mine_mnist.py

   1 #!/usr/bin/env python
   2
   3 import math, sys, torch, torchvision
   4
   5 from torch import nn
   6 from torch.nn import functional as F
   7
   8 ######################################################################
   9
  10 train_set = torchvision.datasets.MNIST('./data/mnist/', train = True, download = True)
  11 train_input  = train_set.train_data.view(-1, 1, 28, 28).float()
  12 train_target = train_set.train_labels
  13
  14 test_set = torchvision.datasets.MNIST('./data/mnist/', train = False, download = True)
  15 test_input = test_set.test_data.view(-1, 1, 28, 28).float()
  16 test_target = test_set.test_labels
  17
  18 mu, std = train_input.mean(), train_input.std()
  19 train_input.sub_(mu).div_(std)
  20 test_input.sub_(mu).div_(std)
  21
  22 used_MNIST_classes = torch.tensor([ 0, 1, 3, 5, 6, 7, 8, 9])
  23 # used_MNIST_classes = torch.tensor([ 0, 9, 7 ])
  24 # used_MNIST_classes = torch.tensor([ 3, 4, 7, 0 ])
  25
  26 ######################################################################
  27
  28 # Returns a triplet of tensors (a, b, c), where a and b contain each
  29 # half of the samples, with a[i] and b[i] of same class for any i, and
  30 # c is a 1d long tensor with the count of pairs per class used.
  31
  32 def create_MNIST_pair_set(train = False):
  33     ua, ub = [], []
  34
  35     if train:
  36         input, target = train_input, train_target
  37     else:
  38         input, target = test_input, test_target
  39
  40     for i in used_MNIST_classes:
  41         used_indices = torch.arange(input.size(0), device = target.device)\
  42                             .masked_select(target == i.item())
  43         x = input[used_indices]
  44         x = x[torch.randperm(x.size(0))]
  45         hs = x.size(0)//2
  46         ua.append(x.narrow(0, 0, hs))
  47         ub.append(x.narrow(0, hs, hs))
  48
  49     a = torch.cat(ua, 0)
  50     b = torch.cat(ub, 0)
  51     perm = torch.randperm(a.size(0))
  52     a = a[perm].contiguous()
  53     b = b[perm].contiguous()
  54     c = torch.tensor([x.size(0) for x in ua])
  55
  56     return a, b, c
  57
  58 ######################################################################
  59
  60 class Net(nn.Module):
  61     def __init__(self):
  62         super(Net, self).__init__()
  63         self.conv1 = nn.Conv2d(2, 32, kernel_size = 5)
  64         self.conv2 = nn.Conv2d(32, 64, kernel_size = 5)
  65         self.fc1 = nn.Linear(256, 200)
  66         self.fc2 = nn.Linear(200, 1)
  67
  68     def forward(self, a, b):
  69         # Make the two images a single two-channel image
  70         x = torch.cat((a, b), 1)
  71         x = F.relu(F.max_pool2d(self.conv1(x), kernel_size = 3))
  72         x = F.relu(F.max_pool2d(self.conv2(x), kernel_size = 2))
  73         x = x.view(x.size(0), -1)
  74         x = F.relu(self.fc1(x))
  75         x = self.fc2(x)
  76         return x
  77
  78 ######################################################################
  79
  80 nb_epochs, batch_size = 50, 100
  81
  82 model = Net()
  83
  84 print('nb_parameters %d' % sum(x.numel() for x in model.parameters()))
  85
  86 optimizer = torch.optim.Adam(model.parameters(), lr = 1e-3)
  87
  88 if torch.cuda.is_available():
  89     model.cuda()
  90     train_input, train_target = train_input.cuda(), train_target.cuda()
  91     test_input, test_target = test_input.cuda(), test_target.cuda()
  92
  93 for e in range(nb_epochs):
  94
  95     input_a, input_b, count = create_MNIST_pair_set(train = True)
  96
  97     # The information bound is the entropy of the class distribution
  98     class_proba = count.float()
  99     class_proba /= class_proba.sum()
 100     class_entropy = - (class_proba.log() * class_proba).sum().item()
 101
 102     input_br = input_b[torch.randperm(input_b.size(0))]
 103
 104     acc_mi = 0.0
 105
 106     for batch_a, batch_b, batch_br in zip(input_a.split(batch_size),
 107                                           input_b.split(batch_size),
 108                                           input_br.split(batch_size)):
 109         mi = model(batch_a, batch_b).mean() - model(batch_a, batch_br).exp().mean().log()
 110         loss = - mi
 111         acc_mi += mi.item()
 112         optimizer.zero_grad()
 113         loss.backward()
 114         optimizer.step()
 115
 116     acc_mi /= (input_a.size(0) // batch_size)
 117
 118     print('%d %.04f %.04f' % (e, acc_mi / math.log(2), class_entropy / math.log(2)))
 119
 120     sys.stdout.flush()
 121
 122 ######################################################################
 123
 124 input_a, input_b, count = create_MNIST_pair_set(train = False)
 125
 126 for e in range(nb_epochs):
 127     class_proba = count.float()
 128     class_proba /= class_proba.sum()
 129     class_entropy = - (class_proba.log() * class_proba).sum().item()
 130
 131     input_br = input_b[torch.randperm(input_b.size(0))]
 132
 133     acc_mi = 0.0
 134
 135     for batch_a, batch_b, batch_br in zip(input_a.split(batch_size),
 136                                           input_b.split(batch_size),
 137                                           input_br.split(batch_size)):
 138         mi = model(batch_a, batch_b).mean() - model(batch_a, batch_br).exp().mean().log()
 139         acc_mi += mi.item()
 140
 141     acc_mi /= (input_a.size(0) // batch_size)
 142
 143 print('test %.04f %.04f'%(acc_mi / math.log(2), class_entropy / math.log(2)))
 144
 145 ######################################################################