Use ambisonics families 2 and 3 instead of 254 and 253
[opus.git] / scripts / dump_rnn.py
1 #!/usr/bin/python
2
3 from __future__ import print_function
4
5 from keras.models import Sequential
6 from keras.layers import Dense
7 from keras.layers import LSTM
8 from keras.layers import GRU
9 from keras.models import load_model
10 from keras import backend as K
11
12 import numpy as np
13
14 def printVector(f, vector, name):
15     v = np.reshape(vector, (-1));
16     #print('static const float ', name, '[', len(v), '] = \n', file=f)
17     f.write('static const opus_int16 {}[{}] = {{\n   '.format(name, len(v)))
18     for i in range(0, len(v)):
19         f.write('{}'.format(int(round(8192*v[i]))))
20         if (i!=len(v)-1):
21             f.write(',')
22         else:
23             break;
24         if (i%8==7):
25             f.write("\n   ")
26         else:
27             f.write(" ")
28     #print(v, file=f)
29     f.write('\n};\n\n')
30     return;
31
32 def binary_crossentrop2(y_true, y_pred):
33         return K.mean(2*K.abs(y_true-0.5) * K.binary_crossentropy(y_pred, y_true), axis=-1)
34
35
36 model = load_model("weights.hdf5", custom_objects={'binary_crossentrop2': binary_crossentrop2})
37
38 weights = model.get_weights()
39
40 f = open('rnn_weights.c', 'w')
41
42 f.write('/*This file is automatically generated from a Keras model*/\n\n')
43 f.write('#ifdef HAVE_CONFIG_H\n#include "config.h"\n#endif\n\n#include "mlp.h"\n\n')
44
45 printVector(f, weights[0], 'layer0_weights')
46 printVector(f, weights[1], 'layer0_bias')
47 printVector(f, weights[2], 'layer1_weights')
48 printVector(f, weights[3], 'layer1_recur_weights')
49 printVector(f, weights[4], 'layer1_bias')
50 printVector(f, weights[5], 'layer2_weights')
51 printVector(f, weights[6], 'layer2_bias')
52
53 f.write('const DenseLayer layer0 = {\n   layer0_bias,\n   layer0_weights,\n   25, 16, 0\n};\n\n')
54 f.write('const GRULayer layer1 = {\n   layer1_bias,\n   layer1_weights,\n   layer1_recur_weights,\n   16, 12\n};\n\n')
55 f.write('const DenseLayer layer2 = {\n   layer2_bias,\n   layer2_weights,\n   12, 2, 1\n};\n\n')
56
57 f.close()