New feature extraction method

Joseph Redmon

2014-04-17 ac82bde55f3206a7a0d1b7a7580bea05096af32b

 src/tests.c

@@ -1,5 +1,4 @@
#include "connected_layer.h"
//#include "old_conv.h"
#include "convolutional_layer.h"
#include "maxpool_layer.h"
#include "network.h"
@@ -19,457 +18,799 @@

void test_convolve()
{
    image dog = load_image("dog.jpg",300,400);
    printf("dog channels %d\n", dog.c);
    image kernel = make_random_image(3,3,dog.c);
    image edge = make_image(dog.h, dog.w, 1);
    int i;
    clock_t start = clock(), end;
    for(i = 0; i < 1000; ++i){
        convolve(dog, kernel, 1, 0, edge, 1);
    }
    end = clock();
    printf("Convolutions: %lf seconds\n", (float)(end-start)/CLOCKS_PER_SEC);
    show_image_layers(edge, "Test Convolve");
   image dog = load_image("dog.jpg",300,400);
   printf("dog channels %d\n", dog.c);
   image kernel = make_random_image(3,3,dog.c);
   image edge = make_image(dog.h, dog.w, 1);
   int i;
   clock_t start = clock(), end;
   for(i = 0; i < 1000; ++i){
      convolve(dog, kernel, 1, 0, edge, 1);
   }
   end = clock();
   printf("Convolutions: %lf seconds\n", (float)(end-start)/CLOCKS_PER_SEC);
   show_image_layers(edge, "Test Convolve");
}

void test_convolve_matrix()
{
    image dog = load_image("dog.jpg",300,400);
    printf("dog channels %d\n", dog.c);
    
    int size = 11;
    int stride = 4;
    int n = 40;
    float *filters = make_random_image(size, size, dog.c*n).data;
   image dog = load_image("dog.jpg",300,400);
   printf("dog channels %d\n", dog.c);

    int mw = ((dog.h-size)/stride+1)*((dog.w-size)/stride+1);
    int mh = (size*size*dog.c);
    float *matrix = calloc(mh*mw, sizeof(float));
   int size = 11;
   int stride = 4;
   int n = 40;
   float *filters = make_random_image(size, size, dog.c*n).data;

    image edge = make_image((dog.h-size)/stride+1, (dog.w-size)/stride+1, n);
   int mw = ((dog.h-size)/stride+1)*((dog.w-size)/stride+1);
   int mh = (size*size*dog.c);
   float *matrix = calloc(mh*mw, sizeof(float));

   image edge = make_image((dog.h-size)/stride+1, (dog.w-size)/stride+1, n);


    int i;
    clock_t start = clock(), end;
    for(i = 0; i < 1000; ++i){
        im2col_cpu(dog.data,  dog.c,  dog.h,  dog.w,  size,  stride, matrix);
        gemm(0,0,n,mw,mh,1,filters,mh,matrix,mw,1,edge.data,mw);
    }
    end = clock();
    printf("Convolutions: %lf seconds\n", (float)(end-start)/CLOCKS_PER_SEC);
    show_image_layers(edge, "Test Convolve");
    cvWaitKey(0);
   int i;
   clock_t start = clock(), end;
   for(i = 0; i < 1000; ++i){
      im2col_cpu(dog.data,  dog.c,  dog.h,  dog.w,  size,  stride, matrix);
      gemm(0,0,n,mw,mh,1,filters,mh,matrix,mw,1,edge.data,mw);
   }
   end = clock();
   printf("Convolutions: %lf seconds\n", (float)(end-start)/CLOCKS_PER_SEC);
   show_image_layers(edge, "Test Convolve");
   cvWaitKey(0);
}

void test_color()
{
    image dog = load_image("test_color.png", 300, 400);
    show_image_layers(dog, "Test Color");
   image dog = load_image("test_color.png", 300, 400);
   show_image_layers(dog, "Test Color");
}

void verify_convolutional_layer()
{
    srand(0);
    int i;
    int n = 1;
    int stride = 1;
    int size = 3;
    float eps = .00000001;
    image test = make_random_image(5,5, 1);
    convolutional_layer layer = *make_convolutional_layer(test.h,test.w,test.c, n, size, stride, RELU);
    image out = get_convolutional_image(layer);
    float **jacobian = calloc(test.h*test.w*test.c, sizeof(float));
    
    forward_convolutional_layer(layer, test.data);
    image base = copy_image(out);
   srand(0);
   int i;
   int n = 1;
   int stride = 1;
   int size = 3;
   float eps = .00000001;
   image test = make_random_image(5,5, 1);
   convolutional_layer layer = *make_convolutional_layer(1,test.h,test.w,test.c, n, size, stride, RELU);
   image out = get_convolutional_image(layer);
   float **jacobian = calloc(test.h*test.w*test.c, sizeof(float));

    for(i = 0; i < test.h*test.w*test.c; ++i){
        test.data[i] += eps;
        forward_convolutional_layer(layer, test.data);
        image partial = copy_image(out);
        subtract_image(partial, base);
        scale_image(partial, 1/eps);
        jacobian[i] = partial.data;
        test.data[i] -= eps;
    }
    float **jacobian2 = calloc(out.h*out.w*out.c, sizeof(float));
    image in_delta = make_image(test.h, test.w, test.c);
    image out_delta = get_convolutional_delta(layer);
    for(i = 0; i < out.h*out.w*out.c; ++i){
        out_delta.data[i] = 1;
        backward_convolutional_layer(layer, in_delta.data);
        image partial = copy_image(in_delta);
        jacobian2[i] = partial.data;
        out_delta.data[i] = 0;
    }
    int j;
    float *j1 = calloc(test.h*test.w*test.c*out.h*out.w*out.c, sizeof(float));
    float *j2 = calloc(test.h*test.w*test.c*out.h*out.w*out.c, sizeof(float));
    for(i = 0; i < test.h*test.w*test.c; ++i){
        for(j =0 ; j < out.h*out.w*out.c; ++j){
            j1[i*out.h*out.w*out.c + j] = jacobian[i][j];
            j2[i*out.h*out.w*out.c + j] = jacobian2[j][i];
            printf("%f %f\n", jacobian[i][j], jacobian2[j][i]);
        }
    }
   forward_convolutional_layer(layer, test.data);
   image base = copy_image(out);

