compute/ARMComputeEx/src/runtime/CL/functions/CLReduceOperation.cpp

   1 /*
   2  * Copyright (c) 2018 Samsung Electronics Co., Ltd. All Rights Reserved
   3  *
   4  * Licensed under the Apache License, Version 2.0 (the "License");
   5  * you may not use this file except in compliance with the License.
   6  * You may obtain a copy of the License at
   7  *
   8  *      http://www.apache.org/licenses/LICENSE-2.0
   9  *
  10  * Unless required by applicable law or agreed to in writing, software
  11  * distributed under the License is distributed on an "AS IS" BASIS,
  12  * WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
  13  * See the License for the specific language governing permissions and
  14  * limitations under the License.
  15  */
  16
  17 /*
  18  * Copyright (c) 2017-2018 ARM Limited.
  19  *
  20  * SPDX-License-Identifier: MIT
  21  *
  22  * Permission is hereby granted, free of charge, to any person obtaining a copy
  23  * of this software and associated documentation files (the "Software"), to
  24  * deal in the Software without restriction, including without limitation the
  25  * rights to use, copy, modify, merge, publish, distribute, sublicense, and/or
  26  * sell copies of the Software, and to permit persons to whom the Software is
  27  * furnished to do so, subject to the following conditions:
  28  *
  29  * The above copyright notice and this permission notice shall be included in all
  30  * copies or substantial portions of the Software.
  31  *
  32  * THE SOFTWARE IS PROVIDED "AS IS", WITHOUT WARRANTY OF ANY KIND, EXPRESS OR
  33  * IMPLIED, INCLUDING BUT NOT LIMITED TO THE WARRANTIES OF MERCHANTABILITY,
  34  * FITNESS FOR A PARTICULAR PURPOSE AND NONINFRINGEMENT. IN NO EVENT SHALL THE
  35  * AUTHORS OR COPYRIGHT HOLDERS BE LIABLE FOR ANY CLAIM, DAMAGES OR OTHER
  36  * LIABILITY, WHETHER IN AN ACTION OF CONTRACT, TORT OR OTHERWISE, ARISING FROM,
  37  * OUT OF OR IN CONNECTION WITH THE SOFTWARE OR THE USE OR OTHER DEALINGS IN THE
  38  * SOFTWARE.
  39  */
  40
  41 #include "arm_compute/runtime/CL/functions/CLReduceOperation.h"
  42
  43 #include "arm_compute/core/CL/kernels/CLReduceOperationKernel.h"
  44 #include "arm_compute/core/TensorShape.h"
  45 #include "arm_compute/runtime/CL/CLScheduler.h"
  46
  47 using namespace arm_compute;
  48
  49 CLReduceOperation::CLReduceOperation(std::shared_ptr<IMemoryManager> memory_manager)
  50     : _memory_group(std::move(memory_manager)), _input(nullptr), _output(nullptr), _axis(),
  51       _keep_dims(false), _interm_tensors(), _reduce_kernels(), _reshape()
  52 {
  53 }
  54
  55 Status CLReduceOperation::validate(const ITensorInfo *input, const ITensorInfo *output,
  56                                    const std::set<uint32_t> &axis, bool keep_dims,
  57                                    const ReduceOperation &op)
  58 {
  59   const size_t num_of_kernels = axis.size();
  60   const size_t num_of_interm_tensors = num_of_kernels - (keep_dims ? 1 : 0);
  61
  62   // Create temporary tensor infos
  63   auto interm_tensors = support::cpp14::make_unique<TensorInfo[]>(num_of_interm_tensors);
  64
  65   // Create intermediate tensor info
  66   TensorShape shape{input->tensor_shape()};
  67
  68   auto it = axis.begin();
  69   for (size_t i = 0; i < num_of_interm_tensors; ++i, ++it)
  70   {
  71     shape.set(*it, 1, false);
  72     interm_tensors[i].set_data_type(input->data_type());
  73     interm_tensors[i].set_tensor_shape(shape);
  74     interm_tensors[i].set_num_channels(input->num_channels());
  75     interm_tensors[i].set_data_layout(input->data_layout());
  76     interm_tensors[i].set_quantization_info(input->quantization_info());
  77   }
  78
  79   // Set a vector that is ordered ITensorInfo sequentially.
