解释这个函数from ppdet.utils.logger import setup_logger logger = setup_logger('train')

时间: 2024-05-21 08:16:29 浏览: 165
ZIP

utils:常用工具(django, db_pool, cassandra, drf, swagger, docker, celery, nginx, rpc, logger)

这段代码的作用是通过调用`ppdet.utils.logger`模块中的`setup_logger`函数来设置日志记录器。在这里，日志记录器的名称被设置为`train`，这意味着所有针对训练过程的日志消息都将使用该名称进行记录。 `setup_logger`函数的定义可能包含了一些参数，例如日志级别、输出格式等，但在这个例子中未给出参数，因此使用默认设置。
阅读全文

相关推荐

zip

rs_logger

rs_logger 安装 假设您已经安装了RS utils和dev软件包。 然后应该可以用： g++ -std=c++11 rs-record-trajectory.cpp -lrealsense2 -o record-trajectory
gz

PyPI 官网下载 | lib_log_utils-1.4.10.tar.gz

logger.info('This is an info message.') 这样，我们就可以便捷地在项目中实现定制化的日志记录。 lib_log_utils库的1.4.10版本可能包含了优化和修复的问题，对于已知的错误或者新特性，建议定期检查更新，以...

from ppdet.utils.logger import setup_logger logger = setup_logger('train')

这段代码是导入PaddleDetection（PaddlePaddle深度学习框架中的物体检测库）中的日志相关模块，并且设置一个名为“train”的日志记录器。在训练模型的时候，通常需要输出一些日志信息，比如损失函数的数值、每个...

mport socket from collections import OrderedDict import numpy as np import tensorflow as tf import utils.io.image import utils.io.landmark import utils.io.text import utils.np_image import utils.sitk_image import utils.sitk_np from dataset import Dataset from datasets.pyro_dataset import PyroClientDataset from network import Unet from spine_localization_postprocessing import bb, bb_iou from tensorflow.keras.mixed_precision import experimental as mixed_precision from tensorflow_train_v2.dataset.dataset_iterator import DatasetIterator from tensorflow_train_v2.train_loop import MainLoopBase from tensorflow_train_v2.utils.data_format import get_batch_channel_image_size from tensorflow_train_v2.utils.loss_metric_logger import LossMetricLogger from tensorflow_train_v2.utils.output_folder_handler import OutputFolderHandler from tqdm import tqdm

这段代码看起来是一个Python脚本，导入了一些需要的模块和库，包括socket、collections、numpy、tensorflow等。它还引用了一些自定义的模块和类，如utils.io、dataset、network等。代码中还使用了一些函数和类，如...

import val # for end-of-epoch mAP from models.experimental import attempt_load from models.yolo import Model from utils.autoanchor import check_anchors from utils.autobatch import check_train_batch_size from utils.callbacks import Callbacks from utils.dataloaders import create_dataloader from utils.downloads import attempt_download, is_url from utils.general import (LOGGER, check_amp, check_dataset, check_file, check_git_status, check_img_size, check_requirements, check_suffix, check_yaml, colorstr, get_latest_run, increment_path, init_seeds, intersect_dicts, labels_to_class_weights, labels_to_image_weights, methods, one_cycle, print_args, print_mutation, strip_optimizer, yaml_save) from utils.loggers import Loggers from utils.loggers.wandb.wandb_utils import check_wandb_resume from utils.loss import ComputeLoss from utils.metrics import fitness from utils.plots import plot_evolve, plot_labels from utils.torch_utils import (EarlyStopping, ModelEMA, de_parallel, select_device, smart_DDP, smart_optimizer, smart_resume, torch_distributed_zero_first)这个代码什么意思

这个代码是一个Python脚本，其中使用了一些自定义模块和第三方模块，主要功能包括： - 导入自定义模块和第三方模块 - 加载YOLO模型 - 检查anchors是否合理 - 检查训练batch size是否合理 - 定义回调函数 - 创建数据...

import argparse import os from datetime import datetime import dataloader import numpy as np import torch from models.TC import TC from models.model import base_Model from trainer.trainer import Trainer, model_evaluate from utils import _calc_metrics, copy_Files from utils import _logger, set_requires_解释这段代码grad

