我回想了一下，昨天我在服务器上下载了一些大模型文件，但没有指定下载路径，结果它们默认被缓存到了根目录。我用VS Code连接我的远程服务器时，连接一直卡住，最终弹出报错。由于VS Code无法连接，我选择用传统的SSH客户端来排查。我使用的是Git Bash。输出结果显示了目录总大小超过1.6GB，证实了我的猜想。查看父目录，发现还有其他占用了几百兆空间的模型文件夹，我同样将其删除。输入密码后，我

运行命令后，它让我输入一个“令牌”（Token），而不是密码。这个网站几乎复制了官方仓库的所有内容，但它服务器在国内，网络连接非常稳定。原来，虽然安装成功了，但系统找不到这个命令。我这才意识到，我根本没配置过 Hugging Face 的 SSH 密钥，所以认证失败了。事情是这样的，我最近想下载一个 Hugging Face 上的AI模型，名字叫。已经很强大了，但在这种恶劣的网络环境下，它也无能为

def: Python关键字，定义函数train_and_evaluate: 函数名称，表示"训练和评估"model: 参数，接收要训练的Keras模型对象model_name: 参数，字符串类型，用于标识模型名称loss_fn: 参数，损失函数（如交叉熵或focal loss）X_train_normalized: 参数，标准化后的训练集特征数据y_train: 参数，训练集标签X_test_n

最近尝试用 MNN 框架在我的 Android 手机上跑一个大模型。这篇笔记记录了我从零开始，克服重重困难，最终成功配置好开发环境的心路历程。

在尝试用 MNN 框架跑通大模型的第一步，我遇到了一个意想不到的挑战：Git 克隆失败。经过一番折腾，我终于找到了问题的根源，并成功解决了它。这篇笔记记录了我的完整探索历程，以及我在其中学到的所有知识。在所有软件层面的配置都失败后，我开始怀疑是不是网络环境本身有问题。命令时，它就像什么都没发生一样，非常流畅地完成了克隆。我当时以为是简单的网络不稳定，于是尝试了所有能想到的配置方法。我断开了公司的有

步骤报错原因解决找不到 toolchain.cmake默认路径不对设置环境变量cmake …没有 CMakeLists.txt路径选错必须在项目根目录执行make找不到 makeWindows 下没有 GNU Make用Ninja网络问题配置代理，关闭 offline modekotlin-compiler 下载很慢包很大 (56MB)等待即可准备环境CMake:Ninja: 已安装 (正常)编译

编译（compile）就是配置模型的“训练规则”。使用什么优化器（如 Adam、SGD）来更新权重用哪个损失函数来计算“学得好不好”训练/验证过程要监控哪些指标就像准备工作，把模型架好、规则定好，才能开训。是用来衡量“你对1类预测得有多准”的标准，预测准 → 损失小，预测错 → 损失大，是神经网络学习的核心“指导信号”。

将原始数据拉平成一维数组（比如(1000,1) 变成 (1000,）：将原始数据拉平成一维数组（比如(1000,1) 变成 (1000,）注意这里读取的维数会发生变化，我的原数据是（time，ch，n）：函数的输入参数，分别表示标签为 1 和标签为 0 的文件路径。好像差不多，都是“1000 个数”，但实际上它们的结构是。所以维度变化的根源是：“读取时的内存解释方式不同”，：上下文管理器（自动打开

把添加到 PATH 的最前面，确保你安装在这个位置的工具优先被使用。定义了一个环境变量CUDA_HOME，以后可以用$CUDA_HOME代替，让配置更简洁且易于切换版本。让系统能够识别nvcc等 CUDA 命令，同时确保使用的是指定版本（比如 12.6）的 CUDA。让系统知道 CUDA 的动态链接库放在哪，避免运行程序时提示之类的错误。命令作用优先使用用户目录下安装的命令（如用 pip 安装的工

apt：Advanced Package Tool，APT 管理.deb软件包。dpkg：Debian Package，手动安装.deb包。.deb：Debian 系的打包格式，像 Windows 的.exe。依赖 = 一个软件运行必须依靠的其他软件。发行版 = Linux 内核+环境的“完整打包版本”。💡 结论配置 NVIDIA CUDA 的软件源（优先级pin文件 + GPG 密钥）。安装