  80   std::vector<const ITensorInfo *> tensors;
  81   tensors.emplace_back(input);
  82   for (size_t i = 0; i < num_of_interm_tensors; ++i)
  83   {
  84     tensors.emplace_back(interm_tensors.get() + i);
  85   }
  86   tensors.emplace_back(output);
  87
  88   // Validate ReduceOperation only on all kernels
  89   it = axis.begin();
  90   for (size_t i = 0; i < num_of_kernels; ++i, ++it)
  91   {
  92     ARM_COMPUTE_RETURN_ON_ERROR(
  93         CLReduceOperationKernel::validate(tensors[i], tensors[i + 1], *it, op));
  94   }
  95
  96   if (!keep_dims)
  97   {
  98     ARM_COMPUTE_RETURN_ON_ERROR(
  99         CLReshapeLayer::validate(&interm_tensors[num_of_interm_tensors - 1], output));
 100   }
 101
 102   return Status{};
 103 }
 104
 105 void CLReduceOperation::configure(ICLTensor *input, ICLTensor *output,
 106                                   const std::set<uint32_t> &axis, bool keep_dims,
 107                                   ReduceOperation op)
 108 {
 109   ARM_COMPUTE_ERROR_THROW_ON(validate(input->info(), output->info(), axis, keep_dims, op));
 110
 111   _axis = axis;
 112
 113   _input = input;
 114   _output = output;
 115   _keep_dims = keep_dims;
 116
 117   // NOTE The axis must have no duplication.
 118   const size_t num_of_kernels = axis.size();
 119   const size_t num_of_interm_tensors = num_of_kernels - (keep_dims ? 1 : 0);
 120
 121   _interm_tensors = support::cpp14::make_unique<CLTensor[]>(num_of_interm_tensors);
 122   _reduce_kernels = support::cpp14::make_unique<CLReduceOperationKernel[]>(num_of_kernels);
 123
 124   // Set a vector that is ordered ICLTensors sequentially.
 125   std::vector<ICLTensor *> tensors;
 126   tensors.emplace_back(input);
 127   for (size_t i = 0; i < num_of_interm_tensors; ++i)
 128   {
 129     tensors.emplace_back(_interm_tensors.get() + i);
 130   }
 131   tensors.emplace_back(output);
 132
 133   // Apply ReduceOperation on all kernels
 134   TensorShape shape{input->info()->tensor_shape()};
 135   auto it = axis.begin();
 136   for (size_t i = 0; i < num_of_kernels; ++i, ++it)
 137   {
 138     shape.set(*it, 1, false);
 139     if (!keep_dims || i != (num_of_kernels - 1))
 140     {
 141       _interm_tensors[i].allocator()->init(input->info()->clone()->set_tensor_shape(shape));
 142       _memory_group.manage(&_interm_tensors[i]);
 143     }
 144     _reduce_kernels[i].configure(tensors[i], tensors[i + 1], *it, op);
 145     if (i != 0)
 146     {
 147       _interm_tensors[i - 1].allocator()->allocate();
 148     }
 149   }
 150
 151   // Configure reshape layer if we want to drop the dimensions
 152   if (!keep_dims)
 153   {
 154     _reshape.configure(&_interm_tensors[num_of_interm_tensors - 1], output);
 155     _interm_tensors[num_of_interm_tensors - 1].allocator()->allocate();
 156   }
 157 }
 158
 159 void CLReduceOperation::run()
 160 {
 161   MemoryGroupResourceScope scope_mg(_memory_group);
 162
 163   const size_t num_of_kernels = _axis.size();
 164   for (size_t i = 0; i < num_of_kernels; ++i)
 165   {
 166     CLScheduler::get().enqueue(_reduce_kernels[i]);
 167   }
 168
 169   if (!_keep_dims)
 170   {
 171     _reshape.run();
 172   }
 173 }