marek/creator
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

update

Browse Source
This commit is contained in:
team3
2026-07-04 12:21:45 +02:00
parent 2f5d5b9ca1
commit 8d8f6c8e51
43 changed files with 1920 additions and 236 deletions
Download Patch File Download Diff File Expand all files Collapse all files

198
backend/train.py Normal file
View File

@@ -0,0 +1,198 @@
"""make train: Parameter-Optimierung auf Mini-Themen (Baseline → Screening → Koordinaten-Suche).
Jeder Trial ist ein Subprozess (train_lauf.py) mit CREATOR_PARAMS im ENV — so binden die
Module die überschriebenen Werte beim Import. Metriken sind deterministisch (qa_report
ohne LLM); gegen Judge-/Lauf-Rauschen gilt: Baseline mit Wiederholung liefert die
Rausch-Schwelle, und eine Übernahme braucht einen BESTÄTIGUNGSLAUF (sonst Random Walk).
CLI: python3 train.py [--trials 40] [--stunden 8] [--sitzung NAME]
Ergebnis: storage/train/<sitzung>/{trials.jsonl, report.md, beste_params.json}
"""
import argparse
import asyncio
import hashlib
import json
import sys
import time
from datetime import datetime, timezone
from pathlib import Path
from config import STORAGE_DIR
from train_params import PARAMS, schritte
HAUPT_THEMA = ("train-sort", "benchmarks/sortierverfahren")
VALIDIER_THEMA = ("train-foto", "benchmarks/fotografie")
# Score-Gewichte: Qualität + Auswahl dominieren (Entwicklungsphase), Kosten ziehen ab.
W_NOTE, W_AUSWAHL, W_ZEIT, W_TOKEN = 4.0, 4.0, 1.0, 1.0
def score(m: dict, basis: dict) -> float:
"""Skalarer Vergleichswert eines Trials. note 0–10; auswahl aus den MECE-Quoten;
Zeit/Tokens normiert auf die Baseline (1.0 = Baseline-Kosten)."""
q = m.get("quoten") or {}
qa_ = m.get("quoten_artefakte") or {}
auswahl = 10.0 * max(0.0, 1.0 - min(1.0, (
q.get("dubletten_verdacht", 0) + q.get("luecken", 0) + q.get("fremd", 0)
+ qa_.get("sub_dubletten_verdacht", 0) + qa_.get("verwaiste", 0))))
zeit = (m.get("dauer_min") or 0) / max(basis.get("dauer_min") or 1, 0.1)
tok = _tokens(m) / max(_tokens(basis), 1)
return round(W_NOTE * (m.get("note") or 0) + W_AUSWAHL * auswahl
- W_ZEIT * 10 * zeit - W_TOKEN * 10 * tok, 2)
def _tokens(m: dict) -> int:
t = m.get("tokens") or {}
return int(t.get("input") or 0) + int(t.get("output") or 0)
class Trainer:
def __init__(self, sitzung: Path, max_trials: int, max_stunden: float, runner=None):
self.dir = sitzung
self.dir.mkdir(parents=True, exist_ok=True)
self.cache_pfad = self.dir / "trials.jsonl"
self.cache: dict[str, dict] = {}
if self.cache_pfad.exists(): # Resume: bezahlte Trials nie wiederholen
for line in self.cache_pfad.read_text(encoding="utf-8").splitlines():
e = json.loads(line)
self.cache[e["key"]] = e["metrics"]
self.max_trials = max_trials
self.deadline = time.monotonic() + max_stunden * 3600
self.gezahlt = 0
self.runner = runner or self._subprozess
self.log = []
# ── Trial-Ausführung ────────────────────────────────────────────────────────────
def _key(self, params: dict, thema: tuple, tag: str = "") -> str:
raw = json.dumps({"p": params, "t": thema[0], "tag": tag}, sort_keys=True)
return hashlib.md5(raw.encode()).hexdigest()[:12]
async def trial(self, params: dict, thema: tuple = HAUPT_THEMA, tag: str = "") -> dict | None:
"""tag unterscheidet bewusste Wiederholungen (Baseline n=2, Bestätigung)."""
key = self._key(params, thema, tag)
if key in self.cache:
return self.cache[key]
if self.gezahlt >= self.max_trials or time.monotonic() > self.deadline:
return None
self.gezahlt += 1
metrics = await self.runner(params, thema)
if metrics is not None:
with open(self.cache_pfad, "a", encoding="utf-8") as f:
f.write(json.dumps({"key": key, "params": params, "thema": thema[0],
"tag": tag, "metrics": metrics}, ensure_ascii=False) + "\n")
self.cache[key] = metrics
return metrics
async def _subprozess(self, params: dict, thema: tuple) -> dict | None:
out = self.dir / f"metrics-{self._key(params, thema)}.json"
env = {"CREATOR_PARAMS": json.dumps(params)}
import os
proc = await asyncio.create_subprocess_exec(
sys.executable, "train_lauf.py", thema[0], thema[1], str(out),
