MPS（Metal Performance Shaders） MPS 是 Apple 的 GPU 加速框架，全称 Metal Performance Shaders。 这是 Apple 专为 macOS 和 iOS 设计的 GPU 计算框架，让 Mac 用户能够利用 Apple Silicon（M1/M2/M3/M4）或 AMD GPU 进行深度学习训练和推理。 使用场景 深度学习模型训练 模型推理 GPU 加速计算 优势 利用 Apple Silicon 的 GPU 性能 原生支持 macOS 相比 CPU 训练有显著提升
我的基础环境： Mac mini 安装步骤 安装 ghostty: opencode 本身设计的文字颜色在深色背景下更好看 安装 opencode 在工作目录配置 opencode.jsonc, 示例如下： { "$schema": "https://opencode.ai/config.json", "provider": { "bailian": { "name": "bailian", "options": { "baseURL": "https://dashscope.aliyuncs.com/compatible-mode/v1" }, "models": { "qwen-flash": {}, "deepseek-v3.2": {} } } }, "autoupdate": true } 打开 ghostty, 输入 opencode, 进入工具 输入 /connect，选择上面我们配置的百炼入口和模型 愉快玩耍
 重要参考：MCP 中文入门指南 什么是 MCP MCP（Model Context Protocol）是一种用于 AI 模型与外部工具/数据源通信的协议标准。 调试 MCP Server 使用官方提供的 inspector 工具调试 MCP server： npx -y @modelcontextprotocol/inspector <command> <arg1> <arg2> 使用场景 连接 AI 助手到本地文件系统 访问数据库 调用外部 API 执行命令行工具
非常简单的知识库搭建方法，只要有 Docker 就行。 参考：Open WebUI 文档 快速创建本地知识库问答 1. 启动 Open WebUI 官网指定命令： docker run -d -p 3000:8080 -v open-webui:/app/backend/data --name open-webui ghcr.io/open-webui/open-webui:main 实际使用的命令（推荐）： docker run -d -p 3000:8080 --add-host=host.docker.internal:host-gateway -v open-webui:/app/backend/data --name open-webui --restart always ghcr.io/open-webui/open-webui:main 启动后，通过 http://localhost:3000 访问 Open WebUI。 2. 注册登录 没啥说的，注册登录即可。 3. 配置模型 新建一个工作空间 点击工作空间，可看到模型的配置界面。点击右侧加号，可增加一个模型 选择一个基础模型 选择一个知识库 点击最下面的保存并更新 至此，配置完毕。 3.1 配置基础模型 配置路径： 点击左下角管理员头像 → 显示设置弹框 点击管理员设置 → 进入管理员设置界面 点击外部连接 点击管理 OpenAI API 连接 我这里配置的是硅基流动的 api： URL: https://api.siliconflow.cn/v1 密钥：在硅基流动管理界面可获得 模型 ID: 即模型名称，复制进输入框，点击加号即可 或者是阿里云的 api，我感觉这个更好用：...
指标定义与作用 指标 定义 作用 Loss 模型在训练集上的损失值，表示预测值与真实值之间的差异 用于优化模型参数，反映模型在训练数据上的拟合程度 Accuracy 模型在训练集上的准确率，表示预测正确的样本数占总样本数的比例 直观反映模型在训练数据上的分类性能 val_loss 模型在验证集上的损失值，表示模型在未见数据上的预测误差 评估模型的泛化能力，判断是否过拟合或欠拟合 val_acc 模型在验证集上的准确率，表示模型在未见数据上的分类性能 评估模型在未见数据上的表现，是选择最终模型的重要依据 指标变化趋势与含义 指标变化趋势 含义 Loss 下降，Accuracy 上升 模型在训练集上表现良好，正在逐步拟合数据 val_loss 下降，val_acc 上升 模型在验证集上表现良好，泛化能力较强 Loss 下降，val_loss 上升 模型可能过拟合训练数据，泛化能力下降 Loss 和 val_loss 都较高 模型可能欠拟合，未能充分学习数据特征 Loss 和 val_loss 都较低且稳定 模型已经收敛，表现良好 Accuracy 和 val_acc 都较高且稳定 模型在训练集和验证集上都具有较高的分类性能 过拟合与欠拟合的判断 现象 Loss Accuracy val_loss val_acc 结论 过拟合 很低 很高 较高 较低 模型过拟合 欠拟合 较高 较低 较高 较低 模型欠拟合 理想情况 较低 较高 较低 较高 模型表现良好 实际应用中的优化策略 问题 可能原因 优化策略 Loss 下降缓慢 学习率过高或过低，模型复杂度不足 调整学习率，增加模型复杂度（如增加网络层数或神经元数量） val_loss 上升，val_acc 下降 模型过拟合 使用正则化（如 L2 正则化、Dropout），增加数据增强，或采用早停策略 Loss 和 val_loss 都较高 模型欠拟合 增加模型复杂度，延长训练时间，或调整学习率 Accuracy 和 val_acc 差距较大 模型过拟合或数据分布不一致 检查数据分布，增加正则化，或使用更复杂的模型 Loss 和 Accuracy 的对比 特性 Loss Accuracy 类型 连续值 离散值 范围 无固定范围 0 到 1（或 0% 到 100%） 优化目标 直接优化目标 间接优化目标 适用场景 回归任务、分类任务 分类任务 对类别不平衡的敏感性 较低（取决于 Loss 函数） 较高（可能失真） 通过这些表格，您可以快速理解 Loss、Accuracy、val_loss 和 val_acc 的含义、作用以及它们之间的关系，并掌握如何根据这些指标的变化趋势来调试和优化模型。