| # 情绪与生理状态变化预测模型 - 完整使用教程 | |
| ## 目录 | |
| 1. [项目概述](#项目概述) | |
| 2. [安装指南](#安装指南) | |
| 3. [快速开始](#快速开始) | |
| 4. [数据准备](#数据准备) | |
| 5. [模型训练](#模型训练) | |
| 6. [模型推理](#模型推理) | |
| 7. [配置文件](#配置文件) | |
| 8. [命令行工具](#命令行工具) | |
| 9. [常见问题](#常见问题) | |
| 10. [故障排除](#故障排除) | |
| ## 项目概述 | |
| 本项目是一个基于深度学习的情绪与生理状态变化预测模型，使用多层感知机(MLP)来预测用户情绪和生理状态的变化。 | |
| ### 核心功能 | |
| - **输入**: 7维特征（User PAD 3维 + Vitality 1维 + Current PAD 3维） | |
| - **输出**: 3维预测（ΔPAD：ΔPleasure, ΔArousal, ΔDominance） | |
| - **模型**: 多层感知机(MLP)架构 | |
| - **支持**: 训练、推理、评估、性能基准测试 | |
| ### 技术栈 | |
| - **深度学习框架**: PyTorch | |
| - **数据处理**: NumPy, Pandas | |
| - **可视化**: Matplotlib, Seaborn | |
| - **配置管理**: YAML | |
| - **命令行界面**: argparse | |
| ## 安装指南 | |
| ### 系统要求 | |
| - Python 3.8 或更高版本 | |
| - CUDA支持（可选，用于GPU加速） | |
| ### 安装步骤 | |
| 1. **克隆项目** | |
| ```bash | |
| git clone <repository-url> | |
| cd ann-playground | |
| ``` | |
| 2. **创建虚拟环境** | |
| ```bash | |
| python -m venv venv | |
| source venv/bin/activate # Linux/Mac | |
| # 或 | |
| venv\Scripts\activate # Windows | |
| ``` | |
| 3. **安装依赖** | |
| ```bash | |
| pip install -r requirements.txt | |
| ``` | |
| 4. **验证安装** | |
| ```bash | |
| python -c "import torch; print('PyTorch version:', torch.__version__)" | |
| python -c "from src.models.pad_predictor import PADPredictor; print('Model import successful')" | |
| ``` | |
| ### 依赖包说明 | |
| 核心依赖： | |
| - `torch`: 深度学习框架 | |
| - `numpy`: 数值计算 | |
| - `pandas`: 数据处理 | |
| - `matplotlib`, `seaborn`: 数据可视化 | |
| - `scikit-learn`: 机器学习工具 | |
| - `loguru`: 日志记录 | |
| - `pyyaml`: 配置文件解析 | |
| - `scipy`: 科学计算 | |
| ## 快速开始 | |
| ### 1. 运行快速开始教程 | |
| 最简单的方式是运行快速开始教程： | |
| ```bash | |
| cd examples | |
| python quick_start.py | |
| ``` | |
| 这将自动完成： | |
| - 生成合成训练数据 | |
| - 训练一个基础模型 | |
| - 进行推理预测 | |
| - 解释预测结果 | |
| ### 2. 使用预训练模型 | |
| 如果你有预训练的模型文件，可以直接进行推理： | |
| ```python | |
| from src.utils.inference_engine import create_inference_engine | |
| # 创建推理引擎 | |
| engine = create_inference_engine( | |
| model_path="path/to/model.pth", | |
| preprocessor_path="path/to/preprocessor.pkl" | |
| ) | |
| # 进行预测 | |
| input_data = [0.5, 0.3, -0.2, 75.0, 0.1, 0.4, -0.1] | |
| result = engine.predict(input_data) | |
| print(result) | |
| ``` | |
| ### 3. 使用命令行工具 | |
| 项目提供了完整的命令行工具： | |
| ```bash | |
| # 训练模型 | |
| python -m src.cli.main train --config configs/training_config.yaml | |
| # 进行预测 | |
| python -m src.cli.main predict --model model.pth --quick 0.5 0.3 -0.2 75.0 0.1 0.4 -0.1 | |
| # 评估模型 | |
| python -m src.cli.main evaluate --model model.pth --data test_data.csv | |
| # 推理脚本 | |
| python -m src.cli.main inference --model model.pth --input-cli 0.5 0.3 -0.2 75.0 0.1 0.4 -0.1 | |
| # 性能基准测试 | |
| python -m src.cli.main benchmark --model model.pth --num-samples 1000 | |
