inference-engine/thirdparty/mkl-dnn/src/cpu/jit_uni_x8s8s32x_dw_convolution.cpp

   1 /*******************************************************************************
   2 * Copyright 2018 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 #include "mkldnn_types.h"
  18 #include "c_types_map.hpp"
  19 #include "jit_uni_x8s8s32x_dw_convolution.hpp"
  20
  21 namespace mkldnn {
  22 namespace impl {
  23 namespace cpu {
  24
  25 using namespace mkldnn::impl::status;
  26 using namespace mkldnn::impl::memory_format;
  27 using namespace mkldnn::impl::utils;
  28
  29 template <cpu_isa_t isa, data_type_t src_type, data_type_t dst_type>
  30 void _jit_uni_x8s8s32x_dw_convolution_fwd_t<isa, src_type, dst_type>::execute_forward() const {
  31     auto src = reinterpret_cast<const src_data_t*>(this->input_memory(0));
  32     auto weights = reinterpret_cast<const wei_data_t*>(this->input_memory(1));
  33     auto bias = reinterpret_cast<const char*>(this->input_memory(2));
  34     auto dst = reinterpret_cast<dst_data_t*>(this->memory());
  35
  36     const memory_desc_wrapper src_d(pd()->src_pd());
  37     const memory_desc_wrapper dst_d(pd()->dst_pd());
  38     const memory_desc_wrapper weights_d(pd()->weights_pd(0));
  39     const memory_desc_wrapper bias_d(pd()->weights_pd(1));
  40
  41     const auto &jcp = kernel_->jcp;
  42
  43     int dil_h = jcp.dilate_h + 1;
  44     int dil_w = jcp.dilate_w + 1;
  45     int str_h = jcp.stride_h;
  46     int str_w = jcp.stride_w;
  47
  48     const size_t bia_dt_size = pd()->with_bias()
  49         ? types::data_type_size(pd()->desc()->bias_desc.data_type) : 0;
  50
  51     const auto &oscales = pd()->attr()->output_scales_;
  52
  53     int MB = jcp.mb;
  54     int chb_work = utils::div_up(jcp.nb_ch, jcp.nb_ch_blocking);
  55     const size_t work_amount = MB * chb_work * jcp.oh;
  56
  57     auto kernel_params = [&](int ur_w_step, int ow, int oh, int ih, int kh,
  58             int kh_padding, int ch, int ch_num, int n) {
  59         auto par_conv = jit_conv_call_s();
  60
  61         const int i_l_overflow = nstl::max(0, (jcp.l_pad - ow * str_w));
  62         const int i_r_overflow = nstl::max(jcp.iw, (ow * str_w
  63             + (jcp.kw - 1)*dil_w - jcp.l_pad + 1)) - jcp.iw;
  64
  65         const int iw = nstl::max((ow*str_w - jcp.l_pad
  66             + div_up(i_l_overflow, dil_w)*dil_w), 0);
  67         const int kw = div_up(i_l_overflow, dil_w);
  68
  69         const int kw_padding = jcp.kw - div_up(i_l_overflow, dil_w)
  70             - div_up(i_r_overflow, dil_w);
  71
  72         int src_off = src_d.blk_off(n, ch*jcp.ch_block, ih, iw);
  73         int dst_off = dst_d.blk_off(n, ch*jcp.ch_block, oh, ow);
  74
  75         par_conv.src = &src[src_off];
  76         par_conv.dst = &dst[dst_off];
  77
  78         par_conv.filt = &weights[weights_d.blk_off(ch, 0, 0, kh, kw)];
  79         if (bias) par_conv.bias = &bias[bias_d.blk_off(ch*jcp.ch_block*bia_dt_size)];
  80
  81         par_conv.kh_padding = (size_t)nstl::max(0, kh_padding);
  82         par_conv.kw_padding = (size_t)nstl::max(0, kw_padding);
  83
  84         par_conv.ur_w = (size_t)ur_w_step;
  85
  86         par_conv.ch_work = nstl::min((ch + ch_num) * jcp.ch_block, jcp.oc) - ch*jcp.ch_block;
  87
  88         par_conv.scales = &oscales.scales_[jcp.is_oc_scale * ch * jcp.ch_block];
  89         par_conv.oc_off = ch * jcp.ch_block * sizeof(float);
  90
  91         return par_conv;
  92     };
  93
  94     auto ker = [&](const int ithr, const int nthr) {
  95         size_t start{0}, end{0};
  96         balance211(work_amount, nthr, ithr, start, end);
  97
  98         size_t n{0}, chb{0}, oh{0};
  99         nd_iterator_init(start, n, MB, chb, chb_work, oh, jcp.oh);
