main.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, argparse, time, tqdm, os, datetime, warnings
   9
  10 import torch, torchvision
  11 from torch import nn
  12 from torch.nn import functional as F
  13
  14 import ffutils
  15
  16 import mygpt
  17 import sky, grids, quiz_machine
  18
  19 import threading
  20
  21 import torch.multiprocessing as mp
  22
  23 # world quizzes vs. culture quizzes
  24
  25 ######################################################################
  26
  27 parser = argparse.ArgumentParser(
  28     formatter_class=argparse.ArgumentDefaultsHelpFormatter,
  29 )
  30
  31 parser.add_argument("--log_filename", type=str, default="train.log")
  32
  33 parser.add_argument("--result_dir", type=str, default=None)
  34
  35 parser.add_argument("--seed", type=int, default=0)
  36
  37 parser.add_argument("--max_percents_of_test_in_train", type=int, default=-1)
  38
  39 ########################################
  40
  41 parser.add_argument("--nb_epochs", type=int, default=10000)
  42
  43 parser.add_argument("--batch_size", type=int, default=None)
  44
  45 parser.add_argument("--physical_batch_size", type=int, default=None)
  46
  47 parser.add_argument("--nb_train_samples", type=int, default=None)
  48
  49 parser.add_argument("--nb_test_samples", type=int, default=None)
  50
  51 parser.add_argument("--learning_rate", type=float, default=5e-4)
  52
  53 ########################################
  54
  55 parser.add_argument("--model", type=str, default=None)
  56
  57 parser.add_argument("--dim_model", type=int, default=None)
  58
  59 parser.add_argument("--dim_keys", type=int, default=None)
  60
  61 parser.add_argument("--dim_hidden", type=int, default=None)
  62
  63 parser.add_argument("--nb_heads", type=int, default=None)
  64
  65 parser.add_argument("--nb_blocks", type=int, default=None)
  66
  67 parser.add_argument("--dropout", type=float, default=0.1)
  68
  69 ########################################
  70
  71 parser.add_argument("--deterministic_synthesis", action="store_true", default=False)
  72
  73 parser.add_argument("--problem", type=str, default="grids")
  74
  75 parser.add_argument("--nb_threads", type=int, default=1)
  76
  77 parser.add_argument("--gpus", type=str, default="all")
  78
  79 parser.add_argument("--nb_gpts", type=int, default=5)
  80
  81 parser.add_argument("--min_to_validate", type=int, default=None)
  82
  83 parser.add_argument("--max_to_validate", type=int, default=None)
  84
  85 parser.add_argument("--accuracy_to_make_c_quizzes", type=float, default=0.975)
  86
  87 parser.add_argument("--proba_understands", type=float, default=0.99)
  88
  89 parser.add_argument("--proba_not_understands", type=float, default=0.5)
  90
  91 parser.add_argument("--generation_temperature", type=float, default=2.0)
  92
  93 parser.add_argument("--dirty_debug", action="store_true", default=False)
  94
  95 ######################################################################
  96
  97 grids_tasks = ", ".join(
  98     [x.__name__.removeprefix("task_") for x in grids.Grids().all_tasks]
  99 )
 100
 101 parser.add_argument(
 102     "--grids_tasks",
 103     type=str,
 104     default=None,
 105     help="A comma-separated subset of: " + grids_tasks + ", or None for all.",
 106 )
 107
 108 ######################################################################
 109
 110 parser.add_argument("--sky_height", type=int, default=6)
 111
 112 parser.add_argument("--sky_width", type=int, default=8)
 113
 114 parser.add_argument("--sky_nb_birds", type=int, default=3)
 115
 116 parser.add_argument("--sky_nb_iterations", type=int, default=2)
 117
 118 parser.add_argument("--sky_speed", type=int, default=3)
 119
 120 ######################################################################
 121
 122 args = parser.parse_args()
 123
 124 if args.min_to_validate is None:
 125     args.min_to_validate = args.nb_gpts - 1
 126
 127 if args.max_to_validate is None:
 128     args.max_to_validate = args.nb_gpts - 1
 129
 130 if args.result_dir is None:
 131     args.result_dir = f"results_culture"
