modules/dnn/src/layers/concat_layer.cpp

   1 /*M///////////////////////////////////////////////////////////////////////////////////////
   2 //
   3 //  IMPORTANT: READ BEFORE DOWNLOADING, COPYING, INSTALLING OR USING.
   4 //
   5 //  By downloading, copying, installing or using the software you agree to this license.
   6 //  If you do not agree to this license, do not download, install,
   7 //  copy or use the software.
   8 //
   9 //
  10 //                           License Agreement
  11 //                For Open Source Computer Vision Library
  12 //
  13 // Copyright (C) 2013, OpenCV Foundation, all rights reserved.
  14 // Copyright (C) 2017, Intel Corporation, all rights reserved.
  15 // Third party copyrights are property of their respective owners.
  16 //
  17 // Redistribution and use in source and binary forms, with or without modification,
  18 // are permitted provided that the following conditions are met:
  19 //
  20 //   * Redistribution's of source code must retain the above copyright notice,
  21 //     this list of conditions and the following disclaimer.
  22 //
  23 //   * Redistribution's in binary form must reproduce the above copyright notice,
  24 //     this list of conditions and the following disclaimer in the documentation
  25 //     and/or other materials provided with the distribution.
  26 //
  27 //   * The name of the copyright holders may not be used to endorse or promote products
  28 //     derived from this software without specific prior written permission.
  29 //
  30 // This software is provided by the copyright holders and contributors "as is" and
  31 // any express or implied warranties, including, but not limited to, the implied
  32 // warranties of merchantability and fitness for a particular purpose are disclaimed.
  33 // In no event shall the Intel Corporation or contributors be liable for any direct,
  34 // indirect, incidental, special, exemplary, or consequential damages
  35 // (including, but not limited to, procurement of substitute goods or services;
  36 // loss of use, data, or profits; or business interruption) however caused
  37 // and on any theory of liability, whether in contract, strict liability,
  38 // or tort (including negligence or otherwise) arising in any way out of
  39 // the use of this software, even if advised of the possibility of such damage.
  40 //
  41 //M*/
  42
  43 #include "../precomp.hpp"
  44 #include "layers_common.hpp"
  45 #include "../op_halide.hpp"
  46 #include "../op_inf_engine.hpp"
  47 #include "../op_vkcom.hpp"
  48
  49 #ifdef HAVE_OPENCL
  50 #include "opencl_kernels_dnn.hpp"
  51 #endif
  52
  53 namespace cv
  54 {
  55 namespace dnn
  56 {
  57
  58 class ConcatLayerImpl CV_FINAL : public ConcatLayer
  59 {
  60 public:
  61     ConcatLayerImpl(const LayerParams& params)
  62     {
  63         setParamsFrom(params);
  64         axis = params.get<int>("axis", 1);
  65         padding = params.get<bool>("padding", false);
  66     }
  67
  68     virtual bool getMemoryShapes(const std::vector<MatShape> &inputs,
  69                                  const int requiredOutputs,
  70                                  std::vector<MatShape> &outputs,
  71                                  std::vector<MatShape> &internals) const CV_OVERRIDE
  72     {
  73         CV_Assert(inputs.size() > 0);
  74         outputs.resize(1, inputs[0]);
  75         int cAxis = clamp(axis, inputs[0]);
  76
  77         int axisSum = 0;
  78         for (size_t i = 0; i < inputs.size(); i++)
  79         {
  80             MatShape curShape = inputs[i];
  81
  82             if (padding)
  83             {
  84                 for (int curAxis = 0; curAxis < outputs[0].size(); curAxis++)
  85                 {
  86                     outputs[0][curAxis] = std::max(outputs[0][curAxis], curShape[curAxis]);
  87                 }
  88             }
  89             else
  90             {
  91                 CV_Assert(curShape.size() == outputs[0].size());
  92                 for (int curAxis = 0; curAxis < outputs[0].size(); curAxis++)
  93                 {
  94                     if (curAxis != cAxis && outputs[0][curAxis] != curShape[curAxis])
  95                         CV_Error(Error::StsBadSize, "Inconsistent shape for ConcatLayer");
  96                 }
  97             }
  98
  99             axisSum += curShape[cAxis];
 100         }
 101         outputs[0][cAxis] = axisSum;
 102         return false;
 103     }
 104
 105     virtual bool supportBackend(int backendId) CV_OVERRIDE
 106     {
 107         return backendId == DNN_BACKEND_OPENCV ||
 108                (backendId == DNN_BACKEND_HALIDE && haveHalide() && axis == 1 && !padding) ||  // By channels
