ccmusic-database代码实例：plot.py训练曲线可视化+模型收敛性分析方法

ccmusic-database代码实例plot.py训练曲线可视化模型收敛性分析方法1. 引言当你训练一个音乐流派分类模型时最让人头疼的问题可能就是我怎么知道模型训练得好不好想象一下你花了几个小时甚至几天时间训练模型最后发现效果不理想。更糟糕的是你根本不知道问题出在哪里——是训练时间不够学习率设置不对还是模型本身就学不会这就是为什么训练可视化如此重要。今天我要分享的plot.py脚本就是专门为解决这个问题而生的。它不仅能帮你直观地看到训练过程还能提供专业的收敛性分析方法让你真正理解模型在学什么、学得怎么样。ccmusic-database的音乐流派分类系统基于 VGG19_BN 架构和 CQT 频谱特征能够识别 16 种不同的音乐流派。但再好的模型也需要科学的训练监控方法。plot.py就是这个监控系统的“仪表盘”。2. 训练可视化为什么重要2.1 训练过程的“黑盒”问题在没有可视化工具的情况下训练模型就像在黑暗中摸索。你只能看到最终的结果——准确率多少、损失值多少——但完全不知道训练过程中发生了什么。常见的问题包括模型是否在有效学习训练是否已经收敛是否存在过拟合学习率设置是否合适2.2 plot.py 能帮你看到什么plot.py脚本通过绘制多种训练曲线让你能够实时监控训练进度看到每一步的损失和准确率变化诊断训练问题发现过拟合、欠拟合、震荡等问题优化超参数根据曲线调整学习率、批次大小等参数比较不同模型可视化对比不同架构或配置的效果3. plot.py 脚本详解3.1 脚本结构与核心功能让我们先看看plot.py的基本结构# plot.py 核心功能概览 import matplotlib.pyplot as plt import numpy as np import pandas as pd from pathlib import Path class TrainingVisualizer: 训练可视化工具类 主要功能 1. 绘制训练/验证损失曲线 2. 绘制训练/验证准确率曲线 3. 绘制学习率变化曲线 4. 绘制混淆矩阵可选 5. 保存高质量图表 def __init__(self, log_dir./logs): self.log_dir Path(log_dir) self.figsize (12, 8) def load_training_logs(self, log_filetraining_log.csv): 加载训练日志数据 log_path self.log_dir / log_file if not log_path.exists(): raise FileNotFoundError(f训练日志文件不存在: {log_path}) return pd.read_csv(log_path)3.2 如何记录训练数据要让plot.py发挥作用首先需要在训练过程中正确记录数据。以下是推荐的日志记录方法# 训练循环中的日志记录示例 import csv from datetime import datetime class TrainingLogger: def __init__(self, log_pathtraining_log.csv): self.log_path log_path self.fieldnames [ epoch, train_loss, val_loss, train_acc, val_acc, learning_rate, timestamp ] # 初始化日志文件 with open(self.log_path, w, newline) as f: writer csv.DictWriter(f, fieldnamesself.fieldnames) writer.writeheader() def log_epoch(self, epoch, train_loss, val_loss, train_acc, val_acc, lr): 记录每个epoch的训练数据 log_entry { epoch: epoch, train_loss: round(train_loss, 4), val_loss: round(val_loss, 4), train_acc: round(train_acc, 4), val_acc: round(val_acc, 4), learning_rate: lr, timestamp: datetime.now().strftime(%Y-%m-%d %H:%M:%S) } with open(self.log_path, a, newline) as f: writer csv.DictWriter(f, fieldnamesself.fieldnames) writer.writerow(log_entry) return log_entry # 在训练循环中使用 logger TrainingLogger() for epoch in range(num_epochs): # ... 训练代码 ... # 记录每个epoch的结果 logger.log_epoch( epochepoch, train_losstrain_loss, val_lossval_loss, train_acctrain_acc, val_accval_acc, lrcurrent_lr )4. 核心可视化图表解析4.1 损失曲线分析损失曲线是最基本的训练监控图表。它能直观反映模型的学习进度def plot_loss_curves(self, df, save_pathNone): 绘制训练和验证损失曲线 参数 df: 包含训练日志的DataFrame save_path: 图表保存路径可选 plt.figure(figsizeself.figsize) epochs df[epoch] train_loss df[train_loss] val_loss df[val_loss] # 绘制曲线 plt.plot(epochs, train_loss, b-, linewidth2, label训练损失) plt.plot(epochs, val_loss, r-, linewidth2, label验证损失) # 美化图表 plt.xlabel(训练轮次 (Epoch), fontsize12) plt.ylabel(损失值 (Loss), fontsize12) plt.title(训练与验证损失曲线, fontsize14, fontweightbold) plt.grid(True, alpha0.3) plt.legend(fontsize11) # 