目录
[1. 变量 (Variables)：给数据贴标签](#1. 变量 (Variables)：给数据贴标签)
[命名规范（ML 领域的潜规则）](#命名规范（ML 领域的潜规则）)
[2. 四大核心数据类型 (The Core Types)](#2. 四大核心数据类型 (The Core Types))
[A. Float (浮点数) ------ ML 的绝对主角](#A. Float (浮点数) —— ML 的绝对主角)
[B. Int (整数) ------ 计数器](#B. Int (整数) —— 计数器)
[C. Bool (布尔值) ------ 逻辑开关](#C. Bool (布尔值) —— 逻辑开关)
[D. String (字符串) ------ 文本与路径](#D. String (字符串) —— 文本与路径)
[3. f-string：格式化输出神器](#3. f-string：格式化输出神器)
[4. 实战演练：模拟训练日志](#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)
python
# 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。
python
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。
python
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。
python
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。
python
# === 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！)