range 函数详解

基本功能

range() 用于生成一个不可变的整数序列，常用于 for 循环中控制迭代次数。

它不直接返回列表，而是返回一个 range 对象（可迭代、惰性计算）。

语法

1
2
3

range(stop)
range(start, stop)
range(start, stop, step)

一、字符串基础特性

• 字符串是 不可变对象（immutable）
• 支持索引 s[0]、切片 s[1:4]、遍历 for c in s
• 支持 + 拼接、* 重复："ab" * 3 → "ababab"

1
2
3

s = "Hello"
print(s[0])      # 'H'
print(s[::-1])   # 'olleH'（反转）

二、常用字符串方法（按功能分类）

字符判断类（返回 True/False）

⚠️ 注意：isdigit() 不识别负数、小数；-123 是 str 但 "-123".isdigit() 是 False

1. 环境准备

这里使用的系统是Ubuntu 20.04，在配置之前建议先安装如下工具 ipmctl ，ndctl ， daxctl。这三个工具都可以使用apt install的方式安装（强烈建议）。如果实在无法联网，也可以使用源码安装的方式。

ipmctl源码下载链接 https://github.com/intel/ipmctl
ndctl 源码下载链接 https://github.com/intel/ndctl

python中的对象

1
2
3
4
5
6
7
8
9
10
11
12

def apple():
    print("there is an apple")

# 1. 函数对象
apple

# 2.执行apple函数
apple()

# 3.将变量obj指向apple对象，执行apple函数
obj = apple
obj()

注意这里apple 和 apple() 的区别

在 Python 中，当使用 multiprocessing 模块（如 Process、Pool）或 concurrent.futures.ProcessPoolExecutor 向子进程传递数据时，这些数据需要通过 pickle 序列化后传输。因此，只有 可序列化（pickleable） 的对象才能被安全地传递给子进程。

什么是可序列化（pickleable）？

可序列化对象 是指能被 Python 的 pickle 模块成功序列化（转换为字节流）和反序列化（从字节流恢复）的对象。

一、核心概念

1.1 Python 的对象模型：一切皆对象，变量即引用

• 变量不直接存储值，而是 指向对象的引用（指针）。
• id(x) 返回对象的内存地址（CPython 中即 PyObject* 的地址）。
• 赋值操作 b = a 只是新增一个引用，不创建新对象。

1.2 可变性（Mutability）

⚠️ 注意：tuple 虽不可变，但若其元素为可变对象（如 ([1], 2)），则 tuple 自身不可变，但元素内容可变。

softmax函数

Softmax 函数 是一种常用的激活函数，广泛应用于机器学习和深度学习中，尤其是在多分类问题的输出层。它能将一个含任意实数的向量转化为另一个向量，其中每个元素的值都在 (0,1) 区间内，并且所有元素之和为 1。这使得它非常适合表示概率分布。

数学表达式：

给定一个向量 ，Softmax 函数定义如下：

张量

1.1 创建张量（Tensor）

张量（Tensor）是 PyTorch 的核心数据结构，类似于 NumPy 的 ndarray，但支持 GPU 加速和自动求导。

1 生成张量

1.1 使用torch.tensor()或者torch.Tensor()来生成张量。

两者主要区别为

• torch.Tensor(data)：直接调用Tensor构造函数会默认创建一个浮点型张量 (torch.float32)。即使输入的数据是整数列表或元组，生成的张量元素也会被转换为浮点数。
• torch.tensor(data)：此函数会根据输入数据的类型推断出张量的类型。如果输入的是整数列表，则生成的张量将具有整数类型（例如torch.int64），而浮点数列表则会生成浮点类型的张量。

1. 问题设定和损失函数

假设模型为：
$ \hat{y} = ax + b $

损失函数（均方误差）为：

$ \text{Loss} = (y - \hat{y})2 = (y - (ax + b))2 $

我们使用以下初始参数：

$ a = 0, \quad b = 0 $

并且，学习率 $ \eta = 1 $。