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")