机器学习

用 Qwen2.5-Instruct 分词器把角色消息转换成聊天模型输入，核对 assistant 起点及两种分词路径，避免重复特殊 token。

用配套 fast tokenizer 打印 token、数字 ID 和原文字符位置，区分特殊 token、子词与解码结果；附可运行英文示例及实际分词核对。

以人工参考稿评估中文语音转写，使用 JiWER 4.0计算 CER、查看替换删除插入，统一标点与数字口径，并区分字符误差和关键事实错误。

同时控制模型初始化与 DataLoader 乱序，用两次同种子运行比较顺序、损失和参数，再用不同种子对照；说明跨设备和版本的复现边界。

给 DeepSeek 一段可复制的机器学习数学提示词，用固定输入推导线性打分、sigmoid、导数和 log-odds，再用 Python 标准库独立核对数值与浮点边界。

把十条样本的 4、4、2 小批次按真实样本数累积成 8、2 两次更新，核对最后不足一组的数据未遗漏，并与真实大批次对照参数。

固定逻辑回归模型、输入与线程设置，预热后用 perf_counter_ns 统计 CPU 推理 P50/P95 和样本吞吐；保存模型参数指纹和环境，说明与在线服务及 LLM 测速的区别。

用普通 PyTorch 分层模型演示冻结、清理旧梯度与分阶段解冻，核对更新前后的参数，并把新解冻参数加入现有优化器。

在 PyTorch 循环中按验证损失、改善阈值和等待次数实现早停，分别保存实际最佳参数，并用人为标签偏移验证停止后能恢复最佳轮次。

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。