JavaProjectRepo/模型训练任务.md

模型训练任务界面设计方案

本方案基于原有需求，对“模型训练面板”的功能模块、交互流程及字段定义进行了全面细化与完善，确保用户体验流畅且功能完整。

1. 任务列表 (Task List)

1.1 查询栏

• 任务名称：文本输入框（支持模糊搜索）。
• 算法类型：下拉选择框（如 GPR, MLP, FastRBF, ...）。
• 设备类型：下拉选择框（如 CylindricalTank, AnnularTank, ...）。
• 状态：下拉选择框（全部, Pending, Training, Success, Failed）。
• 操作按钮：[查询] [重置] [新建训练任务]

1.2 数据表格

列名	数据类型	说明
任务名称	String	点击名称可直接跳转详情页
算法类型	String	GPR / MLP 等
设备类型	String	CylindricalTank 等
训练集来源	String	显示文件名或数据源类型（如 "Upload: dataset.csv"）
核心指标	String	成功时显示关键指标（如 RMSE: 0.02, R2: 0.98），失败/进行中显示 "-"
状态	Status	使用 Tag 区分颜色： 🔵 Pending (等待中) 🟡 Training (训练中) 🟢 Success (成功) 🔴 Failed (失败)
创建时间	DateTime	yyyy-MM-dd HH:mm:ss
操作	ButtonGroup	[查看详情] [发布模型] [删除]

• 分页控件：位于表格底部，支持调整每页显示条数。

1.3 操作说明

• 查看详情：任何状态下均可点击，跳转至详情页。
• 发布模型：仅当状态为 Success 时可用（否则禁用）。点击弹出发布确认框。
• 删除：仅当状态为 Success 或 Failed 时可用（Training 中不可删除）。点击需二次确认，删除后不可恢复。

---

2. 新建训练任务 (Create Task)

采用分步向导或单页表单形式，推荐单页表单。

2.1 基础配置

• 任务名称 (必填)：文本框，建议自动生成默认名（如 "Train_GPR_20240311_001"）。
• 设备类型 (必填)：下拉选择。
• 算法类型 (必填)：下拉选择。选择后，下方的“参数配置”应动态加载该算法的默认参数。

2.2 数据准备

• 数据源类型 (必填)：单选框 [文件上传] / [临界库数据]。
  • 选中“文件上传”：
    • 显示文件上传组件（支持 .csv, .xlsx）。
    • 上传后需显示文件名及大小，并提供“重新上传”按钮。
  • 选中“临界库数据”（二期功能）：
    • 显示时间范围选择器（开始时间 - 结束时间）。
    • 显示“预览数据量”按钮（如：查询到 5000 条记录）。

2.3 参数配置

• 训练超参数：
  • 提供“加载默认值”按钮。
  • 使用 JSON 编辑器 或 Key-Value 列表 展示参数（如 epochs, learning_rate, kernel 等）。
  • 相比单纯文本框，JSON 编辑器能提供格式校验，避免输入错误。

2.4 底部按钮

• [提交训练]：点击后校验表单，成功则跳转回列表页并自动刷新。
• [取消]：返回列表页。

---

3. 查看详情 (Task Details)

详情页分为三个主要区域：基础信息、训练监控/结果、日志。

3.1 基础信息卡片

展示任务的静态配置信息：

• 任务名称、ID
• 算法类型、设备类型
• 数据源路径
• 训练参数（JSON 格式化展示，只读）
• 创建时间、更新时间

3.2 训练监控/结果区

根据状态不同，展示不同内容：

• Training (训练中)：

  • 进度条：显示当前 Epoch/Total Epochs。
  • 实时指标图：折线图展示 Loss (损失函数) 随迭代次数的变化。前端定时轮询或通过 WebSocket 获取最新数据。
  • 当前指标：实时显示当前的 RMSE, Accuracy 等。

• Success (成功)：

  • 最终指标卡片：RMSE, MAE, R2, MaxError 等关键评估指标。
  • 误差散点图：展示 metrics_image_path 对应的图片（预测值 vs 真实值）。
  • 特征重要性（可选）：如果算法支持，展示特征权重图。

• Failed (失败)：

  • 显示醒目的红色错误提示。

3.3 错误日志区

• 仅在 Failed 状态或 Training 状态下显示。
• 展示后端或 Python 服务返回的详细异常堆栈或 Print 输出，便于排查问题。

3.4 顶部/底部操作栏

• [发布模型]（仅 Success 状态可见）
• [返回列表]

---

4. 模型发布 (Publish Model)

将临时训练任务产出的模型正式注册到系统模型库中。

4.1 交互流程

1. 在列表页点击“发布模型”，或在详情页点击“发布模型”。
2. 弹出模态框（Modal）。

4.2 弹窗内容

• 任务名称：(只读回显)
• 算法/设备：(只读回显)
• 版本号 (Version Tag) (必填)：文本框。
  • 提示用户输入版本标识，如 v1.0, 20240311-release。
  • 后端需校验该算法+设备下版本号的唯一性。
• 备注描述：多行文本框（可选），用于记录模型特性或变更点。

4.3 确认操作

• [确认发布]：
  • 后端将临时模型文件移动到正式目录。
  • 在 algorithm_model 表中创建新记录。
  • 发布成功后，提示用户“发布成功，请前往模型管理页激活使用”。
  • 关闭弹窗，刷新列表（建议在列表中增加“已发布”标记或状态）。
• [取消]：关闭弹窗。

4.4 模型路径规划

模型路径规划建议（推荐目录结构） 以你现有的配置 file-space.model-path 为根（例如 E:/python_coding/keffCenter/models/ ），建议分两棵树：

• 训练产物（可清理）

  • {modelRoot}/runs/{algorithmType}/{deviceType}/{taskId}/
  • 里面放： pipeline.pkl 、 metrics.json 、 feature_map.json 、 metrics.png 、 train_params.json 等
  • 优点：用 taskId 保证唯一、不覆盖

• 发布模型（长期保留、可回滚）

  • {modelRoot}/published/{algorithmType}/{deviceType}/{versionTag}/
  • 里面放： pipeline.pkl （或带 hash 的文件名）、配套文件、manifest（可选）
  • algorithm_model.model_path 指向这里 另外建议：

• 路径里尽量只用 algorithmType/deviceType/versionTag/taskId 这种稳定字段，避免包含中文/空格

• versionTag 建议由用户输入但要校验（只允许 [a-zA-Z0-9._-] ），避免路径注入

• 如果担心文件重复，可在发布时生成 artifactId （hash）并写入模型表，便于去重/校验一致性