repair tabs spaces

Tino Hager

2018-06-27 8a504c737d2bc3b9b37cb79cb50fbf7eecda07df

 src/convolutional_kernels.cu

@@ -2,6 +2,10 @@
#include "curand.h"
#include "cublas_v2.h"

#ifdef CUDNN
#pragma comment(lib, "cudnn.lib")  
#endif

extern "C" {
#include "convolutional_layer.h"
#include "batchnorm_layer.h"
@@ -33,7 +37,7 @@
    int i = 0;
    float mean = 0;
    for(i = 0; i < n; ++i){
        mean += abs(input[i*size + s]);
        mean += fabs(input[i*size + s]);
    }
    mean = mean / n;
    for(i = 0; i < n; ++i){
@@ -55,7 +59,7 @@
    int i = 0;
    float mean = 0;
    for(i = 0; i < size; ++i){
        mean += abs(weights[f*size + i]);
        mean += fabs(weights[f*size + i]);
    }
    mean = mean / size;
    for(i = 0; i < size; ++i){
@@ -70,6 +74,40 @@
    check_error(cudaPeekAtLastError());
}

__global__ void cuda_f32_to_f16(float* input_f32, size_t size, half *output_f16)
{
   int idx = blockIdx.x * blockDim.x + threadIdx.x;
   if (idx < size) output_f16[idx] = __float2half(input_f32[idx]);
   //if (idx < size) *((unsigned short *)output_f16 + idx) = __float2half(input_f32[idx]);
}

void cuda_convert_f32_to_f16(float* input_f32, size_t size, float *output_f16) {
   cuda_f32_to_f16 <<< size / BLOCK + 1, BLOCK, 0, get_cuda_stream() >>> (input_f32, size, (half *)output_f16);
}

__global__ void cuda_f16_to_f32(half* input_f16, size_t size, float *output_f32)
{
   int idx = blockIdx.x * blockDim.x + threadIdx.x;
   if (idx < size) output_f32[idx] = __half2float(input_f16[idx]);
   //if (idx < size) output_f32[idx] = __half2float(*((unsigned short *)input_f16 + idx));
}

void cuda_convert_f16_to_f32(float* input_f16, size_t size, float *output_f32) {
   cuda_f16_to_f32 <<< size / BLOCK + 1, BLOCK, 0, get_cuda_stream() >>> ((half *)input_f16, size, output_f32);
}

half *cuda_make_f16_from_f32_array(float *src, size_t n)
{
   half *dst16;
   size_t size = sizeof(half)*n;
   check_error(cudaMalloc((void **)&dst16, size));
   if (src) {
      cuda_convert_f32_to_f16(src, n, (float *)dst16);
   }
   if (!dst16) error("Cuda malloc failed\n");
   return dst16;
}

void forward_convolutional_layer_gpu(convolutional_layer l, network_state state)
{
    fill_ongpu(l.outputs*l.batch, 0, l.output_gpu, 1);
@@ -86,7 +124,99 @@
    }

#ifdef CUDNN
    float one = 1;
   float one = 1; // alpha[0], beta[0] is float for HALF and FLOAT
   float alpha = 1, beta = 0; 

#ifdef CUDNN_HALF
   // Note: For improved performance it is advised to use beta[0] = 0.0. 
   // For Tensor Core: cudnnSetConvolutionMathType() where cudnnMathType_t mathType = CUDNN_TENSOR_OP_MATH;
   // 1. or CUDNN_CONVOLUTION_FWD_ALGO_IMPLICIT_PRECOMP_GEMM and use CUDNN_DATA_HALF
   // 2. or CUDNN_CONVOLUTION_FWD_ALGO_WINOGRAD_NONFUSED
   // More: http://docs.nvidia.com/deeplearning/sdk/cudnn-developer-guide/index.html#tensor_ops

   const size_t input16_size = l.batch*l.c*l.w*l.h;
   const size_t output16_size = l.batch*l.out_c*l.out_h*l.out_w;

