Delete tests/test_aurora_v3.py
Browse files- tests/test_aurora_v3.py +0 -327
tests/test_aurora_v3.py
DELETED
|
@@ -1,327 +0,0 @@
|
|
| 1 |
-
# -*- coding: utf-8 -*-
|
| 2 |
-
"""Testes v3 — verificações de PROPRIEDADES dos Teoremas do doc 11:
|
| 3 |
-
ortogonalidade exata de Cayley, limites de gradiente serial, gating convexo,
|
| 4 |
-
convergência recursiva com corte, Hutchinson diag-H (contra quadrática
|
| 5 |
-
analítica), cotas de Bernstein/PAC-Bayes, K adaptativo (máscara + economia),
|
| 6 |
-
PRS V8 (histerese, percentil robusto, SGDR), memória interna (escrita
|
| 7 |
-
conficiente, evicção, VQ, contratos), LPT (4/3-aprox) e causalidade.
|
| 8 |
-
"""
|
| 9 |
-
from __future__ import annotations
|
| 10 |
-
|
| 11 |
-
import math
|
| 12 |
-
import sys
|
| 13 |
-
import os
|
| 14 |
-
|
| 15 |
-
sys.path.insert(0, os.path.join(os.path.dirname(__file__), "..", "src"))
|
| 16 |
-
|
| 17 |
-
import torch
|
| 18 |
-
import torch.nn.functional as F
|
| 19 |
-
|
| 20 |
-
from aurora.config import Config
|
| 21 |
-
from aurora.memoria.interna import MemoriaInterna, QuantizadorVetorialEMA, PERMISSOES
|
| 22 |
-
from aurora.nucleo.modelo import AURORAModel
|
| 23 |
-
from aurora.percepcao.microunidades import (ComposicaoMicroUnidades, ConvCausal,
|
| 24 |
-
GestorCrescimento, GRUCausal,
|
| 25 |
-
RotacaoCayley, BiGRUNaoCausal)
|
| 26 |
-
from aurora.treino.confianca import (AgenteConfianca, PosteriorBeta,
|
| 27 |
-
mascara_k_adaptativa)
|
| 28 |
-
from aurora.treino.prs_v8 import PRSV8
|
| 29 |
-
from aurora.treino.mtp import MTPAurora
|
| 30 |
-
|
| 31 |
-
_falhas = []
|
| 32 |
-
|
| 33 |
-
|
| 34 |
-
def verifica(nome: str, cond: bool, detalhe: str = ""):
|
| 35 |
-
marca = "✓" if cond else "✗"
|
| 36 |
-
print(f" {marca} {nome} {detalhe}")
|
| 37 |
-
if not cond:
|
| 38 |
-
_falhas.append(nome)
|
| 39 |
-
|
| 40 |
-
|
| 41 |
-
torch.manual_seed(2026)
|
| 42 |
-
|
| 43 |
-
print("== Rotação de Cayley: ortogonalidade EXATA (doc 11 §11.7) ==")
|
| 44 |
-
rot = RotacaoCayley(32)
|
| 45 |
-
R = rot.matriz()
|
| 46 |
-
err = float((R.t() @ R - torch.eye(32)).abs().max())
|
| 47 |
-
verifica("Cayley: ‖RᵀR−I‖_max < 1e-5 (exata, sem truncamento)", err < 1e-5, f"({err:.2e})")
|
| 48 |
-
det = float(torch.linalg.det(R))
|
| 49 |
-
verifica("Cayley: det(R) = +1 (SO(n))", abs(det - 1.0) < 1e-4, f"({det:.4f})")
|
| 50 |
-
|
| 51 |
-
print("== Conv causal + GRU causal: causalidade ==")
|
| 52 |
-
conv = ConvCausal(32, kernel=3)
|
| 53 |
-
