243 lines
10 KiB
Python
243 lines
10 KiB
Python
"""混合 mini-batch 切分：大类打散、小类整锁，供 runner 每 step 处理一个 batch。"""
|
||
|
||
from __future__ import annotations
|
||
|
||
import math
|
||
import random
|
||
from typing import TYPE_CHECKING
|
||
|
||
if TYPE_CHECKING:
|
||
from core.types import GeneratedQuestion
|
||
|
||
|
||
def build_batches(
|
||
items: list[GeneratedQuestion],
|
||
correctness: dict[str, bool],
|
||
batch_size: int,
|
||
min_class_per_batch: int,
|
||
seed: int,
|
||
correct_ratio: float = 0.0,
|
||
) -> tuple[list[list[GeneratedQuestion]], int]:
|
||
"""把诊断池里的题目切成多个混合 mini-batch。
|
||
|
||
当 ``correct_ratio > 0`` 时，按题型为每组错题配比一定数量的正确题，使 batch
|
||
包含正误混合样本（"动量"机制）；``correct_ratio <= 0`` 时退化为纯错题模式。
|
||
|
||
参数:
|
||
items: 候选题目全集。
|
||
correctness: question_id -> 基线是否答对。
|
||
batch_size: 单个 batch 的样本数上限（> 0）。
|
||
min_class_per_batch: 小类判定阈值——题目数 ≤ 此值的题型整组锁进单一
|
||
batch（> 0）。
|
||
seed: 随机种子，保证相同输入产出完全一致的切分。
|
||
correct_ratio: 正确题占比（0.0 ~ 1.0）。0.0 = 纯错题；0.5 = 错题:正确题 = 1:1。
|
||
返回:
|
||
(非空 mini-batch 列表, selected_count)；无错题时返回 ([], 0)。
|
||
selected_count 是所有 batch 中题目总数。
|
||
异常:
|
||
ValueError: batch_size 或 min_class_per_batch < 1, 或
|
||
min_class_per_batch >= batch_size（破坏小类整组装箱不超容的前提）。
|
||
关键实现细节:
|
||
装箱顺序为「先小类后大类」。小类整组用 first-fit-decreasing 装箱：按组大小
|
||
降序处理（同大小再按 task_type 排序保证确定性），每组放进第一个剩余容量足够
|
||
的 batch；若现有 batch 都装不下就新开一个空 batch——因小类组大小
|
||
≤ min_class_per_batch < batch_size，新空 batch 必能容纳，故小类装箱永不抛
|
||
ValueError，且保证整组不拆。再把大类样本（seed 确定性 shuffle 后）round-robin
|
||
分发到所有现存 batch 填充剩余容量。这样小类聚集于单 batch、大类散布多 batch
|
||
且与小类共箱，自然产生多类混合 batch（纯类切片会被 multiclass 断言拒绝）。
|
||
nb = ceil(总题数/batch_size) 是初始 batch 数下界估计而非硬上限：小类装箱可能
|
||
新开 bin 使实际 batch 数超过 nb。每次新开 bin 都意味着总容量随之增加，故总容量
|
||
恒 ≥ 总题数，大类 round-robin 跳过满箱后仍能放下全部样本，不会违反 batch_size
|
||
上限。题型按名称排序处理以保证跨运行确定性，不依赖 dict 遍历顺序。
|
||
"""
|
||
_validate_params(batch_size, min_class_per_batch)
|
||
|
||
rng = random.Random(seed)
|
||
grouped = _select_mixed_by_task_type(items, correctness, correct_ratio, rng)
|
||
total = sum(len(g) for g in grouped.values())
|
||
if total == 0:
|
||
return [], 0
|
||
|
||
nb = max(1, math.ceil(total / batch_size))
|
||
batches: list[list[GeneratedQuestion]] = [[] for _ in range(nb)]
|
||
|
||
small, large = _split_by_size(grouped, min_class_per_batch)
|
||
for group in _small_groups_decreasing(small):
|
||
_pack_small_class(batches, group, batch_size)
|
||
_distribute_large_classes(batches, large, batch_size, rng)
|
||
|
||
result = [b for b in batches if b]
|
||
selected_count = sum(len(b) for b in result)
|
||
return result, selected_count
|
||
|
||
|
||
