python打卡第36天

1. 进度条功能：手动和自动写法，让打印结果更加美观

import time
from tqdm import tqdm, trange

def progress_bar_demo(total_iterations=100):
    """展示手动和自动进度条实现"""
    
    print("\n=== 手动进度条实现 ===")
    # 手动实现进度条
    def manual_progress_bar(iterations):
        start_time = time.time()
        for i in range(iterations):
            # 模拟处理任务
            time.sleep(0.02)
            
            # 计算进度百分比
            percent = (i + 1) / iterations * 100
            
            # 创建进度条可视化
            bar_length = 40
            filled_length = int(bar_length * (i + 1) // iterations)
            bar = '█' * filled_length + '-' * (bar_length - filled_length)
            
            # 计算耗时
            elapsed_time = time.time() - start_time
            
            # 打印进度信息
            print(f'\r进度: |{bar}| {percent:.1f}% 耗时: {elapsed_time:.2f}s', end='')
        
        print("\n任务完成!")
    
    manual_progress_bar(total_iterations)
    
    print("\n=== 自动进度条实现 (使用tqdm) ===")
    # 使用tqdm自动进度条
    def auto_progress_bar(iterations):
        # 使用tqdm创建进度条
        for _ in tqdm(range(iterations), 
                      desc="处理进度", 
                      ncols=80, 
                      bar_format="{l_bar}{bar}| {n_fmt}/{total_fmt} [{elapsed}<{remaining}]"):
            # 模拟处理任务
            time.sleep(0.02)
    
    auto_progress_bar(total_iterations)

    print("\n=== 数据处理进度条示例 ===")
    # 实际数据处理场景示例
    data = [f"样本_{i}" for i in range(50)]
    
    # 使用tqdm包装数据迭代器
    processed_data = []
    for item in tqdm(data, desc="处理数据"):
        # 模拟数据处理
        time.sleep(0.1)
        processed_data.append(item.upper())
    
    print(f"\n处理完成! 共处理 {len(processed_data)} 条数据")

# 运行进度条演示
progress_bar_demo()

1. 推理的写法：评估模式

2. import torch
   from torch.utils.data import DataLoader, TensorDataset
   import numpy as np
   
   def inference_demo():
       """展示推理评估模式的标准写法"""
       
       # 1. 创建模拟数据
       print("\n=== 创建测试数据 ===")
       num_samples = 1000
       input_size = 10
       X_test = torch.randn(num_samples, input_size)
       y_test = torch.randint(0, 2, (num_samples,))
       test_dataset = TensorDataset(X_test, y_test)
       test_loader = DataLoader(test_dataset, batch_size=32, shuffle=False)
       
       print(f"测试集: {len(test_loader.dataset)} 个样本, {len(test_loader)} 个批次")
       
       # 2. 创建简单模型
       class SimpleModel(torch.nn.Module):
           def __init__(self, input_size):
               super().__init__()
               self.fc1 = torch.nn.Linear(input_size, 20)
               self.fc2 = torch.nn.Linear(20, 2)
           
           def forward(self, x):
               x = torch.relu(self.fc1(x))
               x = self.fc2(x)
               return x
       
       model = SimpleModel(input_size)
       
       # 3. 推理函数
       def run_inference(model, data_loader):
           # 确保模型在评估模式
           model.eval()
           
           # 禁用梯度计算
           with torch.no_grad():
               all_preds = []
               all_labels = []
               
               # 使用tqdm添加进度条
               for inputs, labels in tqdm(data_loader, 
                                         desc="推理进度", 
                                         total=len(data_loader),
                                         ncols=80):
                   # 前向传播
                   outputs = model(inputs)
                   
                   # 获取预测结果
                   _, preds = torch.max(outputs, 1)
                   
                   # 收集结果
                   all_preds.extend(preds.cpu().numpy())
                   all_labels.extend(labels.cpu().numpy())
           
           return np.array(all_preds), np.array(all_labels)
       
       # 4. 运行推理
       print("\n=== 开始推理 ===")
       predictions, true_labels = run_inference(model, test_loader)
       
       # 5. 计算评估指标
       accuracy = (predictions == true_labels).mean()
       print(f"\n推理完成! 准确率: {accuracy:.4f}")
       
       # 6. 推理后注意事项
       print("\n注意: 推理完成后，如果需要继续训练，请调用 model.train() 切换回训练模式")
   
   # 运行推理演示
   inference_demo()

   @浙大疏锦行