AI教程

用 Graphviz 描述 4→8→3 的神经网络，标出层、箭头和张量尺寸；给出 DOT 生成与 SVG 渲染步骤，用 NumPy 前向计算检查尺寸和概率归一化。

用一维回归演示训练检查点保存和恢复，核对模型、Adam 状态与已完成步数，并与连续训练及遗漏优化器状态的反例对照。

用 scikit-learn 从带标签的 Iris 数据训练决策树，导出完整文字规则和逐行预测，通过独立测试、混淆矩阵及真实决策路径检查模型。

用 batched map 将文本拆成多行，同步复制来源与标签，移除旧列并排查 ArrowInvalid 列长不一致。

用 ImageHash pHash 筛出训练图片近似重复，保留哈希库存、候选图片对与错误清单；通过合成图片核对距离，人工校准阈值并避免训练测试同源泄漏。

保存 DatasetDict，在新进程从磁盘恢复训练与验证划分，核对行数、样本和 ClassLabel 结构及离线前提。

按规范化文本做精确去重，保留重复条目到首条的映射，并将同文本不同标签的整组记录隔离复核。

先保存 pgvector 精确 top-10，再建立余弦 HNSW 索引，检查查询计划并计算交集召回；调整 ef_search 后以相同基线复测。

将类别列编码为 ClassLabel，以 Datasets 分层切分训练与验证，并核对类别比例、样本 ID 交集及可重复性。

用 Datasets 为无效文本和标签保留拒绝原因、原始 ID 与记录位置，再核对接受表和拒绝表的行数守恒。