-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy pathcollapsedclustering.py
383 lines (320 loc) · 20.6 KB
/
collapsedclustering.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
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
import numpy as np
import tensorflow as tf
from itertools import product, chain
from tfutils import tffunc, tfmethod
import tqdm
EPS = 1e-16
dtype='float64'
@tffunc(1)
def replaceZi(Z, i, shape=None):
'''
take Z (NxK) and make K copies where the i'th element is replaced
consecutively by all K-length one-hot vectors. Returns KxNxK
'''
if shape is None:
N, K = [s.value for s in tf.get_shape(Z)]
else:
N, K = shape
one_hot = tf.one_hot(i, N, dtype=dtype)
replace = tf.eye(K, dtype=dtype)-tf.expand_dims(Z[i], 0)
return tf.expand_dims(Z, 0) + tf.einsum('i,kl->kil',
one_hot, replace)
class KLcorrectedBound:
'''Compute KL-corrected variational bound for a q-model of independent
single-sample mulitnomial/categorical distributions.
The true log-joint distribution is assumed to be *linear* in q parameters.
'''
def __init__(self, model, data, params, batch=True, **kwargs):
self.model = model
self.data = data
self.params = params
self.Zs = [tf.nn.softmax(param) for param in self.params]
if batch:
self.entropy = [-tf.reduce_sum(Z*tf.log(Z), axis=[1,2]) for Z in self.Zs]
self.bound = self.model.batch_logp(self.Zs, self.data, **kwargs) + tf.reduce_sum(self.entropy, axis=0)
else:
self.entropy = [-tf.reduce_sum(Z*tf.log(Z)) for Z in self.Zs]
self.bound = self.model.logp(self.Zs, self.data, **kwargs) + tf.reduce_sum(self.entropy)
self.objective = -tf.reduce_mean(self.bound)
self.gradients = tf.gradients(self.objective, self.Zs)
def update_op(self):
'''update using coordinate ascent'''
return tf.group(*[param.assign(-grad) for grad, param in zip(self.gradients, self.params)])
def minimize(self):
'''minimize completely using Scipy BFGS'''
opt = tf.contrib.opt.ScipyOptimizerInterface(self.objective, self.params)
opt.minimize()
class CollapsedMixture:
def __init__(self, N, K):
self.N = N #observations
self.K = K #components
def logp(self, Z, X):
raise(NotImplementedError)
#COSTLY
@tfmethod(2)
def logp_conditionals(self, Z, X):
'''
compute all complete (Gibbs) conditionals by making K replacements with replaceZi for each index,
then applying logp to all conditionals.
'''
logpx = lambda Z: self.logp(Z, X)
Zi = tf.map_fn(lambda x: (replaceZi(Z, x, (self.N, self.K))), tf.range(tf.shape(Z)[0]),dtype=dtype)
return tf.map_fn(lambda x: tf.map_fn(logpx, x, dtype=dtype), Zi, dtype=dtype) #<--
@tfmethod(1)
def populatetensor(self, X, observed=None, sess=None):
if sess is None:
sess = tf.get_default_session()
if observed is None:
observed = self._defaultobserved
shape = self.N*(self.K,)
size = self.K**self.N
Zstar_vec = np.zeros(size, dtype=dtype)
Z = tf.placeholder(dtype=dtype, shape=(self.N, self.K))
logpx = self.logp(Z, X, observed=observed)
for ind in tqdm.tqdm(np.ndindex(shape), total=size):
Zstar_vec[np.ravel_multi_index(ind, shape)] = sess.run(logpx, feed_dict={Z: np.eye(self.K, dtype=np.float32)[ind, :]})
return np.reshape(Zstar_vec, shape)
class CollapsedMultipartite(CollapsedMixture):
def __init__(self, Ns, Ks):
self.Ns = Ns #observations
self.Ks = Ks #components
self.nsets = len(self.Ns)
def logp_conditionals(self, Zs, X):
'''
compute all complete (Gibbs) conditionals by making K replacements with replaceZi for each index,
then applying logp to all conditionals.
