maxval.py

   1 #!/usr/bin/env python
   2
   3 import torch
   4
   5 ######################################################################
   6
   7
   8 def baseline1(X, V):
   9     Y = X.new(X.size())
  10     W = V.new(V.size())
  11
  12     for t in range(X.size(1)):
  13         if t == 0:
  14             Y[:, t] = X[:, t]
  15             W[:, t] = V[:, t]
  16         else:
  17             m = (W[:, t - 1] - 1 >= V[:, t]).long()
  18             W[:, t] = m * (W[:, t - 1] - 1) + (1 - m) * V[:, t]
  19             Y[:, t] = m * Y[:, t - 1] + (1 - m) * (
  20                 X[:, t] * (1 + dv) + Y[:, t - 1] * dv0
  21             )
  22
  23     return Y, W
  24
  25
  26 ######################################################################
  27
  28
  29 def hs(x):
  30     return x.sigmoid()  # (x >= 0).float() + (x - x.detach()) * (x < 0).float()
  31
  32
  33 def baseline(X, V):
  34     for t in range(X.size(1)):
  35         if t == 0:
  36             Y = X[:, t]
  37             W = V[:, t]
  38         else:
  39             m = (W - 1 - V[:, t]).sigmoid()
  40             # m = hs(W - 1 - V[:, t])
  41             W = m * (W - 1) + (1 - m) * V[:, t]
  42             Y = m * Y + (1 - m) * X[:, t]
  43
  44     return Y, W
  45
  46
  47 ######################################################################
  48
  49
  50 def pscan(X, V, s=1):
  51     if X.size(1) == 1:
  52         return
  53
  54     T = 2 * (X.size(1) // 2)
  55
  56     Xf = X[:, :T].view(X.size(0), X.size(1) // 2, 2, X.size(2))
  57     Vf = V[:, :T].view(V.size(0), V.size(1) // 2, 2)
  58
  59     # [:, :, 0] < [:, :, 1]
  60     m = (Vf[:, :, 0] - s >= Vf[:, :, 1]).long()
  61     Vf[:, :, 1] = m * (Vf[:, :, 0] - s) + (1 - m) * Vf[:, :, 1]
  62     m = m[:, :, None]
  63     Xf[:, :, 1] = m * Xf[:, :, 0] + (1 - m) * Xf[:, :, 1]
  64
  65     pscan(Xf[:, :, 1], Vf[:, :, 1], s * 2)
  66
  67     # [:, :-1, 1] < [:, 1:, 0]
  68     m = (Vf[:, :-1, 1] - s >= Vf[:, 1:, 0]).long()
  69     Vf[:, 1:, 0] = m * (Vf[:, :-1, 1] - s) + (1 - m) * Vf[:, 1:, 0]
  70     m = m[:, :, None]
  71     Xf[:, 1:, 0] = m * Xf[:, :-1, 1] + (1 - m) * Xf[:, 1:, 0]
  72
  73     if T < X.size(1):
  74         # [:, -2] < [:, -1]
  75         m = (V[:, -2] - s >= V[:, -1]).long()
  76         V[:, -1] = m * (V[:, -2] - s) + (1 - m) * V[:, -1]
  77         m = m[:, None]
  78         X[:, -1] = m * X[:, -2] + (1 - m) * X[:, -1]
  79
  80
  81 ######################################################################
  82
  83
  84 def pscan_diff(X, V, s=1):
  85     if X.size(1) == 1:
  86         return X, V
  87
  88     T = 2 * (X.size(1) // 2)
  89
  90     Xf = X[:, :T].view(X.size(0), X.size(1) // 2, 2, X.size(2))
  91     Vf = V[:, :T].view(V.size(0), V.size(1) // 2, 2)
  92
  93     Xr = X.new(X.size())
  94     Vr = V.new(V.size())
  95     Xrf = Xr[:, :T].view(Xr.size(0), Xr.size(1) // 2, 2, Xr.size(2))
  96     Vrf = Vr[:, :T].view(Vr.size(0), Vr.size(1) // 2, 2)
  97
  98     # [:, :, 0] < [:, :, 1]
  99     dv0 = (Vf[:, :, 0] - Vf[:, :, 0].detach())[:, :, None]
