循环语句：for循环、while循环

一句话概述

循环语句让计算机自动重复执行代码，处理批量数据、遍历集合、累积计算等重复性任务。Python 提供两种主要循环结构：for 循环擅长遍历序列（列表、元组、字符串等）中的每一个元素，while 循环则根据条件是否成立来决定是否继续循环。在 AI 开发中，循环用于遍历训练数据、迭代优化模型参数、批量处理数据集等核心场景。

💡 核心要点：① for 循环逐个取出可迭代对象中的元素，处理完自动结束 ② range() 是 for 循环的最佳搭档，快速生成整数序列 ③ while 循环在条件为 True 时持续执行，适合不知道循环次数的场景 ④ 循环是 AI 训练中遍历数据集（epoch/batch）的核心机制

教学与演示

一、for 循环：遍历序列的利器

是什么：for 循环按顺序从可迭代对象（列表、元组、字符串、range 等）中逐个取出元素，赋值给循环变量，然后执行循环体内的代码。当所有元素被遍历完时，循环自动结束。

大白话 就像点名——老师拿着花名册，从第一个同学开始依次点名，点到谁谁站起来回答。for 循环就是程序的花名册，逐个处理列表中的每一项。

为什么：程序经常需要批量处理数据——给全班同学算平均分、给所有图片打水印、给每行文本做分词。如果手动对每个元素写重复代码，既低效又容易出错。for 循环让你写一次逻辑，自动应用到所有元素上。

怎么做：

import numpy as np

# 模拟 AI 训练中的批处理：遍历一个小型数据集
# 生成 5 个模拟数据样本的特征向量（每个样本 3 个特征）
np.random.seed(42)  # 固定随机种子，让结果可复现（AI实验的常见做法）
samples = np.random.randint(0, 100, size=(5, 3))  # 生成 5x3 的矩阵
print("📊 数据集（5个样本，每个3个特征）：")
print(samples)
print()

# for 循环遍历每一行（每个样本）
print("--- 逐个处理每个样本 ---")
for i, sample in enumerate(samples):  # enumerate 同时给出索引和值
    # sample 是当前样本的特征向量，是一个包含3个元素的 numpy 数组
    total = np.sum(sample)  # 计算该样本所有特征值之和（模拟特征聚合）
    mean_val = np.mean(sample)  # 计算该样本的均值
    print(f"样本 {i+1}：{sample} → 总和={total}, 均值={mean_val:.1f}")

什么用：在 AI 模型训练中，每个 epoch 都要遍历整个训练集的所有样本——for batch in dataloader: 是 PyTorch 中最常见的循环模式。在图像处理中，for 循环遍历文件夹中的所有图片进行批量预处理（如调整大小、归一化）。在 NLP 中，for 循环遍历文档中的每个句子进行分词处理。

二、range()：for 循环的最佳搭档

是什么：range(start, stop, step) 返回一个不可变的整数序列对象，通常与 for 循环配合使用来控制循环次数。它按需生成数字，不占用大量内存——即使 range(1000000) 也不会创建 100 万个整数的列表。

大白话 range 就像体育课上的报数——「从 1 开始，报到 10 结束」。你不需要提前写好 1 到 10 的数字卡片，range 在需要的时候才告诉你下一个数字是什么。

为什么：很多循环不需要遍历已有数据，只需要「重复 N 次」。比如训练 100 个 epoch、生成 50 个随机验证样本、模拟 1000 次蒙特卡洛实验。range() 提供了最简洁的方式来控制固定次数的循环。

怎么做：

import numpy as np

# range(stop)：从 0 开始到 stop-1，步长为 1
print("range(5)：从0到4")
for i in range(5):  # 等价于 [0, 1, 2, 3, 4]
    print(f"  第 {i+1} 次迭代", end="")
print("\n")

# range(start, stop)：从 start 开始到 stop-1
print("range(2, 7)：从2到6")
for i in range(2, 7):
    print(f"  值 = {i}", end="")
print("\n")