   for(i = 0; i < test.h*test.w*test.c; ++i){
      test.data[i] += eps;
      forward_convolutional_layer(layer, test.data);
      image partial = copy_image(out);
      subtract_image(partial, base);
      scale_image(partial, 1/eps);
      jacobian[i] = partial.data;
      test.data[i] -= eps;
   }
   float **jacobian2 = calloc(out.h*out.w*out.c, sizeof(float));
   image in_delta = make_image(test.h, test.w, test.c);
   image out_delta = get_convolutional_delta(layer);
   for(i = 0; i < out.h*out.w*out.c; ++i){
      out_delta.data[i] = 1;
      backward_convolutional_layer(layer, in_delta.data);
      image partial = copy_image(in_delta);
      jacobian2[i] = partial.data;
      out_delta.data[i] = 0;
   }
   int j;
   float *j1 = calloc(test.h*test.w*test.c*out.h*out.w*out.c, sizeof(float));
   float *j2 = calloc(test.h*test.w*test.c*out.h*out.w*out.c, sizeof(float));
   for(i = 0; i < test.h*test.w*test.c; ++i){
      for(j =0 ; j < out.h*out.w*out.c; ++j){
         j1[i*out.h*out.w*out.c + j] = jacobian[i][j];
         j2[i*out.h*out.w*out.c + j] = jacobian2[j][i];
         printf("%f %f\n", jacobian[i][j], jacobian2[j][i]);
      }
   }


    image mj1 = float_to_image(test.w*test.h*test.c, out.w*out.h*out.c, 1, j1);
    image mj2 = float_to_image(test.w*test.h*test.c, out.w*out.h*out.c, 1, j2);
    printf("%f %f\n", avg_image_layer(mj1,0), avg_image_layer(mj2,0));
    show_image(mj1, "forward jacobian");
    show_image(mj2, "backward jacobian");
   image mj1 = float_to_image(test.w*test.h*test.c, out.w*out.h*out.c, 1, j1);
   image mj2 = float_to_image(test.w*test.h*test.c, out.w*out.h*out.c, 1, j2);
   printf("%f %f\n", avg_image_layer(mj1,0), avg_image_layer(mj2,0));
   show_image(mj1, "forward jacobian");
   show_image(mj2, "backward jacobian");
}

void test_load()
{
    image dog = load_image("dog.jpg", 300, 400);
    show_image(dog, "Test Load");
    show_image_layers(dog, "Test Load");
   image dog = load_image("dog.jpg", 300, 400);
   show_image(dog, "Test Load");
   show_image_layers(dog, "Test Load");
}
void test_upsample()
{
    image dog = load_image("dog.jpg", 300, 400);
    int n = 3;
    image up = make_image(n*dog.h, n*dog.w, dog.c);
    upsample_image(dog, n, up);
    show_image(up, "Test Upsample");
    show_image_layers(up, "Test Upsample");
   image dog = load_image("dog.jpg", 300, 400);
   int n = 3;
   image up = make_image(n*dog.h, n*dog.w, dog.c);
   upsample_image(dog, n, up);
   show_image(up, "Test Upsample");
   show_image_layers(up, "Test Upsample");
}

void test_rotate()
{
    int i;
    image dog = load_image("dog.jpg",300,400);
    clock_t start = clock(), end;
    for(i = 0; i < 1001; ++i){
        rotate_image(dog);
    }
    end = clock();
    printf("Rotations: %lf seconds\n", (float)(end-start)/CLOCKS_PER_SEC);
    show_image(dog, "Test Rotate");
   int i;
   image dog = load_image("dog.jpg",300,400);
   clock_t start = clock(), end;
   for(i = 0; i < 1001; ++i){
      rotate_image(dog);
   }
   end = clock();
   printf("Rotations: %lf seconds\n", (float)(end-start)/CLOCKS_PER_SEC);
   show_image(dog, "Test Rotate");

    image random = make_random_image(3,3,3);
    show_image(random, "Test Rotate Random");
    rotate_image(random);
    show_image(random, "Test Rotate Random");
    rotate_image(random);
    show_image(random, "Test Rotate Random");
   image random = make_random_image(3,3,3);
   show_image(random, "Test Rotate Random");
   rotate_image(random);
   show_image(random, "Test Rotate Random");
   rotate_image(random);
   show_image(random, "Test Rotate Random");
}

void test_parser()
{
    network net = parse_network_cfg("test_parser.cfg");
    float input[1];
    int count = 0;
        
    float avgerr = 0;
    while(++count < 100000000){
        float v = ((float)rand()/RAND_MAX);
        float truth = v*v;
        input[0] = v;
        forward_network(net, input);
        float *out = get_network_output(net);
        float *delta = get_network_delta(net);
        float err = pow((out[0]-truth),2.);
        avgerr = .99 * avgerr + .01 * err;
        if(count % 1000000 == 0) printf("%f %f :%f AVG %f \n", truth, out[0], err, avgerr);
        delta[0] = truth - out[0];
        backward_network(net, input, &truth);
        update_network(net, .001,0,0);
    }
   network net = parse_network_cfg("test_parser.cfg");
   float input[1];
   int count = 0;

