def main():
parser = argparse.ArgumentParser()
# Add options here
parser.add_argument('--K', type=int, default=1) # nubmer of hidden layers
parser.add_argument('--N', type=int, default=5) # number of walkbacks
parser.add_argument('--n_epoch', type=int, default=500)
parser.add_argument('--batch_size', type=int, default=100)
parser.add_argument('--hidden_add_noise_sigma', type=float, default=0)
parser.add_argument('--input_salt_and_pepper', type=float, default=0.4)
parser.add_argument('--learning_rate', type=float, default=10)
parser.add_argument('--momentum', type=float, default=0.)
parser.add_argument('--annealing', type=float, default=1.)
parser.add_argument('--hidden_size', type=float, default=2000)
parser.add_argument('--act', type=str, default='sigmoid')
parser.add_argument('--dataset', type=str, default='MNIST_binary')
parser.add_argument('--data_path', type=str, default='.')
# argparse does not deal with bool
parser.add_argument('--vis_init', type=int, default=0)
parser.add_argument('--noiseless_h1', type=int, default=1)
parser.add_argument('--input_sampling', type=int, default=1)
parser.add_argument('--test_model', type=int, default=0)
args = parser.parse_args()
model.experiment(args, None)
def main():
parser = argparse.ArgumentParser()
# Add options here
parser.add_argument('--K', type=int, default=2) # nubmer of hidden layers
parser.add_argument('--N', type=int, default=4) # number of walkbacks
parser.add_argument('--n_epoch', type=int, default=1000)
parser.add_argument('--batch_size', type=int, default=100)
parser.add_argument('--hidden_add_noise_sigma', type=float, default=2)
parser.add_argument('--input_salt_and_pepper', type=float, default=0.4)
parser.add_argument('--learning_rate', type=float, default=0.25)
parser.add_argument('--momentum', type=float, default=0.5)
parser.add_argument('--annealing', type=float, default=0.995)
parser.add_argument('--hidden_size', type=float, default=1500)
parser.add_argument('--act', type=str, default='tanh')
parser.add_argument('--dataset', type=str, default='MNIST')
parser.add_argument('--data_path', type=str, default='.')
# argparse does not deal with bool
parser.add_argument('--vis_init', type=int, default=0)
parser.add_argument('--noiseless_h1', type=int, default=1)
parser.add_argument('--input_sampling', type=int, default=1)
parser.add_argument('--test_model', type=int, default=0)
args = parser.parse_args()
print args.test_model
model.experiment(args, None)
def main():
parser = argparse.ArgumentParser()
# Add options here
parser.add_argument('--K', type=int, default=1)
parser.add_argument('--N', type=int, default=1)
parser.add_argument('--n_epoch', type=int, default=200)
parser.add_argument('--batch_size', type=int, default=100)
parser.add_argument('--hidden_add_noise_sigma', type=float, default=0)
parser.add_argument('--input_salt_and_pepper', type=float, default=0.4)
parser.add_argument('--learning_rate', type=float, default=10)
parser.add_argument('--momentum', type=float, default=0.)
parser.add_argument('--annealing', type=float, default=1.)
parser.add_argument('--hidden_size', type=float, default=2000)
parser.add_argument('--act', type=str, default='sigmoid')
parser.add_argument('--dataset', type=str, default='MNIST_binary')
parser.add_argument('--data_path', type=str, default='.')
# argparse does not deal with bool
parser.add_argument('--vis_init', type=int, default=0)
parser.add_argument('--noiseless_h1', type=int, default=1)
parser.add_argument('--input_sampling', type=int, default=1)
parser.add_argument('--test_model', type=int, default=0)
args = parser.parse_args()
model.experiment(args, None)
def getFcModel(activation="sigmoid"):
world.activation = activation
show_config()
model = experiment()
weight = torch.load("./checkpoints/best_see_720_sigmoid_132.pth.tar",
map_location=torch.device("cpu"))
weight = weight["state_dict"]
weight = {i: weight[i] for i in weight if "fc" in i}
print(weight.keys())
print(model.load_state_dict(weight))
print(model.eval())
folder = "../data/test/3"
middle = np.load(folder + "/middle.npy")
points = pd.read_csv(folder + "/predict.csv")[["x", "y"]].to_numpy()
print(middle.shape, points.shape)
middle = torch.from_numpy(middle)
out = model(middle[:10])
# print(out)
# print(points[:10])
return model, middle, points
def test():
runs = 8
results = model.experiment(ws_case_generator(N, K, p_star), base_params,
conditions, runs)
pd.DataFrame(results).to_csv('data_test.csv')
'A': 1.00
},
}
# In[7]:
def dfr(rs):
return pd.DataFrame(
[r for case in rs for r in model.data_from_results(rs, case)])
# In[8]:
runs = 2
N_cases = [1000, 2000, 4000, 8000]
# In[9]:
for N in N_cases:
rs = model.experiment(ws_case_generator(N, K, p_star), base_params,
conditions, runs)
dfr(rs).to_csv(f'data_{N}.csv')
del rs
data = pd.concat([pd.read_csv(f'data_{N}.csv') for N in N_cases])
data.to_csv(f"adoption-study-results-r-{runs}.csv")