 109                (backendId == DNN_BACKEND_INFERENCE_ENGINE && haveInfEngine() && !padding) ||
 110                (backendId == DNN_BACKEND_VKCOM && haveVulkan() && !padding);
 111     }
 112
 113     class ChannelConcatInvoker : public ParallelLoopBody
 114     {
 115     public:
 116         std::vector<Mat>* inputs;
 117         Mat* output;
 118         int nstripes;
 119         std::vector<const float*> chptrs;
 120
 121         static void run(std::vector<Mat>& inputs, Mat& output, int nstripes)
 122         {
 123             ChannelConcatInvoker cc;
 124             cc.inputs = &inputs;
 125             cc.output = &output;
 126             cc.nstripes = nstripes;
 127
 128             size_t i, ninputs = inputs.size();
 129             int nchannels = 0, batchsz = output.size[0];
 130             for( i = 0; i < ninputs; i++ )
 131             {
 132                 Mat& inp = inputs[i];
 133                 CV_Assert( inp.isContinuous() && (inp.type() == CV_32F || inp.type() == CV_16S) &&
 134                            inp.dims == 4 && inp.size[0] == output.size[0] &&
 135                            inp.size[2] == output.size[2] &&
 136                            inp.size[3] == output.size[3] );
 137                 nchannels += inp.size[1];
 138             }
 139             CV_Assert( nchannels == output.size[1] );
 140             CV_Assert( output.isContinuous() && (output.type() == CV_32F || output.type() == CV_16S) );
 141
 142             cc.chptrs.resize(nchannels*batchsz);
 143
 144             int ofs = 0;
 145             for( i = 0; i < ninputs; i++)
 146             {
 147                 Mat& inp = inputs[i];
 148                 for( int j = 0; j < batchsz; j++ )
 149                     for( int k = 0; k < inp.size[1]; k++ )
 150                     {
 151                         const float* ptr = inp.ptr<float>(j, k);
 152                         cc.chptrs[ofs + j*nchannels + k] = ptr;
 153                     }
 154                 ofs += inp.size[1];
 155             }
 156
 157             parallel_for_(Range(0, nstripes), cc, nstripes);
 158         }
 159
 160         ChannelConcatInvoker()  : inputs(0), output(0), nstripes(0) {}
 161
 162         void operator()(const Range& r) const CV_OVERRIDE
 163         {
 164             size_t planeSize = (size_t)output->size[2]*output->size[3];
 165             size_t nch = chptrs.size();
 166             size_t total = nch*planeSize;
 167             size_t stripeSize = (total + nstripes - 1)/nstripes;
 168             size_t stripeStart = r.start*stripeSize;
 169             size_t stripeEnd = std::min(total, r.end*stripeSize);
 170             const float** ptrs = (const float**)&chptrs[0];
 171             float* outptr = output->ptr<float>();
 172             size_t blockSize0 = 1 << 16;
 173
 174             for( size_t ofs0 = stripeStart; ofs0 < stripeEnd; )
 175             {
 176                 size_t ch = ofs0/planeSize;
 177                 size_t ofs = ofs0 - ch*planeSize;
 178                 size_t blockSize = std::min(blockSize0, planeSize - ofs);
 179                 memcpy(outptr + ofs0, ptrs[ch] + ofs, blockSize*sizeof(outptr[0]));
 180                 ofs0 += blockSize;
 181             }
 182         }
 183     };
 184
 185 #ifdef HAVE_OPENCL
 186     bool forward_ocl(InputArrayOfArrays inps, OutputArrayOfArrays outs, OutputArrayOfArrays internals)
 187     {
 188         std::vector<UMat> inputs;
 189         std::vector<UMat> outputs;
 190
 191         bool use_half = (inps.depth() == CV_16S);
 192         inps.getUMatVector(inputs);
 193         outs.getUMatVector(outputs);
 194
 195         int cAxis = clamp(axis, inputs[0].dims);
 196         if (padding)
 197             return false;
 198
 199         int bottom_concat_axis;
 200         int concat_size = total(shape(inputs[0]), cAxis + 1);
 201         int top_concat_axis = outputs[0].size[cAxis];
 202         int num_concats = total(shape(inputs[0]), 0, cAxis);
 203         int offset_concat_axis = 0;
 204         UMat& outMat = outputs[0];
 205         String buildopt = format(" -DDtype=%s", (use_half) ? "half" : "float");
 206         String kname = format("concat_%s", use_half ? "half" : "float");
 207
 208         for (size_t i = 0; i < inputs.size(); i++)
 209         {
 210             ocl::Kernel kernel(kname.c_str(), ocl::dnn::concat_oclsrc, buildopt);
 211             if (kernel.empty())
 212                 return false;
 213
 214             UMat& inpMat = inputs[i];
 215             bottom_concat_axis = inputs[i].size[cAxis];
 216             size_t nthreads = inputs[i].total();
 217
