企业官网建设流程全解析

博主介绍：✌ 专注于VUE,小程序，安卓，Java,python,物联网专业，有18年开发经验，长年从事毕业指导，项目实战✌选取一个适合的毕业设计题目很重要。✌关注✌私信我✌具体的问题，我会尽力帮助你。

一、研究目的

研究的主要目的在于解决手写汉字识别领域中存在的错误识别率高、鲁棒性不足以及对多样化书写风格适应性差等问题。通过引入大规模预训练语言模型与视觉Transformer相结合的多模态框架，旨在提升对细粒度笔画特征的捕捉能力，并通过自监督预训练进一步增强模型在低资源场景下的泛化性能。具体而言，本研究首先构建了包含多种书写工具、纸张类型及光照条件的跨域手写汉字数据集，以此为基础开展对比实验，验证大模型在不同域间迁移学习的效果。随后，设计了一套基于注意力机制的错误定位模块，使系统能够在识别阶段实时标注潜在误识别区域，并通过后续纠错策略实现精细化校正。通过与传统卷积神经网络和轻量级模型进行性能对比，期望证明所提出方法在准确率、召回率及推理速度方面均能达到或超过行业基准。最终，本研究旨在为教育辅助、文档数字化以及智能输入法等应用场景提供一种高效、可解释且易于部署的手写汉字错误识别解决方案。在实现过程中，研究团队将采用多尺度特征融合技术，以兼顾局部笔画细节与全局结构信息；同时引入对抗性训练机制，提升模型对噪声干扰的鲁棒性；此外，为满足实时应用需求，将探索模型剪枝与量化等压缩手段，确保在移动端设备上保持较低延迟。为评估系统的可解释性，将开发基于梯度归因方法的可视化工具，帮助用户直观了解模型对错误识别的决策依据，从而增强信任度。研究还将探讨多任务学习框架，在同一网络中同时完成字符识别与错误定位任务，以进一步提升参数利用率与整体性能。通过对比实验与用户调研，最终验证系统在真实环境中的实用性，并为后续研究提供可复现的数据集与代码开源。

二、研究意义

在信息化时代，手写汉字作为人类书写的重要形式之一，承载着丰富的文化与教育价值。传统的光学字符识别技术在面对多样化笔画、书写速度快、墨迹晕染等复杂情况时往往表现出较高的错误率，导致数字化文档质量下降，影响教育评测、历史文献数字化及智能输入等应用场景的可靠性。基于大模型的手写汉字错误识别系统能够通过深度学习模型对细粒度笔画特征进行精准建模，从而显著降低误识别率，提高文本恢复的准确度，为数字人文研究提供更为可靠的数据基础，促进跨学科研究的深入开展。

从技术层面来看，本研究将大规模预训练语言模型与视觉Transformer相结合，构建多模态框架，能够兼顾语义上下文与视觉细节信息。该方法在低资源、跨域环境下展现出更强的迁移学习能力，解决了传统卷积网络在少量标注数据时易过拟合的问题。通过自监督预训练和对抗性训练的引入，模型对噪声干扰和书写风格差异具有更高的鲁棒性，为手写汉字识别技术提供了新的理论与方法论支持。

在工业应用层面，随着移动终端与物联网设备的普及，实时、低延迟的手写识别已成为关键需求。通过模型剪枝、量化以及多尺度特征融合，本研究提出的系统能够在保证高精度的前提下实现推理速度提升，使得在智能手机、平板电脑等资源受限设备上部署成为可能。该技术的落地将推动教育软件、数字签名验证以及移动办公工具等领域的创新，提升用户体验与工作效率。

未来研究可在本工作基础上进一步探索多任务学习框架，将字符识别、错误定位与风格迁移等任务统一到同一网络中，以提高参数利用率和整体性能。同时，可结合生成式模型实现对错误字符的自动纠正，构建闭环自我学习机制。通过开放数据集与代码共享，本研究将为学术界提供可复现的实验平台，激发更多关于大模型在低资源、跨域手写文字识别领域的探索与突破。