x = torch.randn(1, 16, 32)
|
| 54 |
-
y = conv(x)
|
| 55 |
-
x2 = x.clone()
|
| 56 |
-
x2[0, 10:] = 7.0
|
| 57 |
-
y2 = conv(x2)
|
| 58 |
-
verifica("ConvCausal: futuro não muda passado", float((y[:, :10] - y2[:, :10]).abs().max()) < 1e-6)
|
| 59 |
-
gru = GRUCausal(32, 16)
|
| 60 |
-
y = gru(x)
|
| 61 |
-
x2 = x.clone()
|
| 62 |
-
x2[0, 10:] = 7.0
|
| 63 |
-
y2 = gru(x2)
|
| 64 |
-
verifica("GRUCausal: futuro não muda passado", float((y[:, :10] - y2[:, :10]).abs().max()) < 1e-6)
|
| 65 |
-
bigru = BiGRUNaoCausal(32)
|
| 66 |
-
yb = bigru(x)
|
| 67 |
-
x2[0, 10:] = 7.0
|
| 68 |
-
yb2 = bigru(x2)
|
| 69 |
-
verifica("BiGRU (não causal, encoders): futuro SÍ afeta passado (contexto total)",
|
| 70 |
-
float((yb[:, :5] - yb2[:, :5]).abs().max()) > 1e-4)
|
| 71 |
-
|
| 72 |
-
print("== Composição serial com resíduo: gradiente em [1−ΣγL, 1+ΣγL] (Teorema 11.1) ==")
|
| 73 |
-
stem0 = ConvCausal(64, kernel=3)
|
| 74 |
-
stem1 = GRUCausal(64, 32)
|
| 75 |
-
with torch.no_grad():
|
| 76 |
-
for p in list(stem0.parameters()) + list(stem1.parameters()):
|
| 77 |
-
p.mul_(0.05) # L pequena → cota inferior positiva
|
| 78 |
-
if p.dim() == 1:
|
| 79 |
-
p.zero_()
|
| 80 |
-
g_stem = 1.0 / math.sqrt(2.0) # γ = 1/√n (Corolário 11.2)
|
| 81 |
-
|
| 82 |
-
|
| 83 |
-
def cadeia(z):
|
| 84 |
-
y = z + g_stem * stem0(z) # resíduo serial 1
|
| 85 |
-
y = y + g_stem * stem1(y) # resíduo serial 2
|
| 86 |
-
return y
|
| 87 |
-
|
| 88 |
-
|
| 89 |
-
x = torch.randn(1, 24, 64)
|
| 90 |
-
J = torch.autograd.functional.jacobian(cadeia, x, vectorize=True)
|
| 91 |
-
J = J.reshape(24 * 64, 24 * 64)
|
| 92 |
-
s = torch.linalg.svdvals(J)
|
| 93 |
-
sigma_min, sigma_max = float(s.min()), float(s.max())
|
| 94 |
-
verifica("serial com resíduo: σ_min(J) ≥ 1−ΣγL (gradiente não desaparece)",
|
| 95 |
-
sigma_min > 0.5, f"(σ_min={sigma_min:.3f})")
|
| 96 |
-
verifica("serial: σ_max(J) ≤ 1+ΣγL (não explode)", sigma_max < 1.6, f"(σ_max={sigma_max:.3f})")
|
| 97 |
-
|
| 98 |
-
print("== Gating convexo + refino recursivo (Teoremas 11.2/11.4) ==")
|
| 99 |
-
comp2 = ComposicaoMicroUnidades(64, {"d_gru": 32, "d_ramo": 32, "d_refino": 48,
|
| 100 |
-
"gamma_rec": 0.5, "k_rec_max": 4})
|
| 101 |
-
y = comp2(torch.randn(2, 12, 64), tarefa="instrucao")
|
| 102 |
-
alpha = comp2.ultimo_alpha
|
| 103 |
-
verifica("gating convexo: Σα = 1, α ≥ 0", abs(float(alpha.sum()) - 1.0) < 1e-5 and bool((alpha >= 0).all()))
|
| 104 |
-
verifica("recursiva respeita k_max", comp2.ultimo_passos_rec <= comp2.k_rec_max)
