机器学习 · 函数

混合精度训练

启用混合精度训练，使用 GradScaler 梯度缩放。参数: 模型: PyTorch 模型优化器: 优化器实例启用: 是否启用混合精度，默认为 True 返回: (autocast 上下文管理器, GradScaler 实例)

调用签名(模型, 优化器, 启用: 'bool' = True)

混ZHONGWEN
PYTHON

Chinese example

中文代码示例

# 完整案例：按字段调用 混合精度训练
设 结果 = 机器学习.混合精度训练(
    模型=[1, 2, 3, 4],  # 必填；按函数业务含义传入 模型;首次使用建议先 打印(...
    优化器=[1, 2, 3, 4],  # 必填；按函数业务含义传入 优化器;首次使用建议先 打印...
    启用=True,  # 可选；布尔开关 启用,传 真 或 假 控制行为;不传时...
)
打印(结果)

可直接放进 .cs / .中py 文件运行。转换器会把中文代码交给真实 Python 解释器。

Parameters

参数说明

3 个参数

参数类型 / 传入方式说明

模型可选 · 默认无

未声明位置参数或字段名=值

按函数业务含义传入模型;首次使用建议先打印(结果) 确认其作用。

常见错误：漏传或对象为 None 会报 TypeError/AttributeError;先调用对应的创建函数拿到模型再传入

优化器可选 · 默认无

未声明位置参数或字段名=值

按函数业务含义传入优化器;首次使用建议先打印(结果) 确认其作用。

常见错误：漏传会报 TypeError: missing required argument: '优化器';检查调用是否漏了这行

启用可选 · 默认 True

bool位置参数或字段名=值

布尔开关启用,传真或假控制行为;不传时按默认值。

常见错误：传非布尔会报 TypeError;用真/假或 True/False

Playbook

基础用法 · 进阶组合 · 错误排查

# 完整案例：按字段调用 混合精度训练
设 结果 = 机器学习.混合精度训练(
    模型=[1, 2, 3, 4],  # 必填；按函数业务含义传入 模型;首次使用建议先 打印(...
    优化器=[1, 2, 3, 4],  # 必填；按函数业务含义传入 优化器;首次使用建议先 打印...
    启用=True,  # 可选；布尔开关 启用,传 真 或 假 控制行为;不传时...
)
打印(结果)

# 进阶组合:混合精度训练 配合 机器学习 业务流使用
设 模型 = 机器学习.训练线性回归([[1], [2], [3]], [2, 4, 6])
设 结果 = 机器学习.混合精度训练(
    模型=[1, 2, 3, 4],  # 必填
    优化器=[1, 2, 3, 4],  # 必填
    启用=True,  # 可选
)
设 结果 = 机器学习.预测(模型, [[4]])
打印(结果)

# 错误排查:覆盖 2 个必填参数

## 参数 1: 模型
# 错误:漏传会报 TypeError: missing required argument
# 设 结果 = 机器学习.混合精度训练()  # TypeError
# 修复:补上必填字段
设 结果 = 机器学习.混合精度训练(模型=[1, 2, 3, 4])

## 参数 2: 优化器
# 错误:漏传会报 TypeError: missing required argument
# 设 结果 = 机器学习.混合精度训练()  # TypeError
# 修复:补上必填字段
设 结果 = 机器学习.混合精度训练(优化器=[1, 2, 3, 4])
打印(结果)