上一篇我们掌握了变量、数据类型和运算符这些 “基础积木”，今天要学的流程控制语句，就是把这些积木搭成 “可执行的大模型训练逻辑” 的核心 —— 比如 “损失值低于 0.1 就停止训练”“循环读取 100 轮训练数据”“根据不同数据集选择不同学习率”，全靠 if、for、while 这三类语句实现，搞定它，你就能写出有 “逻辑” 的大模型代码了！条件判断就像大模型训练中的 “裁判”，根据设定的条件（比如损失值、准确率）决定下一步该做什么，是开发中最常用的流程控制语句。
1. 基本语法：单条件判断
大模型场景示例：判断模型是否达标
# 模拟大模型训练后的准确率accuracy = 0.88# 设定达标阈值：准确率≥0.85则达标if accuracy >= 0.85: print(f"模型达标！准确率：{accuracy}") # 缩进4个空格/1个Tab，是Python的核心语法
运行结果：模型达标！准确率：0.88
if 条件: 满足条件执行的代码else: 不满足条件执行的代码
# 模拟大模型当前损失值loss = 0.12# 设定停止条件：损失值≤0.1则停止训练if loss <= 0.1: print(f"损失值{loss}达标，停止训练！")else: print(f"损失值{loss}未达标，继续训练～")
3. 多条件判断（if-elif-else）：多场景决策if 条件1: 执行代码1elif 条件2: 执行代码2...else: 以上条件都不满足时执行
# 模拟大模型准确率accuracy = 0.75# 初始化学习率learning_rate = 0.001# 根据准确率分档调整学习率if accuracy >= 0.85: learning_rate *= 0.8 # 准确率高，降低学习率防止过拟合elif accuracy >= 0.75: learning_rate *= 0.9 # 准确率中等，小幅降低学习率else: learning_rate *= 1.1 # 准确率低，提高学习率加速收敛print(f"调整后学习率：{learning_rate}")
大模型场景示例：判断训练是否继续 + 是否保存模型# 模拟模型指标loss = 0.09accuracy = 0.87# 第一层判断：损失值是否达标if loss <= 0.1: print("损失值达标！") # 第二层判断：准确率是否达标（嵌套缩进） if accuracy >= 0.85: print("准确率也达标，保存模型并停止训练～") else: print("准确率未达标，仅停止训练，不保存模型！")else: print("损失值未达标，继续训练～")
运行结果：
二、循环语句（for）：大模型训练的 “重复器”
大模型训练需要重复执行相同的逻辑（比如读取 100 轮数据、计算 1000 次损失值），for 循环就是用来实现 “固定次数的重复操作”，是处理批量数据的核心。1. 基本语法：遍历序列（列表 / 字典 / 范围）用 range(起始值, 结束值, 步长) 生成数字序列，大模型训练轮数常用：
# 模拟大模型训练10轮（range(10) 生成0-9的数字）for epoch in range(10): # 模拟每轮训练的损失值（逐轮降低） loss = 0.2 - epoch * 0.02 print(f"第{epoch+1}轮训练，损失值：{loss:.2f}")
第1轮训练，损失值：0.20第2轮训练，损失值：0.18...第10轮训练，损失值：0.02
# 存储大模型8轮训练的损失值loss_list = [0.32, 0.28, 0.25, 0.22, 0.19, 0.17, 0.15, 0.13]total_loss = 0 # 初始化总损失值# 遍历损失列表，累加总损失for loss in loss_list: total_loss += loss# 计算平均损失avg_loss = total_loss / len(loss_list)print(f"8轮训练总损失：{total_loss:.2f}，平均损失：{avg_loss:.2f}")
运行结果：8轮训练总损失：1.71，平均损失：0.21# 大模型配置字典llm_config = { "model_name": "Python-LLM-Base", "learning_rate": 0.0005, "batch_size": 64, "train_epochs": 100}# 遍历字典，打印每个配置项for key, value in llm_config.items(): print(f"配置项 {key}：{value}")
运行结果：
配置项 model_name：Python-LLM-Base配置项 learning_rate：0.0005配置项 batch_size：64配置项 train_epochs：100
5. 循环控制：break/continue（灵活调整训练逻辑）break：立即终止循环（比如训练达标后提前停止）；continue：跳过当前轮次，执行下一轮（比如跳过无效数据）。
# 模拟训练20轮，若损失值≤0.1则提前停止for epoch in range(20): loss = 0.2 - epoch * 0.015 # 模拟损失值逐轮降低 print(f"第{epoch+1}轮训练，损失值：{loss:.2f}") # 条件判断：损失值≤0.1则停止训练 if loss <= 0.1: print(f"第{epoch+1}轮损失值达标，提前停止训练！") break # 终止循环
运行结果：
第1轮训练，损失值：0.20第2轮训练，损失值：0.18第3轮训练，损失值：0.17第4轮训练，损失值：0.15第5轮训练，损失值：0.14第6轮训练，损失值：0.12第7轮训练，损失值：0.11第8轮训练，损失值：0.09第8轮损失值达标，提前停止训练！
