examples/graph_alexnet.cpp

   1 /*
   2  * Copyright (c) 2017 ARM Limited.
   3  *
   4  * SPDX-License-Identifier: MIT
   5  *
   6  * Permission is hereby granted, free of charge, to any person obtaining a copy
   7  * of this software and associated documentation files (the "Software"), to
   8  * deal in the Software without restriction, including without limitation the
   9  * rights to use, copy, modify, merge, publish, distribute, sublicense, and/or
  10  * sell copies of the Software, and to permit persons to whom the Software is
  11  * furnished to do so, subject to the following conditions:
  12  *
  13  * The above copyright notice and this permission notice shall be included in all
  14  * copies or substantial portions of the Software.
  15  *
  16  * THE SOFTWARE IS PROVIDED "AS IS", WITHOUT WARRANTY OF ANY KIND, EXPRESS OR
  17  * IMPLIED, INCLUDING BUT NOT LIMITED TO THE WARRANTIES OF MERCHANTABILITY,
  18  * FITNESS FOR A PARTICULAR PURPOSE AND NONINFRINGEMENT. IN NO EVENT SHALL THE
  19  * AUTHORS OR COPYRIGHT HOLDERS BE LIABLE FOR ANY CLAIM, DAMAGES OR OTHER
  20  * LIABILITY, WHETHER IN AN ACTION OF CONTRACT, TORT OR OTHERWISE, ARISING FROM,
  21  * OUT OF OR IN CONNECTION WITH THE SOFTWARE OR THE USE OR OTHER DEALINGS IN THE
  22  * SOFTWARE.
  23  */
  24 #include "arm_compute/graph/Graph.h"
  25 #include "arm_compute/graph/Nodes.h"
  26 #include "support/ToolchainSupport.h"
  27 #include "utils/GraphUtils.h"
  28 #include "utils/Utils.h"
  29
  30 #include <cstdlib>
  31 #include <iostream>
  32 #include <memory>
  33
  34 using namespace arm_compute::graph;
  35 using namespace arm_compute::graph_utils;
  36
  37 /** Example demonstrating how to implement AlexNet's network using the Compute Library's graph API
  38  *
  39  * @param[in] argc Number of arguments
  40  * @param[in] argv Arguments ( [optional] Target (0 = NEON, 1 = OpenCL), [optional] Path to the weights folder, [optional] image, [optional] labels )
  41  */
  42 void main_graph_alexnet(int argc, const char **argv)
  43 {
  44     std::string data_path; /* Path to the trainable data */
  45     std::string image;     /* Image data */
  46     std::string label;     /* Label data */
  47
  48     constexpr float mean_r = 122.68f; /* Mean value to subtract from red channel */
  49     constexpr float mean_g = 116.67f; /* Mean value to subtract from green channel */
  50     constexpr float mean_b = 104.01f; /* Mean value to subtract from blue channel */
  51
  52     // Set target. 0 (NEON), 1 (OpenCL). By default it is NEON
  53     TargetHint            target_hint      = set_target_hint(argc > 1 ? std::strtol(argv[1], nullptr, 10) : 0);
  54     ConvolutionMethodHint convolution_hint = target_hint == TargetHint::NEON ? ConvolutionMethodHint::GEMM : ConvolutionMethodHint::DIRECT;
  55
  56     // Parse arguments
  57     if(argc < 2)
  58     {
  59         // Print help
  60         std::cout << "Usage: " << argv[0] << " [target] [path_to_data] [image] [labels]\n\n";
  61         std::cout << "No data folder provided: using random values\n\n";
  62     }
  63     else if(argc == 2)
  64     {
  65         std::cout << "Usage: " << argv[0] << " " << argv[1] << " [path_to_data] [image] [labels]\n\n";
  66         std::cout << "No data folder provided: using random values\n\n";
  67     }
  68     else if(argc == 3)
  69     {
  70         data_path = argv[2];
  71         std::cout << "Usage: " << argv[0] << " " << argv[1] << " " << argv[2] << " [image] [labels]\n\n";
  72         std::cout << "No image provided: using random values\n\n";
  73     }
  74     else if(argc == 4)
  75     {
  76         data_path = argv[2];
  77         image     = argv[3];
  78         std::cout << "Usage: " << argv[0] << " " << argv[1] << " " << argv[2] << " " << argv[3] << " [labels]\n\n";
  79         std::cout << "No text file with labels provided: skipping output accessor\n\n";
  80     }
  81     else
  82     {
  83         data_path = argv[2];
  84         image     = argv[3];
  85         label     = argv[4];
  86     }
  87
  88     Graph graph;
  89
  90     graph << target_hint
  91           << Tensor(TensorInfo(TensorShape(227U, 227U, 3U, 1U), 1, DataType::F32),
  92                     get_input_accessor(image, mean_r, mean_g, mean_b))