|
| 105 |
-
verifica("forma de saída (B,T,d)", y.shape == (2, 12, 64))
|
| 106 |
-
# temperatura por confiança: h baixo → α mais plano (mais exploração)
|
| 107 |
-
comp2.gate.eval()
|
| 108 |
-
comp2.registrar_confianca(1.0)
|
| 109 |
-
a_conf = comp2(torch.randn(1, 8, 64)).sum()
|
| 110 |
-
alpha_conf = comp2.ultimo_alpha.clone()
|
| 111 |
-
comp2.registrar_confianca(0.0)
|
| 112 |
-
comp2(torch.randn(1, 8, 64))
|
| 113 |
-
alpha_expl = comp2.ultimo_alpha
|
| 114 |
-
entropia = lambda a: float(-(a * (a + 1e-9).log()).sum())
|
| 115 |
-
verifica("confiança baixa → α mais PLANO (exploração, doc 11 §8)",
|
| 116 |
-
entropia(alpha_expl) >= entropia(alpha_conf) - 1e-4,
|
| 117 |
-
f"(H_conf={entropia(alpha_conf):.3f} ≤ H_expl={entropia(alpha_expl):.3f})")
|
| 118 |
-
|
| 119 |
-
print("== Crescimento: expandir/podar e LPT (Teorema 11.5, Prop. 11.3) ==")
|
| 120 |
-
n0 = len(comp2.nome_ramos)
|
| 121 |
-
idx = comp2.expandir("conv")
|
| 122 |
-
verifica("expandir adiciona ramo", len(comp2.nome_ramos) == n0 + 1 and idx == n0)
|
| 123 |
-
gate_ok = comp2.gate[2].weight.shape[0] == len(comp2.nome_ramos)
|
| 124 |
-
verifica("gate cresce com nova coluna (uso inicial ~0)", gate_ok)
|
| 125 |
-
y2 = comp2(torch.randn(1, 8, 64))
|
| 126 |
-
verifica("forward após expansão ok", y2.shape == (1, 8, 64))
|
| 127 |
-
podou = comp2.podar(idx)
|
| 128 |
-
y3 = comp2(torch.randn(1, 8, 64))
|
| 129 |
-
verifica("podar desativa ramo (forward segue)", podou and y3.shape == (1, 8, 64))
|
| 130 |
-
ordem, makespan = GestorCrescimento.ordem_lpt([1.0, 6.0, 2.0, 3.0], n_unidades=2)
|
| 131 |
-
verifica("LPT: ordem por custo decrescente", ordem == [1, 3, 2, 0])
|
| 132 |
-
# cota 4/3: em instância {6,5,5,4,4,3,3,3} com 3 unidades, OPT=10, LPT ≤ 13.33
|
| 133 |
-
_, mk = GestorCrescimento.ordem_lpt([6, 5, 5, 4, 4, 3, 3, 3], n_unidades=3)
|
| 134 |
-
verifica("LPT: makespan ≤ (4/3)·ÓTIMO", mk <= (4.0 / 3.0) * 10.0 + 1e-9, f"({mk:.1f} ≤ 13.33)")
|
| 135 |
-
|
| 136 |
-
print("== Hutchinson diag-H correto (Lema 11.1, contra quadrática analítica) ==")
|
| 137 |
-
P = torch.nn.Parameter(torch.randn(6, 4))
|
| 138 |
-
A = torch.randn(24, 24)
|
| 139 |
-
H_analitica = A.t() @ A + torch.eye(24)
|
| 140 |
-
|
| 141 |
-
|
| 142 |
-
def perda_quadratica():
|
| 143 |
-
v = P.flatten()
|
| 144 |
-
return 0.5 * v @ H_analitica @ v
|
| 145 |
-
|
| 146 |
-
|
| 147 |
-
class _CompFake:
|
| 148 |
-
"""Adapter: expõe .ramos como lista de um 'módulo' com os parâmetros."""
