Autoencoder

This is an example of defining an autoencoder RBN with a single continuous variable.

We use the classes defined in rbnet.autoencoder

import torch

from rbnet.base import SequentialRBN
from rbnet.autoencoder import AutoencoderCell, AutoencoderTransition, AutoencoderNonTermVar, AutoencoderPrior

cell = AutoencoderCell(
    transition=AutoencoderTransition(terminal_encoder=lambda x: x,
                                     terminal_decoder=lambda z, x: torch.ones(1),
                                     # non_terminal_encoder=lambda x1, x2: (x1 + x2) / 2,
                                     non_terminal_encoder=lambda x1, x2: max(x1, x2),
                                     non_terminal_decoder=lambda z, x1, x2: torch.ones(1)),
    variable=AutoencoderNonTermVar(dim=1)
)
rbn = SequentialRBN(cells=[cell], prior=AutoencoderPrior())
print(rbn.inside(torch.linspace(0, 10, 6)[:, None]))
for p in rbn.inside_chart[0].pretty():
    print(p)

(tensor([20208.]), tensor(42.))
                             ╱╲
                            ╱  ╲
                           ╱    ╲
                          ╱      ╲
                         ╱[20208.]╲
                        ╱╲        ╱╲
                       ╱  ╲      ╱  ╲
                      ╱    ╲    ╱    ╲
                     ╱      ╲  ╱      ╲
                    ╱  [598.]╲╱  [794.]╲
                   ╱╲        ╱╲        ╱╲
                  ╱  ╲      ╱  ╲      ╱  ╲
                 ╱    ╲    ╱    ╲    ╱    ╲
                ╱      ╲  ╱      ╲  ╱      ╲
               ╱   [46.]╲╱   [64.]╲╱   [82.]╲
              ╱╲        ╱╲        ╱╲        ╱╲
             ╱  ╲      ╱  ╲      ╱  ╲      ╱  ╲
            ╱    ╲    ╱    ╲    ╱    ╲    ╱    ╲
           ╱      ╲  ╱      ╲  ╱      ╲  ╱      ╲
          ╱    [8.]╲╱   [12.]╲╱   [16.]╲╱   [20.]╲
         ╱╲        ╱╲        ╱╲        ╱╲        ╱╲
        ╱  ╲      ╱  ╲      ╱  ╲      ╱  ╲      ╱  ╲
       ╱    ╲    ╱    ╲    ╱    ╲    ╱    ╲    ╱    ╲
      ╱      ╲  ╱      ╲  ╱      ╲  ╱      ╲  ╱      ╲
     ╱    [2.]╲╱    [4.]╲╱    [6.]╲╱    [8.]╲╱   [10.]╲
    ╱╲        ╱╲        ╱╲        ╱╲        ╱╲        ╱╲
   ╱  ╲      ╱  ╲      ╱  ╲      ╱  ╲      ╱  ╲      ╱  ╲
  ╱    ╲    ╱    ╲    ╱    ╲    ╱    ╲    ╱    ╲    ╱    ╲
 ╱      ╲  ╱      ╲  ╱      ╲  ╱      ╲  ╱      ╲  ╱      ╲
╱    [0.]╲╱    [2.]╲╱    [4.]╲╱    [6.]╲╱    [8.]╲╱   [10.]╲
                 ╱╲
                ╱  ╲
               ╱42.0╲
              ╱╲    ╱╲
             ╱  ╲  ╱  ╲
            ╱14.0╲╱14.0╲
           ╱╲    ╱╲    ╱╲
          ╱  ╲  ╱  ╲  ╱  ╲
         ╱ 5.0╲╱ 5.0╲╱ 5.0╲
        ╱╲    ╱╲    ╱╲    ╱╲
       ╱  ╲  ╱  ╲  ╱  ╲  ╱  ╲
      ╱ 2.0╲╱ 2.0╲╱ 2.0╲╱ 2.0╲
     ╱╲    ╱╲    ╱╲    ╱╲    ╱╲
    ╱  ╲  ╱  ╲  ╱  ╲  ╱  ╲  ╱  ╲
   ╱ 1.0╲╱ 1.0╲╱ 1.0╲╱ 1.0╲╱ 1.0╲
  ╱╲    ╱╲    ╱╲    ╱╲    ╱╲    ╱╲
 ╱  ╲  ╱  ╲  ╱  ╲  ╱  ╲  ╱  ╲  ╱  ╲
╱ 1.0╲╱ 1.0╲╱ 1.0╲╱ 1.0╲╱ 1.0╲╱ 1.0╲