bug

Scheaven

2021-06-17 0126e953b3f293b111179e4777103c64f778870c

 lib/detecter_tools/darknet/local_layer.c

@@ -1,283 +1,283 @@
#include "local_layer.h"

#include "utils.h"

#include "im2col.h"

#include "col2im.h"

#include "blas.h"

#include "gemm.h"

#include <stdio.h>

#include <time.h>



int local_out_height(local_layer l)

{

    int h = l.h;

    if (!l.pad) h -= l.size;

    else h -= 1;

    return h/l.stride + 1;

}



int local_out_width(local_layer l)

{

    int w = l.w;

    if (!l.pad) w -= l.size;

    else w -= 1;

    return w/l.stride + 1;

}



local_layer make_local_layer(int batch, int h, int w, int c, int n, int size, int stride, int pad, ACTIVATION activation)

{

    int i;

    local_layer l = { (LAYER_TYPE)0 };

    l.type = LOCAL;



    l.h = h;

    l.w = w;

    l.c = c;

    l.n = n;

    l.batch = batch;

    l.stride = stride;

    l.size = size;

    l.pad = pad;



    int out_h = local_out_height(l);

    int out_w = local_out_width(l);

    int locations = out_h*out_w;

    l.out_h = out_h;

    l.out_w = out_w;

    l.out_c = n;

    l.outputs = l.out_h * l.out_w * l.out_c;

    l.inputs = l.w * l.h * l.c;



    l.weights = (float*)xcalloc(c * n * size * size * locations, sizeof(float));

    l.weight_updates = (float*)xcalloc(c * n * size * size * locations, sizeof(float));



    l.biases = (float*)xcalloc(l.outputs, sizeof(float));

    l.bias_updates = (float*)xcalloc(l.outputs, sizeof(float));



    // float scale = 1./sqrt(size*size*c);

    float scale = sqrt(2./(size*size*c));

    for(i = 0; i < c*n*size*size; ++i) l.weights[i] = scale*rand_uniform(-1,1);



    l.col_image = (float*)xcalloc(out_h * out_w * size * size * c, sizeof(float));

    l.output = (float*)xcalloc(l.batch * out_h * out_w * n, sizeof(float));

    l.delta = (float*)xcalloc(l.batch * out_h * out_w * n, sizeof(float));



    l.forward = forward_local_layer;

    l.backward = backward_local_layer;

    l.update = update_local_layer;



#ifdef GPU

    l.forward_gpu = forward_local_layer_gpu;

    l.backward_gpu = backward_local_layer_gpu;

    l.update_gpu = update_local_layer_gpu;



    l.weights_gpu = cuda_make_array(l.weights, c*n*size*size*locations);

    l.weight_updates_gpu = cuda_make_array(l.weight_updates, c*n*size*size*locations);



    l.biases_gpu = cuda_make_array(l.biases, l.outputs);

    l.bias_updates_gpu = cuda_make_array(l.bias_updates, l.outputs);



    l.col_image_gpu = cuda_make_array(l.col_image, out_h*out_w*size*size*c);

    l.delta_gpu = cuda_make_array(l.delta, l.batch*out_h*out_w*n);

    l.output_gpu = cuda_make_array(l.output, l.batch*out_h*out_w*n);



#endif

    l.activation = activation;



    fprintf(stderr, "Local Layer: %d x %d x %d image, %d filters -> %d x %d x %d image\n", h,w,c,n, out_h, out_w, n);



    return l;

}



void forward_local_layer(const local_layer l, network_state state)

{

    int out_h = local_out_height(l);

    int out_w = local_out_width(l);

    int i, j;

    int locations = out_h * out_w;



    for(i = 0; i < l.batch; ++i){

        copy_cpu(l.outputs, l.biases, 1, l.output + i*l.outputs, 1);

    }



    for(i = 0; i < l.batch; ++i){

        float *input = state.input + i*l.w*l.h*l.c;

        im2col_cpu(input, l.c, l.h, l.w,

                l.size, l.stride, l.pad, l.col_image);

        float *output = l.output + i*l.outputs;

        for(j = 0; j < locations; ++j){

            float *a = l.weights + j*l.size*l.size*l.c*l.n;

            float *b = l.col_image + j;

            float *c = output + j;



            int m = l.n;

            int n = 1;

            int k = l.size*l.size*l.c;



            gemm(0,0,m,n,k,1,a,k,b,locations,1,c,locations);

