fridge

   1
   2 ######################################################################
   3
   4 2024 Jan 07 21:37:48 (from mygpt.py)
   5
   6
   7 # This is one order of magnitude more complicated than I expected, not
   8 # elegant, slow, hopefully not buggy
   9
  10
  11 def flash_back_time_src(N, H, t0, t1, CL, CH, proba, device):
  12     # starting flash backs
  13     fb_start = (torch.rand(N, CH, t1 - t0, device=device) <= proba).long()
  14     fb_start[:, :, -CL:] = 0
  15     fb_start[:, :, :CL] = 0
  16
  17     # Remove series longer than CL
  18     fb_body = fb_start.clone()
  19     fb_body[:, :, CL + 1 :] -= fb_start[:, :, : -(CL + 1)]
  20     fb_body = fb_body.cumsum(dim=2)
  21     fb_start = fb_start * (fb_body == 1)
  22
  23     # Set a origin source time (starting time of the chunck to copy
  24     # here) We set it as the current time minus a multiple of CL to be
  25     # consistent with the "rolling" caterpillar
  26     t = torch.arange(fb_start.size(2), device=fb_start.device)[None, None, :]
  27     src_time = fb_start * (
  28         t
  29         - CL
  30         * (
  31             1
  32             + (
  33                 torch.rand(fb_start.size(), device=fb_start.device) * (t // CL - 1)
  34             ).long()
  35         )
  36     )
  37     src_time[:, :, CL:] -= src_time.clone()[:, :, :-CL]
  38     src_time = src_time.cumsum(dim=2)
  39
  40     src_head = fb_start * torch.randint(H, fb_start.size(), device=fb_start.device)
  41     src_head[:, :, CL:] -= src_head.clone()[:, :, :-CL]
  42     src_head = src_head.cumsum(dim=2)
  43
  44     # combine
  45     src_delta = fb_start.clone()
  46     src_delta[:, :, CL:] -= fb_start[:, :, :-CL]
  47     src_delta = src_delta.cumsum(dim=2)
  48     src_delta[:, :, CL:] -= CL * fb_start[:, :, :-CL]
  49     src_time += src_delta.cumsum(dim=2) - 1
  50
  51     return src_time, src_head
  52
  53
  54 def insert_flash_back(rec_V, V, rec_K, K, t0, t1, CL, proba):
  55     N, H, CH = V.size(0), V.size(1), rec_V.size(1)
  56
  57     fbt, fbh = flash_back_time_src(N, H, t0, t1, CL, CH, proba, rec_V.device)
  58
  59     fbt_V = fbt[:, :, :, None]
  60     fbh_V = fbh[:, :, :, None]
  61     t = fbt_V.clamp(min=0)
  62     n = torch.arange(V.size(0), device=V.device)[:, None, None, None]
  63     d = torch.arange(V.size(3), device=V.device)[None, None, None, :]
  64     q = V[:, :, t0:t1][n, fbh_V, t, d]
  65     rec_V[:, :, t0:t1] = q * (fbt_V >= 0) + rec_V[:, :, t0:t1] * (fbt_V < 0)
  66
  67     fbt_K = fbt[:, :, :, None]
  68     fbh_K = fbh[:, :, :, None]
  69     t = fbt_K.clamp(min=0)
  70     n = torch.arange(K.size(0), device=K.device)[:, None, None, None]
  71     d = torch.arange(K.size(3), device=K.device)[None, None, None, :]
  72     q = K[:, :, t0:t1][n, fbh_K, t, d]
  73     rec_K[:, :, t0:t1] = q * (fbt_K >= 0) + rec_K[:, :, t0:t1] * (fbt_K < 0)
  74
  75
  76 ######################################################################
  77
  78 ######################################################################
  79
  80 2024 Jan 07 21:38:11 (from mygpt.py)
  81
  82             # insert_flash_back(self.rec_V,V,self.rec_K,K,t0,t1,CL,proba=self.proba_flashback / CL,)
  83
  84
  85 ######################################################################
  86
  87 2024 Jan 09 14:24:42 (from mygpt.py)
  88
  89             # This piece of code makes the assumption that there is
  90             # nothing informative before t0, otherwise we'd have to
  91             # implement a cache for V and K too. This should not be
  92             # too much of a problem since this is used only during
  93             # train, where full sequence are available
  94
  95             # n = torch.arange(N, device=X.device)[:, None, None, None]
  96             # t = torch.arange(t0, t1, device=X.device)[None, None, :, None]
