---

关于引擎

• 查看各种引擎 show engines;
• 查看当前默认引擎 show variables like '%storage_engine%';
• 查看指定表的引擎 show create table tableName;
• 修改指定表的引擎 alter table tableName engine = innodb;
• 创建表时指定引擎 create table mytable (id int, titlechar(20)) engine = innodb
• 修改默认存储引擎
  在mysql配置文件（linux下为/etc/my.cnf），在mysqld后面增加default-storage-engine=INNODB即可

---

不同引擎的事务支持说明

• MySQL数据库有多种引擎，一般使用的是InnoDB（从MySQL5.5.5以后，InnoDB是默认引擎），InnoDB存储引擎提供了具有提交、回滚和崩溃恢复能力的事务安全。但是对比Myisam的存储引擎，InnoDB写的处理效率差一些并且会占用更多的磁盘空间以保留数据和索引
• 其他的引擎不支持事务等，但是存储空间占的比较小，而且操作比较快一些
• MySQL有多种存储引擎，每种存储引擎有各自的优缺点，可以择优选择使用：MyISAM、InnoDB、MERGE、MEMORY(HEAP)、BDB(BerkeleyDB)、EXAMPLE、FEDERATED、ARCHIVE、CSV、BLACKHOLE
• 虽然MySQL里的存储引擎不只是MyISAM与InnoDB这两个，但常用的就是两个
  • InnoDB支持事务，MyISAM不支持，这一点是非常之重要。事务是一种高级的处理方式，如在一些列增删改中只要哪个出错还可以回滚还原，而MyISAM就不可以了
• MyISAM适合查询以及插入为主的应用，InnoDB适合频繁修改以及涉及到安全性较高的应用
• InnoDB支持外键，MyISAM不支持
• 从MySQL5.5.5以后，InnoDB是默认引擎
• InnoDB不支持FULLTEXT类型的索引
• InnoDB中不保存表的行数，如select count(*) from table时，InnoDB需要扫描一遍整个表来计算有多少行，但是MyISAM只要简单的读出保存好的行数即可。注意的是，当count(*)语句包含where条件时MyISAM也需要扫描整个表
• 对于自增长的字段，InnoDB中必须包含只有该字段的索引，但是在MyISAM表中可以和其他字段一起建立联合索引
• 清空整个表时，InnoDB是一行一行的删除，效率非常慢。MyISAM则会重建表
• InnoDB支持行锁（某些情况下还是锁整表，如 update table set a=1 where user like ‘%lee%’

---

附录：事务的理解

• 变量 @@autocommit

  1 2	select @@autocommit; set @@autocommit = 0;

• @@autocommit 为0时表示不以显示事务开头的语句或者以事务开头(begin; 或者 start transaction;)都会被缓存起来并且在commit;提交前都可以用rollback;回滚

• @@autocommit 为1时表示必须以事务开头的语句才会被缓存，否则一个sql语句将会被当做一个事务提交，将不能使用rollback;语句回滚

• 说明：不是所有引擎都支持事务，常用的支持事务的引擎是InnoDB

Hexo命令归纳整理

---

init

hexo init [folder]

# 在cmd命令下，cd到你所需要建立博客的文件夹，执行此命令，其中folder为可选指令，若不写，则默认当前目录

---

hexo new

hexo new [layout] \<title\>

#layout为可选项，默认使用_config.yml中的default_layout。新建文章的指令

---

generate

hexo generate

# 生成静态文件，

# 可选参数：

-d ,–deploy 文件生成后立即部署网站

-w , –watch 件事文件变动

---

deploy

hexo deploy

# 发布到网站，这里就是发布到 _config.yml中deploy中设置的网址上。

# 参数

-g , –generate 部署前生成静态文件

---

npm install

每一个rn项目都有一个package.json文件，里面有很多组件信息，使用npm install将按照package.json安装所需要的组件放在生成的node_modules文件夹中，rn项目下的每一个文件中都可以通过import引入node_modules的组件来加以使用

---

hexo clean

hexo clean 清除缓存文件(db.json)和已生成的静态文件(public)，通常更换主题后，无效时，可以运行此命令

---

hexo server

hexo server

# 启动server，就可以在本地预览效果。

#参数，默认网址http://localhost:4000/

-p , –port 重设端口

-s , –static 只是用静态文件

-l , –log 启动日志记录，使用覆盖记录格式

-i , –ip 重新制定服务器ip

梯度方向是函数局部上升最快的方向

---

微分的定义与理解

• 假设在任意方程中存在自变量 \(t\) 和因变量 \(x,y\)，他们都是 \(t\) 的函数 \(x(t),y(t)\)，则当所有因变量都对同一个自变量 \(t\) 计算变化量时，即可得到微分形式：
  $$
  \begin{align}
  d y &= y(t+\Delta) - y(t) \\
  d x &= x(t+\Delta) - x(t) \\
  d t &= (t+\Delta) - t = \Delta
  \end{align}
  $$
  • 其中 \(\Delta \rightarrow 0\)
• 此时有：
  • 导数 \(\frac{dy}{dt}\) 表示因变量 \(y\) 关于 \(t\) 的变化率，是 \(t\) 的函数
  • 导数 \(\frac{dx}{dt}\) 表示因变量 \(x\) 关于 \(t\) 的变化率，是 \(t\) 的函数
  • 导数 \(\frac{dy}{dx}\) 可以表示因变量 \(y\) 关于 \(x\) 的变化率：
    $$ \frac{dy}{dx} = \frac{\frac{dy}{dt}}{\frac{dx}{dt}} $$
    • 注意: 从上面的证明可以看出，要求 \(dy\) 和 \(dx\) 都是在同一个自变量（这里是 \(t\)，也可以是其他变量，比如 \(x\) ）发生微小变化的时候得到的
• 注意：
  • \(dy\) 表示微分，具体是关于 \(x\) 或 \(t\)，亦或是其他变量的增量，要根据上下文来判断
  • \(\frac{dy}{dt}\) 表示 \(y\) 关于 \(t\) 的变化率，在不同的 \(t\) 点，变化率不同，所以 \(\frac{dy}{dt}\) 是关于 \(t\) 的函数， \(\frac{dy}{dt}\vert_{t=t_0}\) 可表示 \(y\) 关于 \(t\)，在 \(t=t_0\) 处的变化率

