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 || echo "Nothing killed"
   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 (x, c), where x is a Nx2x28x28 containing
  16 # pairs of images of same classes (one per channel), and p is a 1d
  17 # 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).contiguous()
  32     c = torch.tensor([x.size(0) for x in u])
  33
  34     return x, c
  35
  36 ######################################################################
  37
  38 class Net(nn.Module):
  39     def __init__(self):
  40         super(Net, self).__init__()
  41         self.conv1 = nn.Conv2d(2, 32, kernel_size = 5)
  42         self.conv2 = nn.Conv2d(32, 64, kernel_size = 5)
  43         self.fc1 = nn.Linear(256, 200)
  44         self.fc2 = nn.Linear(200, 1)
  45
  46     def forward(self, x):
  47         x = F.relu(F.max_pool2d(self.conv1(x), kernel_size = 3))
  48         x = F.relu(F.max_pool2d(self.conv2(x), kernel_size = 2))
  49         x = x.view(x.size(0), -1)
  50         x = F.relu(self.fc1(x))
  51         x = self.fc2(x)
  52         return x
  53
  54 ######################################################################
  55
  56 train_set = torchvision.datasets.MNIST('./data/mnist/', train = True, download = True)
  57 train_input  = train_set.train_data.view(-1, 1, 28, 28).float()
  58 train_target = train_set.train_labels
  59
  60 mu, std = train_input.mean(), train_input.std()
  61 train_input.sub_(mu).div_(std)
  62
  63 ######################################################################
  64
  65 # The information bound is the log of the number of classes in there
  66
  67 # used_classes = torch.tensor([ 0, 1, 3, 5, 6, 7, 8, 9])
  68 used_classes = torch.tensor([ 3, 4, 7, 0 ])
  69
  70 nb_epochs, batch_size = 50, 100
  71
  72 model = Net()
  73 optimizer = torch.optim.Adam(model.parameters(), lr = 1e-3)
  74
  75 if torch.cuda.is_available():
  76     model.cuda()
  77     train_input, train_target = train_input.cuda(), train_target.cuda()
  78
  79 for e in range(nb_epochs):
  80     input, count = create_pair_set(used_classes, train_input, train_target)
  81
  82     class_proba = count.float()
  83     class_proba /= class_proba.sum()
  84     class_entropy = - (class_proba.log() * class_proba).sum().item()
  85
  86     input = input[torch.randperm(input.size(0))]
  87     indep_input = input.clone()
  88     indep_input[:, 1] = input[torch.randperm(input.size(0)), 1]
  89
  90     mi = 0.0
  91
  92     for batch, indep_batch in zip(input.split(batch_size), indep_input.split(batch_size)):
  93         loss = - (model(batch).mean() - model(indep_batch).exp().mean().log())
  94         mi -= loss.item()
  95         optimizer.zero_grad()
  96         loss.backward()
  97         optimizer.step()
  98
  99     mi /= (input.size(0) // batch_size)
 100
 101     print('%d %.04f %.04f'%(e, mi / math.log(2), class_entropy / math.log(2)))
 102
 103     sys.stdout.flush()
 104
 105 ######################################################################