 132
 133 ######################################################################
 134
 135 default_args = {
 136     "model": "37M",
 137     "batch_size": 25,
 138     "nb_train_samples": 100000,
 139     "nb_test_samples": 10000,
 140 }
 141
 142 for k, v in default_args.items():
 143     if getattr(args, k) is None:
 144         setattr(args, k, v)
 145
 146 ######################################################################
 147
 148 default_model_args = {
 149     "17K": {
 150         "dim_model": 32,
 151         "dim_keys": 32,
 152         "dim_hidden": 32,
 153         "nb_heads": 2,
 154         "nb_blocks": 2,
 155     },
 156     "4M": {
 157         "dim_model": 256,
 158         "dim_keys": 32,
 159         "dim_hidden": 1024,
 160         "nb_heads": 4,
 161         "nb_blocks": 6,
 162     },
 163     "37M": {
 164         "dim_model": 512,
 165         "dim_keys": 64,
 166         "dim_hidden": 2048,
 167         "nb_heads": 8,
 168         "nb_blocks": 12,
 169     },
 170     "122M": {
 171         "dim_model": 768,
 172         "dim_keys": 64,
 173         "dim_hidden": 2048,
 174         "nb_heads": 8,
 175         "nb_blocks": 24,
 176     },
 177     "352M": {
 178         "dim_model": 1024,
 179         "dim_keys": 64,
 180         "dim_hidden": 2048,
 181         "nb_heads": 8,
 182         "nb_blocks": 48,
 183     },
 184 }
 185
 186 if args.model in default_model_args:
 187     for k, v in default_model_args[args.model].items():
 188         if getattr(args, k) is None:
 189             setattr(args, k, v)
 190 else:
 191     raise ValueError(f"Unknown model {args.model}")
 192
 193 ######################################################################
 194
 195 try:
 196     os.mkdir(args.result_dir)
 197 except FileExistsError:
 198     print(f"result directory {args.result_dir} already exists")
 199     exit(1)
 200
 201 log_file = open(os.path.join(args.result_dir, args.log_filename), "a")
 202
 203 if args.seed >= 0:
 204     # torch.backends.cudnn.deterministic = True
 205     # torch.backends.cudnn.benchmark = False
 206     # torch.use_deterministic_algorithms(True)
 207     torch.manual_seed(args.seed)
 208     if torch.cuda.is_available():
 209         torch.cuda.manual_seed_all(args.seed)
 210
 211 ######################################################################
 212
 213
 214 def log_string(s):
 215     t = time.strftime("%Y%m%d-%H:%M:%S ", time.localtime())
 216
 217     if log_file is not None:
 218         log_file.write(t + s + "\n")
 219         log_file.flush()
 220
 221     print(t + s)
 222     sys.stdout.flush()
 223
 224
 225 log_string(f"argv {' '.join(sys.argv)}")
 226
 227 for n in vars(args):
 228     log_string(f"args.{n} {getattr(args, n)}")
 229
 230
 231 ######################################################################
 232
 233 if args.gpus == "all":
 234     gpus_idx = range(torch.cuda.device_count())
 235 else:
 236     gpus_idx = [int(k) for k in args.gpus.split(",")]
 237
 238 gpus = [torch.device(f"cuda:{n}") for n in gpus_idx]
 239
 240 if torch.cuda.is_available():
 241     main_device = gpus[0]
 242 else:
 243     assert len(gpus) == 0
 244     main_device = torch.device("cpu")
 245
 246 if args.dirty_debug:
 247     args.nb_train_samples = 2500
 248     args.nb_test_samples = 100
 249
 250 if args.physical_batch_size is None:
 251     args.physical_batch_size = args.batch_size
 252 else:
 253     assert args.batch_size % args.physical_batch_size == 0
 254
 255 assert args.nb_train_samples % args.batch_size == 0
 256 assert args.nb_test_samples % args.batch_size == 0
 257
 258 if args.problem == "sky":
 259     problem = sky.Sky(
 260         height=args.sky_height,
 261         width=args.sky_width,
 262         nb_birds=args.sky_nb_birds,
 263         nb_iterations=args.sky_nb_iterations,
 264         speed=args.sky_speed,
 265         max_nb_cached_chunks=len(gpus) * args.nb_train_samples // 100,
 266         chunk_size=100,
 267         nb_threads=args.nb_threads,
 268     )
 269     back_accuracy = False
