model-optimizer/extensions/ops/switch.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 numpy as np
  18
  19 from mo.graph.graph import Node, Graph
  20 from mo.ops.op import Op
  21
  22
  23 class Switch(Op):
  24     op = 'Switch'
  25
  26     def __init__(self, graph: Graph, attrs: dict):
  27         mandatory_props = {
  28             'op': __class__.op,
  29             'infer': __class__.infer,
  30             'cf_infer': __class__.control_flow_infer
  31         }
  32         super().__init__(graph, mandatory_props, attrs)
  33
  34     @staticmethod
  35     def infer(node: Node):
  36         assert len(node.in_nodes()) == 2
  37         tensor = node.in_node(0)
  38         port_id = node.in_node(1)
  39
  40         output_shape = tensor.shape
  41         # Case with variable predicate
  42         if not port_id.has_valid('value'):
  43             # infer only shapes
  44             for _, out_node in node.graph.out_edges(node.id):
  45                 node.graph.node[out_node]['shape'] = np.array(output_shape)
  46             return
  47         output_value = tensor.value
  48         for _, out_node in node.graph.out_edges(node.id):
  49             node.graph.node[out_node]['shape'] = np.array(output_shape)
  50             node.graph.node[out_node]['value'] = None if output_value is None else np.array(output_value)
  51
  52     @staticmethod
  53     def control_flow_infer(node: Node, is_executable: bool, mark_executability: callable):
  54         """
  55         Infers control flow through switch operation node. It marks output data nodes executability according to
  56         executability of current node and switch data value
  57         :param node: Node instance to infer control flow through
  58         :param is_executable: if current node is executable
  59         :param mark_executability: function to mark executability of node
  60         """
  61         out_data_nodes = node.out_nodes(control_flow=True)
  62         node_with_switch_value = node.in_node(1)
  63
  64         switch_data_0_port_node_id = [out_data_nodes[0].id] if 0 in out_data_nodes else []
  65         switch_data_1_port_node_id = [out_data_nodes[1].id] if 1 in out_data_nodes else []
  66         assert 1 <= len(switch_data_0_port_node_id) + len(switch_data_1_port_node_id) <= 2
  67
  68         if not node_with_switch_value.has_valid('value'):
  69             # Mark both ports as executable
  70             resulting_switch_data_node_ids = switch_data_0_port_node_id + switch_data_1_port_node_id
  71             for n in resulting_switch_data_node_ids:
  72                 mark_executability(n, True)
  73         else:
  74             switch_value = node_with_switch_value.value.item(0)
  75             resulting_switch_data_node_ids = [switch_data_0_port_node_id, switch_data_1_port_node_id]
  76
  77             for n in resulting_switch_data_node_ids[not switch_value]:
  78                 mark_executability(n, False)
  79             for n in resulting_switch_data_node_ids[switch_value]:
  80                 mark_executability(n, is_executable)