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_cuda.hpp"
  46 #include "../op_halide.hpp"
  47 #include "../op_inf_engine.hpp"
  48 #include "../op_vkcom.hpp"
  49
  50 #ifdef HAVE_OPENCL
  51 #include "opencl_kernels_dnn.hpp"
  52 #endif
  53
  54 #ifdef HAVE_CUDA
  55 #include "../cuda4dnn/primitives/concat.hpp"
  56 using namespace cv::dnn::cuda4dnn;
  57 #endif
  58
  59 namespace cv
  60 {
  61 namespace dnn
  62 {
  63
  64 class ConcatLayerImpl CV_FINAL : public ConcatLayer
  65 {
  66 public:
  67     ConcatLayerImpl(const LayerParams& params)
  68     {
  69         setParamsFrom(params);
  70         axis = params.get<int>("axis", 1);
  71         padding = params.get<bool>("padding", false);
  72     }
  73
  74     virtual bool getMemoryShapes(const std::vector<MatShape> &inputs,
  75                                  const int requiredOutputs,
  76                                  std::vector<MatShape> &outputs,
  77                                  std::vector<MatShape> &internals) const CV_OVERRIDE
  78     {
  79         CV_Assert(inputs.size() > 0);
  80         outputs.resize(1, inputs[0]);
  81         int cAxis = clamp(axis, inputs[0]);
  82
  83         int axisSum = 0;
  84         for (size_t i = 0; i < inputs.size(); i++)
  85         {
  86             MatShape curShape = inputs[i];
  87
  88             if (padding)
  89             {
  90                 for (int curAxis = 0; curAxis < outputs[0].size(); curAxis++)
  91                 {
  92                     outputs[0][curAxis] = std::max(outputs[0][curAxis], curShape[curAxis]);
  93                 }
  94             }
  95             else
  96             {
  97                 CV_Assert(curShape.size() == outputs[0].size());
  98                 for (int curAxis = 0; curAxis < outputs[0].size(); curAxis++)
  99                 {
 100                     if (curAxis != cAxis && outputs[0][curAxis] != curShape[curAxis])
 101                         CV_Error(Error::StsBadSize, "Inconsistent shape for ConcatLayer");
 102                 }
 103             }
 104
 105             axisSum += curShape[cAxis];
 106         }
 107         outputs[0][cAxis] = axisSum;
 108         return false;
 109     }
 110
 111     virtual bool supportBackend(int backendId) CV_OVERRIDE
 112     {
 113         return backendId == DNN_BACKEND_OPENCV ||
 114                backendId == DNN_BACKEND_CUDA ||
 115                (backendId == DNN_BACKEND_HALIDE && haveHalide() && axis == 1 && !padding) ||  // By channels
 116                (backendId == DNN_BACKEND_INFERENCE_ENGINE && haveInfEngine() && !padding) ||
 117                (backendId == DNN_BACKEND_VKCOM && haveVulkan() && !padding);
 118     }
 119
 120     class ChannelConcatInvoker : public ParallelLoopBody
 121     {
 122     public:
 123         std::vector<Mat>* inputs;
 124         Mat* output;
 125         int nstripes;
 126         std::vector<const float*> chptrs;
 127
 128         static void run(std::vector<Mat>& inputs, Mat& output, int nstripes)
 129         {
 130             ChannelConcatInvoker cc;
 131             cc.inputs = &inputs;
 132             cc.output = &output;
 133             cc.nstripes = nstripes;
 134
 135             size_t i, ninputs = inputs.size();
 136             int nchannels = 0, batchsz = output.size[0];
 137             for( i = 0; i < ninputs; i++ )
 138             {
 139                 Mat& inp = inputs[i];
 140                 CV_Assert( inp.isContinuous() && (inp.type() == CV_32F || inp.type() == CV_16S) &&
 141                            inp.dims == 4 && inp.size[0] == output.size[0] &&
 142                            inp.size[2] == output.size[2] &&
 143                            inp.size[3] == output.size[3] );
 144                 nchannels += inp.size[1];
 145             }
 146             CV_Assert( nchannels == output.size[1] );
 147             CV_Assert( output.isContinuous() && (output.type() == CV_32F || output.type() == CV_16S) );
 148
 149             cc.chptrs.resize(nchannels*batchsz);
 150
 151             int ofs = 0;
 152             for( i = 0; i < ninputs; i++)
 153             {
