Mac 本地运行建议
你的机器是 MacBook Pro M4，24G 内存。它适合本地跑通小规模训练流程，但不适合一开始就全量训练 BERT。
设备选择
PyTorch 在 Apple Silicon 上可以使用 MPS：
python
device = torch.device("mps" if torch.backends.mps.is_available() else "cpu")建议启动时打印：
python
print(f"使用设备: {device}")如果输出：
text
使用设备: mps说明已经用上 Mac GPU。
第一次训练建议参数
为了快速看到完整流程，建议：
python
MAX_TRAIN_SAMPLES = 256
MAX_VALID_SAMPLES = 64
BATCH_SIZE = 8
MAX_LENGTH = 64
EPOCHS = 1
FREEZE_BERT = True含义：
| 参数 | 建议值 | 原因 |
|---|---|---|
MAX_TRAIN_SAMPLES | 256 | 快速跑通训练 |
MAX_VALID_SAMPLES | 64 | 快速完成验证 |
BATCH_SIZE | 8 | 降低内存压力 |
MAX_LENGTH | 64 | 商品标题通常不长 |
EPOCHS | 1 | 第一遍只验证流程 |
FREEZE_BERT | True | 只训练分类头，更快 |
FREEZE_BERT = True 时：
python
for param in model.bert.parameters():
param.requires_grad = False这表示 BERT 主体不更新，只训练最后的分类层。
学习流程时这样很好；真正微调时再改成：
python
FREEZE_BERT = False依赖安装
建议使用虚拟环境：
bash
python -m venv .venv
source .venv/bin/activate
pip install torch transformers datasets scikit-learn tqdm如果只跑最小脚本，核心依赖是：
bash
pip install torch transformers如果运行原项目完整流程，再安装：
bash
pip install -r requirements.txt本地文档站点
安装依赖：
bash
npm install启动文档：
bash
npm run docs:dev构建文档：
bash
npm run docs:build预览构建结果：
bash
npm run docs:preview什么时候算成功
第一阶段不要看准确率。
先看这些信号：
text
能加载数据
能加载 tokenizer
能加载 bert-base-chinese
能进入训练循环
loss 能打印出来
验证能跑完
模型能保存这些都跑通，说明训练管线已经通了。
准确率是第二阶段的事情。