这段代码是 Python 代码，用于导入 argparse、os、datetime、dataloader、numpy 和 torch 模块，并加载 TC 模型和 base_Model 模型，通过 Trainer、model_evaluate、_calc_metrics、copy_Files、_logger 和 set_...

import argparse import json import os import sys from pathlib import Path from threading import Thread import numpy as np import torch from tqdm import tqdm FILE = Path(__file__).resolve() ROOT = FILE.parents[0] # YOLOv5 root directory if str(ROOT) not in sys.path: sys.path.append(str(ROOT)) # add ROOT to PATH ROOT = Path(os.path.relpath(ROOT, Path.cwd())) # relative from models.common import DetectMultiBackend from utils.callbacks import Callbacks from utils.datasets import create_dataloader from utils.general import (LOGGER, NCOLS, box_iou, check_dataset, check_img_size, check_requirements, check_yaml, coco80_to_coco91_class, colorstr, increment_path, non_max_suppression, print_args, scale_coords, xywh2xyxy, xyxy2xywh) from utils.metrics import ConfusionMatrix, ap_per_class from utils.plots import output_to_target, plot_images, plot_val_study from utils.torch_utils import select_device, time_sync

这段代码主要是导入了一些Python库和自定义的模块，以及定义了一些全局变量，主要功能包括： - argparse: 用于解析命令行参数。 - json: 用于解析JSON格式的数据。 - os: 提供了一些与操作系统交互的函数。 - sys: ...

from mmdet.utils import (collect_env, get_device, get_root_logger, ImportError: cannot import name 'rfnext_init_model' from 'mmdet.utils'

这个错误可能是因为你正在尝试从 mmdet.utils 导入 rfnext_init_model，但是 rfnext_init_model 并不存在于 mmdet.utils 中。请确保你在导入时拼写正确，并且该函数确实存在于相应的模块中。 另外，你也...

from ..utils import get_root_logger ImportError: attempted relative import with no known parent package

这个错误通常是因为Python解释器无法找到你要导入的模块或包。在这种情况下，Python会尝试使用相对路径进行导入，但是由于你的模块或包没有足够的上级目录，因此相对导入会失败。 要解决这个问题，你可以尝试以下几...

class JSONDataset(torch.utils.data.Dataset): def __init__(self, cfg, split): assert split in { "train", "val", "test", }, "Split '{}' not supported for {} dataset".format( split, cfg.DATA.NAME) logger.info("Constructing {} dataset {}...".format( cfg.DATA.NAME, split)) self.cfg = cfg self._split = split self.name = cfg.DATA.NAME self.data_dir = cfg.DATA.DATAPATH self.data_percentage = cfg.DATA.PERCENTAGE self._construct_imdb(cfg) self.transform = get_transforms(split, cfg.DATA.CROPSIZE)

这段代码定义了一个名为JSONDataset的数据集类，它继承了PyTorch中的Dataset类，并覆盖了其__init__和__len__方法。在__init__方法中，它接收一个cfg和split参数，其中cfg包含了数据集的相关配置信息，split则表示...

from tensorpack.tensorpack.utils import logger是什么意思

from tensorpack.tensorpack.utils import logger 是导入 Tensorpack 库中的日志工具模块（module）。这行代码的作用是将 logger 模块导入到当前的 Python 脚本中，以便在代码中使用该模块提供的功能。 在 ...

import pytest from selenium import webdriver from selenium.webdriver.chrome.service import Service as ChromeService from webdriver_manager.chrome import ChromeDriverManager # 封装自动下载对应浏览器驱动 # 谷歌浏览器 @pytest.fixture() def start_browser(self): driver = webdriver.Chrome(service=ChromeService(ChromeDriverManager().install())) # 打开网页 driver.get("http://meikefresh.5istudy.online/") driver.maximize_window() yield driver driver.quit() from time import sleep import pytest from selenium.webdriver.common.by import By from selenium.webdriver.support.wait import WebDriverWait from testcase.testusers.conftest import get_code from utils.log_util import logger from utils.mysql_util import db from utils.phone_number import random_phone_number class Testuser: def test_dws_001_register(self, browser_init): # #驱动并打开网页 # driver = Browser_driver().browser_init() #注册按钮跳转 driver.find_element(By.XPATH, "//*[@id='ECS_MEMBERZONE']/a[2]").click() phone_number = random_phone_number() #输入手机号 driver.find_element(By.ID, "jsRegMobile").send_keys(phone_number) #点击获取验证码并输入 driver.find_element(By.ID, "jsSendCode").click() driver.implicitly_wait(10) code = get_code(phone_number) driver.find_element(By.ID, "jsPhoneRegCaptcha").send_keys(code) #输入密码 driver.find_element(By.ID, "jsPhoneRegPwd").send_keys("125678") #点击注册按钮并登录 driver.find_element(By.ID, "jsMobileRegBtn").click() sleep(30)