env={**os.environ, **env})
rc = await proc.wait()
if rc != 0 or not out.exists():
self._log(f"Trial fehlgeschlagen (rc={rc}, params={params})")
return None
return json.loads(out.read_text(encoding="utf-8"))
def _log(self, msg: str) -> None:
line = f"{datetime.now(timezone.utc).isoformat()[11:19]} {msg}"
print(line, flush=True)
self.log.append(line)
# ── Trainings-Phasen ────────────────────────────────────────────────────────────
async def run(self) -> dict:
# Phase 0: Baseline zweimal → Score-Basis + Rausch-Schwelle
self._log("Baseline (2 Läufe)…")
b1 = await self.trial({}, tag="baseline-1")
b2 = await self.trial({}, tag="baseline-2")
if not b1 or not b2:
self._log("Baseline unvollständig — Abbruch.")
return {}
self.basis = b1
s1, s2 = score(b1, b1), score(b2, b1)
self.rauschen = max(abs(s1 - s2), 0.5) # Mindest-Schwelle gegen Glücks-Übernahmen
best_params: dict = {}
best_score = max(s1, s2)
self._log(f"Baseline-Score {s1}/{s2}, Rausch-Schwelle {self.rauschen}")
# Phase 1: Screening — je Parameter ±1 Schritt, Effekt vs. Rauschen
effekte: list[tuple[float, str, float]] = [] # (|effekt|, name, bester_wert)
for name in PARAMS:
lo, hi = schritte(name)
for wert in dict.fromkeys((lo, hi)): # lo==hi am Rand nur einmal
if wert == PARAMS[name]["default"]:
continue
m = await self.trial({**best_params, name: wert})
if m is None:
continue
delta = score(m, self.basis) - best_score
self._log(f"Screening {name}={wert}: Δ{delta:+.2f}")
if delta > self.rauschen:
effekte.append((delta, name, wert))
effekte.sort(reverse=True)
self._log(f"Wirksam: {[(n, w) for _, n, w in effekte]}")
# Phase 2: Koordinaten-Suche über ALLE wirksamen Parameter (keine feste Obergrenze),
# Übernahme nur nach Bestätigungslauf
for _, name, start_wert in effekte:
wert = start_wert
p = PARAMS[name]
richtung = p["step"] if wert > p["default"] else -p["step"]
while True:
kandidat = {**best_params, name: wert}
m = await self.trial(kandidat)
if m is None:
break
delta = score(m, self.basis) - best_score
if delta <= self.rauschen:
break
m2 = await self.trial(kandidat, tag="bestaetigung")
if m2 is None or score(m2, self.basis) - best_score <= self.rauschen:
self._log(f"{name}={wert}: nicht bestätigt — verworfen")
break
best_params, best_score = kandidat, min(score(m, self.basis), score(m2, self.basis))
self._log(f"ÜBERNOMMEN {name}={wert} → Score {best_score}")
naechster = round(wert + richtung, 4)
if not p["min"] <= naechster <= p["max"]:
break
wert = naechster
# Validierung auf dem zweiten Thema
if best_params:
v_base = await self.trial({}, thema=VALIDIER_THEMA, tag="val-base")
v_best = await self.trial(best_params, thema=VALIDIER_THEMA, tag="val-best")
if v_base and v_best:
self._log(f"Validierung {VALIDIER_THEMA[0]}: Baseline {score(v_base, v_base)}"
f" → Best {score(v_best, v_base)}")
self._schreibe_report(best_params, best_score)
return best_params
def _schreibe_report(self, best_params: dict, best_score: float) -> None:
from fsutil import atomic_write_json, atomic_write_text
atomic_write_json(self.dir / "beste_params.json", best_params, indent=1)
report = ["# Trainings-Report", "",
f"Trials bezahlt: {self.gezahlt}/{self.max_trials}",
f"Bester Score: {best_score} (Baseline-Rauschen {self.rauschen})",
f"Beste Parameter: `{json.dumps(best_params, ensure_ascii=False)}`",
"", "Nutzung: `CREATOR_PARAMS=$(cat beste_params.json) make dev` —",
"Übernahme nach config.py bleibt eine manuelle Entscheidung.", "", "## Log", ""]
report += [f"- {l}" for l in self.log]
atomic_write_text(self.dir / "report.md", "\n".join(report))
print(f"\nReport: {self.dir / 'report.md'}")
def main() -> None:
ap = argparse.ArgumentParser()
ap.add_argument("--trials", type=int, default=40)
ap.add_argument("--stunden", type=float, default=12.0)
ap.add_argument("--sitzung", default=datetime.now(timezone.utc).strftime("%Y%m%d-%H%M"))
args = ap.parse_args()
trainer = Trainer(STORAGE_DIR / "train" / args.sitzung, args.trials, args.stunden)
asyncio.run(trainer.run())
if __name__ == "__main__":
main()