Update Cellular_Automata_Kernel.py

Neural_Cellular_Automata_Google/Cellular_Automata_Kernel.py

@@ -34,48 +34,19 @@
          [770.]]   ]]
 
 ####################################################################
-
 import numpy as np
 import tensorflow as tf
 
 # sets, rows, columns
 ## 2D CNN expects a 4D (batch, height, width, channels)
 
-inp=np.repeat(np.zeros(7),21).reshape(1,7,7,3).astype(np.float32)
-
-inp[0][3][3]=1
-inp[0][3][4]=1
-inp[0][3][2]=1
-inp[0][4][3]=1
-inp[0][4][4]=1
-inp[0][4][2]=1
-inp[0][2][3]=1
-inp[0][2][4]=1
-inp[0][2][2]=1
-
-inp=inp.reshape(1,7,7,3).astype(np.float32)
+inp=np.random.randint(0,2,7*7*3).reshape(1,7,7,3).astype(np.float32)
 
-       [0., 0., 0., 0., 0., 0., 0.],
-       [0., 0., 0., 0., 0., 0., 0.],
-       [0., 0., 1., 1., 1., 0., 0.],
-       [0., 0., 1., 1., 1., 0., 0.],
-       [0., 0., 1., 1., 1., 0., 0.],
-       [0., 0., 0., 0., 0., 0., 0.],
-       [0., 0., 0., 0., 0., 0., 0.]
-
-kernel = np.array([[ [1,1,1],[1,2,1],[1,1,1] ]]).astype(np.float32).reshape(1,3,3,1)
+kernel = np.array([[1,1,1],[1,2,1],[1,1,1]]).astype(np.float32).reshape(1,3,3,1)
 
 print('input shape ->',inp.shape)
 print('kernel shape ->',kernel.shape)
 
-result = tf.nn.conv2d(inp, kernel, strides=(1,1), padding='SAME')
-
+result = tf.nn.conv2d(inp, kernel, strides=(1,1,1,1), padding='SAME')
+result.shape
 tf.reshape(result,[7,7])
-
-       [ 0.,  0.,  0.,  0.,  0.,  0.,  0.],
-       [ 0.,  0.,  0.,  0.,  0.,  0.,  0.],
-       [ 0.,  3.,  7., 10.,  7.,  3.,  0.],
-       [ 0.,  3.,  7., 10.,  7.,  3.,  0.],
-       [ 0.,  3.,  7., 10.,  7.,  3.,  0.],
-       [ 0.,  0.,  0.,  0.,  0.,  0.,  0.],
-       [ 0.,  0.,  0.,  0.,  0.,  0.,  0.]