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
  65 class DiscreteSampler2d(nn.Module):
  66     def __init__(self):
  67         super().__init__()
  68
  69     def forward(self, x):
  70         s = (x >= x.max(-3, keepdim=True).values).float()
  71
  72         if self.training:
  73             u = x.softmax(dim=-3)
  74             return s + u - u.detach()
  75         else:
  76             return s
  77
  78
  79 def loss_H(binary_logits, h_threshold=1):
  80     p = binary_logits.sigmoid().mean(0)
  81     h = (-p.xlogy(p) - (1 - p).xlogy(1 - p)) / math.log(2)
  82     h.clamp_(max=h_threshold)
  83     return h_threshold - h.mean()
  84
  85
  86 def train_encoder(
  87     train_input,
  88     test_input,
  89     depth,
  90     nb_bits_per_token,
  91     dim_hidden=48,
  92     lambda_entropy=0.0,
  93     lr_start=1e-3,
  94     lr_end=1e-4,
  95     nb_epochs=10,
  96     batch_size=25,
  97     logger=None,
  98     device=torch.device("cpu"),
  99 ):
 100     mu, std = train_input.float().mean(), train_input.float().std()
 101
 102     def encoder_core(depth, dim):
 103         l = [
 104             [
 105                 nn.Conv2d(
 106                     dim * 2**k, dim * 2**k, kernel_size=5, stride=1, padding=2
 107                 ),
 108                 nn.ReLU(),
 109                 nn.Conv2d(dim * 2**k, dim * 2 ** (k + 1), kernel_size=2, stride=2),
 110                 nn.ReLU(),
 111             ]
 112             for k in range(depth)
 113         ]
 114
 115         return nn.Sequential(*[x for m in l for x in m])
 116
 117     def decoder_core(depth, dim):
 118         l = [
 119             [
 120                 nn.ConvTranspose2d(
 121                     dim * 2 ** (k + 1), dim * 2**k, kernel_size=2, stride=2
 122                 ),
 123                 nn.ReLU(),
 124                 nn.ConvTranspose2d(
 125                     dim * 2**k, dim * 2**k, kernel_size=5, stride=1, padding=2
 126                 ),
 127                 nn.ReLU(),
 128             ]
 129             for k in range(depth - 1, -1, -1)
 130         ]
 131
 132         return nn.Sequential(*[x for m in l for x in m])
 133
 134     encoder = nn.Sequential(
 135         Normalizer(mu, std),
 136         nn.Conv2d(3, dim_hidden, kernel_size=1, stride=1),
 137         nn.ReLU(),
 138         # 64x64
 139         encoder_core(depth=depth, dim=dim_hidden),
 140         # 8x8
 141         nn.Conv2d(dim_hidden * 2**depth, nb_bits_per_token, kernel_size=1, stride=1),
 142     )
 143
 144     quantizer = SignSTE()
 145
 146     decoder = nn.Sequential(
 147         nn.Conv2d(nb_bits_per_token, dim_hidden * 2**depth, kernel_size=1, stride=1),
 148         # 8x8
 149         decoder_core(depth=depth, dim=dim_hidden),
 150         # 64x64
 151         nn.ConvTranspose2d(dim_hidden, 3 * Box.nb_rgb_levels, kernel_size=1, stride=1),
 152     )
 153
 154     model = nn.Sequential(encoder, decoder)
 155
 156     nb_parameters = sum(p.numel() for p in model.parameters())
 157
 158     logger(f"vqae nb_parameters {nb_parameters}")
 159
 160     model.to(device)
 161
 162     for k in range(nb_epochs):
 163         lr = math.exp(
 164             math.log(lr_start) + math.log(lr_end / lr_start) / (nb_epochs - 1) * k
 165         )
 166         optimizer = torch.optim.Adam(model.parameters(), lr=lr)
 167
 168         acc_train_loss = 0.0
 169
 170         for input in tqdm.tqdm(train_input.split(batch_size), desc="vqae-train"):
 171             input = input.to(device)
 172             z = encoder(input)
 173             zq = quantizer(z)
 174             output = decoder(zq)
 175
 176             output = output.reshape(
 177                 output.size(0), -1, 3, output.size(2), output.size(3)
 178             )
 179
 180             train_loss = F.cross_entropy(output, input)
 181
 182             if lambda_entropy > 0:
 183                 train_loss = train_loss + lambda_entropy * loss_H(z, h_threshold=0.5)
 184
 185             acc_train_loss += train_loss.item() * input.size(0)
 186
 187             optimizer.zero_grad()
 188             train_loss.backward()
 189             optimizer.step()
 190
 191         acc_test_loss = 0.0
 192
 193         for input in tqdm.tqdm(test_input.split(batch_size), desc="vqae-test"):
 194             input = input.to(device)
 195             z = encoder(input)
 196             zq = quantizer(z)
 197             output = decoder(zq)
 198
 199             output = output.reshape(
