核心前提：以下节点均为「行为树逻辑节点」，（不会出现在ros2 node list中），仅用于编排导航逻辑；所有节点规则均贴合你当前使用的Nav2行为树XML配置，无多余理论，重点解决实操困惑。

指令微调是连接 “通用预训练模型” 与 “实用化应用” 的关键桥梁 —— 它通过 “指令 - 响应” 数据的监督学习，让模型从 “被动续写” 转变为 “主动响应人类需求”，是目前大语言模型落地（如企业定制化模型、垂直领域 AI 助手）的核心技术之一。没有指令微调，预训练模型的强大能力难以转化为对人类有用的实际价值。

要理解深度学习中的优化器，核心是从 “如何高效更新模型参数以最小化损失” 这一问题出发，按 “基础→改进→融合” 的逻辑梳理。以下从最简单的优化器开始，逐步深入复杂方案，每个优化器均包含，帮助清晰理解演进脉络。

0/1 损失是 “理想但不可用” 的损失函数 —— 其非凸、非连续的特性导致无法高效优化，且不区分置信度的设计与 SVM “最大化间隔” 的目标完全冲突。而 Hinge 等替代损失函数，通过凸性 + 连续性解决了优化难题，通过 **“低置信度惩罚”** 精准匹配了 SVM 的间隔目标，最终成为 SVM 的核心损失函数。这一选择本质是 “任务目标（最大化间隔）” 与 “优化可行性” 权衡后的最优结果

一、Prompt 工程（Prompt Engineering）Prompt 工程是通过设计输入文本（Prompt）的形式，引导大模型在不修改参数的情况下，更好地理解任务需求并输出符合预期的结果。核心是 “用自然语言指令或示例‘激活’模型的固有能力”，无需训练，属于 “零样本 / 少样本学习” 范畴。用人类可理解的文本形式，为大模型提供 “任务锚点”，激活其预训练知识，约束其生成逻辑，最终弥合 “模

分类任务的核心是让模型输出的 “类别概率 / 得分” 与真实标签一致，损失越小，分类准确性越高。抛硬币单次结果服从伯努利分布，单次得正面的概率为p，得反面为1−p。10 次观测中，7 次正面、3 次反面的似然函数为：L(p∣X)=P(7正3反∣p)=(710​)p7(1−p)3其中(710​)是组合数（从 10 次中选 7 次正面的方式数），与p无关，最大化时可忽略。

本文探讨深度学习中的核心问题与优化技术：1. 梯度问题分析梯度消失（参数过小/网络过深/激活函数问题）和爆炸（参数过大/网络过深）的原因，提出Xavier初始化、残差结构、BN、LeakyReLU等解决方案。2. 优化方法比较SGD、动量法、AdaGrad、RMSProp和Adam等优化器特性，分析自适应学习率的优势。3. 关键技术详解BatchNorm/LayerNorm的工作原理、标签平滑的正

筛选数据：选取用户的基础属性、行为、偏好等关键维度数据，清洗掉异常值 / 缺失值；划分群体：已知类别直接筛选该类用户，未知类别用 K-Means 聚类分群；挖掘共性：用 SQL/Pandas 统计该群体的特征分布，或用分类模型输出特征重要性；验证共性：把提炼的共同特征（如 “25-35 岁 + 月消费≥2 次”）放回数据中验证，确保该类用户中 80% 以上符合（阈值可调整）。

将训练数据集拆分成多个子集，分发到不同设备（如多 GPU），每个设备部署完整的模型副本，各自用分配到的数据子集独立计算梯度，最后汇总所有设备的梯度并更新模型参数，再将更新后的参数同步回各设备。将模型本身拆分成多个部分（按层 / 参数维度拆分），每个部分部署到不同设备，数据按模型执行流程依次通过各设备的模型片段，完成前向 / 反向传播，最终实现完整的模型计算。

【代码】docker新建指令（显示器控制权+容器内显卡支持）