def _validate_params(batch_size: int, min_class_per_batch: int) -> None:
|
||
"""校验切分参数，非法值直接报错而非用默认值掩盖。
|
||
|
||
除各自 >= 1 外，强制 min_class_per_batch < batch_size：小类组大小 ≤
|
||
min_class_per_batch，唯有此前提成立才能保证小类整组放入单一 batch 而不超容；否则
|
||
_pack_small_class 新开的 bin 会装入超 batch_size 的整组，静默违反容量合约。此约束
|
||
与 config._validate_minibatch 一致，是 build_batches 对自身前提的防御性自校验（P5）。
|
||
"""
|
||
if batch_size < 1:
|
||
raise ValueError(f"batch_size 必须 >= 1, 实为 {batch_size}")
|
||
if min_class_per_batch < 1:
|
||
raise ValueError(f"min_class_per_batch 必须 >= 1, 实为 {min_class_per_batch}")
|
||
if min_class_per_batch >= batch_size:
|
||
raise ValueError(
|
||
f"min_class_per_batch 必须严格 < batch_size, 否则无法保证小类整组放入单一 "
|
||
f"batch 不超容; 实为 min_class_per_batch={min_class_per_batch}, "
|
||
f"batch_size={batch_size}"
|
||
)
|
||
|
||
|
||
def _split_by_size(
|
||
grouped: dict[str, list[GeneratedQuestion]],
|
||
min_class_per_batch: int,
|
||
) -> tuple[dict[str, list[GeneratedQuestion]], dict[str, list[GeneratedQuestion]]]:
|
||
"""按错题数把题型分为小类（≤ 阈值）与大类（> 阈值）两组。"""
|
||
small = {t: g for t, g in grouped.items() if len(g) <= min_class_per_batch}
|
||
large = {t: g for t, g in grouped.items() if len(g) > min_class_per_batch}
|
||
return small, large
|
||
|
||
|
||
def _select_mixed_by_task_type(
|
||
items: list[GeneratedQuestion],
|
||
correctness: dict[str, bool],
|
||
correct_ratio: float,
|
||
rng: random.Random,
|
||
) -> dict[str, list[GeneratedQuestion]]:
|
||
"""按题型分组，为每组错题按比例采样正确题混入。
|
||
|
||
只对有错题的题型做混合——无错题的题型不进 batch，即使有正确题。
|
||
``correct_ratio <= 0`` 时退化为纯错题模式（向后兼容）。
|
||
|
||
参数:
|
||
items: 候选题目全集。
|
||
correctness: question_id -> 基线是否答对。
|
||
correct_ratio: 正确题占比（0.0 ~ 1.0）。
|
||
rng: 随机数发生器，用于采样正确题。
|
||
返回:
|
||
task_type -> 该题型的混合题目列表（错题全部 + 按比例采样的正确题）。
|
||
"""
|
||
errors_by_type: dict[str, list[GeneratedQuestion]] = {}
|
||
correct_by_type: dict[str, list[GeneratedQuestion]] = {}
|
||
for q in items:
|
||
qid = q.question_id
|
||
if correctness.get(qid) is False:
|
||
errors_by_type.setdefault(q.task_type, []).append(q)
|
||
elif correctness.get(qid, False):
|
||
correct_by_type.setdefault(q.task_type, []).append(q)
|
||
|
||
if correct_ratio <= 0:
|
||
return errors_by_type
|
||
|
||
# 为每个有错题的 task_type 混入正确题
|
||
grouped: dict[str, list[GeneratedQuestion]] = {}
|
||
for task_type in sorted(errors_by_type):
|
||
errs = errors_by_type[task_type]
|
||
n_correct = round(len(errs) * correct_ratio / (1 - correct_ratio))
|
||
available = correct_by_type.get(task_type, [])
|
||
sampled = (
|
||
list(available)
|
||
if len(available) <= n_correct
|
||
else rng.sample(available, n_correct)
|
||
)
|
||
grouped[task_type] = errs + sampled
