# 输入法预测模型架构设计 (Input Method Prediction Model)

## 1. 概述
本项目旨在构建一个轻量级、高精度的中文输入法预测模型。核心设计理念是通过**结构化槽位记忆**与**交叉注意力机制**，将当前语境（光标前后文本+拼音）与历史输入习惯深度融合。为了在有限的计算资源下保持高表达能力，模型引入了**混合专家网络 (MoE)** 模块。

## 2. 核心架构流程
数据流遵循以下路径：
`输入编码` → `Transformer 上下文编码` → `槽位记忆嵌入` → `交叉注意力融合` → `门控+专家混合 (MoE)` → `分类预测` → `束搜索解码`

### 2.1 输入层设计
模型接收三类输入，分别处理以保持语义清晰：
1.  **当前文本上下文**：包含光标前文本（Prefix）和光标后文本（Suffix）。
2.  **拼音序列**：与当前文本对应的拼音信息，作为增强特征融入文本编码。
3.  **历史槽位序列**：最近 N 个历史输入词汇，作为结构化记忆输入。

### 2.2 模块详解

#### A. Transformer 编码器 (Context Encoder)
负责提取当前语境的深层语义表示。
*   **输入处理**：将 Prefix、Suffix 及拼音通过 Embedding 层映射。拼音采用**特征叠加**或**独立 Token** 方式融入，避免双流架构的复杂性。
*   **骨干网络**：使用标准的 Transformer Encoder。
    *   **隐藏层维度**：512 [1]
    *   **Transformer 层数**：4 层（轻量级设计，从头训练） [1]
    *   **注意力头数**：4 头 [1]
*   **输出**：上下文表示 $H$，形状为 `[batch, L, 512]` [1]。

#### B. 槽位记忆模块 (Slot Memory)
负责将非结构化的历史输入转化为结构化的记忆向量。
*   **嵌入方式**：历史词汇通过独立的 `Slot Embedding` 查找表映射。
*   **位置编码**：添加可学习的 `Positional Embedding` 以保留历史输入的时间顺序信息。
*   **输出**：槽位序列 $S$，形状为 `[batch, Num_Slots, 512]`。

#### C. 交叉注意力融合 (Cross-Attention Fusion)
这是模型的核心创新点，用于动态关联"历史记忆"与"当前语境"。
*   **Query (Q)**：当前步的槽位序列 $S$（经过位置编码后）。
*   **Key/Value (K/V)**：Transformer 编码器输出的上下文表示 $H$ [1]。
*   **机制**：让历史槽位主动关注当前文本语境，捕捉如"在'班级第一名'语境下，'王次香'比'王慈祥'更相关"的逻辑。
*   **输出**：融合后的特征序列，形状为 `[batch, Num_Slots, 512]`。

#### D. 门控与专家混合 (Gating + MoE)
实际测试表明，移除 MoE 会导致模型性能显著下降，因此该模块对于捕捉复杂分布至关重要。
*   **专家数量**：20 个专家 [1]。
*   **门控机制**：根据输入特征动态选择激活部分专家，实现稀疏激活，在增加模型容量的同时控制计算成本。
*   **输出**：经过专家网络增强后的特征向量。

#### E. 分类头与解码
*   **分类预测**：MoE 输出的特征向量通过全连接层映射到词表空间，输出下一个字/词的概率分布。
*   **解码策略**：推理阶段使用**束搜索 (Beam Search)**，束宽设为 5 [1]。

## 3. 关键超参数配置

为确保模型性能与效率的平衡，建议采用以下超参数 [1]：

| 参数项 | 推荐值 | 说明 |
| :--- | :--- | :--- |
| **序列长度 (L)** | 128 | 上下文窗口大小 [1] |
| **隐藏层维度** | 512 | Embedding 及 Transformer 内部维度 [1] |
| **Transformer 层数** | 4 | 轻量级骨干，降低延迟 [1] |
| **注意力头数** | 4 | 适配 512 维度的高效配置 [1] |
| **专家数量** | 20 | MoE 层中的专家总数，对性能至关重要 [1] |
| **束宽 (Beam Width)** | 5 | 推理时平衡速度与准确率 [1] |
| **学习率** | 1e-4 ~ 5e-4 | 建议配合 Warmup 策略 [1] |

