# 模型训练面板实现过程

根据《变更需求.md》中的第四点，我们需要为系统新增一个“模型训练面板”。该面板旨在支持用户通过简单的交互界面，上传数据、配置参数并启动模型训练，最终将训练好的模型发布到系统中。

## 1. 核心流程分析

1.  **数据准备**：用户上传训练数据集（Excel/CSV），或从系统历史数据中选择（后续扩展）。
2.  **任务配置**：选择目标设备类型、算法类型，并输入模型超参数。
3.  **任务提交**：后端接收请求，创建训练任务记录，并异步调用 Python 算法服务。
4.  **过程监控**：前端轮询任务状态，展示实时训练进度和评估指标（如 Loss, Accuracy）。
5.  **模型入库**：训练成功后，自动解析模型元数据（特征映射、评估指标图表），并将其注册到 `algorithm_model` 表中。

## 2. 详细实现步骤

### 2.1 数据库设计

虽然已有 `algorithm_model` 表用于存储正式模型，但训练过程是一个长耗时且可能失败的操作，直接写入正式表会导致垃圾数据。因此，建议新增一张 **训练任务表 (`model_train_task`)** 来管理训练生命周期。

```sql
CREATE TABLE model_train_task (
    task_id VARCHAR(32) PRIMARY KEY COMMENT '任务ID',
    task_name VARCHAR(100) COMMENT '任务名称',
    algorithm_type VARCHAR(50) COMMENT '算法类型 (GPR, MLP...)',
    device_type VARCHAR(50) COMMENT '设备类型 (CylindricalTank...)',
    dataset_path VARCHAR(255) COMMENT '数据集文件路径',
    train_params JSON COMMENT '训练超参数 ({"epochs": 100, "lr": 0.01...})',
    status VARCHAR(20) COMMENT '状态 (PENDING, TRAINING, SUCCESS, FAILED)',
    metrics JSON COMMENT '训练指标 ({"rmse": 0.002, "r2": 0.98})',
    model_output_path VARCHAR(255) COMMENT '训练生成的临时模型路径',
    feature_map_snapshot JSON COMMENT '特征映射快照',
    metrics_image_path VARCHAR(255) COMMENT '误差散点图路径',
    error_log TEXT COMMENT '错误日志',
    created_at DATETIME DEFAULT CURRENT_TIMESTAMP,
    updated_at DATETIME DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP
);
```

### 2.2 后端接口设计 (`ModelTrainController`)

| 接口路径 | 方法 | 描述 | 参数示例 |
| :--- | :--- | :--- | :--- |
| `/train/upload` | POST | 上传训练数据集 | File |
| `/train/submit` | POST | 提交训练任务 | `{name, algoType, deviceType, datasetPath, params}` |
| `/train/status/{taskId}` | GET | 查询训练状态与指标 | - |
| `/train/publish/{taskId}` | POST | 发布模型（入库） | `{versionTag, description}` |
| `/train/list` | GET | 查询历史训练任务 | `page, size` |

### 2.3 业务逻辑实现 (`ModelTrainService`)

1.  **数据上传 (`uploadDataset`)**:
    *   接收 Excel/CSV 文件。
    *   校验文件格式（必需列：`input_features`, `target_label`）。
    *   保存到服务器临时目录 `/data/uploads/{date}/{uuid}.csv`。

2.  **任务提交 (`createTask`)**:
    *   创建 `model_train_task` 记录，状态设为 `PENDING`。
    *   构建请求参数，异步调用 Python 服务的 `/v1/train` 接口。
    *   若调用成功，更新状态为 `TRAINING`；否则标记为 `FAILED`。

3.  **状态同步 (`syncTaskStatus`)**:
    *   定时任务或前端轮询触发：调用 Python 服务的 `/v1/train/status/{taskId}` 接口。
    *   更新数据库中的 `metrics` 和 `status`。
    *   如果状态为 `SUCCESS`，记录 `model_output_path`, `feature_map_snapshot`, `metrics_image_path`。

4.  **模型发布 (`publishModel`)**:
    *   校验任务状态是否为 `SUCCESS`。
    *   将模型文件从临时目录移动到正式模型目录 `/models/{algo}/{device}/`。
    *   在 `algorithm_model` 表中插入新记录：
        *   `algorithm_model_id`: 生成 UUID
        *   `version_tag`: 用户输入（如 v1.2）
        *   `feature_map_snapshot`: 从任务表复制
        *   `metrics`: 从任务表复制
        *   `metrics_image_path`: 从任务表复制
        *   `is_current`: 默认为 0（需人工激活）

