up new v4

Scheaven

2021-06-03 168af40fe9a3cc81c6ee16b3e81f154780c36bdb

 lib/detecter_tools/darknet/lstm_layer.c

@@ -1,646 +1,646 @@
#include "lstm_layer.h"

#include "connected_layer.h"

#include "utils.h"

#include "dark_cuda.h"

#include "blas.h"

#include "gemm.h"



#include <math.h>

#include <stdio.h>

#include <stdlib.h>

#include <string.h>



static void increment_layer(layer *l, int steps)

{

    int num = l->outputs*l->batch*steps;

    l->output += num;

    l->delta += num;

    l->x += num;

    l->x_norm += num;



#ifdef GPU

    l->output_gpu += num;

    l->delta_gpu += num;

    l->x_gpu += num;

    l->x_norm_gpu += num;

#endif

}



layer make_lstm_layer(int batch, int inputs, int outputs, int steps, int batch_normalize)

{

    fprintf(stderr, "LSTM Layer: %d inputs, %d outputs\n", inputs, outputs);

    batch = batch / steps;

    layer l = { (LAYER_TYPE)0 };

    l.batch = batch;

    l.type = LSTM;

    l.steps = steps;

    l.inputs = inputs;

    l.out_w = 1;

    l.out_h = 1;

    l.out_c = outputs;



    l.uf = (layer*)xcalloc(1, sizeof(layer));

    fprintf(stderr, "\t\t");

    *(l.uf) = make_connected_layer(batch, steps, inputs, outputs, LINEAR, batch_normalize);

    l.uf->batch = batch;

    if (l.workspace_size < l.uf->workspace_size) l.workspace_size = l.uf->workspace_size;



    l.ui = (layer*)xcalloc(1, sizeof(layer));

    fprintf(stderr, "\t\t");

    *(l.ui) = make_connected_layer(batch, steps, inputs, outputs, LINEAR, batch_normalize);

    l.ui->batch = batch;

    if (l.workspace_size < l.ui->workspace_size) l.workspace_size = l.ui->workspace_size;



    l.ug = (layer*)xcalloc(1, sizeof(layer));

    fprintf(stderr, "\t\t");

    *(l.ug) = make_connected_layer(batch, steps, inputs, outputs, LINEAR, batch_normalize);

    l.ug->batch = batch;

    if (l.workspace_size < l.ug->workspace_size) l.workspace_size = l.ug->workspace_size;



    l.uo = (layer*)xcalloc(1, sizeof(layer));

    fprintf(stderr, "\t\t");

    *(l.uo) = make_connected_layer(batch, steps, inputs, outputs, LINEAR, batch_normalize);

    l.uo->batch = batch;

    if (l.workspace_size < l.uo->workspace_size) l.workspace_size = l.uo->workspace_size;



    l.wf = (layer*)xcalloc(1, sizeof(layer));

    fprintf(stderr, "\t\t");

    *(l.wf) = make_connected_layer(batch, steps, outputs, outputs, LINEAR, batch_normalize);

    l.wf->batch = batch;

    if (l.workspace_size < l.wf->workspace_size) l.workspace_size = l.wf->workspace_size;



    l.wi = (layer*)xcalloc(1, sizeof(layer));

    fprintf(stderr, "\t\t");

    *(l.wi) = make_connected_layer(batch, steps, outputs, outputs, LINEAR, batch_normalize);

    l.wi->batch = batch;

    if (l.workspace_size < l.wi->workspace_size) l.workspace_size = l.wi->workspace_size;



    l.wg = (layer*)xcalloc(1, sizeof(layer));

    fprintf(stderr, "\t\t");

    *(l.wg) = make_connected_layer(batch, steps, outputs, outputs, LINEAR, batch_normalize);

    l.wg->batch = batch;

    if (l.workspace_size < l.wg->workspace_size) l.workspace_size = l.wg->workspace_size;



    l.wo = (layer*)xcalloc(1, sizeof(layer));

    fprintf(stderr, "\t\t");

    *(l.wo) = make_connected_layer(batch, steps, outputs, outputs, LINEAR, batch_normalize);

    l.wo->batch = batch;

    if (l.workspace_size < l.wo->workspace_size) l.workspace_size = l.wo->workspace_size;



    l.batch_normalize = batch_normalize;

    l.outputs = outputs;



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

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



    l.forward = forward_lstm_layer;

    l.update = update_lstm_layer;

    l.backward = backward_lstm_layer;



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

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

    l.cell_cpu =        (float*)xcalloc(batch*outputs*steps, sizeof(float));



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

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

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

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

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

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

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

    l.temp2_cpu =       (float*)xcalloc(batch*outputs, sizeof(float));

    l.temp3_cpu =       (float*)xcalloc(batch*outputs, sizeof(float));

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

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



#ifdef GPU

    l.forward_gpu = forward_lstm_layer_gpu;

    l.backward_gpu = backward_lstm_layer_gpu;

    l.update_gpu = update_lstm_layer_gpu;



    //l.state_gpu = cuda_make_array(l.state, batch*l.outputs);



    l.output_gpu = cuda_make_array(0, batch*outputs*steps);

    l.delta_gpu = cuda_make_array(0, batch*l.outputs*steps);



    l.prev_state_gpu = cuda_make_array(0, batch*outputs);

    l.prev_cell_gpu = cuda_make_array(0, batch*outputs);

    l.cell_gpu = cuda_make_array(0, batch*outputs*steps);



    l.f_gpu = cuda_make_array(0, batch*outputs);

    l.i_gpu = cuda_make_array(0, batch*outputs);

    l.g_gpu = cuda_make_array(0, batch*outputs);

    l.o_gpu = cuda_make_array(0, batch*outputs);

    l.c_gpu = cuda_make_array(0, batch*outputs);

    l.h_gpu = cuda_make_array(0, batch*outputs);

    l.temp_gpu =  cuda_make_array(0, batch*outputs);

    l.temp2_gpu = cuda_make_array(0, batch*outputs);

    l.temp3_gpu = cuda_make_array(0, batch*outputs);

    l.dc_gpu = cuda_make_array(0, batch*outputs);

    l.dh_gpu = cuda_make_array(0, batch*outputs);

#ifdef CUDNN

    /*

        cudnnSetTensor4dDescriptor(l.wf->dstTensorDesc, CUDNN_TENSOR_NCHW, CUDNN_DATA_FLOAT, batch, l.wf->out_c, l.wf->out_h, l.wf->out_w);

        cudnnSetTensor4dDescriptor(l.wi->dstTensorDesc, CUDNN_TENSOR_NCHW, CUDNN_DATA_FLOAT, batch, l.wi->out_c, l.wi->out_h, l.wi->out_w);

        cudnnSetTensor4dDescriptor(l.wg->dstTensorDesc, CUDNN_TENSOR_NCHW, CUDNN_DATA_FLOAT, batch, l.wg->out_c, l.wg->out_h, l.wg->out_w);

        cudnnSetTensor4dDescriptor(l.wo->dstTensorDesc, CUDNN_TENSOR_NCHW, CUDNN_DATA_FLOAT, batch, l.wo->out_c, l.wo->out_h, l.wo->out_w);



        cudnnSetTensor4dDescriptor(l.uf->dstTensorDesc, CUDNN_TENSOR_NCHW, CUDNN_DATA_FLOAT, batch, l.uf->out_c, l.uf->out_h, l.uf->out_w);

        cudnnSetTensor4dDescriptor(l.ui->dstTensorDesc, CUDNN_TENSOR_NCHW, CUDNN_DATA_FLOAT, batch, l.ui->out_c, l.ui->out_h, l.ui->out_w);

        cudnnSetTensor4dDescriptor(l.ug->dstTensorDesc, CUDNN_TENSOR_NCHW, CUDNN_DATA_FLOAT, batch, l.ug->out_c, l.ug->out_h, l.ug->out_w);

        cudnnSetTensor4dDescriptor(l.uo->dstTensorDesc, CUDNN_TENSOR_NCHW, CUDNN_DATA_FLOAT, batch, l.uo->out_c, l.uo->out_h, l.uo->out_w);

        */

#endif



#endif



    return l;

}



void update_lstm_layer(layer l, int batch, float learning_rate, float momentum, float decay)

{

    update_connected_layer(*(l.wf), batch, learning_rate, momentum, decay);

    update_connected_layer(*(l.wi), batch, learning_rate, momentum, decay);

    update_connected_layer(*(l.wg), batch, learning_rate, momentum, decay);

    update_connected_layer(*(l.wo), batch, learning_rate, momentum, decay);

    update_connected_layer(*(l.uf), batch, learning_rate, momentum, decay);

    update_connected_layer(*(l.ui), batch, learning_rate, momentum, decay);

    update_connected_layer(*(l.ug), batch, learning_rate, momentum, decay);

    update_connected_layer(*(l.uo), batch, learning_rate, momentum, decay);