## 4. 训练策略

本模型采用标准的**序列到序列（Seq2Seq）监督学习**范式，直接对目标槽位序列进行逐步预测。

### 4.1 数据构造与标签
*   **输入三元组**：训练数据由 `(上下文, 拼音, 目标槽位序列)` 构成 [1]。
    *   **上下文**：光标前后的文本片段。
    *   **拼音**：当前待输入字的拼音序列。
    *   **目标槽位序列**：真实用户输入的文字 ID 序列，作为模型的监督信号 [1]。
*   **标签处理**：在每一个槽位步（Step），模型需要预测该步对应的真实文字 ID [1]。

### 4.2 损失函数与优化
*   **损失函数**：使用 **CrossEntropyLoss** 计算每一步预测结果与真实标签之间的差异 [1]。
    *   **掩码机制**：仅计算非填充位置（Non-padding positions）的损失，忽略无效的时间步 [1]。
*   **优化器**：采用 **AdamW** 进行参数更新 [1]。

### 4.3 训练流程细节
1.  **前向传播**：
    *   模型接收上下文和拼音，通过 Transformer 编码得到语境表示。
    *   结合历史槽位记忆，通过交叉注意力和 MoE 模块融合特征。
    *   分类头输出当前步所有候选字的概率分布。
2.  **Teacher Forcing**：
    *   在训练过程中，**强制使用真实的上一槽位输出**作为下一步的输入条件。这意味着模型在训练时始终基于"正确的历史"进行预测，从而快速收敛。
3.  **反向传播**：
    *   根据 CrossEntropyLoss [1] 计算梯度，并通过 AdamW [1] 更新模型权重。

### 4.4 推理与训练的差异
*   **训练时**：使用 Ground Truth（真实标签）作为槽位输入，确保模型学习到最优的条件概率分布。
*   **推理时**：由于无法获取真实标签，模型采用**束搜索（Beam Search）** [1]。
    *   **束宽**：默认为 5 [1]。
    *   **候选维护**：每个候选路径独立维护其历史槽位序列及累计概率 [1]。
    *   **终止条件**：当所有槽位填满（如 8×3=24 步）或所有候选分支的最高概率词均为终止符时退出 [1]。

