8.09016850 8.49712138 8.61529441     2.23053103 7.90154860 7.52881785 8.02683006     2.26194696 7.70513080 7.73606742 7.86934535     2.29336289 7.50110900 6.90444588 7.34673036     2.32477882 7.28968450 7.20778566 7.27147425     2.35619475 7.07106600 7.04657670 7.14966381     2.38761068 6.84546910 6.19311495 6.63157173     2.41902661 6.61311670 7.75630107 7.24075480     2.45044254 6.37423780 6.12010764 6.63378275     2.48185847 6.12906840 6.65184129 6.64356373     2.51327440 5.87785030 5.50467567 6.02671193     2.54469033 5.62083150 4.62287829 5.26635862     2.57610626 5.35826560 4.54544759 4.87589420     2.60752219 5.09041170 4.88442549 4.88051497     2.63893812 4.81753420 4.73826616 4.80346926     2.67035405 4.53990240 5.22731399 5.03303474     2.70176998 4.25779020 4.36847656 4.67309251     2.73318591 3.97147610 4.07646885 4.34994540     2.76460184 3.68124270 4.36259811 4.35679844     2.79601777 3.38737630 3.42840169 3.85395428     2.82743370 3.09016700 3.66048294 3.74916510     2.85884963 2.78990800 2.66247256 3.16058377     2.89026556 2.48689580 2.18075736 2.62988395     2.92168149 2.18142930 1.64406354 2.09593762     2.95309742 1.87380990 2.32140082 2.21805443     2.98451335 1.56434140 1.76298351 1.97157602     3.01592928 1.25332900 1.88917658 1.92694631     3.04734521 0.94107980 1.13478766 1.49789230     3.07876114 0.62790180 -0.13328145 0.61440559     3.11017707 0.31410420 -0.54286213 -0.01240112                         0.31651924

f. 矩阵的切片粒度聚合、矩阵粒度聚合、以某切片值排序、切片粒度定位极值位置：

函数名	函数说明	调用举例
sm_sc.fv_aggr_slice_sum	元素聚合合计。 入参：   1. 原矩阵；	select   sm_sc.fv_aggr_slice_sum   (     array[[1.3, 2.25],[2.2, -3.0]]   ); 返回：   2.75
sm_sc.fv_aggr_slice_prod	元素聚合累乘。 入参：   1. 原矩阵；	select   sm_sc.fv_aggr_slice_prod   (     array[[1.3, 2.25],[2.2, -3.0]]   ); 返回：   -19.305
sm_sc.fv_aggr_slice_avg	元素聚合平均。 入参：   1. 原矩阵；	select   sm_sc.fv_aggr_slice_avg   (     array[[1.3, 2.25],[2.2, -3.0]]   ); 返回：   0.6875
sm_sc.fv_aggr_slice_max	元素聚合最大。 入参：   1. 原矩阵；	select   sm_sc.fv_aggr_slice_max   (     array[[1.3, 2.25],[2.2, -3.0]]   ); 返回：   2.25
sm_sc.fv_aggr_slice_min	元素聚合最小。 入参：   1. 原矩阵；	select   sm_sc.fv_aggr_slice_min   (     array[[1.3, 2.25],[2.2, -3.0]]   ); 返回：   -3.0
sm_sc.fv_aggr_chunk_sum	切块粒度聚合合计。 入参：   1. 原矩阵；   2. 块规格，各维度长度；	select       sm_sc.fv_aggr_chunk_sum     (         array         [             [2.3,  5.1,  8.2,  2.56,  3.33,  -1.9]         ,  [3.25,  6.4,  6.6,  6.9,  -2.65,  -4.6]         ,  [-2.3,  5.1,  -8.2,  2.56,  -3.33,  -1.9]         ,  [3.25,  -6.4,  -6.6,  6.9,  -2.65,  -4.6]         ]     ,  array[2,  3]     ) 返回:     array     [         [5.12,  10.20,  -3.8]     ,  [20.30,  -5.30,  -9.2]     ]
sm_sc.fv_aggr_chunk_prod	切块粒度聚合累乘。 入参：   1. 原矩阵；   2. 块规格，各维度长度；	select       sm_sc.fv_aggr_chunk_prod     (         array         [             [2.3,  5.1,  8.2,  2.56,  3.33,  -1.9]         ,  [3.25,  6.4,  6.6,  6.9,  -2.65,  -4.6]         ,  [-2.3,  5.1,  -8.2,  2.56,  -3.33,  -1.9]         ,  [3.25,  -6.4,  -6.6,  6.9,  -2.65,  -4.6]         ]     ,  array[2,  3]     ) 返回:     array     [         [-34.668544,  -288.422289,  -242.7364]     ,  [502.880625,  -287.641600,  -921.7296]     ]
sm_sc.fv_aggr_chunk_avg	切块粒度聚合平均。 入参：   1. 原矩阵；   2. 块规格，各维度长度；	select       sm_sc.fv_aggr_chunk_avg     (         array         [             [2.3,  5.1,  8.2,  2.56,  3.33,  -1.9]         ,  [3.25,  6.4,  6.6,  6.9,  -2.65,  -4.6]         ,  [-2.3,  5.1,  -8.2,  2.56,  -3.33,  -1.9]         ,  [3.25,  -6.4,  -6.6,  6.9,  -2.65,  -4.6]         ]     ,  array[2,  3]     ) 返回:     array     [         [1.280,  2.550,  -0.950]     ,  [5.075,  -1.325,  -2.300]     ]
sm_sc.fv_aggr_chunk_max	切块粒度聚合最大。 入参：   1. 原矩阵；   2. 块规格，各维度长度；	select       sm_sc.fv_aggr_chunk_max     (         array         [             [2.3,  5.1,  8.2,  2.56,  3.33,  -1.9]         ,  [3.25,  6.4,  6.6,  6.9,  -2.65,  -4.6]         ,  [-2.3,  5.1,  -8.2,  2.56,  -3.33,  -1.9]         ,  [3.25,  -6.4,  -6.6,  6.9,  -2.65,  -4.6]         ]     ,  array[2,  3]     ) 返回:     array     [         [2.56,  5.1,  8.2]     ,  [6.9,  6.4,  6.6]     ]
sm_sc.fv_aggr_chunk_min	切块粒度聚合最小。 入参：   1. 原矩阵；   2. 块规格，各维度长度；	select       sm_sc.fv_aggr_chunk_min     (         array         [             [2.3,  5.1,  8.2,  2.56,  3.33,  -1.9]         ,  [3.25,  6.4,  6.6,  6.9,  -2.65,  -4.6]         ,  [-2.3,  5.1,  -8.2,  2.56,  -3.33,  -1.9]         ,  [3.25,  -6.4,  -6.6,  6.9,  -2.65,  -4.6]         ]     ,  array[2,  3]     ) 返回:     array     [         [-2.3,  -3.33,  -8.2]     ,  [3.25,  -6.4,  -6.6]     ]
sm_sc.fv_aggr_slice_ptp	元素聚合跨度(最大-最小)。 入参：   1. 原矩阵；	select   sm_sc.fv_aggr_slice_ptp   (     array[[1.3, 2.25],[2.2, -3.0]]   ); 返回：   5.25
sm_sc.fv_aggr_slice_var_pop	元素聚合总体方差。 入参：   1. 原矩阵；	select   sm_sc.fv_aggr_slice_var_pop   (     array[[1.3, 2.25],[2.2, -3.0]]   ); 返回：   4.67546875
sm_sc.fv_aggr_slice_var_samp	元素聚合样本方差。 入参：   1. 原矩阵；	select   sm_sc.fv_aggr_slice_var_samp   (     array[[1.3, 2.25],[2.2, -3.0]]   ); 返回：   6.2339583
sm_sc.fv_aggr_slice_stddev_pop	元素聚合总体标准差。 入参：   1. 原矩阵；	select   sm_sc.fv_aggr_slice_stddev_pop   (     array[[1.3, 2.25],[2.2, -3.0]]   ); 返回：   2.162283
sm_sc.fv_aggr_slice_stddev_samp	元素聚合样本标准差。 入参：   1. 原矩阵；	select   sm_sc.fv_aggr_slice_stddev_samp   (     array[[1.3, 2.25],[2.2, -3.0]]   ); 返回：   2.4967896
sm_sc.fv_aggr_slice_mode	元素聚合众数。 入参：   1. 原矩阵；	select   sm_sc.fv_aggr_slice_mode   (     array[[1.3, 2.25],[2.25, -3.0]]   ); 返回：   2.25
sm_sc.fv_aggr_slice_median	元素聚合中位数。 入参：   1. 原矩阵；	select   sm_sc.fv_aggr_slice_median   (     array[[1.3, 2.25],[2.2, -3.0]]   ); 返回：   1.75
sm_sc.fv_aggr_slice_concat	元素聚合位元拼接。 入参：   1. 原矩阵；	select   sm_sc.fv_aggr_slice_concat   (     array[['abc', 'de'],['fghi', 'jklmn']]   ); 返回：   'abcdefghijklmn'
sm_sc.fv_aggr_slice_or	元素聚合位元、逻辑求或。 入参：   1. 原矩阵；	select   sm_sc.fv_aggr_slice_or   (     array[[true, false],[true, false]]   ); 返回：   true -------------------------- select   sm_sc.fv_aggr_slice_or   (     array[[B'010', B'011'],[B'101', B'011']]   ); 返回：   B'111'
sm_sc.fv_aggr_slice_and	元素聚合位元、逻辑求与。 入参：   1. 原矩阵；	select   sm_sc.fv_aggr_slice_and   (     array[[true, false],[true, false]]   ); 返回：   false -------------------------- select   sm_sc.fv_aggr_slice_and   (     array[[B'010', B'011'],[B'101', B'011']]   ); 返回：   B'000'
sm_sc.fv_aggr_slice_coalesce	元素聚合免空。 入参：   1. 原矩阵；	select   sm_sc.fv_aggr_slice_coalesce   (     array[[null, 2.25],[2.2, -3.0]]   ); 返回：   2.25
sm_sc.fv_aggr_slice_is_exists_null	空元素判定。 入参：   1. 原矩阵；	select   sm_sc.fv_aggr_slice_is_exists_null   (     array[[null, 2.25],[2.2, -3.0]]   ); 返回：   true
sm_sc.fv_idx_1d_max	一维数组检索最大值位置。 入参：   1. 原矩阵；	select   sm_sc.fv_idx_1d_max   (     array[1.2, 2.3, 5.6, 52.1]   ); 返回：   4
sm_sc.fv_idx_y_max	二维数组各行检索最大值位置。 入参：   1. 原矩阵；	select   sm_sc.fv_idx_y_max   (     array[[1.2, 2.3, 5.6, 52.1],[-1.2, 2.3, -5.6, 2.1]]   ); 返回：   array[[4],[2]]
sm_sc.fv_idx_x_max	二维数组各列检索最大值位置。 入参：   1. 原矩阵；	select   sm_sc.fv_idx_x_max   (     array[[1.3, 2.25],[2.2, -3.0]]   ); 返回：   array[[2, 1]]
sm_sc.fv_idx_mx_max	二维数组检索最大值位置。 入参：   1. 原矩阵；	select   sm_sc.fv_idx_mx_max   (     array[[1.3, 2.25],[2.2, -3.0]]   ); 返回：   array[1, 2]
sm_sc.fv_idx_1d_min	一维数组检索最小值位置。 入参：   1. 原矩阵；	select   sm_sc.fv_idx_1d_min   (     array[1.2, 2.3, 5.6, 52.1]   ); 返回：   1
sm_sc.fv_idx_y_min	二维数组各行检索最小值位置。 入参：   1. 原矩阵；	select   sm_sc.fv_idx_y_min   (     array[[1.3, 2.25],[2.2, -3.0]]   ); 返回：   array[[1],[2]]
sm_sc.fv_idx_x_min	二维数组各列检索最小值位置。 入参：   1. 原矩阵；	select   sm_sc.fv_idx_x_min   (     array[[1.3, 2.25],[2.2, -3.0]]   ); 返回：   array[[1, 2]]
sm_sc.fv_idx_mx_min	二维数组检索最小值位置。 入参：   1. 原矩阵；	select   sm_sc.fv_idx_mx_min   (     array[[1.3, 2.25],[2.2, -3.0]]   ); 返回：   array[2, 2]
sm_sc.fv_ord_by_col	元素纵向排序，按照某列值排列行。 入参：   1. 原矩阵；   2. 列序号，按照该列元素值大小排序；   3. 降序控制，缺省为升序；	select   sm_sc.fv_ord_by_col   (     array[[1.3, 2.25],[2.2, -3.0]]   , 2   ); 返回：   array[[2.2, -3.0],[1.3, 2.25]]
sm_sc.fv_ord_by_row	元素横向排序，按照某行值排列列。 入参：   1. 原矩阵；   2. 行序号，按照该行元素值大小排序；   3. 降序控制，缺省为升序；	select   sm_sc.fv_ord_by_row   (     array[[1.3, 2.25],[2.2, -3.0]]   , 1   , true   ); 返回：   array[[2.25, 1.3],[-3.0, 2.2]]
sm_sc.fa_mx_sum	矩阵粒度聚合合计	select   sm_sc.fa_mx_sum(a_arr) as a_mx_sum,   sm_sc.fa_mx_prod(a_arr) as a_mx_prod,   sm_sc.fa_mx_avg(a_arr :: float[]) as a_mx_avg,   sm_sc.fa_mx_max(a_arr) as a_mx_max,   sm_sc.fa_mx_min(a_arr) as a_mx_min,   sm_sc.fa_mx_inner_prod(a_arr) as a_mx_inner_prod from   (     select array[[1.3, 2.25],[2.2, -3.0]] as a_arr     union all     select array[[2.3, 5.6],[0.47, 2.6]] as a_arr     union all     select array[[2.6, -0.8],[0.63, 3.71]] as a_arr   ) tb_a_arr(a_arr); 返回：   a_mx_sum:     array[[6.2, 7.05],[3.30, 3.31]]   a_mx_prod:     array[[7.774, -10.08],[0.65142, -28.938]]   a_mx_avg:     array[[2.0667, 2.35],[1.1, 1.1033]]   a_mx_max:     array[[2.6, 5.6],[2.2, 3.71]]   a_mx_min:     array[[1.3, -0.8],[0.47, -3.0]]   a_mx_inner_prod:     -30.59258
sm_sc.fa_mx_prod	矩阵粒度聚合累乘
sm_sc.fa_mx_avg	矩阵粒度聚合平均
sm_sc.fa_mx_max	矩阵粒度聚合最大
sm_sc.fa_mx_min	矩阵粒度聚合最小
sm_sc.fa_mx_inner_prod	矩阵粒度聚合内积
sm_sc.fa_array_concat	矩阵粒度一阶数组聚合拼接	select   sm_sc.fa_array_concat(a_arr) from (   select array[1.2, 1.5, 1.8] as a_val   union all   select array[11.2, 21.5, 31.8] as a_val   union all   select array[31.2, 1.5, 21.8] as a_val ) tb_a_arr(a_arr); 返回：   array[1.2, 1.5, 1.8, 11.2, 21.5, 31.8, 31.2, 1.5, 21.8]
sm_sc.fa_mx_concat_y	矩阵粒度聚合第一维度拼接	select     sm_sc.fa_mx_concat_y(a_arr)  as  a_mx_concat_y,     sm_sc.fa_mx_concat_x(a_arr)  as  a_mx_concat_x,     sm_sc.fa_mx_concat_x3(array[a_arr])  as  a_mx_concat_x3,     sm_sc.fa_mx_concat_x4(array[[a_arr]])  as  a_mx_concat_x4,     sm_sc.fa_mx_concat_per_ele(a_arr)  as  a_mx_concat_per_ele from   (     select  array[[B'110',  B'100',  B'101'],[B'101',  B'1010',  B'100']]  as  a_val     union  all     select  array[[B'1010',  B'110',  B'1010'],[B'010',  B'1010',  B'110']]  as  a_val     union  all     select  array[[B'1010',  B'10',  B'1010'],[B'10',  B'101001010',  B'00010']]  as  a_val )  tb_a_arr(a_arr) 返回:     a_mx_concat_y:         array[[B'110',B'100',B'101']                   ,[B'101',B'1010',B'100']                   ,[B'1010',B'110',B'1010']                   ,[B'010',B'1010',B'110']                   ,[B'1010',B'10',B'1010']                   ,[B'10',B'101001010',B'00010']]     a_mx_concat_x:         array[[B'110',B'100',B'101',B'1010',B'110',B'1010',B'1010',B'10',B'1010']                   ,[B'101',B'1010',B'100',B'010',B'1010',B'110',B'10',B'101001010',B'00010']]     a_mx_concat_x3:         array[[[B'110',B'100',B'101',B'1010',B'110',B'1010',B'1010',B'10',B'1010']                     ,[B'101',B'1010',B'100',B'010',B'1010',B'110',B'10',B'101001010',B'00010']][     a_mx_concat_x4:         array[[[[B'110',B'100',B'101',B'1010',B'110',B'1010',B'1010',B'10',B'1010']                       ,[B'101',B'1010',B'100',B'010',B'1010',B'110',B'10',B'101001010',B'00010']]]]     a_mx_concat_per_ele:         array[[B'11010101010',B'10011010',B'10110101010']                   ,[B'10101010',B'10101010101001010',B'10011000010']]
sm_sc.fa_mx_concat_x	矩阵粒度聚合第二维度拼接
sm_sc.fa_mx_concat_x3	矩阵粒度聚合第三维度拼接
sm_sc.fa_mx_concat_x4	矩阵粒度聚合第四维度拼接
sm_sc.fa_mx_concat_per_ele	每矩阵同位置对应元素聚合位元拼接
sm_sc.fa_mx_or	每矩阵同位置对应元素聚合位元、逻辑求或	select   sm_sc.fa_mx_or(a_arr) as a_mx_or,   sm_sc.fa_mx_and(a_arr) as a_mx_and from   (     select array[[B'1101', B'100', B'101'],[B'10', B'100101010', B'10010']] as a_arr     union all     select array[[B'1010', B'110', B'100'],[B'00', B'100101010', B'10010']] as a_arr     union all     select array[[B'1010', B'101', B'010'],[B'10', B'101001010', B'00010']] as a_arr   ) tb_a_arr(a_arr); 返回：   a_mx_or:     array[[B'1111', B'111', B'111'],[B'10', B'101101010', B'10010']]   a_mx_and:     array[[B'1000', B'100', B'000'],[B'00', B'100001010', B'00010']]
sm_sc.fa_mx_and	每矩阵同位置对应元素聚合位元、逻辑求与
sm_sc.fa_mx_coalesce	矩阵粒度聚合免空	select   sm_sc.fa_mx_coalesce(a_arr) from (   select array[[null, 12, null],[14, null, 16]] as a_val   union all   select array[[null, 22, 23],[null, null, 26]] as a_val   union all   select array[[31, 1.5, 1.8],[11.2, 11.5, 11.8]] as a_val ) tb_a_arr(a_arr); 返回：   array[[31, 12, 23],[14, 11.5, 16]]

g. 机器学习的重分布函数：

函数名	函数说明	调用举例
sm_sc.fv_redistr_0_1	全矩阵0至1区间(线性)标准化。 入参：   1. 原矩阵；	select   sm_sc.fv_redistr_0_1   (     array[[12.3, 25.1],[2.56, 3.25]]   ); 返回：   array[[0.432121, 1.0],[0.0, 0.030612]]
sm_sc.fv_redistr_ne1_1	全矩阵-1至1区间(线性)标准化。 入参：   1. 原矩阵；	select   sm_sc.fv_redistr_ne1_1   (     array[[12.3, 25.1],[2.56, 3.25]]   ); 返回：   array[[0.0664, 0.6343],[-0.3657, -0.3351]]
sm_sc.fv_redistr_l1l2ln	全矩阵 l1, l2...ln 范数归一化。 入参：   1. 原矩阵；   2. 范数次数；	select   sm_sc.fv_redistr_l1l2ln   (     array[[12.3, 25.1],[2.56, 3.25]]   , 2   ); 返回：   array[[0.4353, 0.8883],[0.0906, 0.1150]]
sm_sc.fv_redistr_log	全矩阵对数(非线性)标准化。 入参：   1. 原矩阵；	select   sm_sc.fv_redistr_log   (     array[[12.3, 25.1],[2.56, 3.25]]   ); 返回：   array[[0.7787, 1.0000],[0.2917, 0.3657]]
sm_sc.fv_redistr_softmax	全矩阵 softmax 标准化。 入参：   1. 原矩阵；	select   sm_sc.fv_redistr_softmax   (     array[[4.3, 2.1],[2.56, 3.25]]   ); 返回：   array[[0.6111, 0.0677],[0.1073, 0.2139]]
sm_sc.fv_redistr_zscore	全矩阵 z_score 标准化。 入参：   1. 原矩阵；	select   sm_sc.fv_redistr_zscore   (     array[[12.3, 25.1],[2.56, 3.25]]   ); 返回：   array[[0.1424, 1.3598],[-0.7839, -0.7183]]
sm_sc.fv_redistr_centralize	全矩阵中心化。 入参：   1. 原矩阵；	select       sm_sc.fv_redistr_centralize     (         array         [             [1,  2,  3,  4,  5,  6]         ,  [10,  20,  30,  40,  50,  60]         ,  [100,  200,  300,  400,  500,  600]         ]     ) 返回:     array     [         [-128.5,  -127.5,  -126.5,  -125.5,  -124.5,  -123.5]     ,  [-119.5,  -109.5,  -99.5,  -89.5,  -79.5,  -69.5]     ,  [-29.5,  70.5,  170.5,  270.5,  370.5,  470.5]     ]

h. 机器学习的激活函数：

函数名	函数说明	调用举例
sm_sc.fv_activate_elu	激活函数 elu。 入参：   1. 原值；   2. α值；	select   sm_sc.fv_activate_elu   (     array[[1.2, -1.0],[0.0, -8.3]]   , 0.1   ); 返回：   array[[1.2000, -0.0632],[0.0000, -0.1000]]
sm_sc.fv_activate_gelu	激活函数 gelu。 入参：   1. 原值；	select   sm_sc.fv_activate_gelu   (     array[[1.2, -1.0],[0.0, -8.3]]   ); 返回：   array[[1.0617, -0.1588],[0.0000, 0.0000]]
sm_sc.fv_activate_leaky_relu	激活函数 leaky_relu。 入参：   1. 原值；   2. α值；	select   sm_sc.fv_activate_leaky_relu   (     array[[1.2, -1.0],[0.0, -8.3]]   , 0.1   ); 返回：   array[[1.2000, -0.1000],[0.0000, -0.8300]]
sm_sc.fv_activate_relu	激活函数 relu。 入参：   1. 原值；	select   sm_sc.fv_activate_relu   (     array[[1.2, -1.0],[0.0, -8.3]]   ); 返回：   array[[1.2, 0.0],[0.0, 0.0]]
sm_sc.fv_activate_selu	激活函数 selu。 入参：   1. 原值；	select   sm_sc.fv_activate_selu   (     array[[1.2, -1.0],[0.0, -8.3]]   ); 返回：   array[[1.2608, -1.1113],[0.0, -1.7577]]
sm_sc.fv_activate_sigmoid	激活函数 sigmoid。 入参：   1. 原值；	select   sm_sc.fv_activate_sigmoid   (     array[[1.2, -1.0],[0.0, -8.3]]   ); 返回：   array[[0.7685, 0.2689],[0.5000, 0.0002]]
sm_sc.fv_activate_softplus	激活函数 softplus。 入参：   1. 原值；	select   sm_sc.fv_activate_softplus   (     array[[1.2, -1.0],[0.0, -8.3]]   ); 返回：   array[[1.4633, 0.3133],[0.6931, 0.0002]]
sm_sc.fv_activate_swish	激活函数 swish，也做 silu。 入参：   1. 原值；	select   sm_sc.fv_activate_swish   (     array[[1.2, -1.0],[0.0, -8.3]]   ); 返回：   array[[0.9222, -0.2689],[0.0000, -0.0021]]
sm_sc.fv_activate_boxcox	激活函数 boxcox。 入参：   1. 原值；   2. lambda 值；	select       sm_sc.fv_activate_boxcox     (         array         [             [1,  2,  3,  4,  5,  6]         ,  [10,  20,  30,  40,  50,  60]         ,  [100,  200,  300,  400,  500,  600]         ]     ,  2     ) 返回:     array     [         [0,1.5,4,7.5,12,17.5]     ,  [49.5,199.5,449.5,799.5,1249.5,1799.5]     ,  [4999.5,19999.5,44999.5,79999.5,124999.5,179999.5]     ]

i. 计算图的 json 序列化、反序列化：

函数名	函数说明	调用举例
sm_sc.ft_computational_graph_deserialize	json 计算图配置或代数式/等式文本反序列化为表记录。 本函数依托于临时表 sm_sc._vt_fn_compu_graph_deseri__graph 实现。 入参：   1. 原值；json 计算图或代数式/等式文本；       json 计算图格式说明如下：         a. 花括号以及其中内容：表达式。             表达式指变量或由变量和表达式以及运算类型组成的运算关系；         b. out_param: 因变量名。             表达式只有一个因变量；         c. opr: 基础运算类型名称或注册的自定义运算类型名称；         d. in_params: 自变量名称。             其 value 值为方括号以及其中内容: 自变量或自变量集合；         e. out_value: 常量值。 出参列：   1. o_out_param: 中间结果因变量或最终因变量；   2. o_in_param: 中间结果自变量或最终自变量；   3. o_in_value: 常量数值；   4. o_param_loc: 自变量在该步运算的入参顺序号；   5. o_out_opr: 运算类型名；	-- 以下列函数表达式为例： "v_z_in = (v_x_in * v_y_in) + exp(2 * v_y_in)" select * from sm_sc.ft_computational_graph_deserialize(' {    "out_param": "v_z_in",    "opr": "sm_sc.fv_opr_add",    "in_params":    [        {            "opr": "sm_sc.fv_opr_mul",            "in_params":            [                {                    "out_param": "v_x_in"                },                {                    "out_param": "v_y_in"                }            ]        },        {            "opr": "sm_sc.fv_opr_exp",            "in_params":            [                {                    "opr": "sm_sc.fv_opr_mul",                    "in_params":                    [                        {                            "out_value": 2                        },                        {                            "out_param": "v_y_in"                        }                    ]                }            ]        }    ] } '::jsonb); 返回：   o_out_param                                            o_in_param                                     o_in_value o_param_loc o_out_opr                                                                     v_z_in                                                                  1       5fba12605bdc0e173138d1053c5e2d71    v_x_in                                                                  1    sm_sc.fv_opr_mul   5fba12605bdc0e173138d1053c5e2d71    v_y_in                                                                  2    sm_sc.fv_opr_mul   85a10bcd87dd33ec3668cf8719912cb6                                                                        2.0    1    sm_sc.fv_opr_mul   85a10bcd87dd33ec3668cf8719912cb6    v_y_in                                                                  2    sm_sc.fv_opr_mul   c37766ac76959dc0ab92af50ad916b13    85a10bcd87dd33ec3668cf8719912cb6              1    sm_sc.fv_opr_exp   v_z_in                                                        5fba12605bdc0e173138d1053c5e2d71              1    sm_sc.fv_opr_add   v_z_in                                                        c37766ac76959dc0ab92af50ad916b13              2    sm_sc.fv_opr_add -------------------------- select * from sm_sc.ft_computational_graph_deserialize('v_z_in = (v_x_in * v_y_in) + exp(2 * v_y_in)'); 返回：   o_out_param                                            o_in_param                                     o_in_value o_param_loc o_out_opr   3ad526261da71248975a90310b0da8f7    e4dd85e5f4b1451eaef35f03a5e44c5f              1    sm_sc.fv_opr_exp   8efff79710388489d3fba3597afa8aac    v_x_in                                                                  1    sm_sc.fv_opr_mul   8efff79710388489d3fba3597afa8aac    v_y_in                                                                  2    sm_sc.fv_opr_mul   ce2101d23207b306073a470e7832654e    8efff79710388489d3fba3597afa8aac              1    sm_sc.fv_opr_add   ce2101d23207b306073a470e7832654e    3ad526261da71248975a90310b0da8f7              2    sm_sc.fv_opr_add   e4dd85e5f4b1451eaef35f03a5e44c5f                                                                        2.0    1    sm_sc.fv_opr_mul   e4dd85e5f4b1451eaef35f03a5e44c5f    v_y_in                                                                  2    sm_sc.fv_opr_mul   v_z_in                                                        ce2101d23207b306073a470e7832654e              1