}



void forward_lstm_layer(layer l, network_state state)

{

    network_state s = { 0 };

    s.train = state.train;

    s.workspace = state.workspace;

    int i;

    layer wf = *(l.wf);

    layer wi = *(l.wi);

    layer wg = *(l.wg);

    layer wo = *(l.wo);



    layer uf = *(l.uf);

    layer ui = *(l.ui);

    layer ug = *(l.ug);

    layer uo = *(l.uo);



    fill_cpu(l.outputs * l.batch * l.steps, 0, wf.delta, 1);

    fill_cpu(l.outputs * l.batch * l.steps, 0, wi.delta, 1);

    fill_cpu(l.outputs * l.batch * l.steps, 0, wg.delta, 1);

    fill_cpu(l.outputs * l.batch * l.steps, 0, wo.delta, 1);



    fill_cpu(l.outputs * l.batch * l.steps, 0, uf.delta, 1);

    fill_cpu(l.outputs * l.batch * l.steps, 0, ui.delta, 1);

    fill_cpu(l.outputs * l.batch * l.steps, 0, ug.delta, 1);

    fill_cpu(l.outputs * l.batch * l.steps, 0, uo.delta, 1);

    if (state.train) {

        fill_cpu(l.outputs * l.batch * l.steps, 0, l.delta, 1);

    }



    for (i = 0; i < l.steps; ++i) {

        s.input = l.h_cpu;

        forward_connected_layer(wf, s);

        forward_connected_layer(wi, s);

        forward_connected_layer(wg, s);

        forward_connected_layer(wo, s);



        s.input = state.input;

        forward_connected_layer(uf, s);

        forward_connected_layer(ui, s);

        forward_connected_layer(ug, s);

        forward_connected_layer(uo, s);



        copy_cpu(l.outputs*l.batch, wf.output, 1, l.f_cpu, 1);

        axpy_cpu(l.outputs*l.batch, 1, uf.output, 1, l.f_cpu, 1);



        copy_cpu(l.outputs*l.batch, wi.output, 1, l.i_cpu, 1);

        axpy_cpu(l.outputs*l.batch, 1, ui.output, 1, l.i_cpu, 1);



        copy_cpu(l.outputs*l.batch, wg.output, 1, l.g_cpu, 1);

        axpy_cpu(l.outputs*l.batch, 1, ug.output, 1, l.g_cpu, 1);



        copy_cpu(l.outputs*l.batch, wo.output, 1, l.o_cpu, 1);

        axpy_cpu(l.outputs*l.batch, 1, uo.output, 1, l.o_cpu, 1);



        activate_array(l.f_cpu, l.outputs*l.batch, LOGISTIC);

        activate_array(l.i_cpu, l.outputs*l.batch, LOGISTIC);

        activate_array(l.g_cpu, l.outputs*l.batch, TANH);

        activate_array(l.o_cpu, l.outputs*l.batch, LOGISTIC);



        copy_cpu(l.outputs*l.batch, l.i_cpu, 1, l.temp_cpu, 1);

        mul_cpu(l.outputs*l.batch, l.g_cpu, 1, l.temp_cpu, 1);

        mul_cpu(l.outputs*l.batch, l.f_cpu, 1, l.c_cpu, 1);

        axpy_cpu(l.outputs*l.batch, 1, l.temp_cpu, 1, l.c_cpu, 1);



        copy_cpu(l.outputs*l.batch, l.c_cpu, 1, l.h_cpu, 1);

        activate_array(l.h_cpu, l.outputs*l.batch, TANH);

        mul_cpu(l.outputs*l.batch, l.o_cpu, 1, l.h_cpu, 1);



        copy_cpu(l.outputs*l.batch, l.c_cpu, 1, l.cell_cpu, 1);

        copy_cpu(l.outputs*l.batch, l.h_cpu, 1, l.output, 1);



        state.input += l.inputs*l.batch;

        l.output    += l.outputs*l.batch;

        l.cell_cpu      += l.outputs*l.batch;



        increment_layer(&wf, 1);

        increment_layer(&wi, 1);

        increment_layer(&wg, 1);

        increment_layer(&wo, 1);



        increment_layer(&uf, 1);

        increment_layer(&ui, 1);

        increment_layer(&ug, 1);

        increment_layer(&uo, 1);

    }

}



void backward_lstm_layer(layer l, network_state state)

{

    network_state s = { 0 };

    s.train = state.train;

    s.workspace = state.workspace;

    int i;

    layer wf = *(l.wf);

    layer wi = *(l.wi);

    layer wg = *(l.wg);

    layer wo = *(l.wo);



    layer uf = *(l.uf);

    layer ui = *(l.ui);

    layer ug = *(l.ug);

    layer uo = *(l.uo);



    increment_layer(&wf, l.steps - 1);

    increment_layer(&wi, l.steps - 1);

    increment_layer(&wg, l.steps - 1);

    increment_layer(&wo, l.steps - 1);



    increment_layer(&uf, l.steps - 1);

    increment_layer(&ui, l.steps - 1);

    increment_layer(&ug, l.steps - 1);

    increment_layer(&uo, l.steps - 1);



    state.input += l.inputs*l.batch*(l.steps - 1);

    if (state.delta) state.delta += l.inputs*l.batch*(l.steps - 1);



    l.output += l.outputs*l.batch*(l.steps - 1);

    l.cell_cpu += l.outputs*l.batch*(l.steps - 1);

    l.delta += l.outputs*l.batch*(l.steps - 1);



    for (i = l.steps - 1; i >= 0; --i) {

        if (i != 0) copy_cpu(l.outputs*l.batch, l.cell_cpu - l.outputs*l.batch, 1, l.prev_cell_cpu, 1);

        copy_cpu(l.outputs*l.batch, l.cell_cpu, 1, l.c_cpu, 1);

        if (i != 0) copy_cpu(l.outputs*l.batch, l.output - l.outputs*l.batch, 1, l.prev_state_cpu, 1);

        copy_cpu(l.outputs*l.batch, l.output, 1, l.h_cpu, 1);



        l.dh_cpu = (i == 0) ? 0 : l.delta - l.outputs*l.batch;



        copy_cpu(l.outputs*l.batch, wf.output, 1, l.f_cpu, 1);

        axpy_cpu(l.outputs*l.batch, 1, uf.output, 1, l.f_cpu, 1);



        copy_cpu(l.outputs*l.batch, wi.output, 1, l.i_cpu, 1);

        axpy_cpu(l.outputs*l.batch, 1, ui.output, 1, l.i_cpu, 1);



        copy_cpu(l.outputs*l.batch, wg.output, 1, l.g_cpu, 1);

        axpy_cpu(l.outputs*l.batch, 1, ug.output, 1, l.g_cpu, 1);



        copy_cpu(l.outputs*l.batch, wo.output, 1, l.o_cpu, 1);

        axpy_cpu(l.outputs*l.batch, 1, uo.output, 1, l.o_cpu, 1);



        activate_array(l.f_cpu, l.outputs*l.batch, LOGISTIC);

        activate_array(l.i_cpu, l.outputs*l.batch, LOGISTIC);

        activate_array(l.g_cpu, l.outputs*l.batch, TANH);

        activate_array(l.o_cpu, l.outputs*l.batch, LOGISTIC);



        copy_cpu(l.outputs*l.batch, l.delta, 1, l.temp3_cpu, 1);



        copy_cpu(l.outputs*l.batch, l.c_cpu, 1, l.temp_cpu, 1);

        activate_array(l.temp_cpu, l.outputs*l.batch, TANH);



        copy_cpu(l.outputs*l.batch, l.temp3_cpu, 1, l.temp2_cpu, 1);

        mul_cpu(l.outputs*l.batch, l.o_cpu, 1, l.temp2_cpu, 1);



        gradient_array(l.temp_cpu, l.outputs*l.batch, TANH, l.temp2_cpu);

        axpy_cpu(l.outputs*l.batch, 1, l.dc_cpu, 1, l.temp2_cpu, 1);



        copy_cpu(l.outputs*l.batch, l.c_cpu, 1, l.temp_cpu, 1);

        activate_array(l.temp_cpu, l.outputs*l.batch, TANH);

        mul_cpu(l.outputs*l.batch, l.temp3_cpu, 1, l.temp_cpu, 1);

        gradient_array(l.o_cpu, l.outputs*l.batch, LOGISTIC, l.temp_cpu);

        copy_cpu(l.outputs*l.batch, l.temp_cpu, 1, wo.delta, 1);

        s.input = l.prev_state_cpu;

        s.delta = l.dh_cpu;

        backward_connected_layer(wo, s);



        copy_cpu(l.outputs*l.batch, l.temp_cpu, 1, uo.delta, 1);

