Upload 6 files

1Gv33_AutoLR/emofact.py

@@ -0,0 +1,220 @@
+import torch
+from torch.optim import Optimizer
+import math
+from collections import deque
+
+"""
+EmoFact v3.3 (251202) shadow-system v3.0 -effect NoN -moment v3.0
+(v1.0)AMP対応完了(250725) p.data -> p 修正済み／低精度量子化への基本対応／低精度補償は別
+(v2.0)shadow-system 微調整／３段階補正を連続的に滑らかに／派生版では以下の切替も可能
+optimizer 指定の際に True / False で shadow を切替できる(現在 False)
+(v3.0)emosens shadow-effect v1.0 反映した動的学習率と shadow-system 切替をデフォルト化
+(v3.1)通常未使用の shadow 更新速度 (lerp) を倍化し信頼度で動的制御／coeff 活用(急変･微動)
+動的学習率や感情スカラー値など TensorBoard 連携可 (現在 writer=None)／外部設定必要
+全体の効率化や可読性を向上(emaやスカラーの多重処理を省く等、動的学習率のスケールや状態の見直し等、含む)
+(v3.3)トラウマ的反応や慣れによる鈍化で安定性向上(ema-medium 安定と急変を信頼度で感知)
+完全自動学習率／目標減少率制御方式を導入／感情機構との相乗効果で急変時も鎮静化し安定進行
+"""
+
+class EmoFact(Optimizer):
+    # クラス定義＆初期化
+    def __init__(self, params, 
+                 lr=1e-3, 
+                 lr_max=1e-3, 
+                 lr_min=1e-8, 
+                 eps=1e-8, 
+                 betas=(0.9, 0.999), 
+                 weight_decay=0.01, 
+                 use_shadow:bool=False, 
+                 writer=None):
+                     
+        defaults = dict(lr=lr, betas=betas, eps=eps, weight_decay=weight_decay)
+        
+        super().__init__(params, defaults)
+        self._init_lr = lr
+        self.should_stop = False # 停止フラグの初期化
+        self.use_shadow = use_shadow # 🔸shadow 使用フラグを保存
+        self.writer = writer # 動的学習率や感情スカラー等を渡す
+        self.eta = lr # 名目lrを初期値として利用(自己更新)
+        self.k = 0.2 # 学習率自己更新の応答速度係数(比例制御の強さ)
+        self.eps = 1e-8 # ゼロ割り防止の微小値(分母安定化)
+        self.lr_min = 1e-8 # 学習率の下限(極端な縮小の防止)
+        self.lr_max = 1e-3 # 学習率の上限(極端な拡大の防止)
+        self.prev_loss = None # Loss初期化
+
+    # 感情EMA更新(緊張と安静)
+    def _update_ema(self, state, loss_val):
+        ema = state.setdefault('ema', {})
+        ema['short'] = 0.3 * loss_val + 0.7 * ema.get('short', loss_val)
+        ema['medium'] = 0.05 * loss_val + 0.95 * ema.get('medium', loss_val)
+        ema['long'] = 0.01 * loss_val + 0.99 * ema.get('long', loss_val)
+        return ema
+
+    # 感情スカラー値生成(EMA差分、滑らかな非線形スカラー、tanh(diff) は ±1.0 で有界性)
+    # 係数"1"：ema差分 のスケール調整処理に活用(感度調節係数)／通常は1(タスクに応じ調整可(非推奨))
+    # scale_base：Loss値とema値の乖離を修正(分母 ema(long) 「改善率」共通化/loss種に非依存)
+    # 1e-5(デフォルト)／1e-6(感度向上)／1e-4(安定性向上)：分母を０にせず安定させる
+    # トラウマ的反応や慣れによる鈍化で安定性向上(ema-medium 安定と急変を信頼度で感知)
+    def _compute_scalar(self, ema):
+        scale_base_l = max(ema['long'], 1e-5)
+        scale_base_m = max(ema['medium'], 1e-5)
+        diff_l = (ema['long'] - ema['short']) / scale_base_l
+        diff_m = (ema['long'] - ema['short']) / scale_base_m
+        # longが十分静かなら、常にlongを優先
+        if abs(diff_l) < 0.05:
+            return math.tanh(diff_l)
+        # longが静かでない時のみ、mediumの静けさを条件付きで採用
+        if abs(diff_m) * scale_base_m < abs(diff_l) * scale_base_l:
+            return math.tanh(1 * diff_m)
+        else:
+            return math.tanh(1 * diff_l)
+
+    # アーリーストップ専用(静けさ判定の感情スカラ生成)
+    def _early_scalar(self, ema):
+        scale_base_l = max(ema['long'], 1e-5)
+        diff = (ema['long'] - ema['short']) / scale_base_l
+        return math.tanh(1 * diff)
+
+    # 急変時は論文通りの抑制則/悪化時は減速/改善時は加速/微動時は無介入で収束を安定させる
+    def _decide_coeff(self, scalar):
+        if abs(scalar) > 0.625:
+            return 1.0 - abs(scalar)    # 急変｜強抑制
+        elif scalar > 0.125:
+            return 1.0 + scalar         # 改善｜加速
+        elif scalar < -0.125:
+            return 1.0 + scalar         # 悪化｜減速
+        else:
+            return 1.0                  # 微動｜無介入
+
+    # (重要)現在は shadow-effect を参考に得た動的フィルタ効果の近似により use_shadow=False です
+    # しかし全機��は shadow なしで全て成立します／コード確認時はこの shadow を考慮外として無視してください
+
+    # Shadow混合比 ３段階構成 タスクに応じ調整可、以下を参考に 開始値・範囲量･変化幅を調整
+    # 参考1：scalar>±0.6 を "return 開始値 + ((scalar) - 0.6(範囲)) / 範囲量 * 変化幅"
+    # 参考2：scalar>±0.1 を "return 開始値 + ((scalar) - 0.1(範囲)) / 範囲量 * 変化幅"
