Notebook功能概述 | AtomGit AI 社区帮助文档

免费Notebook使用

Mon, 01 Jan 0001 00:00:00 +0000

免费Notebook就像是"免费试用版",让你可以先体验一下Notebook的功能,看看是否适合你的需求。虽然有一些限制,但对于学习和简单项目来说完全够用。

免费版包含什么？

基础资源

计算资源：

资源类型	规格	镜像资源
CPU	CPU basic · 0.5v CPU · 500MB	ubuntu22-python3.10-jupyter-cpu:v1.0.1-notebook ubuntu22-vllm-python3.10-jupyter-cpu:v1.0.1-notebook ubuntu22-sglang-python3.10-jupyter-cpu:v1.0.1-notebook
CPU	CPU basic · 2v CPU · 4GB	同上
CPU	CPU basic · 4v CPU · 8GB	同上
CPU	CPU basic · 8v CPU · 16GB	同上
CPU	CPU basic · 16v CPU · 32GB	同上
NPU	NPU basic · 1 × NPU 910B · 4v CPU · 8GB	ubuntu22-cann8.3-python3.10-jupyter:v4.0.1-notebook ubuntu22-cann8.3-sglang-python3.10-jupyter:v4.0.1-notebook ubuntu22-cann8.3-vllm-python3.10-jupyter:v4.0.1-notebook ubuntu22-cann8.5-python3.11-jupyter:v1.0.1-notebook ubuntu22-cann8.5-python3.11-vllm-jupyter:v1.0.0-notebook ubuntu22-cann8.5-python3.11-sglang-jupyter:v1.0.1-notebook
NPU	NPU basic · 1 × NPU 910B · 16v CPU · 32GB	同上

软件环境：Python 3.11版本，预装了常用的数据科学包，可以安装自己需要的包，支持多种编程语言。

有什么使用限制？

资源限制

运行限制：同时只能运行1个Notebook，每次最多运行2小时，每月最多使用1000核时，核时消耗计算规则和当前用户使用的规格大小有关（例如选择了CPU basic · 4v CPU · 8GB的规格，使用1小时所消耗的核时就是4核时）。

存储限制：工作空间最多50GB，临时存储最多2GB，单个文件不能超过100MB，最多创建10个Notebook。

功能限制

使用：启动中不能进行暂停，启动超时或其他异常会自动终止，没启动成功不会消耗核时；关闭运行中notebook必须在启动页才能进行关闭。（AI社区工作台 -> 我的Notebook）

API使用：每分钟最多60次请求，每天最多传输1GB数据，同时最多5个请求。

协作功能：最多3个人可以查看，只能分享只读版本，可以添加评论，只保留最近5个版本。

开始使用

注册流程

创建账号：访问注册页面，填写基本信息，验证邮箱，完成设置。

环境初始化：使用命令行工具初始化工作空间，验证Python环境。

基本操作

创建 Notebook：使用命令行工具创建新的Notebook，可以导入示例项目。

管理文件：支持上传和下载文件，管理项目数据。

资源优化

内存管理

优化技巧

import gc
import torch

def optimize_memory():
 # 清理未使用对象
 gc.collect()

 # 清理 PyTorch 缓存
 torch.cuda.empty_cache()

 # 使用生成器处理大数据
 def data_generator():
 for chunk in pd.read_csv("large_file.csv", chunksize=1000):
 yield process_chunk(chunk)

数据处理

# 分块处理大文件
def process_large_file(file_path):
 results = []
 for chunk in pd.read_csv(file_path, chunksize=1000):
 result = process_chunk(chunk)
 results.append(result)
 return pd.concat(results)

计算优化

并行处理

from multiprocessing import Pool

def parallel_process(data_list):
 with Pool(processes=2) as pool:
 results = pool.map(process_function, data_list)
 return results

代码优化

# 使用向量化操作
import numpy as np

def optimize_calculation(data):
 # 替换循环操作
 result = np.vectorize(process_function)(data)
 return result