        s.input = state.input;

        s.delta = state.delta;

        backward_connected_layer(uo, s);



        copy_cpu(l.outputs*l.batch, l.temp2_cpu, 1, l.temp_cpu, 1);

        mul_cpu(l.outputs*l.batch, l.i_cpu, 1, l.temp_cpu, 1);

        gradient_array(l.g_cpu, l.outputs*l.batch, TANH, l.temp_cpu);

        copy_cpu(l.outputs*l.batch, l.temp_cpu, 1, wg.delta, 1);

        s.input = l.prev_state_cpu;

        s.delta = l.dh_cpu;

        backward_connected_layer(wg, s);



        copy_cpu(l.outputs*l.batch, l.temp_cpu, 1, ug.delta, 1);

        s.input = state.input;

        s.delta = state.delta;

        backward_connected_layer(ug, s);



        copy_cpu(l.outputs*l.batch, l.temp2_cpu, 1, l.temp_cpu, 1);

        mul_cpu(l.outputs*l.batch, l.g_cpu, 1, l.temp_cpu, 1);

        gradient_array(l.i_cpu, l.outputs*l.batch, LOGISTIC, l.temp_cpu);

        copy_cpu(l.outputs*l.batch, l.temp_cpu, 1, wi.delta, 1);

        s.input = l.prev_state_cpu;

        s.delta = l.dh_cpu;

        backward_connected_layer(wi, s);



        copy_cpu(l.outputs*l.batch, l.temp_cpu, 1, ui.delta, 1);

        s.input = state.input;

        s.delta = state.delta;

        backward_connected_layer(ui, s);



        copy_cpu(l.outputs*l.batch, l.temp2_cpu, 1, l.temp_cpu, 1);

        mul_cpu(l.outputs*l.batch, l.prev_cell_cpu, 1, l.temp_cpu, 1);

        gradient_array(l.f_cpu, l.outputs*l.batch, LOGISTIC, l.temp_cpu);

        copy_cpu(l.outputs*l.batch, l.temp_cpu, 1, wf.delta, 1);

        s.input = l.prev_state_cpu;

        s.delta = l.dh_cpu;

        backward_connected_layer(wf, s);



        copy_cpu(l.outputs*l.batch, l.temp_cpu, 1, uf.delta, 1);

        s.input = state.input;

        s.delta = state.delta;

        backward_connected_layer(uf, s);



        copy_cpu(l.outputs*l.batch, l.temp2_cpu, 1, l.temp_cpu, 1);

        mul_cpu(l.outputs*l.batch, l.f_cpu, 1, l.temp_cpu, 1);

        copy_cpu(l.outputs*l.batch, l.temp_cpu, 1, l.dc_cpu, 1);



        state.input -= l.inputs*l.batch;

        if (state.delta) state.delta -= l.inputs*l.batch;

        l.output -= l.outputs*l.batch;

        l.cell_cpu -= l.outputs*l.batch;

        l.delta -= l.outputs*l.batch;



        increment_layer(&wf, -1);

        increment_layer(&wi, -1);

        increment_layer(&wg, -1);

        increment_layer(&wo, -1);



        increment_layer(&uf, -1);

        increment_layer(&ui, -1);

        increment_layer(&ug, -1);

        increment_layer(&uo, -1);

    }

}



#ifdef GPU

void update_lstm_layer_gpu(layer l, int batch, float learning_rate, float momentum, float decay, float loss_scale)

{

    update_connected_layer_gpu(*(l.wf), batch, learning_rate, momentum, decay, loss_scale);

    update_connected_layer_gpu(*(l.wi), batch, learning_rate, momentum, decay, loss_scale);

    update_connected_layer_gpu(*(l.wg), batch, learning_rate, momentum, decay, loss_scale);

    update_connected_layer_gpu(*(l.wo), batch, learning_rate, momentum, decay, loss_scale);

    update_connected_layer_gpu(*(l.uf), batch, learning_rate, momentum, decay, loss_scale);

    update_connected_layer_gpu(*(l.ui), batch, learning_rate, momentum, decay, loss_scale);

    update_connected_layer_gpu(*(l.ug), batch, learning_rate, momentum, decay, loss_scale);

    update_connected_layer_gpu(*(l.uo), batch, learning_rate, momentum, decay, loss_scale);

}



void forward_lstm_layer_gpu(layer l, network_state state)

{

    network_state s = { 0 };

    s.train = state.train;

    s.workspace = state.workspace;

    int i;

    layer wf = *(l.wf);

    layer wi = *(l.wi);

    layer wg = *(l.wg);

    layer wo = *(l.wo);



    layer uf = *(l.uf);

    layer ui = *(l.ui);

    layer ug = *(l.ug);

    layer uo = *(l.uo);



    fill_ongpu(l.outputs * l.batch * l.steps, 0, wf.delta_gpu, 1);

    fill_ongpu(l.outputs * l.batch * l.steps, 0, wi.delta_gpu, 1);

    fill_ongpu(l.outputs * l.batch * l.steps, 0, wg.delta_gpu, 1);

    fill_ongpu(l.outputs * l.batch * l.steps, 0, wo.delta_gpu, 1);



    fill_ongpu(l.outputs * l.batch * l.steps, 0, uf.delta_gpu, 1);

    fill_ongpu(l.outputs * l.batch * l.steps, 0, ui.delta_gpu, 1);

    fill_ongpu(l.outputs * l.batch * l.steps, 0, ug.delta_gpu, 1);

    fill_ongpu(l.outputs * l.batch * l.steps, 0, uo.delta_gpu, 1);

    if (state.train) {

        fill_ongpu(l.outputs * l.batch * l.steps, 0, l.delta_gpu, 1);

    }



    for (i = 0; i < l.steps; ++i) {

        s.input = l.h_gpu;

        forward_connected_layer_gpu(wf, s);

        forward_connected_layer_gpu(wi, s);

        forward_connected_layer_gpu(wg, s);

        forward_connected_layer_gpu(wo, s);



        s.input = state.input;

        forward_connected_layer_gpu(uf, s);

        forward_connected_layer_gpu(ui, s);

        forward_connected_layer_gpu(ug, s);

        forward_connected_layer_gpu(uo, s);



        copy_ongpu(l.outputs*l.batch, wf.output_gpu, 1, l.f_gpu, 1);

        axpy_ongpu(l.outputs*l.batch, 1, uf.output_gpu, 1, l.f_gpu, 1);



        copy_ongpu(l.outputs*l.batch, wi.output_gpu, 1, l.i_gpu, 1);

        axpy_ongpu(l.outputs*l.batch, 1, ui.output_gpu, 1, l.i_gpu, 1);



        copy_ongpu(l.outputs*l.batch, wg.output_gpu, 1, l.g_gpu, 1);

        axpy_ongpu(l.outputs*l.batch, 1, ug.output_gpu, 1, l.g_gpu, 1);



        copy_ongpu(l.outputs*l.batch, wo.output_gpu, 1, l.o_gpu, 1);

        axpy_ongpu(l.outputs*l.batch, 1, uo.output_gpu, 1, l.o_gpu, 1);



        activate_array_ongpu(l.f_gpu, l.outputs*l.batch, LOGISTIC);

        activate_array_ongpu(l.i_gpu, l.outputs*l.batch, LOGISTIC);

        activate_array_ongpu(l.g_gpu, l.outputs*l.batch, TANH);

        activate_array_ongpu(l.o_gpu, l.outputs*l.batch, LOGISTIC);



        copy_ongpu(l.outputs*l.batch, l.i_gpu, 1, l.temp_gpu, 1);

        mul_ongpu(l.outputs*l.batch, l.g_gpu, 1, l.temp_gpu, 1);

        mul_ongpu(l.outputs*l.batch, l.f_gpu, 1, l.c_gpu, 1);

        axpy_ongpu(l.outputs*l.batch, 1, l.temp_gpu, 1, l.c_gpu, 1);



        copy_ongpu(l.outputs*l.batch, l.c_gpu, 1, l.h_gpu, 1);

        activate_array_ongpu(l.h_gpu, l.outputs*l.batch, TANH);

        mul_ongpu(l.outputs*l.batch, l.o_gpu, 1, l.h_gpu, 1);



        copy_ongpu(l.outputs*l.batch, l.c_gpu, 1, l.cell_gpu, 1);

        copy_ongpu(l.outputs*l.batch, l.h_gpu, 1, l.output_gpu, 1);



        state.input += l.inputs*l.batch;

        l.output_gpu    += l.outputs*l.batch;

        l.cell_gpu      += l.outputs*l.batch;



        increment_layer(&wf, 1);

        increment_layer(&wi, 1);

        increment_layer(&wg, 1);

        increment_layer(&wo, 1);



        increment_layer(&uf, 1);

        increment_layer(&ui, 1);

        increment_layer(&ug, 1);

        increment_layer(&uo, 1);

