风控建模：从零散记录到规范复现的实验管理（2）示例

一、标准化目录结构

your_project/
├── work_dirs/                  # 所有实验结果统一存放
│   ├── 20210520_1430_resnet50_lr0.001/  # 子目录命名：时间戳_模型名称_关键改动
│   │   ├── config.yaml         # 实验配置副本（必存）
│   │   ├── log.txt             # 完整运行日志（含训练/测试输出）
│   │   ├── model_best.pth      # 最优模型权重
│   │   ├── results.csv         # 关键指标汇总（如准确率、loss曲线数据）
│   │   ├── code_snapshot/      # 代码副本（可选，复杂实验建议存）
│   │   │   ├── train.py        # 训练脚本快照
│   │   │   └── model.py        # 模型定义快照
│   │   └── figures/            # 可视化结果（如loss曲线、混淆矩阵）
│   └── 20210521_0915_transformer_dropout0.2/  # 新实验目录
└── train.py                    # 主训练脚本（超参数通过argparse/.yaml传入）

二、log.txt 开头固定格式（直接复制到日志文件首行）

==================================================
【实验基本信息】
实验ID：20210520_1430_resnet50_lr0.001
实验目的：验证学习率0.001对ResNet50在CIFAR-10数据集上的分类性能影响
启动命令：python train.py --config configs/resnet50_cifar10.yaml --lr 0.001 --seed 42
启动时间：2021-05-20 14:30:22
环境信息：Python 3.7 + Theano 0.7.0 + CUDA 3.2（GPU：NVIDIA Tesla C1060）
随机种子：42（确保结果可复现）
Git Commit Hash：a7f3bc9（代码版本回溯）
==================================================
【核心超参数】
模型名称：ResNet50
数据集：CIFAR-10（训练集50000张，测试集10000张）
学习率：0.001（优化器：SGD，动量：0.9，权重衰减：1e-4）
批次大小：64
训练轮数：100
关键改动：激活函数替换为Sigmoid（GELU未普及），简化注意力机制模块
==================================================
【训练/测试日志】
（以下接脚本运行输出，如epoch、loss、acc等）
Epoch 1/100: Train Loss=2.301, Val Acc=35.2%
...

三、配套 config.yaml 模板

# ===================== 基础配置（必改）=====================
experiment:
  id: "20210520_1430_resnet50_lr0.001"  # 与实验目录名一致
  purpose: "验证学习率0.001对ResNet50在CIFAR-10的分类性能影响"  # 实验目的
  seed: 42  # 随机种子（确保可复现）
  device: "cuda:0"  # 设备（cpu/cuda:0/cuda:1）
  git_commit: "a7f3bc9"  # Git提交哈希（代码版本）

# ===================== 数据配置 =====================
data:
  dataset_name: "CIFAR-10"  # 数据集名称
  root: "./data/cifar10"  # 数据集存储路径
  train_batch_size: 64  # 训练批次大小
  val_batch_size: 128  # 验证/测试批次大小
  num_workers: 4  # 数据加载线程数
  augment:  # 数据增强配置
    resize: 224  # 图像Resize尺寸
    random_crop: True  # 随机裁剪
    random_flip: True  # 随机水平翻转
    normalize:  # 归一化参数（ImageNet均值/方差）
      mean: [0.485, 0.456, 0.406]
      std: [0.229, 0.224, 0.225]

# ===================== 模型配置 =====================
model:
  name: "ResNet50"  # 模型名称（需与代码中模型定义对应）
  pretrained: True  # 是否使用预训练权重
  num_classes: 10  # 类别数（CIFAR-10为10类）
  custom_config:  # 自定义改动（与log.txt关键改动一致）
    activation: "GELU"  # 激活函数
    add_attention: True  # 是否添加注意力模块

# ===================== 训练配置 =====================
training:
  epochs: 100  # 总训练轮数
  resume: False  # 是否从断点续训
  resume_path: "./work_dirs/20210520_1430_resnet50_lr0.001/model_last.pth"  # 断点路径
  early_stop:  # 早停配置（防止过拟合）
    enable: True
    patience: 10  # 连续10轮验证集指标不提升则停止
    monitor: "val_acc"  # 监控指标（val_acc/val_loss）

# ===================== 优化器配置 =====================
optimizer:
  type: "AdamW"  # 优化器类型（Adam/SGD/AdamW）
  lr: 0.001  # 初始学习率
  weight_decay: 1e-4  # 权重衰减（正则化）
  momentum: 0.9  # SGD专用（AdamW可忽略）

# ===================== 学习率调度器 =====================
lr_scheduler:
  type: "CosineAnnealingLR"  # 调度器类型（StepLR/CosineAnnealingLR）
  T_max: 100  # CosineAnnealing周期（与总epochs一致）
  eta_min: 1e-6  # 最小学习率
  step_size: 30  # StepLR专用（每30轮降权）
  gamma: 0.1  # StepLR专用（学习率衰减系数）

# ===================== 输出配置 =====================
output:
  work_dir: "./work_dirs/20210520_1430_resnet50_lr0.001"  # 实验结果存储路径
  save_freq: 10  # 每10轮保存一次模型权重
  log_freq: 100  # 每100个batch打印一次训练日志
  save_best_only: True  # 只保存验证集最优模型

四、团队共享实验记录表格（Markdown 版，可直接复制到 Git/Notion 共享）

五、Excel 版表格字段说明（直接新建Excel，按以下字段建列即可）