整理 Q1-Q3 实验代码与结果

math/Q1/README.md

@@ -7,12 +7,12 @@
 在仓库根目录执行：
 
 ```bash
-cd math
+cd math/Q1
 uv sync
 uv run python compare_models.py
 ```
 
-默认使用 CUDA（如果可用），需要可访问 Hugging Face 下载 BERT 与 Wav2Vec2 权重；MediaPipe Face Landmarker 权重会保存在 `math/cache/`。可用 `--device cpu` 指定 CPU。缓存保存在 `math/cache/native/`，中断后重跑会继续使用已完成样本。只有传入 `--force-extract` 才会重算全部原始特征。
+默认使用 CUDA（如果可用），需要可访问 Hugging Face 下载 BERT 与 Wav2Vec2 权重；MediaPipe Face Landmarker 权重会保存在 `math/Q1/cache/`。可用 `--device cpu` 指定 CPU。缓存保存在 `math/Q1/cache/native/`，中断后重跑会继续使用已完成样本。只有传入 `--force-extract` 才会重算全部原始特征。
 
 ## 对照定义
 

math/Q1/compare_models.py

@@ -33,7 +33,7 @@ from sklearn.model_selection import GroupKFold
 from transformers import AutoModel, AutoModelForCTC, AutoTokenizer
 
 
-ROOT = Path(__file__).resolve().parents[1]
+ROOT = Path(__file__).resolve().parents[2]
 MATH_DIR = Path(__file__).resolve().parent
 DATA_DIR = ROOT / "E题数据" / "附件1-数据集原始多模态样本" / "MOSEI数据集部分原始视频-100条"
 LABEL_FILE = DATA_DIR / "label-100.xlsx"
@@ -1668,7 +1668,7 @@ def _write_report(
     lines = [
         "# 问题一 B0-B4 模型对比结果",
         "",
-        "本报告按 `math/问题一.pdf` 第 4.8.3 节实施五组单因素对照。全部 100 条附件一视频均使用同一套冻结特征抽取器、0.1 秒主时间网格、观测掩码与按 `video_id` 分组的五折划分。情感标签仅用于折内的轻量预测探针，不进入时间对齐、CTC 后验或动态签名计算。",
+        "本报告按 `math/Q1/问题一.pdf` 第 4.8.3 节实施五组单因素对照。全部 100 条附件一视频均使用同一套冻结特征抽取器、0.1 秒主时间网格、观测掩码与按 `video_id` 分组的五折划分。情感标签仅用于折内的轻量预测探针，不进入时间对齐、CTC 后验或动态签名计算。",
         "",
         "## 实际特征和比较版本",
         "",
@@ -1727,7 +1727,7 @@ def _write_report(
         "uv run python compare_models.py",
         "```",
         "",
-        "特征缓存写在 `math/cache/native/`，正式结果只写在 `math/results/model_comparison/`。删除缓存后会从附件一重新提取。首次运行需要下载 BERT、Wav2Vec2 和 MediaPipe Face Landmarker 权重。",
+        "特征缓存写在 `math/Q1/cache/native/`，正式结果只写在 `math/Q1/results/model_comparison/`。删除缓存后会从附件一重新提取。首次运行需要下载 BERT、Wav2Vec2 和 MediaPipe Face Landmarker 权重。",
     ]
     (output_dir / "report.md").write_text("\n".join(lines) + "\n", encoding="utf-8")