|
| 149 |
-
|
| 150 |
-
def __init__(self, params):
|
| 151 |
-
from torch import nn as _nn
|
| 152 |
-
self.ramos = _nn.ModuleList([_nn.Linear(1, 1, bias=False)]) # dummy p/ .parameters compat
|
| 153 |
-
# substitui parâmetros reais: hack de teste — parametriza via attribute
|
| 154 |
-
self._params = [P]
|
| 155 |
-
self.nome_ramos = ["mlp"]
|
| 156 |
-
self.ramo_ativo = torch.ones(1)
|
| 157 |
-
self.uso_ema = torch.tensor([0.5])
|
| 158 |
-
self.expandir = lambda *a, **k: 0
|
| 159 |
-
self.podar = lambda *a, **k: False
|
| 160 |
-
|
| 161 |
-
|
| 162 |
-
class _GestorDiag(GestorCrescimento):
|
| 163 |
-
def _diag_hessiano(self, perda_fn):
|
| 164 |
-
g = torch.autograd.grad(perda_fn(), [P], create_graph=True)[0]
|
| 165 |
-
g_flat = g.reshape(-1) # (24,)
|
| 166 |
-
diag_flat = torch.zeros(24)
|
| 167 |
-
for _ in range(64):
|
| 168 |
-
v = torch.randn_like(g_flat).sign()
|
| 169 |
-
hv = torch.autograd.grad((g_flat * v).sum(), [P],
|
| 170 |
-
retain_graph=True)[0].reshape(-1)
|
| 171 |
-
diag_flat += (v * hv).detach() / 64.0
|
| 172 |
-
return diag_flat, float(diag_flat.abs().sum())
|
| 173 |
-
|
| 174 |
-
|
| 175 |
-
g = _GestorDiag([_CompFake([P])], {})
|
| 176 |
-
diag, total = g._diag_hessiano(perda_quadratica)
|
| 177 |
-
diag = diag.flatten() if isinstance(diag, torch.Tensor) else diag
|
| 178 |
-
if isinstance(diag, torch.Tensor):
|
| 179 |
-
erro_relativo = float((diag - torch.diag(H_analitica)).abs().max()
|
| 180 |
-
/ torch.diag(H_analitica).abs().max())
|
| 181 |
-
verifica("Hutchinson: diag estimada ≈ diag analítica (err_rel < 0.35)",
|
| 182 |
-
erro_relativo < 0.35, f"({erro_relativo:.3f})")
|
| 183 |
-
else:
|
| 184 |
-
verifica("Hutchinson: diag estimada ≈ diag analítica", False, "(tipo inesperado)")
|
| 185 |
-
|
| 186 |
-
print("== AgenteConfiança: Beta, Bernstein e calibração (Teoremas 11.8) ==")
|
| 187 |
-
post = PosteriorBeta()
|
| 188 |
-
torch.manual_seed(7)
|
| 189 |
-
for _ in range(400):
|
| 190 |
-
post.atualizar(int(torch.rand(1) < 0.7), int(torch.rand(1) >= 0.7))
|
| 191 |
-
lo, hi = post.bernstein(delta=0.05)
|
| 192 |
-
verifica("Bernstein: θ*=0.7 ∈ [μ̂−ε, μ̂+ε]", lo <= 0.7 <= hi, f"([{lo:.3f}, {hi:.3f}])")
|
| 193 |
-
verifica("posterior converge à média real", abs(post.media - 0.7) < 0.08, f"({post.media:.3f})")
|
| 194 |
-
ag = AgenteConfianca()
|
| 195 |
-
feats = torch.tensor([2.0, 0.3, 1.0, 0.0])
|
| 196 |
-
h1 = float(ag(feats, perda_atual=2.0))
|
| 197 |
-
h2 = float(ag(feats, perda_atual=3.5)) # perda subiu → punição assimétrica
|
| 198 |
