直接UART就可以控制 发出HTTP请求：

波特率115200

AT+QICSGP=1,1,"","",""
AT$HTTPOPEN

#设置网址和端口
AT$HTTPPARA=http://httpbin.org/get,80
AT$HTTPACTION=0
#发起请求，会在此返回信息，

#返回信息
$HTTPRECV:DATA,230
HTTP/1.1 200 OK
Date: Sun, 09 Feb 2025 13:39:51 GMT
Content-Type: application/json
Content-Length: 198
Connection: keep-alive
Server: gunicorn/19.9.0
Access-Control-Allow-Origin: *
Access-Control-Allow-Credentials: true


$HTTPRECV:DATA,198
{
  "args": {}, 
  "headers": {
    "Host": "httpbin.org", 
    "X-Amzn-Trace-Id": "Root=1-67a8b027-423e73b94ca71dfc46cd549e"
  }, 
  "origin": "111.55.73.203", 
  "url": "http://httpbin.org/get"
}

OK
#返回信息


#设置网址和端口 只要没有关闭HTTP 就可以使用发送 可以换get网址
AT$HTTPPARA=http://qt.gtimg.cn/q=sz000858,80
AT$HTTPACTION=0
#发起请求，会在此返回信息，


AT$HTTPCLOSE

查询时间：
AT+CCLK?
+CCLK: “25/02/09,13:46:29+32”

TCP UDP MQTT POST 啥都可以 牛皮
如果本身有GPS 还可以返回GPS信息

1.上面截图中的相关解释 微调训练输出日志

日志解释
加载数据集（Loading datasets）：
表示模型训练开始前，数据集正在被加载。
训练（Training）：
表示模型训练过程的开始。
可训练参数（Trainable parameters）：
显示了模型中可训练参数的比例和数量。例如，0.061% (1.090M/1777.088M) 表示模型中有大约1.090百万个可训练参数，占总参数的0.061%。
开始训练（Starting training…）：
表示模型训练的开始，并且指定了迭代次数（iters: 1000）。
迭代（Iter）：
每个迭代（Iter）记录了训练过程中的一些关键指标，包括：
Val loss：验证集上的损失值，用于评估模型在未见过的数据上的表现。
Val took：完成一次验证所需的时间。
Train loss：训练集上的损失值，用于指导模型参数的更新。
Learning Rate：学习率，控制模型参数更新的步长。
It/sec：每秒迭代次数，表示训练速度。
Tokens/sec：每秒处理的标记数，表示数据处理速度。
Trained Tokens：到目前为止训练过程中处理的标记总数。
Peak mem：训练过程中达到的内存峰值。
示例解释
Iter 1：在第一次迭代中，验证集上的损失值为3.448，完成这次验证用了11.861秒。
Iter 10：在第十次迭代中，训练集上的损失值为10.849，学习率为1.000e-05，每秒迭代次数为2.650，每秒处理的标记数为215.175，到目前为止处理了812个标记，内存峰值为4.617 GB。

2.MLX lora训练相关需要修改的命令参数

2.1迭代数 –iters

迭代次数越多，可以学习损失率越低，之前命令默认迭代次数为1000，最终损失值1.863 ，可以修改下命令中的迭代参数来修改。

--iters 10000

2.2 学习率 –learning-rate

默认 –learning-rate 1e-5 ；解释学习率低：会训练慢，高：训练快，但是会发散，减慢收敛速度。 收敛，模型逐步稳定

--learning-rate 1e-5

2.3 –lora-rank 16和 –lora-alpha 32 为 LoRA层的复杂度和训练过程中的缩放因子

W=W + α * ∆W

α 是LoRA Alpha缩放因子

∆W 是 LoRA层的低秩矩阵乘积

∆W
--lora-rank 16 表示设置 LoRA 的秩为 16，即 r=16，这意味着 B 和 A 矩阵的维度将分别是 d×16 和 16×k。这有助于减少模型的参数量和计算复杂度。


在LoRA（Low-Rank Adaptation）的上下文中，d 和 k 通常指的是模型权重矩阵的维度，具体含义取决于模型架构和权重矩阵的位置。以下是一些常见的解释：
对于自注意力（Self-Attention）层：
d：表示模型的隐藏层维度（hidden size），即每个注意力头处理的特征向量的维度。
k：表示注意力头的数量（number of attention heads）。
对于前馈网络（Feed Forward Network, FFN）层：
d：表示模型的隐藏层维度（hidden size），即FFN层输入和输出的特征向量的维度。
k：表示FFN层内部特征的维度（intermediate size），即FFN层内部的中间特征向量的维度。通常，k 会大于 d，以增加模型的表达能力。

还是要了解一下Transformer