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