AI教程

按当前 Python 要求安装 rembg CPU 后端，复用 u2net 会话批量生成 PNG 并核对透明度和边缘。

用 CLIP 比较固定场景候选，解释相对 softmax 分数，并用明确与歧义图片核对分类边界。

用 DeepSeek 学随机森林时，把问题限制成可验证的小任务：每棵树如何输出概率，森林怎样汇总这些概率。下面提供学习提示词，再用本地 scikit-learn 训练三棵浅树，检查森林概率等于各树概率的平均。

KMeans 适合围绕中心、需要预设簇数且要给新样本分组的场景；DBSCAN 适合按密度连接样本，并把部分低密度点标为噪声。选择时应同时看分布、距离尺度和上线预测需求，不能只比较跑出的簇数量。

用 TrOCR 专用类识别英文单行手写图，保存候选文本并逐字回查，明确整页和中文不适用。

扩充 AI 训练文本不必先让模型生成大量新句子。对确实不改变任务标签的格式变化，可以先做少量受控变体，并保存 parent_id。下面把“机器学习”替换为“机器 学习”，验证数量、标签和原文关系；它只是格式鲁棒性练习。

为每张批量 OCR 图片保存文本和状态，区分空结果、失败与成功，并按输入文件数核对完整性。

建立 AI 语料库时，除了文本，还要能回答来源在哪里、能否使用、如何找回原文。下面把教学文本写成 JSONL，保存来源、许可状态和基于文本内容的稳定编号，并拦截空文本与未知使用状态。

用 MultiOutputRegressor 为两个连续目标分别训练回归器，固定输出顺序、保留样本编号，并按各自单位验收预测误差。

配对使用 log1p 与 expm1，让 TransformedTargetRegressor 自动还原预测，并用同一测试集核对原尺度误差和逆变换一致性。