汤不热吧
Docker 训练保存 checkpoint 报 Permission denied：UID、GID 与挂载权限排查
GPU 已经可用却保存模型失败，如何定位宿主机目录权限、容器身份、只读挂载与安全标签。
标签：checkpoint
Google Colab 断线续训：用 Checkpoint 恢复 LoRA 训练（完整 Notebook）
Colab 断线后如何恢复 LoRA？下载完整 Notebook，将 checkpoint 保存到 Drive，校验权重与训练状态，恢复 optimizer、scheduler 和训练步数。
面试官：如果训练中途发生了一次比特翻转（Bit-flip），你的 Checkpoint 还能救回来吗？
在深度学习模型训练过程中，Checkpoint（检查点）是至关重要的，它记录了模型权重、优化器状态、学习率调度器状态等，用于断点续训。面试官提出的“比特翻转”问题，指的是硬件故障（如内存、磁盘或传输中的电磁干扰）导致数据中的单个或多个位发生...
Checkpoint 重计算技术：用时间换空间，解决大模型训练 OOM 的最后一根稻草
梯度检查点（Checkpointing Recomputation）：用时间换空间的终极手段 随着深度学习模型规模的爆炸式增长，特别是大型语言模型（LLMs）的出现，训练过程中 GPU 显存不足（OOM, Out Of Memory）成为了...
如何使用 torch.utils.checkpoint 梯度检查点技术以计算换空间训练超大模型
在训练深度学习模型，尤其是如Transformer这类拥有数百甚至数千层的超大模型时，GPU显存往往成为瓶颈。标准的反向传播算法需要存储前向传播中每层的所有中间激活值（Activations），以便在计算梯度时使用，这消耗了大量的显存。当模...