Try to use avx_hs() - slow and requires alignment 4096 bits < (l.size*l.siz...

AlexeyAB

2018-08-08 a284a7da8d1facbf984a22302665a2a50295a687

 src/convolutional_layer.c

@@ -9,7 +9,7 @@
#include <time.h>

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

#ifdef AI2
@@ -141,7 +141,7 @@
{

#ifdef CUDNN_HALF
    // TRUE_HALF_CONFIG is only supported on architectures with true fp16 support (compute capability 5.3 and 6.0): 
    // TRUE_HALF_CONFIG is only supported on architectures with true fp16 support (compute capability 5.3 and 6.0):
    //   Tegra X1, Jetson TX1, DRIVE CX, DRIVE PX, Quadro GP100, Tesla P100
    // PSEUDO_HALF_CONFIG is required for Tensor Cores - our case!
    const cudnnDataType_t data_type = CUDNN_DATA_HALF;
@@ -161,7 +161,7 @@
    cudnnSetConvolutionMathType(l->convDesc, CUDNN_TENSOR_OP_MATH);
#endif

    // INT8_CONFIG, INT8_EXT_CONFIG, INT8x4_CONFIG and INT8x4_EXT_CONFIG are only supported 
    // INT8_CONFIG, INT8_EXT_CONFIG, INT8x4_CONFIG and INT8x4_EXT_CONFIG are only supported
    //   on architectures with DP4A support (compute capability 6.1 and later).
    //cudnnDataType_t data_type = CUDNN_DATA_INT8;

@@ -188,7 +188,7 @@
    int forward_algo = CUDNN_CONVOLUTION_FWD_PREFER_FASTEST;
    int backward_algo = CUDNN_CONVOLUTION_BWD_DATA_PREFER_FASTEST;
    int backward_filter = CUDNN_CONVOLUTION_BWD_FILTER_PREFER_FASTEST;
    if (cudnn_preference == cudnn_smallest) 
    if (cudnn_preference == cudnn_smallest)
    {
        forward_algo = CUDNN_CONVOLUTION_FWD_NO_WORKSPACE;
        backward_algo = CUDNN_CONVOLUTION_BWD_DATA_NO_WORKSPACE;
@@ -221,7 +221,7 @@
            0,
            &l->bf_algo);

    if (data_type == CUDNN_DATA_HALF) 
    if (data_type == CUDNN_DATA_HALF)
    {
        // HALF-16 if(data_type == CUDNN_DATA_HALF)
        l->fw_algo = CUDNN_CONVOLUTION_FWD_ALGO_IMPLICIT_PRECOMP_GEMM;
@@ -249,8 +249,8 @@
        if (l->bf_algo == CUDNN_CONVOLUTION_BWD_FILTER_ALGO_WINOGRAD_NONFUSED) bf = 2;
            //printf("Tensor Cores - Backward-filter enabled: l->bf_algo = CUDNN_CONVOLUTION_BWD_FILTER_ALGO_WINOGRAD_NONFUSED \n");

        if (fw == 2 && bd == 2 && bf == 2) printf("TF ");
        else if (fw == 1 && bd == 1 && bf == 1) printf("TH ");
        //if (fw == 2 && bd == 2 && bf == 2) printf("TF ");
        //else if (fw == 1 && bd == 1 && bf == 1) printf("TH ");
    }
}
#endif
@@ -379,7 +379,7 @@
            l.x_gpu = cuda_make_array(l.output, l.batch*out_h*out_w*n);
            l.x_norm_gpu = cuda_make_array(l.output, l.batch*out_h*out_w*n);
        }
#ifdef CUDNN        
#ifdef CUDNN
        cudnnCreateTensorDescriptor(&l.normDstTensorDesc);
        cudnnCreateTensorDescriptor(&l.normDstTensorDescF16);
        cudnnCreateTensorDescriptor(&l.normTensorDesc);
@@ -497,7 +497,7 @@
    l->workspace_size = get_workspace_size(*l);

#ifdef CUDNN
    // check for excessive memory consumption 
    // check for excessive memory consumption
    size_t free_byte;
    size_t total_byte;
    check_error(cudaMemGetInfo(&free_byte, &total_byte));
@@ -543,6 +543,85 @@
    }
}

void gemm_nn_custom(int M, int N, int K, float ALPHA,
    float *A, int lda,
    float *B, int ldb,
    float *C, int ldc)
{
    int i, j, k;
    for (i = 0; i < M; ++i) {
        for (k = 0; k < K; ++k) {
            register float A_PART = ALPHA*A[i*lda + k];
            //printf("\n weight = %f \n", A_PART);
            for (j = 0; j < N; ++j) {
                C[i*ldc + j] += A_PART*B[k*ldb + j];
            }
        }
    }
}


void get_mean_array(float *src, size_t size, size_t filters, float *mean_arr) {
    size_t i, counter;
    counter = 0;
    for (i = 0; i < size; i += size / filters) {
        mean_arr[counter++] = fabs(src[i]);
    }
}