j. 机器学习的卷积、池化、矩阵组播：

函数名	函数说明	调用举例
sm_sc.fv_conv_2d_v_im2col	矩阵卷积(im2col 方法)。 入参：   1. 背景矩阵；   2. 卷积核矩阵；   3. 卷积核偏移量；   4. 滑动窗口纵向和横向步长。       该参数为长度为2的一维数组；   5. 上下左右补齐行数/列数。       该参数为长度为4的一维数组；   6. 补齐填充元素值；	select    sm_sc.fv_conv_2d_v_im2col    (     array     [       [1,2,3,4,5,6]     ,[10,20,30,40,50,60]     ,[100,200,300,400,500,600]     ,[-1,-2,-3,-4,-5,-6]     ,[-10,-20,-30,-40,-50,-60]     ]   , array[[1.1, 1.1, 1.1],[1.1, 2.1, 1.1],[1.1, 1.1, 1.1]]   , array[0.0]   , array[2, 2]   , array[1, 1, 1, 0]   , 0.0    ); 返回：   array   [     [37.3000, 111.9000, 186.5000]   ,[459.7000, 1379.1000, 2298.5000]   ,[-46.3000, -138.9000, -231.5000]   ]
sm_sc.fv_pool_none	元素保留不变池化。 入参：   1. 原矩阵；   2. 池化窗口高宽大小；   3. 滑动窗口纵向和横向步长。       该参数为长度为2的一维数组；   4. 上下左右补齐行数/列数。       该参数为长度为4的一维数组；   5. 补齐填充元素值；	select  sm_sc.fv_pool_none     (         array         [             [1.0,2.0,3.0,4.0,5.0,6.0,7.0]         ,  [10.0,20.0,30.0,40.0,50.0,60.0,70.0]         ,  [100.0,200.0,300.0,400.0,500.0,600.0,700.0]         ,  [-1.0,-2.0,-3.0,-4.0,-5.0,-6.0,-7.0]         ,  [-10.0,-20.0,-30.0,-40.0,-50.0,-60.0,-70.0]         ]         ,  array[3,  3]         ,  array[2,  2]     ); 返回：     array     [         [1.0,2.0,3.0,3.0,4.0,5.0,5.0,6.0,7.0]     ,  [10.0,20.0,30.0,30.0,40.0,50.0,50.0,60.0,70.0]     ,  [100.0,200.0,300.0,300.0,400.0,500.0,500.0,600.0,700.0]     ,  [100.0,200.0,300.0,300.0,400.0,500.0,500.0,600.0,700.0]     ,  [-1.0,-2.0,-3.0,-3.0,-4.0,-5.0,-5.0,-6.0,-7.0]     ,  [-10.0,-20.0,-30.0,-30.0,-40.0,-50.0,-50.0,-60.0,-70.0]     ]
sm_sc.fv_pool_avg	平均池化。 入参：   1. 原矩阵；   2. 池化窗口高宽大小；   3. 滑动窗口纵向和横向步长。       该参数为长度为2的一维数组；   4. 上下左右补齐行数/列数。       该参数为长度为4的一维数组；   5. 补齐填充元素值；	select sm_sc.fv_pool_avg   (     array     [       [1.0,2.0,3.0,4.0,5.0,6.0,7.0]     ,[10.0,20.0,30.0,40.0,50.0,60.0,70.0]     ,[100.0,200.0,300.0,400.0,500.0,600.0,700.0]     ,[-1.0,-2.0,-3.0,-4.0,-5.0,-6.0,-7.0]     ,[-10.0,-20.0,-30.0,-40.0,-50.0,-60.0,-70.0]     ]     , array[3, 3]     , array[2, 2]   ); 返回：   array   [     [3.6667, 11.0000, 18.3333, 23.8333]   ,[36.3333, 109.0000, 181.6667, 236.1667]   ,[-5.5000, -16.5000, -27.5000, -35.7500]   ]
sm_sc.fv_pool_max	最大值池化。 入参：   1. 原矩阵；   2. 池化窗口高宽大小；   3. 滑动窗口纵向和横向步长。       该参数为长度为2的一维数组；   4. 上下左右补齐行数/列数。       该参数为长度为4的一维数组；   5. 补齐填充元素值；	select sm_sc.fv_pool_max   (     array     [       [1.0,2.0,3.0,4.0,5.0,6.0,7.0]     ,[10.0,20.0,30.0,40.0,50.0,60.0,70.0]     ,[100.0,200.0,300.0,400.0,500.0,600.0,700.0]     ,[-1.0,-2.0,-3.0,-4.0,-5.0,-6.0,-7.0]     ,[-10.0,-20.0,-30.0,-40.0,-50.0,-60.0,-70.0]     ]     , array[3, 3]     , array[2, 2]   ); 返回：   array   [     [300.0000, 500.0000, 700.0000]   ,[300.0000, 500.0000, 700.0000]   ]
sm_sc.fv_pool_min	最小值池化。 入参：   1. 原矩阵；   2. 池化窗口高宽大小；   3. 滑动窗口纵向和横向步长。       该参数为长度为2的一维数组；   4. 上下左右补齐行数/列数。       该参数为长度为4的一维数组；   5. 补齐填充元素值；	select sm_sc.fv_pool_min   (     array     [       [1.0,2.0,3.0,4.0,5.0,6.0,7.0]     ,[10.0,20.0,30.0,40.0,50.0,60.0,70.0]     ,[100.0,200.0,300.0,400.0,500.0,600.0,700.0]     ,[-1.0,-2.0,-3.0,-4.0,-5.0,-6.0,-7.0]     ,[-10.0,-20.0,-30.0,-40.0,-50.0,-60.0,-70.0]     ]     , array[3, 3]     , array[2, 2]   ); 返回：   array   [     [1.0000, 3.0000, 5.0000]   ,[-30.0000, -50.0000, -70.0000]   ]
sm_sc.fv_pool_sum	合计求和池化。 入参：   1. 原矩阵；   2. 池化窗口高宽大小；   3. 滑动窗口纵向和横向步长。       该参数为长度为2的一维数组；   4. 上下左右补齐行数/列数。       该参数为长度为4的一维数组；   5. 补齐填充元素值；	select sm_sc.fv_pool_sum   (     array     [       [1.0,2.0,3.0,4.0,5.0,6.0,7.0]     ,[10.0,20.0,30.0,40.0,50.0,60.0,70.0]     ,[100.0,200.0,300.0,400.0,500.0,600.0,700.0]     ,[-1.0,-2.0,-3.0,-4.0,-5.0,-6.0,-7.0]     ,[-10.0,-20.0,-30.0,-40.0,-50.0,-60.0,-70.0]     ]     , array[3, 3]     , array[2, 2]   ); 返回：   array   [     [666.0000, 1332.0000, 1998.0000]   ,[534.0000, 1068.0000, 1602.0000]   ]
sm_sc.fv_pool_ptp	跨度池化。 入参：   1. 原矩阵；   2. 池化窗口高宽大小；   3. 滑动窗口纵向和横向步长。       该参数为长度为2的一维数组；   4. 上下左右补齐行数/列数。       该参数为长度为4的一维数组；   5. 补齐填充元素值；	select sm_sc.fv_pool_ptp   (     array     [       [1.0,2.0,3.0,4.0,5.0,6.0,7.0]     ,[10.0,20.0,30.0,40.0,50.0,60.0,70.0]     ,[100.0,200.0,300.0,400.0,500.0,600.0,700.0]     ,[-1.0,-2.0,-3.0,-4.0,-5.0,-6.0,-7.0]     ,[-10.0,-20.0,-30.0,-40.0,-50.0,-60.0,-70.0]     ]     , array[3, 3]     , array[2, 2]   ); 返回：   array   [     [299.0000, 497.0000, 695.0000]   ,[330.0000, 550.0000, 770.0000]   ]
sm_sc.fv_pool_prod	累乘池化。 入参：   1. 原矩阵；   2. 池化窗口高宽大小；   3. 滑动窗口纵向和横向步长。       该参数为长度为2的一维数组；   4. 上下左右补齐行数/列数。       该参数为长度为4的一维数组；   5. 补齐填充元素值；	select sm_sc.fv_pool_prod   (     array     [       [1.0,2.0,3.0,4.0,5.0,6.0,7.0]     ,[10.0,20.0,30.0,40.0,50.0,60.0,70.0]     ,[100.0,200.0,300.0,400.0,500.0,600.0,700.0]     ,[-1.0,-2.0,-3.0,-4.0,-5.0,-6.0,-7.0]     ,[-10.0,-20.0,-30.0,-40.0,-50.0,-60.0,-70.0]     ]     , array[3, 3]     , array[2, 2]   ); 返回：   array   [     [216000000000, 216000000000000, 9261000000000000]   ,[216000000000, 216000000000000, 9261000000000000]   ]
sm_sc.fv_pool_mode	众数池化。 入参：   1. 原矩阵；   2. 池化窗口高宽大小；   3. 滑动窗口纵向和横向步长。       该参数为长度为2的一维数组；   4. 上下左右补齐行数/列数。       该参数为长度为4的一维数组；   5. 补齐填充元素值；	select sm_sc.fv_pool_mode   (     array     [       [1.0,2.0,3.0,4.0,5.0,6.0,7.0]     ,[10.0,20.0,30.0,40.0,50.0,60.0,70.0]     ,[100.0,200.0,300.0,400.0,500.0,600.0,700.0]     ,[-1.0,-2.0,-3.0,-4.0,-5.0,-6.0,-7.0]     ,[-10.0,-20.0,-30.0,-40.0,-50.0,-60.0,-70.0]     ]     , array[3, 3]     , array[2, 2]   ); 返回：   array   [     [1.0000, 3.0000, 5.0000]   ,[-30.0000, -50.0000, -70.0000]   ]
sm_sc.fv_pool_median	中位数池化。 入参：   1. 原矩阵；   2. 池化窗口高宽大小；   3. 滑动窗口纵向和横向步长。       该参数为长度为2的一维数组；   4. 上下左右补齐行数/列数。       该参数为长度为4的一维数组；   5. 补齐填充元素值；	select sm_sc.fv_pool_median   (     array     [       [1.0,2.0,3.0,4.0,5.0,6.0,7.0]     ,[10.0,20.0,30.0,40.0,50.0,60.0,70.0]     ,[100.0,200.0,300.0,400.0,500.0,600.0,700.0]     ,[-1.0,-2.0,-3.0,-4.0,-5.0,-6.0,-7.0]     ,[-10.0,-20.0,-30.0,-40.0,-50.0,-60.0,-70.0]     ]     , array[3, 3]     , array[2, 2]   ); 返回：   array   [     [20.0000, 40.0000, 60.0000]   ,[-2.0000, -4.0000, -6.0000]   ]
sm_sc.fv_pool_coalesce	免空池化。 入参：   1. 原矩阵；   2. 池化窗口高宽大小；   3. 滑动窗口纵向和横向步长。       该参数为长度为2的一维数组；   4. 上下左右补齐行数/列数。       该参数为长度为4的一维数组；   5. 补齐填充元素值；	select sm_sc.fv_pool_coalesce   (     array     [       [null,2.0,3.0,4.0,5.0,6.0,7.0]     ,[10.0,20.0,null,40.0,50.0,60.0,70.0]     ,[100.0,200.0,300.0,400.0,500.0,null,700.0]     ,[-1.0,null,-3.0,-4.0,-5.0,-6.0,-7.0]     ,[-10.0,-20.0,-30.0,-40.0,-50.0,-60.0,null]     ]     , array[3, 3]     , array[2, 2]   ); 返回：   array   [     [2.0, 3.0, 5.0]   ,[100.0, 300.0, 500.0]   ]
sm_sc.fv_conv_2d_grp_x	矩阵x方向卷积。 支持偏移量。 入参：   1. 由2D转1D后的每行向量再次构成的2D原矩阵；       例如：100张 28*14 像素的图片，                 先将2D像素转长度为392的1D向量，                 再聚合成高宽为 100*392 的2D矩阵；   2. 2D样本的宽度。       通常是图像的宽度，即参数一例子中的 14；   3. 卷积核降维后的单行矩阵。       如果带有偏移量，那么该一维数组长度多1。       例如：3*4卷积核矩阵降维后，                  如果没有偏移量，则为1*12矩阵，                  如果有偏移量，则为1*12 + 1 = 13矩阵；   4. 卷积核窗口的宽度。       例如：即参数三例子中的 4；   5. 卷积核滑动的纵向与横向步长。       该参数为长度为2的一维数组；   6. 上下左右补齐行数/列数。       该参数为长度为4的一维数组；   7. 补齐填充元素值；	select    sm_sc.fv_conv_2d_grp_x    (     array     [       [1.0,2.0,3.0,4.0,5.0,6.0         , 10.0,20.0,30.0,40.0,50.0,60.0         , 100.0,200.0,300.0,400.0,500.0,600.0         , -1.0,-2.0,-3.0,-4.0,-5.0,-6.0         , -10.0,-20.0,-30.0,-40.0,-50.0,-60.0       ],       [1.0,2.0,3.0,4.0,5.0,6.0         , -1.0,-2.0,-3.0,-4.0,-5.0,-6.0         , 10.0,20.0,30.0,40.0,50.0,60.0         , 100.0,200.0,300.0,400.0,500.0,600.0         , -10.0,-20.0,-30.0,-40.0,-50.0,-60.0       ],       [1.0,2.0,3.0,4.0,5.0,6.0         , -1.0,-2.0,-3.0,-4.0,-5.0,-6.0         , 10.0,20.0,30.0,40.0,50.0,60.0         , -10.0,-20.0,-30.0,-40.0,-50.0,-60.0         , 100.0,200.0,300.0,400.0,500.0,600.0       ]     ]     , 6     , array[[1.1, 1.1, 1.1, 1.1, 2.1, 1.1, 1.1, 1.1, 1.1, 0.5]]     , 3     , array[2, 2]     , array[1, 1, 1, 0]     , 0    ); 返回：   array   [     [37.30,111.90,186.50,459.70,1379.10,2298.50,-46.30,-138.90,-231.50]   ,[1.00,3.00,5.00,369.70,1109.10,1848.50,287.00,861.00,1435.00]   ,[1.00,3.00,5.00,6.70,20.10,33.50,397.00,1191.00,1985.00]   ]
sm_sc.fv_pool_avg_2d_grp_x	矩阵x方向平均池化。 入参：   1. 由2D转1D后的每行向量再次构成的2D原矩阵；       例如：100张 28*14 像素的图片，                 先将2D像素转长度为392的1D向量，                 再聚合成高宽为 100*392 的2D矩阵；   2. 2D样本的宽度。       通常是图像的宽度，即参数一例子中的 14；   3. 池化窗口高宽大小。       该参数为长度为2的一维数组；   4. 池化滑动的纵向与横向步长。       该参数为长度为2的一维数组；   5. 上下左右补齐行数/列数。       该参数为长度为4的一维数组；   6. 补齐填充元素值；	select    sm_sc.fv_pool_avg_2d_grp_x    (     array     [       [1.0,2.0,3.0,4.0,5.0,6.0,7.0         , 10.0,20.0,30.0,40.0,50.0,60.0,70.0         , 100.0,200.0,300.0,400.0,500.0,600.0,700.0         , -1.0,-2.0,-3.0,-4.0,-5.0,-6.0,-7.0         , -10.0,-20.0,-30.0,-40.0,-50.0,-60.0,-70.0       ],       [1.0,2.0,3.0,4.0,5.0,6.0,7.0         , -1.0,-2.0,-3.0,-4.0,-5.0,-6.0,-7.0         , 10.0,20.0,30.0,40.0,50.0,60.0,70.0         , 100.0,200.0,300.0,400.0,500.0,600.0,700.0         , -10.0,-20.0,-30.0,-40.0,-50.0,-60.0,-70.0       ],       [1.0,2.0,3.0,4.0,5.0,6.0,7.0         , -1.0,-2.0,-3.0,-4.0,-5.0,-6.0,-7.0         , 10.0,20.0,30.0,40.0,50.0,60.0,70.0         , -10.0,-20.0,-30.0,-40.0,-50.0,-60.0,-70.0         , 100.0,200.0,300.0,400.0,500.0,600.0,700.0       ]     ]     , 7     , array[3, 3]     , array[2, 2]    ); 返回：   array   [     [3.67,11.00,18.33,23.83,36.33,109.00,181.67,236.17,-5.50,-16.50,-27.50,-35.75]   ,[0.00,0.00,0.00,0.00,36.33,109.00,181.67,236.17,45.00,135.00,225.00,292.50]   ,[0.00,0.00,0.00,0.00,-0.33,-1.00,-1.67,-2.17,45.00,135.00,225.00,292.50]   ]
sm_sc.fv_pool_max_2d_grp_x	矩阵x方向最大值池化。 入参：   1. 由2D转1D后的每行向量再次构成的2D原矩阵；       例如：100张 28*14 像素的图片，                 先将2D像素转长度为392的1D向量，                 再聚合成高宽为 100*392 的2D矩阵；   2. 2D样本的宽度。       通常是图像的宽度，即参数一例子中的 14；   3. 池化窗口高宽大小。       该参数为长度为2的一维数组；   4. 池化滑动的纵向与横向步长。       该参数为长度为2的一维数组；   5. 上下左右补齐行数/列数。       该参数为长度为4的一维数组；   6. 补齐填充元素值；	select    sm_sc.fv_pool_max_2d_grp_x    (     array     [       [1.0,2.0,3.0,4.0,5.0,6.0,7.0         , 10.0,20.0,30.0,40.0,50.0,60.0,70.0         , 100.0,200.0,300.0,400.0,500.0,600.0,700.0         , -1.0,-2.0,-3.0,-4.0,-5.0,-6.0,-7.0         , -10.0,-20.0,-30.0,-40.0,-50.0,-60.0,-70.0       ],       [1.0,2.0,3.0,4.0,5.0,6.0,7.0         , -1.0,-2.0,-3.0,-4.0,-5.0,-6.0,-7.0         , 10.0,20.0,30.0,40.0,50.0,60.0,70.0         , 100.0,200.0,300.0,400.0,500.0,600.0,700.0         , -10.0,-20.0,-30.0,-40.0,-50.0,-60.0,-70.0       ],       [1.0,2.0,3.0,4.0,5.0,6.0,7.0         , -1.0,-2.0,-3.0,-4.0,-5.0,-6.0,-7.0         , 10.0,20.0,30.0,40.0,50.0,60.0,70.0         , -10.0,-20.0,-30.0,-40.0,-50.0,-60.0,-70.0         , 100.0,200.0,300.0,400.0,500.0,600.0,700.0       ]     ]     , 7     , array[3, 3]     , array[2, 2]    ); 返回：   array   [     [300.0,500.0,700.0,300.0,500.0,700.0]   ,[30.0,50.0,70.0,300.0,500.0,700.0]   ,[30.0,50.0,70.0,300.0,500.0,700.0]   ]
sm_sc.fv_conv_add	矩阵组播 - 卷加。 入参：   1. 背景矩阵；   2. 窗口矩阵；   3. 滑动窗口纵向和横向步长；       该参数为长度为2的一维数组；   4. 上下左右补齐行数/列数。       该参数为长度为4的一维数组；   5. 补齐填充元素值；	select    sm_sc.fv_conv_add    (     array     [       [1.0,2,3,4,5,6]     ,[10,20,30,40,50,60]     ,[100,200,300,400,500,600]     ,[-1,-2,-3,-4,-5,-6]     ,[-10,-20,-30,-40,-50,-60]     ]   , array[[1.1, 1.1, 1.1],[1.1, 2.1, 1.1],[1.1, 1.1, 1.1]]   , array[2, 2]   , array[1, 1, 1, 0]   , 0.0    ); 返回：   array   [[1.1,1.1,1.1,1.1,1.1,1.1,1.1,1.1,1.1]   ,[1.1,3.1,3.1,3.1,5.1,5.1,5.1,7.1,7.1]   ,[1.1,11.1,21.1,21.1,31.1,41.1,41.1,51.1,61.1]   ,[1.1,11.1,21.1,21.1,31.1,41.1,41.1,51.1,61.1]   ,[1.1,102.1,201.1,201.1,302.1,401.1,401.1,502.1,601.1]   ,[1.1,0.1,-0.9,-0.9,-1.9,-2.9,-2.9,-3.9,-4.9]   ,[1.1,0.1,-0.9,-0.9,-1.9,-2.9,-2.9,-3.9,-4.9]   ,[1.1,-7.9,-18.9,-18.9,-27.9,-38.9,-38.9,-47.9,-58.9]   ,[1.1,1.1,1.1,1.1,1.1,1.1,1.1,1.1,1.1]   ]
sm_sc.fv_conv_sub	矩阵组播 - 卷减。 入参：   1. 背景矩阵；   2. 窗口矩阵；   3. 滑动窗口纵向和横向步长；       该参数为长度为2的一维数组；   4. 上下左右补齐行数/列数。       该参数为长度为4的一维数组；   5. 补齐填充元素值；	select    sm_sc.fv_conv_sub    (     array     [       [1.0,2,3,4,5,6]     ,[10,20,30,40,50,60]     ,[100,200,300,400,500,600]     ,[-1,-2,-3,-4,-5,-6]     ,[-10,-20,-30,-40,-50,-60]     ]   , array[[1.1, 1.1, 1.1],[1.1, 2.1, 1.1],[1.1, 1.1, 1.1]]   , array[2, 2]   , array[1, 1, 1, 0]   , 0.0    ); 返回：   array   [[-1.1,-1.1,-1.1,-1.1,-1.1,-1.1,-1.1,-1.1,-1.1]   ,[-1.1,-1.1,0.9,0.9,0.9,2.9,2.9,2.9,4.9]   ,[-1.1,8.9,18.9,18.9,28.9,38.9,38.9,48.9,58.9]   ,[-1.1,8.9,18.9,18.9,28.9,38.9,38.9,48.9,58.9]   ,[-1.1,97.9,198.9,198.9,297.9,398.9,398.9,497.9,598.9]   ,[-1.1,-2.1,-3.1,-3.1,-4.1,-5.1,-5.1,-6.1,-7.1]   ,[-1.1,-2.1,-3.1,-3.1,-4.1,-5.1,-5.1,-6.1,-7.1]   ,[-1.1,-12.1,-21.1,-21.1,-32.1,-41.1,-41.1,-52.1,-61.1]   ,[-1.1,-1.1,-1.1,-1.1,-1.1,-1.1,-1.1,-1.1,-1.1]   ]
sm_sc.fv_conv_mul	矩阵组播 - 卷乘。 入参：   1. 背景矩阵；   2. 窗口矩阵；   3. 滑动窗口纵向和横向步长；       该参数为长度为2的一维数组；   4. 上下左右补齐行数/列数。       该参数为长度为4的一维数组；   5. 补齐填充元素值；	select    sm_sc.fv_conv_mul    (     array     [       [1.0,2,3,4,5,6]     ,[10,20,30,40,50,60]     ,[100,200,300,400,500,600]     ,[-1,-2,-3,-4,-5,-6]     ,[-10,-20,-30,-40,-50,-60]     ]   , array[[1.1, 1.1, 1.1],[1.1, 2.1, 1.1],[1.1, 1.1, 1.1]]   , array[2, 2]   , array[1, 1, 1, 0]   , 0.0    ); 返回：   array   [[0.00,0.00,0.00,0.00,0.00,0.00,0.00,0.00,0.00]   ,[0.00,2.10,2.2,2.2,6.3,4.4,4.4,10.5,6.6]   ,[0.00,11.0,22.0,22.0,33.0,44.0,44.0,55.0,66.0]   ,[0.00,11.0,22.0,22.0,33.0,44.0,44.0,55.0,66.0]   ,[0.00,210.0,220.0,220.0,630.0,440.0,440.0,1050.0,660.0]   ,[0.00,-1.1,-2.2,-2.2,-3.3,-4.4,-4.4,-5.5,-6.6]   ,[0.00,-1.1,-2.2,-2.2,-3.3,-4.4,-4.4,-5.5,-6.6]   ,[0.00,-21.0,-22.0,-22.0,-63.0,-44.0,-44.0,-105.0,-66.0]   ,[0.00,0.00,0.00,0.00,0.00,0.00,0.00,0.00,0.00]   ]
sm_sc.fv_conv_div	矩阵组播 - 卷除。 入参：   1. 背景矩阵；   2. 窗口矩阵；   3. 滑动窗口纵向和横向步长；       该参数为长度为2的一维数组；   4. 上下左右补齐行数/列数。       该参数为长度为4的一维数组；   5. 补齐填充元素值；	select    sm_sc.fv_conv_div    (     array     [       [1.0,2,3,4,5,6]     ,[10,20,30,40,50,60]     ,[100,200,300,400,500,600]     ,[-1,-2,-3,-4,-5,-6]     ,[-10,-20,-30,-40,-50,-60]     ]   , array[[1.1, 1.1, 1.1],[1.1, 2.1, 1.1],[1.1, 1.1, 1.1]]   , array[2, 2]   , array[1, 1, 1, 0]   , 0.0    ); 返回：   array   [[0.000,0.000,0.000,0.000,0.000,0.000,0.000,0.000,0.000]   ,[0.000,0.476,1.818,1.818,1.429,3.636,3.636,2.381,5.455]   ,[0.000,9.091,18.182,18.182,27.273,36.364,36.364,45.455,54.545]   ,[0.000,9.091,18.182,18.182,27.273,36.364,36.364,45.455,54.545]   ,[0.000,47.619,181.818,181.818,142.857,363.636,363.636,238.095,545.455]   ,[0.000,-0.909,-1.818,-1.818,-2.727,-3.636,-3.636,-4.545,-5.455]   ,[0.000,-0.909,-1.818,-1.818,-2.727,-3.636,-3.636,-4.545,-5.455]   ,[0.000,-4.762,-18.182,-18.182,-14.286,-36.364,-36.364,-23.810,-54.545]   ,[0.000,0.000,0.000,0.000,0.000,0.000,0.000,0.000,0.000]   ]
sm_sc.fv_conv_pow	矩阵组播 - 卷幂。 入参：   1. 背景矩阵；   2. 窗口矩阵；   3. 滑动窗口纵向和横向步长；       该参数为长度为2的一维数组；   4. 上下左右补齐行数/列数。       该参数为长度为4的一维数组；   5. 补齐填充元素值；	select    sm_sc.fv_conv_pow    (     array     [       [1.0,2,3,4,5,6]     ,[10,20,30,40,50,60]     ,[-10,-20,-30,-40,-50,-60]     ,[-1,-2,-3,-4,-5,-6]     ,[-10,-20,-30,-40,-50,-60]     ]   , array[[1.0, 2.0, 3.0],[2.0, 3.0, 1.0],[1.0, 3.0, 2.0]]   , array[2, 2]   , array[1, 1, 1, 0]   , 0.0    ); 返回：   array   [[0.00,0.00,0.00,0.00,0.00,0.00,0.00,0.00,0.00]   ,[0.00,1.00,2.00,4.00,27.00,4.00,16.00,125.00,6.00]   ,[0.00,1000.00,400.00,20.00,27000.00,1600.00,40.00,125000.00,3600.00]   ,[0.00,100.00,8000.00,20.00,900.00,64000.00,40.00,2500.00,216000.00]   ,[0.00,-1000.00,-20.00,400.00,-27000.00,-40.00,1600.00,-125000.00,-60.00]   ,[0.00,-1.00,4.00,-2.00,-27.00,16.00,-4.00,-125.00,36.00]   ,[0.00,1.00,-8.00,-2.00,9.00,-64.00,-4.00,25.00,-216.00]   ,[0.00,-1000.00,-20.00,400.00,-27000.00,-40.00,1600.00,-125000.00,-60.00]   ,[0.00,0.00,0.00,0.00,0.00,0.00,0.00,0.00,0.00]   ]
sm_sc.fv_conv_log	矩阵组播 - 卷对数。 入参：   1. 背景矩阵；   2. 窗口矩阵；   3. 滑动窗口纵向和横向步长；       该参数为长度为2的一维数组；   4. 上下左右补齐行数/列数。       该参数为长度为4的一维数组；   5. 补齐填充元素值；	select    sm_sc.fv_conv_log    (     array     [       [2.0,2,3,4,5,6]     ,[10,20,30,40,50,60]     ,[10,20,30,40,50,60]     ]   , array[[1.0, 2.0, 3.0],[2.0, 3.0, 1.0],[1.0, 3.0, 2.0]]   , array[2, 2]   , array[1, 1, 1, 0]   , 2.0    ); 返回：   array   [[0.00,1.00,1.58,0.00,1.00,1.58,0.00,1.00,1.58]   ,[1.00,1.58,0.00,1.00,1.00,0.00,0.50,0.68,0.00]   ,[0.00,0.48,0.23,0.00,0.32,0.19,0.00,0.28,0.17]   ,[0.00,0.30,0.37,0.00,0.20,0.30,0.00,0.18,0.27]   ,[1.00,0.48,0.00,0.23,0.32,0.00,0.19,0.28,0.00]   ,[0.00,1.58,1.00,0.00,1.58,1.00,0.00,1.58,1.00]   ]
sm_sc.fv_conv_de_sub	矩阵组播 - 反卷减。 窗口为第一目入参，原矩阵为第二目入参。 入参：   1. 窗口矩阵；   2. 背景矩阵；   3. 滑动窗口纵向和横向步长；       该参数为长度为2的一维数组；   4. 上下左右补齐行数/列数。       该参数为长度为4的一维数组；   5. 补齐填充元素值；	select  sm_sc.fv_conv_de_sub     (         array[[1.5,  2.0,  3.0],  [1.4,  2.0,  3.0],  [3.0,  2.0,  1.7]]     ,  array         [             [1.1,2.0,3.0,4.0,5.0,6.0,7.0]         ,  [1.2,2.2,3.3,4.1,5.6,6.2,7.4]         ,  [1.3,2.3,3.3,4.3,5.3,6.3,7.3]         ,  [1.4,2.4,3.4,4.4,5.4,6.4,7.4]         ,  [1.5,2.5,3.5,4.5,5.5,6.5,7.5]         ]     ,  array[2,  2]     ) 返回:     array       [         [0.4,0.0,0.0,-1.5,-2.0,-2.0,-3.5,-4.0,-4.0]     ,  [0.2,-0.2,-0.3,-1.9,-2.1,-2.6,-4.2,-4.2,-4.4]     ,  [1.7,-0.3,-1.6,-0.3,-2.3,-3.6,-2.3,-4.3,-5.6]     ,  [0.2,-0.3,-0.3,-1.8,-2.3,-2.3,-3.8,-4.3,-4.3]     ,  [0.0,-0.4,-0.4,-2.0,-2.4,-2.4,-4.0,-4.4,-4.4]     ,  [1.5,-0.5,-1.8,-0.5,-2.5,-3.8,-2.5,-4.5,-5.8]     ]
sm_sc.fv_conv_de_div	矩阵组播 - 反卷除。 窗口为第一目入参，原矩阵为第二目入参。 入参：   1. 窗口矩阵；   2. 背景矩阵；   3. 滑动窗口纵向和横向步长；       该参数为长度为2的一维数组；   4. 上下左右补齐行数/列数。       该参数为长度为4的一维数组；   5. 补齐填充元素值；	select  sm_sc.fv_conv_de_div     (         array[[1.5,  2.0,  3.0],  [1.4,  2.0,  3.0],  [3.0,  2.0,  1.7]]     ,  array         [             [1.1,2.0,3.0,4.0,5.0,6.0,7.0]         ,  [1.2,2.2,3.3,4.1,5.6,6.2,7.4]         ,  [1.3,2.3,3.3,4.3,5.3,6.3,7.3]         ,  [1.4,2.4,3.4,4.4,5.4,6.4,7.4]         ,  [1.5,2.5,3.5,4.5,5.5,6.5,7.5]         ]     ,  array[2,  2]     ) 返回:     array       [         [1.364,1.000,1.000,0.500,0.500,0.600,0.300,0.333,0.429]     ,  [1.167,0.909,0.909,0.424,0.488,0.536,0.250,0.323,0.405]     ,  [2.308,0.870,0.515,0.909,0.465,0.321,0.566,0.317,0.233]     ,  [1.154,0.870,0.909,0.455,0.465,0.566,0.283,0.317,0.411]     ,  [1.000,0.833,0.882,0.412,0.455,0.556,0.259,0.313,0.405]     ,  [2.000,0.800,0.486,0.857,0.444,0.309,0.545,0.308,0.227]     ]
sm_sc.fv_conv_de_pow	矩阵组播 - 反卷幂。 窗口为第一目入参，原矩阵为第二目入参。 入参：   1. 窗口矩阵；   2. 背景矩阵；   3. 滑动窗口纵向和横向步长；       该参数为长度为2的一维数组；   4. 上下左右补齐行数/列数。       该参数为长度为4的一维数组；   5. 补齐填充元素值；	select       sm_sc.fv_conv_de_pow     (         array[[1.0,  2.0,  3.0],[2.0,  3.0,  1.0],[1.0,  3.0,  2.0]]     ,  array         [             [1.0,2,3,4,5,6]         ,  [-1,-2,-3,-4,-5,-6]         ,  [-0.1,-0.2,-0.3,-0.4,-0.5,-0.6]         ]     ,  array[2,  2]     ,  array[1,  1,  1,  0]     ,  0.0     ) 返回:     array       [         [1.000,1.000,1.000,1.000,1.000,1.000,1.000,1.000,1.000]     ,  [1.000,3.000,1.000,4.000,27.000,1.000,16.000,243.000,1.000]     ,  [1.000,0.333,0.250,1.000,0.037,0.063,1.000,0.004,0.016]     ]
sm_sc.fv_conv_de_log	矩阵组播 - 反卷对数。 窗口为第一目入参，原矩阵为第二目入参。 入参：   1. 窗口矩阵；   2. 背景矩阵；   3. 滑动窗口纵向和横向步长；       该参数为长度为2的一维数组；   4. 上下左右补齐行数/列数。       该参数为长度为4的一维数组；   5. 补齐填充元素值；	select       sm_sc.fv_conv_de_log     (         array[[1.5,  2.0,  3.0],[2.0,  3.0,  1.5],[1.5,  3.0,  2.0]]     ,  array         [             [2.0,2,3,4,5,6]         ,  [10,20,30,40,50,60]         ,  [10,20,30,40,50,60]         ]     ,  array[2,  2]     ,  array[1,  1,  1,  0]     ,  2.0     ) 返回:     array       [         [1.710,1.000,0.631,1.710,1.000,0.631,1.710,1.000,0.631]     ,  [1.000,0.631,1.710,1.000,1.000,3.419,2.000,1.465,4.419]     ,  [1.710,2.096,4.322,7.388,3.096,5.322,9.098,3.561,5.907]     ]
sm_sc.fv_conv_prod_mx	矩阵组播 - 卷矩阵乘法。 入参：   1. 背景矩阵；   2. 窗口矩阵；   3. 背景矩阵滑动窗口高宽规格。       该窗口规格区别于第二自变量高宽规格，两者为矩阵相乘关系；   4. 滑动窗口纵向和横向步长；       该参数为长度为2的一维数组；   5. 上下左右补齐行数/列数。       该参数为长度为4的一维数组；   6. 补齐填充元素值；	select       sm_sc.fv_conv_prod_mx     (         array         [             [1.0,2.0,3.0,4.0,5.0,6.0,7.0]         ,  [10.0,20.0,30.0,40.0,50.0,60.0,70.0]         ,  [100.0,200.0,300.0,400.0,500.0,600.0,700.0]         ,  [-1.0,-2.0,-3.0,-4.0,-5.0,-6.0,-7.0]         ,  [-10.0,-20.0,-30.0,-40.0,-50.0,-60.0,-70.0]         ]     ,  array[[1.0,  2.0,  -3.0],  [-1.0,  -3.0,  2.0]]     ,  2     ,  array[1,  1]     ,  array[0,  0,  0,  0]     ) 返回:     array       [         [-1,-4,1,-1,-5,0,-1,-6,-1,-1,-7,-2,-1,-8,-3,-1,-9,-4]     ,  [-10,-40,10,-10,-50,0,-10,-60,-10,-10,-70,-20,-10,-80,-30,-10,-90,-40]     ,  [-10,-40,10,-10,-50,0,-10,-60,-10,-10,-70,-20,-10,-80,-30,-10,-90,-40]     ,  [-100,-400,100,-100,-500,0,-100,-600,-100,-100,-700,-200,-100,-800,-300,-100,-900,-400]     ,  [-100,-400,100,-100,-500,0,-100,-600,-100,-100,-700,-200,-100,-800,-300,-100,-900,-400]     ,  [1,4,-1,1,5,0,1,6,1,1,7,2,1,8,3,1,9,4]     ,  [1,4,-1,1,5,0,1,6,1,1,7,2,1,8,3,1,9,4]     ,  [10,40,-10,10,50,0,10,60,10,10,70,20,10,80,30,10,90,40]     ]
sm_sc.fv_conv_de_prod_mx	矩阵组播 - 反卷矩阵乘法。 窗口为第一目入参，原矩阵为第二目入参。 入参：   1. 窗口矩阵；   2. 背景矩阵；   3. 背景矩阵滑动窗口高宽规格。       该窗口规格区别于第一自变量高宽规格，两者为矩阵相乘关系；   4. 滑动窗口纵向和横向步长；       该参数为长度为2的一维数组；   5. 上下左右补齐行数/列数。       该参数为长度为4的一维数组；   6. 补齐填充元素值；	select       sm_sc.fv_conv_de_prod_mx     (         array[[1.0,  2.0],  [-3.0,  -1.0],  [-3.0,  2.0]]     ,  array         [             [1.0,2.0,3.0,4.0,5.0,6.0,7.0]         ,  [10.0,20.0,30.0,40.0,50.0,60.0,70.0]         ,  [100.0,200.0,300.0,400.0,500.0,600.0,700.0]         ,  [-1.0,-2.0,-3.0,-4.0,-5.0,-6.0,-7.0]         ,  [-10.0,-20.0,-30.0,-40.0,-50.0,-60.0,-70.0]         ]     ,  2     ) 返回:     array       [         [21,42,42,63,63,84,84,105,105,126,126,147]     ,  [-13,-26,-26,-39,-39,-52,-52,-65,-65,-78,-78,-91]     ,  [17,34,34,51,51,68,68,85,85,102,102,119]     ,  [210,420,420,630,630,840,840,1050,1050,1260,1260,1470]     ,  [-130,-260,-260,-390,-390,-520,-520,-650,-650,-780,-780,-910]     ,  [170,340,340,510,510,680,680,850,850,1020,1020,1190]     ,  [98,196,196,294,294,392,392,490,490,588,588,686]     ,  [-299,-598,-598,-897,-897,-1196,-1196,-1495,-1495,-1794,-1794,-2093]     ,  [-302,-604,-604,-906,-906,-1208,-1208,-1510,-1510,-1812,-1812,-2114]     ,  [-21,-42,-42,-63,-63,-84,-84,-105,-105,-126,-126,-147]     ,  [13,26,26,39,39,52,52,65,65,78,78,91]     ,  [-17,-34,-34,-51,-51,-68,-68,-85,-85,-102,-102,-119]     ]
sm_sc.fv_opr_conv_add_stride_1	矩阵组播 - 单步卷加。 协参缺省，步长为 1。 入参：   1. 背景矩阵；   2. 窗口矩阵；	select       sm_sc.fv_opr_conv_add_stride_1     (         array         [             [1.0,2.0,3.0,4.0,5.0]         ,  [10.0,20.0,30.0,40.0,50.0]         ,  [100.0,200.0,300.0,400.0,500.0]         ,  [-1.0,-2.0,-3.0,-4.0,-5.0]         ]     ,  array[[1.0,  2.0,  3.0],  [-1.0,  -2.0,  -3.0],  [3.0,  -2.0,  1.0]]     ) 返回:     array       [         [2.0,4.0,6.0,3.0,5.0,7.0,4.0,6.0,8.0]     ,  [9.0,18.0,27.0,19.0,28.0,37.0,29.0,38.0,47.0]     ,  [103.0,198.0,301.0,203.0,298.0,401.0,303.0,398.0,501.0]     ,  [11.0,22.0,33.0,21.0,32.0,43.0,31.0,42.0,53.0]     ,  [99.0,198.0,297.0,199.0,298.0,397.0,299.0,398.0,497.0]     ,  [2.0,-4.0,-2.0,1.0,-5.0,-3.0,0.0,-6.0,-4.0]     ]
sm_sc.fv_opr_conv_sub_stride_1	矩阵组播 - 单步卷减。 协参缺省，步长为 1。 入参：   1. 背景矩阵；   2. 窗口矩阵；	select       sm_sc.fv_opr_conv_sub_stride_1     (         array         [             [1.0,2.0,3.0,4.0,5.0]         ,  [10.0,20.0,30.0,40.0,50.0]         ,  [100.0,200.0,300.0,400.0,500.0]         ,  [-1.0,-2.0,-3.0,-4.0,-5.0]         ]     ,  array[[1.0,  2.0,  3.0],  [-1.0,  -2.0,  -3.0],  [3.0,  -2.0,  1.0]]     ) 返回:     array       [         [0.0,0.0,0.0,1.0,1.0,1.0,2.0,2.0,2.0]     ,  [11.0,22.0,33.0,21.0,32.0,43.0,31.0,42.0,53.0]     ,  [97.0,202.0,299.0,197.0,302.0,399.0,297.0,402.0,499.0]     ,  [9.0,18.0,27.0,19.0,28.0,37.0,29.0,38.0,47.0]     ,  [101.0,202.0,303.0,201.0,302.0,403.0,301.0,402.0,503.0]     ,  [-4.0,0.0,-4.0,-5.0,-1.0,-5.0,-6.0,-2.0,-6.0]     ]
sm_sc.fv_opr_conv_de_sub_stride_1	矩阵组播 - 单步反卷减。 协参缺省，步长为 1。 入参：   1. 窗口矩阵；   2. 背景矩阵；	select         sm_sc.fv_opr_conv_de_sub_stride_1     (         array[[1.0,    2.0,    3.0],  [-1.0,    -2.0,    -3.0],  [3.0,    -2.0,    1.0]]     ,  array         [             [1.0,2.0,3.0,4.0,5.0]         ,  [10.0,20.0,30.0,40.0,50.0]         ,  [100.0,200.0,300.0,400.0,500.0]         ,  [-1.0,-2.0,-3.0,-4.0,-5.0]         ]     ) 返回:     array       [         [0.0,0.0,0.0,-1.0,-1.0,-1.0,-2.0,-2.0,-2.0]     ,  [-11.0,-22.0,-33.0,-21.0,-32.0,-43.0,-31.0,-42.0,-53.0]     ,  [-97.0,-202.0,-299.0,-197.0,-302.0,-399.0,-297.0,-402.0,-499.0]     ,  [-9.0,-18.0,-27.0,-19.0,-28.0,-37.0,-29.0,-38.0,-47.0]     ,  [-101.0,-202.0,-303.0,-201.0,-302.0,-403.0,-301.0,-402.0,-503.0]     ,  [4.0,0.0,4.0,5.0,1.0,5.0,6.0,2.0,6.0]     ]
sm_sc.fv_opr_conv_mul_stride_1	矩阵组播 - 单步卷乘。 协参缺省，步长为 1。 入参：   1. 背景矩阵；   2. 窗口矩阵；	select       sm_sc.fv_opr_conv_mul_stride_1     (         array         [             [1.0,2.0,3.0,4.0,5.0]         ,  [10.0,20.0,30.0,40.0,50.0]         ,  [100.0,200.0,300.0,400.0,500.0]         ,  [-1.0,-2.0,-3.0,-4.0,-5.0]         ]     ,  array[[1.0,  2.0,  3.0],  [-1.0,  -2.0,  -3.0],  [3.0,  -2.0,  1.0]]     ) 返回:     array       [         [1.00,4.00,9.00,2.00,6.00,12.00,3.00,8.00,15.00]     ,  [-10.00,-40.00,-90.00,-20.00,-60.00,-120.00,-30.00,-80.00,-150.00]     ,  [300.00,-400.00,300.00,600.00,-600.00,400.00,900.00,-800.00,500.00]     ,  [10.00,40.00,90.00,20.00,60.00,120.00,30.00,80.00,150.00]     ,  [-100.00,-400.00,-900.00,-200.00,-600.00,-1200.00,-300.00,-800.00,-1500.00]     ,  [-3.00,4.00,-3.00,-6.00,6.00,-4.00,-9.00,8.00,-5.00]     ]
sm_sc.fv_opr_conv_div_stride_1	矩阵组播 - 单步卷除。 协参缺省，步长为 1。 入参：   1. 背景矩阵；   2. 窗口矩阵；	select       sm_sc.fv_opr_conv_div_stride_1     (         array         [             [1.0,2.0,3.0,4.0,5.0]         ,  [10.0,20.0,30.0,40.0,50.0]         ,  [100.0,200.0,300.0,400.0,500.0]         ,  [-1.0,-2.0,-3.0,-4.0,-5.0]         ]     ,  array[[1.0,  2.0,  3.0],  [-1.0,  -2.0,  -3.0],  [3.0,  -2.0,  1.0]]     ) 返回:     array       [         [1.000,1.000,1.000,2.000,1.500,1.333,3.000,2.000,1.667]     ,  [-10.000,-10.000,-10.000,-20.000,-15.000,-13.333,-30.000,-20.000,-16.667]     ,  [33.333,-100.000,300.000,66.667,-150.000,400.000,100.000,-200.000,500.000]     ,  [10.000,10.000,10.000,20.000,15.000,13.333,30.000,20.000,16.667]     ,  [-100.000,-100.000,-100.000,-200.000,-150.000,-133.333,-300.000,-200.000,-166.667]     ,  [-0.333,1.000,-3.000,-0.667,1.500,-4.000,-1.000,2.000,-5.000]     ]
sm_sc.fv_opr_conv_de_div_stride_1	矩阵组播 - 单步反卷除。 协参缺省，步长为 1。 入参：   1. 窗口矩阵；   2. 背景矩阵；	select         sm_sc.fv_opr_conv_de_div_stride_1     (         array[[1.0,  2.0,  3.0],  [-1.0,  -2.0,  -3.0],  [3.0,  -2.0,  1.0]]     ,  array         [             [1.0,2.0,3.0,4.0,5.0]         ,  [10.0,20.0,30.0,40.0,50.0]         ,  [100.0,200.0,300.0,400.0,500.0]         ,  [-1.0,-2.0,-3.0,-4.0,-5.0]         ]     ) 返回:     array       [         [1.000,1.000,1.000,0.500,0.667,0.750,0.333,0.500,0.600]     ,  [-0.100,-0.100,-0.100,-0.050,-0.067,-0.075,-0.033,-0.050,-0.060]     ,  [0.030,-0.010,0.003,0.015,-0.007,0.003,0.010,-0.005,0.002]     ,  [0.100,0.100,0.100,0.050,0.067,0.075,0.033,0.050,0.060]     ,  [-0.010,-0.010,-0.010,-0.005,-0.007,-0.008,-0.003,-0.005,-0.006]     ,  [-3.000,1.000,-0.333,-1.500,0.667,-0.250,-1.000,0.500,-0.200]     ]
sm_sc.fv_opr_conv_pow_stride_1	矩阵组播 - 单步卷幂。 协参缺省，步长为 1。 入参：   1. 背景矩阵；   2. 窗口矩阵；	select       sm_sc.fv_opr_conv_pow_stride_1     (         array         [             [1.1,2.0,3.0,4.0,5.0]         ,  [1.2,2.2,3.3,4.1,5.6]         ,  [1.3,2.3,3.3,4.3,5.3]         ,  [1.4,2.4,3.4,4.4,5.4]         ,  [1.5,2.5,3.5,4.5,5.5]         ]     ,  array[[1.0,  2.0,  3.0],  [-1.0,  -2.0,  -3.0],  [3.0,  -2.0,  1.0]]     )      返回:     array       [         [1.100,4.000,27.000,2.000,9.000,64.000,3.000,16.000,125.000]     ,  [0.833,0.207,0.028,0.455,0.092,0.015,0.303,0.059,0.006]     ,  [2.197,0.189,3.300,12.167,0.092,4.300,35.937,0.054,5.300]     ,  [1.200,4.840,35.937,2.200,10.890,68.921,3.300,16.810,175.616]     ,  [0.769,0.189,0.028,0.435,0.092,0.013,0.303,0.054,0.007]     ,  [2.744,0.174,3.400,13.824,0.087,4.400,39.304,0.052,5.400]     ,  [1.300,5.290,35.937,2.300,10.890,79.507,3.300,18.490,148.877]     ,  [0.714,0.174,0.025,0.417,0.087,0.012,0.294,0.052,0.006]     ,  [3.375,0.160,3.500,15.625,0.082,4.500,42.875,0.049,5.500]     ]
sm_sc.fv_opr_conv_de_pow_stride_1	矩阵组播 - 单步反卷幂。 协参缺省，步长为 1。 入参：   1. 窗口矩阵；   2. 背景矩阵；	select       sm_sc.fv_opr_conv_de_pow_stride_1     (         array[[1.0,  2.0,  3.0],  [1.0,  2.0,  3.0],  [3.0,  2.0,  1.0]]     ,  array         [             [1.1,2.0,-3.0,5.0,-6.0]         ,  [1.2,2.2,-3.3,5.6,-6.2]         ,  [1.3,2.3,-3.3,5.3,-6.3]         ,  [1.4,2.4,-3.4,5.4,-6.4]         ,  [1.5,2.5,-3.5,5.5,-6.5]         ]     )      返回:     array       {       {1.000,4.000,0.037,1.000,0.125,243.000,1.000,32.000,0.001}     ,{1.000,4.595,0.027,1.000,0.102,469.763,1.000,48.503,0.001}     ,{4.171,4.925,1.000,12.514,0.102,1.000,0.027,39.397,1.000}     ,{1.000,4.595,0.027,1.000,0.102,469.763,1.000,48.503,0.001}     ,{1.000,4.925,0.027,1.000,0.102,337.865,1.000,39.397,0.001}     ,{4.656,5.278,1.000,13.967,0.095,1.000,0.024,42.224,1.000}     ,{1.000,4.925,0.027,1.000,0.102,337.865,1.000,39.397,0.001}     ,{1.000,5.278,0.024,1.000,0.095,377.098,1.000,42.224,0.001}     ,{5.196,5.657,1.000,15.588,0.088,1.000,0.021,45.255,1.000}     }
sm_sc.fv_opr_conv_log_stride_1	矩阵组播 - 单步卷对数。 协参缺省，步长为 1。 入参：   1. 背景矩阵；   2. 窗口矩阵；	select       sm_sc.fv_opr_conv_log_stride_1     (         array         [             [1.1,2.0,3.0,4.0,5.0]         ,  [1.2,2.2,3.3,4.1,5.6]         ,  [1.3,2.3,3.3,4.3,5.3]         ,  [1.4,2.4,3.4,4.4,5.4]         ,  [1.5,2.5,3.5,4.5,5.5]         ]     ,  array[[1.0,  2.0,  3.0],  [1.0,  2.0,  3.0],  [3.0,  2.0,  1.0]]     )      返回:     array       [         [0.000,1.000,1.000,0.000,0.631,0.792,0.000,0.500,0.683]     ,  [0.000,0.879,0.920,0.000,0.581,0.779,0.000,0.491,0.638]     ,  [4.187,0.832,0.000,1.319,0.581,0.000,0.920,0.475,0.000]     ,  [0.000,0.879,0.920,0.000,0.581,0.779,0.000,0.491,0.638]     ,  [0.000,0.832,0.920,0.000,0.581,0.753,0.000,0.475,0.659]     ,  [3.265,0.792,0.000,1.255,0.566,0.000,0.898,0.468,0.000]     ,  [0.000,0.832,0.920,0.000,0.581,0.753,0.000,0.475,0.659]     ,  [0.000,0.792,0.898,0.000,0.566,0.742,0.000,0.468,0.651]     ,  [2.710,0.756,0.000,1.199,0.553,0.000,0.877,0.461,0.000]     ]
sm_sc.fv_opr_conv_de_log_stride_1	矩阵组播 - 单步反卷对数。 协参缺省，步长为 1。 入参：   1. 窗口矩阵；   2. 背景矩阵；	select       sm_sc.fv_opr_conv_de_log_stride_1     (         array[[1.5,  2.0,  3.0],  [1.8,  2.0,  3.0],  [3.0,  2.0,  1.2]]     ,  array         [             [1.1,2.0,3.0,4.0,5.0]         ,  [1.2,2.2,3.3,4.1,5.6]         ,  [1.3,2.3,3.3,4.3,5.3]         ,  [1.4,2.4,3.4,4.4,5.4]         ,  [1.5,2.5,3.5,4.5,5.5]         ]     )      返回:     array       [         [0.235,1.000,1.000,1.710,1.585,1.262,2.710,2.000,1.465]     ,  [0.310,1.138,1.087,1.341,1.722,1.284,2.031,2.036,1.568]     ,  [0.239,1.202,6.548,0.758,1.722,8.000,1.087,2.104,9.147]     ,  [0.450,1.138,1.087,1.945,1.722,1.284,2.945,2.036,1.568]     ,  [0.446,1.202,1.087,1.417,1.722,1.328,2.031,2.104,1.518]     ,  [0.306,1.263,6.712,0.797,1.766,8.126,1.114,2.138,9.250]     ,  [0.647,1.202,1.087,2.054,1.722,1.328,2.945,2.104,1.518]     ,  [0.572,1.263,1.114,1.489,1.766,1.349,2.082,2.138,1.535]     ,  [0.369,1.322,6.871,0.834,1.807,8.250,1.140,2.170,9.350]     ]
sm_sc.fv_opr_conv_add_stride_window	矩阵组播 - 窗口步长卷加。 协参缺省，步长为 1。 入参：   1. 背景矩阵；   2. 窗口矩阵；	select       sm_sc.fv_opr_conv_add_stride_window     (         array         [             [1.0,2.0,3.0,4.0,5.0,6.0]         ,  [10.0,20.0,30.0,40.0,50.0,60.0]         ,  [100.0,200.0,300.0,400.0,500.0,600.0]         ,  [-1.0,-2.0,-3.0,-4.0,-5.0,-6.0]         ,  [-10.0,-20.0,-30.0,-40.0,-50.0,-60.0]         ,  [-10.0,-20.0,-30.0,-40.0,-50.0,-60.0]         ]     ,  array[[1.0,  2.0,  3.0],  [-1.0,  -2.0,  -3.0],  [3.0,  -2.0,  1.0]]     )      返回:     array       [         [2.0,4.0,6.0,5.0,7.0,9.0]     ,  [9.0,18.0,27.0,39.0,48.0,57.0]     ,  [103.0,198.0,301.0,403.0,498.0,601.0]     ,  [0.0,0.0,0.0,-3.0,-3.0,-3.0]     ,  [-11.0,-22.0,-33.0,-41.0,-52.0,-63.0]     ,  [-7.0,-22.0,-29.0,-37.0,-52.0,-59.0]     ]
sm_sc.fv_opr_conv_sub_stride_window	矩阵组播 - 窗口步长卷减。 协参缺省，步长与窗口规格相同。 入参：   1. 背景矩阵；   2. 窗口矩阵；	select       sm_sc.fv_opr_conv_sub_stride_window     (         array         [             [1.0,2.0,3.0,4.0,5.0,6.0]         ,  [10.0,20.0,30.0,40.0,50.0,60.0]         ,  [100.0,200.0,300.0,400.0,500.0,600.0]         ,  [-1.0,-2.0,-3.0,-4.0,-5.0,-6.0]         ,  [-10.0,-20.0,-30.0,-40.0,-50.0,-60.0]         ,  [-10.0,-20.0,-30.0,-40.0,-50.0,-60.0]         ]     ,  array[[1.0,  2.0,  3.0],  [-1.0,  -2.0,  -3.0],  [3.0,  -2.0,  1.0]]     )      返回:     array       [         [0.0,0.0,0.0,3.0,3.0,3.0]     ,  [11.0,22.0,33.0,41.0,52.0,63.0]     ,  [97.0,202.0,299.0,397.0,502.0,599.0]     ,  [-2.0,-4.0,-6.0,-5.0,-7.0,-9.0]     ,  [-9.0,-18.0,-27.0,-39.0,-48.0,-57.0]     ,  [-13.0,-18.0,-31.0,-43.0,-48.0,-61.0]     ]
sm_sc.fv_opr_conv_de_sub_stride_window	矩阵组播 - 窗口步长反卷减。 协参缺省，步长与窗口规格相同。 入参：   1. 窗口矩阵；   2. 背景矩阵；	select         sm_sc.fv_opr_conv_de_sub_stride_window     (         array[[1.0,  2.0,  3.0],  [-1.0,  -2.0,  -3.0],  [3.0,  -2.0,  1.0]]     ,  array         [             [1.1,2.0,3.0,4.0,5.0,6.0]         ,  [1.2,2.2,3.3,4.1,5.6,6.2]         ,  [1.3,2.3,3.3,4.3,5.3,6.3]         ,  [1.4,2.4,3.4,4.4,5.4,6.4]         ,  [1.5,2.5,3.5,4.5,5.5,6.5]         ,  [1.5,2.5,3.5,4.5,5.5,6.5]         ]     )      返回:     array       [         [-0.1,0.0,0.0,-3.0,-3.0,-3.0]     ,  [-2.2,-4.2,-6.3,-5.1,-7.6,-9.2]     ,  [1.7,-4.3,-2.3,-1.3,-7.3,-5.3]     ,  [-0.4,-0.4,-0.4,-3.4,-3.4,-3.4]     ,  [-2.5,-4.5,-6.5,-5.5,-7.5,-9.5]     ,  [1.5,-4.5,-2.5,-1.5,-7.5,-5.5]     ]
sm_sc.fv_opr_conv_mul_stride_window	矩阵组播 - 窗口步长卷乘。 协参缺省，步长与窗口规格相同。 入参：   1. 背景矩阵；   2. 窗口矩阵；	select       sm_sc.fv_opr_conv_mul_stride_window     (         array         [             [1.0,2.0,3.0,4.0,5.0,6.0]         ,  [10.0,20.0,30.0,40.0,50.0,60.0]         ,  [100.0,200.0,300.0,400.0,500.0,600.0]         ,  [-1.0,-2.0,-3.0,-4.0,-5.0,-6.0]         ,  [-10.0,-20.0,-30.0,-40.0,-50.0,-60.0]         ,  [-10.0,-20.0,-30.0,-40.0,-50.0,-60.0]         ]     ,  array[[1.0,  2.0,  3.0],  [-1.0,  -2.0,  -3.0],  [3.0,  -2.0,  1.0]]     )      返回:     array       [         [1.00,4.00,9.00,4.00,10.00,18.00]     ,  [-10.00,-40.00,-90.00,-40.00,-100.00,-180.00]     ,  [300.00,-400.00,300.00,1200.00,-1000.00,600.00]     ,  [-1.00,-4.00,-9.00,-4.00,-10.00,-18.00]     ,  [10.00,40.00,90.00,40.00,100.00,180.00]     ,  [-30.00,40.00,-30.00,-120.00,100.00,-60.00]     ]
sm_sc.fv_opr_conv_div_stride_window	矩阵组播 - 窗口步长卷除。 协参缺省，步长与窗口规格相同。 入参：   1. 背景矩阵；   2. 窗口矩阵；	select       sm_sc.fv_opr_conv_div_stride_window     (         array         [             [1.0,2.0,3.0,4.0,5.0,6.0]         ,  [10.0,20.0,30.0,40.0,50.0,60.0]         ,  [100.0,200.0,300.0,400.0,500.0,600.0]         ,  [-1.0,-2.0,-3.0,-4.0,-5.0,-6.0]         ,  [-10.0,-20.0,-30.0,-40.0,-50.0,-60.0]         ,  [-10.0,-20.0,-30.0,-40.0,-50.0,-60.0]         ]     ,  array[[1.0,  2.0,  3.0],  [-1.0,  -2.0,  -3.0],  [3.0,  -2.0,  1.0]]     )      返回:     array       [         [1.000,1.000,1.000,4.000,2.500,2.000]     ,  [-10.000,-10.000,-10.000,-40.000,-25.000,-20.000]     ,  [33.333,-100.000,300.000,133.333,-250.000,600.000]     ,  [-1.000,-1.000,-1.000,-4.000,-2.500,-2.000]     ,  [10.000,10.000,10.000,40.000,25.000,20.000]     ,  [-3.333,10.000,-30.000,-13.333,25.000,-60.000]     ]
sm_sc.fv_opr_conv_de_div_stride_window	矩阵组播 - 窗口步长反卷除。 协参缺省，步长与窗口规格相同。 入参：   1. 窗口矩阵；   2. 背景矩阵；	select         sm_sc.fv_opr_conv_de_div_stride_window     (         array[[1.0,  2.0,  3.0],  [-1.0,  -2.0,  -3.0],  [3.0,  -2.0,  1.0]]     ,  array         [             [1.1,2.0,3.0,4.0,5.0,6.0]         ,  [1.2,2.2,3.3,4.1,5.6,6.2]         ,  [1.3,2.3,3.3,4.3,5.3,6.3]         ,  [1.4,2.4,3.4,4.4,5.4,6.4]         ,  [1.5,2.5,3.5,4.5,5.5,6.5]         ,  [1.5,2.5,3.5,4.5,5.5,6.5]         ]     )      返回:     array       [         [0.909,1.000,1.000,0.250,0.400,0.500]     ,  [-0.833,-0.909,-0.909,-0.244,-0.357,-0.484]     ,  [2.308,-0.870,0.303,0.698,-0.377,0.159]     ,  [0.714,0.833,0.882,0.227,0.370,0.469]     ,  [-0.667,-0.800,-0.857,-0.222,-0.364,-0.462]     ,  [2.000,-0.800,0.286,0.667,-0.364,0.154]     ]
sm_sc.fv_opr_conv_pow_stride_window	矩阵组播 - 窗口步长卷幂。 协参缺省，步长与窗口规格相同。 入参：   1. 背景矩阵；   2. 窗口矩阵；	select       sm_sc.fv_opr_conv_pow_stride_window     (         array         [             [1.1,2.0,3.0,4.0,5.0,6.0]         ,  [1.2,2.2,3.3,4.1,5.6,6.2]         ,  [1.3,2.3,3.3,4.3,5.3,6.3]         ,  [1.4,2.4,3.4,4.4,5.4,6.4]         ,  [1.4,2.4,3.4,4.4,5.4,6.4]         ,  [1.5,2.5,3.5,4.5,5.5,6.5]         ]     ,  array[[1.0,  2.0,  3.0],  [-1.0,  -2.0,  -3.0],  [3.0,  -2.0,  1.0]]     )      返回:     array       [         [1.100,4.000,27.000,4.000,25.000,216.000]     ,  [0.833,0.207,0.028,0.244,0.032,0.004]     ,  [2.197,0.189,3.300,79.507,0.036,6.300]     ,  [1.400,5.760,39.304,4.400,29.160,262.144]     ,  [0.714,0.174,0.025,0.227,0.034,0.004]     ,  [3.375,0.160,3.500,91.125,0.033,6.500]     ]
sm_sc.fv_opr_conv_de_pow_stride_window	矩阵组播 - 窗口步长反卷幂。 协参缺省，步长与窗口规格相同。 入参：   1. 窗口矩阵；   2. 背景矩阵；	select       sm_sc.fv_opr_conv_de_pow_stride_window     (         array[[1.0,  2.0,  3.0],  [1.0,  2.0,  3.0],  [3.0,  2.0,  1.0]]     ,  array         [             [1.1,2.0,3.0,4.0,-5.0]         ,  [1.2,2.2,3.3,4.1,-5.6]         ,  [1.3,2.3,3.3,4.3,-5.3]         ,  [1.4,2.4,3.4,4.4,-5.4]         ,  [1.5,2.5,3.5,4.5,-5.5]         ,  [1.5,2.5,3.5,4.5,-5.5]         ]     )      返回:     array       [         [1.000,4.000,27.000,1.000,0.031,81.000]     ,  [1.000,4.595,37.541,1.000,0.021,90.406]     ,  [4.171,4.925,1.000,112.622,0.025,1.000]     ,  [1.000,5.278,41.900,1.000,0.024,125.699]     ,  [1.000,5.657,46.765,1.000,0.022,140.296]     ,  [5.196,5.657,1.000,140.296,0.022,1.000]     ]
sm_sc.fv_opr_conv_log_stride_window	矩阵组播 - 窗口步长卷对数。 协参缺省，步长与窗口规格相同。 入参：   1. 背景矩阵；   2. 窗口矩阵；	select       sm_sc.fv_opr_conv_log_stride_window     (         array         [             [1.1,2.0,3.0,4.0,5.0,6.0]         ,  [1.2,2.2,3.3,4.1,5.6,6.2]         ,  [1.3,2.3,3.3,4.3,5.3,6.3]         ,  [1.4,2.4,3.4,4.4,5.4,6.4]         ,  [1.4,2.4,3.4,4.4,5.4,6.4]         ,  [1.5,2.5,3.5,4.5,5.5,6.5]         ]     ,  array[[1.0,  2.0,  3.0],  [1.0,  2.0,  3.0],  [3.0,  2.0,  1.0]]     )      返回:     array       [         [0.000,1.000,1.000,0.000,0.431,0.613]     ,  [0.000,0.879,0.920,0.000,0.402,0.602]     ,  [4.187,0.832,0.000,0.753,0.416,0.000]     ,  [0.000,0.792,0.898,0.000,0.411,0.592]     ,  [0.000,0.792,0.898,0.000,0.411,0.592]     ,  [2.710,0.756,0.000,0.730,0.407,0.000]     ]
sm_sc.fv_opr_conv_de_log_stride_window	矩阵组播 - 窗口步长反卷对数。 协参缺省，步长与窗口规格相同。 入参：   1. 窗口矩阵；   2. 背景矩阵；	select       sm_sc.fv_opr_conv_de_log_stride_window     (         array[[1.3,  2.0,  3.0],  [1.2,  2.0,  3.0],  [3.0,  2.0,  1.5]]     ,  array         [             [1.1,2.0,3.0,0.9,5.0]         ,  [1.2,2.2,3.3,0.1,5.6]         ,  [1.3,2.3,3.3,0.3,5.3]         ,  [1.4,2.4,3.4,0.4,5.4]         ,  [1.5,2.5,3.5,0.5,5.5]         ,  [1.5,2.5,3.5,0.5,5.5]         ]     )      返回:     array       [         [0.363,1.000,1.000,-0.402,2.322,-0.096]     ,  [1.000,1.138,1.087,-12.629,2.485,-2.096]     ,  [0.239,1.202,2.945,-1.096,2.406,-2.969]     ,  [1.282,1.263,1.114,-3.492,2.433,-0.834]     ,  [2.224,1.322,1.140,-3.802,2.459,-0.631]     ,  [0.369,1.322,3.090,-0.631,2.459,-1.710]     ]

