简单，Python给函数提供了2个可装任意数量实参的大包，并分别起了个名字，接收位置参数的大包命名为*args（其实就是空元组），接收关键字参数的大包命名为**kwargs（其实就是空字典）。看一些源码的时候，经常可以注意到，为了保证尽可能的全面，内部函数在定义时候会设置各种各样的情况，不同的情况对应不同的参数，但是在调用函数时候，往往并不需要传递相同数量的参数，这是因为内部函数定义时候给很多形参

也不使用父类名称调用，则会输出D-B，停止到不继续调用的类，这意味着在子类调用某个方法时，super（）函数只是按照MRO算法的顺序去寻找这个方法，找到之后会执行；注意一个特殊情况，即子类实例调用父类的其中一个方法A，该方法调用父类的另一个方法B，而子类重写了方法B，那么子类实例调用方法A的时候最终也会调用子类的方法B。前面介绍MRO算法的时候讲到，它可以解决多继承中的方法调用顺序问题，事实上，M

因此，普通创建，切片，遍历方法都是相同的，但是添加，删除，更改等变动元组内部元素的情况是不可行的。Python 中的字典（dict）提供了两种删除元素的方法：popitem() 和 pop()，两种方法都会从字典中移除指定的元素，并。），增就是添加，删就是删除，查就是获取对象，包括单个和多个元素的获取（切片），改就是修改，下面具体地介绍一下各个数据结构的基本操作。括起来的部分，每一项包括2个子项，

在深度学习中，常用的一种操作是遍历很多张图片处理做成数据集，这里就需要遍历文件夹的函数，一般有两个方法，os.listdir(path),会将路径下的文件夹以及文件名称储存到列表里，但不会递归到子文件夹里。深度学习数据集的文件夹通常是多级的，比如图片是分类存放的，就有主文件夹，类别子文件夹，然后是图片文件，这时更常用的是os.walk(root)，一般和for循环结合使用。[subdir1，sub

（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