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 parser.add_argument('--independent', action = 'store_true',
  51                     help = 'Should the pair components be independent')
  52
  53 ######################################################################
  54
  55 def entropy(target):
  56     probas = []
  57     for k in range(target.max() + 1):
  58         n = (target == k).sum().item()
  59         if n > 0: probas.append(n)
  60     probas = torch.tensor(probas).float()
  61     probas /= probas.sum()
  62     return - (probas * probas.log()).sum().item()
  63
  64 def robust_log_mean_exp(x):
  65     # a = x.max()
  66     # return (x-a).exp().mean().log() + a
  67     # a = x.max()
  68     return x.exp().mean().log()
  69
  70 ######################################################################
  71
  72 args = parser.parse_args()
  73
  74 if args.seed >= 0:
  75     torch.manual_seed(args.seed)
  76
  77 used_MNIST_classes = torch.tensor(eval('[' + args.mnist_classes + ']'), device = device)
  78
  79 ######################################################################
  80
  81 train_set = torchvision.datasets.MNIST('./data/mnist/', train = True, download = True)
  82 train_input  = train_set.train_data.view(-1, 1, 28, 28).to(device).float()
  83 train_target = train_set.train_labels.to(device)
  84
  85 test_set = torchvision.datasets.MNIST('./data/mnist/', train = False, download = True)
  86 test_input = test_set.test_data.view(-1, 1, 28, 28).to(device).float()
  87 test_target = test_set.test_labels.to(device)
  88
  89 mu, std = train_input.mean(), train_input.std()
  90 train_input.sub_(mu).div_(std)
  91 test_input.sub_(mu).div_(std)
  92
  93 ######################################################################
  94
  95 # Returns a triplet of tensors (a, b, c), where a and b contain each
  96 # half of the samples, with a[i] and b[i] of same class for any i, and
  97 # c is a 1d long tensor real classes
  98
  99 def create_image_pairs(train = False):
 100     ua, ub, uc = [], [], []
 101
 102     if train:
 103         input, target = train_input, train_target
 104     else:
 105         input, target = test_input, test_target
 106
 107     for i in used_MNIST_classes:
 108         used_indices = torch.arange(input.size(0), device = target.device)\
 109                             .masked_select(target == i.item())
 110         x = input[used_indices]
 111         x = x[torch.randperm(x.size(0))]
 112         hs = x.size(0)//2
 113         ua.append(x.narrow(0, 0, hs))
 114         ub.append(x.narrow(0, hs, hs))
 115         uc.append(target[used_indices])
 116
 117     a = torch.cat(ua, 0)
 118     b = torch.cat(ub, 0)
 119     c = torch.cat(uc, 0)
 120     perm = torch.randperm(a.size(0))
 121     a = a[perm].contiguous()
 122
 123     if args.independent:
 124         perm = torch.randperm(a.size(0))
 125     b = b[perm].contiguous()
 126
 127     return a, b, c
 128
 129 ######################################################################
 130
 131 # Returns a triplet a, b, c where a are the standard MNIST images, c
 132 # the classes, and b is a Nx2 tensor, eith for every n:
 133 #
 134 #   b[n, 0] ~ Uniform(0, 10)
 135 #   b[n, 1] ~ b[n, 0] + Uniform(0, 0.5) + c[n]
 136
 137 def create_image_values_pairs(train = False):
 138     ua, ub = [], []
 139
 140     if train:
 141         input, target = train_input, train_target
 142     else:
 143         input, target = test_input, test_target
 144
 145     m = torch.zeros(used_MNIST_classes.max() + 1, dtype = torch.uint8, device = target.device)
 146     m[used_MNIST_classes] = 1
 147     m = m[target]
 148     used_indices = torch.arange(input.size(0), device = target.device).masked_select(m)
 149
 150     input = input[used_indices].contiguous()
 151     target = target[used_indices].contiguous()
 152
 153     a = input
 154     c = target
 155
 156     b = a.new(a.size(0), 2)
 157     b[:, 0].uniform_(0.0, 10.0)
 158     b[:, 1].uniform_(0.0, 0.5)
 159
 160     if args.independent:
 161         b[:, 1] += b[:, 0] + used_MNIST_classes[torch.randint(len(used_MNIST_classes), target.size())]
 162     else:
 163         b[:, 1] += b[:, 0] + target.float()
 164