/*
void float_to_bit(float *src, unsigned char *dst, size_t size) {

    size_t dst_size = size / 8 + 1;
    memset(dst, 0, dst_size);
    size_t i, dst_i, dst_shift;
    for (i = 0; i < size; ++i) {
        if (src[i] > 0) set_bit(dst, i);
    }
}
*/

void bit_to_float(unsigned char *src, float *dst, size_t size, size_t filters, float *mean_arr) {
    memset(dst, 0, size *sizeof(float));
    size_t i,  src_i, src_shift;

    for (i = 0; i < size; ++i) {
        float mean_val = 1;
        if(mean_arr != NULL) mean_val = fabs(mean_arr[i / (size / filters)]);
        if(get_bit(src, i)) dst[i] = mean_val;
        else dst[i] = -mean_val;
    }
}

void binary_transpose_align_weights(convolutional_layer *l, size_t ldb_align)
{
    int m = l->n;
    int k = l->size*l->size*l->c;
    size_t new_ldb = k + (ldb_align - k%ldb_align); // (k / 8 + 1) * 8;

    binarize_weights(l->weights, m, k, l->binary_weights);

    size_t align_weights_size = new_ldb * m;
    size_t align_bit_weights_size = align_weights_size / 8;// +1;
    float *align_weights = calloc(align_weights_size, sizeof(float));
    l->align_bit_weights = calloc(align_bit_weights_size, sizeof(char));

    size_t i, j;
    // align A without transpose
    for (i = 0; i < m; ++i) {
        for (j = 0; j < k; ++j) {
            align_weights[i*new_ldb + j] = l->binary_weights[i*k + j];
        }
    }
    float_to_bit(align_weights, l->align_bit_weights, align_weights_size);

    l->mean_arr = calloc(l->n, sizeof(float));
    get_mean_array(align_weights, align_weights_size, l->n, l->mean_arr);

    free(align_weights);
}


void forward_convolutional_layer(convolutional_layer l, network_state state)
{
    int out_h = convolutional_out_height(l);
@@ -552,7 +631,10 @@
    fill_cpu(l.outputs*l.batch, 0, l.output, 1);

    if(l.xnor){
        binarize_weights(l.weights, l.n, l.c*l.size*l.size, l.binary_weights);
        if (!l.align_bit_weights) {
            binarize_weights(l.weights, l.n, l.c*l.size*l.size, l.binary_weights);
            //printf("\n binarize_weights l.align_bit_weights = %p \n", l.align_bit_weights);
        }
        swap_binary(&l);
        binarize_cpu(state.input, l.c*l.h*l.w*l.batch, l.binary_input);
        state.input = l.binary_input;
@@ -562,15 +644,124 @@
    int k = l.size*l.size*l.c;
    int n = out_h*out_w;


    float *a = l.weights;
    float *b = state.workspace;
    float *c = l.output;

    static int u = 0;
    u++;

    for(i = 0; i < l.batch; ++i){
        im2col_cpu(state.input, l.c, l.h, l.w, 
        im2col_cpu(state.input, l.c, l.h, l.w,
                l.size, l.stride, l.pad, b);
        gemm(0,0,m,n,k,1,a,k,b,n,1,c,n);
        //gemm(0,0,m,n,k,1,a,k,b,n,1,c,n);
        //gemm_nn_custom(m, n, k, 1, a, k, b, n, c, n);
        if (l.xnor) {
            size_t output_size = l.outputs;
            //float *count_output = calloc(output_size, sizeof(float));
            //size_t bit_output_size = output_size / 8 + 1;
            //char *bit_output = calloc(bit_output_size, sizeof(char));

            size_t intput_size = n * k; // (out_h*out_w) X (l.size*l.size*l.c) : after im2col()
            size_t bit_input_size = intput_size / 8 + 1;
            //char *bit_input = calloc(bit_input_size, sizeof(char));

            size_t weights_size = k * m; //l.size*l.size*l.c*l.n;
            size_t bit_weights_size = weights_size / 8 + 1;
            //char *bit_weights = calloc(bit_weights_size, sizeof(char));
            //float *mean_arr = calloc(l.n, sizeof(float));

