pass on examples | introduced RandomState

Author: Slasnista

examples/da/plot_otda_classes.py

@@ -15,19 +15,23 @@
 # License: MIT License
 
 import matplotlib.pylab as pl
-import numpy as np
 import ot
 
-np.random.seed(42)
 
-# number of source and target points to generate
-ns = 150
-nt = 150
+##############################################################################
+# generate data
+##############################################################################
+
+n_source_samples = 150
+n_target_samples = 150
+
+Xs, ys = ot.datasets.get_data_classif('3gauss', n_source_samples)
+Xt, yt = ot.datasets.get_data_classif('3gauss2', n_target_samples)
 
-Xs, ys = ot.datasets.get_data_classif('3gauss', ns)
-Xt, yt = ot.datasets.get_data_classif('3gauss2', nt)
 
+##############################################################################
 # Instantiate the different transport algorithms and fit them
+##############################################################################
 
 # EMD Transport
 ot_emd = ot.da.EMDTransport()
@@ -52,6 +56,7 @@
 transp_Xs_lpl1 = ot_lpl1.transform(Xs=Xs)
 transp_Xs_l1l2 = ot_l1l2.transform(Xs=Xs)
 
+
 ##############################################################################
 # Fig 1 : plots source and target samples
 ##############################################################################
@@ -72,6 +77,7 @@
 pl.title('Target samples')
 pl.tight_layout()
 
+
 ##############################################################################
 # Fig 2 : plot optimal couplings and transported samples
 ##############################################################################

examples/da/plot_otda_color_images.py

@@ -22,7 +22,8 @@
 import matplotlib.pylab as pl
 import ot
 
-np.random.seed(42)
+
+r = np.random.RandomState(42)
 
 
 def im2mat(I):
@@ -39,6 +40,10 @@ def minmax(I):
     return np.clip(I, 0, 1)
 
 
+##############################################################################
+# generate data
+##############################################################################
+
 # Loading images
 I1 = ndimage.imread('../../data/ocean_day.jpg').astype(np.float64) / 256
 I2 = ndimage.imread('../../data/ocean_sunset.jpg').astype(np.float64) / 256
@@ -48,12 +53,17 @@ def minmax(I):
 
 # training samples
 nb = 1000
-idx1 = np.random.randint(X1.shape[0], size=(nb,))
-idx2 = np.random.randint(X2.shape[0], size=(nb,))
+idx1 = r.randint(X1.shape[0], size=(nb,))
+idx2 = r.randint(X2.shape[0], size=(nb,))
 
 Xs = X1[idx1, :]
 Xt = X2[idx2, :]
 
+
+##############################################################################
+# Instantiate the different transport algorithms and fit them
+##############################################################################
+
 # EMDTransport
 ot_emd = ot.da.EMDTransport()
 ot_emd.fit(Xs=Xs, Xt=Xt)
@@ -75,6 +85,7 @@ def minmax(I):
 I1te = minmax(mat2im(transp_Xs_sinkhorn, I1.shape))
 I2te = minmax(mat2im(transp_Xt_sinkhorn, I2.shape))
 
+
 ##############################################################################
 # plot original image
 ##############################################################################
@@ -91,6 +102,7 @@ def minmax(I):
 pl.axis('off')
 pl.title('Image 2')
 
+
 ##############################################################################
 # scatter plot of colors
 ##############################################################################
@@ -112,6 +124,7 @@ def minmax(I):
 pl.title('Image 2')
 pl.tight_layout()
 
+
 ##############################################################################
 # plot new images
 ##############################################################################

examples/da/plot_otda_d2.py

@@ -19,10 +19,12 @@
 # License: MIT License
 
 import matplotlib.pylab as pl
-import numpy as np
 import ot
 
-np.random.seed(42)
+
+##############################################################################
+# generate data
+##############################################################################
 
 n_samples_source = 150
 n_samples_target = 150
@@ -33,7 +35,10 @@
 # Cost matrix
 M = ot.dist(Xs, Xt, metric='sqeuclidean')
 
