Update.
[culture.git] / 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 if torch.cuda.is_available():
28     device = torch.device("cuda")
29     torch.backends.cuda.matmul.allow_tf32 = True
30 else:
31     device = torch.device("cpu")
32
33 ######################################################################
34
35 parser = argparse.ArgumentParser(
36     formatter_class=argparse.ArgumentDefaultsHelpFormatter,
37 )
38
39 parser.add_argument("--log_filename", type=str, default="train.log")
40
41 parser.add_argument("--result_dir", type=str, default=None)
42
43 parser.add_argument("--seed", type=int, default=0)
44
45 parser.add_argument("--max_percents_of_test_in_train", type=int, default=-1)
46
47 ########################################
48
49 parser.add_argument("--nb_epochs", type=int, default=10000)
50
51 parser.add_argument("--batch_size", type=int, default=None)
52
53 parser.add_argument("--physical_batch_size", type=int, default=None)
54
55 parser.add_argument("--nb_train_samples", type=int, default=None)
56
57 parser.add_argument("--nb_test_samples", type=int, default=None)
58
59 parser.add_argument("--learning_rate", type=float, default=5e-4)
60
61 ########################################
62
63 parser.add_argument("--model", type=str, default=None)
64
65 parser.add_argument("--dim_model", type=int, default=None)
66
67 parser.add_argument("--dim_keys", type=int, default=None)
68
69 parser.add_argument("--dim_hidden", type=int, default=None)
70
71 parser.add_argument("--nb_heads", type=int, default=None)
72
73 parser.add_argument("--nb_blocks", type=int, default=None)
74
75 parser.add_argument("--dropout", type=float, default=0.1)
76
77 ########################################
78
79 parser.add_argument("--deterministic_synthesis", action="store_true", default=False)
80
81 parser.add_argument("--problem", type=str, default="grids")
82
83 parser.add_argument("--nb_threads", type=int, default=1)
84
85 parser.add_argument("--nb_gpus", type=int, default=1)
86
87 parser.add_argument("--nb_gpts", type=int, default=5)
88
89 parser.add_argument("--min_to_validate", type=int, default=None)
90
91 parser.add_argument("--max_to_validate", type=int, default=None)
92
93 parser.add_argument("--accuracy_to_make_c_quizzes", type=float, default=0.975)
94
95 parser.add_argument("--generation_temperature", type=float, default=2.0)
96
97 parser.add_argument("--dirty_debug", action="store_true", default=False)
98
99 ######################################################################
100
101 parser.add_argument("--sky_height", type=int, default=6)
102
103 parser.add_argument("--sky_width", type=int, default=8)
104
105 parser.add_argument("--sky_nb_birds", type=int, default=3)
106
107 parser.add_argument("--sky_nb_iterations", type=int, default=2)
108
109 parser.add_argument("--sky_speed", type=int, default=3)
110
111 ######################################################################
112
113 args = parser.parse_args()
114
115 if args.min_to_validate is None:
116     args.min_to_validate = args.nb_gpts - 1
117
118 if args.max_to_validate is None:
119     args.max_to_validate = args.nb_gpts - 1
120
121 if args.result_dir is None:
122     args.result_dir = f"results_culture"
123
124 ######################################################################
125
126 default_args = {
127     "model": "37M",
128     "batch_size": 25,
129     "nb_train_samples": 100000,
130     "nb_test_samples": 10000,
131 }
132
133 for k, v in default_args.items():
134     if getattr(args, k) is None:
135         setattr(args, k, v)
136
137 ######################################################################
138
139 default_model_args = {
140     "17K": {
141         "dim_model": 32,
142         "dim_keys": 32,
143         "dim_hidden": 32,
144         "nb_heads": 2,
145         "nb_blocks": 2,
146     },
147     "4M": {
148         "dim_model": 256,
149         "dim_keys": 32,
150         "dim_hidden": 1024,
151         "nb_heads": 4,
152         "nb_blocks": 6,
153     },
154     "37M": {
155         "dim_model": 512,
156         "dim_keys": 64,
157         "dim_hidden": 2048,
158         "nb_heads": 8,
159         "nb_blocks": 12,
160     },
161     "122M": {
162         "dim_model": 768,
163         "dim_keys": 64,
164         "dim_hidden": 2048,
165         "nb_heads": 8,
166         "nb_blocks": 24,
167     },
168     "352M": {
169         "dim_model": 1024,
170         "dim_keys": 64,
171         "dim_hidden": 2048,
172         "nb_heads": 8,
173         "nb_blocks": 48,
174     },
175 }
176
177 if args.model in default_model_args:
178     for k, v in default_model_args[args.model].items():
179         if getattr(args, k) is None:
180             setattr(args, k, v)
181 else:
182     raise ValueError(f"Unknown model {args.model}")
183
184 ######################################################################
185
186 try:
187     os.mkdir(args.result_dir)
188 except FileExistsError:
189     print(f"result directory {args.result_dir} already exists")
190     exit(1)
191
192 log_file = open(os.path.join(args.result_dir, args.log_filename), "a")
193
194 if args.seed >= 0:
195     # torch.backends.cudnn.deterministic = True
196     # torch.backends.cudnn.benchmark = False
197     # torch.use_deterministic_algorithms(True)
198     torch.manual_seed(args.seed)
199     if torch.cuda.is_available():
200         torch.cuda.manual_seed_all(args.seed)
201
202 ######################################################################
203
204
205 def log_string(s):
206     t = time.strftime("%Y%m%d-%H:%M:%S ", time.localtime())
207
208     if log_file is not None:
209         log_file.write(t + s + "\n")
210         log_file.flush()
211
212     print(t + s)
213     sys.stdout.flush()
214
215
216 log_string(f"argv {' '.join(sys.argv)}")
217
218 for n in vars(args):
219     log_string(f"args.{n} {getattr(args, n)}")
220
221
222 ######################################################################
223
224 if args.dirty_debug:
225     args.nb_train_samples = 2500
226     args.nb_test_samples = 100
227
228 if args.physical_batch_size is None:
229     args.physical_batch_size = args.batch_size
230 else:
231     assert args.batch_size % args.physical_batch_size == 0
232
233 assert args.nb_train_samples % args.batch_size == 0
234 assert args.nb_test_samples % args.batch_size == 0
235
236 if args.problem == "sky":
237     problem = sky.Sky(
238         height=args.sky_height,
239         width=args.sky_width,
240         nb_birds=args.sky_nb_birds,
241         nb_iterations=args.sky_nb_iterations,
242         speed=args.sky_speed,
243         max_nb_cached_chunks=args.nb_gpus * args.nb_train_samples // 100,
244         chunk_size=100,
245         nb_threads=args.nb_threads,
246     )
247     back_accuracy = False
248 elif args.problem == "grids":
249     problem = grids.Grids(
250         max_nb_cached_chunks=args.nb_gpus * args.nb_train_samples // 100,
251         chunk_size=100,
252         nb_threads=args.nb_threads,
253     )
254     back_accuracy = True
255 else:
256     raise ValueError
257
258 problem.save_some_examples(args.result_dir)
259
260 quiz_machine = quiz_machine.QuizMachine(
261     problem=problem,
262     nb_train_samples=args.nb_train_samples,
263     nb_test_samples=args.nb_test_samples,
264     back_accuracy=back_accuracy,
265     batch_size=args.physical_batch_size,
266     result_dir=args.result_dir,
267     logger=log_string,
268     device=device,
269 )
270
271 ######################################################################
272
273 log_string(f"device {device}")
274
275 vocabulary_size = quiz_machine.vocabulary_size()
276
277 log_string(f"vocabulary_size {vocabulary_size}")
278
279 ######################################################################
280
281
282 ######################################################################
283
284
285 def run_tests(model, quiz_machine, deterministic_synthesis, local_device=None):
286     if local_device is None:
287         local_device = device
288
289     with torch.autograd.no_grad():
290         model.eval().to(local_device)
291
292         nb_test_samples, acc_test_loss = 0, 0.0
293         nb_samples_accumulated = 0
294
295         for input in quiz_machine.batches(model, split="test"):
296             input = input.to(local_device)
297
298             bs = model(mygpt.BracketedSequence(input))
299             output = bs.x
300
301             loss = F.cross_entropy(output.transpose(1, 2), input)
302
303             acc_test_loss += loss.item() * input.size(0)
304
305             nb_test_samples += input.size(0)
306
307         test_perplexity = math.exp(min(100, acc_test_loss / nb_test_samples))
308
309         log_string(f"test_perplexity {n_epoch} {test_perplexity}")
310
311         model.main_test_accuracy = quiz_machine.produce_results(
312             n_epoch=n_epoch,
313             model=model,
314             result_dir=args.result_dir,
315             deterministic_synthesis=deterministic_synthesis,
316         )
317
318
319 def one_epoch(model, quiz_machine, local_device=None):
320     if local_device is None:
321         local_device = device
322
323     optimizer = torch.optim.Adam(model.parameters(), lr=args.learning_rate)
324
325     model.to(local_device).train()
326
327     nb_train_samples, acc_train_loss = 0, 0.0
328