+    # return 開始値 + ((scalar) - 閾値) / 範囲量 * 変化幅 です(上記の値は感情スカラーを返すだけ)
+    def _decide_ratio(self, scalar):
+        if not self.use_shadow:
+            return 0.0 # 🔸use_shadow = False のとき常に比率を 0 にする
+        if abs(scalar) > 0.75:
+            return 0.75 # + ((scalar) - 0.75) / 0.4 * 0.4 # これはスカラーそのまま返す参考例
+        elif abs(scalar) > 0.25:
+            return -0.1 # return<0 の場合は leap 専用(書き戻しはしないが履歴更新のみ)
+        return 0.0
+
+    # 損失取得(損失値 loss_val を数値化、感情判定に使用、存在しないパラメータ(更新不要)はスキップ)
+    @torch.no_grad()
+    def step(self, closure=None):
+        loss = closure() if closure is not None else None
+        loss_val = loss.item() if loss is not None else 0.0
+
+        # EMA更新・スカラー生成(EMA差分からスカラーを生成しスパイク比率等を決定)
+        ema = self._update_ema(self.state, loss_val)
+        early_scalar = self._early_scalar(ema)
+        scalar = self._compute_scalar(ema)
+        coeff = self._decide_coeff(scalar)
+        ratio = self._decide_ratio(scalar)
+
+        # 目標減少率制御 ＋ eta_eff
+        if self.prev_loss is None:
+            self.prev_loss = loss_val # 初回は初期化のみ
+            eta_eff = max(self.lr_min, min(self.lr_max, self.eta * coeff))
+        else:
+            delta = self.prev_loss - loss_val
+            target_delta = max(1e-8, 0.01 * max(loss_val, 1e-8)) # １%固定
+            # 学習率の自己更新(比例制御)
+            self.eta *= math.exp(self.k * (delta - target_delta) / (abs(target_delta) + self.eps))
+            # 感情スカラーで補正し最終ステップへ
+            eta_eff = max(self.lr_min, min(self.lr_max, self.eta * coeff))
+
+        for group in self.param_groups:
+            step_size = eta_eff # 💡 group['lr'] は使わない
+            for p in group['params']:
+                if p.grad is None:
+                    continue
+
+                grad = p.grad
+                state = self.state[p]
+
+                # 動的学習率補正により shadow 形成を信頼度で調整(coeffは正値(負にならない))
+                # shadow：必要時のみ(スパイクp部分に現在値を最大10%追従させる動的履歴更新)
+                # ratio <0：10%、0以外：10%×coeff、(0.25～0.75は10%、微動と急変は*coeff)
+                # 微動時 coeff：1.0 固定なので結果的に微動時も 10% 履歴更新になる
+                # 結果、微動時と安定時：10%、急変時：coeff、による履歴更新を行うことになる
+                if self.use_shadow:
+                    if 'shadow' not in state: # 🔸shadow = False (デフォルト)
+                        state['shadow'] = p.clone()
+                    if ratio > 0: # 書き戻しと履歴更新(急変時の強い抑制と弱めの履歴更新)
+                        p.mul_(1 - ratio).add_(state['shadow'], alpha=coeff)
+                    else: # 書き戻しせず履歴更新のみ：ratio<0：10%／0以外：10%×coeff
+                        leap_ratio = 0.1 if ratio < 0 else 0.1 * coeff
+                        state['shadow'].lerp_(p, leap_ratio)
+
+                # 上記 shadow の説明：スカラー生成：短期と長期EMAの差分から信号を得る(高ぶりの強さ)
+                # 混合比率：スカラーが閾値を超える場合にのみ計算される(信頼できる感情信号かどうかの選別)
+                # 急変時は感情機構による shadow 混合で強く抑制する(急制動による安定性の確保)
+                # 新しい shadow-system は動的学習率と協調することで選択的スパース性も発揮する
+
+                # --- Start Fact Gradient Update Logic ---
+                # 行列の形状が2次元以上の場合、分散情報ベースのAB近似を使用
+                if grad.dim() >= 2:
+                    # 行と列の2乗平均を計算 (分散の軽量な近似)
+                    r_sq = torch.mean(grad * grad, dim=tuple(range(1, grad.dim())), keepdim=True).add_(group['eps'])
+                    c_sq = torch.mean(grad * grad, dim=0, keepdim=True).add_(group['eps'])
+
+                    # 分散情報から勾配の近似行列を生成
+                    # AB行列として見立てたものを直接生成し更新項を計算する
+                    # A = sqrt(r_sq), B = sqrt(c_sq) AB行列の近似を再現しEMAで平滑化する
+                    beta1, beta2 = group['betas']
+                    state.setdefault('exp_avg_r', torch.zeros_like(r_sq)).mul_(beta1).add_(torch.sqrt(r_sq), alpha=1 - beta1)
+                    state.setdefault('exp_avg_c', torch.zeros_like(c_sq)).mul_(beta1).add_(torch.sqrt(c_sq), alpha=1 - beta1)
+
+                    # 再構築した近似勾配の平方根の積で正規化
