Update.
authorFrançois Fleuret <francois@fleuret.org>
Sun, 24 Mar 2024 08:05:51 +0000 (09:05 +0100)
committerFrançois Fleuret <francois@fleuret.org>
Sun, 24 Mar 2024 08:05:51 +0000 (09:05 +0100)
evasion.py

index a06213e..5d9547f 100755 (executable)
@@ -6,8 +6,19 @@ from torch.nn import functional as F
 
 ######################################################################
 
+nb_state_codes = 4
+nb_rewards_codes = 3
+nb_actions_codes = 5
 
-def generate_sequence(nb, height=6, width=6, T=10):
+first_state_code = 0
+first_rewards_code = first_state_code + nb_state_codes
+first_actions_code = first_rewards_code + nb_rewards_codes
+nb_codes = first_actions_code + nb_actions_codes
+
+######################################################################
+
+
+def generate_episodes(nb, height=6, width=6, T=10):
     rnd = torch.rand(nb, height, width)
     rnd[:, 0, :] = 0
     rnd[:, -1, :] = 0
@@ -22,14 +33,14 @@ def generate_sequence(nb, height=6, width=6, T=10):
         ).long().reshape(rnd.size())
         rnd = rnd * (1 - wall.clamp(max=1))
 
-    seq = wall[:, None, :, :].expand(-1, T, -1, -1).clone()
+    states = wall[:, None, :, :].expand(-1, T, -1, -1).clone()
 
-    agent = torch.zeros(seq.size(), dtype=torch.int64)
+    agent = torch.zeros(states.size(), dtype=torch.int64)
     agent[:, 0, 0, 0] = 1
     agent_actions = torch.randint(5, (nb, T))
     rewards = torch.zeros(nb, T, dtype=torch.int64)
 
-    monster = torch.zeros(seq.size(), dtype=torch.int64)
+    monster = torch.zeros(states.size(), dtype=torch.int64)
     monster[:, 0, -1, -1] = 1
     monster_actions = torch.randint(5, (nb, T))
 
@@ -77,47 +88,82 @@ def generate_sequence(nb, height=6, width=6, T=10):
 
         assert hit.min() == 0 and hit.max() <= 1
 
-        rewards[:, t] = -hit + (1 - hit) * agent[:, t + 1, -1, -1]
+        rewards[:, t + 1] = -hit + (1 - hit) * agent[:, t + 1, -1, -1]
 
-    seq += 2 * agent + 3 * monster
+    states += 2 * agent + 3 * monster
 
-    return seq, agent_actions, rewards
+    return states, agent_actions, rewards
 
 
 ######################################################################
 
 
-def seq2str(seq, actions, rewards):
-    # symbols=" #@$"
-    # vert, hori, cross, thin_hori = "|", "-", "+", "-"
+def episodes2seq(states, actions, rewards):
+    states = states.flatten(2) + first_state_code
+    actions = actions[:, :, None] + first_actions_code
+    rewards = (rewards[:, :, None] + 1) + first_rewards_code
+
+    assert (
+        states.min() >= first_state_code
+        and states.max() < first_state_code + nb_state_codes
+    )
+    assert (
+        actions.min() >= first_actions_code
+        and actions.max() < first_actions_code + nb_actions_codes
+    )
+    assert (
+        rewards.min() >= first_rewards_code
+        and rewards.max() < first_rewards_code + nb_rewards_codes
+    )
+
+    return torch.cat([states, actions, rewards], dim=2).flatten(1)
+
 
-    symbols = " █@$"
-    vert, hori, cross, thin_hori = "║", "═", "╬", "─"
-    vert, hori, cross, thin_hori = "┃", "━", "╋", "─"
+def seq2episodes(seq, height, width):
+    seq = seq.reshape(seq.size(0), -1, height * width + 2)
+    states = seq[:, :, : height * width] - first_state_code
+    states = states.reshape(states.size(0), states.size(1), height, width)
+    actions = seq[:, :, height * width] - first_actions_code
+    rewards = seq[:, :, height * width + 1] - first_rewards_code - 1
+    return states, actions, rewards
 
-    # hline = ("+" + "-" * seq.size(-1)) * seq.size(1) + "+" + "\n"
-    hline = (cross + hori * seq.size(-1)) * seq.size(1) + cross + "\n"
+
+######################################################################
+
+
+def episodes2str(states, actions, rewards, unicode=False, ansi_colors=False):
+    if unicode:
+        symbols = " █@$"
+        # vert, hori, cross, thin_hori = "║", "═", "╬", "─"
+        vert, hori, cross, thin_hori = "┃", "━", "╋", "─"
+    else:
+        symbols = " #@$"
+        vert, hori, cross, thin_hori = "|", "-", "+", "-"
+
+    hline = (cross + hori * states.size(-1)) * states.size(1) + cross + "\n"
 
     result = hline
 
-    for n in range(seq.size(0)):
-        for i in range(seq.size(2)):
+    for n in range(states.size(0)):
+        for i in range(states.size(2)):
             result += (
                 vert
                 + vert.join(
-                    ["".join([symbols[v.item()] for v in row]) for row in seq[n, :, i]]
+                    [
+                        "".join([symbols[v.item()] for v in row])
+                        for row in states[n, :, i]
+                    ]
                 )
                 + vert
                 + "\n"
             )
 
-        # result += hline
-        result += (vert + thin_hori * seq.size(-1)) * seq.size(1) + vert + "\n"
+        result += (vert + thin_hori * states.size(-1)) * states.size(1) + vert + "\n"
 
         def status_bar(a, r):
-            a = "INESW"[a.item()]
-            r = f"{r.item()}"
-            return a + " " * (seq.size(-1) - len(a) - len(r)) + r
+            a = "ISNEW"[a.item()]
+            r = "" if r == 0 else f"{r.item()}"
+            return a + " " * (states.size(-1) - len(a) - len(r)) + r
 
         result += (
             vert
@@ -128,12 +174,18 @@ def seq2str(seq, actions, rewards):
 
         result += hline
 
+    if ansi_colors:
+        for u, c in [("$", 31), ("@", 32)]:
+            result = result.replace(u, f"\u001b[{c}m{u}\u001b[0m")
+
     return result
 
 
 ######################################################################
 
 if __name__ == "__main__":
-    seq, actions, rewards = generate_sequence(10, 4, 6, T=20)
-
-    print(seq2str(seq, actions, rewards))
+    height, width, T = 4, 6, 20
+    states, actions, rewards = generate_episodes(3, height, width, T)
+    seq = episodes2seq(states, actions, rewards)
+    s, a, r = seq2episodes(seq, height, width)
+    print(episodes2str(s, a, r, unicode=True, ansi_colors=True))