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

   1 """
   2  Copyright (c) 2017-2019 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
  17 import logging as log
  18
  19 import networkx as nx
  20
  21 from extensions.front.squared_difference import SquaredDifference
  22 from mo.front.common.replacement import FrontReplacementSubgraph
  23 from mo.graph.graph import Node, Graph
  24 from mo.ops.eltwise import Eltwise
  25 from mo.ops.op import Op
  26
  27
  28 class MVN(FrontReplacementSubgraph):
  29     enabled = True
  30
  31     def run_before(self):
  32         return [SquaredDifference]
  33
  34     def pattern(self):
  35         log.debug('Enabled MVN replacement')
  36         return dict(
  37             nodes=[
  38                 ('mean', dict(op='Mean')),
  39                 ('stop_grad', dict(op='StopGradient')),
  40                 ('sqdiff', dict(op='SquaredDifference')),
  41                 ('variance', dict(op='Mean')),
  42                 ('squeeze_mean', dict(op='Squeeze')),
  43                 ('squeeze_variance', dict(op='Squeeze')),
  44                 ('fbn', dict(op='FusedBatchNorm')),
  45             ],
  46             edges=[
  47                 ('mean', 'stop_grad', {'in': 0}),
  48                 ('stop_grad', 'sqdiff', {'in': 1}),
  49                 ('sqdiff', 'variance', {'in': 0}),
  50                 ('mean', 'squeeze_mean', {'in': 0}),
  51                 ('variance', 'squeeze_variance', {'in': 0}),
  52                 ('squeeze_mean', 'fbn', {'in': 3}),
  53                 ('squeeze_variance', 'fbn', {'in': 4}),
  54             ])
  55
  56     def replace_sub_graph(self, graph: Graph, match: dict):
  57         fbn = match['fbn']
  58         input = fbn.in_node(0)
  59         log.debug('Found potential MVN pattern after {} with name {}'.format(input.op, input.name))
  60         if input.id != match['mean'].in_node(0).id or input.id != match['sqdiff'].in_node(0).id:
  61             return
  62
  63         log.debug('Confirmed MVN pattern after {} with name {}'.format(input.op, input.name))
  64         MVN = Op.get_op_class_by_name('MVN')
  65
  66         mvn = MVN(graph, dict(
  67             name=fbn.name + '/MVN_',
  68             eps=fbn.eps,
  69             required_reduction_indices=[1, 2] if fbn.data_format == b'NHWC' else [2, 3]
  70         ))
  71         mvn.attrs['old_infer'] = mvn.attrs['infer']
  72         mvn.attrs['infer'] = __class__.infer
  73
  74         mul = Eltwise(graph, dict(operation='mul', name=fbn.name + '/Mul_'))
  75         add = Eltwise(graph, dict(operation='sum', name=fbn.name + '/Add_'))
  76
  77         input_gamma = fbn.in_node(1)
  78         input_beta = fbn.in_node(2)
  79
  80         mean_reduction = match['mean'].in_node(1)
  81         variance_reduction = match['variance'].in_node(1)
  82
  83         new_subgraph = add.create_node([
  84             mul.create_node([
  85                 mvn.create_node([input, mean_reduction, variance_reduction]),
  86                 input_gamma
  87             ]),
  88             input_beta
  89         ])
  90         fbn.replace_node(new_subgraph)
  91
  92     @staticmethod
  93     def infer(node: Node):
  94         if not (node.in_node(1).has_valid('value') and node.in_node(2).has_valid('value')):
  95             log.warning('Reduction indices for mean and variance for MVN node {} are not constants'.format(node.name))
  96             return
  97
  98         if not (all(node.in_node(1).value == node.required_reduction_indices) and
  99                     all(node.in_node(2).value == node.required_reduction_indices)):
 100             log.warning('Reduction indices for mean {} and variance {} do not match required ones {}'.format(
 101                 node.in_node(1).value,
 102                 node.in_node(2).value,
 103                 node.required_reduction_indices
 104             ))
 105             return
 106
 107         node.graph.remove_edge(node.in_node(2).id, node.id)
 108         node.graph.remove_edge(node.in_node(1).id, node.id)
 109         node.old_infer(node)