训练与评估
训练通过几次 binding 调用把复习历史跑完。输入是一份复习日志 CSV;输出是可直接交给 DefaultScheduler 或自定义 defineScheduler 的权重数组。
示例导入 @open-spaced-repetition/binding。在 Node 中是原生 napi 模块;在浏览器中解析为 WASI Preview 1 的 wasm 构建(多线程说明见训练器概览)。
把复习日志转成项
convertCsvToFsrsItems 读取 CSV 文本,并按卡片把各行归并为 FSRSItem。列如下:
传入 nextDayStartsAt(新一天开始的小时)以及 IANA 时区(如 'UTC')或固定的 UTC 分钟偏移。对 Uint8Array 输入,该调用同步返回项:
原来的转换函数仍返回数组。需要一次性归一化任意 CSV 卡片标识时,使用 convertCsvToFsrsItemsWithCardIds:它返回 { items, cardIds },流输入则返回 Promise。数值 ID 按本次转换中保留的卡片生成,与排序后的 items 逐项对齐,不是原始卡片标识。训练和直接评估复用同一组 IDs;不要混用不同转换结果中的 IDs。
computeParameters 和 evaluateWithTimeSeriesSplits 接受可选的 options.cardIds。
CSV 转换、训练、评估和调度必须选择相同的 modelVersion(默认 'FSRS-7',也可选 'FSRS-6')。将它作为 convertCsvToFsrsItems 的第四个参数,并传入训练和评估选项;调度时使用 DefaultScheduler({ version: modelVersion, weights })。FSRS-7 产生 34 个权重,按本地学习日的实际时长归一化并保留小数与同日间隔;FSRS-6 产生 21 个权重,使用整数学习日。因此同日的后续复习也可以参与 FSRS-7 训练。
训练权重
computeParameters(items, options) 返回包含训练权重的 Promise<number[]>。enableShortTerm 必填;numRelearningSteps 与 trainingConfig 可选,progress 在训练期间回报 (current, total):
computeParameters 和 evaluateWithTimeSeriesSplits 在所有构建中都返回 Promise。原生 binding 通过后台任务执行;两个 WASI Preview 1 目标(wasm32-wasip1 和 wasm32-wasip1-threads)都在调用线程中同步计算,再将结果包装成 Promise。浏览器中应从专用 Worker 调用,避免阻塞页面;Worker 可以在进度回调中通过 postMessage 向页面发送进度。
在两个 WASI p1 目标中,progress(current, total) 会在每个训练 batch 完成后同步调用;evaluateWithTimeSeriesSplits 则在每个 split 完成后回调。返回 false 会停止操作并拒绝其 Promise;回调抛出异常也会拒绝 Promise。数据不足等跳过 batch 训练的情况不会产生训练进度回调。timeout 是原生进度轮询间隔,单位为毫秒,并非训练超时时限;WASI p1 会忽略它。
enableSchedPenalties 可选,默认为 false。设为 true 会在训练损失中加入 FSRS-7 的间隔增长和短间隔惩罚。它也适用于 evaluateWithTimeSeriesSplits 内部的训练,FSRS-6 会忽略此选项;它不改变调度公式。
trainingConfig(epochs、batch size、seed、最大序列长度、学习率与 L2 权重)可选,缺省时用 binding 的默认值。浏览器中的 WASI 调用应在专用 Worker 内执行 computeParameters。Playground页的训练器就在 Web Worker 里跑同一路径并实时回报进度。返回的 weights 数组就是传给 DefaultScheduler({ version: modelVersion, weights }) 或 defineScheduler 配置、用于替换模型默认值的东西。
评估拟合
evaluateWithTimeSeriesSplits(items, options) 按时间切分复习历史,返回 Promise<ModelEvaluation>,其结果包含 logLoss 与 rmseBins,供你判断训练权重对留出复习的预测质量。computeOptimalSteps 更进一步:给定复习与目标保留率,推荐学习与再学习步骤的时长。
安装命令与两种运行时见训练器概览。