model-optimizer/mo/front/common/partial_infer/eltwise.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 import logging as log
  19 import networkx as nx
  20
  21 from mo.front.common.partial_infer.utils import int64_array
  22 from mo.graph.graph import Node
  23
  24
  25 def eltwise_infer(node, op=None, **kwargs):
  26     raw_inputs = [(inp, attr) for inp, attr in node.get_sorted_inputs()
  27               if 'control_flow_edge' not in attr or not attr['control_flow_edge']]
  28     inputs = [Node(node.graph, inp) for inp, attr in raw_inputs]
  29     shapes = [node.graph.node[inp]['shape'] for inp, attr in raw_inputs]
  30     values = [node.graph.node[inp]['value'] for inp, attr in raw_inputs]
  31
  32     # infer output shape based on input shapes without op involvement
  33     # based on repeated application of rules https://docs.scipy.org/doc/numpy/user/basics.broadcasting.html
  34
  35     if any([s is None for s in shapes]):
  36         # nothing is known
  37         return
  38
  39     max_dims = None
  40     for id, s in enumerate(shapes):
  41         if max_dims is None or len(s) > max_dims:
  42             max_dims = len(s)
  43
  44     # Make all input shapes of the same size by adding 1's
  45     axis = node.axis if node.has_valid('axis') else None
  46     for id, item in enumerate(zip(shapes, values)):
  47         shape, value = item
  48         if len(shape) != max_dims and len(shape) > 0 and axis is not None:
  49             new_shape = shape
  50
  51             # Extend shape with 1's
  52             for cnt in range(axis + len(shape), max_dims):
  53                 new_shape = np.append(new_shape, 1)
  54
  55             shapes[id] = new_shape
  56
  57             # Save shape for further transformation that applies this shapes for input nodes
  58             # We set new_shape attribute on edge for given input node
  59             edge_attrs = node.graph.get_edge_data(inputs[id].id, node.id)[0]
  60
  61             nx.set_edge_attributes(G=node.graph,
  62                                    values={(inputs[id].id, node.id, 0): new_shape},
  63                                    name='new_shape')
  64
  65             # Reshape value to correctly calculate output shape
  66             if values[id] is not None:
  67                 values[id] = np.reshape(values[id], new_shape)
  68
  69     extended_shapes = int64_array([np.concatenate((np.ones(max_dims - len(s), dtype=np.int64), s)) for s in shapes])
  70     # ugly but clear solution
  71     output_shape = extended_shapes[0]
  72     for si in range(1, len(extended_shapes)):
  73         for ei in range(max_dims):
  74             mind = min(output_shape[ei], extended_shapes[si][ei])
  75             maxd = max(output_shape[ei], extended_shapes[si][ei])
  76             if mind == -1:
  77                 output_shape[ei] = -1
  78             elif mind == 1:
  79                 output_shape[ei] = maxd
  80             elif mind != maxd:
  81                 output_shape[ei] = -1
  82     node.out_node().shape = output_shape
  83
  84     if op is None or any([v is None for v in values]):
  85         return
  86
  87     node.out_node().value = op(*values, **kwargs)