## 5. Jupyter Lab 训练示例

以下是在 Jupyter Lab 环境中使用 `trainer.Trainer` 类训练输入法模型的完整示例：

```python
# %% [markdown]
# # 输入法模型训练示例
# 本笔记本展示如何使用 trainer.Trainer 类训练输入法模型

# %% [code]
# 1. 导入必要的库
import sys
import os
from pathlib import Path
from datetime import datetime

import torch
from torch.utils.data import DataLoader

# 添加项目路径（适应不同的Jupyter Lab运行位置）
project_root = Path.cwd()
# 检查当前目录是否包含src目录，如果不包含则使用父目录
if not (project_root / "src").exists():
    project_root = project_root.parent
sys.path.insert(0, str(project_root))  # 优先搜索项目目录

# 导入项目模块
from src.model.model import InputMethodEngine
from src.model.dataset import PinyinInputDataset
from src.model.trainer import Trainer, worker_init_fn, collate_fn

# %% [code]
# 2. 配置训练参数
config = {
    # 数据参数
    "train_data_path": "/path/to/your/train/dataset",  # 替换为训练数据集路径
    "eval_data_path": "/path/to/your/eval/dataset",    # 替换为评估数据集路径
    "output_dir": "./training_output",
    
    # 模型参数
    "vocab_size": 10019,
    "pinyin_vocab_size": 30,
    "dim": 512,
    "num_slots": 8,
    "n_layers": 4,
    "n_heads": 4,
    "num_experts": 20,
    "max_seq_len": 128,
    
    # 训练参数
    "batch_size": 64,  # 根据GPU内存调整
    "num_epochs": 10,
    "learning_rate": 3e-4,
    "min_learning_rate": 1e-9,
    "weight_decay": 0.1,
    "warmup_ratio": 0.1,
    "label_smoothing": 0.15,
    "grad_accum_steps": 2,  # 梯度累积，模拟更大batch size
    "clip_grad_norm": 1.0,
    "eval_frequency": 500,  # 每500步评估一次
    "save_frequency": 2000, # 每2000步保存检查点
    
    # 高级选项
    "mixed_precision": True,
    "use_tensorboard": True,
    "seed": 42,
    "max_iter_length": 1024 * 1024 * 128,  # 最大迭代长度
}

# %% [code]
# 3. 设置随机种子和设备
torch.manual_seed(config["seed"])
if torch.cuda.is_available():
    torch.cuda.manual_seed_all(config["seed"])
    device = torch.device("cuda")
    print(f"✅ 使用 GPU: {torch.cuda.get_device_name(0)}")
else:
    device = torch.device("cpu")
    print("⚠️  使用 CPU 进行训练（建议使用 GPU 以获得更好性能）")

# %% [code]
# 4. 创建数据集和数据加载器
print("📊 创建数据集和数据加载器...")

# 训练数据集
train_dataset = PinyinInputDataset(
    data_path=config["train_data_path"],
    max_workers=-1,  # 自动选择worker数量
    max_iter_length=config["max_iter_length"],
    max_seq_length=config["max_seq_len"],
    text_field="text",
    py_style_weight=(9, 2, 1),
    shuffle_buffer_size=5000,
    length_weights={1: 10, 2: 50, 3: 50, 4: 40, 5: 15, 6: 10, 7: 5, 8: 2},
)

# 训练数据加载器
train_dataloader = DataLoader(
    train_dataset,
    batch_size=config["batch_size"],
    num_workers=min(max(1, (os.cpu_count() or 1) - 1), 8),  # 合理数量的worker
    pin_memory=torch.cuda.is_available(),
    worker_init_fn=worker_init_fn,
    collate_fn=collate_fn,
    prefetch_factor=32,
    persistent_workers=True,
)

# 评估数据集
eval_dataset = PinyinInputDataset(
    data_path=config["eval_data_path"],
    max_workers=-1,
    max_iter_length=1024,  # 评估集较小
    max_seq_length=config["max_seq_len"],
    text_field="text",
    py_style_weight=(9, 2, 1),
    shuffle_buffer_size=1000,
    length_weights={1: 10, 2: 50, 3: 50, 4: 40, 5: 15, 6: 10, 7: 5, 8: 2},
)

eval_dataloader = DataLoader(
    eval_dataset,
    batch_size=config["batch_size"],
    num_workers=1,
    pin_memory=torch.cuda.is_available(),
    worker_init_fn=worker_init_fn,
    collate_fn=collate_fn,
    prefetch_factor=32,
    persistent_workers=True,
)

print(f"✅ 数据加载器创建完成")
print(f"   训练批次大小: {config['batch_size']}")
print(f"   预估训练步数: {config['max_iter_length'] // config['batch_size']}")

# %% [code]
# 5. 创建模型
print("🧠 创建输入法模型...")

model = InputMethodEngine(
    vocab_size=config["vocab_size"],