        }

    }

    activate_array(l.output, l.outputs*l.batch, l.activation);

}



void backward_local_layer(local_layer l, network_state state)

{

    int i, j;

    int locations = l.out_w*l.out_h;



    gradient_array(l.output, l.outputs*l.batch, l.activation, l.delta);



    for(i = 0; i < l.batch; ++i){

        axpy_cpu(l.outputs, 1, l.delta + i*l.outputs, 1, l.bias_updates, 1);

    }



    for(i = 0; i < l.batch; ++i){

        float *input = state.input + i*l.w*l.h*l.c;

        im2col_cpu(input, l.c, l.h, l.w,

                l.size, l.stride, l.pad, l.col_image);



        for(j = 0; j < locations; ++j){

            float *a = l.delta + i*l.outputs + j;

            float *b = l.col_image + j;

            float *c = l.weight_updates + j*l.size*l.size*l.c*l.n;

            int m = l.n;

            int n = l.size*l.size*l.c;

            int k = 1;



            gemm(0,1,m,n,k,1,a,locations,b,locations,1,c,n);

        }



        if(state.delta){

            for(j = 0; j < locations; ++j){

                float *a = l.weights + j*l.size*l.size*l.c*l.n;

                float *b = l.delta + i*l.outputs + j;

                float *c = l.col_image + j;



                int m = l.size*l.size*l.c;

                int n = 1;

                int k = l.n;



                gemm(1,0,m,n,k,1,a,m,b,locations,0,c,locations);

            }



            col2im_cpu(l.col_image, l.c,  l.h,  l.w,  l.size,  l.stride, l.pad, state.delta+i*l.c*l.h*l.w);

        }

    }

}



void update_local_layer(local_layer l, int batch, float learning_rate, float momentum, float decay)

{

    int locations = l.out_w*l.out_h;

    int size = l.size*l.size*l.c*l.n*locations;

    axpy_cpu(l.outputs, learning_rate/batch, l.bias_updates, 1, l.biases, 1);

    scal_cpu(l.outputs, momentum, l.bias_updates, 1);



    axpy_cpu(size, -decay*batch, l.weights, 1, l.weight_updates, 1);

    axpy_cpu(size, learning_rate/batch, l.weight_updates, 1, l.weights, 1);

    scal_cpu(size, momentum, l.weight_updates, 1);

}



#ifdef GPU



void forward_local_layer_gpu(const local_layer l, network_state state)

{

    int out_h = local_out_height(l);

    int out_w = local_out_width(l);

    int i, j;

    int locations = out_h * out_w;



    for(i = 0; i < l.batch; ++i){

        copy_ongpu(l.outputs, l.biases_gpu, 1, l.output_gpu + i*l.outputs, 1);

    }



    for(i = 0; i < l.batch; ++i){

        float *input = state.input + i*l.w*l.h*l.c;

        im2col_ongpu(input, l.c, l.h, l.w,

                l.size, l.stride, l.pad, l.col_image_gpu);

        float *output = l.output_gpu + i*l.outputs;

        for(j = 0; j < locations; ++j){

            float *a = l.weights_gpu + j*l.size*l.size*l.c*l.n;

            float *b = l.col_image_gpu + j;

            float *c = output + j;



            int m = l.n;

            int n = 1;

            int k = l.size*l.size*l.c;



            gemm_ongpu(0,0,m,n,k,1,a,k,b,locations,1,c,locations);

        }

    }

    activate_array_ongpu(l.output_gpu, l.outputs*l.batch, l.activation);

}



void backward_local_layer_gpu(local_layer l, network_state state)

{

    int i, j;

    int locations = l.out_w*l.out_h;



    gradient_array_ongpu(l.output_gpu, l.outputs*l.batch, l.activation, l.delta_gpu);

    for(i = 0; i < l.batch; ++i){

        axpy_ongpu(l.outputs, 1, l.delta_gpu + i*l.outputs, 1, l.bias_updates_gpu, 1);

    }



    for(i = 0; i < l.batch; ++i){

        float *input = state.input + i*l.w*l.h*l.c;

        im2col_ongpu(input, l.c, l.h, l.w,

                l.size, l.stride, l.pad, l.col_image_gpu);



        for(j = 0; j < locations; ++j){

            float *a = l.delta_gpu + i*l.outputs + j;

            float *b = l.col_image_gpu + j;

            float *c = l.weight_updates_gpu + j*l.size*l.size*l.c*l.n;

            int m = l.n;

            int n = l.size*l.size*l.c;

            int k = 1;



            gemm_ongpu(0,1,m,n,k,1,a,locations,b,locations,1,c,n);