+                    denom = torch.sqrt(state['exp_avg_r'] * state['exp_avg_c']).add_(group['eps'])
+
+                    # 最終的な更新項を計算
+                    update_term = grad / denom
+
+                # 1次元(ベクトル)の勾配補正
+                else:
+                    beta1, beta2 = group['betas']
+                    exp_avg_sq = state.setdefault('exp_avg_sq', torch.zeros_like(p))
+                    exp_avg_sq.mul_(beta1).addcmul_(grad, grad, value=(1 - beta2))
+                    denom = exp_avg_sq.sqrt().add_(group['eps'])
+                    update_term = grad / denom
+
+                # 最終的なパラメータ更新 (decoupled weight decayも適用)
+                p.add_(p, alpha=-group['weight_decay'] * step_size)
+                p.add_(update_term, alpha=-step_size)
+                # --- End Fact Gradient Update Logic ---
+
+        self.prev_loss = loss_val
+
+        # 感情機構の発火が収まり"十分に安定"していることを外部伝達できる(自動停止ロジックではない)
+        # Early Stop用 scalar 記録(バッファ共通で管理/最大32件保持/動静評価)
+        hist = self.state.setdefault('scalar_hist', deque(maxlen=32))
+        hist.append(early_scalar)
+
+        # Early Stop判断(静けさの合図)
+        # 32ステップ分のスカラー値の静かな条件を満たした時"フラグ" should_stop = True になるだけ
+        if len(hist) >= 32:
+            avg_abs = sum(abs(s) for s in hist) / len(hist)
+            mean = sum(hist) / len(hist)
+            var = sum((s - mean)**2 for s in hist) / len(hist)
+            if avg_abs < 0.05 and var < 0.005:
+                self.should_stop = True # 💡 外部からこれを見て判断可
+
+        # TensorBoardへの記録（step関数の末尾に追加）
+        if hasattr(self, 'writer') and self.writer is not None:
+            self._step_count = getattr(self, "_step_count", 0) + 1
+            self.writer.add_scalar("emoLR", eta_eff, self._step_count)
+            self.writer.add_scalar("etaLR", self.eta, self._step_count)
+            self.writer.add_scalar("emoScalar", scalar, self._step_count)
+
+        return loss
+
+"""
+ https://github.com/muooon/EmoNavi
+ Fact is inspired by Adafactor, and emoairy, 
+ and its VRAM-friendly design is something everyone loves.
+"""

1Gv33_AutoLR/emolynx.py

@@ -0,0 +1,222 @@
+import torch
+from torch.optim import Optimizer
+import math
+from typing import Tuple, Callable, Union
+from collections import deque
+
+"""
+EmoLynx v3.3 (251202) shadow-system v3.0 -effect NoN -moment v3.0
+(v1.0)AMP対応完了(250725) p.data -> p 修正済み／低精度量子化への基本対応／低精度補償は別
+(v2.0)shadow-system 微調整／３段階補正を連続的に滑らかに／派生版では以下の切替も可能
+optimizer 指定の際に True / False で shadow を切替できる(現在 False)
+(v3.0)emosens shadow-effect v1.0 反映した動的学習率と shadow-system 切替をデフォルト化
+(v3.1)通常未使用の shadow 更新速度 (lerp) を倍化し信頼度で動的制御／coeff 活用(急変･微動)
+動的学習率や感情スカラー値など TensorBoard 連携可 (現在 writer=None)／外部設定必要
+全体の効率化や可読性を向上(emaやスカラーの多重処理を省く等、動的学習率のスケールや状態の見直し等、含む)
+(v3.3)トラウマ的反応や慣れによる鈍化で安定性向上(ema-medium 安定と急変を信頼度で感知)
+完全自動学習率／目標減少率制御方式を導入／感情機構との相乗効果で急変時も鎮静化し安定進行
+"""
+
+# Helper function (Lynx)
+def exists(val):
+    return val is not None
+
+class EmoLynx(Optimizer):
+    # クラス定義＆初期化 lynx用ベータ･互換性の追加(lynx用beta1･beta2)
+    def __init__(self, params: Union[list, torch.nn.Module], 
+                 lr=1e-3, 
+                 eps=1e-8,
+                 lr_max=1e-3, 
+                 lr_min=1e-8, 
+                 betas=(0.9, 0.999), 
+                 weight_decay=0.01, 
+                 use_shadow:bool=False, 
+                 writer=None): 
+                     
+        defaults = dict(lr=lr, betas=betas, eps=eps, weight_decay=weight_decay)
+        
+        super().__init__(params, defaults)
+        self._init_lr = lr
+        self.should_stop = False # 停止フラグの初期化
+        self.use_shadow = use_shadow # 🔸shadow 使用フラグを保存
+        self.writer = writer # 動的学習率や感情スカラー等を渡す
+        self.eta = lr # 名目lrを初期値として利用(自己更新)
+        self.k = 0.2 # 学習率自己更新の応答速度係数(比例制御の強さ)
+        self.eps = 1e-8 # ゼロ割り防止の微小値(分母安定化)
+        self.lr_min = 1e-8 # 学習率の下限(極端な縮小の防止)
+        self.lr_max = 1e-3 # 学習率の上限(極端な拡大の防止)
