compute/cker/include/cker/operation/TransposeConv.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_TRANSPOSE_CONV_H__
  19 #define __NNFW_CKER_TRANSPOSE_CONV_H__
  20
  21 #include "cker/Shape.h"
  22 #include "cker/Types.h"
  23 #include "cker/Utils.h"
  24
  25 namespace nnfw
  26 {
  27 namespace cker
  28 {
  29
  30 inline void TransposeConv(const TransposeConvParams &params, const Shape &input_shape,
  31                           const float *input_data, const Shape &filter_shape,
  32                           const float *filter_data, const Shape &output_shape, float *output_data)
  33 {
  34
  35   const int stride_width = params.stride_width;
  36   const int stride_height = params.stride_height;
  37   const int pad_width = params.padding_values.width;
  38   const int pad_height = params.padding_values.height;
  39
  40   assert(input_shape.DimensionsCount() == 4);
  41   assert(filter_shape.DimensionsCount() == 4);
  42   assert(output_shape.DimensionsCount() == 4);
  43
  44   const int batches = MatchingDim(input_shape, 0, output_shape, 0);
  45   const int input_depth = MatchingDim(input_shape, 3, filter_shape, 3);
  46   const int output_depth = MatchingDim(filter_shape, 0, output_shape, 3);
  47   const int input_height = input_shape.Dims(1);
  48   const int input_width = input_shape.Dims(2);
  49   const int filter_height = filter_shape.Dims(1);
  50   const int filter_width = filter_shape.Dims(2);
  51   const int output_height = output_shape.Dims(1);
  52   const int output_width = output_shape.Dims(2);
  53
  54   // Although transpose convolution simplifies to convolution with transposed
  55   // weights for strides of 1, non-unitary striding complicates matters. To
  56   // keep this reference implementation as clear as possible, we use a
  57   // "scatter" access pattern, where we loop through all the input elements,
  58   // computing their influence on the output, rather than looping through the
  59   // output elements in the typical "gather" access pattern of a conv. We
  60   // therefore must initialize the output array to zero.
  61   const int num_elements = output_shape.FlatSize();
  62   for (int i = 0; i < num_elements; i++)
  63   {
  64     output_data[i] = 0.0f;
  65   }
  66
  67   // Loop through input elements one at a time.
  68   for (int batch = 0; batch < batches; ++batch)
  69   {
  70     for (int in_y = 0; in_y < input_height; ++in_y)
  71     {
  72       for (int in_x = 0; in_x < input_width; ++in_x)
  73       {
  74         for (int in_channel = 0; in_channel < input_depth; ++in_channel)
  75         {
  76           // Loop through the output elements it will influence
  77           const int out_x_origin = (in_x * stride_width) - pad_width;
  78           const int out_y_origin = (in_y * stride_height) - pad_height;
  79           for (int filter_y = 0; filter_y < filter_height; ++filter_y)
  80           {
  81             for (int filter_x = 0; filter_x < filter_width; ++filter_x)
  82             {
  83               for (int out_channel = 0; out_channel < output_depth; ++out_channel)
  84               {
  85                 // Compute output element location
  86                 const int out_x = out_x_origin + filter_x;
  87                 const int out_y = out_y_origin + filter_y;
  88                 // We cannot accumulate out of bounds
  89                 if ((out_x >= 0) && (out_x < output_width) && (out_y >= 0) &&
  90                     (out_y < output_height))
  91                 {
  92                   float input_value =
  93                     input_data[Offset(input_shape, batch, in_y, in_x, in_channel)];
  94                   float filter_value =
  95                     filter_data[Offset(filter_shape, out_channel, filter_y, filter_x, in_channel)];
  96                   output_data[Offset(output_shape, batch, out_y, out_x, out_channel)] +=
  97                     input_value * filter_value;
  98                 }
  99               }
 100             }
 101           }
 102         }
 103       }
 104     }
 105   }
 106 }
 107
 108 } // namespace cker
 109 } // namespace nnfw
 110
 111 #endif // __NNFW_CKER_TRANSPOSE_CONV_H__