feat(optimizer): integrate EmoSens v3.9.1 optimizer

NOTICE.md

@@ -57,3 +57,15 @@ The referenced repository is licensed under the **MIT License** (Copyright (c) 2
 T-LoRA introduces dynamic rank adjustment based on diffusion timesteps and orthogonal initialization. Local files `networks/tlora.py` and `networks/tlora_anima.py` are adapted from the original implementation with modifications for Anima model integration within the sd-scripts training pipeline.
 
 **Paper**: Nikita Balagansky, Daniil Gavrilov. *T-LoRA: Timestep-Dependent Low-Rank Adaptation for Diffusion Models*. 2025.
+
+### EmoSens Optimizer
+
+The EmoSens optimizer is adapted from:
+
+- `muooon/EmoSens`: https://github.com/muooon/EmoSens
+
+Licensed under the **Apache License 2.0** (Copyright (c) muooon).
+
+EmoSens is an emotion-driven optimizer that generates autonomous learning rates via the emoPulse mechanism, analyzing loss fluctuations through multi-scale EMA. The implementation is in `vendor/sd-scripts/library/optimizers/emosens.py`.
+
+**Citation**: muooon. "emo series Optimizers: An emotion-driven optimizer that feels loss and navigates accordingly." DOI: 10.57967/hf/7738. https://github.com/muooon/EmoSens

mikazuki/schema/shared.ts

@@ -140,6 +140,7 @@
                     "AdamW",
                     "AdamW8bit",
                     "Automagic",
+                    "EmoSens",
                     "PagedAdamW8bit",
                     "RAdamScheduleFree",
                     "Lion",
@@ -170,6 +171,13 @@
                 Schema.object({}),
             ]),
 
+            Schema.union([
+                Schema.object({
+                    optimizer_type: Schema.const('EmoSens').required(),
+                }).description("⚠ 选用 EmoSens 时请将学习率手动调至约 1.0（LoRA），优化器通过 emoPulse 自主生成 LR"),
+                Schema.object({}),
+            ]),
+
             Schema.object({
                 optimizer_args_custom: Schema.array(String).role('table').description('自定义 optimizer_args，一行一个。同名参数会覆盖默认值（预览中可能显示重复，实际训练以此处为准）'),
             })

