compute/cker/include/cker/operation/MaxPool.h

   1 /*
   2  * Copyright (c) 2019 Samsung Electronics Co., Ltd. All Rights Reserved
   3  * Copyright 2017 The TensorFlow Authors. All Rights Reserved.
   4  *
   5  * Licensed under the Apache License, Version 2.0 (the "License");
   6  * you may not use this file except in compliance with the License.
   7  * You may obtain a copy of the License at
   8  *
   9  *      http://www.apache.org/licenses/LICENSE-2.0
  10  *
  11  * Unless required by applicable law or agreed to in writing, software
  12  * distributed under the License is distributed on an "AS IS" BASIS,
  13  * WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
  14  * See the License for the specific language governing permissions and
  15  * limitations under the License.
  16  */
  17
  18 #ifndef __NNFW_CKER_MAX_POOL_H__
  19 #define __NNFW_CKER_MAX_POOL_H__
  20
  21 #include "cker/Shape.h"
  22 #include "cker/Types.h"
  23 #include "cker/Utils.h"
  24 #include "cker/neon/neon_check.h"
  25 #include "cker/eigen/Utils.h"
  26
  27 #include <Eigen/Core>
  28
  29 namespace nnfw
  30 {
  31 namespace cker
  32 {
  33
  34 inline void MaxPool(const PoolParams &params, const Shape &input_shape, const float *input_data,
  35                     const Shape &output_shape, float *output_data)
  36 {
  37   assert(input_shape.DimensionsCount() == 4);
  38   assert(output_shape.DimensionsCount() == 4);
  39   const int batches = MatchingDim(input_shape, 0, output_shape, 0);
  40   const int input_height = input_shape.Dims(1);
  41   const int input_width = input_shape.Dims(2);
  42   const int output_height = output_shape.Dims(1);
  43   const int output_width = output_shape.Dims(2);
  44   const int stride_height = params.stride_height;
  45   const int stride_width = params.stride_width;
  46
  47   const auto in_mat = MapAsMatrixWithLastDimAsRows(input_data, input_shape);
  48   auto out_mat = MapAsMatrixWithLastDimAsRows(output_data, output_shape);
  49   // Prefill the output to minimum representable float value
  50   out_mat.setConstant(std::numeric_limits<float>::lowest());
  51   for (int b = 0; b < batches; ++b)
  52   {
  53     for (int h = 0; h < input_height; ++h)
  54     {
  55       for (int w = 0; w < input_width; ++w)
  56       {
  57         // (h_start, h_end) * (w_start, w_end) is the range that the input
  58         // vector projects to.
  59         int hpad = h + params.padding_values.height;
  60         int wpad = w + params.padding_values.width;
  61         int h_start =
  62             (hpad < params.filter_height) ? 0 : (hpad - params.filter_height) / stride_height + 1;
  63         int h_end = std::min(hpad / stride_height + 1, output_height);
  64         int w_start =
  65             (wpad < params.filter_width) ? 0 : (wpad - params.filter_width) / stride_width + 1;
  66         int w_end = std::min(wpad / stride_width + 1, output_width);
  67         // compute elementwise sum
  68         for (int ph = h_start; ph < h_end; ++ph)
  69         {
  70           for (int pw = w_start; pw < w_end; ++pw)
  71           {
  72             int out_offset = NodeOffset(b, ph, pw, output_height, output_width);
  73             out_mat.col(out_offset) =
  74                 out_mat.col(out_offset)
  75                     .cwiseMax(in_mat.col(NodeOffset(b, h, w, input_height, input_width)));
  76           }
  77         }
  78       }
  79     }
  80   }
  81   const int flat_size = output_shape.FlatSize();
  82   for (int i = 0; i < flat_size; ++i)
  83   {
  84     output_data[i] = ActivationFunctionWithMinMax(output_data[i], params.float_activation_min,
  85                                                   params.float_activation_max);
  86   }
  87 }
  88
  89 inline void MaxPool(const PoolParams &params, const Shape &input_shape, const uint8_t *input_data,
  90                     const Shape &output_shape, uint8_t *output_data)
  91 {
  92
  93   // Here, and in other pooling ops, in order to maintain locality of reference,
  94   // to minimize some recalculations, and to load into NEON vector registers, we
  95   // use an inner loop down the depth. Since depths can be large and hence we
  96   // would need arbitrarily large temporary storage, we divide the work up into
  97   // depth tranches just within the batch loop.