   float avgerr = 0;
   while(++count < 100000000){
      float v = ((float)rand()/RAND_MAX);
      float truth = v*v;
      input[0] = v;
      forward_network(net, input);
      float *out = get_network_output(net);
      float *delta = get_network_delta(net);
      float err = pow((out[0]-truth),2.);
      avgerr = .99 * avgerr + .01 * err;
      if(count % 1000000 == 0) printf("%f %f :%f AVG %f \n", truth, out[0], err, avgerr);
      delta[0] = truth - out[0];
      backward_network(net, input, &truth);
      update_network(net, .001,0,0);
   }
}

void test_data()
{
    char *labels[] = {"cat","dog"};
    data train = load_data_image_pathfile_random("train_paths.txt", 101,labels, 2, 300, 400);
    free_data(train);
   char *labels[] = {"cat","dog"};
   data train = load_data_image_pathfile_random("train_paths.txt", 101,labels, 2, 300, 400);
   free_data(train);
}

void train_full()
{
   network net = parse_network_cfg("cfg/imagenet.cfg");
   srand(2222222);
   int i = 0;
   char *labels[] = {"cat","dog"};
   float lr = .00001;
   float momentum = .9;
   float decay = 0.01;
   while(1){
      i += 1000;
      data train = load_data_image_pathfile_random("images/assira/train.list", 1000, labels, 2, 256, 256);
      //image im = float_to_image(256, 256, 3,train.X.vals[0]);
      //visualize_network(net);
      //cvWaitKey(100);
      //show_image(im, "input");
      //cvWaitKey(100);
      //scale_data_rows(train, 1./255.);
      normalize_data_rows(train);
      clock_t start = clock(), end;
      float loss = train_network_sgd(net, train, 1000, lr, momentum, decay);
      end = clock();
      printf("%d: %f, Time: %lf seconds, LR: %f, Momentum: %f, Decay: %f\n", i, loss, (float)(end-start)/CLOCKS_PER_SEC, lr, momentum, decay);
      free_data(train);
      if(i%10000==0){
         char buff[256];
         sprintf(buff, "cfg/assira_backup_%d.cfg", i);
         save_network(net, buff);
      }
      //lr *= .99;
   }
}

void test_visualize()
{
   network net = parse_network_cfg("cfg/voc_imagenet.cfg");
   srand(2222222);
   visualize_network(net);
   cvWaitKey(0);
}
void test_full()
{
    network net = parse_network_cfg("full.cfg");
    srand(2222222);
    int i = 800;
    char *labels[] = {"cat","dog"};
    float lr = .00001;
    float momentum = .9;
    float decay = 0.01;
    while(i++ < 1000 || 1){
        visualize_network(net);
        cvWaitKey(100);
        data train = load_data_image_pathfile_random("train_paths.txt", 1000, labels, 2, 256, 256);
        image im = float_to_image(256, 256, 3,train.X.vals[0]);
        show_image(im, "input");
        cvWaitKey(100);
        //scale_data_rows(train, 1./255.);
        normalize_data_rows(train);
        clock_t start = clock(), end;
        float loss = train_network_sgd(net, train, 100, lr, momentum, decay);
        end = clock();
        printf("%d: %f, Time: %lf seconds, LR: %f, Momentum: %f, Decay: %f\n", i, loss, (float)(end-start)/CLOCKS_PER_SEC, lr, momentum, decay);
        free_data(train);
        if(i%100==0){
            char buff[256];
            sprintf(buff, "backup_%d.cfg", i);
            //save_network(net, buff);
        }
        //lr *= .99;
    }
   network net = parse_network_cfg("cfg/backup_1300.cfg");
   srand(2222222);
   int i,j;
   int total = 100;
   char *labels[] = {"cat","dog"};
   FILE *fp = fopen("preds.txt","w");
   for(i = 0; i < total; ++i){
      visualize_network(net);
      cvWaitKey(100);
      data test = load_data_image_pathfile_part("images/assira/test.list", i, total, labels, 2, 256, 256);
      image im = float_to_image(256, 256, 3,test.X.vals[0]);
      show_image(im, "input");
      cvWaitKey(100);
      normalize_data_rows(test);
      for(j = 0; j < test.X.rows; ++j){
         float *x = test.X.vals[j];
         forward_network(net, x);
         int class = get_predicted_class_network(net);
         fprintf(fp, "%d\n", class);
      }
      free_data(test);
   }
   fclose(fp);
}

void test_cifar10()
{
   data test = load_cifar10_data("images/cifar10/test_batch.bin");
   scale_data_rows(test, 1./255);
   network net = parse_network_cfg("cfg/cifar10.cfg");
   int count = 0;
   float lr = .000005;
   float momentum = .99;
   float decay = 0.001;
   decay = 0;
   int batch = 10000;
   while(++count <= 10000){
      char buff[256];
      sprintf(buff, "images/cifar10/data_batch_%d.bin", rand()%5+1);
      data train = load_cifar10_data(buff);
      scale_data_rows(train, 1./255);
      train_network_sgd(net, train, batch, lr, momentum, decay);
      //printf("%5f %5f\n",(double)count*batch/train.X.rows, loss);

      float test_acc = network_accuracy(net, test);
      printf("%5f %5f\n",(double)count*batch/train.X.rows/5, 1-test_acc);
      free_data(train);
   }