    pinyin_vocab_size=config["pinyin_vocab_size"],
    dim=config["dim"],
    num_slots=config["num_slots"],
    n_layers=config["n_layers"],
    n_heads=config["n_heads"],
    num_experts=config["num_experts"],
    max_seq_len=config["max_seq_len"],
)

# 将模型移动到设备
model.to(device)

# 计算参数量
total_params = sum(p.numel() for p in model.parameters())
trainable_params = sum(p.numel() for p in model.parameters() if p.requires_grad)

print(f"✅ 模型创建完成")
print(f"   总参数量: {total_params:,}")
print(f"   可训练参数量: {trainable_params:,}")
print(f"   模型架构: {config['n_layers']}层Transformer, {config['dim']}维度, {config['num_experts']}个MoE专家")

# %% [code]
# 6. 创建训练器
print("⚙️ 创建训练器...")

# 计算总训练步数
total_steps = int(config["max_iter_length"] / config["batch_size"])

trainer = Trainer(
    model=model,
    train_dataloader=train_dataloader,
    eval_dataloader=eval_dataloader,
    total_steps=total_steps,
    output_dir=config["output_dir"],
    num_epochs=config["num_epochs"],
    learning_rate=config["learning_rate"],
    min_learning_rate=config["min_learning_rate"],
    weight_decay=config["weight_decay"],
    warmup_ratio=config["warmup_ratio"],
    label_smoothing=config["label_smoothing"],
    grad_accum_steps=config["grad_accum_steps"],
    clip_grad_norm=config["clip_grad_norm"],
    eval_frequency=config["eval_frequency"],
    save_frequency=config["save_frequency"],
    mixed_precision=config["mixed_precision"],
    use_tensorboard=config["use_tensorboard"],
)

print(f"✅ 训练器创建完成")
print(f"   总训练步数: {total_steps:,}")
print(f"   学习率: {config['learning_rate']:.2e} -> {config['min_learning_rate']:.2e}")
print(f"   输出目录: {config['output_dir']}")

# %% [code]
# 7. 开始训练
print("🚀 开始训练...")
print(f"开始时间: {datetime.now().strftime('%Y-%m-%d %H:%M:%S')}")

try:
    # 开始训练（可以从检查点恢复训练）
    trainer.train(resume_from=None)  # 设置检查点路径以恢复训练
    
    print("✅ 训练完成!")
    print(f"结束时间: {datetime.now().strftime('%Y-%m-%d %H:%M:%S')}")
    print(f"模型和日志保存在: {config['output_dir']}")
    
except KeyboardInterrupt:
    print("⏹️ 训练被用户中断")
    print("💾 保存当前检查点...")
    trainer.save_checkpoint("interrupted")
    print(f"检查点已保存到: {config['output_dir']}/checkpoint_interrupted.pt")
    
except Exception as e:
    print(f"❌ 训练过程中出现错误: {e}")
    import traceback
    traceback.print_exc()

# %% [code]
# 8. 监控训练进度（如果使用TensorBoard）
if config["use_tensorboard"]:
    print("📈 TensorBoard日志已记录在:")
    print(f"   {config['output_dir']}/tensorboard")
    print("\n启动TensorBoard查看训练进度:")
    print("   tensorboard --logdir ./training_output/tensorboard")
    print("然后在浏览器中打开: http://localhost:6006")

# %% [code]
# 9. 加载训练好的模型进行推理（示例）
def load_trained_model(checkpoint_path):
    """加载训练好的模型进行检查点"""
    print(f"📥 加载检查点: {checkpoint_path}")
    
    # 创建与训练时相同配置的模型
    loaded_model = InputMethodEngine(
        vocab_size=config["vocab_size"],
        pinyin_vocab_size=config["pinyin_vocab_size"],
        dim=config["dim"],
        num_slots=config["num_slots"],
        n_layers=config["n_layers"],
        n_heads=config["n_heads"],
        num_experts=config["num_experts"],
        max_seq_len=config["max_seq_len"],
    )
    
    # 加载检查点
    checkpoint = torch.load(checkpoint_path, map_location=device)
    loaded_model.load_state_dict(checkpoint["model_state_dict"])
    loaded_model.to(device)
    loaded_model.eval()
    
    print(f"✅ 模型加载完成，训练步数: {checkpoint.get('global_step', 'N/A')}")
    print(f"   训练损失: {checkpoint.get('train_loss', 'N/A'):.4f}")
    
    return loaded_model

# 使用示例（取消注释以使用）
# trained_model = load_trained_model("./training_output/checkpoint_final.pt")
```

