src/caffe/layers/data_layer.cpp

   1 // Copyright 2013 Yangqing Jia
   2
   3 #include <stdint.h>
   4 #include <leveldb/db.h>
   5 #include <pthread.h>
   6
   7 #include <string>
   8 #include <vector>
   9
  10 #include "caffe/layer.hpp"
  11 #include "caffe/util/io.hpp"
  12 #include "caffe/vision_layers.hpp"
  13
  14 using std::string;
  15
  16 namespace caffe {
  17
  18 template <typename Dtype>
  19 void* DataLayerPrefetch(void* layer_pointer) {
  20   DataLayer<Dtype>* layer = reinterpret_cast<DataLayer<Dtype>*>(layer_pointer);
  21   Datum datum;
  22   Dtype* top_data = layer->prefetch_data_->mutable_cpu_data();
  23   Dtype* top_label = layer->prefetch_label_->mutable_cpu_data();
  24   const Dtype scale = layer->layer_param_.scale();
  25   const int batchsize = layer->layer_param_.batchsize();
  26   const int cropsize = layer->layer_param_.cropsize();
  27   const bool mirror = layer->layer_param_.mirror();
  28
  29   if (mirror && cropsize == 0) {
  30     LOG(FATAL) << "Current implementation requires mirror and cropsize to be "
  31         << "set at the same time.";
  32   }
  33   // datum scales
  34   const int channels = layer->datum_channels_;
  35   const int height = layer->datum_height_;
  36   const int width = layer->datum_width_;
  37   const int size = layer->datum_size_;
  38   const Dtype* mean = layer->data_mean_.cpu_data();
  39   for (int itemid = 0; itemid < batchsize; ++itemid) {
  40     // get a blob
  41     datum.ParseFromString(layer->iter_->value().ToString());
  42     const string& data = datum.data();
  43     if (cropsize) {
  44       CHECK(data.size()) << "Image cropping only support uint8 data";
  45       int h_off, w_off;
  46       // We only do random crop when we do training.
  47       if (Caffe::phase() == Caffe::TRAIN) {
  48         h_off = rand() % (height - cropsize);
  49         w_off = rand() % (width - cropsize);
  50       } else {
  51         h_off = (height - cropsize) / 2;
  52         w_off = (width - cropsize) / 2;
  53       }
  54       if (mirror && rand() % 2) {
  55         // Copy mirrored version
  56         for (int c = 0; c < channels; ++c) {
  57           for (int h = 0; h < cropsize; ++h) {
  58             for (int w = 0; w < cropsize; ++w) {
  59               top_data[((itemid * channels + c) * cropsize + h) * cropsize
  60                        + cropsize - 1 - w] =
  61                   (static_cast<Dtype>(
  62                       (uint8_t)data[(c * height + h + h_off) * width
  63                                     + w + w_off])
  64                     - mean[(c * height + h + h_off) * width + w + w_off])
  65                   * scale;
  66             }
  67           }
  68         }
  69       } else {
  70         // Normal copy
  71         for (int c = 0; c < channels; ++c) {
  72           for (int h = 0; h < cropsize; ++h) {
  73             for (int w = 0; w < cropsize; ++w) {
  74               top_data[((itemid * channels + c) * cropsize + h) * cropsize + w]
  75                   = (static_cast<Dtype>(
  76                       (uint8_t)data[(c * height + h + h_off) * width
  77                                     + w + w_off])
  78                      - mean[(c * height + h + h_off) * width + w + w_off])
  79                   * scale;
  80             }
  81           }
  82         }
  83       }
  84     } else {
  85       // we will prefer to use data() first, and then try float_data()
  86       if (data.size()) {
  87         for (int j = 0; j < size; ++j) {
  88           top_data[itemid * size + j] =
  89               (static_cast<Dtype>((uint8_t)data[j]) - mean[j]) * scale;
  90         }
  91       } else {
  92         for (int j = 0; j < size; ++j) {
  93           top_data[itemid * size + j] =
  94               (datum.float_data(j) - mean[j]) * scale;
  95         }
  96       }
  97     }
  98
  99     top_label[itemid] = datum.label();
 100     // go to the next iter
 101     layer->iter_->Next();
 102     if (!layer->iter_->Valid()) {
 103       // We have reached the end. Restart from the first.
 104       DLOG(INFO) << "Restarting data prefetching from start.";
 105       layer->iter_->SeekToFirst();
 106     }
 107   }
 108
 109   return (void*)NULL;
 110 }
 111
 112
 113 template <typename Dtype>
 114 void DataLayer<Dtype>::SetUp(const vector<Blob<Dtype>*>& bottom,
 115       vector<Blob<Dtype>*>* top) {
 116   CHECK_EQ(bottom.size(), 0) << "Neuron Layer takes no input blobs.";
 117   CHECK_EQ(top->size(), 2) << "Neuron Layer takes two blobs as output.";
 118   // Initialize the leveldb
 119   leveldb::DB* db_temp;
 120   leveldb::Options options;
 121   options.create_if_missing = false;
 122   LOG(INFO) << "Opening leveldb " << this->layer_param_.source();
 123   leveldb::Status status = leveldb::DB::Open(
 124       options, this->layer_param_.source(), &db_temp);
 125   CHECK(status.ok()) << "Failed to open leveldb "
 126       << this->layer_param_.source();
 127   db_.reset(db_temp);
 128   iter_.reset(db_->NewIterator(leveldb::ReadOptions()));
 129   iter_->SeekToFirst();
 130   // Read a data point, and use it to initialize the top blob.