 270 elif args.problem == "grids":
 271     problem = grids.Grids(
 272         max_nb_cached_chunks=len(gpus) * args.nb_train_samples // 100,
 273         chunk_size=100,
 274         nb_threads=args.nb_threads,
 275         tasks=args.grids_tasks,
 276     )
 277     back_accuracy = True
 278 else:
 279     raise ValueError
 280
 281 problem.save_some_examples(args.result_dir)
 282
 283 quiz_machine = quiz_machine.QuizMachine(
 284     problem=problem,
 285     nb_train_samples=args.nb_train_samples,
 286     nb_test_samples=args.nb_test_samples,
 287     back_accuracy=back_accuracy,
 288     batch_size=args.physical_batch_size,
 289     result_dir=args.result_dir,
 290     logger=log_string,
 291     device=main_device,
 292 )
 293
 294 ######################################################################
 295
 296 log_string(f"main_device {main_device} gpus {[ str(g) for g in gpus]}")
 297
 298 vocabulary_size = quiz_machine.vocabulary_size()
 299
 300 log_string(f"vocabulary_size {vocabulary_size}")
 301
 302 ######################################################################
 303
 304
 305 def run_tests(model, quiz_machine, deterministic_synthesis, local_device=main_device):
 306     with torch.autograd.no_grad():
 307         model.eval().to(local_device)
 308
 309         nb_test_samples, acc_test_loss = 0, 0.0
 310         nb_samples_accumulated = 0
 311
 312         for input in quiz_machine.batches(model, split="test"):
 313             input = input.to(local_device)
 314
 315             bs = model(mygpt.BracketedSequence(input))
 316             output = bs.x
 317
 318             loss = F.cross_entropy(output.transpose(1, 2), input)
 319
 320             acc_test_loss += loss.item() * input.size(0)
 321
 322             nb_test_samples += input.size(0)
 323
 324         test_perplexity = math.exp(min(100, acc_test_loss / nb_test_samples))
 325
 326         log_string(f"test_perplexity {n_epoch} {test_perplexity}")
 327
 328         model.main_test_accuracy = quiz_machine.produce_results(
 329             n_epoch=n_epoch,
 330             model=model,
 331             result_dir=args.result_dir,
 332             deterministic_synthesis=deterministic_synthesis,
 333         )
 334
 335
 336 def one_epoch(model, quiz_machine, local_device=main_device):
 337     optimizer = torch.optim.Adam(model.parameters(), lr=args.learning_rate)
 338
 339     model.to(local_device).train()
 340
 341     nb_train_samples, acc_train_loss = 0, 0.0
 342
 343     for input in quiz_machine.batches(model, split="train"):
 344         input = input.to(local_device)
 345
 346         if nb_train_samples % args.batch_size == 0:
 347             optimizer.zero_grad()
 348
 349         output = model(mygpt.BracketedSequence(input)).x
 350         loss = F.cross_entropy(output.transpose(1, 2), input)
 351         acc_train_loss += loss.item() * input.size(0)
 352
 353         nb_train_samples += input.size(0)
 354
 355         loss.backward()
 356
 357         if nb_train_samples % args.batch_size == 0:
 358             optimizer.step()
 359
 360     train_perplexity = math.exp(min(100, acc_train_loss / nb_train_samples))
 361
 362     log_string(f"train_perplexity {n_epoch} model.id {model.id} {train_perplexity}")
 363
 364     run_tests(model, quiz_machine, deterministic_synthesis=False)
 365
 366
 367 ######################################################################
 368
 369
 370 def standard_validity(logproba):
 371     l = logproba.sort(dim=-1).values
 372     return (l[:, 0] < math.log(args.proba_not_understands)) & (
 373         l[:, 1] > math.log(args.proba_understands)
 374     )
 375
 376
 377 def valid_c_quizzes(recorded, criteria):
 378     result = [q[criteria(lp)] for q, lp in recorded]
 379     return torch.cat(result, dim=0) if len(result) > 0 else torch.tensor([])
 380
 381
 382 ######################################################################
 383
 384
 385 def create_c_quizzes(
 386     models,
 387     quiz_machine,
 388     nb_for_train=1000,
 389     nb_for_test=100,
 390 ):
 391     quizzes_and_logproba_records = []