# range(start, stop, step)：指定步长
print("range(0, 10, 2)：0到9，每隔2个（偶数）")
for i in range(0, 10, 2):
    print(f"  值 = {i}", end="")
print("\n")

# 在实际AI场景中：模拟训练过程的 epoch 迭代
print("--- 模拟AI训练过程 ---")
epochs = 5  # 训练总轮数
for epoch in range(1, epochs + 1):  # 从第1轮开始
    # 模拟每轮训练的损失值（Loss）逐渐下降
    loss = np.exp(-epoch * 0.5) + np.random.uniform(0, 0.1)  # 指数衰减 + 随机噪声
    print(f"Epoch {epoch}/{epochs} → Loss: {loss:.4f}")
print("训练完成！")

什么用：在 AI 中，for epoch in range(num_epochs) 控制模型训练的轮数。在模型评估中，使用 for seed in range(10) 进行多次随机种子实验取平均结果。在超参数搜索（Grid Search）中，range() 遍历学习率、batch size 等超参数的所有候选值。在数据增强中，range(augment_times) 控制每张图片生成多少个增强版本。

三、while 循环：条件驱动的循环

是什么：while 循环在每次迭代前检查条件表达式——如果为 True 则执行循环体，然后再次检查条件；如果为 False 则退出循环。循环次数不确定，完全取决于条件何时变为 False。

大白话 while 就像「吃到饱为止」——你不知道自己会吃几碗，但只要还没饱（条件为 True）就继续吃。for 是「把这盘吃完」，while 是「吃到饱为止」。

为什么：很多场景下，循环次数无法提前确定——游戏要持续运行直到玩家退出、AI 模型要训练到损失不再下降为止、网络请求要重试直到成功。while 循环就是为这种「循环到条件满足」的场景而生。

怎么做：

import numpy as np

# 模拟 AI 模型训练中的 Early Stopping（早停法）机制
# 模型持续训练，直到连续 3 次验证损失不再下降就停止
print("--- 模拟 Early Stopping 训练 ---")
patience = 3  # 容忍次数：连续3次不改善就停止
no_improve_count = 0  # 计数器：记录连续不改善的次数
best_loss = float('inf')  # 最佳损失值，初始化为无穷大
epoch = 0  # 当前轮次

while no_improve_count < patience:  # 只要连续不改善次数 < 容忍次数，就继续训练
    epoch += 1
    # 模拟验证损失：整体趋势下降，但有随机波动
    current_loss = 0.5 * np.exp(-epoch * 0.3) + np.random.uniform(0, 0.15)
    current_loss = round(current_loss, 4)
    
    if current_loss < best_loss:  # 损失改善了！
        best_loss = current_loss  # 更新最佳损失
        no_improve_count = 0  # 重置不改善计数器
        status = "✅ 改善"
    else:  # 损失没有改善
        no_improve_count += 1  # 不改善计数 +1
        status = f"❌ 未改善 ({no_improve_count}/{patience})"
    
    print(f"Epoch {epoch} | Loss: {current_loss:.4f} | Best: {best_loss:.4f} | {status}")

print(f"\n🛑 训练停止！共训练 {epoch} 轮，最佳 Loss: {best_loss:.4f}")

什么用：Early Stopping（早停法）是 AI 训练中最经典的 while 循环应用——「当验证损失不再下降时停止训练」，防止过拟合。在强化学习中，while 循环驱动智能体与环境持续交互直到 episode 结束。在数据爬取中，while 循环实现分页抓取直到没有更多数据。在超参数优化（如贝叶斯优化）中，while 循环持续搜索直到达到指定的试验次数或效果不再提升。

四、循环中的 else 子句

是什么：Python 的 for 和 while 循环都支持一个独特的 else 子句——当循环正常结束（没有被 break 打断）时，执行 else 块中的代码。如果循环被 break 提前终止，else 块不会执行。

