（为了避免在版本控制中暴露敏感信息（如数据库密码、API 密钥等），我们通常不会直接修改 config.py.example 文件，而是将其复制为 config.py，并在这个新文件中修改参数的值。在大型项目中，为了更好地维护和管理参数，通常会把关键的参数放置在配置文件里，常用的配置文件一般包括.py文件和.json文件，在开源项目里会有。一般用在可选参数，因为位置参数默认是必需的。，而add_a

实际的项目中不可能一份代码文件实现所有的功能，因此需要借助外在的力量，这份力量主要有2类，一种是系统库集成的，像numpy处理数据，另一种是自己项目写的函数和类，但是放到不同的位置。2. **重复导入**：多次导入同一个模块，实际上只会执行一次（由于`sys.modules`缓存）。因为相对导入也是要转换为绝对导入，而且是依赖__package__属性的，就会出现一个相对导入最常出现的问题，找不到

我们知道，函数是封装了特定功能的代码块，前面也介绍了函数参数的具体传递，不过参数均是简单的变量。print(sorted_students)# 输出: [('Bob', 85), ('Alice', 90), ('Charlie', 95)]students = [("Alice", 90), ("Bob", 85), ("Charlie", 95)]# 按分数排序。装饰器内部通常会定义一个闭包（

而可迭代数据类型包括很多种，如字符串，列表，元组等，此时。深度学习中经常用的地方是遍历读取数据集，推而广之，dataloader作为一个可迭代对象，其数据下标是batch（在创建dataloader时会把batch size作为参数传入），从0开始，最大数为样本总数除以batch size大小，下标对应的数据是一batch的。这就是最基本的可迭代对象和迭代器，从这个概念来看，可迭代对象才是真正可迭

常用的输出方法有traceback.print_exc() 与 traceback.format_exc()。两者都是 traceback 模块中用于处理异常信息的函数，都用于获取当前异常的回溯信息，通常在 except 块中使用。而format_exc()返回字符串形式的异常信息，不直接输出，需要print打印，没有参数。有时候except捕获的异常比较笼统，不能精确确定出错的位置，这时可以使用

不如语冰上下文管理是一种用于管理资源（如文件、网络连接、锁等）的机制，它确保在代码块执行前后进行正确的资源分配和释放，即使代码块中发生了异常也是如此。在Python中，上下文管理是通过with语句来实现的。with语句允许我们定义一个执行上下文，在该上下文中，我们可以确保资源的获取和释放是自动完成的。即在with语句中，我们只需要关注资源或对象本身的操作（这点和普通方法一致），系统自动释放资源和对

result = list(zip(_splits[0::2], _splits[1::2]))print(result)# 输出: [(10, 20), (30, 40), (50, 60)]pairs = list(zip(nums[0::2], nums[1::2]))# 结果: [(1, 2), (3, 4), (5, 6)]，不会拷贝对象的内部的子对象。zip() 将两个切片列表按顺序配

在哪里定义，如何发送？2024-08-03 14:20:35 - my_app - WARNING - 磁盘空间不足80%!2024-08-03 14:20:35 - my_app - WARNING - 磁盘空间不足80%!2024-08-03 14:20:35 - my_app - CRITICAL - 系统崩溃!2024-08-03 14:20:35 - my_app - CRITICAL

（4）torch.zeros_like(tensor)，torch.ones_like(tensor)，torch.full_like(tensor,value)创建和参数张量（本质用真实的张量形状代替指定的形状）一致的全0/1张量。（1）torch.arange（start，end,step）创建等差数列张量，step为等差值，默认为1，取值时[start,end)左闭右开，形状大小=(end-

以形状为 (2, 3, 2, 4)的四维张量为例，其表示该张量由 2 个大小为 (3, 2, 4) 的子张量组成，每个子张量又有 3 个大小为 (2, 4) 的二维矩阵。：可以理解为一个坐标轴，从0开始计算。举个例子来说，张量a的形状为（1,2,3），则该张量有4维，第0,1,2,3维的形状大小分别为1,2,3,4.特别注意这两个特性，因为张量的所有操作都是针对这两个特性的。对于四维张量，可以理解