---

梯度的定义与理解

• 对函数 \(f(x, y, z)\) 而言
• 方向导数:各个方向的导数,函数,标量
  • 关于x, y, x的偏导数: \(\frac {\partial f}{\partial x}, \frac {\partial f}{\partial y}, \frac {\partial f}{\partial z}\)
  • 对特定的某一点 \((x_{0}, y_{0}, z_{0})\) 而言,改点的偏导数是将对应的值带入后得到的数值,是一个确定的数值
• 梯度:各个方向导数组成的向量,每一维为一个方向导数,矢量
  • 梯度: \((\frac {\partial f}{\partial x}, \frac {\partial f}{\partial y}, \frac {\partial f}{\partial z}\)),一个向量
  • 梯度方向表示函数局部上升最快的方向
  • 梯度的模 \(|\nabla f|\) 表示变化率

直观理解

• 一维函数中,代表参数(自变量)的点在一条直线上运动,所以梯度的方向有正向和负向
• 二维函数中,代表参数(自变量)的点在一个平面上运动,所以梯度的方向有无数种,但都在二维平面上
• 三维函数中,代表参数(自变量)的点在一个空间中运动,所以梯度的方向有无数种,但都在三维空间中
• 无论何时,梯度方向是函数上升最快的方向,指明参数朝着这个方向移动时,函数上升的速度最快
• 梯度下降法中,求取梯度的意义就在于知道函数上升或者下降最快的方向

关于梯度的模 \(|\nabla f|\)

• 梯度的方向与参数(自变量)的变化相关,梯度的模 \(|\nabla f|\) 与函数变化相关
• 梯度的模可以理解为变化率,也就是在梯度对应的方向上移动单位长度后,函数能上升的数值大小为 \(|\nabla f|\) (当然,这是按照当前点周围的极小的曲面拟合出来的平面计算得到的数值,不是真正的函数数值)
• 梯度下降法中,梯度的方向指明了参数移动的方向,梯度的模暗示着参数移动时函数的增量大小
• 但为什么梯度下降法中,保留着梯度的模?而不是将梯度向量变成单位向量?梯度的模有什么特殊的意义吗?
  • 一个猜想:在梯度下降法时,如果超参数步长 \(\alpha\) 不变的话,每次迭代时参数(自变量)真正移动的长度是 \(\alpha\times |\nabla f|\)，此时随着迭代次数的增加, \(|\nabla f|\) 值会越来越小(可以证明,因为越来越接近最地点,函数变化率越来越小),这会导致 \(\alpha\times |\nabla f|\) 越来越小,从而减少震荡?
  • 梯度的模的意义可用数学证明,移动梯度的模的 \(\alpha\) 倍是最优的,详情参考我的博客ML——最优化方法-无约束参数优化方法中用一阶泰勒展开推导梯度下降法的过程
    • 基本思路,将函数在参数的某个值 \(\theta_{t} + \delta\) 处一阶泰勒展开,然后对 \(\delta\) 加上正则项.最后在直接求导即可得到梯度下降法的更新表达式

---

附录：其他参考博客

• 参考链接: 为什么梯度方向是函数局部上升最快的方向

---

整体说明

• EasyDict 是一个轻量级的 Python 库，旨在简化字典操作，它允许用户像访问对象属性一样访问字典的键值对，从而提高代码的可读性和简洁性
• EasyDict 通过重写字典的几个关键方法，如__getattr__和__setattr__等，实现了将字典键转换为对象属性的功能
• EasyDict 不仅支持顶级字典的属性访问方式，还能递归应用于内嵌的字典，使得处理多层次数据结构变得简单易行
• EasyDict 实例仍然遵循标准字典的所有操作，保证了灵活性

---

安装 EasyDict

• 可以使用pip进行安装，命令如下：

  1	pip install easydict

---

使用示例

• 简单使用示例：

  1 2 3 4 5 6 7 8 9

  from easydict import EasyDict as edict # 创建一个EasyDict对象 data = edict({'name': 'John', 'age': 30, 'job': 'Engineer'}) # 访问字典元素 print(data.age) print(data.job) # 添加新的键值对 data.gender = 'Male' print(data.gender)

• 嵌套字典的访问：

  1 2 3 4 5 6 7 8

  my_dict = edict({ 'level1': edict({ 'level2': edict({ 'key': 'value' }) }) }) print(my_dict.level1.level2.key)

• 动态设置属性：

  1 2 3

  my_dict = edict() my_dict.key1 = 'value1' print(my_dict.key1)

• 常见的字典操作：

  1 2 3 4 5 6 7

  my_dict = edict({'key1': 'value1'}) # 更新字典 my_dict.update({'key2': 'value2'}) print(my_dict.key2) # 删除一个键值对 my_dict.pop('key1') print(my_dict.key1) # 会抛出AttributeError，因为'key1'不再存在

• 获取默认值：

  1 2 3

  my_dict = edict({'name': 'Alice'}) value = my_dict.get('nonexistent_key', 'default_value') print(value)

---

EasyDict 和 namedtuple 对比

• EasyDict 和 namedtuple 都是 Python 中用于简化数据访问的工具
• TDRL：namedtuple 是”先定义类，再用类创建实例”；EasyDict 是”直接用通用类创建实例，动态定义结构”
  • namedtuple 需要先定义特定结构的类（如Person），再创建该类的实例，适合固定结构的数据
  • EasyDict 直接使用通用的EasyDict类创建实例，实例的字段结构可以动态变化，适合灵活的数据场景
• TDRL：若需 固定结构、不可变数据 ，追求性能和内存效率，用 namedtuple；若需 动态结构、灵活修改 ，优先便捷性，用 EasyDict

本质与继承关系

• namedtuple 是 tuple 的子类，属于不可变（immutable）数据结构
  • 一旦创建，其字段值无法修改，类似元组的特性
• namedtuple 定义时需要指定固定的字段名，结构是静态的，不能动态添加新字段
• EasyDict 是 dict 的子类，属于可变（mutable）数据结构
  • 创建后可以随时修改字段值，也能动态添加/删除新字段，保留了字典的灵活性

数据访问方式

• 两者都支持 属性式访问（如 obj.field）和 键值访问（如 obj['field']），但底层实现不同：
  • namedtuple 本质是元组，字段值存储在固定位置，访问速度更快
  • EasyDict 本质是字典，通过重写 __getattr__ 实现属性访问，性能略低于 namedtuple

可变性

• namedtuple 不可变：创建后无法修改字段值，也不能添加新字段，类似常量集合，示例如下：

  1 2 3 4

  from collections import namedtuple Person = namedtuple('Person', ['name', 'age']) p = Person('Alice', 30) p.age = 31 # 报错：'Person' object does not support item assignment

