訓練與評估
訓練透過幾次 binding 呼叫把複習歷史跑完。輸入是一份複習記錄 CSV;輸出是可直接交給 DefaultScheduler 或自訂 defineScheduler 的權重陣列。
範例匯入 @open-spaced-repetition/binding。在 Node 中是原生 napi 模組;在瀏覽器中解析為 WASI Preview 1 的 wasm 建置(多執行緒說明見訓練器概覽)。
把複習記錄轉成項
convertCsvToFsrsItems 讀取 CSV 文字,並依卡片把各行歸併為 FSRSItem。欄位如下:
傳入 nextDayStartsAt(新一天開始的小時)以及 IANA 時區(如 'UTC')或固定的 UTC 分鐘偏移。對 Uint8Array 輸入,該呼叫同步回傳項:
原本的轉換函式仍回傳陣列。需要一次正規化任意 CSV 卡片識別碼時,使用 convertCsvToFsrsItemsWithCardIds:它回傳 { items, cardIds },串流輸入則回傳 Promise。數值 ID 依本次轉換保留的卡片產生,與排序後的 items 逐項對齊,並非原始識別碼。訓練與直接評估重用同一組 IDs;不要混用不同轉換結果中的 IDs。
computeParameters 與 evaluateWithTimeSeriesSplits 接受選填的 options.cardIds。
CSV 轉換、訓練、評估與排程必須選擇相同的 modelVersion(預設 'FSRS-7',也可選 'FSRS-6')。將它作為 convertCsvToFsrsItems 的第四個參數,並傳入訓練與評估選項;排程時使用 DefaultScheduler({ version: modelVersion, weights })。FSRS-7 產生 34 個權重,依本地學習日的實際時長正規化並保留小數與同日間隔;FSRS-6 產生 21 個權重,使用整數學習日。因此同日的後續複習也能參與 FSRS-7 訓練。
訓練權重
computeParameters(items, options) 回傳包含訓練權重的 Promise<number[]>。enableShortTerm 必填;numRelearningSteps 與 trainingConfig 選填,progress 在訓練期間回報 (current, total):
computeParameters 和 evaluateWithTimeSeriesSplits 在所有建置中都回傳 Promise。原生 binding 透過背景工作執行;兩個 WASI Preview 1 目標(wasm32-wasip1 和 wasm32-wasip1-threads)都在呼叫執行緒中同步計算,再將結果包裝成 Promise。瀏覽器中應從專用 Worker 呼叫,避免阻塞頁面;Worker 可以在進度回呼中透過 postMessage 向頁面傳送進度。
在兩個 WASI p1 目標中,progress(current, total) 會在每個訓練 batch 完成後同步呼叫;evaluateWithTimeSeriesSplits 則在每個 split 完成後回呼。回傳 false 會停止操作並拒絕其 Promise;回呼擲出例外也會拒絕 Promise。資料不足等略過 batch 訓練的情況不會產生訓練進度回呼。timeout 是原生進度輪詢間隔,單位為毫秒,並非訓練逾時期限;WASI p1 會忽略它。
enableSchedPenalties 選填,預設為 false。設為 true 會在訓練損失中加入 FSRS-7 的間隔增長和短間隔懲罰。它也適用於 evaluateWithTimeSeriesSplits 內部的訓練,FSRS-6 會忽略此選項;它不改變排程公式。
trainingConfig(epochs、batch size、seed、最大序列長度、學習率與 L2 權重)選填,缺省時使用 binding 的預設值。瀏覽器中的 WASI 呼叫應在專用 Worker 內執行 computeParameters。Playground頁的訓練器就在 Web Worker 裡執行同一路徑並即時回報進度。回傳的 weights 陣列就是傳給 DefaultScheduler({ version: modelVersion, weights }) 或 defineScheduler 設定、用於替換模型預設值的東西。
評估擬合
evaluateWithTimeSeriesSplits(items, options) 依時間切分複習歷史,回傳 Promise<ModelEvaluation>,其結果包含 logLoss 與 rmseBins,供你判斷訓練權重對留出複習的預測品質。computeOptimalSteps 更進一步:給定複習與目標保留率,推薦學習與再學習步驟的時長。
安裝命令與兩種執行環境見訓練器概覽。