File size: 15,216 Bytes
49b8205 | 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 | """
EWC (Elastic Weight Consolidation) — Aprendizado Contínuo sem Catastrophic Forgetting.
Implementa:
- Cálculo da diagonal da Matriz de Informação de Fisher (empirical Fisher)
- Estado consolidado (theta_star + Fisher) para múltiplas tarefas
- Online EWC (média exponencial de Fisher entre tarefas)
- Penalidade diferenciável L_EWC = sum_i (lambda/2) * F_i * (theta_i - theta_star_i)^2
Referência matemática: docs/MATH_ANALYSIS.md seção 2.
Autor: CNN-BiGRU Project
"""
from __future__ import annotations
import logging
from dataclasses import dataclass, field
from typing import Dict, List, Optional, Tuple
import torch
import torch.nn as nn
logger = logging.getLogger(__name__)
# ============================================================================
# Configuração
# ============================================================================
@dataclass
class EWCConfig:
"""Configuração do EWC (Elastic Weight Consolidation)."""
enabled: bool = True
# Peso da penalidade EWC na perda total
lambda_ewc: float = 100.0
# Número de amostras usadas para estimar a diagonal de Fisher
n_samples_fisher: int = 200
# Decaimento para Online EWC: F_agg = gamma*F_old + (1-gamma)*F_new
# Se None, usa soma direta (EWC padrão — explode em memória após muitas tarefas)
online_gamma: Optional[float] = 0.9
# Clip para estabilizar Fisher (evitar valores extremos)
fisher_clip_max: float = 1e4
# Tipos de parâmetros a penalizar (outros como LayerNorm/bias podem ser excluídos)
include_param_names: Tuple[str, ...] = ("weight",)
exclude_param_names: Tuple[str, ...] = ("bias", "layernorm", "layer_norm", "bn", "batchnorm")
# Device padrão
device: str = "cpu"
# ============================================================================
# Estado EWC
# ============================================================================
class EWCState:
"""
Mantém o estado consolidado do EWC: lista de (theta_star, fisher) por tarefa.
Para Online EWC, mantém uma única Fisher agregada e theta_star atual.
"""
def __init__(self, config: EWCConfig):
self.config = config
# Lista de tarefas: cada entrada é um dict {param_name: (theta_star, fisher)}
self.tasks: List[Dict[str, Tuple[torch.Tensor, torch.Tensor]]] = []
# Online: theta_star e fisher agregados
self.online_theta: Dict[str, torch.Tensor] = {}
self.online_fisher: Dict[str, torch.Tensor] = {}
# ----------------------------------------------------------------------
# Seleção de parâmetros
# ----------------------------------------------------------------------
def _select_params(self, model: nn.Module) -> List[Tuple[str, torch.Tensor]]:
"""Seleciona parâmetros treináveis elegíveis para EWC."""
selected = []
for name, param in model.named_parameters():
if not param.requires_grad:
continue
name_lower = name.lower()
# Excluir nomes na lista negra
if any(ex in name_lower for ex in self.config.exclude_param_names):
continue
# Incluir apenas nomes na lista branca (se especificada)
if self.config.include_param_names and not any(
inc in name_lower for inc in self.config.include_param_names
):
continue
selected.append((name, param))
return selected
# ----------------------------------------------------------------------
# Cálculo da Diagonal de Fisher
# ----------------------------------------------------------------------
@torch.no_grad()
def compute_fisher(
self,
model: nn.Module,
forward_fn,
n_samples: Optional[int] = None,
) -> Dict[str, torch.Tensor]:
"""
Calcula a diagonal da matriz de Fisher Information (empirical Fisher).
Args:
model: modelo treinado (parâmetros congelados idealmente)
forward_fn: callable que retorna (logits, target) ou logits.