• EasyDict 可变：支持修改现有字段、添加新字段、删除字段等操作，示例如下：

  1 2 3 4 5

  from easydict import EasyDict as edict p = edict(name='Alice', age=30) p.age = 31 # 允许修改 p.gender = 'Female' # 允许添加新字段 del p.age # 允许删除字段

定义类情况

• namedtuple 显式定义了一个新的类（如Person），这个类继承自tuple，并且在定义时就固定了字段结构，例如：

  1 2 3 4

  from collections import namedtuple # 这里显式创建了一个名为 Person 的类 Person = namedtuple('Person', ['name', 'age']) print(type(Person)) # 输出：<class 'type'>，说明是一个类

  • 后续使用时，Person() 是创建该类的实例，每个实例都严格遵循预定义的字段结构

• EasyDict 没有要求你显式定义新的类（如Person），但它本身是一个通用的 EasyDict 类，所有实例都属于这个类，例如：

  1 2 3 4

  from easydict import EasyDict as edict # 直接创建 EasyDict 类的实例，无需预先定义结构 p = edict(name='Alice', age=30) print(type(p)) # 输出：<class 'easydict.EasyDict'>

  • 你将 p 视为一个”动态对象”，它属于 EasyDict 类，但其字段可以灵活添加/修改，不需要提前定义特定的类（如Person）

适用场景

• namedtuple 适合存储 固定结构、不可变的数据（如配置项、记录、坐标等），强调数据的稳定性和内存效率
  • 例如：表示点坐标 Point(x=1, y=2)、数据库查询结果等
• EasyDict 适合处理 动态结构、需要灵活修改的数据（如嵌套配置、JSON 数据解析等），强调操作的便捷性
  • 例如：解析 API 返回的 JSON 数据（可动态添加/修改字段）、多层级的配置文件等

其他差异

• 内存占用 ：namedtuple 比 EasyDict 更轻量，内存占用更少
• 序列化 ：两者都支持序列化，但 namedtuple 可直接通过 _asdict() 转换为普通字典，EasyDict 本身就是字典，可直接序列化
• 类型提示 ：namedtuple 在定义时已明确字段，类型提示更友好；EasyDict 动态字段较多，类型提示较弱

---

整体说明

• 在 Python 中，field 主要关联两个核心场景：
  • 一是标准库 dataclasses 模块的 field() 函数 ，用于定制数据类字段
  • 二是第三方库如 pydantic 的 Field 类 （注意：首字母是大写）， 用于数据校验/序列化

---

dataclasses.field()

• dataclasses 是 Python 内置的轻量级数据类工具
• field() 用于精细化定义数据类的字段（替代默认的简单赋值），支持定制默认值、初始化行为、序列化等
  • 注：Python 3.7+ 内置

dataclasses.field() 基础语法

• 用法示例：

  1 2 3 4 5

  from dataclasses import dataclass, field @dataclass class ClassName: name = field(...) # 字段名: 类型 = Field(参数1=值1, 参数2=值2, ...)

• field() 核心参数说明

  • default
    • 字段默认值（仅当字段无默认值时使用，与 default_factory 二选一）
    • 示例：field(default=0)
  • default_factory
    • 动态生成默认值的工厂函数（如列表/字典等可变类型）
    • 示例：field(default_factory=list)
  • init
    • 是否参与 __init__ 方法（默认 True）
    • 示例：field(init=False)
  • repr
    • 是否出现在 __repr__ 输出中（默认 True）
  • compare
    • 是否参与比较（__eq__/__lt__ 等，默认 True）
  • hash
    • 是否参与 __hash__ 计算（默认 None，继承 compare 值）
  • metadata
    • 附加元数据（字典，供外部工具使用）
    • field(metadata={"desc": "用户ID"})

dataclasses.field() 常用示例

• 示例：基础使用（默认值/工厂函数）

  1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17

  from dataclasses import dataclass, field @dataclass class User: # 简单默认值（不可变类型） id: int = field(default=0) # 可变类型默认值（必须用 default_factory，避免所有实例共享同一对象） tags: list[str] = field(default_factory=list) # 字符串默认值 name: str = field(default="未知用户") # 实例化 u1 = User() print(u1) # User(id=0, tags=[], name='未知用户') u1.tags.append("admin") u2 = User() print(u2.tags) # []（独立的列表，无共享问题）

• 示例2：定制初始化/序列化行为

  1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

  @dataclass class Product: name: str # 不参与 __init__（手动赋值） price: float = field(init=False) # 不显示在 repr 中 stock: int = field(default=0, repr=False) # 不参与比较 sku: str = field(default="", compare=False) # 实例化（无需传 price 和 stock/sku） p = Product("手机") p.price = 2999.99 # 手动赋值 print(p) # Product(name='手机', price=2999.99)（stock 未显示） print(p == Product("手机")) # True（sku 不参与比较）

• 示例3：附加元数据

  1 2 3 4 5 6 7 8 9 10 11 12 13 14

  @dataclass class Student: id: int = field(metadata={"desc": "学生学号", "required": True}) score: float = field(default=0.0, metadata={"min": 0, "max": 100}) # 获取元数据 s = Student(1001) # 方式1：通过 dataclasses.fields 获取 from dataclasses import fields for f in fields(s): print(f.name, f.metadata) # 输出： # id {'desc': '学生学号', 'required': True} # score {'min': 0, 'max': 100}

---

pydantic.Field（第三方库，数据校验）

• pydantic 是Python主流的数据校验库
• Field 用于定义模型字段的校验规则、默认值、文档等，功能比 dataclasses.field 更丰富
• 使用前先安装：

  1	pip install pydantic

pydantic.Field 基础语法

• 用法说明：

  1 2 3 4

  from pydantic import BaseModel, Field class ClassName(BaseModel): name = field(...) # 字段名: 类型 = Field(默认值, 参数1=值1, 参数2=值2, ...)

