模型训练

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。

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。

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。

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。

用 joblib 保存包含标准化的完整 Pipeline，记录特征顺序与依赖版本，核对可信文件加载前后的标签和概率。

在同一训练池与同一折索引上比较逻辑回归和随机森林的 Macro F1、波动与训练时间，保留独立测试检查。

用 StandardScaler 与 Pipeline 演示训练均值核对，避免测试数据参与预处理拟合，并说明交叉验证和预测列顺序的边界。