def add_chainer_funtion(name:'str', func, ret_value_func = None):
if ret_value_func is None:
f = values.FuncValue(
functions_builtin.ChainerFunction(func), None)
else:
f = values.FuncValue(
functions_builtin.ChainerFunction(func, ret_value_func=ret_value_func), None)
f_dict.get_field().get_attribute(name).revise(values.ValueRef(f))
values.function_converters[func] = f
def convert_model(model : 'chainer.Chain', args = []):
# reset values
values.reset_field_and_attributes()
utils.reset_guid()
# generate default module
default_module = values.Module(sys.modules[model.__module__])
# chainer.functions
chainer_functions_module_name = get_module_name(F, default_module.internal_module)
if chainer_functions_module_name != '':
f_dict = values.DictValue()
f_relu = values.FuncValue(functions_builtin.ReluFunction(), None)
f_dict.get_field().get_attribute('relu').revise(f_relu)
f_softmax = values.FuncValue(functions_builtin.SoftmaxFunction(), None)
f_dict.get_field().get_attribute('softmax').revise(f_softmax)
default_module.set_default_value(chainer_functions_module_name, f_dict)
m_range = values.FuncValue(functions_builtin.RangeFunction(), None)
default_module.set_default_value('range', m_range)
model_inst = values.parse_instance(default_module, '', model)
forward_func = model_inst.try_get_and_store_value('forward')
# convert args
value_args = []
function_args = []
for arg in args:
varg = values.parse_instance(default_module, '', arg)
farg = functions.FunctionArg()
farg.value = varg
value_args.append(varg)
function_args.append(farg)
graph = Graph()
ret = forward_func.func.vcall(default_module, graph, forward_func.value, function_args)
ret_ = []
if isinstance(ret, values.TupleValue):
ret_.extend([v.get_value() for v in ret.values])
elif not isinstance(ret, list):
ret_ = [ret]
else:
ret_ = ret
for v in value_args:
graph.add_input_value(v)
for v in ret_:
graph.add_output_value(v)
return (value_args, ret_, graph)
def apply_to_object(self, obj: 'values.ValueRef'):
super().apply_to_object(obj)
children = values.ValueRef(
values.FuncValue(ChainerChainListChildrenFunction(self), obj))
obj.get_field().get_attribute('children').revise(children)
forward_func = obj.try_get_and_store_obj('forward', None)
if forward_func is not None:
obj.get_field().get_attribute('__call__').revise(forward_func)
obj.get_field().get_attribute('forward').revise(forward_func)
def convert_model(model: 'chainer.Chain', args=[]):
# reset values
values.reset_field_and_attributes()
utils.reset_guid()
# generate default module
default_module = values.Module(sys.modules[model.__module__])
# chainer.functions
chainer_functions_module_name = get_module_name(
F, default_module.internal_module)
if chainer_functions_module_name != '':
f_dict = values.Object(values.ModuleValue())
f_relu = values.FuncValue(functions_builtin.ReluFunction(), None)
f_dict.get_field().get_attribute('relu').revise(values.Object(f_relu))
f_softmax = values.FuncValue(functions_builtin.SoftmaxFunction(), None)
f_dict.get_field().get_attribute('softmax').revise(
values.Object(f_softmax))
f_softmax_cross_entropy = values.FuncValue(
functions_builtin.SoftmaxCrossEntropyFunction(), None)
f_dict.get_field().get_attribute('softmax_cross_entropy').revise(
values.Object(f_softmax_cross_entropy))
f_pad_sequence = values.FuncValue(
functions_builtin.PadSequenceFunction(), None)
f_dict.get_field().get_attribute('pad_sequence').revise(
values.Object(f_pad_sequence))
default_module.set_default_value(chainer_functions_module_name, f_dict)
# numpy
numpy_module_name = get_module_name(np, default_module.internal_module)
if numpy_module_name != '':
f_dict = values.Object(values.ModuleValue())
f_array = values.FuncValue(functions_builtin.NDArrayFunction(), None)
f_dict.get_field().get_attribute('array').revise(
values.Object(f_array))