### 2.4 Python 算法服务扩展

需要在 Python 服务中新增以下 API：

*   `POST /v1/train`:
    *   接收：`dataset_path`, `algorithm_type`, `device_type`, `hyperparameters`。
    *   动作：启动后台线程/进程进行训练。
    *   返回：`task_id`。
*   `GET /v1/train/status/{task_id}`:
    *   返回：`status` (TRAINING/SUCCESS/FAILED), `progress` (0-100%), `metrics`, `model_path`, `feature_map`, `metrics_image`。

### 2.5 前端界面开发

1.  **新建训练任务向导**：
    *   **Step 1: 基础配置**
        *   任务名称：文本框。
        *   设备类型：下拉框（从字典加载）。
        *   算法类型：下拉框（GPR, MLP...）。
    *   **Step 2: 数据准备**
        *   数据源选择：[上传文件] / [选择历史数据]。
        *   上传组件：支持 .csv, .xlsx。
    *   **Step 3: 参数配置**
        *   文本框输入 JSON 或 Key-Value 对。
        *   提供“加载默认参数”按钮。

2.  **训练监控面板**：
    *   展示任务列表。
    *   点击“查看详情”进入监控页。
    *   **实时图表**：展示 Loss 曲线。
    *   **评估结果**：展示 RMSE, R2 指标及误差散点图（`metrics_image_path`）。

3.  **模型发布弹窗**：
    *   输入版本号。
    *   点击确认后，将训练好的模型正式注册到系统中。

## 3. 关键问题与解决方案

1.  **训练耗时问题**：
    *   **方案**：后端采用异步调用，前端使用轮询（每 3-5 秒）。Python 端必须使用非阻塞方式执行训练（如 `threading` 或 `Celery`）。

2.  **数据格式校验**：
    *   **方案**：后端在上传阶段需解析 Excel 表头，确保包含必要的特征列。若缺失关键列，直接拒绝上传。

3.  **模型文件管理**：
    *   **方案**：区分“临时模型”和“正式模型”。训练生成的模型先放在临时目录，只有用户确认发布后才移动到正式目录，避免无效模型占用空间。

4.  **特征映射一致性**：
    *   **方案**：训练时必须生成 `feature_map_snapshot`（记录输入特征与 Java 实体属性的对应关系），并将其保存到 `algorithm_model` 表中。推理服务加载模型时，必须读取该快照以正确组装输入数据。



## 4. 接口改进
1. list接口加上查询条件：
    *   `algoType`: 算法类型（GPR, MLP...）。
    *   `deviceType`: 设备类型（CPU, GPU...）。
    *   `status`: 任务状态（PENDING, TRAINING, SUCCESS, FAILED）。
    *   `name`: 任务名称（模糊查询）。
    *   `page`: 分页页码。
    *   `size`: 每页数量（默认 10）。
2. submit 接口加上MultipartFile file 非必须参数
    *   `datasetPath`: 数据集路径（上传时返回的路径）。--这个需要根据是否上传文件来判断是否需要
    、
3.超参数面板
GPR根据类型获取超参数面板。
[
    {
      "name": "RBF 平滑尺度",
      "key": "rbf_length_scale",
      "description": "控制模型整体平滑程度。值越小模型越敏感，值越大预测曲线越平滑。",
      "default": 1.0,
      "range": [0.01, 100],
      "category": "基础参数"
    },
    {
      "name": "RQ 平滑尺度",
      "key": "rq_length_scale",
      "description": "控制多尺度变化的平滑程度，用于描述局部变化特征。",
      "default": 1.0,
      "range": [0.01, 100],
      "category": "基础参数"
    },
    {
      "name": "RQ 多尺度系数",
      "key": "rq_alpha",
      "description": "控制多尺度变化强度。值越小多尺度变化越明显，值越大模型趋近于RBF。",
      "default": 1.0,
      "range": [0.1, 10]
    },
    {
      "name": "噪声水平",
      "key": "noise_level",
      "description": "数据观测噪声大小，用于提升模型鲁棒性。",
      "default": 1e-5,
      "range": [1e-8, 1e-1],
      "category": "基础参数"
    },
    {
      "name": "优化重启次数",
      "key": "optimizer_restarts",
      "description": "模型超参数优化时的随机重启次数，用于避免陷入局部最优。",
      "default": 5,
      "range": [0, 20],
      "category": "训练参数"
    }
  ]

  生成这样的数据：{
  "rbf_length_scale": 2.0,
  "rq_length_scale": 1.5,
  "rq_alpha": 0.8,
  "noise_level": 1e-4,
  "optimizer_restarts": 10
}