零基础 Python：只学训练模型真正会用到的部分

1.1 变量和数据结构

训练代码里最常见的是字符串、整数、浮点数、列表和字典。模型配置通常就是一个巨大字典；数据集通常是一组字典；训练日志通常是一串数字。你不用背语法，只要做到“看到代码能改参数、能打印变量、能读取 JSON”。

1.2 列表与循环

数据清洗本质上经常就是遍历样本：逐条读取 instruction、response，去掉空白、过滤过短内容、拼接聊天模板。for 循环是你以后最常见的工具之一。要养成小批量先跑的习惯，比如先拿前 10 条数据测试处理逻辑，而不是第一次就处理 10 万条。

1.3 函数

把重复操作封装成函数，例如 clean_text(text)、format_sample(sample)、score_answer(answer)。函数的价值不是“代码高级”，而是让实验可复用、可测试。未来 Dataset Pipeline 和 Eval Pipeline 都会大量依赖函数。

1.4 JSON / JSONL

LLM 数据最常见格式之一是 JSONL：每一行就是一条 JSON。它适合流式读取，也方便追加。常见字段包括 messages、instruction、input、output、chosen、rejected。你必须学会打开一条样本检查，而不是只相信生成脚本。

1.5 虚拟环境

不同训练项目依赖版本可能冲突，所以每个项目尽量有独立环境。你需要理解 python -m venv .venv、source .venv/bin/activate、pip install、pip freeze。以后出现“昨天能跑今天不能跑”，第一件事就检查环境和包版本。

本课最小代码 / 结构

import json

with open("data.jsonl", "r", encoding="utf-8") as f:
    for line_no, line in enumerate(f, 1):
        sample = json.loads(line)
        print(line_no, sample["instruction"])