添加关键信息标注 min_val_loss val_loss.min() min_val_epoch val_loss.idxmin() plt.axvline(xmin_val_epoch, colorgray, linestyle--, alpha0.5) plt.text(min_val_epoch, min_val_loss * 1.1, f最低验证损失: {min_val_loss:.4f}\n轮次: {min_val_epoch}, fontsize10, hacenter) if save_path: plt.savefig(save_path, dpi300, bbox_inchestight) plt.tight_layout() plt.show()如何解读损失曲线曲线形态可能的问题解决方案训练损失持续下降验证损失上升过拟合增加正则化、数据增强、早停训练和验证损失都下降很慢学习率太小适当增大学习率损失值剧烈震荡学习率太大减小学习率或使用学习率调度验证损失早于训练损失稳定模型容量可能不足尝试更复杂的模型架构4.2 准确率曲线分析准确率曲线反映了模型在分类任务上的表现def plot_accuracy_curves(self, df, save_pathNone): 绘制训练和验证准确率曲线 plt.figure(figsizeself.figsize) epochs df[epoch] train_acc df[train_acc] val_acc df[val_acc] # 绘制曲线 plt.plot(epochs, train_acc, b-, linewidth2, label训练准确率) plt.plot(epochs, val_acc, r-, linewidth2, label验证准确率) # 计算并标注最佳验证准确率 max_val_acc val_acc.max() max_val_epoch val_acc.idxmax() plt.axhline(ymax_val_acc, colorgreen, linestyle--, alpha0.5) plt.axvline(xmax_val_epoch, colorgreen, linestyle--, alpha0.5) # 美化图表 plt.xlabel(训练轮次 (Epoch), fontsize12) plt.ylabel(准确率 (%), fontsize12) plt.title(训练与验证准确率曲线, fontsize14, fontweightbold) plt.grid(True, alpha0.3) plt.legend(fontsize11) # 添加准确率标注 plt.text(len(epochs) * 0.7, max_val_acc * 0.9, f最佳验证准确率: {max_val_acc:.2%}\n轮次: {max_val_epoch}, fontsize11, bboxdict(boxstyleround,pad0.3, facecolorlightgreen, alpha0.8)) if save_path: plt.savefig(save_path, dpi300, bbox_inchestight) plt.tight_layout() plt.show()准确率曲线的关键观察点收敛速度曲线在多快的时间内达到稳定最终性能验证准确率的最终值泛化差距训练准确率和验证准确率之间的差异稳定性曲线是否平滑有无剧烈波动4.3 综合训练仪表板对于更全面的分析我们可以创建一个综合仪表板def plot_training_dashboard(self, df, save_path./training_dashboard.png): 创建综合训练仪表板 包含损失曲线、准确率曲线、学习率曲线 fig, axes plt.subplots(2, 2, figsize(16, 12)) # 1. 损失曲线 axes[0, 0].plot(df[epoch], df[train_loss], b-, label训练损失) axes[0, 0].plot(df[epoch], df[val_loss], r-, label验证损失) axes[0, 0].set_xlabel(训练轮次) axes[0, 0].set_ylabel(损失值) axes[0, 0].set_title(损失曲线, fontweightbold) axes[0, 0].legend() axes[0, 0].grid(True, alpha0.3) # 2. 准确率曲线 axes[0, 1].plot(df[epoch], df[train_acc], b-, label训练准确率) axes[0, 1].plot(df[epoch], df[val_acc], r-, label验证准确率) axes[0, 1].set_xlabel(训练轮次) axes[0, 1].set_ylabel(准确率 (%)) axes[0, 1].set_title(准确率曲线, fontweightbold) axes[0, 1].legend() axes[0, 1].grid(True, alpha0.3) # 3. 学习率曲线 if learning_rate in df.columns: axes[1, 0].plot(df[epoch], df[learning_rate], g-, linewidth2) axes[1, 0].set_xlabel(训练轮次) axes[1, 0].set_ylabel(学习率) axes[1, 0].set_title(学习率变化, fontweightbold) axes[1, 0].grid(True, alpha0.3) axes[1, 0].set_yscale(log) # 对数坐标便于观察变化 # 4. 损失-准确率散点图 scatter axes[1, 1].scatter(df[val_loss], df[val_acc], cdf[epoch], cmapviridis, alpha0.6, s50) axes[1, 1].set_xlabel(验证损失) axes[1, 1].set_ylabel(验证准确率) axes[1, 1].set_title(损失 vs 准确率 (按轮次着色), fontweightbold) plt.colorbar(scatter, axaxes[1, 1], label训练轮次) axes[1, 1].grid(True, alpha0.3) plt.suptitle(训练过程综合仪表板, fontsize16, fontweightbold, y1.02) plt.tight_layout() if save_path: plt.savefig(save_path, dpi300, bbox_inchestight) plt.show()5. 