   if (*state.net.max_input16_size < input16_size) {
      //printf("\n input16_size: cur = %zu \t max = %zu \n", input16_size, *state.net.max_input16_size);
      *state.net.max_input16_size = input16_size;
      if (*state.net.input16_gpu) cuda_free(*state.net.input16_gpu);
      *state.net.input16_gpu = (float *)cuda_make_f16_from_f32_array(NULL, *state.net.max_input16_size);
   }
   float *input16 = *state.net.input16_gpu;

   if (*state.net.max_output16_size < output16_size) {
      *state.net.max_output16_size = output16_size;
      if (*state.net.output16_gpu) cuda_free(*state.net.output16_gpu);
      *state.net.output16_gpu = (float *)cuda_make_f16_from_f32_array(NULL, *state.net.max_output16_size);
   }
   float *output16 = *state.net.output16_gpu;

   cuda_convert_f32_to_f16(state.input, input16_size, input16);

   //fill_ongpu(output16_size / 2, 0, (float *)output16, 1);
   cudnnConvolutionForward(cudnn_handle(),
      &alpha,
      l.srcTensorDesc,
      input16,
      l.weightDesc,
      l.weights_gpu16,
      l.convDesc,
      l.fw_algo,
      state.workspace,
      l.workspace_size,
      &beta,
      l.dstTensorDesc,
      output16);
	

   if (l.batch_normalize) 
   {		
      if (state.train) // Training
      {
         copy_ongpu(l.outputs*l.batch / 2, output16, 1, l.x_gpu, 1);
         //cudaMemcpyAsync(l.x_gpu, output16, l.outputs*l.batch*sizeof(half), cudaMemcpyDefault, get_cuda_stream());
         float one = 1;
         float zero = 0;
         // Batch-normalization can still take FP16 inputs and outputs, saving half the bandwidth
         // compared to FP32, it’s just that the statistics and value adjustment should be done in FP32.
         cudnnBatchNormalizationForwardTraining(cudnn_handle(),
            CUDNN_BATCHNORM_SPATIAL,
            &one,
            &zero,
            l.normDstTensorDescF16,
            l.x_gpu,       // input
            l.normDstTensorDescF16,
            output16,         // output
            l.normTensorDesc,
            l.scales_gpu,
            l.biases_gpu,
            .01,
            l.rolling_mean_gpu,     // output (should be FP32)
            l.rolling_variance_gpu, // output (should be FP32)
            .00001,
            l.mean_gpu,       // output (should be FP32)
            l.variance_gpu);  // output (should be FP32)

         cuda_convert_f16_to_f32(output16, output16_size, l.output_gpu);
         //forward_batchnorm_layer_gpu(l, state);
      }
      else // Detection
      {
         cuda_convert_f16_to_f32(output16, output16_size, l.output_gpu);
         normalize_gpu(l.output_gpu, l.rolling_mean_gpu, l.rolling_variance_gpu, l.batch, l.out_c, l.out_h*l.out_w);
         scale_bias_gpu(l.output_gpu, l.scales_gpu, l.batch, l.out_c, l.out_h*l.out_w);
         add_bias_gpu(l.output_gpu, l.biases_gpu, l.batch, l.out_c, l.out_w*l.out_h);
      }
   }
   else // BIAS only
   {
      cuda_convert_f16_to_f32(output16, output16_size, l.output_gpu);
      add_bias_gpu(l.output_gpu, l.biases_gpu, l.batch, l.n, l.out_w*l.out_h);
   }	

#else

    cudnnConvolutionForward(cudnn_handle(),
                &one,
                l.srcTensorDesc,
@@ -100,6 +230,8 @@
                &one,
                l.dstTensorDesc,
                l.output_gpu);
#endif   // CUDNN_HALF


