debian/ti-timl/usr/src/timl/src/common/cnn/timlCNNInputForwardPropagation.c

   1 /******************************************************************************/\r
   2 /*!\r
   3  * \file timlCNNForwardPropagation.c\r
   4  */\r
   5 /* Copyright (C) 2015 Texas Instruments Incorporated - http://www.ti.com/\r
   6  *\r
   7  * Redistribution and use in source and binary forms, with or without\r
   8  * modification, are permitted provided that the following conditions\r
   9  * are met:\r
  10  *\r
  11  *    Redistributions of source code must retain the above copyright\r
  12  *    notice, this list of conditions and the following disclaimer.\r
  13  *\r
  14  *    Redistributions in binary form must reproduce the above copyright\r
  15  *    notice, this list of conditions and the following disclaimer in the\r
  16  *    documentation and/or other materials provided with the\r
  17  *    distribution.\r
  18  *\r
  19  *    Neither the name of Texas Instruments Incorporated nor the names of\r
  20  *    its contributors may be used to endorse or promote products derived\r
  21  *    from this software without specific prior written permission.\r
  22  *\r
  23  * THIS SOFTWARE IS PROVIDED BY THE COPYRIGHT HOLDERS AND CONTRIBUTORS\r
  24  * "AS IS" AND ANY EXPRESS OR IMPLIED WARRANTIES, INCLUDING, BUT NOT\r
  25  * LIMITED TO, THE IMPLIED WARRANTIES OF MERCHANTABILITY AND FITNESS FOR\r
  26  * A PARTICULAR PURPOSE ARE DISCLAIMED. IN NO EVENT SHALL THE COPYRIGHT\r
  27  * OWNER OR CONTRIBUTORS BE LIABLE FOR ANY DIRECT, INDIRECT, INCIDENTAL,\r
  28  * SPECIAL, EXEMPLARY, OR CONSEQUENTIAL DAMAGES (INCLUDING, BUT NOT\r
  29  * LIMITED TO, PROCUREMENT OF SUBSTITUTE GOODS OR SERVICES; LOSS OF USE,\r
  30  * DATA, OR PROFITS; OR BUSINESS INTERRUPTION) HOWEVER CAUSED AND ON ANY\r
  31  * THEORY OF LIABILITY, WHETHER IN CONTRACT, STRICT LIABILITY, OR TORT\r
  32  * (INCLUDING NEGLIGENCE OR OTHERWISE) ARISING IN ANY WAY OUT OF THE USE\r
  33  * OF THIS SOFTWARE, EVEN IF ADVISED OF THE POSSIBILITY OF SUCH DAMAGE.\r
  34  *\r
  35  ******************************************************************************/\r
  36 \r
  37 \r
  38 /*******************************************************************************\r
  39  *\r
  40  * INCLUDES\r
  41  *\r
  42  ******************************************************************************/\r
  43 \r
  44 #include "../api/timl.h"\r
  45 \r
  46 \r
  47 /******************************************************************************/\r
  48 /*!\r
  49  * \ingroup   cnn\r
  50  * \brief     Forward propagate data to the the input layer\r
  51  * \param[in] layer Layer ptr\r
  52  * \param[in] data  Data ptr\r
  53  * \param[in] dim   Data dimension\r
  54  * \return    Error code\r
  55  */\r
  56 /******************************************************************************/\r
  57 \r
  58 int timlCNNInputForwardPropagation(timlCNNLayer *layer, float *data, int dim)\r
  59 {\r
  60 \r
  61    int rowOffset;\r
  62    int colOffset;\r
  63    int deviceId;\r
  64    int threadId;\r
  65 \r
  66    // pass through, assuming feature map has already been loaded\r
  67    if (data == NULL) {\r
  68       return 0;\r
  69    }\r
  70 \r
  71    deviceId = layer->cnn->deviceId;\r
  72    threadId = layer->cnn->threadId;\r
  73 \r
  74    // testing mode\r
  75    if (layer->phase == Util_Test) {\r
  76       if (layer->inputParams.testingCropType == Util_CenterCrop) {\r
  77          rowOffset = (layer->inputParams.row - layer->row)/2;\r
  78          colOffset = (layer->inputParams.col - layer->col)/2;\r
  79       }\r
  80       else { // randomCrop\r
  81          rowOffset = timlUtilRandDiscreteUniformRNG(0, layer->inputParams.row - layer->row);\r
  82          colOffset = timlUtilRandDiscreteUniformRNG(0, layer->inputParams.col - layer->col);\r
  83       }\r
  84       timlUtilTransform(layer->featureMap, layer->inputParams.inputData, data, layer->channel, layer->row, layer->col, rowOffset, colOffset, layer->inputParams.row, layer->inputParams.col, layer->inputParams.scale, layer->inputParams.mean, layer->inputParams.testingMirrorType, deviceId, threadId);\r
  85    }\r
  86    else { // training mode\r
  87       if (layer->inputParams.trainingCropType == Util_CenterCrop) {\r
  88          rowOffset = (layer->inputParams.row - layer->row)/2;\r
  89          colOffset = (layer->inputParams.col - layer->col)/2;\r
  90       }\r
  91       else { // randomCrop\r
  92          rowOffset = timlUtilRandDiscreteUniformRNG(0, layer->inputParams.row - layer->row);\r
  93          colOffset = timlUtilRandDiscreteUniformRNG(0, layer->inputParams.col - layer->col);\r
  94       }\r
  95       timlUtilTransform(layer->featureMap, layer->inputParams.inputData, data, layer->channel, layer->row, layer->col, rowOffset, colOffset, layer->inputParams.row, layer->inputParams.col, layer->inputParams.scale, layer->inputParams.mean, layer->inputParams.testingMirrorType, deviceId, threadId);\r
  96    }\r
  97 \r
  98    return 0;\r
  99 }\r