| ``` | |
| ## 数据准备 | |
| ### 数据格式 | |
| #### 输入特征（7维） | |
| | 特征名 | 类型 | 范围 | 说明 | | |
| |--------|------|------|------| | |
| | user_pleasure | float | [-1, 1] | 用户快乐度 | | |
| | user_arousal | float | [-1, 1] | 用户激活度 | | |
| | user_dominance | float | [-1, 1] | 用户支配度 | | |
| | vitality | float | [0, 100] | 活力水平 | | |
| | current_pleasure | float | [-1, 1] | 当前快乐度 | | |
| | current_arousal | float | [-1, 1] | 当前激活度 | | |
| | current_dominance | float | [-1, 1] | 当前支配度 | | |
| #### 输出标签（3维） | |
| | 标签名 | 类型 | 范围 | 说明 | | |
| |--------|------|------|------| | |
| | delta_pleasure | float | [-0.5, 0.5] | 快乐度变化量 | | |
| | delta_arousal | float | [-0.5, 0.5] | 激活度变化量 | | |
| | delta_dominance | float | [-0.5, 0.5] | 支配度变化量 | | |
| | delta_pressure | float | [-0.3, 0.3] | 压力变化量 | | |
| | confidence | float | [0, 1] | 预测置信度 | | |
| ### 数据文件格式 | |
| #### CSV格式 | |
| ```csv | |
| user_pleasure,user_arousal,user_dominance,vitality,current_pleasure,current_arousal,current_dominance,delta_pleasure,delta_arousal,delta_dominance,delta_pressure,confidence | |
| 0.5,0.3,-0.2,80.0,0.1,0.4,-0.1,-0.05,0.02,0.03,-0.02,0.85 | |
| -0.3,0.6,0.2,45.0,-0.1,0.7,0.1,0.08,-0.03,-0.01,0.05,0.72 | |
| ... | |
| ``` | |
| #### JSON格式 | |
| ```json | |
| [ | |
| { | |
| "user_pleasure": 0.5, | |
| "user_arousal": 0.3, | |
| "user_dominance": -0.2, | |
| "vitality": 80.0, | |
| "current_pleasure": 0.1, | |
| "current_arousal": 0.4, | |
| "current_dominance": -0.1, | |
| "delta_pleasure": -0.05, | |
| "delta_arousal": 0.02, | |
| "delta_dominance": 0.03, | |
| "delta_pressure": -0.02, | |
| "confidence": 0.85 | |
| }, | |
| ... | |
| ] | |
| ``` | |
| ### 合成数据生成 | |
| 项目提供了合成数据生成器： | |
| ```python | |
| from src.data.synthetic_generator import SyntheticDataGenerator | |
| # 创建数据生成器 | |
| generator = SyntheticDataGenerator(num_samples=1000, seed=42) | |
| # 生成数据 | |
| features, labels = generator.generate_data() | |
| # 保存数据 | |
| generator.save_data(features, labels, "output_data.csv", format='csv') | |
| ``` | |
| ### 数据预处理 | |
| ```python | |
| from src.data.preprocessor import DataPreprocessor | |
| # 创建预处理器 | |
| preprocessor = DataPreprocessor() | |
| # 拟合预处理器 | |
| preprocessor.fit(train_features, train_labels) | |
| # 转换数据 | |
| processed_features, processed_labels = preprocessor.transform(features, labels) | |
| # 保存预处理器 | |
| preprocessor.save("preprocessor.pkl") | |
| ``` | |
| ## 模型训练 | |
| ### 基础训练 | |
| ```python | |
| from src.models.pad_predictor import PADPredictor | |
| from src.utils.trainer import ModelTrainer | |
| from torch.utils.data import DataLoader, TensorDataset | |
| # 创建模型 | |
| model = PADPredictor( | |
| input_dim=7, | |
| output_dim=3, | |
| hidden_dims=[128, 64, 32], | |
| dropout_rate=0.3 | |
| ) | |
| # 创建数据加载器 | |
| dataset = TensorDataset( | |