    }

}



void backward_lstm_layer_gpu(layer l, network_state state)

{

    network_state s = { 0 };

    s.train = state.train;

    s.workspace = state.workspace;

    int i;

    layer wf = *(l.wf);

    layer wi = *(l.wi);

    layer wg = *(l.wg);

    layer wo = *(l.wo);



    layer uf = *(l.uf);

    layer ui = *(l.ui);

    layer ug = *(l.ug);

    layer uo = *(l.uo);



    increment_layer(&wf, l.steps - 1);

    increment_layer(&wi, l.steps - 1);

    increment_layer(&wg, l.steps - 1);

    increment_layer(&wo, l.steps - 1);



    increment_layer(&uf, l.steps - 1);

    increment_layer(&ui, l.steps - 1);

    increment_layer(&ug, l.steps - 1);

    increment_layer(&uo, l.steps - 1);



    state.input += l.inputs*l.batch*(l.steps - 1);

    if (state.delta) state.delta += l.inputs*l.batch*(l.steps - 1);



    l.output_gpu += l.outputs*l.batch*(l.steps - 1);

    l.cell_gpu += l.outputs*l.batch*(l.steps - 1);

    l.delta_gpu += l.outputs*l.batch*(l.steps - 1);



    for (i = l.steps - 1; i >= 0; --i) {

        if (i != 0) copy_ongpu(l.outputs*l.batch, l.cell_gpu - l.outputs*l.batch, 1, l.prev_cell_gpu, 1);

        copy_ongpu(l.outputs*l.batch, l.cell_gpu, 1, l.c_gpu, 1);

        if (i != 0) copy_ongpu(l.outputs*l.batch, l.output_gpu - l.outputs*l.batch, 1, l.prev_state_gpu, 1);

        copy_ongpu(l.outputs*l.batch, l.output_gpu, 1, l.h_gpu, 1);



        l.dh_gpu = (i == 0) ? 0 : l.delta_gpu - l.outputs*l.batch;



        copy_ongpu(l.outputs*l.batch, wf.output_gpu, 1, l.f_gpu, 1);

        axpy_ongpu(l.outputs*l.batch, 1, uf.output_gpu, 1, l.f_gpu, 1);



        copy_ongpu(l.outputs*l.batch, wi.output_gpu, 1, l.i_gpu, 1);

        axpy_ongpu(l.outputs*l.batch, 1, ui.output_gpu, 1, l.i_gpu, 1);



        copy_ongpu(l.outputs*l.batch, wg.output_gpu, 1, l.g_gpu, 1);

        axpy_ongpu(l.outputs*l.batch, 1, ug.output_gpu, 1, l.g_gpu, 1);



        copy_ongpu(l.outputs*l.batch, wo.output_gpu, 1, l.o_gpu, 1);

        axpy_ongpu(l.outputs*l.batch, 1, uo.output_gpu, 1, l.o_gpu, 1);



        activate_array_ongpu(l.f_gpu, l.outputs*l.batch, LOGISTIC);

        activate_array_ongpu(l.i_gpu, l.outputs*l.batch, LOGISTIC);

        activate_array_ongpu(l.g_gpu, l.outputs*l.batch, TANH);

        activate_array_ongpu(l.o_gpu, l.outputs*l.batch, LOGISTIC);



        copy_ongpu(l.outputs*l.batch, l.delta_gpu, 1, l.temp3_gpu, 1);



        copy_ongpu(l.outputs*l.batch, l.c_gpu, 1, l.temp_gpu, 1);

        activate_array_ongpu(l.temp_gpu, l.outputs*l.batch, TANH);



        copy_ongpu(l.outputs*l.batch, l.temp3_gpu, 1, l.temp2_gpu, 1);

        mul_ongpu(l.outputs*l.batch, l.o_gpu, 1, l.temp2_gpu, 1);



        gradient_array_ongpu(l.temp_gpu, l.outputs*l.batch, TANH, l.temp2_gpu);

        axpy_ongpu(l.outputs*l.batch, 1, l.dc_gpu, 1, l.temp2_gpu, 1);



        copy_ongpu(l.outputs*l.batch, l.c_gpu, 1, l.temp_gpu, 1);

        activate_array_ongpu(l.temp_gpu, l.outputs*l.batch, TANH);

        mul_ongpu(l.outputs*l.batch, l.temp3_gpu, 1, l.temp_gpu, 1);

        gradient_array_ongpu(l.o_gpu, l.outputs*l.batch, LOGISTIC, l.temp_gpu);

        copy_ongpu(l.outputs*l.batch, l.temp_gpu, 1, wo.delta_gpu, 1);

        s.input = l.prev_state_gpu;

        s.delta = l.dh_gpu;

        backward_connected_layer_gpu(wo, s);



        copy_ongpu(l.outputs*l.batch, l.temp_gpu, 1, uo.delta_gpu, 1);

        s.input = state.input;

        s.delta = state.delta;

        backward_connected_layer_gpu(uo, s);



        copy_ongpu(l.outputs*l.batch, l.temp2_gpu, 1, l.temp_gpu, 1);

        mul_ongpu(l.outputs*l.batch, l.i_gpu, 1, l.temp_gpu, 1);

        gradient_array_ongpu(l.g_gpu, l.outputs*l.batch, TANH, l.temp_gpu);

        copy_ongpu(l.outputs*l.batch, l.temp_gpu, 1, wg.delta_gpu, 1);

        s.input = l.prev_state_gpu;

        s.delta = l.dh_gpu;

        backward_connected_layer_gpu(wg, s);



        copy_ongpu(l.outputs*l.batch, l.temp_gpu, 1, ug.delta_gpu, 1);

        s.input = state.input;

        s.delta = state.delta;

        backward_connected_layer_gpu(ug, s);



        copy_ongpu(l.outputs*l.batch, l.temp2_gpu, 1, l.temp_gpu, 1);

        mul_ongpu(l.outputs*l.batch, l.g_gpu, 1, l.temp_gpu, 1);

        gradient_array_ongpu(l.i_gpu, l.outputs*l.batch, LOGISTIC, l.temp_gpu);

        copy_ongpu(l.outputs*l.batch, l.temp_gpu, 1, wi.delta_gpu, 1);

        s.input = l.prev_state_gpu;

        s.delta = l.dh_gpu;

        backward_connected_layer_gpu(wi, s);



        copy_ongpu(l.outputs*l.batch, l.temp_gpu, 1, ui.delta_gpu, 1);

        s.input = state.input;

        s.delta = state.delta;

        backward_connected_layer_gpu(ui, s);



        copy_ongpu(l.outputs*l.batch, l.temp2_gpu, 1, l.temp_gpu, 1);

        mul_ongpu(l.outputs*l.batch, l.prev_cell_gpu, 1, l.temp_gpu, 1);

        gradient_array_ongpu(l.f_gpu, l.outputs*l.batch, LOGISTIC, l.temp_gpu);

        copy_ongpu(l.outputs*l.batch, l.temp_gpu, 1, wf.delta_gpu, 1);

        s.input = l.prev_state_gpu;

        s.delta = l.dh_gpu;

        backward_connected_layer_gpu(wf, s);



        copy_ongpu(l.outputs*l.batch, l.temp_gpu, 1, uf.delta_gpu, 1);

        s.input = state.input;

        s.delta = state.delta;

        backward_connected_layer_gpu(uf, s);



        copy_ongpu(l.outputs*l.batch, l.temp2_gpu, 1, l.temp_gpu, 1);

        mul_ongpu(l.outputs*l.batch, l.f_gpu, 1, l.temp_gpu, 1);

        copy_ongpu(l.outputs*l.batch, l.temp_gpu, 1, l.dc_gpu, 1);



        state.input -= l.inputs*l.batch;

        if (state.delta) state.delta -= l.inputs*l.batch;

        l.output_gpu -= l.outputs*l.batch;

        l.cell_gpu -= l.outputs*l.batch;

        l.delta_gpu -= l.outputs*l.batch;



        increment_layer(&wf, -1);

        increment_layer(&wi, -1);

        increment_layer(&wg, -1);

        increment_layer(&wo, -1);



        increment_layer(&uf, -1);

        increment_layer(&ui, -1);

        increment_layer(&ug, -1);

        increment_layer(&uo, -1);

    }

}

#endif

#include "lstm_layer.h"
#include "connected_layer.h"
#include "utils.h"
#include "dark_cuda.h"
#include "blas.h"
#include "gemm.h"

#include <math.h>
#include <stdio.h>
#include <stdlib.h>
#include <string.h>

static void increment_layer(layer *l, int steps)
{
    int num = l->outputs*l->batch*steps;
    l->output += num;
    l->delta += num;
    l->x += num;
    l->x_norm += num;

