lc：98、51
熬夜看小说起晚了。晚上看了一下claudecode在国内怎么配置的问题，不得不说还真是八仙过海各显神通，什么法子都来了。CC官方防大陆也和防火一样生怕 claudecode在大陆能用。
配了一个小时差不多弄完了，然后把平时写日记的typora换成了obsidian并加上了claudecode插件。
开始做第一个项目：

Fine-tuning Qwen-1.5B with LoRA for Chinese Sentiment Analysis

用Qwen是因为它的中文能力较强，虽然说事实上它支持超过29种语言的多语言。符合我们用lora锦上添花的过程，而且它显存友好，部署起来并不会特别吃力。

在GPT之前分类任务主流就是用bert，由谷歌2018年提出。
Decoder-Only 模型做分类时，通常取序列最后一个位置的隐藏状态，通过一个线性分类头输出类别概率。和生成式的区别仅仅是最后过的头不同，lora_config = LoraConfig(
task_type=TaskType.SEQ_CLS, # 序列分类任务
...
)
不看视频，自己动起手来才发现github的autoxxx还是有点花样的，能够自己帮你处理很多结构。
比如说Qwen2.5-1.5B本来是文本生成的模型，如果用AutoModelForSequenceClassification去下载它，模型结构会自动调整：

AutoModelForSequenceClassification (分类任务)

AutoModelForCausalLM (生成任务)

关键区别：
- 分类任务：最后一层是 Score Head，只输出 2 个分数（对应"好"/"坏"）
- 生成任务：最后一层是 LM Head，输出 151936 个分数（词表中的每个词）

分类任务就不是从超大词表里取出预测的下一个结果了，而是像从两个词的词表中抽一个，也就是"好"或者"坏"。

当然，tokenizer还是要的，虽然最后不用根据它把数据映射回真实词，直接用0、1二分类就行，但是Embedding还是要用tokenizer把数据变成词向量。
今天最后一个工作，理解一下数据预处理。

原始文本

{"text": "这家酒店环境非常好，服务态度也很棒！", "label": 1}
{"text": "服务态度太差了，再也不会来了。", "label": 0}
考虑到我们需要的是连贯的文字和可理解的内容。乱码、多余空格、重复标点，都是"脏"的数据，需要去除，但是内容量过于巨大，不可能一个一个看。所以采用下面的操作

def clean_text(text: str) -> str:
    # 1. 统一空白字符
    text = re.sub(r'\s+', ' ', text)  # 多个空格/换行 → 单个空格

    # 2. 移除控制字符
    text = re.sub(r'[\x00-\x1f\x7f-\x9f]', '', text)  # 删除不可见字符

    # 3. 标点符号去重
    text = re.sub(r'([。！？，、；：])\1+', r'\1', text)  # "好好好！！！" → "好好好！"

    # 4. 去除首尾空白
    text = text.strip()

第一个传参位置寻找要匹配的字符，第二个位置是替换的结果，第三个位置传入的是文本变量，除此之外还可以传入count，表示最多替换次数，不传则替换所有。flags，正则表达式标志，比如忽略大小写之类的操作可以由它指定。

分词处理

模型不能直接理解文字，需要转换成数字

def preprocess_function(examples, tokenizer, max_length=256):
    # 1. 清洗文本
    texts = [clean_text(text) for text in examples["text"]]

    # 2. 分词：文字 → 数字
    tokenized = tokenizer(
        texts,
        padding="max_length",    # 填充到固定长度
        truncation=True,         # 超长就截断
        max_length=max_length,   # 最大长度256
        return_tensors=None,     # 返回Python列表
    )

以 "这家酒店很好" 为例：

词汇切分: "这家酒店很好" → ["这家", "酒店", "很", "好"]
转换ID: ["这家", "酒店", "很", "好"] → [1234, 5678, 9012, 3456]
添加特殊token: [101, 1234, 5678, 9012, 3456, 102] (101=开始，102=结束)，4个转换的token，加俩特殊token
填充: 如果不足256长度，用0填充到256
结果包含：

• input_ids: [101, 1234, 5678, 9012, 3456, 102, 0, 0, ...] (256个数字)
• attention_mask: [1, 1, 1, 1, 1, 1, 0, 0, ...] (1=真实内容，0=填充)
• labels: 1 (情感标签)
  接着用一个函数

def create_tokenized_dataset(dataset, tokenizer, max_length=256):
    # 定义处理函数
    def tokenize_fn(examples):
        return preprocess_function(examples, tokenizer, max_length)

    # 并行处理所有数据
    tokenized_dataset = dataset.map(
        tokenize_fn,
        batched=True,           # 批量处理，更快
        num_proc=4,            # 4个进程并行
        remove_columns=[...],   # 删除原始text列，只保留数字
        desc="Tokenizing dataset",
    )

批量调用刚刚的预处理过程即可,dataset.map封装好了最后的组装环节，直接输入各个参数即可。

完整流程

原始数据:
{"text": "这家酒店很好", "label": 1}

↓ clean_text
"这家酒店很好" (清洗后)

↓ tokenizer
{
  "input_ids": [101, 1234, 5678, 9012, 3456, 102, 0, 0, ..., 0],  # 256个
  "attention_mask": [1, 1, 1, 1, 1, 1, 0, 0, ..., 0],           # 256个
  "labels": 1
}

↓ 输入模型训练

Why 这么处理

1. 统一格式: 所有句子都变成256长度的数字数组
2. 批量处理: 可以一次性处理多个样本，提高效率
3. 模型理解: 模型只能处理数字，不能直接理解文字
4. 内存对齐: 固定长度便于GPU并行计算
   今天先到这吧，等着晚点看cs2的2026年的森载大战了。