        }



        if(state.delta){

            for(j = 0; j < locations; ++j){

                float *a = l.weights_gpu + j*l.size*l.size*l.c*l.n;

                float *b = l.delta_gpu + i*l.outputs + j;

                float *c = l.col_image_gpu + j;



                int m = l.size*l.size*l.c;

                int n = 1;

                int k = l.n;



                gemm_ongpu(1,0,m,n,k,1,a,m,b,locations,0,c,locations);

            }



            col2im_ongpu(l.col_image_gpu, l.c,  l.h,  l.w,  l.size,  l.stride, l.pad, state.delta+i*l.c*l.h*l.w);

        }

    }

}



void update_local_layer_gpu(local_layer l, int batch, float learning_rate, float momentum, float decay, float loss_scale)

{

    int locations = l.out_w*l.out_h;

    int size = l.size*l.size*l.c*l.n*locations;

    axpy_ongpu(l.outputs, learning_rate/batch, l.bias_updates_gpu, 1, l.biases_gpu, 1);

    scal_ongpu(l.outputs, momentum, l.bias_updates_gpu, 1);



    axpy_ongpu(size, -decay*batch, l.weights_gpu, 1, l.weight_updates_gpu, 1);

    axpy_ongpu(size, learning_rate/batch, l.weight_updates_gpu, 1, l.weights_gpu, 1);

    scal_ongpu(size, momentum, l.weight_updates_gpu, 1);

}



void pull_local_layer(local_layer l)

{

    int locations = l.out_w*l.out_h;

    int size = l.size*l.size*l.c*l.n*locations;

    cuda_pull_array(l.weights_gpu, l.weights, size);

    cuda_pull_array(l.biases_gpu, l.biases, l.outputs);

}



void push_local_layer(local_layer l)

{

    int locations = l.out_w*l.out_h;

    int size = l.size*l.size*l.c*l.n*locations;

    cuda_push_array(l.weights_gpu, l.weights, size);

    cuda_push_array(l.biases_gpu, l.biases, l.outputs);

}

#endif

#include "local_layer.h"
#include "utils.h"
#include "im2col.h"
#include "col2im.h"
#include "blas.h"
#include "gemm.h"
#include <stdio.h>
#include <time.h>

int local_out_height(local_layer l)
{
    int h = l.h;
    if (!l.pad) h -= l.size;
    else h -= 1;
    return h/l.stride + 1;
}

int local_out_width(local_layer l)
{
    int w = l.w;
    if (!l.pad) w -= l.size;
    else w -= 1;
    return w/l.stride + 1;
}

local_layer make_local_layer(int batch, int h, int w, int c, int n, int size, int stride, int pad, ACTIVATION activation)
{
    int i;
    local_layer l = { (LAYER_TYPE)0 };
    l.type = LOCAL;

    l.h = h;
    l.w = w;
    l.c = c;
    l.n = n;
    l.batch = batch;
    l.stride = stride;
    l.size = size;
    l.pad = pad;

    int out_h = local_out_height(l);
    int out_w = local_out_width(l);
    int locations = out_h*out_w;
    l.out_h = out_h;
    l.out_w = out_w;
    l.out_c = n;
    l.outputs = l.out_h * l.out_w * l.out_c;
    l.inputs = l.w * l.h * l.c;

    l.weights = (float*)xcalloc(c * n * size * size * locations, sizeof(float));
    l.weight_updates = (float*)xcalloc(c * n * size * size * locations, sizeof(float));

    l.biases = (float*)xcalloc(l.outputs, sizeof(float));
    l.bias_updates = (float*)xcalloc(l.outputs, sizeof(float));

    // float scale = 1./sqrt(size*size*c);
    float scale = sqrt(2./(size*size*c));
    for(i = 0; i < c*n*size*size; ++i) l.weights[i] = scale*rand_uniform(-1,1);

    l.col_image = (float*)xcalloc(out_h * out_w * size * size * c, sizeof(float));
    l.output = (float*)xcalloc(l.batch * out_h * out_w * n, sizeof(float));
    l.delta = (float*)xcalloc(l.batch * out_h * out_w * n, sizeof(float));

    l.forward = forward_local_layer;
    l.backward = backward_local_layer;
    l.update = update_local_layer;

