這篇解什麼問題
微調一個 transformer 模型，理論上流程很簡單：切資料、tokenize、丟進 Trainer、跑幾個 epoch。實際在 Kaggle 的 GPU 環境上跑，會遇到哪些理論上不會寫進教科書、但現場一定會踩到的環境問題。
我怎麼做
模型是 distilbert-base-uncased，跟 Route A、C 用同一份 80/20 切分（random_state=42，分層抽樣），max_length 設 128（推文本來就短，不需要更長），訓練 2 個 epoch。
第一次 push，直接死在讀資料這一步：
FileNotFoundError: [Errno 2] No such file or directory: '/kaggle/input/nlp-getting-started/train.csv'原因是猜錯了掛載路徑。kernel-metadata.json 裡用 competition_sources 掛比賽資料時，實際掛載位置是 /kaggle/input/competitions/<slug>/，不是直覺以為的 /kaggle/input/<slug>/——這兩者只差一層目錄，但沒查文件很難猜對。改成先試兩個候選路徑，都沒有再往 /kaggle/input/ 底下遞迴找 train.csv，找不到才報錯並把目錄內容印出來，之後不會再靠猜。
第二次 push，資料讀對了，訓練卻直接爆掉：
torch.AcceleratorError: CUDA error: no kernel image is available for execution on the device查了才知道，Kaggle 這次配到的加速器是 Tesla P100（運算能力 sm_60），但環境預裝的 PyTorch 版本只編譯了 sm_70 以上架構的 CUDA kernel。麻煩的地方是 torch.cuda.is_available() 依然回傳 True——程式不會在一開始就報錯，會一路跑到真正呼叫 CUDA 運算的那一刻才炸掉，而且已經吃掉一段訓練時間。
第三次，在正式訓練前先加一個探測：用一個一維 tensor 跑一次簡單的加法運算，包在 try/except 裡。能跑成功才真的用 GPU；跑不成功，TrainingArguments 直接切 use_cpu=True，整批訓練改在 CPU 上進行。這次順利撐過前兩次都會死掉的時間點，完整跑完。
結果與數據
CPU 上跑完 2 個 epoch，耗時 2064.8 秒（約 34.4 分鐘），本地驗證 F1 是 0.81487；提交 Kaggle 後，public leaderboard 分數是 0.83052，三條路線裡最高。
一句話結論
分數是三路裡最高的，但這個「最高」不是靠模型架構贏來的——是靠一個能自動偵測環境不相容、乾淨退回 CPU 的容錯機制，才沒有讓一個純粹的硬體版本問題毀掉整個實驗。