329     for input in quiz_machine.batches(model, split="train"):
330         input = input.to(local_device)
331
332         if nb_train_samples % args.batch_size == 0:
333             optimizer.zero_grad()
334
335         output = model(mygpt.BracketedSequence(input)).x
336         loss = F.cross_entropy(output.transpose(1, 2), input)
337         acc_train_loss += loss.item() * input.size(0)
338
339         nb_train_samples += input.size(0)
340
341         loss.backward()
342
343         if nb_train_samples % args.batch_size == 0:
344             optimizer.step()
345
346     train_perplexity = math.exp(min(100, acc_train_loss / nb_train_samples))
347
348     log_string(f"train_perplexity {n_epoch} model.id {model.id} {train_perplexity}")
349
350     run_tests(model, quiz_machine, deterministic_synthesis=False)
351
352
353 ######################################################################
354
355
356 def standard_validity(logproba):
357     l = logproba.sort(dim=-1).values
358     return (l[:, 0] < math.log(0.5)) & (l[:, 1] > math.log(0.99))
359
360
361 def valid_c_quizzes(recorded, criteria):
362     result = [q[criteria(lp)] for q, lp in recorded]
363     return torch.cat(result, dim=0) if len(result) > 0 else torch.tensor([])
364
365
366 ######################################################################
367
368
369 def create_c_quizzes(
370     models,
371     quiz_machine,
372     nb_for_train=1000,
373     nb_for_test=100,
374 ):
375     quizzes_and_logproba_records = []
376
377     nb_to_create = nb_for_train + nb_for_test
378
379     # ------------------------------------------------------------
380
381     file_name = os.path.join(args.result_dir, f"culture_c_quiz_{n_epoch:04d}_logp.dat")
382
383     with open(file_name, "w") as logp_file:
384         while (
385             valid_c_quizzes(quizzes_and_logproba_records, standard_validity).size(0)
386             < nb_to_create
387         ):
388             # Select a model at random to generate the new quizzes
389
390             model_for_generation = models[torch.randint(len(models), (1,))]
391
392             c_quizzes = quiz_machine.generate_quizzes(
393                 nb_to_create,
394                 model_for_generation=model_for_generation,
395                 temperature=args.generation_temperature,
396             )
397
398             c_quizzes = c_quizzes[quiz_machine.non_trivial(c_quizzes)]
399
400             if c_quizzes.size(0) > 0:
401                 logproba = quiz_machine.logproba_of_solutions(models, c_quizzes)
402                 for l in logproba:
403                     s = " ".join([str(x.item()) for x in l])
404                     logp_file.write(s + "\n")
405                 quizzes_and_logproba_records.append((c_quizzes, logproba))
406
407             nb_validated = valid_c_quizzes(
408                 quizzes_and_logproba_records, standard_validity
409             ).size(0)
410
411             log_string(
412                 f"keep c_quizzes model {model_for_generation.id} nb_accumulated {nb_validated} / {nb_to_create}"
413             )
414
415     # store the new c_quizzes which have been validated
416
417     new_c_quizzes = valid_c_quizzes(quizzes_and_logproba_records, standard_validity)
418
419     quiz_machine.reverse_random_half_in_place(new_c_quizzes)
420
421     quiz_machine.store_c_quizzes(new_c_quizzes[:nb_for_train], for_train=True)
422     quiz_machine.store_c_quizzes(new_c_quizzes[nb_for_train:], for_train=False)
423
424     # save a bunch of images to investigate what quizzes with a
425     # certain nb of correct predictions look like
426
427     q = new_c_quizzes[:72]
428
429     if q.size(0) > 0:
430         quiz_machine.save_quizzes(args.result_dir, f"culture_c_quiz_{n_epoch:04d}", q)
431
432
433 ######################################################################
434
435 models = []
436
437 for k in range(args.nb_gpts):
438     log_string(f"creating model {k} and its w_quizzes")
439     model = mygpt.MyGPT(
440         vocabulary_size=vocabulary_size,
441         dim_model=args.dim_model,
442         dim_keys=args.dim_keys,
443         dim_hidden=args.dim_hidden,
444         nb_heads=args.nb_heads,
445         nb_blocks=args.nb_blocks,
446         causal=True,
447         dropout=args.dropout,
448     ).to(device)
449
450     model.main_test_accuracy = 0.0
451     model.id = k
452
453     model.train_w_quizzes = quiz_machine.generate_token_sequences(args.nb_train_samples)
454     quiz_machine.reverse_random_half_in_place(model.train_w_quizzes)
455     model.test_w_quizzes = quiz_machine.generate_token_sequences(args.nb_test_samples)
456     quiz_machine.reverse_random_half_in_place(model.test_w_quizzes)
457