}

void test_vince()
{
   network net = parse_network_cfg("cfg/vince.cfg");
   data train = load_categorical_data_csv("images/vince.txt", 144, 2);
   normalize_data_rows(train);

   int count = 0;
   float lr = .00005;
   float momentum = .9;
   float decay = 0.0001;
   decay = 0;
   int batch = 10000;
   while(++count <= 10000){
      float loss = train_network_sgd(net, train, batch, lr, momentum, decay);
      printf("%5f %5f\n",(double)count*batch/train.X.rows, loss);
   }
}

void test_nist()
{
    srand(444444);
    srand(888888);
    network net = parse_network_cfg("nist.cfg");
    data train = load_categorical_data_csv("mnist/mnist_train.csv", 0, 10);
    data test = load_categorical_data_csv("mnist/mnist_test.csv",0,10);
    normalize_data_rows(train);
    normalize_data_rows(test);
    //randomize_data(train);
    int count = 0;
    float lr = .0005;
    float momentum = .9;
    float decay = 0.001;
    clock_t start = clock(), end;
    while(++count <= 100){
        //visualize_network(net);
        float loss = train_network_sgd(net, train, 1000, lr, momentum, decay);
        printf("%5d Training Loss: %lf, Params: %f %f %f, ",count*100, loss, lr, momentum, decay);
        end = clock();
        printf("Time: %lf seconds\n", (float)(end-start)/CLOCKS_PER_SEC);
        start=end;
        //cvWaitKey(100);
        //lr /= 2; 
        if(count%5 == 0){
            float train_acc = network_accuracy(net, train);
            fprintf(stderr, "\nTRAIN: %f\n", train_acc);
            float test_acc = network_accuracy(net, test);
            fprintf(stderr, "TEST: %f\n\n", test_acc);
            printf("%d, %f, %f\n", count, train_acc, test_acc);
            //lr *= .5;
        }
    }
   srand(444444);
   srand(888888);
   network net = parse_network_cfg("cfg/nist_basic.cfg");
   data train = load_categorical_data_csv("mnist/mnist_train.csv", 0, 10);
   data test = load_categorical_data_csv("mnist/mnist_test.csv",0,10);
   normalize_data_rows(train);
   normalize_data_rows(test);
   //randomize_data(train);
   int count = 0;
   float lr = .00005;
   float momentum = .9;
   float decay = 0.0001;
   decay = 0;
   //clock_t start = clock(), end;
   int batch = 10000;
   while(++count <= 10000){
      float loss = train_network_sgd(net, train, batch, lr, momentum, decay);
      printf("%5f %5f\n",(double)count*batch/train.X.rows, loss);
      //printf("%5d Training Loss: %lf, Params: %f %f %f, ",count*1000, loss, lr, momentum, decay);
      //end = clock();
      //printf("Time: %lf seconds\n", (float)(end-start)/CLOCKS_PER_SEC);
      //start=end;
      /*
         if(count%5 == 0){
         float train_acc = network_accuracy(net, train);
         fprintf(stderr, "\nTRAIN: %f\n", train_acc);
         float test_acc = network_accuracy(net, test);
         fprintf(stderr, "TEST: %f\n\n", test_acc);
         printf("%d, %f, %f\n", count, train_acc, test_acc);
      //lr *= .5;
      }
      */
   }
}

void test_ensemble()
{
    int i;
    srand(888888);
    data d = load_categorical_data_csv("mnist/mnist_train.csv", 0, 10);
    normalize_data_rows(d);
    data test = load_categorical_data_csv("mnist/mnist_test.csv", 0,10);
    normalize_data_rows(test);
    data train = d;
    //   data *split = split_data(d, 1, 10);
    //   data train = split[0];
    //   data test = split[1];
    matrix prediction = make_matrix(test.y.rows, test.y.cols);
    int n = 30;
    for(i = 0; i < n; ++i){
        int count = 0;
        float lr = .0005;
        float momentum = .9;
        float decay = .01;
        network net = parse_network_cfg("nist.cfg");
        while(++count <= 15){
            float acc = train_network_sgd(net, train, train.X.rows, lr, momentum, decay);
            printf("Training Accuracy: %lf Learning Rate: %f Momentum: %f Decay: %f\n", acc, lr, momentum, decay );
            lr /= 2; 
        }
        matrix partial = network_predict_data(net, test);
        float acc = matrix_accuracy(test.y, partial);
        printf("Model Accuracy: %lf\n", acc);
        matrix_add_matrix(partial, prediction);
        acc = matrix_accuracy(test.y, prediction);
        printf("Current Ensemble Accuracy: %lf\n", acc);
        free_matrix(partial);
    }
    float acc = matrix_accuracy(test.y, prediction);
    printf("Full Ensemble Accuracy: %lf\n", acc);
   int i;
   srand(888888);
   data d = load_categorical_data_csv("mnist/mnist_train.csv", 0, 10);
   normalize_data_rows(d);
   data test = load_categorical_data_csv("mnist/mnist_test.csv", 0,10);
   normalize_data_rows(test);
   data train = d;
   //   data *split = split_data(d, 1, 10);
   //   data train = split[0];
   //   data test = split[1];
   matrix prediction = make_matrix(test.y.rows, test.y.cols);
   int n = 30;
   for(i = 0; i < n; ++i){
      int count = 0;
      float lr = .0005;
      float momentum = .9;
      float decay = .01;
      network net = parse_network_cfg("nist.cfg");
      while(++count <= 15){
         float acc = train_network_sgd(net, train, train.X.rows, lr, momentum, decay);
         printf("Training Accuracy: %lf Learning Rate: %f Momentum: %f Decay: %f\n", acc, lr, momentum, decay );
         lr /= 2; 
      }
      matrix partial = network_predict_data(net, test);
      float acc = matrix_accuracy(test.y, partial);
      printf("Model Accuracy: %lf\n", acc);
      matrix_add_matrix(partial, prediction);
      acc = matrix_accuracy(test.y, prediction);
      printf("Current Ensemble Accuracy: %lf\n", acc);
      free_matrix(partial);
   }
   float acc = matrix_accuracy(test.y, prediction);
   printf("Full Ensemble Accuracy: %lf\n", acc);
}