三、国内外研究现状

在全球范围内，手写汉字识别技术的研究起始于上世纪八十年代的基于模板匹配与特征提取的方法，随后随着深度学习技术的兴起，卷积神经网络成为主流方案，其在 ICDAR 2013、2015 等国际竞赛中取得了显著进展，尤其是利用 CASIA、HWDB 等公开数据集的研究成果，为后续算法提供了可靠的基准。与此同时，递归神经网络与注意力机制相结合的序列模型被提出，用以捕捉笔画顺序信息，进一步提升识别准确率；在此基础上，研究者开始尝试将视觉Transformer引入字符级别的特征提取，以利用其全局自注意力优势，在大规模数据集上实现更高的鲁棒性。国内研究方面，随着高校与科研机构对数字化文献和教育技术的重视，出现了多种针对汉字书写风格多样性的深度模型，例如 HCCR-ALN、DRCNN、CRNN 等，它们通过多尺度特征融合与数据增强技术显著降低了错误识别率，并在国内公开数据集上刷新了性能记录。与此同时，国内学者也开始关注错误定位与纠错任务，提出基于梯度归因的可解释错误检测方法，并结合语言模型进行后处理，实现了对误识别字符的自动纠正。国外研究则侧重于跨语言、跨域迁移学习与自监督预训练，在 Vision Transformer 与 BERT 等大模型框架中引入多模态信息，探索手写文字与语义上下文的联合建模；美国与欧洲的研究团队利用大规模无标签数据进行对比学习，显著提升了少样本场景下的识别性能，并在多语言混写任务中取得了突破。近年来，随着大模型技术的快速发展，国内外学者纷纷尝试将预训练语言模型与视觉Transformer相结合，以实现端到端的错误识别与纠正系统；同时，少样本学习、对抗性训练以及模型压缩技术被广泛应用于移动端部署场景，推动了手写汉字识别技术向工业化方向迈进。尽管已取得诸多成果，但在极端噪声、复杂书写风格以及低资源语言环境下的鲁棒性仍需进一步提升，未来研究将聚焦于多任务学习框架、跨域自适应机制以及可解释性增强，以实现更高效、更可靠的手写汉字错误识别系统。

四、预期达到目标及解决的关键问题

本研究的总体目标在于构建一套基于大模型的手写汉字错误识别系统，该系统能够在多种书写环境下实现高精度识别、实时错误定位以及可解释的纠错建议，从而为数字化文档、教育评测与智能输入等应用场景提供可靠技术支持。为实现此目标，研究计划首先收集并标注包含多种书写工具、纸张类型及光照条件的跨域手写汉字数据集，以保证模型在真实环境中的泛化能力；随后设计融合视觉Transformer与大规模预训练语言模型的多模态框架，并引入自监督预训练与对抗性学习，以提升对细粒度笔画特征的捕捉和鲁棒性；再者，构建基于注意力机制的错误定位模块，使系统能够在识别阶段实时标注潜在误识别区域，并通过后续纠错策略实现精细化校正；最后，通过与传统卷积网络、轻量级模型以及现有错误识别方法进行对比实验，验证所提方案在准确率、召回率及推理速度方面的优势。关键问题主要包括：①数据多样性与不平衡导致的模型过拟合风险；②跨域迁移学习中的域偏移与特征分布差异；③大模型参数量与移动端部署的资源瓶颈；④错误定位的细粒度要求导致的误差传播；⑤视觉与语言模态融合时信息互补与冗余的平衡；⑥系统可解释性不足影响用户信任。针对上述问题，研究将探索多尺度特征融合、领域自适应技术、模型剪枝与量化策略、梯度归因可视化方法以及多任务学习框架，以期在保证高精度与实时性的前提下实现系统的可解释性与易部署性。

