agent读取指定路径的CSV文件，将用户问题转化为pandas代码，执行代码获取结果并输出。create_csv_agent：专门用于数据分析的agent创建函数。最基础的 Agent 创建流程。我们定义了一个计算文本字数的工具，并让 Agent 使用它。使用 LangChain 提供的现成工具，让 agent 能够执行 Python 代码。PythonREPLTool：一个强大的工具，让age

然后再文件管理器中找到这个文件夹，直接在搜索栏中输入cmd回车（其实这是一个从特定文件夹中打开命令行的方法，这样就不用cd去跳转了，但是如果想用cd，那也可以直接win+r，cmd再用上cd语句来到这个部署了python3.11的虚拟环境文件夹下）这里需要说的是，因为我在训练中出现了这样的情况，是说线程过多无法正常训练，这个也是有解决办法的。模型名称可以进行选择，但是如果不是本地的就会自动下载，模

模型量化是一种模型压缩技术，其核心思想是将模型参数（如权重和激活值）从高精度数据类型（通常是 FP16 或 BF16，占用 16 位）转换为低精度数据类型（如 INT4 或 INT8，占用 4 位或 8 位）。模型量化是一种模型压缩技术，其核心思想是将模型参数（如权重和激活值）从高精度数据类型（通常是 FP16 或 BF16，占用 16 位）转换为低精度数据类型（如 INT4 或 INT8，占用

可以把以下写入一个txt文件，在python编写工具里，这里我使用的 是pycharm，就在pycharm终端里面执行pip install -r 文件地址，就可以全部直接下载了。在本地和网页使用ai的区别就在于服务器不同，一个是厂家服务器一个是自己电脑上，一个联网一个不联网，Token数不一样，用人家服务器可能要计费，部署在自己电脑上就不需要计费。2.左上角点击大模型，选择我们想要调用的模型，这

CommaSeparatedListOutputParser：将模型输出转为列表。PydanticOutputParser：将模型输出转为结构化对象（如 JSON）。链式调用（LCEL）：通过管道操作符简化流程，提升代码可读性。输出解析器解决了“模型输出难以直接使用”的痛点，而链式调用则让流程组织更加优雅。掌握这两个工具，将大大提升你构建 LLM 应用的效率。

另外我们这里的数据是经过z标准化处理过的，由数值有正有负可以看出，其中有Amount列没有标准化，Time是用户登记的时间，一般银行进行业务的窗口不止有一个，所以时间有一样的，这里Time并没有什么用，前面都是数据，最后target就是最后结果。选择的标准其实就是，w1权重，有三个零，这样无论未知数为多少，都为0，只有x1自己发挥作用，而w2中权重分布比较均匀，每个未知数值都能发挥其值的作用。欠拟

都很好理解，只有这个shape，v.shape这里是（5，）是对一维数组的特殊表达方式，根据对m的shape理解，（3，5）表示三行五列，或许v的shape能写为（1，5）意思为一行五列，但其实这是错误的。例如这里c变量，2和：之间的逗号意思就是分隔行和列的，整体意思就是选取0~2行不包含2，的全部列数据，这里的：如果不是数字是冒号就代表全部，再举一个例子，这里的e变量表示的就是全部行的第三列的数

这里其实就相当于搭建网络，和之前定义cnn类一个性质，加载好别人训练好的模型之后，就要把所有层w权重修改权限全部冻结，然后对最后一层（也就是我们要训练的那一层进行修改），原模型的输出是1000个神经元，但是我们食物分类里面拢共是20个类别，所以这里我们设置为20。上面是我们利用神经网络进行分类，除此之外神经网络也能进行回归，回归问题预测一般都是连续值，一般我们进行分类对训练的模型评估标准是召回率，

模型训练过程中会产生新的东西，runs文件夹使我们每一次运行保存下来的信息，及时运行没有成功也会存下来，如果运行成功并训练好了，就只需要点开runs文件夹里面最后一个exp文件夹。（注意，这里的github网站进入会有些问题，这是因为github网站是境外网站，需要加速器或者翻墙，这个问题需要自行解决，用户注册可以用qq邮箱注册，如果一直注册不成功也是因为上面原因）和v3差不多，也有不同，我们不需

这里我们需要注意的就是前面我们保存最优模型时用的是全连接而不是cnn这里我们也要保持一致，由于这里都是函数需要调用所以我们只需要改动主函数中的使用就行了，如果我们使用的是cnn那么这里就要调用的是cnn函数，前后是要保持一致的。此外model写在了优化器后面，调度器前面，这里我们使用的调度器是StepLR，比较方便。我们在训练循环最后加上这两行就是保存训练结束后最后一个模型，可以在后续预测的时候调