mine_mnist.py

   1 #!/usr/bin/env python
   2
   3 import argparse, math, sys
   4 from copy import deepcopy
   5
   6 import torch, torchvision
   7
   8 from torch import nn
   9 import torch.nn.functional as F
  10
  11 ######################################################################
  12
  13 if torch.cuda.is_available():
  14     torch.backends.cudnn.benchmark = True
  15     device = torch.device('cuda')
  16 else:
  17     device = torch.device('cpu')
  18
  19 ######################################################################
  20
  21 parser = argparse.ArgumentParser(
  22     description = 'An implementation of Mutual Information estimator with a deep model',
  23     formatter_class = argparse.ArgumentDefaultsHelpFormatter
  24 )
  25
  26 parser.add_argument('--data',
  27                     type = str, default = 'image_pair',
  28                     help = 'What data')
  29
  30 parser.add_argument('--seed',
  31                     type = int, default = 0,
  32                     help = 'Random seed (default 0, < 0 is no seeding)')
  33
  34 parser.add_argument('--mnist_classes',
  35                     type = str, default = '0, 1, 3, 5, 6, 7, 8, 9',
  36                     help = 'What MNIST classes to use')
  37
  38 parser.add_argument('--nb_classes',
  39                     type = int, default = 2,
  40                     help = 'How many classes for sequences')
  41
  42 parser.add_argument('--nb_epochs',
  43                     type = int, default = 50,
  44                     help = 'How many epochs')
  45
  46 parser.add_argument('--batch_size',
  47                     type = int, default = 100,
  48                     help = 'Batch size')
  49
  50 ######################################################################
  51
  52 def entropy(target):
  53     probas = []
  54     for k in range(target.max() + 1):
  55         n = (target == k).sum().item()
  56         if n > 0: probas.append(n)
  57     probas = torch.tensor(probas).float()
  58     probas /= probas.sum()
  59     return - (probas * probas.log()).sum().item()
  60
  61 def robust_log_mean_exp(x):
  62     # a = x.max()
  63     # return (x-a).exp().mean().log() + a
  64     # a = x.max()
  65     return x.exp().mean().log()
  66
  67 ######################################################################
  68
  69 args = parser.parse_args()
  70
  71 if args.seed >= 0:
  72     torch.manual_seed(args.seed)
  73
  74 used_MNIST_classes = torch.tensor(eval('[' + args.mnist_classes + ']'), device = device)
  75
  76 ######################################################################
  77
  78 train_set = torchvision.datasets.MNIST('./data/mnist/', train = True, download = True)
  79 train_input  = train_set.train_data.view(-1, 1, 28, 28).to(device).float()
  80 train_target = train_set.train_labels.to(device)
  81
  82 test_set = torchvision.datasets.MNIST('./data/mnist/', train = False, download = True)
  83 test_input = test_set.test_data.view(-1, 1, 28, 28).to(device).float()
  84 test_target = test_set.test_labels.to(device)
  85
  86 mu, std = train_input.mean(), train_input.std()
  87 train_input.sub_(mu).div_(std)
  88 test_input.sub_(mu).div_(std)
  89
  90 ######################################################################
  91
  92 # Returns a triplet of tensors (a, b, c), where a and b contain each
  93 # half of the samples, with a[i] and b[i] of same class for any i, and
  94 # c is a 1d long tensor real classes
  95
  96 def create_image_pairs(train = False):
  97     ua, ub, uc = [], [], []
  98
  99     if train:
 100         input, target = train_input, train_target
 101     else:
 102         input, target = test_input, test_target
 103
 104     for i in used_MNIST_classes:
 105         used_indices = torch.arange(input.size(0), device = target.device)\
 106                             .masked_select(target == i.item())
 107         x = input[used_indices]
 108         x = x[torch.randperm(x.size(0))]
 109         hs = x.size(0)//2
 110         ua.append(x.narrow(0, 0, hs))
 111         ub.append(x.narrow(0, hs, hs))
 112         uc.append(target[used_indices])
 113
 114     a = torch.cat(ua, 0)
 115     b = torch.cat(ub, 0)
 116     c = torch.cat(uc, 0)
 117     perm = torch.randperm(a.size(0))
 118     a = a[perm].contiguous()
 119     b = b[perm].contiguous()
 120
 121     return a, b, c
 122
 123 ######################################################################
 124
 125 # Returns a triplet a, b, c where a are the standard MNIST images, c
 126 # the classes, and b is a Nx2 tensor, eith for every n:
 127 #
 128 #   b[n, 0] ~ Uniform(0, 10)