f_dict.get_field().get_attribute('int32').revise(
values.Object(values.NumberValue(utils.numpy_type_2_int(
np.int32))))
f_dict.get_field().get_attribute('float32').revise(
values.Object(
values.NumberValue(utils.numpy_type_2_int(np.float32))))
default_module.set_default_value(numpy_module_name, f_dict)
m_range = values.FuncValue(functions_builtin.RangeFunction(), None)
default_module.set_default_value('range', values.Object(m_range))
m_list = values.FuncValue(functions_builtin.ListFunction(), None)
default_module.set_default_value('list', values.Object(m_list))
model_inst = values.parse_instance(default_module, '', model)
forward_func = model_inst.try_get_and_store_obj('forward')
# convert args
value_args = []
function_args = []
ind = 0
for arg in args:
varg = values.parse_instance(default_module, '', arg, None, True)
varg.name = 'in_' + str(ind)
varg.get_value().name = 'in_' + str(ind)
farg = functions.FunctionArg()
farg.obj = varg
value_args.append(varg.get_value())
function_args.append(farg)
ind += 1
graph = Graph()
forward_func_value = forward_func.get_value()
ret = forward_func_value.func.vcall(default_module, graph,
forward_func_value.obj, function_args)
assert (ret is None or isinstance(ret, values.Object))
ret_ = []
if isinstance(ret.get_value(), values.TupleValue):
ret_.extend([v.get_obj().get_value() for v in ret.get_value().values])
elif isinstance(ret, list):
ret_ = [r.get_value() for r in ret]
else:
ret_ = [ret.get_value()]
for v in value_args:
graph.add_input_value(v)
for v in ret_:
graph.add_output_value(v)
return (value_args, ret_, graph)
def convert_model(model: 'chainer.Chain', args=[]):
# reset values
values.reset_field_and_attributes()
utils.reset_guid()
values.instance_converters.clear()
def instance_converter(m, i):
if links_builtin.is_builtin_chainer_link(i):
return links_builtin.ChainerLinkInstance(m, i)
return None
values.instance_converters.append(instance_converter)
# generate default module
default_module = values.Module(sys.modules[model.__module__])
# chainer
chainer_module_name = get_module_name(
C, default_module.internal_module)
if chainer_module_name != '':
c_dict = values.ValueRef(values.ModuleValue())
# a substitute of Variable
c_variable = values.FuncValue(functions_ndarray.NDArrayFunction(), None)
c_dict.get_field().get_attribute('Variable').revise(values.ValueRef(c_variable))
default_module.set_default_value(chainer_module_name, c_dict)
# chainer.functions
chainer_functions_module_name = get_module_name(
F, default_module.internal_module)
if chainer_functions_module_name != '':
f_dict = values.ValueRef(values.ModuleValue())
def add_chainer_funtion(name:'str', func, ret_value_func = None):
if ret_value_func is None:
f = values.FuncValue(
functions_builtin.ChainerFunction(func), None)
else:
f = values.FuncValue(
functions_builtin.ChainerFunction(func, ret_value_func=ret_value_func), None)
f_dict.get_field().get_attribute(name).revise(values.ValueRef(f))
values.function_converters[func] = f
def ret_tuple():
return values.TupleValue()
add_chainer_funtion('relu', F.relu)
add_chainer_funtion('softmax', F.softmax)
add_chainer_funtion('softmax_cross_entropy', F.softmax_cross_entropy)
add_chainer_funtion('pad_sequence', F.pad_sequence)
add_chainer_funtion('average_pooling_2d', F.average_pooling_2d)
add_chainer_funtion('unpooling_2d', F.unpooling_2d)
add_chainer_funtion('reshape', F.reshape)
add_chainer_funtion('split_axis', F.split_axis, ret_value_func=ret_tuple)
add_chainer_funtion('reshape', F.reshape)
add_chainer_funtion('swapaxes', F.swapaxes)
add_chainer_funtion('dropout', F.dropout)
add_chainer_funtion('concat', F.concat)
add_chainer_funtion('matmul', F.matmul)
add_chainer_funtion('max_pooling_2d', F.max_pooling_2d)
add_chainer_funtion('resize_images', F.resize_images)
if int(chainer.__version__[0]) >= 6:
