model-optimizer/extensions/front/tf/deconv_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.deconvolution import Deconvolution
  23 from mo.ops.op import PermuteAttrs
  24
  25
  26 class Conv2DBackpropInputFrontExtractor(FrontExtractorOp):
  27     op = 'Conv2DBackpropInput'
  28     enabled = True
  29
  30     @staticmethod
  31     def extract(node):
  32         attrs = tf_create_attrs(node, 3, 2)
  33         attrs.update({'op': __class__.op,
  34                       'get_weights_permute': PermuteAttrs.Permutation(perm=int64_array([3, 2, 0, 1]),
  35                                                                       inv=int64_array([2, 3, 1, 0]))
  36                       })
  37
  38         # update the attributes of the node
  39         Deconvolution.update_node_stat(node, attrs)
  40         return __class__.enabled
  41
  42
  43 class Conv3DBackpropInputV2InputFrontExtractor(FrontExtractorOp):
  44     op = 'Conv3DBackpropInputV2'
  45     enabled = True
  46
  47     @staticmethod
  48     def extract(node):
  49         attrs = tf_create_attrs(node, 4, 3)
  50         attrs.update({'op': __class__.op,
  51                       'get_weights_permute': PermuteAttrs.Permutation(perm=int64_array([4, 3, 0, 1, 2]),
  52                                                                       inv=int64_array([2, 3, 4, 1, 0]))
  53                       })
  54
  55         # update the attributes of the node
  56         Deconvolution.update_node_stat(node, attrs)
  57         return __class__.enabled
  58
  59
  60 def tf_create_attrs(node, input_feature_channel, output_feature_channel):
  61     data_format = node.pb.attr["data_format"]
  62
  63     return {
  64         'auto_pad': convert_tf_padding_to_str(node.pb.attr['padding']),
  65         'bias_addable': True,
  66         'bias_term': False,
  67         'spatial_dims': tf_data_format_spatial(data_format),
  68         'channel_dims': tf_data_format_channel(data_format),
  69         'batch_dims': tf_data_format_batch(data_format),
  70         'pad': None,  # will be inferred when input shape is known
  71         'pad_spatial_shape': None,
  72         'output_spatial_shape': None,
  73         'output_shape': None,
  74         'output': None,
  75         'stride': tf_int_list(node.pb.attr["strides"].list),
  76         'type': None,  # don't set type until we are sure it is really translated to correct IR; see infer function
  77         'group': None,
  78         'layout': data_format.s.decode(),
  79         'input_feature_channel': input_feature_channel,
  80         'output_feature_channel': output_feature_channel,
  81     }