+        self.prev_loss = None # Loss初期化
+
+    # 感情EMA更新(緊張と安静)
+    def _update_ema(self, state, loss_val):
+        ema = state.setdefault('ema', {})
+        ema['short'] = 0.3 * loss_val + 0.7 * ema.get('short', loss_val)
+        ema['medium'] = 0.05 * loss_val + 0.95 * ema.get('medium', loss_val)
+        ema['long'] = 0.01 * loss_val + 0.99 * ema.get('long', loss_val)
+        return ema
+
+    # 感情スカラー値生成(EMA差分、滑らかな非線形スカラー、tanh(diff) は ±1.0 で有界性)
+    # 係数"1"：ema差分 のスケール調整処理に活用(感度調節係数)／通常は1(タスクに応じ調整可(非推奨))
+    # scale_base：Loss値とema値の乖離を修正(分母 ema(long) 「改善率」共通化/loss種に非依存)
+    # 1e-5(デフォルト)／1e-6(感度向上)／1e-4(安定性向上)：分母を０にせず安定させる
+    # トラウマ的反応や慣れによる鈍化で安定性向上(ema-medium 安定と急変を信頼度で感知)
+    def _compute_scalar(self, ema):
+        scale_base_l = max(ema['long'], 1e-5)
+        scale_base_m = max(ema['medium'], 1e-5)
+        diff_l = (ema['long'] - ema['short']) / scale_base_l
+        diff_m = (ema['long'] - ema['short']) / scale_base_m
+        # longが十分静かなら、常にlongを優先
+        if abs(diff_l) < 0.05:
+            return math.tanh(diff_l)
+        # longが静かでない時のみ、mediumの静けさを条件付きで採用
+        if abs(diff_m) * scale_base_m < abs(diff_l) * scale_base_l:
+            return math.tanh(1 * diff_m)
+        else:
+            return math.tanh(1 * diff_l)
+
+    # アーリーストップ専用(静けさ判定の感情スカラ生成)
+    def _early_scalar(self, ema):
+        scale_base_l = max(ema['long'], 1e-5)
+        diff = (ema['long'] - ema['short']) / scale_base_l
+        return math.tanh(1 * diff)
+
+    # 急変時は論文通りの抑制則/悪化時は減速/改善時は加速/微動時は無介入で収束を安定させる
+    def _decide_coeff(self, scalar):
+        if abs(scalar) > 0.625:
+            return 1.0 - abs(scalar)    # 急変｜強抑制
+        elif scalar > 0.125:
+            return 1.0 + scalar         # 改善｜加速
+        elif scalar < -0.125:
+            return 1.0 + scalar         # 悪化｜減速
+        else:
+            return 1.0                  # 微動｜無介入
+
+    # (重要)現在は shadow-effect を参考に得た動的フィルタ効果の近似により use_shadow=False です
+    # しかし全機能は shadow なしで全て成立します／コード確認時はこの shadow を考慮外として無視してください
+
+    # Shadow混合比 ３段階構成 タスクに応じ調整可、以下を参考に 開始値・範囲量･変化幅を調整
+    # 参考1：scalar>±0.6 を "return 開始値 + ((scalar) - 0.6(範囲)) / 範囲量 * 変化幅"
+    # 参考2：scalar>±0.1 を "return 開始値 + ((scalar) - 0.1(範囲)) / 範囲量 * 変化幅"
+    # return 開始値 + ((scalar) - 閾値) / 範囲量 * 変化幅 です(上記の値は感情スカラーを返すだけ)
+    def _decide_ratio(self, scalar):
+        if not self.use_shadow:
+            return 0.0 # 🔸use_shadow = False のとき常に比率を 0 にする
+        if abs(scalar) > 0.75:
+            return 0.75 # + ((scalar) - 0.75) / 0.4 * 0.4 # これはスカラーそのまま返す参考例
+        elif abs(scalar) > 0.25:
+            return -0.1 # return<0 の場合は leap 専用(書き戻しはしないが履歴更新のみ)
+        return 0.0
+
+    # 損失取得(損失値 loss_val を数値化、感情判定に使用、存在しないパラメータ(更新不要)はスキップ)
+    @torch.no_grad()
+    def step(self, closure: Callable | None = None): # クロージャの型ヒントを追加
+        loss = None
+        if exists(closure): # 一貫性のためにexistsヘルパーを使う
+            with torch.enable_grad():
+                loss = closure()
+        loss_val = loss.item() if loss is not None else 0.0
+
+        # EMA更新・スカラー生成(EMA差分からスカラーを生成しスパイク比率等を決定)
+        ema = self._update_ema(self.state, loss_val)
+        early_scalar = self._early_scalar(ema)
+        scalar = self._compute_scalar(ema)
+        coeff = self._decide_coeff(scalar)
+        ratio = self._decide_ratio(scalar)
+
+        # 目標減少率制御 ＋ eta_eff
+        if self.prev_loss is None:
+            self.prev_loss = loss_val # 初回は初期化のみ
+            eta_eff = max(self.lr_min, min(self.lr_max, self.eta * coeff))
+        else:
+            delta = self.prev_loss - loss_val
+            target_delta = max(1e-8, 0.01 * max(loss_val, 1e-8)) # １%固定
+            # 学習率の自己更新(比例制御)
+            self.eta *= math.exp(self.k * (delta - target_delta) / (abs(target_delta) + self.eps))
+            # 感情スカラーで補正し最終ステップへ
+            eta_eff = max(self.lr_min, min(self.lr_max, self.eta * coeff))
