-
Notifications
You must be signed in to change notification settings - Fork 1
/
main_cls.py
332 lines (287 loc) · 15.2 KB
/
main_cls.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
import os, sys
import argparse
import warnings
import numpy as np
import math
import pickle
import torch as tc
import util
import data
import model
import learning
import uncertainty
def run(args):
## init datasets
print("## init source datasets: %s"%(args.data.src))
ds_src = getattr(data, args.data.src)(
root=os.path.join('data', args.data.src.lower()),
batch_size=args.data.batch_size,
image_size=None if args.data.img_size is None else args.data.img_size[1],
dim=args.data.dim,
train_rnd=True, val_rnd=True, test_rnd=False,
#train_aug=args.data.aug_src is not None, val_aug=args.data.aug_src is not None, test_aug=args.data.aug_src is not None,
#aug_types=args.data.aug_src,
color=True if args.data.img_size is not None and args.data.img_size[0]==3 else False,
sample_size={'train': args.data.n_train_src, 'val': args.data.n_val_src, 'test': args.data.n_test_src},
seed=args.data.seed,
num_workers=args.data.n_workers,
load_feat=args.data.load_feat,
normalize=not args.model.normalize,
)
print()
print("## init target datasets: %s"%(args.data.tar))
ds_tar = getattr(data, args.data.tar)(
root=os.path.join('data', args.data.tar.lower()),
batch_size=args.data.batch_size,
image_size=None if args.data.img_size is None else args.data.img_size[1],
dim=args.data.dim,
train_rnd=True, val_rnd=True, test_rnd=False,
#train_aug=args.data.aug_tar is not None, val_aug=args.data.aug_tar is not None, test_aug=args.data.aug_tar is not None,
#aug_types=args.data.aug_tar,
color=True if args.data.img_size is not None and args.data.img_size[0]==3 else False,
sample_size={'train': args.data.n_train_tar, 'val': args.data.n_val_tar, 'test': args.data.n_test_tar},
seed=args.data.seed,
num_workers=args.data.n_workers,
load_feat=args.data.load_feat,
normalize=not args.model.normalize,
)
print()
print("## init domain datasets: src = %s, tar = %s"%(args.data.src, args.data.tar))
ds_dom = data.DomainData(ds_src, ds_tar)
print()
## init a model
print("## init models: %s"%(args.model.base))
if 'FNN' in args.model.base or 'Linear' in args.model.base:
mdl = getattr(model, args.model.base)(n_in=args.data.dim[0], n_out=args.data.n_labels, path_pretrained=args.model.path_pretrained)
elif 'ResNet' in args.model.base:
mdl = getattr(model, args.model.base)(n_labels=args.data.n_labels, path_pretrained=args.model.path_pretrained)
else:
raise NotImplementedError
if args.model.normalize: # active for adversarial examples
print('## init an image normalizer as part of model')
mdl = model.ExampleNormalizer(mdl)
if args.data.load_feat:
print("## init models: %s"%(args.model.base_feat))
mdl = getattr(model, args.model.base_feat)(mdl)
print()
## learning
assert(args.model.path_pretrained is not None)
l = learning.ClsLearner(mdl, args.train)
print("## test...(skip)")
#l.test(ds_tar.test, ld_name=args.data.tar, verbose=True)
print()
## construct and evaluate a prediction set
if args.train_predset.method == 'pac_predset':
# construct a prediction set
mdl_predset = model.PredSetCls(mdl, args.model_predset.eps, args.model_predset.delta, args.model_predset.m)
l = uncertainty.PredSetConstructor(mdl_predset, args.train_predset, model_iw=None)
l.train(ds_src.val)
# evaluate
l.test(ds_tar.test, ld_name=args.data.tar, verbose=True)
elif args.train_predset.method == 'pac_predset_CP':
