Module 10-B 优化开发TODO List

📋 分任务个性化训练实施方案

🎯 Phase 1: 配置架构改造

目标：支持统一配置、智能优化、自定义三种模式

1.1 前端改造 (enhanced_index.html)

1.1.1 配置模式选择器

在第5021行"训练配置"卡片中添加配置模式选择

位置：enhanced_index.html 第5030行后
- 添加单选按钮组：统一配置 | 智能优化 | 自定义配置
- 添加模式说明提示文本
- 绑定切换事件处理函数

1.1.2 任务特定参数区域

创建动态参数卡片生成函数

位置：创建新函数 generateTaskSpecificParams()
- 根据选中的任务（Q1-Q5）生成独立参数卡片
- 每个卡片包含完整参数集
- 支持从统一配置复制参数

修改现有参数输入区域

位置：第5060-5150行附近
- 添加div容器 id="task-specific-params-container"
- 根据模式切换显示/隐藏
- 保留现有输入作为统一配置

1.1.3 参数联动和验证

实现批量应用功能

- 添加"应用到所有任务"按钮
- 实现参数复制函数
- 添加参数验证逻辑

1.2 后端改造

1.2.1 配置管理器 (backend/m10_training/config_manager.py - 新建)

创建TaskConfigManager类

class TaskConfigManager:
    def __init__(self, base_config_path):
        # 加载基础配置
    
    def get_unified_config(self, override_params):
        # 返回统一配置
    
    def get_optimized_config(self, task):
        # 返回任务优化配置
    
    def get_custom_config(self, task, params):
        # 返回自定义配置
    
    def validate_config(self, config):
        # 配置验证

1.2.2 预设优化配置 (backend/m10_training/optimized_configs.yaml - 新建)

创建任务优化配置文件

# 基于R²分析的优化配置
Q1:
  arch:
    h1: 64
    h2: 32
    activation: "leaky_relu"
  training:
    lr: 0.0005
    batch_size: 16

Q2:
  arch:
    h1: 48
    h2: 24
    activation: "elu"
  # ...

1.2.3 训练接口升级 (backend/m10_training/api.py)

修改训练API端点（第71-150行）

位置：run_training_job 函数
- 添加 config_mode 参数解析
- 根据模式调用不同配置生成器
- 支持任务特定配置

添加配置预览API

@m10b_bp.route('/preview-config', methods=['POST'])
def preview_config():
    # 返回将要使用的配置

🏗️ Phase 2: 网络结构灵活性

2.1 前端扩展

2.1.1 网络架构配置UI

替换固定隐藏层输入（第5090-5100行）

改造内容：
- 添加层数选择下拉框（1-5层）
- 动态生成层参数输入
- 添加预设结构快速选择

添加网络结构预览

function previewNetworkStructure():
    - 实时显示网络层级
    - 显示参数数量
    - 可视化网络结构

2.1.2 激活函数选择

添加激活函数下拉选择

位置：在dropout输入后添加
- 选项：ReLU, LeakyReLU, ELU, Tanh, GELU
- 添加任务推荐提示

2.2 后端扩展

2.2.1 模型构建优化 (backend/m10_training/model.py)

创建灵活网络构建器

class FlexibleMLP(nn.Module):
    def __init__(self, config):
        # 支持可变层数
        # 支持每层不同配置

扩展激活函数支持（第60-67行）

添加：
- GELU激活函数
- Tanh激活函数
- Swish激活函数

2.2.2 更新create_model_from_config (backend/m10_training/model.py)

支持新的配置格式

def create_model_from_config(config):
    if config.get('flexible_arch'):
        return FlexibleMLP(config)
    else:
        return EyeMLP(...)  # 保持向后兼容

🔧 Phase 3: 训练策略优化

3.1 前端增强

3.1.1 优化器配置

添加优化器选择下拉框

位置：学习率输入附近
- 选项：Adam, AdamW, SGD, RMSprop
- 根据选择显示特定参数

优化器特定参数

动态显示：
- Adam: beta1, beta2, epsilon
- SGD: momentum, nesterov
- AdamW: weight_decay

3.1.2 学习率策略

添加调度器选择

- StepLR: 阶梯下降
- CosineAnnealingLR: 余弦退火
- ReduceLROnPlateau: 自适应（当前）
- ExponentialLR: 指数衰减

3.1.3 损失函数选择

添加损失函数下拉框

- MSE（默认）
- MAE
- Huber
- SmoothL1

3.2 后端增强

3.2.1 训练循环改造 (backend/m10_training/trainer.py)

扩展优化器创建（第84-88行）

def create_optimizer(model, config):
    optimizer_type = config.get('optimizer', 'adam')
    if optimizer_type == 'adam':
        return torch.optim.Adam(...)
    elif optimizer_type == 'adamw':
        return torch.optim.AdamW(...)
    # ...

