model-optimizer/mo/front/common/partial_infer/utils.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 logging as log
  18
  19 import numpy as np
  20
  21 from typing import Iterable
  22
  23
  24 def int64_array(l: Iterable):
  25     return np.array(l, dtype=np.int64)
  26
  27
  28 def float_array(l: list):
  29     return np.array(l, dtype=np.float64)
  30
  31
  32 def mark_input_bins(node, names=('weights', 'biases'), start_port: int = 1):
  33     """
  34     Preparing necessary attributes for edges at input ports starting from start_port.
  35     It is applicable for convolution and other operations that have constant inputs which
  36     are intended to be dumped as IE IR bin file.
  37     """
  38     for port, name in enumerate(names, start=start_port):
  39         if port in node.in_nodes() and node.in_node(port).has_valid('value'):
  40             node.in_edge(port)['bin'] = name
  41
  42
  43 def assign_dims_to_weights(node, spatial, input_channel, output_channel=None, dims_number=None):
  44     if spatial is not None:
  45         node['spatial_dims'] = np.array(spatial, dtype=np.int64)
  46     node['input_channel_dim'] = np.array(input_channel, dtype=np.int64)
  47     node['output_channel_dim'] = np.array(output_channel, dtype=np.int64)
  48     if 'input_channel_dim' not in node['dim_attrs']:
  49         node['dim_attrs'].append('input_channel_dim')
  50     node['dims_number'] = dims_number
  51
  52
  53 def copy_or_none(x):
  54     return x.copy() if x is not None else None
  55
  56
  57 def convert_tf_padding_to_str(padding):
  58     mapping = {b'SAME': 'same_upper', b'VALID': 'valid'}
  59     return mapping[padding.s]
  60
  61
  62 # TODO eliminate this dependency and pass necessary function as an argument
  63 def tf_window_op_pad_infer(input, window, stride, auto_pad, is_deconv=False):
  64     if input is None or window is None or stride is None or auto_pad is None:
  65         return (None, None)
  66
  67     normalized_stride = stride
  68     if is_deconv:
  69         normalized_stride = 1 / stride
  70
  71     if auto_pad in ['same_lower', 'same_upper']:
  72         if auto_pad == 'same_upper':
  73             output = np.int64(np.ceil(input / normalized_stride))
  74         else:
  75             output = np.int64(np.floor(input / normalized_stride))
  76         residual = input % stride
  77         mask = residual == 0
  78         full_pad = window.copy()
  79         full_pad[mask] -= stride[mask]
  80         mask = np.logical_not(mask)  # pylint: disable=assignment-from-no-return
  81         full_pad[mask] -= input[mask] % stride[mask]
  82         full_pad = np.maximum(full_pad, 0)  # pylint: disable=assignment-from-no-return
  83         low_pad = np.int64(full_pad / 2)
  84         high_pad = full_pad - low_pad
  85         pad = np.array([low_pad, high_pad]).transpose()
  86     elif auto_pad == 'valid':
  87         output = np.int64(np.ceil((input - window + 1) / normalized_stride))
  88         pad = np.zeros((len(output), 2), dtype=np.int64)
  89     else:
  90         log.error("Unsupported padding scheme: {}".format(auto_pad))
  91         pad = None
  92         output = None
  93     return (pad, output)