Fitten Code插件需v2.8.0+且识别torch≥2.0或tensorflow≥2.15；PyTorch中输入class Net(可补全nn.Module骨架，需先import torch.nn as nn；TensorFlow支持Sequential、Functional API及Model子类化补全；跨框架支持DataLoader与tf.data.Dataset链式补全。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
确认Fitten Code插件已激活并识别框架类型
打开VS Code，确保已安装Fitten Code插件（v2.8.0+），且当前工作区根目录下存在 【requirements.txt 或 pyproject.toml 中明确声明 torch>=2.0 或 tensorflow>=2.15】。
在任意Python文件中输入 import torch 或 import tensorflow as tf 后，等待2秒——若右下角状态栏出现“Fitten: PyTorch mode”或“Fitten: TF mode”提示，则框架识别成功；未出现则需重启VS Code并检查依赖文件是否被正确扫描。
PyTorch项目中触发模型定义补全
在新建的 model.py 文件中，光标置于空行，输入 class Net( → 按 Tab 或 Enter 触发Fitten Code补全菜单 → 选择 “Net(nn.Module)” 模板。
该模板会自动生成含 __init__ 和 forward 的骨架代码，并在 __init__ 中预置 self.conv1 = nn.Conv2d(3, 32, 3) 等典型层；forward 中自动插入 x = self.conv1(x) 和 return x 占位符。注意：若未提前 import torch.nn as nn，补全将失败且不报错——务必手动补上这行导入语句。
在 forward 函数内输入 x = F.relu( → 补全列表会高亮显示 F.relu(x)、F.max_pool2d(x, 2) 等常用函数，直接回车即可插入。
TensorFlow项目中补全Keras模型构建代码
方法一：Sequential方式补全
在 train.py 中输入 model = tf.keras.Sequential([ → 按 Ctrl+Space → 选择 “Sequential(Conv2D + MaxPool2D + Dense)” 模板，自动展开为带注释的完整结构，含 input_shape=(28, 28, 1) 推断逻辑。
方法二：Functional API补全
输入 inputs = tf.keras.Input( → 补全弹出 Input(shape=(...)) → 回车后紧接着输入 x = tf.keras.layers.Conv2D( → Fitten Code会基于前文 inputs 类型推导出 filters、kernel_size 参数默认值，并高亮推荐 activation='relu' 选项。
方法三：Model子类化补全
输入 class MyModel(tf.keras.Model): → 按 Tab → 插入含 __init__（含 super().__init__()）和 call 方法的完整类结构，其中 call 内已预置 return x 返回语句。
跨框架数据加载器补全（PyTorch DataLoader / TF Dataset）
第一步：在PyTorch项目中输入 dataloader = DataLoader( → 补全项包含 “DataLoader(train_dataset, batch_size=32, shuffle=True)”，选中后自动补全全部参数，包括 num_workers=2 和 pin_memory=True（若检测到CUDA环境）。
第二步：在TensorFlow项目中输入 ds = tf.data.Dataset.from_tensor_slices( → 补全列表显示 “from_tensor_slices((x_train, y_train)) → batch(32) → prefetch(tf.data.AUTOTUNE)” 链式调用模板，直接回车即可生成可执行流水线。
第三步：光标置于已写好的 ds.batch(32) 后，输入 .map( → Fitten Code会根据上下文自动建议 lambda x, y: (tf.cast(x, tf.float32)/255.0, y) 标准化函数，无需手动编写类型转换逻辑。