• 核心参数说明

  • default/default_factory：
    • 默认值/动态默认值（同dataclasses）
    • 示例：Field(default=10) / Field(default_factory=list)
  • alias
    • 字段别名（序列化/反序列化时可用）
    • 示例： Field(alias="user_id")
  • gt/ge/ lt/le
    • 数值大于/大于等于/小于/小于等于
    • 示例：Field(gt=0)（值必须>0）
  • min_length/max_length
    • 字符串最小/最大长度
    • 示例：Field(min_length=2, max_length=10)
  • pattern
    • 字符串正则匹配
    • 示例：Field(pattern=r"^[A-Z]+$")
  • description
    • 字段描述（文档生成）
    • 示例：Field(description="用户年龄")
  • nullable
    • 是否允许为None（Pydantic v1，v2需用 Optional）
    • 示例：Field(nullable=True)
  • examples
    • 示例值（OpenAPI文档）
    • 示例：Field(examples=[18, 20])

pydantic.Field常用示例

• 示例1：基础校验

  1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25

  from pydantic import BaseModel, Field class User(BaseModel): name: str = Field(..., min_length=2, max_length=20, description="用户名（2-20字符）") age: int = Field(..., gt=0, le=120, description="年龄（1-120）") email: str = Field(None, pattern=r"^[\w-]+@[\w-]+\.[a-z]+$", description="邮箱（可选）") # 合法实例 u1 = User(name="张三", age=25, email="zhangsan@example.com") print(u1.model_dump()) # 输出：{'name': '张三', 'age': 25, 'email': 'zhangsan@example.com'} # 非法实例（触发校验错误） try: u2 = User(name="李", age=150, email="invalid-email") except Exception as e: print(e) # 输出： # 1 validation error for User # name # String should have at least 2 characters [type=string_too_short, input_value='李', input_type=str] # age # Input should be less than or equal to 120 [type=less_than_or_equal, input_value=150, input_type=int] # email # String should match pattern '^[\w-]+@[\w-]+\.[a-z]+$' [type=string_pattern_mismatch, input_value='invalid-email', input_type=str]

• 示例2：别名与默认值

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

  class Product(BaseModel): # 别名：序列化时用 product_id，反序列化时可传 id 或 product_id id: int = Field(..., alias="product_id") # 动态默认值（每次实例化生成新列表） tags: list[str] = Field(default_factory=lambda: ["未分类"]) # 用别名传参 p = Product(product_id=1001) print(p.id) # 1001 print(p.tags) # ['未分类'] # 序列化（输出别名） print(p.model_dump(by_alias=True)) # {'product_id': 1001, 'tags': ['未分类']}

• 示例3：结合文档（OpenAPI）

  1 2 3 4 5 6 7 8 9 10

  from pydantic import BaseModel, Field from pydantic.schema import schema class Order(BaseModel): order_id: str = Field(..., pattern=r"^ORD-\d{6}$", description="订单号（格式：ORD-6位数字）") amount: float = Field(..., gt=0, examples=[99.9, 199.0], description="订单金额（>0）") # 生成JSON Schema（用于OpenAPI文档） schema_dict = schema([Order]) print(schema_dict)

---

三、pydantic.Field 和 dataclasses.field 区别

• dataclasses.field：
  • 内置库
  • 简单数据存储、无校验需求
  • 无校验能力（仅基础类型注解）
• pydantic.Field：
  • 第三方接口
  • 接口参数校验、数据清洗、API文档
  • 强大的数值/字符串/结构校验

---

使用注意：

• 可变类型默认值 ：
  • 无论是 dataclasses.field 还是 pydantic.Field，可变类型（list/dict/set）的默认值必须用 default_factory，否则所有实例会共享同一对象
  • 错误：tags: list = []
  • 正确：tags: list = field(default_factory=list)
• Pydantic版本差异 ：
  • v1 中 nullable=True 允许字段为None；v2 需用 Optional[类型]（如 age: Optional[int] = Field(None)）
  • v2 中 Field 的参数更简洁，推荐使用最新版
• dataclasses 不可变字段 ：
  • 若需不可变数据类，加 @dataclass(frozen=True)，此时 init=False 的字段需在 __post_init__ 中赋值

由于queue不是Python标准库,所以在LeetCode等OJ上面不能直接使用,我们可以选择heapq来使用最大最小堆

---

使用示例

• 堆排序示例

  1 2 3 4 5 6 7 8 9 10 11

  import heapq nums = [2, 3, 5, 1, 54, 23, 132] heap = [] for num in nums: heapq.heappush(heap, num) # 等价于 heapq.heapify(nums) # heap sort by incresing print([heapq.heappop(heap) for _ in range(len(nums))])

• 加入元素

  1	heapq.heappush(heap, num)

• 弹出元素

  1	num = heapq.heappop(heap)

• 获取最大最小值

  1 2 3 4 5 6 7 8 9

  import heapq nums = [1, 3, 4, 5, 2] print(heapq.nlargest(3, nums)) print(heapq.nsmallest(3, nums)) #Output: [5, 4, 3] [1, 2, 3]

• 获取堆顶元素

  1	top = nums[0]

最大堆的实现

• 由于Python heapq模块只实现了最小堆, 最大堆需要我们自己实现
• 一种简单可行的实现方案:
  • 在加入和弹出时,把元素取反 ，从而实现最大堆

---

整体说明

• 在 Python 里，iter() 函数主要用于生成迭代器
• 迭代器用于遍历可迭代对象（像列表、元组、字典这样的），能逐个获取对象里的元素
• 用法可总结如下：
  • iter() 函数的主要作用是把可迭代对象转变为迭代器
  • 迭代器通过 next() 函数来获取下一个元素
  • 可以通过自定义类并实现 __iter__() 和 __next__() 方法来自定义迭代器
  • 使用 StopIteration 异常或者设置哨值能够终止迭代

---

iter()函数的基本用法

• 函数用法：

  1	iter(iterable)

  • 这里的 iterable 可以是列表、元组、字符串、集合等可迭代对象

• 示例：遍历列表

  1 2 3 4 5 6 7 8 9 10

  my_list = [1, 2, 3, 4, 5] my_iter = iter(my_list) # # 错误用法，会抛出异常 # for i in range(10): # print(next(my_iter)) # 依次输出：1,2,3,4,5，第6次调用时直接抛出异常 StopIteration # 正确用法 for i in my_iter: print(i) # 依次输出：1,2,3,4,5 然后停止

---

自定义迭代器（无终止迭代）

• 借助 iter() 函数，还能自定义迭代器，这需要在类中实现 __iter__() 和 __next__() 方法

  1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

  class MyNumbers: def __iter__(self): self.a = 1 return self def __next__(self): x = self.a self.a += 1 return x myclass = MyNumbers() myiter = iter(myclass) print(next(myiter)) # 输出：1 print(next(myiter)) # 输出：2 print(next(myiter)) # 输出：3

