以文章multi-label learning from single positive为例；
- 手动
print打印出你不懂的地方； - 把不会的地方单独拎出来，重新创建一个小文件单独运行；
- 问神奇的chatgpt，github上有个学术型chatgpt可以帮你读懂项目代码；
手动print
最笨的方法啦！不过还是要知道到底要看哪些东西，比如说对于一个函数而言，先看输入输出；
对于一个变量，以tensor为例，主要看它的形状，那么就这么写：print(f"label.shape : {label.shape}")，打印出来(16, 81)，就表示batch size = 16, 每一个instance对应有81个class，还可以看它其中的值，比如想观察其中一个instance对应的数据，就这么写：print(f"label[0] : {label[0]}")，打印出来的是每一个instance而言，每一个类是真是标记的概率，会是一个长度为81的tensor，每个值是属于[0, 1]的一个数字；
就这样，哪里不会点哪里；
拎出来
这个就很有技巧了；
我一般是用Jupyter Notebook，单独创建一个.ipynb程序来写；
创建.ipynb文件常常会有问题，在Vscode中需要下载相关插件；
会遇到问你选择什么kernal，一般也就是问你要用conda里哪个环境；
还会遇到编译器不知道你的根目录在哪里，也就是相对于直接用python train.py运行程序时那个开始目录，有可能会出错；
相对路径错了，记得改用绝对路径；
（1）实在不知道哪里重不重要，把前面所有代码都搬过来
属于一脸懵逼的人，那就大把大把的复制过来吧，把需要的所有变量啊，参数啊都准备哈，再运行下边的；
（2）知道上文输入这块的是什么，也知道下文要输出什么
比如说，我想要研究class ds_model(Dataset)，那我文件里只写这个class，需要什么输入呢？是一个Dataset类，是从torch里面调出来的，那没事了，我直接from torch.blabla import Dataset；
又比如，我想看source_data = load_data(data_base, P)，到底是啥，我跑到load_data函数里看，需要一个Dataset类别，大手一挥自己继承torch里面的Dataset自己又写了一个新的类别，就能运行这个函数了；
上面的还属于比较低级的阶段，下面可以玩的更高级一点；
想一想为什么要输出Dataset，因为要获得数据和标签；为什么要获得数据和标签，因为要算loss；怎么算loss，把那几个tensor乘几下，blabla；然后一拍脑袋，反手写了几个对应形状的tensor，其中数值在[0, 1]之间，就把程序调通了，还因为数据用的特别简单，反而更清楚它在干什么了；
（当然你不可以转牛角尖说电脑里底层都是用0和1在做运算，所以我写一堆0和1 blabla，呵呵呵）
多在.ipynb鼓捣鼓捣就知道程序到底在干什么了，整体看不懂就把局部单独拎出来跑；
神奇的chatgpt
学术版chatgpt
你可以问学术版的chatgpt（from github），我还没有用，因为配置很麻烦；
普通的chatgpt
提问也是很有技巧性的，首先要描述清楚问题是什么，最好要举个例子，举例子的效果非常非常非常好！
比如，最笨的问法是："下面这段话什么意思？blabla"
聪明一点是："下面这段话是这个意思吗？我觉得可能是blabla"
哦，还要提醒，他有可能一本正经的胡说八道，记得自己去验证；