 129 #   b[n, 1] ~ b[n, 0] + Uniform(0, 0.5) + c[n]
 130
 131 def create_image_values_pairs(train = False):
 132     ua, ub = [], []
 133
 134     if train:
 135         input, target = train_input, train_target
 136     else:
 137         input, target = test_input, test_target
 138
 139     m = torch.zeros(used_MNIST_classes.max() + 1, dtype = torch.uint8, device = target.device)
 140     m[used_MNIST_classes] = 1
 141     m = m[target]
 142     used_indices = torch.arange(input.size(0), device = target.device).masked_select(m)
 143
 144     input = input[used_indices].contiguous()
 145     target = target[used_indices].contiguous()
 146
 147     a = input
 148     c = target
 149
 150     b = a.new(a.size(0), 2)
 151     b[:, 0].uniform_(0.0, 10.0)
 152     b[:, 1].uniform_(0.0, 0.5)
 153     b[:, 1] += b[:, 0] + target.float()
 154
 155     return a, b, c
 156
 157 ######################################################################
 158
 159 def create_sequences_pairs(train = False):
 160     nb, length = 10000, 1024
 161     noise_level = 2e-2
 162
 163     ha = torch.randint(args.nb_classes, (nb, ), device = device) + 1
 164     # hb = torch.randint(args.nb_classes, (nb, ), device = device)
 165     hb = ha
 166
 167     pos = torch.empty(nb, device = device).uniform_(0.0, 0.9)
 168     a = torch.linspace(0, 1, length, device = device).view(1, -1).expand(nb, -1)
 169     a = a - pos.view(nb, 1)
 170     a = (a >= 0).float() * torch.exp(-a * math.log(2) / 0.1)
 171     a = a * ha.float().view(-1, 1).expand_as(a) / (1 + args.nb_classes)
 172     noise = a.new(a.size()).normal_(0, noise_level)
 173     a = a + noise
 174
 175     pos = torch.empty(nb, device = device).uniform_(0.0, 0.5)
 176     b1 = torch.linspace(0, 1, length, device = device).view(1, -1).expand(nb, -1)
 177     b1 = b1 - pos.view(nb, 1)
 178     b1 = (b1 >= 0).float() * torch.exp(-b1 * math.log(2) / 0.1) * 0.25
 179     pos = pos + hb.float() / (args.nb_classes + 1) * 0.5
 180     b2 = torch.linspace(0, 1, length, device = device).view(1, -1).expand(nb, -1)
 181     b2 = b2 - pos.view(nb, 1)
 182     b2 = (b2 >= 0).float() * torch.exp(-b2 * math.log(2) / 0.1) * 0.25
 183
 184     b = b1 + b2
 185     noise = b.new(b.size()).normal_(0, noise_level)
 186     b = b + noise
 187
 188     # a = (a - a.mean()) / a.std()
 189     # b = (b - b.mean()) / b.std()
 190
 191     return a, b, ha
 192
 193 ######################################################################
 194
 195 class NetForImagePair(nn.Module):
 196     def __init__(self):
 197         super(NetForImagePair, self).__init__()
 198         self.features_a = nn.Sequential(
 199             nn.Conv2d(1, 16, kernel_size = 5),
 200             nn.MaxPool2d(3), nn.ReLU(),
 201             nn.Conv2d(16, 32, kernel_size = 5),
 202             nn.MaxPool2d(2), nn.ReLU(),
 203         )
 204
 205         self.features_b = nn.Sequential(
 206             nn.Conv2d(1, 16, kernel_size = 5),
 207             nn.MaxPool2d(3), nn.ReLU(),
 208             nn.Conv2d(16, 32, kernel_size = 5),
 209             nn.MaxPool2d(2), nn.ReLU(),
 210         )
 211
 212         self.fully_connected = nn.Sequential(
 213             nn.Linear(256, 200),
 214             nn.ReLU(),
 215             nn.Linear(200, 1)
 216         )
 217
 218     def forward(self, a, b):
 219         a = self.features_a(a).view(a.size(0), -1)
 220         b = self.features_b(b).view(b.size(0), -1)
 221         x = torch.cat((a, b), 1)
 222         return self.fully_connected(x)
 223
 224 ######################################################################
 225
 226 class NetForImageValuesPair(nn.Module):
 227     def __init__(self):
 228         super(NetForImageValuesPair, self).__init__()
 229         self.features_a = nn.Sequential(
 230             nn.Conv2d(1, 16, kernel_size = 5),
 231             nn.MaxPool2d(3), nn.ReLU(),
 232             nn.Conv2d(16, 32, kernel_size = 5),
 233             nn.MaxPool2d(2), nn.ReLU(),
 234         )
 235
 236         self.features_b = nn.Sequential(
 237             nn.Linear(2, 32), nn.ReLU(),
 238             nn.Linear(32, 32), nn.ReLU(),
 239             nn.Linear(32, 128), nn.ReLU(),
 240         )
 241
 242         self.fully_connected = nn.Sequential(
 243             nn.Linear(256, 200),
 244             nn.ReLU(),
 245             nn.Linear(200, 1)
 246         )
 247
 248     def forward(self, a, b):
 249         a = self.features_a(a).view(a.size(0), -1)
 250         b = self.features_b(b).view(b.size(0), -1)
 251         x = torch.cat((a, b), 1)
 252         return self.fully_connected(x)
 253