 131   Datum datum;
 132   datum.ParseFromString(iter_->value().ToString());
 133   // image
 134   int cropsize = this->layer_param_.cropsize();
 135   if (cropsize > 0) {
 136     (*top)[0]->Reshape(
 137         this->layer_param_.batchsize(), datum.channels(), cropsize, cropsize);
 138     prefetch_data_.reset(new Blob<Dtype>(
 139         this->layer_param_.batchsize(), datum.channels(), cropsize, cropsize));
 140   } else {
 141     (*top)[0]->Reshape(
 142         this->layer_param_.batchsize(), datum.channels(), datum.height(),
 143         datum.width());
 144     prefetch_data_.reset(new Blob<Dtype>(
 145         this->layer_param_.batchsize(), datum.channels(), datum.height(),
 146         datum.width()));
 147   }
 148   LOG(INFO) << "output data size: " << (*top)[0]->num() << ","
 149       << (*top)[0]->channels() << "," << (*top)[0]->height() << ","
 150       << (*top)[0]->width();
 151   // label
 152   (*top)[1]->Reshape(this->layer_param_.batchsize(), 1, 1, 1);
 153   prefetch_label_.reset(
 154       new Blob<Dtype>(this->layer_param_.batchsize(), 1, 1, 1));
 155   // datum size
 156   datum_channels_ = datum.channels();
 157   datum_height_ = datum.height();
 158   datum_width_ = datum.width();
 159   datum_size_ = datum.channels() * datum.height() * datum.width();
 160   CHECK_GT(datum_height_, cropsize);
 161   CHECK_GT(datum_width_, cropsize);
 162   // check if we want to have mean
 163   if (this->layer_param_.has_meanfile()) {
 164     BlobProto blob_proto;
 165     LOG(INFO) << "Loading mean file from" << this->layer_param_.meanfile();
 166     ReadProtoFromBinaryFile(this->layer_param_.meanfile().c_str(), &blob_proto);
 167     data_mean_.FromProto(blob_proto);
 168     CHECK_EQ(data_mean_.num(), 1);
 169     CHECK_EQ(data_mean_.channels(), datum_channels_);
 170     CHECK_EQ(data_mean_.height(), datum_height_);
 171     CHECK_EQ(data_mean_.width(), datum_width_);
 172   } else {
 173     // Simply initialize an all-empty mean.
 174     data_mean_.Reshape(1, datum_channels_, datum_height_, datum_width_);
 175   }
 176   // Now, start the prefetch thread. Before calling prefetch, we make two
 177   // cpu_data calls so that the prefetch thread does not accidentally make
 178   // simultaneous cudaMalloc calls when the main thread is running. In some
 179   // GPUs this seems to cause failures if we do not so.
 180   prefetch_data_->mutable_cpu_data();
 181   prefetch_label_->mutable_cpu_data();
 182   data_mean_.cpu_data();
 183   DLOG(INFO) << "Initializing prefetch";
 184   CHECK(!pthread_create(&thread_, NULL, DataLayerPrefetch<Dtype>,
 185       reinterpret_cast<void*>(this))) << "Pthread execution failed.";
 186   DLOG(INFO) << "Prefetch initialized.";
 187 }
 188
 189 template <typename Dtype>
 190 void DataLayer<Dtype>::Forward_cpu(const vector<Blob<Dtype>*>& bottom,
 191       vector<Blob<Dtype>*>* top) {
 192   // First, join the thread
 193   CHECK(!pthread_join(thread_, NULL)) << "Pthread joining failed.";
 194   // Copy the data
 195   memcpy((*top)[0]->mutable_cpu_data(), prefetch_data_->cpu_data(),
 196       sizeof(Dtype) * prefetch_data_->count());
 197   memcpy((*top)[1]->mutable_cpu_data(), prefetch_label_->cpu_data(),
 198       sizeof(Dtype) * prefetch_label_->count());
 199   // Start a new prefetch thread
 200   CHECK(!pthread_create(&thread_, NULL, DataLayerPrefetch<Dtype>,
 201       reinterpret_cast<void*>(this))) << "Pthread execution failed.";
 202 }
 203
 204 template <typename Dtype>
 205 void DataLayer<Dtype>::Forward_gpu(const vector<Blob<Dtype>*>& bottom,
 206       vector<Blob<Dtype>*>* top) {
 207   // First, join the thread
 208   CHECK(!pthread_join(thread_, NULL)) << "Pthread joining failed.";
 209   // Copy the data
 210   CUDA_CHECK(cudaMemcpy((*top)[0]->mutable_gpu_data(),
 211       prefetch_data_->cpu_data(), sizeof(Dtype) * prefetch_data_->count(),
 212       cudaMemcpyHostToDevice));
 213   CUDA_CHECK(cudaMemcpy((*top)[1]->mutable_gpu_data(),
 214       prefetch_label_->cpu_data(), sizeof(Dtype) * prefetch_label_->count(),
 215       cudaMemcpyHostToDevice));
 216   // Start a new prefetch thread
 217   CHECK(!pthread_create(&thread_, NULL, DataLayerPrefetch<Dtype>,
 218       reinterpret_cast<void*>(this))) << "Pthread execution failed.";
 219 }
 220
 221 // The backward operations are dummy - they do not carry any computation.
 222 template <typename Dtype>
 223 Dtype DataLayer<Dtype>::Backward_cpu(const vector<Blob<Dtype>*>& top,
 224       const bool propagate_down, vector<Blob<Dtype>*>* bottom) {
 225   return Dtype(0.);
 226 }
 227
 228 template <typename Dtype>
 229 Dtype DataLayer<Dtype>::Backward_gpu(const vector<Blob<Dtype>*>& top,
 230       const bool propagate_down, vector<Blob<Dtype>*>* bottom) {
 231   return Dtype(0.);
 232 }
 233
 234 INSTANTIATE_CLASS(DataLayer);
 235
 236 }  // namespace caffe