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     device = torch.device('cuda')
  15     torch.backends.cudnn.benchmark = True
  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 ######################################################################
  39
  40 def entropy(target):
  41     probas = []
  42     for k in range(target.max() + 1):
  43         n = (target == k).sum().item()
  44         if n > 0: probas.append(n)
  45     probas = torch.tensor(probas).float()
  46     probas /= probas.sum()
  47     return - (probas * probas.log()).sum().item()
  48
  49 ######################################################################
  50
  51 args = parser.parse_args()
  52
  53 if args.seed >= 0:
  54     torch.manual_seed(args.seed)
  55
  56 used_MNIST_classes = torch.tensor(eval('[' + args.mnist_classes + ']'), device = device)
  57
  58 ######################################################################
  59
  60 train_set = torchvision.datasets.MNIST('./data/mnist/', train = True, download = True)
  61 train_input  = train_set.train_data.view(-1, 1, 28, 28).to(device).float()
  62 train_target = train_set.train_labels.to(device)
  63
  64 test_set = torchvision.datasets.MNIST('./data/mnist/', train = False, download = True)
  65 test_input = test_set.test_data.view(-1, 1, 28, 28).to(device).float()
  66 test_target = test_set.test_labels.to(device)
  67
  68 mu, std = train_input.mean(), train_input.std()
  69 train_input.sub_(mu).div_(std)
  70 test_input.sub_(mu).div_(std)
  71
  72 ######################################################################
  73
  74 # Returns a triplet of tensors (a, b, c), where a and b contain each
  75 # half of the samples, with a[i] and b[i] of same class for any i, and
  76 # c is a 1d long tensor real classes
  77
  78 def create_image_pairs(train = False):
  79     ua, ub, uc = [], [], []
  80
  81     if train:
  82         input, target = train_input, train_target
  83     else:
  84         input, target = test_input, test_target
  85
  86     for i in used_MNIST_classes:
  87         used_indices = torch.arange(input.size(0), device = target.device)\
  88                             .masked_select(target == i.item())
  89         x = input[used_indices]
  90         x = x[torch.randperm(x.size(0))]
  91         hs = x.size(0)//2
  92         ua.append(x.narrow(0, 0, hs))
  93         ub.append(x.narrow(0, hs, hs))
  94         uc.append(target[used_indices])
  95
  96     a = torch.cat(ua, 0)
  97     b = torch.cat(ub, 0)
  98     c = torch.cat(uc, 0)
  99     perm = torch.randperm(a.size(0))
 100     a = a[perm].contiguous()
 101     b = b[perm].contiguous()
 102
 103     return a, b, c
 104
 105 ######################################################################
 106
 107 # Returns a triplet a, b, c where a are the standard MNIST images, c
 108 # the classes, and b is a Nx2 tensor, eith for every n:
 109 #
 110 #   b[n, 0] ~ Uniform(0, 10)
 111 #   b[n, 1] ~ b[n, 0] + Uniform(0, 0.5) + c[n]
 112
 113 def create_image_values_pairs(train = False):
 114     ua, ub = [], []
 115
 116     if train:
 117         input, target = train_input, train_target
 118     else:
 119         input, target = test_input, test_target
 120
 121     m = torch.zeros(used_MNIST_classes.max() + 1, dtype = torch.uint8, device = target.device)
 122     m[used_MNIST_classes] = 1
 123     m = m[target]
 124     used_indices = torch.arange(input.size(0), device = target.device).masked_select(m)
 125
 126     input = input[used_indices].contiguous()
 127     target = target[used_indices].contiguous()
 128
 129     a = input
 130     c = target
 131
 132     b = a.new(a.size(0), 2)
 133     b[:, 0].uniform_(10)
 134     b[:, 1].uniform_(0.5)
 135     b[:, 1] += b[:, 0] + target.float()
 136
 137     return a, b, c
 138
 139 ######################################################################
 140
 141 def create_sequences_pairs(train = False):
 142     nb, length = 10000, 1024
 143     noise_level = 1e-2
 144
 145     nb_classes = 4