#ifdef GPU
    l->output_gpu += num;
    l->delta_gpu += num;
    l->x_gpu += num;
    l->x_norm_gpu += num;
#endif
}

layer make_lstm_layer(int batch, int inputs, int outputs, int steps, int batch_normalize)
{
    fprintf(stderr, "LSTM Layer: %d inputs, %d outputs\n", inputs, outputs);
    batch = batch / steps;
    layer l = { (LAYER_TYPE)0 };
    l.batch = batch;
    l.type = LSTM;
    l.steps = steps;
    l.inputs = inputs;
    l.out_w = 1;
    l.out_h = 1;
    l.out_c = outputs;

    l.uf = (layer*)xcalloc(1, sizeof(layer));
    fprintf(stderr, "\t\t");
    *(l.uf) = make_connected_layer(batch, steps, inputs, outputs, LINEAR, batch_normalize);
    l.uf->batch = batch;
    if (l.workspace_size < l.uf->workspace_size) l.workspace_size = l.uf->workspace_size;

    l.ui = (layer*)xcalloc(1, sizeof(layer));
    fprintf(stderr, "\t\t");
    *(l.ui) = make_connected_layer(batch, steps, inputs, outputs, LINEAR, batch_normalize);
    l.ui->batch = batch;
    if (l.workspace_size < l.ui->workspace_size) l.workspace_size = l.ui->workspace_size;

    l.ug = (layer*)xcalloc(1, sizeof(layer));
    fprintf(stderr, "\t\t");
    *(l.ug) = make_connected_layer(batch, steps, inputs, outputs, LINEAR, batch_normalize);
    l.ug->batch = batch;
    if (l.workspace_size < l.ug->workspace_size) l.workspace_size = l.ug->workspace_size;

    l.uo = (layer*)xcalloc(1, sizeof(layer));
    fprintf(stderr, "\t\t");
    *(l.uo) = make_connected_layer(batch, steps, inputs, outputs, LINEAR, batch_normalize);
    l.uo->batch = batch;
    if (l.workspace_size < l.uo->workspace_size) l.workspace_size = l.uo->workspace_size;

    l.wf = (layer*)xcalloc(1, sizeof(layer));
    fprintf(stderr, "\t\t");
    *(l.wf) = make_connected_layer(batch, steps, outputs, outputs, LINEAR, batch_normalize);
    l.wf->batch = batch;
    if (l.workspace_size < l.wf->workspace_size) l.workspace_size = l.wf->workspace_size;

    l.wi = (layer*)xcalloc(1, sizeof(layer));
    fprintf(stderr, "\t\t");
    *(l.wi) = make_connected_layer(batch, steps, outputs, outputs, LINEAR, batch_normalize);
    l.wi->batch = batch;
    if (l.workspace_size < l.wi->workspace_size) l.workspace_size = l.wi->workspace_size;

    l.wg = (layer*)xcalloc(1, sizeof(layer));
    fprintf(stderr, "\t\t");
    *(l.wg) = make_connected_layer(batch, steps, outputs, outputs, LINEAR, batch_normalize);
    l.wg->batch = batch;
    if (l.workspace_size < l.wg->workspace_size) l.workspace_size = l.wg->workspace_size;

    l.wo = (layer*)xcalloc(1, sizeof(layer));
    fprintf(stderr, "\t\t");
    *(l.wo) = make_connected_layer(batch, steps, outputs, outputs, LINEAR, batch_normalize);
    l.wo->batch = batch;
    if (l.workspace_size < l.wo->workspace_size) l.workspace_size = l.wo->workspace_size;

    l.batch_normalize = batch_normalize;
    l.outputs = outputs;

    l.output = (float*)xcalloc(outputs * batch * steps, sizeof(float));
    l.state = (float*)xcalloc(outputs * batch, sizeof(float));

    l.forward = forward_lstm_layer;
    l.update = update_lstm_layer;
    l.backward = backward_lstm_layer;

    l.prev_state_cpu =  (float*)xcalloc(batch*outputs, sizeof(float));
    l.prev_cell_cpu =   (float*)xcalloc(batch*outputs, sizeof(float));
    l.cell_cpu =        (float*)xcalloc(batch*outputs*steps, sizeof(float));

    l.f_cpu =           (float*)xcalloc(batch*outputs, sizeof(float));
    l.i_cpu =           (float*)xcalloc(batch*outputs, sizeof(float));
    l.g_cpu =           (float*)xcalloc(batch*outputs, sizeof(float));
    l.o_cpu =           (float*)xcalloc(batch*outputs, sizeof(float));
    l.c_cpu =           (float*)xcalloc(batch*outputs, sizeof(float));
    l.h_cpu =           (float*)xcalloc(batch*outputs, sizeof(float));
    l.temp_cpu =        (float*)xcalloc(batch*outputs, sizeof(float));
    l.temp2_cpu =       (float*)xcalloc(batch*outputs, sizeof(float));
    l.temp3_cpu =       (float*)xcalloc(batch*outputs, sizeof(float));
    l.dc_cpu =          (float*)xcalloc(batch*outputs, sizeof(float));
    l.dh_cpu =          (float*)xcalloc(batch*outputs, sizeof(float));

#ifdef GPU
    l.forward_gpu = forward_lstm_layer_gpu;
    l.backward_gpu = backward_lstm_layer_gpu;
    l.update_gpu = update_lstm_layer_gpu;

    //l.state_gpu = cuda_make_array(l.state, batch*l.outputs);

    l.output_gpu = cuda_make_array(0, batch*outputs*steps);
    l.delta_gpu = cuda_make_array(0, batch*l.outputs*steps);

    l.prev_state_gpu = cuda_make_array(0, batch*outputs);
    l.prev_cell_gpu = cuda_make_array(0, batch*outputs);
    l.cell_gpu = cuda_make_array(0, batch*outputs*steps);

    l.f_gpu = cuda_make_array(0, batch*outputs);
    l.i_gpu = cuda_make_array(0, batch*outputs);
    l.g_gpu = cuda_make_array(0, batch*outputs);
    l.o_gpu = cuda_make_array(0, batch*outputs);
    l.c_gpu = cuda_make_array(0, batch*outputs);
    l.h_gpu = cuda_make_array(0, batch*outputs);
    l.temp_gpu =  cuda_make_array(0, batch*outputs);
    l.temp2_gpu = cuda_make_array(0, batch*outputs);
    l.temp3_gpu = cuda_make_array(0, batch*outputs);
    l.dc_gpu = cuda_make_array(0, batch*outputs);
    l.dh_gpu = cuda_make_array(0, batch*outputs);
#ifdef CUDNN
    /*
        cudnnSetTensor4dDescriptor(l.wf->dstTensorDesc, CUDNN_TENSOR_NCHW, CUDNN_DATA_FLOAT, batch, l.wf->out_c, l.wf->out_h, l.wf->out_w);
        cudnnSetTensor4dDescriptor(l.wi->dstTensorDesc, CUDNN_TENSOR_NCHW, CUDNN_DATA_FLOAT, batch, l.wi->out_c, l.wi->out_h, l.wi->out_w);
        cudnnSetTensor4dDescriptor(l.wg->dstTensorDesc, CUDNN_TENSOR_NCHW, CUDNN_DATA_FLOAT, batch, l.wg->out_c, l.wg->out_h, l.wg->out_w);
        cudnnSetTensor4dDescriptor(l.wo->dstTensorDesc, CUDNN_TENSOR_NCHW, CUDNN_DATA_FLOAT, batch, l.wo->out_c, l.wo->out_h, l.wo->out_w);

        cudnnSetTensor4dDescriptor(l.uf->dstTensorDesc, CUDNN_TENSOR_NCHW, CUDNN_DATA_FLOAT, batch, l.uf->out_c, l.uf->out_h, l.uf->out_w);
        cudnnSetTensor4dDescriptor(l.ui->dstTensorDesc, CUDNN_TENSOR_NCHW, CUDNN_DATA_FLOAT, batch, l.ui->out_c, l.ui->out_h, l.ui->out_w);
        cudnnSetTensor4dDescriptor(l.ug->dstTensorDesc, CUDNN_TENSOR_NCHW, CUDNN_DATA_FLOAT, batch, l.ug->out_c, l.ug->out_h, l.ug->out_w);
        cudnnSetTensor4dDescriptor(l.uo->dstTensorDesc, CUDNN_TENSOR_NCHW, CUDNN_DATA_FLOAT, batch, l.uo->out_c, l.uo->out_h, l.uo->out_w);
        */
#endif

