model-optimizer/mo/middle/passes/pool.py

   1 """
   2  Copyright (c) 2018 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.graph.graph import create_edge
  21 from mo.middle.pattern_match import apply_pattern
  22 from mo.ops.op import Op, PermuteAttrs
  23 from mo.ops.reshape import Reshape
  24
  25
  26 def mean_to_avgpool_action(graph: nx.MultiDiGraph, matches: dict):
  27     if matches['axis'].value is None or matches['input'].shape is None:
  28         return
  29     dims = len(matches['input'].shape)
  30     ones = np.ones(dims, dtype=np.int64)
  31     axis = np.array(matches['axis'].value)
  32     axis = axis if axis.ndim != 0 else np.array([axis], dtype=np.int64)
  33
  34     mean = graph.node[matches['mean'].node]
  35     mean['stride'] = np.array(ones)
  36     # TODO: need to check axis with real layout
  37     spatial_dims = np.array(axis)
  38     mean['spatial_dims'] = spatial_dims
  39     mean['pad'] = np.zeros((dims, 2), np.int64)
  40     mean['pad_spatial_shape'] = np.array(mean['pad'][spatial_dims])
  41     window = np.array(ones)
  42     window[spatial_dims] = matches['input'].shape[spatial_dims]
  43     mean['window'] = window
  44     mean['TF_op'] = mean['op']
  45     mean['op'] = 'AvgPool'
  46     mean['pool_method'] = 'avg'
  47     mean['rounding_type'] = 'ceil'
  48     mean['exclude_pad'] = 'true'
  49     mean['kernel_spatial'] = window[spatial_dims]
  50     graph.remove_edge(matches['axis'].node, matches['mean'].node)
  51     mean['permute_attrs'] = PermuteAttrs().update_attrs(attrs=[('pad', 'input:0'),
  52                                                                ('stride', 'input:0'),
  53                                                                ('window', 'input:0'),
  54                                                                ('spatial_dims', 'input:0')])
  55
  56     if matches['mean'].keep_dims == False:
  57         output = matches['mean'].out_node()
  58         pool_node = matches['mean']
  59
  60         # Keep dims for AvgPool
  61         shape = np.array(output.shape)
  62         for idx in spatial_dims:
  63             shape = np.insert(shape, idx, 1)
  64
  65         graph.remove_edge(pool_node.id, output.id)
  66         # Create new data for pool with all dims
  67         pool_data = Op.create_data_node(graph, pool_node, {'shape': np.array(shape)})
  68         # Create and connect reshape node
  69         reshape_op = Reshape(graph, {'dim': np.array(output.shape)})
  70         reshape_node = reshape_op.create_node([pool_data], dict(name='Reshape_',
  71                                                                 permute_attrs=PermuteAttrs().update_attrs(attrs=[('dim', 'output:0')])))
  72         create_edge(reshape_node, output)
  73
  74
  75 def mean_to_avgpool(graph: nx.MultiDiGraph):
  76     """
  77     Translate Mean as a average pooling with kernel size equals to reduced dimensions and with no padding.
  78     """
  79     apply_pattern(
  80         graph,
  81         nodes=[
  82             ('input', dict(kind='data')),
  83             ('axis', dict(kind='data')),
  84             ('mean', dict(kind='op', op='Mean'))],
  85         edges=[
  86             ('input', 'mean', {'in': 0}),
  87             ('axis', 'mean', {'in': 1})],
  88         action=mean_to_avgpool_action
  89     )
  90     return graph