| torch.FloatTensor(processed_features), | |
| torch.FloatTensor(processed_labels) | |
| ) | |
| train_loader = DataLoader(dataset, batch_size=32, shuffle=True) | |
| # 创建训练器 | |
| trainer = ModelTrainer(model, preprocessor) | |
| # 训练配置 | |
| config = { | |
| 'epochs': 100, | |
| 'learning_rate': 0.001, | |
| 'weight_decay': 1e-4, | |
| 'patience': 10, | |
| 'save_dir': './models' | |
| } | |
| # 开始训练 | |
| history = trainer.train(train_loader, val_loader, config) | |
| ``` | |
| ### 使用配置文件训练 | |
| 创建训练配置文件 `my_training_config.yaml`： | |
| ```yaml | |
| training: | |
| epochs: 100 | |
| learning_rate: 0.001 | |
| weight_decay: 0.0001 | |
| batch_size: 32 | |
| optimizer: | |
| type: "Adam" | |
| lr: 0.001 | |
| weight_decay: 0.0001 | |
| scheduler: | |
| type: "ReduceLROnPlateau" | |
| patience: 5 | |
| factor: 0.5 | |
| early_stopping: | |
| patience: 10 | |
| min_delta: 0.001 | |
| data: | |
| train_ratio: 0.8 | |
| val_ratio: 0.1 | |
| test_ratio: 0.1 | |
| shuffle: True | |
| seed: 42 | |
| ``` | |
| 运行训练： | |
| ```bash | |
| python -m src.cli.main train --config my_training_config.yaml | |
| ``` | |
| ### 训练监控 | |
| 训练过程中会自动保存： | |
| - 最佳模型检查点 | |
| - 训练历史记录 | |
| - 验证指标 | |
| - 学习率变化 | |
| 可视化训练过程： | |
| ```python | |
| import matplotlib.pyplot as plt | |
| # 绘制损失曲线 | |
| plt.figure(figsize=(10, 6)) | |
| plt.plot(history['train_loss'], label='Training Loss') | |
| plt.plot(history['val_loss'], label='Validation Loss') | |
| plt.xlabel('Epoch') | |
| plt.ylabel('Loss') | |
| plt.legend() | |
| plt.show() | |
| ``` | |
| ### 模型评估 | |
| ```python | |
| from src.models.metrics import RegressionMetrics | |
| # 创建指标计算器 | |
| metrics_calculator = RegressionMetrics() | |
| # 计算指标 | |
| metrics = metrics_calculator.calculate_all_metrics( | |
| true_labels, predictions | |
| ) | |
| print(f"MSE: {metrics['mse']:.4f}") | |
| print(f"MAE: {metrics['mae']:.4f}") | |
| print(f"R²: {metrics['r2']:.4f}") | |
| ``` | |
| ## 模型推理 | |
| ### 单样本推理 | |
| ```python | |
| from src.utils.inference_engine import create_inference_engine | |
| # 创建推理引擎 | |
| engine = create_inference_engine( | |
| model_path="models/best_model.pth", | |
| preprocessor_path="models/preprocessor.pkl" | |
| ) | |
| # 单样本预测 | |
| input_data = [0.5, 0.3, -0.2, 75.0, 0.1, 0.4, -0.1] | |
| result = engine.predict(input_data) | |
| print(f"ΔPAD: {result['delta_pad']}") | |
| print(f"ΔPressure: {result['delta_pressure']}") | |
| print(f"Confidence: {result['confidence']}") | |
| ``` | |
| ### 批量推理 | |
| ```python | |
| # 批量预测 | |
| batch_inputs = [ | |
| [0.5, 0.3, -0.2, 75.0, 0.1, 0.4, -0.1], | |
| [-0.3, 0.6, 0.2, 45.0, -0.1, 0.7, 0.1], | |
| [0.8, -0.4, 0.6, 90.0, 0.7, -0.3, 0.5] | |
| ] | |
| batch_results = engine.predict_batch(batch_inputs) | |