大白话 就像快递员送包裹——如果所有包裹都成功送达（正常结束），就发「今日配送完毕」通知（else）；如果中途遇到问题提前收工（break），就不发这个通知。

为什么：else 子句常用于「搜索未找到」的场景——遍历列表找某个元素，如果找遍了都没找到（正常结束），就在 else 中给出「未找到」的处理。这比设置一个 found 标志变量更加优雅。

怎么做：

import numpy as np

# 模拟在 AI 模型评估指标中查找是否存在过拟合风险
# 生成一组验证损失值
np.random.seed(123)
val_losses = np.random.uniform(0.2, 0.8, size=8)  # 8个epoch的验证损失
val_losses = np.round(val_losses, 4)
print("📈 验证损失序列：", val_losses)

# for-else：查找连续上升的迹象（过拟合信号）
# 过拟合的典型信号：验证损失连续上升
print("\n--- 检测过拟合风险 ---")
rise_count = 0
for i in range(1, len(val_losses)):  # 从第2个元素开始比较
    if val_losses[i] > val_losses[i-1]:  # 当前损失 > 上一个，说明在上升
        rise_count += 1
        print(f"  Epoch {i+1}: {val_losses[i]:.4f} > {val_losses[i-1]:.4f} ↑上升 ({rise_count}次)")
        if rise_count >= 3:  # 连续上升3次，认为过拟合风险较高
            print(f"\n⚠️ 连续 {rise_count} 次上升，存在过拟合风险！")
            break  # 提前终止检查，else 块不会执行
else:  # for 正常结束（没有 break）时执行
    print(f"\n✅ 未检测到连续3次上升，过拟合风险较低")

# while-else：查找质数（另一种经典用法）
print("\n--- while-else 示例：查找质数 ---")
n = 29  # 要检查的数字
divisor = 2  # 从2开始除
while divisor * divisor <= n:  # 只需检查到 sqrt(n)
    if n % divisor == 0:  # 找到了因数，说明不是质数
        print(f"{n} 能被 {divisor} 整除，不是质数")
        break  # 提前退出
    divisor += 1  # 尝试下一个除数
else:  # while 正常结束，说明没找到任何因数
    print(f"{n} 是质数 ✅")

什么用：在 AI 异常检测中，遍历传感器数据序列查找异常点——如果正常遍历完未发现异常（else），则标记数据为正常批次。在模型搜索中，遍历候选模型架构列表寻找满足性能要求的模型——如果全部检查完仍未找到（else），则扩大搜索范围。在数据验证中，检查数据集所有样本是否通过质量检查——全部通过才执行后续训练流程。

概念关系图谱

重点答疑

Q1: for 循环和 while 循环什么时候用哪个？

简单原则：知道循环次数用 for，不知道用 while。具体来说：遍历列表、字典、文件行等已知集合时用 for；等待某个条件成立（如用户输入正确密码、模型损失降到阈值以下）时用 while。如果硬要用 for 写 while 的场景，就得写 while True: if 条件: break——这其实等于把 while 又请回来了。

Q2: 循环中的 break、continue 和 else 会互相影响吗？

是的。break 会跳出循环，导致 else 块不执行。continue 只是跳过本轮剩余代码进入下一轮，不会影响 else 的执行——只要循环最终是自然结束的（不是被 break 打断的），else 就会执行。可以把 else 理解为「循环没有被 break 打断时的庆祝动作」。

Q3: range(1000000) 会占用很多内存吗？

不会。Python 3 中的 range() 返回的是一个「惰性」序列对象，它只在需要时才计算下一个数字，内存占用极小（无论 range 多大，都只存储 start、stop、step 三个值）。这和 Python 2 中的 range()（返回一个完整的列表）完全不同。不过需要注意的是，如果写成 list(range(1000000))，那确实会创建一个包含 100 万个元素的列表并占用大量内存。

章节单词汇总