 154                 Mat& inp = inputs[i];
 155                 for( int j = 0; j < batchsz; j++ )
 156                     for( int k = 0; k < inp.size[1]; k++ )
 157                     {
 158                         const float* ptr = inp.ptr<float>(j, k);
 159                         cc.chptrs[ofs + j*nchannels + k] = ptr;
 160                     }
 161                 ofs += inp.size[1];
 162             }
 163
 164             parallel_for_(Range(0, nstripes), cc, nstripes);
 165         }
 166
 167         ChannelConcatInvoker()  : inputs(0), output(0), nstripes(0) {}
 168
 169         void operator()(const Range& r) const CV_OVERRIDE
 170         {
 171             size_t planeSize = (size_t)output->size[2]*output->size[3];
 172             size_t nch = chptrs.size();
 173             size_t total = nch*planeSize;
 174             size_t stripeSize = (total + nstripes - 1)/nstripes;
 175             size_t stripeStart = r.start*stripeSize;
 176             size_t stripeEnd = std::min(total, r.end*stripeSize);
 177             const float** ptrs = (const float**)&chptrs[0];
 178             float* outptr = output->ptr<float>();
 179             size_t blockSize0 = 1 << 16;
 180
 181             for( size_t ofs0 = stripeStart; ofs0 < stripeEnd; )
 182             {
 183                 size_t ch = ofs0/planeSize;
 184                 size_t ofs = ofs0 - ch*planeSize;
 185                 size_t blockSize = std::min(blockSize0, planeSize - ofs);
 186                 memcpy(outptr + ofs0, ptrs[ch] + ofs, blockSize*sizeof(outptr[0]));
 187                 ofs0 += blockSize;
 188             }
 189         }
 190     };
 191
 192 #ifdef HAVE_OPENCL
 193     bool forward_ocl(InputArrayOfArrays inps, OutputArrayOfArrays outs, OutputArrayOfArrays internals)
 194     {
 195         std::vector<UMat> inputs;
 196         std::vector<UMat> outputs;
 197
 198         bool use_half = (inps.depth() == CV_16S);
 199         inps.getUMatVector(inputs);
 200         outs.getUMatVector(outputs);
 201
 202         int cAxis = clamp(axis, inputs[0].dims);
 203         if (padding)
 204             return false;
 205
 206         int bottom_concat_axis;
 207         int concat_size = total(shape(inputs[0]), cAxis + 1);
 208         int top_concat_axis = outputs[0].size[cAxis];
 209         int num_concats = total(shape(inputs[0]), 0, cAxis);
 210         int offset_concat_axis = 0;
 211         UMat& outMat = outputs[0];
 212         String buildopt = format(" -DDtype=%s", (use_half) ? "half" : "float");
 213         String kname = format("concat_%s", use_half ? "half" : "float");
 214
 215         for (size_t i = 0; i < inputs.size(); i++)
 216         {
 217             ocl::Kernel kernel(kname.c_str(), ocl::dnn::concat_oclsrc, buildopt);
 218             if (kernel.empty())
 219                 return false;
 220
 221             UMat& inpMat = inputs[i];
 222             bottom_concat_axis = inputs[i].size[cAxis];
 223             size_t nthreads = inputs[i].total();
 224
 225             kernel.set(0, (int)nthreads);
 226             kernel.set(1, ocl::KernelArg::PtrReadOnly(inpMat));
 227             kernel.set(2, (int)num_concats);
 228             kernel.set(3, (int)concat_size);
 229             kernel.set(4, (int)top_concat_axis);
 230             kernel.set(5, (int)bottom_concat_axis);
 231             kernel.set(6, (int)offset_concat_axis);
 232             kernel.set(7, ocl::KernelArg::PtrWriteOnly(outMat));
 233
 234             if (!kernel.run(1, &nthreads, NULL, false))
 235                 return false;
 236
 237             offset_concat_axis += bottom_concat_axis;
 238         }
 239
 240         return true;
 241     }
 242 #endif
 243
 244     void forward(InputArrayOfArrays inputs_arr, OutputArrayOfArrays outputs_arr, OutputArrayOfArrays internals_arr) CV_OVERRIDE
 245     {
 246         CV_TRACE_FUNCTION();
 247         CV_TRACE_ARG_VALUE(name, "name", name.c_str());
 248
 249         CV_OCL_RUN(IS_DNN_OPENCL_TARGET(preferableTarget),
 250                    forward_ocl(inputs_arr, outputs_arr, internals_arr))
 251
 252         std::vector<Mat> inputs, outputs;
 253         inputs_arr.getMatVector(inputs);
