【Hackathon No.24】add RFC for ChannelShuffle

rfcs/APIs/20220317_api_design_for_ChannelShuffle.md

@@ -0,0 +1,197 @@
+# paddle.nn.ChannelShuffle设计文档
+
+|API名称 | paddle.nn.ChannelShuffle |
+|---|---|
+|提交作者 | 为往圣继绝学 |
+|提交时间 | 2022-03-17 |
+|版本号 | V1.0 |
+|依赖飞桨版本 | develop |
+|文件名 | 20200317_api_design_for_ChannelShuffle.md |
+
+
+# 一、概述
+## 1、相关背景
+ChannelShuffle操作由论文《[ShuffleNet: An Extremely Efficient Convolutional Neural Network for Mobile Devices](https://arxiv.org/abs/1707.01083)》提出，这个操作通过简单的转置来均匀地打乱了通道间的顺序，从而增加了通道间的信息流动，提高了特征的重用率。
+
+## 2、功能目标
+
+在飞桨框架中增加ChannelShuffle 组网 API。
+
+## 3、意义
+
+飞桨将支持ChannelShuffle组网 API。
+
+# 二、飞桨现状
+飞桨目前不支持此功能，但可以通过组合API的方式实现此功能：
+```python
+class ChannelShuffle(paddle.nn.Layer):
+    def __init__(self, groups):
+        super(ChannelShuffle, self).__init__()
+        self.groups = groups
+        self.data_format = data_format
+    def forward(self, x):
+        n, c, h, w = x.shape
+        x = paddle.reshape(x, [n, self.groups, c / self.groups, h, w])
+        x = paddle.transpose(x, [0, 2, 1, 3, 4])
+        x = paddle.reshape(x, [n, c, h, w])
+        return x
+```
+
+# 三、业内方案调研
+## PyTorch
+
+PyTorch中已经有了`torch.nn.ChannelShuffle`（文档在[这里](https://pytorch.org/docs/stable/_modules/torch/nn/modules/channelshuffle.html#ChannelShuffle)），但在1.11.0版本中试验后发现其不支持反向传播。在Python层面的主要实现代码为：
+
+```python
+class ChannelShuffle(Module):
+    def __init__(self, groups: int) -> None:
+        super(ChannelShuffle, self).__init__()
+        self.groups = groups
+
+    def forward(self, input: Tensor) -> Tensor:
+        return F.channel_shuffle(input, self.groups)
+```
+
+其中的`F.channel_shuffle`是由C++实现的，主要代码为：
+
+```c++
+Tensor math_channel_shuffle(const Tensor& self, int64_t groups) {
+  int64_t b = self.size(0);
+  int64_t c = self.size(1);
+  int64_t oc = c / groups;
+
+  auto input_reshaped = self.view({b, groups, oc, -1});
+  Tensor output_tensor =
+      input_reshaped.permute({0 /* b */, 2 /* oc */, 1 /* groups */, 3})
+      .contiguous()
+      .reshape(self.sizes());
+  return namedinference::propagate_names_if_nonempty(
+      output_tensor,
+      self.has_names() ? self.names() : at::ArrayRef<Dimname>{});
+}
+```
+
+## TensorFlow
+
+TensorFlow目前没有直接提供`ChannelShuffle`的API，但是也有[网友](https://blog.csdn.net/baidu_23388287/article/details/94456951)通过组合API的方式实现了该操作：
+
+```python
+def shuffle_unit(self, x, groups):
+    with tf.variable_scope('shuffle_unit'):
+        n, h, w, c = x.get_shape().as_list()
+        x = tf.reshape(x, shape=tf.convert_to_tensor([tf.shape(x)[0], h, w, groups, c // groups]))
+        x = tf.transpose(x, tf.convert_to_tensor([0, 1, 2, 4, 3]))
+        x = tf.reshape(x, shape=tf.convert_to_tensor([tf.shape(x)[0], h, w, c]))
+```
+
+## 实现逻辑
+
+我们以NCHW格式的4D张量为例来描述ChannelShuffle的实现逻辑：
+1. 把形为[N, C, H, W]的张量重塑成[N, g, C/g, H, W]的形状；
+2. 对第1维度（N为第0维度）和第2维度进行转置，得到形为[N, C/g, g, H, W]的张量；