 200                 output.size(0), -1, 3, output.size(2), output.size(3)
 201             )
 202
 203             test_loss = F.cross_entropy(output, input)
 204
 205             acc_test_loss += test_loss.item() * input.size(0)
 206
 207         train_loss = acc_train_loss / train_input.size(0)
 208         test_loss = acc_test_loss / test_input.size(0)
 209
 210         logger(f"vqae train {k} lr {lr} train_loss {train_loss} test_loss {test_loss}")
 211         sys.stdout.flush()
 212
 213     return encoder, quantizer, decoder
 214
 215
 216 ######################################################################
 217
 218
 219 def scene2tensor(xh, yh, scene, size):
 220     width, height = size, size
 221     pixel_map = torch.ByteTensor(width, height, 4).fill_(255)
 222     data = pixel_map.numpy()
 223     surface = cairo.ImageSurface.create_for_data(
 224         data, cairo.FORMAT_ARGB32, width, height
 225     )
 226
 227     ctx = cairo.Context(surface)
 228     ctx.set_fill_rule(cairo.FILL_RULE_EVEN_ODD)
 229
 230     for b in scene:
 231         ctx.move_to(b.x * size, b.y * size)
 232         ctx.rel_line_to(b.w * size, 0)
 233         ctx.rel_line_to(0, b.h * size)
 234         ctx.rel_line_to(-b.w * size, 0)
 235         ctx.close_path()
 236         ctx.set_source_rgba(
 237             b.r / (Box.nb_rgb_levels - 1),
 238             b.g / (Box.nb_rgb_levels - 1),
 239             b.b / (Box.nb_rgb_levels - 1),
 240             1.0,
 241         )
 242         ctx.fill()
 243
 244     hs = size * 0.1
 245     ctx.set_source_rgba(0.0, 0.0, 0.0, 1.0)
 246     ctx.move_to(xh * size - hs / 2, yh * size - hs / 2)
 247     ctx.rel_line_to(hs, 0)
 248     ctx.rel_line_to(0, hs)
 249     ctx.rel_line_to(-hs, 0)
 250     ctx.close_path()
 251     ctx.fill()
 252
 253     return (
 254         pixel_map[None, :, :, :3]
 255         .flip(-1)
 256         .permute(0, 3, 1, 2)
 257         .long()
 258         .mul(Box.nb_rgb_levels)
 259         .floor_divide(256)
 260     )
 261
 262
 263 def random_scene(nb_insert_attempts=3):
 264     scene = []
 265     colors = [
 266         ((Box.nb_rgb_levels - 1), 0, 0),
 267         (0, (Box.nb_rgb_levels - 1), 0),
 268         (0, 0, (Box.nb_rgb_levels - 1)),
 269         ((Box.nb_rgb_levels - 1), (Box.nb_rgb_levels - 1), 0),
 270         (
 271             (Box.nb_rgb_levels * 2) // 3,
 272             (Box.nb_rgb_levels * 2) // 3,
 273             (Box.nb_rgb_levels * 2) // 3,
 274         ),
 275     ]
 276
 277     for k in range(nb_insert_attempts):
 278         wh = torch.rand(2) * 0.2 + 0.2
 279         xy = torch.rand(2) * (1 - wh)
 280         c = colors[torch.randint(len(colors), (1,))]
 281         b = Box(
 282             xy[0].item(), xy[1].item(), wh[0].item(), wh[1].item(), c[0], c[1], c[2]
 283         )
 284         if not b.collision(scene):
 285             scene.append(b)
 286
 287     return scene
 288
 289
 290 def generate_episode(steps, size=64):
 291     delta = 0.1
 292     effects = [
 293         (False, 0, 0),
 294         (False, delta, 0),
 295         (False, 0, delta),
 296         (False, -delta, 0),
 297         (False, 0, -delta),
 298         (True, delta, 0),
 299         (True, 0, delta),
 300         (True, -delta, 0),
 301         (True, 0, -delta),
 302     ]
 303
 304     while True:
 305         frames = []
 306
 307         scene = random_scene()
 308         xh, yh = tuple(x.item() for x in torch.rand(2))
 309
 310         actions = torch.randint(len(effects), (len(steps),))
 311         nb_changes = 0
 312
 313         for s, a in zip(steps, actions):
 314             if s:
 315                 frames.append(scene2tensor(xh, yh, scene, size=size))
 316
 317             grasp, dx, dy = effects[a]
 318
 319             if grasp:
 320                 for b in scene:
 321                     if b.x <= xh and b.x + b.w >= xh and b.y <= yh and b.y + b.h >= yh:
 322                         x, y = b.x, b.y
 323                         b.x += dx
 324                         b.y += dy
 325                         if (
 326                             b.x < 0
 327                             or b.y < 0
 328                             or b.x + b.w > 1
 329                             or b.y + b.h > 1
 330                             or b.collision(scene)
 331                         ):
 332                             b.x, b.y = x, y
 333                         else:
 334                             xh += dx
 335                             yh += dy