add_chainer_funtion('roi_max_pooling_2d', F.roi_max_pooling_2d)
add_chainer_funtion('roi_average_pooling_2d', F.roi_average_pooling_2d)
add_chainer_funtion('roi_max_align_2d', F.roi_max_align_2d)
add_chainer_funtion('roi_average_align_2d', F.roi_average_align_2d)
default_module.set_default_value(chainer_functions_module_name, f_dict)
# numpy
numpy_module_name = get_module_name(np, default_module.internal_module)
if numpy_module_name != '':
f_dict = values.ValueRef(values.ModuleValue())
f_array = values.FuncValue(functions_ndarray.NDArrayFunction(), None)
f_dict.get_field().get_attribute('array').revise(values.ValueRef(f_array))
f_zeros = values.FuncValue(functions_ndarray.NDArrayZerosFunction(), None)
f_dict.get_field().get_attribute('zeros').revise(values.ValueRef(f_zeros))
f_full = values.FuncValue(functions_ndarray.NDArrayFullFunction(), None)
f_dict.get_field().get_attribute('full').revise(values.ValueRef(f_full))
f_ceil = values.FuncValue(functions_ndarray.NDArrayCeilFunction(), None)
f_dict.get_field().get_attribute('ceil').revise(values.ValueRef(f_ceil))
f_dict.get_field().get_attribute('int32').revise(
values.ValueRef(values.NumberValue(utils.numpy_type_2_int(np.int32))))
f_dict.get_field().get_attribute('float32').revise(
values.ValueRef(values.NumberValue(utils.numpy_type_2_int(np.float32))))
default_module.set_default_value(numpy_module_name, f_dict)
m_range = values.FuncValue(functions_builtin.RangeFunction(), None)
default_module.set_default_value('range', values.ValueRef(m_range))
m_list = values.FuncValue(functions_builtin.ListFunction(), None)
default_module.set_default_value('list', values.ValueRef(m_list))
model_inst = values.parse_instance(default_module, '', model)
forward_func = model_inst.try_get_and_store_obj('forward')
# convert args
finput = functions.FunctionArgInput()
value_args = []
ind = 0
node_input = nodes.NodeInput('input')
for arg in args:
varg = values.parse_instance(default_module, '', arg, None, True)
varg.name = 'in_' + str(ind)
varg.get_value().name = 'in_' + str(ind)
# make value unknown
# if isinstance(varg.get_value(), values.TupleValue):
# for i in range(len(varg.get_value().internal_value)):
# varg.get_value().internal_value[i] = None
# else:
varg.get_value().internal_value = None
finput.inputs.append(varg)
value_args.append(varg.get_value())
ind += 1
node_input.set_outputs(value_args)
graph = Graph()
graph.add_node(node_input)
forward_func_value = forward_func.get_value()
ret = forward_func_value.func.vcall(
default_module, graph, forward_func_value.obj, finput)
assert(ret is None or isinstance(ret, values.ValueRef))
def try_get_value(value) -> 'values.Value':
if isinstance(value, values.Value):
return value
if isinstance(value, values.ValueRef):
return value.get_value()
if isinstance(value, values.Attribute):
return value.get_ref().get_value()
if ret is None or isinstance(ret, values.NoneValue):
if config.show_warnings:
print('Failed to compile. output is None.')
return (value_args, None, graph)
ret_ = []
if isinstance(ret.get_value(), values.TupleValue):
if ret.get_value().internal_value is not None:
for v in ret.get_value().internal_value:
assert(v is not None)
ret_.append(try_get_value(v))
else:
ret_ = [ret.get_value()]
elif isinstance(ret, list):
ret_ = [r.get_value() for r in ret]
else:
ret_ = [ret.get_value()]
for v in value_args:
graph.add_input_value(v)
for v in ret_:
graph.add_output_value(v)
return (value_args, ret_, graph)
def __init__(self, module: 'Field', inst):
super().__init__(module, inst, None)
self.callable = True
self.func = values.FuncValue(ChainerLinkFunction(self), self)
self.get_field().get_attribute('forward').revise(self.func)
def apply_to_object(self, obj: 'values.ValueRef'):
self.func = values.ValueRef(
values.FuncValue(ChainerLinkFunction(self), obj))
obj.get_field().get_attribute('forward').revise(self.func)