### 关键说明

1. **环境要求**：
   - Python 3.12+
   - PyTorch 2.10+
   - 建议使用GPU进行训练
   - 安装项目依赖：`pip install -e .`

2. **数据集格式**：
   - 使用Hugging Face `datasets`格式
   - 必须包含`text`字段
   - 支持流式读取（streaming=True）

3. **训练监控**：
   - 控制台输出训练进度和指标
   - TensorBoard记录损失、准确率、学习率等
   - 定期保存模型检查点

4. **可调整参数**：
   - `batch_size`: 根据GPU内存调整
   - `learning_rate`: 建议在1e-4到5e-4之间
   - `grad_accum_steps`: 模拟更大batch size
   - `num_epochs`: 根据数据集大小调整

5. **故障排除**：
   - GPU内存不足：减小`batch_size`或增加`grad_accum_steps`
   - 训练不稳定：降低`learning_rate`或增加`warmup_ratio`
   - 过拟合：增加`label_smoothing`或使用更大数据集

## 6. 使用指南

本项目的训练功能通过命令行工具 `train-model` 提供，支持训练、评估和导出模型。

### 6.1 安装与准备

#### 使用 uv（推荐）
本项目使用 [`uv`](https://github.com/astral-sh/uv) 作为Python包管理器，它比传统的 pip 更快且更可靠。

1. **安装 uv**（如果尚未安装）：
   ```bash
   # Linux/macOS
   curl -LsSf https://astral.sh/uv/install.sh | sh
   
   # 或使用 pipx
   pipx install uv
   
   # Windows (PowerShell)
   powershell -c "irm https://astral.sh/uv/install.ps1 | iex"
   ```

2. **安装项目依赖**：
   ```bash
   uv pip install -e .
   ```

#### 使用传统 pip
如果不使用 uv，也可以用标准的 pip 安装：

```bash
# 创建并激活虚拟环境（推荐）
python -m venv .venv
source .venv/bin/activate  # Linux/macOS
# .venv\Scripts\activate   # Windows

# 安装依赖
pip install -e .
```

#### 验证安装
安装完成后，可通过以下命令验证：
```bash
train-model --help
```

### 6.2 数据格式

训练数据应为Hugging Face数据集格式，支持本地文件或远程数据集仓库。数据集需包含 `text` 字段，并支持流式读取（streaming=True）。

#### 本地数据集示例
```python
# dataset.py
from datasets import Dataset

data = {
    "text": ["这是第一个样本文本。", "这是第二个样本，用于训练输入法模型。"]
}
dataset = Dataset.from_dict(data)
dataset.save_to_disk("./local_dataset")
```

#### 远程数据集示例
支持Hugging Face Hub或ModelScope上的数据集：
- `huggingface.co/datasets/username/dataset_name`
- `modelscope.cn/datasets/username/dataset_name`

#### 数据格式要求
- **必需字段**: `text`（字符串类型，包含中文文本）
- **流式读取**: 数据集必须支持 `streaming=True` 参数
- **数据量**: 建议至少数百万条文本以获得良好效果

#### 数据预处理
数据集会自动进行以下处理：
1. 文本分词和编码
2. 拼音转换和编码
3. 上下文窗口滑动生成训练样本
4. 频率调整（削峰填谷）以平衡高频/低频字词

### 6.3 基本训练命令

使用 `train-model train` 命令开始训练：

```bash
train-model train \
  --train-data-path "path/to/train/dataset" \
  --eval-data-path "path/to/eval/dataset" \
  --output-dir "./output" \
  --batch-size 128 \
  --num-epochs 10 \
  --learning-rate 1e-5
```

