up new v4

Scheaven

2021-06-03 168af40fe9a3cc81c6ee16b3e81f154780c36bdb

 lib/detecter_tools/darknet/dropout_layer_kernels.cu

@@ -1,311 +1,311 @@
#include <cuda_runtime.h>

#include <curand.h>

#include <cublas_v2.h>

#include <cstring>



#include "dropout_layer.h"

#include "dark_cuda.h"

#include "utils.h"

#include "blas.h"



#include "image_opencv.h"

#include "image.h"





__global__ void dropblock_fast_kernel(float *rand, float prob, int w, int h, int spatial, int filters, int batch, int block_size, float *drop_blocks_scale, float *output)

{

    const int threads = BLOCK;

    const int id = threadIdx.x;

    const int f = blockIdx.x % filters;

    const int b = blockIdx.x / filters;



    __shared__ int prob_block;

    __shared__ int index_block;



    if (id == 0) {

        prob_block = 1.0 * 1000000;

        index_block = -1;

    }

    __syncthreads();



    int i;

    for (i = id; i < spatial; i += threads) {

        int index = b*spatial*f + f*spatial + i;



        if (rand[index] < prob) {

            //Chose with the lowest rand[i]

            int new_val = rand[index] * 1000000;

            rand[index] = 1;

            int old_val = atomicMin(&prob_block, new_val);

            if (new_val < old_val) {

                index_block = i;

                //if (b == 0) printf("\n rand[i] = %f, prob = %f, b = %d, f = %d, i = %d, index_block = %d \n", rand[i], prob, b, f, i, index_block);

            }

        }



    }

    __syncthreads();

    if (index_block == -1) return;





    int b_x = index_block % w;

    int b_y = index_block / w;



    if (b_x > (w - block_size)) b_x = b_x - (w - block_size);

    if (b_y > (h - block_size)) b_y = b_y - (h - block_size);



    b_x = max(0, min(b_x, w - block_size));

    b_y = max(0, min(b_y, h - block_size));



    int block_square_size = block_size * block_size;



    for (i = id; i < block_square_size; i += threads)

    {

        int i_x = i % block_size;

        int i_y = i / block_size;



        int x = b_x + i_x;

        int y = b_y + i_y;



        if (x >= 0 && x < w && y >= 0 && y < h) {

            int new_index = b*filters*spatial + f*spatial + y*w + x;



            output[new_index] = 0;

            rand[new_index] = 0;

        }

    }



    //if (id == 0 && b == 0) printf(" f = %d, b = %d \n", f, b);



    if (id == 0 && drop_blocks_scale) {

        atomicAdd(&drop_blocks_scale[b], block_square_size);

        //if(b == 0) printf("\n index_block = %d \n", index_block);

    }



}



__global__ void set_scales_dropblock_kernel(float *drop_blocks_scale, int block_size_w, int block_size_h, int outputs, int batch)

{

    const int index = blockIdx.x*blockDim.x + threadIdx.x;

    if (index >= batch) return;



    //printf(" drop_blocks_scale[index] = %f \n", drop_blocks_scale[index]);

    const float prob = drop_blocks_scale[index] / (float)outputs;

    const float scale = 1.0f / (1.0f - prob);

    drop_blocks_scale[index] = scale;

}



__global__ void scale_dropblock_kernel(float *output, int size, int outputs, float *drop_blocks_scale)

{

    const int index = blockIdx.x*blockDim.x + threadIdx.x;

    if (index >= size) return;



    const int b = index / outputs;

    output[index] *= drop_blocks_scale[b];

}





__global__ void backward_dropblock_kernel(float *pass, float *delta, int size)

{

    const int index = blockIdx.x*blockDim.x + threadIdx.x;

    if (index >= size) return;



    if (pass[index] == 0) delta[index] = 0;

}





__global__ void yoloswag420blazeit360noscope(float *input, int size, float *rand, float prob, float scale)

{

    int id = (blockIdx.x + blockIdx.y*gridDim.x) * blockDim.x + threadIdx.x;

    if(id < size) input[id] = (rand[id] < prob) ? 0 : input[id]*scale;

