world.py

   1 #!/usr/bin/env python
   2
   3 # Any copyright is dedicated to the Public Domain.
   4 # https://creativecommons.org/publicdomain/zero/1.0/
   5
   6 # Written by Francois Fleuret <francois@fleuret.org>
   7
   8 import math, sys, tqdm
   9
  10 import torch, torchvision
  11
  12 from torch import nn
  13 from torch.nn import functional as F
  14 import cairo
  15
  16 ######################################################################
  17
  18
  19 class Box:
  20     nb_rgb_levels = 10
  21
  22     def __init__(self, x, y, w, h, r, g, b):
  23         self.x = x
  24         self.y = y
  25         self.w = w
  26         self.h = h
  27         self.r = r
  28         self.g = g
  29         self.b = b
  30
  31     def collision(self, scene):
  32         for c in scene:
  33             if (
  34                 self is not c
  35                 and max(self.x, c.x) <= min(self.x + self.w, c.x + c.w)
  36                 and max(self.y, c.y) <= min(self.y + self.h, c.y + c.h)
  37             ):
  38                 return True
  39         return False
  40
  41
  42 ######################################################################
  43
  44
  45 class Normalizer(nn.Module):
  46     def __init__(self, mu, std):
  47         super().__init__()
  48         self.register_buffer("mu", mu)
  49         self.register_buffer("log_var", 2 * torch.log(std))
  50
  51     def forward(self, x):
  52         return (x - self.mu) / torch.exp(self.log_var / 2.0)
  53
  54
  55 class SignSTE(nn.Module):
  56     def __init__(self):
  57         super().__init__()
  58
  59     def forward(self, x):
  60         # torch.sign() takes three values
  61         s = (x >= 0).float() * 2 - 1
  62
  63         if self.training:
  64             u = torch.tanh(x)
  65             return s + u - u.detach()
  66         else:
  67             return s
  68
  69
  70 class DiscreteSampler2d(nn.Module):
  71     def __init__(self):
  72         super().__init__()
  73
  74     def forward(self, x):
  75         s = (x >= x.max(-3, keepdim=True).values).float()
  76
  77         if self.training:
  78             u = x.softmax(dim=-3)
  79             return s + u - u.detach()
  80         else:
  81             return s
  82
  83
  84 def loss_H(binary_logits, h_threshold=1):
  85     p = binary_logits.sigmoid().mean(0)
  86     h = (-p.xlogy(p) - (1 - p).xlogy(1 - p)) / math.log(2)
  87     h.clamp_(max=h_threshold)
  88     return h_threshold - h.mean()
  89
  90
  91 def train_encoder(
  92     train_input,
  93     test_input,
  94     depth,
  95     nb_bits_per_token,
  96     dim_hidden=48,
  97     lambda_entropy=0.0,
  98     lr_start=1e-3,
  99     lr_end=1e-4,
 100     nb_epochs=10,
 101     batch_size=25,
 102     logger=None,
 103     device=torch.device("cpu"),
 104 ):
 105     mu, std = train_input.float().mean(), train_input.float().std()
 106
 107     def encoder_core(depth, dim):
 108         l = [
 109             [
 110                 nn.Conv2d(
 111                     dim * 2**k, dim * 2**k, kernel_size=5, stride=1, padding=2
 112                 ),
 113                 nn.ReLU(),
 114                 nn.Conv2d(dim * 2**k, dim * 2 ** (k + 1), kernel_size=2, stride=2),
 115                 nn.ReLU(),
 116             ]
 117             for k in range(depth)
 118         ]
 119
 120         return nn.Sequential(*[x for m in l for x in m])
 121
 122     def decoder_core(depth, dim):
 123         l = [
 124             [
 125                 nn.ConvTranspose2d(
 126                     dim * 2 ** (k + 1), dim * 2**k, kernel_size=2, stride=2
 127                 ),
 128                 nn.ReLU(),
 129                 nn.ConvTranspose2d(
 130                     dim * 2**k, dim * 2**k, kernel_size=5, stride=1, padding=2
 131                 ),
 132                 nn.ReLU(),
 133             ]
