修改训练脚本，增加网格搜索的可视化

train/grid_search_cosface.py

@@ -57,7 +57,7 @@ GRID_PARAMS = {
         'm': [0.32, 0.35, 0.38, 0.40,0.45,0.50],  # margin参数
     },
     'whole_ingredient': {
-        's': [56.0, 60.0 ,64.0, 68.0],
+        's': [60.0 ,64.0, 68.0],
         'm': [0.32, 0.35, 0.38, 0.40],
     },
     'processed_ingredient': {
@@ -107,6 +107,7 @@ def train_single_config(
     val_loader: DataLoader,
     test_loader: DataLoader,
     num_classes: int,
+    save_dir: str,
     max_epochs: int = 100,
     patience: int = 10,
     min_epochs: int = 25,
@@ -142,6 +143,7 @@ def train_single_config(
     best_val_loss = float('inf')
     early_stop_counter = 0
     best_epoch = 0
+    early_stopped = False  # 标记是否触发早停
     
     # 训练历史
     train_losses = []
@@ -176,6 +178,66 @@ def train_single_config(
         # 早停判断
         if epoch >= min_epochs and early_stop_counter >= patience:
             logger.info(f'早停触发于Epoch {epoch+1}, 最佳Epoch: {best_epoch+1}')
+            early_stopped = True
+            
+            # ===== 保存最佳模型 =====
+            best_model_path = os.path.join(save_dir, f'best_model_s{s}_m{m}.pth')
+            torch.save({
+                'backbone_state_dict': model.state_dict(),
+                'head_state_dict': head.state_dict(),
+                's': s,
+                'm': m,
+                'best_val_loss': best_val_loss,
+                'best_epoch': best_epoch,
+            }, best_model_path)
+            logger.info(f'✓ 最佳模型已保存: {best_model_path}')
+            
+            # ===== 生成特征向量可视化 =====
+            logger.info('🎨 开始生成特征向量可视化...')
+            try:
+                # 动态导入函数
+                faiss_db_dir = os.path.join(settings.BASE_DIR, 'faiss_vector_db')
+                if faiss_db_dir not in sys.path:
+                    sys.path.insert(0, faiss_db_dir)
+                
+                from faiss_vector_db.build_faiss_index import extract_embeddings_only
+                from faiss_vector_db.visualize_embeddings import visualize_embeddings_from_files
+                
+                # 为每个配置创建独立的可视化目录
+                vis_output_dir = os.path.join(save_dir, f'model_s{s}_m{m}_visualization')
+                
+                # 1. 提取特征向量
+                logger.info('  步骤1/2: 提取训练集特征向量...')
+                extract_embeddings_only(
+                    model_path=best_model_path,
+                    train_dir=cfg.train_dir,
+                    output_dir=vis_output_dir,
+                    embedding_dim=cfg.embedding_dim,
+                    batch_size=16  # 使用较小的batch_size加快速度
+                )
+                
+                # 2. 生成可视化（使用PCA方法，快速）
+                logger.info('  步骤2/2: 生成可视化图...')
+                embeddings_json = os.path.join(vis_output_dir, 'embeddings.json')
+                labels_json = os.path.join(vis_output_dir, 'labels.json')
+                
+                visualize_embeddings_from_files(
+                    embeddings_path=embeddings_json,
+                    labels_path=labels_json,
+                    output_dir=vis_output_dir,
+                    method='pca',  # 使用PCA方法（快速）
+                    max_points=None,  # 训练集全量可视化
+                    seed=42
+                )
+                
+                logger.info(f'✓ 可视化完成，保存至: {vis_output_dir}')
+                
+            except Exception as e:
+                logger.error(f'⚠ 可视化生成失败: {e}')
+                import traceback
+                traceback.print_exc()
+            # ===== 可视化逻辑结束 =====
+            
             break
     
     elapsed_time = time.time() - start_time
@@ -190,7 +252,7 @@ def train_single_config(
         's': s,
         'm': m,
         'actual_epochs': actual_epochs,
-        'early_stopped': actual_epochs < max_epochs,
+        'early_stopped': early_stopped,
         'training_time_minutes': elapsed_time / 60,
         'best_val_loss': best_val_loss,
         'final_train_loss': train_losses[-1],
@@ -302,6 +364,7 @@ def grid_search_main(
                 cfg, s, m,
                 train_loader, val_loader, test_loader,
                 num_classes,
+                save_dir=save_dir,
                 max_epochs=max_epochs,
                 patience=patience,
                 min_epochs=min_epochs