Doi技术团队

# 您可以使用内置的“issubclass()”检查类继承关系

>>> class BaseClass: pass
>>> class SubClass(BaseClass): pass

>>> issubclass(SubClass, BaseClass)
True
>>> issubclass(SubClass, object)
True
>>> issubclass(BaseClass, SubClass)
False

# Python 3允许使用unicode变量名:

>>> π = math.pi
>>> class Spin̈alTap: pass
>>> Spin̈alTap()
<Spin̈alTap object at 0x10e58d908>

# 然而，只有类似字母的字符可以工作

>>> 🍺 = "beer"
SyntaxError:
"invalid character in identifier"

# "globals()"返回当前范围内所有全局变量的dict:

>>> globals()
{...}

# “locals()”执行相同的操作，但对当前范围内的所有局部变量都适用

>>> locals()
{...}

# Python 3.3+有一个std lib模块，即使在Python“dies”(例如节段错误)时也可以显示回溯

import faulthandler
faulthandler.enable()

# 也可以通过命令行中的“python -X faulthandler”来启用。

天授 是一个基于 PyTorch 的深度强化学习平台。

CartPole-v0 是一个很简单的离散动作空间场景，DQN 也是为了解决这种任务。在使用不同种类的强化学习算法前，您需要了解每个算法是否能够应用在离散动作空间场景 / 连续动作空间场景中，比如像 DDPG [LHP+16] 就只能用在连续动作空间任务中，其他基于策略梯度的算法可以用在任意这两个场景中。

# 虚拟环境("virtualenvs")将项目依赖关系分离开来。
# 它们可以帮助您避免包和Python运行时的不同版本之间的版本冲突。

# 在创建和激活virtualenv之前:“python”和“pip”映射
# 到python解释器的系统版本（ Python 2.7）
$ which python
/usr/local/bin/python

# 让我们使用另一个版本的Python创建一个新的virtualenv(Python 3)
$ python3 -m venv ./venv

# virtualenv只是一个“文件夹中的Python环境”
$ ls ./venv
bin      include    lib      pyvenv.cfg

# 激活virtualenv可以配置当前shell会话，
# 以使用来自virtualenv文件夹的python(和pip)命令，而不是全局环境
$ source ./venv/bin/activate

# 请注意，激活一个virtualenv是如何修改shell提示符的，
# 提示中显示了virtualenv文件夹的名称
(venv) $ echo "wee!"

# 使用active virtualenv，“python”命令映射到active virtualenv
# 内部的解释器二进制
(venv) $ which python
/Users/dan/my-project/venv/bin/python3

# 使用“pip”安装新的库和框架，现在就会将它们安装到virtualenv沙箱
# 中，这样全局环境(以及其他virtualenvs)就不会被修改
(venv) $ pip install requests

# 要回到全局Python环境，请运行以下命令
(venv) $ deactivate

# 看看提示符是如何再次变为“正常”的
$ echo "yay!"

# 停用virtualenv将“python”和“pip”命令翻转回全局环境
$ which python
/usr/local/bin/python

# Python的' for '和' while '循环支持' else '子句，
# 该子句仅在循环结束而没有碰到' break '语句时执行。
def contains(haystack, needle):
    """
    Throw a ValueError if `needle` not
    in `haystack`.
    """
    for item in haystack:
        if item == needle:
            break
    else:
        # 这里的“else”是一个“completion子句”，
        # 它只在循环运行到补全而没有碰到“break”语句时运行。
        raise ValueError('Needle not found')


>>> contains([23, 'needle', 0xbadc0ffee], 'needle')
None

>>> contains([23, 42, 0xbadc0ffee], 'needle')
ValueError: "Needle not found"


# 就个人而言，我不喜欢循环中的“else”“completion子句”，
# 因为我觉得它很混乱。我宁愿做这样的事
def better_contains(haystack, needle):
    for item in haystack:
        if item == needle:
            return
    raise ValueError('Needle not found')

# 注意:通常您会编写类似这样的内容来进行成员资格测试，
# 这更符合python的风格
if needle not in haystack:
    raise ValueError('Needle not found')

# Python的' for '和' while '循环支持' else '子句，该子句仅在循环结束而没有碰到' break '语句时执行。
def contains(haystack, needle):
    """
    Throw a ValueError if `needle` not
    in `haystack`.
    """
    for item in haystack:
        if item == needle:
            break
    else:
        # 这里的“else”是一个“completion子句”，
        # 它只在循环运行到完成时没有碰到“break”语句时运行
        raise ValueError('Needle not found')


