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 require 'dagnn'
  25
  26 -- torch.setnumthreads(params.nbThreads)
  27 torch.setdefaulttensortype('torch.DoubleTensor')
  28 torch.manualSeed(2)
  29
  30 function checkGrad(model, criterion, input, target)
  31    local params, gradParams = model:getParameters()
  32
  33    local epsilon = 1e-5
  34
  35    local output = model:forward(input)
  36    local loss = criterion:forward(output, target)
  37    local gradOutput = criterion:backward(output, target)
  38    gradParams:zero()
  39    model:backward(input, gradOutput)
  40    local analyticalGradParam = gradParams:clone()
  41
  42    local err = 0
  43
  44    for i = 1, params:size(1) do
  45       local x = params[i]
  46
  47       params[i] = x - epsilon
  48       local output0 = model:forward(input)
  49       local loss0 = criterion:forward(output0, target)
  50
  51       params[i] = x + epsilon
  52       local output1 = model:forward(input)
  53       local loss1 = criterion:forward(output1, target)
  54
  55       params[i] = x
  56
  57       local ana = analyticalGradParam[i]
  58       local num = (loss1 - loss0) / (2 * epsilon)
  59
  60       if num ~= ana then
  61          err = math.max(err, torch.abs(num - ana) / torch.abs(num))
  62       end
  63    end
  64
  65    return err
  66 end
  67
  68 function printTensorTable(t)
  69    if torch.type(t) == 'table' then
  70       for i, t in pairs(t) do
  71          print('-- ELEMENT [' .. i .. '] --')
  72          printTensorTable(t)
  73       end
  74    else
  75       print(tostring(t))
  76    end
  77 end
  78
  79 --               +-- Linear(10, 10) --> ReLU --> d --+
  80 --              /                              /      \
  81 --             /                              /        \
  82 --  --> a --> b -----------> c --------------+          e -->
  83 --                            \                        /
  84 --                             \                      /
  85 --                              +----- Mul(-1) ------+
  86
  87 model = nn.DAG()
  88
  89 a = nn.Linear(50, 10)
  90 b = nn.ReLU()
  91 c = nn.Linear(10, 15)
  92 d = nn.CMulTable()
  93 e = nn.CAddTable()
  94
  95 model:connect(a, b, c)
  96 model:connect(b, nn.Linear(10, 15), nn.ReLU(), d)
  97 model:connect(d, e)
  98 model:connect(c, d)
  99 model:connect(c, nn.Mul(-1), e)
 100
 101 model:setInput(a)
 102 model:setOutput(e)
 103
 104 local input = torch.Tensor(30, 50):uniform()
 105 local output = model:updateOutput(input):clone()
 106
 107 output:uniform()
 108
 109 print('Error = ' .. checkGrad(model, nn.MSECriterion(), input, output))
 110
 111 print('Writing /tmp/graph.dot')
 112 model:saveDot('/tmp/graph.dot')