机器学习

用验证集 PR 曲线在召回约束下选择分类阈值，再用独立测试集核对误报、漏报和复核量。给出完整代码及一次未达到目标的真实教学运行结果。

比较 PyTorch no_grad 和 inference_mode 的梯度与张量边界，用可运行示例检查推理特征能否接入可训练层，以及 eval 的独立作用。

把本地 CSV 数值特征和类别标签转为 PyTorch Dataset，检查缺列、异常值与重复编号，并用 DataLoader 核对末批和样本数量。

生成一个两特征 ONNX 小模型，在 Netron 打开并核对输入输出、算子路径、权重与版本，说明模型图查看能证明什么，以及后续如何验证推理。

用 PyTorch 保存 state_dict，在 CPU 重建模型并加载权重，检查固定输入的输出一致性，定位路径、参数键和形状冲突。

用 Evidently 比较参考与当前特征分布，生成 HTML 和 JSON 报告，同时检查缺失值，并解释列级漂移、整体告警与模型性能之间的区别。

用 GPT-2 单条续写设置 max_new_tokens，按输入 ID 长度提取新文本，并核对提前结束、采样开关与模型长度范围。

用 MLflow 记录两组训练的参数、验证指标、数据划分和模型文件，重新加载后比较预测，并解释本地实验记录与正式模型验收的边界。

处理长度不同的文本输入，按上限补齐与截断并核对 attention_mask；附实际分词长度、有效长度及特殊 token 的区别。

用现成英文分类 pipeline 分组推理，保存原始行号并核对输入输出条数；说明 CPU 批大小、超长截断与得分的解释边界。