model-optimizer/mo/ops/reshape.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 import math
  17
  18 import numpy as np
  19
  20 from mo.front.common.partial_infer.elemental import single_output_infer
  21 from mo.front.common.partial_infer.reshape import tf_reshape_shape_infer
  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 Reshape(Op):
  28     op = 'Reshape'
  29     enabled = True
  30
  31     def __init__(self, graph: Graph, attrs: dict):
  32         super().__init__(graph, {
  33             'kind': 'op',
  34             'type': __class__.op,
  35             'op': __class__.op,
  36             'in_ports_count': 2,
  37             'out_ports_count': 1,
  38             'infer': lambda node: single_output_infer(node, tf_reshape_shape_infer,
  39                                                       lambda node: np.reshape(node.in_node().value,
  40                                                                               node.out_node().shape))
  41         }, attrs)
  42
  43     @staticmethod
  44     def kaldi_infer(node: Node):
  45         in_node = node.in_node().in_node()  # prev_layer_node -> data -> this_node
  46         input_shape = node.in_node().shape
  47         # Kaldi Reshape hugely depends on the layers that precedes or succeeds
  48         # Convolution/Pooling layers. Therefore there are 4 cases with different
  49         # partial inference.
  50         batch = input_shape[0]
  51         if in_node.op in ['Convolution', 'Pooling', 'Permute']:
  52             output_spatial = np.array([batch, np.prod(input_shape[1:])], dtype=np.int64)
  53             return Reshape.set_shape_and_dim(node, output_spatial)
  54         # Supports ONLY NCHW and NH layouts
  55         if len(input_shape) not in [4, 2]:
  56             raise Error('Reshape in Kaldi support only 1d or 3d shapes')
  57         spatial_shape = input_shape[1]
  58         if len(input_shape) in [4]:
  59             spatial_shape = input_shape[2:3]
  60         out_node = node.out_node().out_node()
  61         if out_node.op == 'Convolution':
  62             output_spatial = np.array(
  63                 [batch, math.ceil(spatial_shape / out_node.patch_stride), 1, out_node.patch_stride], dtype=np.int64)
  64             return Reshape.set_shape_and_dim(node, output_spatial)
  65         elif out_node.op == 'Pooling':
  66             if out_node.pool_step is None:
  67                 out_node.stride = np.array([1, 1, out_node.window[-1], out_node.window[-1]], dtype=np.int64)
  68             output_spatial = np.array(
  69                 [batch, out_node.pool_stride, 1, math.ceil(spatial_shape / out_node.pool_stride)], dtype=np.int64)
  70             return Reshape.set_shape_and_dim(node, output_spatial)
  71
  72     @staticmethod
  73     def set_shape_and_dim(node: Node, reshape_dim):
  74         Reshape.update_node_stat(node, {'dim': reshape_dim})
  75         node.out_node().shape = reshape_dim