 134             for k in range(depth - 1, -1, -1)
 135         ]
 136
 137         return nn.Sequential(*[x for m in l for x in m])
 138
 139     encoder = nn.Sequential(
 140         Normalizer(mu, std),
 141         nn.Conv2d(3, dim_hidden, kernel_size=1, stride=1),
 142         nn.ReLU(),
 143         # 64x64
 144         encoder_core(depth=depth, dim=dim_hidden),
 145         # 8x8
 146         nn.Conv2d(dim_hidden * 2**depth, nb_bits_per_token, kernel_size=1, stride=1),
 147     )
 148
 149     quantizer = SignSTE()
 150
 151     decoder = nn.Sequential(
 152         nn.Conv2d(nb_bits_per_token, dim_hidden * 2**depth, kernel_size=1, stride=1),
 153         # 8x8
 154         decoder_core(depth=depth, dim=dim_hidden),
 155         # 64x64
 156         nn.ConvTranspose2d(dim_hidden, 3 * Box.nb_rgb_levels, kernel_size=1, stride=1),
 157     )
 158
 159     model = nn.Sequential(encoder, decoder)
 160
 161     nb_parameters = sum(p.numel() for p in model.parameters())
 162
 163     logger(f"vqae nb_parameters {nb_parameters}")
 164
 165     model.to(device)
 166
 167     for k in range(nb_epochs):
 168         lr = math.exp(
 169             math.log(lr_start) + math.log(lr_end / lr_start) / (nb_epochs - 1) * k
 170         )
 171         optimizer = torch.optim.Adam(model.parameters(), lr=lr)
 172
 173         acc_train_loss = 0.0
 174
 175         for input in tqdm.tqdm(train_input.split(batch_size), desc="vqae-train"):
 176             input = input.to(device)
 177             z = encoder(input)
 178             zq = quantizer(z)
 179             output = decoder(zq)
 180
 181             output = output.reshape(
 182                 output.size(0), -1, 3, output.size(2), output.size(3)
 183             )
 184
 185             train_loss = F.cross_entropy(output, input)
 186
 187             if lambda_entropy > 0:
 188                 train_loss = train_loss + lambda_entropy * loss_H(z, h_threshold=0.5)
 189
 190             acc_train_loss += train_loss.item() * input.size(0)
 191
 192             optimizer.zero_grad()
 193             train_loss.backward()
 194             optimizer.step()
 195
 196         acc_test_loss = 0.0
 197
 198         for input in tqdm.tqdm(test_input.split(batch_size), desc="vqae-test"):
 199             input = input.to(device)
 200             z = encoder(input)
 201             zq = quantizer(z)
 202             output = decoder(zq)
 203
 204             output = output.reshape(
 205                 output.size(0), -1, 3, output.size(2), output.size(3)
 206             )
 207
 208             test_loss = F.cross_entropy(output, input)
 209
 210             acc_test_loss += test_loss.item() * input.size(0)
 211
 212         train_loss = acc_train_loss / train_input.size(0)
 213         test_loss = acc_test_loss / test_input.size(0)
 214
 215         logger(f"vqae train {k} lr {lr} train_loss {train_loss} test_loss {test_loss}")
 216         sys.stdout.flush()
 217
 218     return encoder, quantizer, decoder
 219
 220
 221 ######################################################################
 222
 223
 224 def scene2tensor(xh, yh, scene, size):
 225     width, height = size, size
 226     pixel_map = torch.ByteTensor(width, height, 4).fill_(255)
 227     data = pixel_map.numpy()
 228     surface = cairo.ImageSurface.create_for_data(
 229         data, cairo.FORMAT_ARGB32, width, height
 230     )
 231
 232     ctx = cairo.Context(surface)
 233     ctx.set_fill_rule(cairo.FILL_RULE_EVEN_ODD)
 234
 235     for b in scene:
 236         ctx.move_to(b.x * size, b.y * size)
 237         ctx.rel_line_to(b.w * size, 0)
 238         ctx.rel_line_to(0, b.h * size)
 239         ctx.rel_line_to(-b.w * size, 0)
 240         ctx.close_path()
 241         ctx.set_source_rgba(
 242             b.r / (Box.nb_rgb_levels - 1),
 243             b.g / (Box.nb_rgb_levels - 1),
 244             b.b / (Box.nb_rgb_levels - 1),
 245             1.0,