-
verifica("κ assimétrico: perda subindo NÃO sobe h", h2 <= h1 + 0.35,
|
| 199 |
-
f"(h1={h1:.3f}, h2={h2:.3f})")
|
| 200 |
-
hp = AgenteConfianca.confianca_posicional(logits=torch.randn(2, 8, 100) * 5)
|
| 201 |
-
verifica("h_posicional ∈ [0,1] com forma (B,T)", hp.shape == (2, 8) and bool((hp >= 0).all()) and bool((hp <= 1).all()))
|
| 202 |
-
|
| 203 |
-
print("== MTP K adaptativo: máscara e economia (Teorema 11.6) ==")
|
| 204 |
-
mtp = MTPAurora(32, k_cabecas=3)
|
| 205 |
-
h = torch.randn(2, 16, 32)
|
| 206 |
-
emb = torch.randn(64, 32)
|
| 207 |
-
alvo = torch.randint(0, 64, (2, 16))
|
| 208 |
-
p_sem = mtp.perda(h, emb, alvo)
|
| 209 |
-
h_conf = torch.zeros(2, 16) # confiança 0 → K_t = 1 em toda posição
|
| 210 |
-
p_com = mtp.perda(h, emb, alvo, h_conf=h_conf)
|
| 211 |
-
termos = mtp.ultimos["termos_ce"]
|
| 212 |
-
verifica("K adaptativo: menos termos de CE com h=0 (economia ~2/3)",
|
| 213 |
-
termos > 0 and termos < (2 * 15 * 3) * 0.45, f"({termos:.0f} de 90)")
|
| 214 |
-
h_conf2 = torch.ones(2, 16)
|
| 215 |
-
mtp.perda(h, emb, alvo, h_conf=h_conf2)
|
| 216 |
-
termos2 = mtp.ultimos["termos_ce"]
|
| 217 |
-
verifica("K adaptativo: h=1 mantém todos os K termos", termos2 >= termos * 1.5)
|
| 218 |
-
masc = mascara_k_adaptativa(torch.tensor([[0.0, 0.5, 1.0]]), 1, 4)
|
| 219 |
-
esperada = torch.tensor([[[1., 0., 0., 0.], [1., 1., 0., 0.], [1., 1., 1., 1.]]])
|
| 220 |
-
verifica("máscara K_t = clamp(round(K_min+(K_max−K_min)h))", bool((masc == esperada).all()))
|
| 221 |
-
|
| 222 |
-
print("== PRS V8 (Teoremas 11.7a–f) ==")
|
| 223 |
-
prs = PRSV8({"warmup": 2, "T_ciclo": 50})
|
| 224 |
-
t_up = prs.trust
|
| 225 |
-
prs.atualizar_trust(True)
|
| 226 |
-
subida = prs.trust - t_up
|
| 227 |
-
prs.atualizar_trust(False)
|
| 228 |
-
queda = t_up - prs.trust
|
| 229 |
-
verifica("7.1 histerese: η_up > η_down (recuperação ≠ queda)", subida > queda)
|
| 230 |
-
for _ in range(30):
|
| 231 |
-
prs.passo_batch(2.0 if _ % 2 else 1.0)
|
| 232 |
-
clip_antigo = prs.clip_atual
|
| 233 |
-
for _ in range(6):
|
| 234 |
-
prs.clip(50.0) # outliers
|
| 235 |
-
clip_outlier = prs.clip_atual
|
| 236 |
-
for _ in range(20):
|
| 237 |
-
prs.clip(1.0) # regime normal volta
|
| 238 |
-
clip_normal = prs.clip_atual
|
| 239 |
-
verifica("7.3 percentil robusto: outlier não relaxa clip além do cap 5×base",
|
| 240 |
-
clip_outlier <= prs.clip_base * 5.0 + 1e-6 and clip_normal < clip_outlier,
|
| 241 |
-
f"(outlier={clip_outlier:.2f}, normal={clip_normal:.2f})")
|
| 242 |
-
lrs = [prs.lr(t) for t in range(120)]
