warp.py

   1 #!/usr/bin/env python
   2
   3
   4 # Any copyright is dedicated to the Public Domain.
   5 # https://creativecommons.org/publicdomain/zero/1.0/
   6
   7 # Written by Francois Fleuret <francois@fleuret.org>
   8
   9 import math, argparse, os
  10
  11 import torch, torchvision
  12
  13 from torch import nn
  14 from torch.nn import functional as F
  15
  16 ######################################################################
  17
  18 parser = argparse.ArgumentParser()
  19
  20 parser.add_argument("--result_dir", type=str, default="/tmp")
  21
  22 args = parser.parse_args()
  23
  24 ######################################################################
  25
  26 # If the source is older than the result, do nothing
  27
  28 ref_filename = os.path.join(args.result_dir, f"warp_0.tex")
  29
  30 if os.path.exists(ref_filename) and os.path.getmtime(__file__) < os.path.getmtime(
  31     ref_filename
  32 ):
  33     exit(0)
  34
  35 ######################################################################
  36
  37 torch.manual_seed(0)
  38
  39 nb = 1000
  40 x = torch.rand(nb, 2) * torch.tensor([math.pi * 1.5, 0.10]) + torch.tensor(
  41     [math.pi * -0.25, 0.25]
  42 )
  43
  44 train_targets = (torch.rand(nb) < 0.5).long()
  45 train_input = torch.cat((x[:, 0:1].sin() * x[:, 1:2], x[:, 0:1].cos() * x[:, 1:2]), 1)
  46 train_input[:, 0] *= train_targets * 2 - 1
  47 train_input[:, 0] += 0.05 * (train_targets * 2 - 1)
  48 train_input[:, 1] -= 0.15 * (train_targets * 2 - 1)
  49 train_input *= 1.2
  50
  51
  52 model = nn.Sequential(
  53     nn.Sequential(nn.Linear(2, 2, bias=False), nn.Tanh()),
  54     nn.Sequential(nn.Linear(2, 2, bias=False), nn.Tanh()),
  55     nn.Sequential(nn.Linear(2, 2, bias=False), nn.Tanh()),
  56     nn.Sequential(nn.Linear(2, 2, bias=False), nn.Tanh()),
  57     nn.Sequential(nn.Linear(2, 2, bias=False), nn.Tanh()),
  58     nn.Sequential(nn.Linear(2, 2, bias=False), nn.Tanh()),
  59     nn.Sequential(nn.Linear(2, 2, bias=False), nn.Tanh()),
  60     nn.Sequential(nn.Linear(2, 2, bias=False), nn.Tanh()),
  61     nn.Linear(2, 2),
  62 )
  63
  64 with torch.no_grad():
  65     for p in model.modules():
  66         if isinstance(p, nn.Linear):
  67             # p.bias.zero_()
  68             p.weight[...] = 2 * torch.eye(2) + torch.randn(2, 2) * 1e-4
  69
  70 optimizer = torch.optim.Adam(model.parameters(), lr=1e-3)
  71 criterion = nn.CrossEntropyLoss()
  72
  73 nb_epochs, batch_size = 1000, 25
  74
  75 for k in range(nb_epochs):
  76     acc_loss = 0.0
  77
  78     for input, targets in zip(
  79         train_input.split(batch_size), train_targets.split(batch_size)
  80     ):
  81         output = model(input)
  82         loss = criterion(output, targets)
  83         acc_loss += loss.item()
  84
  85         optimizer.zero_grad()
  86         loss.backward()
  87         optimizer.step()
  88
  89     nb_train_errors = 0
  90     for input, targets in zip(
  91         train_input.split(batch_size), train_targets.split(batch_size)
  92     ):
  93         wta = model(input).argmax(1)
  94         nb_train_errors += (wta != targets).long().sum()
  95     train_error = nb_train_errors / train_input.size(0)
  96
  97     print(f"loss {k} {acc_loss:.02f} {train_error*100:.02f}%")
  98
  99     if train_error == 0:
 100         break
 101
 102 ######################################################################
 103
 104 sg = 25
 105
 106 input, targets = train_input, train_targets
 107
 108 grid = torch.linspace(-1.2, 1.2, sg)
 109 grid = torch.cat(
 110     (grid[:, None, None].expand(sg, sg, 1), grid[None, :, None].expand(sg, sg, 1)), -1
 111 ).reshape(-1, 2)
 112
 113 for l, m in enumerate(model):
 114     with open(os.path.join(args.result_dir, f"warp_{l}.tex"), "w") as f:
 115         f.write(
 116             """\\addplot[
 117     scatter src=explicit symbolic,
 118     scatter/classes={0={blue}, 1={red}},
 119     scatter, mark=*, only marks, mark options={mark size=0.5},
 120 ]%
 121 table[meta=label] {
 122 x y label
 123 """
 124         )
 125         for k in range(512):
 126             f.write(f"{input[k,0]} {input[k,1]} {targets[k]}\n")
 127         f.write("};\n")
 128
 129         g = grid.reshape(sg, sg, -1)
 130         for i in range(g.size(0)):
 131             for j in range(g.size(1)):
 132                 if j == 0:
 133                     pre = "\\draw[black!25,very thin] "
 134                 else:
 135                     pre = "--"
 136                 f.write(f"{pre} ({g[i,j,0]},{g[i,j,1]})")
 137             f.write(";\n")
 138
 139         for j in range(g.size(1)):
 140             for i in range(g.size(0)):
 141                 if i == 0:
 142                     pre = "\\draw[black!25,very thin] "
 143                 else:
 144                     pre = "--"
 145                 f.write(f"{pre} ({g[i,j,0]},{g[i,j,1]})")
 146             f.write(";\n")
 147
 148         # add the decision line
 149
 150         if l == len(model) - 1:
 151             u = torch.tensor([[1.0, -1.0]])
 152             phi = model[-1]
 153             a, b = (u @ phi.weight).squeeze(), (u @ phi.bias).item()
 154             p = a * (b / (a @ a.t()).item())
 155             f.write(
 156                 f"\\draw[black,thick] ({p[0]-a[1]},{p[1]+a[0]}) -- ({p[0]+a[1]},{p[1]-a[0]});"
 157             )
 158
 159     input, grid = m(input), m(grid)
 160
 161 ######################################################################