Python 基础：变量、数据类型与 f-string 格式化

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：3

3. 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。

F1 = 2 × (precision × recall) / (precision + recall)