world.py

   1 #!/usr/bin/env python
   2
   3 import math, sys, tqdm
   4
   5 import torch, torchvision
   6
   7 from torch import nn
   8 from torch.nn import functional as F
   9 import cairo
  10
  11 ######################################################################
  12
  13
  14 class Box:
  15     nb_rgb_levels = 10
  16
  17     def __init__(self, x, y, w, h, r, g, b):
  18         self.x = x
  19         self.y = y
  20         self.w = w
  21         self.h = h
  22         self.r = r
  23         self.g = g
  24         self.b = b
  25
  26     def collision(self, scene):
  27         for c in scene:
  28             if (
  29                 self is not c
  30                 and max(self.x, c.x) <= min(self.x + self.w, c.x + c.w)
  31                 and max(self.y, c.y) <= min(self.y + self.h, c.y + c.h)
  32             ):
  33                 return True
  34         return False
  35
  36
  37 ######################################################################
  38
  39
  40 class Normalizer(nn.Module):
  41     def __init__(self, mu, std):
  42         super().__init__()
  43         self.register_buffer("mu", mu)
  44         self.register_buffer("log_var", 2 * torch.log(std))
  45
  46     def forward(self, x):
  47         return (x - self.mu) / torch.exp(self.log_var / 2.0)
  48
  49
  50 class SignSTE(nn.Module):
  51     def __init__(self):
  52         super().__init__()
  53
  54     def forward(self, x):
  55         # torch.sign() takes three values
  56         s = (x >= 0).float() * 2 - 1
  57
  58         if self.training:
  59             u = torch.tanh(x)
  60             return s + u - u.detach()
  61         else:
  62             return s
  63
  64
  65 def loss_H(binary_logits, h_threshold=1):
  66     p = binary_logits.sigmoid().mean(0)
  67     h = (-p.xlogy(p) - (1 - p).xlogy(1 - p)) / math.log(2)
  68     h.clamp_(max=h_threshold)
  69     return h_threshold - h.mean()
  70
  71
  72 def train_encoder(
  73     train_input,
  74     test_input,
  75     depth=2,
  76     dim_hidden=48,
  77     nb_bits_per_token=8,
  78     lambda_entropy=0.0,
  79     lr_start=1e-3,
  80     lr_end=1e-4,
  81     nb_epochs=10,
  82     batch_size=25,
  83     logger=None,
  84     device=torch.device("cpu"),
  85 ):
  86     if logger is None:
  87         logger = lambda s: print(s)
  88
  89     mu, std = train_input.float().mean(), train_input.float().std()
  90
  91     def encoder_core(depth, dim):
  92         l = [
  93             [
  94                 nn.Conv2d(
  95                     dim * 2**k, dim * 2**k, kernel_size=5, stride=1, padding=2
  96                 ),
  97                 nn.ReLU(),
  98                 nn.Conv2d(dim * 2**k, dim * 2 ** (k + 1), kernel_size=2, stride=2),
  99                 nn.ReLU(),
 100             ]
 101             for k in range(depth)
 102         ]
 103
 104         return nn.Sequential(*[x for m in l for x in m])
 105
 106     def decoder_core(depth, dim):
 107         l = [
 108             [
 109                 nn.ConvTranspose2d(
 110                     dim * 2 ** (k + 1), dim * 2**k, kernel_size=2, stride=2
 111                 ),
 112                 nn.ReLU(),
 113                 nn.ConvTranspose2d(
 114                     dim * 2**k, dim * 2**k, kernel_size=5, stride=1, padding=2
 115                 ),
 116                 nn.ReLU(),
 117             ]
 118             for k in range(depth - 1, -1, -1)
 119         ]
 120
 121         return nn.Sequential(*[x for m in l for x in m])
 122
 123     encoder = nn.Sequential(
 124         Normalizer(mu, std),
 125         nn.Conv2d(3, dim_hidden, kernel_size=1, stride=1),
 126         nn.ReLU(),
 127         # 64x64