这可能是导致测试用例无法找到前置方法并且没有返回driver的原因。 请将测试用例中的前置方法名称修改为start_browser，这样pytest才能正确识别并执行该前置方法。修改后的代码如下所示： python class ...

ModuleNotFoundError Traceback (most recent call last) <ipython-input-1-663c5ac36a49> in <module> 7 logger = logging.getLogger(__name__) 8 import torch ----> 9 from models.common import * 10 from models.experimental import * 11 from utils.autoanchor import check_anchor_order ModuleNotFoundError: No module named 'models'

这个错误通常是由于 Python 解释器无法找到 'models' 模块导致的。你可以尝试以下几种方法来解决这个问题： 1. 确认模块安装：请确保你已经正确地安装了 'models' 模块。你可以使用命令 pip install models 来...

class DistributedSampler(_DistributedSampler): def __init__(self, dataset, num_replicas=None, rank=None, shuffle=True): super().__init__(dataset, num_replicas=num_replicas, rank=rank) self.shuffle = shuffle def __iter__(self): if self.shuffle: g = torch.Generator() g.manual_seed(self.epoch) indices = torch.randperm(len(self.dataset), generator=g).tolist() else: indices = torch.arange(len(self.dataset)).tolist() indices += indices[:(self.total_size - len(indices))] assert len(indices) == self.total_size indices = indices[self.rank:self.total_size:self.num_replicas] assert len(indices) == self.num_samples return iter(indices) def build_dataloader(dataset_cfg, class_names, batch_size, dist, root_path=None, workers=4, seed=None, logger=None, training=True, merge_all_iters_to_one_epoch=False, total_epochs=0): dataset = __all__[dataset_cfg.DATASET]( dataset_cfg=dataset_cfg, class_names=class_names, root_path=root_path, training=training, logger=logger, ) if merge_all_iters_to_one_epoch: assert hasattr(dataset, 'merge_all_iters_to_one_epoch') dataset.merge_all_iters_to_one_epoch(merge=True, epochs=total_epochs) if dist: if training: sampler = torch.utils.data.distributed.DistributedSampler(dataset) else: rank, world_size = common_utils.get_dist_info() sampler = DistributedSampler(dataset, world_size, rank, shuffle=False) else: sampler = None dataloader = DataLoader( dataset, batch_size=batch_size, pin_memory=True, num_workers=workers, shuffle=(sampler is None) and training, collate_fn=dataset.collate_batch, drop_last=False, sampler=sampler, timeout=0, worker_init_fn=partial(common_utils.worker_init_fn, seed=seed) ) return dataset, dataloader, sampler

这段代码是一个用于构建数据加载器的函数。它接受一些参数，包括数据集的配置、类别名称、批次大小、分布式训练标志、数据集的根路径等。 首先，根据数据集的配置和其他参数，创建一个数据集对象。 如果设置了 ...

(python39) D:\23101\yolov5-master>python export.py --weights best.pt --img-size 640 --batch-size 1 --include onnx Traceback (most recent call last): File "D:\23101\yolov5-master\export.py", line 71, in <module> from models.yolo import ClassificationModel, Detect, DetectionModel, SegmentationModel File "D:\23101\yolov5-master\models\yolo.py", line 24, in <module> from models.common import * File "D:\23101\yolov5-master\models\common.py", line 28, in <module> from utils.dataloaders import exif_transpose, letterbox File "D:\23101\yolov5-master\utils\dataloaders.py", line 31, in <module> from utils.augmentations import (Albumentations, augment_hsv, classify_albumentations, classify_transforms, copy_paste, File "D:\23101\yolov5-master\utils\augmentations.py", line 15, in <module> from utils.general import LOGGER, check_version, colorstr, resample_segments, segment2box, xywhn2xyxy File "D:\23101\yolov5-master\utils\general.py", line 38, in <module> from ultralytics.yolo.utils.checks import check_requirements ModuleNotFoundError: No module named 'ultralytics'