458     models.append(model)
459
460
461 nb_parameters = sum(p.numel() for p in models[0].parameters())
462 log_string(f"nb_parameters {nb_parameters} ({int(nb_parameters/1e6)}M)")
463
464 ######################################################################
465
466 # Compute the entropy of the training tokens
467
468 token_count = 0
469 for input in quiz_machine.batches(models[0], split="train", desc="train-entropy"):
470     token_count += F.one_hot(input, num_classes=quiz_machine.vocabulary_size()).sum(
471         (0, 1)
472     )
473 token_probas = token_count / token_count.sum()
474 entropy = -torch.xlogy(token_probas, token_probas).sum()
475 train_set_perplexity = math.exp(entropy)
476
477 ######################################################################
478 # A bit of paranoia never hurts
479
480 if args.max_percents_of_test_in_train >= 0:
481
482     def subsets_as_tuples(batches, cs):
483         s = set()
484         for batch in batches:
485             for x in batch:
486                 s.add(tuple([v.item() for v in x]))
487                 if len(s) == cs:
488                     yield s
489                     s = set()
490         yield s
491
492     nb_test, nb_in_train = 0, 0
493     for test_subset in subsets_as_tuples(
494         quiz_machine.batches(models[0], split="test", desc="test-check"), 25000
495     ):
496         in_train = set()
497         for train_subset in subsets_as_tuples(
498             quiz_machine.batches(models[0], split="train", desc="train-check"), 25000
499         ):
500             in_train.update(test_subset.intersection(train_subset))
501         nb_in_train += len(in_train)
502         nb_test += len(test_subset)
503
504     log_string(
505         f"data_check {nb_in_train*100/nb_test:.02f}% ({nb_in_train}/{nb_test}) of test samples are in the train set"
506     )
507
508     assert (
509         nb_in_train <= args.max_percents_of_test_in_train * nb_test / 100
510     ), f"More than {args.max_percents_of_test_in_train}% of test samples are in the train set"
511
512 ######################################################################
513
514 nb_new_c_quizzes_for_train = args.nb_train_samples // 50
515 nb_new_c_quizzes_for_test = args.nb_test_samples // 50
516
517 log_string(
518     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}"
519 )
520
521 ######################################################################
522
523 if args.dirty_debug:
524     args.accuracy_to_make_c_quizzes = 0.0
525     args.nb_gpts = 2
526     nb_new_c_quizzes_for_train = 100
527     nb_new_c_quizzes_for_test = 10
528
529     def standard_validity(logproba):
530         l = logproba.sort(dim=-1).values
531         return l[:, 0] < math.log(0.5)
532
533
534 ######################################################################
535
536 for n_epoch in range(args.nb_epochs):
537     log_string(f"--- epoch {n_epoch} ----------------------------------------")
538
539     cta = " ".join([f"{float(m.main_test_accuracy):.04f}" for m in models])
540     log_string(f"current_test_accuracies {cta}")
541
542     ##################################################
543     # Select, improve, and eval the worst model
544
545     ranked_models = sorted(models, key=lambda m: float(m.main_test_accuracy))
546
547     weakest_models = ranked_models[: args.nb_gpus]
548
549     threads = []
550
551     for gpu_id, model in enumerate(weakest_models):
552         log_string(f"training model {model.id}")
553
554         t = threading.Thread(
555             target=one_epoch, daemon=True, args=(model, quiz_machine, f"cuda:{gpu_id}")
556         )
557
558         threads.append(t)
559
560         t.start()
561
562     for t in threads:
563         t.join()
564
565     ##################################################
566     # Replace a fraction of the w_quizzes with fresh ones
567
568     log_string(
569         f"cache_w_quizzes contains {quiz_machine.problem.nb_cached_quizzes()} quizzes"
570     )
571
572     # Renew entirely the train set
573
574     for model in weakest_models:
575         quiz_machine.renew_w_quizzes(model, args.nb_train_samples)
576
577     ##################################################
578     # If all the models are good enough, generate new quizzes and
579     # re-compute the test errors
580
581     if min([m.main_test_accuracy for m in models]) >= args.accuracy_to_make_c_quizzes:
582         create_c_quizzes(
583             models,
584             quiz_machine,
585             nb_for_train=nb_new_c_quizzes_for_train,
586             nb_for_test=nb_new_c_quizzes_for_test,
587         )
588
589 ######################################################################