            // test: float->bit->float
            //get_mean_array(l.weights, weights_size, l.n, mean_arr);
            //float_to_bit(l.weights, bit_weights, weights_size);
            //memset(l.weights, 0, weights_size * sizeof(float));
            //bit_to_float(bit_weights, l.weights, weights_size, l.n, mean_arr); // just for test float->bit->float

            //float_to_bit(b, bit_input, intput_size);
            //memset(b, 0, intput_size * sizeof(float));
            //bit_to_float(bit_input, b, intput_size, 1, NULL); // just for test float->bit->float

            // transpose B from NxK to KxN (x-axis (ldb = l.size*l.size*l.c) - should be multiple of 8 bits)
            {
                size_t ldb_align = 256;// 8;
                if (k > 4096)ldb_align = 4096;

                size_t new_ldb = k + (ldb_align - k%ldb_align); // (k / 8 + 1) * 8;
                size_t t_intput_size = new_ldb * n;
                size_t t_bit_input_size = t_intput_size / 8;// +1;
                float *t_input = calloc(t_intput_size, sizeof(float));
                char *t_bit_input = calloc(t_bit_input_size, sizeof(char));

                //printf("\n bit_input_size = %d, n = %d, k = %d, ldb = %d \n", bit_input_size, n, k, n);
                //printf("\n t_bit_input_size = %d, k = %d, n = %d, new_ldb = %d \n", t_bit_input_size, k, n, new_ldb);


                //printf("\n align_weights_size = %d, k = %d, m = %d, lda = %d \n", align_weights_size, k, m, k);
                //printf("\n align_bit_weights_size = %d, k = %d, m = %d, new_lda = %d \n", align_bit_weights_size, k, m, new_ldb);


                // transpose and align B
                int i, j;
                for (i = 0; i < n; ++i) {
                    for (j = 0; j < k; ++j) {
                        t_input[i*new_ldb + j] = b[j*n + i];
                    }
                }
                float_to_bit(t_input, t_bit_input, t_intput_size);

                if (!l.align_bit_weights)
                {
                    size_t align_weights_size = new_ldb * m;
                    size_t align_bit_weights_size = align_weights_size / 8;// +1;
                    float *align_weights = calloc(align_weights_size, sizeof(float));
                    l.align_bit_weights = calloc(align_bit_weights_size, sizeof(char));

                    // align A without transpose
                    for (i = 0; i < m; ++i) {
                        for (j = 0; j < k; ++j) {
                            align_weights[i*new_ldb + j] = a[i*k + j];
                        }
                    }
                    float_to_bit(align_weights, l.align_bit_weights, align_weights_size);

                    l.mean_arr = calloc(l.n, sizeof(float));
                    get_mean_array(align_weights, align_weights_size, l.n, l.mean_arr);

                    free(align_weights);
                }

                gemm_nn_custom_bin_mean_transposed(m, n, k, 1, l.align_bit_weights, new_ldb, t_bit_input, new_ldb, c, n, l.mean_arr);

                //gemm_nn_custom_bin_mean_transposed(m, n, k, 1, bit_weights, k, t_bit_input, new_ldb, c, n, mean_arr);

                free(t_input);
                free(t_bit_input);

                //free(align_bit_weights);
            }

            // for bit_input: (k * n)
            //if (u == 8) gemm_nn_custom_bin_mean(m, n, k, 1, bit_weights, k, bit_input, n, c, n, mean_arr);  // last xnor layer
            //else gemm_nn_custom_bin_mean(m, n, k, 1, bit_weights, k, bit_input, n, c, n, NULL);

            //gemm_nn_custom_bin_mean(m, n, k, 1, bit_weights, k, bit_input, n, c, n, mean_arr);

            //printf("\n u = %d \n", u);

            //gemm_nn_custom(m, n, k, 1, a, k, b, n, c, n);

            //int j;
            //if (u != 8) for (j = 0; j < l.n; ++j) l.biases[j] = l.biases[j] / (mean_arr[j]*2);

            //free(count_output);
            //free(bit_input);
            //free(bit_weights);
            //free(mean_arr);
        }
        else {
            gemm(0, 0, m, n, k, 1, a, k, b, n, 1, c, n);
            // bit-count to float
        }
        c += n*m;
        state.input += l.c*l.h*l.w;
    }
@@ -606,7 +797,7 @@

        float *im = state.input+i*l.c*l.h*l.w;

        im2col_cpu(im, l.c, l.h, l.w, 
        im2col_cpu(im, l.c, l.h, l.w,
                l.size, l.stride, l.pad, b);
        gemm(0,1,m,n,k,1,a,k,b,k,1,c,n);