五、研究内容

本研究以构建基于大模型的手写汉字错误识别系统为核心，围绕数据集构建、模型设计、训练策略、错误定位与纠错以及系统评估与部署等关键环节展开系统性探讨。首先，在数据集构建方面，将采集来自不同书写工具、纸张材质及光照条件的手写汉字样本，并采用多标注者交叉验证的方式确保标注质量；随后对原始图像进行标准化预处理，包括灰度化、二值化与尺寸归一化，以消除低质量图像对模型训练的干扰；接着，利用数据增强技术如随机裁剪、旋转、噪声叠加与笔画变形，扩充样本空间，提升模型在极端书写环境下的鲁棒性。其次，在模型设计方面，将视觉Transformer与大规模预训练语言模型（如BERT、RoBERTa）进行多模态融合，形成统一的特征提取与语义理解框架；视觉Transformer负责捕捉笔画级别的空间关系，而语言模型则提供字符上下文信息，二者通过跨模态注意力机制实现信息互补；为降低参数量并适配移动端部署，研究将探索轻量化变体如MobileViT与DistilBERT，并引入知识蒸馏技术将大模型知识迁移至小模型。再次，在训练策略方面，将采用自监督预训练方法对视觉Transformer进行无监督学习，利用对比学习与生成式任务提升特征表达能力；随后在有标签数据上进行多任务微调，联合优化字符识别与错误定位两个目标，利用交叉熵与Dice损失的加权组合实现精细化学习；为进一步提升模型对噪声干扰的抵抗力，将引入对抗性训练，在训练过程中随机生成扰动样本并强制模型保持一致输出。随后，系统将集成错误定位模块，该模块基于注意力权重可视化与梯度归因技术实时识别可能误识别的字符区域，并将位置信息反馈给后端纠错引擎；纠错引擎则结合语言模型的上下文概率与候选字符集，采用束搜索或Beam Search方式生成最优纠正建议，并通过可解释性可视化向用户展示决策依据。最后，在系统评估与部署环节，将在公开数据集（如CASIA、HWDB）以及自建跨域数据集上进行定量评估，指标包括字符识别准确率、错误定位召回率与误报率；同时，对模型推理速度与内存占用进行基准测试，以验证其在移动端设备上的可行性；为促进学术交流与工业落地，研究将开放完整代码、训练脚本与标注数据，遵循可复现性原则。通过上述整体研究内容，本项目旨在实现一套高精度、低延迟且具备可解释性的手写汉字错误识别系统，为数字化文档处理、教育评测与智能输入等应用场景提供技术支撑。

六、需求分析

用户需求
在数字化文档处理、在线教育评测与移动输入场景中，使用者普遍面临手写汉字识别误差导致的效率低下与质量下降问题。首先，教师与学生在批改作业时需要快速、准确地识别手写答案，减少人工核对时间；其次，文档数字化工作者希望能够将纸质资料高效转为可编辑文本，避免因识别错误产生的后续纠错成本；再次，智能输入法用户期望在手机或平板上书写时能即时获得准确的文字反馈，并在出现误识别时得到及时纠正提示。综上，使用者对系统的主要需求包括：高识别准确率以降低人工校对负担；实时错误定位与纠错功能以提升交互体验；可解释性输出以增强用户信任；以及低延迟与轻量化部署能力以满足移动端使用场景。
功能需求
1. 数据预处理与增强模块：能够对多来源手写图像进行灰度化、二值化、尺寸归一化，并支持随机裁剪、旋转、笔画变形等增强操作，以提升模型鲁棒性。
2. 多模态识别引擎：集成视觉Transformer与预训练语言模型，采用跨模态注意力机制实现字符级空间特征与上下文语义的融合，支持端到端字符识别。
3. 错误定位子系统：利用梯度归因或注意力可视化技术实时标注可能误识别的字符区域，并将位置信息输出给纠错模块。
4. 自动纠错引擎：基于语言模型上下文概率与候选字符集，采用束搜索等策略生成最优纠正建议，并通过可视化方式展示决策依据。
5. 轻量化与部署适配：实现模型剪枝、量化与知识蒸馏，使系统能够在CPU或GPU资源受限的移动设备上以低延迟运行。
6. 性能评估与监控接口：提供准确率、召回率、误报率及推理时延等指标的实时监控，支持模型在线更新与版本管理。
7. 用户交互界面：设计简洁直观的图形化界面，支持手写输入、错误高亮显示、纠错建议查看与批量处理功能，以满足不同用户群体的使用习惯。

