maxval.py

   1 #!/usr/bin/env python
   2
   3 import torch
   4
   5 ######################################################################
   6
   7
   8 def baseline(X, V):
   9     Y = X.new(X.size())
  10     W = V.new(V.size())
  11     for t in range(X.size(1)):
  12         if t == 0:
  13             Y[:, t] = X[:, t]
  14             W[:, t] = V[:, t]
  15         else:
  16             m = (V[:, t] >= W[:, t - 1] - 1).long()
  17             Y[:, t] = m * X[:, t] + (1 - m) * Y[:, t - 1]
  18             W[:, t] = m * V[:, t] + (1 - m) * (W[:, t - 1] - 1)
  19
  20     return Y, W
  21
  22
  23 ######################################################################
  24
  25
  26 def pscan(X, V, s=1):
  27     if X.size(1) == 1:
  28         return X, V
  29
  30     T = 2 * (X.size(1) // 2)
  31
  32     Xf = X[:, :T].view(X.size(0), X.size(1) // 2, 2, X.size(2))
  33     Vf = V[:, :T].view(V.size(0), V.size(1) // 2, 2)
  34
  35     m = (Vf[:, :, 0] - s >= Vf[:, :, 1]).long()
  36     Vf[:, :, 1] = m * (Vf[:, :, 0] - s) + (1 - m) * Vf[:, :, 1]
  37     m = m[:, :, None]
  38     Xf[:, :, 1] = m * Xf[:, :, 0] + (1 - m) * Xf[:, :, 1]
  39
  40     pscan(Xf[:, :, 1], Vf[:, :, 1], s * 2)
  41
  42     m = (Vf[:, 1:, 0] >= Vf[:, :-1, 1] - s).long()
  43     Vf[:, 1:, 0] = m * Vf[:, 1:, 0] + (1 - m) * (Vf[:, :-1, 1] - s)
  44     m = m[:, :, None]
  45     Xf[:, 1:, 0] = m * Xf[:, 1:, 0] + (1 - m) * Xf[:, :-1, 1]
  46
  47     if T < X.size(1):
  48         m = (V[:, -2] - s >= V[:, -1]).long()
  49         V[:, -1] = m * (V[:, -2] - s) + (1 - m) * V[:, -1]
  50         m = m[:, None]
  51         X[:, -1] = m * X[:, -2] + (1 - m) * X[:, -1]
  52
  53
  54 ######################################################################
  55
  56 if __name__ == "__main__":
  57     N = 1
  58     T = 513
  59     D = 2
  60
  61     # X = torch.randn(N, T, D, dtype=torch.float64).requires_grad_()
  62     # V = torch.rand(N, T, dtype=torch.float64) * 50
  63
  64     # X0, V0 = baseline(X, V)
  65
  66     # print("########### X0 V0 ###########################################")
  67     # print(V0)
  68     # print(X0)
  69
  70     # X1, V1 = X.clone(), V.clone()
  71     # pscan(X1, V1)
  72
  73     # print("########### X V ############################################")
  74     # print(V)
  75     # print(X)
  76
  77     # print("ERROR", ((X0 - X1).abs().max() + (V0 - V1).abs().max()).item())
  78
  79     # s = X1.sum()
  80     # print(torch.autograd.grad(s, X))
  81
  82     # with open("/tmp/v.dat", "w") as f:
  83     # for t in range(T):
  84     # f.write(f"{V1[0,t].item()}\n")
  85
  86     Y = torch.randn(1, 1, D)
  87     X = torch.randn(
  88         N, T, D
  89     )  # * 0.1 + (torch.rand(N,T,1).sort(dim=1).indices==0).float() * Y
  90     V = torch.rand(N, T).requires_grad_()
  91
  92     optimizer = torch.optim.SGD([V], lr=1e-2)
  93
  94     for k in range(1000):
  95         X1, V1 = X.clone(), V.clone()
  96         pscan(X1, V1)
  97         # X1=X1*(1+V1-V1.detach())[:,:,None]
  98         loss = (X1[:, -1:] - Y).pow(2).mean()
  99         print(k, loss.item())
 100         optimizer.zero_grad()
 101         loss.backward()
 102         optimizer.step()