}





void forward_dropout_layer_gpu(dropout_layer l, network_state state)

{

    if (!state.train) return;

    int iteration_num = get_current_iteration(state.net); // (*state.net.seen) / (state.net.batch*state.net.subdivisions);

    //if (iteration_num < state.net.burn_in) return;



    // We gradually increase the block size and the probability of dropout - during the first half of the training

    float multiplier = 1.0;

    if(iteration_num < (state.net.max_batches*0.85))

        multiplier = (iteration_num / (float)(state.net.max_batches*0.85));



    // dropblock

    if (l.dropblock) {

        //l.probability = 1 / keep_prob

        //const int max_blocks_per_channel = 10;

        const float cur_prob = l.probability * multiplier;

        const float cur_scale = 1.f / (1.f - cur_prob);



        int block_width = l.dropblock_size_abs *multiplier;

        int block_height = l.dropblock_size_abs *multiplier;



        if (l.dropblock_size_rel) {

            block_width = l.dropblock_size_rel * l.w * multiplier;

            block_height = l.dropblock_size_rel * l.h * multiplier;

        }



        block_width = max_val_cmp(1, block_width);

        block_height = max_val_cmp(1, block_height);



        block_width = min_val_cmp(l.w, block_width);

        block_height = min_val_cmp(l.h, block_height);



        const int block_size = min_val_cmp(block_width, block_height);

        const float block_prob = cur_prob / (block_size*block_size);

        assert(block_size <= l.w && block_size <= l.h);



        const int size = l.inputs*l.batch;

        cuda_random(l.rand_gpu, size);



        fill_ongpu(l.batch, 0, l.drop_blocks_scale_gpu, 1);



        //fill_ongpu(l.outputs * l.batch, 1, state.input, 1); // remove!!!



        int num_blocks = l.batch * l.c;

        dropblock_fast_kernel << <num_blocks, BLOCK, 0, get_cuda_stream() >> > (l.rand_gpu, block_prob, l.w, l.h, l.w*l.h, l.c, l.batch, block_size, l.drop_blocks_scale_gpu, state.input);

        CHECK_CUDA(cudaPeekAtLastError());



        num_blocks = get_number_of_blocks(l.batch, BLOCK);

        set_scales_dropblock_kernel << <num_blocks, BLOCK, 0, get_cuda_stream() >> > (l.drop_blocks_scale_gpu, block_size, block_size, l.outputs, l.batch);

        CHECK_CUDA(cudaPeekAtLastError());



        /*

        {

            cuda_pull_array(l.drop_blocks_scale_gpu, l.drop_blocks_scale, l.batch);



            float avg_scale = 0;



            for (int b = 0; b < l.batch; ++b) {

                const float scale = l.drop_blocks_scale[b];

                avg_scale += scale;

                printf(" %d x %d - block_size = %d, block_size*block_size = %d , ", l.w, l.h, block_size, block_size*block_size);

                printf(" , l.drop_blocks_scale[b] = %f, scale = %f \t cur_prob = %f, cur_scale = %f \n",

                    l.drop_blocks_scale[b], scale, cur_prob, cur_scale);

            }

            avg_scale = avg_scale / l.batch;

            printf(" avg_scale = %f \n", avg_scale);



            float *output = (float *)calloc(l.outputs * l.batch, sizeof(float));

            cuda_pull_array(state.input, output, l.outputs * l.batch);



            printf(" l.w = %d, l.h = %d, l.c = %d \n", l.w, l.h, l.c);



            image img = float_to_image(l.w, l.h, l.c, output);

            img = collapse_image_layers(img, 1);

            //normalize_image(img);



            show_image(img, "dropout - forward");

            wait_key_cv(0);

            //free_image(img);

            //free(output);

        }

        */



        num_blocks = get_number_of_blocks(l.outputs * l.batch, BLOCK);

        scale_dropblock_kernel << <num_blocks, BLOCK, 0, get_cuda_stream() >> > (state.input, l.outputs * l.batch, l.outputs, l.drop_blocks_scale_gpu);

        CHECK_CUDA(cudaPeekAtLastError());