使用技巧

提高效率

代码组织

把代码分成不同的函数
每个函数只做一件事
代码结构要清晰
便于理解和维护

使用缓存

对于重复的计算使用缓存
避免重复运行相同代码
节省时间和资源
提高运行效率

存储管理

文件管理

定期清理临时文件
压缩旧的数据文件
删除不需要的文件
保持工作空间整洁

数据优化：选择合适的数据类型，压缩大型数据集，优化存储格式，节省存储空间。

什么时候需要升级？

升级信号

资源不足：CPU使用率经常超过80%，内存使用率经常超过75%，存储空间使用超过90%，经常遇到各种限制。

功能需求：需要GPU加速计算，需要更大的存储空间，需要更长的运行时间，需要更多协作功能。

升级步骤

准备工作：评估实际需求，选择合适的付费套餐，准备数据迁移，配置新环境。

数据迁移：导出当前工作空间，迁移到新的环境，验证数据完整性，开始使用新功能。

常见问题

资源问题

如何查看资源使用情况？在Notebook界面查看资源监控，使用系统命令查看CPU和内存，定期检查存储空间使用情况。

如何处理内存不足？关闭不需要的Notebook，清理临时变量和数据，使用更小的数据集，考虑升级到付费版本。 如何优化运行时间？使用高效的算法，避免重复计算，合理使用缓存，优化数据处理流程。

如何管理存储空间？定期清理不需要的文件，压缩大型数据集，使用外部存储服务，及时删除临时文件。

功能问题

如何安装额外的包？使用pip安装Python包，使用conda安装科学计算包，检查包的兼容性，注意存储空间限制。

如何共享Notebook？设置分享权限，生成分享链接，邀请协作者，控制访问权限。

限制问题

运行时间限制：每次最多运行1小时，空闲30分钟后自动停止，合理安排计算任务，及时保存工作成果。

存储空间限制：工作空间最多10GB，单个文件不能超过100MB，定期清理和压缩，考虑升级到付费版本。

总结

免费Notebook是开始AI学习的好选择。通过合理使用,你可以免费体验（无需付费就能使用Notebook）、学习基础（掌握基本的编程和数据处理技能）、项目实践（完成小型的AI项目）和评估需求（了解是否需要升级到付费版本）。

记住,免费版本虽然有限制,但对于学习和简单项目来说完全够用。合理规划,优化使用,你就能充分利用免费资源！

Web IDE与VS Code

Mon, 01 Jan 0001 00:00:00 +0000

Web IDE就像是"在线版的VS Code",让你在浏览器中就能享受到专业编程编辑器的功能。不需要安装任何软件,打开网页就能开始编程,而且功能几乎和本地VS Code一样强大。

主要功能

编辑器功能

智能编辑：代码有颜色标记,容易阅读，输入时自动提示和补全，智能错误检查和修复，自动格式化代码。

终端集成：内置命令行终端，支持分屏显示，可以运行各种命令，方便管理文件和环境。

扩展支持

预装扩展：Python开发环境，Jupyter Notebook支持，Git版本控制，Docker容器管理，远程开发工具，智能代码提示。

扩展管理：可以安装新的扩展，可以禁用不需要的扩展，扩展功能丰富，提高开发效率。

环境配置

工作区设置

基本配置

{
 "editor.fontSize": 14,
 "editor.tabSize": 4,
 "editor.wordWrap": "on",
 "files.autoSave": "afterDelay",
 "terminal.integrated.fontSize": 14
}

Python 配置

{
 "python.linting.enabled": true,
 "python.formatting.provider": "black",
 "python.linting.pylintEnabled": true,
 "jupyter.notebookFileRoot": "${workspaceFolder}"
}

快捷键设置

常用快捷键

keybindings:
 editor:
 format_document: "Shift + Alt + F"
 quick_fix: "Ctrl + ."
 go_to_definition: "F12"
 find_all_references: "Shift + F12"
 terminal:
 new_terminal: "Ctrl + `"
 split_terminal: "Ctrl + Shift + 5"
 notebook:
 run_cell: "Shift + Enter"
 add_cell: "B"
 change_to_markdown: "M"

自定义快捷键

{
 "key": "ctrl+shift+r",
 "command": "jupyter.runAllCells",
 "when": "editorTextFocus && jupyter.hascodecells"
}