  93           // Layer 1
  94           << ConvolutionLayer(
  95               11U, 11U, 96U,
  96               get_weights_accessor(data_path, "/cnn_data/alexnet_model/conv1_w.npy"),
  97               get_weights_accessor(data_path, "/cnn_data/alexnet_model/conv1_b.npy"),
  98               PadStrideInfo(4, 4, 0, 0))
  99           << ActivationLayer(ActivationLayerInfo(ActivationLayerInfo::ActivationFunction::RELU))
 100           << NormalizationLayer(NormalizationLayerInfo(NormType::CROSS_MAP, 5, 0.0001f, 0.75f))
 101           << PoolingLayer(PoolingLayerInfo(PoolingType::MAX, 3, PadStrideInfo(2, 2, 0, 0)))
 102           // Layer 2
 103           << convolution_hint
 104           << ConvolutionLayer(
 105               5U, 5U, 256U,
 106               get_weights_accessor(data_path, "/cnn_data/alexnet_model/conv2_w.npy"),
 107               get_weights_accessor(data_path, "/cnn_data/alexnet_model/conv2_b.npy"),
 108               PadStrideInfo(1, 1, 2, 2), 2)
 109           << ActivationLayer(ActivationLayerInfo(ActivationLayerInfo::ActivationFunction::RELU))
 110           << NormalizationLayer(NormalizationLayerInfo(NormType::CROSS_MAP, 5, 0.0001f, 0.75f))
 111           << PoolingLayer(PoolingLayerInfo(PoolingType::MAX, 3, PadStrideInfo(2, 2, 0, 0)))
 112           // Layer 3
 113           << ConvolutionLayer(
 114               3U, 3U, 384U,
 115               get_weights_accessor(data_path, "/cnn_data/alexnet_model/conv3_w.npy"),
 116               get_weights_accessor(data_path, "/cnn_data/alexnet_model/conv3_b.npy"),
 117               PadStrideInfo(1, 1, 1, 1))
 118           << ActivationLayer(ActivationLayerInfo(ActivationLayerInfo::ActivationFunction::RELU))
 119           // Layer 4
 120           << ConvolutionLayer(
 121               3U, 3U, 384U,
 122               get_weights_accessor(data_path, "/cnn_data/alexnet_model/conv4_w.npy"),
 123               get_weights_accessor(data_path, "/cnn_data/alexnet_model/conv4_b.npy"),
 124               PadStrideInfo(1, 1, 1, 1), 2)
 125           << ActivationLayer(ActivationLayerInfo(ActivationLayerInfo::ActivationFunction::RELU))
 126           // Layer 5
 127           << ConvolutionLayer(
 128               3U, 3U, 256U,
 129               get_weights_accessor(data_path, "/cnn_data/alexnet_model/conv5_w.npy"),
 130               get_weights_accessor(data_path, "/cnn_data/alexnet_model/conv5_b.npy"),
 131               PadStrideInfo(1, 1, 1, 1), 2)
 132           << ActivationLayer(ActivationLayerInfo(ActivationLayerInfo::ActivationFunction::RELU))
 133           << PoolingLayer(PoolingLayerInfo(PoolingType::MAX, 3, PadStrideInfo(2, 2, 0, 0)))
 134           // Layer 6
 135           << FullyConnectedLayer(
 136               4096U,
 137               get_weights_accessor(data_path, "/cnn_data/alexnet_model/fc6_w.npy"),
 138               get_weights_accessor(data_path, "/cnn_data/alexnet_model/fc6_b.npy"))
 139           << ActivationLayer(ActivationLayerInfo(ActivationLayerInfo::ActivationFunction::RELU))
 140           // Layer 7
 141           << FullyConnectedLayer(
 142               4096U,
 143               get_weights_accessor(data_path, "/cnn_data/alexnet_model/fc7_w.npy"),
 144               get_weights_accessor(data_path, "/cnn_data/alexnet_model/fc7_b.npy"))
 145           << ActivationLayer(ActivationLayerInfo(ActivationLayerInfo::ActivationFunction::RELU))
 146           // Layer 8
 147           << FullyConnectedLayer(
 148               1000U,
 149               get_weights_accessor(data_path, "/cnn_data/alexnet_model/fc8_w.npy"),
 150               get_weights_accessor(data_path, "/cnn_data/alexnet_model/fc8_b.npy"))
 151           // Softmax
 152           << SoftmaxLayer()
 153           << Tensor(get_output_accessor(label, 5));
 154
 155     // Run graph
 156     graph.run();
 157 }
 158
 159 /** Main program for AlexNet
 160  *
 161  * @param[in] argc Number of arguments
 162  * @param[in] argv Arguments ( [optional] Target (0 = NEON, 1 = OpenCL), [optional] Path to the weights folder, [optional] image, [optional] labels )
 163  */
 164 int main(int argc, const char **argv)
 165 {
 166     return arm_compute::utils::run_example(argc, argv, main_graph_alexnet);
 167 }