AI所需Python基础语法

# AI场景常见变量：存储数据集大小、学习率、模型参数等
data_size = 10000  # 数据集样本数（整数int）
learning_rate = 0.001  # 模型学习率（浮点数float）
model_name = "linear_regression"  # 模型名称（字符串str）
is_trained = False  # 模型是否训练完成（布尔值bool）

直接打印变量，AI调试时常用

print("数据集大小：", data_size)
print("学习率：", learning_rate)

# 模拟从文本读取学习率，转成float类型
lr_str = "0.005"
learning_rate = float(lr_str)
print("转换后的学习率：", learning_rate)  # 输出 0.005（float类型）

# AI模型中的常见计算：权重更新、损失计算
weight = 0.2  # 模型初始权重
gradient = 0.03  # 梯度值
learning_rate = 0.01  # 学习率

权重更新公式（核心运算）

new_weight = weight - learning_rate * gradient
print("更新后的权重：", new_weight)  # 输出 0.1997

损失值计算（平方误差）

predict = 3.2  # 模型预测值
actual = 3.0  # 真实值
loss = (predict - actual) ** 2  # 平方运算用**
print("平方损失值：", loss)  # 输出 0.04

current_loss = 0.02
threshold = 0.05  # 损失阈值

判断是否停止训练（AI流程控制核心）

if current_loss < threshold:
print("损失值达标，停止训练！")
else:
print("继续训练...")

# AI中计算准确率（样本数都是整数，但结果要浮点数）
correct = 85  # 正确样本数
total = 100  # 总样本数
accuracy = correct / total  # Python直接返回0.85（float）
print("模型准确率：", accuracy)  # 输出 0.85

# 场景：简单线性回归模型的一次迭代
# 1. 定义变量（权重、梯度、学习率、样本数据）
weight = 0.5  # 初始权重
gradient = 0.08  # 计算出的梯度
lr = 0.003  # 学习率
correct_samples = 92  # 正确预测数
total_samples = 100  # 总样本数

2. 权重更新（数值运算）

weight = weight - lr * gradient

3. 计算准确率（除法运算）

accuracy = correct_samples / total_samples

4. 判断是否达标（比较运算）

if accuracy >= 0.9:
print(f"训练达标！准确率：{accuracy:.2f}，更新后权重：{weight:.4f}")
else:
print(f"继续训练...准确率：{accuracy:.2f}")

训练达标！准确率：0.92，更新后权重：0.4976