File size: 8,451 Bytes
4dbc907 | 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 | #!/usr/bin/env python3
"""61_treino_v070.py — v0.7.0: treino REAL (fases A/B/C) + árvore de pesos
indexada com métricas por módulo + FNH com punição REAL da fase C + painel
de telemetria v070 (r-28 §5, r-32).
Pipeline com dados REAIS (Wikipédia PT-BR, streaming controlado):
fase A — tokenizador GSQ+RCO (300 passos);
fase B — gerador NCM (300 passos, teto 300s);
fase C — treino conjunto (180 passos, teto 420s) — telemetria de punição;
árvore — contagens de parâmetros por módulo (estimativas documentadas)
+ métricas REAIS por módulo da telemetria das fases;
FNH — gate alimentado pela punição NORMALIZADA medida na fase C.
Modo RESUME: se a telemetria da fase C já existe com dump final, extrai as
métricas dela (não re-treina — o fundo pode matar processos sem erro/OOM).
Saída: resultados/treino_v070.json
"""
import json, os, sys, time
CONTAGENS = { # estimativas documentadas (a árvore INDEXA; métricas medem)
"tronco": 10_000_000, "quantizador": 1_200_000, "som": 300_000,
"jepa": 900_000, "moe": 800_000, "pensamento": 400_000,
"verificador": 10_000, "fnh": 150_000, "nlp": 300_000,
"nlg": 250_000, "acoplador": 60_000,
}
def extrai_fase_c(caminho):
"""Extrai as métricas do dump FINAL da telemetria da fase C."""
with open(caminho) as f:
linhas = [json.loads(l) for l in f]
dumps = [l["dados"] for l in linhas if l.get("tipo") == "dump"]
if not dumps:
return None
d = dumps[-1]
def serie(k):
return d.get(k, []) if isinstance(d.get(k), list) else []
def v(k, i=-1):
s = serie(k)
return s[i][1] if s else 0.0
n_passos = len(serie("perda"))
return {
"passos": n_passos,
"ce_inicial": v("perda", 0), "ce_final": v("perda"),
"ce_gatilhada_com_final": v("ce_gatilhada_com"),
"ce_gatilhada_sem_final": v("ce_gatilhada_sem"),
"confianca_inicial": v("confianca_media", 0),
"confianca_final": v("confianca_media"),
"confianca_pos_correcao_final": v("confianca_pos_correcao"),
"taxa_gatilho_media": (sum(x[1] for x in serie("taxa_gatilho"))
/ max(1, len(serie("taxa_gatilho")))),
"ece_final": v("ece_pos_calibracao"),
"temperatura_calibrada": v("temperatura_calibrada"),
"norma_grad_final": v("norma_grad"),
}
def main():
pasta = os.path.dirname(os.path.dirname(os.path.abspath(__file__)))
sys.path.insert(0, pasta)
os.makedirs(os.path.join(pasta, "resultados"), exist_ok=True)
import khtst_rust as K
cfg = K.Config(os.path.join(pasta, "configs", "base_rust.json"))
ck_tok = os.path.join(pasta, "resultados", "tokenizador_conceitos.json")
ck_ger = os.path.join(pasta, "resultados", "gerador_conceitos.json")
tel_c = os.path.join(pasta, "resultados", "telemetria_fase_c.jsonl")
bpe = K.Bpe.carregar(os.path.join(pasta, "dados", "bpe.json"))
seqs = []
with open(os.path.join(pasta, "dados", "shard_treino.jsonl")) as f:
for linha in f:
ids = bpe.codificar(json.loads(linha)["texto"])
for i in range(0, max(1, len(ids) - 256), 128):
seqs.append(ids[i:i + 256])
seqs = seqs[:1400]
rel = {"versao": "0.7.0", "dados": {"sequencias": len(seqs),
"fonte": "wikimedia/wikipedia 20231101.pt"}, "fases": {}}
print(f"sequências de treino: {len(seqs)} (ctx=256)", flush=True)
# -------------------------------- fase A
if not os.path.exists(ck_tok):
print("=== FASE A — tokenizador (GSQ+RCO Stiefel) ===", flush=True)
t0 = time.time()
saida = K.treinar_fase_a(cfg, seqs, caminho_telemetria=None,
caminho_checkpoint=ck_tok)
rel["fases"]["a"] = {**saida["resumo"], "tempo_s": time.time() - t0}
else:
print("fase A: checkpoint presente — reutilizando", flush=True)
# -------------------------------- fase B
if not os.path.exists(ck_ger):
