git.sesse.net Git - ffmpeg/blob - tests/dnn/dnn-layer-dense-test.c

   1 /*
   2  * Copyright (c) 2020
   3  *
   4  * This file is part of FFmpeg.
   5  *
   6  * FFmpeg is free software; you can redistribute it and/or
   7  * modify it under the terms of the GNU Lesser General Public
   8  * License as published by the Free Software Foundation; either
   9  * version 2.1 of the License, or (at your option) any later version.
  10  *
  11  * FFmpeg is distributed in the hope that it will be useful,
  12  * but WITHOUT ANY WARRANTY; without even the implied warranty of
  13  * MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.  See the GNU
  14  * Lesser General Public License for more details.
  15  *
  16  * You should have received a copy of the GNU Lesser General Public
  17  * License along with FFmpeg; if not, write to the Free Software
  18  * Foundation, Inc., 51 Franklin Street, Fifth Floor, Boston, MA 02110-1301 USA
  19  */
  20
  21 #include <stdio.h>
  22 #include <string.h>
  23 #include <math.h>
  24 #include "libavfilter/dnn/dnn_backend_native_layer_dense.h"
  25
  26 #define EPSON 0.00001
  27
  28 static int test(void)
  29 {
  30     // the input data and expected data are generated with below python code.
  31     /*
  32     x = tf.placeholder(tf.float32, shape=[1, None, None, 3])
  33     y = tf.layers.dense(input_x, 3, activation=tf.nn.sigmoid, bias_initializer=tf.keras.initializers.he_normal())
  34     data = np.random.rand(1, 5, 6, 3);
  35
  36     sess=tf.Session()
  37     sess.run(tf.global_variables_initializer())
  38
  39     weights = dict([(var.name, sess.run(var)) for var in tf.trainable_variables()])
  40     kernel = weights['dense/kernel:0']
  41     kernel = np.transpose(kernel, [1, 0])
  42     print("kernel:")
  43     print(kernel.shape)
  44     print(list(kernel.flatten()))
  45
  46     bias = weights['dense/bias:0']
  47     print("bias:")
  48     print(bias.shape)
  49     print(list(bias.flatten()))
  50
  51     output = sess.run(y, feed_dict={x: data})
  52
  53     print("input:")
  54     print(data.shape)
  55     print(list(data.flatten()))
  56
  57     print("output:")
  58     print(output.shape)
  59     print(list(output.flatten()))
  60     */
  61
  62     DenseParams params;
  63     DnnOperand operands[2];
  64     int32_t input_indexes[1];
  65     float input[1*5*6*3] = {
  66         0.5552418686576308, 0.20653189262022464, 0.31115120939398877, 0.5897014433221428, 0.37340078861060655, 0.6470921693941893, 0.8039950367872679, 0.8762700891949274,
  67         0.6556655583829558, 0.5911096107039339, 0.18640250865290997, 0.2803248779238966, 0.31586613136402053, 0.9447300740056483, 0.9443980824873418, 0.8158851991115941,
  68         0.5631010340387631, 0.9407402251929046, 0.6485434876551682, 0.5631376966470001, 0.17581924875609634, 0.7033802439103178, 0.04802402495561675, 0.9183681450194972,
  69         0.46059317944364, 0.07964160481596883, 0.871787076270302, 0.973743142324361, 0.15923146943258415, 0.8212946080584571, 0.5415954459227064, 0.9552813822803975,
  70         0.4908552668172057, 0.33723691635292274, 0.46588057864910026, 0.8994239961321776, 0.09845220457674186, 0.1713400292123486, 0.39570294912818826, 0.08018956486392803,
  71         0.5290478278169032, 0.7141906125920976, 0.0320878067840098, 0.6412406575332606, 0.0075712007102423096, 0.7150828462386156, 0.1311989216968138, 0.4706847944253756,