k. 机器学习的 lambda：

函数名	函数说明	调用举例
sm_sc.fv_algebra_execute	对于基础运算或自定义运算，代数式或函数式计算数值。 重载1：   入参：     1. 代数式； 重载2：   入参：     1. 函数名；     1. 入参列表；	select   sm_sc.fv_algebra_execute   (     '2.5 + 3.6'   ); 返回：   6.1 -------------------------- select   sm_sc.fv_algebra_execute   (     'sm_sc.fv_opr_mul'   , array[1.5, 2.0, 3.4]   ); 返回：   10.2
sm_sc.fv_lambda_arr	前行传播节点输出因变量 lambda。 入参：   1. 神经网络节点序号。       该参数不参与实际计算，仅用于控制、调试跟踪与日志；   2. lambda 命名，即运算类型。       支持范围参看第三章第三节神经网络节点支持运算类型；   3. 第一目入参自变量。       该参数为二维数组；   4. 第二目入参自变量。       该参数为二维数组；对于单目运算，该参数为空；   5. 神经网络节点粒度的超参数配置。       例如：激活函数的α值、卷积/池化的窗口的滑动步长；       详见字典表：           select * from sm_sc.tb_dic_enum           where enum_name = 'node_fn_asso_value'       该参数为二维数组；对于单目运算，该参数为空；	select   sm_sc.fv_lambda_arr   (     100001     , '03_elu'     , array[[1.23, 3.34],[-7.2, -0.25]]     , null     , array[0.1]   ); 返回：   array[[1.2300, 3.3400],[-0.0999, -0.0221]]
sm_sc.fv_lambda_arr_ddepdt_dindepdt	反向传播节点因变量对自变量求导 lambda。 该 lambda 适用于前向传播即可求出导数的运算类型。 该 lambda 求取因变量对自变量的导数，没有对自变量广播求逆。 入参：   1. 神经网络节点序号。       该参数不参与实际计算，仅用于控制、调试跟踪与日志；   2. lambda 命名，即运算类型。       支持范围参看第三章第三节神经网络节点支持运算类型；   3. 待求导数的自变量入参矩阵；   4. 待求导数的自变量入参位置；   5. 另一目自变量入参矩阵。       对于单目运算，该参数为空；   6. 神经网络节点粒度的超参数配置。       例如：激活函数的α值、卷积/池化的窗口的滑动步长；       详见字典表：           select * from sm_sc.tb_dic_enum           where enum_name = 'node_fn_asso_value'       该参数为二维数组；对于单目运算，该参数为空；   7. 因变量矩阵；   8. 自变量的高宽规格；       一些运算类型可省去传自变量，而只传规格即可。       包括：agg_concat_x, agg_concat_y, agg_sum, agg_avg,                  slice_x, slice_y, add, sub 等	select   sm_sc.fv_lambda_arr_ddepdt_dindepdt   (     100001     , '01_pow'     , array[[1.23, 3.34],[2.2, 0.25]]     , 2     , array[[1.5, 1.3],[0.7, 0.25]]     , null     , array[[1.5, 1.3],[0.7, 0.25]] ^` array[[1.23, 3.34],[2.2, 0.25]]   ); 返回：   array[[0.6676, 0.6302],[-0.1627, -0.9803]]
sm_sc.fv_lambda_arr_dloss_dindepdt	反向传播损失函数对节点自变量求导 lambda。 该 lambda 适用于反向传播阶段才能求出导数的运算类型。 该 lambda 求取损失函数对自变量的导数，没有对自变量广播求逆。 入参：   1. 神经网络节点序号。       该参数不参与实际计算，仅用于控制、调试跟踪与日志；   2. lambda 命名，即运算类型。       支持范围参看第三章第三节神经网络节点支持运算类型；   3. 待求导数的自变量入参矩阵；   4. 待求导数的自变量入参位置；   5. 另一目自变量入参矩阵。       对于单目运算，该参数为空；   6. 神经网络节点粒度的超参数配置。       例如：激活函数的α值、卷积/池化的窗口的滑动步长；       详见字典表：           select * from sm_sc.tb_dic_enum           where enum_name = 'node_fn_asso_value'       该参数为二维数组；对于单目运算，该参数为空；   7. 因变量矩阵；   8. 损失函数对该神经元因变量导数；	select       sm_sc.fv_lambda_arr_dloss_dindepdt     (         100001         ,  '03_softmax'         ,  array[[1.23,  3.34,  0.96],[2.2,  0.25,  7.7]]         ,  2         ,  null         ,  array[2,  3]  ::  float[]         ,  sm_sc.fv_redistr_softmax(array[[1.23,  3.34,  0.96],[2.2,  0.25,  7.7]],  array[2,  3]  ::  int[])         ,  (-`  array[[0.0,  0.0,  1.0],[0.0,  0.0,  1.0]])  ::  float[]             /`  sm_sc.fv_redistr_softmax(array[[1.23,  3.34,  0.96],[2.2,  0.25,  7.7]],  array[2,  3]  ::  int[])     )      返回:     array       [[0.003,0.025,-0.998[0.008,0.001,0.960]]
sm_sc.fv_lambda_arr_len	神经网络节点(自变量与因变量)矩阵高宽的审查。 该审查发生在训练准备过程中。 根据入参规格和超参数配置，得出出参高宽规格。 入参：   1. 神经网络节点序号。       该参数不参与实际计算，仅用于控制、调试跟踪与日志；   2. lambda 命名，即运算类型；       支持范围参看第三章第三节神经网络节点支持运算类型；   3. 运算入参第一目矩阵高宽规格；   4. 运算入参第二目矩阵高宽规格；   5. 超参数配置；	select   sm_sc.fv_lambda_arr_len   (     1000001   , 'conv_2d'   , array[70, 784]   , array[1, 25]   , array[28, 5, 5, 1, 1, 2, 2, 2, 2, 0]   ); 返回：   array[73, 763]
sm_sc.fv_lambda_loss	求取损失函数。 入参：   1. 损失函数类型；       详见字典表：           select * from sm_sc.tb_dic_enum           where enum_name = 'loss_fn_type'   2. 训练输出预测值矩阵；   3. 训练集的真实值编码；	select   sm_sc.fv_lambda_loss   (     '101'   , array[[1, 2, 3],[2, 3, 4]]   , array[[1.1, 2.1, 3.2],[2.2, 3.3, 4.2]]   ) 返回：   0.3391
sm_sc.fv_lambda_dloss_dz	损失函数对预测值求导。 入参：   1. 损失函数类型；       详见字典表：           select * from sm_sc.tb_dic_enum           where enum_name = 'loss_fn_type'   2. 训练输出预测值矩阵；   3. 训练集的真实值编码；	select   sm_sc.fv_lambda_dloss_dz   (     '101'   , array[[1, 2, 3],[2, 3, 4]]   , array[[1.1, 2.1, 3.2],[2.2, 3.3, 4.2]]   ) 返回：   array[[-0.0707, -0.0707, -0.1414],[-0.1414, -0.2121, -0.1414]]

l. 机器学习的神经网络专用：

函数名	函数说明	调用举例
sm_sc.fv_idx_samp_by_samp	采样再采样序号跟踪。 入参：   1. 本次采样前样本的原始序号的多区间范围；   2. 本次采样到的样本在旧集合的位置序号的多区间范围；	select   sm_sc.fv_idx_samp_by_samp   (     int4multirange     (       int4range(1, 3, '[]'),       int4range(8, 12, '[]'),       int4range(13, 15, '[]')     ),     int4multirange     (       int4range(4, 6, '[]'),       int4range(8, 12, '[]')     )   ) 返回：   int4multirange   (     int4range(8, 10, '[]'),     int4range(12, 12, '[]'),     int4range(13, 15, '[]')   )
sm_sc.ft_nn_buff_slice_rand_pick	从规约的 buff 表中分组随机拣取单次训练的小批量。 当次批量内记录不重复。 入参：   1. 训练任务标识；   2. 训练集所有样本按照分类分组排序后的样本编号范围划定；   3. 训练集中每个分类分组采用数量。       不同分组可以配置不同采样数量； 出参列：   1. 抽到的样本编号；   2. 抽到样本的入参向量；	-- 以 mnist 数据集，配置训练任务为例， -- 假定配置训练任务编号为：2022030501； select   o_ord_no,   o_slice_rand_pick from   sm_sc.ft_nn_buff_slice_rand_pick   (     2022030501,     array     [       int4range(1, 5923, '[]'),       int4range(5924, 12665, '[]'),       int4range(12666, 18623, '[]'),       int4range(18624, 24754, '[]'),       int4range(24755, 30596, '[]'),       int4range(30597, 36017, '[]'),       int4range(36018, 41935, '[]'),       int4range(41936, 48200, '[]'),       int4range(48201, 54052, '[]'),       int4range(54053, 60001, '[]')     ],     array_fill(7, array[10])   ) tb_a; 返回：   -- 10个分类分组，每组随机抽取7个样本，   -- 共70条采样。
sm_sc.ft_nn_in_out	训练集测试集单条输入，返回判断或预测结果向量。 本函数依托于临时表 sm_sc.__vt_tmp_nn_node 实现。 入参：   1. 输出模型的训练任务标识；   2. session 序号。表示 __vt_tmp_nn_node 表中的一个模型实例。       当传入 null，会新建一个模型实例；   3 - 6. 测试集或验证集样本入参向量。其中 4 - 6 缺省为 null。       传入的自变量比训练集的记录大一个维度，用于一次请求传入多条预测数据；   7. 指定要返回的因变量序号。缺省为 array[1]；	-- 假定已经有训练好的模型任务：2022030501。 select   ord_no,   i_depdt_01 from sm_sc.tb_nn_train_input_buff,   sm_sc.ft_nn_in_out   (     2022030501,     null,     array[i_indepdt]   ) as a_pred_out_arr where work_no = 2022030501   and ord_no = round((random() * 60001) + 0.5) 返回(其中 a_pred_out_arr 为返回值，i_depdt_01 做为真实值对比)：   i_depdt_01:     array[0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0]   a_pred_out_arr:     array[[0.0001, 0.9193, 0.0028, 0.0337, 0.0010, 0.0048, 0.0013, 0.0125, 0.0190, 0.0053]]
sm_sc.ft_nn_node2node_path	两节点之间的前向路径。 入参：   1. 输出模型的训练任务标识；   2. 起始节点；   3. 到达节点； 出参列：   1. 出发节点；   2. 抵达节点；   3. 抵达节点顺序号；   4. 节点遍历类型。控制沿途标记；	-- 假定已经有训练的模型任务：2022030501。 select   o_back_node_no,   o_fore_node_no,   o_path_ord_no,   o_node_type from sm_sc.ft_nn_node2node_path(2022030501, 103010025, 104030008) 注：   返回字段 o_node_type 的枚举值：     1. main: 路径上沿途节点;     2. leaf: 非沿途节点，但是是配套入参; 返回：   o_back_node_no    o_fore_node_no    o_path_ord_no    o_node_type   103010015             104010008             1                          leaf   103010025             104010008             2                          main   103010035             104010008             3                          leaf   103010044             104010008             4                          leaf   104010008             104020008             1                          main   104020008             104030008             1                          main
sm_sc.fv_nn_node2node_val	两节点之间的前向传播数值 入参：   1. 输出模型的训练任务标识；   2. 起始节点；   3. 到达节点；	-- 假定已经有训练的模型任务：2022030501。 select sm_sc.fv_nn_node2node_val(2022030501, 103010025, 104030008) 返回(一个算子的张量输出): 略
sm_sc.fv_nn_weight_len	针对权重参数算子，通过因变量规格、超参数配置和自变量顺序位置，反推权重自变量规格。 入参：   1. 算子类型；   2. 待求权重规格的自变量位置序号；   3. 算子超参数；   4. 算子因变量规格；	select       sm_sc.fv_nn_weight_len     (         '01_prod_mx'     ,  2     ,  array[2.0,  3.0,  5.0]     ,  array[8,  10,  2,  5]     ) 返回:     array[8,  10,  3,  5]
sm_sc.fv_nn_none	空算子、直传算子、nn 节点占位算子。 单目自变量原封不动当做因变量输出。 可用于设计神经网络时， 网络节点占位、 算子粒度超参数配置位置扩展或自变量位置跟踪等。	select       sm_sc.fv_nn_none(array[1.0]) 返回:     array[1.0]
sm_sc.fv_nn_node_pick_depdt_idx	算子执行后，因变量的数据集采样序号跟踪。	select       sm_sc.fv_nn_node_pick_depdt_idx     (         '04_slice_y'     ,  array[int4multirange(int4range(2,  5,  '[]')),  int4multirange(int4range(7,  11,  '[]'))]     ,  array[[3.0],  [6.0]]     ) 返回:     array     [         int4multirange(int4range(4,  5,  '[]'),  int4range(7,  8,  '[]'))     ]

m. 机器学习的编码、解码：

函数名	函数说明	调用举例
sm_sc.fv_huffman	霍夫曼编码。 本函数依托于临时表 sm_sc.__vt_tmp_huffman 实现。 入参：   1. 原始数值集合组成的一维数组；	select   sm_sc.fv_huffman   (     array[1, 2, 3, 8, 9, 13, 19]   ); 返回：   array[B'00101', B'00100',B'0011',B'001',B'11',B'10',B'01']
sm_sc.fv_onehot	独热编码。 入参：   1. 原始数值集合组成的一维数组或二维多行一列数组；   2. 热编码值。缺省为 1；   3. 冷编码值。缺省为 0；	select   sm_sc.fv_onehot   (     array[1, 2, 3, 1, 4, 3, 5, 6]   ); 返回：   array   [[1.0, 0.0, 0.0, 0.0, 0.0, 0.0]   ,[0.0, 1.0, 0.0, 0.0, 0.0, 0.0]   ,[0.0, 0.0, 1.0, 0.0, 0.0, 0.0]   ,[1.0, 0.0, 0.0, 0.0, 0.0, 0.0]   ,[0.0, 0.0, 0.0, 1.0, 0.0, 0.0]   ,[0.0, 0.0, 1.0, 0.0, 0.0, 0.0]   ,[0.0, 0.0, 0.0, 0.0, 1.0, 0.0]   ,[0.0, 0.0, 0.0, 0.0, 0.0, 1.0]]
sm_sc.ft_onehot_dic	独热编码字典。 入参：   1. 原始数值集合组成的一维数组或二维多行一列数组；   2. 热编码值。缺省为 1；   3. 冷编码值。缺省为 0；	select     o_ele ,  o_onehot from       sm_sc.ft_onehot_dic     (         array[1,  2,  3,  1,  4,  3,  5,  6]     ); 返回：     o_ele      o_onehot     1              {1,0,0,0,0,0}     2              {0,1,0,0,0,0}     3              {0,0,1,0,0,0}     4              {0,0,0,1,0,0}     5              {0,0,0,0,1,0}     6              {0,0,0,0,0,1}
sm_sc.ft_bpe	BPE 编码。 入参：   1. 原始输入序列数组；   2. 约束：迭代合并 token 的次数做为循环结束的阈值；   3. 约束：token list 的字典规模做为循环结束的阈值，       缺省 0；   4. 期望：编码后，每个 seq 包含 token 数量的最大值做为循环结束的阈值，       缺省 0 代表不约束循环结束阈值；   5. 初步评估：对于某一个 seq 来说，当包含的 token 数已经小于 i_threshold_seq_token_len，       那么判断：其包含的 token 的平均长度超过该阈值，则不再参与 bpe。       缺省 0 代表不做此判断；   6. 是否区分匹配 seq 的起始和终止。       如果区分，则要对 seq 中的两个逃逸字符 '^$' 做特殊处理； 出参列：   1. 输出序列数组。       元素顺序与原始输入一一对应；   2. 清单，字典表；	select     o_ret_seq_code ,  o_ret_token_list from       sm_sc.ft_bpe     (         array['estern',  'widest',  'longest']     ,  2     ) 返回:     o_ret_seq_code:         array         [             'est  e  r  n'         ,  'w  i  d  est'         ,  'l  o  n  g  est'         ]     o_ret_token_list:         array         [             'r'         ,  'n'         ,  'd'         ,  'g'         ,  'i'         ,  'w'         ,  'l'         ,  'o'         ,  'est'         ,  'e'         ]

n. 机器学习的损失函数：

函数名	函数说明	调用举例
sm_sc.fv_loss_least_square	最小二乘法。   1. 训练输出预测值矩阵；   2. 训练集的真实值编码；	select       sm_sc.fv_loss_least_square     (         array[[1.0,  2,  3],  [2,  3,  4]]     ,  array[[1.1,  2.1,  3.2],  [2.2,  3.3,  4.2]]     )      返回:       0.3391164991562635
sm_sc.fv_loss_cross_entropy	交叉熵。   1. 训练输出预测值矩阵；   2. 训练集的真实值编码；	select       sm_sc.fv_loss_cross_entropy     (         array[[0.3,  0.5,  0.2],  [0.1,  0.8,  0.1]]     ,  array[[0.0,  1.0,  0.0],  [0.0,  1.0,  0.0]]     )      返回:       0.4581453659370775

o. 复数运算：

函数名	函数说明	调用举例
sm_sc.fv_opr_add	复数相加	select   sm_sc.fv_opr_add   (     (12.3, -12.3),     (-45.6, -45.6)   ); 返回：   (-33.3, -57.9)
sm_sc.fv_opr_sub	复数相减	select   sm_sc.fv_opr_sub   (     (12.3, -12.3),     (-45.6, -45.6)   ); 返回：   (57.9, 33.3)
sm_sc.fv_opr_sub	复数相反数	select   sm_sc.fv_opr_sub   (     (12.3, -12.3)   ); 返回：   (-12.3, 12.3)
sm_sc.fv_opr_mul	复数相乘	select   sm_sc.fv_opr_mul   (     (12.3, -12.3),     (-45.6, -45.6)   ); 返回：   (1121.76, 0.0)
sm_sc.fv_opr_div	复数相除	select   sm_sc.fv_opr_div   (     (12.3, -12.3),     (-45.6, -45.6)   ); 返回：   (0.0 ,0.2697)
sm_sc.fv_opr_div	复数倒数	select   sm_sc.fv_opr_div   (     (12.3, -12.3)   ); 返回：   (0.0407, 0.0407)
sm_sc.fv_opr_pow	复数幂	select   sm_sc.fv_opr_pow   (     (2.3, -0.8),     (1.6, -3.6)   ); 返回：   (-1.0288, 0.7009)
sm_sc.fv_opr_exp	复数自然常数幂	select   sm_sc.fv_opr_exp   (     (2.3, -0.8)   ); 返回：   (6.9491, -7.1550)
sm_sc.fv_opr_log	复数对数	select   sm_sc.fv_opr_log   (     (12.3, -12.3),     (-45.6, -45.6)   ); 返回：   (1.5671, -0.3940)
sm_sc.fv_opr_ln	复数自然对数	select   sm_sc.fv_opr_ln   (     (12.3, -12.3)   ); 返回：   (2.8562, -0.7854)
sm_sc.fv_sin	复数正弦	select   sm_sc.fv_sin   (     (2.3, -2.3)   ); 返回：   (3.7563, 3.2894)
sm_sc.fv_cos	复数余弦	select   sm_sc.fv_cos   (     (3.3, -1.3)   ); 返回：   (-0.3109, 1.6771)
sm_sc.fv_opr_real	复数实部	select   sm_sc.fv_opr_real   (     (2.3, -2.3)   ); 返回：   2.3
sm_sc.fv_opr_imaginary	复数虚部	select   sm_sc.fv_opr_imaginary   (     (2.3, -2.3)   ); 返回：   -2.3
sm_sc.fv_opr_norm	复数的模	select   sm_sc.fv_opr_norm   (     (2.3, -2.3)   ); 返回：   3.2527
sm_sc.fv_opr_conjugate	复数共轭	select   sm_sc.fv_opr_conjugate   (     (2.4, -6.3)   ); 返回：   (2.4, 6.3)
sm_sc.fv_opr_conjugate_45	复数实虚对换	select   sm_sc.fv_opr_conjugate_45   (     (2.4, -6.3)   ); 返回：   (-6.3, 2.4)
sm_sc.fv_opr_round	复数四舍五入	select   sm_sc.fv_opr_round   (     (12.34854, -12.3483)   ); 返回：   (12, -12)
sm_sc.fv_opr_floor	复数数位地板值	select   sm_sc.fv_opr_floor   (     (1482.37878, -178672.3543)   , -1   ); 返回：   (1480, -178680)
sm_sc.fv_opr_ceil	复数数位天花板值	select   sm_sc.fv_opr_ceil   (     (12.3233333, -12.3788)   , 2   ); 返回：   (12.33, -12.37)
sm_sc.fv_opr_trunc	复数数位截取值	select   sm_sc.fv_opr_trunc   (     (12.31231, -12.32333)   , 3   ); 返回：   (12.312, -12.323)

p. 对 postgresql 补充的 udf 公共函数：

函数名	函数说明	调用举例
sm_sc.fa_coalesce	免空聚合。	select   sm_sc.fa_coalesce(a_val) as a_coal_agg,   sm_sc.fa_coalesce(a_val order by a_no) as a_coal_agg_asc,   sm_sc.fa_coalesce(a_val order by a_no desc) as a_coal_agg_desc from (   select null as a_val, 1 as a_no   union all   select 'abc', 3   union all   select 'cde', 2   union all   select 'fgh', 4   union all   select null, 5 ) tb_a(a_val) 返回：   a_coal_agg: 'abc'   a_coal_agg_asc: 'cde'   a_coal_agg_desc: 'fgh'
sm_sc.fa_prod	连乘聚合。	select   sm_sc.fa_prod(a_val) as a_prod_agg from (   select 3.0 as a_val   union all   select 2.5   union all   select 4.8 ) tb_a(a_val) 返回：36.0
sm_sc.fa_concat	连接聚合。	select       sm_sc.fa_concat(a_val)  as  a_concat_agg from   (     select  'abc'  as  a_val     union  all  select  'faera'     union  all  select  '4564'     union  all  select  'kuk7'     union  all  select  '66yy' )  tb_a(a_val) 返回：abcfaera4564kuk766yy
sm_sc.fv_enum_rand_pick	枚举随机拣取，不重复。 入参：   1. 枚举类型名称；   2. 随机采样数量；	-- create type sm_sc.typ_enum_day as -- enum('SUN','MON','TUE','WED','THU','FRI','SAT'); select   sm_sc.fv_enum_rand_pick   (     'sm_sc.typ_enum_day'   , 3   ); 返回：array['TUE', 'MON', 'SUN']
sm_sc.fv_enum_rand	枚举随机取值，可重复。 入参：   1. 枚举类型名称；   2. 随机采样数量；	-- create type sm_sc.typ_enum_day as -- enum('SUN','MON','TUE','WED','THU','FRI','SAT'); select   sm_sc.fv_enum_rand   (     'sm_sc.typ_enum_day'   , 3   ); 返回：array['TUE', 'MON', 'MON']
sm_sc.fv_o_distance	两向量欧式距离。 入参：   1. 向量1；   2. 向量2；	select   sm_sc.fv_o_distance   (     array[1.0, 2.0]   , array[4.0, 6.0]   ); 返回：5.0
sm_sc.fa_range_or	各个多段区间合并聚合。   聚合字段类型：     range 类型或 range 数组类型；	select       sm_sc.fa_range_or(a_val) from   (     select  int8range(1,  2,  '[]')  ::  int8multirange  as  a_val     union  all  select  int8range(5,  6,  '[]')  ::  int8multirange     union  all  select  int8range(3,  7,  '[]')  ::  int8multirange     union  all  select  int8range(9,  13,  '[]')  ::  int8multirange     union  all  select  int8range(11,  17,  '[]')  ::  int8multirange     union  all  select  null )  t 返回:       int8multirange(int8range(1,  7,  '[]'),  int8range(9,  17,  '[]'))      --  ----------------------------------------------------- select  sm_sc.fa_range_or(a_val) from   (     select  array[int8range(1,  2,  '[]')  ::  int8multirange,  int8range(-2,  -1,  '[]')  ::  int8multirange]  as  a_val     union  all  select  array[int8range(5,  6,  '[]')  ::  int8multirange,  int8range(-6,  -5,  '[]')  ::  int8multirange]     union  all  select  array[int8range(3,  7,  '[]')  ::  int8multirange,  int8range(-7,  -3,  '[]')  ::  int8multirange]     union  all  select  array[int8range(9,  13,  '[]')  ::  int8multirange,  int8range(-13,  -9,  '[]')  ::  int8multirange]     union  all  select  array[int8range(11,  17,  '[]')  ::  int8multirange,  int8range(-17,  -11,  '[]')  ::  int8multirange]     union  all  select  null )  t 返回:       array       [         int8multirange(int8range(1,  7,  '[]'),  int8range(9,  17,  '[]'))     ,  int8multirange(int8range(-17,  -7,  '[]'),  int8range(-7,  -1,  '[]'))     ]
sm_sc.fa_range_and	区间相交聚合。   聚合字段类型：     range 类型或 range 数组类型；	select       sm_sc.fa_range_and(a_val) from   (     select  int8range(9,  15,  '[]')  ::  int8multirange  as  a_val     union  all  select  int8range(11,  17,  '[]')  ::  int8multirange     union  all  select  int8range(7,  12,  '[]')  ::  int8multirange )  t 返回:       int8multirange(int8range(11,  12,  '[]'))      --  ----------------------------------------------------- select  sm_sc.fa_range_and(a_val) from   (     select  array[int8range(1,  5,  '[]')  ::  int8multirange,  int8range(-4,  3,  '[]')  ::  int8multirange]  as  a_val     union  all  select  array[int8range(3,  6,  '[]')  ::  int8multirange,  int8range(-6,  -1,  '[]')  ::  int8multirange] )  t 返回:       array       [         int8multirange(int8range(3,  5,  '[]'))     ,  int8multirange(int8range(-4,  -1,  '[]'))     ]
sm_sc.fv_multirange_len	多段区间的长度，与跨度不同，排除了间隔。   入参：     1. 多段区间；	select       sm_sc.fv_multirange_len     (         int8multirange(int8range(1,  3,  '[]'),  int8range(9,  10,  '[]'))     ) 返回:       5
sm_sc.fv_range_move	单区间漂移。   入参：     1. 单区间；     2. 移动距离；	select       sm_sc.fv_range_move     (         int8range(1,  3,  '[]')     ,  6  ::  bigint     ) 返回:       int8range(7,  9,  '[]')
sm_sc.fv_multirange_move	多段区间漂移。   入参：     1. 多段区间；     2. 移动距离；	select       sm_sc.fv_multirange_move     (         int8multirange(int8range(1,  3,  '[]'),  int8range(9,  10,  '[]'))     ,  10  ::  bigint     ) 返回:       int8multirange(int8range(11,  13,  '[]'),  int8range(19,  20,  '[]'))
sm_sc.fv_get_global_seq	获得全局 bigint 唯一标识。   入参：     1. 获得唯一标识个数。缺省为 1；	select       sm_sc.fv_get_global_seq(3)      返回:     int8range(8,  10,  '[]')