    }

    // dropout

    else {

        int size = l.inputs*l.batch;

        cuda_random(l.rand_gpu, size);

        /*

        int i;

        for(i = 0; i < size; ++i){

            layer.rand[i] = rand_uniform();

        }

        cuda_push_array(layer.rand_gpu, layer.rand, size);

        */



        yoloswag420blazeit360noscope << <cuda_gridsize(size), BLOCK, 0, get_cuda_stream() >> > (state.input, size, l.rand_gpu, l.probability, l.scale);

        CHECK_CUDA(cudaPeekAtLastError());

    }

}



void backward_dropout_layer_gpu(dropout_layer l, network_state state)

{

    if(!state.delta) return;

    //int iteration_num = get_current_iteration(state.net); //(*state.net.seen) / (state.net.batch*state.net.subdivisions);

    //if (iteration_num < state.net.burn_in) return;



    const int size = l.inputs*l.batch;



    // dropblock

    if (l.dropblock) {

        int iteration_num = get_current_iteration(state.net); //(*state.net.seen) / (state.net.batch*state.net.subdivisions);

        float multiplier = 1.0;

        if (iteration_num < (state.net.max_batches*0.85))

            multiplier = (iteration_num / (float)(state.net.max_batches*0.85));



        const float cur_prob = l.probability * multiplier;

        const float cur_scale = 1.f / (1.f - cur_prob);



        int block_width = l.dropblock_size_abs * multiplier;

        int block_height = l.dropblock_size_abs * multiplier;



        if (l.dropblock_size_rel) {

            block_width = l.dropblock_size_rel * l.w * multiplier;

            block_height = l.dropblock_size_rel * l.h * multiplier;

        }



        block_width = max_val_cmp(1, block_width);

        block_height = max_val_cmp(1, block_height);



        block_width = min_val_cmp(l.w, block_width);

        block_height = min_val_cmp(l.h, block_height);



        const int block_size = min_val_cmp(block_width, block_height);

        const float block_prob = cur_prob / (block_size*block_size);



        //fill_ongpu(l.outputs * l.batch, 1, state.delta, 1); // remove!!!



        int num_blocks = get_number_of_blocks(l.outputs * l.batch, BLOCK);

        backward_dropblock_kernel << <num_blocks, BLOCK, 0, get_cuda_stream() >> >(l.rand_gpu, state.delta, l.outputs * l.batch);

        CHECK_CUDA(cudaPeekAtLastError());



        scale_dropblock_kernel << <num_blocks, BLOCK, 0, get_cuda_stream() >> > (state.delta, l.outputs * l.batch, l.outputs, l.drop_blocks_scale_gpu);

        CHECK_CUDA(cudaPeekAtLastError());



        /*

        {

            cuda_pull_array(l.drop_blocks_scale_gpu, l.drop_blocks_scale, l.batch);



            float avg_scale = 0;



            for (int b = 0; b < l.batch; ++b) {

                const float scale = l.drop_blocks_scale[b];

                avg_scale += scale;

                printf(" %d x %d - block_size = %d, block_size*block_size = %d , ", l.w, l.h, block_size, block_size*block_size);

                printf(" , l.drop_blocks_scale[b] = %f, scale = %f \t cur_prob = %f, cur_scale = %f \n",

                    l.drop_blocks_scale[b], scale, cur_prob, cur_scale);

            }

            avg_scale = avg_scale / l.batch;

            printf(" avg_scale = %f \n", avg_scale);



            float *output = (float *)calloc(l.outputs * l.batch, sizeof(float));

            cuda_pull_array(state.delta, output, l.outputs * l.batch);



            printf(" l.w = %d, l.h = %d, l.c = %d \n", l.w, l.h, l.c);



            image img = float_to_image(l.w, l.h, l.c, output);

            img = collapse_image_layers(img, 1);

            //normalize_image(img);



            show_image(img, "dropout - delta");

            wait_key_cv(0);

            //free_image(img);

            //free(output);

        }

        */



    }

    // dropout

    else {

        yoloswag420blazeit360noscope << <cuda_gridsize(size), BLOCK, 0, get_cuda_stream() >> > (state.delta, size, l.rand_gpu, l.probability, l.scale);