Jupyter 集成

Notebook 支持

创建 Notebook

# 通过命令面板
Ctrl/Cmd + Shift + P
> Create New Jupyter Notebook

# 通过文件菜单
File > New File > Jupyter Notebook

交互式开发

# 在单元格中执行代码
# 选择 Python 内核
import numpy as np
import pandas as pd

# 显示变量
%whos

# 魔法命令
%%time
for i in range(1000000):
 pass

调试功能

断点调试

# 设置断点
def process_data(data):
 # 在这里设置断点
 result = complex_calculation(data)
 return result

# 启动调试
if __name__ == "__main__":
 data = load_data()
 result = process_data(data)

变量检查

# 在调试控制台中
> print(data.shape)
> data.head()
> type(result)

Git 集成

基本操作

仓库操作

# 克隆仓库
git clone https://github.com/username/repo.git

# 初始化仓库
git init

版本控制

# 暂存更改
git add .

# 提交更改
git commit -m "描述更改"

# 推送更改
git push origin main

图形界面

源代码管理
- 文件状态查看
- 更改对比
- 提交历史
- 分支管理

合并冲突

conflict_resolution:
 - 打开冲突文件
 - 选择保留更改
 - 标记为已解决
 - 提交更改

远程开发

SSH连接

配置连接

设置远程服务器地址
配置用户名和端口
设置身份验证文件
测试连接是否成功

远程操作

连接到远程主机
打开远程文件夹
在远程环境中开发
管理远程文件

容器开发

Docker配置：使用Python 3.9镜像，挂载工作文件夹，设置Python路径，配置开发环境。

容器操作：在容器中打开项目，重建开发容器，管理容器环境，确保环境一致性。

性能优化

编辑器优化

性能设置

{
 "editor.minimap.enabled": false,
 "editor.renderWhitespace": "none",
 "files.watcherExclude": {
 "**/.git/objects/**": true,
 "**/node_modules/**": true
 }
}

文件处理

{
 "files.exclude": {
 "**/__pycache__": true,
 "**/.pytest_cache": true,
 "**/*.pyc": true
 }
}

资源管理

内存优化

memory_settings:
 max_memory: "2GB"
 garbage_collection: "aggressive"
 file_watcher_limit: 1000

缓存管理

cache_settings:
 clear_on_start: false
 max_size: "1GB"
 retention_period: "7d"

使用建议

开发建议

工作流优化：使用工作区管理项目，同步配置到云端，定期保存工作成果，使用Git管理代码版本。

效率提升：学习常用快捷键，使用代码片段模板，配置自动保存功能，充分利用智能提示。

团队协作

代码规范：保存时自动格式化代码，自动整理导入语句，启用代码检查功能，保持代码风格一致。

共享设置：设置代码行长度限制，自动删除多余空格，文件末尾添加换行，团队使用统一配置。

总结

Web IDE与VS Code为你提供了强大的在线编程环境。通过合理使用,你可以在线开发（无需安装软件,打开网页就能编程）、专业体验（享受VS Code的所有强大功能）、团队协作（支持多人协作开发）和环境一致（确保开发环境的一致性）。

记住,Web IDE让专业编程变得触手可及。从简单的代码编辑开始,逐步掌握高级功能,你就能成为高效的开发者！

Notebook 使用指南

Mon, 01 Jan 0001 00:00:00 +0000

AtomGit AI Notebook 提供了一个强大的在线开发环境，让您能够直接在浏览器中进行数据分析、模型训练和实验。本指南将帮助您了解如何使用 Notebook 功能。

Notebook 启动

创建新的 Notebook

登录您的 AtomGit AI 账号
进入"Notebook" > “激活 Notebook”
选择计算类型：
- NPU
- CPU
选择计算资源：
- 容器镜像
- 存储大小
点击"启动"

环境配置

可以通过 notebook-config.yaml 预定义环境：

name: my-notebook
version: 1.0.0
python_version: "3.9"
cuda_version: "11.7"
packages:
 - torch>=2.0.0
 - transformers>=4.30.0
 - pandas>=2.0.0
resources:
 cpu: 4
 memory: 16GB
 gpu: "T4"

Notebook 使用

基本操作

文件管理
- 创建新文件
- 上传文件
- 导出 notebook
- 版本控制
编辑功能
- 代码补全
- 语法高亮
- 实时错误检查
- 快捷键支持
运行控制
- 运行单个单元格
- 运行全部
- 重启内核
- 中断执行

