FukuML Warning Handling

問題描述

FukuML 在執行某些數值計算時可能會產生 NumPy RuntimeWarning，例如：

divide by zero encountered in dot
overflow encountered in dot
invalid value encountered in dot
divide by zero encountered in matmul
overflow encountered in matmul
invalid value encountered in matmul

這些警告通常是因為數值計算時遇到數值精度問題，但不影響功能正確性。

解決方案

🎯 全域自動處理（推薦）

從目前版本開始，FukuML 使用全域設定自動抑制這些警告，用戶完全不會看到這些警告。

實現方式：

在 FukuML/__init__.py 中自動載入 FukuML.Config
使用 NumPy 的 np.seterr() 進行全域錯誤狀態控制
無需在各個檔案中重複處理警告

🔧 進階控制選項

如果您需要控制警告顯示，可以使用 FukuML.Config 模組：

import FukuML
import FukuML.Config as config

# 方法1: 恢復警告顯示（用於除錯）
config.suppress_warnings(False)

# 使用您的演算法 - 現在會顯示警告
import FukuML.PLA as pla
pla_bc = pla.BinaryClassifier()
pla_bc.init_W('linear_regression_accelerator')

# 方法2: 重新抑制警告
config.suppress_warnings(True)

# 方法3: 重置所有警告設置
config.reset_warnings()

🚫 如果您想要完全控制警告行為

import FukuML.Config as config

# 完全停用 FukuML 的警告管理，恢復 NumPy 預設行為
config.suppress_warnings(False)

# 您也可以直接使用 NumPy 的 seterr
import numpy as np
np.seterr(all='warn')  # 恢復預設警告
np.seterr(divide='ignore', over='ignore', invalid='ignore')  # 自訂抑制

為什麼會有這些警告？

這些警告來自於：

偽逆矩陣計算：np.linalg.pinv() 在處理近似奇異矩陣時
數值精度限制：浮點運算的固有限制
特殊數據情況：某些數據分布可能導致數值不穩定

影響評估

✅ 功能正常：警告不影響算法的正確性
✅ 結果準確：數值計算結果依然正確
✅ 用戶體驗：現在警告已被自動抑制

測試驗證

可以運行任何測試確認用戶體驗：

# 測試 PLA 演算法 - 不會出現警告
python tests/test_pla_binary_classifier.py
python tests/test_pla_multi_classifier.py

# 測試其他演算法
python test_fuku_ml.py

這些測試會確認不會出現任何 RuntimeWarning。

技術細節

實現原理

全域配置：在 FukuML/Config.py 中定義全域警告控制
自動初始化：FukuML/__init__.py 中自動 import Config 並啟用警告抑制
NumPy seterr：使用 np.seterr() 全域控制數值錯誤行為
無需修改演算法：各演算法檔案保持簡潔，無需個別處理警告

優點

一次設定，全域生效：無需在每個檔案處理警告
代碼更簡潔：移除重複的警告處理代碼
維護性更好：警告控制邏輯集中管理
使用者友好：預設提供最佳體驗

向後相容性

✅ 所有現有 API 保持不變
✅ 算法行為完全一致
✅ 只是抑制了警告顯示
✅ 使用者仍可自由控制警告行為

FilesExpand file tree

WARNING_HANDLING.md

Latest commit

History