configs/training_config.yaml

# 训练配置文件
# Training Configuration

# 训练基本信息
training_info:
  experiment_name: "emotion_prediction_v1"
  description: "基于MLP的情绪与生理状态变化预测模型训练"
  seed: 42

# 数据配置
data:
  # 数据路径
  train_data_path: "data/train.csv"
  val_data_path: "data/val.csv"
  test_data_path: "data/test.csv"
  
  # 数据预处理
  preprocessing:
    # 特征标准化
    feature_scaling:
      method: "standard"  # standard, min_max, robust, none
      pad_features: "standard"    # PAD特征标准化方法
      vitality_feature: "min_max" # 活力值标准化方法
    
    # 数据增强
    augmentation:
      enabled: false
      noise_std: 0.01
      mixup_alpha: 0.2
  
  # 数据加载
  dataloader:
    batch_size: 2048
    num_workers: 2
    pin_memory: true
    shuffle: true
    drop_last: false
    normalize_features: true
    normalize_labels: false

    # GPU预加载优化（实验性功能）
    # ⚠️ 仅适用于小数据集（能完全放入GPU显存）
    # 优点：消除CPU-GPU传输开销，训练速度提升1-5%
    # 缺点：占用更多显存，不支持数据增强，不适合大数据集
    preload_to_gpu:
      enabled: true  # 是否启用GPU预加载
      batch_size: 8192  # GPU上的批次大小（可设置更大，如4096/8192）
      apply_to_validation: true  # 是否同时应用到验证集
      input_dim: 7  # 输入特征维度（用于正确分割特征和标签）
      output_dim: 3  # 输出标签维度（ΔPAD 3维，压力动态计算）

# 训练超参数
training:
  # 优化器配置 - 使用AdamW结合L2正则化
  optimizer:
    type: "AdamW"  # Adam, SGD, AdamW, RMSprop
    learning_rate: 0.0005  # 10⁻⁴ 到 10⁻³ 范围内
    weight_decay: 0  # L2正则化
    betas: [0.9, 0.999]
    eps: 0.00000001
  
  # 学习率调度 - 使用Cosine Decay调度器
  scheduler:
    type: "CosineAnnealingLR"  # StepLR, CosineAnnealingLR, ReduceLROnPlateau
    T_max: 600  # 与max_epochs相同
    eta_min: 0.00001  # 最小学习率
    verbose: true
  
  # 训练轮次
  epochs:
    max_epochs: 600
    early_stopping:
      enabled: true
      patience: 150  # 监控10-20个Epoch
      min_delta: 0
#      min_delta: 0.0001
      monitor: "val_mae"  # 可选: val_loss, val_mae, val_r2_robust, val_r2_mean
      mode: "min"
  
  # 损失函数
  loss:
    type: "MSELoss"  # MSELoss, L1Loss, SmoothL1Loss, HuberLoss
    reduction: "mean"
    
    # 多任务损失权重
    multi_task_weights:
      delta_pad_p: 1.0  # P维度权重
      delta_pad_a: 20.0  # A维度权重
      delta_pad_d: 20.0  # D维度权重

# 验证配置
validation:
  # 验证频率
  val_frequency: 1  # 每多少个epoch验证一次
  
  # 验证指标
  metrics:
    - "MSE"
    - "MAE"
    - "RMSE"
    - "R2"
    - "MAPE"
  
  # 模型选择
  model_selection:
    criterion: "val_loss"  # val_loss, val_mae, val_r2
    mode: "min"

# 日志和保存配置
logging:
  # 日志级别
  level: "INFO"  # DEBUG, INFO, WARNING, ERROR
  
  # 日志文件
  log_dir: "logs"
  log_file: "training.log"
  
  # TensorBoard
  tensorboard:
    enabled: true
    log_dir: "runs"
    comment: ""
  
  # 进度条
  progress_bar:
    enabled: true
    update_frequency: 10

# 检查点保存
checkpointing:
  # 保存目录
  save_dir: "checkpoints"
  
  # 保存策略
  save_strategy: "best"  # best, last, all
  
  # 文件命名
  filename_template: "model_epoch_{epoch}_val_{val_loss:.4f}.pth"
  
  # 保存内容
  save_items:
    - "model_state_dict"
    - "optimizer_state_dict"
    - "scheduler_state_dict"
    - "epoch"
    - "loss"
    - "metrics"
    - "config"

# 硬件配置
hardware:
  # 设备选择
  device: "auto"  # auto, cpu, cuda, mps
  
  # GPU配置
  gpu:
    id: 0  # GPU ID
    memory_fraction: 0.9  # GPU内存使用比例
    allow_growth: true
  
  # 混合精度训练
  mixed_precision:
    enabled: true
    opt_level: "O1"  # O0, O1, O2, O3

# 调试配置
debug:
  # 调试模式
  enabled: false
  
  # 快速训练（用于调试）
  fast_train:
    enabled: false
    max_epochs: 5
    batch_size: 8
    subset_size: 100
  
  # 梯度检查
  gradient_checking:
    enabled: false
    clip_value: 1.0
  
  # 数据检查
  data_checking:
    enabled: true
    check_nan: true
    check_inf: true
    check_range: true

# 实验跟踪
experiment_tracking:
  # 是否启用实验跟踪
  enabled: false
  
  # MLflow配置
  mlflow:
    tracking_uri: "http://localhost:5000"
    experiment_name: "emotion_prediction"
    run_name: null
    tags: {}
    params: {}