代码示例

# 导入常用库
import torch
import pandas as pd
import matplotlib.pyplot as plt

# 数据可视化
%matplotlib inline
plt.style.use('seaborn')

# 显示进度条
from tqdm.notebook import tqdm

# 使用 GPU
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')

魔法命令

# 显示所有魔法命令
%lsmagic

# 计时
%%time
# your code here

# 显示变量
%who

# 运行 shell 命令
!pip install package-name

高级功能

远程存储集成

# 挂载云存储
!gitcode mount storage://my-bucket /mnt/data

# 读取数据
import pandas as pd
df = pd.read_csv('/mnt/data/dataset.csv')

模型训练监控

# 使用 TensorBoard
%load_ext tensorboard
%tensorboard --logdir runs/

# 自定义进度显示
from gitcode.tracking import track_progress

@track_progress
def train_epoch():
 # training code
 pass

资源监控

# 显示 GPU 使用情况
!nvidia-smi

# 显示系统资源
!top -n 1

# 显示磁盘使用
!df -h

最佳实践

代码组织
- 使用 Markdown 添加说明
- 模块化代码结构
- 定期保存工作
- 添加注释
资源管理
- 及时释放内存
- 使用生成器处理大数据
- 合理使用缓存
- 关闭不用的 kernel
版本控制
- 定期提交更改
- 使用有意义的提交信息
- 创建检查点
- 备份重要数据
协作开发
- 共享 notebook
- 添加文档说明
- 使用统一的代码风格
- 及时同步更改

常见问题

Q: 如何安装额外的包？ A: 可以使用 !pip install package-name 或在配置文件中预定义。

Q: Notebook 支持哪些内核？ A: 支持 Python、R、Julia 等多种编程语言内核。

Q: 如何处理内存不足问题？ A: 可以使用生成器、清理变量或升级资源配置。

Q: 如何共享 Notebook？ A: 可以通过分享链接、导出文件或协作模式共享。

快捷键参考

功能	Windows/Linux	Mac
运行单元格	Shift + Enter	Shift + Return
添加单元格	B	B
删除单元格	D, D	D, D
切换 Markdown	M	M
保存文件	Ctrl + S	Cmd + S
中断运行	I, I	I, I

模型微调流程

Mon, 01 Jan 0001 00:00:00 +0000

Qwen3-4B模型微调完整指南

本文档详细介绍了使用Qwen3-4B-Thinking-2507模型进行微调的完整流程，从环境搭建到模型部署的一站式指南。

首先启动Notebook服务

按照以下界面操作启动Jupyter Notebook：

1. 环境安装

1.1 安装Miniconda

Windows系统：

访问Miniconda官网下载安装包
运行安装程序，按提示完成安装
重新打开命令提示符

macOS/Linux系统：

# macOS
brew install miniconda

# Linux
wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
bash Miniconda3-latest-Linux-x86_64.sh
source ~/.bashrc

1.2 创建Python环境

# 创建并激活环境
conda create -n myenv python=3.10
conda activate myenv

# 验证安装
python --version

1.3 配置Jupyter Notebook

# 安装Jupyter
pip install jupyter ipykernel ipywidgets

# 注册内核
python -m ipykernel install --user --name=myenv --display-name="Python (myenv)"

# 启动Notebook
jupyter notebook

重要提示：在Notebook中选择 Python (myenv) 内核

1.4 安装依赖包

在激活的myenv环境中运行：

# 一键安装所有依赖
pip install datasets==2.21.0 addict swanlab accelerate transformers numpy==1.24.4 scipy openmind-hub modelscope torch pandas torch_npu==2.5.1

1.5 环境验证

在Jupyter Notebook第一个cell中运行：

import sys
import os

# 配置环境变量
os.environ["OPENMIND_HUB_ENDPOINT"] = "https://hub.gitcode.com"

# 验证主要包
packages = ['torch', 'transformers', 'datasets', 'swanlab', 'openmind_hub']
for pkg in packages:
 try:
 module = __import__(pkg)
 print(f"✓ {pkg}: {getattr(module, '__version__', 'installed')}")
 except ImportError:
 print(f"✗ {pkg}: 未安装")

