examples/graph_mobilenet.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
  32 using namespace arm_compute::graph;
  33 using namespace arm_compute::graph_utils;
  34
  35 namespace
  36 {
  37 BranchLayer get_dwsc_node(const std::string &data_path, std::string &&param_path,
  38                           unsigned int  conv_filt,
  39                           PadStrideInfo dwc_pad_stride_info, PadStrideInfo conv_pad_stride_info)
  40 {
  41     std::string total_path = "/cnn_data/mobilenet_v1_model/" + param_path + "_";
  42     SubGraph    sg;
  43     sg << DepthwiseConvolutionLayer(
  44            3U, 3U,
  45            get_weights_accessor(data_path, total_path + "depthwise_depthwise_weights.npy"),
  46            std::unique_ptr<arm_compute::graph::ITensorAccessor>(nullptr),
  47            dwc_pad_stride_info,
  48            true)
  49        << BatchNormalizationLayer(
  50            get_weights_accessor(data_path, total_path + "depthwise_BatchNorm_moving_mean.npy"),
  51            get_weights_accessor(data_path, total_path + "depthwise_BatchNorm_moving_variance.npy"),
  52            get_weights_accessor(data_path, total_path + "depthwise_BatchNorm_beta.npy"),
  53            get_weights_accessor(data_path, total_path + "depthwise_BatchNorm_gamma.npy"),
  54            0.001f)
  55        << ActivationLayer(ActivationLayerInfo(ActivationLayerInfo::ActivationFunction::BOUNDED_RELU, 6.f))
  56        << ConvolutionLayer(
  57            1U, 1U, conv_filt,
  58            get_weights_accessor(data_path, total_path + "pointwise_weights.npy"),
  59            std::unique_ptr<arm_compute::graph::ITensorAccessor>(nullptr),
  60            conv_pad_stride_info)
  61        << BatchNormalizationLayer(
  62            get_weights_accessor(data_path, total_path + "pointwise_BatchNorm_moving_mean.npy"),
  63            get_weights_accessor(data_path, total_path + "pointwise_BatchNorm_moving_variance.npy"),
  64            get_weights_accessor(data_path, total_path + "pointwise_BatchNorm_beta.npy"),
  65            get_weights_accessor(data_path, total_path + "pointwise_BatchNorm_gamma.npy"),
  66            0.001f)
  67        << ActivationLayer(ActivationLayerInfo(ActivationLayerInfo::ActivationFunction::BOUNDED_RELU, 6.f));
  68
  69     return BranchLayer(std::move(sg));
  70 }
  71 } // namespace
  72
  73 /** Example demonstrating how to implement MobileNet's network using the Compute Library's graph API
  74  *
  75  * @param[in] argc Number of arguments
  76  * @param[in] argv Arguments ( [optional] Target (0 = NEON, 1 = OpenCL), [optional] Path to the weights folder, [optional] image, [optional] labels )
  77  */
  78 void main_graph_mobilenet(int argc, const char **argv)
  79 {
  80     std::string data_path; /* Path to the trainable data */
  81     std::string image;     /* Image data */
  82     std::string label;     /* Label data */
  83
  84     constexpr float mean_r = 122.68f; /* Mean value to subtract from red channel */
  85     constexpr float mean_g = 116.67f; /* Mean value to subtract from green channel */
  86     constexpr float mean_b = 104.01f; /* Mean value to subtract from blue channel */
  87
  88     // Set target. 0 (NEON), 1 (OpenCL). By default it is NEON
  89     TargetHint target_hint = set_target_hint(argc > 1 ? std::strtol(argv[1], nullptr, 10) : 0);
  90
  91     // Parse arguments
  92     if(argc < 2)
  93     {
  94         // Print help
  95         std::cout << "Usage: " << argv[0] << " [target] [path_to_data] [image] [labels]\n\n";
  96         std::cout << "No data folder provided: using random values\n\n";
  97     }
  98     else if(argc == 2)
  99     {
 100         std::cout << "Usage: " << argv[0] << " " << argv[1] << " [path_to_data] [image] [labels]\n\n";
 101         std::cout << "No data folder provided: using random values\n\n";
 102     }
 103     else if(argc == 3)
 104     {
 105         data_path = argv[2];
 106         std::cout << "Usage: " << argv[0] << " " << argv[1] << " " << argv[2] << " [image] [labels]\n\n";
 107         std::cout << "No image provided: using random values\n\n";
 108     }
 109     else if(argc == 4)
 110     {
 111         data_path = argv[2];
 112         image     = argv[3];
 113         std::cout << "Usage: " << argv[0] << " " << argv[1] << " " << argv[2] << " " << argv[3] << " [labels]\n\n";
