AI教程

先在本地读取指定 UTF-8 文本并检查行号预览，再向 DeepSeek 提供经确认的内容。

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。

准备 AI 训练语料前，先看长度分布比只看平均长度有用：少量长文本可能决定截断和分批策略。下面统计字符数的分位数、空文本数量和超过教学阈值的比例，同时区分字符长度与模型 token 数。

为 AI 分类或结构化抽取准备文本时，先用可解释规则建立一个小型基线。格式固定的编号和金额可以用正则提取，但匹配失败、同字段出现多次时必须保留原文与原因。下面只解析严格约定的“编号=数字; 金额=数值”格式。

AI 数据实验得到一个结果后，要能确认使用的是哪份输入、哪段代码和哪些依赖。下面保存一个本地运行记录：依赖版本、Python 版本、输入文件哈希和脚本哈希。它帮助你识别环境变化，但不保证模型结果必然完全可重复。

准备把表格交给 AI 做分析时，先在本地做一个专用副本：删掉任务不需要的直接标识列，遮盖联系方式，再检查剩余字段能否组合识别人。下面的 Python 示例展示机械处理和检查方法，不把遮盖后的表格称为已经匿名。