 128         encoder_core(depth=depth, dim=dim_hidden),
 129         # 8x8
 130         nn.Conv2d(dim_hidden * 2**depth, nb_bits_per_token, kernel_size=1, stride=1),
 131     )
 132
 133     quantizer = SignSTE()
 134
 135     decoder = nn.Sequential(
 136         nn.Conv2d(nb_bits_per_token, dim_hidden * 2**depth, kernel_size=1, stride=1),
 137         # 8x8
 138         decoder_core(depth=depth, dim=dim_hidden),
 139         # 64x64
 140         nn.ConvTranspose2d(dim_hidden, 3 * Box.nb_rgb_levels, kernel_size=1, stride=1),
 141     )
 142
 143     model = nn.Sequential(encoder, decoder)
 144
 145     nb_parameters = sum(p.numel() for p in model.parameters())
 146
 147     logger(f"nb_parameters {nb_parameters}")
 148
 149     model.to(device)
 150
 151     for k in range(nb_epochs):
 152         lr = math.exp(
 153             math.log(lr_start) + math.log(lr_end / lr_start) / (nb_epochs - 1) * k
 154         )
 155         optimizer = torch.optim.Adam(model.parameters(), lr=lr)
 156
 157         acc_train_loss = 0.0
 158
 159         for input in tqdm.tqdm(train_input.split(batch_size), desc="vqae-train"):
 160             input = input.to(device)
 161             z = encoder(input)
 162             zq = z if k < 2 else quantizer(z)
 163             output = decoder(zq)
 164
 165             output = output.reshape(
 166                 output.size(0), -1, 3, output.size(2), output.size(3)
 167             )
 168
 169             train_loss = F.cross_entropy(output, input)
 170
 171             if lambda_entropy > 0:
 172                 loss = loss + lambda_entropy * loss_H(z, h_threshold=0.5)
 173
 174             acc_train_loss += train_loss.item() * input.size(0)
 175
 176             optimizer.zero_grad()
 177             train_loss.backward()
 178             optimizer.step()
 179
 180         acc_test_loss = 0.0
 181
 182         for input in tqdm.tqdm(test_input.split(batch_size), desc="vqae-test"):
 183             input = input.to(device)
 184             z = encoder(input)
 185             zq = z if k < 1 else quantizer(z)
 186             output = decoder(zq)
 187
 188             output = output.reshape(
 189                 output.size(0), -1, 3, output.size(2), output.size(3)
 190             )
 191
 192             test_loss = F.cross_entropy(output, input)
 193
 194             acc_test_loss += test_loss.item() * input.size(0)
 195
 196         train_loss = acc_train_loss / train_input.size(0)
 197         test_loss = acc_test_loss / test_input.size(0)
 198
 199         logger(f"train_ae {k} lr {lr} train_loss {train_loss} test_loss {test_loss}")
 200         sys.stdout.flush()
 201
 202     return encoder, quantizer, decoder
 203
 204
 205 ######################################################################
 206
 207
 208 def scene2tensor(xh, yh, scene, size):
 209     width, height = size, size
 210     pixel_map = torch.ByteTensor(width, height, 4).fill_(255)
 211     data = pixel_map.numpy()
 212     surface = cairo.ImageSurface.create_for_data(
 213         data, cairo.FORMAT_ARGB32, width, height
 214     )
 215
 216     ctx = cairo.Context(surface)
 217     ctx.set_fill_rule(cairo.FILL_RULE_EVEN_ODD)
 218
 219     for b in scene:
 220         ctx.move_to(b.x * size, b.y * size)
 221         ctx.rel_line_to(b.w * size, 0)
 222         ctx.rel_line_to(0, b.h * size)
 223         ctx.rel_line_to(-b.w * size, 0)
 224         ctx.close_path()
 225         ctx.set_source_rgba(
 226             b.r / (Box.nb_rgb_levels - 1),
 227             b.g / (Box.nb_rgb_levels - 1),
 228             b.b / (Box.nb_rgb_levels - 1),
 229             1.0,
 230         )
 231         ctx.fill()
 232
 233     hs = size * 0.1
 234     ctx.set_source_rgba(0.0, 0.0, 0.0, 1.0)