 246         )
 247         ctx.fill()
 248
 249     hs = size * 0.1
 250     ctx.set_source_rgba(0.0, 0.0, 0.0, 1.0)
 251     ctx.move_to(xh * size - hs / 2, yh * size - hs / 2)
 252     ctx.rel_line_to(hs, 0)
 253     ctx.rel_line_to(0, hs)
 254     ctx.rel_line_to(-hs, 0)
 255     ctx.close_path()
 256     ctx.fill()
 257
 258     return (
 259         pixel_map[None, :, :, :3]
 260         .flip(-1)
 261         .permute(0, 3, 1, 2)
 262         .long()
 263         .mul(Box.nb_rgb_levels)
 264         .floor_divide(256)
 265     )
 266
 267
 268 def random_scene(nb_insert_attempts=3):
 269     scene = []
 270     colors = [
 271         ((Box.nb_rgb_levels - 1), 0, 0),
 272         (0, (Box.nb_rgb_levels - 1), 0),
 273         (0, 0, (Box.nb_rgb_levels - 1)),
 274         ((Box.nb_rgb_levels - 1), (Box.nb_rgb_levels - 1), 0),
 275         (
 276             (Box.nb_rgb_levels * 2) // 3,
 277             (Box.nb_rgb_levels * 2) // 3,
 278             (Box.nb_rgb_levels * 2) // 3,
 279         ),
 280     ]
 281
 282     for k in range(nb_insert_attempts):
 283         wh = torch.rand(2) * 0.2 + 0.2
 284         xy = torch.rand(2) * (1 - wh)
 285         c = colors[torch.randint(len(colors), (1,))]
 286         b = Box(
 287             xy[0].item(), xy[1].item(), wh[0].item(), wh[1].item(), c[0], c[1], c[2]
 288         )
 289         if not b.collision(scene):
 290             scene.append(b)
 291
 292     return scene
 293
 294
 295 def generate_episode(steps, size=64):
 296     delta = 0.1
 297     effects = [
 298         (False, 0, 0),
 299         (False, delta, 0),
 300         (False, 0, delta),
 301         (False, -delta, 0),
 302         (False, 0, -delta),
 303         (True, delta, 0),
 304         (True, 0, delta),
 305         (True, -delta, 0),
 306         (True, 0, -delta),
 307     ]
 308
 309     while True:
 310         frames = []
 311
 312         scene = random_scene()
 313         xh, yh = tuple(x.item() for x in torch.rand(2))
 314
 315         actions = torch.randint(len(effects), (len(steps),))
 316         nb_changes = 0
 317
 318         for s, a in zip(steps, actions):
 319             if s:
 320                 frames.append(scene2tensor(xh, yh, scene, size=size))
 321
 322             grasp, dx, dy = effects[a]
 323
 324             if grasp:
 325                 for b in scene:
 326                     if b.x <= xh and b.x + b.w >= xh and b.y <= yh and b.y + b.h >= yh:
 327                         x, y = b.x, b.y
 328                         b.x += dx
 329                         b.y += dy
 330                         if (
 331                             b.x < 0
 332                             or b.y < 0
 333                             or b.x + b.w > 1
 334                             or b.y + b.h > 1
 335                             or b.collision(scene)
 336                         ):
 337                             b.x, b.y = x, y
 338                         else:
 339                             xh += dx
 340                             yh += dy
 341                             nb_changes += 1
 342             else:
 343                 x, y = xh, yh
 344                 xh += dx
 345                 yh += dy
 346                 if xh < 0 or xh > 1 or yh < 0 or yh > 1:
 347                     xh, yh = x, y
 348
 349         if nb_changes > len(steps) // 3:
 350             break
 351
 352     return frames, actions
 353
 354
 355 ######################################################################
 356
 357
 358 def generate_episodes(nb, steps):
 359     all_frames, all_actions = [], []
 360     for n in tqdm.tqdm(range(nb), dynamic_ncols=True, desc="world-data"):
 361         frames, actions = generate_episode(steps)
 362         all_frames += frames
 363         all_actions += [actions[None, :]]
 364     return torch.cat(all_frames, 0).contiguous(), torch.cat(all_actions, 0)
 365
 366