        CHECK_CUDA(cudaPeekAtLastError());

    }

}

#include <cuda_runtime.h>
#include <curand.h>
#include <cublas_v2.h>
#include <cstring>

#include "dropout_layer.h"
#include "dark_cuda.h"
#include "utils.h"
#include "blas.h"

#include "image_opencv.h"
#include "image.h"


__global__ void dropblock_fast_kernel(float *rand, float prob, int w, int h, int spatial, int filters, int batch, int block_size, float *drop_blocks_scale, float *output)
{
    const int threads = BLOCK;
    const int id = threadIdx.x;
    const int f = blockIdx.x % filters;
    const int b = blockIdx.x / filters;

    __shared__ int prob_block;
    __shared__ int index_block;

    if (id == 0) {
        prob_block = 1.0 * 1000000;
        index_block = -1;
    }
    __syncthreads();

    int i;
    for (i = id; i < spatial; i += threads) {
        int index = b*spatial*f + f*spatial + i;

        if (rand[index] < prob) {
            //Chose with the lowest rand[i]
            int new_val = rand[index] * 1000000;
            rand[index] = 1;
            int old_val = atomicMin(&prob_block, new_val);
            if (new_val < old_val) {
                index_block = i;
                //if (b == 0) printf("\n rand[i] = %f, prob = %f, b = %d, f = %d, i = %d, index_block = %d \n", rand[i], prob, b, f, i, index_block);
            }
        }

    }
    __syncthreads();
    if (index_block == -1) return;


    int b_x = index_block % w;
    int b_y = index_block / w;

    if (b_x > (w - block_size)) b_x = b_x - (w - block_size);
    if (b_y > (h - block_size)) b_y = b_y - (h - block_size);

    b_x = max(0, min(b_x, w - block_size));
    b_y = max(0, min(b_y, h - block_size));

    int block_square_size = block_size * block_size;

    for (i = id; i < block_square_size; i += threads)
    {
        int i_x = i % block_size;
        int i_y = i / block_size;

        int x = b_x + i_x;
        int y = b_y + i_y;

        if (x >= 0 && x < w && y >= 0 && y < h) {
            int new_index = b*filters*spatial + f*spatial + y*w + x;

            output[new_index] = 0;
            rand[new_index] = 0;
        }
    }

    //if (id == 0 && b == 0) printf(" f = %d, b = %d \n", f, b);

    if (id == 0 && drop_blocks_scale) {
        atomicAdd(&drop_blocks_scale[b], block_square_size);
        //if(b == 0) printf("\n index_block = %d \n", index_block);
    }

}

__global__ void set_scales_dropblock_kernel(float *drop_blocks_scale, int block_size_w, int block_size_h, int outputs, int batch)
{
    const int index = blockIdx.x*blockDim.x + threadIdx.x;
    if (index >= batch) return;

    //printf(" drop_blocks_scale[index] = %f \n", drop_blocks_scale[index]);
    const float prob = drop_blocks_scale[index] / (float)outputs;
    const float scale = 1.0f / (1.0f - prob);
    drop_blocks_scale[index] = scale;
}

__global__ void scale_dropblock_kernel(float *output, int size, int outputs, float *drop_blocks_scale)
{
    const int index = blockIdx.x*blockDim.x + threadIdx.x;
    if (index >= size) return;

    const int b = index / outputs;
    output[index] *= drop_blocks_scale[b];
}


__global__ void backward_dropblock_kernel(float *pass, float *delta, int size)
{
    const int index = blockIdx.x*blockDim.x + threadIdx.x;
    if (index >= size) return;

    if (pass[index] == 0) delta[index] = 0;
}


__global__ void yoloswag420blazeit360noscope(float *input, int size, float *rand, float prob, float scale)
{
    int id = (blockIdx.x + blockIdx.y*gridDim.x) * blockDim.x + threadIdx.x;
    if(id < size) input[id] = (rand[id] < prob) ? 0 : input[id]*scale;
}


void forward_dropout_layer_gpu(dropout_layer l, network_state state)
{
    if (!state.train) return;
    int iteration_num = get_current_iteration(state.net); // (*state.net.seen) / (state.net.batch*state.net.subdivisions);
    //if (iteration_num < state.net.burn_in) return;