 235     ctx.move_to(xh * size - hs / 2, yh * size - hs / 2)
 236     ctx.rel_line_to(hs, 0)
 237     ctx.rel_line_to(0, hs)
 238     ctx.rel_line_to(-hs, 0)
 239     ctx.close_path()
 240     ctx.fill()
 241
 242     return (
 243         pixel_map[None, :, :, :3]
 244         .flip(-1)
 245         .permute(0, 3, 1, 2)
 246         .long()
 247         .mul(Box.nb_rgb_levels)
 248         .floor_divide(256)
 249     )
 250
 251
 252 def random_scene(nb_insert_attempts=3):
 253     scene = []
 254     colors = [
 255         ((Box.nb_rgb_levels - 1), 0, 0),
 256         (0, (Box.nb_rgb_levels - 1), 0),
 257         (0, 0, (Box.nb_rgb_levels - 1)),
 258         ((Box.nb_rgb_levels - 1), (Box.nb_rgb_levels - 1), 0),
 259         (
 260             (Box.nb_rgb_levels * 2) // 3,
 261             (Box.nb_rgb_levels * 2) // 3,
 262             (Box.nb_rgb_levels * 2) // 3,
 263         ),
 264     ]
 265
 266     for k in range(nb_insert_attempts):
 267         wh = torch.rand(2) * 0.2 + 0.2
 268         xy = torch.rand(2) * (1 - wh)
 269         c = colors[torch.randint(len(colors), (1,))]
 270         b = Box(
 271             xy[0].item(), xy[1].item(), wh[0].item(), wh[1].item(), c[0], c[1], c[2]
 272         )
 273         if not b.collision(scene):
 274             scene.append(b)
 275
 276     return scene
 277
 278
 279 def generate_episode(steps, size=64):
 280     delta = 0.1
 281     effects = [
 282         (False, 0, 0),
 283         (False, delta, 0),
 284         (False, 0, delta),
 285         (False, -delta, 0),
 286         (False, 0, -delta),
 287         (True, delta, 0),
 288         (True, 0, delta),
 289         (True, -delta, 0),
 290         (True, 0, -delta),
 291     ]
 292
 293     while True:
 294         frames = []
 295
 296         scene = random_scene()
 297         xh, yh = tuple(x.item() for x in torch.rand(2))
 298
 299         actions = torch.randint(len(effects), (len(steps),))
 300         nb_changes = 0
 301
 302         for s, a in zip(steps, actions):
 303             if s:
 304                 frames.append(scene2tensor(xh, yh, scene, size=size))
 305
 306             grasp, dx, dy = effects[a]
 307
 308             if grasp:
 309                 for b in scene:
 310                     if b.x <= xh and b.x + b.w >= xh and b.y <= yh and b.y + b.h >= yh:
 311                         x, y = b.x, b.y
 312                         b.x += dx
 313                         b.y += dy
 314                         if (
 315                             b.x < 0
 316                             or b.y < 0
 317                             or b.x + b.w > 1
 318                             or b.y + b.h > 1
 319                             or b.collision(scene)
 320                         ):
 321                             b.x, b.y = x, y
 322                         else:
 323                             xh += dx
 324                             yh += dy
 325                             nb_changes += 1
 326             else:
 327                 x, y = xh, yh
 328                 xh += dx
 329                 yh += dy
 330                 if xh < 0 or xh > 1 or yh < 0 or yh > 1:
 331                     xh, yh = x, y
 332
 333         if nb_changes > len(steps) // 3:
 334             break
 335
 336     return frames, actions
 337
 338
 339 ######################################################################
 340
 341
 342 def generate_episodes(nb, steps):
 343     all_frames, all_actions = [], []
 344     for n in tqdm.tqdm(range(nb), dynamic_ncols=True, desc="world-data"):
 345         frames, actions = generate_episode(steps)
 346         all_frames += frames
 347         all_actions += [actions[None, :]]
 348     return torch.cat(all_frames, 0).contiguous(), torch.cat(all_actions, 0)
