tests/nnapi/specs/V1_0/rnn.mod.py

   1 #
   2 # Copyright (C) 2017 The Android Open Source Project
   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 batches = 2
  18 units = 16
  19 input_size = 8
  20
  21 model = Model()
  22
  23 input = Input("input", "TENSOR_FLOAT32", "{%d, %d}" % (batches, input_size))
  24 weights = Input("weights", "TENSOR_FLOAT32", "{%d, %d}" % (units, input_size))
  25 recurrent_weights = Input("recurrent_weights", "TENSOR_FLOAT32", "{%d, %d}" % (units, units))
  26 bias = Input("bias", "TENSOR_FLOAT32", "{%d}" % (units))
  27 hidden_state_in = Input("hidden_state_in", "TENSOR_FLOAT32", "{%d, %d}" % (batches, units))
  28
  29 activation_param = Int32Scalar("activation_param", 1)  # Relu
  30
  31 hidden_state_out = IgnoredOutput("hidden_state_out", "TENSOR_FLOAT32", "{%d, %d}" % (batches, units))
  32 output = Output("output", "TENSOR_FLOAT32", "{%d, %d}" % (batches, units))
  33
  34 model = model.Operation("RNN", input, weights, recurrent_weights, bias, hidden_state_in,
  35                         activation_param).To([hidden_state_out, output])
  36
  37 input0 = {
  38     weights: [
  39         0.461459,    0.153381,   0.529743,    -0.00371218, 0.676267,   -0.211346,
  40        0.317493,    0.969689,   -0.343251,   0.186423,    0.398151,   0.152399,
  41        0.448504,    0.317662,   0.523556,    -0.323514,   0.480877,   0.333113,
  42        -0.757714,   -0.674487,  -0.643585,   0.217766,    -0.0251462, 0.79512,
  43        -0.595574,   -0.422444,  0.371572,    -0.452178,   -0.556069,  -0.482188,
  44        -0.685456,   -0.727851,  0.841829,    0.551535,    -0.232336,  0.729158,
  45        -0.00294906, -0.69754,   0.766073,    -0.178424,   0.369513,   -0.423241,
  46        0.548547,    -0.0152023, -0.757482,   -0.85491,    0.251331,   -0.989183,
  47        0.306261,    -0.340716,  0.886103,    -0.0726757,  -0.723523,  -0.784303,
  48        0.0354295,   0.566564,   -0.485469,   -0.620498,   0.832546,   0.697884,
  49        -0.279115,   0.294415,   -0.584313,   0.548772,    0.0648819,  0.968726,
  50        0.723834,    -0.0080452, -0.350386,   -0.272803,   0.115121,   -0.412644,
  51        -0.824713,   -0.992843,  -0.592904,   -0.417893,   0.863791,   -0.423461,
  52        -0.147601,   -0.770664,  -0.479006,   0.654782,    0.587314,   -0.639158,
  53        0.816969,    -0.337228,  0.659878,    0.73107,     0.754768,   -0.337042,
  54        0.0960841,   0.368357,   0.244191,    -0.817703,   -0.211223,  0.442012,
  55        0.37225,     -0.623598,  -0.405423,   0.455101,    0.673656,   -0.145345,
  56        -0.511346,   -0.901675,  -0.81252,    -0.127006,   0.809865,   -0.721884,
  57        0.636255,    0.868989,   -0.347973,   -0.10179,    -0.777449,  0.917274,
  58        0.819286,    0.206218,   -0.00785118, 0.167141,    0.45872,    0.972934,
  59        -0.276798,   0.837861,   0.747958,    -0.0151566,  -0.330057,  -0.469077,
  60        0.277308,    0.415818
  61     ],
  62     recurrent_weights: [
  63         0.1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
  64         0.1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
  65         0.1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
  66         0.1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
  67         0.1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
  68         0.1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
  69         0.1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
  70         0.1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
  71         0.1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
  72         0.1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
  73         0.1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
  74         0.1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
  75         0.1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
  76         0.1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
  77         0.1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
  78         0.1
  79     ],
  80     bias: [
  81         0.065691948, -0.69055247, 0.1107955, -0.97084129, -0.23957068,
  82         -0.23566568, -0.389184, 0.47481549, -0.4791103, 0.29931796,
  83         0.10463274, 0.83918178, 0.37197268, 0.61957061, 0.3956964,
  84         -0.37609905
  85     ],
  86 }
  87
  88
  89 test_inputs = [
  90     0.23689353,   0.285385,     0.037029743, -0.19858193,  -0.27569133,
  91     0.43773448,   0.60379338,   0.35562468,  -0.69424844,  -0.93421471,
  92     -0.87287879,  0.37144363,   -0.62476718, 0.23791671,   0.40060222,
  93     0.1356622,    -0.99774903,  -0.98858172, -0.38952237,  -0.47685933,
  94     0.31073618,   0.71511042,   -0.63767755, -0.31729108,  0.33468103,
  95     0.75801885,   0.30660987,   -0.37354088, 0.77002847,   -0.62747043,
  96     -0.68572164,  0.0069220066, 0.65791464,  0.35130811,   0.80834007,
  97     -0.61777675,  -0.21095741,  0.41213346,  0.73784804,   0.094794154,
  98     0.47791874,   0.86496925,   -0.53376222, 0.85315156,   0.10288584,
  99     0.86684,      -0.011186242, 0.10513687,  0.87825835,   0.59929144,