 392
 393     nb_to_create = nb_for_train + nb_for_test
 394
 395     # ------------------------------------------------------------
 396
 397     file_name = os.path.join(args.result_dir, f"culture_c_quiz_{n_epoch:04d}_logp.dat")
 398
 399     with open(file_name, "w") as logp_file:
 400         while (
 401             valid_c_quizzes(quizzes_and_logproba_records, standard_validity).size(0)
 402             < nb_to_create
 403         ):
 404             # Select a model at random to generate the new quizzes
 405
 406             model_for_generation = models[torch.randint(len(models), (1,))]
 407
 408             c_quizzes = quiz_machine.generate_quizzes(
 409                 nb_to_create,
 410                 model_for_generation=model_for_generation,
 411                 temperature=args.generation_temperature,
 412             )
 413
 414             c_quizzes = c_quizzes[quiz_machine.non_trivial(c_quizzes)]
 415
 416             if c_quizzes.size(0) > 0:
 417                 logproba = quiz_machine.logproba_of_solutions(models, c_quizzes)
 418                 for l in logproba:
 419                     s = " ".join([str(x.item()) for x in l])
 420                     logp_file.write(s + "\n")
 421                 quizzes_and_logproba_records.append((c_quizzes, logproba))
 422
 423             nb_validated = valid_c_quizzes(
 424                 quizzes_and_logproba_records, standard_validity
 425             ).size(0)
 426
 427             log_string(
 428                 f"keep c_quizzes model {model_for_generation.id} nb_accumulated {nb_validated} / {nb_to_create}"
 429             )
 430
 431     # store the new c_quizzes which have been validated
 432
 433     new_c_quizzes = valid_c_quizzes(quizzes_and_logproba_records, standard_validity)
 434
 435     quiz_machine.reverse_random_half_in_place(new_c_quizzes)
 436
 437     quiz_machine.store_c_quizzes(new_c_quizzes[:nb_for_train], for_train=True)
 438     quiz_machine.store_c_quizzes(new_c_quizzes[nb_for_train:], for_train=False)
 439
 440     # save a bunch of images to investigate what quizzes with a
 441     # certain nb of correct predictions look like
 442
 443     q = new_c_quizzes[:72]
 444
 445     if q.size(0) > 0:
 446         quiz_machine.save_quizzes(args.result_dir, f"culture_c_quiz_{n_epoch:04d}", q)
 447
 448
 449 ######################################################################
 450
 451 models = []
 452
 453 for k in range(args.nb_gpts):
 454     log_string(f"creating model {k} and its w_quizzes")
 455     model = mygpt.MyGPT(
 456         vocabulary_size=vocabulary_size,
 457         dim_model=args.dim_model,
 458         dim_keys=args.dim_keys,
 459         dim_hidden=args.dim_hidden,
 460         nb_heads=args.nb_heads,
 461         nb_blocks=args.nb_blocks,
 462         causal=True,
 463         dropout=args.dropout,
 464     ).to(main_device)
 465
 466     model.main_test_accuracy = 0.0
 467     model.id = k
 468
 469     model.train_w_quizzes = quiz_machine.generate_token_sequences(args.nb_train_samples)
 470     quiz_machine.reverse_random_half_in_place(model.train_w_quizzes)
 471     model.test_w_quizzes = quiz_machine.generate_token_sequences(args.nb_test_samples)
 472     quiz_machine.reverse_random_half_in_place(model.test_w_quizzes)
 473
 474     models.append(model)
 475
 476
 477 nb_parameters = sum(p.numel() for p in models[0].parameters())
 478 log_string(f"nb_parameters {nb_parameters} ({int(nb_parameters/1e6)}M)")
 479
 480 ######################################################################
 481
 482 # Compute the entropy of the training tokens
 483
 484 token_count = 0
 485 for input in quiz_machine.batches(models[0], split="train", desc="train-entropy"):
 486     token_count += F.one_hot(input, num_classes=quiz_machine.vocabulary_size()).sum(
 487         (0, 1)
 488     )
 489 token_probas = token_count / token_count.sum()
 490 entropy = -torch.xlogy(token_probas, token_probas).sum()
 491 train_set_perplexity = math.exp(entropy)
 492
 493 ######################################################################