+
+        for group in self.param_groups:
+            step_size = eta_eff # 💡 group['lr'] は使わない
+            # リンクス共通パラメータ抽出
+            wd, beta1, beta2 = group['weight_decay'], *group['betas']
+
+            # ウェイト減衰の処理を分離 (from lynx)
+            _wd_actual = wd
+
+            for p in filter(lambda p: exists(p.grad), group['params']): # PGチェックにフィルタ
+
+                grad = p.grad # PG直接使用(計算に".data"不要)
+                state = self.state[p]
+
+                # 動的学習率補正により shadow 形成を信頼度で調整(coeffは正値(負にならない))
+                # shadow：必要時のみ(スパイクp部分に現在値を最大10%追従させる動的履歴更新)
+                # ratio <0：10%、0以外：10%×coeff、(0.25～0.75は10%、微動と急変は*coeff)
+                # 微動時 coeff：1.0 固定なので結果的に微動時も 10% 履歴更新になる
+                # 結果、微動時と安定時：10%、急変時：coeff、による履歴更新を行うことになる
+                if self.use_shadow:
+                    if 'shadow' not in state: # 🔸shadow = False (デフォルト)
+                        state['shadow'] = p.clone()
+                    if ratio > 0: # 書き戻しと履歴更新(急変時の強い抑制と弱めの履歴更新)
+                        p.mul_(1 - ratio).add_(state['shadow'], alpha=coeff)
+                    else: # 書き戻しせず履歴更新のみ：ratio<0：10%／0以外：10%×coeff
+                        leap_ratio = 0.1 if ratio < 0 else 0.1 * coeff
+                        state['shadow'].lerp_(p, leap_ratio)
+
+                # 上記 shadow の説明：スカラー生成：短期と長期EMAの差分から信号を得る(高ぶりの強さ)
+                # 混合比率：スカラーが閾値を超える場合にのみ計算される(信頼できる感情信号かどうかの選別)
+                # 急変時は感情機構による shadow 混合で強く抑制する(急制動による安定性の確保)
+                # 新しい shadow-system は動的学習率と協調することで選択的スパース性も発揮する
+
+                # --- Start Lynx Gradient Update Logic ---
+                # lynx初期化(exp_avg_sq)
+                if 'exp_avg' not in state:
+                    state['exp_avg'] = torch.zeros_like(p)
+                exp_avg = state['exp_avg']
+
+                # Stepweight decay (from lynx): p = p * (1 - lr * wd)
+                # decoupled_wd 考慮 _wd_actual 使用(EmoNaviのwdは最後に適用)
+                p.mul_(1 - step_size * _wd_actual)
+                beta1, beta2 = group['betas']
+
+                # 勾配ブレンド
+                # m_t = beta1 * exp_avg_prev + (1 - beta1) * grad
+                blended_grad = grad.mul(1 - beta1).add_(exp_avg, alpha=beta1)
+
+                # p: p = p - lr * sign(blended_grad)
+                p.add_(blended_grad.sign_(), alpha = -step_size)
+
+                # exp_avg = beta2 * exp_avg + (1 - beta2) * grad
+                exp_avg.mul_(beta2).add_(grad, alpha = 1 - beta2)
+                # --- End Lynx Gradient Update Logic ---
+
+        self.prev_loss = loss_val
+
+        # 感情機構の発火が収まり"十分に安定"していることを外部伝達できる(自動停止ロジックではない)
+        # Early Stop用 scalar 記録(バッファ共通で管理/最大32件保持/動静評価)
+        hist = self.state.setdefault('scalar_hist', deque(maxlen=32))
+        hist.append(early_scalar)
+
+        # Early Stop判断(静けさの合図)
+        # 32ステップ分のスカラー値の静かな条件を満たした時"フラグ" should_stop = True になるだけ
+        if len(hist) >= 32:
+            avg_abs = sum(abs(s) for s in hist) / len(hist)
+            mean = sum(hist) / len(hist)
+            var = sum((s - mean)**2 for s in hist) / len(hist)
+            if avg_abs < 0.05 and var < 0.005:
+                self.should_stop = True # 💡 外部からこれを見て判断可
+
+        # TensorBoardへの記録（step関数の末尾に追加）
+        if hasattr(self, 'writer') and self.writer is not None:
+            self._step_count = getattr(self, "_step_count", 0) + 1
+            self.writer.add_scalar("emoLR", eta_eff, self._step_count)
+            self.writer.add_scalar("etaLR", self.eta, self._step_count)
+            self.writer.add_scalar("emoScalar", scalar, self._step_count)
+
+        return loss
+
+"""
+ https://github.com/muooon/EmoNavi
+ Lynx was developed with inspiration from Lion, Tiger, and emocats, 
+ which we deeply respect for their lightweight and intelligent design.  
+ Lynx also integrates EmoNAVI to enhance its capabilities.