 165     return a, b, c
 166
 167 ######################################################################
 168
 169 def create_sequences_pairs(train = False):
 170     nb, length = 10000, 1024
 171     noise_level = 2e-2
 172
 173     ha = torch.randint(args.nb_classes, (nb, ), device = device) + 1
 174     if args.independent:
 175         hb = torch.randint(args.nb_classes, (nb, ), device = device)
 176     else:
 177         hb = ha
 178
 179     pos = torch.empty(nb, device = device).uniform_(0.0, 0.9)
 180     a = torch.linspace(0, 1, length, device = device).view(1, -1).expand(nb, -1)
 181     a = a - pos.view(nb, 1)
 182     a = (a >= 0).float() * torch.exp(-a * math.log(2) / 0.1)
 183     a = a * ha.float().view(-1, 1).expand_as(a) / (1 + args.nb_classes)
 184     noise = a.new(a.size()).normal_(0, noise_level)
 185     a = a + noise
 186
 187     pos = torch.empty(nb, device = device).uniform_(0.0, 0.5)
 188     b1 = torch.linspace(0, 1, length, device = device).view(1, -1).expand(nb, -1)
 189     b1 = b1 - pos.view(nb, 1)
 190     b1 = (b1 >= 0).float() * torch.exp(-b1 * math.log(2) / 0.1) * 0.25
 191     pos = pos + hb.float() / (args.nb_classes + 1) * 0.5
 192     b2 = torch.linspace(0, 1, length, device = device).view(1, -1).expand(nb, -1)
 193     b2 = b2 - pos.view(nb, 1)
 194     b2 = (b2 >= 0).float() * torch.exp(-b2 * math.log(2) / 0.1) * 0.25
 195
 196     b = b1 + b2
 197     noise = b.new(b.size()).normal_(0, noise_level)
 198     b = b + noise
 199
 200     # a = (a - a.mean()) / a.std()
 201     # b = (b - b.mean()) / b.std()
 202
 203     return a, b, ha
 204
 205 ######################################################################
 206
 207 class NetForImagePair(nn.Module):
 208     def __init__(self):
 209         super(NetForImagePair, self).__init__()
 210         self.features_a = nn.Sequential(
 211             nn.Conv2d(1, 16, kernel_size = 5),
 212             nn.MaxPool2d(3), nn.ReLU(),
 213             nn.Conv2d(16, 32, kernel_size = 5),
 214             nn.MaxPool2d(2), nn.ReLU(),
 215         )
 216
 217         self.features_b = nn.Sequential(
 218             nn.Conv2d(1, 16, kernel_size = 5),
 219             nn.MaxPool2d(3), nn.ReLU(),
 220             nn.Conv2d(16, 32, kernel_size = 5),
 221             nn.MaxPool2d(2), nn.ReLU(),
 222         )
 223
 224         self.fully_connected = nn.Sequential(
 225             nn.Linear(256, 200),
 226             nn.ReLU(),
 227             nn.Linear(200, 1)
 228         )
 229
 230     def forward(self, a, b):
 231         a = self.features_a(a).view(a.size(0), -1)
 232         b = self.features_b(b).view(b.size(0), -1)
 233         x = torch.cat((a, b), 1)
 234         return self.fully_connected(x)
 235
 236 ######################################################################
 237
 238 class NetForImageValuesPair(nn.Module):
 239     def __init__(self):
 240         super(NetForImageValuesPair, self).__init__()
 241         self.features_a = nn.Sequential(
 242             nn.Conv2d(1, 16, kernel_size = 5),
 243             nn.MaxPool2d(3), nn.ReLU(),
 244             nn.Conv2d(16, 32, kernel_size = 5),
 245             nn.MaxPool2d(2), nn.ReLU(),
 246         )
 247
 248         self.features_b = nn.Sequential(
 249             nn.Linear(2, 32), nn.ReLU(),
 250             nn.Linear(32, 32), nn.ReLU(),
 251             nn.Linear(32, 128), nn.ReLU(),
 252         )
 253
 254         self.fully_connected = nn.Sequential(
 255             nn.Linear(256, 200),
 256             nn.ReLU(),
 257             nn.Linear(200, 1)
 258         )
 259
 260     def forward(self, a, b):
 261         a = self.features_a(a).view(a.size(0), -1)
 262         b = self.features_b(b).view(b.size(0), -1)
 263         x = torch.cat((a, b), 1)
 264         return self.fully_connected(x)
 265
 266 ######################################################################
 267
 268 class NetForSequencePair(nn.Module):
 269
 270     def feature_model(self):
 271         kernel_size = 11
 272         pooling_size = 4
 273         return  nn.Sequential(
 274             nn.Conv1d(      1, self.nc, kernel_size = kernel_size),
 275             nn.AvgPool1d(pooling_size),
 276             nn.LeakyReLU(),
