printMax(a,b):

形参，在定义时使用

实参，在调用时会用

1.括号内是形参列表，有多个参数要用逗号隔开

2.形参不需要声明类型，也不需要指定函数返回值类型

3.无参数，也必须保留空的圆括号

4.实参列表必须与形参列表一一对应

import turtle

t=turtle.Pen()

t.circle(50)
t.penup()
t.goto(0,-50)
t.pendown()
t.circle(100)
t.penup()
t.goto(0,-100)
t.pendown()
t.circle(150)
turtle.done()

###  推导式创建序列

#### 列表推导式

[表达式 for item in 可迭代对象]

或者：{表达式 for item in 可迭代对象 if 条件判断}

也可以两个循环

```python

例子1：

y=[x*2 for x in range(1,50) if x%5==0]
print(y)

例子2：

cells=[(a,b) for a in range(1,10) for b in range(1,10)]
print(cells)

```

#### 字典推导式

{key_expression : value_expression for 表达式 in 可迭代对象}

```python

my_text="i love you,i love sxt,i love gaoqi"
char_count={c:my_text.count(c) for c in my_text}#count（）表示字符出现的次数
print(char_count)

```

#### 集合推导式

```python

b={x for x in range(1,100) if x%9==0}
print(b)

```

#### 生成器推导式

一个生成器只能运行一次，迭代第一次后，再迭代就没有数据了

```python

a=(x for x in range(4))
print(tuple(a))#tuple是生成元组的意思

```

用zip()并行迭代

### 循环代码的优化

原则：

1.尽量减少不必要的计算

2.尽可能把东西往循环外面放

3.尽量使用局部变量

```python

import time

start=time.time()
for i in range(3000):
    result=[]
    for m in range(10000):
        result.append(i*1000+m*100)
end=time.time()
print("耗时：{0}".format(end-start))


start2=time.time()
for i in range(3000):
    result=[]
    c=i*1000
    for m in range(10000):
        result.append(c+m*100)
end2=time.time()
print("耗时：{0}".format(end2-start2))

```

### 其他优化手段

1.连接多个字符，使用join（）而不使用+

2.列表进行元素插入和删除，尽量在列表尾部操作

3.zip（）

Step 2：预处理

Step 1：创建自定义数据集

w = torch.rand(16, 3, 5, 5)

= (ker_num, input_channel, ker_size, ker_size)

Input_channels:

• 黑白：1
• 彩色：3

Stocastic: 随即筛选样本

val_set: for detecting overfitting

torch.nn.function

.matmul() 取后两维相乘

unsqueeze:

正：在之前插入

负：在之后插入

.index_select(0, [0, 2])

torch.tensor([2., 3.2])

torch.FloatTensor(2, 3)

Unintialized: 未初始化的tensor

增强学习一般用 DoubleTensor

del 删除变量

I4

numpy数组

1、

浅拷贝 copy :不拷贝子对象的内容，只拷贝子对象的引用。

深拷贝 deepcopy ：连子对象的内存也全部拷贝一份，对子对象的修改不会影响源对象。