2. 模型下载

2.1 下载Qwen3-4B-Thinking-2507

from openmind_hub import snapshot_download
import os

# 设置环境变量
os.environ["OPENMIND_HUB_ENDPOINT"] = "https://hub.gitcode.com"

# 下载模型（注意路径格式）
snapshot_download(
 "hf_mirrors%2FQwen/Qwen3-4B-Thinking-2507",
 local_dir='./model/Qwen3-4B-Thinking-2507'
)

下载完成后，模型将保存在 ./model/Qwen3-4B-Thinking-2507/ 目录中。

3. 数据集准备

3.1 加载和处理数据

from modelscope.msdatasets import MsDataset
import json
import random

# 设置随机种子
random.seed(42)

# 加载医疗数据集
ds = MsDataset.load('krisfu/delicate_medical_r1_data', subset_name='default', split='train')
data_list = list(ds)

# 数据分割（9:1）
random.shuffle(data_list)
split_idx = int(len(data_list) * 0.9)
train_data = data_list[:split_idx]
val_data = data_list[split_idx:]

# 保存数据
for data, filename in [(train_data, 'train.jsonl'), (val_data, 'val.jsonl')]:
 with open(filename, 'w', encoding='utf-8') as f:
 for item in data:
 json.dump(item, f, ensure_ascii=False)
 f.write('\n')

print(f"训练集：{len(train_data)} 条，验证集：{len(val_data)} 条")

4. 模型微调

4.1 SwanLab配置

SwanLab用于监控训练过程：

访问SwanLab官网注册获取API Key
在Notebook中登录：

import swanlab
swanlab.login(api_key="YOUR_API_KEY", save=True)

4.2 准备训练代码

import json
import pandas as pd
import torch
import torch_npu
from datasets import Dataset
from transformers import AutoTokenizer, AutoModelForCausalLM, TrainingArguments, Trainer, DataCollatorForSeq2Seq
import os

# 项目配置
os.environ["SWANLAB_PROJECT"] = "qwen3-sft-medical"
PROMPT = "你是一个医学专家，你需要根据用户的问题，给出带有思考的回答。"
MAX_LENGTH = 2048

# 数据转换函数
def dataset_jsonl_transfer(origin_path, new_path):
 messages = []
 with open(origin_path, "r") as file:
 for line in file:
 data = json.loads(line)
 output = f"<think>{data['think']}</think> \n {data['answer']}"
 message = {
 "instruction": PROMPT,
 "input": data["question"],
 "output": output,
 }
 messages.append(message)

 with open(new_path, "w", encoding="utf-8") as file:
 for message in messages:
 file.write(json.dumps(message, ensure_ascii=False) + "\n")

# 预处理函数
def process_func(example):
 instruction = tokenizer(
 f"<|im_start|>system\n{PROMPT}<|im_end|>\n<|im_start|>user\n{example['input']}<|im_end|>\n<|im_start|>assistant\n",
 add_special_tokens=False,
 )
 response = tokenizer(f"{example['output']}", add_special_tokens=False)
 input_ids = instruction["input_ids"] + response["input_ids"] + [tokenizer.pad_token_id]
 attention_mask = instruction["attention_mask"] + response["attention_mask"] + [1]
 labels = [-100] * len(instruction["input_ids"]) + response["input_ids"] + [tokenizer.pad_token_id]

 # 截断处理
 if len(input_ids) > MAX_LENGTH:
 input_ids = input_ids[:MAX_LENGTH]
 attention_mask = attention_mask[:MAX_LENGTH]
 labels = labels[:MAX_LENGTH]

 return {"input_ids": input_ids, "attention_mask": attention_mask, "labels": labels}

4.3 加载模型和数据

# 加载模型
tokenizer = AutoTokenizer.from_pretrained(
 "./model/Qwen3-4B-Thinking-2507",
 use_fast=False,
 trust_remote_code=True
)
model = AutoModelForCausalLM.from_pretrained(
 "./model/Qwen3-4B-Thinking-2507",
 torch_dtype=torch.bfloat16
).to("npu:0")
model.enable_input_require_grads()

# 处理数据集
dataset_jsonl_transfer("train.jsonl", "train_format.jsonl")
dataset_jsonl_transfer("val.jsonl", "val_format.jsonl")

