tests/nnapi/specs/skip/V1_1/svdf_relaxed.mod.py

   1 #
   2 # Copyright (C) 2018 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 features = 4
  19 rank = 1
  20 units = int(features / rank)
  21 input_size = 3
  22 memory_size = 10
  23
  24 model = Model()
  25
  26 input = Input("input", "TENSOR_FLOAT32", "{%d, %d}" % (batches, input_size))
  27 weights_feature = Input("weights_feature", "TENSOR_FLOAT32", "{%d, %d}" % (features, input_size))
  28 weights_time = Input("weights_time", "TENSOR_FLOAT32", "{%d, %d}" % (features, memory_size))
  29 bias = Input("bias", "TENSOR_FLOAT32", "{%d}" % (units))
  30 state_in = Input("state_in", "TENSOR_FLOAT32", "{%d, %d}" % (batches, memory_size*features))
  31 rank_param = Int32Scalar("rank_param", rank)
  32 activation_param = Int32Scalar("activation_param", 0)
  33 state_out = IgnoredOutput("state_out", "TENSOR_FLOAT32", "{%d, %d}" % (batches, memory_size*features))
  34 output = Output("output", "TENSOR_FLOAT32", "{%d, %d}" % (batches, units))
  35
  36 model = model.Operation("SVDF", input, weights_feature, weights_time, bias, state_in,
  37                         rank_param, activation_param).To([state_out, output])
  38 model = model.RelaxedExecution(True)
  39
  40 input0 = {
  41     input: [],
  42     weights_feature: [
  43         -0.31930989, -0.36118156, 0.0079667, 0.37613347,
  44       0.22197971, 0.12416199, 0.27901134, 0.27557442,
  45       0.3905206, -0.36137494, -0.06634006, -0.10640851
  46     ],
  47     weights_time: [
  48         -0.31930989, 0.37613347,  0.27901134,  -0.36137494, -0.36118156,
  49       0.22197971,  0.27557442,  -0.06634006, 0.0079667,   0.12416199,
  50
  51        0.3905206,   -0.10640851, -0.0976817,  0.15294972,  0.39635518,
  52       -0.02702999, 0.39296314,  0.15785322,  0.21931258,  0.31053296,
  53
  54        -0.36916667, 0.38031587,  -0.21580373, 0.27072677,  0.23622236,
  55       0.34936687,  0.18174365,  0.35907319,  -0.17493086, 0.324846,
  56
  57        -0.10781813, 0.27201805,  0.14324132,  -0.23681851, -0.27115166,
  58       -0.01580888, -0.14943552, 0.15465137,  0.09784451,  -0.0337657
  59     ],
  60     bias: [],
  61     state_in: [0 for _ in range(batches * memory_size * features)],
  62 }
  63
  64 test_inputs = [
  65     0.12609188,  -0.46347019, -0.89598465,
  66     0.12609188,  -0.46347019, -0.89598465,
  67
  68     0.14278367,  -1.64410412, -0.75222826,
  69     0.14278367,  -1.64410412, -0.75222826,
  70
  71     0.49837467,  0.19278903,  0.26584083,
  72     0.49837467,  0.19278903,  0.26584083,
  73
  74     -0.11186574, 0.13164264,  -0.05349274,
  75     -0.11186574, 0.13164264,  -0.05349274,
  76
  77     -0.68892461, 0.37783599,  0.18263303,
  78     -0.68892461, 0.37783599,  0.18263303,
  79
  80     -0.81299269, -0.86831826, 1.43940818,
  81     -0.81299269, -0.86831826, 1.43940818,
  82
  83     -1.45006323, -0.82251364, -1.69082689,
  84     -1.45006323, -0.82251364, -1.69082689,
  85
  86     0.03966608,  -0.24936394, -0.77526885,
  87     0.03966608,  -0.24936394, -0.77526885,
  88
  89     0.11771342,  -0.23761693, -0.65898693,
  90     0.11771342,  -0.23761693, -0.65898693,
  91
  92     -0.89477462, 1.67204106,  -0.53235275,
  93     -0.89477462, 1.67204106,  -0.53235275
  94 ]
  95
  96 golden_outputs = [
  97     0.014899,    -0.0517661, -0.143725, -0.00271883,
  98     0.014899,    -0.0517661, -0.143725, -0.00271883,
  99
 100     0.068281,    -0.162217,  -0.152268, 0.00323521,
 101     0.068281,    -0.162217,  -0.152268, 0.00323521,
 102
 103     -0.0317821,  -0.0333089, 0.0609602, 0.0333759,
 104     -0.0317821,  -0.0333089, 0.0609602, 0.0333759,
 105
 106     -0.00623099, -0.077701,  -0.391193, -0.0136691,
 107     -0.00623099, -0.077701,  -0.391193, -0.0136691,
 108
 109     0.201551,    -0.164607,  -0.179462, -0.0592739,
 110     0.201551,    -0.164607,  -0.179462, -0.0592739,
 111
 112     0.0886511,   -0.0875401, -0.269283, 0.0281379,
 113     0.0886511,   -0.0875401, -0.269283, 0.0281379,
 114
 115     -0.201174,   -0.586145,  -0.628624, -0.0330412,
 116     -0.201174,   -0.586145,  -0.628624, -0.0330412,
 117
 118     -0.0839096,  -0.299329,  0.108746,  0.109808,
 119     -0.0839096,  -0.299329,  0.108746,  0.109808,
 120
 121     0.419114,    -0.237824,  -0.422627, 0.175115,
 122     0.419114,    -0.237824,  -0.422627, 0.175115,
 123
 124     0.36726,     -0.522303,  -0.456502, -0.175475,
 125     0.36726,     -0.522303,  -0.456502, -0.175475
 126 ]
 127
 128 output0 = {state_out: [0 for _ in range(batches * memory_size * features)],
 129            output: []}
 130
 131 # TODO: enable more data points after fixing the reference issue
 132 for i in range(1):
 133   batch_start = i * input_size * batches
 134   batch_end = batch_start + input_size * batches
 135   input0[input] = test_inputs[batch_start:batch_end]
 136   golden_start = i * units * batches
 137   golden_end = golden_start + units * batches
 138   output0[output] = golden_outputs[golden_start:golden_end]
 139   Example((input0, output0))