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