'''
logp_cond = []
for index, Z, N, K in enumerate(self.Zs, self.Ns, self.Ks):
logpx = lambda Z: self.logp(Zs[:index] + [Z] + Zs[(index+1):], X)
Zi = tf.map_fn(lambda x: (self.replaceZi(Z, x, (N, K))), tf.range(tf.shape(Z)[0]),dtype=dtype)
logp_cond += [tf.map_fn(lambda x: tf.map_fn(logpx, x, dtype=dtype), Zi, dtype=dtype)]
return logp_cond
@tfmethod(1)
def populatetensor(self, X, observed=None):
if observed is None:
observed = self._defaultobserved
sess = tf.get_default_session()
shapes = [N*(K, ) for N, K in zip(self.Ns, self.Ks)]
shape = tuple(chain(*shapes))
size = np.prod(shape)
Zstar_vec = np.zeros(size, dtype=dtype)
Zs = [tf.placeholder(dtype=dtype, shape=(N, K)) for N, K in zip(self.Ns, self.Ks)]
logpx = self.logp(Zs, X, observed=observed)
for ind in tqdm.tqdm(product(*[np.ndindex(shape) for shape in shapes]), total=size):
Zstar_vec[np.ravel_multi_index(tuple(chain(*ind)), shape)] = sess.run(logpx, feed_dict=dict(zip(Zs, [np.eye(K, dtype=dtype)[indi, :] for indi, K in zip(ind, self.Ks)])))
return np.reshape(Zstar_vec, shape)
class CollapsedStochasticBlock(CollapsedMixture):
def __init__(self, N, K, alpha=1., a=1., b=1.):
super().__init__(N, K)
self.alpha = tf.convert_to_tensor(alpha, dtype=dtype)
self.a = tf.convert_to_tensor(a, dtype=dtype)
self.b = tf.convert_to_tensor(b, dtype=dtype)
self._defaultobserved = tf.convert_to_tensor(np.triu(np.ones((self.N, self.N), dtype=dtype), 1))
@tfmethod(2)
def logp(self, Z, X, observed=None):
#unpack from singleton list
if len(Z.shape)==3:
Z = Z[0]
if observed is None:
observed = tf.convert_to_tensor(np.triu(np.ones((self.N, self.N), dtype=dtype), 1))
membership = tf.reduce_sum(Z, axis=0, keepdims=True)
edgecounts = tf.einsum('mk,mn,nl', Z, observed*X, Z) #Z^T*X*Z
notedgecounts = tf.einsum('mk,mn,nl', Z, observed, Z) - edgecounts
lnprior = tf.reduce_sum(tf.lbeta((self.alpha +
membership)) -
tf.lbeta((self.alpha +
tf.zeros_like(membership))))
lnlink = tf.reduce_sum(tf.lbeta(tf.stack([self.a + edgecounts,
self.b + notedgecounts],
axis=2)) -
tf.lbeta(tf.stack([self.a + tf.zeros_like(edgecounts),
self.b + tf.zeros_like(notedgecounts)],
axis=2)))
return lnprior + lnlink
def sample(self):
w = tf.distributions.Dirichlet(alpha*tf.ones(self.K, dtype=dtype)).sample()
Z = tf.distributions.Multinomial(1., w).sample(self.N)
beta = tf.distributions.Beta(tf.cast(self.a, dtype), tf.cast(self.b, dtype)).sample((self.K, self.K))
linkprob = tf.matmul(Z, tf.matmul(beta, tf.transpose(Z)))
X = tf.distributions.Bernoulli(linkprob).sample()
return (w, Z, beta, X)
def conditional_sample(self, Z):