---

自定义迭代器（终止迭代）

• 在自定义迭代器时，可以使用 StopIteration 异常来终止迭代

  1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18

  class MyNumbers: def __iter__(self): self.a = 1 return self def __next__(self): if self.a <= 3: x = self.a self.a += 1 return x else: raise StopIteration myclass = MyNumbers() myiter = iter(myclass) for x in myiter: print(x) # 依次输出1,2,3后停止（注意程序是自然退出的，不会抛出异常）

---

附录：Iterable 和 Iterator 的区别

• 可迭代对象（Iterable） ：任何可以被 iter() 函数调用并返回一个迭代器的对象
  • 常见例子：列表（list）、元组（tuple）、字符串（str）、字典（dict）、集合（set）等
  • 可以用 for 循环遍历，不存储迭代状态（即每次调用 iter() 都会生成一个新的迭代器）
  • 可以被多次迭代（每次都是新的迭代器）
• 迭代器（Iterator） ：实现了 __next__() 方法和 __iter__() 方法的对象
  • 常见例子：由 iter() 函数返回的对象、生成器（generator）等
  • 有“状态”，记录当前迭代位置
  • 调用 next() 方法会返回下一个元素，直到耗尽后抛出 StopIteration
  • 只能迭代一次（无法重置，耗尽后失效）
  • __iter__() 方法返回自身（所以迭代器也是一种可迭代对象）
• 特别说明：DataLoader 本身是一个可迭代对象（iterable），而非一次性迭代器（iterator）

---

附录：特别说明 iter() 的第二个参数

• iter() 函数还有一种不太常见的用法，就是接收两个参数
  • 第一个参数得是个可调用对象（像函数）
  • 第二个参数是哨值
• 当可调用对象返回的值等于哨值时，迭代就会停止

  1 2 3 4 5 6 7 8 9 10 11 12 13

  def my_function(): value = input("请输入内容（输入 'q' 结束）：") return value # 创建迭代器，当输入 'q' 时停止 my_iter = iter(my_function, 'q') for value in my_iter: print(f"你输入的是：{value}") # 请输入内容（输入 'q' 结束）：123 # 你输入的是：123 # 请输入内容（输入 'q' 结束）：q

---

附录：for 循环和 __iter__ 函数的用法

• 在 for i in x 循环中，x.__iter__() 只会被调用一次 ，且该方法的返回值必须是一个 Iterator（迭代器）
  • 这属于 Python 迭代协议（Iteration Protocol）的核心要求
• __iter__ 的调用 1 次后，循环的所有迭代过程，都基于 __iter__ 返回的同一个迭代器
• __iter__ 的返回值要求：必须返回一个实现了迭代器协议的对象（即同时具有 __iter__() 和 __next__() 方法的对象）
  • 可迭代对象的 __iter__：“生产迭代器”（返回新的迭代器实例）；
  • 迭代器的 __iter__：“暴露自己”（返回自己，因为自己就是 “干活的”）
  • 迭代器的 __next__()，真正用于返回下一个元素
• 支持 for 循环的对象，一定是具有 __iter__() 函数的

原理拆解：for 循环的执行流程

• for i in x 的底层逻辑完全遵循迭代协议，步骤如下：
  • 1）调用 x.__iter__()，获取一个迭代器对象（记为 it）；
  • 2）反复调用 it.__next__()，每次返回的结果赋值给 i，执行循环体；
  • 3）当 it.__next__() 抛出 StopIteration 异常时，循环捕获该异常并正常终止（不会暴露给用户）
• 注：整个过程中，x.__iter__() 只在第一步执行一次，后续所有迭代都依赖第一步返回的那个 it 迭代器

---

如何自定义 iterable 对象？

• 方法一：实现 iter() 方法
• 方法二：getitem() + len() 方法
• 在使用类似 for i in x 时，Python 的迭代机制会：
  • 首先尝试调用 iter() 方法
  • 如果没有 iter()，则尝试使用 getitem() 和 len()
    • 此时 Python 会自动从 idx=0 开始调用 getitem(0), getitem(1), … 直到抛出 IndexError

各种镜像源管理

---

pip 镜像源

• 一般来说pip默认使用的源可能会比较慢,此时需要修改成国内的源

查看源

• 查看当前 pip 源

  1	pip config list

修改方法:

临时修改

• 在命令后面添加如下参数即可将安装源换成阿里云

  1	-i http://mirrors.aliyun.com/pypi/simple --trusted-host mirrors.aliyun.com

• 只在当前命令中修改,以后想要使用时需要继续添加参数

• 特别说明: 在阿里云的服务器上使用这个指令时效果非常明显

永久修改

• 修改文件~/.pip/pip.conf内容, 如果没有该文件则新建一个

  1 2 3 4 5

  vim ~/.pip/pip.conf # write the following contents and save # the example is USTC [global] index-url = https://pypi.mirrors.ustc.edu.cn/simple/

• 这个命令修改当前用户的默认pip命令镜像

镜像列表

• 各种镜像列表：

  1 2 3 4 5 6 7

  官方：https://pypi.org/simple 清华：https://pypi.tuna.tsinghua.edu.cn/simple 阿里云：http://mirrors.aliyun.com/pypi/simple/ 中国科技大学 https://pypi.mirrors.ustc.edu.cn/simple/ 华中科技大学：http://pypi.hustunique.com/ 山东理工大学：http://pypi.sdutlinux.org/ 豆瓣：http://pypi.douban.com/simple/

• 其中清华的比较常用

---

Ubuntu 源

• Linux 一般默认使用自己系统的源，比如 Ubuntu 使用的就是自己的 Ubuntu 官网源

修改方法

• 修改文件/etc/apt/source.list

  1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18

  sudo /vim/apt/source.list # write new image source # the example of aliyun deb http://mirrors.aliyun.com/ubuntu/ bionic main restricted universe multiverse deb http://mirrors.aliyun.com/ubuntu/ bionic-security main restricted universe multiverse deb http://mirrors.aliyun.com/ubuntu/ bionic-updates main restricted universe multiverse deb http://mirrors.aliyun.com/ubuntu/ bionic-proposed main restricted universe multiverse deb http://mirrors.aliyun.com/ubuntu/ bionic-backports main restricted universe multiverse deb-src http://mirrors.aliyun.com/ubuntu/ bionic main restricted universe multiverse deb-src http://mirrors.aliyun.com/ubuntu/ bionic-security main restricted universe multiverse deb-src http://mirrors.aliyun.com/ubuntu/ bionic-updates main restricted universe multiverse deb-src http://mirrors.aliyun.com/ubuntu/ bionic-proposed main restricted universe multiverse deb-src http://mirrors.aliyun.com/ubuntu/ bionic-backports main restricted universe multiverse # update and upgrade sudo apt-get update sudo apt-get upgrade