  97             # dv = torch.arange(DV, device=X.device)[None, None, None, :]
  98             # dk = torch.arange(DK, device=X.device)[None, None, None, :]
  99
 100             # u = (
 101                 # torch.rand(N, CH, t1 - t0, 1, device=X.device).mul(t).long() // CL
 102             # ) * CL
 103
 104             # src_time = t - u - t0
 105             # src_head = torch.randint(H, (N, CH, t1 - t0, 1), device=X.device)
 106
 107             # mask = (
 108                 # torch.rand(N, CH, t1 - t0, DV, device=X.device) <= self.proba_flashback
 109             # ).long()
 110
 111             # self.rec_V[:, :, t0:t1] = (
 112                 # mask * V[n, src_head, src_time, dv]
 113                 # + (1 - mask) * self.rec_V[:, :, t0:t1]
 114             # )
 115
 116             # self.rec_K[:, :, t0:t1] = (
 117                 # mask * K[n, src_head, src_time, dk]
 118                 # + (1 - mask) * self.rec_K[:, :, t0:t1]
 119             # )
 120
 121 ######################################################################
 122
 123 2024 Jan 10 08:10:39 (from mygpt.py)
 124
 125         # That was a bad idea
 126         # G = F.dropout(G, self.attention_dropout, self.training)
 127
 128
 129 ######################################################################
 130
 131 2024 Jan 10 08:46:13 (from mygpt.py)
 132
 133         #################################################################
 134         # Flashbacks. This version sucks, about to replace it
 135         if self.training and self.proba_flashback > 0.0:
 136             warnings.warn("flash back", RuntimeWarning)
 137             # This piece of code makes the assumption that there is
 138             # nothing informative before t0, otherwise we'd have to
 139             # implement a cache for V and K too. This should not be
 140             # too much of a problem since this is used only during
 141             # train, where full sequence are available
 142
 143             n = torch.arange(N, device=X.device)[:, None, None, None]
 144             t = torch.arange(t0, t1, device=X.device)[None, None, :, None]
 145             dv = torch.arange(DV, device=X.device)[None, None, None, :]
 146             dk = torch.arange(DK, device=X.device)[None, None, None, :]
 147
 148             u = (
 149                 torch.rand(N, CH, t1 - t0, 1, device=X.device).mul(t).long() // CL
 150             ) * CL
 151
 152             src_time = t - u - t0
 153             src_head = torch.randint(H, (N, CH, t1 - t0, 1), device=X.device)
 154
 155             mask = (
 156                 torch.rand(N, CH, t1 - t0, DV, device=X.device) <= self.proba_flashback
 157             ).long()
 158
 159             self.rec_V[:, :, t0:t1] = (
 160                 mask * V[n, src_head, src_time, dv]
 161                 + (1 - mask) * self.rec_V[:, :, t0:t1]
 162             )
 163
 164             self.rec_K[:, :, t0:t1] = (
 165                 mask * K[n, src_head, src_time, dk]
 166                 + (1 - mask) * self.rec_K[:, :, t0:t1]
 167             )
 168
 169
 170 ######################################################################
 171
 172 2024 Jan 13 13:38:31 (from mygpt.py)
 173
 174         g= F.sigmoid(self.b_G)
 175         a=1-g
 176
 177         print(f"\n\nSANITY {a**T}\n")
 178         exit(0)
 179
 180
 181 ######################################################################
 182
 183 2024 Jan 14 13:39:37 (from mygpt.py)
 184
 185             epsilon = 0.5
 186
 187             dropout_head = (
 188                 (torch.rand(N, H, 1, t1 - t0, device=G.device).sort(dim=3).indices == 0)
 189                 .expand_as(G)
 190                 .float()
 191             )
 192
 193             dropout_tail = dropout_head.cumsum(dim=3) - dropout_head
 194