#else
    int i;
@@ -115,14 +247,19 @@
    }
#endif

#ifndef CUDNN_HALF
    if (l.batch_normalize) {
        forward_batchnorm_layer_gpu(l, state);
    }
    add_bias_gpu(l.output_gpu, l.biases_gpu, l.batch, l.n, l.out_w*l.out_h);
   }
   else {
      add_bias_gpu(l.output_gpu, l.biases_gpu, l.batch, l.n, l.out_w*l.out_h);
   }
#endif // no CUDNN_HALF

    activate_array_ongpu(l.output_gpu, l.outputs*l.batch, l.activation);
    //if(l.dot > 0) dot_error_gpu(l);
    if(l.binary || l.xnor) swap_binary(&l);
   //cudaDeviceSynchronize(); // for correct profiling of performance
}

void backward_convolutional_layer_gpu(convolutional_layer l, network_state state)
@@ -131,14 +268,130 @@

    backward_bias_gpu(l.bias_updates_gpu, l.delta_gpu, l.batch, l.n, l.out_w*l.out_h);

#ifndef CUDNN_HALF
    if(l.batch_normalize){
        backward_batchnorm_layer_gpu(l, state);
    } else {
      //backward_bias_gpu(l.bias_updates_gpu, l.delta_gpu, l.batch, l.n, l.out_w*l.out_h);
    }
#endif // no CUDNN_HALF
    float *original_input = state.input;

    if(l.xnor) state.input = l.binary_input_gpu;
#ifdef CUDNN
    float one = 1;
   float one = 1;
   float alpha = 1, beta = 0;

#ifdef CUDNN_HALF
		
   const size_t input16_size = l.batch*l.c*l.w*l.h;
   const size_t delta16_size = l.batch*l.n*l.out_w*l.out_h;
	
   if (*state.net.max_input16_size < input16_size) {		
      *state.net.max_input16_size = input16_size;
      if(*state.net.input16_gpu) cuda_free(*state.net.input16_gpu);
      *state.net.input16_gpu = (float *)cuda_make_f16_from_f32_array(NULL, *state.net.max_input16_size);
   }
   float *input16 = *state.net.input16_gpu;

   if (*state.net.max_output16_size < delta16_size) {
      *state.net.max_output16_size = delta16_size;
      if(*state.net.output16_gpu) cuda_free(*state.net.output16_gpu);
      *state.net.output16_gpu = (float *)cuda_make_f16_from_f32_array(NULL, *state.net.max_output16_size);
   }
   float *delta16 = *state.net.output16_gpu;

   cuda_convert_f32_to_f16(state.input, input16_size, input16);
   cuda_convert_f32_to_f16(l.delta_gpu, delta16_size, delta16);

   if (l.batch_normalize) {
      //if (!state.train) {
      // l.mean_gpu = l.rolling_mean_gpu;
      // l.variance_gpu = l.rolling_variance_gpu;
      //}
      float one = 1;
      float zero = 0;
      cudnnBatchNormalizationBackward(cudnn_handle(),
         CUDNN_BATCHNORM_SPATIAL,
         &one,
         &zero,
         &one,
         &one,
         l.normDstTensorDescF16,
         l.x_gpu,          // input
         l.normDstTensorDescF16,
         delta16,          // input
         l.normDstTensorDescF16,
         l.x_norm_gpu,        // output
         l.normTensorDesc,
         l.scales_gpu,        // output (should be FP32)
         l.scale_updates_gpu, // output (should be FP32)
         l.bias_updates_gpu,     // output (should be FP32)
         .00001,
         l.mean_gpu,          // input (should be FP32)
         l.variance_gpu);     // input (should be FP32)
      copy_ongpu(l.outputs*l.batch / 2, l.x_norm_gpu, 1, delta16, 1);
      //cudaMemcpyAsync(delta16, l.x_norm_gpu, l.outputs*l.batch * sizeof(half), cudaMemcpyDefault, get_cuda_stream());
   }
   else
   {
      //backward_bias_gpu(l.bias_updates_gpu, l.delta_gpu, l.batch, l.n, l.out_w*l.out_h);
   }