镜像源列表

中科大源

• 中科大源列表

  1 2 3 4 5 6 7 8 9 10

  deb https://mirrors.ustc.edu.cn/ubuntu/ bionic main restricted universe multiverse deb-src https://mirrors.ustc.edu.cn/ubuntu/ bionic main restricted universe multiverse deb https://mirrors.ustc.edu.cn/ubuntu/ bionic-updates main restricted universe multiverse deb-src https://mirrors.ustc.edu.cn/ubuntu/ bionic-updates main restricted universe multiverse deb https://mirrors.ustc.edu.cn/ubuntu/ bionic-backports main restricted universe multiverse deb-src https://mirrors.ustc.edu.cn/ubuntu/ bionic-backports main restricted universe multiverse deb https://mirrors.ustc.edu.cn/ubuntu/ bionic-security main restricted universe multiverse deb-src https://mirrors.ustc.edu.cn/ubuntu/ bionic-security main restricted universe multiverse deb https://mirrors.ustc.edu.cn/ubuntu/ bionic-proposed main restricted universe multiverse deb-src https://mirrors.ustc.edu.cn/ubuntu/ bionic-proposed main restricted universe multiverse

163 源

• 163 源列表

  1 2 3 4 5 6 7 8 9 10

  deb http://mirrors.163.com/ubuntu/ bionic main restricted universe multiverse deb http://mirrors.163.com/ubuntu/ bionic-security main restricted universe multiverse deb http://mirrors.163.com/ubuntu/ bionic-updates main restricted universe multiverse deb http://mirrors.163.com/ubuntu/ bionic-proposed main restricted universe multiverse deb http://mirrors.163.com/ubuntu/ bionic-backports main restricted universe multiverse deb-src http://mirrors.163.com/ubuntu/ bionic main restricted universe multiverse deb-src http://mirrors.163.com/ubuntu/ bionic-security main restricted universe multiverse deb-src http://mirrors.163.com/ubuntu/ bionic-updates main restricted universe multiverse deb-src http://mirrors.163.com/ubuntu/ bionic-proposed main restricted universe multiverse deb-src http://mirrors.163.com/ubuntu/ bionic-backports main restricted universe multiverse

清华源

• 清华源列表

  1 2 3 4 5 6 7 8 9 10

  deb https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ bionic main restricted universe multiverse deb-src https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ bionic main restricted universe multiverse deb https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ bionic-updates main restricted universe multiverse deb-src https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ bionic-updates main restricted universe multiverse deb https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ bionic-backports main restricted universe multiverse deb-src https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ bionic-backports main restricted universe multiverse deb https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ bionic-security main restricted universe multiverse deb-src https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ bionic-security main restricted universe multiverse deb https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ bionic-proposed main restricted universe multiverse deb-src https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ bionic-proposed main restricted universe multiverse

---

Centos 源

修改方法

• 修改文件/etc/yum.repos.d/CentOS-Base.repo

  1 2 3 4 5 6 7 8 9

  # backup sudo mv /etc/yum.repos.d/CentOS-Base.repo /etc/yum.repos.d/CentOS-Base.repo_bak # create new config file # the example of aliyun, the config file could be downloaded from remote directly sudo wget -O /etc/yum.repos.d/CentOS-Base.repo http://mirrors.aliyun.com/repo/Centos-7.repo # update chche sudo yum makechche # update sudo -y update

镜像源列表

网易源

• Centos6: http://mirrors.163.com/.help/CentOS6-Base-163.repo
• Centos7: http://mirrors.163.com/.help/CentOS7-Base-163.repo

阿里源

• Centos6: http://mirrors.aliyun.com/repo/Centos-6.repo
• Centos7: http://mirrors.aliyun.com/repo/Centos-7.repo

---

Mac brew 源

• 参考链接：(Mac 下 brew 切换为国内源)[https://cloud.tencent.com/developer/article/1614039]

---

conda 源

• 查看 conda 源：

  1	conda config --show channels

• 删除 conda 源：

  1	conda config --remove channels [target_url]

• 清空 conda 源：

  1	conda config --remove-key channels

  • 这个命令不会删除 defaults 源，如果要删除该源，需要手动删除

• 添加 conda 源：

  1	conda config --add channels [new_channel_url]

• 安装时临时指定镜像

  1	conda install -c [channel_url] [package_name]

conda 源的分类

• Conda 源的路径后缀可看出其用途：
  • /cloud/pytorch/ ：提供PyTorch深度学习框架及其依赖库
  • /cloud/menpo/ ：提供计算机视觉相关工具（如dlib、OpenCV）
  • /cloud/conda-forge/ ：社区维护的开源包（覆盖科学计算、数据分析等领域）
  • /pkgs/free/ ：Anaconda早期免费版仓库（现多合并至main）
  • /pkgs/main/ ：Anaconda官方核心包（Python、NumPy、SciPy等基础库）

以清华源为例

• 示例添加清华源：

  1 2 3

  conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/ conda config --set show_channel_urls yes

  • conda config --set show_channel_urls yes 可让后续的安装都打印 conda 源信息

• 一条指令恢复默认源（清空所有源）：

  1	conda config --remove-key channels

---

CNAME是什么

• CNAME是DNS解析中的一种别名记录，允许同一个网站有两个不同的记录解析过去
• CNAME在GitHub Pages中体现为可以将xxx.github.io的域名添加别名为自定义的域名（这个域名通常是自己买的，在域名那里也要配置解析到当前xxx.github.io）

---

GitHub Pages中使用CNAME时遇到的问题

• 我们可以在GitHub账户中设置CNAME
• 重新提交commit并推送数据到GitHub上后，之前设置的CNAME会被删除，需要重新设置，也就是说每次push操作后都需要重新设置
  • 这个问题在hexo d后也会出现

---

解决方案

• 在当前项目的GitHub Pages对应的分支下面新建一个文件，命名为CNAME
• 打开文件并新建一行为目标网站的域名（如果是中文域名则需要编码转换）
• 在Hexo中，我们可以在source文件夹下面新建该文件
  • hexo generate时会将source文件夹下面的文件都拷贝到public文件夹下面

• 参考链接：
  • 值得参考的博客：https://segmentfault.com/a/1190000008617626
  • 更详细解释一般直接查看 git (command) -h 即可

