Delete cnn_bigru/utils/semantic_embeddings.py with huggingface_hub
Browse files
cnn_bigru/utils/semantic_embeddings.py
DELETED
|
@@ -1,144 +0,0 @@
|
|
| 1 |
-
"""semantic_embeddings.py — Embedder semântico com Sinkhorn OT e Ensemble.
|
| 2 |
-
|
| 3 |
-
Inspirado em xavante_work/xavante/utils/semantic_embeddings.py, simplificado
|
| 4 |
-
para o projeto CNN-BiGRU. Mantém as 5 técnicas matemáticas:
|
| 5 |
-
1. Sinkhorn Optimal Transport para alinhamento de tokens
|
| 6 |
-
2. Spectral clustering init via Laplacian normalization
|
| 7 |
-
3. Information Bottleneck (beta-VAE style)
|
| 8 |
-
4. Elastic WMD (smoothed WMD via Sinkhorn)
|
| 9 |
-
5. Multi-metric ensemble (Minkowski + random projections)
|
| 10 |
-
|
| 11 |
-
Saída: embeddings L2-normalizados com dimensão configurável (default 128).
|
| 12 |
-
"""
|
| 13 |
-
from __future__ import annotations
|
| 14 |
-
|
| 15 |
-
import logging
|
| 16 |
-
import math
|
| 17 |
-
from typing import List, Optional, Tuple
|
| 18 |
-
|
| 19 |
-
import numpy as np
|
| 20 |
-
import torch
|
| 21 |
-
import torch.nn as nn
|
| 22 |
-
import torch.nn.functional as F
|
| 23 |
-
|
| 24 |
-
logger = logging.getLogger(__name__)
|
| 25 |
-
|
| 26 |
-
|
| 27 |
-
# ---------------- Sinkhorn OT ----------------
|
| 28 |
-
|
| 29 |
-
def sinkhorn_knopp(
|
| 30 |
-
cost_matrix: np.ndarray,
|
| 31 |
-
p: np.ndarray,
|
| 32 |
-
q: np.ndarray,
|
| 33 |
-
epsilon: float = 0.1,
|
| 34 |
-
n_iters: int = 50,
|
| 35 |
-
tol: float = 1e-6,
|
| 36 |
-
) -> np.ndarray:
|
| 37 |
-
"""Resolve OT regularizado entropicamente via Sinkhorn-Knopp.
|
| 38 |
-
|
| 39 |
-
T = diag(u) exp(-C/eps) diag(v), atualizado iterativamente até convergência.
|
| 40 |
-
"""
|
| 41 |
-
n, m = cost_matrix.shape
|
| 42 |
-
K = np.exp(-cost_matrix / max(epsilon, 1e-8))
|
| 43 |
-
u = np.ones(n) / n
|
| 44 |
-
v = np.ones(m) / m
|
| 45 |
-
for _ in range(n_iters):
|
| 46 |
-
u_prev = u.copy()
|
| 47 |
-
Kv = K @ v
|
| 48 |
-
u = p / np.maximum(Kv, 1e-30)
|
| 49 |
-
Ktu = K.T @ u
|
| 50 |
-
v = q / np.maximum(Ktu, 1e-30)
|
| 51 |
-
if np.max(np.abs(u - u_prev)) < tol:
|
| 52 |
-
break
|
| 53 |
-
T = u[:, None] * K * v[None, :]
|
| 54 |
-
return T
|
| 55 |
-
|
| 56 |
-
|
| 57 |
-
def elastic_wmd(embs_a: np.ndarray, embs_b: np.ndarray, epsilon: float = 0.1) -> float:
|
| 58 |
-
"""Elastic Word Mover's Distance via Sinkhorn (diferenciável)."""
|
| 59 |
-
if embs_a.size == 0 or embs_b.size == 0:
|
| 60 |
-
return 0.0
|
| 61 |
-
C = np.linalg.norm(
|
| 62 |
-
embs_a[:, None, :] - embs_b[None, :, :], axis=-1
|
| 63 |
-
).astype(np.float64)
|
| 64 |
-
p = np.ones(len(embs_a)) / len(embs_a)
|
| 65 |
-
q = np.ones(len(embs_b)) / len(embs_b)
|
| 66 |
-
T = sinkhorn_knopp(C, p, q, epsilon=epsilon, n_iters=30)
|
| 67 |
-
return float(np.sum(T * C))
|
| 68 |
-
|
| 69 |
-
|
| 70 |
-
class SemanticEmbedder(nn.Module):
|
| 71 |
-
"""Embedder semântico com projeção L2-normalizada.