   // convert input: state.input (x), l.delta_gpu (y) from fp32 to fp16
   // get output: l.weight_updates_gpu (dw) and convert it to fp32 (ONLY if it is fp16)

   // calculate conv weight updates
   // Already: l.weight_updates_gpu = (l.weight_updates_gpu - l.weight*decay*batch*subdivision)*momentum
   //   so we should copy f32 to f16, or compute: f16=(w_up - w*d*b*s)*m
   cuda_convert_f32_to_f16(l.weight_updates_gpu, l.c*l.n*l.size*l.size, l.weight_updates_gpu16);

   cudnnConvolutionBackwardFilter(cudnn_handle(),
      &one,
      l.srcTensorDesc,
      input16, //state.input,
      l.ddstTensorDesc,
      delta16, //l.delta_gpu,
      l.convDesc,
      l.bf_algo,
      state.workspace,
      l.workspace_size,
      &one,
      l.dweightDesc,
      l.weight_updates_gpu16);   // l.weight_updates_gpu);

   cuda_convert_f16_to_f32(l.weight_updates_gpu16, l.c*l.n*l.size*l.size, l.weight_updates_gpu);

   if (state.delta) {
      if (l.binary || l.xnor) swap_binary(&l);

      // http://docs.nvidia.com/deeplearning/sdk/cudnn-developer-guide/index.html#cudnnConvolutionBackwardData
      // calculate delta for the next layer
      // convert input: l.weights_gpu (w), l.delta_gpu (dy) from fp32 to fp16
      // get output: state.delta (dx) and convert it to fp32 (ONLY if it is fp16)	
      cudnnConvolutionBackwardData(cudnn_handle(),
         &alpha,
         l.weightDesc,
         l.weights_gpu16, //l.weights_gpu,
         l.ddstTensorDesc,
         delta16, //l.delta_gpu,
         l.convDesc,
         l.bd_algo,
         state.workspace,
         l.workspace_size,
         &beta,
         l.dsrcTensorDesc,
         input16);   // state.delta);

      cuda_convert_f16_to_f32(input16, input16_size, state.delta);

      if (l.binary || l.xnor) swap_binary(&l);
      if (l.xnor) gradient_array_ongpu(original_input, l.batch*l.c*l.h*l.w, HARDTAN, state.delta);
   }
#else // CUDNN_HALF

   // calculate conv weight updates
   // if used: beta=1 then loss decreases faster
    cudnnConvolutionBackwardFilter(cudnn_handle(),
            &one,
            l.srcTensorDesc,
@@ -155,6 +408,8 @@

    if(state.delta){
        if(l.binary || l.xnor) swap_binary(&l);
      // http://docs.nvidia.com/deeplearning/sdk/cudnn-developer-guide/index.html#cudnnConvolutionBackwardData
      // calculate delta for the next layer
        cudnnConvolutionBackwardData(cudnn_handle(),
                &one,
                l.weightDesc,
@@ -172,7 +427,9 @@
        if(l.xnor) gradient_array_ongpu(original_input, l.batch*l.c*l.h*l.w, HARDTAN, state.delta);
    }

#else
#endif   // CUDNN_HALF

#else // CUDNN
    int m = l.n;
    int n = l.size*l.size*l.c;
    int k = l.out_w*l.out_h;
@@ -215,11 +472,18 @@
        cuda_pull_array(layer.rolling_mean_gpu, layer.rolling_mean, layer.n);
        cuda_pull_array(layer.rolling_variance_gpu, layer.rolling_variance, layer.n);
    }
    if (layer.adam){
        cuda_pull_array(layer.m_gpu, layer.m, layer.c*layer.n*layer.size*layer.size);
        cuda_pull_array(layer.v_gpu, layer.v, layer.c*layer.n*layer.size*layer.size);
    }
}

