examples/graph_lenet.cpp

   1 /*
   2  * Copyright (c) 2017-2018 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.h"
  25
  26 #include "support/ToolchainSupport.h"
  27 #include "utils/GraphUtils.h"
  28 #include "utils/Utils.h"
  29
  30 #include <cstdlib>
  31
  32 using namespace arm_compute::utils;
  33 using namespace arm_compute::graph::frontend;
  34 using namespace arm_compute::graph_utils;
  35
  36 /** Example demonstrating how to implement LeNet's network using the Compute Library's graph API
  37  *
  38  * @param[in] argc Number of arguments
  39  * @param[in] argv Arguments ( [optional] Target (0 = NEON, 1 = OpenCL), [optional] Path to the weights folder, [optional] batches, [optional] Fast math for convolution layer (0 = DISABLED, 1 = ENABLED) )
  40  */
  41 class GraphLenetExample : public Example
  42 {
  43 public:
  44     void do_setup(int argc, char **argv) override
  45     {
  46         std::string  data_path;   /** Path to the trainable data */
  47         unsigned int batches = 4; /** Number of batches */
  48
  49         // Set target. 0 (NEON), 1 (OpenCL), 2 (OpenCL with Tuner). By default it is NEON
  50         const int target      = argc > 1 ? std::strtol(argv[1], nullptr, 10) : 0;
  51         Target    target_hint = set_target_hint(target);
  52
  53         FastMathHint fast_math_hint = FastMathHint::DISABLED;
  54
  55         // Parse arguments
  56         if(argc < 2)
  57         {
  58             // Print help
  59             std::cout << "Usage: " << argv[0] << " [target] [path_to_data] [batches] [fast_math_hint]\n\n";
  60             std::cout << "No data folder provided: using random values\n\n";
  61         }
  62         else if(argc == 2)
  63         {
  64             std::cout << "Usage: " << argv[0] << " " << argv[1] << " [path_to_data] [batches] [fast_math_hint]\n\n";
  65             std::cout << "No data folder provided: using random values\n\n";
  66         }
  67         else if(argc == 3)
  68         {
  69             //Do something with argv[1]
  70             data_path = argv[2];
  71             std::cout << "Usage: " << argv[0] << " [path_to_data] [batches] [fast_math_hint]\n\n";
  72             std::cout << "No number of batches where specified, thus will use the default : " << batches << "\n\n";
  73         }
  74         else if(argc == 4)
  75         {
  76             data_path = argv[2];
  77             batches   = std::strtol(argv[3], nullptr, 0);
  78             std::cout << "Usage: " << argv[0] << " " << argv[1] << " " << argv[2] << " " << argv[3] << " [fast_math_hint]\n\n";
  79             std::cout << "No fast math info provided: disabling fast math\n\n";
  80         }
  81         else
  82         {
  83             //Do something with argv[1] and argv[2]
  84             data_path      = argv[2];
  85             batches        = std::strtol(argv[3], nullptr, 0);
  86             fast_math_hint = (std::strtol(argv[4], nullptr, 1) == 0) ? FastMathHint::DISABLED : FastMathHint::ENABLED;
  87         }
  88
  89         //conv1 << pool1 << conv2 << pool2 << fc1 << act1 << fc2 << smx
  90         graph << target_hint
  91               << fast_math_hint
  92               << InputLayer(TensorDescriptor(TensorShape(28U, 28U, 1U, batches), DataType::F32), get_input_accessor(""))
  93               << ConvolutionLayer(
  94                   5U, 5U, 20U,
  95                   get_weights_accessor(data_path, "/cnn_data/lenet_model/conv1_w.npy"),
  96                   get_weights_accessor(data_path, "/cnn_data/lenet_model/conv1_b.npy"),
  97                   PadStrideInfo(1, 1, 0, 0))
  98               .set_name("conv1")
  99               << PoolingLayer(PoolingLayerInfo(PoolingType::MAX, 2, PadStrideInfo(2, 2, 0, 0))).set_name("pool1")
 100               << ConvolutionLayer(
 101                   5U, 5U, 50U,
 102                   get_weights_accessor(data_path, "/cnn_data/lenet_model/conv2_w.npy"),
 103                   get_weights_accessor(data_path, "/cnn_data/lenet_model/conv2_b.npy"),
 104                   PadStrideInfo(1, 1, 0, 0))
 105               .set_name("conv2")
 106               << PoolingLayer(PoolingLayerInfo(PoolingType::MAX, 2, PadStrideInfo(2, 2, 0, 0))).set_name("pool2")
 107               << FullyConnectedLayer(
 108                   500U,
 109                   get_weights_accessor(data_path, "/cnn_data/lenet_model/ip1_w.npy"),
 110                   get_weights_accessor(data_path, "/cnn_data/lenet_model/ip1_b.npy"))
 111               .set_name("ip1")
 112               << ActivationLayer(ActivationLayerInfo(ActivationLayerInfo::ActivationFunction::RELU)).set_name("relu")
 113               << FullyConnectedLayer(
 114                   10U,
 115                   get_weights_accessor(data_path, "/cnn_data/lenet_model/ip2_w.npy"),
 116                   get_weights_accessor(data_path, "/cnn_data/lenet_model/ip2_b.npy"))
 117               .set_name("ip2")
 118               << SoftmaxLayer().set_name("prob")
 119               << OutputLayer(get_output_accessor(""));
 120
 121         // Finalize graph
 122         GraphConfig config;
 123         config.use_tuner = (target == 2);
 124         graph.finalize(target_hint, config);
 125     }
 126     void do_run() override
 127     {
 128         // Run graph
 129         graph.run();
 130     }
 131
 132 private:
 133     Stream graph{ 0, "LeNet" };
 134 };
 135
 136 /** Main program for LeNet
 137  *
 138  * @param[in] argc Number of arguments
 139  * @param[in] argv Arguments ( [optional] Target (0 = NEON, 1 = OpenCL, 2 = OpenCL with Tuner), [optional] Path to the weights folder, [optional] batches, [optional] Fast math for convolution layer (0 = DISABLED, 1 = ENABLED) )
 140  */
 141 int main(int argc, char **argv)
 142 {
 143     return arm_compute::utils::run_example<GraphLenetExample>(argc, argv);
 144 }