onert-micro/luci-interpreter/pal/common/PALConv2DCommon.h

   1 /*
   2  * Copyright (c) 2023 Samsung Electronics Co., Ltd. All Rights Reserved
   3  * Copyright 2017 The TensorFlow Authors. All Rights Reserved.
   4  *
   5  * Licensed under the Apache License, Version 2.0 (the "License");
   6  * you may not use this file except in compliance with the License.
   7  * You may obtain a copy of the License at
   8  *
   9  *    http://www.apache.org/licenses/LICENSE-2.0
  10  *
  11  * Unless required by applicable law or agreed to in writing, software
  12  * distributed under the License is distributed on an "AS IS" BASIS,
  13  * WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
  14  * See the License for the specific language governing permissions and
  15  * limitations under the License.
  16  */
  17
  18 #ifndef LUCI_INTERPRETER_PAL_CONV2D_COMMON_H
  19 #define LUCI_INTERPRETER_PAL_CONV2D_COMMON_H
  20 #include "Params.h"
  21 #include "PALUtils.h"
  22
  23 namespace luci_interpreter_pal
  24 {
  25 static inline void Conv(const ConvParams &params, const int32_t *input_shape,
  26                         const float *input_data, const int32_t *filter_shape,
  27                         const float *filter_data, const float *bias_data,
  28                         const int32_t *output_shape, float *output_data)
  29 {
  30   const int stride_width = params.stride_width;
  31   const int stride_height = params.stride_height;
  32   const int dilation_width_factor = params.dilation_width_factor;
  33   const int dilation_height_factor = params.dilation_height_factor;
  34   const int pad_width = params.padding_values.width;
  35   const int pad_height = params.padding_values.height;
  36   const float output_activation_min = params.float_activation_min;
  37   const float output_activation_max = params.float_activation_max;
  38
  39   const auto batches = input_shape[0];
  40   const int input_height = input_shape[1];
  41   const int input_width = input_shape[2];
  42   const int input_depth = input_shape[3];
  43   const int output_depth = filter_shape[0];
  44   const int filter_height = filter_shape[1];
  45   const int filter_width = filter_shape[2];
  46   const int output_height = output_shape[1];
  47   const int output_width = output_shape[2];
  48   for (int batch = 0; batch < batches; ++batch)
  49   {
  50     for (int out_y = 0; out_y < output_height; ++out_y)
  51     {
  52       const int in_y_origin = (out_y * stride_height) - pad_height;
  53       for (int out_x = 0; out_x < output_width; ++out_x)
  54       {
  55         const int in_x_origin = (out_x * stride_width) - pad_width;
  56         for (int out_channel = 0; out_channel < output_depth; ++out_channel)
  57         {
  58           float total = 0.f;
  59           for (int filter_y = 0; filter_y < filter_height; ++filter_y)
  60           {
  61             const int in_y = in_y_origin + dilation_height_factor * filter_y;
  62             for (int filter_x = 0; filter_x < filter_width; ++filter_x)
  63             {
  64               const int in_x = in_x_origin + dilation_width_factor * filter_x;
  65
  66               // Zero padding by omitting the areas outside the image.