+"""

1Gv33_AutoLR/emonavi.py

@@ -0,0 +1,204 @@
+import torch
+from torch.optim import Optimizer
+import math
+from collections import deque
+
+"""
+EmoNavi v3.3 (251202) shadow-system v3.0 -effect NoN -moment v3.0
+(v1.0)AMP対応完了(250725) p.data -> p 修正済み／低精度量子化への基本対応／低精度補償は別
+(v2.0)shadow-system 微調整／３段階補正を連続的に滑らかに／派生版では以下の切替も可能
+optimizer 指定の際に True / False で shadow を切替できる(現在 False)
+(v3.0)emosens shadow-effect v1.0 反映した動的学習率と shadow-system 切替をデフォルト化
+(v3.1)通常未使用の shadow 更新速度 (lerp) を倍化し信頼度で動的制御／coeff 活用(急変･微動)
+動的学習率や感情スカラー値など TensorBoard 連携可 (現在 writer=None)／外部設定必要
+全体の効率化や可読性を向上(emaやスカラーの多重処理を省く等、動的学習率のスケールや状態の見直し等、含む)
+(v3.3)トラウマ的反応や慣れによる鈍化で安定性向上(ema-medium 安定と急変を信頼度で感知)
+完全自動学習率／目標減少率制御方式を導入／感情機構との相乗効果で急変時も鎮静化し安定進行
+"""
+
+class EmoNavi(Optimizer):
+    # クラス定義＆初期化
+    def __init__(self, params, 
+                 lr=1e-3, 
+                 lr_max=1e-3, 
+                 lr_min=1e-8, 
+                 eps=1e-8, 
+                 betas=(0.9, 0.999), 
+                 weight_decay=0.01, 
+                 use_shadow:bool=False, 
+                 writer=None):
+                     
+        defaults = dict(lr=lr, betas=betas, eps=eps, weight_decay=weight_decay)
+        
+        super().__init__(params, defaults)
+        self._init_lr = lr 
+        self.should_stop = False # 停止フラグの初期化
+        self.use_shadow = use_shadow # 🔸shadow 使用フラグを保存
+        self.writer = writer # 動的学習率や感情スカラー等を渡す
+        self.eta = lr # 名目lrを初期値として利用(自己更新)
+        self.k = 0.2 # 学習率自己更新の応答速度係数(比例制御の強さ)
+        self.eps = 1e-8 # ゼロ割り防止の微小値(分母安定化)
+        self.lr_min = 1e-8 # 学習率の下限(極端な縮小の防止)
+        self.lr_max = 1e-3 # 学習率の上限(極端な拡大の防止)
+        self.prev_loss = None # Loss初期化
+
+    # 感情EMA更新(緊張と安静)
+    def _update_ema(self, state, loss_val):
+        ema = state.setdefault('ema', {})
+        ema['short'] = 0.3 * loss_val + 0.7 * ema.get('short', loss_val)
+        ema['medium'] = 0.05 * loss_val + 0.95 * ema.get('medium', loss_val)
+        ema['long'] = 0.01 * loss_val + 0.99 * ema.get('long', loss_val)
+        return ema
+
+    # 感情スカラー値生成(EMA差分、滑らかな非線形スカラー、tanh(diff) は ±1.0 で有界性)
+    # 係数"1"：ema差分 のスケール調整処理に活用(感度調節係数)／通常は1(タスクに応じ調整可(非推奨))
+    # scale_base：Loss値とema値の乖離を修正(分母 ema(long) 「改善率」共通化/loss種に非依存)
+    # 1e-5(デフォルト)／1e-6(感度向上)／1e-4(安定性向上)：分母を０にせず安定させる
+    # トラウマ的反応や慣れによる鈍化で安定性向上(ema-medium 安定と急変を信頼度で感知)
+    def _compute_scalar(self, ema):
+        scale_base_l = max(ema['long'], 1e-5)
+        scale_base_m = max(ema['medium'], 1e-5)
+        diff_l = (ema['long'] - ema['short']) / scale_base_l
+        diff_m = (ema['long'] - ema['short']) / scale_base_m
+        # longが十分静かなら、常にlongを優先
+        if abs(diff_l) < 0.05:
+            return math.tanh(diff_l)
+        # longが静かでない時のみ、mediumの静けさを条件付きで採用
+        if abs(diff_m) * scale_base_m < abs(diff_l) * scale_base_l:
+            return math.tanh(1 * diff_m)
+        else:
+            return math.tanh(1 * diff_l)
+
+    # アーリーストップ専用(静けさ判定の感情スカラ生成)
+    def _early_scalar(self, ema):
+        scale_base_l = max(ema['long'], 1e-5)
+        diff = (ema['long'] - ema['short']) / scale_base_l
+        return math.tanh(1 * diff)
+
+    # 急変時は論文通りの抑制則/悪化時は減速/改善時は加速/微動時は無介入で収束を安定させる
+    def _decide_coeff(self, scalar):
+        if abs(scalar) > 0.625:
+            return 1.0 - abs(scalar)    # 急変｜強抑制
+        elif scalar > 0.125:
+            return 1.0 + scalar         # 改善｜加速
+        elif scalar < -0.125:
+            return 1.0 + scalar         # 悪化｜減速
+        else:
+            return 1.0                  # 微動｜無介入
+
+    # (重要)現在は shadow-effect を参考に得た動的フィルタ効果の近似により use_shadow=False です
+    # しかし全機���は shadow なしで全て成立します／コード確認時はこの shadow を考慮外として無視してください
+
+    # Shadow混合比 ３段階構成 タスクに応じ調整可、以下を参考に 開始値・範囲量･変化幅を調整
+    # 参考1：scalar>±0.6 を "return 開始値 + ((scalar) - 0.6(範囲)) / 範囲量 * 変化幅"
+    # 参考2：scalar>±0.1 を "return 開始値 + ((scalar) - 0.1(範囲)) / 範囲量 * 変化幅"
+    # return 開始値 + ((scalar) - 閾値) / 範囲量 * 変化幅 です(上記の値は感情スカラーを返すだけ)
+    def _decide_ratio(self, scalar):
+        if not self.use_shadow:
+            return 0.0 # 🔸use_shadow = False のとき常に比率を 0 にする
+        if abs(scalar) > 0.75:
+            return 0.75 # + ((scalar) - 0.75) / 0.4 * 0.4 # これはスカラーそのまま返す参考例
+        elif abs(scalar) > 0.25:
+            return -0.1 # return<0 の場合は leap 専用(書き戻しはしないが履歴更新のみ)
+        return 0.0
+
+    # 損失取得(損失値 loss_val を数値化、感情判定に使用、存在しないパラメータ(更新不要)はスキップ)
+    @torch.no_grad()
+    def step(self, closure=None):