#ifdef GPU
    l.forward_gpu = forward_local_layer_gpu;
    l.backward_gpu = backward_local_layer_gpu;
    l.update_gpu = update_local_layer_gpu;

    l.weights_gpu = cuda_make_array(l.weights, c*n*size*size*locations);
    l.weight_updates_gpu = cuda_make_array(l.weight_updates, c*n*size*size*locations);

    l.biases_gpu = cuda_make_array(l.biases, l.outputs);
    l.bias_updates_gpu = cuda_make_array(l.bias_updates, l.outputs);

    l.col_image_gpu = cuda_make_array(l.col_image, out_h*out_w*size*size*c);
    l.delta_gpu = cuda_make_array(l.delta, l.batch*out_h*out_w*n);
    l.output_gpu = cuda_make_array(l.output, l.batch*out_h*out_w*n);

#endif
    l.activation = activation;

    fprintf(stderr, "Local Layer: %d x %d x %d image, %d filters -> %d x %d x %d image\n", h,w,c,n, out_h, out_w, n);

    return l;
}

void forward_local_layer(const local_layer l, network_state state)
{
    int out_h = local_out_height(l);
    int out_w = local_out_width(l);
    int i, j;
    int locations = out_h * out_w;

    for(i = 0; i < l.batch; ++i){
        copy_cpu(l.outputs, l.biases, 1, l.output + i*l.outputs, 1);
    }

    for(i = 0; i < l.batch; ++i){
        float *input = state.input + i*l.w*l.h*l.c;
        im2col_cpu(input, l.c, l.h, l.w,
                l.size, l.stride, l.pad, l.col_image);
        float *output = l.output + i*l.outputs;
        for(j = 0; j < locations; ++j){
            float *a = l.weights + j*l.size*l.size*l.c*l.n;
            float *b = l.col_image + j;
            float *c = output + j;

            int m = l.n;
            int n = 1;
            int k = l.size*l.size*l.c;

            gemm(0,0,m,n,k,1,a,k,b,locations,1,c,locations);
        }
    }
    activate_array(l.output, l.outputs*l.batch, l.activation);
}

void backward_local_layer(local_layer l, network_state state)
{
    int i, j;
    int locations = l.out_w*l.out_h;

    gradient_array(l.output, l.outputs*l.batch, l.activation, l.delta);

    for(i = 0; i < l.batch; ++i){
        axpy_cpu(l.outputs, 1, l.delta + i*l.outputs, 1, l.bias_updates, 1);
    }

    for(i = 0; i < l.batch; ++i){
        float *input = state.input + i*l.w*l.h*l.c;
        im2col_cpu(input, l.c, l.h, l.w,
                l.size, l.stride, l.pad, l.col_image);

        for(j = 0; j < locations; ++j){
            float *a = l.delta + i*l.outputs + j;
            float *b = l.col_image + j;
            float *c = l.weight_updates + j*l.size*l.size*l.c*l.n;
            int m = l.n;
            int n = l.size*l.size*l.c;
            int k = 1;

            gemm(0,1,m,n,k,1,a,locations,b,locations,1,c,n);
        }

        if(state.delta){
            for(j = 0; j < locations; ++j){
                float *a = l.weights + j*l.size*l.size*l.c*l.n;
                float *b = l.delta + i*l.outputs + j;
                float *c = l.col_image + j;

                int m = l.size*l.size*l.c;
                int n = 1;
                int k = l.n;

                gemm(1,0,m,n,k,1,a,m,b,locations,0,c,locations);
            }

            col2im_cpu(l.col_image, l.c,  l.h,  l.w,  l.size,  l.stride, l.pad, state.delta+i*l.c*l.h*l.w);
        }
    }
}

void update_local_layer(local_layer l, int batch, float learning_rate, float momentum, float decay)
{
    int locations = l.out_w*l.out_h;
    int size = l.size*l.size*l.c*l.n*locations;
    axpy_cpu(l.outputs, learning_rate/batch, l.bias_updates, 1, l.biases, 1);
    scal_cpu(l.outputs, momentum, l.bias_updates, 1);

    axpy_cpu(size, -decay*batch, l.weights, 1, l.weight_updates, 1);
    axpy_cpu(size, learning_rate/batch, l.weight_updates, 1, l.weights, 1);
    scal_cpu(size, momentum, l.weight_updates, 1);
}