  67               const bool is_point_inside_image =
  68                 (in_x >= 0) && (in_x < input_width) && (in_y >= 0) && (in_y < input_height);
  69
  70               if (!is_point_inside_image)
  71               {
  72                 continue;
  73               }
  74
  75               for (int in_channel = 0; in_channel < input_depth; ++in_channel)
  76               {
  77                 const int input_data_offset =
  78                   ((batch * input_height + in_y) * input_width + in_x) * input_depth + in_channel;
  79
  80                 const int filter_data_offset =
  81                   ((out_channel * filter_height + filter_y) * filter_width + filter_x) *
  82                     input_depth +
  83                   in_channel;
  84
  85                 const float input_value = input_data[input_data_offset];
  86                 const float filter_value = filter_data[filter_data_offset];
  87                 total += (input_value * filter_value);
  88               }
  89             }
  90           }
  91           // float bias_value = 0.0f;
  92           if (bias_data)
  93           {
  94             total += bias_data[out_channel];
  95           }
  96
  97           const int output_data_offset =
  98             ((batch * output_height + out_y) * output_width + out_x) * output_depth + out_channel;
  99
 100           output_data[output_data_offset] =
 101             std::min(std::max(total, output_activation_min), output_activation_max);
 102         }
 103       }
 104     }
 105   }
 106 }
 107
 108 static inline void Conv(const ConvParams &params, const int32_t *input_shape,
 109                         const uint8_t *input_data, const int32_t *filter_shape,
 110                         const uint8_t *filter_data, const int32_t *bias_data,
 111                         const int32_t *output_shape, uint8_t *output_data)
 112 {
 113   const int stride_width = params.stride_width;
 114   const int stride_height = params.stride_height;
 115   const int dilation_width_factor = params.dilation_width_factor;
 116   const int dilation_height_factor = params.dilation_height_factor;
 117   const int pad_width = params.padding_values.width;
 118   const int pad_height = params.padding_values.height;
 119   const int32_t input_offset = params.input_offset;
 120   const int32_t filter_offset = params.weights_offset;
 121   const int32_t output_offset = params.output_offset;
 122   const int32_t output_multiplier = params.output_multiplier;
 123   const int output_shift = params.output_shift;
 124   const int32_t output_activation_min = params.quantized_activation_min;
 125   const int32_t output_activation_max = params.quantized_activation_max;
 126
 127   const auto batches = input_shape[0];
 128   const int input_height = input_shape[1];
 129   const int input_width = input_shape[2];
 130   const int input_depth = input_shape[3];
 131   const int output_depth = filter_shape[0];
 132   const int filter_height = filter_shape[1];
 133   const int filter_width = filter_shape[2];
 134   const int output_height = output_shape[1];
 135   const int output_width = output_shape[2];
 136
 137   for (int batch = 0; batch < batches; ++batch)
 138   {
 139     for (int out_y = 0; out_y < output_height; ++out_y)
 140     {
 141       const int in_y_origin = (out_y * stride_height) - pad_height;
 142       for (int out_x = 0; out_x < output_width; ++out_x)
 143       {
 144         const int in_x_origin = (out_x * stride_width) - pad_width;
 145         for (int out_channel = 0; out_channel < output_depth; ++out_channel)
 146         {
 147           int32_t acc = 0;
 148           for (int filter_y = 0; filter_y < filter_height; ++filter_y)
 149           {
 150             const int in_y = in_y_origin + dilation_height_factor * filter_y;
 151             for (int filter_x = 0; filter_x < filter_width; ++filter_x)
 152             {
 153               const int in_x = in_x_origin + dilation_width_factor * filter_x;
 154
 155               // Zero padding by omitting the areas outside the image.
 156               const bool is_point_inside_image =
 157                 (in_x >= 0) && (in_x < input_width) && (in_y >= 0) && (in_y < input_height);
 158
 159               if (!is_point_inside_image)
 160               {
 161                 continue;
 162               }
 163
 164               for (int in_channel = 0; in_channel < input_depth; ++in_channel)
 165               {
 166                 const int input_data_offset =
 167                   ((batch * input_height + in_y) * input_width + in_x) * input_depth + in_channel;
 168
 169                 const int filter_data_offset =
 170                   ((out_channel * filter_height + filter_y) * filter_width + filter_x) *
 171                     input_depth +
 172                   in_channel;
 173
 174                 const int32_t input_val = input_data[input_data_offset];
 175                 const int32_t filter_val = filter_data[filter_data_offset];
 176                 acc += (filter_val + filter_offset) * (input_val + input_offset);
 177               }
 178             }
 179           }
 180           if (bias_data)
 181           {
 182             acc += bias_data[out_channel];
 183           }
 184           acc = multiplyByQuantizedMultiplier(acc, output_multiplier, output_shift);
 185           acc += output_offset;
 186           acc = std::max(acc, output_activation_min);
 187           acc = std::min(acc, output_activation_max);
 188
 189           const int output_data_offset =
 190             ((batch * output_height + out_y) * output_width + out_x) * output_depth + out_channel;
 191
 192           output_data[output_data_offset] = static_cast<uint8_t>(acc);
 193         }
 194       }
 195     }
 196   }
 197 }
 198
 199 } // namespace luci_interpreter_pal
 200
 201 #endif // LUCI_INTERPRETER_PAL_CONV2D_COMMON_H