#### 学习率建议
根据模型架构和超参数配置（4层Transformer，512维度），推荐使用以下学习率范围：
- **标准范围**: 1e-4 ~ 5e-4
- **配合Warmup策略**：在训练初期逐步提高学习率
- **余弦退火**：使用最小学习率 1e-9 进行细调

### 6.4 参数详解

#### 数据参数
- `--train-data-path`, `-t`: 训练数据集路径（必需）
- `--eval-data-path`, `-e`: 评估数据集路径（必需）
- `--output-dir`, `-o`: 输出目录（默认：`./output`）
- `--max_iter_length`: 最大迭代长度，控制每次训练迭代处理的数据量（默认：134217728）

#### 模型参数
- `--vocab-size`: 词汇表大小（默认：10019）
- `--pinyin-vocab-size`: 拼音词汇表大小（默认：30）
- `--dim`: 模型维度（默认：512）
- `--num-slots`: 历史槽位数量（默认：8）
- `--n-layers`: Transformer层数（默认：4）
- `--n-heads`: 注意力头数（默认：4）
- `--num-experts`: MoE专家数量（默认：20）
- `--max-seq-len`: 最大序列长度（默认：128）
- `--use-pinyin`: 是否使用拼音特征（默认：False）

#### 训练参数
- `--batch-size`, `-b`: 批次大小（默认：128）
- `--num-epochs`: 训练轮数（默认：10）
- `--learning-rate`, `-lr`: 学习率（默认：1e-5）
- `--min-learning-rate`: 最小学习率（默认：1e-9）
- `--weight-decay`: 权重衰减（默认：0.1）
- `--warmup-ratio`: 热身步数比例（默认：0.1）
- `--label-smoothing`: 标签平滑参数（默认：0.15）
- `--grad-accum-steps`: 梯度累积步数（默认：1）
- `--clip-grad-norm`: 梯度裁剪范数（默认：1.0）
- `--eval-frequency`: 评估频率（默认：500步）
- `--save-frequency`: 保存频率（默认：10000步）

#### 高级选项
- `--mixed-precision/--no-mixed-precision`: 是否使用混合精度训练（默认：启用）
- `--tensorboard/--no-tensorboard`: 是否使用TensorBoard（默认：启用）
- `--resume-from`: 从检查点恢复训练（可选）
- `--seed`: 随机种子（默认：42）

### 6.5 监控训练进度

训练过程中会显示：
- 当前训练步数/总步数
- 损失值和准确率
- 学习率变化
- 内存使用情况

启用TensorBoard后，可使用以下命令查看可视化结果：

```bash
tensorboard --logdir ./output/tensorboard
```

### 6.6 评估模型（开发中）

当前评估功能尚在开发中：

```bash
train-model evaluate \
  --checkpoint "./output/checkpoint_final.pt" \
  --data-path "path/to/eval/dataset" \
  --batch-size 32
```

命令将显示"评估功能待实现"的提示信息。该功能计划用于：
- 加载训练好的模型检查点
- 在评估数据集上计算准确率、困惑度等指标
- 生成详细的性能报告

### 6.7 导出模型（开发中）

当前导出功能尚在开发中：

```bash
train-model export \
  --checkpoint "./output/checkpoint_final.pt" \
  --output "./exported_model.onnx"
```

命令将显示"导出功能待实现"的提示信息。该功能计划用于：
- 将PyTorch模型转换为ONNX格式
- 支持在不同推理引擎上部署
- 提供优化后的推理模型

## 7. 总结
本方案通过**单流 Transformer 编码**结合**结构化槽位交叉注意力**，并引入**20个专家的 MoE 模块** [1]，在保证模型轻量（4层 Transformer）的同时，有效利用了历史输入习惯并提升了模型表达上限。相比暴力拼接或双流架构，该设计在工程实现上更优雅，在推理效率上更高效，是轻量级输入法模型的局部最优解。