    // We gradually increase the block size and the probability of dropout - during the first half of the training
    float multiplier = 1.0;
    if(iteration_num < (state.net.max_batches*0.85))
        multiplier = (iteration_num / (float)(state.net.max_batches*0.85));

    // dropblock
    if (l.dropblock) {
        //l.probability = 1 / keep_prob
        //const int max_blocks_per_channel = 10;
        const float cur_prob = l.probability * multiplier;
        const float cur_scale = 1.f / (1.f - cur_prob);

        int block_width = l.dropblock_size_abs *multiplier;
        int block_height = l.dropblock_size_abs *multiplier;

        if (l.dropblock_size_rel) {
            block_width = l.dropblock_size_rel * l.w * multiplier;
            block_height = l.dropblock_size_rel * l.h * multiplier;
        }

        block_width = max_val_cmp(1, block_width);
        block_height = max_val_cmp(1, block_height);

        block_width = min_val_cmp(l.w, block_width);
        block_height = min_val_cmp(l.h, block_height);

        const int block_size = min_val_cmp(block_width, block_height);
        const float block_prob = cur_prob / (block_size*block_size);
        assert(block_size <= l.w && block_size <= l.h);

        const int size = l.inputs*l.batch;
        cuda_random(l.rand_gpu, size);

        fill_ongpu(l.batch, 0, l.drop_blocks_scale_gpu, 1);

        //fill_ongpu(l.outputs * l.batch, 1, state.input, 1); // remove!!!

        int num_blocks = l.batch * l.c;
        dropblock_fast_kernel << <num_blocks, BLOCK, 0, get_cuda_stream() >> > (l.rand_gpu, block_prob, l.w, l.h, l.w*l.h, l.c, l.batch, block_size, l.drop_blocks_scale_gpu, state.input);
        CHECK_CUDA(cudaPeekAtLastError());

        num_blocks = get_number_of_blocks(l.batch, BLOCK);
        set_scales_dropblock_kernel << <num_blocks, BLOCK, 0, get_cuda_stream() >> > (l.drop_blocks_scale_gpu, block_size, block_size, l.outputs, l.batch);
        CHECK_CUDA(cudaPeekAtLastError());

        /*
        {
            cuda_pull_array(l.drop_blocks_scale_gpu, l.drop_blocks_scale, l.batch);

            float avg_scale = 0;

            for (int b = 0; b < l.batch; ++b) {
                const float scale = l.drop_blocks_scale[b];
                avg_scale += scale;
                printf(" %d x %d - block_size = %d, block_size*block_size = %d , ", l.w, l.h, block_size, block_size*block_size);
                printf(" , l.drop_blocks_scale[b] = %f, scale = %f \t cur_prob = %f, cur_scale = %f \n",
                    l.drop_blocks_scale[b], scale, cur_prob, cur_scale);
            }
            avg_scale = avg_scale / l.batch;
            printf(" avg_scale = %f \n", avg_scale);

            float *output = (float *)calloc(l.outputs * l.batch, sizeof(float));
            cuda_pull_array(state.input, output, l.outputs * l.batch);

            printf(" l.w = %d, l.h = %d, l.c = %d \n", l.w, l.h, l.c);

            image img = float_to_image(l.w, l.h, l.c, output);
            img = collapse_image_layers(img, 1);
            //normalize_image(img);

            show_image(img, "dropout - forward");
            wait_key_cv(0);
            //free_image(img);
            //free(output);
        }
        */

        num_blocks = get_number_of_blocks(l.outputs * l.batch, BLOCK);
        scale_dropblock_kernel << <num_blocks, BLOCK, 0, get_cuda_stream() >> > (state.input, l.outputs * l.batch, l.outputs, l.drop_blocks_scale_gpu);
        CHECK_CUDA(cudaPeekAtLastError());

