CHAPTER 04
控制流：条件判断与循环
让程序根据情况做不同的事，或重复执行某些操作。AI 训练循环的本质就是 for 循环加上条件判断。
if / elif / else —— 条件判断
if 让程序做决策："如果...就做...，否则做..."。Python 用缩进表示代码块，冒号 : 后面的缩进内容属于这个 if 块。
核心语法
if / elif / else 结构
if 是"如果"，elif 是"否则如果"（else if 的缩写），else 是"以上都不是时"。elif 和 else 都是可选的，可以有多个 elif。
PYTHON · 条件判断基础
accuracy = 0.85
# 基本 if-elif-else
if accuracy >= 0.95:
print("优秀！可以部署")
elif accuracy >= 0.85:
print("良好，继续调优") # ← 这行会执行
elif accuracy >= 0.70:
print("一般，需要改进")
else:
print("较差，重新设计模型")
# 组合条件（and、or、not）
loss = 0.3
epoch = 50
if accuracy >= 0.9 and loss < 0.2:
print("模型达标")
if epoch > 100 or loss < 0.01:
print("停止训练")
# 三元表达式（简洁写法）
status = "通过" if accuracy > 0.8 else "不通过"
print(status) # 通过
PYTHON · AI 训练中的条件判断
# Early Stopping（早停）：常见的 AI 训练策略
best_val_loss = float('inf') # 初始设为无穷大
patience = 5 # 允许连续 5 轮没提升
wait = 0
current_val_loss = 0.35
if current_val_loss < best_val_loss:
best_val_loss = current_val_loss
wait = 0
print("验证损失改善，保存模型")
else:
wait += 1
if wait >= patience:
print("早停触发，停止训练！")
# 选择设备（GPU 还是 CPU）
import torch
device = "cuda" if torch.cuda.is_available() else "cpu"
print(f"使用设备: {device}")for 循环 —— 遍历迭代
for 循环用于遍历一个序列（列表、字典、范围等），对每个元素执行相同的操作。AI 训练的核心就是 for 循环：每轮（epoch）遍历一次训练集。
核心概念
可迭代对象（Iterable）
凡是可以用 for 循环遍历的对象都是"可迭代对象"：列表、字典、字符串、range()、文件对象等都是可迭代的。理解这个概念后，你就明白为什么 for 循环可以用在这么多地方了。
PYTHON · for 循环基础
# 遍历列表
models = ["GPT-4o", "Claude", "Gemini"]
for model in models:
print(f"评估模型: {model}")
# range() 生成数字范围
# range(start, stop, step) - stop 不包含在内
for epoch in range(1, 6): # 1, 2, 3, 4, 5
print(f"Epoch {epoch}/5")
# enumerate() - 同时获得索引和值
losses = [2.5, 1.8, 1.2, 0.9]
for i, loss in enumerate(losses):
print(f"Epoch {i+1}: loss = {loss}")
# zip() - 同时遍历两个列表
train_losses = [2.5, 1.8, 1.2]
val_losses = [2.8, 2.0, 1.4]
for t_loss, v_loss in zip(train_losses, val_losses):
print(f"训练: {t_loss:.2f}, 验证: {v_loss:.2f}")
# 遍历字典
config = {"lr": 0.001, "batch": 32, "epochs": 100}
for key, value in config.items():
print(f"{key} = {value}")break 和 continue
PYTHON · break 和 continue
# break：立即退出循环
losses = [2.5, 1.8, 1.2, 0.05, 0.8] # 第4个达标
for i, loss in enumerate(losses):
print(f"Epoch {i}: {loss}")
if loss < 0.1:
print("达到目标！停止训练")
break # 退出循环，不再继续
# continue：跳过当前这一次，继续下一次
data = [1.0, None, 3.0, None, 5.0] # 含有空值的数据
for x in data:
if x is None:
continue # 跳过 None，继续下一个
print(x ** 2) # 1.0, 9.0, 25.0while 循环 —— 条件循环
while 循环在条件为 True 时一直重复，直到条件变 False。与 for 循环的区别：for 循环知道要循环多少次，while 循环不知道，只要条件满足就继续。
PYTHON · while 循环
# 训练直到 loss 足够小
loss = 10.0
epoch = 0
target_loss = 0.5
while loss > target_loss:
# 模拟损失下降（实际是模型训练）
loss = loss * 0.7
epoch += 1
print(f"Epoch {epoch}: loss = {loss:.4f}")
print(f"训练完成，共 {epoch} 轮")
# 输出：
# Epoch 1: loss = 7.0000
# Epoch 2: loss = 4.9000
# ...最终达到目标
# 防死循环：加一个最大迭代次数限制
max_epochs = 1000
epoch = 0
while loss > 0.01 and epoch < max_epochs:
epoch += 1
# ... 训练逻辑小心无限循环
while 循环如果条件永远为 True，程序就会卡死（无限循环）。一定要确保循环内部有能使条件变 False 的逻辑，或者设置最大迭代次数。
综合示例：AI 训练循环
把本章学的所有控制流组合起来，看一个模拟的完整 AI 训练循环：
PYTHON · 模拟 AI 训练循环
import random
# 训练配置
config = {
"epochs": 20,
"target_loss": 0.3,
"patience": 3 # 早停等待轮数
}
best_loss = float('inf')
wait = 0
loss_history = []
# 训练循环（核心是 for + if）
for epoch in range(1, config["epochs"] + 1):
# 模拟损失（真实代码是跑一遍训练集）
loss = 2.0 / epoch + random.uniform(-0.05, 0.05)
loss_history.append(loss)
# 每5轮打印一次
if epoch % 5 == 0:
print(f"[Epoch {epoch:02d}] loss: {loss:.4f}")
# 检查是否改善（早停逻辑）
if loss < best_loss:
best_loss = loss
wait = 0
else:
wait += 1
# 早停：连续 patience 轮没改善就停止
if wait >= config["patience"]:
print(f"早停触发（Epoch {epoch}）")
break
# 目标达成
if loss < config["target_loss"]:
print(f"✅ 目标达成！Epoch {epoch}, loss = {loss:.4f}")
break
print(f"最低损失: {best_loss:.4f}")
print(f"损失曲线: {[round(l,2) for l in loss_history[:5]]}...")这就是 AI 训练的骨架
真实的 PyTorch 训练循环和上面这段代码结构几乎完全一样，只是把"模拟损失"替换成了真正的前向传播、反向传播和参数更新。掌握这个结构，你就理解了 AI 训练的核心逻辑。