这个错误提示是缺少 ultralytics 模块，你需要先安装 ultralytics 模块，可以使用以下命令安装： pip install ultralytics 安装完成后再次运行 export.py 应该就可以了。

解释python中utils.logging.format_logger(pl._logger)

这行代码的作用是将 logging 模块中的 Logger 实例（pl._logger）转换为一个可以格式化日志字符串的格式化器（FormatLogger）。这个 FormatLogger 可以使用一些附加信息来根据预定义的日志格式生成具有时间戳、线程...

from .utils import logger ImportError: attempted relative import with no known parent package

from package.utils import logger 这里假设utils模块在package包中，使用绝对导入语句可以避免相对导入语句的问题。 2. 将当前模块转换为包 将当前模块所在的目录添加一个空的__init__.py文件，这样就...

modbus_tk.utils.create_logger

from modbus_tk.utils import create_logger logger = create_logger(name="my_logger", level=logging.DEBUG) # Create a logger instance with the name "my_logger" and set the logging level to DEBUG logger....

def main(): global param_template, gpu_ids, args, search_params, model_dir args = parser.parse_args() model_dir = os.path.join('experiments', args.model_name) json_file = os.path.join(model_dir, 'params.json') assert os.path.isfile(json_file), f'No json configuration file found at {args.json}' param_template = utils.Params(json_file) gpu_ids = args.gpu_ids logger.info(f'Running on GPU: {gpu_ids}') search_params = { 'lstm_dropout': np.arange(0, 0.501, 0.1, dtype=np.float32).tolist(), 'lstm_hidden_dim': np.arange(5, 60, 10, dtype=np.int).tolist() } keys = sorted(search_params.keys()) search_range = list(product(*[[*range(len(search_params[i]))] for i in keys])) start_pool(search_range, len(gpu_ids))

这段代码是一个主函数，它的作用是读取参数配置文件，定义超参数搜索范围，并启动一个多进程池来并行地搜索超参数。具体来说，它首先解析命令行参数，包括模型名称和 GPU 设备号等信息，然后读取对应模型的参数配置...

最新推荐

recommend-type

数据库基础测验20241113.doc

数据库基础测验20241113.doc
recommend-type

微信小程序下拉选择组件

微信小程序下拉选择组件
recommend-type

黑板风格计算机毕业答辩PPT模板下载

资源摘要信息:"创意经典黑板风格毕业答辩论文课题报告动态ppt模板" 在当前数字化教学与展示需求日益增长的背景下，PPT模板成为了表达和呈现学术成果及教学内容的重要工具。特别针对计算机专业的学生而言，毕业设计的答辩PPT不仅仅是一个展示的平台，更是其设计能力、逻辑思维和审美观的综合体现。因此，一个恰当且创意十足的PPT模板显得尤为重要。 本资源名为“创意经典黑板风格毕业答辩论文课题报告动态ppt模板”，这表明该模板具有以下特点： 1. **创意设计**：模板采用了“黑板风格”的设计元素，这种风格通常模拟传统的黑板书写效果，能够营造一种亲近、随性的学术氛围。该风格的模板能够帮助展示者更容易地吸引观众的注意力，并引发共鸣。 2. **适应性强**：标题表明这是一个毕业答辩用的模板，它适用于计算机专业及其他相关专业的学生用于毕业设计课题的汇报。模板中设计的版式和内容布局应该是灵活多变的，以适应不同课题的展示需求。 3. **动态效果**：动态效果能够使演示内容更富吸引力，模板可能包含了多种动态过渡效果、动画效果等，使得展示过程生动且充满趣味性，有助于突出重点并维持观众的兴趣。 4. **专业性质**：由于是毕业设计用的模板，因此该模板在设计时应充分考虑了计算机专业的特点，可能包括相关的图表、代码展示、流程图、数据可视化等元素，以帮助学生更好地展示其研究成果和技术细节。 5. **易于编辑**：一个良好的模板应具备易于编辑的特性，这样使用者才能根据自己的需要进行调整，比如替换文本、修改颜色主题、更改图片和图表等，以确保最终展示的个性和专业性。 结合以上特点，模板的使用场景可以包括但不限于以下几种： - 计算机科学与技术专业的学生毕业设计汇报。 - 计算机工程与应用专业的学生论文展示。 - 软件工程或信息技术专业的学生课题研究成果展示。 - 任何需要进行学术成果汇报的场合，比如研讨会议、学术交流会等。 对于计算机专业的学生来说，毕业设计不仅仅是完成一个课题，更重要的是通过这个过程学会如何系统地整理和表述自己的思想。因此，一份好的PPT模板能够帮助他们更好地完成这个任务，同时也能够展现出他们的专业素养和对细节的关注。 此外，考虑到模板是一个压缩文件包（.zip格式），用户在使用前需要解压缩，解压缩后得到的文件为“创意经典黑板风格毕业答辩论文课题报告动态ppt模板.pptx”，这是一个可以直接在PowerPoint软件中打开和编辑的演示文稿文件。用户可以根据自己的具体需要，在模板的基础上进行修改和补充，以制作出一个具有个性化特色的毕业设计答辩PPT。
recommend-type

