model-optimizer/mo/ops/reduce.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 mo.front.common.partial_infer.utils import int64_array
  22 from mo.graph.graph import Node, Graph
  23 from mo.ops.op import Op
  24 from mo.utils.error import Error
  25
  26
  27 class Reduce(Op):
  28     enabled = False
  29
  30     reduce_method_map = {
  31         'max': np.max,
  32         'mean': np.mean,
  33         'sum': np.sum,
  34     }
  35
  36     def __init__(self, graph: Graph, attrs: dict):
  37         super().__init__(graph, {
  38             'op': 'Reduce',
  39             'reduce_type': None,
  40             'infer': __class__.infer,
  41             'in_ports_count': 2,
  42             'out_ports_count': 1,
  43         }, attrs)
  44
  45     @staticmethod
  46     def infer(node: Node):
  47         if len(node.in_nodes()) == 2:
  48             reduction_indices_data = node.in_node(1)
  49             if reduction_indices_data.has_valid('value'):
  50                 node['axis'] = reduction_indices_data.value
  51             else:
  52                 raise Error("Can not deduce `reduction_indices` for node {}. It should be deduced out of first port "
  53                             "input due to absence of value in this node".format(node.id))
  54             node.graph.remove_edge(reduction_indices_data.id, node.id)
  55
  56         input_node = node.in_node()
  57         input_shape = np.array(node.in_node().shape, dtype=np.int64)
  58         output_node = node.out_node()
  59
  60         # In case if axis is None it means that reduction comes along each dimension
  61         if node.axis is None:
  62             node.axis = int64_array(list(range(len(input_shape))))
  63
  64         if not node.has_valid('reduce_type'):
  65             log.error('Reduce type for node {} not specified!'.format(node.id))
  66             return
  67
  68         reduce_type = node.reduce_type
  69         if input_node.has_valid('value'):
  70             if reduce_type.lower() in ['mean', 'max']:
  71                 # Value and Shape propagation for constant path
  72                 output_node.value = Reduce.reduce_method_map[reduce_type.lower()](input_node.value,
  73                                                                                   axis=tuple(node.axis),
  74                                                                                   keepdims=node.keep_dims)
  75                 output_node.shape = np.array(output_node.value.shape, dtype=np.int64)
  76             else:
  77                 log.error('Reduce type {} is not supported for node {}'.format(reduce_type, node.id))
  78                 return
  79         else:
  80             used_dims = np.zeros(len(input_shape), dtype=np.bool)
  81             output_shape = input_shape
  82
  83             if node.axis.size == 1:
  84                 node.axis = int64_array([node.axis.item()])
  85
  86             for dim in node.axis:
  87                 used_dims[dim] = True
  88                 output_shape[dim] = 1
  89
  90             # In case if keep dims == False, we should remove all 1 dims that was used in reduction
  91             if not node.keep_dims:
  92                 output_shape = output_shape[np.invert(used_dims)]
  93
  94             output_node.shape = output_shape