beta = tf.distributions.Beta(tf.cast(self.a, dtype), tf.cast(self.b, dtype)).sample((self.K, self.K))
linkprob = tf.matmul(Z, tf.matmul(beta, tf.transpose(Z)))
X = tf.distributions.Bernoulli(linkprob).sample()
return (beta, X)
@tfmethod(2)
def batch_logp(self, Z, X, observed=None):
#unpack from singleton list
if len(Z.shape)==4:
Z = Z[0]
if observed is None:
observed = self._defaultobserved
else:
observed = tf.convert_to_tensor(observed, dtype)
membership = tf.reduce_sum(Z, axis=1, keepdims=True)
edgecounts = tf.einsum('bmk,mn,bnl->bkl', Z, observed*X, Z) #Z^T*X*Z
notedgecounts = tf.einsum('bmk,mn,bnl->bkl', Z, observed, Z) - edgecounts
lnprior = tf.squeeze(tf.lbeta(self.alpha + membership) -
tf.lbeta(self.alpha + tf.zeros_like(membership)))
lnlink = tf.reduce_sum(tf.lbeta(tf.stack([self.a + edgecounts,
self.b + notedgecounts],
axis=3)) -
tf.lbeta(tf.stack([self.a + tf.zeros_like(edgecounts),
self.b + tf.zeros_like(notedgecounts)],
axis=3)), axis=[1,2])
return lnprior + lnlink
@tfmethod(4)
def batch_logpred(self, Z, X, predict, observed):
if len(Z.shape)==4:
Z = Z[0]
fullset = tf.cast(tf.logical_or(predict, observed), dtype)
return self.batch_logp(Z, X, observed=fullset) - self.batch_logp(Z, X, observed=observed)
class CollapsedBipartiteStochasticBlock(CollapsedMultipartite):
def __init__(self, Ns, Ks, alpha0=1., a=1., b=1.):
super().__init__(Ns, Ks)
self.alphas = [alpha0*tf.ones((1, K), dtype=dtype) for K in self.Ks]#2xK
self.a = tf.convert_to_tensor(a, dtype=dtype)
self.b = tf.convert_to_tensor(b, dtype=dtype)
@tfmethod(2)
def suffstats(self, Zs, X):
memberships = [tf.reduce_sum(Z, axis=0, keepdims=True) for Z in Zs]
edgecounts = tf.matmul(tf.matmul(Zs[0], X, transpose_a=True), Zs[1])
notedgecounts = tf.matmul(memberships[0], memberships[1], transpose_a=True) - edgecounts
return memberships, edgecounts, notedgecounts
@tfmethod(2)
def logp(self, Zs, X):
memberships, edgecounts, notedgecounts = self.suffstats(Zs, X)
lnprior = tf.reduce_sum([tf.lbeta(a+m) - tf.lbeta(a)
for a, m in zip(self.alphas, memberships)])
lnlink = tf.reduce_sum(tf.lbeta(tf.stack([self.a + edgecounts,
self.b + notedgecounts],
axis=2)) -
tf.lbeta(tf.stack([[[self.a]], [[self.b]]], axis=2)))
return lnprior + lnlink
@tffunc(1)
def lgammap(a, p):
#multivariate log-gamma
return p*(p-1.)/4.*np.log(np.pi)+tf.reduce_sum(tf.lgamma(a+(1.-tf.range(1,p+1, dtype=dtype)/2.)))
class CollapsedGaussianMixture(CollapsedMixture):
def __init__(self, N, K, D, kappa=None, prec=None, nu=None, alpha=None):
super().__init__(N, K)
self.D = D #dimensions
#Normal mixture with normal-Wishart prior for the mean-precision parameters.