七、可行性分析

经济可行性
本项目的成本主要集中在数据采集与标注、模型训练与部署以及后期维护三大环节。数据采集方面，需在多种书写工具、纸张材质及光照条件下收集手写汉字样本，预计需要雇佣专业标注团队并投入约十万元人民币用于设备与人工成本；模型训练则依赖高性能GPU服务器，若采用云计算服务，每月租赁费用约为五千至八千元人民币，且训练周期为数周至数月；部署阶段，可通过模型剪枝与量化技术将模型压缩至几百兆字节，降低移动端存储与算力需求，从而减少硬件采购与运维成本。考虑到手写识别技术在教育评测、数字文档处理以及智能输入等领域的广泛需求，预计系统上线后可为教育机构节省人工批改成本、为政府档案数字化项目提供高效工具，并为移动输入法厂商创造新的增值服务。基于这些收益，项目的投资回报周期预计在两至三年内实现盈亏平衡，具备良好的经济可行性。

社会可行性
从社会影响角度来看，本系统能够提升教育公平性与工作效率。教师与学生在批改作业时将获得更高的识别准确率，减少因误识别导致的成绩争议；档案数字化工作者将能更快速、准确地完成纸质资料的电子化，为文化遗产保护提供技术支持；移动端用户将体验到更顺畅的书写输入，提高日常沟通效率。与此同时，系统设计需严格遵守个人信息保护法规，采用匿名化与加密技术处理用户上传的手写图像，避免泄露敏感信息。公众对人工智能技术的接受度正在提升，但仍需通过透明可解释的错误定位与纠错结果展示增强用户信任。综上，本项目在满足社会需求、促进数字包容性与符合法规方面具备较高的社会可行性。

技术可行性
技术层面，现有公开数据集如CASIA、HWDB提供了丰富的手写汉字样本，可作为预训练与评估基础；同时，视觉Transformer与大型预训练语言模型（BERT、RoBERTa）已在图像与文本任务中证明其优越性能，可直接迁移至本项目。自监督预训练与对抗性学习等技术已在学术界得到验证，可显著提升模型在低资源、跨域场景下的鲁棒性。模型压缩与知识蒸馏技术成熟，能够将大模型转换为轻量化版本，满足移动端部署需求。集成错误定位与纠错模块时，可利用梯度归因与注意力可视化技术实现实时高精度定位，并通过束搜索等算法提供可解释的纠错建议。整体而言，所需算法与工具均已成熟，硬件资源（GPU、CPU）亦易于获取，技术实现的可行性较高。

