Delete src/bigru_t/model/bigru4.py

src/bigru_t/model/bigru4.py

@@ -1,54 +0,0 @@
-"""bigru4.py — BiGRU4: 4 camadas BiGRU sequenciais.
-
-Componente base do u8cell_T (Lema 1). Cada BiGRU4 processa a sequência de
-entrada através de 4 camadas GRU bidirecionais empilhadas, produzindo uma
-representação agregada por média temporal.
-
-Reaproveita a filosofia das 4 camadas cooperativas do GRU-RING v13.9.2,
-mas sem bridge/attention interna — a cooperação entre as 8 BiGRU4 paralelas
-é feita pelo TransformerUnit do u8cell_T.
-"""
-from __future__ import annotations
-
-import torch
-import torch.nn as nn
-
-
-class BiGRU4(nn.Module):
-    """Quatro camadas BiGRU sequenciais.
-
-    Args:
-        input_dim: dimensão da entrada (batch, T, input_dim)
-        hidden_dim: dimensão oculta de cada GRU (a saída tem 2*hidden_dim por ser bidirecional)
-        dropout: dropout entre camadas (0 = desativado)
-
-    Forward:
-        x: (batch, T, input_dim) → v: (batch, 2*hidden_dim)
-        v é a média temporal da saída da 4ª GRU.
-    """
-
-    def __init__(self, input_dim: int, hidden_dim: int, dropout: float = 0.0):
-        super().__init__()
-        self.input_dim = input_dim
-        self.hidden_dim = hidden_dim
-        self.output_dim = 2 * hidden_dim  # bidirecional
-
-        self.gru1 = nn.GRU(input_dim, hidden_dim, bidirectional=True, batch_first=True)
-        self.gru2 = nn.GRU(2 * hidden_dim, hidden_dim, bidirectional=True, batch_first=True)
-        self.gru3 = nn.GRU(2 * hidden_dim, hidden_dim, bidirectional=True, batch_first=True)
-        self.gru4 = nn.GRU(2 * hidden_dim, hidden_dim, bidirectional=True, batch_first=True)
-
-        self.dropout = nn.Dropout(dropout) if dropout > 0 else nn.Identity()
-
-    def forward(self, x: torch.Tensor) -> torch.Tensor:
-        """x: (batch, T, input_dim) → v: (batch, 2*hidden_dim)"""
-        out, _ = self.gru1(x)
-        out = self.dropout(out)
-        out, _ = self.gru2(out)
-        out = self.dropout(out)
-        out, _ = self.gru3(out)
-        out = self.dropout(out)
-        out, _ = self.gru4(out)
-        # Média temporal para obter representação fixa (independente de T)
-        v = out.mean(dim=1)  # (batch, 2*hidden_dim)
-        return v