#endif

    return l;
}

void update_lstm_layer(layer l, int batch, float learning_rate, float momentum, float decay)
{
    update_connected_layer(*(l.wf), batch, learning_rate, momentum, decay);
    update_connected_layer(*(l.wi), batch, learning_rate, momentum, decay);
    update_connected_layer(*(l.wg), batch, learning_rate, momentum, decay);
    update_connected_layer(*(l.wo), batch, learning_rate, momentum, decay);
    update_connected_layer(*(l.uf), batch, learning_rate, momentum, decay);
    update_connected_layer(*(l.ui), batch, learning_rate, momentum, decay);
    update_connected_layer(*(l.ug), batch, learning_rate, momentum, decay);
    update_connected_layer(*(l.uo), batch, learning_rate, momentum, decay);
}

void forward_lstm_layer(layer l, network_state state)
{
    network_state s = { 0 };
    s.train = state.train;
    s.workspace = state.workspace;
    int i;
    layer wf = *(l.wf);
    layer wi = *(l.wi);
    layer wg = *(l.wg);
    layer wo = *(l.wo);

    layer uf = *(l.uf);
    layer ui = *(l.ui);
    layer ug = *(l.ug);
    layer uo = *(l.uo);

    fill_cpu(l.outputs * l.batch * l.steps, 0, wf.delta, 1);
    fill_cpu(l.outputs * l.batch * l.steps, 0, wi.delta, 1);
    fill_cpu(l.outputs * l.batch * l.steps, 0, wg.delta, 1);
    fill_cpu(l.outputs * l.batch * l.steps, 0, wo.delta, 1);

    fill_cpu(l.outputs * l.batch * l.steps, 0, uf.delta, 1);
    fill_cpu(l.outputs * l.batch * l.steps, 0, ui.delta, 1);
    fill_cpu(l.outputs * l.batch * l.steps, 0, ug.delta, 1);
    fill_cpu(l.outputs * l.batch * l.steps, 0, uo.delta, 1);
    if (state.train) {
        fill_cpu(l.outputs * l.batch * l.steps, 0, l.delta, 1);
    }

    for (i = 0; i < l.steps; ++i) {
        s.input = l.h_cpu;
        forward_connected_layer(wf, s);
        forward_connected_layer(wi, s);
        forward_connected_layer(wg, s);
        forward_connected_layer(wo, s);

        s.input = state.input;
        forward_connected_layer(uf, s);
        forward_connected_layer(ui, s);
        forward_connected_layer(ug, s);
        forward_connected_layer(uo, s);

        copy_cpu(l.outputs*l.batch, wf.output, 1, l.f_cpu, 1);
        axpy_cpu(l.outputs*l.batch, 1, uf.output, 1, l.f_cpu, 1);

        copy_cpu(l.outputs*l.batch, wi.output, 1, l.i_cpu, 1);
        axpy_cpu(l.outputs*l.batch, 1, ui.output, 1, l.i_cpu, 1);

        copy_cpu(l.outputs*l.batch, wg.output, 1, l.g_cpu, 1);
        axpy_cpu(l.outputs*l.batch, 1, ug.output, 1, l.g_cpu, 1);

        copy_cpu(l.outputs*l.batch, wo.output, 1, l.o_cpu, 1);
        axpy_cpu(l.outputs*l.batch, 1, uo.output, 1, l.o_cpu, 1);

        activate_array(l.f_cpu, l.outputs*l.batch, LOGISTIC);
        activate_array(l.i_cpu, l.outputs*l.batch, LOGISTIC);
        activate_array(l.g_cpu, l.outputs*l.batch, TANH);
        activate_array(l.o_cpu, l.outputs*l.batch, LOGISTIC);

        copy_cpu(l.outputs*l.batch, l.i_cpu, 1, l.temp_cpu, 1);
        mul_cpu(l.outputs*l.batch, l.g_cpu, 1, l.temp_cpu, 1);
        mul_cpu(l.outputs*l.batch, l.f_cpu, 1, l.c_cpu, 1);
        axpy_cpu(l.outputs*l.batch, 1, l.temp_cpu, 1, l.c_cpu, 1);

        copy_cpu(l.outputs*l.batch, l.c_cpu, 1, l.h_cpu, 1);
        activate_array(l.h_cpu, l.outputs*l.batch, TANH);
        mul_cpu(l.outputs*l.batch, l.o_cpu, 1, l.h_cpu, 1);

        copy_cpu(l.outputs*l.batch, l.c_cpu, 1, l.cell_cpu, 1);
        copy_cpu(l.outputs*l.batch, l.h_cpu, 1, l.output, 1);

        state.input += l.inputs*l.batch;
        l.output    += l.outputs*l.batch;
        l.cell_cpu      += l.outputs*l.batch;

        increment_layer(&wf, 1);
        increment_layer(&wi, 1);
        increment_layer(&wg, 1);
        increment_layer(&wo, 1);

        increment_layer(&uf, 1);
        increment_layer(&ui, 1);
        increment_layer(&ug, 1);
        increment_layer(&uo, 1);
    }
}

void backward_lstm_layer(layer l, network_state state)
{
    network_state s = { 0 };
    s.train = state.train;
    s.workspace = state.workspace;
    int i;
    layer wf = *(l.wf);
    layer wi = *(l.wi);
    layer wg = *(l.wg);
    layer wo = *(l.wo);

    layer uf = *(l.uf);
    layer ui = *(l.ui);
    layer ug = *(l.ug);
    layer uo = *(l.uo);

    increment_layer(&wf, l.steps - 1);
    increment_layer(&wi, l.steps - 1);
    increment_layer(&wg, l.steps - 1);
    increment_layer(&wo, l.steps - 1);

    increment_layer(&uf, l.steps - 1);
    increment_layer(&ui, l.steps - 1);
    increment_layer(&ug, l.steps - 1);
    increment_layer(&uo, l.steps - 1);

    state.input += l.inputs*l.batch*(l.steps - 1);
    if (state.delta) state.delta += l.inputs*l.batch*(l.steps - 1);

    l.output += l.outputs*l.batch*(l.steps - 1);
    l.cell_cpu += l.outputs*l.batch*(l.steps - 1);
    l.delta += l.outputs*l.batch*(l.steps - 1);

    for (i = l.steps - 1; i >= 0; --i) {
        if (i != 0) copy_cpu(l.outputs*l.batch, l.cell_cpu - l.outputs*l.batch, 1, l.prev_cell_cpu, 1);
        copy_cpu(l.outputs*l.batch, l.cell_cpu, 1, l.c_cpu, 1);
        if (i != 0) copy_cpu(l.outputs*l.batch, l.output - l.outputs*l.batch, 1, l.prev_state_cpu, 1);
        copy_cpu(l.outputs*l.batch, l.output, 1, l.h_cpu, 1);

        l.dh_cpu = (i == 0) ? 0 : l.delta - l.outputs*l.batch;

        copy_cpu(l.outputs*l.batch, wf.output, 1, l.f_cpu, 1);
        axpy_cpu(l.outputs*l.batch, 1, uf.output, 1, l.f_cpu, 1);

        copy_cpu(l.outputs*l.batch, wi.output, 1, l.i_cpu, 1);
        axpy_cpu(l.outputs*l.batch, 1, ui.output, 1, l.i_cpu, 1);

        copy_cpu(l.outputs*l.batch, wg.output, 1, l.g_cpu, 1);
        axpy_cpu(l.outputs*l.batch, 1, ug.output, 1, l.g_cpu, 1);

        copy_cpu(l.outputs*l.batch, wo.output, 1, l.o_cpu, 1);
        axpy_cpu(l.outputs*l.batch, 1, uo.output, 1, l.o_cpu, 1);

        activate_array(l.f_cpu, l.outputs*l.batch, LOGISTIC);
        activate_array(l.i_cpu, l.outputs*l.batch, LOGISTIC);
        activate_array(l.g_cpu, l.outputs*l.batch, TANH);
        activate_array(l.o_cpu, l.outputs*l.batch, LOGISTIC);

        copy_cpu(l.outputs*l.batch, l.delta, 1, l.temp3_cpu, 1);

        copy_cpu(l.outputs*l.batch, l.c_cpu, 1, l.temp_cpu, 1);
        activate_array(l.temp_cpu, l.outputs*l.batch, TANH);

        copy_cpu(l.outputs*l.batch, l.temp3_cpu, 1, l.temp2_cpu, 1);
        mul_cpu(l.outputs*l.batch, l.o_cpu, 1, l.temp2_cpu, 1);

        gradient_array(l.temp_cpu, l.outputs*l.batch, TANH, l.temp2_cpu);
        axpy_cpu(l.outputs*l.batch, 1, l.dc_cpu, 1, l.temp2_cpu, 1);

