model-optimizer/extensions/ops/priorbox_clustered.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
  17 import networkx as nx
  18 import numpy as np
  19
  20 from mo.front.common.layout import get_width_dim, get_height_dim
  21 from mo.front.extractor import attr_getter
  22 from mo.graph.graph import Node, Graph
  23 from mo.ops.op import Op
  24
  25
  26 class PriorBoxClusteredOp(Op):
  27     op = 'PriorBoxClustered'
  28
  29     def __init__(self, graph: Graph, attrs: dict):
  30         mandatory_props = {
  31             'type': __class__.op,
  32             'op': __class__.op,
  33             'in_ports_count': 2,
  34             'out_ports_count': 1,
  35             'infer': PriorBoxClusteredOp.priorbox_clustered_infer
  36         }
  37         super().__init__(graph, mandatory_props, attrs)
  38
  39     def supported_attrs(self):
  40         return [
  41             'width',
  42             'height',
  43             'flip',
  44             'clip',
  45             'variance',
  46             'img_size',
  47             'img_h',
  48             'img_w',
  49             'step',
  50             'step_h',
  51             'step_w',
  52             'offset'
  53         ]
  54
  55     def backend_attrs(self):
  56         return [
  57             'flip',
  58             'clip',
  59             'img_size',
  60             'img_h',
  61             'img_w',
  62             'step',
  63             'step_h',
  64             'step_w',
  65             'offset',
  66             ('variance', lambda node: attr_getter(node, 'variance')),
  67             ('width', lambda node: attr_getter(node, 'width')),
  68             ('height', lambda node: attr_getter(node, 'height'))
  69         ]
  70
  71     @staticmethod
  72     def priorbox_clustered_infer(node: Node):
  73         layout = node.graph.graph['layout']
  74         data_shape = node.in_node(0).shape
  75         num_ratios = len(node.width)
  76
  77         res_prod = data_shape[get_height_dim(layout, 4)] * data_shape[get_width_dim(layout, 4)] * num_ratios * 4
  78         node.out_node(0).shape = np.array([1, 2, res_prod], dtype=np.int64)