 100     dv = (Vf[:, :, 1] - Vf[:, :, 1].detach())[:, :, None]
 101     m = (Vf[:, :, 0] - s >= Vf[:, :, 1]).long()
 102     Vv = m * (Vf[:, :, 0] - s) + (1 - m) * Vf[:, :, 1]
 103     m = m[:, :, None]
 104     Xx = m * Xf[:, :, 0] + (1 - m) * (Xf[:, :, 1] * (1 + dv) + Xf[:, :, 0] * dv0)
 105
 106     Xrf[:, :, 1], Vrf[:, :, 1] = pscan_diff(Xx, Vv, s * 2)
 107
 108     # [:, :-1, 1] < [:, 1:, 0]
 109     dv0 = (Vrf[:, :-1, 1] - Vrf[:, :-1, 1].detach())[:, :, None]
 110     dv = (Vf[:, 1:, 0] - Vf[:, 1:, 0].detach())[:, :, None]
 111     m = (Vrf[:, :-1, 1] - s >= Vf[:, 1:, 0]).long()
 112     Vrf[:, 1:, 0] = m * (Vrf[:, :-1, 1] - s) + (1 - m) * Vf[:, 1:, 0]
 113     m = m[:, :, None]
 114     Xrf[:, 1:, 0] = m * Xrf[:, :-1, 1] + (1 - m) * (
 115         Xf[:, 1:, 0] * (1 + dv) + Xrf[:, :-1, 1] * dv0
 116     )
 117
 118     Xr[:, 0] = X[:, 0]
 119     Vr[:, 0] = V[:, 0]
 120
 121     if T < X.size(1):
 122         # [:, -2] < [:, -1]
 123         dx = X[:, -2] - X[:, -2].detach()
 124         dv = (V[:, -1] - V[:, -1].detach())[:, None]
 125         m = (V[:, -2] - s >= V[:, -1]).long()
 126         Vr[:, -1] = m * (Vr[:, -2] - s) + (1 - m) * V[:, -1]
 127         m = m[:, None]
 128         Xr[:, -1] = m * Xr[:, -2] + (1 - m) * (X[:, -1] * (1 + dv) + dx)
 129
 130     return Xr, Vr
 131
 132
 133 ######################################################################
 134
 135 if __name__ == "__main__":
 136     N = 1
 137     T = 64
 138     D = 128
 139
 140     torch.autograd.set_detect_anomaly(True)
 141
 142     for k in range(0):
 143         X = torch.randn(N, T, D, dtype=torch.float64).requires_grad_()
 144         V = torch.rand(N, T, dtype=torch.float64)
 145
 146         X0, V0 = baseline(X, V)
 147
 148         # print("########### X0 V0 ###########################################")
 149         # print(V0)
 150         # print(X0)
 151
 152         X1, V1 = pscan_diff(X, V)
 153
 154         # print("########### X V ############################################")
 155         # print(V)
 156         # print(X)
 157
 158         error = ((X0 - X1).abs().max() + (V0 - V1).abs().max()).item()
 159         if error > 0:
 160             print("ERROR", error)
 161             print(X0)
 162             print(X1)
 163             exit(0)
 164
 165     # exit(0)
 166
 167     # s = X1.sum()
 168     # print(torch.autograd.grad(s, X))
 169
 170     # with open("/tmp/v.dat", "w") as f:
 171     # for t in range(T):
 172     # f.write(f"{V1[0,t].item()}\n")
 173
 174     Y = torch.randn(1, 1, D)
 175     X = torch.randn(N, T, D) * 0.1
 176
 177     m = (torch.rand(N, T, 1).sort(dim=1).indices == 0).float()
 178     X = (1 - m) * X + m * Y
 179     V = torch.rand(N, T)  # + 100* m.squeeze(dim=-1)
 180     V = V.requires_grad_()
 181
 182     optimizer = torch.optim.SGD([V], lr=1e-1)
 183
 184     for k in range(1000):
 185         X1, V1 = baseline(X, V)
 186         loss = (X1 - Y).pow(2).mean()
 187         print(k, loss.item())
 188         optimizer.zero_grad()
 189         loss.backward()
 190         optimizer.step()