 336                             nb_changes += 1
 337             else:
 338                 x, y = xh, yh
 339                 xh += dx
 340                 yh += dy
 341                 if xh < 0 or xh > 1 or yh < 0 or yh > 1:
 342                     xh, yh = x, y
 343
 344         if nb_changes > len(steps) // 3:
 345             break
 346
 347     return frames, actions
 348
 349
 350 ######################################################################
 351
 352
 353 def generate_episodes(nb, steps):
 354     all_frames, all_actions = [], []
 355     for n in tqdm.tqdm(range(nb), dynamic_ncols=True, desc="world-data"):
 356         frames, actions = generate_episode(steps)
 357         all_frames += frames
 358         all_actions += [actions[None, :]]
 359     return torch.cat(all_frames, 0).contiguous(), torch.cat(all_actions, 0)
 360
 361
 362 def create_data_and_processors(
 363     nb_train_samples,
 364     nb_test_samples,
 365     mode,
 366     nb_steps,
 367     depth=3,
 368     nb_bits_per_token=8,
 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     if logger is None:
 380         logger = lambda s: print(s)
 381
 382     train_input, train_actions = generate_episodes(nb_train_samples, steps)
 383     train_input, train_actions = train_input.to(device_storage), train_actions.to(
 384         device_storage
 385     )
 386     test_input, test_actions = generate_episodes(nb_test_samples, steps)
 387     test_input, test_actions = test_input.to(device_storage), test_actions.to(
 388         device_storage
 389     )
 390
 391     encoder, quantizer, decoder = train_encoder(
 392         train_input,
 393         test_input,
 394         depth=depth,
 395         nb_bits_per_token=nb_bits_per_token,
 396         lambda_entropy=1.0,
 397         nb_epochs=nb_epochs,
 398         logger=logger,
 399         device=device,
 400     )
 401     encoder.train(False)
 402     quantizer.train(False)
 403     decoder.train(False)
 404
 405     z = encoder(train_input[:1].to(device))
 406     pow2 = (2 ** torch.arange(z.size(1), device=device))[None, None, :]
 407     z_h, z_w = z.size(2), z.size(3)
 408
 409     logger(f"vqae input {train_input[0].size()} output {z[0].size()}")
 410
 411     def frame2seq(input, batch_size=25):
 412         seq = []
 413         p = pow2.to(device)
 414         for x in input.split(batch_size):
 415             x = x.to(device)
 416             z = encoder(x)
 417             ze_bool = (quantizer(z) >= 0).long()
 418             output = (
 419                 ze_bool.permute(0, 2, 3, 1).reshape(
 420                     ze_bool.size(0), -1, ze_bool.size(1)
 421                 )
 422                 * p
 423             ).sum(-1)
 424
 425             seq.append(output)
 426
 427         return torch.cat(seq, dim=0)
 428
 429     def seq2frame(input, batch_size=25, T=1e-2):
 430         frames = []
 431         p = pow2.to(device)
 432         for seq in input.split(batch_size):
 433             seq = seq.to(device)
 434             zd_bool = (seq[:, :, None] // p) % 2
 435             zd_bool = zd_bool.reshape(zd_bool.size(0), z_h, z_w, -1).permute(0, 3, 1, 2)
 436             logits = decoder(zd_bool * 2.0 - 1.0)
 437             logits = logits.reshape(
 438                 logits.size(0), -1, 3, logits.size(2), logits.size(3)
 439             ).permute(0, 2, 3, 4, 1)
 440             output = torch.distributions.categorical.Categorical(
 441                 logits=logits / T
 442             ).sample()
 443
 444             frames.append(output)
 445
 446         return torch.cat(frames, dim=0)
 447
 448     return train_input, train_actions, test_input, test_actions, frame2seq, seq2frame
 449
 450
 451 ######################################################################
 452
 453 if __name__ == "__main__":
 454     (
 455         train_input,
 456         train_actions,
 457         test_input,
 458         test_actions,
 459         frame2seq,
 460         seq2frame,
 461     ) = create_data_and_processors(
 462         25000,
 463         1000,
 464         nb_epochs=5,
 465         mode="first_last",
 466         nb_steps=20,
 467     )
 468
 469     input = test_input[:256]
 470
 471     seq = frame2seq(input)
 472     output = seq2frame(seq)
 473
 474     torchvision.utils.save_image(
 475         input.float() / (Box.nb_rgb_levels - 1), "orig.png", nrow=16
 476     )
 477
 478     torchvision.utils.save_image(
 479         output.float() / (Box.nb_rgb_levels - 1), "qtiz.png", nrow=16
 480     )