q. 导数公式推导：

函数名	函数说明	调用举例
sm_sc.fv_gradient	代数式导数推导。 本函数依托于以下临时表实现。   1. sm_sc._vt_fn_grad__graph；   2. sm_sc._vt_fn_grad__algebra；   3. sm_sc._vt_fn_grad__forward；   4. sm_sc._vt_fn_grad__chain； 重载1.   入参：     1. 求导目标自变量名称；     2. 代数式的序列化 json； 重载2.   入参：     1. 求导目标自变量名称；     2. 代数式文本表达；	select   sm_sc.fv_gradient   (     'v_x' :: text,     '     {       "out_param": "v_z",       "opr": "sm_sc.fv_opr_pow",       "in_params":       [         {           "out_param": "v_x"         },         {           "out_param": "v_x"         }       ]     }     ' :: jsonb   ); 返回：   (((v_x ^ v_x) * ln(v_x)) + (v_x * (v_x ^ (v_x - 1.00000000)))) -------------------------- select   sm_sc.fv_gradient   (     'v_x'   , '(v_x * v_y) + exp(v_x * v_y) + power(v_x, 2)'::text   ); 返回：(v_y + (2.00000000 * v_x) + (exp((v_x * v_y)) * v_y))
sm_sc.ft_gradient	代数式导数数值计算。 入参：   1. 求导目标自变量名称列表；   2.包含自变量代入数值的代数式的序列化 json； 出参列:   1. 求导目标自变量名称；   2.导数值；	select   o_indepdt_vars_name,   o_grad from sm_sc.ft_gradient (   array['v_x_in', 'v_y_in'],   '   {     "out_param": "v_z_in",     "opr": "sm_sc.fv_opr_add",     "in_params":     [       {         "opr": "sm_sc.fv_opr_mul",         "in_params":         [           {             "out_param": "v_x_in",             "out_value": 1.5           },           {             "out_param": "v_y_in",             "out_value": 1.5           }         ]       },       {         "opr": "sm_sc.fv_opr_exp",         "in_params":         [           {             "opr": "sm_sc.fv_opr_mul",             "in_params":             [               {                 "out_param": "v_x_in",                 "out_value": 1.5               },               {                 "out_param": "v_y_in",                 "out_value": 1.5               }             ]           }         ]       },       {         "opr": "sm_sc.fv_opr_pow",         "in_params":         [           {             "out_param": "v_x_in",             "out_value": 1.5           },           {             "out_value": 2           }         ]       }     ]   }   '::jsonb ); 返回：   o_indepdt_vars_name        o_grad   v_x_in                                18.73160376   v_y_in                                15.73160376
sm_sc.ft_gradient_graph	代数式文本导数推导(输出为树形结构)。 入参：   1. 求导目标自变量名称；   2.代数式文本表达； 出参列：   1. 中间因变量；   2. 中间自变量；   3. 常量数值；   4. 入参位置顺序号；   5. 运算操作类型；	select   o_out_param_x,   o_in_param_x,   o_in_value_x,   o_param_loc_x,   o_out_opr_x from sm_sc.ft_gradient_graph('v_x', '3 * v_x * v_y'::text) 返回：   o_out_param_x                                              o_in_param_x                                                      o_in_value_x      o_param_loc_x        o_out_opr_x                                                                           1ecb1aeee9bba546541394669cfbb68e                                            1           04460d66750dc2c536e3aef4a66df70a        3a98ec1e00cca8e4d330b49c896699c3                                            1                                sm_sc.fv_opr_mul   04460d66750dc2c536e3aef4a66df70a        e38869fbedbaa92e1aef2ee286e1a751                                            2                                sm_sc.fv_opr_mul   1ecb1aeee9bba546541394669cfbb68e        04460d66750dc2c536e3aef4a66df70a                                            1                                sm_sc.fv_opr_add   3a98ec1e00cca8e4d330b49c896699c3                                                                                      1.0                        1                                   e38869fbedbaa92e1aef2ee286e1a751        v_y                                                                                                      1                                sm_sc.fv_opr_mul   e38869fbedbaa92e1aef2ee286e1a751                                                                                      3.0                        1                                sm_sc.fv_opr_mul
sm_sc.ft_gradient_opr_graph	基础算子的导数推导。 入参：   1. 求导目标自变量名称；   2.运算操作类型；   3.运算操作类型；求导目标自变量入参位置顺序号；   4.其他入参名称清单。      如果是常量则填 null；   5.其他入参常量清单。      如果是变量则填 null；   6.指定求导结果变量名称；	select   o_out_param,   o_in_param,   o_in_value,   o_param_loc,   o_out_opr from sm_sc.ft_gradient_opr_graph (   'x',   'sm_sc.fv_opr_div',   2,   null,   array[1.2] ); 返回：   o_out_param                                                o_in_param                                                  o_in_value    o_param_loc    o_out_opr   b0ae53f5ac4c3091753f8e4e4c352039      x                                                                                            1                        sm_sc.fv_opr_pow   b0ae53f5ac4c3091753f8e4e4c352039                                                                            -2.0                2                        sm_sc.fv_opr_pow   6da6d6058c859b21588e829d71a7e6b3                                                                            1.2                  1                        sm_sc.fv_opr_mul   6da6d6058c859b21588e829d71a7e6b3      b0ae53f5ac4c3091753f8e4e4c352039                              2                        sm_sc.fv_opr_mul   8881836ea7405adb788660db93f5f116                                                                            0.0                  1                        sm_sc.fv_opr_sub   8881836ea7405adb788660db93f5f116      6da6d6058c859b21588e829d71a7e6b3                              2                        sm_sc.fv_opr_sub                                                                         8881836ea7405adb788660db93f5f116                              1
sm_sc.fv_gradient_jacobi	雅可比矩阵导数推导。 入参：   1. 自变量名称清单；   2. 代数式清单；	select   sm_sc.fv_gradient_jacobi   (     array['r', 'a', 'b']   , array['r*cos(a)*sin(b)', 'r*sin(a)*sin(b)', 'r*cos(b)']   ) 返回：   array   [     [       '(sin(b) * cos(a))',       '((sin(b) * r) * (0.0 - sin(a)))',       '((r * cos(a)) * cos(b))'     ],     [       '(sin(b) * sin(a))',       '((r * sin(b)) * cos(a))',       '((r * sin(a)) * cos(b))'     ],     [       'cos(b)',       '0.0',       '(r * (0.0 - sin(b)))'     ]   ]
sm_sc.fv_gradient_opr	基础算子的数值求导。 入参：   1. 求导目标自变量值；   2.运算操作类型；   3. 求导目标自变量入参顺序位置；   4. 因变量值；   5. 另一目自变量入参数值；	select sm_sc.fv_gradient_opr (   8.0,   'sm_sc.fv_opr_log',   2,   null,   2.0 ); 返回：0.18033688

