dagnn.lua

   1
   2 --[[
   3
   4    Copyright (c) 2016 Idiap Research Institute, http://www.idiap.ch/
   5    Written by Francois Fleuret <francois.fleuret@idiap.ch>
   6
   7    This file is free software: you can redistribute it and/or modify
   8    it under the terms of the GNU General Public License version 3 as
   9    published by the Free Software Foundation.
  10
  11    It is distributed in the hope that it will be useful, but WITHOUT
  12    ANY WARRANTY; without even the implied warranty of MERCHANTABILITY
  13    or FITNESS FOR A PARTICULAR PURPOSE.  See the GNU General Public
  14    License for more details.
  15
  16    You should have received a copy of the GNU General Public License
  17    along with this file.  If not, see <http://www.gnu.org/licenses/>.
  18
  19 ]]--
  20
  21 require 'torch'
  22 require 'nn'
  23
  24 local DAG, parent = torch.class('nn.DAG', 'nn.Container')
  25
  26 function DAG:__init()
  27    parent.__init(self)
  28    -- Nodes are indexed by the module they contain
  29    self.node = { }
  30 end
  31
  32 -- Apply f on t recursively; use the corresponding elements from args
  33 -- (i.e. same keys) as second parameter to f when available; return
  34 -- the results from f, organized in a similarly nested table.
  35 function DAG:nestedApply(f, t, args)
  36    if torch.type(t) == 'table' then
  37       local result = {}
  38       for k, s in pairs(t) do
  39          result[k] = self:nestedApply(f, s, args and args[k])
  40       end
  41       return result
  42    else
  43       return f(t, args)
  44    end
  45 end
  46
  47 function DAG:createNode(nnm)
  48    if not self.node[nnm] then
  49       self:add(nnm) -- Add it to the object as a Container
  50       local node = {}
  51       node.succ = {}
  52       node.pred = {}
  53       node.index = #self.modules
  54       self.node[nnm] = node
  55    end
  56 end
  57
  58 function DAG:putInOrder()
  59    if self.sorted then
  60       return
  61    end
  62
  63    local distance = {}
  64    self:nestedApply(function(m) distance[m] = 1 end, self.inputModules)
  65
  66    local nc
  67    repeat
  68       nc = 0
  69       for nnma, node in pairs(self.node) do
  70          for _, nnmb in pairs(node.succ) do
  71             if distance[nnma] and (not distance[nnmb] or distance[nnmb] < distance[nnma] + 1) then
  72                distance[nnmb] = distance[nnma] + 1
  73                nc = nc + 1
  74             end
  75          end
  76       end
  77    until nc == 0
  78
  79    self.sorted = { }
  80    for m, d in pairs(distance) do
  81       table.insert(self.sorted, { distance = d, nnm = m })
  82    end
  83
  84    table.sort(self.sorted, function(a, b) return a.distance < b.distance end)
  85
  86    for i, a in ipairs(self.sorted) do self.sorted[i] = a.nnm end
  87 end
  88
  89 function DAG:updateGradOutput(node)
  90    local gradInputSucc = node.gradInputSucc
  91    if #gradInputSucc == 1 then
  92       node.gradOutput = gradInputSucc[1]
  93    elseif #gradInputSucc > 1 then
  94       if node.gradOutput then
  95          node.gradOutput:resize(gradInputSucc[1]):copy(gradInputSucc[1])
  96       else
  97          node.gradOutput = gradInputSucc[1]:clone()
  98       end
  99       for k = 2, #gradInputSucc do
 100          node.gradOutput:add(gradInputSucc[k])
 101       end
 102    end
 103 end
 104
 105 ----------------------------------------------------------------------
 106
 107 -- Connect a sequence of modules
 108 function DAG:connect(...)
 109    self.sorted = nil
 110    local prev
 111    for _, nnm in pairs({...}) do
 112       self:createNode(nnm)
 113       if prev then
 114          table.insert(self.node[nnm].pred, prev)
 115          table.insert(self.node[prev].succ, nnm)
 116       end
 117       prev = nnm
 118    end
 119 end
 120
 121 function DAG:setInput(i)
 122    self.sorted = nil
 123    self.inputModules = i
 124    self:nestedApply(
 125       function(nnm)
 126          if #self.node[nnm].succ == 0 then
 127             error('Input modules must have outgoing  edges.')
 128          end
 129          if #self.node[nnm].pred > 0 then
 130             error('Input modules cannog have incoming edges.')
 131          end
 132       end,
 133       self.inputModules
 134    )
 135 end
 136
 137 function DAG:setOutput(o)
 138    self.sorted = nil
 139    self.outputModules = o
 140    self:nestedApply(
 141       function(nnm)
 142          if #self.node[nnm].pred == 0 then
 143             error('Output module must have incoming edges.')
 144          end
 145          if #self.node[nnm].succ > 0 then
 146             error('Output module cannot have outgoing edges.')