 195             dropout_active = (
 196                 torch.rand(N, 1, 1, 1, device=G.device) < self.proba_gate_dropout
 197             ).long()
 198
 199             dropout_head *= dropout_active
 200             dropout_tail *= dropout_active
 201
 202             G = (
 203                 G
 204                 + dropout_head * (1 - epsilon - G.detach())
 205                 - dropout_tail * G.detach()
 206             )
 207
 208 ######################################################################
 209
 210 2024 Jan 18 07:39:29 (from mygpt.py)
 211
 212 class Calibrator:
 213     def __init__(self, w=None, b=None):
 214         self.w = w
 215         self.b = b
 216         self.s, self.s_sq, self.n = 0, 0, 0
 217         self.mean, self.std = 0, 0
 218
 219     def update(self, X):
 220         X = X.detach()
 221         self.s += X.sum(dim=0)
 222         self.s_sq += X.pow(2).sum(dim=0)
 223         self.n += X.size(0)
 224
 225     def moments(self):
 226         mean = self.s / self.n
 227         std = (self.s_sq / self.n - mean * mean).sqrt()
 228         return mean, std
 229
 230     def normalize(self):
 231         mean, std = self.moments()
 232         if self.b is not None:
 233             self.b.sub_(mean)
 234         if self.w is not None:
 235             self.w.div_(std)
 236         result = mean - self.mean, std - self.std
 237         self.mean, self.std = mean, std
 238         self.s, self.s_sq, self.n = 0, 0, 0
 239         return result
 240
 241
 242
 243 ######################################################################
 244
 245 2024 Jan 18 07:39:34 (from mygpt.py)
 246
 247         # self.calibrator_G = Calibrator()
 248         # self.calibrator_rec_V = Calibrator()
 249         # self.calibrator_rec_K = Calibrator()
 250
 251
 252 ######################################################################
 253
 254 2024 Jan 18 07:39:37 (from mygpt.py)
 255
 256         # self.calibrator_G.update(G.reshape(-1, G.size(-1)))
 257
 258
 259 ######################################################################
 260
 261 2024 Jan 18 07:39:42 (from mygpt.py)
 262
 263         # self.calibrator_rec_V.update(
 264         # next_V.permute(0, 1, 3, 2).reshape(-1, next_V.size(2))
 265         # )
 266         # self.calibrator_rec_K.update(
 267         # next_K.permute(0, 1, 3, 2).reshape(-1, next_K.size(2))
 268         # )
 269
 270
 271 ######################################################################
 272
 273 2024 Jan 18 07:47:12 (from mygpt.py)
 274
 275         ######################################################################
 276         # Roll the gating indexes
 277
 278         # warnings.warn("rotating barrel", RuntimeWarning)
 279
 280         # r_barrel = torch.arange(R, device=G.device)[None, None, :, None]
 281         # t_barrel = torch.arange(t1 - t0, device=G.device)[None, None, None, :]
 282         # r_barrel = (r_barrel + (t_barrel + t0) // L) % R
 283         # G = G.gather(dim=2, index=r_barrel.expand_as(G))
 284
 285
 286 ######################################################################
 287
 288 2024 Jan 18 07:47:25 (from mygpt.py)
 289
 290         # warnings.warn("harmonic recurrence", RuntimeWarning)
 291         # har = torch.arange(t0, t1, device = G.device).float() + 1
 292         # A = har / (har + 1)
 293         # G = G / har
 294
 295
 296 ######################################################################
 297
 298 2024 Jan 18 08:46:18 (from mygpt.py)
 299
 300         # warnings.warn("softmax gating", RuntimeWarning)
 301
 302         # G = (
 303         # torch.einsum("ntc,hrc->nhrt", X, self.w_G) + self.b_G[None, :, :, None]
 304         # ).softmax(dim=2)
 305
 306 ######################################################################
 307
 308 2024 Jan 21 16:55:24 (from main.py)