八、功能分析

系统功能模块
1. 数据采集与预处理模块：负责从多种书写工具、纸张材质及光照条件下采集手写汉字图像，并对原始图像进行灰度化、二值化、尺寸归一化与噪声去除，以消除低质量图像对后续模型训练的干扰。
2. 数据增强模块：在预处理后的数据上执行随机裁剪、旋转、缩放、笔画变形以及噪声叠加等操作，扩充样本空间，提升模型对极端书写环境的鲁棒性。
3. 视觉特征提取子系统：采用视觉Transformer结构，对增强后的图像进行多尺度特征提取，捕捉笔画级别的空间关系与细粒度纹理信息。
4. 语言模型集成模块：引入大规模预训练语言模型（如BERT、RoBERTa），对字符序列进行语义上下文建模，为后续错误定位与纠错提供概率分布与上下文约束。
5. 跨模态融合层：通过跨模态注意力机制将视觉特征与语言特征进行信息互补，形成统一的多模态表示，供字符识别与错误定位任务共享。
6. 字符识别引擎：基于融合后的多模态表示，采用端到端的分类器输出每个字符的类别概率，并生成初步识别结果。
7. 错误定位子模块：利用梯度归因或注意力可视化技术，对识别结果进行逐字符分析，实时标注可能误识别的字符位置，并将位置信息反馈给纠错引擎。
8. 自动纠错引擎：结合语言模型上下文概率与候选字符集，采用束搜索或Beam Search策略生成最优纠正建议，并通过可视化方式展示决策依据，供用户确认。
9. 轻量化与部署适配层：对大模型进行剪枝、量化与知识蒸馏，将模型压缩至几百兆字节，降低移动端存储与算力需求，并提供跨平台部署接口。
10. 用户交互界面：提供图形化输入窗口、错误高亮显示、纠错建议查看与批量处理功能，支持多设备（PC、平板、手机）使用，满足不同用户群体的操作习惯。
11. 性能监控与评估模块：实时记录识别准确率、错误定位召回率、误报率及推理时延等关键指标，并支持模型在线更新与版本管理，以保障系统持续稳定运行。

九、数据库设计

字段名(英文) | 说明(中文) | 大小 | 类型 | 主外键 | 备注
user_id | 用户编号 | 10 | INT UNSIGNED AUTO_INCREMENT | 主键 | 自动生成
username | 用户名 | 50 | VARCHAR(50) || 登录使用
password_hash | 密码哈希值 | 255 | VARCHAR(255) || 加密存储
email | 邮箱地址 | 100 | VARCHAR(100) || 用于通知
created_at | 创建时间 | 19 | DATETIME || 记录注册时间

---

字段名(英文) | 说明(中文) | 大小 | 类型 | 主外键 | 备注
sample_id | 手写样本编号 | 10 | INT UNSIGNED AUTO_INCREMENT | 主键 | 自动生成
user_id | 所属用户编号 | 10 | INT UNSIGNED || 外键，引用Users.user_id
image_path | 图像存储路径 | 255 | VARCHAR(255) || 本地或云路径
capture_time | 捕获时间 | 19 | DATETIME || 记录采集时刻

---

字段名(英文) | 说明(中文) | 大小 | 类型 | 主外键 | 备注
annotation_id | 注释编号 | 10 | INT UNSIGNED AUTO_INCREMENT | 主键 | 自动生成
sample_id | 所属样本编号 | 10 | INT UNSIGNED || 外键，引用HandwrittenSamples.sample_id
x_coord | 笔画左上角X坐标 | 5 | INT || 图像坐标
y_coord | 笔画左上角Y坐标 | 5 | INT || 图像坐标
width | 笔画宽度 | 5 | INT || 图像尺寸
height | 笔画高度 | 5 | INT || 图像尺寸
true_label | 正确字符标签 | 10 | VARCHAR(10) || 手工标注

---

字段名(英文) | 说明(中文) | 大小 | 类型 | 主外键 | 备注
result_id | 识别结果编号 | 10 | INT UNSIGNED AUTO_INCREMENT | 主键 | 自动生成
sample_id | 所属样本编号 | 10 | INT UNSIGNED || 外键，引用HandwrittenSamples.sample_id
recognized_text | 识别文本字符串 | 5000 | TEXT || 完整识别结果
confidence_score | 总体置信度 | 5,2 | DECIMAL(5,2) || 0-100

---

字段名(英文) | 说明(中文) | 大小 | 类型 | 主外键 | 备注
error_id | 错误编号 | 10 | INT UNSIGNED AUTO_INCREMENT | 主键 | 自动生成
result_id | 所属识别结果编号 | 10 | INT UNSIGNED || 外键，引用RecognizedResults.result_id
char_index | 错误字符在文本中的位置索引 | 5 | INT || 从0开始计数
error_type | 错误类型（误识别/漏写） | 20 | VARCHAR(20) || 分类标识
confidence | 错误置信度 | 5,2 | DECIMAL(5,2) || 0-100