r. 一些矩阵运算求导：

提示 1：pg4ml 框架中，通常求导函数对自变量广播的反向传播的支持，依赖于训练准备阶段对自变量数组规格的跟踪；

函数名	函数说明	调用举例
sm_sc. fv_d_nn_none_dloss_dindepdt	空函数求导。 入参：   1. 损失函数对因变量的导数；	select       sm_sc.fv_d_nn_none_dloss_dindepdt     (         array[[1,  2,  3],  [4,  5,  6]]     ) 返回:       array[[1,  2,  3],  [4,  5,  6]]
sm_sc. fv_d_new_dloss_dindepdt	数值求导 new。 入参：   1. 损失函数对因变量的导数；   2. new 函数各维度方向分组重复次数；	select   sm_sc.fv_d_new_dloss_dindepdt   (     array[[0.5, -0.2, 0.25, 1.3, -0.9, -0.1]          ,[-0.5, -0.2, -0.25, 1.3, 0.9, 0.1]          ,[0.5, 0.2, 0.25, -1.3, 0.9, 0.05]],     array[1, 3]   ); 返回：   array[[-0.15, 1.0],[0.15, 1.2],[1.65, -1.05]]
sm_sc. fv_d_activate_elu	数值求导 elu。 入参：   1. 自变量矩阵；   2. α 值；	select   sm_sc.fv_d_activate_elu   (     array[[1.0, -2.0],[3.0, 4.0]]   , 0.3   ); 返回：   array[[1.0, 0.0406],[1.0, 1.0]]
sm_sc. fv_d_activate_gelu	数值求导 gelu。 入参：   1. 自变量矩阵；	select   sm_sc.fv_d_activate_gelu   (     array[[1.0, -2.0],[3.0, 4.0]]   ); 返回：   array[[1.0830, -0.0861],[1.0116, 1.0003]]
sm_sc. fv_d_activate_leaky_relu	数值求导 leaky_relu。 入参：   1. 自变量矩阵；   2. α值；	select   sm_sc.fv_d_activate_leaky_relu   (     array[[1.0, -2.0],[3.0, 4.0]]   , 0.3   ); 返回：   array[[1.0000, 0.3000],[1.0000, 1.0000]]
sm_sc. fv_d_activate_relu	数值求导 relu。 入参：   1. 自变量矩阵；	select   sm_sc.fv_d_activate_relu   (     array[[1.0, -2.0],[3.0, 4.0]]   ); 返回：   array[[1.0000, 0.0000],[1.0000, 1.0000]]
sm_sc. fv_d_activate_selu	数值求导 selu。 入参：   1. 自变量矩阵；	select   sm_sc.fv_d_activate_selu   (     array[[1.0, -2.0],[3.0, 4.0]]   ); 返回：   array[[1.0507, 0.2379],[1.0507, 1.0507]]
sm_sc. fv_d_activate_sigmoid	数值求导 sigmoid。 入参：   1. 自变量矩阵；	select   sm_sc.fv_d_activate_sigmoid   (     array[[1.0, -2.0],[3.0, 4.0]]   ); 返回：   array[[0.1966, 0.1050],[0.0452, 0.0177]]
sm_sc. fv_d_activate_softplus	数值求导 softplus。 入参：   1. 自变量矩阵；	select   sm_sc.fv_d_activate_softplus   (     array[[1.0, -2.0],[3.0, 4.0]]   ); 返回：   array[[0.7311, 0.1192],[0.9526, 0.9820]]
sm_sc. fv_d_activate_swish	数值求导 swish。 入参：   1. 自变量矩阵；	select   sm_sc.fv_d_activate_swish   (     array[[1.0, -2.0],[3.0, 4.0]]   ); 返回：   array[[0.9277, -0.0908],[1.0881, 1.0527]]
sm_sc. fv_d_activate_boxcox	数值求导 boxcox。 入参：   1. 自变量矩阵；   2. lambda 值；	select       sm_sc.fv_d_activate_boxcox     (         array[[1.1,  2,  3],  [4,  5,  6]]     ,  0.2     ) 返回:       array[[0.927,  0.574,  0.415],[0.330,  0.276,  0.238]]
sm_sc. fv_d_redistr_softmax_dloss_dindepdt	softmax 的损失函数对自变量求导。 入参：   1. 因变量矩阵：   2. 损失函数对因变量求导矩阵；   3. 自变量矩阵：	select   sm_sc.fv_d_redistr_softmax_dloss_dindepdt   (     sm_sc.fv_redistr_softmax(array[[1, 2, 3, 4, 5]]),     -` array[[0.0, 0.0, 0.0, 0.0, 1.0]] :: float[] /` sm_sc.fv_redistr_softmax(array[[1, 2, 3, 4, 5]]),     array[[1, 2, 3, 4, 5]]   ); 返回：   array[[0.0117, 0.0317, 0.0861, 0.2341, -0.3636]]
sm_sc. fv_d_redistr_zscore	数值求导 zscore 。 入参：   1. 因变量矩阵：   2. 自变量矩阵：	select       sm_sc.fv_d_redistr_zscore     (         sm_sc.fv_redistr_zscore(array[[1,  2,  3,  4,  5]])     ,  array[[1,  2,  3,  4,  5]]     ) 返回:       array[1.138,  1.771,  2.403,  3.036,  3.668]
sm_sc. fv_d_conv_2d_dloss_dindepdt_1_ex	卷积的损失函数对第一自变量(即：背景矩阵)求导。 入参：   1. 损失函数对因变量求导矩阵；   2. 另一目自变量，       即第二目，卷积核窗口矩阵；   3. 滑动窗口纵向和横向步长。       该参数为长度为2的一维数组；   4. 上下左右补齐行数/列数。       该参数为长度为4的一维数组；	select   sm_sc.fv_d_conv_2d_dloss_dindepdt_1_ex   (     array[[1.1, 1.1, 1.1],[1.1, 1.1, 1.1],[1.1, 1.1, 1.1]],     array[[0.5, 1.1, 0.5],[1.1, 2.1, 1.1],[0.5, 1.1, 0.5]],     array[2,2],     array[1,1,1,0]   ); 返回：   array[[0.257, 0.269, 0.257, 0.269, 0.257, 0.134]           ,[0.269, 0.244, 0.269, 0.244, 0.269, 0.122]           ,[0.257, 0.269, 0.257, 0.269, 0.257, 0.134]           ,[0.269, 0.244, 0.269, 0.244, 0.269, 0.122]           ,[0.257, 0.269, 0.257, 0.269, 0.257, 0.134]]
sm_sc. fv_d_conv_2d_dloss_dindepdt_2	卷积的损失函数对第二自变量(即：窗口矩阵)求导。 入参：   1. 另一目自变量矩阵，       即第一目，背景矩阵；   2. 损失函数对因变量求导矩阵；   3. 本自变量高宽，       即第二目规格，卷积核窗口矩阵高宽；       该参数为长度为2的一维数组；   4. 滑动窗口纵向和横向步长。       该参数为长度为2的一维数组；   5. 上下左右补齐行数/列数。       该参数为长度为4的一维数组；   6. 补齐填充元素值；	select   sm_sc.fv_d_conv_2d_dloss_dindepdt_2   (     array[[1, 2, 3, 4, 5, 6]             ,[10, 20, 30, 40, 50, 60]             ,[100, 200, 300, 400, 500, 600]             ,[-1, -2, -3, -4, -5, -6]             ,[-10, -20, -30, -40, -50, -60]],     array[[0.5, 1.1, 0.5],[1.1, 2.1, 1.1],[0.5, 1.1, 0.5]],     array[3,3],     array[2,2],     array[1,1,1,0],     0   ); 返回：   array[[66.800, 50.100, 33.400]           ,[1644.400, 1233.300, 822.200]           ,[163.600, 122.700, 81.800]]
sm_sc. fv_d_conv_2d_dloss_dindepdt_3	卷积的损失函数对第三自变量(即：偏移量)求导。 入参：   1. 损失函数对因变量求导矩阵；   2. 本自变量规格，       即第三目自变量规格；	select       sm_sc.fv_d_conv_2d_dloss_dindepdt_3     (         array         [             [                 [1.0,2.0,3.0,4.0,5.0,6.0,7.0]             ,  [10.0,20.0,30.0,40.0,50.0,60.0,70.0]             ,  [100.0,200.0,300.0,400.0,500.0,600.0,700.0]             ,  [-1.0,-2.0,-3.0,-4.0,-5.0,-6.0,-7.0]             ,  [-10.0,-20.0,-30.0,-40.0,-50.0,-60.0,-70.0]             ]         ,  [                 [1.0,2.0,3.0,4.0,5.0,6.0,7.0]             ,  [10.0,20.0,30.0,40.0,50.0,60.0,70.0]             ,  [100.0,200.0,300.0,400.0,500.0,600.0,700.0]             ,  [-1.0,-2.0,-3.0,-4.0,-5.0,-6.0,-7.0]             ,  [-10.0,-20.0,-30.0,-40.0,-50.0,-60.0,-70.0]             ]         ]     ,  array[2,  1,  1]     ) 返回:       array[[[2800.0]],  [[2800.0]]]
sm_sc. fv_d_conv_2d_grp_x_dloss_dindepdt_1	矩阵x方向卷积的损失函数对第一自变量求导， 也即损失函数对背景矩阵求导。 入参：   1. 2D样本的宽度。       通常是图像的宽度，即以下例子中的 14；       例如：100张 28*14 像素的图片，                 先将2D像素转长度为392的1D向量，                 再聚合成高宽为 100*392 的2D矩阵；   2. 损失函数对因变量求导再降维堆叠后的矩阵；   3. 卷积核降维后的单行矩阵。       如果带有偏移量，那么该一维数组长度多1。       例如：3*4卷积核矩阵降维后，                  如果没有偏移量，则为1*12矩阵，                  如果有偏移量，则为1*12 + 1 = 13矩阵；   4. 卷积核窗口的宽度。   5. 卷积核滑动的纵向与横向步长。       该参数为长度为2的一维数组；   6. 上下左右补齐行数/列数。       该参数为长度为4的一维数组；	select    sm_sc.fv_d_conv_2d_grp_x_dloss_dindepdt_1   (     6,     array     [       [         1.1, 1.1, 1.1       , 1.1, 1.1, 1.1       , 1.1, 1.1, 1.1       ],       [         2.1, 3.1, 0.1       , 1.1, -1.1, -0.1       , -1.1, 1.1, -1.1       ],       [         0.1, -2.1, 1.1       , -1.1, 3.1, 2.1       , 1.1, -1.1, 1.1       ]     ],     array     [       [         0.5, 1.1, 0.5       , 1.1, 2.1, 1.1       , 0.5, 1.1, 0.5       ]     ]     , 3     , array[2, 2]     , array[1, 1, 1, 0]   ) 返回：   array   [     [       0.257, 0.269, 0.257, 0.269, 0.257, 0.134     , 0.269, 0.244, 0.269, 0.244, 0.269, 0.122     , 0.257, 0.269, 0.257, 0.269, 0.257, 0.134     , 0.269, 0.244, 0.269, 0.244, 0.269, 0.122     , 0.257, 0.269, 0.257, 0.269, 0.257, 0.134     ],     [       0.490, 0.636, 0.723, 0.391, 0.023, 0.012     , 0.391, 0.289, 0.244, 0.111, 0.000, 0.000     , 0.257, 0.000, -0.257, -0.147, -0.023, -0.012     , 0.000, 0.000, 0.000, -0.067, -0.147, -0.067     , -0.257, 0.000, 0.257, 0.000, -0.257, -0.134     ],     [       0.023, -0.244, -0.490, -0.122, 0.257, 0.134     , -0.122, 0.000, 0.122, 0.233, 0.391, 0.178     , -0.257, 0.244, 0.723, 0.636, 0.490, 0.257     , 0.000, 0.111, 0.244, 0.289, 0.391, 0.178     , 0.257, 0.000, -0.257, 0.000, 0.257, 0.134     ]   ]
sm_sc. fv_d_conv_2d_grp_x_dloss_dindepdt_2	矩阵x方向卷积的损失函数对第二自变量求导， 也即损失函数对卷积核窗口矩阵求导。 入参：   1. 由2D转1D后的每行向量再次构成的2D原矩阵；       例如：100张 28*14 像素的图片，                 先将2D像素转长度为392的1D向量，                 再聚合成高宽为 100*392 的2D矩阵；   2. 2D样本的宽度。       通常是图像的宽度，即参数一例子中的 14；   3. 损失函数对因变量求导再降维堆叠后的矩阵；   4. 卷积核窗口的宽度。   5. 卷积核是否附加偏移量。   6. 卷积核滑动的纵向与横向步长。       该参数为长度为2的一维数组；   7. 上下左右补齐行数/列数。       该参数为长度为4的一维数组；   8. 补齐填充元素值；	select    sm_sc.fv_d_conv_2d_grp_x_dloss_dindepdt_2   (     array     [       [         1.0, 2.0, 3.0, 4.0, 5.0, 6.0, 7.0       , 10.0, 20.0, 30.0, 40.0, 50.0, 60.0, 70.0       , 100.0, 200.0, 300.0, 400.0, 500.0, 600.0, 700.0       , -1.0, -2.0, -3.0, -4.0, -5.0, -6.0, -7.0       , -10.0, -20.0, -30.0, -40.0, -50.0, -60.0, -70.0       ],        [         1.0, 2.0, 3.0, 4.0, 5.0, 6.0, 7.0       , -1.0, -2.0, -3.0, -4.0, -5.0, -6.0, -7.0       , 10.0, 20.0, 30.0, 40.0, 50.0, 60.0, 70.0       , 100.0, 200.0, 300.0, 400.0, 500.0, 600.0, 700.0       , -10.0, -20.0, -30.0, -40.0, -50.0, -60.0, -70.0       ],        [         1.0, 2.0, 3.0, 4.0, 5.0, 6.0, 7.0       , -1.0, -2.0, -3.0, -4.0, -5.0, -6.0, -7.0       , 10.0, 20.0, 30.0, 40.0, 50.0, 60.0, 70.0       , -10.0, -20.0, -30.0, -40.0, -50.0, -60.0, -70.0       , 100.0, 200.0, 300.0, 400.0, 500.0, 600.0, 700.0       ]     ]     , 7,      array     [       [         1.1, 1.1, 1.1       , 1.1, 1.1, 1.1       ],        [         2.1, 3.1, 0.1       , 1.1, -1.1, -0.1       ],        [         0.1, -2.1, 1.1       , -1.1, 3.1, 2.1       ]     ]     , array[3, 3]     , true    -- false     , array[2, 2]   ) 返回：   array   [     [       4404.000, 3652.000, 2900.000     , -430.500, -404.800, -379.100     , 1926.500, 1548.800, 1171.100     , 15.000     ]   ]
sm_sc. fv_d_pool_none_dloss_dindepdt	元素保留不变池化的损失函数对自变量求导。 入参：   1. 自变量矩阵的高宽大小；   2. 池化窗口高宽大小；   3. 损失函数对因变量求导矩阵；   4. 滑动窗口纵向和横向步长。       该参数为长度为2的一维数组；   5. 上下左右补齐行数/列数。       该参数为长度为4的一维数组；	select  sm_sc.fv_d_pool_none_dloss_dindepdt (     array[4,  5]       ,  array[3,  3]     ,  array     [         [1,  2,  3,  4,  5,  6,  7,  8,  9]                                     ,  [11,  12,  13,  14,  15,  16,  17,  18,  19]                                     ,  [21,  22,  23,  24,  25,  26,  27,  28,  29]                                                   ,  [31,  32,  33,  34,  35,  36,  37,  38,  39]                                     ,  [41,  42,  43,  44,  45,  46,  47,  48,  49]                           ,  [51,  52,  53,  54,  55,  56,  57,  58,  59]     ]  ::  float[] ,  array[1,  1] ,  array[0,  0,  0,  0] ) 返回:       array     [         [1,  6,  15,  14,  9]     ,  [42,  92,  150,  108,  58]     ,  [62,  132,  210,  148,  78]     ,  [51,  106,  165,  114,  59]     ]
sm_sc. fv_d_pool_avg_dloss_dindepdt	平均池化的损失函数对自变量求导。 入参：   1. 自变量矩阵的高宽大小；   2. 池化窗口高宽大小；   3. 损失函数对因变量求导矩阵；   4. 滑动窗口纵向和横向步长。       该参数为长度为2的一维数组；   5. 上下左右补齐行数/列数。       该参数为长度为4的一维数组；	select    sm_sc.fv_d_pool_avg_dloss_dindepdt   (     array[5, 7]   , array[3, 3]   , array     [       [1.1, 1.1, 1.1]     , [1.1, 1.1, 1.1]     ]   , array[2, 2]   ) 返回：   array   [     [0.020, 0.020, 0.041, 0.020, 0.041, 0.020, 0.020]   , [0.020, 0.020, 0.041, 0.020, 0.041, 0.020, 0.020]   , [0.041, 0.041, 0.081, 0.041, 0.081, 0.041, 0.041]   , [0.020, 0.020, 0.041, 0.020, 0.041, 0.020, 0.020]   , [0.020, 0.020, 0.041, 0.020, 0.041, 0.020, 0.020]   ]
sm_sc. fv_d_pool_avg_grp_x_dloss_dindepdt	矩阵x方向平均池化的损失函数对自变量求导。 入参：   1. 由2D转1D后的每行向量再次构成的2D原矩阵；       例如：100张 2814 像素的图片，                 先将2D像素转长度为392的1D向量，                 再聚合成高宽为 100392 的2D矩阵；   2. 2D样本的宽度。       通常是图像的宽度，即参数一例子中的 14；   3. 损失函数对因变量求导再降维堆叠后的矩阵；   4. 池化窗口的宽度。   5. 滑动窗口纵向和横向步长。       该参数为长度为2的一维数组；   6. 上下左右补齐行数/列数。       该参数为长度为4的一维数组；	select    sm_sc.fv_d_pool_avg_grp_x_dloss_dindepdt   (     5*7,      7,      array     [       [         1.1, 1.1, 1.1       , 1.1, 1.1, 1.1       ],        [         2.1, 3.1, 0.1       , 1.1, -1.1, -0.1       ],        [         0.1, -2.1, 1.1       , -1.1, 3.1, 2.1       ]     ],      array[3, 3],      array[2, 2]   ) 返回：   array   [     [       0.020, 0.020, 0.041, 0.020, 0.041, 0.020, 0.020     , 0.020, 0.020, 0.041, 0.020, 0.041, 0.020, 0.020     , 0.041, 0.041, 0.081, 0.041, 0.081, 0.041, 0.041     , 0.020, 0.020, 0.041, 0.020, 0.041, 0.020, 0.020     , 0.020, 0.020, 0.041, 0.020, 0.041, 0.020, 0.020     ],      [       0.039, 0.039, 0.096, 0.057, 0.059, 0.002, 0.002     , 0.039, 0.039, 0.096, 0.057, 0.059, 0.002, 0.002     , 0.059, 0.059, 0.096, 0.037, 0.037, 0.000, 0.000     , 0.020, 0.020, 0.000, -0.020, -0.022, -0.002, -0.002     , 0.020, 0.020, 0.000, -0.020, -0.022, -0.002, -0.002     ],      [       0.002, 0.002, -0.037, -0.039, -0.019, 0.020, 0.020     , 0.002, 0.002, -0.037, -0.039, -0.019, 0.020, 0.020     , -0.019, -0.019, 0.000, 0.019, 0.078, 0.059, 0.059     , -0.020, -0.020, 0.037, 0.057, 0.096, 0.039, 0.039     , -0.020, -0.020, 0.037, 0.057, 0.096, 0.039, 0.039     ]   ]
sm_sc. fv_d_pool_max_dloss_dindepdt	最大池化的损失函数对自变量求导。 入参：   1. 自变量矩阵；   2. 池化窗口高宽大小；   3. 损失函数对因变量求导矩阵；   4. 因变量矩阵；   5. 滑动窗口纵向和横向步长。       该参数为长度为2的一维数组；   6. 上下左右补齐行数/列数。       该参数为长度为4的一维数组；   7. 补齐填充元素值；	select    sm_sc.fv_d_pool_max_dloss_dindepdt   (     array     [       [1, 2, 3, 4, 5, 6]             ,        [10, 20, 30, 40, 50, 60]       ,        [100, 200, 300, 400, 500, 600] ,        [-1, -2, -3, -4, -5, -6]       ,        [-10, -20, -30, -40, -50, -60]     ],      array[3, 3]       ,      array     [       [1.1, 1.1, 1.1],        [1.1, 1.1, 1.1],        [1.1, 1.1, 1.1]     ],      null              ,      array[2, 2]       ,      array[1, 1, 1, 0] ,      0   )    返回：   array   [[0.122, 0.000, 0.122, 0.000, 0.122, 0.000]   , [0.122, 0.000, 0.122, 0.000, 0.122, 0.000]   , [0.000, 0.000, 0.000, 0.000, 0.000, 0.000]   , [0.000, 0.000, 0.000, 0.000, 0.000, 0.000]   , [0.000, 0.000, 0.000, 0.000, 0.000, 0.000]]
sm_sc. fv_d_pool_max_grp_x_dloss_dindepdt	矩阵x方向最大池化的损失函数对自变量求导。 入参：   1. 由2D转1D后的每行向量再次构成的2D原矩阵；       例如：100张 2814 像素的图片，                 先将2D像素转长度为392的1D向量，                 再聚合成高宽为 100392 的2D矩阵；   2. 2D样本的宽度。       通常是图像的宽度，即参数一例子中的 14；   3. 损失函数对因变量求导再降维堆叠后的矩阵；   4. 池化窗口的宽度；   5. 因变量降维堆叠后的矩阵；   6. 滑动窗口纵向和横向步长。       该参数为长度为2的一维数组；   7. 上下左右补齐行数/列数。       该参数为长度为4的一维数组；   8. 补齐填充元素值；	select sm_sc.fv_d_pool_max_grp_x_dloss_dindepdt   (     array     [       [         1.0, 2.0, 3.0, 4.0, 5.0, 6.0, 7.0       , 10.0, 20.0, 30.0, 40.0, 50.0, 60.0, 70.0       , 100.0, 200.0, 300.0, 400.0, 500.0, 600.0, 700.0       , -1.0, -2.0, -3.0, -4.0, -5.0, -6.0, -7.0       , -10.0, -20.0, -30.0, -40.0, -50.0, -60.0, -70.0       ],        [         1.0, 2.0, 3.0, 4.0, 5.0, 6.0, 7.0       , -1.0, -2.0, -3.0, -4.0, -5.0, -6.0, -7.0       , 10.0, 20.0, 30.0, 40.0, 50.0, 60.0, 70.0       , 100.0, 200.0, 300.0, 400.0, 500.0, 600.0, 700.0       , -10.0, -20.0, -30.0, -40.0, -50.0, -60.0, -70.0       ],        [         1.0, 2.0, 3.0, 4.0, 5.0, 6.0, 7.0       , -1.0, -2.0, -3.0, -4.0, -5.0, -6.0, -7.0       , 10.0, 20.0, 30.0, 40.0, 50.0, 60.0, 70.0       , -10.0, -20.0, -30.0, -40.0, -50.0, -60.0, -70.0       , 100.0, 200.0, 300.0, 400.0, 500.0, 600.0, 700.0       ]     ],      7,      array     [       [         1.1, 1.1, 1.1       , 1.1, 1.1, 1.1       ],        [         2.1, 3.1, 0.1       , 1.1, -1.1, -0.1       ],        [         0.1, -2.1, 1.1       , -1.1, 3.1, 2.1       ]     ]     , array[3, 3]     , null     , array[2, 2]   );    返回：   array   [     [       0, 0, 0, 0, 0, 0, 0     , 0, 0, 0, 0, 0, 0, 0     , 0, 0, 0.367, 0, 0.367, 0, 0.367     , 0, 0, 0, 0, 0, 0, 0     , 0, 0, 0, 0, 0, 0, 0]   , [       0, 0, 0, 0, 0, 0, 0     , 0, 0, 0, 0, 0, 0, 0     , 0, 0, 0.350, 0, 0.517, 0, 0.017     , 0, 0, 0.183, 0, -0.183, 0, -0.017     , 0, 0, 0, 0, 0, 0, 0]   , [       0, 0, 0, 0, 0, 0, 0     , 0, 0, 0, 0, 0, 0, 0     , 0, 0, 0.017, 0, -0.350, 0, 0.183     , 0, 0, 0, 0, 0, 0, 0     , 0, 0, -0.183, 0, 0.517, 0, 0.350     ]   ]
sm_sc. fv_d_conv_add_dloss_dindepdt_1	卷加求导，损失函数对第一自变量求导，即对背景矩阵求导。 入参：   1. 第一自变量矩阵高宽规格；   2. 第二自变量矩阵高宽规格；   3. 损失函数对因变量的导数矩阵；   4. 滑动窗口纵向和横向步长；   5. 上下左右补齐行数/列数；	select sm_sc.fv_d_conv_add_dloss_dindepdt_1 (              array[4, 5]                   ,                  array[3, 3]                   ,                 array                 [[1, 2, 3, 4, 5, 6, 7, 8, 9]                   , [11, 12, 13, 14, 15, 16, 17, 18, 19]                 , [21, 22, 23, 24, 25, 26, 27, 28, 29]                 , [31, 32, 33, 34, 35, 36, 37, 38, 39]                 , [41, 42, 43, 44, 45, 46, 47, 48, 49]              , [51, 52, 53, 54, 55, 56, 57, 58, 59]] :: float[],    array[1, 1]                            ); 返回：   array   [[1, 6, 15, 14, 9]   , [42, 92, 150, 108, 58]   , [62, 132, 210, 148, 78]   , [51, 106, 165, 114, 59]]
sm_sc. fv_d_conv_add_dloss_dindepdt_2	卷加求导，损失函数对第二自变量求导，即对窗口矩阵求导。 入参：   1. 第一自变量矩阵高宽规格；   2. 第二自变量矩阵高宽规格；   3. 损失函数对因变量的导数矩阵；   4. 滑动窗口纵向和横向步长；   5. 上下左右补齐行数/列数；	select sm_sc.fv_d_conv_add_dloss_dindepdt_2 (                  array[4, 5]                   ,                   array[3, 3]                   ,             array                 [[1, 2, 3, 4, 5, 6, 7, 8, 9]                   ,[11, 12, 13, 14, 15, 16, 17, 18, 19]                ,[21, 22, 23, 24, 25, 26, 27, 28, 29]                ,[31, 32, 33, 34, 35, 36, 37, 38, 39]                ,[41, 42, 43, 44, 45, 46, 47, 48, 49]              ,[51, 52, 53, 54, 55, 56, 57, 58, 59]] :: float[] ); 返回：   array[[114,120,126],[174,180,186],[234,240,246]]
sm_sc. fv_d_conv_sub_dloss_dindepdt_1	卷减求导，损失函数对第一自变量求导，即对背景矩阵求导。 入参：   1. 第一自变量矩阵高宽规格；   2. 第二自变量矩阵高宽规格；   3. 损失函数对因变量的导数矩阵；   4. 滑动窗口纵向和横向步长；   5. 上下左右补齐行数/列数；	select sm_sc.fv_d_conv_sub_dloss_dindepdt_1 (             array[4, 5]                   ,                 array[3, 3]                   ,           array                 [[1, 2, 3, 4, 5, 6, 7, 8, 9]                   ,[11, 12, 13, 14, 15, 16, 17, 18, 19]                ,[21, 22, 23, 24, 25, 26, 27, 28, 29]                ,[31, 32, 33, 34, 35, 36, 37, 38, 39]                ,[41, 42, 43, 44, 45, 46, 47, 48, 49]              ,[51, 52, 53, 54, 55, 56, 57, 58, 59]] :: float[] ) 返回：   array   [[1, 6, 15, 14, 9]   ,[42, 92, 150, 108, 58]   ,[62, 132, 210, 148, 78]   ,[51, 106, 165, 114, 59]]
sm_sc. fv_d_conv_sub_dloss_dindepdt_2	卷减求导，损失函数对第二自变量求导，即对窗口矩阵求导。 入参：   1. 第一自变量矩阵高宽规格；   2. 第二自变量矩阵高宽规格；   3. 损失函数对因变量的导数矩阵；   4. 滑动窗口纵向和横向步长；   5. 上下左右补齐行数/列数；	select sm_sc.fv_d_conv_sub_dloss_dindepdt_2 (           array[4, 5]                   ,                  array[3, 3]                   ,                array                 [[1, 2, 3, 4, 5, 6, 7, 8, 9]                   ,[11, 12, 13, 14, 15, 16, 17, 18, 19]                ,[21, 22, 23, 24, 25, 26, 27, 28, 29]                ,[31, 32, 33, 34, 35, 36, 37, 38, 39]                ,[41, 42, 43, 44, 45, 46, 47, 48, 49]              ,[51, 52, 53, 54, 55, 56, 57, 58, 59]] :: float[],   array[1, 1]        ,                                 array[0, 0, 0, 0]                                ); 返回：   array   [[-114, -120, -126]   ,[-174, -180, -186]   ,[-234, -240, -246]]
sm_sc. fv_d_conv_mul_dloss_dindepdt_1	卷乘求导，损失函数对第一自变量求导，即对背景矩阵求导。 入参：   1. 第一自变量矩阵高宽规格；   2. 第二自变量矩阵，即窗口矩阵；   3. 损失函数对因变量的导数矩阵；   4. 滑动窗口纵向和横向步长；   5. 上下左右补齐行数/列数；	select sm_sc.fv_d_conv_mul_dloss_dindepdt_1 (   array[4, 5]                   ,   array[[1,4,7],[2,5,8],[3,6,9]] :: float[],   array                 [[1, 2, 3, 4, 5, 6, 7, 8, 9]                   ,[11, 12, 13, 14, 15, 16, 17, 18, 19]                   ,[21, 22, 23, 24, 25, 26, 27, 28, 29]                          ,[31, 32, 33, 34, 35, 36, 37, 38, 39]                   ,[41, 42, 43, 44, 45, 46, 47, 48, 49]              ,[51, 52, 53, 54, 55, 56, 57, 58, 59]] :: float[] ); 返回：   array   [[1, 12, 48, 74, 63]              ,[53, 250, 621, 622, 425]              ,[145, 502, 1101, 1010, 653]              ,[153, 474, 978, 852, 531]]
sm_sc. fv_d_conv_mul_dloss_dindepdt_2	卷乘求导，损失函数对第二自变量求导，即对窗口矩阵求导。 入参：   1. 第一自变量矩阵，即背景矩阵；   2. 第二自变量矩阵高宽规格；   3. 损失函数对因变量的导数矩阵；   4. 滑动窗口纵向和横向步长；   5. 上下左右补齐行数/列数；   6. 补齐填充元素值；	select sm_sc.fv_d_conv_mul_dloss_dindepdt_2 (   array[[1,2,3,4,5],[3,4,5,6,7],[2,4,6,8,5],[7,5,3,4,8]] :: float[],   array[3, 3]                   ,   array   [[1, 2, 3, 4, 5, 6, 7, 8, 9]                   ,[11, 12, 13, 14, 15, 16, 17, 18, 19]   ,[21, 22, 23, 24, 25, 26, 27, 28, 29]   ,[31, 32, 33, 34, 35, 36, 37, 38, 39]   ,[41, 42, 43, 44, 45, 46, 47, 48, 49]   ,[51, 52, 53, 54, 55, 56, 57, 58, 59]] :: float[],   array[1, 1]        ,   array[0, 0, 0, 0]  ,   0.0  :: float ); 返回：   array[[444,582,732],[714,1053,1165],[1098,1119,1346]]
sm_sc. fv_d_conv_div_dloss_dindepdt_1	卷除求导，损失函数对第一自变量求导，即对背景矩阵求导。 入参：   1. 第一自变量矩阵高宽规格；   2. 第二自变量矩阵，即窗口矩阵；   3. 损失函数对因变量的导数矩阵；   4. 滑动窗口纵向和横向步长；   5. 上下左右补齐行数/列数；	select sm_sc.fv_d_conv_div_dloss_dindepdt_1 (   array[4, 5]                   ,    array[[1,4,7],[2,5,8],[3,6,9]] :: float[],     array                 [[1, 2, 3, 4, 5, 6, 7, 8, 9]                   ,[11, 12, 13, 14, 15, 16, 17, 18, 19]                   ,[21, 22, 23, 24, 25, 26, 27, 28, 29]                          ,[31, 32, 33, 34, 35, 36, 37, 38, 39]                   ,[41, 42, 43, 44, 45, 46, 47, 48, 49]              ,[51, 52, 53, 54, 55, 56, 57, 58, 59]] :: float[] ) 返回：   array   [[1.000, 4.500, 8.679, 2.857, 1.286]   ,[36.500, 51.400, 63.589, 20.243, 7.946]   ,[27.500, 42.067, 53.597, 22.906, 9.347]   ,[17.000, 26.667, 34.056, 15.889, 6.556]]
sm_sc. fv_d_conv_div_dloss_dindepdt_2	卷除求导，损失函数对第二自变量求导，即对窗口矩阵求导。 入参：   1. 第一自变量矩阵，即背景矩阵；   2. 第二自变量矩阵，即窗口矩阵；   3. 损失函数对因变量的导数矩阵；   4. 滑动窗口纵向和横向步长；   5. 上下左右补齐行数/列数；   6. 补齐填充元素值；	select sm_sc.fv_d_conv_div_dloss_dindepdt_2 (   array[[1,2,3,4,5],[3,4,5,6,7],[2,4,6,8,5],[7,5,3,4,8]] :: float[],   array[[1,4,7],[2,5,8],[3,6,9]] :: float[],   array                 [[1, 2, 3, 4, 5, 6, 7, 8, 9]                   ,[11, 12, 13, 14, 15, 16, 17, 18, 19]                   ,[21, 22, 23, 24, 25, 26, 27, 28, 29]                          ,[31, 32, 33, 34, 35, 36, 37, 38, 39]                   ,[41, 42, 43, 44, 45, 46, 47, 48, 49]              ,[51, 52, 53, 54, 55, 56, 57, 58, 59]] :: float[],   array[1, 1] ) 返回：   array   [[-9.827, -24.044, -29.290]                   ,[-34.166, -32.375, -41.803]                   ,[-51.102, -85.938, -112.643]]
sm_sc. fv_d_conv_pow_dloss_dindepdt_1	卷幂求导，损失函数对第一自变量求导，即对背景矩阵求导。 入参：   1. 第一自变量矩阵，即背景矩阵；   2. 第二自变量矩阵，即窗口矩阵；   3. 因变量矩阵。       非必传入参，尽量传该入参，可节省开销；   4. 因变量矩阵高宽规格；   5. 损失函数对因变量的导数矩阵；   6. 滑动窗口纵向和横向步长；   7. 上下左右补齐行数/列数；	select sm_sc.fv_d_conv_pow_dloss_dindepdt_1 (   array   [     [1, 2, 3, 4, 5]   , [3, 4, 5, 6, 7]   , [2, 4, 6, 8, 5]   , [7, 5, 3, 4, 8]] :: float[],    array[[1, 4, 7], [2, 5, 8], [3, 6, 9]] :: float[],    sm_sc.fv_conv_pow   (     array     [       [1, 2, 3, 4, 5]     , [3, 4, 5, 6, 7]     , [2, 4, 6, 8, 5]     , [7, 5, 3, 4, 8]] :: float[],      array[[1, 4, 7], [2, 5, 8], [3, 6, 9]] :: float[]   ),    array[6, 9],    array                 [     [1, 2, 3, 4, 5, 6, 7, 8, 9]                   , [1.1, 1.2, 1.3, 1.4, 1.5, 1.6, 1.7, 1.8, 1.9]                   , [2.1, 2.2, 2.3, 2.4, 2.5, 2.6, 2.7, 2.8, 2.9]                          , [3.1, 3.2, 3.3, 3.4, 3.5, 3.6, 3.7, 3.8, 3.9]                   , [4.1, 4.2, 4.3, 4.4, 4.5, 4.6, 4.7, 4.8, 4.9]              , [5.1, 5.2, 5.3, 5.4, 5.5, 5.6, 5.7, 5.8, 5.9]] :: float[] )  返回：   array    [     [1.000, 68.000, 15856.000, 174080.000, 984375.000]   , [9.700, 2369.800, 1179895.700, 4773859.200, 15729671.300]   , [41.600, 19043.200, 44543997.600, 470410854.400, 13257812.500]   , [749.700, 97905.000, 321132.600, 3338649.600, 890870169.600]   ]
sm_sc. fv_d_conv_pow_dloss_dindepdt_2	卷幂求导，损失函数对第二自变量求导，即对窗口矩阵求导。 入参：   1. 第一自变量矩阵，即背景矩阵；   2. 第二自变量矩阵，即窗口矩阵；   3. 第二自变量矩阵高宽规格；   4. 因变量矩阵。       非必传入参，尽量传该入参，可节省开销。       如传递该入参，可以不传第二个参数的窗口矩阵；   5. 因变量矩阵高宽规格；   6. 损失函数对因变量的导数矩阵；   7. 滑动窗口纵向和横向步长；   8. 上下左右补齐行数/列数；   9. 补齐填充元素值；	select sm_sc.fv_d_conv_pow_dloss_dindepdt_2 (   array   [     [1, 2, 3, 4, 5]   , [3, 4, 5, 6, 7]   , [2, 4, 6, 8, 5]   , [7, 5, 3, 4, 8]   ] :: float[],    null, -- array[[1, 4, 7], [2, 5, 8], [3, 6, 9]] :: float[],    array[3, 3]                   ,    sm_sc.fv_conv_pow   (     array     [       [1, 2, 3, 4, 5]     , [3, 4, 5, 6, 7]     , [2, 4, 6, 8, 5]     , [7, 5, 3, 4, 8]     ] :: float[],      array[[1, 4, 7], [2, 5, 8], [3, 6, 9]] :: float[],      array[1, 1]        ,      array[0, 0, 0, 0]  ,      0.0  :: float   ),    array[6, 9]                   ,    array                 [[1, 2, 3, 4, 5, 6, 7, 8, 9]   , [11, 12, 13, 14, 15, 16, 17, 18, 19]                   , [21, 22, 23, 24, 25, 26, 27, 28, 29]                          , [31, 32, 33, 34, 35, 36, 37, 38, 39]                   , [41, 42, 43, 44, 45, 46, 47, 48, 49]              , [51, 52, 53, 54, 55, 56, 57, 58, 59]] :: float[],    array[1, 1]        ,    array[0, 0, 0, 0]  ,    0.0  :: float ) 返回：   array   [     [617.069, 138109.798, 85980348.256]   , [5224.588, 4300539.139, 2034488125.210]   , [59289.615, 19159053.803, 24251286231.684]   ]
sm_sc. fv_d_conv_log_dloss_dindepdt_1	卷对数求导，损失函数对第一自变量求导，即对背景矩阵求导。 入参：   1. 第一自变量矩阵，即背景矩阵；   2. 第一自变量矩阵高宽规格；   3. 第二自变量矩阵，即窗口矩阵；   4. 第二自变量矩阵高宽规格；   5. 因变量矩阵。       非必传入参，尽量传该入参，可节省开销；   6. 损失函数对因变量的导数矩阵；   7. 滑动窗口纵向和横向步长；   8. 上下左右补齐行数/列数；	select sm_sc.fv_d_conv_log_dloss_dindepdt_1 (   array   [     [1.2, 2, 3, 4, 5]   , [3, 4, 5, 6, 7]   , [2, 4, 6, 8, 5]   , [7, 5, 3, 4, 8]   ] :: float[],    array[4, 5]                   ,    array[[1.3, 4, 7], [2, 5, 8], [3, 6, 9]] :: float[],    array[3, 3]                   ,    sm_sc.fv_conv_log   (     array     [       [1.2, 2, 3, 4, 5]     , [3, 4, 5, 6, 7]     , [2, 4, 6, 8, 5]     , [7, 5, 3, 4, 8]     ] :: float[],      array[[1.3, 4, 7], [2, 5, 8], [3, 6, 9]] :: float[],      array[1, 1]        ,      array[0, 0, 0, 0]  ,      0.5  :: float   ),    array                 [     [1.2, 2, 3, 4, 5, 6, 7, 8, 9]                   , [11, 12, 13, 14, 15, 16, 17, 18, 19]                   , [21, 22, 23, 24, 25, 26, 27, 28, 29]                          , [31, 32, 33, 34, 35, 36, 37, 38, 39]                   , [41, 42, 43, 44, 45, 46, 47, 48, 49]              , [51, 52, 53, 54, 55, 56, 57, 58, 59]] :: float[],    array[1, 1]        ,    array[0, 0, 0, 0]  -- ,    -- 0.5  :: float ) 返回：   array   [     [7.893, 3.978, 4.034, 2.962, 1.352]   , [4.352, 10.706, 14.315, 9.603, 4.354]   , [53.585, 21.318, 16.582, 8.100, 12.787]   , [2.114, 11.774, 76.673, 29.525, 3.748]   ]
sm_sc. fv_d_conv_log_dloss_dindepdt_2	卷对数求导，损失函数对第二自变量求导，即对窗口矩阵求导。 入参：   1. 第一自变量矩阵，即背景矩阵；   2. 第二自变量矩阵，即窗口矩阵；   3. 损失函数对因变量的导数矩阵；   4. 滑动窗口纵向和横向步长；   5. 上下左右补齐行数/列数；   6. 补齐填充元素值；	select sm_sc.fv_d_conv_log_dloss_dindepdt_2 (   array   [     [1.2, 2, 3, 4, 5]   , [3, 4, 5, 6, 7]   , [2, 4, 6, 8, 5]   , [7, 5, 3, 4, 8]   ] :: float[],    array[[1.3, 4, 7], [2, 5, 8], [3, 6, 9]] :: float[],    array                 [     [1.2, 2, 3, 4, 5, 6, 7, 8, 9]                   , [11, 12, 13, 14, 15, 16, 17, 18, 19]                   , [21, 22, 23, 24, 25, 26, 27, 28, 29]                          , [31, 32, 33, 34, 35, 36, 37, 38, 39]                   , [41, 42, 43, 44, 45, 46, 47, 48, 49]              , [51, 52, 53, 54, 55, 56, 57, 58, 59]] :: float[],    array[1, 1]        ,    array[0, 0, 0, 0]  ,    0.5  :: float ) 返回：   array   [     [72.659, 19.811, 10.470]   , [73.898, 21.303, 12.917]   , [58.107, 27.916, 17.819]   ]
sm_sc. fv_d_conv_de_sub_dloss_dindepdt_1	反卷减求导，损失函数对第一自变量求导，即对窗口矩阵求导。 入参：   1. 第一自变量矩阵高宽规格；   2. 第二自变量矩阵高宽规格；   3. 损失函数对因变量的导数矩阵；   4. 滑动窗口纵向和横向步长；   5. 上下左右补齐行数/列数；	select sm_sc.fv_d_conv_de_sub_dloss_dindepdt_1 (   array[3, 3]                   ,    array[4, 5]                   ,    array                 [[1, 2, 3, 4, 5, 6, 7, 8, 9]   , [11, 12, 13, 14, 15, 16, 17, 18, 19]   , [21, 22, 23, 24, 25, 26, 27, 28, 29]   , [31, 32, 33, 34, 35, 36, 37, 38, 39]   , [41, 42, 43, 44, 45, 46, 47, 48, 49]   , [51, 52, 53, 54, 55, 56, 57, 58, 59]] :: float[],    array[1, 1]        ,    array[0, 0, 0, 0] ) 返回：   array   [     [114, 120, 126]   , [174, 180, 186]   , [234, 240, 246]   ]
sm_sc. fv_d_conv_de_sub_dloss_dindepdt_2	反卷减求导，损失函数对第二自变量求导，即对背景矩阵求导。 入参：   1. 第一自变量矩阵高宽规格；   2. 第二自变量矩阵高宽规格；   3. 损失函数对因变量的导数矩阵；   4. 滑动窗口纵向和横向步长；   5. 上下左右补齐行数/列数；	select sm_sc.fv_d_conv_de_sub_dloss_dindepdt_2 (   array[3, 3]                   ,    array[4, 5]                   ,    array   [     [1, 2, 3, 4, 5, 6, 7, 8, 9]   , [11, 12, 13, 14, 15, 16, 17, 18, 19]   , [21, 22, 23, 24, 25, 26, 27, 28, 29]   , [31, 32, 33, 34, 35, 36, 37, 38, 39]   , [41, 42, 43, 44, 45, 46, 47, 48, 49]   , [51, 52, 53, 54, 55, 56, 57, 58, 59]   ] :: float[] ) 返回：   array   [     [-1, -6, -15, -14, -9]   , [-42, -92, -150, -108, -58]   , [-62, -132, -210, -148, -78]   , [-51, -106, -165, -114, -59]   ]
sm_sc. fv_d_conv_de_div_dloss_dindepdt_1	反卷除求导，损失函数对第一自变量求导，即对窗口矩阵求导。 入参：   1. 第一自变量矩阵高宽规格；   2. 第二自变量矩阵，即背景矩阵；   3. 损失函数对因变量的导数矩阵；   4. 滑动窗口纵向和横向步长；   5. 上下左右补齐行数/列数；	select sm_sc.fv_d_conv_de_div_dloss_dindepdt_1 (   array[3, 3],    array   [     [1, 2, 3, 4, 5]   , [3, 4, 5, 6, 7]   , [2, 4, 6, 8, 5]   , [7, 5, 3, 4, 8]   ] :: float[],    array                 [[1, 2, 3, 4, 5, 6, 7, 8, 9]                   , [11, 12, 13, 14, 15, 16, 17, 18, 19]                   , [21, 22, 23, 24, 25, 26, 27, 28, 29]                          , [31, 32, 33, 34, 35, 36, 37, 38, 39]                   , [41, 42, 43, 44, 45, 46, 47, 48, 49]              , [51, 52, 53, 54, 55, 56, 57, 58, 59]] :: float[],    array[1, 1]        ,    array[1, -1, -1, 1],    2.0  :: float ) 返回：   array   [     [42.083, 34.517, 43.950]   , [41.300, 34.107, 54.188]   , [43.425, 39.708, 69.373]   ]
sm_sc. fv_d_conv_de_div_dloss_dindepdt_2	反卷除求导，损失函数对第二自变量求导，即对背景矩阵求导。 入参：   1. 第一自变量矩阵，即窗口矩阵；   2. 第二自变量矩阵，即背景矩阵；   3. 损失函数对因变量的导数矩阵；   4. 滑动窗口纵向和横向步长；   5. 上下左右补齐行数/列数；   6. 补齐填充元素值；	select sm_sc.fv_d_conv_de_div_dloss_dindepdt_2 (   array[[1, 4, 7], [2, 5, 8], [3, 6, 9]] :: float[],    array   [     [1, 2, 3, 4, 5]   , [3, 4, 5, 6, 7]   , [2, 4, 6, 8, 5]   , [7, 5, 3, 4, 8]   ] :: float[],    array                 [[1, 2, 3, 4, 5, 6, 7, 8, 9]                   , [11, 12, 13, 14, 15, 16, 17, 18, 19]                   , [21, 22, 23, 24, 25, 26, 27, 28, 29]                          , [31, 32, 33, 34, 35, 36, 37, 38, 39]                   , [41, 42, 43, 44, 45, 46, 47, 48, 49]              , [51, 52, 53, 54, 55, 56, 57, 58, 59]] :: float[] ) 返回：   array   [     [-1.000, -8.250, -22.121, -2.490, -0.918]   , [-101.250, -159.920, -224.570, -24.478, -7.650]   , [-25.167, -63.831, -109.202, -29.900, -5.618]   , [-39.667, -37.222, -25.546, -9.210, -5.827]   ]
sm_sc. fv_d_conv_de_pow_dloss_dindepdt_1	反卷幂求导，损失函数对第一自变量求导，即对窗口矩阵求导。 入参：   1. 第一自变量矩阵，即窗口矩阵；   2. 第二自变量矩阵，即背景矩阵；   3. 因变量矩阵。       非必传入参，尽量传该入参，可节省开销；   4. 因变量矩阵高宽规格；   5. 损失函数对因变量的导数矩阵；   6. 滑动窗口纵向和横向步长；   7. 上下左右补齐行数/列数；	select sm_sc.fv_d_conv_de_pow_dloss_dindepdt_1 (   array[[1.2, 4, 7], [2, 5, 8], [3, 6, 9]] :: float[],    array   [     [1, 2, 3, 4, 5]   , [3, 4, 5, 6, 7]   , [2, 4, 6, 8, 5]   , [7, 5, 3, 4, 8]   ] :: float[],    sm_sc.fv_conv_de_pow   (     array[[1.2, 4, 7], [2, 5, 8], [3, 6, 9]] :: float[],      array     [       [1, 2, 3, 4, 5]     , [3, 4, 5, 6, 7]     , [2, 4, 6, 8, 5]     , [7, 5, 3, 4, 8]     ] :: float[],      array[1, 1]   ),    array[6, 9]                   ,    array   [[1.2, 2, 3, 4, 5, 6, 7, 8, 9]   , [11, 12, 13, 14, 15, 16, 17, 18, 19]   , [21, 22, 23, 24, 25, 26, 27, 28, 29]   , [31, 32, 33, 34, 35, 36, 37, 38, 39]   , [41, 42, 43, 44, 45, 46, 47, 48, 49]   , [51, 52, 53, 54, 55, 56, 57, 58, 59]] :: float[],    array[1, 1] ) 返回：   array   [     [793.584, 288768.000, 36261372.000]   , [12536.000, 31255125.000, 819486720.000]   , [325746.000, 64284084.000, 3261695202.000]   ]
sm_sc. fv_d_conv_de_pow_dloss_dindepdt_2	反卷幂求导，损失函数对第二自变量求导，即对背景矩阵求导。 入参：   1. 第一自变量矩阵，即窗口矩阵；   2. 第二自变量矩阵，即背景矩阵；   3. 第二自变量矩阵高宽规格；   4. 因变量矩阵。       非必传入参，尽量传该入参，可节省开销。       如传递该入参，可以不传第二个参数 - 窗口矩阵；   5. 因变量矩阵高宽规格；   6. 损失函数对因变量的导数矩阵；   7. 滑动窗口纵向和横向步长；   8. 上下左右补齐行数/列数；   9. 补齐填充元素值；	select sm_sc.fv_d_conv_de_pow_dloss_dindepdt_2 (   array   [     [1.3, 4, 7]   , [2, 5, 8]   , [3, 6, 9]   ] :: float[],    array   [     [1.2, 2, 3, 4, 5]   , [3, 4, 5, 6, 7]   , [2, 4, 6, 8, 5]   , [7, 5, 3, 4, 8]] :: float[],    array[4, 5],    sm_sc.fv_conv_de_pow   (     array     [       [1.3, 4, 7]     , [2, 5, 8]     , [3, 6, 9]     ] :: float[],      array     [       [1.2, 2, 3, 4, 5]     , [3, 4, 5, 6, 7]     , [2, 4, 6, 8, 5]     , [7, 5, 3, 4, 8]     ] :: float[],      array[1, 1]        ,      array[0, 0, 0, 0]  ,      0.5 :: float   ),    array[6, 9]                   ,    array   [     [1.2, 2, 3, 4, 5, 6, 7, 8, 9]   , [11, 12, 13, 14, 15, 16, 17, 18, 19]   , [21, 22, 23, 24, 25, 26, 27, 28, 29]   , [31, 32, 33, 34, 35, 36, 37, 38, 39]   , [41, 42, 43, 44, 45, 46, 47, 48, 49]   , [51, 52, 53, 54, 55, 56, 57, 58, 59]   ] :: float[],    array[1, 1]        ,    array[0, 0, 0, 0]  ,    0.5 :: float ) 返回：   array   [     [0.431, 46.135, 2449.991, 30871.912, 294344.207]   , [78.866, 23608.050, 2090611.225, 17631876.126, 145356281.366]   , [321.314, 95958.069, 53542107.772, 4178421244.111, 7101391.389]   , [122535.919, 738917.515, 107871.033, 941978.441, 5580415487.941]   ]
sm_sc. fv_d_conv_de_log_dloss_dindepdt_1	反卷对数求导，损失函数对第一自变量求导，即对窗口矩阵求导。 入参：   1. 第一自变量矩阵，即窗口矩阵；   2. 第二自变量矩阵，即背景矩阵；   3. 因变量矩阵。       非必传入参，尽量传该入参，可节省开销；   4. 损失函数对因变量的导数矩阵；   5. 滑动窗口纵向和横向步长；   6. 上下左右补齐行数/列数；   7. 补齐填充元素值；	select       sm_sc.fv_d_conv_de_log_dloss_dindepdt_1     (         array         [             [1.3,  4,  7]         ,  [2,  5,  8]         ,  [3,  6,  9]         ]  ::  float[]     ,  array         [             [1.2,  2,  3,  4,  5]         ,  [3,  4,  5,  6,  7]         ,  [2,  4,  6,  8,  5]         ,  [7,  5,  3,  4,  8]         ]  ::  float[]     ,  sm_sc.fv_conv_de_log         (             array             [                 [1.3,  4,  7]             ,  [2,  5,  8]             ,  [3,  6,  9]             ]  ::  float[],               array             [                 [1.2,  2,  3,  4,  5]             ,  [3,  4,  5,  6,  7]             ,  [2,  4,  6,  8,  5]             ,  [7,  5,  3,  4,  8]             ]  ::  float[],               array[1,  1]                ,               array[0,  0,  0,  0]    ,               0.5  ::  float         )     ,  array                                     [             [1.2,  2,  3,  4,  5,  6,  7,  8,  9]                                         ,  [11,  12,  13,  14,  15,  16,  17,  18,  19]                                         ,  [21,  22,  23,  24,  25,  26,  27,  28,  29]                                                       ,  [31,  32,  33,  34,  35,  36,  37,  38,  39]                                         ,  [41,  42,  43,  44,  45,  46,  47,  48,  49]                               ,  [51,  52,  53,  54,  55,  56,  57,  58,  59]         ]  ::  float[]     ,  array[1,  1]                   ,  array[0,  0,  0,  0]       ,  0.5  ::  float     )      返回:       array     [         [-1692.138,  -24.293,  -8.285]     ,  [-241.940,  -24.066,  -9.775]     ,  [-95.275,  -18.587,  -9.217]     ]
sm_sc. fv_d_conv_de_log_dloss_dindepdt_2	反卷对数求导，损失函数对第二自变量求导，即对背景矩阵求导。 入参：   1. 第一自变量矩阵，即窗口矩阵；   2. 第二自变量矩阵，即背景矩阵；   3. 损失函数对因变量的导数矩阵；   4. 滑动窗口纵向和横向步长；   5. 上下左右补齐行数/列数；   6. 补齐填充元素值；	select sm_sc.fv_d_conv_de_log_dloss_dindepdt_2 (   array   [     [1.3, 4, 7]   , [2, 5, 8]   , [3, 6, 9]   ] :: float[],    array   [     [1.2, 2, 3, 4, 5]   , [3, 4, 5, 6, 7]   , [2, 4, 6, 8, 5]   , [7, 5, 3, 4, 8]   ] :: float[],    array                 [     [1.2, 2, 3, 4, 5, 6, 7, 8, 9]   , [11, 12, 13, 14, 15, 16, 17, 18, 19]   , [21, 22, 23, 24, 25, 26, 27, 28, 29]   , [31, 32, 33, 34, 35, 36, 37, 38, 39]   , [41, 42, 43, 44, 45, 46, 47, 48, 49]   , [51, 52, 53, 54, 55, 56, 57, 58, 59]   ] :: float[],    array[1, 1]        ,    array[0, 0, 0, 0]  ,    0.5  :: float ) 返回：   array   [     [5.063, 5.160, 6.429, 2.061, 0.799[   , [26.712, 31.417, 34.205, 11.298, 4.084]   , [39.674, 30.345, 29.913, 11.015, 5.808]   , [8.736, 16.569, 30.999, 11.461, 3.153]   ]
sm_sc. fv_d_conv_prod_mx_dloss_dindepdt_1	卷矩阵乘法求导，损失函数对第一自变量求导，即对背景矩阵求导。 入参：   1. 第一自变量矩阵高宽规格；   2. 背景矩阵滑动窗口高宽规格的高。       该窗口规格区别于第二自变量高宽规格，两者为矩阵乘法规格关系；   3. 第二自变量矩阵，即窗口矩阵；   4. 损失函数对因变量的导数矩阵；   5. 滑动窗口纵向和横向步长；   6. 上下左右补齐行数/列数；	select sm_sc.fv_d_conv_prod_mx_dloss_dindepdt_1 (   array[4, 5],    3,    array[[1, 4, 7, 6], [2, 5, 8, 7], [3, 6, 9, 8]] :: float[],    array   [     [1, 2, 3, 4, 5, 6, 7, 8, 9, -1, -2, -3]   , [11, 12, 13, 14, 15, 16, 17, 18, 19, -11, -12, -13]   , [21, 22, 23, 24, 25, 26, 27, 28, 29, -21, -22, -23]   , [31, 32, 33, 34, 35, 36, 37, 38, 39, -31, -32, -33]   , [41, 42, 43, 44, 45, 46, 47, 48, 49, -41, -42, -43]   , [51, 52, 53, 54, 55, 56, 57, 58, 59, -51, -52, -53]   ] :: float[],    array[1, 1],    array[0, 0, 0, 0] ) 返回：   array   [     [54, 190, 199, 154, -21]   , [828, 1980, 1678, 628, -842]   , [1188, 2780, 2318, 788, -1242]   , [954, 2190, 1799, 554, -1021]   ]
sm_sc. fv_d_conv_prod_mx_dloss_dindepdt_2	卷矩阵乘法求导，损失函数对第二自变量求导，即对窗口矩阵求导。 入参：   1. 第一自变量矩阵，即背景矩阵；   2. 背景矩阵滑动窗口高宽规格的高。       该窗口规格区别于第二自变量高宽规格，两者为矩阵相乘关系；   3. 第二自变量矩阵高宽规格；   4. 损失函数对因变量的导数矩阵；   5. 滑动窗口纵向和横向步长；   6. 上下左右补齐行数/列数；   7. 补齐填充元素值；	select sm_sc.fv_d_conv_prod_mx_dloss_dindepdt_2 (   array   [     [1, 2, 3, 4, 5]   , [3, 4, 5, 6, 7]   , [2, 4, 6, 8, 5]   , [7, 5, 3, 4, 8]   ] :: float[],    3,    array[3, 4],    array   [     [1, 2, 3, 4, 5, 6, 7, 8, 9, -1, -2, -3]   , [11, 12, 13, 14, 15, 16, 17, 18, 19, -11, -12, -13]   , [21, 22, 23, 24, 25, 26, 27, 28, 29, -21, -22, -23]   , [31, 32, 33, 34, 35, 36, 37, 38, 39, -31, -32, -33]   , [41, 42, 43, 44, 45, 46, 47, 48, 49, -41, -42, -43]   , [51, 52, 53, 54, 55, 56, 57, 58, 59, -51, -52, -53]   ] :: float[] ) 返回：   array   [     [1758, 1992, 1743]   , [2478, 2932, 2653]   , [3198, 3872, 3563]   ]
sm_sc. fv_d_conv_de_prod_mx_dloss_dindepdt_1	反卷矩阵乘法求导，损失函数对第一自变量求导，即对窗口矩阵求导。 入参：   1. 第一自变量矩阵高宽规格；   2. 第二自变量矩阵，即背景矩阵；   3. 背景矩阵滑动窗口高宽规格的宽。       该窗口规格区别于第一自变量高宽规格，两者为矩阵相乘关系；   4. 损失函数对因变量的导数矩阵；   5. 滑动窗口纵向和横向步长；   6. 上下左右补齐行数/列数；   7. 补齐填充元素值；	select sm_sc.fv_d_conv_de_prod_mx_dloss_dindepdt_1 (   array[4, 3],    array   [     [1, 2, 3, 4, 5]   , [3, 4, 5, 6, 7]   , [2, 4, 6, 8, 5]   , [7, 5, 3, 4, 8]   ] :: float[],    3,    array   [     [1, 2, 3, 4, 5, 6, 7, 8, 9]   , [11, 12, 13, 14, 15, 16, 17, 18, 19]   , [21, 22, 23, 24, 25, 26, 27, 28, 29]   , [31, 32, 33, 34, 35, 36, 37, 38, 39]   , [41, 42, 43, 44, 45, 46, 47, 48, 49]   , [61, 62, 63, 64, 65, 66, 67, 68, 69]   , [71, 72, 73, 74, 75, 76, 77, 78, 79]   , [51, 52, 53, 54, 55, 56, 57, 58, 59]   ] :: float[] ) 返回：   array   [     [2208, 2482, 2163]   , [3378, 3912, 3493]   , [4098, 4852, 4403]   , [3468, 4322, 4053]   ]