Deve aceitar nenhum argumento ou um índice.
n_samples: número de amostras (default: config.n_samples_fisher)
Returns:
Dict {param_name: fisher_diag_tensor} (mesmo shape do parâmetro)
Fórmula:
F_i = (1/N) sum_n [grad_i log p(y_n* | x_n; theta*)]^2
onde y_n* = argmax_y p(y | x_n; theta*)
"""
if n_samples is None:
n_samples = self.config.n_samples_fisher
model.eval()
selected = self._select_params(model)
# Inicializar acumulador de grad^2
fisher: Dict[str, torch.Tensor] = {
name: torch.zeros_like(param.detach(), device=param.device)
for name, param in selected
}
count = 0
# Garantir que requires_grad está ativo para os parâmetros selecionados
# durante todo o cálculo da Fisher (restaurado no finally)
original_requires_grad: Dict[str, bool] = {}
for name, param in selected:
original_requires_grad[name] = param.requires_grad
param.requires_grad_(True)
try:
for i in range(n_samples):
try:
# Resetar gradientes
for _, param in selected:
if param.grad is not None:
param.grad.zero_()
# Forward + Backward — TODO em contexto com grad habilitado
# IMPORTANTE: usar torch.set_grad_enabled(True) para forçar gradientes
# mesmo se o caller estiver em contexto no_grad. Deve cobrir TANTO
# o forward QUANTO o backward (senão as operações pós-forward perdem grad_fn).
prev_grad_mode = torch.is_grad_enabled()
torch.set_grad_enabled(True)
try:
result = forward_fn(i)
if isinstance(result, tuple) and len(result) == 2:
logits, target = result
else:
logits = result
# Usar y* = argmax logits (empirical Fisher)
target = logits.argmax(dim=-1)
# Garantir que logits é [B, V] ou [B, T, V] → flatten
if logits.dim() == 3:
B, T, V = logits.shape
logits_flat = logits.reshape(-1, V)
target_flat = target.reshape(-1)
else:
logits_flat = logits
target_flat = target.reshape(-1)
# Log-verossimilhança (CrossEntropy = -log p)
log_prob = torch.nn.functional.log_softmax(logits_flat, dim=-1)
# Pegar log_prob das classes target
picked = log_prob.gather(1, target_flat.unsqueeze(-1)).sum()
# O sinal negativo: queremos grad de log p (não -log p)
loss_for_grad = -picked
# Backward — AINDA em grad mode (não restauramos ainda)
loss_for_grad.backward(retain_graph=False)
finally:
torch.set_grad_enabled(prev_grad_mode)
# Acumular grad^2
for name, param in selected:
if param.grad is not None:
g2 = param.grad.detach() ** 2
fisher[name] += g2
count += 1
except Exception as e:
logger.warning(f"EWC fisher sample {i} falhou: {e}")
continue
finally:
# Restaurar requires_grad original
for name, param in selected:
if name in original_requires_grad:
param.requires_grad_(original_requires_grad[name])
if count == 0:
logger.error("EWC: nenhuma amostra válida para Fisher — usando zeros")
return fisher
# Média
for name in fisher:
fisher[name] = (fisher[name] / count).clamp(0, self.config.fisher_clip_max)
return fisher
# ----------------------------------------------------------------------
# Consolidar tarefa
# ----------------------------------------------------------------------
def consolidate(
self,
model: nn.Module,
fisher: Optional[Dict[str, torch.Tensor]] = None,
forward_fn=None,
) -> None:
"""
Consolida o estado atual do modelo como uma nova tarefa.