| for i, result in enumerate(batch_results): | |
| print(f"Sample {i+1}: {result}") | |
| ``` | |
| ### 从文件推理 | |
| ```python | |
| import pandas as pd | |
| # 从CSV文件读取输入 | |
| input_df = pd.read_csv('input_data.csv') | |
| results = engine.predict_batch(input_df.values.tolist()) | |
| # 保存结果 | |
| output_df = pd.DataFrame(results) | |
| output_df.to_csv('output_results.csv', index=False) | |
| ``` | |
| ### 性能优化 | |
| ```python | |
| # 预热模型（提高首次推理速度） | |
| for _ in range(5): | |
| engine.predict([0.5, 0.3, -0.2, 75.0, 0.1, 0.4, -0.1]) | |
| # 性能基准测试 | |
| stats = engine.benchmark(num_samples=1000, batch_size=32) | |
| print(f"Throughput: {stats['throughput']:.2f} samples/sec") | |
| print(f"Average latency: {stats['avg_latency']:.2f}ms") | |
| ``` | |
| ## 配置文件 | |
| ### 模型配置 (`configs/model_config.yaml`) | |
| ```yaml | |
| # 模型基本信息 | |
| model_info: | |
| name: "MLP_Emotion_Predictor" | |
| type: "MLP" | |
| version: "1.0" | |
| # 输入输出维度 | |
| dimensions: | |
| input_dim: 7 | |
| output_dim: 3 | |
| # 网络架构参数 | |
| architecture: | |
| hidden_layers: | |
| - size: 128 | |
| activation: "ReLU" | |
| dropout: 0.2 | |
| - size: 64 | |
| activation: "ReLU" | |
| dropout: 0.2 | |
| - size: 32 | |
| activation: "ReLU" | |
| dropout: 0.1 | |
| output_layer: | |
| activation: "Linear" | |
| # 初始化参数 | |
| initialization: | |
| weight_init: "xavier_uniform" | |
| bias_init: "zeros" | |
| # 正则化参数 | |
| regularization: | |
| weight_decay: 0.0001 | |
| dropout_config: | |
| type: "standard" | |
| rate: 0.2 | |
| ``` | |
| ### 训练配置 (`configs/training_config.yaml`) | |
| ```yaml | |
| # 训练参数 | |
| training: | |
| epochs: 100 | |
| learning_rate: 0.001 | |
| weight_decay: 0.0001 | |
| batch_size: 32 | |
| seed: 42 | |
| # 优化器配置 | |
| optimizer: | |
| type: "Adam" | |
| lr: 0.001 | |
| weight_decay: 0.0001 | |
| betas: [0.9, 0.999] | |
| # 学习率调度器 | |
| scheduler: | |
| type: "ReduceLROnPlateau" | |
| patience: 5 | |
| factor: 0.5 | |
| min_lr: 1e-6 | |
| # 早停配置 | |
| early_stopping: | |
| patience: 10 | |
| min_delta: 0.001 | |
| monitor: "val_loss" | |
| # 数据配置 | |
| data: | |
| train_ratio: 0.8 | |
| val_ratio: 0.1 | |
| test_ratio: 0.1 | |
| shuffle: True | |
| num_workers: 4 | |
| # 保存配置 | |
| saving: | |
| save_dir: "./outputs" | |
| save_best_only: True | |
| checkpoint_interval: 10 | |
| ``` | |
| ### 数据配置 (`configs/data_config.yaml`) | |
| ```yaml | |
| # 数据路径配置 | |
| paths: | |
| train_data: "data/train.csv" | |
| val_data: "data/val.csv" | |
| test_data: "data/test.csv" | |
| # 数据预处理配置 | |
| preprocessing: | |
| normalize_features: True | |
| normalize_labels: True | |
| feature_scaler: "standard" # standard, minmax, robust | |
| label_scaler: "standard" | |
| # 数据增强配置 | |
| augmentation: | |
| enabled: False | |
| noise_std: 0.01 | |
| augmentation_factor: 2 | |
