test-dagnn.lua

   1 #!/usr/bin/env luajit
   2
   3 --[[
   4
   5    Copyright (c) 2016 Idiap Research Institute, http://www.idiap.ch/
   6    Written by Francois Fleuret <francois.fleuret@idiap.ch>
   7
   8    This file is free software: you can redistribute it and/or modify
   9    it under the terms of the GNU General Public License version 3 as
  10    published by the Free Software Foundation.
  11
  12    It is distributed in the hope that it will be useful, but WITHOUT
  13    ANY WARRANTY; without even the implied warranty of MERCHANTABILITY
  14    or FITNESS FOR A PARTICULAR PURPOSE.  See the GNU General Public
  15    License for more details.
  16
  17    You should have received a copy of the GNU General Public License
  18    along with this file.  If not, see <http://www.gnu.org/licenses/>.
  19
  20 ]]--
  21
  22 require 'torch'
  23 require 'nn'
  24
  25 -- require 'cunn'
  26
  27 require 'dagnn'
  28
  29 torch.setdefaulttensortype('torch.DoubleTensor')
  30 torch.manualSeed(1)
  31
  32 function checkGrad(model, criterion, input, target, epsilon)
  33    local params, gradParams = model:getParameters()
  34
  35    local epsilon = epsilon or 1e-5
  36
  37    local output = model:forward(input)
  38    local loss = criterion:forward(output, target)
  39    local gradOutput = criterion:backward(output, target)
  40    gradParams:zero()
  41    model:backward(input, gradOutput)
  42    local analyticalGradParam = gradParams:clone()
  43
  44    local err = 0
  45
  46    for i = 1, params:size(1) do
  47       local x = params[i]
  48
  49       params[i] = x - epsilon
  50       local output0 = model:forward(input)
  51       local loss0 = criterion:forward(output0, target)
  52
  53       params[i] = x + epsilon
  54       local output1 = model:forward(input)
  55       local loss1 = criterion:forward(output1, target)
  56
  57       params[i] = x
  58
  59       local ana = analyticalGradParam[i]
  60       local num = (loss1 - loss0) / (2 * epsilon)
  61
  62       if num ~= ana then
  63          err = math.max(err, math.abs(num - ana) / math.max(epsilon, math.abs(num)))
  64       end
  65    end
  66
  67    return err
  68 end
  69
  70 function printTensorTable(t)
  71    if torch.type(t) == 'table' then
  72       for i, t in pairs(t) do
  73          print('-- ELEMENT [' .. i .. '] --')
  74          printTensorTable(t)
  75       end
  76    else
  77       print(tostring(t))
  78    end
  79 end
  80
  81 --               +-- Linear(10, 10) --> ReLU --> d -->
  82 --              /                               /
  83 --             /                               /
  84 --  --> a --> b -----------> c ---------------+
  85 --                            \
  86 --                             \
  87 --                              +--------------- e -->
  88
  89 dag = nn.DAG()
  90
  91 a = nn.Linear(50, 10)
  92 b = nn.ReLU()
  93 c = nn.Linear(10, 15)
  94 d = nn.CMulTable()
  95 e = nn.Mul(-1)
  96
  97 dag:connect(a, b, c)
  98 dag:connect(b, nn.Linear(10, 15), nn.ReLU(), d)
  99 dag:connect(c, d)
 100 dag:connect(c, e)
 101
 102 dag:setInput(a)
 103 dag:setOutput({ d, e })
 104
 105 -- Check the output of the dot file
 106 print('Writing /tmp/graph.dot')
 107 dag:saveDot('/tmp/graph.dot')
 108
 109 -- Let's make a model where the dag is inside another nn.Container.
 110 model = nn.Sequential()
 111    :add(nn.Linear(50, 50))
 112    :add(dag)
 113    :add(nn.CAddTable())
 114
 115 criterion = nn.MSECriterion()
 116
 117 if cunn then
 118    print("Using CUDA")
 119    model:cuda()
 120    criterion:cuda()
 121    torch.setdefaulttensortype('torch.CudaTensor')
 122    epsilon = 1e-3
 123 end
 124
 125 local input = torch.Tensor(30, 50):uniform()
 126 local output = model:updateOutput(input):clone()
 127 output:uniform()
 128
 129 -- Check that DAG:accGradParameters and friends work okay
 130 print('Gradient estimate error ' .. checkGrad(model, criterion, input, output, epsilon))
 131
 132 -- Check that we can save and reload the model
 133 model:clearState()
 134 torch.save('/tmp/test.t7', model)
 135 local otherModel = torch.load('/tmp/test.t7')
 136 print('Gradient estimate error ' .. checkGrad(otherModel, criterion, input, output, epsilon))