# construct a prediction set
mdl_predset = model.PredSetCls(mdl, args.model_predset.eps, args.model_predset.delta, args.model_predset.m)
l = uncertainty.PredSetConstructor_CP(mdl_predset, args.train_predset, model_iw=None)
l.train(ds_src.val)
# evaluate
l.test(ds_tar.test, ld_name=args.data.tar, verbose=True)
elif args.train_predset.method == 'split_cp':
# construct a prediction set
mdl_predset = model.SplitCPCls(mdl, args.model_predset.alpha, args.model_predset.delta, args.model_predset.m)
l = uncertainty.SplitCPConstructor(mdl_predset, args.train_predset)
l.train(ds_src.val)
# evaluate
l.test(ds_tar.test, ld_name=args.data.tar, verbose=True)
elif args.train_predset.method == 'weighted_split_cp':
# estimate IWs
if args.model.iw_true:
mdl_iw = uncertainty.get_two_gaussian_true_iw(args)
else:
args, mdl_iw = uncertainty.est_iw_srcdisc(args, mdl, ds_dom)
# construct a prediction set
mdl_predset = model.WeightedSplitCPCls(mdl, mdl_iw, args.model_predset.alpha, args.model_predset.delta, args.model_predset.m)
l = uncertainty.WeightedSplitCPConstructor(mdl_predset, params=args.train_predset, mdl_iw=mdl_iw)
l.train(ds_src.val)
# evaluate
l.test(ds_tar.test, ld_name=args.data.tar, verbose=True)
elif args.train_predset.method == 'pac_predset_maxiw':
# estimate IWs
if args.model.iw_true:
mdl_iw = uncertainty.get_two_gaussian_true_iw(args)
else:
args, mdl_iw = uncertainty.est_iw_srcdisc(args, mdl, ds_dom)
# construct a prediction set
mdl_predset = model.PredSetCls(mdl, args.model_predset.eps, args.model_predset.delta, args.model_predset.m)
l = uncertainty.PredSetConstructor_maxiw(mdl_predset, args.train_predset, model_iw=mdl_iw)
l.train(ds_src.val)
# evaluate
l.test(ds_tar.test, ld_name=args.data.tar, verbose=True)
elif args.train_predset.method == 'pac_predset_rejection':
# estimate IWs
if args.model.iw_true:
mdl_iw = uncertainty.get_two_gaussian_true_iw(args)
else:
args, mdl_iw = uncertainty.est_iw_srcdisc(args, mdl, ds_dom)
# construct a prediction set
mdl_predset = model.PredSetCls(mdl, args.model_predset.eps, args.model_predset.delta, args.model_predset.m)
l = uncertainty.PredSetConstructor_rejection(mdl_predset, args.train_predset, model_iw=mdl_iw)
l.train(ds_src.val)
# evaluate
l.test(ds_tar.test, ld_name=args.data.tar, verbose=True)
elif args.train_predset.method == 'pac_predset_temp_rejection':
# estimate IWs
if args.model.iw_true:
mdl_iw = uncertainty.get_two_gaussian_true_iw(args)
else:
args, mdl_iw = uncertainty.est_iw_temp(args, mdl, ds_dom)
# construct a prediction set
mdl_predset = model.PredSetCls(mdl, args.model_predset.eps, args.model_predset.delta, args.model_predset.m)
l = uncertainty.PredSetConstructor_rejection(mdl_predset, args.train_predset, model_iw=mdl_iw)
l.train(ds_src.val)
# evaluate
l.test(ds_tar.test, ld_name=args.data.tar, verbose=True)
elif args.train_predset.method == 'pac_predset_mean_rejection':
# estimate IWs
if args.model.iw_true:
mdl_iw = uncertainty.get_two_gaussian_true_iw(args)
else:
args, mdl_iw = uncertainty.est_iw_bin_mean(args, mdl, ds_src, ds_tar)
# construct a prediction set
mdl_predset = model.PredSetCls(mdl, args.model_predset.eps, args.model_predset.delta, args.model_predset.m)
l = uncertainty.PredSetConstructor_rejection(mdl_predset, args.train_predset, model_iw=mdl_iw)
l.train(ds_src.val)
# evaluate
l.test(ds_tar.test, ld_name=args.data.tar, verbose=True)
elif args.train_predset.method == 'pac_predset_worst_rejection':
# estimate IWs
if args.model.iw_true:
mdl_iw = uncertainty.get_two_gaussian_true_iw(args)
else:
