model-optimizer/extensions/front/tf/conv_ext.py

   1 """
   2  Copyright (c) 2018-2019 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 import numpy as np
  17
  18 from mo.front.common.partial_infer.utils import convert_tf_padding_to_str, int64_array
  19 from mo.front.extractor import FrontExtractorOp
  20 from mo.front.tf.extractors.utils import tf_data_format_spatial, tf_data_format_channel, tf_data_format_batch, \
  21     tf_int_list
  22 from mo.ops.convolution import Convolution
  23 from mo.ops.op import PermuteAttrs
  24
  25
  26 class Conv2DFrontExtractor(FrontExtractorOp):
  27     op = 'Conv2D'
  28     enabled = True
  29
  30     @staticmethod
  31     def extract(node):
  32         attrs = tf_create_attrs(node, 2, 3)
  33         attrs.update({'op': __class__.op,
  34                       'get_group': lambda node: 1,
  35                       'get_output_feature_dim': lambda node: node.kernel_shape[node.output_feature_channel],
  36                       'get_weights_permute': PermuteAttrs.Permutation(perm=int64_array([3, 2, 0, 1]),
  37                                                                       inv=int64_array([2, 3, 1, 0]))
  38                       })
  39
  40         # update the attributes of the node
  41         Convolution.update_node_stat(node, attrs)
  42         return __class__.enabled
  43
  44
  45 class DepthwiseConv2dNativeFrontExtractor(FrontExtractorOp):
  46     op = 'DepthwiseConv2dNative'
  47     enabled = True
  48
  49     @staticmethod
  50     def extract(node):
  51         attrs = tf_create_attrs(node, 2, 2)
  52         attrs.update({'op': __class__.op,
  53                       'kernel_spatial_idx': np.array([0, 1], dtype=np.int64),
  54                       'get_group': lambda node: node.kernel_shape[node.output_feature_channel],
  55                       'get_output_feature_dim': lambda node: node.kernel_shape[-1] * node.kernel_shape[-2],
  56                       'get_weights_permute': PermuteAttrs.Permutation(perm=int64_array([2, 3, 0, 1]),
  57                                                                       inv=int64_array([2, 3, 0, 1]))
  58                       })
  59
  60         # update the attributes of the node
  61         Convolution.update_node_stat(node, attrs)
  62         return __class__.enabled
  63
  64
  65 class Conv3DFrontExtractor(FrontExtractorOp):
  66     op = 'Conv3D'
  67     enabled = True
  68
  69     @staticmethod
  70     def extract(node):
  71         attrs = tf_create_attrs(node, 3, 4)
  72         attrs.update({'op': __class__.op,
  73                       'get_group': lambda node: 1,
  74                       'get_output_feature_dim': lambda node: node.kernel_shape[node.output_feature_channel],
  75                       'get_weights_permute': PermuteAttrs.Permutation(perm=int64_array([4, 3, 0, 1, 2]),
  76                                                                       inv=int64_array([2, 3, 4, 1, 0]))
  77                       })
  78
  79         # update the attributes of the node
  80         Convolution.update_node_stat(node, attrs)
  81         return __class__.enabled
  82
  83
  84 def tf_create_attrs(node, input_feature_channel, output_feature_channel):
  85     data_format = node.pb.attr["data_format"]
  86     dilations = tf_int_list(node.pb.attr["dilations"].list)
  87     if len(dilations) == 0:
  88         dilations = None
  89
  90     attrs = {
  91         'type': 'Convolution',
  92         'auto_pad': convert_tf_padding_to_str(node.pb.attr['padding']),
  93         'bias_addable': True,
  94         'bias_term': False,
  95         'dilation': dilations,
  96         'stride': tf_int_list(node.pb.attr["strides"].list),
  97
  98         'channel_dims': tf_data_format_channel(data_format),
  99         'batch_dims': tf_data_format_batch(data_format),
 100
 101         'input_feature_channel': input_feature_channel,
 102         'output_feature_channel': output_feature_channel,
 103         'layout': data_format.s.decode(),
 104
 105         # get_group and get_output_feature_dim are special attrs that stores lambdas ( lambda node, kernel_shape:...)
 106         # this attrs calls in infer function to calculate output feature dimension and group attr
 107         'get_group': None,  # lambda should return group attr for given node
 108         'get_output_feature_dim': None,  # lamda should return output feature dimension
 109     }
 110
 111     return attrs