    }
    // dropout
    else {
        int size = l.inputs*l.batch;
        cuda_random(l.rand_gpu, size);
        /*
        int i;
        for(i = 0; i < size; ++i){
            layer.rand[i] = rand_uniform();
        }
        cuda_push_array(layer.rand_gpu, layer.rand, size);
        */

        yoloswag420blazeit360noscope << <cuda_gridsize(size), BLOCK, 0, get_cuda_stream() >> > (state.input, size, l.rand_gpu, l.probability, l.scale);
        CHECK_CUDA(cudaPeekAtLastError());
    }
}

void backward_dropout_layer_gpu(dropout_layer l, network_state state)
{
    if(!state.delta) return;
    //int iteration_num = get_current_iteration(state.net); //(*state.net.seen) / (state.net.batch*state.net.subdivisions);
    //if (iteration_num < state.net.burn_in) return;

    const int size = l.inputs*l.batch;

    // dropblock
    if (l.dropblock) {
        int iteration_num = get_current_iteration(state.net); //(*state.net.seen) / (state.net.batch*state.net.subdivisions);
        float multiplier = 1.0;
        if (iteration_num < (state.net.max_batches*0.85))
            multiplier = (iteration_num / (float)(state.net.max_batches*0.85));

        const float cur_prob = l.probability * multiplier;
        const float cur_scale = 1.f / (1.f - cur_prob);

        int block_width = l.dropblock_size_abs * multiplier;
        int block_height = l.dropblock_size_abs * multiplier;

        if (l.dropblock_size_rel) {
            block_width = l.dropblock_size_rel * l.w * multiplier;
            block_height = l.dropblock_size_rel * l.h * multiplier;
        }

        block_width = max_val_cmp(1, block_width);
        block_height = max_val_cmp(1, block_height);

        block_width = min_val_cmp(l.w, block_width);
        block_height = min_val_cmp(l.h, block_height);

        const int block_size = min_val_cmp(block_width, block_height);
        const float block_prob = cur_prob / (block_size*block_size);

        //fill_ongpu(l.outputs * l.batch, 1, state.delta, 1); // remove!!!

        int num_blocks = get_number_of_blocks(l.outputs * l.batch, BLOCK);
        backward_dropblock_kernel << <num_blocks, BLOCK, 0, get_cuda_stream() >> >(l.rand_gpu, state.delta, l.outputs * l.batch);
        CHECK_CUDA(cudaPeekAtLastError());

        scale_dropblock_kernel << <num_blocks, BLOCK, 0, get_cuda_stream() >> > (state.delta, l.outputs * l.batch, l.outputs, l.drop_blocks_scale_gpu);
        CHECK_CUDA(cudaPeekAtLastError());

        /*
        {
            cuda_pull_array(l.drop_blocks_scale_gpu, l.drop_blocks_scale, l.batch);

            float avg_scale = 0;

            for (int b = 0; b < l.batch; ++b) {
                const float scale = l.drop_blocks_scale[b];
                avg_scale += scale;
                printf(" %d x %d - block_size = %d, block_size*block_size = %d , ", l.w, l.h, block_size, block_size*block_size);
                printf(" , l.drop_blocks_scale[b] = %f, scale = %f \t cur_prob = %f, cur_scale = %f \n",
                    l.drop_blocks_scale[b], scale, cur_prob, cur_scale);
            }
            avg_scale = avg_scale / l.batch;
            printf(" avg_scale = %f \n", avg_scale);

            float *output = (float *)calloc(l.outputs * l.batch, sizeof(float));
            cuda_pull_array(state.delta, output, l.outputs * l.batch);

            printf(" l.w = %d, l.h = %d, l.c = %d \n", l.w, l.h, l.c);

            image img = float_to_image(l.w, l.h, l.c, output);
            img = collapse_image_layers(img, 1);
            //normalize_image(img);

            show_image(img, "dropout - delta");
            wait_key_cv(0);
            //free_image(img);
            //free(output);
        }
        */

    }
    // dropout
    else {
        yoloswag420blazeit360noscope << <cuda_gridsize(size), BLOCK, 0, get_cuda_stream() >> > (state.delta, size, l.rand_gpu, l.probability, l.scale);
        CHECK_CUDA(cudaPeekAtLastError());
    }
}