return DenseElementsAttr::get(result_type, dimensions);
}

OpFoldResult ShapeOp::fold(FoldAdaptor) {
  int width =
      getType().cast<ShapedType>().getElementType().getIntOrFloatBitWidth();
  return ConvertShapeToAttr(getOperand().getType(), width);
}

void ShapeOp::build(OpBuilder &builder, OperationState &result, Value input,
                    BoolAttr use32Bit) {

    Type result_element_type = op.getType().getElementType();
    Type element_type = input_tensor_element_type.getIntOrFloatBitWidth() >=
                                result_element_type.getIntOrFloatBitWidth()
                            ? input_tensor_element_type
                            : result_element_type;
    auto output_shape = InferXlaConvOutputShape(

      input_element_type.isIntOrFloat() && output_element_type.isIntOrFloat()) {
    const auto input_element_type_bitwidth =
        input_element_type.getIntOrFloatBitWidth();
    const auto output_element_type_bitwidth =
        output_element_type.getIntOrFloatBitWidth();

    auto is_output_shape_valid_with_small_input_element_type_bitwidth = [&]() {
      if (output_element_type_bitwidth % input_element_type_bitwidth != 0) {

  // aligned to the nearest byte. So this is allowed.
  const char* raw_input = input_tensor.getRawData().data();
  const int element_byte_size =
      input_tensor.getElementType().getIntOrFloatBitWidth() / 8;

  // Hold current ND index in input tensor when computing
  // permutation.
  llvm::OwningArrayRef<uint64_t> current_input_index(
      input_tensor.getType().getRank());