 146     ha = torch.randint(nb_classes, (nb, ), device = device) + 1
 147     # hb = torch.randint(nb_classes, (nb, ), device = device)
 148     hb = ha
 149
 150     pos = torch.empty(nb, device = device).uniform_(0.0, 0.9)
 151     a = torch.linspace(0, 1, length, device = device).view(1, -1).expand(nb, -1)
 152     a = a - pos.view(nb, 1)
 153     a = (a >= 0).float() * torch.exp(-a * math.log(2) / 0.1)
 154     a = a * ha.float().view(-1, 1).expand_as(a) / (1 + nb_classes)
 155     noise = a.new(a.size()).normal_(0, noise_level)
 156     a = a + noise
 157
 158     pos = torch.empty(nb, device = device).uniform_(0.5)
 159     b1 = torch.linspace(0, 1, length, device = device).view(1, -1).expand(nb, -1)
 160     b1 = b1 - pos.view(nb, 1)
 161     b1 = (b1 >= 0).float() * torch.exp(-b1 * math.log(2) / 0.1)
 162     pos = pos + hb.float() / (nb_classes + 1) * 0.5
 163     b2 = torch.linspace(0, 1, length, device = device).view(1, -1).expand(nb, -1)
 164     b2 = b2 - pos.view(nb, 1)
 165     b2 = (b2 >= 0).float() * torch.exp(-b2 * math.log(2) / 0.1)
 166
 167     b = b1 + b2
 168     noise = b.new(b.size()).normal_(0, noise_level)
 169     b = b + noise
 170
 171     ######################################################################
 172     # for k in range(10):
 173         # file = open(f'/tmp/dat{k:02d}', 'w')
 174         # for i in range(a.size(1)):
 175             # file.write(f'{a[k, i]:f} {b[k,i]:f}\n')
 176         # file.close()
 177     # exit(0)
 178     ######################################################################
 179
 180     a = (a - a.mean()) / a.std()
 181     b = (b - b.mean()) / b.std()
 182
 183     return a, b, ha
 184
 185 ######################################################################
 186
 187 class NetForImagePair(nn.Module):
 188     def __init__(self):
 189         super(NetForImagePair, self).__init__()
 190         self.features_a = nn.Sequential(
 191             nn.Conv2d(1, 16, kernel_size = 5),
 192             nn.MaxPool2d(3), nn.ReLU(),
 193             nn.Conv2d(16, 32, kernel_size = 5),
 194             nn.MaxPool2d(2), nn.ReLU(),
 195         )
 196
 197         self.features_b = nn.Sequential(
 198             nn.Conv2d(1, 16, kernel_size = 5),
 199             nn.MaxPool2d(3), nn.ReLU(),
 200             nn.Conv2d(16, 32, kernel_size = 5),
 201             nn.MaxPool2d(2), nn.ReLU(),
 202         )
 203
 204         self.fully_connected = nn.Sequential(
 205             nn.Linear(256, 200),
 206             nn.ReLU(),
 207             nn.Linear(200, 1)
 208         )
 209
 210     def forward(self, a, b):
 211         a = self.features_a(a).view(a.size(0), -1)
 212         b = self.features_b(b).view(b.size(0), -1)
 213         x = torch.cat((a, b), 1)
 214         return self.fully_connected(x)
 215
 216 ######################################################################
 217
 218 class NetForImageValuesPair(nn.Module):
 219     def __init__(self):
 220         super(NetForImageValuesPair, self).__init__()
 221         self.features_a = nn.Sequential(
 222             nn.Conv2d(1, 16, kernel_size = 5),
 223             nn.MaxPool2d(3), nn.ReLU(),
 224             nn.Conv2d(16, 32, kernel_size = 5),
 225             nn.MaxPool2d(2), nn.ReLU(),
 226         )
 227
 228         self.features_b = nn.Sequential(
 229             nn.Linear(2, 32), nn.ReLU(),
 230             nn.Linear(32, 32), nn.ReLU(),
 231             nn.Linear(32, 128), nn.ReLU(),
 232         )
 233
 234         self.fully_connected = nn.Sequential(
 235             nn.Linear(256, 200),
 236             nn.ReLU(),
 237             nn.Linear(200, 1)
 238         )
 239
 240     def forward(self, a, b):
 241         a = self.features_a(a).view(a.size(0), -1)
 242         b = self.features_b(b).view(b.size(0), -1)
 243         x = torch.cat((a, b), 1)
 244         return self.fully_connected(x)
 245
 246 ######################################################################
 247
 248 class NetForSequencePair(nn.Module):
 249