| # 合成数据配置 | |
| synthetic_data: | |
| num_samples: 1000 | |
| seed: 42 | |
| add_noise: True | |
| add_correlations: True | |
| ``` | |
| ## 命令行工具 | |
| ### 训练命令 | |
| ```bash | |
| # 基础训练 | |
| python -m src.cli.main train --config configs/training_config.yaml | |
| # 指定输出目录 | |
| python -m src.cli.main train --config configs/training_config.yaml --output-dir ./my_models | |
| # 使用GPU训练 | |
| python -m src.cli.main train --config configs/training_config.yaml --device cuda | |
| # 从检查点恢复训练 | |
| python -m src.cli.main train --config configs/training_config.yaml --resume checkpoints/epoch_50.pth | |
| # 覆盖配置参数 | |
| python -m src.cli.main train --config configs/training_config.yaml --epochs 200 --batch-size 64 --learning-rate 0.0005 | |
| ``` | |
| ### 预测命令 | |
| ```bash | |
| # 交互式预测 | |
| python -m src.cli.main predict --model model.pth --interactive | |
| # 快速预测 | |
| python -m src.cli.main predict --model model.pth --quick 0.5 0.3 -0.2 75.0 0.1 0.4 -0.1 | |
| # 批量预测 | |
| python -m src.cli.main predict --model model.pth --batch input.csv --output results.csv | |
| # 指定预处理器 | |
| python -m src.cli.main predict --model model.pth --preprocessor preprocessor.pkl --quick 0.5 0.3 -0.2 75.0 0.1 0.4 -0.1 | |
| ``` | |
| ### 评估命令 | |
| ```bash | |
| # 基础评估 | |
| python -m src.cli.main evaluate --model model.pth --data test_data.csv | |
| # 生成详细报告 | |
| python -m src.cli.main evaluate --model model.pth --data test_data.csv --report evaluation_report.html | |
| # 指定评估指标 | |
| python -m src.cli.main evaluate --model model.pth --data test_data.csv --metrics mse mae r2 | |
| # 自定义批次大小 | |
| python -m src.cli.main evaluate --model model.pth --data test_data.csv --batch-size 64 | |
| ``` | |
| ### 推理命令 | |
| ```bash | |
| # 命令行输入推理 | |
| python -m src.cli.main inference --model model.pth --input-cli 0.5 0.3 -0.2 75.0 0.1 0.4 -0.1 | |
| # JSON文件推理 | |
| python -m src.cli.main inference --model model.pth --input-json input.json --output-json output.json | |
| # CSV文件推理 | |
| python -m src.cli.main inference --model model.pth --input-csv input.csv --output-csv output.csv | |
| # 基准测试 | |
| python -m src.cli.main inference --model model.pth --benchmark --num-samples 1000 | |
| # 静默模式 | |
| python -m src.cli.main inference --model model.pth --input-cli 0.5 0.3 -0.2 75.0 0.1 0.4 -0.1 --quiet | |
| ``` | |
| ### 基准测试命令 | |
| ```bash | |
| # 标准基准测试 | |
| python -m src.cli.main benchmark --model model.pth | |
| # 自定义测试参数 | |
| python -m src.cli.main benchmark --model model.pth --num-samples 5000 --batch-size 64 | |
| # 生成性能报告 | |
| python -m src.cli.main benchmark --model model.pth --report performance_report.json | |
| # 详细输出 | |
| python -m src.cli.main benchmark --model model.pth --verbose | |
| ``` | |
| ## 常见问题 | |
| ### Q1: 如何处理缺失值？ | |