|
| 243 |
-
verifica("7.2 SGDR: existem restarts (lr sobe após vale)",
|
| 244 |
-
max(lrs[60:]) > max(lrs[50:60]) * 0.9)
|
| 245 |
-
verifica("7.5 streak: recompensa log cresce sem saturar",
|
| 246 |
-
(1 + prs.coef_streak * math.log1p(100)) > (1 + prs.coef_streak * math.log1p(10)))
|
| 247 |
-
|
| 248 |
-
print("== Memória interna (doc 11 §9) ==")
|
| 249 |
-
mem = MemoriaInterna(d=32, n_slots=8, h_escrita=0.5, idade_compressao_s=0.0)
|
| 250 |
-
z1 = torch.randn(32)
|
| 251 |
-
verifica("escrita conficiente rejeita h < h_escrita", not mem.escrever(z1, 0.3, origem="percepcao"))
|
| 252 |
-
verifica("escrita conficiente aceita h ≥ h_escrita", mem.escrever(z1, 0.8, origem="percepcao"))
|
| 253 |
-
try:
|
| 254 |
-
mem.escrever(z1, 0.9, origem="raciocinio")
|
| 255 |
-
verifica("contrato: raciocinio NÃO escreve (Teorema §10)", False)
|
| 256 |
-
except PermissionError:
|
| 257 |
-
verifica("contrato: raciocinio NÃO escreve (Teorema §10)", True)
|
| 258 |
-
try:
|
| 259 |
-
mem.escrever(z1, 0.9, origem="percepcao")
|
| 260 |
-
mem.consultar(z1, origem="treino")
|
| 261 |
-
# treino pode consultar — ok; agora tenta consolidar como percepcao (proibido)
|
| 262 |
-
try:
|
| 263 |
-
mem.comprimir_antigos(origem="percepcao")
|
| 264 |
-
verifica("contrato: percepcao não consolida", False)
|
| 265 |
-
except PermissionError:
|
| 266 |
-
verifica("contrato: percepcao não consolida", True)
|
| 267 |
-
except Exception as e:
|
| 268 |
-
verifica("memória: operações básicas", False, str(e))
|
| 269 |
-
for i in range(10):
|
| 270 |
-
mem.escrever(torch.randn(32), 0.6 + 0.04 * (i % 5), origem="percepcao")
|
| 271 |
-
verifica("evicção respeita n_slots", len(mem.slots) <= 8)
|
| 272 |
-
rec = mem.consultar(z1, m=3, origem="nucleo")
|
| 273 |
-
verifica("consulta devolve o próprio z como top-1", rec["indices"] and
|
| 274 |
-
float(torch.cdist(rec["vetores"][0].unsqueeze(0), z1.unsqueeze(0))) < 1e-5)
|
| 275 |
-
n_comp = mem.comprimir_antigos(origem="treino")
|
| 276 |
-
verifica("compressão VQ de antigos (idade=0)", n_comp > 0)
|
| 277 |
-
verifica("codebook: entropia de uso finita", 0.0 <= mem.vq.entropia_uso() <= math.log(64))
|
| 278 |
-
economia = mem.estatisticas()["economia_bits_por_slot"]
|
| 279 |
-
verifica("economia teórica 1 − log₂N/(32d) > 0.99", economia > 0.99, f"({economia:.4f})")
|
| 280 |
-
q = QuantizadorVetorialEMA(32, 8)
|
| 281 |
-
Z = torch.randn(16, 8)
|
| 282 |
-
qq, perda_vq, idx = q(Z)
|
| 283 |
-
verifica("VQ-EMA: saída com straight-through e perda finita",
|