 494 # A bit of paranoia never hurts
 495
 496 if args.max_percents_of_test_in_train >= 0:
 497
 498     def subsets_as_tuples(batches, cs):
 499         s = set()
 500         for batch in batches:
 501             for x in batch:
 502                 s.add(tuple([v.item() for v in x]))
 503                 if len(s) == cs:
 504                     yield s
 505                     s = set()
 506         yield s
 507
 508     nb_test, nb_in_train = 0, 0
 509     for test_subset in subsets_as_tuples(
 510         quiz_machine.batches(models[0], split="test", desc="test-check"), 25000
 511     ):
 512         in_train = set()
 513         for train_subset in subsets_as_tuples(
 514             quiz_machine.batches(models[0], split="train", desc="train-check"), 25000
 515         ):
 516             in_train.update(test_subset.intersection(train_subset))
 517         nb_in_train += len(in_train)
 518         nb_test += len(test_subset)
 519
 520     log_string(
 521         f"data_check {nb_in_train*100/nb_test:.02f}% ({nb_in_train}/{nb_test}) of test samples are in the train set"
 522     )
 523
 524     assert (
 525         nb_in_train <= args.max_percents_of_test_in_train * nb_test / 100
 526     ), f"More than {args.max_percents_of_test_in_train}% of test samples are in the train set"
 527
 528 ######################################################################
 529
 530 nb_new_c_quizzes_for_train = args.nb_train_samples // 50
 531 nb_new_c_quizzes_for_test = args.nb_test_samples // 50
 532
 533 log_string(
 534     f"nb_new_c_quizzes_for_train {nb_new_c_quizzes_for_train} nb_new_c_quizzes_for_test {nb_new_c_quizzes_for_test}"
 535 )
 536
 537 ######################################################################
 538
 539 if args.dirty_debug:
 540     args.accuracy_to_make_c_quizzes = 0.0
 541     args.nb_gpts = 2
 542     nb_new_c_quizzes_for_train = 100
 543     nb_new_c_quizzes_for_test = 10
 544
 545     def standard_validity(logproba):
 546         l = logproba.sort(dim=-1).values
 547         return l[:, 0] < math.log(0.5)
 548
 549
 550 ######################################################################
 551
 552 for n_epoch in range(args.nb_epochs):
 553     log_string(f"--- epoch {n_epoch} ----------------------------------------")
 554
 555     cta = " ".join([f"{float(m.main_test_accuracy):.04f}" for m in models])
 556     log_string(f"current_test_accuracies {cta}")
 557
 558     ##################################################
 559     # Select, improve, and eval the worst model
 560
 561     ranked_models = sorted(models, key=lambda m: float(m.main_test_accuracy))
 562
 563     weakest_models = ranked_models[: len(gpus)]
 564
 565     threads = []
 566
 567     for gpu, model in zip(gpus, weakest_models):
 568         log_string(f"training model {model.id}")
 569
 570         t = threading.Thread(
 571             target=one_epoch, daemon=True, args=(model, quiz_machine, gpu)
 572         )
 573
 574         threads.append(t)
 575
 576         t.start()
 577
 578     for t in threads:
 579         t.join()
 580
 581     ##################################################
 582     # Replace a fraction of the w_quizzes with fresh ones
 583
 584     log_string(
 585         f"cache_w_quizzes contains {quiz_machine.problem.nb_cached_quizzes()} quizzes"
 586     )
 587
 588     # Renew entirely the train set
 589
 590     for model in weakest_models:
 591         quiz_machine.renew_w_quizzes(model, args.nb_train_samples)
 592
 593     ##################################################
 594     # If all the models are good enough, generate new quizzes and
 595     # re-compute the test errors
 596
 597     if min([m.main_test_accuracy for m in models]) >= args.accuracy_to_make_c_quizzes:
 598         create_c_quizzes(
 599             models,
 600             quiz_machine,
 601             nb_for_train=nb_new_c_quizzes_for_train,
 602             nb_for_test=nb_new_c_quizzes_for_test,
 603         )
 604
 605 ######################################################################