模型收敛性深度分析方法5.1 收敛性判断标准模型收敛不仅仅是看损失值是否不再下降。真正的收敛性分析需要考虑多个维度class ConvergenceAnalyzer: 模型收敛性分析工具 def __init__(self, df, window_size5): self.df df self.window_size window_size def check_convergence(self): 综合判断模型是否收敛 返回收敛状态和建议 results { is_converged: False, convergence_epoch: None, issues: [], suggestions: [] } # 1. 检查损失收敛 loss_converged, loss_epoch self._check_loss_convergence() # 2. 检查准确率收敛 acc_converged, acc_epoch self._check_accuracy_convergence() # 3. 检查过拟合 overfitting self._check_overfitting() # 4. 检查震荡 oscillation self._check_oscillation() # 综合判断 if loss_converged and acc_converged: results[is_converged] True results[convergence_epoch] max(loss_epoch, acc_epoch) # 收集问题 if overfitting: results[issues].append(过拟合) results[suggestions].append(建议增加数据增强或正则化) if oscillation: results[issues].append(训练震荡) results[suggestions].append(建议降低学习率或使用学习率调度) return results def _check_loss_convergence(self): 检查损失是否收敛 val_loss self.df[val_loss].values # 使用滑动窗口检查变化 if len(val_loss) self.window_size * 2: return False, None # 计算最后几个窗口的平均变化率 recent_changes [] for i in range(len(val_loss) - self.window_size): window val_loss[i:iself.window_size] change np.std(window) / np.mean(window) recent_changes.append(change) # 如果最后几个窗口的变化率都很小认为已收敛 last_changes recent_changes[-3:] if len(recent_changes) 3 else recent_changes if all(c 0.01 for c in last_changes): # 变化率小于1% convergence_epoch len(val_loss) - self.window_size return True, convergence_epoch return False, None5.2 过拟合检测方法过拟合是训练中最常见的问题之一。以下是几种检测方法def analyze_overfitting(self): 分析过拟合程度 返回过拟合指标和建议 analysis { overfitting_score: 0.0, severity: 无, indicators: [], recommendations: [] } train_acc self.df[train_acc].values val_acc self.df[val_acc].values train_loss self.df[train_loss].values val_loss self.df[val_loss].values # 1. 准确率差距分析 final_acc_gap train_acc[-1] - val_acc[-1] max_acc_gap max(train_acc - val_acc) # 2. 损失差距分析 final_loss_gap val_loss[-1] - train_loss[-1] # 3. 计算过拟合分数0-1越高表示过拟合越严重 acc_gap_score min(final_acc_gap / 0.3, 1.0) # 假设30%差距为严重过拟合 loss_gap_score min(final_loss_gap / 2.0, 1.0) # 假设损失差距2倍为严重 overfitting_score (acc_gap_score loss_gap_score) / 2 # 判断严重程度 if overfitting_score 0.2: analysis[severity] 轻微 elif overfitting_score 0.5: analysis[severity] 中度 analysis[recommendations].extend([ 增加Dropout率, 使用更强的数据增强, 尝试早停策略 ]) else: analysis[severity] 严重 analysis[recommendations].extend([ 显著增加训练数据, 使用更严格的正则化, 简化模型架构, 使用迁移学习 ]) analysis[overfitting_score] round(overfitting_score, 3) # 记录具体指标 if final_acc_gap 0.15: analysis[indicators].append(f准确率差距较大: {final_acc_gap:.2%}) if final_loss_gap 1.0: analysis[indicators].append(f损失差距较大: {final_loss_gap:.3f}) return analysis5.3 训练稳定性评估训练稳定性直接影响模型的最终性能def assess_training_stability(self): 评估训练过程的稳定性 stability_report { stability_score: 0.0, issues_found: [], stability_level: 稳定 } val_loss self.df[val_loss].values val_acc self.df[val_acc].values # 1. 