+        loss = closure() if closure is not None else None
+        loss_val = loss.item() if loss is not None else 0.0
+
+        # EMA更新・スカラー生成(EMA差分からスカラーを生成しスパイク比率等を決定)
+        ema = self._update_ema(self.state, loss_val)
+        early_scalar = self._early_scalar(ema)
+        scalar = self._compute_scalar(ema)
+        coeff = self._decide_coeff(scalar)
+        ratio = self._decide_ratio(scalar)
+
+        # 目標減少率制御 ＋ eta_eff
+        if self.prev_loss is None:
+            self.prev_loss = loss_val # 初回は初期化のみ
+            eta_eff = max(self.lr_min, min(self.lr_max, self.eta * coeff))
+        else:
+            delta = self.prev_loss - loss_val
+            target_delta = max(1e-8, 0.01 * max(loss_val, 1e-8)) # １%固定
+            # 学習率の自己更新(比例制御)
+            self.eta *= math.exp(self.k * (delta - target_delta) / (abs(target_delta) + self.eps))
+            # 感情スカラーで補正し最終ステップへ
+            eta_eff = max(self.lr_min, min(self.lr_max, self.eta * coeff))
+
+        for group in self.param_groups:
+            step_size = eta_eff # 💡 group['lr'] は使わない
+            for p in group['params']:
+                if p.grad is None:
+                    continue
+
+                grad = p.grad
+                state = self.state[p]
+
+                # 動的学習率補正により shadow 形成を信頼度で調整(coeffは正値(負にならない))
+                # shadow：必要時のみ(スパイクp部分に現在値を最大10%追従させる動的履歴更新)
+                # ratio <0：10%、0以外：10%×coeff、(0.25～0.75は10%、微動と急変は*coeff)
+                # 微動時 coeff：1.0 固定なので結果的に微動時も 10% 履歴更新になる
+                # 結果、微動時と安定時：10%、急変時：coeff、による履歴更新を行うことになる
+                if self.use_shadow:
+                    if 'shadow' not in state: # 🔸shadow = False (デフォルト)
+                        state['shadow'] = p.clone()
+                    if ratio > 0: # 書き戻しと履歴更新(急変時の強い抑制と弱めの履歴更新)
+                        p.mul_(1 - ratio).add_(state['shadow'], alpha=coeff)
+                    else: # 書き戻しせず履歴更新のみ：ratio<0：10%／0以外：10%×coeff
+                        leap_ratio = 0.1 if ratio < 0 else 0.1 * coeff
+                        state['shadow'].lerp_(p, leap_ratio)
+
+                # 上記 shadow の説明：スカラー生成：短期と長期EMAの差分から信号を得る(高ぶりの強さ)
+                # 混合比率：スカラーが閾値を超える場合にのみ計算される(信頼できる感情信号かどうかの選別)
+                # 急変時は感情機構による shadow 混合で強く抑制する(急制動による安定性の確保)
+                # 新しい shadow-system は動的学習率と協調することで選択的スパース性も発揮する
+
+                # --- Start Navi Gradient Update Logic ---
+                # 1次・2次モーメントを使った勾配補正(decoupled weight decay 構造に近い)
+                exp_avg = state.setdefault('exp_avg', torch.zeros_like(p))
+                exp_avg_sq = state.setdefault('exp_avg_sq', torch.zeros_like(p))
+                beta1, beta2 = group['betas']
+
+                exp_avg.mul_(beta1).add_(grad, alpha=1 - beta1)
+                exp_avg_sq.mul_(beta2).addcmul_(grad, grad, value=1 - beta2)
+                denom = exp_avg_sq.sqrt().add_(group['eps'])
+
+                # 最終的なパラメータ更新 (decoupled weight decay 適用)
+                # 感情スカラ coeff は step_size に乗算済み(eta_effで適用)
+                if group['weight_decay']:
+                    p.add_(p, alpha=-group['weight_decay'] * step_size)
+                p.addcdiv_(exp_avg, denom, value=-step_size)
+                # --- End Navi Gradient Update Logic ---
+
+        self.prev_loss = loss_val
+
+        # 感情機構の発火が収まり"十分に安定"していることを外部伝達できる(自動停止ロジックではない)
+        # Early Stop用 scalar 記録(バッファ共通で管理/最大32件保持/動静評価)
+        hist = self.state.setdefault('scalar_hist', deque(maxlen=32))
+        hist.append(early_scalar)
+
+        # Early Stop判断(静けさの合図)
+        # 32ステップ分のスカラー値の静かな条件を満たした時"フラグ" should_stop = True になるだけ
+        if len(hist) >= 32:
+            avg_abs = sum(abs(s) for s in hist) / len(hist)
+            mean = sum(hist) / len(hist)
+            var = sum((s - mean)**2 for s in hist) / len(hist)
+            if avg_abs < 0.05 and var < 0.005:
+                self.should_stop = True # 💡 外部からこれを見て判断可
+
+        # TensorBoardへの記録（step関数の末尾に追加）
+        if hasattr(self, 'writer') and self.writer is not None:
+            self._step_count = getattr(self, "_step_count", 0) + 1
+            self.writer.add_scalar("emoLR", eta_eff, self._step_count)
+            self.writer.add_scalar("etaLR", self.eta, self._step_count)
+            self.writer.add_scalar("emoScalar", scalar, self._step_count)
+
+        return loss
+
+"""
+ https://github.com/muooon/EmoNavi
+ An emotion-driven optimizer that feels loss and navigates accordingly.
