inference-engine/thirdparty/clDNN/tests/test_cases/upsampling_gpu_test.cpp

   1 /*
   2 // Copyright (c) 2016 Intel Corporation
   3 //
   4 // Licensed under the Apache License, Version 2.0 (the "License");
   5 // you may not use this file except in compliance with the License.
   6 // You may obtain a copy of the License at
   7 //
   8 //      http://www.apache.org/licenses/LICENSE-2.0
   9 //
  10 // Unless required by applicable law or agreed to in writing, software
  11 // distributed under the License is distributed on an "AS IS" BASIS,
  12 // WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
  13 // See the License for the specific language governing permissions and
  14 // limitations under the License.
  15 */
  16
  17 ///////////////////////////////////////////////////////////////////////////////////////////////////
  18 #include <gtest/gtest.h>
  19 #include "api/CPP/memory.hpp"
  20 #include <api/CPP/input_layout.hpp>
  21 #include "api/CPP/upsampling.hpp"
  22 #include <api/CPP/topology.hpp>
  23 #include <api/CPP/network.hpp>
  24 #include <api/CPP/engine.hpp>
  25 #include "test_utils/test_utils.h"
  26 #include <api/CPP/reorder.hpp>
  27 #include <api/CPP/data.hpp>
  28
  29 using namespace cldnn;
  30 using namespace tests;
  31
  32 TEST(upsampling_gpu, basic_in2x3x2x2_nearest) {
  33     //  Input  : 2x2x3x2
  34     //  Output : 2x2x6x4
  35     //  Sample Type: Nearest
  36
  37     //  Input:
  38     //  f0: b0:  1    2  -10   b1:   0    0     -11
  39     //  f0: b0:  3    4  -14   b1:   0.5 -0.5   -15
  40     //  f1: b0:  5    6  -12   b1:   1.5  5.2   -13
  41     //  f1: b0:  7    8  -16   b1:   12   9     -17
  42     //
  43
  44     const auto& engine = get_test_engine();
  45
  46     auto input = memory::allocate(engine, { data_types::f32, format::bfyx, { 2, 2, 3, 2 } });
  47
  48     uint32_t scale = 2;
  49
  50     topology topology;
  51     topology.add(input_layout("input", input.get_layout()));
  52     topology.add(upsampling("upsampling", "input", scale, 0, upsampling_sample_type::nearest));
  53
  54     set_values(input, {
  55         1.f, 2.f, -10.f,
  56         3.f, 4.f, -14.f,
  57         5.f, 6.f, -12.f,
  58         7.f, 8.f, -16.f,
  59         0.f, 0.f, -11.f,
  60         0.5f, -0.5f, -15.f,
  61         1.5f, 5.2f, -13.f,
  62         12.f, 9.f, -17.f,
  63     });
  64
  65     network network(engine, topology);
  66
  67     network.set_input_data("input", input);
  68
  69     auto outputs = network.execute();
  70
  71     auto output = outputs.at("upsampling").get_memory();
  72     auto output_ptr = output.pointer<float>();
  73
  74     float answers[96] = {
  75         1.f, 1.f, 2.f,   2.f,   -10.f,  -10.f,
  76         1.f, 1.f, 2.f,   2.f,   -10.f,  -10.f,
  77         3.f, 3.f, 4.f,   4.f,   -14.f,  -14.f,
  78         3.f, 3.f, 4.f,   4.f,   -14.f,  -14.f,
  79         5.f, 5.f, 6.f,   6.f,   -12.f,  -12.f,
  80         5.f, 5.f, 6.f,   6.f,   -12.f,  -12.f,
  81         7.f, 7.f, 8.f,   8.f,   -16.f,  -16.f,
  82         7.f, 7.f, 8.f,   8.f,   -16.f,  -16.f,
  83         0.f, 0.f, 0.f,   0.f,   -11.f,  -11.f,
  84         0.f, 0.f, 0.f,   0.f,   -11.f,  -11.f,
  85         0.5f,0.5f, -0.5f, -0.5f, -15.f,  -15.f,
  86         0.5f,0.5f, -0.5f, -0.5f, -15.f,  -15.f,
  87         1.5f,1.5f, 5.2f,  5.2f,  -13.f,  -13.f,
  88         1.5f,1.5f, 5.2f,  5.2f,  -13.f,  -13.f,
  89         12.f,12.f, 9.f,   9.f,  -17.f,  -17.f,
  90         12.f,12.f, 9.f,   9.f,  -17.f,  -17.f,
  91     };
  92
  93     for (int i = 0; i < 2; ++i) { //B
  94         for (int j = 0; j < 2; ++j) { //F
  95             for (int k = 0; k < 4; ++k) { //Y
  96                 for (int l = 0; l < 6; ++l) { //X
  97                     auto linear_id = l + k * 6 + j * 4 * 6 + i * 2 * 4 * 6;
  98                     EXPECT_TRUE(are_equal(answers[linear_id], output_ptr[linear_id]));
  99                 }
 100             }
 101         }
 102     }
 103 }
 104
 105 TEST(upsampling_gpu, basic_in2x3x2x2_bilinear) {
 106     //  Input  : 1x1x2x2
 107     //  Output : 1x1x4x4
 108     //  Sample Type: Nearest
 109
 110     //  Input:
 111     //  f0: b0:  1    2
 112     //  f0: b0:  3    4
 113     //
 114
 115     const auto& engine = get_test_engine();
 116
 117     auto input = memory::allocate(engine, { data_types::f32, format::bfyx,{ 1, 1, 2, 2 } });
 118
 119     uint32_t scale = 2;
 120
 121     topology topology;
 122     topology.add(input_layout("input", input.get_layout()));
 123     topology.add(upsampling("upsampling", "input", scale, 1, upsampling_sample_type::bilinear));
 124
 125     set_values(input, {
 126         1.f, 2.f,
 127         3.f, 4.f,
 128     });
 129
 130     network network(engine, topology);
 131
 132     network.set_input_data("input", input);
 133
 134     auto outputs = network.execute();
 135
 136     auto output = outputs.at("upsampling").get_memory();
 137     auto output_ptr = output.pointer<float>();
 138
 139     float answers[16] = {
 140         0.5625f, 0.9375f, 1.3125f, 1.125f,
 141         1.125f, 1.75f, 2.25f, 1.875f,
 142         1.875f, 2.75f, 3.25f, 2.625f,
 143         1.6875f, 2.4375f, 2.8125f, 2.25f,
 144     };
 145
 146     for (int k = 0; k < 4; ++k) { //Y
 147         for (int l = 0; l < 4; ++l) { //X
 148             auto linear_id = l + k * 4;
 149             EXPECT_NEAR(answers[linear_id], output_ptr[linear_id], 1e-05F);
 150         }
 151     }
 152 }