Update.
[mygptrnn.git] / mygpt.py
index f97af49..f3c9a93 100755 (executable)
--- a/mygpt.py
+++ b/mygpt.py
@@ -37,7 +37,7 @@ import ffutils
 # 1 for the successive tokens.
 #
 # Modules able to process brackets may implement a cache that is
-# resetted when the input bracket starts at t=0
+# resetted when init_cache is True
 
 
 class BracketedSequence:
@@ -457,82 +457,6 @@ def moving_window(x, dim, win_dim, win_size):
 
 ##############################
 
-# This is one order of magnitude more complicated than I expected
-
-
-def flash_back_time_src(N, H, t0, t1, CL, CH, proba, device):
-    # starting flash backs
-    fb_start = (torch.rand(N, CH, t1 - t0, device=device) <= proba).long()
-    fb_start[:, :, -CL:] = 0
-    fb_start[:, :, :CL] = 0
-
-    # Remove series longer than CL
-    fb_body = fb_start.clone()
-    fb_body[:, :, CL + 1 :] -= fb_start[:, :, : -(CL + 1)]
-    fb_body = fb_body.cumsum(dim=2)
-    fb_start = fb_start * (fb_body == 1)
-
-    # pick past starting source times
-    src_time = (
-        fb_start
-        * (
-            torch.rand(fb_start.size(), device=fb_start.device)
-            * (torch.arange(fb_start.size(2), device=fb_start.device) - CL)[
-                None, None, :
-            ]
-        ).long()
-    )
-    src_time[:, :, CL:] -= src_time.clone()[:, :, :-CL]
-    src_time = src_time.cumsum(dim=2)
-
-    src_head = fb_start * torch.randint(H, fb_start.size(), device=fb_start.device)
-    src_head[:, :, CL:] -= src_head.clone()[:, :, :-CL]
-    src_head = src_head.cumsum(dim=2)
-
-    # combine
-    src_delta = fb_start.clone()
-    src_delta[:, :, CL:] -= fb_start[:, :, :-CL]
-    src_delta = src_delta.cumsum(dim=2)
-    src_delta[:, :, CL:] -= CL * fb_start[:, :, :-CL]
-    src_time += src_delta.cumsum(dim=2) - 1
-
-    return src_time, src_head
-
-
-def insert_flash_back(rec_V, V, rec_K, K, t0, t1, CL, proba):
-    N, H, CH = V.size(0), V.size(1), rec_V.size(1)
-
-    fbt, fbh = flash_back_time_src(N, H, t0, t1, CL, CH, proba, rec_V.device)
-
-    fbt_V = fbt[:, :, :, None].expand_as(rec_V[:, :, t0:t1])
-    fbh_V = fbh[:, :, :, None].expand_as(rec_V[:, :, t0:t1])
-    t = fbt_V.clamp(min=0)
-    n = torch.arange(V.size(0), device=V.device)[:, None, None, None].expand_as(
-        rec_V[:, :, t0:t1]
-    )
-    d = torch.arange(V.size(3), device=V.device)[None, None, None, :].expand_as(
-        rec_V[:, :, t0:t1]
-    )
-    q = V[:, :, t0:t1][n, fbh_V, t, d]
-    rec_V[:, :, t0:t1] = q * (fbt_V >= 0) + rec_V[:, :, t0:t1] * (fbt_V < 0)
-
-    fbt_K = fbt[:, :, :, None].expand_as(rec_K[:, :, t0:t1])
-    fbh_K = fbh[:, :, :, None].expand_as(rec_K[:, :, t0:t1])
-    t = fbt_K.clamp(min=0)
-    n = torch.arange(K.size(0), device=K.device)[:, None, None, None].expand_as(
-        rec_K[:, :, t0:t1]
-    )
-    d = torch.arange(K.size(3), device=K.device)[None, None, None, :].expand_as(
-        rec_K[:, :, t0:t1]
-    )
-    q = K[:, :, t0:t1][n, fbh_K, t, d]
-    rec_K[:, :, t0:t1] = q * (fbt_K >= 0) + rec_K[:, :, t0:t1] * (fbt_K < 0)
-
-    # print("SANITY", (fbt_K >=0).float().sum()/fbt_K.numel())
-
-
-######################################################################
-
 
 class Caterpillar(nn.Module):
     def __init__(
@@ -557,6 +481,9 @@ class Caterpillar(nn.Module):
         self.caterpillar_height = caterpillar_height
         self.attention_dropout = attention_dropout
 
+        warnings.warn("flash back", RuntimeWarning)
+        self.proba_flashback = 1e-2
+
         self.w_G = randw(nb_heads, caterpillar_height, dim_model)
         self.b_G = nn.Parameter(
             torch.full(
@@ -588,6 +515,7 @@ class Caterpillar(nn.Module):
 
         N = bs.x.size(0)
         T = bs.x.size(1)
+        H = self.w_V.size(0)
         DV = self.w_V.size(1)
         DK = self.w_K.size(1)
         DM = self.w_O.size(1)
@@ -656,9 +584,38 @@ class Caterpillar(nn.Module):
         self.rec_V[:, :, t0:t1] = next_V.flatten(2, 3)
         self.rec_K[:, :, t0:t1] = next_K.flatten(2, 3)
 
-        warnings.warn("flash back", RuntimeWarning)
-        if self.training:
-            insert_flash_back(self.rec_V, V, self.rec_K, K, t0, t1, CL, proba=1e-2 / CL)
+        if self.training and self.proba_flashback > 0.0:
+            # This piece of code makes the assumption that there is
+            # nothing informative before t0, otherwise we'd have to
+            # implement a cache for V and K too. This should not be
+            # too much of a problem since this is used only during
+            # train, where full sequence are available
+
+            n = torch.arange(N, device=X.device)[:, None, None, None]
+            t = torch.arange(t0, t1, device=X.device)[None, None, :, None]
+            dv = torch.arange(DV, device=X.device)[None, None, None, :]
+            dk = torch.arange(DK, device=X.device)[None, None, None, :]
+
+            u = (
+                torch.rand(N, CH, t1 - t0, 1, device=X.device).mul(t).long() // CL
+            ) * CL
+
+            src_time = t - u - t0
+            src_head = torch.randint(H, (N, CH, t1 - t0, 1), device=X.device)
+
+            mask = (
+                torch.rand(N, CH, t1 - t0, DV, device=X.device) <= self.proba_flashback
+            ).long()
+
+            self.rec_V[:, :, t0:t1] = (
+                mask * V[n, src_head, src_time, dv]
+                + (1 - mask) * self.rec_V[:, :, t0:t1]
+            )
+
+            self.rec_K[:, :, t0:t1] = (
+                mask * K[n, src_head, src_time, dk]
+                + (1 - mask) * self.rec_K[:, :, t0:t1]
+            )
 
         ######################################################################
         # compute the readout