def test_tf_10class_16code(self):
fromhadamard = UnHadamard(inputs='y',
outputs='y',
n_classes=10,
code_length=16)
fromhadamard.build('tf')
output = fromhadamard.forward(data=[
tf.constant([[
-1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.
],
[
1., -1., 1., -1., 1., -1., 1., -1., 1., -1., 1.,
-1., 1., -1., 1., -1.
],
[
1., -1., 1., -1., 1., -1., 1., -1., -1., 1., -1.,
1., -1., 1., -1., 1.
],
[
-1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
1., 1., 1., 1.
],
[
-1., 1., 1., 1., -1., -1., -1., -1., 1., 1., 1.,
1., -1., -1., -1., -1.
]])
],
state={})[0]
output = np.argmax(output, axis=-1)
self.assertTrue(is_equal(output, np.array([0, 1, 9, 0, 4])))
def test_torch_10class_16code(self):
fromhadamard = UnHadamard(inputs='y',
outputs='y',
n_classes=10,
code_length=16)
fromhadamard.build('torch')
output = fromhadamard.forward(data=[
torch.tensor([
[
-1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
1., 1.
],
[
1., -1., 1., -1., 1., -1., 1., -1., 1., -1., 1., -1., 1.,
-1., 1., -1.
],
[
1., -1., 1., -1., 1., -1., 1., -1., -1., 1., -1., 1., -1.,
1., -1., 1.
],
[
-1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
1., 1.
],
[
-1., 1., 1., 1., -1., -1., -1., -1., 1., 1., 1.,
1., -1., -1., -1., -1.
]
]).to("cuda:0" if torch.cuda.is_available() else "cpu")
],
state={})[0]
if torch.cuda.is_available():
output = output.to("cpu")
output = np.argmax(output, axis=-1)
self.assertTrue(is_equal(output, torch.tensor([0, 1, 9, 0, 4])))
def test_tf_4class(self):
fromhadamard = UnHadamard(inputs='y', outputs='y', n_classes=4)
fromhadamard.build('tf')
output = fromhadamard.forward(data=[
tf.constant([[1., -1., -1., 1.], [-1., 1., -1., -1.],
[-1., 1., -1., -1.], [-1., 1., -1., -1.],
[-1., 1., 1., 1.]])
],
state={})[0]
output = np.argmax(output, axis=-1)
self.assertTrue(is_equal(output, np.array([3, 2, 2, 2, 0])))
def test_torch_4class(self):
fromhadamard = UnHadamard(inputs='y', outputs='y', n_classes=4)
fromhadamard.build('torch')
output = fromhadamard.forward(data=[
torch.tensor([[1., -1., -1., 1.], [-1., 1., -1., -1.],
[-1., 1., -1., -1.], [-1., 1., -1., -1.],
[-1., 1., 1., 1.]])
],
state={})[0]
output = np.argmax(output, axis=-1)
self.assertTrue(is_equal(output, torch.tensor([3, 2, 2, 2, 0])))
def test_torch_4class(self):
fromhadamard = UnHadamard(inputs='y', outputs='y', n_classes=4)
fromhadamard.build('torch')
output = fromhadamard.forward(data=[
torch.tensor(
[[1., -1., -1., 1.], [-1., 1., -1., -1.], [-1., 1., -1., -1.],
[-1., 1., -1.,
-1.],
[-1., 1., 1.,
1.]]).to("cuda:0" if torch.cuda.is_available() else "cpu")
],
state={})[0]
if torch.cuda.is_available():
output = output.to("cpu")
output = np.argmax(output, axis=-1)
self.assertTrue(is_equal(output, torch.tensor([3, 2, 2, 2, 0])))