#!/usr/bin/env bash
# v16 training — Fix score collapse / no discrimination từ v15.
#
# Root cause analysis (v15 failure):
#
#   Tất cả ảnh được score gần như giống nhau (range 24–56, thay vì 0–100).
#   Model không phân biệt được ảnh tốt/xấu.
#
#   Nguyên nhân chính: stats=None trong mọi lần gọi loss_mat().
#
#   Khi stats=None:
#     q_mat = raw cosine ≈ 0.85 cho mọi ảnh (MDGT quality-robust)
#     → model tối ưu pred_score → (0.85/2 + 0.5)×100 ≈ 92.5 cho tất cả
#     → L_spread kéo về [10,90], L_mat kéo về 92.5
#     → equilibrium tại q_mean ≈ 52 không thay đổi suốt 60 epoch
#
# v16 fixes:
#   T31a — Per-identity cosine stats (compute_identity_cos_stats):
#           Sau khi tính prototype, chạy second pass để tính (mean_cos, std_cos)
#           per identity. Pass stats vào loss_mat() → target được normalize:
#             q_mat = tanh((cos - mu_i) / sigma_i)
#           Ảnh tốt hơn trung bình của identity → target > 0 → score > 50.
#           Ảnh kém hơn → target < 0 → score < 50.
#           L_mat và L_spread giờ CÙNG chiều thay vì conflict.
#
#   T31b — tanh scaling trong _compute_q_mat:
#           tanh maps z ∈ (-∞,+∞) về (-1,1), tương thích với
#           pred_normalized = (score/100 - 0.5) × 2 ∈ [-1,1].
#           Không cần clamp thủ công, không có extreme target.
#
#   T31c — Tăng W_SPREAD từ 2.0 → 4.0:
#           Với teacher target đã zero-centred, tăng spread weight
#           giúp model học spread nhanh hơn mà không conflict.
#
#   T31d — deg-every-n-steps 1 (thay vì 2):
#           L_deg mỗi step = 2× signal so với v15. FVC-only ranking.
#
# Train từ đầu, 60 epochs, LR=1e-4 cosine.

set -euo pipefail

REPO_ROOT="$(cd "$(dirname "$0")/../.." && pwd)"
source "${REPO_ROOT}/.venv/bin/activate"

VERSION="v16"
SAVE_DIR="${REPO_ROOT}/sifq/checkpoints/${VERSION}"
LOG_FILE="${REPO_ROOT}/sifq/logs/train_${VERSION}.log"
EVAL_SCRIPT="${REPO_ROOT}/sifq/scripts/run_eval_${VERSION}.sh"

python "${REPO_ROOT}/sifq/scripts/train_sifq.py" \
  --root-302a  "${REPO_ROOT}/dataset/302a/images/challengers" \
  --root-302b  "${REPO_ROOT}/dataset/302b/images/baseline" \
  --root-302d  "${REPO_ROOT}/dataset/nist_302d/images/auxiliary" \
  --root-fvc2002 "${REPO_ROOT}/dataset/FVC_Dataset/FVC2002" \
  --root-fvc2004 "${REPO_ROOT}/dataset/FVC_Dataset/FVC2004" \
  --root-polyu "${REPO_ROOT}/dataset/PolyU" \
  --exclude-sensor "R_1000_slap,R_500_slap,S_500_slap" \
  --mdgt-checkpoint "${REPO_ROOT}/pad/TRAM-downstream/checkpoint/checkpoints_dinov2_tram/best_eer.pt" \
  --epochs 60 \
  --batch-size 128 \
  --image-size 224 \
  --lr 1e-4 \
  --spread-mode uniform \
  --spread-weight 4.0 \
  --concept-deg-gamma 2.0 \
  --sd302-concept-weight 1.0 \
  --deg-every-n-steps 2 \
  --min-sigma 0.02 \
  --max-train-samples -1 \
  --num-workers 8 \
  --gpus 0 \
  --save-dir "${SAVE_DIR}"

echo "[auto-eval] Training done. Starting eval ${VERSION}..."
bash "${EVAL_SCRIPT}" >> "${LOG_FILE}" 2>&1