背景 项目全景 数据集探索：Speech Commands v2 标签列表 V1~V3：试错过程 V1：随手跑（CPU，MFCC + 简单 CNN） V2：换 GPU 加轮数 V3：SpecAugment + 残差网络（快速验证） V4：根因发现——MFCC 丢帧 V5（最终方案）：MelSpectrogram + 残差 CNN + Mixup 改进组合 训练曲线分析 代码架构拆解 为什么 Mel 比 MFCC 强？ 评测结果（真实数据） 总体指标 每类准确率 混淆矩阵 Top 15 分析 推理延迟（RTX 4060, Batch=1） 模型偏置分析 部署管道 1. ONNX 导出 2. ONNX → DLC（SNPE 专有格式） 3. INT8 量化 4. 真机推理（adb） 踩坑大全 1. MFCC hop_length 的隐藏

- 阅读剩余部分 -

为什么需要实验追踪 MLflow 的四个核心概念 实验（Experiment） 运行（Run） Model Registry（模型注册表） MLflow Tracking Server 安装和基础用法 给训练脚本加上 MLflow 追踪 创建实验 记录一次运行 注册最佳模型 跑 3 组实验的结果对比 在 WebUI 中对比实验 踩坑记录 坑一：Python 文件命名 坑二：MLflow 版本差异 坑三：小数据集上实验差异不大 坑四：局域网访问被安全中间件拦截 总结 下一天预告 系列文章 这是 AI 实操第 3 天。前两篇做了 PyTorch 训练和 ONNX 导出，手上有好几个模型文件了。哪个准确率最高？当时用的什么参数？过一周还记不记得？这就是 MLflow 要解决的问题。这篇记录我实际操作 MLflow 的过程和踩的坑，读者水平跟我差不多——懂点 Pyt

- 阅读剩余部分 -