#ifdef GPU

void forward_local_layer_gpu(const local_layer l, network_state state)
{
    int out_h = local_out_height(l);
    int out_w = local_out_width(l);
    int i, j;
    int locations = out_h * out_w;

    for(i = 0; i < l.batch; ++i){
        copy_ongpu(l.outputs, l.biases_gpu, 1, l.output_gpu + i*l.outputs, 1);
    }

    for(i = 0; i < l.batch; ++i){
        float *input = state.input + i*l.w*l.h*l.c;
        im2col_ongpu(input, l.c, l.h, l.w,
                l.size, l.stride, l.pad, l.col_image_gpu);
        float *output = l.output_gpu + i*l.outputs;
        for(j = 0; j < locations; ++j){
            float *a = l.weights_gpu + j*l.size*l.size*l.c*l.n;
            float *b = l.col_image_gpu + j;
            float *c = output + j;

            int m = l.n;
            int n = 1;
            int k = l.size*l.size*l.c;

            gemm_ongpu(0,0,m,n,k,1,a,k,b,locations,1,c,locations);
        }
    }
    activate_array_ongpu(l.output_gpu, l.outputs*l.batch, l.activation);
}

void backward_local_layer_gpu(local_layer l, network_state state)
{
    int i, j;
    int locations = l.out_w*l.out_h;

    gradient_array_ongpu(l.output_gpu, l.outputs*l.batch, l.activation, l.delta_gpu);
    for(i = 0; i < l.batch; ++i){
        axpy_ongpu(l.outputs, 1, l.delta_gpu + i*l.outputs, 1, l.bias_updates_gpu, 1);
    }

    for(i = 0; i < l.batch; ++i){
        float *input = state.input + i*l.w*l.h*l.c;
        im2col_ongpu(input, l.c, l.h, l.w,
                l.size, l.stride, l.pad, l.col_image_gpu);

        for(j = 0; j < locations; ++j){
            float *a = l.delta_gpu + i*l.outputs + j;
            float *b = l.col_image_gpu + j;
            float *c = l.weight_updates_gpu + j*l.size*l.size*l.c*l.n;
            int m = l.n;
            int n = l.size*l.size*l.c;
            int k = 1;

            gemm_ongpu(0,1,m,n,k,1,a,locations,b,locations,1,c,n);
        }

        if(state.delta){
            for(j = 0; j < locations; ++j){
                float *a = l.weights_gpu + j*l.size*l.size*l.c*l.n;
                float *b = l.delta_gpu + i*l.outputs + j;
                float *c = l.col_image_gpu + j;

                int m = l.size*l.size*l.c;
                int n = 1;
                int k = l.n;

                gemm_ongpu(1,0,m,n,k,1,a,m,b,locations,0,c,locations);
            }

            col2im_ongpu(l.col_image_gpu, l.c,  l.h,  l.w,  l.size,  l.stride, l.pad, state.delta+i*l.c*l.h*l.w);
        }
    }
}

void update_local_layer_gpu(local_layer l, int batch, float learning_rate, float momentum, float decay, float loss_scale)
{
    int locations = l.out_w*l.out_h;
    int size = l.size*l.size*l.c*l.n*locations;
    axpy_ongpu(l.outputs, learning_rate/batch, l.bias_updates_gpu, 1, l.biases_gpu, 1);
    scal_ongpu(l.outputs, momentum, l.bias_updates_gpu, 1);

    axpy_ongpu(size, -decay*batch, l.weights_gpu, 1, l.weight_updates_gpu, 1);
    axpy_ongpu(size, learning_rate/batch, l.weight_updates_gpu, 1, l.weights_gpu, 1);
    scal_ongpu(size, momentum, l.weight_updates_gpu, 1);
}

void pull_local_layer(local_layer l)
{
    int locations = l.out_w*l.out_h;
    int size = l.size*l.size*l.c*l.n*locations;
    cuda_pull_array(l.weights_gpu, l.weights, size);
    cuda_pull_array(l.biases_gpu, l.biases, l.outputs);
}

void push_local_layer(local_layer l)
{
    int locations = l.out_w*l.out_h;
    int size = l.size*l.size*l.c*l.n*locations;
    cuda_push_array(l.weights_gpu, l.weights, size);
    cuda_push_array(l.biases_gpu, l.biases, l.outputs);
}
#endif