AI教程

先检查 JSON 语法，再校验字段、类型、非负数量和重复编号，避免错误输出进入程序。

固定 DeepSeek 请求记录加载、输入和生成计时，结合 Ollama 的设备分配区分冷启动、解码和并发瓶颈。

用 Python 标准库调用 Ollama Chat API，逐行处理 NDJSON、保留两轮消息历史，并识别中断和只有思考的响应。

用 Ollama Docker 容器运行 DeepSeek-R1 7B，通过命名卷持久化模型、回环端口调用接口，并检查重启后的数据。

在 Windows 定位 Ollama 的实际模型目录，退出应用后保留源副本复制到新盘，设置 OLLAMA_MODELS 并验证。

Ollama 程序更新、同标签模型重拉和标签切换分别操作，先保存模型摘要，再用固定问题核对更新结果。

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。

将真值、预测和稳定编号逐行对应，核对混淆矩阵并导出误分类 CSV，区分误报漏报和标注问题。

在 NVIDIA 驱动环境连续观察 GPU 利用率、显存和训练进程，判断任务是否使用设备。

在 PyTorch 训练循环中写入逐步损失标量，用 TensorBoard 查看曲线并核对日志目录。