实现多种学习率调度器（第94-103行）

def create_scheduler(optimizer, config):
    scheduler_type = config.get('scheduler_type')
    # 实现各种调度器

支持不同损失函数（第91行）

def create_criterion(config):
    loss_type = config.get('loss', 'mse')
    # 返回对应损失函数

🎨 Phase 4: 预设配置系统

4.1 前端快速配置

4.1.1 预设配置选择器

添加快速配置按钮组

位置：配置模式选择器下方
- 保守配置（稳定但慢）
- 平衡配置（推荐）
- 激进配置（快速但可能不稳定）
- 任务最优（基于历史数据）

4.1.2 配置对比视图

创建配置对比模态框

function showConfigComparison():
    - 显示当前配置 vs 推荐配置
    - 高亮差异
    - 预期性能提升预测

4.2 后端预设管理

4.2.1 预设配置库 (backend/m10_training/presets.py - 新建)

定义预设配置

PRESET_CONFIGS = {
    'conservative': {...},
    'balanced': {...},
    'aggressive': {...},
    'task_optimized': {
        'Q1': {...},
        'Q2': {...},
        # 基于R²分析结果
    }
}

4.2.2 配置推荐算法

实现智能推荐

def recommend_config(task, data_stats):
    # 基于任务和数据特征推荐配置
    # 考虑历史训练结果

📊 Phase 5: 监控和反馈

5.1 前端监控

5.1.1 分任务训练监控

改造训练进度显示

位置：训练监控区域
- 为每个任务创建独立进度条
- 显示任务特定的损失曲线
- 添加任务间对比图表

5.1.2 配置效果分析

添加配置历史记录

- 记录每次训练的配置
- 显示配置-性能关系
- 推荐最佳配置

5.2 后端日志

5.2.1 训练日志系统 (backend/m10_training/utils/logger.py)

扩展日志记录

class EnhancedTrainingLogger:
    def log_task_config(self, task, config):
        # 记录任务特定配置
    
    def log_comparison(self, tasks_results):
        # 记录任务间对比

5.2.2 配置-性能映射

创建性能数据库

# 保存历史配置和对应的性能
def save_config_performance(config, metrics):
    # 保存到JSON或数据库

🧪 Phase 6: 特征工程（可选）

6.1 前端选项

6.1.1 特征处理选择

添加特征工程选项卡

- 特征标准化方法
- 特征选择策略
- 多项式特征
- 数据增强选项

6.2 后端处理

6.2.1 特征工程管道 (backend/m10_training/feature_engineering.py - 新建)

实现特征处理

class FeatureProcessor:
    def __init__(self, method='standard'):
        # 初始化处理器
    
    def transform(self, X, task=None):
        # 任务特定的特征处理

✅ Phase 7: 测试和优化

7.1 功能测试

7.1.1 单元测试

创建测试文件 (tests/test_module10b_optimization.py)

- 测试配置管理器
- 测试模型构建
- 测试训练流程

7.1.2 集成测试

测试完整流程

- 测试三种配置模式
- 测试多任务训练
- 测试结果一致性

7.2 性能优化

7.2.1 并行训练支持

实现多任务并行训练

def parallel_train_tasks(tasks, configs):
    # 使用多进程或多线程

7.2.2 配置缓存机制

缓存优化配置

- 缓存常用配置
- 缓存验证结果

7.3 用户体验

7.3.1 操作提示

添加工具提示

- 参数说明提示
- 推荐值提示
- 警告提示

7.3.2 错误处理

完善错误处理

- 配置验证错误
- 训练失败恢复
- 友好错误提示

🚀 实施计划

第一周：核心功能（必做）

Day 1-2: Phase 1.1 - 前端配置模式选择器
Day 3-4: Phase 1.2 - 后端配置管理器
Day 5-6: Phase 2 - 网络结构灵活性
Day 7: 测试和调试

第二周：优化功能（强烈建议）

Day 8-9: Phase 3 - 训练策略优化
Day 10-11: Phase 4 - 预设配置系统
Day 12-13: Phase 5 - 监控和反馈
Day 14: 集成测试

第三周：增强功能（可选）

Day 15-16: Phase 6 - 特征工程
Day 17-18: Phase 7 - 性能优化
Day 19-20: 用户体验优化
Day 21: 最终测试和文档

📝 注意事项

代码修改原则

保持向后兼容：所有改动不能破坏现有功能
渐进式改造：每个Phase独立可运行
配置优先：通过配置文件控制新功能
充分测试：每个功能完成后立即测试

关键文件位置

前端主文件：visualization/templates/enhanced_index.html
后端训练器：backend/m10_training/trainer.py
模型定义：backend/m10_training/model.py
API接口：backend/m10_training/api.py
配置文件：backend/m10_training/config.yaml

开发建议

先实现统一配置模式，确保不影响现有功能
智能优化模式使用预设配置，降低实现复杂度
自定义模式最后实现，作为高级功能
每个Phase完成后进行代码审查和测试
保持详细的开发日志和注释

🎯 预期成果

功能提升

✅ 支持任务个性化配置
✅ 灵活的网络结构
✅ 多种训练策略
✅ 智能配置推荐

性能改善

📈 Q1 R²: 0.60 → 0.75+
📈 Q2 R²: 0.55 → 0.70+
📈 Q3 R²: 0.52 → 0.65+
📈 Q4 R²: 0.48 → 0.60+
📈 Q5 R²: 0.45 → 0.58+

用户体验

🎨 直观的配置界面
📊 实时训练监控
💡 智能推荐系统
⚡ 快速配置选项

更新时间：2024年 版本：v1.0

FilesExpand file tree

Module10B_Optimization_Development_TODO.md

Latest commit

History