Python3 基础
Python3基础使用
内置函数
range()
Python3 range() 函数返回的是一个可迭代对象（类型是对象），而不是列表类型， 所以打印的时候不会打印列表。
Python3 list() 函数是对象迭代器，可以把range()返回的可迭代对象转为一个列表，返回的变量类型为列表。
### 函数语法
range(stop)
range(start, stop[, step])参数说明：
- start: 计数从 start 开始。默认是从 0 开始。例如range(5)等价于range(0, 5);
- stop: 计数到 stop 结束，但不包括 stop。例如：range(0, 5)是[0, 1, 2, 3, 4]没有5
- step: 步长，默认为1。例如：range(0, 5) 等价于 range(0, 5, 1)
>>> range(5)
range(0, 5)
>>> list(range(5))
[0, 1, 2, 3, 4]
>>> list(range(0, 30, 5))
[0, 5, 10, 15, 20, 25]
>>> list(range(0, 10, 2))
[0, 2, 4, 6, 8]
>>> list(range(0, -10, -1))
[0, -1, -2, -3, -4, -5, -6, -7, -8, -9]Numpy Pytorch中的数据拷贝
Numpy数据拷贝
numpy关于copy有三种情况，完全不复制、视图（view）或者叫浅复制（shallow copy）和深复制（deep copy）。
而 b = a[:] 这种形式就属于第二种，即视图，这本质上是一种切片操作（slicing），所有的切片操作返回的都是视图。具体来说，b = a[:]会创建一个新的对象 b（所以 id(b) 和id(a) 返回的结果是不一样的），但是 b 的数据完全来自于a，和a保持完全一致，换句话说，b的数据完全由a保管，他们两个的数据变化是一致的，可以看下面的示例:
import numpy as np
a = np.arange(4) # array([0, 1, 2, 3])
b = a[:] # array([0, 1, 2, 3])
print(b.flags.owndata) # 返回 False，b 并不保管数据
print(a.flags.owndata) # 返回 True，数据由 a 保管
# 改变 a 同时也影响到 b
a[-1] = 10 # array([0, 1, 2, 10])
print(b) # array([0, 1, 2, 10])
# 改变 b 同时也影响到 a
b[0] = 10 # array([10, 1, 2, 10])
print(a) # array([10, 1, 2, 10])b = a 和 b = a[:] 的差别就在于后者会创建新的对象，前者不会。两种方式都会导致 a 和 b 的数据相互影响。
要想不让 a 的改动影响到 b，可以使用copy()函数：
unique_b = a.copy()注意：注意 copy 是一个浅复制（shallow copy），不会拷贝数组中的对象元素。
>>> a = np.array([1, 'm', [2, 3, 4]], dtype=object)
>>> b = np.copy(a)
>>> b[2][0] = 10
>>> a
array([1, 'm', list([10, 3, 4])], dtype=object)为了保证所有内容被拷贝应该使用copy.deepcopy
>>> import copy
>>> a = np.array([1, 'm', [2, 3, 4]], dtype=object)
>>> c = copy.deepcopy(a)
>>> c[2][0] = 10
>>> c
array([1, 'm', list([10, 3, 4])], dtype=object)
>>> a
array([1, 'm', list([2, 3, 4])], dtype=object)Pytorch数据拷贝
类似上面的numpy，ten_b = ten_a这样是复制的地址，应该使用clone()实现裸复制
还有其他函数copy(), detach()等，待补充
import torch
a = np.array([1, 2, 3])
ten_a = torch.from_numpy(a)
ten_b = ten_a # 复制的是地址
ten_c = ten_a.clone() #
print(f'ten_a = {ten_a}') # ten_a = tensor([1, 2, 3], dtype=torch.int32)
print(f'ten_b = {ten_b}') # ten_b = tensor([1, 2, 3], dtype=torch.int32)
print(f'ten_c = {ten_c}') # ten_c = tensor([1, 2, 3], dtype=torch.int32)
print("修改 ten_b[1] = 6")
ten_b[1] = 6
print(f'ten_a = {ten_a}') # ten_a = tensor([1, 6, 3], dtype=torch.int32)
print(f'ten_b = {ten_b}') # ten_b = tensor([1, 6, 3], dtype=torch.int32)
print(f'ten_c = {ten_c}') # ten_c = tensor([1, 2, 3], dtype=torch.int32)
print("修改 ten_c[1] = 9")
ten_c[1] = 9
print(f'ten_a = {ten_a}') # ten_a = tensor([1, 6, 3], dtype=torch.int32)
print(f'ten_b = {ten_b}') # ten_b = tensor([1, 6, 3], dtype=torch.int32)
print(f'ten_c = {ten_c}') # ten_c = tensor([1, 9, 3], dtype=torch.int32)