args, mdl_iw = uncertainty.est_iw_bin_interval(args, mdl, ds_src, ds_tar)
# construct a prediction set
mdl_predset = model.PredSetCls(mdl, args.model_predset.eps, args.model_predset.delta, args.model_predset.m)
l = uncertainty.PredSetConstructor_worst_rejection(mdl_predset, args.train_predset, model_iw=mdl_iw)
l.train(ds_src.val)
# evaluate
l.test(ds_tar.test, ld_name=args.data.tar, verbose=True)
else:
raise NotImplementedError
def parse_args():
## init a parser
parser = argparse.ArgumentParser(description='learning')
## meta args
parser.add_argument('--exp_name', type=str, required=True)
parser.add_argument('--snapshot_root', type=str, default='snapshots')
parser.add_argument('--cpu', action='store_true')
parser.add_argument('--calibrate', action='store_true')
parser.add_argument('--train_iw', action='store_true')
#parser.add_argument('--estimate', action='store_true')
## data args
parser.add_argument('--data.batch_size', type=int, default=100)
parser.add_argument('--data.n_workers', type=int, default=0)
parser.add_argument('--data.src', type=str, required=True)
parser.add_argument('--data.tar', type=str, required=True)
parser.add_argument('--data.n_labels', type=int)
parser.add_argument('--data.img_size', type=int, nargs=3)
parser.add_argument('--data.dim', type=int, nargs='*')
parser.add_argument('--data.aug_src', type=str, nargs='*')
parser.add_argument('--data.aug_tar', type=str, nargs='*')
parser.add_argument('--data.n_train_src', type=int)
parser.add_argument('--data.n_train_tar', type=int)
parser.add_argument('--data.n_val_src', type=int)
parser.add_argument('--data.n_val_tar', type=int)
parser.add_argument('--data.n_test_src', type=int)
parser.add_argument('--data.n_test_tar', type=int)
parser.add_argument('--data.seed', type=lambda v: None if v=='None' else int(v), default=0)
parser.add_argument('--data.load_feat', type=str)
## model args
parser.add_argument('--model.base', type=str)
parser.add_argument('--model.base_feat', type=str)
parser.add_argument('--model.path_pretrained', type=str)
parser.add_argument('--model.feat_dim', type=int)
parser.add_argument('--model.cal', type=str, default='Temp')
parser.add_argument('--model.sd', type=str, default='MidFNN')
parser.add_argument('--model.sd_cal', type=str, default='HistBin')
parser.add_argument('--model.normalize', action='store_true')
parser.add_argument('--model.iw_true', action='store_true')
parser.add_argument('--model_sd.path_pretrained', type=str)
parser.add_argument('--model_iwcal.n_bins', type=int, default=10) ## can be changed depending on binning scheme
parser.add_argument('--model_iwcal.delta', type=float)
## predset model args
parser.add_argument('--model_predset.eps', type=float, default=0.1)
parser.add_argument('--model_predset.alpha', type=float, default=0.1)
parser.add_argument('--model_predset.delta', type=float, default=1e-5)
parser.add_argument('--model_predset.m', type=int)
## train args
parser.add_argument('--train.rerun', action='store_true')
parser.add_argument('--train.load_final', action='store_true')
## calibration args
parser.add_argument('--cal.method', type=str, default='HistBin')
parser.add_argument('--cal.rerun', action='store_true')
parser.add_argument('--cal.load_final', action='store_true')
parser.add_argument('--cal.optimizer', type=str, default='SGD')
parser.add_argument('--cal.n_epochs', type=int, default=100)
parser.add_argument('--cal.lr', type=float, default=0.01)
parser.add_argument('--cal.momentum', type=float, default=0.9)
