model-optimizer/extensions/ops/depth_to_space.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 numpy as np
  20
  21 from mo.front.common.partial_infer.utils import int64_array
  22 from mo.graph.graph import Node, Graph
  23 from mo.ops.op import Op
  24
  25
  26 class DepthToSpaceOp(Op):
  27     op = 'DepthToSpace'
  28
  29     def __init__(self, graph: Graph, attrs: dict):
  30         mandatory_props = {
  31             'op': __class__.op,
  32             'in_ports_count': 1,
  33             'out_ports_count': 1,
  34             'infer': DepthToSpaceOp.depth_to_space_infer
  35         }
  36         super().__init__(graph, mandatory_props, attrs)
  37
  38     @staticmethod
  39     def depth_to_space_infer(node: Node):
  40         in_shape = node.in_node().shape
  41         if in_shape.size != 4:
  42             log.error('TensorFlow DepthToSpace operation is supported for 4D \'NHWC\' input layout only. '
  43                       'Current input shape is \'{}\''.format(in_shape))
  44             return
  45         N, H, W, C = in_shape
  46         block_size = node['block_size']
  47         if C % (block_size ** 2):
  48             log.error('Feature dimensions of input tensor of DepthToSpace operation have to be divisible by square of '
  49                       'DepthToSpace \'block_size\' parameter. Input tensor shape = {}. Feature dimension = {}. '
  50                       'block_size = {}'.format(in_shape, C, block_size))
  51             return
  52         out_shape = [N, int(H * block_size), int(W * block_size), int(C / (block_size ** 2))]
  53         if np.prod(in_shape) != np.prod(out_shape):
  54             return
  55         node.out_node().shape = int64_array(out_shape)