with tf.variable_scope("logp_{}".format(id(self))) as scope:
self.varscope = scope
if kappa is None:
lnkappa0 = tf.get_variable("lnkappa0", shape=(), initializer=tf.zeros_initializer, dtype=dtype)
else:
lnkappa0 = tf.get_variable("lnkappa0", initializer=tf.convert_to_tensor(tf.log(tf.exp(kappa)-1.), dtype=dtype), dtype=dtype)
self.kappa0 = tf.nn.softplus(lnkappa0)
self.nu0 = tf.convert_to_tensor(self.D + 10. if nu is None else nu, dtype=dtype) #degrees of freedom
if prec is None:
lnprec0 = tf.get_variable("lnprec0", shape=(), initializer=tf.zeros_initializer, dtype=dtype)
else:
lnprec0 = tf.get_variable("lnprec0", initializer=tf.convert_to_tensor(tf.log(tf.exp(prec)-1.), dtype=dtype), dtype=dtype)
self.Psiinv0 = tf.nn.softplus(lnprec0)*tf.eye(self.D,dtype=dtype)
self.alpha0 = tf.convert_to_tensor(1*np.ones(self.K, dtype=dtype) if alpha is None else alpha, dtype=dtype) #hyperparams of Dirichlet prior on cluster assignment
self.var_list0 = [lnkappa0, lnprec0]
@tfmethod(1)
def logdet(self, M):
#log-determinant for symmetric positive-definite
return 2.*tf.reduce_sum(tf.log(tf.diag_part(tf.cholesky(M+EPS*np.eye(self.D)))))
@tfmethod(3)
def A(self, Psiinv, kappa, nu):
#log-normalizer for normal-Wishart
with tf.variable_scope(self.varscope, reuse=True):
return -nu/2.*self.logdet(Psiinv)+(self.D/2.)*(nu*np.log(2.)-tf.log(kappa)+lgammap(nu/2.,self.D)+np.log(2.*np.pi))
#COSTLY
@tfmethod(1)
def logp(self, Z, X):
with tf.variable_scope(self.varscope, reuse=True):
Z = tf.convert_to_tensor(Z)
#sufficient statistics
m = tf.reduce_sum(Z, 0)
muest = tf.matmul(tf.transpose(Z), X)/(EPS+tf.expand_dims(m, 1))
S = tf.einsum('nk,nij->kij', Z, tf.einsum('ni,nj->nij', X, X))
mmt = tf.einsum('k,kij->kij', m**2./(self.kappa0+m),
tf.einsum('ki,kj->kij', muest, muest))
#posterior parameters
kappa = self.kappa0 + m
nu = self.nu0 + m
Psiinv = self.Psiinv0 + S - mmt
alpha = self.alpha0 + m
logprobw = tf.reduce_sum(tf.lgamma(alpha)-tf.lgamma(self.alpha0))+tf.lgamma(tf.reduce_sum(self.alpha0))-tf.lgamma(tf.reduce_sum(alpha))
logcompprob = lambda S: self.A(S[0], S[1], S[2])
logprob = (tf.reduce_sum(tf.map_fn(logcompprob, (Psiinv, kappa, nu),
dtype=dtype)) -
self.K*self.A(self.Psiinv0, self.kappa0, self.nu0))
#note: reduce+map is comparable or marginally better than fold/scan.
