提供基于SHAP值的机器学习模型可解释性方案，涵盖Explainer选择、特征归因计算及多种可视化方法，用于解释预测、调试模型和分析公平性。
TensorBoard是用于机器学习可视化的工具，支持训练指标监控、模型调试、实验对比、图结构可视化及性能分析。适用于PyTorch和TensorFlow框架，帮助开发者直观跟踪损失、准确率等数据并优化模型。
提供Apache Spark作业性能优化方案，涵盖分区策略、内存管理、Shuffle优化及数据倾斜处理。用于调试慢任务、调整配置或扩展数据处理流水线。
诊断慢SQL查询并生成具体优化方案。分析执行计划，定位瓶颈（如全表扫描、索引缺失），提供重写后的SQL及具体的索引/分区调整建议，并评估预期性能提升效果。
面向LLM智能体强化学习训练的故障诊断与实验设计指南，涵盖PPO/GRPO等算法及评估指标异常排查，提供基于知识库的根因分析与修复建议。
用于分析和调优多GPU训练中的LengthPoolSortDataset，解决跨Rank长度同步导致的效率瓶颈。
用于识别和解释系统库存、现场活动消耗与财务记录之间的差异，支持审计、投入品控制和农忙季结算。通过对比理论库存与实际库存，定位数据不一致原因。
用于调试PyTorch模型中的维度不匹配错误，通过在关键位置添加打印语句来检查张量形状。
提供基于强化学习的语言模型后训练（如GRPO、PPO、DPO）诊断指南，协助排查训练无改善、损失异常、梯度NaN等问题，覆盖奖励、优势估计及生成流水线各阶段。
用于诊断量化回测失败或表现不佳的问题，定位根因并修复。通过检查日志、代码和指标文件，分类处理运行时错误、逻辑缺陷及数据问题，确保回测结果正确。
- «
- 1
- »