| A: 项目目前不支持缺失值处理。请在数据预处理阶段使用以下方法： | |
| ```python | |
| # 删除包含缺失值的行 | |
| df = df.dropna() | |
| # 或填充缺失值 | |
| df = df.fillna(df.mean()) # 用均值填充 | |
| df = df.fillna(0) # 用0填充 | |
| ``` | |
| ### Q2: 如何自定义模型架构？ | |
| A: 有两种方式自定义模型架构： | |
| **方式1：修改配置文件** | |
| ```yaml | |
| # 在 model_config.yaml 中修改 | |
| architecture: | |
| hidden_layers: | |
| - size: 256 # 增加神经元数量 | |
| activation: "ReLU" | |
| dropout: 0.3 | |
| - size: 128 | |
| activation: "ReLU" | |
| dropout: 0.2 | |
| - size: 64 | |
| activation: "ReLU" | |
| dropout: 0.1 | |
| ``` | |
| **方式2：直接创建模型** | |
| ```python | |
| from src.models.pad_predictor import PADPredictor | |
| model = PADPredictor( | |
| input_dim=7, | |
| output_dim=3, | |
| hidden_dims=[256, 128, 64, 32], # 自定义隐藏层 | |
| dropout_rate=0.3 | |
| ) | |
| ``` | |
| ### Q3: 如何处理类别特征？ | |
| A: 当前版本只支持数值特征。如果有类别特征，需要先进行编码： | |
| ```python | |
| # One-Hot编码 | |
| df_encoded = pd.get_dummies(df, columns=['category_column']) | |
| # 或标签编码 | |
| from sklearn.preprocessing import LabelEncoder | |
| le = LabelEncoder() | |
| df['category_encoded'] = le.fit_transform(df['category_column']) | |
| ``` | |
| ### Q4: 如何提高模型性能？ | |
| A: 尝试以下方法： | |
| 1. **增加训练数据量** | |
| 2. **调整模型架构**（增加层数或神经元数量） | |
| 3. **优化超参数**（学习率、批次大小等） | |
| 4. **数据增强**（添加噪声或合成数据） | |
| 5. **正则化**（调整dropout、weight_decay） | |
| 6. **早停**（防止过拟合） | |
| ### Q5: 如何部署模型到生产环境？ | |
| A: 推荐的部署方式： | |
| 1. **保存模型和预处理器** | |
| 2. **创建推理服务** | |
| 3. **使用FastAPI或Flask封装** | |
| 4. **容器化部署** | |
| 示例： | |
| ```python | |
| from fastapi import FastAPI | |
| from src.utils.inference_engine import create_inference_engine | |
| app = FastAPI() | |
| engine = create_inference_engine("model.pth", "preprocessor.pkl") | |
| @app.post("/predict") | |
| async def predict(input_data: list): | |
| result = engine.predict(input_data) | |
| return result | |
| ``` | |
| ### Q6: 如何处理大规模数据？ | |
| A: 对于大规模数据： | |
| 1. **使用数据生成器**（DataGenerator） | |
| 2. **分批处理** | |
| 3. **使用多进程数据加载** | |
| 4. **考虑使用分布式训练** | |
| ```python | |
| # 使用多进程数据加载 | |
| train_loader = DataLoader( | |
| dataset, | |
| batch_size=32, | |
| shuffle=True, | |
| num_workers=4, # 多进程 | |
| pin_memory=True # GPU内存优化 | |
| ) | |
| ``` | |
| ### Q7: 如何可视化预测结果？ | |
| A: 项目提供了多种可视化方法： | |
| ```python | |
| import matplotlib.pyplot as plt | |
| import seaborn as sns | |
| # 预测值vs真实值散点图 | |
| plt.scatter(true_labels, predictions, alpha=0.6) | |
| plt.plot([min_val, max_val], [min_val, max_val], 'r--') | |
| plt.xlabel('True Values') | |
| plt.ylabel('Predictions') | |
| plt.show() | |
| # 残差图 | |
| residuals = true_labels - predictions | |
| plt.hist(residuals, bins=30) | |
| plt.xlabel('Residuals') | |
| plt.ylabel('Frequency') | |
| plt.show() | |
| ``` | |
| ### Q8: 如何进行模型版本管理？ | |
| A: 建议的版本管理策略： | |
| 1. **使用语义化版本号** | |