 277             nn.Conv1d(self.nc, self.nc, kernel_size = kernel_size),
 278             nn.AvgPool1d(pooling_size),
 279             nn.LeakyReLU(),
 280             nn.Conv1d(self.nc, self.nc, kernel_size = kernel_size),
 281             nn.AvgPool1d(pooling_size),
 282             nn.LeakyReLU(),
 283             nn.Conv1d(self.nc, self.nc, kernel_size = kernel_size),
 284             nn.AvgPool1d(pooling_size),
 285             nn.LeakyReLU(),
 286         )
 287
 288     def __init__(self):
 289         super(NetForSequencePair, self).__init__()
 290
 291         self.nc = 32
 292         self.nh = 256
 293
 294         self.features_a = self.feature_model()
 295         self.features_b = self.feature_model()
 296
 297         self.fully_connected = nn.Sequential(
 298             nn.Linear(2 * self.nc, self.nh),
 299             nn.ReLU(),
 300             nn.Linear(self.nh, 1)
 301         )
 302
 303     def forward(self, a, b):
 304         a = a.view(a.size(0), 1, a.size(1))
 305         a = self.features_a(a)
 306         a = F.avg_pool1d(a, a.size(2))
 307
 308         b = b.view(b.size(0), 1, b.size(1))
 309         b = self.features_b(b)
 310         b = F.avg_pool1d(b, b.size(2))
 311
 312         x = torch.cat((a.view(a.size(0), -1), b.view(b.size(0), -1)), 1)
 313         return self.fully_connected(x)
 314
 315 ######################################################################
 316
 317 if args.data == 'image_pair':
 318     create_pairs = create_image_pairs
 319     model = NetForImagePair()
 320 elif args.data == 'image_values_pair':
 321     create_pairs = create_image_values_pairs
 322     model = NetForImageValuesPair()
 323 elif args.data == 'sequence_pair':
 324     create_pairs = create_sequences_pairs
 325     model = NetForSequencePair()
 326     ######################################################################
 327     a, b, c = create_pairs()
 328     for k in range(10):
 329         file = open(f'train_{k:02d}.dat', 'w')
 330         for i in range(a.size(1)):
 331             file.write(f'{a[k, i]:f} {b[k,i]:f}\n')
 332         file.close()
 333     # exit(0)
 334     ######################################################################
 335 else:
 336     raise Exception('Unknown data ' + args.data)
 337
 338 ######################################################################
 339
 340 print('nb_parameters %d' % sum(x.numel() for x in model.parameters()))
 341
 342 model.to(device)
 343
 344 for e in range(args.nb_epochs):
 345
 346     input_a, input_b, classes = create_pairs(train = True)
 347
 348     input_br = input_b[torch.randperm(input_b.size(0))]
 349
 350     acc_mi = 0.0
 351
 352     optimizer = torch.optim.Adam(model.parameters(), lr = 1e-4)
 353
 354     for batch_a, batch_b, batch_br in zip(input_a.split(args.batch_size),
 355                                           input_b.split(args.batch_size),
 356                                           input_br.split(args.batch_size)):
 357         mi = model(batch_a, batch_b).mean() - model(batch_a, batch_br).exp().mean().log()
 358         acc_mi += mi.item()
 359         loss = - mi
 360         optimizer.zero_grad()
 361         loss.backward()
 362         optimizer.step()
 363
 364     acc_mi /= (input_a.size(0) // args.batch_size)
 365
 366     print('%d %.04f %.04f' % (e + 1, acc_mi / math.log(2), entropy(classes) / math.log(2)))
 367
 368     sys.stdout.flush()
 369
 370 ######################################################################
 371
 372 input_a, input_b, classes = create_pairs(train = False)
 373
 374 input_br = input_b[torch.randperm(input_b.size(0))]
 375
 376 acc_mi = 0.0
 377
 378 for batch_a, batch_b, batch_br in zip(input_a.split(args.batch_size),
 379                                       input_b.split(args.batch_size),
 380                                       input_br.split(args.batch_size)):
 381     mi = model(batch_a, batch_b).mean() - model(batch_a, batch_br).exp().mean().log()
 382     acc_mi += mi.item()
 383
 384 acc_mi /= (input_a.size(0) // args.batch_size)
 385
 386 print('test %.04f %.04f'%(acc_mi / math.log(2), entropy(classes) / math.log(2)))
 387
 388 ######################################################################