管理建模和仿真的文件

管理Boualem Benatallah引用此版本：布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学，1996年。法语。NNT：电话：00345357HAL ID：电话：00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆，用于存放和传播科学研究论文，无论它们是否被公开。论文可以来自法国或国外的教学和研究机构，也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire
recommend-type

提升点阵式液晶显示屏效率技术

![点阵式液晶显示屏显示程序设计](https://iot-book.github.io/23_%E5%8F%AF%E8%A7%81%E5%85%89%E6%84%9F%E7%9F%A5/S3_%E8%A2%AB%E5%8A%A8%E5%BC%8F/fig/%E8%A2%AB%E5%8A%A8%E6%A0%87%E7%AD%BE.png) # 1. 点阵式液晶显示屏基础与效率挑战 在现代信息技术的浪潮中，点阵式液晶显示屏作为核心显示技术之一，已被广泛应用于从智能手机到工业控制等多个领域。本章节将介绍点阵式液晶显示屏的基础知识，并探讨其在提升显示效率过程中面临的挑战。 ## 1.1 点阵式显
recommend-type

在SoC芯片的射频测试中，ATE设备通常如何执行系统级测试以保证芯片量产的质量和性能一致？

SoC芯片的射频测试是确保无线通信设备性能的关键环节。为了在量产阶段保证芯片的质量和性能一致性，ATE（Automatic Test Equipment）设备通常会执行一系列系统级测试。这些测试不仅关注芯片的电气参数，还包含电磁兼容性和射频信号的完整性检验。在ATE测试中，会根据芯片设计的规格要求，编写定制化的测试脚本，这些脚本能够模拟真实的无线通信环境，检验芯片的射频部分是否能够准确处理信号。系统级测试涉及对芯片基带算法的验证，确保其能够有效执行无线信号的调制解调。测试过程中，ATE设备会自动采集数据并分析结果，对于不符合标准的芯片，系统能够自动标记或剔除，从而提高测试效率和减少故障率。为了
recommend-type