vendor/sd-scripts/library/optimizers/emosens.py

@@ -0,0 +1,243 @@
+# Ported from muooon/EmoSens (Apache License 2.0)
+# https://github.com/muooon/EmoSens
+# Copyright (c) muooon. Used under Apache License 2.0.
+# Original: EmoSens v3.9.1 (260520) Standard Edition ECC
+import torch
+from torch.optim import Optimizer
+import math
+
+"""
+EmoSens v3.9.1 (260520) Standard Edition ECC版(CPU-GPUデータ転送対応含む)
+shadow-system v3.1 -moment v3.1 emoPulse v3.9 FFT-Swap-Aware dNR-converge
+|学習率推奨値| LoRA:1.0 |FFT/Full-Fine-Tuning| Transformer:0.01, UNET:0.1, etc...
+全層同一LRのため Transformer 等では発散しやすい(FFTは難しい) 事前学習やLoRA等が望ましいです
+これまでの emo系 v3.7～3.8 継承、早期停止関連の効率化やコード修正やコメント最適化等を実施
+Early Stop 判定通知の動的最適化、dNR活用で収束点をユーザー任意で明確化できる(stopcoef)
+### FFT適応 cuDNN 等でデータ配置を求める仕様により中間テンソル(コピー)生じる(VRAM負荷増) ###
+"""
+
+# ECC - emo closure capture (Loss-Bypass)
+if not hasattr(torch.optim.Optimizer, "_manual_loss"):
+    torch.optim.Optimizer._manual_loss = 0.0
+
+    # backward-cap (一度だけ実行されるようにする)
+    _old_backward = torch.Tensor.backward
+    def _new_backward(self, *args, **kwargs):
+        if self.ndim == 0:
+            try:
+                torch.optim.Optimizer._manual_loss = self.item()
+            except:
+                pass
+        return _old_backward(self, *args, **kwargs)
+    torch.Tensor.backward = _new_backward
+    print("🚩 emo-optim success ecc system ...")
+
+class EmoSens(Optimizer):    # クラス定義＆初期化
+    def __init__(self, params,
+                 lr=1.0,
+                 eps=1e-8,
+                 betas=(0.9, 0.995),
+                 weight_decay=0.01,
+                 stopcoef=0.04,
+                 use_shadow:bool=False,
+                 notify:bool=True):
+        defaults = dict(lr=lr, betas=betas, eps=eps, weight_decay=weight_decay)
+        super().__init__(params, defaults)
+        self._init_lr = lr
+        self.notify = notify         # 収束･安定の通知切替
+        self.should_stop = False     # 停止フラグの初期化
+        self.stopcoef = stopcoef     # 収束目標値(ユーザー指定可)
+        self.use_shadow = use_shadow # 🔸shadow(通常 False)
+        self.emoScope = lr           # 動的学習率の調和とリズム
+
+        # shadow は solver 等の特殊用途時に必要かもしれない (optimizerとしては通常不要)
+        # use_shadow 緊急時モデル保護：通常 False (将来の特殊アーキテクチャへの保護機能)
+        # notify 収束通知の切替え：通常 True (通知不要な場合は False にできる)
+        # stopcoef 収束目標Loss：通常 0.04[予兆] (ユーザーの好みで仕上げる)
+
+        self.base_scale, self.max_lim, self.min_lim = 1e-4, 3e-3, 1e-8
+        self.dNR_hist, self.noise_est, self.d_est, self.c_est = 1.0, 1.0, 0.02, 0.0
+
+    # 学習の引き継ぎ可能(状態保存対応)／収束を深めたい場合に役立つ
+    def state_dict(self):
+        state_dict = super().state_dict()
+        state_dict['emo_internal'] = {
+            'emoScope': self.emoScope,
+            'dNR_hist': self.dNR_hist,
+            'noise_est': self.noise_est,
+            'd_est': self.d_est,
+            'c_est': self.c_est,
+            'should_stop': self.should_stop,
+            'stopcoef': self.stopcoef,
+        }
+        return state_dict
+
+    def load_state_dict(self, state_dict):
+        emo_internal = state_dict.pop('emo_internal', None)
+        if emo_internal:
+            self.emoScope = emo_internal.get('emoScope', self._init_lr)
+            self.dNR_hist = emo_internal.get('dNR_hist', 1.0)
+            self.noise_est = emo_internal.get('noise_est', 1.0)
+            self.d_est = emo_internal.get('d_est', 0.02)
+            self.c_est = emo_internal.get('c_est', 0.0)
+            self.should_stop = emo_internal.get('should_stop', False)
+            self.stopcoef =  emo_internal.get('stopcoef', self.stopcoef)
+        super().load_state_dict(state_dict)
+
+    # 感情EMA更新(緊張と安静)／３次４次５次モーメント近似相当(感覚神経系)
+    # MLにおいて勾配emaを１次２次相当とするならlossは３次相当以上とみなせる
+    def _update_ema(self, state, loss_val):
+        ema = state.setdefault('ema', {})
+        ema['short'] = 0.3 * loss_val + 0.7 * ema.get('short', loss_val)
+        ema['medium'] = 0.05 * loss_val + 0.95 * ema.get('medium', loss_val)
