# 自动增量训练配置

auto_training:
  # 总开关
  enabled: false                # 暂时关闭自动增训
  
  # 数据管理
  data:
    keep_normal_days: 7         # 正常音频保留天数
    keep_anomaly_days: -1       # 异常音频保留天数（-1=永久）
    cleanup_time: "00:00"       # 每日清理时间（0点）
    
  # 增量训练配置
  incremental:
    enabled: true
    schedule_time: "02:00"      # 每日训练时间
    
    # 数据采样
    use_days_ago: 1             # 使用N天前的数据（1=昨天）
    sample_hours: 1             # 随机采样时长（小时），0=使用全部
    min_samples: 50             # 最少样本数，不足则跳过
    
    # 训练参数（低配服务器优化）
    epochs: 30                   # 训练轮数（配合早停，实际通常更少）
    learning_rate: 0.0001       # 学习率
    batch_size: 32              # 批大小（降低显存占用）
    early_stop_patience: 5      # 早停耐心值：连续N轮loss无改善则停止
    training_device: cpu           # 训练设备选择：auto(自动检测GPU显存)/cpu/cuda
                                    # 低配服务器推荐 cpu，模型小(~192KB) CPU训练30epoch耗时可接受
    min_gpu_mem_mb: 512          # auto模式下，GPU空闲显存低于此值(MB)时回退CPU
    
  # 模型管理
  model:
    backup_before_train: true   # 训练前备份
    keep_backups: 7             # 保留备份数量
    auto_deploy: true           # 自动部署新模型
    update_thresholds: true     # 训练后更新阈值npy
    rollback_on_degradation: true   # 训练后损失异常时自动回滚到备份
    rollback_factor: 2.0            # 新模型损失 > 旧阈值 * 此因子 则判定为退化
    
  # 验证配置
  validation:
    enabled: true
  
  # 冷启动配置（新水厂无模型时）
  cold_start:
    enabled: true
    wait_hours: 2               # 等待收集数据时长
    min_samples: 100            # 最少样本数