return logprob+logprobw
if __name__ is "__main__":
import matplotlib.pyplot as plt
Akarate = np.array([ [ 0., 0., 1., 1., 1., 1., 1., 1., 1., 0., 1., 1., 1., 1., 0., 0., 0., 1., 0., 1., 0., 1., 0., 0., 0., 0., 0., 0., 0., 0., 0., 1., 0., 0.],
[ 0., 0., 1., 1., 0., 0., 0., 1., 0., 0., 0., 0., 0., 1., 0., 0., 0., 1., 0., 1., 0., 1., 0., 0., 0., 0., 0., 0., 0., 0., 1., 0., 0., 0.],
[ 1., 1., 0., 1., 0., 0., 0., 1., 1., 1., 0., 0., 0., 1., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 1., 1., 0., 0., 0., 1., 0.],
[ 1., 1., 1., 0., 0., 0., 0., 1., 0., 0., 0., 0., 1., 1., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
[ 1., 0., 0., 0., 0., 0., 1., 0., 0., 0., 1., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
[ 1., 0., 0., 0., 0., 0., 1., 0., 0., 0., 1., 0., 0., 0., 0., 0., 1., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
[ 1., 0., 0., 0., 1., 1., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 1., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
[ 1., 1., 1., 1., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
[ 1., 0., 1., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 1., 0., 1., 1.],
[ 0., 0., 1., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 1.],
[ 1., 0., 0., 0., 1., 1., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
[ 1., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
[ 1., 0., 0., 1., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
[ 1., 1., 1., 1., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 1.],
[ 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 1., 1.],
[ 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 1., 1.],
[ 0., 0., 0., 0., 0., 1., 1., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
[ 1., 1., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
[ 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 1., 1.],
[ 1., 1., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 1.],
[ 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 1., 1.],
[ 1., 1., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
[ 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 1., 1.],
[ 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 1., 0., 1., 0., 1., 0., 0., 1., 1.],
[ 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 1., 0., 1., 0., 0., 0., 1., 0., 0.],
[ 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 1., 1., 0., 0., 0., 0., 0., 0., 1., 0., 0.],
[ 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 1., 0., 0., 0., 1.],
[ 0., 0., 1., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 1., 1., 0., 0., 0., 0., 0., 0., 0., 0., 1.],
[ 0., 0., 1., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 1., 0., 1.],
[ 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 1., 0., 0., 1., 0., 0., 0., 0., 0., 1., 1.],
[ 0., 1., 0., 0., 0., 0., 0., 0., 1., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 1., 1.],
[ 1., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 1., 1., 0., 0., 1., 0., 0., 0., 1., 1.],
[ 0., 0., 1., 0., 0., 0., 0., 0., 1., 0., 0., 0., 0., 0., 1., 1., 0., 0., 1., 0., 1., 0., 1., 1., 0., 0., 0., 0., 0., 1., 1., 1., 0., 1.],
[ 0., 0., 0., 0., 0., 0., 0., 0., 1., 1., 0., 0., 0., 1., 1., 1., 0., 0., 1., 1., 1., 0., 1., 1., 0., 0., 1., 1., 1., 1., 1., 1., 1., 0.]])
karate = True
if karate:
Ns = (34, 34)
Ks = (3, 3)
A = Akarate
else:
Ns = (10, 10)
Ks = (2, 2)
blocks = np.random.randn(*Ns) > np.kron(np.array([[0.05, 1.],[1., 0.05]]), np.ones((Ns[0]//2,Ns[1]//2)))
A = np.logical_or(blocks, (np.random.rand(*Ns) > 0.999)).astype('float64')
sess = tf.InteractiveSession()
bipart = CollapsedBipartiteStochasticBlock(Ns, Ks, a=1, alpha0=100.)
#P = bipart.populatetensor(A)
Zs = [tf.Variable(3*tf.random_normal((N, K), dtype=dtype)) for N, K in zip(Ns, Ks)]
bound = KLcorrectedBound(bipart, A, Zs)
update = bound.update_op()
sess.run(tf.global_variables_initializer())
bound.minimize()
Z0, Z1 = sess.run(bound.Zs)
ord0 = np.argsort(Z0.dot(Ks[0]**np.arange(3)))
ord1 = np.argsort(Z1.dot(Ks[1]**np.arange(3)))
plt.matshow(A[np.ix_(ord0, ord1)])
hardord0 = np.argmax(Z0[ord0], axis=1)
hardord1 = np.argmax(Z1[ord1], axis=1)
plt.hlines([ind+0.5 for ind in np.where(np.diff(hardord0))], -0.5, 33.5, color='r')
plt.vlines([ind+0.5 for ind in np.where(np.diff(hardord1))], -0.5, 33.5, color='r')
# #for _ in range(10):
# sess.run(tf.global_variables_initializer())
# L = []
#for _ in range(10000):
# l, _ = sess.run([bound.bound, update])
# L.append(l)
#plt.plot(L)