void push_convolutional_layer(convolutional_layer layer)
{
    cuda_push_array(layer.weights_gpu, layer.weights, layer.c*layer.n*layer.size*layer.size);
#ifdef CUDNN_HALF
   cuda_convert_f32_to_f16(layer.weights_gpu, layer.c*layer.n*layer.size*layer.size, layer.weights_gpu16);
#endif
    cuda_push_array(layer.biases_gpu, layer.biases, layer.n);
    cuda_push_array(layer.weight_updates_gpu, layer.weight_updates, layer.c*layer.n*layer.size*layer.size);
    cuda_push_array(layer.bias_updates_gpu, layer.bias_updates, layer.n);
@@ -228,12 +492,15 @@
        cuda_push_array(layer.rolling_mean_gpu, layer.rolling_mean, layer.n);
        cuda_push_array(layer.rolling_variance_gpu, layer.rolling_variance, layer.n);
    }
    if (layer.adam){
        cuda_push_array(layer.m_gpu, layer.m, layer.c*layer.n*layer.size*layer.size);
        cuda_push_array(layer.v_gpu, layer.v, layer.c*layer.n*layer.size*layer.size);
    }
}

void update_convolutional_layer_gpu(convolutional_layer layer, int batch, float learning_rate, float momentum, float decay)
{
    int size = layer.size*layer.size*layer.c*layer.n;

    axpy_ongpu(layer.n, learning_rate/batch, layer.bias_updates_gpu, 1, layer.biases_gpu, 1);
    scal_ongpu(layer.n, momentum, layer.bias_updates_gpu, 1);

@@ -242,9 +509,31 @@
        scal_ongpu(layer.n, momentum, layer.scale_updates_gpu, 1);
    }

    axpy_ongpu(size, -decay*batch, layer.weights_gpu, 1, layer.weight_updates_gpu, 1);
    axpy_ongpu(size, learning_rate/batch, layer.weight_updates_gpu, 1, layer.weights_gpu, 1);
    scal_ongpu(size, momentum, layer.weight_updates_gpu, 1);
    if(layer.adam){
        scal_ongpu(size, layer.B1, layer.m_gpu, 1);
        scal_ongpu(size, layer.B2, layer.v_gpu, 1);

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

        axpy_ongpu(size, -(1-layer.B1), layer.weight_updates_gpu, 1, layer.m_gpu, 1);
        mul_ongpu(size, layer.weight_updates_gpu, 1, layer.weight_updates_gpu, 1);
        axpy_ongpu(size, (1-layer.B2), layer.weight_updates_gpu, 1, layer.v_gpu, 1);

        adam_gpu(size, layer.weights_gpu, layer.m_gpu, layer.v_gpu, layer.B1, layer.B2, learning_rate/batch, layer.eps, layer.t+1);
        fill_ongpu(size, 0, layer.weight_updates_gpu, 1);
    }else{
      // update weights:
      // weights_gpu = weights_gpu*(1 - decay*lr) + weight_updates_gpu*lr / (batch*subdivision) =
      //  weights_gpu*(1 - 0.0005*0.001) + weight_updates_gpu*0.001/(64*8) = 
      //  weights_gpu * 0.999 999 5 + weight_updates_gpu * 0.000 001 953125
      // 
      // weight_updates_gpu = (weight_updates_gpu - weights_gpu*decay*batch*subdivision)*momentum = 
      //  (weight_updates_gpu - weights_gpu * 0.0005 * 64 * 8) * 0.9 = 
      //  weight_updates_gpu*0.9 - weights_gpu*0.2304
        axpy_ongpu(size, -decay*batch, layer.weights_gpu, 1, layer.weight_updates_gpu, 1);
        axpy_ongpu(size, learning_rate/batch, layer.weight_updates_gpu, 1, layer.weights_gpu, 1);
        scal_ongpu(size, momentum, layer.weight_updates_gpu, 1);
    }
}