---

字段名(英文) | 说明(中文) | 大小 | 类型 | 主外键 | 备注
correction_id | 校正编号 | 10 | INT UNSIGNED AUTO_INCREMENT | 主键 | 自动生成
error_id | 所属错误编号 | 10 | INT UNSIGNED || 外键，引用ErrorLocations.error_id
suggested_char | 建议纠正字符 | 10 | VARCHAR(10) || 可能的正确字符
suggestion_confidence | 建议置信度 | 5,2 | DECIMAL(5,2) || 0-100

---

字段名(英文) | 说明(中文) | 大小 | 类型 | 主外键 | 备注
model_id | 模型编号 | 10 | INT UNSIGNED AUTO_INCREMENT | 主键 | 自动生成
version_name | 模型版本号（如v1.0） | 20 | VARCHAR(20) || 标识版本
trained_on_date | 训练完成日期 | 19 | DATETIME || 记录时间

---

字段名(英文) | 说明(中文) | 大小 | 类型 | 主外键 | 备注
performance_id | 性能记录编号 | 10 | INT UNSIGNED AUTO_INCREMENT | 主键 | 自动生成
model_id | 所属模型编号 | 10 | INT UNSIGNED || 外键，引用ModelVersions.model_id
dataset_name | 评测数据集名称（如HWDB、CASIA） | 50 | VARCHAR(50) || 数据集标识
accuracy | 准确率（%） | 5,2 | DECIMAL(5,2) || 0-100
recall | 召回率（%） | 5,2 | DECIMAL(5,2) || 0-100

---

字段名(英文) | 说明(中文) | 大小 | 类型 | 主外键 | 备注
log_id | 日志编号 | 10 | INT UNSIGNED AUTO_INCREMENT | 主键 | 自动生成
model_id | 所属模型编号 | 10 | INT UNSIGNED || 外键，引用ModelVersions.model_id
device_type | 部署设备类型（如手机、平板） | 20 | VARCHAR(20) || 设备标识
latency_ms | 推理延迟（毫秒） | 10 | INT UNSIGNED || 性能指标

---

以上表结构遵循第一范式，所有字段均为原子值；第二范式，非主属性完全依赖于主键；第三范式，消除传递依赖。每张表均设有主键，并通过外键关联实现完整的数据完整性约束。

十、建表语句

CREATE DATABASE IF NOT EXISTS HandwrittenRecognition;
USE HandwrittenRecognition;

-- 用户信息表
CREATE TABLE Users (
user_id INT UNSIGNED AUTO_INCREMENT PRIMARY KEY,
username VARCHAR(50) NOT NULL UNIQUE,
password_hash VARCHAR(255) NOT NULL,
email VARCHAR(100),
created_at DATETIME DEFAULT CURRENT_TIMESTAMP
) ENGINE=InnoDB;

-- 手写样本表
CREATE TABLE HandwrittenSamples (
sample_id INT UNSIGNED AUTO_INCREMENT PRIMARY KEY,
user_id INT UNSIGNED NOT NULL,
image_path VARCHAR(255) NOT NULL,
capture_time DATETIME DEFAULT CURRENT_TIMESTAMP,
CONSTRAINT fk_samples_user
FOREIGN KEY (user_id) REFERENCES Users(user_id)
ON DELETE CASCADE ON UPDATE CASCADE
) ENGINE=InnoDB;

CREATE INDEX idx_samples_user ON HandwrittenSamples(user_id);

-- 注释信息表
CREATE TABLE Annotations (
annotation_id INT UNSIGNED AUTO_INCREMENT PRIMARY KEY,
sample_id INT UNSIGNED NOT NULL,
x_coord INT NOT NULL,
y_coord INT NOT NULL,
width INT NOT NULL,
height INT NOT NULL,
true_label VARCHAR(10) NOT NULL,
CONSTRAINT fk_annotations_sample
FOREIGN KEY (sample_id) REFERENCES HandwrittenSamples(sample_id)
ON DELETE CASCADE ON UPDATE CASCADE
) ENGINE=InnoDB;

