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：

欄位	含義
`card_id`	卡片穩定識別碼。
`review_time`	複習時間，epoch 毫秒。
`review_rating`	評分，1 Again 到 4 Easy。
`review_duration`	複習耗時，毫秒。
`review_state`	複習時的卡片狀態。

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：

import { convertCsvToFsrsItems } from '@open-spaced-repetition/binding'

// One card with two reviews: first review today, second the next day.
const csv = [
  'review_time,card_id,review_rating,review_duration,review_state',
  '1704067200000,card-one,3,1000,0',
  '1704153600000,card-one,4,900,2',
].join('\n')

// The day starts at 04:00 local, in the UTC timezone.
const items = convertCsvToFsrsItems(
  new TextEncoder().encode(csv),
  4,
  'UTC',
  'FSRS-7'
)

console.log(
  JSON.stringify(
    {
      itemCount: items.length,
      reviewsPerItem: items.map((item) => item.reviews.length),
      ratings: items.map((item) => item.reviews.map((review) => review.rating)),
    },
    null,
    2
  )
)

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。

import {
  computeParameters,
  convertCsvToFsrsItemsWithCardIds,
  evaluateWithTimeSeriesSplits,
} from '@open-spaced-repetition/binding'

const response = await fetch(`${import.meta.env.BASE_URL}/revlog.csv`, {
  cache: 'force-cache',
})
if (!response.ok) throw new Error(`revlog.csv: ${response.status}`)
if (!response.body) throw new Error('revlog.csv: empty response body')
console.log('Response received. Converting reviews and training…')

const dataset = await convertCsvToFsrsItemsWithCardIds(
  response.body,
  4,
  'UTC',
  'FSRS-7'
)
const optimizedWeights = await computeParameters(dataset.items, {
  modelVersion: 'FSRS-7',
  enableShortTerm: true,
  cardIds: dataset.cardIds,
})
const metrics = await evaluateWithTimeSeriesSplits(dataset.items, {
  modelVersion: 'FSRS-7',
  enableShortTerm: true,
  cardIds: dataset.cardIds,
})

console.log(JSON.stringify({ optimizedWeights, metrics }, null, 2))

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) 是非同步的，回傳訓練好的權重。enableShortTerm 必填；numRelearningSteps 與 trainingConfig 選填，progress 在訓練期間回報 (current, total)：

const weights = await computeParameters(items, {
  modelVersion: 'FSRS-7',
  enableShortTerm: true,
  enableSchedPenalties: true,
})

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。computeParameters 執行真正的訓練迴圈，因此應在 Worker 而非主執行緒中呼叫。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，回傳帶 logLoss 與 rmseBins 的 ModelEvaluation，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。

#訓練與評估

#把複習記錄轉成項

#訓練權重

#評估擬合

訓練與評估

把複習記錄轉成項

訓練權重

評估擬合