# 创建训练数据
train_df = pd.read_json("train_format.jsonl", lines=True)
train_dataset = Dataset.from_pandas(train_df).map(process_func, remove_columns=train_df.columns)

eval_df = pd.read_json("val_format.jsonl", lines=True)
eval_dataset = Dataset.from_pandas(eval_df).map(process_func, remove_columns=eval_df.columns)

4.4 训练配置和开始训练

# 训练参数
args = TrainingArguments(
 output_dir="./output/Qwen3-4B",
 per_device_train_batch_size=1,
 per_device_eval_batch_size=1,
 gradient_accumulation_steps=4,
 eval_strategy="steps",
 eval_steps=100,
 logging_steps=10,
 num_train_epochs=2,
 save_steps=400,
 learning_rate=1e-4,
 save_on_each_node=True,
 gradient_checkpointing=True,
 report_to="swanlab",
 run_name="qwen3-4B-medical",
)

# 创建训练器
trainer = Trainer(
 model=model,
 args=args,
 train_dataset=train_dataset,
 eval_dataset=eval_dataset,
 data_collator=DataCollatorForSeq2Seq(tokenizer=tokenizer, padding=True),
)

# 开始训练
trainer.train()

5. 效果评估

5.1 推理测试

def predict(messages, model, tokenizer):
 device = "npu:0"
 text = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
 model_inputs = tokenizer([text], return_tensors="pt").to(device)

 generated_ids = model.generate(model_inputs.input_ids, max_new_tokens=MAX_LENGTH)
 generated_ids = [output_ids[len(input_ids):] for input_ids, output_ids in zip(model_inputs.input_ids, generated_ids)]

 return tokenizer.batch_decode(generated_ids, skip_special_tokens=True)[0]

# 测试样例
test_df = pd.read_json("val_format.jsonl", lines=True)[:3]
test_results = []

for _, row in test_df.iterrows():
 messages = [
 {"role": "system", "content": row['instruction']},
 {"role": "user", "content": row['input']}
 ]
 response = predict(messages, model, tokenizer)

 result = f"问题: {row['input']}\n回答: {response}\n{'='*50}"
 test_results.append(swanlab.Text(result))
 print(result)

# 记录到SwanLab
swanlab.log({"测试结果": test_results})
swanlab.finish()

5.2 评估指标

微调后的模型应具备以下能力：

理解医疗专业问题
提供结构化思考过程（<think>标签）
给出准确的医疗建议
保持专业的医学用语

6. 模型部署

6.1 上传到AtomGit

方式1：使用OpenMind Hub

from openmind_hub import push_to_hub

push_to_hub(
 repo_id="your_username/qwen3-4b-medical-finetuned",
 folder_path="./output/Qwen3-4B",
 token="your_gitcode_token"
)

方式2：Git命令

cd ./output/Qwen3-4B
git init
git remote add origin https://gitcode.com/your_username/qwen3-4b-medical-finetuned.git
git add .
git commit -m "Add fine-tuned Qwen3-4B medical model"
git push -u origin main

6.2 创建模型说明

创建 README.md 文件描述模型：

# Qwen3-4B医疗微调模型

## 模型信息
- **基础模型**: Qwen3-4B-Thinking-2507
- **训练数据**: 医疗问答数据集
- **训练轮数**: 2轮
- **学习率**: 1e-4

## 使用方法
```python
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("your_username/qwen3-4b-medical-finetuned")
model = AutoModelForCausalLM.from_pretrained("your_username/qwen3-4b-medical-finetuned")

总结

本指南涵盖了Qwen3-4B医疗模型微调的完整流程：

环境搭建 → Conda环境 + Jupyter配置
模型准备 → 下载预训练模型
数据处理 → 医疗数据集预处理
模型训练 → 微调训练配置
效果验证 → 推理测试评估
模型发布 → 上传到AtomGit平台

常见问题

Q: 训练过程中内存不足怎么办？ A: 减少 per_device_train_batch_size 或增加 gradient_accumulation_steps

Q: 如何选择不同的内核？ A: 在Jupyter中选择 Kernel → Change kernel → Python (myenv)

Q: SwanLab显示异常怎么办？ A: 检查API Key是否正确，网络是否正常

Q: 模型效果不满意怎么优化？ A: 调整学习率、增加训练轮数、优化数据质量

需要技术支持？请参考各章节详细说明或联系技术团队。