---

总体概况总结

• 简单结构图：
• 全局结构图：

---

常见的分支管理

• 查看本地分支

  1	git branch

• 查看所有分支(包括远程)

  1	git branch -a

• 删除本地分支

  1 2 3 4

  # 安全删除（safe delete），Git 会检查该分支是否已经完全合并到当前分支（或者 HEAD 所指的分支）；如果分支上还有未合并的提交，Git 会阻止删除 git branch -d branch_name # 强制删除（force delete）；等价于：'git branch --delete --force <branch>'，不管分支是否已合并，都会直接删除 git branch -D branch_name

• 删除远程分支

  1	git push origin :branch_name

  • 将空的东西推送到远程的branch_name分支，也就是删除远程分支

• 新建本地分支

  1 2 3 4 5 6

  # 将远程分支拉取到本地的 Repository 中，但不修改本地工作目录，如果本地分支不存在，则新建分支 git fetch origin master:branch_name # 从当前分支 fork 一个分支出来 git checkout -b branch_name # 若 branch_name 分支在本地工作目录不存在，但是 origin 上存在，则本地工作目录上会创建 branch_name git checkout branch_name

• 新建远程分支

  1	git push origin master:branch_name

  • 将本地分支推送到远程，如果branch_name不存在，则新建分支

---

冲突管理

远程分支和本地分支有不同的 commit

• git pull和git push均产生reject异常

• 使用下面语句拉取远程分支到本地old分支并合并

  1 2	git fetch origin master:old git merge old

• 上面两句等价于

  1	git pull origin master:old

  • 注意：不建议使用 pull 拉取其他分支，容易产生操作失误

• 如果能够快速合并，也就是相同文件没有同时被不同提交修改：

  • 上面的语句将弹出一个合并窗口提示输入合并这个操作(提交)的 Comment，按照提示提交保存即可
  • 保存后自动生成一个以刚才的 Comment 命名的提交

• 不能快速合并时

  • 上面的语句会提示我们哪些文件有合并冲突需要解决的
  • 我们需要根据提示找到并修改文件中冲突
  • 然后重新提交(像正常提交代码一样即可)

    1 2	git add . git commit -m " "

• 合并完成后删除多余分支

  1	git branch -d old

附录：fetch 和 pull 两者比较：

1
2
git pull == git fetch + git merge
git pull origin master:old == git fetch origin master:old + git merge old

---

git diff

• git diff A B
  • 基于 A 查看 B 有何变化
  • 显示时会自动识别为基于 a/A 看 b/B 有何变化

---

文件恢复

恢复本地缓冲区文件到disk

• 恢复某个文件：git checkout -- xx/xx.py
• 恢复某个文件夹下所有文件：git checkout -- xx/*
• 指定恢复某个分支到指定文件：git checkout master -- xx/xx.py

恢复HEAD到缓冲区

• 仅恢复到缓冲区：git reset or git reset HEAD
• 不仅恢复到缓冲区，同时恢复到disk： git reset HEAD --hard

---

从远程拉取一个新分支

• 从远程拉取分支到本地：git fetch origin xxx
  • 此时使用 git branch -a 可以看到远程分支引用在本地
  • git fetch origin xxx 后，FETCH_HEAD 会指向远程 xxx 分支
    • FETCH_HEAD 是个临时的引用，可以对该分支做任意想做的操作，比如此时可用 git merge FETCH_HEAD 来合并新拉取的分支
• 创建本地同名新分支：git checkout xxx
  • 必须同名

---

git clone 进阶

• git clone ssh:xxx 默认拉取master分支
• git clone -b [branch] ssh:xxx 拉取 [branch] 分支

---

git clone 仅拉取某个分支

• 仅拉取某个分支，用于大型项目

  1	git clone --single-branch --branch [branch] ssh:xxx

• 如果想进一步降低下载量（不关心历史记录），可以加上 --depth 1 参数

• 注意：如果使用下面的命令（即不添加 --single-branch 参数），会拉取所有分支内容 ，但是本地仅检出目标分支

  1 2 3

  git clone --branch [branch] ssh:xxx # 等价简写形式 git clone -b [branch] ssh:xx

---

删除本地跟踪远程分支

• git branch -d --remotes origin/xxx
  • 测试发现：git 1.7.1会报错，git 2.24.3没问题

---

git pull 和 git push 默认分支设定

• git branch --set-upstream-to=origin/xxx xxx
  • 经测试：git 1.7.1会报错，git 2.24.3没问题（但git pull不会生效）

---

添加文件到.gitignore

• 如果文件已经被添加到Git仓库中（常常出现在一些不规范的项目中），则可以考虑使用以下步骤解决：
  • 假设Git仓库中已经把.DS_Store添加到Git仓库中
  • 首先拉取项目并在.gitignore中添加*.DS_Store
  • 执行git rm --cached *.DS_Store, 从缓冲区中删除所有*.DS_Store文件，但保留本地文件
  • 执行git add .并重新提交

---

在目录内部忽略自身

• 可以不修改外部的 .gitignore 文件（即不修改项目根目录下的 .gitignore 文件），通过在某个目录下增加 .gitignore 文件来定义子目录下的忽略规则

• 用法示例：./venv/.gitignore

  1

  *

  • 表示忽略该 ./venv/ 目录下的所有文件

• 这种方法很有益于管理本地多余的文件夹，因为不需要修改到 项目本身的 .gitignore 文件

---

Git 标签的使用

• Git 标签（tag）是用于标记仓库中特定提交节点的引用，常用于版本发布（如 v1.0.0）、重要里程碑等场景，方便后续快速定位和回溯

标签类型

• 轻量标签（lightweight）
  • 仅作为某个提交的“指针”，不包含额外信息（如创建者、时间、注释），本质是一个 commit_id 的引用
  • 适合本地临时标记
• 带注释标签（annotated）
  • 完整的标签对象，包含标签名、创建者、时间戳、详细注释等信息，会被 Git 永久存储在仓库中
  • 适合正式版本发布（推荐使用）

创建标签

• 创建带注释标签（推荐）

  1 2	git tag -a <标签名> -m "<标签注释>" # 示例：git tag -a v1.0.0 -m "正式发布 v1.0.0 版本"

  • -a：指定创建带注释标签
  • -m：直接添加注释（若省略，会打开编辑器输入）

• 给历史提交打标签：默认标签是打在当前最新提交上，若要给历史提交打标签，需指定 commit_id （可通过 git log 查看）：

  1 2	git tag -a <标签名> <commit_id> -m "<注释>" # 示例: git tag -a v0.9.0 a1b2c3d -m "修复 bug 后的预发布版本"

