snake.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 torch, torchvision
   9 import torch.nn.functional as F
  10
  11
  12 def generate_sequences(
  13     nb, height, width, nb_colors, length, prompt_length, device=torch.device("cpu")
  14 ):
  15     worlds = torch.randint(nb_colors, (nb, height, width), device=device)
  16     nb_prior_visits = torch.zeros(nb, height, width, device=device)
  17
  18     # nb x 2
  19     snake_position = torch.cat(
  20         (
  21             torch.randint(height, (nb, 1), device=device),
  22             torch.randint(width, (nb, 1), device=device),
  23         ),
  24         1,
  25     )
  26     snake_direction = torch.randint(4, (nb,), device=device)
  27     sequences = torch.empty(nb, 2 * length, device=device, dtype=torch.int64)
  28     sequences_prior_visits = torch.zeros(
  29         nb, 2 * length, device=device, dtype=torch.int64
  30     )
  31     i = torch.arange(nb, device=device)  # [:,None]
  32
  33     for l in range(length):
  34         # nb x 3
  35         snake_next_direction = torch.cat(
  36             (
  37                 (snake_direction[:, None] - 1) % 4,
  38                 snake_direction[:, None],
  39                 (snake_direction[:, None] + 1) % 4,
  40             ),
  41             1,
  42         )
  43
  44         # nb x 3
  45         vh = (snake_next_direction + 1) % 2 * (snake_next_direction - 1)
  46         vw = snake_next_direction % 2 * (snake_next_direction - 2)
  47
  48         # nb x 3 x 2
  49         snake_next_speed = torch.cat((vh[:, :, None], vw[:, :, None]), 2)
  50         snake_next_position = snake_position[:, None, :] + snake_next_speed
  51
  52         # nb x 3
  53         val = torch.logical_and(
  54             torch.logical_and(
  55                 snake_next_position[:, :, 0] >= 0, snake_next_position[:, :, 0] < height
  56             ),
  57             torch.logical_and(
  58                 snake_next_position[:, :, 1] >= 0, snake_next_position[:, :, 1] < width
  59             ),
  60         ).float()
  61         val = (
  62             # The multiplicative factors bias toward moving forward
  63             torch.rand_like(val)
  64             * val
  65             * torch.tensor([[1.0, 2.0, 1.0]], device=device)
  66         )
  67
  68         # nb
  69         j = val.argmax(1)
  70         snake_direction = snake_next_direction[i, j]
  71
  72         sequences[:, 2 * l] = worlds[i, snake_position[:, 0], snake_position[:, 1]] + 4
  73         sequences_prior_visits[:, 2 * l] = nb_prior_visits[
  74             i, snake_position[:, 0], snake_position[:, 1]
  75         ]
  76         if l < prompt_length:
  77             nb_prior_visits[i, snake_position[:, 0], snake_position[:, 1]] += 1
  78         sequences[:, 2 * l + 1] = snake_direction
  79
  80         # nb x 2
  81         snake_position = snake_next_position[i, j]
  82
  83     return sequences, sequences_prior_visits
  84
  85
  86 # generate_snake_sequences(nb=1, height=4, width=6, nb_colors=3, length=20)
  87 # exit(0)
  88
  89
  90 def solver(input, ar_mask):
  91     for n in range(input.size(0)):
  92         i, j, memory = 0, 0, {}
  93         # print(input[n])
  94         # print(ar_mask[n])
  95         for l in range(input.size(1) // 2):
  96             if ar_mask[n, 2 * l] == 1:
  97                 if memory.get((i, j)) is None:
  98                     input[n, 2 * l] = -1
  99                 else:
 100                     input[n, 2 * l] = memory[(i, j)]
 101             else:
 102                 # print(f'@3 {memory=}')
 103                 if memory.get((i, j)) is None:
 104                     memory[(i, j)] = input[n, 2 * l]
 105                 else:
 106                     assert memory[(i, j)] == input[n, 2 * l], f"n={n} l={l}"
 107             # print(f'@1 {i=} {j=}')
 108             d = input[n, 2 * l + 1].item()
 109             i += (d + 1) % 2 * (d - 1)
 110             j += d % 2 * (d - 2)
 111             # print(f'@2 {i=} {j=}')
 112
 113
 114 ######################################################################
 115
 116 if __name__ == "__main__":
 117     for n in range(16):
 118         descr = generate(nb=1, height=12, width=16)
 119
 120         print(nb_properties(descr, height=12, width=16))
 121
 122         with open(f"picoclvr_example_{n:02d}.txt", "w") as f:
 123             for d in descr:
 124                 f.write(f"{d}\n\n")
 125
 126         img = descr2img(descr, height=12, width=16)
 127         if img.size(0) == 1:
 128             img = F.pad(img, (1, 1, 1, 1), value=64)
 129
 130         torchvision.utils.save_image(
 131             img / 255.0,
 132             f"picoclvr_example_{n:02d}.png",
 133             padding=1,
 134             nrow=4,
 135             pad_value=0.8,
 136         )
 137
 138     import time
 139
 140     start_time = time.perf_counter()
 141     descr = generate(nb=1000, height=12, width=16)
 142     end_time = time.perf_counter()
 143     print(f"{len(descr) / (end_time - start_time):.02f} samples per second")
 144
 145 ######################################################################