+3. 把形为[N, C/g, g, H, W]的张量重塑为[N, C, H, W]的形状。
+
+# 四、对比分析
+
+在功能目的上，PyTorch的实现和Tensorflow的实现是一致的（其逻辑见上一小节末尾）。
+
+不过PyTorch只支持NCHW格式的张量，而这里的TensorFlow实现是针对NHWC格式的。由于TensorFlow是通过组合API实现的，所以我们也很容易使它再支持NCHW格式的张量。
+
+考虑到ChannelShuffle一般是结合卷积操作使用的，而飞桨中的卷积有`data_format`参数，因此我们可以让ChannelShuffle也拥有`data_format`参数。
+
+# 五、设计思路与实现方案
+
+## 命名与参数设计
+API设计为`paddle.nn.ChannelShuffle(groups, data_format='NCHW')`，
+
+- **groups** (int) - 要把通道数分成的组数，必需整除通道数。
+- **data_format**(str) - 指定输入的数据格式，输出的数据格式将与输入保持一致，可以是"NCHW"和"NHWC"。N是批尺寸，C是通道数，H是特征高度，W是特征宽度。默认值："NCHW"。
+
+## 底层OP设计
+ChannelShuffle与飞桨中已有的PixelShuffle在操作上是类似的，参考PixelShuffle的OP设计来实现ChannelShuffle的底层OP。
+
+核函数的原型（定义在`paddle/phi/kernels/channel_shuffle_kernel.h`）设计为
+
+```c++
+template <typename T, typename Context>
+void ChannelShuffleKernel(const Context& ctx,
+                          const DenseTensor& x,
+                          int groups,
+                          const std::string& data_format,
+                          DenseTensor* out);
+```
+其实现方式与设备无关，将其实现以及在CPU、GPU上的注册放在`paddle/phi/kernels/channel_shuffle__kernel.cc`中。
+
+反向核函数的原型（定义在`paddle/phi/kernels/channel_shuffle_grad_kernel.h`）设计为
+
+```c++
+template <typename T, typename Context>
+void ChannelShuffleGradKernel(const Context& ctx,
+                              const DenseTensor& out_grad,
+                              int groups,
+                              const std::string& data_format,
+                              DenseTensor* x_grad);
+```
+
+其实现方式与设备无关，将其实现以及在CPU、GPU上的注册放在`paddle/phi/kernels/channel_shuffle_grad_kernel.cc`中。
+
+## API实现方案
+
+参考`paddle.nn.PixelShuffle`来实现`paddle.nn.ChannelShuffle`，顺便实现`paddle.nn.functional.channel_shuffle`。
+
+### nn.functional.channel_shuffle
+
+将`nn.functional.channel_shuffle`定义在`python/paddle/nn/functional/vision.py`中：
+
+```python
+def channel_shuffle(x, groups, data_format="NCHW", name=None):
+    # ...
+    if in_dynamic_mode():
+        return _C_ops.channel_shuffle(x, "groups", groups,
+                                      "data_format", data_format)
+    # ...
+```
+
+### nn.ChannelShuffle
+
+将`nn.ChannelShuffle`定义在`python/paddle/nn/layer/vision.py`中：
+
+```python
+class ChannelShuffle(Layer):
+    def __init__(self, groups, data_format="NCHW", name=None):
+        pass
+
+    def forward(self, x):
+        return functional.channel_shuffle(x, self._groups,
+                                          self._data_format, self._name)
+
+    def extra_repr(self):
+        pass
+```
+
+# 六、测试和验收的考量
+
+- 错误检查：
+  - `groups`不是整数时抛出异常，
+  - `groups`不是正数时抛出异常，
+  - `data_format`不是NCHW和NHWC中的一个时抛出异常，
+  - 输入的`x`不是4D张量时抛出异常；
+- 向前计算：`data_format`分别为NCHW和NHWC时与NumPy的一致性
+- 反向计算：`data_format`分别为NCHW和NHWC时与NumPy的一致性
+- 平台支持：CPU和GPU
+- 支持静态图和动态图
+
+
+# 七、可行性分析和排期规划
+已经基本实现，待该设计文档通过验收后可在短时间内提交。
+
+# 八、影响面
+`ChannelShuffle`为独立新增API，对其他模块没有影响。
+
+# 名词解释
+
+无
+
+# 附件及参考资料
+
+无