sm_sc. fv_d_conv_de_prod_mx_dloss_dindepdt_2	反卷矩阵乘法求导，损失函数对第二自变量求导，即对背景矩阵求导。 入参：   1. 第一自变量矩阵，即窗口矩阵；   2. 第二自变量矩阵高宽规格；   3. 背景矩阵滑动窗口高宽规格的宽。       该窗口规格区别于第一自变量高宽规格，两者为矩阵相乘关系；   4. 损失函数对因变量的导数矩阵；   5. 滑动窗口纵向和横向步长；   6. 上下左右补齐行数/列数；	select sm_sc.fv_d_conv_de_prod_mx_dloss_dindepdt_2 (     array   [     [1, 4, 7]   , [6, 2, 5]   , [8, 7, 3]   , [6, 9, 8]] :: float[],    array[4, 5],    3,    array   [     [1, 2, 3, 4, 5, 6, 7, 8, 9]   , [11, 12, 13, 14, 15, 16, 17, 18, 19]   , [21, 22, 23, 24, 25, 26, 27, 28, 29]   , [31, 32, 33, 34, 35, 36, 37, 38, 39]   , [41, 42, 43, 44, 45, 46, 47, 48, 49]   , [61, 62, 63, 64, 65, 66, 67, 68, 69]   , [71, 72, 73, 74, 75, 76, 77, 78, 79]   , [51, 52, 53, 54, 55, 56, 57, 58, 59]   ] :: float[] ) 返回：   array   [     [30, 91, 197, 236, 256]   , [540, 1182, 2114, 2632, 2152]   , [780, 1682, 2974, 3712, 2972]   , [750, 1591, 2777, 3476, 2716]   ]
sm_sc.fv_d_mx_sum	聚合函数求和的求导。 入参：   1. 自变量高宽规格；	select    sm_sc.fv_d_mx_sum(array[2, 3])    返回：   array[[1, 1, 1], [1, 1, 1]]
sm_sc.fv_d_mx_avg	聚合函数求平均的求导。 入参：   1. 参与聚合的自变量矩阵数量；   2. 自变量高宽规格；	select    sm_sc.fv_d_mx_avg(3, array[2, 3]) 返回：   array[[0.333, 0.333, 0.333], [0.333, 0.333, 0.333]]
sm_sc.fv_d_mx_max	聚合函数最大值的求导。 入参：   1. 自变量矩阵；   2. 因变量矩阵；	select    sm_sc.fv_d_mx_max   (     array[[1.2, -2.3, 3.3], [1.4, 2.3, 3.8]],      array[[-1.2, -2.3, -3.3], [1.3, 2.2, 3.8]]   ) 返回：   array[[0.000, 1.000, 0.000], [0.000, 0.000, 1.000]]
sm_sc.fv_d_mx_min	聚合函数最小值的求导。 入参：   1. 自变量矩阵；   2. 因变量矩阵；	select    sm_sc.fv_d_mx_min   (     array[[1.2, -2.3, 3.3], [1.4, -2.3, 3.8]],      array[[1.3, -2.3, 3.8], [1.5, 2.3, 3.9]]   ) 返回：   array[[0.000, 1.000, 0.000], [0.000, 0.000, 0.000]]
sm_sc.fv_d_mx_prod	聚合函数累乘的求导。 入参：   1. 自变量矩阵；   2. 因变量矩阵；	select    sm_sc.fv_d_mx_prod   (     array[[1.2, -2.3, 3.3], [1.4, -2.3, 3.8]],      array[[1.3, -2.3, 3.8], [1.5, 2.3, 3.9]]   ) 返回：   array[[1.083, 1.000, 1.152], [1.071, -1.000, 1.026]]
sm_sc.fv_d_add	矩阵点加求导。 入参：   1. 自变量高宽规格；	select    sm_sc.fv_d_add(array[2, 3])    返回：   array[[1,1,1],[1,1,1]]
sm_sc.fv_d_sub_1	矩阵点减对第一入参求导。 入参：   1. 自变量高宽规格；	select    sm_sc.fv_d_sub_1(array[2, 3])    返回：   array[[1,1,1],[1,1,1]]
sm_sc.fv_d_sub_2	矩阵点减对第二入参求导。 入参：   1. 自变量高宽规格；	select    sm_sc.fv_d_sub_2(array[2, 3])    返回：   array[[-1,-1,-1],[-1,-1,-1]]
sm_sc.fv_d_mul	矩阵点乘求导。 入参：   1. 另一个自变量矩阵；	select    sm_sc.fv_d_mul(array[[2.8, 3.6], [2.8, 3.6]])    返回：   array[[2.8, 3.6], [2.8, 3.6]]
sm_sc. fv_d_div_1	矩阵点除对第一入参求导。 入参：   1. 另一个自变量矩阵；	select    sm_sc.fv_d_div_1(array[[2.8, 3.6], [2.4, -1.6]])    返回：   array[[0.357, 0.278], [0.417, -0.625]]
sm_sc.fv_d_div_2 sm_sc. fv_d_div_2_un_de_broadcast	矩阵点除对第二入参求导，后者不对广播逆运算。 入参：   1. 自变量矩阵，即第二入参；   2. 另一个自变量矩阵，即第一入参；	select    sm_sc.fv_d_div_2   (     array[[2.8, 3.6], [2.4, -1.6]]   , array[[1.8, -4.6], [1.4, 3.6]]   )    返回：   array[[-0.230, 0.355], [-0.243, -1.406]]
sm_sc.fv_d_pow_1 sm_sc. fv_d_pow_1_un_de_broadcast	矩阵点幂对第一入参求导，后者不对广播逆运算。 入参：   1. 自变量矩阵，即第一入参；   2. 另一个自变量矩阵，即第二入参；   3. 因变量矩阵。       非必传入参，尽量传该入参，可节省开销；	select    sm_sc.fv_d_pow_1   (     array[[2.8, 3.6], [2.4, 1.6]],      array[[1.8, -4.6], [1.4, 3.6]],     array[[2.8, 3.6], [2.4, 1.6]] ^` array[[1.8, -4.6], [1.4, 3.6]]   ) 返回：   array[[4.102, -0.004], [1.987, 12.218]]
sm_sc.fv_d_pow_2 sm_sc. fv_d_pow_2_un_de_broadcast	矩阵点幂对第二入参求导，后者不对广播逆运算。 入参：   1. 自变量矩阵，即第二入参；   2. 另一个自变量矩阵，即第一入参；   3. 因变量矩阵。       非必传入参，尽量传该入参，可节省开销；	select    sm_sc.fv_d_pow_2   (     array[[1.8, -4.6], [1.4, 3.6]],      array[[2.8, 3.6], [2.4, 1.6]]   ) 返回：   array[[6.570, 0.004], [2.982, 2.552]]
sm_sc.fv_d_exp	矩阵点自然常数幂求导。 入参：   1. 自变量矩阵；   2. 因变量矩阵；       非必传入参，尽量传该入参，可节省开销。       如果因变量不为空，可不传自变量矩阵；	select    sm_sc.fv_d_exp   (     null,     ^` array[[1.8, -4.6], [1.4, 3.6]]   ) 返回：   array[[6.050, 0.010], [4.055, 36.598]]
sm_sc.fv_d_log_1 sm_sc. fv_d_log_1_un_de_broadcast	矩阵点对数对第一入参求导，后者不对广播逆运算。 入参：   1. 自变量矩阵，即第一入参；   2. 另一个自变量矩阵，即第二入参；   3. 因变量矩阵。       非必传入参，尽量传该入参，可节省开销；	select    sm_sc.fv_d_log_1   (     array[[2.8, 3.6], [2.4, 1.6]],      array[[1.8, 4.6], [1.4, 3.6]],     array[[2.8, 3.6], [2.4, 1.6]]      ^!` array[[1.8, 4.6], [1.4, 3.6]]   ) 返回：   array[[-0.198, -0.258], [-0.183, -3.624]]
sm_sc.fv_d_log_2 sm_sc. fv_d_log_2_un_de_broadcast	矩阵点对数对第二入参求导，后者不对广播逆运算。 入参：   1. 自变量矩阵，即第二入参；   2. 另一个自变量矩阵，即第一入参；	select    sm_sc.fv_d_log_2   (     array[[1.8, 4.6], [1.4, 3.6]],      array[[2.8, 3.6], [2.4, 1.6]]   ) 返回：   array[[0.540, 0.170], [0.816, 0.591]]
sm_sc.fv_d_ln	矩阵点自然常数对数求导。 入参：   1. 自变量矩阵；	select    sm_sc.fv_d_ln(array[[1.8, 4.6], [1.4, 3.6]]) 返回：   array[[0.556, 0.217], [0.714, 0.278]]
sm_sc.fv_d_abs	矩阵点绝对值求导。 入参：   1. 自变量矩阵；	select    sm_sc.fv_d_abs(array[[-1.8, 4.6], [1.4, -3.6]]) 返回：   array[[-1.0, 1.0], [1.0, -1.0]]
sm_sc.fv_d_sin	矩阵正弦求导。 入参：   1. 自变量矩阵；	select    sm_sc.fv_d_sin(array[[1.8, 4.6], [1.4, 3.6]]) 返回：   array[[-0.227, -0.112], [0.170, -0.897]]
sm_sc.fv_d_cos	矩阵余弦求导。 入参：   1. 自变量矩阵；	select    sm_sc.fv_d_cos(array[[1.8, 4.6], [1.4, 3.6]]) 返回：   array[[-0.974, 0.994], [-0.985, 0.443]]
sm_sc.fv_d_tan	矩阵正切求导。 入参：   1. 自变量矩阵；	select    sm_sc.fv_d_tan(array[[1.8, 4.6], [1.4, 3.6]]) 返回：   array[[19.372, 79.503], [34.615, 1.244]]
sm_sc.fv_d_cot	矩阵余切求导。 入参：   1. 自变量矩阵；	select    sm_sc.fv_d_cot(array[[1.8, 4.6], [1.4, 3.6]]) 返回：   array[[-1.054, -1.013], [-1.030, -5.107]]
sm_sc.fv_d_sec	矩阵正割求导。 入参：   1. 自变量矩阵；   2. 因变量矩阵。       非必传入参，尽量传该入参，可节省开销；	select    sm_sc.fv_d_sec(array[[0.8, -0.6], [0.4, 0.3]]) 返回：   array[[1.478, -0.829], [0.459, 0.324]]
sm_sc.fv_d_csc	矩阵余割求导。 入参：   1. 自变量矩阵；   2. 因变量矩阵。       非必传入参，尽量传该入参，可节省开销；	select    sm_sc.fv_d_csc   (     array[[0.8, -0.6], [0.4, 0.3]],      sm_sc.fv_csc(array[[0.8, -0.6], [0.4, 0.3]])   ) 返回：   array[[-1.354, -2.589], [-6.074, -10.939]]
sm_sc.fv_d_sinh	矩阵双曲正弦求导。 入参：   1. 自变量矩阵；	select    sm_sc.fv_d_sinh(array[[1.8, 3.6], [2.4, 1.6]]) 返回：   array[[3.107, 18.313], [5.557, 2.577]]
sm_sc.fv_d_cosh	矩阵双曲余弦求导。 入参：   1. 自变量矩阵；	select    sm_sc.fv_d_cosh(array[[1.8, 3.6], [2.4, 1.6]]) 返回：   array[[2.942, 18.285], [5.466, 2.376]]
sm_sc.fv_d_tanh	矩阵双曲正切求导。 入参：   1. 自变量矩阵；   2. 因变量矩阵。       非必传入参，尽量传该入参，可节省开销；       如果因变量不为空，可不传自变量矩阵；	select    sm_sc.fv_d_tanh   (     null,      sm_sc.fv_tanh(array[[1.8, 3.6], [2.4, 1.6]])   ) 返回：   array[[0.104, 0.003], [0.032, 0.151]]
sm_sc.fv_d_asin	矩阵反正弦求导。 入参：   1. 自变量矩阵；	select    sm_sc.fv_d_asin(array[[0.8, 0.6], [0.4, -0.6]]) 返回：   array[[1.667, 1.250], [1.091, 1.250]]
sm_sc.fv_d_acos	矩阵反余弦求导。 入参：   1. 自变量矩阵；	select    sm_sc.fv_d_acos(array[[0.8, 0.6], [0.4, -0.6]]) 返回：   array[[-1.667, -1.250], [-1.091, -1.250]]
sm_sc.fv_d_atan	矩阵反正切求导。 入参：   1. 自变量矩阵；	select    sm_sc.fv_d_atan(array[[0.8, 0.6], [0.4, -0.6]]) 返回：   array[[0.610, 0.735], [0.862, 0.735]]
sm_sc.fv_d_acot	矩阵反余切求导。 入参：   1. 自变量矩阵；	select    sm_sc.fv_d_acot(array[[0.8, 0.6], [0.4, -0.6]]) 返回：   array[[-0.610, -0.735], [-0.862, -0.735]]
sm_sc.fv_d_asec	矩阵反正割求导。 入参：   1. 自变量矩阵；	select    sm_sc.fv_d_asec(array[[1.8, 3.6], [2.4, 1.6]]) 返回：   array[[0.371, 0.080], [0.191, 0.500]]
sm_sc.fv_d_acsc	矩阵反余割求导。 入参：   1. 自变量矩阵；	select    sm_sc.fv_d_acsc(array[[1.8, 3.6], [2.4, 1.6]])    返回：   array[[-0.371, -0.080], [-0.191, -0.500]]
sm_sc.fv_d_asinh	矩阵反双曲正弦求导。 入参：   1. 自变量矩阵；	select    sm_sc.fv_d_asinh(array[[0.8, 0.6], [0.4, -0.6]])    返回：   array[[0.781, 0.857], [0.928, 0.857]]
sm_sc.fv_d_acosh	矩阵反双曲余弦求导。 入参：   1. 自变量矩阵；	select    sm_sc.fv_d_acosh(array[[1.8, 1.6], [1.4, 2.6]])    返回：   array[[0.668, 0.801], [1.021, 0.417]]
sm_sc.fv_d_atanh	矩阵反双曲正切求导。 入参：   1. 自变量矩阵；	select    sm_sc.fv_d_atanh(array[[1.8, 1.6], [1.4, 2.6]])    返回：   array[[-0.446, -0.641], [-1.042, -0.174]]
sm_sc. fv_d_transpose_dloss_dindepdt	矩阵转置的损失函数对自变量求导。 入参：   1. 损失函数对因变量的导数矩阵；	select    sm_sc.fv_d_transpose_dloss_dindepdt   (     array[[12.3, -12.3], [45.6, -45.6], [1.2, 2.3]]   ) 返回：   array[[12.3, 45.6, 1.2], [-12.3, -45.6, 2.3]]
sm_sc. fv_d_transpose_3d_dloss_dindepdt	3d矩阵转置的损失函数对自变量求导。 入参：   1. 损失函数对因变量的导数矩阵；   2. 参与转置的两个维度；	select    sm_sc.fv_d_transpose_3d_dloss_dindepdt   (     array     [       [         [1, 2, 3, 4],          [5, 6, 7, 8],          [9, 10, 11, 12]       ],        [         [21, 22, 23, 24],          [25, 26, 27, 28],          [29, 30, 31, 32]       ]     ]     , array[1, 2]   ) 返回：   array   [     [[1, 2, 3, 4], [21, 22, 23, 24]],      [[5, 6, 7, 8], [25, 26, 27, 28]],      [[9, 10, 11, 12], [29, 30, 31, 32]]   ]
sm_sc. fv_d_mx_ele_2d_2_3d_dloss_dindepdt	二维数组转三维数组的损失函数对自变量求导。 入参：   1. 损失函数对因变量的导数矩阵；   2. 自变量被定住的维度，1 或 2；	select    sm_sc.fv_d_mx_ele_2d_2_3d_dloss_dindepdt   (     sm_sc.fv_mx_ele_2d_2_3d     (       array       [         [1, 2], [3, 4], [5, 6], [7, 8], [9, 10], [11, 12],          [21, 22], [23, 24], [25, 26], [27, 28], [29, 30], [31, 32]       ]       , 3       , 2     )     , 2   ); 返回：   array   [     [1, 2], [3, 4], [5, 6], [7, 8], [9, 10], [11, 12],      [21, 22], [23, 24], [25, 26], [27, 28], [29, 30], [31, 32]   ]
sm_sc. fv_d_mx_ele_3d_2_2d_dloss_dindepdt	三维数组转二维数组的损失函数对自变量求导。 入参：   1. 损失函数对因变量的导数矩阵；   2. ((参与降维(但被定住元素顺序)的自变量)的维度)的长度；   3. 自变量参与合并两个维度。       该参数第一个元素数字为 from 维度，             第二个元素数字为 to 维度。       合并后的新维度在 to 的顺序位置；   4. 被定住元素顺序的自变量旧维度。       该旧维度下的元素顺序，将保留至新维度。       该参数为第三个入参数组两个元素之一；	select    sm_sc.fv_d_mx_ele_3d_2_2d_dloss_dindepdt   (     array     [       [1, 21, 2, 22, 3, 23, 4, 24]     , [5, 25, 6, 26, 7, 27, 8, 28]     , [9, 29, 10, 30, 11, 31, 12, 32]     ]     , 2     , array[1, 3]     , 1   ) 返回：   array   [     [       [1, 2, 3, 4]     , [5, 6, 7, 8]     , [9, 10, 11, 12]     ],      [       [21, 22, 23, 24]      , [25, 26, 27, 28]     , [29, 30, 31, 32]     ]   ]
sm_sc. fv_d_mx_slice_3d_2_2d_dloss_dindepdt	三维至二维去壳的损失函数对自变量求导。 入参：   1. 损失函数对因变量的导数矩阵；   2. 自变量规格；   3. 被切片维度；   4. 切片位置编号；	select       sm_sc.fv_d_mx_slice_3d_2_2d_dloss_dindepdt     (         (             array             [                 [1,  2,  3,  4,  5]          ,                 [11,  12,  13,  14,  15],                 [21,  22,  23,  24,  25],                   [31,  32,  33,  34,  35]               ]         )         ,  array[3,  4,  5]         ,  1         ,  2     ) 返回:       array     [         [[0,0,0,0,0],[0,0,0,0,0],[0,0,0,0,0],[0,0,0,0,0]]     ,  [[1,2,3,4,5],[11,12,13,14,15],[21,22,23,24,25],[31,32,33,34,35]]     ,  [[0,0,0,0,0],[0,0,0,0,0],[0,0,0,0,0],[0,0,0,0,0]]     ]
sm_sc. fv_d_mx_slice_4d_2_2d_dloss_dindepdt	四维至二维去壳的损失函数对自变量求导。 入参：   1. 损失函数对因变量的导数矩阵；   2. 自变量规格；   3. 被切片的两个维度；   4. 两个维度上切片位置编号；	select       sm_sc.fv_d_mx_slice_4d_2_2d_dloss_dindepdt     (         (             array             [[                 [1,  2,  3,  4,  5]          ,                 [11,  12,  13,  14,  15],                 [21,  22,  23,  24,  25],                   [31,  32,  33,  34,  35]               ]]         )         ,  array[2,  3,  4,  5]         ,  array[1,  2]         ,  array[2,  3]     ) 返回:       array     [         [             [[0,0,0,0,0],[0,0,0,0,0],[0,0,0,0,0],[0,0,0,0,0]]         ,  [[0,0,0,0,0],[0,0,0,0,0],[0,0,0,0,0],[0,0,0,0,0]]         ,  [[0,0,0,0,0],[0,0,0,0,0],[0,0,0,0,0],[0,0,0,0,0]]         ]     ,  [             [[0,0,0,0,0],[0,0,0,0,0],[0,0,0,0,0],[0,0,0,0,0]]         ,  [[0,0,0,0,0],[0,0,0,0,0],[0,0,0,0,0],[0,0,0,0,0]]         ,  [[1,2,3,4,5],[11,12,13,14,15],[21,22,23,24,25],[31,32,33,34,35]]         ]     ]
sm_sc. fv_d_mx_slice_4d_2_3d_dloss_dindepdt	四维至三维去壳的损失函数对自变量求导。 入参：   1. 损失函数对因变量的导数矩阵；   2. 自变量规格；   3. 被切片维度；   4. 切片位置编号；	select       sm_sc.fv_d_mx_slice_4d_2_3d_dloss_dindepdt     (         (             array             [[                 [1,  2,  3,  4,  5]          ,                 [11,  12,  13,  14,  15],                 [21,  22,  23,  24,  25],                   [31,  32,  33,  34,  35]               ]]         )         ,  array[2,  1,  4,  5]         ,  1         ,  2     ) 返回:       array     [         [[[0,0,0,0,0],[0,0,0,0,0],[0,0,0,0,0],[0,0,0,0,0]]]     ,  [[[1,2,3,4,5],[11,12,13,14,15],[21,22,23,24,25],[31,32,33,34,35]]]     ]
sm_sc. fv_d_mx_ascend_dim_dloss_dindepdt	加壳升维的损失函数对自变量求导。 入参：   1. 损失函数对因变量的导数矩阵；   2. 升维次数；	select       sm_sc.fv_d_mx_ascend_dim_dloss_dindepdt     (         array[[[[1,  2]]]]     ,  2     ) 返回:       array     [[1,  2]]
sm_sc. fv_d_apad_dloss_dindepdt_1	下对齐上填充的损失函数对第一自变量求导。 入参：     1.  损失函数对因变量的导数矩阵；     2.  自变量在视觉平面的高；	select       sm_sc.fv_d_apad_dloss_dindepdt_1     (         array         [             [1,  2,  3,  4,  5]         ,  [11,  12,  13,  14,  15]         ,  [21,  22,  23,  24,  25]         ,  [31,  32,  33,  34,  35]         ,  [41,  42,  43,  44,  45]         ]     ,  2     )      返回:       array     [         [31,  32,  33,  34,  35]     ,  [41,  42,  43,  44,  45]     ]
sm_sc. fv_d_apad_dloss_dindepdt_2	下对齐上填充的损失函数对第二自变量求导。 入参：     1.  损失函数对因变量的导数矩阵；     2.  自变量在视觉平面的高；     3.  填充重复次数；	select       sm_sc.fv_d_apad_dloss_dindepdt_2     (         array         [             [1,  2,  3,  4,  5]         ,  [11,  12,  13,  14,  15]         ,  [21,  22,  23,  24,  25]         ,  [31,  32,  33,  34,  35]         ,  [41,  42,  43,  44,  45]         ],         2,         2     )      返回:       array     [         [22,  24,  26,  28,  30]     ,  [42,  44,  46,  48,  50]     ]
sm_sc. fv_d_bpad_dloss_dindepdt_1	上对齐下填充的损失函数对第一自变量求导。 入参：     1.  损失函数对因变量的导数矩阵；     2.  自变量在视觉平面的高；	select       sm_sc.fv_d_bpad_dloss_dindepdt_1     (         array         [             [1,  2,  3,  4,  5]         ,  [11,  12,  13,  14,  15]         ,  [21,  22,  23,  24,  25]         ,  [31,  32,  33,  34,  35]         ,  [41,  42,  43,  44,  45]         ]     ,  2     )      返回:       array     [         [1,  2,  3,  4,  5]     ,  [11,  12,  13,  14,  15]     ]
sm_sc. fv_d_bpad_dloss_dindepdt_2	上对齐下填充的损失函数对第二自变量求导。 入参：     1.  损失函数对因变量的导数矩阵；     2.  自变量在视觉平面的高；     3.  填充重复次数；	select       sm_sc.fv_d_bpad_dloss_dindepdt_2     (         array         [             [1,  2,  3,  4,  5]         ,  [11,  12,  13,  14,  15]         ,  [21,  22,  23,  24,  25]         ,  [31,  32,  33,  34,  35]         ,  [41,  42,  43,  44,  45]         ],         2,         2     )      返回:       array     [         [42,  44,  46,  48,  50]     ,  [62,  64,  66,  68,  70]     ]
sm_sc. fv_d_lpad_dloss_dindepdt_1	右对齐左填充的损失函数对第一自变量求导。 入参：     1.  损失函数对因变量的导数矩阵；     2.  自变量在视觉平面的宽；	select       sm_sc.fv_d_lpad_dloss_dindepdt_1     (         array         [             [1,  2,  3,  4,  5]         ,  [11,  12,  13,  14,  15]         ,  [21,  22,  23,  24,  25]         ,  [31,  32,  33,  34,  35]         ,  [41,  42,  43,  44,  45]         ],         2     )      返回:       array     [         [4,  5]     ,  [14,  15]     ,  [24,  25]     ,  [34,  35]     ,  [44,  45]     ]
sm_sc. fv_d_lpad_dloss_dindepdt_2	右对齐左填充的损失函数对第二自变量求导。 入参：     1.  损失函数对因变量的导数矩阵；     2.  自变量在视觉平面的宽；     3.  填充重复次数；	select       sm_sc.fv_d_lpad_dloss_dindepdt_2     (         array         [             [1,  2,  3,  4,  5]         ,  [11,  12,  13,  14,  15]         ,  [21,  22,  23,  24,  25]         ,  [31,  32,  33,  34,  35]         ,  [41,  42,  43,  44,  45]         ],         2,         2     )      返回:       array     [         [4,  6]     ,  [24,  26]     ,  [44,  46]     ,  [64,  66]     ,  [84,  86]     ]
sm_sc. fv_d_rpad_dloss_dindepdt_1	左对齐右填充的损失函数对第一自变量求导。 入参：     1.  损失函数对因变量的导数矩阵；     2.  自变量在视觉平面的宽；	select       sm_sc.fv_d_rpad_dloss_dindepdt_1     (         array         [             [1,  2,  3,  4,  5]         ,  [11,  12,  13,  14,  15]         ,  [21,  22,  23,  24,  25]         ,  [31,  32,  33,  34,  35]         ,  [41,  42,  43,  44,  45]         ],         2     )      返回:       array     [         [1,  2]     ,  [11,  12]     ,  [21,  22]     ,  [31,  32]     ,  [41,  42]     ]
sm_sc. fv_d_rpad_dloss_dindepdt_2	左对齐右填充的损失函数对第二自变量求导。 入参：     1.  损失函数对因变量的导数矩阵；     2.  自变量在视觉平面的宽；     3.  填充重复次数；	select       sm_sc.fv_d_rpad_dloss_dindepdt_2     (         array         [             [1,  2,  3,  4,  5]         ,  [11,  12,  13,  14,  15]         ,  [21,  22,  23,  24,  25]         ,  [31,  32,  33,  34,  35]         ,  [41,  42,  43,  44,  45]         ],         2,         2     )      返回:       array     [         [6,  8]     ,  [26,  28]     ,  [46,  48]     ,  [66,  68]     ,  [86,  88]     ]
sm_sc. fv_d_chunk_dloss_dindepdt	切片(切块儿)的损失函数对第一自变量求导。 入参：     1.  损失函数对因变量的导数矩阵；     2.  自变量规格；     3.  切片(切块儿)位置各维度下标；	select       sm_sc.fv_d_chunk_dloss_dindepdt     (         array[[2,1],[3,2]]     ,  array[4,3]     ,  array[2,2]     ) 返回:       array[[0,0,0],[0,2,1],[0,3,2],[0,0,0]]
sm_sc. fv_d_slice_y_dloss_dindepdt	第一维切片的损失函数对第一自变量求导。 入参：     1.  损失函数对因变量的导数矩阵；     2.  自变量第一维长度；     3.  切片位置编号范围；	select       sm_sc.fv_d_slice_y_dloss_dindepdt     (         array[[1,  2],  [3,  4],  [5,  11],  [12,  13],  [14,  15]]     ,  7     ,  array[int4range(1,  3,  '[]'),  int4range(2,  3,  '[]')]     ) 返回:       array     [[1,2],[15,17],[19,26],[0,0],[0,0],[0,0],[0,0]]
sm_sc. fv_d_slice_x_dloss_dindepdt	第二维切片的损失函数对第一自变量求导。 入参：     1.  损失函数对因变量的导数矩阵；     2.  自变量第二维长度；     3.  切片位置编号范围；	select       sm_sc.fv_d_slice_x_dloss_dindepdt     (         array[[1,  2,  3,  4,  5],  [11,  12,  13,  14,  15]]     ,  7     ,  array[int4range(1,  3,  '[]'),  int4range(2,  3,  '[]')]     ) 返回:       array     [[1,6,8,0,0,0,0],[11,26,28,0,0,0,0]]
sm_sc. fv_d_slice_x3_dloss_dindepdt	第三维切片的损失函数对第一自变量求导。 入参：     1.  损失函数对因变量的导数矩阵；     2.  自变量第三维长度；     3.  切片位置编号范围；	select       sm_sc.fv_d_slice_x3_dloss_dindepdt     (         array         [             [                 [1,  2,  3,  4,  5]             ,  [11,  12,  13,  14,  15]             ]         ,  [                 [21,  22,  23,  24,  25]             ,  [31,  32,  33,  34,  35]             ]         ]     ,  7     ,  array[int4range(1,  3,  '[]'),  int4range(2,  3,  '[]')]     ) 返回:       array     [         [             [1,  6,  8,  0,  0,  0,  0]         ,  [11,  26,  28,  0,  0,  0,  0]         ]     ,  [             [21,  46,  48,  0,  0,  0,  0]         ,  [31,  66,  68,  0,  0,  0,  0]         ]     ]
sm_sc. fv_d_slice_x4_dloss_dindepdt	第四维切片的损失函数对第一自变量求导。 入参：     1.  损失函数对因变量的导数矩阵；     2.  自变量第四维长度；     3.  切片位置编号范围；	select       sm_sc.fv_d_slice_x4_dloss_dindepdt     (         array         [             [                 [[1,  2,  3,  4,  5],[11,  12,  13,  14,  15]]             ]         ,  [                 [[21,  22,  23,  24,  25],[31,  32,  33,  34,  35]]             ]         ]     ,  7     ,  array[int4range(1,  3,  '[]'),  int4range(2,  3,  '[]')]     ) 返回:       array     [         [[             [1,  6,  8,  0,  0,  0,  0]         ,  [11,  26,  28,  0,  0,  0,  0]         ]]     ,  [[             [21,  46,  48,  0,  0,  0,  0]         ,  [31,  66,  68,  0,  0,  0,  0]         ]]     ]
sm_sc. fv_d_sample_y_dloss_dindepdt_1	第一维采样的损失函数对第一自变量求导。 入参：     1.  损失函数对因变量的导数矩阵；     2.  自变量第一维长度；     3.  每个采样周期约束窗口宽度；     4.  每个采样周期采样序号(多)区间；	select       sm_sc.fv_d_sample_y_dloss_dindepdt_1     (         array         [             [1,  2,  3,  4]         ,  [11,  12,  13,  14]         ,  [21,  22,  23,  24]         ,  [31,  32,  33,  34]         ,  [41,  42,  43,  44]         ,  [51,  52,  53,  54]         ,  [61,  62,  63,  64]         ,  [71,  72,  73,  74]         ,  [81,  82,  83,  84]         ,  [91,  92,  93,  94]         ]     ,  15     ,  3     ,  array[int4range(1,  3,  '[]'),  int4range(2,  5,  '[]')]     ) 返回:       array     [         [1,2,3,4]     ,  [42,44,46,48]     ,  [62,64,66,68]     ,  [0,0,0,0]     ,  [0,0,0,0]     ,  [1,2,3,4]     ,  [42,44,46,48]     ,  [62,64,66,68]     ,  [0,0,0,0]     ,  [0,0,0,0]     ,  [1,2,3,4]     ,  [42,44,46,48]     ,  [62,64,66,68]     ,  [0,0,0,0]     ,  [0,0,0,0]     ]
sm_sc. fv_d_sample_x_dloss_dindepdt_1	第二维采样的损失函数对第一自变量求导。 入参：     1.  损失函数对因变量的导数矩阵；     2.  自变量第二维长度；     3.  每个采样周期约束窗口宽度；     4.  每个采样周期采样序号(多)区间；	select       sm_sc.fv_d_sample_x_dloss_dindepdt_1     (         array         [             [1,  2,  3,  4,  5,  6,  7,  8,  9]         ,  [11,  12,  13,  14,  15,  16  ,17  ,18  ,19]         ]     ,  15     ,  3     ,  array[int4range(1,  3,  '[]'),  int4range(2,  5,  '[]')]     ) 返回:       array     [         [1,6,8,0,0,1,6,8,0,0,1,6,8,0,0]     ,  [11,26,28,0,0,11,26,28,0,0,11,26,28,0,0]     ]
sm_sc. fv_d_sample_x3_dloss_dindepdt_1	第三维采样的损失函数对第一自变量求导。 入参：     1.  损失函数对因变量的导数矩阵；     2.  自变量第三维长度；     3.  每个采样周期约束窗口宽度；     4.  每个采样周期采样序号(多)区间；	select       sm_sc.fv_d_sample_x3_dloss_dindepdt_1     (         array         [[             [1,  2,  3,  4,  5,  6,  7,  8,  9]         ,  [11,  12,  13,  14,  15,  16  ,17  ,18  ,19]         ]]     ,  15     ,  3     ,  array[int4range(1,  3,  '[]'),  int4range(2,  5,  '[]')]     ) 返回:       array     [[         [1,6,8,0,0,1,6,8,0,0,1,6,8,0,0]     ,  [11,26,28,0,0,11,26,28,0,0,11,26,28,0,0]     ]]
sm_sc. fv_d_sample_x4_dloss_dindepdt_1	第四维采样的损失函数对第一自变量求导。 入参：     1.  损失函数对因变量的导数矩阵；     2.  自变量第四维长度；     3.  每个采样周期约束窗口宽度；     4.  每个采样周期采样序号(多)区间；	select       sm_sc.fv_d_sample_x4_dloss_dindepdt_1     (         array         [[[             [1,  2,  3,  4,  5,  6,  7,  8,  9]         ,  [11,  12,  13,  14,  15,  16  ,17  ,18  ,19]         ]]]     ,  15     ,  3     ,  array[int4range(1,  3,  '[]'),  int4range(2,  5,  '[]')]     ) 返回:       array     [[[         [1,6,8,0,0,1,6,8,0,0,1,6,8,0,0]     ,  [11,26,28,0,0,11,26,28,0,0,11,26,28,0,0]     ]]]
sm_sc. fv_d_lower_tri_mx_dloss_dindepdt	下三角矩阵的损失函数对第一自变量求导。 入参：     1.  损失函数对因变量的导数矩阵；	select       sm_sc.fv_d_lower_tri_mx_dloss_dindepdt     (         array         [             [                 [[1,  2,  3],  [-1,  -2,  -3],  [-1,  2,  -3],  [1,  -2,  3]]             ,  [[1,  2,  3],  [-1,  -2,  -3],  [-1,  2,  -3],  [1,  -2,  3]]             ]         ,  [                 [[1,  2,  3],  [-1,  -2,  -3],  [-1,  2,  -3],  [1,  -2,  3]]             ,  [[1,  2,  3],  [-1,  -2,  -3],  [-1,  2,  -3],  [1,  -2,  3]]             ]         ]     ); 返回:       array     [         [             [[1,  0,  0],[-1,  -2,  0],[-1,  2,  -3],[1,  -2,  3]]         ,  [[1,  0,  0],[-1,  -2,  0],[-1,  2,  -3],[1,  -2,  3]]         ]     ,  [         [  [1,  0,  0],[-1,  -2,  0],[-1,  2,  -3],[1,  -2,  3]]         ,  [[1,  0,  0],[-1,  -2,  0],[-1,  2,  -3],[1,  -2,  3]]         ]     ]
sm_sc. fv_d_upper_tri_mx_dloss_dindepdt	上三角矩阵的损失函数对第一自变量求导。 入参：     1.  损失函数对因变量的导数矩阵；	select       sm_sc.fv_d_upper_tri_mx_dloss_dindepdt     (         array         [             [                 [[1,  2,  3],  [-1,  -2,  -3],  [-1,  2,  -3],  [1,  -2,  3]]             ,  [[1,  2,  3],  [-1,  -2,  -3],  [-1,  2,  -3],  [1,  -2,  3]]             ]         ,  [                 [[1,  2,  3],  [-1,  -2,  -3],  [-1,  2,  -3],  [1,  -2,  3]]             ,  [[1,  2,  3],  [-1,  -2,  -3],  [-1,  2,  -3],  [1,  -2,  3]]             ]         ]     ); 返回:       array     [         [             [[1,2,3],[0,-2,-3],[0,0,-3],[0,0,0]]         ,  [[1,2,3],[0,-2,-3],[0,0,-3],[0,0,0]]         ]     ,  [             [[1,2,3],[0,-2,-3],[0,0,-3],[0,0,0]]         ,  [[1,2,3],[0,-2,-3],[0,0,-3],[0,0,0]]         ]     ]
sm_sc. fv_d_lower_tri_mx_ex_dloss_dindepdt	欠下三角矩阵的损失函数对第一自变量求导。 入参：     1.  损失函数对因变量的导数矩阵；	select       sm_sc.fv_d_lower_tri_mx_ex_dloss_dindepdt     (         array         [             [                 [[1,  2,  3],  [-1,  -2,  -3],  [-1,  2,  -3],  [1,  -2,  3]]             ,  [[1,  2,  3],  [-1,  -2,  -3],  [-1,  2,  -3],  [1,  -2,  3]]             ]         ,  [                 [[1,  2,  3],  [-1,  -2,  -3],  [-1,  2,  -3],  [1,  -2,  3]]             ,  [[1,  2,  3],  [-1,  -2,  -3],  [-1,  2,  -3],  [1,  -2,  3]]             ]         ]     ); 返回:       array     [         [             [[0,  0,  0],[-1,  0,  0],[-1,  2,  0],[1,  -2,  3]]         ,  [[0,  0,  0],[-1,  0,  0],[-1,  2,  0],[1,  -2,  3]]         ]     ,  [         [  [0,  0,  0],[-1,  0,  0],[-1,  2,  0],[1,  -2,  3]]         ,  [[0,  0,  0],[-1,  0,  0],[-1,  2,  0],[1,  -2,  3]]         ]     ]
sm_sc. fv_d_upper_tri_mx_ex_dloss_dindepdt	欠上三角矩阵的损失函数对第一自变量求导。 入参：     1.  损失函数对因变量的导数矩阵；	select       sm_sc.fv_d_upper_tri_mx_ex_dloss_dindepdt     (         array         [             [                 [[1,  2,  3],  [-1,  -2,  -3],  [-1,  2,  -3],  [1,  -2,  3]]             ,  [[1,  2,  3],  [-1,  -2,  -3],  [-1,  2,  -3],  [1,  -2,  3]]             ]         ,  [                 [[1,  2,  3],  [-1,  -2,  -3],  [-1,  2,  -3],  [1,  -2,  3]]             ,  [[1,  2,  3],  [-1,  -2,  -3],  [-1,  2,  -3],  [1,  -2,  3]]             ]         ]     ); 返回:       array     [         [             [[0,2,3],[0,0,-3],[0,0,0],[0,0,0]]         ,  [[0,2,3],[0,0,-3],[0,0,0],[0,0,0]]         ]     ,  [             [[0,2,3],[0,0,-3],[0,0,0],[0,0,0]]         ,  [[0,2,3],[0,0,-3],[0,0,0],[0,0,0]]         ]     ]
sm_sc. fv_d_lmask_dloss_dindepdt_1	高宽二维面左掩码的损失函数对第一自变量求导。 入参：     1.  损失函数对因变量的导数矩阵；     2.  各行左侧掩码长度；	select       sm_sc.fv_d_lmask_dloss_dindepdt_1     (         array         [             [1,  2,  3,  4,  5]         ,  [2,  3,  4,  5,  6]         ,  [3,  4,  5,  6,  7]         ,  [4,  5,  6,  7,  8]         ]     ,  array[[3],  [0],  [2],  [1]]     ) 返回:       array     [         [0,  0,  0,  4,  5]     ,  [2,  3,  4,  5,  6]     ,  [0,  0,  5,  6,  7]     ,  [0,  5,  6,  7,  8]     ]
sm_sc. fv_d_rmask_dloss_dindepdt_1	高宽二维面右掩码的损失函数对第一自变量求导。 入参：     1.  损失函数对因变量的导数矩阵；     2.  各行右侧掩码长度；	select       sm_sc.fv_d_rmask_dloss_dindepdt_1     (         array         [             [1,  2,  3,  4,  5]         ,  [2,  3,  4,  5,  6]         ,  [3,  4,  5,  6,  7]         ,  [4,  5,  6,  7,  8]         ]     ,  array[[3],  [0],  [2],  [1]]     ) 返回:       array     [         [1,  2,  0,  0,  0]     ,  [2,  3,  4,  5,  6]     ,  [3,  4,  5,  0,  0]     ,  [4,  5,  6,  7,  0]     ]
sm_sc. fv_d_amask_dloss_dindepdt_1	高宽二维面上掩码的损失函数对第一自变量求导。 入参：     1.  损失函数对因变量的导数矩阵；     2.  各列上方掩码长度；	select       sm_sc.fv_d_amask_dloss_dindepdt_1     (         array         [             [1,  2,  3,  4,  5]         ,  [2,  3,  4,  5,  6]         ,  [3,  4,  5,  6,  7]         ,  [4,  5,  6,  7,  8]         ]     ,  array[[3,  0,  2,  1,  3]]     ) 返回:       array     [         [0,  2,  0,  0,  0]     ,  [0,  3,  0,  5,  0]     ,  [0,  4,  5,  6,  0]     ,  [4,  5,  6,  7,  8]     ]
sm_sc. fv_d_bmask_dloss_dindepdt_1	高宽二维面下掩码的损失函数对第一自变量求导。 入参：     1.  损失函数对因变量的导数矩阵；     2.  各列下方掩码长度；	select       sm_sc.fv_b_amask_dloss_dindepdt_1     (         array         [             [1,  2,  3,  4,  5]         ,  [2,  3,  4,  5,  6]         ,  [3,  4,  5,  6,  7]         ,  [4,  5,  6,  7,  8]         ]     ,  array[[3,  0,  2,  1,  3]]     ) 返回:       array     [         [1,  2,  3,  4,  5]     ,  [0,  3,  4,  5,  0]     ,  [0,  4,  0,  6,  0]     ,  [0,  5,  0,  0,  0]     ]
sm_sc. fv_d_aggr_slice_sum_dloss_dindepdt	切片合计聚合的损失函数对第一自变量求导。 入参：     1.  损失函数对因变量的导数矩阵；     2.  切片分组规格；	select       sm_sc.fv_d_aggr_slice_sum_dloss_dindepdt     (         array         [             [                 [2.3,  5.1,  8.2]             ,  [-2.3,  5.1,  -8.2]             ]         ,  [                 [2.3,  -5.1,  -8.2]             ,  [-2.3,  -5.1,  8.2]             ]         ]     ,  array[2,  1,  3]     ) 返回:       array     [         [             [2.3,2.3,2.3,5.1,5.1,5.1,8.2,8.2,8.2]         ,  [-2.3,-2.3,-2.3,5.1,5.1,5.1,-8.2,-8.2,-8.2]         ]     ,  [             [2.3,2.3,2.3,5.1,5.1,5.1,8.2,8.2,8.2]         ,  [-2.3,-2.3,-2.3,5.1,5.1,5.1,-8.2,-8.2,-8.2]         ]     ,  [             [2.3,2.3,2.3,-5.1,-5.1,-5.1,-8.2,-8.2,-8.2]         ,  [-2.3,-2.3,-2.3,-5.1,-5.1,-5.1,8.2,8.2,8.2]         ]     ,  [             [2.3,2.3,2.3,-5.1,-5.1,-5.1,-8.2,-8.2,-8.2]         ,  [-2.3,-2.3,-2.3,-5.1,-5.1,-5.1,8.2,8.2,8.2]         ]     ]
sm_sc. fv_d_aggr_slice_avg_dloss_dindepdt	切片平均聚合的损失函数对第一自变量求导。 入参：     1.  损失函数对因变量的导数矩阵；     2.  切片分组规格；	select       sm_sc.fv_d_aggr_slice_avg_dloss_dindepdt     (         array         [             [                 [2.3,  5.1,  8.2]             ,  [-2.3,  5.1,  -8.2]             ]         ,  [                 [2.3,  -5.1,  -8.2]             ,  [-2.3,  -5.1,  8.2]             ]         ]     ,  array[2,  1,  3]     ) 返回:       array     [         [             [0.383,0.383,0.383,0.850,0.850,0.850,1.367,1.367,1.367]         ,  [-0.383,-0.383,-0.383,0.850,0.850,0.850,-1.367,-1.367,-1.367]         ]     ,  [             [0.383,0.383,0.383,0.850,0.850,0.850,1.367,1.367,1.367]         ,  [-0.383,-0.383,-0.383,0.850,0.850,0.850,-1.367,-1.367,-1.367]         ]     ,  [             [0.383,0.383,0.383,-0.850,-0.850,-0.850,-1.367,-1.367,-1.367]         ,  [-0.383,-0.383,-0.383,-0.850,-0.850,-0.850,1.367,1.367,1.367]         ]     ,  [             [0.383,0.383,0.383,-0.850,-0.850,-0.850,-1.367,-1.367,-1.367]         ,  [-0.383,-0.383,-0.383,-0.850,-0.850,-0.850,1.367,1.367,1.367]         ]     ]
sm_sc. fv_d_aggr_slice_prod_dloss_dindepdt	切片累乘聚合的损失函数对第一自变量求导。 入参：     1.  自变量；     2.  因变量；     3.  损失函数对因变量的导数矩阵；     4.  切片分组规格；	with   cte_rand  as   (     select           sm_sc.fv_new_rand(array[4,  3])  as  a_indepdt ) select       array_dims     (         sm_sc.fv_d_aggr_slice_prod_dloss_dindepdt         (             a_indepdt         ,  sm_sc.fv_aggr_slice_prod(a_indepdt,  array[2,  1])         ,  sm_sc.fv_new_rand(array[2,  3])         ,  array[2,  1]         )     ) from  cte_rand 返回:       [1:4][1:3]
sm_sc. fv_d_aggr_slice_max_dloss_dindepdt	切片最大聚合的损失函数对第一自变量求导。 入参：     1.  自变量；     2.  因变量；     3.  损失函数对因变量的导数矩阵；     4.  切片分组规格；	with   cte_rand  as   (     select           sm_sc.fv_new_rand(array[4,  3])  as  a_indepdt ) select       array_dims     (         sm_sc.fv_d_aggr_slice_max_dloss_dindepdt         (             a_indepdt         ,  sm_sc.fv_aggr_slice_max(a_indepdt,  array[2,  1])         ,  sm_sc.fv_new_rand(array[2,  3])         ,  array[2,  1]         )     ) from  cte_rand 返回:       [1:4][1:3]
sm_sc. fv_d_aggr_slice_min_dloss_dindepdt	切片最小聚合的损失函数对第一自变量求导。 入参：     1.  自变量；     2.  因变量；     3.  损失函数对因变量的导数矩阵；     4.  切片分组规格；	with   cte_rand  as   (     select           sm_sc.fv_new_rand(array[4,  3])  as  a_indepdt ) select       array_dims     (         sm_sc.fv_d_aggr_slice_min_dloss_dindepdt         (             a_indepdt         ,  sm_sc.fv_aggr_slice_min(a_indepdt,  array[2,  1])         ,  sm_sc.fv_new_rand(array[2,  3])         ,  array[2,  1]         )     ) from  cte_rand 返回:       [1:4][1:3]
sm_sc. fv_d_aggr_chunk_sum_dloss_dindepdt	切块儿合计聚合的损失函数对第一自变量求导。 入参：     1.  自变量规格；     2.  损失函数对因变量的导数矩阵；	select       array_dims     (         sm_sc.fv_d_aggr_chunk_sum_dloss_dindepdt         (             array[6,  8,  8,  6]         ,  sm_sc.fv_new_rand(array[3,  2,  2,  3])         )     ) 返回:       [1:6][1:8][1:8][1:6]
sm_sc. fv_d_aggr_chunk_prod_dloss_dindepdt	切块儿累乘聚合的损失函数对第一自变量求导。 入参：     1.  自变量；     2.  因变量；     3.  损失函数对因变量的导数矩阵；	with   cte_rand  as   (     select           sm_sc.fv_new_rand(array[6,  8,  8])  as  a_indepdt ) select       array_dims     (         sm_sc.fv_d_aggr_chunk_prod_dloss_dindepdt         (             a_indepdt         ,  sm_sc.fv_aggr_chunk_prod(a_indepdt,  array[3,  2,  2])         ,  sm_sc.fv_new_rand(array[3,  2,  2])         )     ) from  cte_rand 返回:       [1:6][1:8][1:8]
sm_sc. fv_d_aggr_chunk_avg_dloss_dindepdt	切块儿平均聚合的损失函数对第一自变量求导。 入参：     1.  自变量规格；     2.  损失函数对因变量的导数矩阵；	select       array_dims     (         sm_sc.fv_d_aggr_chunk_avg_dloss_dindepdt         (             array[6,  8,  8,  6]         ,  sm_sc.fv_new_rand(array[3,  2,  2,  3])         )     ) 返回:       [1:6][1:8][1:8][1:6]
sm_sc. fv_d_aggr_chunk_max_dloss_dindepdt	切块儿最大聚合的损失函数对第一自变量求导。 入参：     1.  自变量；     2.  因变量；     3.  损失函数对因变量的导数矩阵；	with   cte_rand  as   (     select           sm_sc.fv_new_rand(array[6,  8,  8])  as  a_indepdt ) select       array_dims     (         sm_sc.fv_d_aggr_chunk_max_dloss_dindepdt         (             a_indepdt         ,  sm_sc.fv_aggr_chunk_max(a_indepdt,  array[3,  2,  2])         ,  sm_sc.fv_new_rand(array[3,  2,  2])         )     ) from  cte_rand 返回:       [1:6][1:8][1:8]
sm_sc. fv_d_aggr_chunk_min_dloss_dindepdt	切块儿最小聚合的损失函数对第一自变量求导。 入参：     1.  自变量；     2.  因变量；     3.  损失函数对因变量的导数矩阵；	with   cte_rand  as   (     select           sm_sc.fv_new_rand(array[6,  8,  8])  as  a_indepdt ) select       array_dims     (         sm_sc.fv_d_aggr_chunk_min_dloss_dindepdt         (             a_indepdt         ,  sm_sc.fv_aggr_chunk_min(a_indepdt,  array[3,  2,  2])         ,  sm_sc.fv_new_rand(array[3,  2,  2])         )     ) from  cte_rand 返回:       [1:6][1:8][1:8]
sm_sc. fv_d_prod_mx_1	矩阵乘法的因变量对第一自变量求导。 入参：     1.  另一个自变量，即第二个自变量；     2.  自变量规格；	select       array_dims     (         sm_sc.fv_d_prod_mx_1         (             sm_sc.fv_new_rand(array[4,  3,  2,  5])         ,  array[3,  6,  5]         )     ) 返回:       [1:3][1:2][1:5]
sm_sc. fv_d_prod_mx_2	矩阵乘法的因变量对第二自变量求导。 入参：     1.  另一个自变量，即第一个自变量；     2.  自变量规格；	select       array_dims     (         sm_sc.fv_d_prod_mx_2         (             sm_sc.fv_new_rand(array[4,  3,  2,  5])         ,  array[3,  3,  5]         )     )      返回:       [1:3][1:5][1:2]
sm_sc. fv_d_prod_mx_dloss_dindepdt_1	矩阵乘法的损失函数对第一自变量求导。 入参：     1.  损失函数对因变量的导数矩阵；     2.  另一个自变量，即第二个自变量；     3.  自变量规格；	select       array_dims     (         sm_sc.fv_d_prod_mx_dloss_dindepdt_1         (             sm_sc.fv_new_rand(array[5,  6,  2,  4])         ,  sm_sc.fv_new_rand(array[6,  3,  4])               ,  array[5,  6,  2,  3]         )     )      返回:       [1:5][1:6][1:2][1:3]
sm_sc. fv_d_prod_mx_dloss_dindepdt_2	矩阵乘法的损失函数对第二自变量求导。 入参：     1.  损失函数对因变量的导数矩阵；     2.  另一个自变量，即第一个自变量；     3.  自变量规格；	select       array_dims     (         sm_sc.fv_d_prod_mx_dloss_dindepdt_2         (             sm_sc.fv_new_rand(array[5,  2,  4])         ,  sm_sc.fv_new_rand(array[2,  3])               ,  array[5,  3,  4]         )     )      返回:       [1:5][1:3][1:4]
sm_sc. fv_d_chunk_prod_mx_dloss_dindepdt_1	切块儿矩阵乘法的损失函数对第一自变量求导。 入参：     1.  损失函数对因变量的导数矩阵；     2.  另一个自变量，即第二个自变量；     3.  分块儿规格；          即矩阵乘法的入参一的高、入参一的宽，入参二的宽	select       array_dims     (         sm_sc.fv_d_chunk_prod_mx_dloss_dindepdt_1         (             sm_sc.fv_new_rand(array[3,  2    7,  5    11])         ,  sm_sc.fv_new_rand(array[3,  3    7,  5    11])         ,  array[2,  3,  5]         )     )      返回:       [1:3][1:14][1:33]
sm_sc. fv_d_chunk_prod_mx_dloss_dindepdt_2	切块儿矩阵乘法的损失函数对第二自变量求导。 入参：     1.  损失函数对因变量的导数矩阵；     2.  另一个自变量，即第一个自变量；     3.  分块儿规格；          即矩阵乘法的入参一的高、入参一的宽，入参二的宽	select       array_dims     (         sm_sc.fv_d_chunk_prod_mx_dloss_dindepdt_2         (             sm_sc.fv_new_rand(array[2    7,  5    11])         ,  sm_sc.fv_new_rand(array[2    7,  3    11])         ,  array[2,  3,  5]         )     )      返回:       [1:21][1:55]
sm_sc. fv_d_mx_concat_y_dloss_dindepdt_n	第一维度拼接聚合的损失函数对某位置自变量求导。 入参：     1.  损失函数对因变量的导数矩阵；     2.  自变量被拼接进因变量的位置下限；     3.  自变量被拼接进因变量的位置上限；	select       sm_sc.fv_d_mx_concat_y_dloss_dindepdt_n     (         array         [             [1.0,  2.0,  3.0,  4.0,  5.0,  6.0]         ,  [1.1,  2.1,  3.1,  4.1,  5.1,  6.1]         ,  [1.2,  2.2,  3.2,  4.2,  5.2,  6.2]         ,  [1.3,  2.3,  3.3,  4.3,  5.3,  6.3]         ,  [1.4,  2.4,  3.4,  4.4,  5.4,  6.4]         ]     ,  2     ,  3     )      返回:       array     [       [1.1,  2.1,  3.1,  4.1,  5.1,  6.1]     ,[1.2,  2.2,  3.2,  4.2,  5.2,  6.2]     ]
sm_sc. fv_d_mx_concat_x_dloss_dindepdt_n	第二维度拼接聚合的损失函数对某位置自变量求导。 入参：     1.  损失函数对因变量的导数矩阵；     2.  自变量被拼接进因变量的位置下限；     3.  自变量被拼接进因变量的位置上限；	select       sm_sc.fv_d_mx_concat_x_dloss_dindepdt_n     (         array         [             [1.0,  2.0,  3.0,  4.0,  5.0,  6.0]         ,  [1.1,  2.1,  3.1,  4.1,  5.1,  6.1]         ,  [1.2,  2.2,  3.2,  4.2,  5.2,  6.2]         ,  [1.3,  2.3,  3.3,  4.3,  5.3,  6.3]         ,  [1.4,  2.4,  3.4,  4.4,  5.4,  6.4]         ]     ,  2     ,  3     )      返回:       array     [         [2,  3]     ,  [2.1,  3.1]     ,  [2.2,  3.2]     ,  [2.3,  3.3]     ,  [2.4,  3.4]     ]
sm_sc. fv_d_mx_concat_x3_dloss_dindepdt_n	第三维度拼接聚合的损失函数对某位置自变量求导。 入参：     1.  损失函数对因变量的导数矩阵；     2.  自变量被拼接进因变量的位置下限；     3.  自变量被拼接进因变量的位置上限；	select       sm_sc.fv_d_mx_concat_x3_dloss_dindepdt_n     (         array         [[             [[1.0],  [2.0],  [3.0],  [4.0],  [5.0],  [6.0]]         ,  [[1.1],  [2.1],  [3.1],  [4.1],  [5.1],  [6.1]]         ,  [[1.2],  [2.2],  [3.2],  [4.2],  [5.2],  [6.2]]         ,  [[1.3],  [2.3],  [3.3],  [4.3],  [5.3],  [6.3]]         ,  [[1.4],  [2.4],  [3.4],  [4.4],  [5.4],  [6.4]]         ]]     ,  2     ,  4     )      返回:       array     [         [             [[2],  [3],  [4]]         ,  [[2.1],  [3.1],  [4.1]]         ,  [[2.2],  [3.2],  [4.2]]         ,  [[2.3],  [3.3],  [4.3]]         ,  [[2.4],  [3.4],  [4.4]]         ]     ]
sm_sc. fv_d_mx_concat_x4_dloss_dindepdt_n	第四维度拼接聚合的损失函数对某位置自变量求导。 入参：     1.  损失函数对因变量的导数矩阵；     2.  自变量被拼接进因变量的位置下限；     3.  自变量被拼接进因变量的位置上限；	select       sm_sc.fv_d_mx_concat_x4_dloss_dindepdt_n     (         array         [[[             [1.0,  2.0,  3.0,  4.0,  5.0,  6.0]         ,  [1.1,  2.1,  3.1,  4.1,  5.1,  6.1]         ,  [1.2,  2.2,  3.2,  4.2,  5.2,  6.2]         ,  [1.3,  2.3,  3.3,  4.3,  5.3,  6.3]         ,  [1.4,  2.4,  3.4,  4.4,  5.4,  6.4]         ]]]     ,  2     ,  3     ) 返回:       array     [[[             [2,  3]         ,  [2.1,  3.1]         ,  [2.2,  3.2]         ,  [2.3,  3.3]         ,  [2.4,  3.4]     ]]]
sm_sc.fv_dloss_dz_least_square	最小二乘法损失函数求导。   1. 训练输出预测值矩阵；   2. 训练集的真实值编码；	select       sm_sc.fv_dloss_dz_least_square     (         array[[1.0,  2,  3],  [2,  3,  4]]     ,  array[[1.1,  2.1,  3.2],  [2.2,  3.3,  4.2]]     )      返回:       array[[-0.071,-0.071,-0.141], [-0.141,-0.212,-0.141]]
sm_sc.fv_dloss_dz_cross_entropy	交叉熵损失函数求导   1. 训练输出预测值矩阵；   2. 训练集的真实值编码；	select       sm_sc.fv_dloss_dz_cross_entropy     (         array[[0.3,  0.5,  0.2],  [0.1,  0.8,  0.1]]     ,  array[[0.0,  1.0,  0.0],  [0.0,  1.0,  0.0]]     )      返回:       array[[0.000,-1.000,0.000],[0.000,-0.625,0.000]]

