Un’iterazione di addestramento può produrre più osservazioni: una perdita, un ritorno di valutazione e poi una metrica corretta. Considerare ogni scrittura come una nuova iterazione disallinea l’esperimento; eliminare i passi ripetuti fa perdere informazioni. EvoRL, il framework per apprendimento per rinforzo ed evolutivo, ha aggiunto la registrazione JSONL locale a main il 12 novembre 2026. Una revisione dei nomi dei file è seguita il 13 novembre, ora di Pechino. Le modifiche offrono la cronologia originale delle scritture e una vista separata, allineata per passo, per l’analisi.
Illustrazione concettuale: conservare le singole osservazioni e organizzarne la vista unificata per passo.
Un file locale con il contesto dell’esperimento
Selezionando recorders=[log,jsonl] si salvano metriche leggibili dalla macchina accanto ai normali log, senza aggiungere un SDK di tracciamento. La guida introduttiva versionata descrive la configurazione condivisa dagli script di addestramento: il backend JSONL riceve progetto, nome dell’esecuzione, configurazione risolta, tag, percorso di uscita e gruppo facoltativo.
L’inizializzazione scrive questo contesto nell’intestazione dei metadati. Ogni scrittura successiva aggiunge un oggetto JSON con l’intero step fornito e i data annidati, quindi svuota il buffer del file. Il file grezzo mantiene l’ordine di arrivo, anche per passi fuori ordine e scritture ripetute. Trasferendo la directory di uscita a una macchina di analisi distinta, configurazione e osservazioni viaggiano insieme in un artefatto locale leggibile.
Unire durante la lettura, non durante la registrazione
load_jsonl_records(path), esportata da evorl.recorders, legge l’intero dataset e restituisce una lista ordinata per passo. Unisce ricorsivamente i dizionari dello stesso passo: le scritture successive sostituiscono i valori in conflitto, lasciando intatte le metriche non menzionate. Gli array vengono sostituiti integralmente; anche un null successivo sostituisce il valore precedente. L’intestazione facoltativa della prima riga viene saltata, non inserita nella lista delle metriche.
Si considerino perdita di addestramento e ritorno di valutazione scritti separatamente al passo 10, seguiti da una correzione della perdita. Il file grezzo mantiene tutte e tre le scritture. Il record caricato contiene l’ultima perdita e il ritorno di valutazione. Un record del passo 8 arrivato dopo viene ordinato prima del 10. Nelle curve di apprendimento l’identità dell’iterazione deriva quindi da step, non dalla posizione della riga o dal numero di chiamate di logging.
Cosa conserva la serializzazione
Implementazione e test di regressione coprono valori NumPy, JAX e pandas. Array e Series diventano liste. I DataFrame conservano colonne e dati delle righe, ma non l’indice. NaN, infinito e valori mancanti di pandas diventano JSON null. Se l’indice identifica i campioni, lo trasformi in una colonna esplicita prima della registrazione: è una conseguenza diretta della rappresentazione salvata.
Le righe malformate o incomplete generano un errore con file e numero di riga. Il caricatore non scarta silenziosamente un ultimo record troncato. Carica l’intero dataset in memoria: occorre pianificare la memoria di analisi in base alla dimensione accumulata del file. Una metrica applicativa chiamata step resta dentro data, distinta dal campo esterno dell’iterazione.
Una destinazione diversa per ogni esecuzione
La revisione condivide sanitize_filename tra JSONL e i file di log creati dagli script. Sostituisce / con _: MetaWorld/Hammer-v3 diventa MetaWorld_Hammer-v3. Gli altri caratteri restano invariati e i metadati conservano il nome originale. Le estensioni sono rispettivamente .jsonl e .log. Questa regola sostituisce la codifica percentuale del primo commit; normalizzare il nome non ne garantisce l’unicità.
Reinizializzare lo stesso percorso JSONL ne sovrascrive il contenuto. Usi una directory o un nome diverso per ogni esecuzione, soprattutto quando i nomi differiscono soltanto per barra e trattino basso. Parta dalla configurazione indicata su una copia dei sorgenti contenente entrambi i commit, poi verifichi intestazione, fusione dei passi ripetuti e destinazione con un piccolo esperimento prima di uno lungo. Il precedente articolo EvoRL descrive gradienti, dispositivi e forme delle metriche; questo aggiornamento rende più semplice conservare e riesaminare localmente tali osservazioni.