minidiffusion.py

   1 #!/usr/bin/env python
   2
   3 # Any copyright is dedicated to the Public Domain.
   4 # https://creativecommons.org/publicdomain/zero/1.0/
   5
   6 # Written by Francois Fleuret <francois@fleuret.org>
   7
   8 import matplotlib.pyplot as plt
   9 import torch
  10 from torch import nn
  11
  12 ######################################################################
  13
  14 def sample_phi(nb):
  15     p, std = 0.3, 0.2
  16     result = torch.empty(nb).normal_(0, std)
  17     result = result + torch.sign(torch.rand(result.size()) - p) / 2
  18     return result
  19
  20 ######################################################################
  21
  22 model = nn.Sequential(
  23     nn.Linear(2, 32),
  24     nn.ReLU(),
  25     nn.Linear(32, 32),
  26     nn.ReLU(),
  27     nn.Linear(32, 1),
  28 )
  29
  30 ######################################################################
  31 # Train
  32
  33 nb_samples = 25000
  34 nb_epochs = 250
  35 batch_size = 100
  36
  37 train_input = sample_phi(nb_samples)[:, None]
  38
  39 T = 1000
  40 beta = torch.linspace(1e-4, 0.02, T)
  41 alpha = 1 - beta
  42 alpha_bar = alpha.log().cumsum(0).exp()
  43 sigma = beta.sqrt()
  44
  45 for k in range(nb_epochs):
  46     acc_loss = 0
  47     optimizer = torch.optim.Adam(model.parameters(), lr = 1e-4 * (1 - k / nb_epochs) )
  48
  49     for x0 in train_input.split(batch_size):
  50         t = torch.randint(T, (x0.size(0), 1))
  51         eps = torch.randn(x0.size())
  52         input = alpha_bar[t].sqrt() * x0 + (1 - alpha_bar[t]).sqrt() * eps
  53         input = torch.cat((input, 2 * t / T - 1), 1)
  54         output = model(input)
  55         loss = (eps - output).pow(2).mean()
  56         optimizer.zero_grad()
  57         loss.backward()
  58         optimizer.step()
  59
  60         acc_loss += loss.item()
  61
  62     if k%10 == 0: print(k, loss.item())
  63
  64 ######################################################################
  65 # Plot
  66
  67 x = torch.randn(10000, 1)
  68
  69 for t in range(T-1, -1, -1):
  70     z = torch.zeros(x.size()) if t == 0 else torch.randn(x.size())
  71     input = torch.cat((x, torch.ones(x.size(0), 1) * 2 * t / T - 1), 1)
  72     x = 1 / alpha[t].sqrt() * (x - (1 - alpha[t])/(1 - alpha_bar[t]).sqrt() * model(input)) + sigma[t] * z
  73
  74 fig = plt.figure()
  75 ax = fig.add_subplot(1, 1, 1)
  76 ax.set_xlim(-1.25, 1.25)
  77
  78 d = train_input.flatten().detach().numpy()
  79 ax.hist(d, 25, (-1, 1), histtype = 'stepfilled', color = 'lightblue', density = True, label = 'Train')
  80
  81 d = x.flatten().detach().numpy()
  82 ax.hist(d, 25, (-1, 1), histtype = 'step', color = 'red', density = True, label = 'Synthesis')
  83
  84 ax.legend(frameon = False, loc = 2)
  85
  86 filename = 'diffusion.pdf'
  87 fig.savefig(filename, bbox_inches='tight')
  88
  89 plt.show()
  90
  91 ######################################################################