 100     0.62827742,   0.18899453,   0.31440187,  0.99059987,   0.87170351,
 101     -0.35091716,  0.74861872,   0.17831337,  0.2755419,    0.51864719,
 102     0.55084288,   0.58982027,   -0.47443086, 0.20875752,   -0.058871567,
 103     -0.66609079,  0.59098077,   0.73017097,  0.74604273,   0.32882881,
 104     -0.17503482,  0.22396147,   0.19379807,  0.29120302,   0.077113032,
 105     -0.70331609,  0.15804303,   -0.93407321, 0.40182066,   0.036301374,
 106     0.66521823,   0.0300982,    -0.7747041,  -0.02038002,  0.020698071,
 107     -0.90300065,  0.62870288,   -0.23068321, 0.27531278,   -0.095755219,
 108     -0.712036,    -0.17384434,  -0.50593495, -0.18646687,  -0.96508682,
 109     0.43519354,   0.14744234,   0.62589407,  0.1653645,    -0.10651493,
 110     -0.045277178, 0.99032974,   -0.88255352, -0.85147917,  0.28153265,
 111     0.19455957,   -0.55479527,  -0.56042433, 0.26048636,   0.84702539,
 112     0.47587705,   -0.074295521, -0.12287641, 0.70117295,   0.90532446,
 113     0.89782166,   0.79817224,   0.53402734,  -0.33286154,  0.073485017,
 114     -0.56172788,  -0.044897556, 0.89964068,  -0.067662835, 0.76863563,
 115     0.93455386,   -0.6324693,   -0.083922029
 116 ]
 117
 118 golden_outputs = [
 119     0.496726,   0,          0.965996,  0,         0.0584254, 0,
 120     0,          0.12315,    0,         0,         0.612266,  0.456601,
 121     0,          0.52286,    1.16099,   0.0291232,
 122
 123     0,          0,          0.524901,  0,         0,         0,
 124     0,          1.02116,    0,         1.35762,   0,         0.356909,
 125     0.436415,   0.0355727,  0,         0,
 126
 127     0,          0,          0,         0.262335,  0,         0,
 128     0,          1.33992,    0,         2.9739,    0,         0,
 129     1.31914,    2.66147,    0,         0,
 130
 131     0.942568,   0,          0,         0,         0.025507,  0,
 132     0,          0,          0.321429,  0.569141,  1.25274,   1.57719,
 133     0.8158,     1.21805,    0.586239,  0.25427,
 134
 135     1.04436,    0,          0.630725,  0,         0.133801,  0.210693,
 136     0.363026,   0,          0.533426,  0,         1.25926,   0.722707,
 137     0,          1.22031,    1.30117,   0.495867,
 138
 139     0.222187,   0,          0.72725,   0,         0.767003,  0,
 140     0,          0.147835,   0,         0,         0,         0.608758,
 141     0.469394,   0.00720298, 0.927537,  0,
 142
 143     0.856974,   0.424257,   0,         0,         0.937329,  0,
 144     0,          0,          0.476425,  0,         0.566017,  0.418462,
 145     0.141911,   0.996214,   1.13063,   0,
 146
 147     0.967899,   0,          0,         0,         0.0831304, 0,
 148     0,          1.00378,    0,         0,         0,         1.44818,
 149     1.01768,    0.943891,   0.502745,  0,
 150
 151     0.940135,   0,          0,         0,         0,         0,
 152     0,          2.13243,    0,         0.71208,   0.123918,  1.53907,
 153     1.30225,    1.59644,    0.70222,   0,
 154
 155     0.804329,   0,          0.430576,  0,         0.505872,  0.509603,
 156     0.343448,   0,          0.107756,  0.614544,  1.44549,   1.52311,
 157     0.0454298,  0.300267,   0.562784,  0.395095,
 158
 159     0.228154,   0,          0.675323,  0,         1.70536,   0.766217,
 160     0,          0,          0,         0.735363,  0.0759267, 1.91017,
 161     0.941888,   0,          0,         0,
 162
 163     0,          0,          1.5909,    0,         0,         0,
 164     0,          0.5755,     0,         0.184687,  0,         1.56296,
 165     0.625285,   0,          0,         0,
 166
 167     0,          0,          0.0857888, 0,         0,         0,
 168     0,          0.488383,   0.252786,  0,         0,         0,
 169     1.02817,    1.85665,    0,         0,
 170
 171     0.00981836, 0,          1.06371,   0,         0,         0,
 172     0,          0,          0,         0.290445,  0.316406,  0,
 173     0.304161,   1.25079,    0.0707152, 0,
 174
 175     0.986264,   0.309201,   0,         0,         0,         0,
 176     0,          1.64896,    0.346248,  0,         0.918175,  0.78884,
 177     0.524981,   1.92076,    2.07013,   0.333244,
 178
 179     0.415153,   0.210318,   0,         0,         0,         0,
 180     0,          2.02616,    0,         0.728256,  0.84183,   0.0907453,
 181     0.628881,   3.58099,    1.49974,   0
 182 ]
 183
 184 input_sequence_size = int(len(test_inputs) / input_size / batches)
 185
 186 # TODO: enable the other data points after fixing reference issues
 187 #for i in range(input_sequence_size):
 188 for i in range(1):
 189   input_begin = i * input_size
 190   input_end = input_begin + input_size
 191   input0[input] = test_inputs[input_begin:input_end]
 192   input0[input].extend(input0[input])
 193   input0[hidden_state_in] = [0 for x in range(batches * units)]
 194   output0 = {
 195     hidden_state_out: [0 for x in range(batches * units)],
 196   }
 197   golden_start = i * units
 198   golden_end = golden_start + units
 199   output0[output] = golden_outputs[golden_start:golden_end]
 200   output0[output].extend(output0[output])
 201   Example((input0, output0))