parser.add_argument('--cal.weight_decay', type=float, default=0.0)
parser.add_argument('--cal.lr_decay_epoch', type=int, default=20)
parser.add_argument('--cal.lr_decay_rate', type=float, default=0.5)
parser.add_argument('--cal.val_period', type=int, default=1)
## train args for a source discriminator
parser.add_argument('--train_sd.rerun', action='store_true')
parser.add_argument('--train_sd.load_final', action='store_true')
parser.add_argument('--train_sd.optimizer', type=str, default='SGD')
parser.add_argument('--train_sd.n_epochs', type=int, default=100)
parser.add_argument('--train_sd.lr', type=float, default=0.01)
parser.add_argument('--train_sd.momentum', type=float, default=0.9)
parser.add_argument('--train_sd.weight_decay', type=float, default=0.0)
parser.add_argument('--train_sd.lr_decay_epoch', type=int, default=20)
parser.add_argument('--train_sd.lr_decay_rate', type=float, default=0.5)
parser.add_argument('--train_sd.val_period', type=int, default=1)
## calibration args for a source discriminator
parser.add_argument('--cal_sd.method', type=str, default='HistBin')
parser.add_argument('--cal_sd.rerun', action='store_true')
parser.add_argument('--cal_sd.resume', action='store_true')
parser.add_argument('--cal_sd.load_final', action='store_true')
## histbin parameters
parser.add_argument('--cal_sd.delta', type=float, default=1e-5)
parser.add_argument('--cal_sd.estimate_rate', action='store_true')
parser.add_argument('--cal_sd.cal_target', type=int, default=1)
## temp parameters
parser.add_argument('--cal_sd.optimizer', type=str, default='SGD')
parser.add_argument('--cal_sd.n_epochs', type=int, default=100)
parser.add_argument('--cal_sd.lr', type=float, default=0.01)
parser.add_argument('--cal_sd.momentum', type=float, default=0.9)
parser.add_argument('--cal_sd.weight_decay', type=float, default=0.0)
parser.add_argument('--cal_sd.lr_decay_epoch', type=int, default=20)
parser.add_argument('--cal_sd.lr_decay_rate', type=float, default=0.5)
parser.add_argument('--cal_sd.val_period', type=int, default=1)
## iw calibration args
parser.add_argument('--cal_iw.method', type=str, default='HistBin')
parser.add_argument('--cal_iw.rerun', action='store_true')
parser.add_argument('--cal_iw.load_final', action='store_true')
parser.add_argument('--cal_iw.smoothness_bound', type=float, default=0.001)
## uncertainty estimation args
parser.add_argument('--train_predset.method', type=str, default='pac_predset')
parser.add_argument('--train_predset.rerun', action='store_true')
parser.add_argument('--train_predset.load_final', action='store_true')
parser.add_argument('--train_predset.binary_search', action='store_true')
parser.add_argument('--train_predset.bnd_type', type=str, default='direct')
parser.add_argument('--train_predset.T_step', type=float, default=1e-7)
parser.add_argument('--train_predset.T_end', type=float, default=np.inf)
parser.add_argument('--train_predset.eps_tol', type=float, default=1.5)
args = parser.parse_args()
args = util.to_tree_namespace(args)
args.device = tc.device('cpu') if args.cpu else tc.device('cuda:0')
args = util.propagate_args(args, 'device')
args = util.propagate_args(args, 'exp_name')
args = util.propagate_args(args, 'snapshot_root')
## set loggers
os.makedirs(os.path.join(args.snapshot_root, args.exp_name), exist_ok=True)
sys.stdout = util.Logger(os.path.join(args.snapshot_root, args.exp_name, 'out'))
## print args
util.print_args(args)
return args
if __name__ == '__main__':
args = parse_args()
run(args)