void test_random_classify()
{
    network net = parse_network_cfg("connected.cfg");
    matrix m = csv_to_matrix("train.csv");
    //matrix ho = hold_out_matrix(&m, 2500);
    float *truth = pop_column(&m, 0);
    //float *ho_truth = pop_column(&ho, 0);
    int i;
    clock_t start = clock(), end;
    int count = 0;
    while(++count <= 300){
        for(i = 0; i < m.rows; ++i){
            int index = rand()%m.rows;
            //image p = float_to_image(1690,1,1,m.vals[index]);
            //normalize_image(p);
            forward_network(net, m.vals[index]);
            float *out = get_network_output(net);
            float *delta = get_network_delta(net);
            //printf("%f\n", out[0]);
            delta[0] = truth[index] - out[0];
            // printf("%f\n", delta[0]);
            //printf("%f %f\n", truth[index], out[0]);
            //backward_network(net, m.vals[index], );
            update_network(net, .00001, 0,0);
        }
        //float test_acc = error_network(net, m, truth);
        //float valid_acc = error_network(net, ho, ho_truth);
        //printf("%f, %f\n", test_acc, valid_acc);
        //fprintf(stderr, "%5d: %f Valid: %f\n",count, test_acc, valid_acc);
        //if(valid_acc > .70) break;
    }
    end = clock();
    FILE *fp = fopen("submission/out.txt", "w");
    matrix test = csv_to_matrix("test.csv");
    truth = pop_column(&test, 0);
    for(i = 0; i < test.rows; ++i){
        forward_network(net, test.vals[i]);
        float *out = get_network_output(net);
        if(fabs(out[0]) < .5) fprintf(fp, "0\n");
        else fprintf(fp, "1\n");
    }
    fclose(fp);
    printf("Neural Net Learning: %lf seconds\n", (float)(end-start)/CLOCKS_PER_SEC);
   network net = parse_network_cfg("connected.cfg");
   matrix m = csv_to_matrix("train.csv");
   //matrix ho = hold_out_matrix(&m, 2500);
   float *truth = pop_column(&m, 0);
   //float *ho_truth = pop_column(&ho, 0);
   int i;
   clock_t start = clock(), end;
   int count = 0;
   while(++count <= 300){
      for(i = 0; i < m.rows; ++i){
         int index = rand()%m.rows;
         //image p = float_to_image(1690,1,1,m.vals[index]);
         //normalize_image(p);
         forward_network(net, m.vals[index]);
         float *out = get_network_output(net);
         float *delta = get_network_delta(net);
         //printf("%f\n", out[0]);
         delta[0] = truth[index] - out[0];
         // printf("%f\n", delta[0]);
         //printf("%f %f\n", truth[index], out[0]);
         //backward_network(net, m.vals[index], );
         update_network(net, .00001, 0,0);
      }
      //float test_acc = error_network(net, m, truth);
      //float valid_acc = error_network(net, ho, ho_truth);
      //printf("%f, %f\n", test_acc, valid_acc);
      //fprintf(stderr, "%5d: %f Valid: %f\n",count, test_acc, valid_acc);
      //if(valid_acc > .70) break;
   }
   end = clock();
   FILE *fp = fopen("submission/out.txt", "w");
   matrix test = csv_to_matrix("test.csv");
   truth = pop_column(&test, 0);
   for(i = 0; i < test.rows; ++i){
      forward_network(net, test.vals[i]);
      float *out = get_network_output(net);
      if(fabs(out[0]) < .5) fprintf(fp, "0\n");
      else fprintf(fp, "1\n");
   }
   fclose(fp);
   printf("Neural Net Learning: %lf seconds\n", (float)(end-start)/CLOCKS_PER_SEC);
}

void test_split()
{
    data train = load_categorical_data_csv("mnist/mnist_train.csv", 0, 10);
    data *split = split_data(train, 0, 13);
    printf("%d, %d, %d\n", train.X.rows, split[0].X.rows, split[1].X.rows);
   data train = load_categorical_data_csv("mnist/mnist_train.csv", 0, 10);
   data *split = split_data(train, 0, 13);
   printf("%d, %d, %d\n", train.X.rows, split[0].X.rows, split[1].X.rows);
}

void test_im2row()
{
    int h = 20;
    int w = 20;
    int c = 3;
    int stride = 1;
    int size = 11;
    image test = make_random_image(h,w,c);
    int mc = 1;
    int mw = ((h-size)/stride+1)*((w-size)/stride+1);
    int mh = (size*size*c);
    int msize = mc*mw*mh;
    float *matrix = calloc(msize, sizeof(float));
    int i;
    for(i = 0; i < 1000; ++i){
        im2col_cpu(test.data,  c,  h,  w,  size,  stride, matrix);
        //image render = float_to_image(mh, mw, mc, matrix);
    }
   int h = 20;
   int w = 20;
   int c = 3;
   int stride = 1;
   int size = 11;
   image test = make_random_image(h,w,c);
   int mc = 1;
   int mw = ((h-size)/stride+1)*((w-size)/stride+1);
   int mh = (size*size*c);
   int msize = mc*mw*mh;
   float *matrix = calloc(msize, sizeof(float));
   int i;
   for(i = 0; i < 1000; ++i){
      im2col_cpu(test.data,  c,  h,  w,  size,  stride, matrix);
      //image render = float_to_image(mh, mw, mc, matrix);
   }
}

