world.py

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