 100         for (size_t iwork = start; iwork < end; ++iwork) {
 101             int ch = chb * jcp.nb_ch_blocking;
 102             int ch_num = jcp.nb_ch_blocking;
 103
 104             const int i_t_overflow = nstl::max(0, (int)(jcp.t_pad - oh*str_h));
 105             const int i_b_overflow = nstl::max(jcp.ih,
 106                 (int)(oh*str_h + (jcp.kh - 1)*dil_h - jcp.t_pad + 1)) - jcp.ih;
 107
 108             const int ih = nstl::max((int)(oh*str_h - jcp.t_pad
 109                 + div_up(i_t_overflow, dil_h)*dil_h), 0);
 110             const int kh = div_up(i_t_overflow, dil_h);
 111             const int kh_padding = jcp.kh - div_up(i_t_overflow, dil_h)
 112                 - div_up(i_b_overflow, dil_h);
 113
 114             // left border
 115             int ow = 0;
 116             int l_border = nstl::min(div_up(jcp.l_pad, str_w), jcp.ow);
 117             int ur_w_step = 1;
 118             for (; ow < l_border; ow++) {
 119                 jit_conv_call_s par_conv = kernel_params(ur_w_step, ow, oh, ih,
 120                                             kh, kh_padding, ch, ch_num, n);
 121
 122                 kernel_->jit_ker(&par_conv);
 123             }
 124
 125             // main loop
 126             ur_w_step = (jcp.iw - (jcp.kw - 1)*dil_w + jcp.l_pad - 1)
 127                 / jcp.stride_w - ow + 1;
 128             if (ur_w_step > 0) {
 129                 jit_conv_call_s par_conv = kernel_params(ur_w_step, ow, oh, ih,
 130                                             kh, kh_padding, ch, ch_num, n);
 131
 132                 kernel_->jit_ker(&par_conv);
 133
 134                 ow += ur_w_step;
 135             }
 136
 137             // right border
 138             ur_w_step = 1;
 139             for (; ow < jcp.ow; ow++) {
 140                 jit_conv_call_s par_conv = kernel_params(ur_w_step, ow, oh, ih,
 141                                             kh, kh_padding, ch, ch_num, n);
 142
 143                 kernel_->jit_ker(&par_conv);
 144             }
 145
 146             nd_iterator_step(n, MB, chb, chb_work, oh, jcp.oh);
 147         }
 148     };
 149
 150     parallel(0, ker);
 151 }
 152
 153 template struct _jit_uni_x8s8s32x_dw_convolution_fwd_t<avx2, data_type::u8, data_type::u8>;
 154 template struct _jit_uni_x8s8s32x_dw_convolution_fwd_t<avx2, data_type::u8, data_type::s8>;
 155 template struct _jit_uni_x8s8s32x_dw_convolution_fwd_t<avx2, data_type::u8, data_type::s32>;
 156 template struct _jit_uni_x8s8s32x_dw_convolution_fwd_t<avx2, data_type::u8, data_type::f32>;
 157
 158 template struct _jit_uni_x8s8s32x_dw_convolution_fwd_t<avx2, data_type::s8, data_type::u8>;
 159 template struct _jit_uni_x8s8s32x_dw_convolution_fwd_t<avx2, data_type::s8, data_type::s8>;
 160 template struct _jit_uni_x8s8s32x_dw_convolution_fwd_t<avx2, data_type::s8, data_type::s32>;
 161 template struct _jit_uni_x8s8s32x_dw_convolution_fwd_t<avx2, data_type::s8, data_type::f32>;
 162
 163 template struct _jit_uni_x8s8s32x_dw_convolution_fwd_t<sse42, data_type::u8, data_type::u8>;
 164 template struct _jit_uni_x8s8s32x_dw_convolution_fwd_t<sse42, data_type::u8, data_type::s8>;
 165 template struct _jit_uni_x8s8s32x_dw_convolution_fwd_t<sse42, data_type::u8, data_type::s32>;
 166 template struct _jit_uni_x8s8s32x_dw_convolution_fwd_t<sse42, data_type::u8, data_type::f32>;
 167
 168 template struct _jit_uni_x8s8s32x_dw_convolution_fwd_t<sse42, data_type::s8, data_type::u8>;
 169 template struct _jit_uni_x8s8s32x_dw_convolution_fwd_t<sse42, data_type::s8, data_type::s8>;
 170 template struct _jit_uni_x8s8s32x_dw_convolution_fwd_t<sse42, data_type::s8, data_type::s32>;
 171 template struct _jit_uni_x8s8s32x_dw_convolution_fwd_t<sse42, data_type::s8, data_type::f32>;
 172
 173 }
 174 }
 175 }