Add project architecture analysis doc and integrate it into README docs index

README.md

@@ -241,6 +241,7 @@ output/pruning/<model>/ratio<ratio>_<global|local>_ft<epochs>_bs<batch_size>/
 
 - [数据准备指南](docs/DATA_PREPARATION.md) - 如何准备和组织数据集
 - [模型架构说明](docs/MODEL_ARCHITECTURE.md) - 各种 ResNet 架构的详细说明
+- [项目架构分析](docs/PROJECT_ARCHITECTURE.md) - 当前项目分层架构与阶段完成度分析
 - [训练参数调优](docs/TRAINING_GUIDE.md) - 训练参数调优建议
 - [剪枝指南](docs/PRUNING_GUIDE.md) - 基于 torch-pruning 的结构化剪枝与微调说明
 - [命令行参数详解](docs/CLI_ARGUMENTS.md) - 完整的命令行参数说明

docs/PROJECT_ARCHITECTURE.md

@@ -0,0 +1,55 @@
+# 项目架构分析
+
+## 1. 总体架构
+
+项目采用分阶段、模块化设计，核心分为三层：
+
+- **入口层**：`src/base_model_main.py`、`src/pruning_main.py`
+- **能力层**：`src/base_model/`、`src/pruning/`、`src/qat/`
+- **文档与配置层**：`docs/`、`pyproject.toml`、`pixi.toml`
+
+当前已完整实现的是基座训练与剪枝微调流程，QAT 目录已预留但尚未实现完整训练链路。
+
+## 2. 训练阶段架构
+
+### 2.1 基座模型训练（`base_model`）
+
+基座阶段提供完整的训练、验证、测试与可视化能力：
+
+- `dataset.py`：`.npy` 数据集加载与划分
+- `resnet_lightweight.py` / `resnet_standard.py`：模型定义
+- `trainer.py`：训练主循环、AMP、学习率调度、checkpoint 保存
+- `tester.py`：测试评估
+- `visualizer.py` / `confusionMatrix.py`：训练曲线、混淆矩阵、UMAP 可视化
+- `utils.py`：模型实例化与通用工具函数
+
+输出路径统一落在 `output/base_model/...`，并保留最佳模型与训练统计信息。
+
+### 2.2 剪枝微调（`pruning`）
+
+剪枝阶段基于已训练模型进行结构化剪枝并可选微调：
+
+- `args.py`：参数定义
+- `checkpoint.py`：基座 checkpoint 读取与兼容
+- `topology.py`：模型拓扑与签名提取
+- `pruner.py`：剪枝策略执行
+- `trainer.py`：微调流程
+- `evaluator.py`：评估流程
+
+输出路径统一落在 `output/pruning/...`，包含剪枝摘要、最佳模型和日志。
+
+## 3. 模块协作关系
+
+1. 入口脚本解析参数并初始化运行环境  
+2. 数据模块构建 DataLoader  
+3. 模型模块按参数创建具体 ResNet 结构  
+4. 训练/剪枝模块执行主流程并周期性评估  
+5. 工具模块统一保存 checkpoint、指标和可视化结果
+
+## 4. 当前完成度评估
+
+- ✅ 基座训练链路：完成
+- ✅ 剪枝 + 微调链路：完成
+- ⏳ QAT（量化感知训练）链路：目录和接口预留，完整实现未完成
+
+整体上，项目已形成“**基座训练 → 剪枝微调 →（预留）QAT**”的可扩展分层架构，代码组织清晰，便于后续继续补齐 QAT 阶段。