Bash——命令分隔符

在 Linux Bash 命令中，有;,&&,||三种命令链接方式，本文将介绍他们之间的区别

三种连接方式的区别

;：各个命令之间相互独立，不管前面的语句是否成功执行，所有命令都将被执行
&&：命令依次被执行，只有当前面的命令执行成功后，后面的命令才会被执行
||：命令依次被执行，只有当前面的命令执行失败后，后面的命令才会被执行

MySQL——引擎比较说明

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——命令总结

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

Math——梯度和微分的理解

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

Python——easydict包的使用

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：

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：

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：

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：

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：

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

Python——heapq模块-最大堆最小堆

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

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

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

Python——iter函数的用法

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

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

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

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

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

Python——field的用法

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：

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）

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

@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

@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：

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

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

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）

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

General——各种镜像源的管理

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

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：

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

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

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

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

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

# 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

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

Git——GitHub-Pages的CNAME设置

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

Joe Zhou

Stay Hungry. Stay Foolish.

GitHub E-Mail

三种连接方式的区别

关于引擎

不同引擎的事务支持说明

附录：事务的理解

init

hexo new

generate

deploy

npm install

hexo clean

hexo server

微分的定义与理解

梯度的定义与理解

直观理解

关于梯度的模 \(|\nabla f|\)

附录：其他参考博客

整体说明

安装 EasyDict

使用示例

EasyDict 和 namedtuple 对比

本质与继承关系

数据访问方式

可变性

定义类情况

适用场景

其他差异

使用示例

最大堆的实现

整体说明

iter()函数的基本用法

自定义迭代器（无终止迭代）

自定义迭代器（终止迭代）

附录：Iterable 和 Iterator 的区别

附录：特别说明 iter() 的第二个参数

附录：for 循环和 __iter__ 函数的用法

原理拆解：for 循环的执行流程

如何自定义 iterable 对象？

整体说明

dataclasses.field()

dataclasses.field() 基础语法

dataclasses.field() 常用示例

pydantic.Field（第三方库，数据校验）

pydantic.Field 基础语法

pydantic.Field常用示例

三、pydantic.Field 和 dataclasses.field 区别

使用注意：

pip 镜像源

查看源

修改方法:

临时修改

永久修改

镜像列表

Ubuntu 源

修改方法

镜像源列表

中科大源

163 源

清华源

Centos 源

修改方法

镜像源列表

网易源

阿里源

Mac brew 源

conda 源

conda 源的分类

以清华源为例

CNAME是什么

GitHub Pages中使用CNAME时遇到的问题

解决方案

`iter()`函数的基本用法

附录：特别说明 `iter()` 的第二个参数

附录：for 循环和 `iter` 函数的用法

如何自定义 `iterable` 对象？