>>> contains([23, 'needle', 0xbadc0ffee], 'needle')
None

>>> contains([23, 42, 0xbadc0ffee], 'needle')
ValueError: "Needle not found"

# 就个人而言，我不喜欢循环中的“else”“completion子句”，
# 因为我觉得它很混乱。我宁愿做这样的事
def better_contains(haystack, needle):
    for item in haystack:
        if item == needle:
            return
    raise ValueError('Needle not found')

# 注意:通常您会编写类似这样的内容来进行成员资格测试，
# 这更符合python的风格
if needle not in haystack:
    raise ValueError('Needle not found')

# 检查列表中所有项是否相等的python方法

>>> lst = ['a', 'a', 'a']

>>> len(set(lst)) == 1
True

>>> all(x == lst[0] for x in lst)
True

>>> lst.count(lst[0]) == len(lst)
True

# 我从“最python化”到“最python化”，从“最低效”到“最高效”。
# len(set())解决方案是惯用的，但是构造一个集合在内存和速度方面效率较低。

# 在Python 3.4+中，可以使用context .suppress()选择性地忽略特定异常

import contextlib

with contextlib.suppress(FileNotFoundError):
    os.remove('somefile.tmp')

# 这相当于:

try:
    os.remove('somefile.tmp')
except FileNotFoundError:
    pass

# contextlib.suppress docstring: 
#
# "返回一个上下文管理器，如果在with语句的主体中出现任何指定的异常，该上下文管理器
# 将抑制这些异常，然后在with语句结束后继续执行第一个语句。

# 在Python3中，你可以使用一个“*”的星号。在函数参数列表中强制执行调用者使用关键字参数的某些参数：
>>> def f(a, b, *, c='x', d='y', e='z'):
...     return 'Hello'

# 为了传递c、d和e的值，您需要显式地将其作为“key=value”命名的参数传递
>>> f(1, 2, 'p', 'q', 'v')

TypeError: 
"f() takes 2 positional arguments but 5 were given"

>>> f(1, 2, c='p', d='q',e='v')
'Hello'

# Python 3.5+允许传递多个集合关键字参数（“kwargs”）到一个#函数在单个调用中使用“**”语法

>>> def process_data(a, b, c, d):
>>>    print(a, b, c, d)

>>> x = {'a': 1, 'b': 2}
>>> y = {'c': 3, 'd': 4}

>>> process_data(**x, **y)
1 2 3 4

>>> process_data(**x, c=23, d=42)
1 2 23 42

Object.create(Array).length === 1 //true

Object.keys(Object.create(Array)).length === 0 //true

为什么呢？

wtfjs 收集了一些反常识的 js 代码片段，但这些代码的执行流程都是有文档可参考的，本系列主要是通过解释这些代码来帮助读者复习与进一步了解 JavaScript。

!! 与 == 的转换规则一样吗？详细的转换规则是什么？

去抖和节流是什么？是怎么减少频繁操作的？如何实现这两个函数？

conda create -n 【环境名称】 --clone 【被克隆环境路径】

如下：

conda create -n Pytorch --clone ./envs/Pytorch 

TNN：由腾讯优图实验室打造，移动端高性能、轻量级推理框架，同时拥有跨平台、高性能、模型压缩、代码裁剪等众多突出优势。TNN 框架在原有 Rapidnet、ncnn 框架的基础上进一步加强了移动端设备的支持以及性能优化，同时也借鉴了业界主流开源框架高性能和良好拓展性的优点。

MNN 是一个轻量级的深度神经网络推理引擎，在端侧加载深度神经网络模型进行推理预测。目前，MNN 已经在阿里巴巴的手机淘宝、手机天猫、优酷等 20 多个 App 中使用，覆盖直播、短视频、搜索推荐、商品图像搜索、互动营销、权益发放、安全风控等场景。此外，IoT 等场景下也有若干应用。

下面就介绍如何使用 MNN 在 Android 设备上实现图像分类。

一行代码实现人脸检测，人脸关键点检测和戴口罩检测。

本项目是使用 Paddle Lite 的 C++ 实现的人脸检测，人脸关键点检测和戴口罩检测，并将编译好的动态库和静态库部署在 Android 应用上，在 Android 设备上实现人脸检测，人脸关键点检测和戴口罩检测，所以本应不会使用到 C++ 开发，可以只使用笔者提供的 JNI 接口实现这些功能。在 ai 这个 module 是笔者在开发时使用到的，读者在使用这个项目时，完全可以删除掉，如果是看 C++ 实现，也可以看这个 module 的源码。