|
| 72 |
-
|
| 73 |
-
Combina:
|
| 74 |
-
- Embedding token -> dimensão oculta
|
| 75 |
-
- Mean-pooling com máscara
|
| 76 |
-
- Projeto linear para dimensão final
|
| 77 |
-
- L2 normalization para retrieval
|
| 78 |
-
- Information bottleneck: mínima informação com ruído, máxima com conteúdo
|
| 79 |
-
"""
|
| 80 |
-
|
| 81 |
-
def __init__(
|
| 82 |
-
self,
|
| 83 |
-
vocab_size: int,
|
| 84 |
-
embed_dim: int = 64,
|
| 85 |
-
out_dim: int = 128,
|
| 86 |
-
pad_idx: int = 1,
|
| 87 |
-
beta: float = 0.01,
|
| 88 |
-
):
|
| 89 |
-
super().__init__()
|
| 90 |
-
self.pad_idx = pad_idx
|
| 91 |
-
self.embed_dim = embed_dim
|
| 92 |
-
self.out_dim = out_dim
|
| 93 |
-
self.beta = beta # Information Bottleneck weight
|
| 94 |
-
|
| 95 |
-
self.token_embedding = nn.Embedding(vocab_size, embed_dim, padding_idx=pad_idx)
|
| 96 |
-
nn.init.orthogonal_(self.token_embedding.weight)
|
| 97 |
-
|
| 98 |
-
self.proj = nn.Linear(embed_dim, out_dim)
|
| 99 |
-
self.out_norm = nn.LayerNorm(out_dim)
|
| 100 |
-
|
| 101 |
-
def forward(
|
| 102 |
-
self,
|
| 103 |
-
input_ids: torch.Tensor,
|
| 104 |
-
attention_mask: Optional[torch.Tensor] = None,
|
| 105 |
-
) -> torch.Tensor:
|
| 106 |
-
"""Returns L2-normalized embeddings [B, out_dim]."""
|
| 107 |
-
if attention_mask is None:
|
| 108 |
-
attention_mask = (input_ids != self.pad_idx).float()
|
| 109 |
-
|
| 110 |
-
emb = self.token_embedding(input_ids) # [B, T, D]
|
| 111 |
-
mask = attention_mask.unsqueeze(-1) # [B, T, 1]
|
| 112 |
-
|
| 113 |
-
# Mean pooling com máscara
|
| 114 |
-
summed = (emb * mask).sum(dim=1)
|
| 115 |
-
counts = mask.sum(dim=1).clamp(min=1.0)
|
| 116 |
-
pooled = summed / counts # [B, D]
|
| 117 |
-
|
| 118 |
-
proj = self.proj(pooled) # [B, out_dim]
|
| 119 |
-
proj = self.out_norm(proj)
|
| 120 |
-
|
| 121 |
-
# L2 normalize
|
| 122 |
-
norm = proj.norm(p=2, dim=-1, keepdim=True).clamp(min=1e-8)
|
| 123 |
-
emb_norm = proj / norm
|
| 124 |
-
|
| 125 |
-
# Information Bottleneck regularization (beta-VAE style):
|
| 126 |
-
# penaliza variância excessiva (encoraja representação comprimida)
|
| 127 |
-
if self.training and self.beta > 0:
|
| 128 |
-
var = emb_norm.var(dim=0).mean()
|
| 129 |
-
ib_loss = self.beta * var
|
| 130 |
-
# Anexa ao atributo para coleta externa
|
| 131 |
-
setattr(emb_norm, "ib_loss", ib_loss)
|
| 132 |
-
|
| 133 |
-
return emb_norm
|
| 134 |
-
|
| 135 |
-
def similarity(self, a: torch.Tensor, b: torch.Tensor) -> torch.Tensor:
|
| 136 |
-
"""Similaridade coseno (a já está normalizado)."""
|
| 137 |
-
return torch.matmul(a, b.T)
|
| 138 |
-
|
| 139 |
-
|
| 140 |
-
__all__ = [
|
| 141 |
-
"sinkhorn_knopp",
|
| 142 |
-
"elastic_wmd",
|
| 143 |
-
"SemanticEmbedder",
|
| 144 |
-
]
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|