void flip_network()
{
   network net = parse_network_cfg("cfg/voc_imagenet_orig.cfg");
   save_network(net, "cfg/voc_imagenet_rev.cfg");
}

void train_VOC()
{
    network net = parse_network_cfg("cfg/voc_backup_sig_20.cfg");
    srand(2222222);
    int i = 20;
    char *labels[] = {"aeroplane","bicycle","bird","boat","bottle","bus","car","cat","chair","cow","diningtable","dog","horse","motorbike","person","pottedplant","sheep","sofa","train","tvmonitor"};
    float lr = .00001;
    float momentum = .9;
    float decay = 0.01;
    while(i++ < 1000 || 1){
        data train = load_data_image_pathfile_random("images/VOC2012/train_paths.txt", 1000, labels, 20, 300, 400);
   network net = parse_network_cfg("cfg/voc_start.cfg");
   srand(2222222);
   int i = 20;
   char *labels[] = {"aeroplane","bicycle","bird","boat","bottle","bus","car","cat","chair","cow","diningtable","dog","horse","motorbike","person","pottedplant","sheep","sofa","train","tvmonitor"};
   float lr = .00001;
   float momentum = .9;
   float decay = 0.01;
   while(i++ < 1000 || 1){
      data train = load_data_image_pathfile_random("images/VOC2012/val_paths.txt", 1000, labels, 20, 300, 400);

        image im = float_to_image(300, 400, 3,train.X.vals[0]);
        show_image(im, "input");
        visualize_network(net);
        cvWaitKey(100);
      image im = float_to_image(300, 400, 3,train.X.vals[0]);
      show_image(im, "input");
      visualize_network(net);
      cvWaitKey(100);

        normalize_data_rows(train);
        clock_t start = clock(), end;
        float loss = train_network_sgd(net, train, 1000, lr, momentum, decay);
        end = clock();
        printf("%d: %f, Time: %lf seconds, LR: %f, Momentum: %f, Decay: %f\n", i, loss, (float)(end-start)/CLOCKS_PER_SEC, lr, momentum, decay);
        free_data(train);
        if(i%10==0){
            char buff[256];
            sprintf(buff, "cfg/voc_backup_sig_%d.cfg", i);
            save_network(net, buff);
        }
        //lr *= .99;
    }
      normalize_data_rows(train);
      clock_t start = clock(), end;
      float loss = train_network_sgd(net, train, 1000, lr, momentum, decay);
      end = clock();
      printf("%d: %f, Time: %lf seconds, LR: %f, Momentum: %f, Decay: %f\n", i, loss, (float)(end-start)/CLOCKS_PER_SEC, lr, momentum, decay);
      free_data(train);
      if(i%10==0){
         char buff[256];
         sprintf(buff, "cfg/voc_clean_ramp_%d.cfg", i);
         save_network(net, buff);
      }
      //lr *= .99;
   }
}

void features_VOC()
int voc_size(int x)
{
    int i,j;
    network net = parse_network_cfg("cfg/voc_features.cfg");
    char *path_file = "images/VOC2012/all_paths.txt";
    char *out_dir = "voc_features/";
    list *paths = get_paths(path_file);
    node *n = paths->front;
    while(n){
        char *path = (char *)n->val;
        char buff[1024];
        sprintf(buff, "%s%s.txt",out_dir, path);
        FILE *fp = fopen(buff, "w");
        if(fp == 0) file_error(buff);

        IplImage* src = 0;
        if( (src = cvLoadImage(path,-1)) == 0 )
        {
            printf("Cannot load file image %s\n", path);
            exit(0);
        }

        for(i = 0; i < 10; ++i){
            int w = 1024 - 90*i; //PICKED WITH CAREFUL CROSS-VALIDATION!!!!
            int h = (int)((double)w/src->width * src->height);
            IplImage *sized = cvCreateImage(cvSize(w,h), src->depth, src->nChannels);
            cvResize(src, sized, CV_INTER_LINEAR);
            image im = ipl_to_image(sized);
            reset_network_size(net, im.h, im.w, im.c);
            forward_network(net, im.data);
            free_image(im);
            image out = get_network_image_layer(net, 5);
            fprintf(fp, "%d, %d, %d\n",out.c, out.h, out.w);
            for(j = 0; j < out.c*out.h*out.w; ++j){
                if(j != 0)fprintf(fp, ",");
                fprintf(fp, "%g", out.data[j]);
            }
            fprintf(fp, "\n");
            out.c = 1;
            show_image(out, "output");
            cvWaitKey(10);
            cvReleaseImage(&sized);
        }
        fclose(fp);
        n = n->next;
    }
   x = x-1+3;
   x = x-1+3;
   x = x-1+3;
   x = (x-1)*2+1;
   x = x-1+5;
   x = (x-1)*2+1;
   x = (x-1)*4+11;
   return x;
}

int main()
image features_output_size(network net, IplImage *src, int outh, int outw)
{
    //feenableexcept(FE_DIVBYZERO | FE_INVALID | FE_OVERFLOW);
   int h = voc_size(outh);
   int w = voc_size(outw);
   fprintf(stderr, "%d %d\n", h, w);