  72         0.5447610794883336, 0.3430923933318001, 0.536082357943209, 0.4371629342483694, 0.40227962985019927, 0.3553806249465469, 0.031806622424259245, 0.7053916426174,
  73         0.3261570237309813, 0.419500213292063, 0.3155691223480851, 0.05664028113178088, 0.3636491555914486, 0.8502419746667123, 0.9836596530684955, 0.1628681802975801,
  74         0.09410832912479894, 0.28407218939480294, 0.7983417928813697, 0.24132158596506748, 0.8154729498062224, 0.29173768373895637, 0.13407102008052096, 0.18705786678800385,
  75         0.7167943621295573, 0.09222004247174376, 0.2319220738766018, 0.17708964382285064, 0.1391440370249517, 0.3254088083499256, 0.4013916894718289, 0.4819742663322323,
  76         0.15080103744648077, 0.9302407847555013, 0.9397597961319524, 0.5719200825550793, 0.9538938024682824, 0.9583882089203861, 0.5168861091262276, 0.1926396841842669,
  77         0.6781176744337578, 0.719366447288566
  78     };
  79     float expected_output[1*5*6*3] = {
  80         -0.3921688, -0.9243112, -0.29659146, -0.64000785, -0.9466343, -0.62125254, -0.71759033, -0.9171336, -0.735589, -0.34365994,
  81         -0.92100817, -0.23903961, -0.8962277, -0.9521279, -0.90962386, -0.7488303, -0.9563761, -0.7701762, -0.40800542, -0.87684774,
  82         -0.3339763, -0.6354543, -0.97068924, -0.6246325, -0.6992075, -0.9706726, -0.6818918, -0.51864433, -0.9592881, -0.51187396,
  83         -0.7423632, -0.89911884, -0.7457824, -0.82009757, -0.96402895, -0.8235518, -0.61980766, -0.94494647, -0.5410502, -0.8281218,
  84         -0.95508635, -0.8201453, -0.5937325, -0.8679507, -0.500767, -0.39430764, -0.93967676, -0.32183182, -0.58913624, -0.939717,
  85         -0.55179894, -0.55004454, -0.9214453, -0.4889004, -0.75294703, -0.9118363, -0.7200309, -0.3248641, -0.8878874, -0.18977344,
  86         -0.8873837, -0.9571257, -0.90145934, -0.50521654, -0.93739635, -0.39051685, -0.61143184, -0.9591179, -0.605999, -0.40008977,
  87         -0.92219675, -0.26732883, -0.19607787, -0.9172511, -0.07068595, -0.5409857, -0.9387041, -0.44181606, -0.4705004, -0.8899935,
  88         -0.37997037, -0.66105115, -0.89754754, -0.68141997, -0.6324047, -0.886776, -0.65066385, -0.8334821, -0.94801456, -0.83297
  89     };
  90     float *output;
  91     float kernel[3*3] = {
  92         0.56611896, -0.5144603, -0.82600045, 0.19219112, 0.3835776, -0.7475352, 0.5209291, -0.6301091, -0.99442935};
  93     float bias[3] = {-0.3654299, -1.5711838, -0.15546428};
  94
  95     params.activation = TANH;
  96     params.has_bias = 1;
  97     params.biases = bias;
  98     params.input_num = 3;
  99     params.kernel = kernel;
 100     params.output_num = 3;
 101
 102     operands[0].data = input;
 103     operands[0].dims[0] = 1;
 104     operands[0].dims[1] = 5;
 105     operands[0].dims[2] = 6;
 106     operands[0].dims[3] = 3;
 107     operands[1].data = NULL;
 108
 109     input_indexes[0] = 0;
 110     ff_dnn_execute_layer_dense(operands, input_indexes, 1, &params, NULL);
 111
 112     output = operands[1].data;
 113     for (int i = 0; i < sizeof(expected_output) / sizeof(float); i++) {
 114         if (fabs(output[i] - expected_output[i]) > EPSON) {
 115             printf("at index %d, output: %f, expected_output: %f\n", i, output[i], expected_output[i]);
 116             av_freep(&output);
 117             return 1;
 118         }
 119     }
 120
 121     av_freep(&output);
 122     return 0;
 123 }
 124
 125 int main(int argc, char **argv)
 126 {
 127     if (test())
 128         return 1;
 129
 130     return 0;
 131 }