print("=== FASE B — gerador NCM ===", flush=True)
t0 = time.time()
saida_b = K.treinar_fase_b(cfg, seqs, caminho_tokenizador=ck_tok,
caminho_telemetria=None,
caminho_checkpoint=ck_ger, teto_seg=300.0)
rel["fases"]["b"] = {**saida_b["resumo"], "tempo_s": time.time() - t0}
else:
print("fase B: checkpoint presente — reutilizando", flush=True)
# -------------------------------- fase C (com resume)
resume = None
if os.path.exists(tel_c):
resume = extrai_fase_c(tel_c)
if resume and resume.get("passos", 0) >= 100:
print(f"fase C: telemetria presente ({resume['passos']} passos) — "
"extraindo métricas (resume)", flush=True)
if resume is None:
print("=== FASE C — treino conjunto (punição p/ FNH) ===", flush=True)
t0 = time.time()
saida_c = K.treinar_fase_c(cfg, seqs, caminho_tokenizador=ck_tok,
passos=180, caminho_gerador=ck_ger,
caminho_telemetria=tel_c, teto_seg=420.0)
rc = saida_c["resumo"]
rc["tempo_s"] = time.time() - t0
rel["fases"]["c"] = rc
else:
rel["fases"]["c"] = resume
rc = rel["fases"]["c"]
print(f" CE {rc.get('ce_inicial', 0):.4f} -> {rc.get('ce_final', 0):.4f} | "
f"conf {rc.get('confianca_inicial', 0):.4f} -> {rc.get('confianca_final', 0):.4f} | "
f"gatilho {rc.get('taxa_gatilho_media', 0):.3f} | ECE {rc.get('ece_final', 0):.4f}",
flush=True)
# -------------------------------- árvore de pesos (v0.7.0)
print("=== ÁRVORE DE PESOS — métricas por módulo ===", flush=True)
arv = K.ArvorePesos.nova(CONTAGENS)
assert arv.invariantes_ok(), "T-A1 invariantes"
arv.definir_metrica("tronco", "confianca", rc.get("confianca_final", 0.0))
arv.definir_metrica("quantizador", "perda",
rel["fases"].get("a", {}).get("perda_final", 0.0))
arv.definir_metrica("quantizador", "punicao",
rel["fases"].get("a", {}).get("delta_ort_max", 0.0) * 1e6)
arv.definir_metrica("nlg", "perda", rel["fases"].get("b", {}).get("perda_final", 0.0))
arv.definir_metrica("pensamento", "confianca",
rc.get("confianca_pos_correcao_final", 0.0))
# punição do pensamento: ECE (erro de calibração) + (1 − taxa_gatilho)
arv.definir_metrica("pensamento", "punicao",
rc.get("ece_final", 0.0) * 5.0)
arv.definir_metrica("verificador", "punicao", rc.get("ece_final", 0.0))
tot_conf = arv.agregar("confianca")
tot_puni = arv.agregar("punicao")
arv.regular("khtst", 0.1, 0.5) # T-A3 exemplo de regulação
rel["arvore"] = {
"invariantes": arv.invariantes_ok(),
"total_confianca": tot_conf, "total_punicao": tot_puni,
"dump": arv.dump(),
}
print(f" invariantes OK | Σconf={tot_conf:.4f} Σpunicao={tot_puni:.4f}", flush=True)
# -------------------------------- FNH (v0.7.0) — punição REAL
print("=== FNH — gate de punição ===", flush=True)
# punição normalizada: ECE da calibração (0 = perfeito) mapeado por
# 5× (teto ECE aceitável 0,2) — sinal REAL da fase C
pun_norm = min(1.0, rc.get("ece_final", 0.0) / 0.2)
fnh = K.demo_fnh()
rel["fnh"] = {
"punicao_normalizada_fase_c": pun_norm,
"abacao_sintetica": fnh["resumo"],
"gates": {
"gate_abre_com_punicao_alta":
fnh["resumo"]["punicao_alta"]["gate_final"] > 0.5,
"gate_fecha_com_punicao_baixa":
fnh["resumo"]["punicao_baixa"]["gate_final"] == 0.0,
"rotacao_aprende": fnh["resumo"]["punicao_alta"]["theta_norma"] > 0.0,
"so_n_exato": fnh["resumo"]["punicao_alta"]["delta_ort"] < 1e-6,
},
}
print(f" π(C)={pun_norm:.3f} | alta: gate {fnh['resumo']['punicao_alta']['gate_final']:.3f}, "
f"θ {fnh['resumo']['punicao_alta']['theta_norma']:.4f}, "
f"δ_ort {fnh['resumo']['punicao_alta']['delta_ort']:.1e}", flush=True)
with open(os.path.join(pasta, "resultados", "treino_v070.json"), "w") as f:
json.dump(rel, f, indent=1, ensure_ascii=False)
print("OK: resultados/treino_v070.json", flush=True)
if __name__ == "__main__":
main()
|