xz2000
a9a0e51769
## 1. 核心 Bug 修复
### 文件: `server/core/predictor.py`
- **问题**: 在 `train_model` 方法中调用内部辅助函数 `_prepare_training_params` 时，没有正确传递 `product_ids` 和 `store_ids` 参数，导致在 `_prepare_training_params` 内部发生 `NameError`。
- **修复**:
- 修正了 `train_model` 方法内部对 `_prepare_training_params` 的调用，确保 `product_ids` 和 `store_ids` 被显式传递。
- 此前已修复 `train_model` 的函数签名，使其能正确接收 `store_ids`。
- **结果**: 彻底解决了训练流程中的参数传递问题，根除了由此引发的 `NameError`。
## 2. 代码清理与重构
### 文件: `server/api.py`
- **内容**: 移除了在 `start_training` API 端点中遗留的旧版、基于线程（`threading.Thread`）的训练逻辑。
- **原因**: 该代码块已被新的、基于多进程（`multiprocessing`）的 `TrainingProcessManager` 完全取代。旧代码中包含了大量用于调试的 `thread_safe_print` 日志，已无用处。
- **结果**: `start_training` 端点的逻辑变得更加清晰，只负责参数校验和向 `TrainingProcessManager` 提交任务。
### 文件: `server/utils/training_process_manager.py`
- **内容**: 在 `TrainingWorker` 的 `run_training_task` 方法中，移除了一个用于模拟训练进度的 `for` 循环。
- **原因**: 该循环包含 `time.sleep(1)`，仅用于在没有实际训练逻辑时模拟进度更新，现在实际的训练器会通过回调函数报告真实进度，因此该模拟代码不再需要。
- **结果**: `TrainingWorker` 现在直接调用实际的训练器，不再有模拟延迟，代码更贴近生产环境。
## 3. 启动依赖
- **Python**: 3.x
- **主要库**:
- Flask
- Flask-SocketIO
- Flasgger
- pandas
- numpy
- torch
- scikit-learn
- matplotlib
- **启动命令**: `python server/api.py`
1.9 KiB
1.9 KiB
修改记录日志 (日期: 2025-07-16)
1. 核心 Bug 修复
文件: server/core/predictor.py
- 问题: 在
train_model方法中调用内部辅助函数_prepare_training_params时，没有正确传递product_ids和store_ids参数，导致在_prepare_training_params内部发生NameError。 - 修复:
- 修正了
train_model方法内部对_prepare_training_params的调用，确保product_ids和store_ids被显式传递。 - 此前已修复
train_model的函数签名，使其能正确接收store_ids。
- 修正了
- 结果: 彻底解决了训练流程中的参数传递问题，根除了由此引发的
NameError。
2. 代码清理与重构
文件: server/api.py
- 内容: 移除了在
start_trainingAPI 端点中遗留的旧版、基于线程（threading.Thread）的训练逻辑。 - 原因: 该代码块已被新的、基于多进程（
multiprocessing）的TrainingProcessManager完全取代。旧代码中包含了大量用于调试的thread_safe_print日志，已无用处。 - 结果:
start_training端点的逻辑变得更加清晰，只负责参数校验和向TrainingProcessManager提交任务。
文件: server/utils/training_process_manager.py
- 内容: 在
TrainingWorker的run_training_task方法中，移除了一个用于模拟训练进度的for循环。 - 原因: 该循环包含
time.sleep(1)，仅用于在没有实际训练逻辑时模拟进度更新，现在实际的训练器会通过回调函数报告真实进度，因此该模拟代码不再需要。 - 结果:
TrainingWorker现在直接调用实际的训练器，不再有模拟延迟，代码更贴近生产环境。
3. 启动依赖
- Python: 3.x
- 主要库:
- Flask
- Flask-SocketIO
- Flasgger
- pandas
- numpy
- torch
- scikit-learn
- matplotlib
- 启动命令:
python server/api.py