model-optimizer/mo/front/caffe/extractors/batchnorm.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.front.caffe.extractors.utils import embed_input
  20 from mo.front.common.partial_infer.elemental import copy_shape_infer
  21
  22
  23 def batch_norm_ext(pb_layer, pb_model):
  24     """
  25     Extracts properties of the BatchNorm layer.
  26     In case of scale, scale is merged into mean and variance
  27     Args:
  28         pl: proto layer, contains own properties of the layer, i.e epsilon
  29         ml: caffemodel layer, contains blobs with 0: mean, 1: variance, (opt)2: scale
  30
  31     Returns:
  32         attrs object with type, partial inference function and mean/variance properties.
  33     """
  34     assert pb_layer, 'Protobuf layer can not be empty'
  35     param = pb_layer.batch_norm_param
  36     attrs = {
  37         'op': 'BatchNormalization',
  38         'type': 'BatchNormalization',
  39         'epsilon': param.eps,
  40         'infer': copy_shape_infer
  41     }
  42
  43     if not pb_model:
  44         return attrs
  45
  46     blobs = pb_model.blobs
  47     assert len(blobs) >= 2, 'BatchNorm accepts not less then two input blobs'
  48     mean = np.array(blobs[0].data)
  49     variance = np.array(blobs[1].data)
  50
  51     if len(blobs) == 3:
  52         scale = blobs[2].data[0]
  53         if scale != 0:
  54             scale = 1.0 / scale
  55         mean *= scale
  56         variance *= scale
  57
  58     embed_input(attrs, 1, 'mean', mean, 'biases')
  59     embed_input(attrs, 2, 'variance', variance, 'weights')
  60
  61     return attrs