+        ema['long'] = 0.01 * loss_val + 0.99 * ema.get('long', loss_val)
+        return ema
+
+    # 感情スカラー値生成(EMA差分、滑らかな非線形スカラー、tanh(diff) は ±1.0 で有界性)(内分泌系)
+    # scale_base：Loss値とema値の乖離を修正(分母 ema(long)「改善率」共通化/アーキ非依存)
+    # 1e-5(デフォルト)／1e-6(感度向上)／1e-4(安定性向上)：分母を０にせず安定(６次近似相当)
+    def _compute_scalar(self, ema):
+        scale_base_l = max(ema['long'], 1e-5)
+        scale_base_m = max(ema['medium'], 1e-5)
+        diff_base = ema['long'] - ema['short']
+        diff_l = diff_base / scale_base_l
+        diff_m = diff_base / scale_base_m
+        # longが十分静かなら、常にlongを優先
+        if abs(diff_l) < 0.05:
+            res_scalar = math.tanh(diff_l)
+        # longが静かでない時のみ、mediumの静けさを条件付きで採用
+        elif abs(diff_m) * scale_base_m < abs(diff_l) * scale_base_l:
+            res_scalar = math.tanh(diff_m)
+        else:
+            res_scalar = math.tanh(diff_l)
+        # scalar と scale_base_m をタプルで返す
+        return res_scalar, scale_base_m
+
+    # (重要)全機能は use_shadow=False で成立／通常VRAM負荷は shadow を考慮外(無視できる)
+    # emoPulse機構によるダンパー制動はODE縮約を助けるのでshadowは未知のアーキテクチャへの保険(免疫系)
+    # Shadow混合比 ３段階構成 タスクに応じ調整可、以下を参考に 開始値・範囲量･変化幅を調整
+    # return 開始値 + ((scalar) - 閾値) / 範囲量 * 変化幅 も可能(特殊用途向け)
+    def _decide_ratio(self, scalar):
+        if not self.use_shadow:
+            return 0.0  # 🔸use_shadow = False のとき常に比率を 0 にする
+        if abs(scalar) > 0.625:
+            return 1.0 - abs(scalar)  # 急変｜強抑制｜tanh 0.73(0.27)
+        else:
+            return 0.0  # return<0 の場合は leap 専用(書き戻しはしないが履歴更新のみ)
+
+    # 損失取得(損失値 loss_val を数値化、感情判定に使用、存在しないパラメータ(更新不要)はスキップ)
+    # closure への対応は loss.backward() と optimizer.step() の間に 
+    # optimizer._manual_loss = loss.item() を記述する (通常は ECC に任せる)
+    @torch.no_grad()
+    def step(self, closure=None):
+        loss = torch.enable_grad()(closure)() if closure is not None else None
+        loss_val = loss.item() if loss is not None else getattr(self, '_manual_loss', 0.0)
+
+        # EMA更新・スカラー生成(EMA差分からスカラーを生成しスパイク比率等を決定)
+        ema = self._update_ema(self.state, loss_val)
+        scalar, scale_base_m = self._compute_scalar(ema)
+        ratio = self._decide_ratio(scalar)
+        trust = math.copysign((1.0 - abs(scalar)), scalar)
+
+        # --- Start emoPulse (完全自動LR生成) ---
+        # emoPulse (loss 時系列から制振ダンパーとしてLRを生成)(循環器系)
+        # 時間的D推定：loss-LR-lossの閉循環／ML的にこの差分は６次近似相当とみなせる
+        self.noise_est = 0.97 * self.noise_est + 0.03 * abs(scalar)
+        self.d_est = 0.97 * self.d_est + 0.03 * abs(trust)
+        self.c_est = 0.7 * self.c_est + 0.3 * scalar
+        noise = max(self.noise_est, 1e-10) # max:1e-12程度(変更後：要アーリーストップ見直し)
+        d = self.d_est
+        # 瞬間的D推定：(scalar、trust、差分)各時間軸の確度推定(疑念と信頼の綱引き)
+        Noise_base = abs(scalar - trust) + 0.1
+        d_base = abs(noise - d) + 0.1
+        # 異なる時間的確度比率から更新力を導出し２乗で出力最大化(心拍)７次近似相当
+        dNR_now_val = (d_base / Noise_base) ** 2
+        # 最大値の成長率の増減と履歴化でLRの微調整を担う(非対称性により減衰側を優勢とする)
+        if dNR_now_val >= self.dNR_hist and trust >= 0.5:
+            # 加速：どんなに dNR が高くても、1.50倍という｢歩幅｣の成長制限
+            self.dNR_hist = min(dNR_now_val, self.dNR_hist * 1.50)
+        elif -0.5 <= trust <= 0.5:
+            # 減速：怪しい時は即座に比率を下げる(確実に信頼できない場合に下げ圧力を溜める)
+            self.dNR_hist = dNR_now_val * 0.80
+        # 基礎倍率 100^c_est (-1.0 ～ 1.0) max() で 1e-3以下を無視 (100～0.001変動)
+        # 0.0：100^0 = 1.0倍, 1.0：100^1 = 100.0倍, -1.0：100^-1 = 0.001倍
+        emoChain = self.emoScope * max((100.0 ** self.c_est), 1e-3)
+        # emoPulse 最終決定： emoScorp によるユーザー意思の反映と安全値による制限
+        emoPulse = float(max(min(self.dNR_hist * (emoChain * self.base_scale),
+                                 self.emoScope * self.max_lim), self.min_lim))
+        # --- End emoPulse (完全自動LR生成) ---
+
+        for group in self.param_groups:
+            beta1, beta2 = group['betas']
+            for p in group['params']:
+                if p.grad is None:
+                    continue