    //test_blas();
    //test_convolve_matrix();
    //    test_im2row();
    //test_split();
    //test_ensemble();
    //test_nist();
    //test_full();
    //train_VOC();
    features_VOC();
    //test_random_preprocess();
    //test_random_classify();
    //test_parser();
    //test_backpropagate();
    //test_ann();
    //test_convolve();
    //test_upsample();
    //test_rotate();
    //test_load();
    //test_network();
    //test_convolutional_layer();
    //verify_convolutional_layer();
    //test_color();
    //cvWaitKey(0);
    return 0;
   IplImage *sized = cvCreateImage(cvSize(w,h), src->depth, src->nChannels);
   cvResize(src, sized, CV_INTER_LINEAR);
   image im = ipl_to_image(sized);
   //normalize_array(im.data, im.h*im.w*im.c);
   translate_image(im, -144);
   resize_network(net, im.h, im.w, im.c);
   forward_network(net, im.data);
   image out = get_network_image(net);
   free_image(im);
   cvReleaseImage(&sized);
   return copy_image(out);
}

void features_VOC_image_size(char *image_path, int h, int w)
{
   int j;
   network net = parse_network_cfg("cfg/voc_imagenet.cfg");
   fprintf(stderr, "%s\n", image_path);

   IplImage* src = 0;
   if( (src = cvLoadImage(image_path,-1)) == 0 ) file_error(image_path);
   image out = features_output_size(net, src, h, w);
   for(j = 0; j < out.c*out.h*out.w; ++j){
      if(j != 0) printf(",");
      printf("%g", out.data[j]);
   }
   printf("\n");
   free_image(out);
   cvReleaseImage(&src);
}
void visualize_imagenet_topk(char *filename)
{
   int i,j,k,l;
   int topk = 10;
   network net = parse_network_cfg("cfg/voc_imagenet.cfg");
   list *plist = get_paths(filename);
   node *n = plist->front;
   int h = voc_size(1), w = voc_size(1);
   int num = get_network_image(net).c;
   image **vizs = calloc(num, sizeof(image*));
   float **score = calloc(num, sizeof(float *));
   for(i = 0; i < num; ++i){
      vizs[i] = calloc(topk, sizeof(image));
      for(j = 0; j < topk; ++j) vizs[i][j] = make_image(h,w,3);
      score[i] = calloc(topk, sizeof(float));
   }

   int count = 0;
   while(n){
      ++count;
      char *image_path = (char *)n->val;
      image im = load_image(image_path, 0, 0);
      n = n->next;
      if(im.h < 200 || im.w < 200) continue;
      printf("Processing %dx%d image\n", im.h, im.w);
      resize_network(net, im.h, im.w, im.c);
      //scale_image(im, 1./255);
      translate_image(im, -144);
      forward_network(net, im.data);
      image out = get_network_image(net);

      int dh = (im.h - h)/(out.h-1);
      int dw = (im.w - w)/(out.w-1);
      //printf("%d %d\n", dh, dw);
      for(k = 0; k < out.c; ++k){
         float topv = 0;
         int topi = -1;
         int topj = -1;
         for(i = 0; i < out.h; ++i){
            for(j = 0; j < out.w; ++j){
               float val = get_pixel(out, i, j, k);
               if(val > topv){
                  topv = val;
                  topi = i;
                  topj = j;
               }
            }
         }
         if(topv){
            image sub = get_sub_image(im, dh*topi, dw*topj, h, w);
            for(l = 0; l < topk; ++l){
               if(topv > score[k][l]){
                  float swap = score[k][l];
                  score[k][l] = topv;
                  topv = swap;

                  image swapi = vizs[k][l];
                  vizs[k][l] = sub;
                  sub = swapi;
               }
            }
            free_image(sub);
         }
      }
      free_image(im);
      if(count%50 == 0){
         image grid = grid_images(vizs, num, topk);
         //show_image(grid, "IMAGENET Visualization");
         save_image(grid, "IMAGENET Grid Single Nonorm");
         free_image(grid);
      }
   }
   //cvWaitKey(0);
}

void visualize_imagenet_features(char *filename)
{
   int i,j,k;
   network net = parse_network_cfg("cfg/voc_imagenet.cfg");
   list *plist = get_paths(filename);
   node *n = plist->front;
   int h = voc_size(1), w = voc_size(1);
   int num = get_network_image(net).c;
   image *vizs = calloc(num, sizeof(image));
   for(i = 0; i < num; ++i) vizs[i] = make_image(h, w, 3);
   while(n){
      char *image_path = (char *)n->val;
      image im = load_image(image_path, 0, 0);
      printf("Processing %dx%d image\n", im.h, im.w);
      resize_network(net, im.h, im.w, im.c);
      forward_network(net, im.data);
      image out = get_network_image(net);

      int dh = (im.h - h)/h;
      int dw = (im.w - w)/w;
      for(i = 0; i < out.h; ++i){
         for(j = 0; j < out.w; ++j){
            image sub = get_sub_image(im, dh*i, dw*j, h, w);
            for(k = 0; k < out.c; ++k){
               float val = get_pixel(out, i, j, k);
               //printf("%f, ", val);
               image sub_c = copy_image(sub);
               scale_image(sub_c, val);
               add_into_image(sub_c, vizs[k], 0, 0);
               free_image(sub_c);
            }
            free_image(sub);
         }
      }
      //printf("\n");
      show_images(vizs, 10, "IMAGENET Visualization");
      cvWaitKey(1000);
      n = n->next;
   }
   cvWaitKey(0);
}

void visualize_cat()
{
   network net = parse_network_cfg("cfg/voc_imagenet.cfg");
   image im = load_image("data/cat.png", 0, 0);
   printf("Processing %dx%d image\n", im.h, im.w);
   resize_network(net, im.h, im.w, im.c);
   forward_network(net, im.data);

   image out = get_network_image(net);
   visualize_network(net);
   cvWaitKey(1000);
   cvWaitKey(0);
}

void features_VOC_image(char *image_file, char *image_dir, char *out_dir, int flip)
{
   int interval = 4;
   int i,j;
   network net = parse_network_cfg("cfg/voc_imagenet.cfg");
   char image_path[1024];
   sprintf(image_path, "%s/%s",image_dir, image_file);
   char out_path[1024];
   if (flip)sprintf(out_path, "%s%d/%s_r.txt",out_dir, interval, image_file);
   else sprintf(out_path, "%s%d/%s.txt",out_dir, interval, image_file);
   printf("%s\n", image_file);
   FILE *fp = fopen(out_path, "w");
   if(fp == 0) file_error(out_path);