三、循环语句（while）：大模型训练的 “无限重复器”while 循环是 “条件满足就一直执行”，适合不确定循环次数的场景（比如直到模型收敛才停止训练）。
1. 基本语法
2. 核心用法：直到模型收敛才停止训练
# 初始化参数current_loss = 0.25 # 初始损失值epoch = 0 # 训练轮数lr = 0.001 # 学习率# 循环训练：损失值>0.1就继续while current_loss > 0.1: epoch += 1 # 模拟训练：每轮损失值降低（学习率越高，降得越快） current_loss -= lr * 10 # 防止损失值为负数（边界处理） current_loss = max(current_loss, 0.0) print(f"第{epoch}轮训练，当前损失值：{current_loss:.2f}")print(f"\n训练完成！共训练{epoch}轮，最终损失值：{current_loss:.2f}")
第1轮训练，当前损失值：0.24第2轮训练，当前损失值：0.23...第15轮训练，当前损失值：0.10训练完成！共训练15轮，最终损失值：0.10
while 循环如果条件永远满足，会一直执行（死循环），开发时一定要确保条件能 “不满足”：❌ 错误示例：while True: print("训练中...")（无终止条件）current_loss = 0.25epoch = 0max_epochs = 50 # 最大训练轮数while current_loss > 0.1 and epoch < max_epochs: epoch += 1 current_loss -= 0.01 print(f"第{epoch}轮，损失值：{current_loss:.2f}")
"""实战案例：大模型基础训练逻辑功能：1. 定义模型初始参数2. 循环训练，每轮打印损失值3. 满足以下任一条件则停止训练： - 损失值≤0.1 - 训练轮数≥304. 训练结束后输出总结"""# 1. 初始化模型参数llm_config = { "learning_rate": 0.001, "max_epochs": 30, "target_loss": 0.1}current_loss = 0.3 # 初始损失值train_epochs = 0 # 已训练轮数loss_history = [] # 存储每轮损失值（方便后续分析）# 2. 开始训练（while循环）print("===== 大模型训练开始 =====")while current_loss > llm_config["target_loss"] and train_epochs < llm_config["max_epochs"]: train_epochs += 1 # 模拟每轮训练：损失值降低（受学习率影响） current_loss -= llm_config["learning_rate"] * 8 current_loss = max(current_loss, 0.0) # 防止损失值为负 loss_history.append(current_loss) # 记录损失值 # 每5轮打印一次进度（条件判断+取余运算） if train_epochs % 5 == 0: print(f"第{train_epochs}轮训练，当前损失值：{current_loss:.2f}")# 3. 训练结束，输出总结（多条件判断）print("\n===== 训练总结 =====")if current_loss <= llm_config["target_loss"]: print(f"✅ 训练达标！损失值{current_loss:.2f} ≤ 目标值{llm_config['target_loss']}")elif train_epochs >= llm_config["max_epochs"]: print(f"⚠️ 训练达到最大轮数{llm_config['max_epochs']}，未达标（当前损失：{current_loss:.2f}）")print(f"总训练轮数：{train_epochs}")print(f"损失值变化：{loss_history[:3]}...{loss_history[-3:]}") # 打印前3和后3轮损失值
运行结果：
===== 大模型训练开始 =====第5轮训练，当前损失值：0.26第10轮训练，当前损失值：0.22第15轮训练，当前损失值：0.18第20轮训练，当前损失值：0.14第25轮训练，当前损失值：0.10===== 训练总结 =====✅ 训练达标！损失值0.10 ≤ 目标值0.1总训练轮数：25损失值变化：[0.292, 0.284, 0.276]...[0.108, 0.10000000000000009, 0.09200000000000008]
总结
- if 条件判断是大模型训练的 “决策器”，单条件用 if、二选一用 if-else、多场景用 if-elif-else，嵌套判断可处理复杂逻辑；
- for 循环适合 “固定次数” 的重复操作（比如多轮训练、遍历数据），break 终止循环、continue 跳过当前轮次；
- while 循环适合 “不确定次数” 的重复操作（比如直到模型收敛），务必设置终止条件避免死循环。
下一篇预告
今天我们掌握了流程控制的核心 ——if 判断做决策、for/while 循环做重复操作，这是编写大模型训练逻辑的 “骨架”。下一篇将讲解函数：把重复的训练逻辑（比如计算损失值、调整学习率）封装成函数，让代码更简洁、可复用，这是大模型项目模块化开发的关键！
如果写代码时遇到问题，评论区贴出你的代码和报错信息，觉得干货有用，点赞 + 在看 + 转发，让更多想入门大模型的朋友一起学！