        copy_cpu(l.outputs*l.batch, l.c_cpu, 1, l.temp_cpu, 1);
        activate_array(l.temp_cpu, l.outputs*l.batch, TANH);
        mul_cpu(l.outputs*l.batch, l.temp3_cpu, 1, l.temp_cpu, 1);
        gradient_array(l.o_cpu, l.outputs*l.batch, LOGISTIC, l.temp_cpu);
        copy_cpu(l.outputs*l.batch, l.temp_cpu, 1, wo.delta, 1);
        s.input = l.prev_state_cpu;
        s.delta = l.dh_cpu;
        backward_connected_layer(wo, s);

        copy_cpu(l.outputs*l.batch, l.temp_cpu, 1, uo.delta, 1);
        s.input = state.input;
        s.delta = state.delta;
        backward_connected_layer(uo, s);

        copy_cpu(l.outputs*l.batch, l.temp2_cpu, 1, l.temp_cpu, 1);
        mul_cpu(l.outputs*l.batch, l.i_cpu, 1, l.temp_cpu, 1);
        gradient_array(l.g_cpu, l.outputs*l.batch, TANH, l.temp_cpu);
        copy_cpu(l.outputs*l.batch, l.temp_cpu, 1, wg.delta, 1);
        s.input = l.prev_state_cpu;
        s.delta = l.dh_cpu;
        backward_connected_layer(wg, s);

        copy_cpu(l.outputs*l.batch, l.temp_cpu, 1, ug.delta, 1);
        s.input = state.input;
        s.delta = state.delta;
        backward_connected_layer(ug, s);

        copy_cpu(l.outputs*l.batch, l.temp2_cpu, 1, l.temp_cpu, 1);
        mul_cpu(l.outputs*l.batch, l.g_cpu, 1, l.temp_cpu, 1);
        gradient_array(l.i_cpu, l.outputs*l.batch, LOGISTIC, l.temp_cpu);
        copy_cpu(l.outputs*l.batch, l.temp_cpu, 1, wi.delta, 1);
        s.input = l.prev_state_cpu;
        s.delta = l.dh_cpu;
        backward_connected_layer(wi, s);

        copy_cpu(l.outputs*l.batch, l.temp_cpu, 1, ui.delta, 1);
        s.input = state.input;
        s.delta = state.delta;
        backward_connected_layer(ui, s);

        copy_cpu(l.outputs*l.batch, l.temp2_cpu, 1, l.temp_cpu, 1);
        mul_cpu(l.outputs*l.batch, l.prev_cell_cpu, 1, l.temp_cpu, 1);
        gradient_array(l.f_cpu, l.outputs*l.batch, LOGISTIC, l.temp_cpu);
        copy_cpu(l.outputs*l.batch, l.temp_cpu, 1, wf.delta, 1);
        s.input = l.prev_state_cpu;
        s.delta = l.dh_cpu;
        backward_connected_layer(wf, s);

        copy_cpu(l.outputs*l.batch, l.temp_cpu, 1, uf.delta, 1);
        s.input = state.input;
        s.delta = state.delta;
        backward_connected_layer(uf, s);

        copy_cpu(l.outputs*l.batch, l.temp2_cpu, 1, l.temp_cpu, 1);
        mul_cpu(l.outputs*l.batch, l.f_cpu, 1, l.temp_cpu, 1);
        copy_cpu(l.outputs*l.batch, l.temp_cpu, 1, l.dc_cpu, 1);

        state.input -= l.inputs*l.batch;
        if (state.delta) state.delta -= l.inputs*l.batch;
        l.output -= l.outputs*l.batch;
        l.cell_cpu -= l.outputs*l.batch;
        l.delta -= l.outputs*l.batch;

        increment_layer(&wf, -1);
        increment_layer(&wi, -1);
        increment_layer(&wg, -1);
        increment_layer(&wo, -1);

        increment_layer(&uf, -1);
        increment_layer(&ui, -1);
        increment_layer(&ug, -1);
        increment_layer(&uo, -1);
    }
}

#ifdef GPU
void update_lstm_layer_gpu(layer l, int batch, float learning_rate, float momentum, float decay, float loss_scale)
{
    update_connected_layer_gpu(*(l.wf), batch, learning_rate, momentum, decay, loss_scale);
    update_connected_layer_gpu(*(l.wi), batch, learning_rate, momentum, decay, loss_scale);
    update_connected_layer_gpu(*(l.wg), batch, learning_rate, momentum, decay, loss_scale);
    update_connected_layer_gpu(*(l.wo), batch, learning_rate, momentum, decay, loss_scale);
    update_connected_layer_gpu(*(l.uf), batch, learning_rate, momentum, decay, loss_scale);
    update_connected_layer_gpu(*(l.ui), batch, learning_rate, momentum, decay, loss_scale);
    update_connected_layer_gpu(*(l.ug), batch, learning_rate, momentum, decay, loss_scale);
    update_connected_layer_gpu(*(l.uo), batch, learning_rate, momentum, decay, loss_scale);
}

void forward_lstm_layer_gpu(layer l, network_state state)
{
    network_state s = { 0 };
    s.train = state.train;
    s.workspace = state.workspace;
    int i;
    layer wf = *(l.wf);
    layer wi = *(l.wi);
    layer wg = *(l.wg);
    layer wo = *(l.wo);

    layer uf = *(l.uf);
    layer ui = *(l.ui);
    layer ug = *(l.ug);
    layer uo = *(l.uo);

    fill_ongpu(l.outputs * l.batch * l.steps, 0, wf.delta_gpu, 1);
    fill_ongpu(l.outputs * l.batch * l.steps, 0, wi.delta_gpu, 1);
    fill_ongpu(l.outputs * l.batch * l.steps, 0, wg.delta_gpu, 1);
    fill_ongpu(l.outputs * l.batch * l.steps, 0, wo.delta_gpu, 1);

    fill_ongpu(l.outputs * l.batch * l.steps, 0, uf.delta_gpu, 1);
    fill_ongpu(l.outputs * l.batch * l.steps, 0, ui.delta_gpu, 1);
    fill_ongpu(l.outputs * l.batch * l.steps, 0, ug.delta_gpu, 1);
    fill_ongpu(l.outputs * l.batch * l.steps, 0, uo.delta_gpu, 1);
    if (state.train) {
        fill_ongpu(l.outputs * l.batch * l.steps, 0, l.delta_gpu, 1);
    }

    for (i = 0; i < l.steps; ++i) {
        s.input = l.h_gpu;
        forward_connected_layer_gpu(wf, s);
        forward_connected_layer_gpu(wi, s);
        forward_connected_layer_gpu(wg, s);
        forward_connected_layer_gpu(wo, s);

        s.input = state.input;
        forward_connected_layer_gpu(uf, s);
        forward_connected_layer_gpu(ui, s);
        forward_connected_layer_gpu(ug, s);
        forward_connected_layer_gpu(uo, s);

        copy_ongpu(l.outputs*l.batch, wf.output_gpu, 1, l.f_gpu, 1);
        axpy_ongpu(l.outputs*l.batch, 1, uf.output_gpu, 1, l.f_gpu, 1);

        copy_ongpu(l.outputs*l.batch, wi.output_gpu, 1, l.i_gpu, 1);
        axpy_ongpu(l.outputs*l.batch, 1, ui.output_gpu, 1, l.i_gpu, 1);

        copy_ongpu(l.outputs*l.batch, wg.output_gpu, 1, l.g_gpu, 1);
        axpy_ongpu(l.outputs*l.batch, 1, ug.output_gpu, 1, l.g_gpu, 1);

        copy_ongpu(l.outputs*l.batch, wo.output_gpu, 1, l.o_gpu, 1);
        axpy_ongpu(l.outputs*l.batch, 1, uo.output_gpu, 1, l.o_gpu, 1);

        activate_array_ongpu(l.f_gpu, l.outputs*l.batch, LOGISTIC);
        activate_array_ongpu(l.i_gpu, l.outputs*l.batch, LOGISTIC);
        activate_array_ongpu(l.g_gpu, l.outputs*l.batch, TANH);
        activate_array_ongpu(l.o_gpu, l.outputs*l.batch, LOGISTIC);

        copy_ongpu(l.outputs*l.batch, l.i_gpu, 1, l.temp_gpu, 1);
        mul_ongpu(l.outputs*l.batch, l.g_gpu, 1, l.temp_gpu, 1);
        mul_ongpu(l.outputs*l.batch, l.f_gpu, 1, l.c_gpu, 1);
        axpy_ongpu(l.outputs*l.batch, 1, l.temp_gpu, 1, l.c_gpu, 1);

        copy_ongpu(l.outputs*l.batch, l.c_gpu, 1, l.h_gpu, 1);
        activate_array_ongpu(l.h_gpu, l.outputs*l.batch, TANH);
        mul_ongpu(l.outputs*l.batch, l.o_gpu, 1, l.h_gpu, 1);

        copy_ongpu(l.outputs*l.batch, l.c_gpu, 1, l.cell_gpu, 1);
        copy_ongpu(l.outputs*l.batch, l.h_gpu, 1, l.output_gpu, 1);