+
+##############################################################################
 # Instantiate the different transport algorithms and fit them
+##############################################################################
 
 # EMD Transport
 ot_emd = ot.da.EMDTransport()
@@ -52,6 +57,7 @@
 transp_Xs_sinkhorn = ot_sinkhorn.transform(Xs=Xs)
 transp_Xs_lpl1 = ot_lpl1.transform(Xs=Xs)
 
+
 ##############################################################################
 # Fig 1 : plots source and target samples + matrix of pairwise distance
 ##############################################################################
@@ -78,6 +84,7 @@
 pl.title('Matrix of pairwise distances')
 pl.tight_layout()
 
+
 ##############################################################################
 # Fig 2 : plots optimal couplings for the different methods
 ##############################################################################
@@ -127,6 +134,7 @@
 pl.title('Main coupling coefficients\nSinkhornLpl1Transport')
 pl.tight_layout()
 
+
 ##############################################################################
 # Fig 3 : plot transported samples
 ##############################################################################

examples/da/plot_otda_mapping.py

@@ -23,25 +23,31 @@
 import ot
 
 
-np.random.seed(42)
-
 ##############################################################################
-# generate
+# generate data
 ##############################################################################
 
-n = 100  # nb samples in source and target datasets
+n_source_samples = 100
+n_target_samples = 100
 theta = 2 * np.pi / 20
 noise_level = 0.1
-Xs, ys = ot.datasets.get_data_classif('gaussrot', n, nz=noise_level)
-Xs_new, _ = ot.datasets.get_data_classif('gaussrot', n, nz=noise_level)
+
+Xs, ys = ot.datasets.get_data_classif(
+    'gaussrot', n_source_samples, nz=noise_level)
+Xs_new, _ = ot.datasets.get_data_classif(
+    'gaussrot', n_source_samples, nz=noise_level)
 Xt, yt = ot.datasets.get_data_classif(
-    'gaussrot', n, theta=theta, nz=noise_level)
+    'gaussrot', n_target_samples, theta=theta, nz=noise_level)
 
 # one of the target mode changes its variance (no linear mapping)
 Xt[yt == 2] *= 3
 Xt = Xt + 4
 
 
+##############################################################################
+# Instantiate the different transport algorithms and fit them
+##############################################################################
+
 # MappingTransport with linear kernel
 ot_mapping_linear = ot.da.MappingTransport(
     kernel="linear", mu=1e0, eta=1e-8, bias=True,
@@ -80,6 +86,7 @@
 pl.legend(loc=0)
 pl.title('Source and target distributions')
 
+
 ##############################################################################
 # plot transported samples
 ##############################################################################

examples/da/plot_otda_mapping_colors_images.py

@@ -23,7 +23,7 @@
 import matplotlib.pylab as pl
 import ot
 
-np.random.seed(42)
+r = np.random.RandomState(42)
 
 
 def im2mat(I):
@@ -54,8 +54,8 @@ def minmax(I):
 
 # training samples
 nb = 1000
-idx1 = np.random.randint(X1.shape[0], size=(nb,))
-idx2 = np.random.randint(X2.shape[0], size=(nb,))
+idx1 = r.randint(X1.shape[0], size=(nb,))
+idx2 = r.randint(X2.shape[0], size=(nb,))
 
 Xs = X1[idx1, :]
 Xt = X2[idx2, :]
@@ -91,6 +91,7 @@ def minmax(I):
 X1tn = ot_mapping_gaussian.transform(Xs=X1)  # use the estimated mapping
 Image_mapping_gaussian = minmax(mat2im(X1tn, I1.shape))
 
+
 ##############################################################################
 # plot original images
 ##############################################################################
@@ -107,6 +108,7 @@ def minmax(I):
 pl.title('Image 2')
 pl.tight_layout()
 
+
 ##############################################################################
 # plot pixel values distribution
 ##############################################################################
@@ -128,6 +130,7 @@ def minmax(I):
 pl.title('Image 2')
 pl.tight_layout()
 
+
 ##############################################################################
 # plot transformed images
 ##############################################################################