expr.py

   1 #!/usr/bin/env python
   2
   3 import math, re
   4
   5 import torch, torchvision
   6
   7 from torch import nn
   8 from torch.nn import functional as F
   9
  10
  11 def random_var(nb_variables=None, variables=None):
  12     if variables is None:
  13         return chr(ord("A") + torch.randint(nb_variables, (1,)).item())
  14     else:
  15         l = list(variables)
  16         return l[torch.randint(len(l), (1,)).item()]
  17
  18
  19 def random_expr(variables, operand_max, budget):
  20     if budget <= 5:
  21         op = torch.randint(2, (1,)).item()
  22         if op == 0 and len(variables) > 0:
  23             return random_var(variables=variables)
  24         else:
  25             return str(torch.randint(operand_max + 1, (1,)).item())
  26     else:
  27         op = torch.randint(3, (1,)).item()
  28         if op == 0:
  29             e = random_expr(variables, operand_max, budget - 2)
  30             if ("+" in e or "-" in e or "*" in e) and (e[0] != "(" or e[-1] != ")"):
  31                 return "(" + e + ")"
  32             else:
  33                 return e
  34         else:
  35             b = 2 + torch.randint(budget - 5, (1,)).item()
  36             e1 = random_expr(variables, operand_max, b)
  37             e2 = random_expr(variables, operand_max, budget - b - 1)
  38             if op == 1:
  39                 return e1 + "+" + e2
  40             elif op == 2:
  41                 return e1 + "*" + e2
  42
  43
  44 def generate_program(nb_variables, operand_max, length):
  45     s = ""
  46     variables = set()
  47
  48     while len(s) < length:
  49         v = random_var(nb_variables=nb_variables)
  50         s += v + "=" + random_expr(variables, operand_max, budget=20) + ";"
  51         variables.add(v)
  52
  53     return s, variables
  54
  55
  56 def generate_sequences(nb, nb_variables=5, length=20, operand_max=9, result_max=99):
  57     assert nb_variables <= 26
  58     sequences = []
  59
  60     for n in range(nb):
  61         # We take length itself half of the time, and uniform between
  62         # 1 and length otherwise. The actual length can be slightly
  63         # greater
  64
  65         l = min(length, 1 + torch.randint(length * 2, (1,)).item())
  66         result = None
  67         while result == None or max(result.values()) > result_max:
  68             p, v = generate_program(nb_variables, operand_max, l)
  69             v = ", ".join(['"' + v + '": ' + v for v in v])
  70             ldict = {}
  71             exec(p + "result={" + v + "}", globals(), ldict)
  72             result = ldict["result"]
  73
  74         k = list(result.keys())
  75         k.sort()
  76         sequences.append(p + " " + "".join([v + ":" + str(result[v]) + ";" for v in k]))
  77
  78     return sequences
  79
  80
  81 def extract_results(seq):
  82     f = lambda a: (a[0], -1 if a[1] == "" else int(a[1]))
  83     results = [
  84         dict([f(tuple(x.split(":"))) for x in re.findall("[A-Z]:[0-9]*", s)])
  85         for s in seq
  86     ]
  87     return results
  88
  89
  90 if __name__ == "__main__":
  91     import time
  92
  93     start_time = time.perf_counter()
  94     sequences = generate_sequences(1000, length=40)
  95     end_time = time.perf_counter()
  96     for s in sequences[:10]:
  97         print(s)
  98     print(f"{len(sequences) / (end_time - start_time):.02f} samples per second")
  99
 100     print(extract_results(sequences[:10]))