 254         outputs_arr.getMatVector(outputs);
 255
 256         int cAxis = clamp(axis, inputs[0].dims);
 257         Mat& outMat = outputs[0];
 258
 259         if (padding)
 260             outMat.setTo(0);
 261
 262         if( cAxis == 1 && outMat.dims == 4 && !padding)
 263         {
 264             int nstripes = getNumThreads();
 265             ChannelConcatInvoker::run(inputs, outMat, nstripes);
 266         }
 267         else
 268         {
 269             std::vector<Range> ranges(outputs[0].dims, Range::all());
 270
 271             ranges[cAxis].start = 0;
 272             for (size_t i = 0; i < inputs.size(); i++)
 273             {
 274                 ranges[cAxis].end = ranges[cAxis].start + inputs[i].size[cAxis];
 275                 for (int j = 0; j < outMat.dims; ++j)
 276                 {
 277                     if (j == cAxis) continue;
 278                     ranges[j].start = (outMat.size[j] - inputs[i].size[j]) / 2;
 279                     ranges[j].end = ranges[j].start + inputs[i].size[j];
 280                 }
 281                 inputs[i].copyTo(outMat(&ranges[0]));
 282                 ranges[cAxis].start = ranges[cAxis].end;
 283             }
 284         }
 285     }
 286
 287 #ifdef HAVE_CUDA
 288     Ptr<BackendNode> initCUDA(
 289         void *context_,
 290         const std::vector<Ptr<BackendWrapper>>& inputs,
 291         const std::vector<Ptr<BackendWrapper>>& outputs
 292     ) override
 293     {
 294         auto context = reinterpret_cast<csl::CSLContext*>(context_);
 295
 296         auto input_wrapper = inputs[0].dynamicCast<CUDABackendWrapper>();
 297         auto concat_axis = clamp(axis, input_wrapper->getRank());
 298         return make_cuda_node<cuda4dnn::ConcatOp>(preferableTarget, std::move(context->stream), concat_axis, padding);
 299     }
 300 #endif
 301
 302     virtual Ptr<BackendNode> initVkCom(const std::vector<Ptr<BackendWrapper> > &input) CV_OVERRIDE
 303     {
 304 #ifdef HAVE_VULKAN
 305         vkcom::Tensor in = VkComTensor(input[0]);
 306         int cAxis = clamp(axis, in.dimNum());
 307         std::shared_ptr<vkcom::OpBase> op(new vkcom::OpConcat(cAxis));
 308         return Ptr<BackendNode>(new VkComBackendNode(input, op));
 309 #endif // HAVE_VULKAN
 310         return Ptr<BackendNode>();
 311     }
 312
 313     virtual Ptr<BackendNode> initHalide(const std::vector<Ptr<BackendWrapper> > &input) CV_OVERRIDE
 314     {
 315 #ifdef HAVE_HALIDE
 316         std::vector<Halide::Buffer<> > inputBuffers = halideBuffers(input);
 317
 318         Halide::Var x("x"), y("y"), c("c"), n("n");
 319         Halide::Func top = (name.empty() ? Halide::Func() : Halide::Func(name));
 320         int offset = inputBuffers[0].channels();
 321         Halide::Expr topExpr = select(c < offset,
 322                                       inputBuffers[0](x, y, c, n),
 323                                       inputBuffers[1](x, y, c - offset, n));
 324         for (int i = 2; i < input.size(); ++i)
 325         {
 326             offset += inputBuffers[i - 1].channels();
 327             topExpr = select(c < offset, topExpr,
 328                              inputBuffers[i](x, y, c - offset, n));
 329         }
 330         top(x, y, c, n) = topExpr;
 331         return Ptr<BackendNode>(new HalideBackendNode(top));
 332 #endif  // HAVE_HALIDE
 333         return Ptr<BackendNode>();
 334     }
 335
 336 #ifdef HAVE_INF_ENGINE
 337     virtual Ptr<BackendNode> initInfEngine(const std::vector<Ptr<BackendWrapper> >& inputs) CV_OVERRIDE
 338     {
 339         InferenceEngine::DataPtr input = infEngineDataNode(inputs[0]);
 340
 341         InferenceEngine::Builder::ConcatLayer ieLayer(name);
 342         ieLayer.setAxis(clamp(axis, input->getDims().size()));
 343         ieLayer.setInputPorts(std::vector<InferenceEngine::Port>(inputs.size()));
 344         return Ptr<BackendNode>(new InfEngineBackendNode(ieLayer));
 345     }
 346 #endif  // HAVE_INF_ENGINE
 347 };
 348
 349 Ptr<ConcatLayer> ConcatLayer::create(const LayerParams& params)
 350 {
 351     return Ptr<ConcatLayer>(new ConcatLayerImpl(params));
 352 }
 353
 354 }
 355 }