   IplImage* src = 0;
   if( (src = cvLoadImage(image_path,-1)) == 0 ) file_error(image_path);
   if(flip)cvFlip(src, 0, 1);
   int w = src->width;
   int h = src->height;
   int sbin = 8;
   double scale = pow(2., 1./interval);
   int m = (w<h)?w:h;
   int max_scale = 1+floor((double)log((double)m/(5.*sbin))/log(scale));
   if(max_scale < interval) error("max_scale must be >= interval");
   image *ims = calloc(max_scale+interval, sizeof(image));

   for(i = 0; i < interval; ++i){
      double factor = 1./pow(scale, i);
      double ih =  round(h*factor);
      double iw =  round(w*factor);
      int ex_h = round(ih/4.) - 2;
      int ex_w = round(iw/4.) - 2;
      ims[i] = features_output_size(net, src, ex_h, ex_w);

      ih =  round(h*factor);
      iw =  round(w*factor);
      ex_h = round(ih/8.) - 2;
      ex_w = round(iw/8.) - 2;
      ims[i+interval] = features_output_size(net, src, ex_h, ex_w);
      for(j = i+interval; j < max_scale; j += interval){
         factor /= 2.;
         ih =  round(h*factor);
         iw =  round(w*factor);
         ex_h = round(ih/8.) - 2;
         ex_w = round(iw/8.) - 2;
         ims[j+interval] = features_output_size(net, src, ex_h, ex_w);
      }
   }
   for(i = 0; i < max_scale+interval; ++i){
      image out = ims[i];
      fprintf(fp, "%d, %d, %d\n",out.c, out.h, out.w);
      for(j = 0; j < out.c*out.h*out.w; ++j){
         if(j != 0)fprintf(fp, ",");
         float o = out.data[j];
         if(o < 0) o = 0;
         fprintf(fp, "%g", o);
      }
      fprintf(fp, "\n");
      free_image(out);
   }
   free(ims);
   fclose(fp);
   cvReleaseImage(&src);
}

void test_distribution()
{
   IplImage* img = 0;
   if( (img = cvLoadImage("im_small.jpg",-1)) == 0 ) file_error("im_small.jpg");
   network net = parse_network_cfg("cfg/voc_features.cfg");
   int h = img->height/8-2;
   int w = img->width/8-2;
   image out = features_output_size(net, img, h, w);
   int c = out.c;
   out.c = 1;
   show_image(out, "output");
   out.c = c;
   image input = ipl_to_image(img);
   show_image(input, "input");
   CvScalar s;
   int i,j;
   image affects = make_image(input.h, input.w, 1);
   int count = 0;
   for(i = 0; i<img->height; i += 1){
      for(j = 0; j < img->width; j += 1){
         IplImage *copy = cvCloneImage(img);
         s=cvGet2D(copy,i,j); // get the (i,j) pixel value
         printf("%d/%d\n", count++, img->height*img->width);
         s.val[0]=0;
         s.val[1]=0;
         s.val[2]=0;
         cvSet2D(copy,i,j,s); // set the (i,j) pixel value
         image mod = features_output_size(net, copy, h, w);
         image dist = image_distance(out, mod);
         show_image(affects, "affects");
         cvWaitKey(1);
         cvReleaseImage(&copy);
         //affects.data[i*affects.w + j] += dist.data[3*dist.w+5];
         affects.data[i*affects.w + j] += dist.data[1*dist.w+1];
         free_image(mod);
         free_image(dist);
      }
   }
   show_image(affects, "Origins");
   cvWaitKey(0);
   cvWaitKey(0);
}


int main(int argc, char *argv[])
{
   //train_full();
   //test_distribution();
   //feenableexcept(FE_DIVBYZERO | FE_INVALID | FE_OVERFLOW);

   //test_blas();
   //test_visualize();
   //test_gpu_blas();
   //test_blas();
   //test_convolve_matrix();
   //    test_im2row();
   //test_split();
   //test_ensemble();
   //test_nist();
   //test_cifar10();
   //test_vince();
   //test_full();
   //train_VOC();
   features_VOC_image(argv[1], argv[2], argv[3], 0);
   features_VOC_image(argv[1], argv[2], argv[3], 1);
   //features_VOC_image_size(argv[1], atoi(argv[2]), atoi(argv[3]));
   //visualize_imagenet_features("data/assira/train.list");
   //visualize_imagenet_topk("data/VOC2012.list");
   //visualize_cat();
   //flip_network();
   //test_visualize();
   fprintf(stderr, "Success!\n");
   //test_random_preprocess();
   //test_random_classify();
   //test_parser();
   //test_backpropagate();
   //test_ann();
   //test_convolve();
   //test_upsample();
   //test_rotate();
   //test_load();
   //test_network();
   //test_convolutional_layer();
   //verify_convolutional_layer();
   //test_color();
   //cvWaitKey(0);
   return 0;
}