CodeSandbox实现ListView快速创建指南

资源摘要信息:"listview:用CodeSandbox创建" 知识点一：CodeSandbox介绍 CodeSandbox是一个在线代码编辑器，专门为网页应用和组件的快速开发而设计。它允许用户即时预览代码更改的效果，并支持多种前端开发技术栈，如React、Vue、Angular等。CodeSandbox的特点是易于使用，支持团队协作，以及能够直接在浏览器中编写代码，无需安装任何软件。因此，它非常适合初学者和快速原型开发。 知识点二：ListView组件 ListView是一种常用的用户界面组件，主要用于以列表形式展示一系列的信息项。在前端开发中，ListView经常用于展示从数据库或API获取的数据。其核心作用是提供清晰的、结构化的信息展示方式，以便用户可以方便地浏览和查找相关信息。 知识点三：用JavaScript创建ListView 在JavaScript中创建ListView通常涉及以下几个步骤： 1. 创建HTML的ul元素作为列表容器。 2. 使用JavaScript的DOM操作方法（如document.createElement, appendChild等）动态创建列表项（li元素）。 3. 将创建的列表项添加到ul容器中。 4. 通过CSS来设置列表和列表项的样式，使其符合设计要求。 5. （可选）为ListView添加交互功能，如点击事件处理，以实现更丰富的用户体验。 知识点四：在CodeSandbox中创建ListView 在CodeSandbox中创建ListView可以简化开发流程，因为它提供了一个在线环境来编写代码，并且支持实时预览。以下是使用CodeSandbox创建ListView的简要步骤： 1. 打开CodeSandbox官网，创建一个新的项目。 2. 在项目中创建或编辑HTML文件，添加用于展示ListView的ul元素。 3. 创建或编辑JavaScript文件，编写代码动态生成列表项，并将它们添加到ul容器中。 4. 使用CodeSandbox提供的实时预览功能，即时查看ListView的效果。 5. 若有需要，继续编辑或添加样式文件（通常是CSS），对ListView进行美化。 6. 利用CodeSandbox的版本控制功能，保存工作进度和团队协作。 知识点五：实践案例分析——listview-main 文件名"listview-main"暗示这可能是一个展示如何使用CodeSandbox创建基本ListView的项目。在这个项目中，开发者可能会包含以下内容： 1. 使用React框架创建ListView的示例代码，因为React是目前较为流行的前端库。 2. 展示如何将从API获取的数据渲染到ListView中，包括数据的获取、处理和展示。 3. 提供基本的样式设置，展示如何使用CSS来美化ListView。 4. 介绍如何在CodeSandbox中组织项目结构，例如如何分离组件、样式和脚本文件。 5. 包含一个简单的用户交互示例，例如点击列表项时弹出详细信息等。 总结来说，通过标题“listview:用CodeSandbox创建”，我们了解到本资源是一个关于如何利用CodeSandbox这个在线开发环境，来快速实现一个基于JavaScript的ListView组件的教程或示例项目。通过上述知识点的梳理，可以加深对如何创建ListView组件、CodeSandbox平台的使用方法以及如何在该平台中实现具体功能的理解。
recommend-type

"互动学习：行动中的多样性与论文攻读经历"

多样性她- 事实上SCI NCES你的时间表ECOLEDO C Tora SC和NCESPOUR l’Ingén学习互动，互动学习以行动为中心的强化学习学会互动，互动学习，以行动为中心的强化学习计算机科学博士论文于2021年9月28日在Villeneuve d'Asq公开支持马修·瑟林评审团主席法布里斯·勒菲弗尔阿维尼翁大学教授论文指导奥利维尔·皮耶昆谷歌研究教授：智囊团论文联合主任菲利普·普雷教授，大学。里尔/CRISTAL/因里亚报告员奥利维耶·西格德索邦大学报告员卢多维奇·德诺耶教授，Facebook /索邦大学审查员越南圣迈IMT Atlantic高级讲师邀请弗洛里安·斯特鲁布博士，Deepmind对于那些及时看到自己错误的人...3谢谢你首先，我要感谢我的两位博士生导师Olivier和Philippe。奥利维尔，"站在巨人的肩膀上"这句话对你来说完全有意义了。从科学上讲，你知道在这篇论文的（许多）错误中，你是我可以依
recommend-type

点阵式显示屏常见故障诊断方法

![点阵式显示屏常见故障诊断方法](http://www.huarongled.com/resources/upload/aee91a03f2a3e49/1587708404693.png) # 1. 点阵式显示屏的工作原理和组成 ## 工作原理简介 点阵式显示屏的工作原理基于矩阵排列的像素点，每个像素点可以独立地被控制以显示不同的颜色和亮度，从而组合成复杂和精细的图像。其核心是通过驱动电路对各个LED或液晶单元进行单独控制，实现了图像的呈现。 ## 显示屏的组成元素 组成点阵式显示屏的主要元素包括显示屏面板、驱动电路、控制单元和电源模块。面板包含了像素点矩阵，驱动电路则负责对像素点进行电
recommend-type

名词性从句包括哪些类别？它们各自有哪些引导词？请结合例句详细解释。

名词性从句分为四种：主语从句、宾语从句、表语从句和同位语从句。每种从句都有其特定的引导词，它们在句中承担不同的语法功能。要掌握名词性从句的运用，了解这些引导词的用法是关键。让我们深入探讨。 参考资源链接：[名词性从句解析：定义、种类与引导词](https://wenku.csdn.net/doc/bp0cjnmxco?spm=1055.2569.3001.10343) 首先，主语从句通常由whether, if, what, who, whose, how等引导词引导。它在句子中担任主语的角色，如例句'Whether he comes or not makes no differe