  98   static constexpr int kPoolingAccTrancheSize = 256;
  99
 100   assert(params.quantized_activation_min <= params.quantized_activation_max);
 101   assert(input_shape.DimensionsCount() == 4);
 102   assert(output_shape.DimensionsCount() == 4);
 103   const int batches = MatchingDim(input_shape, 0, output_shape, 0);
 104   const int depth = MatchingDim(input_shape, 3, output_shape, 3);
 105   const int input_height = input_shape.Dims(1);
 106   const int input_width = input_shape.Dims(2);
 107   const int output_height = output_shape.Dims(1);
 108   const int output_width = output_shape.Dims(2);
 109   const int stride_height = params.stride_height;
 110   const int stride_width = params.stride_width;
 111
 112   uint8_t acc[kPoolingAccTrancheSize];
 113   for (int batch = 0; batch < batches; ++batch)
 114   {
 115     // We proceed through the depth in tranches (see comment above). The
 116     // depth_base is the depth at the beginning of the tranche. The
 117     // tranche_depth is the depth dimension of the tranche.
 118     for (int depth_base = 0; depth_base < depth; depth_base += kPoolingAccTrancheSize)
 119     {
 120       const int tranche_depth = std::min(depth - depth_base, kPoolingAccTrancheSize);
 121       for (int out_y = 0; out_y < output_height; ++out_y)
 122       {
 123         for (int out_x = 0; out_x < output_width; ++out_x)
 124         {
 125           const int in_x_origin = (out_x * stride_width) - params.padding_values.width;
 126           const int in_y_origin = (out_y * stride_height) - params.padding_values.height;
 127           const int filter_x_start = std::max(0, -in_x_origin);
 128           const int filter_x_end = std::min(params.filter_width, input_width - in_x_origin);
 129           const int filter_y_start = std::max(0, -in_y_origin);
 130           const int filter_y_end = std::min(params.filter_height, input_height - in_y_origin);
 131           memset(acc, 0, tranche_depth * sizeof(acc[0]));
 132           const uint8_t *input_ptr =
 133               input_data + depth_base +
 134               depth * (in_x_origin + input_width * (in_y_origin + input_height * batch));
 135           for (int fy = filter_y_start; fy < filter_y_end; fy++)
 136           {
 137             const uint8_t *input_row_ptr = input_ptr + depth * (fy * input_width + filter_x_start);
 138             for (int fx = filter_x_start; fx < filter_x_end; fx++)
 139             {
 140               const uint8_t *input_channel_ptr = input_row_ptr;
 141               int channel = 0;
 142 #ifdef USE_NEON
 143               for (; channel <= tranche_depth - 16; channel += 16)
 144               {
 145                 uint8x16_t acc_reg = vld1q_u8(acc + channel);
 146                 uint8x16_t input_reg = vld1q_u8(input_channel_ptr);
 147                 input_channel_ptr += 16;
 148                 acc_reg = vmaxq_u8(acc_reg, input_reg);
 149                 vst1q_u8(acc + channel, acc_reg);
 150               }
 151
 152               for (; channel <= tranche_depth - 8; channel += 8)
 153               {
 154                 uint8x8_t acc_reg = vld1_u8(acc + channel);
 155                 uint8x8_t input_reg = vld1_u8(input_channel_ptr);
 156                 input_channel_ptr += 8;
 157                 acc_reg = vmax_u8(acc_reg, input_reg);
 158                 vst1_u8(acc + channel, acc_reg);
 159               }
 160 #endif
 161               for (; channel < tranche_depth; ++channel)
 162               {
 163                 acc[channel] = std::max(acc[channel], *input_channel_ptr++);
 164               }
 165               input_row_ptr += depth;
 166             }
 167           }
 168           uint8_t *output_ptr = output_data + Offset(output_shape, batch, out_y, out_x, depth_base);
 169           int channel = 0;
 170 #ifdef USE_NEON
 171           for (; channel <= tranche_depth - 16; channel += 16)
 172           {
 173             uint8x16_t a = vld1q_u8(acc + channel);
 174             a = vminq_u8(a, vdupq_n_u8(params.quantized_activation_max));
 175             a = vmaxq_u8(a, vdupq_n_u8(params.quantized_activation_min));
 176             vst1q_u8(output_ptr + channel, a);
 177           }
 178           for (; channel <= tranche_depth - 8; channel += 8)
 179           {
 180             uint8x8_t a = vld1_u8(acc + channel);
 181             a = vmin_u8(a, vdup_n_u8(params.quantized_activation_max));
 182             a = vmax_u8(a, vdup_n_u8(params.quantized_activation_min));
 183             vst1_u8(output_ptr + channel, a);
 184           }
 185 #endif
 186           for (; channel < tranche_depth; ++channel)
 187           {
 188             uint8_t a = acc[channel];
 189             a = std::max<uint8_t>(a, params.quantized_activation_min);
 190             a = std::min<uint8_t>(a, params.quantized_activation_max);
 191             output_ptr[channel] = static_cast<uint8_t>(a);
 192           }
 193         }
 194       }
 195     }
 196   }
 197 }
 198
 199 } // namespace cker
 200 } // namespace nnfw
 201
 202 #endif // __NNFW_CKER_MAX_POOL_H__