s. 线性代数：

函数名	函数说明	调用举例
sm_sc.fv_mx_col_mix	初等列变换，某一位置参照同行另一位置清零。 入参：   1. 原始矩阵：   2. 将要被清零位置的列序号；   3. 将要被清零位置的行序号：   4. 做倍数的列号：	select   sm_sc.fv_mx_col_mix   (     array[[1.9, 34.5, 0.55, 45.7, 400.5]             ,[45.9, 4.6, 34.5, 0.55, 45.7]             ,[3.2, 7.7, 1.9, 34.5, 0.55]             ,[4.7, 9.0, 4.6, 34.5, 0.55]]     , 2     , 3     , 4   ); 返回：   array[[1.9000, 24.3003, 0.5500, 45.7000, 400.5000]           ,[45.9000, 4.4772, 34.5000, 0.5500, 45.7000]           ,[3.2000, 0.0000, 1.9000, 34.5000, 0.5500]           ,[4.7000, 1.3000, 4.6000, 34.5000, 0.5500]]
sm_sc.fv_mx_row_mix	初等行变换，某一位置参照同列另一位置清零。 入参：   1. 原始矩阵：   2. 将要被清零位置的行序号；   3. 将要被清零位置的列序号：   4. 做倍数的行号：	select   sm_sc.fv_mx_row_mix   (     array[[1.9, 34.5, 0.55, 45.7, 400.5]             ,[45.9, 4.6, 34.5, 0.55, 45.7]             ,[3.2, 7.7, 1.9, 34.5, 0.55]             ,[4.7, 9.0, 4.6, 34.5, 0.55]]     , 2     , 3     , 4   ); 返回：   array[[1.9000, 34.5000, 0.5500 ,45.7000, 400.5000]           ,[10.6500, -62.9000, 0.0000, -258.2000, 41.5750]           ,[3.2000, 7.7000, 1.9000, 34.5000, 0.5500]           ,[4.7000, 9.0000, 4.6000, 34.5000, 0.5500]]
sm_sc.fv_mx_determinant	矩阵行列式。 本函数依托于临时表 sm_sc.__vt_tmp_matrix 实现。 入参：   1. 原始矩阵：	select   sm_sc.fv_mx_determinant   (     array[[1, 2, 3],[0, 8, 9],[4, 5, 6]]   ); 返回：-21.0
sm_sc.fv_mx_inversion	逆矩阵。 本函数依托于临时表 sm_sc.__vt_tmp_matrix 实现。 入参：   1. 原始矩阵：	select   sm_sc.fv_mx_inversion   (     array[[1, 2, 3],[0, 8, 9],[4, 5, 6]]   ); 返回：   array[[-0.1429, -0.1429, 0.2857]           ,[-1.7143, 0.2857, 0.4286]           ,[1.5238, -0.1429, -0.3810]]
sm_sc.fv_arr_norm_1	向量1范数。 入参：   1. 原始矩阵：	select   sm_sc.fv_arr_norm_1   (     array[1, 2, 3]   ); 返回：6.0
sm_sc.fv_arr_norm_2	向量2范数。 入参：   1. 原始矩阵：	select   sm_sc.fv_arr_norm_2   (     array[1, 2, 3]   ); 返回：3.7417
sm_sc.fv_arr_norm_nega_inf	向量负无穷范数。 入参：   1. 原始矩阵：	select   sm_sc.fv_arr_norm_nega_inf   (     array[1, 2, 3]   ); 返回：1.0
sm_sc.fv_arr_norm_posi_inf	向量正无穷范数。 入参：   1. 原始矩阵：	select   sm_sc.fv_arr_norm_posi_inf   (     array[1, 2, 3]   ); 返回：3.0
sm_sc.fv_arr_norm_p	向量p范数。 入参：   1. 原始矩阵：   2. 范数级数 p：	select   sm_sc.fv_arr_norm_p   (     array[1, 2, 3]   , 3   ); 返回：3.3079
sm_sc.fv_mx_norm_col	列和范数 1-范数 列模。 入参：   1. 原始矩阵：	select   sm_sc.fv_mx_norm_col   (     array[[1, -2, 0, 7],[5, 0, 3, 4]             ,[0, 0, 0, 0],[0, -2, 0, -6]]   ); 返回：17.0
sm_sc.fv_mx_norm_inf	行和范数 无穷-范数 行模。 入参：   1. 原始矩阵：	select   sm_sc.fv_mx_norm_inf   (     array[[1, -2, 0, 7],[5, 0, 3, 4]             ,[0, 0, 0, 0],[0, -2, 0, -6]]   ); 返回：12.0
sm_sc.fv_mx_norm_l0	L0-范数。 入参：   1. 原始矩阵：	select   sm_sc.fv_mx_norm_l0   (     array[[1, -2, 0, 7],[5, 0, 3, 4]             ,[0, 0, 0, 0],[0, -2, 0, -6]]   ); 返回：8.0
sm_sc.fv_mx_norm_l1	L1-范数。 入参：   1. 原始矩阵：	select   sm_sc.fv_mx_norm_l1   (     array[[1, -2, 0, 7],[5, 0, 3, 4]             ,[0, 0, 0, 0],[0, -2, 0, -6]]   ); 返回：30.0
sm_sc.fv_mx_norm_l2_f	L2(F)-范数。 入参：   1. 原始矩阵：	select   sm_sc.fv_mx_norm_l2_f   (     array[[1, -2, 0, 7],[5, 0, 3, 4]             ,[0, 0, 0, 0],[0, -2, 0, -6]]   ); 返回：12.0
sm_sc.fv_mx_norm_l21	L21-范数。 入参：   1. 原始矩阵：	select   sm_sc.fv_mx_norm_l21   (     array[[1, -2, 0, 7],[5, 0, 3, 4]             ,[0, 0, 0, 0],[0, -2, 0, -6]]   ); 返回：20.9773
sm_sc.fv_mx_is_symmetry	判断矩阵是否对称矩阵。 入参：   1. 原始矩阵：	select   sm_sc.fv_mx_is_symmetry   (     array[[1, -2, 0, 7],[5, 0, 3, 4]             ,[0, 0, 0, 0],[0, -2, 0, -6]]   ); 返回：false
sm_sc.fv_mx_rank	矩阵的秩。 本函数依托于临时表 sm_sc.__vt_tmp_matrix 实现。 入参：   1. 原始矩阵：	select   sm_sc.fv_mx_rank   (     array[[1, -2, 0, 7],[5, 0, 3, 4]             ,[0, 0, 0, 0],[0, -2, 0, -6]]   ); 返回：3
sm_sc.fv_mx_row_step	行阶梯矩阵，上梯形。 本函数依托于临时表 sm_sc.__vt_tmp_matrix 实现。 入参：   1. 原始矩阵：	select   sm_sc.fv_mx_row_step   (     array[1, 2, 3]   ); 返回：   array[[1.0000, 2.0000, 3.0000]           ,[0.0000, 8.0000, 9.0000]           ,[0.0000, 0.0000, -2.6250]]
sm_sc.fv_mx_rows_step_simple	行阶梯最简矩阵，也即：等价对角线矩阵，也即：矩阵的线性方程组求解。 本函数依托于临时表 sm_sc.__vt_tmp_matrix 实现。 入参：   1. 原始矩阵：	select   sm_sc.fv_mx_rows_step_simple   (     array[[1, -2, 0, 7],[5, 0, 3, 4]             ,[0, 0, 0, 0],[0, -2, 0, -6]]   ); 返回：   array[[1.0000, 0.0000, 0.0000, 13.0000]           ,[0.0000, 1.0000, 0.0000, 3.0000]           ,[0.0000, 0.0000, 1.0000, -20.3333]           ,[0.0000, 0.0000, 0.0000, 0.0000]]
sm_sc.fv_mx_times_col	指定某列乘系数。 入参：   1. 原始矩阵：   2. 乘系数的列序号：   3. 乘系数值：	select   sm_sc.fv_mx_times_col   (     array[[1, -2, 0, 7],[5, 0, 3, 4]             ,[0, 0, 0, 0],[0, -2, 0, -6]]   , 4   , 1.5   ); 返回：   array[[1, -2, 0, 10.5]           ,[5, 0, 3, 6.0]           ,[0, 0, 0, 0.0]           ,[0, -2, 0, -9.0]]
sm_sc.fv_mx_times_row	指定某行乘系数。 入参：   1. 原始矩阵：   2. 乘系数的行序号：   3. 乘系数值：	select   sm_sc.fv_mx_times_row   (     array[[1, -2, 0, 7],[5, 0, 3, 4]             ,[0, 0, 0, 0],[0, -2, 0, -6]]   , 4   , 1.5   ); 返回：   array[[1, -2, 0, 7]           ,[5, 0, 3, 4]           ,[0, 0, 0, 0]           ,[0.0, -3.0, 0.0, -9.0]]
sm_sc.fv_mx_reorder_col	列序重排。 入参：   1. 原始矩阵：   2. 旧列序号重新排列，存放在新列位置：	select   sm_sc.fv_mx_reorder_col   (     array[[1, -2, 0, 7],[5, 0, 3, 4]             ,[0, 0, 0, 0],[0, -2, 0, -6]]   , array[null,3,4,2]   ); 返回：   array[[1, 0, 7, -2]           ,[5, 3, 4, 0]           ,[0, 0, 0, 0]           ,[0, 0, -6, -2]]
sm_sc.fv_mx_reorder_row	行序重排。 入参：   1. 原始矩阵：   2. 旧行序号重新排列，存放在新行位置：	select   sm_sc.fv_mx_reorder_row   (     array[[1, -2, 0, 7],[5, 0, 3, 4]             ,[0, 0, 0, 0],[0, -2, 0, -6]]   , array[null,3,4,2]   ); 返回：   array[[1, -2, 0, 7]           ,[0, 0, 0, 0]           ,[0, -2, 0, -6]           ,[5, 0, 3, 4]]
sm_sc.ft_mx_lu	lu 分解。 入参：   1. 原始矩阵： 出参列：   1. q 矩阵；   2. r 矩阵；	select   o_mx_l, o_mx_u from   sm_sc.ft_mx_lu   (     array[[1, 2, 3, 4],[0, 8, 9, 10]             ,[4, 5, 6, 7],[5, 7, 2, 10]]   ); 返回：   o_mx_l:     array[1.0000, 0.0000, 0.0000, 0.0000]            ,[0.0000, 1.0000, 0.0000, 0.0000]            ,[4.0000, -0.3750, 1.0000, 0.0000]            ,[5.0000, -0.3750, 3.6667, 1.0000]]   o_mx_u:     array[1.0000, 2.0000, 3.0000, 4.0000]            ,[0.0000, 8.0000, 9.0000, 10.0000]            ,[0.0000, 0.0000, -2.6250, -5.2500]            ,[0.0000, 0.0000, 0.0000, 13.0000]]
sm_sc.ft_mx_qr	qr 分解。 入参：   1. 原始矩阵： 出参列：   1. q 矩阵；   2. r 矩阵；	select   o_mx_q, o_mx_r from   sm_sc.ft_mx_qr   (     array[[1, 2, 3, 4],[0, 8, 9, 10]             ,[4, 5, 6, 7],[5, 7, 2, 10]]   ); 返回：   o_mx_q:     array[0.1543, 0.0800, 0.3341, 0.9264]            ,[0.0000, 0.9950, 0.0276, -0.0958]            ,[0.6172, -0.0533, 0.7020, -0.3514]            ,[0.7715, 0.0267, -0.6284, 0.0958]]   o_mx_r:     array[6.4807, 8.7953, 5.7092, 12.6529]            ,[0.0000, 8.0401, 8.9285, 10.1634]            ,[0.0000, 0.0000, 4.2056, 0.2422]            ,[0.0000, 0.0000, 0.0000, 1.2458]]

2. 运算符列表

提醒：在 postgresql v 14 以及以上版本，不支持单目右侧运算符的定义。

运算符	运算符位置	运算符说明	举例
+`	双目	元素、点(广播)加。 等价函数: sm_sc.fv_opr_add	select   array[[1.3, -8.8],[2.2, -3.0]]   +`   array[[-2.6, 11.3],[-4.6, 5.1]]; 返回：   array[[-1.3, 2.5],[-2.4, 2.1]]
-`	双目	元素、点(广播)减。 等价函数: sm_sc.fv_opr_sub	select   array[[1.3, -8.8],[2.2, -3.0]]   -`   array[[-2.6, 11.3],[-4.6, 5.1]]; 返回：   array[[3.9, -20.1],[6.8, -8.1]]
-`	单目左侧	元素、点(广播)相反数。 等价函数: sm_sc.fv_opr_sub	select   -`   array[[-2.6, 11.3],[-4.6, 5.1]]; 返回：   array[[2.6, -11.3],[4.6, -5.1]]
*`	双目	元素、点(广播)乘。 等价函数: sm_sc.fv_opr_mul	select   array[[1.3, -8.8],[2.2, -3.0]]   *`   array[[-2.6, 11.3],[-4.6, 5.1]]; 返回：   array[[-3.38, -99.44],[-10.12, -15.30]]
/`	双目	元素、点(广播)除。 等价函数: sm_sc.fv_opr_div	select   array[[1.3, -8.8],[2.2, -3.0]]   /`   array[[-2.6, 11.3],[-4.6, 5.1]]; 返回：   array[[-0.5000, -0.7788],[-0.4783, -0.5882]]
/`	单目左侧	元素、点(广播)倒数。 等价函数: sm_sc.fv_opr_div	select   /`   array[[-2.6, 11.3],[-4.6, 5.1]]; 返回：   array[[-0.3846, 0.0885],[-0.2174, 0.1961]]
%`	双目	元素、点(广播)求余。 等价函数: sm_sc.fv_opr_mod	select   array[[10, -29],[12, -33]]   %`   array[[-3, 11],[-5, 5]]; 返回：   array[[1, -7],[2, -3]]
^`	双目	元素、点(广播)幂。 等价函数: sm_sc.fv_opr_pow	select   array[[1.3, 8.8],[2.2, 3.0]]   ^`   array[[-2.6, 1.3],[-4.6, 5.1]]; 返回：   array[[0.5055, 16.8977],[0.0266, 271.2179]]
^`	单目左侧	元素、点(广播)自然常数幂。 等价函数: sm_sc.fv_opr_exp	select   ^`   array[[1.3, -8.8],[2.2, -3.0]]; 返回：   array[[3.6693, 0.0002],[9.0250, 0.0498]]
^!`	双目	元素、点(广播)对数。 等价函数: sm_sc.fv_opr_log	select   array[[1.3, 8.8],[2.2, 3.0]]   ^!`   array[[2.6, 11.3],[4.6, 5.1]]; 返回：   array[[3.6419, 1.1150],[1.9355, 1.4830]]
^!`	单目左侧	元素、点(广播)自然对数。 等价函数: sm_sc.fv_opr_ln	select   ^!`   array[[2.6, 11.3],[4.6, 5.1]]; 返回：   array[[0.9555, 2.4248},{1.5261, 1.6292]]
|`	双目	元素、点(广播)位或、逻辑或操作。 等价函数: sm_sc.fv_opr_or	select   array[[true, false],[true, false]]   |`   array[[false, true],[false, true]]; 返回：   array[[true, true],[true, true]] -------------------------- select   array[[B'010', B'011'],[B'101', B'011']]   |`   array[[B'011', B'101'],[B'011', B'101']]; 返回：   array[[B'011', B'111'],[B'111', B'111']]
&`	双目	元素、点(广播)位与、逻辑且操作。 等价函数: sm_sc.fv_opr_and	select   array[[true, false],[true, false]]   &`   array[[false, true],[false, true]]; 返回：   array[[false, false],[false, false]] -------------------------- select   array[[B'010', B'011'],[B'101', B'011']]   &`   array[[B'011', B'101'],[B'011', B'101']]; 返回：   array[[B'010', B'001'],[B'001', B'001']]
~`	单目左侧	元素、点(广播)位非、逻辑非操作。 等价函数: sm_sc.fv_opr_not	select   ~`   array[[false, true],[false, true]]; 返回：   array[[true, false],[true, false]] -------------------------- select   ~`   array[[B'011', B'101'],[B'011', B'101']]; 返回：   array[[B'100', B'010'],[B'100', B'010']]
#`	双目	元素、点(广播)位异或、逻辑异或操作。 等价函数: sm_sc.fv_opr_xor	select   array[[true, false],[true, false]]   #`   array[[false, true],[false, true]]; 返回：   array[[true, true],[true, true]] -------------------------- select   array[[B'010', B'011'],[B'101', B'011']]   #`   array[[B'011', B'101'],[B'011', B'101']]; 返回：   array[[B'001', B'110'],[B'110', B'110']]
!#`	双目	元素、点(广播)位同或、逻辑同或操作。 等价函数: sm_sc.fv_opr_xnor	select   array[[true, false],[true, false]]   !#`   array[[false, true],[false, true]]; 返回：   array[[false, false],[false, false]] -------------------------- select   array[[B'010', B'011'],[B'101', B'011']]   !#`   array[[B'011', B'101'],[B'011', B'101']]; 返回：   array[[B'110', B'001'],[B'001', B'001']]
~`	双目	元素、点(广播)文本正则是否匹配。 等价函数: sm_sc.fv_opr_is_regexp_match	select   array[['abbbbbc122223', 'abc123'],['abc123', 'ac13']]   ~`   array[['a.c', '1.*?3'],['1.3', 'a.*?c']]; 返回：   array[[false, true],[true, true]]
~`	单目左侧	元素、点(广播)复元素共轭。 等价函数: sm_sc.fv_opr_conjugate	select   ~`   array[[(12.3, -25.1), (-2.56, 3.25)]           ,[(12.3, 0.0), (0.0, 3.25)]] :: sm_sc.typ_l_complex[]; 返回：   array[[(12.3, 25.1), (-2.56, -3.25)]            ,[(12.3, 0.0), (0.0, -3.25)]] :: sm_sc.typ_l_complex[]
@~`	单目左侧	元素、点(广播)复元素实部。 等价函数: sm_sc.fv_opr_real	select   @~`   array[[(12.3, -25.1), (-2.56, 3.25)]           ,[(12.3, 0.0), (0.0, 3.25)]] :: sm_sc.typ_l_complex[]; 返回：   array[[12.3000, -2.5600],[12.3000, 0.0000]]
~@`	单目左侧	元素、点(广播)复元素虚部。 等价函数: sm_sc.fv_opr_imaginary	select   ~@`   array[[(12.3, -25.1), (-2.56, 3.25)]           ,[(12.3, 0.0), (0.0, 3.25)]] :: sm_sc.typ_l_complex[]; 返回：   array[[-25.1000, 3.2500],[0.0000, 3.2500]]
~^`	单目左侧	元素、点(广播)复元素实虚对换。 等价函数: sm_sc.fv_opr_conjugate_45	select   ~^`   array[[(12.3, -25.1), (-2.56, 3.25)]           ,[(12.3, 0.0), (0.0, 3.25)]] :: sm_sc.typ_l_complex[]; 返回：   array[[(-25.1, 12.3), (3.25, -2.56)]            ,[(0.0, 12.3), (3.25, 0.0)]] :: sm_sc.typ_l_complex[]
||`	双目	元素、点(广播)位、字串拼接操作。 等价函数: sm_sc.fv_opr_concat	select   array[['abc', 'efgh'],['hijk', 'lm']]   ||`   array[['no', 'pqr'],['stu', 'vwxyz']]; 返回：   array[['abcno', 'efghpqr'],['hijkstu', 'lmvwxyz']]
==`	双目	元素、点(广播)相等判断。 等价函数: sm_sc.fv_opr_is_equal	select   array[[1.3, -8.8],[2.2, -3.0]]   ==`   array[[-2.6, 11.3],[-4.6, -3.0]]; 返回：   array[[false, false],[false, true]]
<`	双目	元素、点(广播)小于判断。 等价函数: sm_sc.fv_opr_is_less	select   array[[1.3, -8.8],[2.2, -3.0]]   <`   array[[-2.6, 11.3],[-4.6, -3.0]]; 返回：   array[[false, true],[false, false]]
>`	双目	元素、点(广播)大于判断。 等价函数: sm_sc.fv_opr_is_greater	select   array[[1.3, -8.8],[2.2, -3.0]]   >`   array[[-2.6, 11.3],[-4.6, -3.0]]; 返回：   array[[true, false],[true, false]]
<=`	双目	元素、点(广播)小于等于判断。 等价函数: sm_sc.fv_opr_is_less_ex	select   array[[1.3, -8.8],[2.2, -3.0]]   <=`   array[[-2.6, 11.3],[-4.6, -3.0]]; 返回：   array[[false, true],[false, true]]
>=`	双目	元素、点(广播)大于等于判断。 等价函数: sm_sc.fv_opr_is_greater_ex	select   array[[1.3, -8.8],[2.2, -3.0]]   >=`   array[[-2.6, 11.3],[-4.6, -3.0]]; 返回：   array[[true, false],[true, true]]
<>`	双目	元素、点(广播)比较大小。 等价函数: sm_sc.fv_opr_compare	select   array[[1.3, -8.8],[2.2, -3.0]]   <>`   array[[-2.6, 11.3],[-4.6, -3.0]]; 返回：   array[[1, -1],[1, 0]]
<>`	单目左侧	元素、点(广播)实元素正负判断。 等价函数: sm_sc.fv_opr_sign	select   <>`   array[[-2.6, 11.3],[-4.6, 0.0]]; 返回：   array[[-1, 1],[-1, 0]]
@<`	双目	元素、点(广播)元素值取小。 等价函数: sm_sc.fv_opr_least	select   array[[1.3, -8.8],[2.2, -3.0]]   @<`   array[[-2.6, 11.3],[-4.6, 5.1]]; 返回：   array[[-2.6, -8.8],[-4.6, -3.0]]
@>`	双目	元素、点(广播)元素值取大。 等价函数: sm_sc.fv_opr_greatest	select   array[[1.3, -8.8],[2.2, -3.0]]   @>`   array[[-2.6, 11.3],[-4.6, 5.1]]; 返回：   array[[1.3, 11.3],[2.2, 5.1]]
@`	单目左侧	元素、点(广播)实元素绝对值、复数的模。 等价函数: sm_sc.fv_opr_abs	select   @`   array[[-2.6, 11.3],[-4.6, 5.1]]; 返回：   array[[2.6, 11.3],[4.6, 5.1]] -------------------------- select   @`   array[[(12.3, -25.1), (-2.56, 3.25)]           ,[(12.3, 0.0), (0.0, 3.25)]] :: sm_sc.typ_l_complex[]; 返回：   array[[27.9517, 4.1372],[12.3, 3.25]]
~=`	双目	元素、点(广播)四舍五入。 等价函数: sm_sc.fv_opr_round	select   array[[1.327, -8.886],[2.2, -3.036]]   ~=`   2; 返回：   array[[1.33, -8.89],[2.20, -3.04]]
~<`	双目	元素、点(广播)数位地板值。 等价函数: sm_sc.fv_opr_floor	select   array[[1.327, -8.886],[2.2, -3.036]]   ~<`   2; 返回：   array[[1.32, -8.89],[2.2, -3.04]]
~>`	双目	元素、点(广播)数位天花板值。 等价函数: sm_sc.fv_opr_ceil	select   array[[1.327, -8.886],[2.2, -3.036]]   ~>`   2; 返回：   array[[1.33, -8.88],[2.2, -3.03]]
><`	双目	元素、点(广播)数位截取值。 等价函数: sm_sc.fv_opr_trunc	select   array[[1.327, -8.886],[2.2, -3.036]]   ><`   2; 返回：   array[[1.32, -8.88],[2.20, -3.03]]
||~|	单目左侧	二维数组上下对称翻转。 等价函数: sm_sc.fv_opr_mirror_heigh	select   ||~|   array[[-2.6, 11.3],[-4.6, 5.1]]; 返回：   array[[-4.6, 5.1],[-2.6, 11.3]]
|-~|	单目左侧	二维数组左右对称翻转。 等价函数: sm_sc.fv_opr_mirror_width	select   |-~|   array[[-2.6, 11.3],[-4.6, 5.1]]; 返回：   array[[11.3, -2.6],[5.1, -4.6]]
|+~|	双目	高维数组指定维度对称翻转。 等价函数: sm_sc.fv_opr_mirror	select   array[[[-2.6, 11.3],[-4.6, 5.1]],[[2.6, -11.3],[4.6, -5.1]]]   |+~|   3; 返回：   array[[[11.3, -2.6],[5.1, -4.6]],[[-11.3, 2.6],[-5.1, 4.6]]]
|<~|	单目左侧	二维数组向左旋转90°(逆时针)。 等价函数: sm_sc.__fv_turn_x_y_90	select   |<~|   array[[-2.6, 11.3],[-4.6, 5.1]]; 返回：   array[[11.3, 5.1],[-2.6, -4.6]]
|>~|	单目左侧	二维数组向右旋转90°(顺时针)。 等价函数: sm_sc.__fv_turn_y_x_90	select   |>~|   array[[-2.6, 11.3],[-4.6, 5.1]]; 返回：   array[[-4.6, -2.6],[5.1, 11.3]]
|~~|	单目左侧	二维数组旋转180°(相当于双对角转置)。 等价函数: sm_sc.fv_opr_turn_heigh_width_180	select   |~~|   array[[-2.6, 11.3],[-4.6, 5.1]]; 返回：   array[[5.1, -4.6],[11.3, -2.6]]
|*~|	双目	高维数组指定起止维度旋转90°。 等价函数: sm_sc.fv_opr_turn_90	select   array[[[-2.6, 11.3],[-4.6, 5.1]],[[2.6, -11.3],[4.6, -5.1]]]   |*~|   array[2, 3]; 返回：   array[[[11.3, 5.1],[-2.6, -4.6]],[[-11.3, -5.1],[2.6, 4.6]]]
|~~|	双目	高维数组指定起止维度旋转180°。 等价函数: sm_sc.fv_opr_turn_180	select   array[[[-2.6, 11.3],[-4.6, 5.1]],[[2.6, -11.3],[4.6, -5.1]]]   |~~|   array[2, 3]; 返回：   array[[[5.1, -4.6],[11.3, -2.6]],[[-5.1, 4.6],[-11.3, 2.6]]]
|^~|	单目左侧	正转置(左下右上互换)。 等价函数: sm_sc.fv_opr_transpose	select   |^~|   array[[-2.6, 11.3],[-4.6, 5.1]]; 返回：   array[[-2.6, -4.6],[11.3, 5.1]]
|^~|	双目	三维数组指定两维度正转置。 等价函数: sm_sc.fv_opr_transpose_3d	select   array[[[1.3, -8.8, 2.25],[2.2, -3.0, -0.95]],[[-1.3, 8.8, -2.25],[-2.2, 3.0, 0.95]]]   |^~|   array[2, 3]; 返回：   array[[[1.3, 2.2],[-8.8, -3.0],[2.25, -0.95]],[[-1.3, -2.2],[8.8, 3.0],[-2.25, 0.95]]]
|^~`|	单目左侧	共轭矩阵(区别于正转置)。 等价函数: sm_sc.fv_opr_conjugate_i	select   |^~`|   array[[(12.3, -25.1), (-2.56, 3.25)]           ,[(12.3, 0.0), (0.0, 3.25)]] :: sm_sc.typ_l_complex[]; 返回：   array[[(12.30, 25.10), (12.30, 0.00)]            ,[(-2.56, -3.25), (0.00, -3.25)]] :: sm_sc.typ_l_complex[]
|~^|	单目左侧	右下左上互换转置。 等价函数: sm_sc.fv_opr_transpose_i	select   |~^|   array[[-2.6, 11.3],[-4.6, 5.1]]; 返回：   array[[5.1, 11.3],[-4.6, -2.6]]
|-||	双目	二维平面上下(高度方向)拼接。 等价函数: sm_sc.fv_opr_concat_heigh	select   array[[1.3, -8.8],[2.2, -3.0]]   |-||   array[[-2.6, 11.3],[-4.6, 5.1]]; 返回：   array[[1.3, -8.8],[2.2, -3.0],[-2.6, 11.3],[-4.6, 5.1]]
||||	双目	二维平面左右(宽度方向)拼接。 等价函数: sm_sc.fv_opr_concat_width	select   array[[1.3, -8.8],[2.2, -3.0]]   ||||   array[[-2.6, 11.3],[-4.6, 5.1]]; 返回：   array[[1.3, -8.8, -2.6, 11.3],[2.2, -3.0, -4.6, 5.1]]
|`|	双目	内积，对应元素乘积合计。 等价函数: sm_sc.fv_opr_prod_inner	select   array[[1.3, -8.8],[2.2, -3.0]]   |`|   array[[-2.6, 11.3],[-4.6, 5.1]]; 返回：-128.24
|`^|	双目	内积幂，对应元素连乘合计。 等价函数: sm_sc.fv_opr_prod_inner_pow	select   array[[1.3, -8.8],[2.2, -3.0]]   |`^|   3.0; 返回：-695.627
|**|	双目	矩阵乘法：乘、点积、数量积。 等价函数: sm_sc.fv_opr_prod_mx	select   array[[1.3, -8.8],[2.2, -3.0]]   |**|   array[[-2.6, 11.3],[-4.6, 5.1]]; 返回：   array[[37.1000, -30.1900],[8.0800, 9.5600]]
|**|	单目左侧	矩阵转置与原矩阵做矩阵乘法运算。 等价函数: sm_sc.fv_opr_prod_mx_right	select   |**|   array[[-2.6, 11.3],[-4.6, 5.1]]; 返回：   array[[27.9200, -52.8400],[-52.8400, 153.7000]]
|*^|	双目	方阵矩阵乘法幂，方阵矩阵与自身做 N 次矩阵乘法。 等价函数: sm_sc.fv_opr_prod_mx_pow	select   array[[1.3, -8.8],[2.2, -3.0]]   |*^|   3; 返回：   array[[1.3000,-8.8000],[2.2000,-3.0000]]
|@+|	单目左侧 双目	元素聚合合计。 等价函数: sm_sc.fv_aggr_slice_sum	select   |@+|   array[[-2.6, 11.3],[-4.6, 5.1]]; 返回：9.2
|@*|	单目左侧 双目	元素聚合累乘。 等价函数: sm_sc.fv_aggr_slice_prod	select   |@*|   array[[-2.6, 11.3],[-4.6, 5.1]]; 返回：689.2548
|@/|	单目左侧 双目	元素聚合平均。 等价函数: sm_sc.fv_aggr_slice_avg	select   |@/|   array[[-2.6, 11.3],[-4.6, 5.1]]; 返回：2.3
|@>|	单目左侧 双目	元素聚合最大。 等价函数: sm_sc.fv_aggr_slice_max	select   |@>|   array[[-2.6, 11.3],[-4.6, 5.1]]; 返回：11.3
|@<|	单目左侧 双目	元素聚合最小。 等价函数: sm_sc.fv_aggr_slice_min	select   |@<|   array[[-2.6, 11.3],[-4.6, 5.1]]; 返回：-4.6
|@/=|	单目左侧 双目	元素聚合跨度(最大-最小)。 等价函数: sm_sc.fv_aggr_slice_ptp	select   |@/=|   array[[-2.6, 11.3],[-4.6, 5.1]]; 返回：15.9
|@#|	单目左侧 双目	元素聚合总体方差。 等价函数: sm_sc.fv_aggr_slice_var_pop	select   |@#|   array[[-2.6, 11.3],[-4.6, 5.1]]; 返回：40.115
|@#`|	单目左侧 双目	元素聚合样本方差。 等价函数: sm_sc.fv_aggr_slice_var_samp	select   |@#`|   array[[-2.6, 11.3],[-4.6, 5.1]]; 返回：53.4867
|@%|	单目左侧 双目	元素聚合总体标准差。 等价函数: sm_sc.fv_aggr_slice_stddev_pop	select   |@%|   array[[-2.6, 11.3],[-4.6, 5.1]]; 返回：6.3336
|@%`|	单目左侧 双目	元素聚合样本标准差。 等价函数: sm_sc.fv_aggr_slice_stddev_samp	select   |@%`|   array[[-2.6, 11.3],[-4.6, 5.1]]; 返回：7.3135
|@/>|	单目左侧 双目	元素聚合众数。 等价函数: sm_sc.fv_aggr_slice_mode	select   |@/>|   array[[-4.6, 11.3],[-4.6, 5.1]]; 返回：-4.6
|@/<|	单目左侧 双目	元素聚合中位数。 等价函数: sm_sc.fv_aggr_slice_median	select   |@/<|   array[[-2.6, 11.3],[-4.6, 5.1]]; 返回：1.25
|@|||	单目左侧 双目	元素聚合位元拼接。 等价函数: sm_sc.fv_aggr_slice_concat	select   |@|||   array[[B'10', B'001'],[B'01', B'1']]; 返回：B'10001011'
|@|`|	单目左侧 双目	元素聚合位元、逻辑求或。 等价函数: sm_sc.fv_aggr_slice_or	select   |@|`|   array[[B'001', B'101'],[B'100', B'010']]; 返回：B'111' -------------------------- select   |@|`|   array[[true, false],[true, true]]; 返回：true
|@&`|	单目左侧 双目	元素聚合位元、逻辑求与。 等价函数: sm_sc.fv_aggr_slice_and	select   |@&`|   array[[B'001', B'101'],[B'100', B'010']]; 返回：B'000' -------------------------- select   |@&`|   array[[true, false],[true, true]]; 返回：false
|@=|	单目左侧 双目	元素聚合免空。 等价函数: sm_sc.fv_aggr_slice_coalesce	select   |@=|   array[[null, 11.3],[null, 5.1]]; 返回：11.3
+`|	双目	矩阵组播 - 单步卷加。 协参缺省，支持一维。 等价函数: sm_sc.fv_opr_conv_add_stride_1 入参：   1. 背景矩阵；   2. 窗口矩阵；	select   array[[2.5, 1.26, 3.3], [8.6, 4.69, 9.7], [8.6, 4.69, 9.7]]   +`|   array[[0.7, 2.9], [0.68, 4.5]] 返回：   array[[3.2, 4.16, 1.96, 6.2]           ,[9.28, 9.19, 5.37, 14.2]           ,[9.3, 7.59, 5.39, 12.6]           ,[9.28, 9.19, 5.37, 14.2]] -------------------------- select   array[2.5, 1.26, 3.3, 8.6, 4.69, 9.7, 8.6, 4.69, 9.7]   +`|   array[0.7, 2.9, 0.68, 4.5] 返回：   array[3.2, 4.16, 1.96, 6.2           ,9.28, 9.19, 5.37, 14.2           ,9.3, 7.59, 5.39, 12.6           ,9.28, 9.19, 5.37, 14.2]
-`|	双目	矩阵组播 - 单步卷减。 协参缺省，支持一维。 等价函数: sm_sc.fv_opr_conv_sub_stride_1 入参：   1. 背景矩阵；   2. 窗口矩阵；	select   array[[2.5, 1.26, 3.3], [8.6, 4.69, 9.7], [8.6, 4.69, 9.7]]   -`|   array[[0.7, 2.9], [0.68, 4.5]] 返回：   array[[1.8,-1.64,0.56,0.4]           ,[7.92,0.19,4.01,5.2]           ,[7.9,1.79,3.99,6.8]           ,[7.92,0.19,4.01,5.2]]
|-`	双目	矩阵组播 - 单步反卷减。 协参缺省，支持一维。 等价函数: sm_sc.fv_opr_conv_de_sub_stride_1 入参：   1. 窗口矩阵；   2. 背景矩阵；	select   array[[0.7, 2.9], [0.68, 4.5]]   |-`   array[[2.5, 1.26, 3.3], [8.6, 4.69, 9.7], [8.6, 4.69, 9.7]] 返回：   array[[-1.8, 1.64, -0.56, -0.4]           ,[-7.92, -0.19, -4.01, -5.2]           ,[-7.9, -1.79, -3.99, -6.8]           ,[-7.92, -0.19, -4.01, -5.2]] -------------------------- select   array[0.7, 2.9, 0.68, 4.5]   |-`   array[2.5, 1.26, 3.3, 8.6, 4.69, 9.7, 8.6, 4.69, 9.7] 返回：   array[-1.8, 1.64, -0.56, -0.4           ,-7.92, -0.19, -4.01, -5.2           ,-7.9, -1.79, -3.99, -6.8           ,-7.92, -0.19, -4.01, -5.2]
*`|	双目	矩阵组播 - 单步卷乘。 协参缺省，支持一维。 等价函数: sm_sc.fv_opr_conv_mul_stride_1 入参：   1. 背景矩阵；   2. 窗口矩阵；	select   array[[2.5, 1.26, 3.3], [8.6, 4.69, 9.7], [8.6, 4.69, 9.7]]   *`|   array[[0.7, 2.9], [0.68, 4.5]] 返回：   array[[1.75, 3.654, 0.882, 9.57]           ,[5.848, 21.105, 3.1892, 43.65]           ,[6.02, 13.601, 3.283, 28.13]           ,[5.848, 21.105, 3.1892, 43.65]]
/`|	双目	矩阵组播 - 单步卷除。 协参缺省，支持一维。 等价函数: sm_sc.fv_opr_conv_div_stride_1 入参：   1. 背景矩阵；   2. 窗口矩阵；	select   array[[2.5, 1.26, 3.3], [8.6, 4.69, 9.7], [8.6, 4.69, 9.7]]   /`|   array[[0.7, 2.9], [0.68, 4.5]] 返回：   array[[3.571, 0.434, 1.800, 1.138]           ,[12.647, 1.042, 6.897, 2.156]           ,[12.286, 1.617, 6.700, 3.345]           ,[12.647, 1.042, 6.897, 2.156]]
|/`	双目	矩阵组播 - 单步反卷除。 协参缺省，支持一维。 等价函数: sm_sc.fv_opr_conv_de_div_stride_1 入参：   1. 窗口矩阵；   2. 背景矩阵；	select   array[[0.7, 2.9], [0.68, 4.5]]   |/`   array[[2.5, 1.26, 3.3], [8.6, 4.69, 9.7], [8.6, 4.69, 9.7]] 返回：   array[[0.280, 2.302, 0.556, 0.879]           ,[0.079, 0.959, 0.145, 0.464]           ,[0.081, 0.618, 0.149, 0.299]           ,[0.079, 0.959, 0.145, 0.464]]
^`|	双目	矩阵组播 - 单步卷幂。 协参缺省，支持一维。 等价函数: sm_sc.fv_opr_conv_pow_stride_1 入参：   1. 背景矩阵；   2. 窗口矩阵；	select   array[[2.5, 1.26, 3.3], [8.6, 4.69, 9.7], [8.6, 4.69, 9.7]]   ^`|   array[[0.7, 2.9], [0.68, 4.5]] 返回：   array[[1.899, 1.955, 1.176, 31.893]           ,[4.320, 1047.799, 2.860, 27572.288]           ,[4.510, 88.390, 2.950, 727.173]           ,[4.320, 1047.799, 2.860, 27572.288]]
|^`	双目	矩阵组播 - 单步反卷幂。 协参缺省，支持一维。 等价函数: sm_sc.fv_opr_conv_de_pow_stride_1 入参：   1. 窗口矩阵；   2. 背景矩阵；	select   array[[0.7, 2.9], [0.68, 4.5]]   |^`   array[[2.5, 1.26, 3.3], [8.6, 4.69, 9.7], [8.6, 4.69, 9.7]] 返回：   array[[0.410, 3.825, 0.638, 33.567]           ,[0.036, 1157.622, 0.164, 2168509.772]           ,[0.047, 147.451, 0.188, 30567.546]           ,[0.036, 1157.622, 0.164, 2168509.772]]
^!`|	双目	矩阵组播 - 单步卷对数。 协参缺省，支持一维。 等价函数: sm_sc.fv_opr_conv_log_stride_1 入参：   1. 背景矩阵；   2. 窗口矩阵；	select   array[[2.5, 1.26, 3.3], [8.6, 4.69, 9.7], [8.6, 4.69, 9.7]]   ^!`|   array[[0.7, 2.9], [0.68, 4.5]] 返回：   array[[-0.389, 4.607, -1.543, 0.892]           ,[-0.179, 0.973, -0.250, 0.662]           ,[-0.166, 0.689, -0.231, 0.469]           ,[-0.179, 0.973, -0.250, 0.662]]
|^!`	双目	矩阵组播 - 单步反卷对数。 协参缺省，支持一维。 等价函数: sm_sc.fv_opr_conv_de_log_stride_1 入参：   1. 窗口矩阵；   2. 背景矩阵；	select   array[[0.7, 2.9], [0.68, 4.5]]   |^!`   array[[2.5, 1.26, 3.3], [8.6, 4.69, 9.7], [8.6, 4.69, 9.7]] 返回：   array[[-2.569, 0.217, -0.648, 1.121]           ,[-5.579, 1.027, -4.007, 1.511]           ,[-6.033, 1.452, -4.333, 2.134]           ,[-5.579, 1.027, -4.007, 1.511]]
**|	双目	矩阵组播 - 单步卷积。 协参缺省，支持一维。 等价函数: sm_sc.fv_opr_conv_2d_stride_1 入参：   1. 背景矩阵；   2. 窗口矩阵；	select   array[[2.5, 1.26, 3.3], [8.6, 4.69, 9.7], [8.6, 4.69, 9.7]]   **|   array[[0.7, 2.9], [0.68, 4.5]] 返回：   array[[40.3298, 28.305]           ,[70.1122, 48.092]]
%+`|	双目	矩阵组播 - 窗口步长卷加。 协参缺省，支持一维。 等价函数: sm_sc.fv_opr_conv_add_stride_window 入参：   1. 背景矩阵；   2. 窗口矩阵；	select       array[2.5,  1.26,  3.3,  8.6,  4.69,  9.7,  8.6,  4.69,  9.7]       %+`|       array[0.7,  2.9,  0.68]      返回:     array[3.2,  4.16,  3.98,  9.3,  7.59,  10.38,  9.3,  7.59,  10.38]
%-`|	双目	矩阵组播 - 窗口步长卷减。 协参缺省，支持一维。 等价函数: sm_sc.fv_opr_conv_sub_stride_window 入参：   1. 背景矩阵；   2. 窗口矩阵；	select       array[2.5,  1.26,  3.3,  8.6,  4.69,  9.7,  8.6,  4.69,  9.7]       %-`|       array[0.7,  2.9,  0.68]      返回:     array[1.8,  -1.64,  2.62,  7.9,  1.79,  9.02,  7.9,  1.79,  9.02]
|-`%	双目	矩阵组播 - 窗口步长反卷减。 协参缺省，支持一维。 等价函数: sm_sc.fv_opr_conv_de_sub_stride_window 入参：   1. 窗口矩阵；   2. 背景矩阵；	select       array[0.7,  2.9,  0.68,  4.5]       |-`%       array[2.5,  1.26,  3.3,  8.6,  4.69,  9.7,  4.69,  9.7]      返回:     array[-1.8,  1.64,  -2.62,  -4.1,  -3.99,  -6.8,  -4.01,  -5.2]
%*`|	双目	矩阵组播 - 窗口步长卷乘。 协参缺省，支持一维。 等价函数: sm_sc.fv_opr_conv_mul_stride_window 入参：   1. 背景矩阵；   2. 窗口矩阵；	select       array[2.5,  1.26,  3.3,  8.6,  4.69,  9.7,  8.6,  4.69]       %*`|       array[0.7,  2.9,  0.68,  4.5]      返回:     array[1.75,  3.654,  2.244,  38.70,  3.283,  28.13,  5.848,  21.105]
%/`|	双目	矩阵组播 - 窗口步长卷除。 协参缺省，支持一维。 等价函数: sm_sc.fv_opr_conv_div_stride_window 入参：   1. 背景矩阵；   2. 窗口矩阵；	select       array[2.5,  1.26,  3.3,  8.6,  4.69,  9.7,  8.6,  4.69,  9.7]       %/`|       array[0.7,  2.9,  0.68]      返回:     array[3.571,  0.434,  4.853,  12.286,  1.617,  14.265,  12.286,  1.617,  14.265]
|/`%	双目	矩阵组播 - 窗口步长反卷除。 协参缺省，支持一维。 等价函数: sm_sc.fv_opr_conv_de_div_stride_window 入参：   1. 窗口矩阵；   2. 背景矩阵；	select       array[0.7,  0.68,  4.5]       |/`%       array[2.5,  1.26,  3.3,  8.6,  4.69,  9.7,  8.6,  4.69,  9.7]      返回:     array[0.280,  0.540,  1.364,  0.081,  0.145,  0.464,  0.081,  0.145,  0.464]
%^`|	双目	矩阵组播 - 窗口步长卷幂。 协参缺省，支持一维。 等价函数: sm_sc.fv_opr_conv_pow_stride_window 入参：   1. 背景矩阵；   2. 窗口矩阵；	select       array[2.5,  1.26,  3.3,  8.6,  4.69,  9.7,  8.6,  4.69,  9.7]       %^`|       array[0.7,  2.9,  4.5]      返回:     array[1.899,  1.955,  215.433,  4.510,  88.390,  27572.288,  4.510,  88.390,  27572.288]
|^`%	双目	矩阵组播 - 窗口步长反卷幂。 协参缺省，支持一维。 等价函数: sm_sc.fv_opr_conv_de_pow_stride_window 入参：   1. 窗口矩阵；   2. 背景矩阵；	select       array[0.7,  2.9,  0.68,  4.5]       |^`%       array[2.5,  3.3,  8.6,  4.69,  9.7,  8.6,  4.69,  9.7]      返回:     array[0.410,  33.567,  0.036,  1157.622,  0.031,  9475.950,  0.164,  2168509.772]
%^!`|	双目	矩阵组播 - 窗口步长卷对数。 协参缺省，支持一维。 等价函数: sm_sc.fv_opr_conv_log_stride_window 入参：   1. 背景矩阵；   2. 窗口矩阵；	select       array[2.5,  1.26,  3.3,  8.6,  4.69,  9.7,  8.6,  9.7]       %^!`|       array[0.7,  2.9,  0.68,  4.5]      返回:     array[-0.389,  4.607,  -0.323,  0.699,  -0.231,  0.469,  -0.179,  0.662]
|^!`%	双目	矩阵组播 - 窗口步长反卷对数。 协参缺省，支持一维。 等价函数: sm_sc.fv_opr_conv_de_log_stride_window 入参：   1. 窗口矩阵；   2. 背景矩阵；	select       array[0.7,  2.9,  4.5]       |^!`%       array[2.5,  1.26,  3.3,  8.6,  4.69,  9.7,  8.6,  4.69,  9.7]      返回:     array[-2.569,  0.217,  0.794,  -6.033,  1.452,  1.511,  -6.033,  1.452,  1.511]
%**|	双目	矩阵组播 - 窗口步长卷积。 协参缺省，支持一维。 等价函数: sm_sc.fv_opr_conv_2d_stride_window 入参：   1. 背景矩阵；   2. 窗口矩阵；	select       array[2.5,  1.26,  3.3,  8.6,  4.69,  9.7,  8.6,  4.69]       %**|       array[0.7,  2.9,  0.68,  4.5]      返回:     array[46.348,  58.366]
@>|	双目	矩阵最大池化 - 单步长。 协参缺省，支持一维。 等价函数: sm_sc.fv_opr_pool_max_stride_1 入参：   1. 背景矩阵；   2. 窗口高宽规格；	select       array     [         [2.5,  1.26,  3.3,  2.6]     ,  [8.6,  4.69,  9.7,  6.5]     ,  [8.6,  4.69,  9.7,  8.55]     ]       @>|       array[2,  2]      返回:     array[[8.6,9.7,9.7],[8.6,9.7,9.7]]
@/|	双目	矩阵平均池化 - 单步长。 协参缺省，支持一维。 等价函数: sm_sc.fv_opr_pool_avg_stride_1 入参：   1. 背景矩阵；   2. 窗口高宽规格；	select       array     [         [2.5,  1.26,  3.3,  2.6]     ,  [8.6,  4.69,  9.7,  6.5]     ,  [8.6,  4.69,  9.7,  8.55]     ]       @/|       array[2,  2]      返回:     array[[4.263,4.738,5.525],[6.645,7.195,8.613]]
@`|	双目	矩阵保留不变池化 - 单步长。 协参缺省，支持一维。 等价函数: sm_sc.fv_opr_pool_none_stride_1 入参：   1. 背景矩阵；   2. 窗口高宽规格；	select       array     [         [2.5,  1.26,  3.3,  2.6]     ,  [8.6,  4.69,  9.7,  6.5]     ,  [8.6,  4.69,  9.7,  8.55]     ]       @`|       array[2,  2]      返回:     array     [         [2.5,1.26,1.26,3.3,3.3,2.6]     ,  [8.6,4.69,4.69,9.7,9.7,6.5]     ,  [8.6,4.69,4.69,9.7,9.7,6.5]     ,  [8.6,4.69,4.69,9.7,9.7,8.55]     ]

