mine_mnist.py

   1 #!/usr/bin/env python
   2
   3 # @XREMOTE_HOST: elk.fleuret.org
   4 # @XREMOTE_EXEC: ~/conda/bin/python
   5 # @XREMOTE_PRE: ln -s ~/data/pytorch ./data
   6 # @XREMOTE_PRE: killall -q -9 python || true
   7
   8 import math, sys, torch, torchvision
   9
  10 from torch import nn
  11 from torch.nn import functional as F
  12
  13 ######################################################################
  14
  15 # Returns a pair of tensors (a, b, c), where a and b are Nx1x28x28
  16 # tensors containing images, with a[i] and b[i] of same class for any
  17 # i, and c is a 1d long tensor with the count of pairs per class used.
  18
  19 def create_pair_set(used_classes, input, target):
  20     u = []
  21
  22     for i in used_classes:
  23         used_indices = torch.arange(input.size(0), device = target.device)\
  24                             .masked_select(target == i.item())
  25         x = input[used_indices]
  26         x = x[torch.randperm(x.size(0))]
  27         # Careful with odd numbers of samples in a class
  28         x = x[0:2 * (x.size(0) // 2)].reshape(-1, 2, 28, 28)
  29         u.append(x)
  30
  31     x = torch.cat(u, 0)
  32     x = x[torch.randperm(x.size(0))]
  33     c = torch.tensor([x.size(0) for x in u])
  34
  35     return x.narrow(1, 0, 1).contiguous(), x.narrow(1, 1, 1).contiguous(), c
  36
  37 ######################################################################
  38
  39 class Net(nn.Module):
  40     def __init__(self):
  41         super(Net, self).__init__()
  42         self.conv1 = nn.Conv2d(2, 32, kernel_size = 5)
  43         self.conv2 = nn.Conv2d(32, 64, kernel_size = 5)
  44         self.fc1 = nn.Linear(256, 200)
  45         self.fc2 = nn.Linear(200, 1)
  46
  47     def forward(self, a, b):
  48         x = torch.cat((a, b), 1)
  49         x = F.relu(F.max_pool2d(self.conv1(x), kernel_size = 3))
  50         x = F.relu(F.max_pool2d(self.conv2(x), kernel_size = 2))
  51         x = x.view(x.size(0), -1)
  52         x = F.relu(self.fc1(x))
  53         x = self.fc2(x)
  54         return x
  55
  56 ######################################################################
  57
  58 train_set = torchvision.datasets.MNIST('./data/mnist/', train = True, download = True)
  59 train_input  = train_set.train_data.view(-1, 1, 28, 28).float()
  60 train_target = train_set.train_labels
  61
  62 test_set = torchvision.datasets.MNIST('./data/mnist/', train = False, download = True)
  63 test_input = test_set.test_data.view(-1, 1, 28, 28).float()
  64 test_target = test_set.test_labels
  65
  66 mu, std = train_input.mean(), train_input.std()
  67 train_input.sub_(mu).div_(std)
  68 test_input.sub_(mu).div_(std)
  69
  70 ######################################################################
  71
  72 # The information bound is the log of the number of classes in there
  73
  74 # used_classes = torch.tensor([ 0, 1, 3, 5, 6, 7, 8, 9])
  75 used_classes = torch.tensor([ 3, 4, 7, 0 ])
  76
  77 nb_epochs, batch_size = 50, 100
  78
  79 model = Net()
  80 optimizer = torch.optim.Adam(model.parameters(), lr = 1e-3)
  81
  82 if torch.cuda.is_available():
  83     model.cuda()
  84     train_input, train_target = train_input.cuda(), train_target.cuda()
  85     test_input, test_target = test_input.cuda(), test_target.cuda()
  86
  87 for e in range(nb_epochs):
  88
  89     input_a, input_b, count = create_pair_set(used_classes, train_input, train_target)
  90
  91     class_proba = count.float()
  92     class_proba /= class_proba.sum()
  93     class_entropy = - (class_proba.log() * class_proba).sum().item()
  94
  95     input_br = input_b[torch.randperm(input_b.size(0))]
  96
  97     acc_mi = 0.0
  98
  99     for batch_a, batch_b, batch_br in zip(input_a.split(batch_size),
 100                                           input_b.split(batch_size),
 101                                           input_br.split(batch_size)):
 102         mi = model(batch_a, batch_b).mean() - model(batch_a, batch_br).exp().mean().log()
 103         loss = - mi
 104         acc_mi += mi.item()
 105         optimizer.zero_grad()
 106         loss.backward()
 107         optimizer.step()
 108
 109     acc_mi /= (input_a.size(0) // batch_size)
 110
 111     print('%d %.04f %.04f'%(e, acc_mi / math.log(2), class_entropy / math.log(2)))
 112
 113     sys.stdout.flush()
 114
 115 ######################################################################
 116
 117 input_a, input_b, count = create_pair_set(used_classes, test_input, test_target)
 118
 119 for e in range(nb_epochs):
 120     class_proba = count.float()
 121     class_proba /= class_proba.sum()
 122     class_entropy = - (class_proba.log() * class_proba).sum().item()
 123
 124     input_br = input_b[torch.randperm(input_b.size(0))]
 125
 126     acc_mi = 0.0
 127
 128     for batch_a, batch_b, batch_br in zip(input_a.split(batch_size),
 129                                           input_b.split(batch_size),
 130                                           input_br.split(batch_size)):
 131         loss = - (model(batch_a, batch_b).mean() - model(batch_a, batch_br).exp().mean().log())
 132         acc_mi -= loss.item()
 133
 134     acc_mi /= (input_a.size(0) // batch_size)
 135
 136 print('test %.04f %.04f'%(acc_mi / math.log(2), class_entropy / math.log(2)))
 137
 138 ######################################################################