Rnn scorer

[SeBorgey]

No description provided.

[SeBorgey]

• решить, что делать с дампером
• странная ошибка с импортом адама

[voorhs]

Лучше делать не так.лусге чтобы все параметры были непосредственными параметрами конструктора. Без этого не будет удобно указывать серч спейс

[SeBorgey]

class RNNConfig(BaseModel):
    model_config = ConfigDict(extra="forbid")
    model_name: str = Field("rnn", description="Name of the RNN model.")
    embed_dim: int = Field(128, description="Dimension of word embeddings.")
    hidden_dim: int = Field(512, description="Dimension of hidden states in RNN.")
    n_layers: int = Field(2, description="Number of RNN layers.")
    dropout: float = Field(0.1, description="Dropout rate.")
    device: str = Field(None, description="Torch notation for CPU or CUDA.")
    max_seq_length: int = Field(128, description="Maximum sequence length.")
    padding_idx: int = Field(0, description="Index used for padding.")
    pretrained_embs: Any = Field(None, description="Pretrained embedding weights if available.")
    batch_size: PositiveInt = Field(32, description="Batch size for model inference.")

    @classmethod
    def from_search_config(cls, values: dict[str, Any] | str | BaseModel | None) -> Self:
        if values is None:
            return cls()
        if isinstance(values, BaseModel):
            return values  # type: ignore[return-value]
        if isinstance(values, str):
            return cls(model_name=values)
        return cls(**values)

Я правильно понял, что я должен удалить обратно этот класс, и все параметры продублировать в самом классе везде, где нужно?

[SeBorgey]

тогда init станет очень большим и from_context тоже.
Одни и те же параметры будут перечисляться 3 раза подряд в коде. Сначала в аргументах init, потом в реализации init, затем в аргументах from_context.
ruff запрещает в аргументы функции пихать больше 10 параметров

[voorhs]

в целом верно, если что будем игнорить ошибку ruff, потому что серч спейс важнее

но я вот смотрю, некоторые параметры это не совсем гиперпараметры а действительно конфиг. я бы сделал так:

• отнести в конфиг: device, max_seq_length, padding_idx
• отнести в init: embed_dim, hidden_dim, n_layers, dropout
• убрать: model_name, pretrained_embs

[voorhs]

Дампер уже реализован в пр про CNNScorer, но кажется он не работает до конца. Можете обсудить с Лерой и заколлабиться