+ Don't think. Feel. Don't stop. Keep running. Believe in what's beyond.
+"""

1Gv33_AutoLR/profile.txt

@@ -0,0 +1,62 @@
+AMP-compatible ／ AMP対応版
+
+emonavi 及び emoファミリーについて紹介します
+emonavi は、RefAdamWmini-ScheduleFree を作成し機能向上を試行錯誤するうちにできた感情機構を持つオプティマイザです
+emonavi is an optimizer equipped with an emotional mechanism, 
+developed through trial and error while creating and enhancing the functionality of RefAdamWmini-ScheduleFree.
+https://github.com/muooon/ref-adamw-mini-ScheduleFree
+
+RefAdamWmini は、ema、scaler、shadow、を持ちますが限定的な活用でした
+これを改善していくなかでたどり着いたのが感情機構という新しい仕組みです
+以下、emonavi から順に紹介します
+RefAdamWmini incorporated EMA, scaler, and shadow, but their application was limited. 
+Through our efforts to enhance this, we developed a novel mechanism: the emotional mechanism. 
+We'll introduce them in order, starting with emonavi.
+
+三姉妹 ／ The Three Sisters
+emonavi：長女／Adam参考 The eldest daughter, referencing Adam.
+emofact：次女／Adafactor参考 The second daughter, referencing Adafactor.
+emolynx：三女／Lion･Tiger参考 The youngest daughter, referencing Lion and Tiger.
+
+---
+(v1.0)AMP対応完了(250725) p.data -> p 修正済み／低精度量子化への基本対応／低精度補償は別
+(v2.0)shadow-system 微調整／３段階補正を連続的に滑らかに／派生版では以下の切替も可能
+optimizer 指定の際に True / False で shadow を切替できる(現在 False)
+(v3.0)emosens shadow-effect v1.0 反映した動的学習率と shadow-system 切替をデフォルト化
+(v3.1)通常未使用の shadow 更新速度 (lerp) を倍化し信頼度で動的制御／coeff 活用(急変･微動)
+動的学習率や感情スカラー値など TensorBoard 連携可 (現在 writer=None)／外部設定必要
+全体の効率化や可読性を向上(emaやスカラーの多重処理を省く等、動的学習率のスケールや状態の見直し等、含む)
+(v3.3)トラウマ的反応や慣れによる鈍化で安定性向上(ema-medium 安定と急変を信頼度で感知)
+完全自動学習率／目標減少率制御方式を導入／感情機構との相乗効果で急変時も鎮静化し安定進行
+---
+
+EmoNavi Usage 使い方
+
+|||オプション指定方法||| tool側の引数設定に合わせてください
+●shadow オフ(False にする)：  
+use_shadow=False  
+●LR Max or Min (1e-3, 1e-8)：  
+lr_max=1e-3, lr_min=1e-8  
+●eps(0除算防止)：  
+eps=1e-8  
+●動的学習率と感情スカラー等の現在値を取得(ツール側などから取得する)：  
+writer=writer  
+外部ツール(TensorBoard等)で値を把握したい場合は Optimizer 初期化時に SummaryWriter を渡してください  
+writer = SummaryWriter(log_dir="./runs/emonavi")  
+optimizer = EmoNavi(model.parameters(), writer=writer)  
+tensorboard --logdir=./runs/emonavi  
+
+|||Usage examples|||  
+●Shadow off:  
+use_shadow=False  
+●LR Max or Min (1e-3, 1e-8)：  
+lr_max=1e-3, lr_min=1e-8  
+●eps(Division by zero prevention)：  
+eps=1e-8  
+●Monitor values with external tools (TensorBoard):  
+writer=writer  
+writer = SummaryWriter(log_dir="./runs/emonavi")  
+optimizer = EmoNavi(model.parameters(), writer=writer)  
+tensorboard --logdir=./runs/emonavi  
+
+

1Gv33_AutoLR/usage(オプション設定).txt

@@ -0,0 +1,29 @@
+EmoNavi Usage 使い方
+
+|||オプション指定方法||| tool側の引数設定に合わせてください
+●shadow オフ(False にする)：  
+use_shadow=False  
+●LR Max or Min (1e-3, 1e-8)：  
+lr_max=1e-3, lr_min=1e-8  
+●eps(0除算防止)：  
+eps=1e-8  
+●動的学習率と感情スカラー等の現在値を取得(ツール側などから取得する)：  
+writer=writer  
+外部ツール(TensorBoard等)で値を把握したい場合は Optimizer 初期化時に SummaryWriter を渡してください  
+writer = SummaryWriter(log_dir="./runs/emonavi")  
+optimizer = EmoNavi(model.parameters(), writer=writer)  
+tensorboard --logdir=./runs/emonavi  
+
+|||Usage examples|||  
+●Shadow off:  
+use_shadow=False  
+●LR Max or Min (1e-3, 1e-8)：  
+lr_max=1e-3, lr_min=1e-8  
+●eps(Division by zero prevention)：  
+eps=1e-8  
+●Monitor values with external tools (TensorBoard):  
+writer=writer  
+writer = SummaryWriter(log_dir="./runs/emonavi")  
+optimizer = EmoNavi(model.parameters(), writer=writer)  
+tensorboard --logdir=./runs/emonavi  
+