 114         std::cout << "No text file with labels provided: skipping output accessor\n\n";
 115     }
 116     else
 117     {
 118         data_path = argv[2];
 119         image     = argv[3];
 120         label     = argv[4];
 121     }
 122
 123     Graph graph;
 124
 125     graph << target_hint
 126           << Tensor(TensorInfo(TensorShape(224U, 224U, 3U, 1U), 1, DataType::F32),
 127                     get_input_accessor(image, mean_r, mean_g, mean_b))
 128           << ConvolutionLayer(
 129               3U, 3U, 32U,
 130               get_weights_accessor(data_path, "/cnn_data/mobilenet_v1_model/Conv2d_0_weights.npy"),
 131               std::unique_ptr<arm_compute::graph::ITensorAccessor>(nullptr),
 132               PadStrideInfo(2, 2, 0, 1, 0, 1, DimensionRoundingType::FLOOR))
 133           << BatchNormalizationLayer(
 134               get_weights_accessor(data_path, "/cnn_data/mobilenet_v1_model/Conv2d_0_BatchNorm_moving_mean.npy"),
 135               get_weights_accessor(data_path, "/cnn_data/mobilenet_v1_model/Conv2d_0_BatchNorm_moving_variance.npy"),
 136               get_weights_accessor(data_path, "/cnn_data/mobilenet_v1_model/Conv2d_0_BatchNorm_beta.npy"),
 137               get_weights_accessor(data_path, "/cnn_data/mobilenet_v1_model/Conv2d_0_BatchNorm_gamma.npy"),
 138               0.001f)
 139
 140           << ActivationLayer(ActivationLayerInfo(ActivationLayerInfo::ActivationFunction::BOUNDED_RELU, 6.f))
 141           << get_dwsc_node(data_path, "Conv2d_1", 64, PadStrideInfo(1, 1, 1, 1), PadStrideInfo(1, 1, 0, 0))
 142           << get_dwsc_node(data_path, "Conv2d_2", 128, PadStrideInfo(2, 2, 0, 1, 0, 1, DimensionRoundingType::FLOOR), PadStrideInfo(1, 1, 0, 0))
 143           << get_dwsc_node(data_path, "Conv2d_3", 128, PadStrideInfo(1, 1, 1, 1, 1, 1, DimensionRoundingType::FLOOR), PadStrideInfo(1, 1, 0, 0))
 144           << get_dwsc_node(data_path, "Conv2d_4", 256, PadStrideInfo(2, 2, 0, 1, 0, 1, DimensionRoundingType::FLOOR), PadStrideInfo(1, 1, 0, 0))
 145           << get_dwsc_node(data_path, "Conv2d_5", 256, PadStrideInfo(1, 1, 1, 1, 1, 1, DimensionRoundingType::FLOOR), PadStrideInfo(1, 1, 0, 0))
 146           << get_dwsc_node(data_path, "Conv2d_6", 512, PadStrideInfo(2, 2, 0, 1, 0, 1, DimensionRoundingType::FLOOR), PadStrideInfo(1, 1, 0, 0))
 147           << get_dwsc_node(data_path, "Conv2d_7", 512, PadStrideInfo(1, 1, 1, 1, 1, 1, DimensionRoundingType::FLOOR), PadStrideInfo(1, 1, 0, 0))
 148           << get_dwsc_node(data_path, "Conv2d_8", 512, PadStrideInfo(1, 1, 1, 1, 1, 1, DimensionRoundingType::FLOOR), PadStrideInfo(1, 1, 0, 0))
 149           << get_dwsc_node(data_path, "Conv2d_9", 512, PadStrideInfo(1, 1, 1, 1, 1, 1, DimensionRoundingType::FLOOR), PadStrideInfo(1, 1, 0, 0))
 150           << get_dwsc_node(data_path, "Conv2d_10", 512, PadStrideInfo(1, 1, 1, 1, 1, 1, DimensionRoundingType::FLOOR), PadStrideInfo(1, 1, 0, 0))
 151           << get_dwsc_node(data_path, "Conv2d_11", 512, PadStrideInfo(1, 1, 1, 1, 1, 1, DimensionRoundingType::FLOOR), PadStrideInfo(1, 1, 0, 0))
 152           << get_dwsc_node(data_path, "Conv2d_12", 1024, PadStrideInfo(2, 2, 0, 1, 0, 1, DimensionRoundingType::FLOOR), PadStrideInfo(1, 1, 0, 0))
 153           << get_dwsc_node(data_path, "Conv2d_13", 1024, PadStrideInfo(1, 1, 1, 1, 1, 1, DimensionRoundingType::FLOOR), PadStrideInfo(1, 1, 0, 0))
 154           << PoolingLayer(PoolingLayerInfo(PoolingType::AVG))
 155           << ConvolutionLayer(
 156               1U, 1U, 1001U,
 157               get_weights_accessor(data_path, "/cnn_data/mobilenet_v1_model/Logits_Conv2d_1c_1x1_weights.npy"),
 158               get_weights_accessor(data_path, "/cnn_data/mobilenet_v1_model/Logits_Conv2d_1c_1x1_biases.npy"),
 159               PadStrideInfo(1, 1, 0, 0))
 160           << ReshapeLayer(TensorShape(1001U))
 161           << SoftmaxLayer()
 162           << Tensor(get_output_accessor(label, 5));
 163
 164     graph.run();
 165 }
 166
 167 /** Main program for MobileNetV1
 168  *
 169  * @param[in] argc Number of arguments
 170  * @param[in] argv Arguments ( [optional] Target (0 = NEON, 1 = OpenCL), [optional] Path to the weights folder, [optional] image, [optional] labels )
 171  */
 172 int main(int argc, const char **argv)
 173 {
 174     return arm_compute::utils::run_example(argc, argv, main_graph_mobilenet);
 175 }