| 2. **保存训练配置和超参数** | |
| 3. **记录模型性能指标** | |
| 4. **使用模型注册表** | |
| ```python | |
| # 保存模型信息 | |
| model_info = { | |
| 'version': '1.2.0', | |
| 'architecture': str(model), | |
| 'training_config': config, | |
| 'performance': metrics, | |
| 'created_at': datetime.now().isoformat() | |
| } | |
| torch.save({ | |
| 'model_state_dict': model.state_dict(), | |
| 'model_info': model_info | |
| }, f'model_v{model_info["version"]}.pth') | |
| ``` | |
| ## 故障排除 | |
| ### 常见错误及解决方案 | |
| #### 1. CUDA内存不足 | |
| ``` | |
| RuntimeError: CUDA out of memory | |
| ``` | |
| **解决方案**： | |
| - 减小批次大小 | |
| - 使用CPU训练：`--device cpu` | |
| - 清理GPU缓存：`torch.cuda.empty_cache()` | |
| #### 2. 模型加载失败 | |
| ``` | |
| FileNotFoundError: [Errno 2] No such file or directory: 'model.pth' | |
| ``` | |
| **解决方案**： | |
| - 检查文件路径是否正确 | |
| - 确保模型文件存在 | |
| - 检查文件权限 | |
| #### 3. 数据维度不匹配 | |
| ``` | |
| RuntimeError: mat1 and mat2 shapes cannot be multiplied | |
| ``` | |
| **解决方案**： | |
| - 检查输入数据维度（应为7维） | |
| - 确保数据预处理正确 | |
| - 验证模型配置 | |
| #### 4. 导入错误 | |
| ``` | |
| ModuleNotFoundError: No module named 'src.xxx' | |
| ``` | |
| **解决方案**： | |
| - 检查Python路径设置 | |
| - 确保在项目根目录运行 | |
| - 重新安装依赖包 | |
| #### 5. 配置文件错误 | |
| ``` | |
| yaml.scanner.ScannerError: while scanning for the next token | |
| ``` | |
| **解决方案**： | |
| - 检查YAML文件语法 | |
| - 确保缩进正确 | |
| - 使用YAML验证工具 | |
| ### 调试技巧 | |
| #### 1. 启用详细日志 | |
| ```bash | |
| python -m src.cli.main train --config configs/training_config.yaml --verbose --log-level DEBUG | |
| ``` | |
| #### 2. 使用小数据集测试 | |
| ```python | |
| # 使用少量数据快速测试 | |
| generator = SyntheticDataGenerator(num_samples=100, seed=42) | |
| features, labels = generator.generate_data() | |
| ``` | |
| #### 3. 检查模型输出 | |
| ```python | |
| # 检查模型输出形状 | |
| model.eval() | |
| with torch.no_grad(): | |
| sample_input = torch.randn(1, 7) | |
| output = model(sample_input) | |
| print(f"Output shape: {output.shape}") | |
| print(f"Output range: [{output.min():.3f}, {output.max():.3f}]") | |
| ``` | |
| #### 4. 验证数据预处理 | |
| ```python | |
| # 检查预处理后的数据 | |
| print(f"Features mean: {processed_features.mean(axis=0)}") | |
| print(f"Features std: {processed_features.std(axis=0)}") | |
| print(f"Labels mean: {processed_labels.mean(axis=0)}") | |
| print(f"Labels std: {processed_labels.std(axis=0)}") | |
| ``` | |
| ### 性能优化建议 | |
| #### 1. 训练优化 | |
| - 使用合适的批次大小 | |
| - 启用混合精度训练（AMP） | |
| - 使用学习率调度器 | |
| - 实施早停机制 | |
| #### 2. 推理优化 | |
| - 模型预热 | |
| - 批量推理 | |
| - 模型量化 | |
| - 使用ONNX格式 | |
| #### 3. 内存优化 | |
| - 使用数据生成器 | |
| - 及时释放不需要的变量 | |
| - 使用梯度累积 | |
| --- | |
| ## 联系方式 | |
| 如有其他问题或需要帮助，请通过以下方式联系： | |
| - 项目仓库: [GitHub仓库链接] | |
| - 问题反馈: [Issues链接] | |
| - 文档: [文档链接] | |
| - 邮箱: [联系邮箱] | |
| --- | |
| **注意**: 本教程基于项目当前版本编写，随着项目更新，部分内容可能会有变化。请及时查看最新文档。 |