 250     def feature_model(self):
 251         return  nn.Sequential(
 252             nn.Conv1d(1, self.nc, kernel_size = 5),
 253             nn.MaxPool1d(2), nn.ReLU(),
 254             nn.Conv1d(self.nc, self.nc, kernel_size = 5),
 255             nn.MaxPool1d(2), nn.ReLU(),
 256             nn.Conv1d(self.nc, self.nc, kernel_size = 5),
 257             nn.MaxPool1d(2), nn.ReLU(),
 258             nn.Conv1d(self.nc, self.nc, kernel_size = 5),
 259             nn.MaxPool1d(2), nn.ReLU(),
 260             nn.Conv1d(self.nc, self.nc, kernel_size = 5),
 261             nn.MaxPool1d(2), nn.ReLU(),
 262         )
 263
 264     def __init__(self):
 265         super(NetForSequencePair, self).__init__()
 266
 267         self.nc = 32
 268         self.nh = 256
 269
 270         self.features_a = self.feature_model()
 271         self.features_b = self.feature_model()
 272
 273         self.fully_connected = nn.Sequential(
 274             nn.Linear(2 * self.nc, self.nh),
 275             nn.ReLU(),
 276             nn.Linear(self.nh, 1)
 277         )
 278
 279     def forward(self, a, b):
 280         a = a.view(a.size(0), 1, a.size(1))
 281         a = self.features_a(a)
 282         a = F.avg_pool1d(a, a.size(2))
 283
 284         b = b.view(b.size(0), 1, b.size(1))
 285         b = self.features_b(b)
 286         b = F.avg_pool1d(b, b.size(2))
 287
 288         x = torch.cat((a.view(a.size(0), -1), b.view(b.size(0), -1)), 1)
 289         return self.fully_connected(x)
 290
 291 ######################################################################
 292
 293 if args.data == 'image_pair':
 294     create_pairs = create_image_pairs
 295     model = NetForImagePair()
 296 elif args.data == 'image_values_pair':
 297     create_pairs = create_image_values_pairs
 298     model = NetForImageValuesPair()
 299 elif args.data == 'sequence_pair':
 300     create_pairs = create_sequences_pairs
 301     model = NetForSequencePair()
 302 else:
 303     raise Exception('Unknown data ' + args.data)
 304
 305 ######################################################################
 306
 307 nb_epochs, batch_size = 50, 100
 308
 309 print('nb_parameters %d' % sum(x.numel() for x in model.parameters()))
 310
 311 optimizer = torch.optim.Adam(model.parameters(), lr = 1e-3)
 312
 313 model.to(device)
 314
 315 for e in range(nb_epochs):
 316
 317     input_a, input_b, classes = create_pairs(train = True)
 318
 319     input_br = input_b[torch.randperm(input_b.size(0))]
 320
 321     acc_mi = 0.0
 322
 323     for batch_a, batch_b, batch_br in zip(input_a.split(batch_size),
 324                                           input_b.split(batch_size),
 325                                           input_br.split(batch_size)):
 326         mi = model(batch_a, batch_b).mean() - model(batch_a, batch_br).exp().mean().log()
 327         loss = - mi
 328         acc_mi += mi.item()
 329         optimizer.zero_grad()
 330         loss.backward()
 331         optimizer.step()
 332
 333     acc_mi /= (input_a.size(0) // batch_size)
 334
 335     print('%d %.04f %.04f' % (e + 1, acc_mi / math.log(2), entropy(classes) / math.log(2)))
 336
 337     sys.stdout.flush()
 338
 339 ######################################################################
 340
 341 input_a, input_b, classes = create_pairs(train = False)
 342
 343 for e in range(nb_epochs):
 344     input_br = input_b[torch.randperm(input_b.size(0))]
 345
 346     acc_mi = 0.0
 347
 348     for batch_a, batch_b, batch_br in zip(input_a.split(batch_size),
 349                                           input_b.split(batch_size),
 350                                           input_br.split(batch_size)):
 351         mi = model(batch_a, batch_b).mean() - model(batch_a, batch_br).exp().mean().log()
 352         acc_mi += mi.item()
 353
 354     acc_mi /= (input_a.size(0) // batch_size)
 355
 356 print('test %.04f %.04f'%(acc_mi / math.log(2), entropy(classes) / math.log(2)))
 357
 358 ######################################################################