Args:
model: modelo treinado
fisher: Fisher diagonal pré-computada (se None, calcula via forward_fn)
forward_fn: necessário se fisher=None
"""
if fisher is None:
if forward_fn is None:
raise ValueError("EWC.consolidate requer forward_fn quando fisher=None")
fisher = self.compute_fisher(model, forward_fn)
# Snapshot dos parâmetros atuais (theta_star)
theta_star: Dict[str, torch.Tensor] = {}
for name, param in model.named_parameters():
if name in fisher:
theta_star[name] = param.detach().clone()
task_state = {
name: (theta_star[name], fisher[name]) for name in fisher
}
self.tasks.append(task_state)
# Atualizar estado online
if self.config.online_gamma is not None:
gamma = self.config.online_gamma
if not self.online_fisher:
# Primeira tarefa
for name in fisher:
self.online_fisher[name] = fisher[name].clone()
self.online_theta[name] = theta_star[name].clone()
else:
# Online EWC: F_agg = gamma * F_old + (1-gamma) * F_new
# theta_agg = gamma * theta_old + (1-gamma) * theta_new
for name in fisher:
if name in self.online_fisher:
self.online_fisher[name] = (
gamma * self.online_fisher[name]
+ (1 - gamma) * fisher[name]
).clamp(0, self.config.fisher_clip_max)
self.online_theta[name] = (
gamma * self.online_theta[name]
+ (1 - gamma) * theta_star[name]
)
else:
self.online_fisher[name] = fisher[name].clone()
self.online_theta[name] = theta_star[name].clone()
else:
# EWC padrão — somar Fishers de todas as tarefas
if not self.online_fisher:
for name in fisher:
self.online_fisher[name] = fisher[name].clone()
self.online_theta[name] = theta_star[name].clone()
else:
for name in fisher:
self.online_fisher[name] = (
self.online_fisher[name] + fisher[name]
).clamp(0, self.config.fisher_clip_max)
# Theta online atualiza para o mais recente
self.online_theta[name] = theta_star[name].clone()
logger.info(
f"EWC consolidado: tarefa #{len(self.tasks)}, "
f"parâmetros rastreados: {len(theta_star)}"
)
# ----------------------------------------------------------------------
# Penalidade EWC
# ----------------------------------------------------------------------
def penalty(self, model: nn.Module) -> torch.Tensor:
"""
Calcula a penalidade EWC: L_EWC = sum_i (lambda/2) * F_i * (theta_i - theta_star_i)^2
Usa o estado online (agregado) se disponível, caso contrário soma de
todas as tarefas (EWC padrão).
Returns:
Escalar (tensor 0-dim) com a penalidade.
"""
if not self.config.enabled or not self.online_fisher:
# Retorna zero no device do modelo
try:
device = next(model.parameters()).device
except StopIteration:
device = torch.device(self.config.device)
return torch.zeros((), device=device)
total = None
for name, param in model.named_parameters():
if name not in self.online_fisher:
continue
F = self.online_fisher[name]
theta_s = self.online_theta[name]
# Penalidade quadrática
diff = param - theta_s.to(param.device)
pen = (F.to(param.device) * diff.pow(2)).sum()
if total is None:
total = pen
else:
total = total + pen
if total is None:
try:
device = next(model.parameters()).device
except StopIteration:
device = torch.device(self.config.device)
return torch.zeros((), device=device)
return (self.config.lambda_ewc * 0.5) * total
# ----------------------------------------------------------------------
# Utilitários
# ----------------------------------------------------------------------
def num_tasks(self) -> int:
return len(self.tasks)
def is_active(self) -> bool:
return self.config.enabled and bool(self.online_fisher)
def state_dict(self) -> Dict:
"""Serializa o estado para checkpoint."""
return {
"tasks": [
{name: (ts.cpu(), f.cpu()) for name, (ts, f) in task.items()}
for task in self.tasks
],
"online_theta": {k: v.cpu() for k, v in self.online_theta.items()},
"online_fisher": {k: v.cpu() for k, v in self.online_fisher.items()},
"config": self.config.__dict__,
}
def load_state_dict(self, sd: Dict) -> None:
"""Carrega o estado a partir de checkpoint."""
self.tasks = [
{name: (ts, f) for name, (ts, f) in task.items()}
for task in sd.get("tasks", [])
]
self.online_theta = sd.get("online_theta", {})
self.online_fisher = sd.get("online_fisher", {})
if "config" in sd:
for k, v in sd["config"].items():
if hasattr(self.config, k):
setattr(self.config, k, v)
# ============================================================================
# API conveniente
# ============================================================================
def apply_ewc_penalty(model: nn.Module, ewc_state: EWCState) -> torch.Tensor:
"""
Atalho: aplica a penalidade EWC ao modelo.
Uso típico no trainer:
loss = task_loss + ewc_penalty
ewc_penalty = apply_ewc_penalty(model, ewc_state)
"""
return ewc_state.penalty(model)
__all__ = ["EWCConfig", "EWCState", "apply_ewc_penalty"]
|