 218             kernel.set(0, (int)nthreads);
 219             kernel.set(1, ocl::KernelArg::PtrReadOnly(inpMat));
 220             kernel.set(2, (int)num_concats);
 221             kernel.set(3, (int)concat_size);
 222             kernel.set(4, (int)top_concat_axis);
 223             kernel.set(5, (int)bottom_concat_axis);
 224             kernel.set(6, (int)offset_concat_axis);
 225             kernel.set(7, ocl::KernelArg::PtrWriteOnly(outMat));
 226
 227             if (!kernel.run(1, &nthreads, NULL, false))
 228                 return false;
 229
 230             offset_concat_axis += bottom_concat_axis;
 231         }
 232
 233         return true;
 234     }
 235 #endif
 236
 237     void forward(InputArrayOfArrays inputs_arr, OutputArrayOfArrays outputs_arr, OutputArrayOfArrays internals_arr) CV_OVERRIDE
 238     {
 239         CV_TRACE_FUNCTION();
 240         CV_TRACE_ARG_VALUE(name, "name", name.c_str());
 241
 242         CV_OCL_RUN(IS_DNN_OPENCL_TARGET(preferableTarget),
 243                    forward_ocl(inputs_arr, outputs_arr, internals_arr))
 244
 245         std::vector<Mat> inputs, outputs;
 246         inputs_arr.getMatVector(inputs);
 247         outputs_arr.getMatVector(outputs);
 248
 249         int cAxis = clamp(axis, inputs[0].dims);
 250         Mat& outMat = outputs[0];
 251
 252         if (padding)
 253             outMat.setTo(0);
 254
 255         if( cAxis == 1 && outMat.dims == 4 && !padding)
 256         {
 257             int nstripes = getNumThreads();
 258             ChannelConcatInvoker::run(inputs, outMat, nstripes);
 259         }
 260         else
 261         {
 262             std::vector<Range> ranges(outputs[0].dims, Range::all());
 263
 264             ranges[cAxis].start = 0;
 265             for (size_t i = 0; i < inputs.size(); i++)
 266             {
 267                 ranges[cAxis].end = ranges[cAxis].start + inputs[i].size[cAxis];
 268                 for (int j = 0; j < outMat.dims; ++j)
 269                 {
 270                     if (j == cAxis) continue;
 271                     ranges[j].start = (outMat.size[j] - inputs[i].size[j]) / 2;
 272                     ranges[j].end = ranges[j].start + inputs[i].size[j];
 273                 }
 274                 inputs[i].copyTo(outMat(&ranges[0]));
 275                 ranges[cAxis].start = ranges[cAxis].end;
 276             }
 277         }
 278     }
 279     virtual Ptr<BackendNode> initVkCom(const std::vector<Ptr<BackendWrapper> > &input) CV_OVERRIDE
 280     {
 281 #ifdef HAVE_VULKAN
 282         vkcom::Tensor in = VkComTensor(input[0]);
 283         int cAxis = clamp(axis, in.dimNum());
 284         std::shared_ptr<vkcom::OpBase> op(new vkcom::OpConcat(cAxis));
 285         return Ptr<BackendNode>(new VkComBackendNode(input, op));
 286 #endif // HAVE_VULKAN
 287         return Ptr<BackendNode>();
 288     }
 289
 290     virtual Ptr<BackendNode> initHalide(const std::vector<Ptr<BackendWrapper> > &input) CV_OVERRIDE
 291     {
 292 #ifdef HAVE_HALIDE
 293         std::vector<Halide::Buffer<> > inputBuffers = halideBuffers(input);
 294
 295         Halide::Var x("x"), y("y"), c("c"), n("n");
 296         Halide::Func top = (name.empty() ? Halide::Func() : Halide::Func(name));
 297         int offset = inputBuffers[0].channels();
 298         Halide::Expr topExpr = select(c < offset,
 299                                       inputBuffers[0](x, y, c, n),
 300                                       inputBuffers[1](x, y, c - offset, n));
 301         for (int i = 2; i < input.size(); ++i)
 302         {
 303             offset += inputBuffers[i - 1].channels();
 304             topExpr = select(c < offset, topExpr,
 305                              inputBuffers[i](x, y, c - offset, n));
 306         }
 307         top(x, y, c, n) = topExpr;
 308         return Ptr<BackendNode>(new HalideBackendNode(top));
 309 #endif  // HAVE_HALIDE
 310         return Ptr<BackendNode>();
 311     }
 312
 313 #ifdef HAVE_INF_ENGINE
 314     virtual Ptr<BackendNode> initInfEngine(const std::vector<Ptr<BackendWrapper> >& inputs) CV_OVERRIDE
 315     {
 316         InferenceEngine::DataPtr input = infEngineDataNode(inputs[0]);
 317
 318         InferenceEngine::Builder::ConcatLayer ieLayer(name);
 319         ieLayer.setAxis(clamp(axis, input->getDims().size()));
 320         ieLayer.setInputPorts(std::vector<InferenceEngine::Port>(inputs.size()));
 321         return Ptr<BackendNode>(new InfEngineBackendNode(ieLayer));
 322     }
 323 #endif  // HAVE_INF_ENGINE
 324 };
 325
 326 Ptr<ConcatLayer> ConcatLayer::create(const LayerParams& params)
 327 {
 328     return Ptr<ConcatLayer>(new ConcatLayerImpl(params));
 329 }
 330
 331 }
 332 }