|
||
|
||
return grouped
|
||
|
||
|
||
def _small_groups_decreasing(
|
||
small: dict[str, list[GeneratedQuestion]],
|
||
) -> list[list[GeneratedQuestion]]:
|
||
"""按组大小降序、同大小按 task_type 升序排出小类组（first-fit-decreasing 顺序）。
|
||
|
||
参数:
|
||
small: task_type -> 小类错题列表。
|
||
返回:
|
||
排好序的小类组列表；降序处理可降低碎片，确定性 tie-break 保证跨运行一致。
|
||
"""
|
||
return [small[t] for t in sorted(small, key=lambda t: (-len(small[t]), t))]
|
||
|
||
|
||
def _pack_small_class(
|
||
batches: list[list[GeneratedQuestion]],
|
||
group: list[GeneratedQuestion],
|
||
batch_size: int,
|
||
) -> None:
|
||
"""用 first-fit 把一个小类整组放入首个容得下的 batch，装不下则新开 bin（就地修改）。
|
||
|
||
因小类组大小 ≤ min_class_per_batch < batch_size，新开的空 batch 必能容纳整组，
|
||
故此函数永不抛 ValueError，且整组不拆。
|
||
|
||
参数:
|
||
batches: 当前各 batch（就地追加，必要时 append 新空 batch）。
|
||
group: 待锁定的小类错题（整组不拆）。
|
||
batch_size: 单 batch 容量上限。
|
||
"""
|
||
for b in batches:
|
||
if len(b) + len(group) <= batch_size:
|
||
b.extend(group)
|
||
return
|
||
batches.append(list(group))
|
||
|
||
|
||
def _distribute_large_classes(
|
||
batches: list[list[GeneratedQuestion]],
|
||
large: dict[str, list[GeneratedQuestion]],
|
||
batch_size: int,
|
||
rng: random.Random,
|
||
) -> None:
|
||
"""将各大类样本 shuffle 后 round-robin 分发到所有现存 batch（就地修改）。
|
||
|
||
参数:
|
||
batches: 当前各 batch（含小类装箱可能新开的 bin，就地追加）。
|
||
large: task_type -> 大类错题列表。
|
||
batch_size: 单 batch 容量上限。
|
||
rng: 复用的随机数发生器，保证 shuffle 确定性。
|
||
异常:
|
||
ValueError: 所有 batch 均满仍有样本未放置（总容量估算异常，合法输入不可达）。
|
||
关键实现细节:
|
||
轮转范围是「所有现存 batch」而非固定 nb 个——小类装箱新开的 bin 也参与分发。
|
||
总容量 = 现存 batch 数 × batch_size，每次新开 bin 都同步抬高总容量，故总容量恒
|
||
≥ 总错题数，防御性 ValueError 在合法输入下不可达。全局指针在所有大类样本间持续
|
||
轮转（不为每类重置），满箱即跳过，使大类充分散布并与已锁定的小类共箱。题型按名称
|
||
排序以保证分发顺序确定。
|
||
"""
|
||
nb = len(batches)
|
||
pointer = 0
|
||
for task_type in sorted(large):
|
||
group = list(large[task_type])
|
||
rng.shuffle(group)
|
||
for q in group:
|
||
pointer = _place_round_robin(batches, q, pointer, batch_size, nb)
|
||
|
||
|
||
def _place_round_robin(
|
||
batches: list[list[GeneratedQuestion]],
|
||
q: GeneratedQuestion,
|
||
pointer: int,
|
||
batch_size: int,
|
||
nb: int,
|
||
) -> int:
|
||
"""从 pointer 起找第一个未满 batch 放入 q，返回下一次起始指针。
|
||
|
||
参数:
|
||
batches: 当前各 batch（就地追加）。
|
||
q: 待放置的样本。
|
||
pointer: 本次轮转起始 batch 下标。
|
||
batch_size: 单 batch 容量上限。
|
||
nb: batch 总数。
|
||
返回:
|
||
下一次轮转的起始指针（已前移一位）。
|
||
异常:
|
||
ValueError: 扫描一轮所有 batch 均满（总容量估算异常）。
|
||
"""
|
||
for offset in range(nb):
|
||
idx = (pointer + offset) % nb
|
||
if len(batches[idx]) < batch_size:
|
||
batches[idx].append(q)
|
||
return (idx + 1) % nb
|
||
raise ValueError("所有 batch 均满仍有样本待放置, 总容量估算异常")
|