| 284 |
-
qq.shape == Z.shape and torch.isfinite(perda_vq))
|
| 285 |
-
|
| 286 |
-
print("== Modelo integrado v3 (BlocoV3 + confiança + MTP adaptativo) ==")
|
| 287 |
-
cfg = Config()
|
| 288 |
-
modelo = AURORAModel(cfg, usar_multimodal=False)
|
| 289 |
-
modelo.train()
|
| 290 |
-
ids = torch.randint(0, 8000, (2, 48))
|
| 291 |
-
alvo = torch.randint(0, 8000, (2, 48)); alvo[:, 0] = -100
|
| 292 |
-
logits, perda = modelo(ids, alvo=alvo, tarefa="instrucao")
|
| 293 |
-
verifica("forward v3 com BlocoV3: perda finita", torch.isfinite(perda))
|
| 294 |
-
modelo.registrar_confianca(0.2)
|
| 295 |
-
verifica("registrar_confianca propaga aos compositores",
|
| 296 |
-
all(abs(b.composto._confianca - 0.2) < 1e-6 for b in modelo.blocos))
|
| 297 |
-
h_conf = AgenteConfianca.confianca_posicional(logits)
|
| 298 |
-
p_mtp = modelo.mtp_do_trunk(ids, alvo, h_conf=h_conf)
|
| 299 |
-
verifica("MTP adaptativo integrado ao trunk", p_mtp is not None and torch.isfinite(p_mtp))
|
| 300 |
-
met = modelo.metricas_estruturais()
|
| 301 |
-
verifica("telemetria v3: uso/alpha/passos_rec por compositor",
|
| 302 |
-
any(k.startswith("micra") for k in met))
|
| 303 |
-
|
| 304 |
-
print("== Causalidade do modelo completo ==")
|
| 305 |
-
modelo.eval()
|
| 306 |
-
with torch.no_grad():
|
| 307 |
-
ids_a = torch.randint(0, 8000, (1, 24))
|
| 308 |
-
la, _ = modelo(ids_a[:, :16])
|
| 309 |
-
lb, _ = modelo(ids_a)
|
| 310 |
-
verifica("modelo causal: prefixo idêntico", float((la[0, :8] - lb[0, :8]).abs().max()) < 1e-4)
|
| 311 |
-
|
| 312 |
-
print("== GestorCrescimento integrado (sonda real no modelo) ==")
|
| 313 |
-
gcfg = {"tau_expand": 1e9, "tau_prune": 1e9, "eps_gate": 0.99, "janela_uso": 2,
|
| 314 |
-
"n_max_ramos": 5, "n_sondas": 1}
|
| 315 |
-
gestor = GestorCrescimento(modelo.compositores, gcfg, hub=None)
|
| 316 |
-
for b in modelo.blocos:
|
| 317 |
-
b.composto.uso_ema = torch.tensor([0.01, 0.01, 0.01, 0.01]) # tudo "pouco usado"
|
| 318 |
-
res = gestor.verificar(1, lambda: modelo(ids, alvo=alvo, tarefa="lm")[1])
|
| 319 |
-
acoes = [a["acao"] for a in res["acoes"]]
|
| 320 |
-
verifica("gestor executa expandir/podar sem erro", all(any(k in a for k in ("expandir", "podar", "manter", "bloqueada")) for a in acoes),
|
| 321 |
-
str(acoes))
|
| 322 |
-
|
| 323 |
-
print()
|
| 324 |
-
if _falhas:
|
| 325 |
-
print(f"===== v3: {len(_falhas)} FALHAS: {_falhas} =====")
|
| 326 |
-
sys.exit(1)
|
| 327 |
-
print("===== v3: todas as verificações OK =====")
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|