 254 ######################################################################
 255
 256 class NetForSequencePair(nn.Module):
 257
 258     def feature_model(self):
 259         kernel_size = 11
 260         pooling_size = 4
 261         return  nn.Sequential(
 262             nn.Conv1d(      1, self.nc, kernel_size = kernel_size),
 263             nn.AvgPool1d(pooling_size),
 264             nn.LeakyReLU(),
 265             nn.Conv1d(self.nc, self.nc, kernel_size = kernel_size),
 266             nn.AvgPool1d(pooling_size),
 267             nn.LeakyReLU(),
 268             nn.Conv1d(self.nc, self.nc, kernel_size = kernel_size),
 269             nn.AvgPool1d(pooling_size),
 270             nn.LeakyReLU(),
 271             nn.Conv1d(self.nc, self.nc, kernel_size = kernel_size),
 272             nn.AvgPool1d(pooling_size),
 273             nn.LeakyReLU(),
 274         )
 275
 276     def __init__(self):
 277         super(NetForSequencePair, self).__init__()
 278
 279         self.nc = 32
 280         self.nh = 256
 281
 282         self.features_a = self.feature_model()
 283         self.features_b = self.feature_model()
 284
 285         self.fully_connected = nn.Sequential(
 286             nn.Linear(2 * self.nc, self.nh),
 287             nn.ReLU(),
 288             nn.Linear(self.nh, 1)
 289         )
 290
 291     def forward(self, a, b):
 292         a = a.view(a.size(0), 1, a.size(1))
 293         a = self.features_a(a)
 294         a = F.avg_pool1d(a, a.size(2))
 295
 296         b = b.view(b.size(0), 1, b.size(1))
 297         b = self.features_b(b)
 298         b = F.avg_pool1d(b, b.size(2))
 299
 300         x = torch.cat((a.view(a.size(0), -1), b.view(b.size(0), -1)), 1)
 301         return self.fully_connected(x)
 302
 303 ######################################################################
 304
 305 if args.data == 'image_pair':
 306     create_pairs = create_image_pairs
 307     model = NetForImagePair()
 308 elif args.data == 'image_values_pair':
 309     create_pairs = create_image_values_pairs
 310     model = NetForImageValuesPair()
 311 elif args.data == 'sequence_pair':
 312     create_pairs = create_sequences_pairs
 313     model = NetForSequencePair()
 314     ######################################################################
 315     a, b, c = create_pairs()
 316     for k in range(10):
 317         file = open(f'/tmp/train_{k:02d}.dat', 'w')
 318         for i in range(a.size(1)):
 319             file.write(f'{a[k, i]:f} {b[k,i]:f}\n')
 320         file.close()
 321     # exit(0)
 322     ######################################################################
 323 else:
 324     raise Exception('Unknown data ' + args.data)
 325
 326 ######################################################################
 327
 328 print('nb_parameters %d' % sum(x.numel() for x in model.parameters()))
 329
 330 model.to(device)
 331
 332 for e in range(args.nb_epochs):
 333
 334     input_a, input_b, classes = create_pairs(train = True)
 335
 336     input_br = input_b[torch.randperm(input_b.size(0))]
 337
 338     acc_mi = 0.0
 339
 340     optimizer = torch.optim.Adam(model.parameters(), lr = 1e-4)
 341
 342     for batch_a, batch_b, batch_br in zip(input_a.split(args.batch_size),
 343                                           input_b.split(args.batch_size),
 344                                           input_br.split(args.batch_size)):
 345         mi = model(batch_a, batch_b).mean() - model(batch_a, batch_br).exp().mean().log()
 346         acc_mi += mi.item()
 347         loss = - mi
 348         optimizer.zero_grad()
 349         loss.backward()
 350         optimizer.step()
 351
 352     acc_mi /= (input_a.size(0) // args.batch_size)
 353
 354     print('%d %.04f %.04f' % (e + 1, acc_mi / math.log(2), entropy(classes) / math.log(2)))
 355
 356     sys.stdout.flush()
 357
 358 ######################################################################
 359
 360 input_a, input_b, classes = create_pairs(train = False)
 361
 362 input_br = input_b[torch.randperm(input_b.size(0))]
 363
 364 acc_mi = 0.0
 365
 366 for batch_a, batch_b, batch_br in zip(input_a.split(args.batch_size),
 367                                       input_b.split(args.batch_size),
 368                                       input_br.split(args.batch_size)):
 369     mi = model(batch_a, batch_b).mean() - model(batch_a, batch_br).exp().mean().log()
 370     acc_mi += mi.item()
 371
 372 acc_mi /= (input_a.size(0) // args.batch_size)
 373
 374 print('test %.04f %.04f'%(acc_mi / math.log(2), entropy(classes) / math.log(2)))
 375
 376 ######################################################################