 147          end
 148       end,
 149       self.outputModules
 150    )
 151 end
 152
 153 function DAG:print()
 154    self:putInOrder()
 155
 156    for i, d in ipairs(self.sorted) do
 157       print('#' .. i .. ' -> ' .. torch.type(d))
 158    end
 159 end
 160
 161 ----------------------------------------------------------------------
 162
 163 function DAG:saveDot(filename)
 164    local file = (filename and io.open(filename, 'w')) or io.stdout
 165
 166    file:write('digraph {\n')
 167
 168    file:write('\n')
 169
 170    for nnmb, node in pairs(self.node) do
 171       file:write(
 172          '  '
 173             .. node.index
 174             .. ' [shape=box,label=\"' .. torch.type(nnmb) .. '\"]'
 175             .. '\n'
 176       )
 177
 178       for i, nnma in pairs(node.pred) do
 179          local decoration = ''
 180          if #node.pred > 1 then
 181             -- decoration = ' [headlabel=\"' .. i .. '\"]'
 182             decoration = ' [label=\"' .. i .. '\"]'
 183          end
 184          file:write(
 185             '  '
 186                .. self.node[nnma].index
 187                .. ' -> '
 188                .. self.node[nnmb].index
 189                .. decoration
 190                .. '\n'
 191          )
 192       end
 193
 194       file:write('\n')
 195    end
 196
 197    file:write('}\n')
 198
 199 end
 200
 201 ----------------------------------------------------------------------
 202
 203 function DAG:updateOutput(input)
 204    self:putInOrder()
 205
 206    self:nestedApply(
 207       function(nnm, i)
 208          self.node[nnm].input = i
 209          self:rethrowErrors(nnm, self.node[nnm].index, 'updateOutput', i)
 210       end,
 211       self.inputModules,
 212       input
 213    )
 214
 215    for _, nnm in ipairs(self.sorted) do
 216       local node = self.node[nnm]
 217       if #node.pred > 0 then
 218          local i
 219          if #node.pred == 1 then
 220             i = node.pred[1].output
 221          elseif #node.pred > 1 then
 222             i = {}
 223             for k = 1, #node.pred do
 224                i[k] = node.pred[k].output
 225             end
 226          end
 227          node.input = i
 228          self:rethrowErrors(nnm, self.node[nnm].index, 'updateOutput', i)
 229       end
 230    end
 231
 232    self.output = self:nestedApply(
 233       function(m) return m.output end,
 234       self.outputModules
 235    )
 236
 237    return self.output
 238 end
 239
 240 function DAG:updateGradInput(input, gradOutput)
 241    assert(self.sorted, 'There has been a DAG structure change before a DAG:updateGradInput')
 242
 243    self:nestedApply(
 244       function(nnm, go)
 245          local node = self.node[nnm]
 246          node.gradOutput = go
 247          self:rethrowErrors(nnm, node.index, 'updateGradInput', self.node[nnm].input, go)
 248       end,
 249       self.outputModules, gradOutput
 250    )
 251
 252    self:nestedApply(
 253       function(nnm, i) self.node[nnm].input = i end,
 254       self.inputModules, input
 255    )
 256
 257    for _, node in pairs(self.node) do
 258       node.gradInputSucc = {}
 259    end
 260
 261    for k = #self.sorted, 1, -1 do
 262       local nnm = self.sorted[k]
 263       local node = self.node[nnm]
 264       local pred = node.pred
 265
 266       if #node.gradInputSucc > 0 then
 267          self:updateGradOutput(node)
 268          self:rethrowErrors(nnm, self.node[nnm].index, 'updateGradInput', node.input, node.gradOutput)
 269       end
 270
 271       -- We fill the gradInputSucc of our predecessors
 272       if #pred == 1 then
 273          table.insert(self.node[pred[1]].gradInputSucc, nnm.gradInput)
 274       elseif #pred > 1 then
 275          if not torch.type(nnm.gradInput) == 'table' then
 276             error('Should have a table gradInput since it has multiple predecessors')
 277          end
 278          for n = 1, #pred do
 279             table.insert(self.node[node.pred[n]].gradInputSucc, nnm.gradInput[n])
 280          end
 281       end
 282    end
 283
 284    self.gradInput = self:nestedApply(function(m) return m.gradInput end, self.inputModules)
 285
 286    return self.gradInput
 287 end
 288
 289 function DAG:accGradParameters(input, gradOutput, scale)
 290    scale = scale or 1
 291
 292    assert(self.sorted, 'There has been a DAG structure change before a DAG:accGradParameters')
 293
 294    self:nestedApply(
 295       function(nnm, go) self.node[nnm].gradOutput = go end,
 296       self.outputModules, gradOutput
 297    )
 298
 299    self:nestedApply(
 300       function(nnm, i) self.node[nnm].input = i end,
 301       self.inputModules, input
 302    )
 303
 304    for k = 1, #self.modules do
 305       local nnm = self.modules[k]
 306       local node = self.node[nnm]
 307       self:rethrowErrors(nnm, k, 'accGradParameters', node.input, node.gradOutput, scale)
 308    end
 309 end