 309
 310         with open("test.dat", "a") as f:
 311             for m filter(lambda m: isinstance(m,mygpt.Catenn.Linear),model.modules()):
 312                 for p in m.parameters() ]
 313
 314
 315         for m in model.modules():
 316             if isinstance(m, mygpt.Caterpillar):
 317
 318
 319
 320 ######################################################################
 321
 322 2024 Feb 13 22:53:52 (from mygpt.py)
 323
 324         ######################################################################
 325         # Prepare the keys
 326
 327         k_star = self.k_star[:, None, :].expand(-1, t1 - t0, -1)
 328
 329         warnings.warn("rotating key barrel", RuntimeWarning)
 330         k_star = self.k_star[:, None, :].expand(-1, x_q.size(1), -1)
 331         t_barrel = torch.arange(t0, t1, device=k_star.device)
 332         t_barrel = t_barrel[None, :].expand(k_star.size(0), t1 - t0)
 333         l_barrel = (
 334             torch.arange(k_star.size(0), device=k_star.device)[:, None] + t_barrel
 335         ) % k_star.size(0)
 336         k_star = k_star[l_barrel, t_barrel]
 337
 338
 339 ######################################################################
 340
 341 2024 Feb 15 23:10:50 (from main.py)
 342
 343
 344 def add_memex_v4(batches, memex_proba, marker_token):
 345     for input in batches:
 346         if torch.rand(1).item() < memex_proba:
 347             t = (
 348                 torch.arange(2 * input.size(1), device=input.device)[None, :]
 349                 .expand(input.size(0), -1)
 350                 .clone()
 351             )
 352
 353             u = torch.rand(t.size(), device=t.device)
 354             u[:, : input.size(1)] = 1.0
 355             memex_v3_proba_fragment = 1 / 20
 356             u = (u < memex_v3_proba_fragment).long()
 357             v = u * torch.randint(input.size(1), u.size())
 358             u[:, input.size(1) + 1 :] = v[:, input.size(1) + 1 :] - u[
 359                 :, : input.size(1) - 1
 360             ] * input.size(1)
 361             u = u.cumsum().clamp(min=0)
 362
 363             u0 = torch.randint(input.size(1), (input.size(0), 1), device=input.device)
 364             caterpillar_length = args.nb_lines // args.caterpillar_height
 365             u1 = (
 366                 u0
 367                 + torch.randint(
 368                     caterpillar_length, (input.size(0), 1), device=input.device
 369                 )
 370                 + 1
 371             )
 372
 373             m0 = (t < u0).long()
 374             m1 = (t >= u1).long() * (t < u1 + input.size(1)).long()
 375
 376             t = t * m0 + ((-1) * (1 - m0) * (1 - m1)) + (t - u1) * m1
 377             m = (t < 0).long()
 378             n = torch.arange(input.size(0), device=input.device)[:, None].expand(
 379                 -1, t.size(1)
 380             )
 381
 382             new_input = input[n, t.clamp(min=0)]
 383             new_input = (1 - m) * new_input + m * (marker_token)
 384
 385             yield new_input
 386
 387         yield input
 388
 389
 390
 391 ######################################################################
 392
 393 2024 Feb 16 17:07:48 (from main.py)
 394
 395                 # ||gn + lambda * gm|| = max(||gn||,||gm||)
 396                 # ||gn||^2 + lambda<gn,gm> + lambda^2||gm||^2 = max(||gn||^2,||gm||^2)
 397                 # A = ||gm||^2 B = <gn,gm> C = ||gn||^2 - max(||gn||^2, ||gm||^2)
 398
 399 ######################################################################
 400
 401 2024 Feb 16 17:07:51 (from main.py)
 402
 403                 # A,B,C = gmgm, gngm, gngn - max(gngn,gmgm)
 404                 # Delta = B*B - 4*A*C
 405                 # if(delta >= 0):
 406                     # l = ( -B - sqrt(Delta))/(2*A)
 407                 # ||gn||+l*rho*||gm|| = max(||gn||,rho*||gm||)