检查损失震荡 loss_std np.std(val_loss[-10:] if len(val_loss) 10 else val_loss) loss_mean np.mean(val_loss[-10:] if len(val_loss) 10 else val_loss) loss_cv loss_std / loss_mean if loss_mean 0 else 0 # 2. 检查准确率震荡 acc_std np.std(val_acc[-10:] if len(val_acc) 10 else val_acc) # 3. 检查异常波动 anomalies self._detect_anomalies(val_loss) # 计算稳定性分数0-1越高越稳定 loss_stability max(0, 1 - loss_cv * 10) # 损失变异系数影响 acc_stability max(0, 1 - acc_std * 20) # 准确率标准差影响 stability_score (loss_stability acc_stability) / 2 # 记录问题 if loss_cv 0.1: stability_report[issues_found].append(损失值波动较大) if acc_std 0.05: stability_report[issues_found].append(准确率不稳定) if anomalies: stability_report[issues_found].append(f检测到{len(anomalies)}次异常波动) # 判断稳定性等级 if stability_score 0.8: stability_report[stability_level] 非常稳定 elif stability_score 0.6: stability_report[stability_level] 稳定 elif stability_score 0.4: stability_report[stability_level] 一般 else: stability_report[stability_level] 不稳定 stability_report[issues_found].append(训练过程不稳定建议调整超参数) stability_report[stability_score] round(stability_score, 3) return stability_report def _detect_anomalies(self, values, threshold2.0): 使用Z-score检测异常值 if len(values) 5: return [] mean np.mean(values) std np.std(values) if std 0: return [] anomalies [] for i, value in enumerate(values): z_score abs((value - mean) / std) if z_score threshold: anomalies.append((i, value, round(z_score, 2))) return anomalies6. 实战分析音乐流派分类模型训练6.1 加载和分析训练日志让我们实际看看如何分析ccmusic-database的训练过程# 实战示例分析音乐流派分类模型的训练 import pandas as pd import matplotlib.pyplot as plt import numpy as np def analyze_music_genre_training(log_filemusic_genre_training_log.csv): 分析音乐流派分类模型的训练过程 # 加载训练日志 df pd.read_csv(log_file) print( * 60) print(音乐流派分类模型训练分析报告) print( * 60) # 基础统计 print(f\n 训练概况:) print(f 训练轮次: {len(df)}) print(f 最终训练准确率: {df[train_acc].iloc[-1]:.2%}) print(f 最终验证准确率: {df[val_acc].iloc[-1]:.2%}) print(f 最佳验证准确率: {df[val_acc].max():.2%} (第{df[val_acc].idxmax()}轮)) # 收敛性分析 analyzer ConvergenceAnalyzer(df) convergence_result analyzer.check_convergence() print(f\n 收敛性分析:) if convergence_result[is_converged]: print(f ✅ 模型已收敛 (第{convergence_result[convergence_epoch]}轮)) else: print(f ⚠️ 模型未完全收敛) if convergence_result[issues]: print(f 发现的问题: {, .join(convergence_result[issues])}) print(f 建议: {, .join(convergence_result[suggestions])}) # 过拟合分析 overfitting_analysis analyzer.analyze_overfitting() print(f\n 过拟合分析:) print(f 过拟合分数: {overfitting_analysis[overfitting_score]}) print(f 严重程度: {overfitting_analysis[severity]}) if overfitting_analysis[indicators]: print(f 检测指标: {, .join(overfitting_analysis[indicators])}) if overfitting_analysis[recommendations]: print(f 改进建议: {, .join(overfitting_analysis[recommendations])}) # 稳定性分析 stability_report analyzer.assess_training_stability() print(f\n⚖️ 训练稳定性:) print(f 稳定性分数: {stability_report[stability_score]}) print(f 稳定性等级: {stability_report[stability_level]}) if stability_report[issues_found]: print(f 发现的问题: {, .join(stability_report[issues_found])}) # 生成可视化报告 visualizer TrainingVisualizer() # 1. 