 349
 350
 351 def create_data_and_processors(
 352     nb_train_samples,
 353     nb_test_samples,
 354     mode,
 355     nb_steps,
 356     nb_epochs=10,
 357     device=torch.device("cpu"),
 358     device_storage=torch.device("cpu"),
 359     logger=None,
 360 ):
 361     assert mode in ["first_last"]
 362
 363     if mode == "first_last":
 364         steps = [True] + [False] * (nb_steps + 1) + [True]
 365
 366     train_input, train_actions = generate_episodes(nb_train_samples, steps)
 367     train_input, train_actions = train_input.to(device_storage), train_actions.to(
 368         device_storage
 369     )
 370     test_input, test_actions = generate_episodes(nb_test_samples, steps)
 371     test_input, test_actions = test_input.to(device_storage), test_actions.to(
 372         device_storage
 373     )
 374
 375     encoder, quantizer, decoder = train_encoder(
 376         train_input,
 377         test_input,
 378         lambda_entropy=1.0,
 379         nb_epochs=nb_epochs,
 380         logger=logger,
 381         device=device,
 382     )
 383     encoder.train(False)
 384     quantizer.train(False)
 385     decoder.train(False)
 386
 387     z = encoder(train_input[:1].to(device))
 388     pow2 = (2 ** torch.arange(z.size(1), device=device))[None, None, :]
 389     z_h, z_w = z.size(2), z.size(3)
 390
 391     def frame2seq(input, batch_size=25):
 392         seq = []
 393         p = pow2.to(device)
 394         for x in input.split(batch_size):
 395             x = x.to(device)
 396             z = encoder(x)
 397             ze_bool = (quantizer(z) >= 0).long()
 398             output = (
 399                 ze_bool.permute(0, 2, 3, 1).reshape(
 400                     ze_bool.size(0), -1, ze_bool.size(1)
 401                 )
 402                 * p
 403             ).sum(-1)
 404
 405             seq.append(output)
 406
 407         return torch.cat(seq, dim=0)
 408
 409     def seq2frame(input, batch_size=25, T=1e-2):
 410         frames = []
 411         p = pow2.to(device)
 412         for seq in input.split(batch_size):
 413             seq = seq.to(device)
 414             zd_bool = (seq[:, :, None] // p) % 2
 415             zd_bool = zd_bool.reshape(zd_bool.size(0), z_h, z_w, -1).permute(0, 3, 1, 2)
 416             logits = decoder(zd_bool * 2.0 - 1.0)
 417             logits = logits.reshape(
 418                 logits.size(0), -1, 3, logits.size(2), logits.size(3)
 419             ).permute(0, 2, 3, 4, 1)
 420             output = torch.distributions.categorical.Categorical(
 421                 logits=logits / T
 422             ).sample()
 423
 424             frames.append(output)
 425
 426         return torch.cat(frames, dim=0)
 427
 428     return train_input, train_actions, test_input, test_actions, frame2seq, seq2frame
 429
 430
 431 ######################################################################
 432
 433 if __name__ == "__main__":
 434     (
 435         train_input,
 436         train_actions,
 437         test_input,
 438         test_actions,
 439         frame2seq,
 440         seq2frame,
 441     ) = create_data_and_processors(
 442         # 10000, 1000,
 443         100,
 444         100,
 445         nb_epochs=2,
 446         mode="first_last",
 447         nb_steps=20,
 448     )
 449
 450     input = test_input[:64]
 451
 452     seq = frame2seq(input)
 453
 454     print(f"{seq.size()=} {seq.dtype=} {seq.min()=} {seq.max()=}")
 455
 456     output = seq2frame(seq)
 457
 458     torchvision.utils.save_image(
 459         input.float() / (Box.nb_rgb_levels - 1), "orig.png", nrow=8
 460     )
 461
 462     torchvision.utils.save_image(
 463         output.float() / (Box.nb_rgb_levels - 1), "qtiz.png", nrow=8
 464     )