CREATE INDEX idx_annotations_sample ON Annotations(sample_id);

-- 识别结果表
CREATE TABLE RecognizedResults (
result_id INT UNSIGNED AUTO_INCREMENT PRIMARY KEY,
sample_id INT UNSIGNED NOT NULL,
recognized_text TEXT NOT NULL,
confidence_score DECIMAL(5,2) NOT NULL,
CONSTRAINT fk_results_sample
FOREIGN KEY (sample_id) REFERENCES HandwrittenSamples(sample_id)
ON DELETE CASCADE ON UPDATE CASCADE
) ENGINE=InnoDB;

CREATE INDEX idx_results_sample ON RecognizedResults(sample_id);

-- 错误定位表
CREATE TABLE ErrorLocations (
error_id INT UNSIGNED AUTO_INCREMENT PRIMARY KEY,
result_id INT UNSIGNED NOT NULL,
char_index INT NOT NULL,
error_type VARCHAR(20) NOT NULL,
confidence DECIMAL(5,2) NOT NULL,
CONSTRAINT fk_error_result
FOREIGN KEY (result_id) REFERENCES RecognizedResults(result_id)
ON DELETE CASCADE ON UPDATE CASCADE
) ENGINE=InnoDB;

CREATE INDEX idx_error_result ON ErrorLocations(result_id);

-- 纠错建议表
CREATE TABLE Corrections (
correction_id INT UNSIGNED AUTO_INCREMENT PRIMARY KEY,
error_id INT UNSIGNED NOT NULL,
suggested_char VARCHAR(10) NOT NULL,
suggestion_confidence DECIMAL(5,2) NOT NULL,
CONSTRAINT fk_correction_error
FOREIGN KEY (error_id) REFERENCES ErrorLocations(error_id)
ON DELETE CASCADE ON UPDATE CASCADE
) ENGINE=InnoDB;

CREATE INDEX idx_correction_error ON Corrections(error_id);

-- 模型版本表
CREATE TABLE ModelVersions (
model_id INT UNSIGNED AUTO_INCREMENT PRIMARY KEY,
version_name VARCHAR(20) NOT NULL UNIQUE,
trained_on_date DATETIME DEFAULT CURRENT_TIMESTAMP
) ENGINE=InnoDB;

-- 性能评测表
CREATE TABLE PerformanceMetrics (
performance_id INT UNSIGNED AUTO_INCREMENT PRIMARY KEY,
model_id INT UNSIGNED NOT NULL,
dataset_name VARCHAR(50) NOT NULL,
accuracy DECIMAL(5,2) NOT NULL,
recall DECIMAL(5,2) NOT NULL,
CONSTRAINT fk_performance_model
FOREIGN KEY (model_id) REFERENCES ModelVersions(model_id)
ON DELETE CASCADE ON UPDATE CASCADE
) ENGINE=InnoDB;

CREATE INDEX idx_performance_model ON PerformanceMetrics(model_id);

-- 推理日志表
CREATE TABLE Logs (
log_id INT UNSIGNED AUTO_INCREMENT PRIMARY KEY,
model_id INT UNSIGNED NOT NULL,
device_type VARCHAR(20) NOT NULL,
latency_ms INT UNSIGNED NOT NULL,
CONSTRAINT fk_logs_model
FOREIGN KEY (model_id) REFERENCES ModelVersions(model_id)
ON DELETE CASCADE ON UPDATE CASCADE
) ENGINE=InnoDB;

CREATE INDEX idx_logs_model ON Logs(model_id);

文章下方名片联系我即可~大家点赞、收藏、关注、评论啦 、查看下方👇🏻获取联系方式👇🏻