综合仪表板 print(f\n 生成可视化报告...) visualizer.plot_training_dashboard(df, save_pathtraining_dashboard.png) # 2. 详细分析图表 fig, axes plt.subplots(2, 2, figsize(14, 10)) # 损失曲线 axes[0, 0].plot(df[epoch], df[train_loss], b-, label训练损失, alpha0.7) axes[0, 0].plot(df[epoch], df[val_loss], r-, label验证损失, alpha0.7) axes[0, 0].set_title(损失曲线 - 音乐流派分类, fontweightbold) axes[0, 0].set_xlabel(训练轮次) axes[0, 0].set_ylabel(损失值) axes[0, 0].legend() axes[0, 0].grid(True, alpha0.3) # 准确率曲线 axes[0, 1].plot(df[epoch], df[train_acc], b-, label训练准确率, alpha0.7) axes[0, 1].plot(df[epoch], df[val_acc], r-, label验证准确率, alpha0.7) axes[0, 1].set_title(准确率曲线 - 音乐流派分类, fontweightbold) axes[0, 1].set_xlabel(训练轮次) axes[0, 1].set_ylabel(准确率 (%)) axes[0, 1].legend() axes[0, 1].grid(True, alpha0.3) # 准确率差距过拟合指标 acc_gap df[train_acc] - df[val_acc] axes[1, 0].plot(df[epoch], acc_gap, g-, linewidth2) axes[1, 0].fill_between(df[epoch], 0, acc_gap, alpha0.3, colorgreen) axes[1, 0].set_title(训练-验证准确率差距, fontweightbold) axes[1, 0].set_xlabel(训练轮次) axes[1, 0].set_ylabel(准确率差距) axes[1, 0].grid(True, alpha0.3) # 移动平均准确率稳定性指标 window 5 val_acc_smooth df[val_acc].rolling(windowwindow, centerTrue).mean() axes[1, 1].plot(df[epoch], df[val_acc], r-, alpha0.3, label原始) axes[1, 1].plot(df[epoch], val_acc_smooth, r-, linewidth2, labelf{window}轮移动平均) axes[1, 1].set_title(验证准确率平滑曲线, fontweightbold) axes[1, 1].set_xlabel(训练轮次) axes[1, 1].set_ylabel(准确率 (%)) axes[1, 1].legend() axes[1, 1].grid(True, alpha0.3) plt.suptitle(音乐流派分类模型训练深度分析, fontsize16, fontweightbold, y1.02) plt.tight_layout() plt.savefig(music_genre_training_analysis.png, dpi300, bbox_inchestight) plt.show() print(f\n✅ 分析完成图表已保存为:) print(f - training_dashboard.png) print(f - music_genre_training_analysis.png) return { convergence: convergence_result, overfitting: overfitting_analysis, stability: stability_report } # 运行分析 if __name__ __main__: # 假设已经有训练日志文件 analysis_results analyze_music_genre_training()6.2 针对音乐分类任务的特殊分析音乐流派分类有其特殊性我们需要特别关注某些指标def analyze_music_specific_metrics(confusion_matrix, class_names): 分析音乐分类任务的特殊指标 analysis { genre_performance: {}, confusion_patterns: [], hard_genres: [], easy_genres: [] } n_classes len(class_names) # 计算每个流派的性能指标 for i in range(n_classes): # 真正例、假正例、假反例 tp confusion_matrix[i, i] fp confusion_matrix[:, i].sum() - tp fn confusion_matrix[i, :].sum() - tp precision tp / (tp fp) if (tp fp) 0 else 0 recall tp / (tp fn) if (tp fn) 0 else 0 f1 2 * precision * recall / (precision recall) if (precision recall) 0 else 0 analysis[genre_performance][class_names[i]] { precision: round(precision, 3), recall: round(recall, 3), f1_score: round(f1, 3), support: int(confusion_matrix[i, :].sum()) } # 识别困难流派F1分数低 if f1 0.5: analysis[hard_genres].append({ genre: class_names[i], f1_score: round(f1, 3), common_confusions: [] }) # 识别容易混淆的流派对 for j in range(n_classes): if i ! j and confusion_matrix[i, j] confusion_matrix[i, :].sum() * 0.2: # 如果错误分类超过该类别样本的20% confusion_pair { true_genre: class_names[i], predicted_genre: class_names[j], count: int(confusion_matrix[i, j]), percentage: round(confusion_matrix[i, j] / confusion_matrix[i, :].sum(), 3) } analysis[confusion_patterns].append(confusion_pair) # 找出最容易混淆的流派对 if analysis[confusion_patterns]: analysis[confusion_patterns].sort(keylambda x: x[percentage], reverseTrue) analysis[top_confusions] analysis[confusion_patterns][:5] return analysis7. 实用技巧与最佳实践7.1 训练监控的最佳实践根据我的经验以下是一些训练监控的最佳实践定期保存检查点# 检查点保存策略 def save_checkpoint(epoch, model, optimizer, val_acc, is_bestFalse): checkpoint { epoch: epoch, model_state_dict: model.state_dict(), optimizer_state_dict: optimizer.state_dict(), val_accuracy: val_acc, timestamp: datetime.now().strftime(%Y-%m-%d %H:%M:%S) } # 定期保存 if epoch % 10 0: torch.save(checkpoint, fcheckpoint_epoch_{epoch}.pth) # 保存最佳模型 if is_best: torch.save(checkpoint, best_model.pth) # 保存最新模型 torch.save(checkpoint, latest_model.pth)使用TensorBoard进行实时监控from torch.utils.tensorboard import SummaryWriter # 初始化TensorBoard writer SummaryWriter(runs/music_genre_experiment) # 记录训练指标 def log_to_tensorboard(epoch, train_loss, val_loss, train_acc, val_acc): writer.add_scalar(Loss/train, train_loss, epoch) writer.add_scalar(Loss/val, val_loss, epoch) writer.add_scalar(Accuracy/train, train_acc, epoch) writer.add_scalar(Accuracy/val, val_acc, epoch) # 记录学习率 for param_group in optimizer.param_groups: writer.add_scalar(Learning_rate, param_group[lr], epoch)实现早停策略class EarlyStopping: def __init__(self, patience10, min_delta0.001): self.patience patience self.min_delta min_delta self.counter 0 self.best_loss None self.early_stop False def __call__(self, val_loss): if self.best_loss is None: self.best_loss val_loss elif val_loss self.best_loss - self.min_delta: self.counter 1 if self.counter self.patience: self.early_stop True else: self.best_loss val_loss self.counter 0 return self.early_stop7.2 常见问题与解决方案问题1训练损失下降但验证损失上升可能原因过拟合解决方案增加数据增强添加Dropout层使用权重衰减减少模型复杂度使用早停问题2训练和验证损失都不下降可能原因学习率不合适或模型容量不足解决方案调整学习率尝试增大或减小检查梯度是否正常流动尝试更复杂的模型架构检查数据预处理是否正确问题3训练过程震荡严重可能原因学习率太大或批次大小太小解决方案减小学习率增大批次大小使用梯度裁剪尝试不同的优化器8. 总结通过plot.py训练曲线可视化和模型收敛性分析我们能够真正理解音乐流派分类模型的训练过程。这不仅仅是画几条曲线那么简单而是通过科学的方法监控、分析和优化模型训练。关键收获可视化是理解训练过程的眼睛没有可视化训练就是盲人摸象收敛性分析需要多维度不能只看损失值还要看准确率、稳定性、过拟合程度音乐分类有特殊性需要特别关注流派间的混淆情况自动化分析提高效率通过脚本实现自动化分析节省大量时间实用建议每次训练都要保存完整的日志定期生成可视化报告建立自己的分析工具库分享分析结果促进团队协作训练一个好的音乐流派分类模型不仅需要好的数据和架构更需要科学的训练监控方法。plot.py提供的可视化工具和收敛性分析方法能够帮助你更好地理解模型行为做出更明智的调优决策。记住可视化不是目的而是手段。真正的目标是通过可视化理解模型通过理解优化模型通过优化提升性能。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。