3. 存储过程介绍

过程名	主要操作表	过程说明
sm_sc.prc_linear_regression	1. sm_sc.tb_classify_task:     分类任务训练任务表，用于规划任务，并存放训练出来的权重值数组； 2. sm_sc.tb_nn_train_input_buff:     编码后的训练集数据表，用于传入训练集；	线性回归。 入参：   1. 训练任务标识；   2. 学习率；   3. 规划训练次数；   4. 损失函数梯度阈值；
sm_sc.prc_logistic_regression	1. sm_sc.tb_classify_task:     分类任务训练任务表，用于规划任务，并存放训练出来的权重值数组； 2. sm_sc.tb_nn_train_input_buff:     编码后的训练集数据表，用于传入训练集；	逻辑回归。 入参：   1. 训练任务标识；   2. 学习率；   3. 规划训练次数；   4. 损失函数梯度阈值；
sm_sc.prc_kmeans_pp	1. sm_sc.tb_cluster_task:     kmean 聚类任务数据表，用于传入 kmeans 硬聚类数据集，输出聚类结果； 2. sm_sc.__vt_kmean_ods_array:     编码后的训练集数据表，用于执行时装入数据； 3. sm_sc.tb_nn_train_input_buff:     编码后的训练集数据表，用于传入训练集；	kmeans 硬聚类。 入参：   1. 训练任务标识；
sm_sc.prc_dbscan_pp	1. sm_sc.tb_cluster_task:     聚类任务数据表，用于传入 dbscan 软聚类数据集，输出聚类结果； 2. sm_sc.__vt_dbscan_ods_array:     编码后的训练集数据表，用于执行时装入数据； 3. sm_sc.tb_nn_train_input_buff:     编码后的训练集数据表，用于传入训练集；	dbscan 软聚类。 入参：   1. 训练任务标识；
sm_sc.prc_nn_prepare	1. sm_sc.tb_nn_node：     神经网络节点与属性表，用于配置神经网络节点。     训练过程中，寄存属性参数和梯度；	深度学习任务训练准备。 入参：   1. 训练任务标识；   2. 规划训练次数；
sm_sc.prc_nn_train	1. sm_sc.tb_nn_node：     神经网络节点与属性表，用于配置神经网络节点。     训练过程中，寄存属性参数和梯度； 2. sm_sc.tb_nn_path:     神经网络路径表，用于配置神经网络传播路径； 3.sm_sc.__vt_nn_node:     神经网络节点与属性表，导出模型，存放训练好的属性参数； 4.sm_sc.__vt_nn_path:     神经网络路径表，导出模型，存放网络结构；	深度学习任务训练执行。 入参：   1. 训练任务标识；   2. 学习率；   3. 损失函数梯度阈值；   2. 是否启用 ADAM；
sm_sc.prc_nn_add_sess	1. sm_sc.__vt_nn_sess：     神经网络 session 资源池，用于部署 session 连接资源； 2. sm_sc.__vt_tmp_nn_node：     神经网络节点与属性表，用于预测访问；	神经网络模型部署，增加连接资源。 入参：   1. 神经网络模型标识；   2. 部署 session 数量；
sm_sc.prc_nn_del_sess	1. sm_sc.__vt_nn_sess：     神经网络 session 资源池，用于部署 session 连接资源； 2. sm_sc.__vt_tmp_nn_node：     神经网络节点与属性表，用于预测访问；	神经网络模型清理，注销连接资源。 入参：   1. 神经网络模型标识；   2. 要注销的 session 数值范围；
sm_sc.prc_nn_subscribe_sess	1. sm_sc.__vt_nn_sess：     神经网络 session 资源池，用于部署 session 连接资源；	访问模型，申请一个 session 资源。 入参：   1. 神经网络模型标识； 出参：   1. 申请到的 session 标记；
sm_sc.prc_nn_release_sess	1. sm_sc.__vt_nn_sess：     神经网络 session 资源池，用于部署 session 连接资源；	访问模型结束，释放 session 资源。 入参：   1. 神经网络模型标识；   2. 要释放的 session 标记；

4. 神经网络节点支持运算类型

pg4ml 神经网络双目运算算子通常支持广播类型，也通常要求双目以及以上的所有入参维度数对齐，即：维度长度不相等可广播的同时，维度数相等。

lambda 命名，即运算类型	调用函数	运算目数	是否配置协参	是否支持求导	求导函数	是否求因变量对自变量导数	求导是否需要自变量	求导是否需要另一自变量	求导是否需要因变量	求导是否用到自变量高宽规格	训练集输入集合是否变化
00_full_dataset		1	是， 但不需要手动配置	否
00_const		0	是	否
00_buff_slice_rand_pick	sm_sc. ft_nn_buff_slice_rand_pick	1	是	否						是
00_none	sm_sc. fv_nn_none	1		是	sm_sc. fv_d_nn_none_dloss_dindepdt					是
01_add	sm_sc. fv_opr_add	2		是	sm_sc. fv_d_add	是			是	是
01_mul	sm_sc. fv_opr_mul	2		是	sm_sc. fv_d_mul	是		是
01_sub	sm_sc. fv_opr_sub	2		是	第一目:   sm_sc.   fv_d_sub_1 第二目:   sm_sc.   fv_d_sub_2	是			是	是
01_0sub	sm_sc. fv_opr_sub	1		是	sm_sc. fv_d_sub_2	是				是
01_div	sm_sc. fv_opr_div	2		是	第一目:   sm_sc.   fv_d_div_1 第二目:   sm_sc.   fv_d_div_2_un_de_broadcast	是	第二目：是	第一目：是 第二目：是
01_1div	sm_sc. fv_opr_div	1		是	sm_sc. fv_d_div_2_un_de_broadcast	是	是
01_pow	sm_sc. fv_opr_pow	2		是	第一目:   sm_sc.   fv_d_pow_1_un_de_broadcast 第二目:   sm_sc.   fv_d_pow_2_un_de_broadcast	是	第一目：是	第一目：是 第二目：是	第一目：是 第二目：是
01_log	sm_sc. fv_opr_log	2		是	第一目:   sm_sc.   fv_d_log_1_un_de_broadcast 第二目:   sm_sc.   fv_d_log_2_un_de_broadcast	是	第一目：是 第二目：是	第一目：是 第二目：是	第一目：是
01_exp	sm_sc. fv_opr_exp	1		是	sm_sc. fv_d_exp	是			是
01_ln	sm_sc. fv_opr_ln	1		是	sm_sc. fv_d_ln	是	是
01_abs	sm_sc. fv_opr_abs	1		是	sm_sc. fv_d_abs	是	是
01_prod_mx	sm_sc. fv_opr_prod_mx_py	2	是， 只需配置第二目的高宽，即：协参第二位、第三位	是	第一目:   sm_sc.   fv_d_prod_mx_dloss_dindepdt_1 第二目:   sm_sc.   fv_d_prod_mx_dloss_dindepdt_2		第一目：是 第二目：是			第一目：是 第二目：是
01_chunk_prod_mx	sm_sc. fv_chunk_prod_mx	2	是	是	第一目:   sm_sc.   fv_d_chunk_prod_mx_dloss_dindepdt_1 第二目:   sm_sc.   fv_d_chunk_prod_mx_dloss_dindepdt_2		第一目：是 第二目：是
02_sin	sm_sc. fv_sin	1		是	sm_sc. fv_d_sin	是	是
02_cos	sm_sc. fv_cos	1		是	sm_sc. fv_d_cos	是	是
02_tan	sm_sc. fv_tan	1		是	sm_sc. fv_d_tan	是	是
02_cot	sm_sc. fv_cot	1		是	sm_sc. fv_d_cot	是	是
02_sec	sm_sc. fv_sec	1		是	sm_sc. fv_d_sec	是	是
02_csc	sm_sc. fv_csc	1		是	sm_sc. fv_d_csc	是	是
02_asin	sm_sc. fv_asin	1		是	sm_sc. fv_d_asin	是	是
02_acos	sm_sc. fv_acos	1		是	sm_sc. fv_d_acos	是	是
02_atan	sm_sc. fv_atan	1		是	sm_sc. fv_d_atan	是	是
02_acot	sm_sc. fv_acot	1		是	sm_sc. fv_d_acot	是	是
02_sinh	sm_sc. fv_sinh	1		是	sm_sc. fv_d_sinh	是	是
02_cosh	sm_sc. fv_cosh	1		是	sm_sc. fv_d_cosh	是	是
02_tanh	sm_sc. fv_tanh	1		是	sm_sc. fv_d_tanh	是			是
02_asinh	sm_sc. fv_asinh	1		是	sm_sc. fv_d_asinh	是	是
02_acosh	sm_sc. fv_acosh	1		是	sm_sc. fv_d_acosh	是	是
02_atanh	sm_sc. fv_atanh	1		是	sm_sc. fv_d_atanh	是	是
03_sigmoid	sm_sc. fv_activate_sigmoid	1		是	sm_sc. fv_d_activate_sigmoid	是			是
03_relu	sm_sc. fv_activate_relu	1		是	sm_sc. fv_d_activate_relu	是	是
03_leaky_relu	sm_sc. fv_activate_leaky_relu	1	是	是	sm_sc. fv_d_activate_leaky_relu	是	是
03_elu	sm_sc. fv_activate_elu	1	是	是	sm_sc. fv_d_activate_elu	是	是
03_selu	sm_sc. fv_activate_selu	1		是	sm_sc. fv_d_activate_selu	是	是
03_gelu	sm_sc. fv_activate_gelu	1		是	sm_sc. fv_d_activate_gelu	是	是
03_swish	sm_sc. fv_activate_swish	1		是	sm_sc. fv_d_activate_swish	是	是		是
03_softplus	sm_sc. fv_activate_softplus	1		是	sm_sc. fv_d_activate_softplus	是	是
03_boxcox	sm_sc. fv_activate_boxcox	1		是	sm_sc. fv_d_activate_boxcox	是	是
03_softmax	sm_sc. fv_redistr_softmax	1		是	sm_sc. fv_d_redistr_softmax_dloss_dindepdt		是		是
03_zscore	sm_sc. fv_redistr_zscore	1		是	sm_sc. fv_d_redistr_zscore	是	是		是
04_new	sm_sc. fv_new	1	是	是	sm_sc. fv_d_new_dloss_dindepdt						是
04_apad	sm_sc. fv_apad	2	是	是	第一目:   sm_sc.   fv_d_apad_dloss_dindepdt_1 第二目:   sm_sc.   fv_d_apad_dloss_dindepdt_2					是
04_bpad	sm_sc. fv_bpad	2	是	是	第一目:   sm_sc.   fv_d_bpad_dloss_dindepdt_1 第二目:   sm_sc.   fv_d_bpad_dloss_dindepdt_2					是
04_lpad	sm_sc. fv_lpad	2	是	是	第一目:   sm_sc.   fv_d_lpad_dloss_dindepdt_1 第二目:   sm_sc.   fv_d_lpad_dloss_dindepdt_2					是
04_rpad	sm_sc. fv_rpad	2	是	是	第一目:   sm_sc.   fv_d_rpad_dloss_dindepdt_1 第二目:   sm_sc.   fv_d_rpad_dloss_dindepdt_2					是
04_transpose	sm_sc. fv_opr_transpose	1	否	是	sm_sc. fv_d_transpose_dloss_dindepdt
04_transpose_i	sm_sc. fv_opr_transpose_i	1	否	是	sm_sc. fv_d_transpose_i_dloss_dindepdt
04_transpose_3d	sm_sc. fv_opr_transpose_3d	1	是	是	sm_sc. fv_d_transpose_3d_dloss_dindepdt
04_turn_90	sm_sc. fv_opr_turn_90	1	是	是	sm_sc. fv_d_turn_90_dloss_dindepdt
04_turn_180	sm_sc. fv_opr_turn_180	1	是	是	sm_sc. fv_d_turn_180_dloss_dindepdt
04_mirror	sm_sc. fv_opr_mirror	1	是	是	sm_sc. fv_d_mirror_dloss_dindepdt
04_mx_ele_3d_2_2d	sm_sc. fv_mx_ele_3d_2_2d	1	是	是	sm_sc. fv_d_mx_ele_3d_2_2d_dloss_dindepdt
04_mx_ele_2d_2_3d	sm_sc. fv_mx_ele_2d_2_3d	1	是	是	sm_sc. fv_d_mx_ele_2d_2_3d_dloss_dindepdt
04_mx_slice_3d_2_2d	sm_sc. fv_mx_slice_3d_2_2d	1	是	是	sm_sc. fv_d_mx_slice_3d_2_2d_dloss_dindepdt					是
04_mx_slice_4d_2_2d	sm_sc. fv_mx_slice_4d_2_2d	1	是	是	sm_sc. fv_d_mx_slice_4d_2_2d_dloss_dindepdt					是
04_mx_slice_4d_2_3d	sm_sc. fv_mx_slice_4d_2_3d	1	是	是	sm_sc. fv_d_mx_slice_4d_2_3d_dloss_dindepdt					是
04_mx_ascend_dim	sm_sc. fv_mx_ascend_dim	1	是	是	sm_sc. fv_d_mx_ascend_dim_dloss_dindepdt
04_mx_descend_dim	sm_sc. fv_mx_descend_dim	1	是	是	sm_sc. fv_d_mx_descend_dim_dloss_dindepdt
04_rand_pick_y	sm_sc. fv_rand_slice_y_pick	1	是	否							是
04_rand_pick_x	sm_sc. fv_rand_slice_x_pick	1	是	否
04_rand_pick_x3	sm_sc. fv_rand_slice_x3_pick	1	是	否
04_rand_pick_x4	sm_sc. fv_rand_slice_x4_pick	1	是	否
04_chunk	sm_sc. fv_chunk	1	是	是	sm_sc. fv_d_chunk_dloss_dindepdt					是	是
04_slice_y	sm_sc. fv_slice_y	1	是	是	sm_sc. fv_d_slice_y_dloss_dindepdt					是	是
04_slice_x	sm_sc. fv_slice_x	1	是	是	sm_sc. fv_d_slice_x_dloss_dindepdt					是
04_slice_x3	sm_sc. fv_slice_x3	1	是	是	sm_sc. fv_d_slice_x3_dloss_dindepdt					是
04_slice_x4	sm_sc. fv_slice_x4	1	是	是	sm_sc. fv_d_slice_x4_dloss_dindepdt					是
04_sample_y	sm_sc. fv_sample_y	1	是	是，当前不支持第二目	sm_sc. fv_d_sample_y_dloss_dindepdt_1					是	是
04_sample_x	sm_sc. fv_sample_x	1	是	是，当前不支持第二目	sm_sc. fv_d_sample_x_dloss_dindepdt_1					是
04_sample_x3	sm_sc. fv_sample_x3	1	是	是，当前不支持第二目	sm_sc. fv_d_sample_x3_dloss_dindepdt_1					是
04_sample_x4	sm_sc. fv_sample_x4	1	是	是，当前不支持第二目	sm_sc. fv_d_sample_x4_dloss_dindepdt_1					是
04_lower_tri_mx	sm_sc. fv_lower_tri_mx	1	是	是	sm_sc. fv_d_lower_tri_mx_dloss_dindepdt
04_upper_tri_mx	sm_sc. fv_upper_tri_mx	1	是	是	sm_sc. fv_d_upper_tri_mx_dloss_dindepdt
04_lower_tri_mx_ex	sm_sc. fv_lower_tri_mx_ex	1	是	是	sm_sc. fv_d_lower_tri_mx_ex_dloss_dindepdt
04_upper_tri_mx_ex	sm_sc. fv_upper_tri_mx_ex	1	是	是	sm_sc. fv_d_upper_tri_mx_ex_dloss_dindepdt
04_lmask	sm_sc. fv_lmask	1	是	是，当前不支持第二目	sm_sc. fv_d_lmask_dloss_dindepdt_1			第一目：是
04_rmask	sm_sc. fv_rmask	1	是	是，当前不支持第二目	sm_sc. fv_d_rmask_dloss_dindepdt_1			第一目：是
04_amask	sm_sc. fv_amask	1	是	是，当前不支持第二目	sm_sc. fv_d_amask_dloss_dindepdt_1			第一目：是
04_bmask	sm_sc. fv_bmask	1	是	是，当前不支持第二目	sm_sc. fv_d_bmask_dloss_dindepdt_1			第一目：是
05_pool_max_2d_grp_x	sm_sc. fv_pool_max_2d_grp_x	1	是	是	sm_sc. fv_d_pool_max_grp_x_dloss_dindepdt		是		是
05_pool_avg_2d_grp_x	sm_sc. fv_pool_avg_2d_grp_x	1	是	是	sm_sc. fv_d_pool_avg_grp_x_dloss_dindepdt					是
05_pool_max	sm_sc. fv_pool_max	1	是	是	sm_sc. fv_d_pool_max_dloss_dindepdt		是		是
05_pool_avg	sm_sc. fv_pool_avg	1	是	是	sm_sc. fv_d_pool_avg_dloss_dindepdt					是
05_pool_none	sm_sc. fv_pool_none	1	是	是	sm_sc. fv_d_pool_none_dloss_dindepdt					是
05_conv_2d_grp_x	sm_sc. fv_conv_2d_grp_x	2	是	是	第一目:   sm_sc.   fv_d_conv_2d_grp_x_dloss_dindepdt_1 第二目:   sm_sc.   fv_d_conv_2d_grp_x_dloss_dindepdt_2			第一目：是 第二目：是
05_conv_2d	sm_sc. fv_conv_2d_v_im2col	2 或 3	是	是	第一目:   sm_sc.   fv_d_conv_2d_dloss_dindepdt_1_ex 第二目:   sm_sc.   fv_d_conv_2d_dloss_dindepdt_2 第三目:   sm_sc.   fv_d_conv_2d_dloss_dindepdt_3			第一目：是 第二目：是		第三目：是
05_conv_add	sm_sc. fv_conv_add	2	是	是	第一目:   sm_sc.   fv_d_conv_add_dloss_dindepdt_1 第二目:   sm_sc.   fv_d_conv_add_dloss_dindepdt_2					第一目：是 第二目：是
05_conv_sub	sm_sc. fv_conv_sub	2	是	是	第一目:   sm_sc.   fv_d_conv_sub_dloss_dindepdt_1 第二目:   sm_sc.   fv_d_conv_sub_dloss_dindepdt_2					第一目：是 第二目：是
05_conv_mul	sm_sc. fv_conv_mul	2	是	是	第一目:   sm_sc.   fv_d_conv_mul_dloss_dindepdt_1 第二目:   sm_sc.   fv_d_conv_mul_dloss_dindepdt_2			第一目：是 第二目：是		第一目：是 第二目：是
05_conv_div	sm_sc. fv_conv_div	2	是	是	第一目:   sm_sc.   fv_d_conv_div_dloss_dindepdt_1 第二目:   sm_sc.   fv_d_conv_div_dloss_dindepdt_2		第二目：是	第一目：是 第二目：是		第一目：是
05_conv_pow	sm_sc. fv_conv_pow	2	是	是	第一目:   sm_sc.   fv_d_conv_pow_dloss_dindepdt_1 第二目:   sm_sc.   fv_d_conv_pow_dloss_dindepdt_2		第一目：是 第二目：是	第一目：是 第二目：是	第一目：是 第二目：是
05_conv_log	sm_sc. fv_conv_log	2	是	是	第一目:   sm_sc.   fv_d_conv_log_dloss_dindepdt_1 第二目:   sm_sc.   fv_d_conv_log_dloss_dindepdt_2		第一目：是 第二目：是	第一目：是 第二目：是	第一目：是
05_conv_prod_mx	sm_sc. fv_conv_prod_mx	2	是	是	第一目:   sm_sc.   fv_d_conv_prod_mx_dloss_dindepdt_1 第二目:   sm_sc.   fv_d_conv_prod_mx_dloss_dindepdt_2			第一目：是 第二目：是		第一目：是 第二目：是
05_conv_de_sub	sm_sc. fv_conv_de_sub	2	是	是	第一目:   sm_sc.   fv_d_conv_de_sub_dloss_dindepdt_1 第二目:   sm_sc.   fv_d_conv_de_sub_dloss_dindepdt_2					第一目：是 第二目：是
05_conv_de_div	sm_sc. fv_conv_de_div	2	是	是	第一目:   sm_sc.   fv_d_conv_de_div_dloss_dindepdt_1 第二目:   sm_sc.   fv_d_conv_de_div_dloss_dindepdt_2		第二目：是	第一目：是 第二目：是		第一目：是
05_conv_de_pow	sm_sc. fv_conv_de_pow	2	是	是	第一目:   sm_sc.   fv_d_conv_de_pow_dloss_dindepdt_1 第二目:   sm_sc.   fv_d_conv_de_pow_dloss_dindepdt_2		第一目：是 第二目：是	第一目：是 第二目：是	第一目：是 第二目：是
05_conv_de_log	sm_sc. fv_conv_de_log	2	是	是	第一目:   sm_sc.   fv_d_conv_de_log_dloss_dindepdt_1 第二目:   sm_sc.   fv_d_conv_de_log_dloss_dindepdt_2		第一目：是 第二目：是	第一目：是 第二目：是	第一目：是
05_conv_de_prod_mx	sm_sc. fv_conv_de_prod_mx	2	是	是	第一目:   sm_sc.   fv_d_conv_de_prod_mx_dloss_dindepdt_1 第二目:   sm_sc.   fv_d_conv_de_prod_mx_dloss_dindepdt_2			第一目：是 第二目：是		第一目：是 第二目：是
06_aggr_mx_sum	sm_sc. fa_mx_sum	n		是	sm_sc. fv_d_mx_sum	是			是	是
06_aggr_mx_prod	sm_sc. fa_mx_prod	n		是	sm_sc. fv_d_mx_prod	是	是		是
06_aggr_mx_avg	sm_sc. fa_mx_avg	n	是， 但不需要手动配置	是	sm_sc. fv_d_mx_avg	是			是	是
06_aggr_mx_max	sm_sc. fa_mx_max	n		是	sm_sc. fv_d_mx_max	是	是		是
06_aggr_mx_min	sm_sc. fa_mx_min	n		是	sm_sc. fv_d_mx_min	是	是		是
06_aggr_mx_concat_y	sm_sc. fa_mx_concat_y	n	是， 但不需要手动配置	是	sm_sc. fv_d_mx_concat_y_dloss_dindepdt_n					是	是
06_aggr_mx_concat_x	sm_sc. fa_mx_concat_x	n	是， 但不需要手动配置	是	sm_sc. fv_d_mx_concat_x_dloss_dindepdt_n					是
06_aggr_mx_concat_x3	sm_sc. fa_mx_concat_x3	n	是， 但不需要手动配置	是	sm_sc. fv_d_mx_concat_x3_dloss_dindepdt_n					是
06_aggr_mx_concat_x4	sm_sc. fa_mx_concat_x4	n	是， 但不需要手动配置	是	sm_sc. fv_d_mx_concat_x4_dloss_dindepdt_n					是
07_aggr_slice_sum	sm_sc. fv_aggr_slice_sum	1	是	是	sm_sc. fv_d_aggr_slice_sum_dloss_dindepdt
07_aggr_slice_prod	sm_sc. fv_aggr_slice_prod	1	是	是	sm_sc. fv_d_aggr_slice_prod_dloss_dindepdt		是		是
07_aggr_slice_avg	sm_sc. fv_aggr_slice_avg	1	是	是	sm_sc. fv_d_aggr_slice_avg_dloss_dindepdt
07_aggr_slice_max	sm_sc. fv_aggr_slice_max	1	是	是	sm_sc. fv_d_aggr_slice_max_dloss_dindepdt		是		是
07_aggr_slice_min	sm_sc. fv_aggr_slice_min	1	是	是	sm_sc. fv_d_aggr_slice_min_dloss_dindepdt		是		是
07_aggr_chunk_sum	sm_sc. fv_aggr_chunk_sum	1	是	是	sm_sc. fv_d_aggr_chunk_sum_dloss_dindepdt					是
07_aggr_chunk_prod	sm_sc. fv_aggr_chunk_prod	1	是	是	sm_sc. fv_d_aggr_chunk_prod_dloss_dindepdt		是		是
07_aggr_chunk_avg	sm_sc. fv_aggr_chunk_avg	1	是	是	sm_sc. fv_d_aggr_chunk_avg_dloss_dindepdt					是
07_aggr_chunk_max	sm_sc. fv_aggr_chunk_max	1	是	是	sm_sc. fv_d_aggr_chunk_max_dloss_dindepdt		是		是
07_aggr_chunk_min	sm_sc. fv_aggr_chunk_min	1	是	是	sm_sc. fv_d_aggr_chunk_min_dloss_dindepdt		是		是