FoodClassifier/GRID_SEARCH_README.md

CosFace超参数网格搜索使用指南

概述

已完成CosFace超参数网格搜索功能的实施，用于优化scale (s)和margin (m)两个核心超参数。

修改文件清单

1. requirements.txt

• ✅ 添加依赖：pandas>=2.0.0 和 seaborn>=0.12.0

2. train/train_cosface_embedding.py

• ✅ TaskConfig添加test_dir字段
• ✅ TASKS字典中所有任务添加测试集路径

3. train/grid_search_cosface.py (新建)

• ✅ 完整的网格搜索脚本 (~350行)

搜索空间配置

当前为dish任务配置的搜索空间：

GRID_PARAMS = {
    'dish': {
        's': [56.0, 60.0, 64.0, 68.0],    # 4个scale值
        'm': [0.32, 0.35, 0.38, 0.40],    # 4个margin值
    }
}

总配置数: 4 × 4 = 16组实验

使用方法

1. 安装依赖

pip install pandas>=2.0.0 seaborn>=0.12.0

2. 运行网格搜索

# 完整搜索（16组配置）
python train/grid_search_cosface.py --task dish

# 测试运行（限制配置数）
python train/grid_search_cosface.py --task dish --max_configs 2

# 自定义参数
python train/grid_search_cosface.py --task dish --epochs 100 --patience 10 --min_epochs 25

3. 参数说明

• --task: 任务名称 (dish / whole_ingredient / processed_ingredient)
• --max_configs: 限制最大配置数（用于测试，可选）
• --epochs: 每个配置的最大训练轮数（默认100）
• --patience: 早停容忍轮数（默认10）
• --min_epochs: 最小训练轮数（默认25）

输出文件

运行后会在model/DishClassification/grid_search_YYYYMMDD_HHMMSS/目录下生成：

1. grid_search_results.csv - 所有配置的详细结果表格
2. heatmap.png - 参数热力图（测试集准确率）
3. summary.txt - 搜索总结报告（含最佳配置）
4. model_s{s}_m{m}.pth - 每个配置的模型权重
5. grid_search.log - 完整训练日志

评估指标

• 主要指标: 测试集准确率 (test_acc) - 用于选择最佳配置
• 辅助指标: 验证集准确率、训练轮数、训练时间

应用最佳配置

网格搜索完成后：

1. 查看summary.txt找到最佳配置
2. 手动更新train/train_cosface_embedding.py中的TASKS字典：

'dish': TaskConfig(
    # ... 其他配置保持不变 ...
    cosface_s=64.0,  # 更新为最佳s值
    cosface_m=0.38,  # 更新为最佳m值
)

3. 后续训练将自动使用最佳配置

预计耗时

基于以下假设：

• 每个配置平均训练25-40个epoch（早停机制）
• 每个epoch约1-2分钟
• 单个配置: ~30-60分钟
• 16组配置总耗时: ~8-16小时

建议: 使用GPU运行，可在夜间或周末执行完整搜索。

注意事项

1. 数据集要求: 确保dataset/DishClassification/test/目录存在且有数据
2. GPU推荐: 网格搜索计算量大，强烈建议使用GPU
3. 磁盘空间: 每个配置约占用500MB，16组需8GB空间
4. 中断恢复: 当前版本不支持断点续训，建议一次性完成

高级用法

修改搜索空间

编辑train/grid_search_cosface.py中的GRID_PARAMS字典：

GRID_PARAMS = {
    'dish': {
        's': [60.0, 64.0, 68.0, 72.0],     # 自定义scale范围
        'm': [0.30, 0.35, 0.40, 0.45],     # 自定义margin范围
    }
}

调整早停策略

通过命令行参数调整：

python train/grid_search_cosface.py --task dish --patience 15 --min_epochs 30

故障排除

问题1: ModuleNotFoundError: No module named 'pandas'

• 解决: pip install pandas seaborn

问题2: 测试集目录不存在

• 解决: 确认dataset/DishClassification/test/路径正确且有数据

问题3: CUDA out of memory

• 解决: 减小batch_size或在CPU上运行（速度较慢）

示例结果解读

summary.txt示例：

最佳配置:
  s (scale) = 64.0
  m (margin) = 0.38
  测试集准确率 = 98.50%
  验证集准确率 = 100.00%
  训练轮数 = 32
  训练时间 = 45.3 分钟

这表示s=64.0, m=0.38是最优组合，在测试集上达到98.50%准确率。