目录
1. 变量 (Variables)：给数据贴标签
命名规范（ML 领域的潜规则）
2. 四大核心数据类型 (The Core Types)
A. Float (浮点数) —— ML 的绝对主角
B. Int (整数) —— 计数器
C. Bool (布尔值) —— 逻辑开关
D. String (字符串) —— 文本与路径
必须要会的技能：类型转换 (Casting)
3. f-string：格式化输出神器
基础用法
进阶用法：控制数字精度 (ML 必学)
4. 实战演练：模拟训练日志
课后思考 (Check Your Understanding)
1. 变量 (Variables)：给数据贴标签
在 Python 中，变量不需要“声明类型”（不像 C++ 或 Java 需要写int a = 1）。你直接赋值，Python 会自动识别。
命名规范（ML 领域的潜规则）
虽然 Python 推荐用全小写加下划线（如my_variable），但在机器学习的数学公式实现中，我们经常打破这个规则以匹配数学符号：
常规变量：
learning_rate,batch_size,model_path(使用 snake_case)矩阵/数据集：
X(通常大写，代表特征矩阵),y(通常小写，代表标签)参数：
w(权重 weights),b(偏置 bias)
# 定义变量非常简单，左边是名字，右边是值 epoch = 10 # 训练轮数 learning_rate = 0.001 # 学习率 is_training = True # 是否正在训练 model_name = "ResNet50" # 模型名称 # 变量的值是可以随时修改的 epoch = epoch + 1 # 现在 epoch 变成了 112. 四大核心数据类型 (The Core Types)
Python 有很多类型，但做算法模型时，你 95% 的时间只在和下面这四种打交道。
A. Float (浮点数) —— ML 的绝对主角
机器学习的核心是微积分和矩阵运算，结果几乎永远是小数。
场景：模型的准确率 (0.985)、损失函数值 (0.0023)、权重参数。
注意：哪怕是
1.0，在计算机眼里它也是浮点数，而不是整数。
B. Int (整数) —— 计数器
场景：数据集的索引（第 5 张图）、训练的轮数（第 10 轮）、分类的类别 ID（0 代表猫，1 代表狗）。
C. Bool (布尔值) —— 逻辑开关
只有两个值：True和False（注意首字母大写）。
场景：
shuffle=True(打乱数据),use_gpu=False(使用 CPU),pretrained=True(使用预训练模型)。
D. String (字符串) —— 文本与路径
用单引号' '或双引号" "包裹。
场景：文件路径
'./data/train.csv'，自然语言处理中的原始文本'I love AI'。
必须要会的技能：类型转换 (Casting)
数据读入时经常格式不对（比如从文本文件读入的数字默认是字符串），你需要手动转换。
s = "3.14159" # print(s + 1) # ❌ 报错！字符串不能和数字相加 f = float(s) # ✅ 强制转换为浮点数 print(f + 1) # 输出: 4.14159 i = int(3.9) # ✅ 浮点转整数（注意：是直接截断，不是四舍五入） print(i) # 输出: 33. f-string：格式化输出神器
在训练神经网络时，你经常盯着屏幕看滚动的日志。如果打印得乱七八糟，会非常影响判断。
Python 3.6 引入的f-string(formatted string literal) 是目前最推荐的写法。
基础用法
在字符串的引号前加一个f，然后在字符串内部用花括号{}包裹变量。
acc = 0.85 name = "YOLOv5" # 老式写法 (不推荐，容易眼花) print("模型 " + name + " 的准确率是 " + str(acc)) # ✅ f-string 写法 (推荐) print(f"模型 {name} 的准确率是 {acc}")进阶用法：控制数字精度 (ML 必学)
损失函数（Loss）通常是很长的小数，如0.1293847192。直接打印太乱，我们通常只看前4位或前6位。
语法：
{变量:格式}.4f：表示保留小数点后 4 位浮点数。.2%：表示显示为百分比，保留 2 位小数。
loss = 0.1293847192 accuracy = 0.98765432 # 这里的 :.4f 和 :.2% 是重点 print(f"Loss: {loss:.4f}") # 输出: Loss: 0.1294 (自动四舍五入) print(f"Accuracy: {accuracy:.2%}") # 输出: Accuracy: 98.77%4. 实战演练：模拟训练日志
让我们把上面学到的组合起来，写一段模拟神经网络训练过程的代码。
# === 模拟训练参数配置 === model_name = "DeepLabV3" batch_size = 32 # int total_images = 1000 # int current_loss = 0.052391 # float # 计算一下大概需要多少个 batch 才能跑完 (简单的数学运算) # total_images / batch_size 结果是 float，我们需要转成 int steps_per_epoch = int(total_images / batch_size) # === 打印训练日志 === print("-" * 30) # 打印30个减号作为分割线 print(f"开始训练模型: {model_name}") print(f"总图片数: {total_images}, 批次大小: {batch_size}") print(f"每轮需要跑 {steps_per_epoch} 步") print("-" * 30) # 模拟打印某一步的结果 step = 15 print(f"Step [{step}/{steps_per_epoch}] -> Loss: {current_loss:.4f}")运行结果：
------------------------------ 开始训练模型: DeepLabV3 总图片数: 1000, 批次大小: 32 每轮需要跑 31 步 ------------------------------ Step [15/31] -> Loss: 0.0524课后思考 (Check Your Understanding)
请在你的 Python 环境（Jupyter Notebook 或 PyCharm）中尝试解决这个问题：
问题：
假设你有两个变量：
precision = 0.81234
recall = 0.78912
请计算 F1-Score（公式如下），并使用 f-string 打印结果，要求保留 3 位小数。
(如果你写完了或者卡住了，可以随时把代码发给我，我来帮你 Review！)