 367 def create_data_and_processors(
 368     nb_train_samples,
 369     nb_test_samples,
 370     mode,
 371     nb_steps,
 372     depth=3,
 373     nb_bits_per_token=8,
 374     nb_epochs=10,
 375     device=torch.device("cpu"),
 376     device_storage=torch.device("cpu"),
 377     logger=None,
 378 ):
 379     assert mode in ["first_last"]
 380
 381     if mode == "first_last":
 382         steps = [True] + [False] * (nb_steps + 1) + [True]
 383
 384     if logger is None:
 385         logger = lambda s: print(s)
 386
 387     train_input, train_actions = generate_episodes(nb_train_samples, steps)
 388     train_input, train_actions = train_input.to(device_storage), train_actions.to(
 389         device_storage
 390     )
 391     test_input, test_actions = generate_episodes(nb_test_samples, steps)
 392     test_input, test_actions = test_input.to(device_storage), test_actions.to(
 393         device_storage
 394     )
 395
 396     encoder, quantizer, decoder = train_encoder(
 397         train_input,
 398         test_input,
 399         depth=depth,
 400         nb_bits_per_token=nb_bits_per_token,
 401         lambda_entropy=1.0,
 402         nb_epochs=nb_epochs,
 403         logger=logger,
 404         device=device,
 405     )
 406     encoder.train(False)
 407     quantizer.train(False)
 408     decoder.train(False)
 409
 410     z = encoder(train_input[:1].to(device))
 411     pow2 = (2 ** torch.arange(z.size(1), device=device))[None, None, :]
 412     z_h, z_w = z.size(2), z.size(3)
 413
 414     logger(f"vqae input {train_input[0].size()} output {z[0].size()}")
 415
 416     def frame2seq(input, batch_size=25):
 417         seq = []
 418         p = pow2.to(device)
 419         for x in input.split(batch_size):
 420             x = x.to(device)
 421             z = encoder(x)
 422             ze_bool = (quantizer(z) >= 0).long()
 423             output = (
 424                 ze_bool.permute(0, 2, 3, 1).reshape(
 425                     ze_bool.size(0), -1, ze_bool.size(1)
 426                 )
 427                 * p
 428             ).sum(-1)
 429
 430             seq.append(output)
 431
 432         return torch.cat(seq, dim=0)
 433
 434     def seq2frame(input, batch_size=25, T=1e-2):
 435         frames = []
 436         p = pow2.to(device)
 437         for seq in input.split(batch_size):
 438             seq = seq.to(device)
 439             zd_bool = (seq[:, :, None] // p) % 2
 440             zd_bool = zd_bool.reshape(zd_bool.size(0), z_h, z_w, -1).permute(0, 3, 1, 2)
 441             logits = decoder(zd_bool * 2.0 - 1.0)
 442             logits = logits.reshape(
 443                 logits.size(0), -1, 3, logits.size(2), logits.size(3)
 444             ).permute(0, 2, 3, 4, 1)
 445             output = torch.distributions.categorical.Categorical(
 446                 logits=logits / T
 447             ).sample()
 448
 449             frames.append(output)
 450
 451         return torch.cat(frames, dim=0)
 452
 453     return train_input, train_actions, test_input, test_actions, frame2seq, seq2frame
 454
 455
 456 ######################################################################
 457
 458 if __name__ == "__main__":
 459     (
 460         train_input,
 461         train_actions,
 462         test_input,
 463         test_actions,
 464         frame2seq,
 465         seq2frame,
 466     ) = create_data_and_processors(
 467         25000,
 468         1000,
 469         nb_epochs=5,
 470         mode="first_last",
 471         nb_steps=20,
 472     )
 473
 474     input = test_input[:256]
 475
 476     seq = frame2seq(input)
 477     output = seq2frame(seq)
 478
 479     torchvision.utils.save_image(
 480         input.float() / (Box.nb_rgb_levels - 1), "orig.png", nrow=16
 481     )
 482
 483     torchvision.utils.save_image(
 484         output.float() / (Box.nb_rgb_levels - 1), "qtiz.png", nrow=16
 485     )