• 创建轻量标签：无需 -a 和 -m，直接指定标签名：

  1 2 3

  git tag <标签名> # 默认为当前提交 # 或指定历史提交 git tag <标签名> <commit_id>

查看标签

• 列出所有标签（仅列出标签名）

  1

  git tag

• 按字母顺序排列（非创建时间，仅列出标签名），可加筛选（如查看 v1 开头的标签）

  1	git tag -l "v1.*" # -l 表示筛选（list）

• 查看标签详情：查看带注释标签的完整信息（包括创建者、时间、注释、对应提交等）

  1 2	git show <标签名> # 示例：git show v1.0.0 # 查看 `v1.0.0` 的详情

• 列出远程标签（包含标签 id 和 commit_id 等）

  1	git ls-remote --tags origin

  • 列出的结果会同时包含标签自己的实体 id（如 v1.1.0） 和 对应的 commit_id （如 v1.1.0^{}）

• 列出本地标签（包含标签 id）

  1	git show-ref --tags

推送和拉取远程仓库标签

• 创建的标签默认只保存在本地，需手动推送到远程仓库

• 推送单个标签

  1 2	git push origin <标签名> # 示例：git push origin v1.0.0

• 推送所有本地未推送的标签

  1	git push origin --tags

• 拉取远程仓库所有标签

  1	git fetch origin --tags

• 拉取远程仓库单个标签到指定标签

  1 2 3

  git fetch origin refs/tags/v1.2.0:refs/tags/v1.2.0 # 等价命令 git fetch origin v1.2.0:refs/tags/v1.2.0 # 在不会引起误会的情况下，前面的前缀 refs/tags/ 可以删除，但后面的不可以

  • 本地会新增 v1.2.0 标签，指向与远程该标签相同的 commit
  • 注：refs/tags/v1.2.0 中的 refs/tags/ 是标签的前缀完整命名，是必要的，否则会被当做 branch（实际上 branch 的完整命名是 refs/heads/xx）

删除标签

• 删除本地标签

  1	git tag -d <标签名>

• 删除远程仓库的标签：需先删除本地标签，再推送删除操作到远程：

  1 2	git tag -d <标签名> # 先删本地 git push origin --delete <标签名> # 再删远程

检出标签（查看标签对应的代码）

• 标签是静态的（不可修改），检出标签时会进入“分离头指针”状态（detached HEAD），此时修改不会影响任何分支，适合临时查看历史版本：

  1	git checkout <标签名>

• 若要基于标签修改代码，需创建新分支：

  1	git checkout -b <新分支名> <标签名>

标签管理最佳实践

• 命名时，建议使用语义化版本（如 v<主版本>.<次版本>.<修订号>，例 v2.1.3），清晰区分版本迭代
• 优先使用带注释标签，包含完整信息，便于协作和追溯
• 推送标签前确认，标签一旦推送到远程，尽量避免删除（尤其是已发布的版本标签），如需删除需同步团队
• 发布版本时，在 release 或 main 分支打标签，确保标签对应稳定代码

---

Git 配置相关

• 用户配置查看

  1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18

  # 查看所有配置（含用户信息） git config --list # 查看「当前生效」的用户名/邮箱 git config user.name git config user.email # 查看「当前仓库」的用户配置（仅对当前项目生效） git config --local user.name git config --local user.email # 查看全局「用户」配置（对所有仓库生效，默认常用） git config --global user.name git config --global user.email # 查看系统级用户配置（需管理员权限，Windows 可能需要以管理员打开终端，这个命令很少用） git config --system user.name git config --system user.email

• 用户配置设置

  1 2 3 4 5 6 7

  # 全局配置（所有仓库通用，推荐） git config --global user.name "用户名" git config --global user.email "邮箱" # 仅当前仓库配置（覆盖全局，适合单独项目需求） git config --local user.name "用户名" git config --local user.email "邮箱"

---

Git Blame 使用

整体说明

• git blame 的作用是逐行显示文件的修改记录 ，包括：
  • 每行代码的最后一次提交哈希；提交作者；提交时间；提交行号；代码说明
  • 注意：默认会打印每一行的情况
• 常用于排查 Bug（定位是谁改了这行代码）、了解代码逻辑的修改背景

基础用法说明

• 基本用法

  1 2	# 查看指定文件的逐行修改记录 git blame 文件名

  • 打印每一行的情况，文件的每行对应 terminal 的一行输出

• 常用参数

  • -L：指定查看的行范围（行号/正则）
    • 如：git blame -L 5,10 README.md（查看5-10行）
  • -e：显示作者邮箱（默认只显示用户名）
  • -w：忽略空格变化（避免因空格修改误判）
  • -C：追踪代码的移动/复制（跨文件也能追踪）
    • 默认情况下，git blame 只会显示某行代码最后一次修改的提交记录，但如果这行代码是从其他地方（同一文件/其他文件）复制 / 移动过来的，-C 会穿透这种复制 / 移动操作，追踪到代码最初被添加的提交和文件
    • 注：Git 会将文件拆分成若干个连续的文本块（默认最小 20 行，可通过 –line-porcelain 调整），并为每个块计算一个哈希值（类似文件的 MD5 校验和）
    • 更多参数：
      • -C：只在当前文件的历史版本中比对指纹（识别同一文件内的移动）；
      • -CC：在本次提交的所有文件中比对指纹（识别同提交内的跨文件复制）；
      • -CCC：在整个仓库的所有历史提交 + 所有文件中比对指纹（识别任意来源的复制）
  • --date：自定义时间格式（relative/short/iso）
    • 如：git blame --date=relative README.md（显示“3天前”）

常见用法示例

• 查看指定行范围

  1 2 3 4 5 6 7 8

  # 查看 5 到 10 行的修改记录 git blame -L 5,10 src/main.py # 查看从第5行到文件末尾 git blame -L 5, src/main.py # 通过正则匹配行（比如找包含"def login"的行） git blame -L '/def login/,+5' src/main.py

• 结合提交哈希查看详情

  • git blame 输出的提交哈希可以配合 git show 查看完整提交信息：

    1	git show [commit_id]

  • 这可以看到对应提交的修改

• 忽略空行/注释修改

  1 2	# 忽略空格、空行、注释的修改（更聚焦代码逻辑） git blame -w -M -C README.md