+
+                grad = p.grad
+                state = self.state[p]
+
+                # 動的学習率補正により shadow 形成を信頼度で調整(trustは正値化(負にならない))
+                # shadow：必要時のみ(スパイクp部分に現在値を最大10%追従させる動的履歴更新)
+                # 混合比率：スカラーが閾値を超える場合にのみ計算される(信頼できる感情信号かどうかの選別)
+                # 急変時は感情機構による shadow 混合で強く抑制する(急制動による安定性の確保)
+                # 機械学習optimizerとしては不要／物理solver的な用途でつかえるかもしれない
+                if self.use_shadow :
+                    if 'shadow' not in state: # 🔸shadow = False (デフォルト)
+                        state['shadow'] = p.clone()
+                    if ratio > 0: # 書き戻しと履歴更新(急変時の強い抑制と弱めの履歴更新)
+                        p.mul_(1-ratio).add_(state['shadow'], alpha=abs(trust))
+                    else: # 書き戻しせず履歴更新のみ：10%×trust
+                        leap_ratio = 0.1 * abs(trust)
+                        state['shadow'].lerp_(p, leap_ratio)
+
+                # --- Start Gradient Update Logic ---
+                # 1次・2次モーメントを使った勾配補正(decoupled weight decay)
+                if 'exp_avg' not in state:
+                    exp_avg = state.setdefault('exp_avg', torch.zeros_like(p))
+                    exp_avg_sq = state.setdefault('exp_avg_sq', torch.zeros_like(p))
+
+                exp_avg = state['exp_avg']
+                exp_avg_sq = state['exp_avg_sq']
+
+                exp_avg.mul_(beta1).add_(grad.to(exp_avg.device), alpha=1 - beta1)
+                exp_avg_sq.mul_(beta2).addcmul_(grad.to(exp_avg_sq.device), grad.to(exp_avg_sq.device), value=1 - beta2)
+
+                denom = exp_avg_sq.sqrt().add_(group['eps'])
+
+                # FFT版と通常版を統合した分岐(デバイス状態判定へ更新)
+                # device 一致の場合のみ sign_() を使い高速化
+                if p.device != exp_avg.device:
+                    # 節約モード：デバイス間の計算を同じ場所へ統一
+                    update = exp_avg.to(p.device)
+                else:
+                    # 通常モード：同じ場所の場合は負荷軽減
+                    update = exp_avg
+
+                if group['weight_decay']:
+                    p.mul_(1.0 - group['weight_decay'] * emoPulse)
+                p.addcdiv_(update, denom.to(p.device), value=-emoPulse)
+                # --- End Gradient Update Logic ---
+
+        # ユーザー指定初期LRを実効値(emoPulse)で可視化する(PyTorch標準)
+        for group in self.param_groups:
+            group['lr'] = emoPulse
+
+        # 感情機構の穏やかさ"安定状態"を外部伝達する(自動停止ではない)
+        # Early Stop：誤判定防止をしないのは点灯頻度で停止準備(予兆)にするため
+        self.stop_base = self.d_est - self.noise_est
+        if self.stop_base >= 0.3 and scale_base_m <= self.stopcoef:
+            self.should_stop = True       # 💡 外部からこれを見て判断可
+            if self.notify:               # 💡 収束・安定の「お知らせ」
+                print(f"✨[READY TO STOP]✨")
+        else:
+            self.should_stop = False      # 💡 誤判定などの取り消し
+
+        #print(f"Loss: {loss_val:.4f} | Pulse: {emoPulse:.4e}")
+
+        return
+
+"""
+ https://github.com/muooon/EmoSens
+ An emotion-driven optimizer that feels loss and navigates accordingly.
+ Don't think. Feel. Don't stop. Keep running. Believe in what's beyond.
+"""

vendor/sd-scripts/library/train_util.py

@@ -5267,6 +5267,13 @@ def get_optimizer(args, trainable_params) -> tuple[str, str, object]:
         # Automagic manages its own lr; pass lr as the starting point
         optimizer = optimizer_class(trainable_params, lr=lr if lr is not None else 1e-6, **optimizer_kwargs)
 
+    elif optimizer_type == "EmoSens".lower():
+        from library.optimizers.emosens import EmoSens
+        logger.info(f"use EmoSens optimizer (muooon/EmoSens, Apache-2.0) | {optimizer_kwargs}")
+        optimizer_class = EmoSens
+        # EmoSens generates LR autonomously via emoPulse; lr=1.0 is recommended
+        optimizer = optimizer_class(trainable_params, lr=lr if lr is not None else 1.0, **optimizer_kwargs)
+
     elif optimizer_type == "AdamW".lower():
         logger.info(f"use AdamW optimizer | {optimizer_kwargs}")
         optimizer_class = torch.optim.AdamW