        state.input += l.inputs*l.batch;
        l.output_gpu    += l.outputs*l.batch;
        l.cell_gpu      += l.outputs*l.batch;

        increment_layer(&wf, 1);
        increment_layer(&wi, 1);
        increment_layer(&wg, 1);
        increment_layer(&wo, 1);

        increment_layer(&uf, 1);
        increment_layer(&ui, 1);
        increment_layer(&ug, 1);
        increment_layer(&uo, 1);
    }
}

void backward_lstm_layer_gpu(layer l, network_state state)
{
    network_state s = { 0 };
    s.train = state.train;
    s.workspace = state.workspace;
    int i;
    layer wf = *(l.wf);
    layer wi = *(l.wi);
    layer wg = *(l.wg);
    layer wo = *(l.wo);

    layer uf = *(l.uf);
    layer ui = *(l.ui);
    layer ug = *(l.ug);
    layer uo = *(l.uo);

    increment_layer(&wf, l.steps - 1);
    increment_layer(&wi, l.steps - 1);
    increment_layer(&wg, l.steps - 1);
    increment_layer(&wo, l.steps - 1);

    increment_layer(&uf, l.steps - 1);
    increment_layer(&ui, l.steps - 1);
    increment_layer(&ug, l.steps - 1);
    increment_layer(&uo, l.steps - 1);

    state.input += l.inputs*l.batch*(l.steps - 1);
    if (state.delta) state.delta += l.inputs*l.batch*(l.steps - 1);

    l.output_gpu += l.outputs*l.batch*(l.steps - 1);
    l.cell_gpu += l.outputs*l.batch*(l.steps - 1);
    l.delta_gpu += l.outputs*l.batch*(l.steps - 1);

    for (i = l.steps - 1; i >= 0; --i) {
        if (i != 0) copy_ongpu(l.outputs*l.batch, l.cell_gpu - l.outputs*l.batch, 1, l.prev_cell_gpu, 1);
        copy_ongpu(l.outputs*l.batch, l.cell_gpu, 1, l.c_gpu, 1);
        if (i != 0) copy_ongpu(l.outputs*l.batch, l.output_gpu - l.outputs*l.batch, 1, l.prev_state_gpu, 1);
        copy_ongpu(l.outputs*l.batch, l.output_gpu, 1, l.h_gpu, 1);

        l.dh_gpu = (i == 0) ? 0 : l.delta_gpu - l.outputs*l.batch;

        copy_ongpu(l.outputs*l.batch, wf.output_gpu, 1, l.f_gpu, 1);
        axpy_ongpu(l.outputs*l.batch, 1, uf.output_gpu, 1, l.f_gpu, 1);

        copy_ongpu(l.outputs*l.batch, wi.output_gpu, 1, l.i_gpu, 1);
        axpy_ongpu(l.outputs*l.batch, 1, ui.output_gpu, 1, l.i_gpu, 1);

        copy_ongpu(l.outputs*l.batch, wg.output_gpu, 1, l.g_gpu, 1);
        axpy_ongpu(l.outputs*l.batch, 1, ug.output_gpu, 1, l.g_gpu, 1);

        copy_ongpu(l.outputs*l.batch, wo.output_gpu, 1, l.o_gpu, 1);
        axpy_ongpu(l.outputs*l.batch, 1, uo.output_gpu, 1, l.o_gpu, 1);

        activate_array_ongpu(l.f_gpu, l.outputs*l.batch, LOGISTIC);
        activate_array_ongpu(l.i_gpu, l.outputs*l.batch, LOGISTIC);
        activate_array_ongpu(l.g_gpu, l.outputs*l.batch, TANH);
        activate_array_ongpu(l.o_gpu, l.outputs*l.batch, LOGISTIC);

        copy_ongpu(l.outputs*l.batch, l.delta_gpu, 1, l.temp3_gpu, 1);

        copy_ongpu(l.outputs*l.batch, l.c_gpu, 1, l.temp_gpu, 1);
        activate_array_ongpu(l.temp_gpu, l.outputs*l.batch, TANH);

        copy_ongpu(l.outputs*l.batch, l.temp3_gpu, 1, l.temp2_gpu, 1);
        mul_ongpu(l.outputs*l.batch, l.o_gpu, 1, l.temp2_gpu, 1);

        gradient_array_ongpu(l.temp_gpu, l.outputs*l.batch, TANH, l.temp2_gpu);
        axpy_ongpu(l.outputs*l.batch, 1, l.dc_gpu, 1, l.temp2_gpu, 1);

        copy_ongpu(l.outputs*l.batch, l.c_gpu, 1, l.temp_gpu, 1);
        activate_array_ongpu(l.temp_gpu, l.outputs*l.batch, TANH);
        mul_ongpu(l.outputs*l.batch, l.temp3_gpu, 1, l.temp_gpu, 1);
        gradient_array_ongpu(l.o_gpu, l.outputs*l.batch, LOGISTIC, l.temp_gpu);
        copy_ongpu(l.outputs*l.batch, l.temp_gpu, 1, wo.delta_gpu, 1);
        s.input = l.prev_state_gpu;
        s.delta = l.dh_gpu;
        backward_connected_layer_gpu(wo, s);

        copy_ongpu(l.outputs*l.batch, l.temp_gpu, 1, uo.delta_gpu, 1);
        s.input = state.input;
        s.delta = state.delta;
        backward_connected_layer_gpu(uo, s);

        copy_ongpu(l.outputs*l.batch, l.temp2_gpu, 1, l.temp_gpu, 1);
        mul_ongpu(l.outputs*l.batch, l.i_gpu, 1, l.temp_gpu, 1);
        gradient_array_ongpu(l.g_gpu, l.outputs*l.batch, TANH, l.temp_gpu);
        copy_ongpu(l.outputs*l.batch, l.temp_gpu, 1, wg.delta_gpu, 1);
        s.input = l.prev_state_gpu;
        s.delta = l.dh_gpu;
        backward_connected_layer_gpu(wg, s);

        copy_ongpu(l.outputs*l.batch, l.temp_gpu, 1, ug.delta_gpu, 1);
        s.input = state.input;
        s.delta = state.delta;
        backward_connected_layer_gpu(ug, s);

        copy_ongpu(l.outputs*l.batch, l.temp2_gpu, 1, l.temp_gpu, 1);
        mul_ongpu(l.outputs*l.batch, l.g_gpu, 1, l.temp_gpu, 1);
        gradient_array_ongpu(l.i_gpu, l.outputs*l.batch, LOGISTIC, l.temp_gpu);
        copy_ongpu(l.outputs*l.batch, l.temp_gpu, 1, wi.delta_gpu, 1);
        s.input = l.prev_state_gpu;
        s.delta = l.dh_gpu;
        backward_connected_layer_gpu(wi, s);

        copy_ongpu(l.outputs*l.batch, l.temp_gpu, 1, ui.delta_gpu, 1);
        s.input = state.input;
        s.delta = state.delta;
        backward_connected_layer_gpu(ui, s);

        copy_ongpu(l.outputs*l.batch, l.temp2_gpu, 1, l.temp_gpu, 1);
        mul_ongpu(l.outputs*l.batch, l.prev_cell_gpu, 1, l.temp_gpu, 1);
        gradient_array_ongpu(l.f_gpu, l.outputs*l.batch, LOGISTIC, l.temp_gpu);
        copy_ongpu(l.outputs*l.batch, l.temp_gpu, 1, wf.delta_gpu, 1);
        s.input = l.prev_state_gpu;
        s.delta = l.dh_gpu;
        backward_connected_layer_gpu(wf, s);

        copy_ongpu(l.outputs*l.batch, l.temp_gpu, 1, uf.delta_gpu, 1);
        s.input = state.input;
        s.delta = state.delta;
        backward_connected_layer_gpu(uf, s);

        copy_ongpu(l.outputs*l.batch, l.temp2_gpu, 1, l.temp_gpu, 1);
        mul_ongpu(l.outputs*l.batch, l.f_gpu, 1, l.temp_gpu, 1);
        copy_ongpu(l.outputs*l.batch, l.temp_gpu, 1, l.dc_gpu, 1);

        state.input -= l.inputs*l.batch;
        if (state.delta) state.delta -= l.inputs*l.batch;
        l.output_gpu -= l.outputs*l.batch;
        l.cell_gpu -= l.outputs*l.batch;
        l.delta_gpu -= l.outputs*l.batch;

        increment_layer(&wf, -1);
        increment_layer(&wi, -1);
        increment_layer(&wg, -1);
        increment_layer(&wo, -1);

        increment_layer(&uf, -1);
        increment_layer(&ui, -1);
        increment_layer(&ug, -1);
        increment_layer(&uo, -1);
    }
}
#endif