阅读python代码的软件 python代码阅读技巧

零基础看深度学习python代码的基本方法

• 0.背景
• 1.前提准备
• 2.🌟一个例子，把方法说清楚

• 2.1 第一步：代码来了，啥也不懂就先运行试试

• 方法1:遇到报错先翻译
• 方法2:遇到报错“复制后百度”

• 2.2 第二步：跑通代码后，逐句写注释

• 方法3:通过打印就知道在干什么了！！
• 方法4:代码拆解观察，逐步看懂整个句子
• 方法5:进入类里，逐句看方法
• 方法6:B站视频法

• 3.总结

• 1. 翻译法（推断法）
• 2. 百度法（检索法）
• 3. 打印测试法（核心🌟）
• 4. 代码拆解法（核心🌟）
• 5. 进入类里观察法
• 6. B站视频法

0.背景

很多同学在深度学习的学习过程中，最头疼的就是看代码，觉得自己看一句不会一句，容易陷入恶性循环。
本教程旨在为大家总结一套基本的代码阅读方法和技巧，帮助大家能够顺利地把代码读通顺。

提前罗列一下方法：
总结一下，方法按照使用顺序包括：

1. 翻译法（推断法）
2. 百度法（检索法）
3. 打印测试法（核心🌟）
4. 代码拆解法（核心🌟）
5. 进入类里观察法
6. B站视频法

1.前提准备

阅读代码之前，你需要准备好一个流行的代码编译器例如pycharm，相信看代码的你，这个已经装好了，如果没装好的话可以看我的其他博文。
如果条件允许，再安装一个jupyter就再好不过了，它能够帮助你快速分析，不必像pycharm那样从头运行代码。

2.🌟一个例子，把方法说清楚

我们拿动手学深度学习（李沐）书上的一段代码，来做例子，讲解python深度学习的基本知识和代码阅读流程：

import d2l
import torch

n_train, n_test, num_inputs, batch_size = 20, 100, 200, 5
true_w, true_b = torch.ones((num_inputs, 1)) * 0.01, 0.05
train_data = d2l.synthetic_data(true_w, true_b, n_train)
train_iter = d2l.load_array(train_data, batch_size)
test_data = d2l.synthetic_data(true_w, true_b, n_test)
test_iter = d2l.load_array(test_data, batch_size, is_train=False)

2.1 第一步：代码来了，啥也不懂就先运行试试

首先，我们把这段代码放到pycharm中运行，看看结果？

我们会发现，从开始就出问题了？报了一堆红色的错误！那怎么办呢？

翻译+百度。

方法1:遇到报错先翻译

翻译：d2l这个模型里没有synthetic_data属性？

注意了，这里补充一个知识点，python中import后面的内容是导入的包（也叫类），包（类）的下面通常有很多方法，通过"包名.方法"的方式，我们可以调用方法下面的方法，方法有时候也称作属性

通过翻译，我们知道d2l下面，没有synthetic_data这个方法，这说明这个包倒入错误！！

方法2:遇到报错“复制后百度”

然后我们去百度检索到底应该用哪个包！

首先，我们复制AttributeError: module 'd2l' has no attribute 'synthetic_data'这段错误到百度中直接搜索，看看会不会有一些解决方案。

大量的方案，告诉我们，就是包里没有这个方法，我们就考虑难道是导入错了？

于是，我们直接去李沐课程官网，找原代码。

确实导入错了，于是我们改写代码，重新运行。

显示process finished with exit code 代表我们的代码没有问题啦，跑通了。

2.2 第二步：跑通代码后，逐句写注释

import math #这一句导入math这个包
import torch # 这一句导入torch包
from d2l import torch as d2l #这一句导入d2l中的torch包，并命名为d2l

# 这一句看不懂了？啥意思啊，几个数，几个点？
n_train, n_test, num_inputs, batch_size = 20, 100, 200, 5

方法3:通过打印就知道在干什么了！！

当遇到看不懂的句子的时候，你需要把他们打印出来看看，是什么，这时候最简单的方法使用jupyter notebook！将代码放入jupyter里，并通过打印看看，每个变量是什么？

print()是一个是一个打印方法，可以帮助我们查看变量，从此我们就学会了，如何查看变量了，就是打印，用jupyter notebook运行后打印，这是一个很重要的代码学习方法，一定要记住，当你不知道代码干了什么的时候，你就打印出来过看，然后你就学会了！！！！

方法4:代码拆解观察，逐步看懂整个句子

import math #这一句导入math这个包
import torch # 这一句导入torch包
from d2l import torch as d2l #这一句导入d2l中的torch包，并命名为d2l

# 这一句代表，为四个变量赋值四个数字，含义就是英语单词的含义
n_train, n_test, num_inputs, batch_size = 20, 100, 200, 5 

#这一句又看不懂了！！什么乱七八糟的啊？ torch.ones()是什么？torch.ones(())是什么？ 
#torch.ones((num_inputs,1))是什么？torch.ones((num_inputs,1))*0.01是什么？ 
#到底这都是什么啊？ 深度学习好难啊！！！！ 要疯掉了！！！
#啥也不会怎么学啊？？？？？
true_w, true_b = torch.ones((num_inputs, 1)) * 0.01, 0.05

每个0基础的代码学习者，都会遇到上面一堆困难，一堆问题。

1. 首先，通过提问题的方式对代码进行拆解，上面已经通过大量的疑问句把这个代码拆解成了很多小段了？
2. 拆解完成之后就是利用上面讲过的方法2：百度和方法3：打印观察来分析每一个小东西是什么，最后弄明白整行代码！
3. 
   

方法2:百度，先去百度torch.ones(())是在干什么？然后你就懂了，他是在生成一个全为1的矩阵。但是这个百度的方法，有时候需要耗费精力。那么你就用方法3:打印

方法3:打印观察

我们发现，torch.ones((2,1))是在生成一个2*1的矩阵，矩阵内容全部是浮点数字1，那么torch.ones((num_inputs,1))就是在生成一个num_inputs行，1列的全为1的矩阵。

那torch.ones((num_inputs, 1)) * 0.01是什么意思呢？

我们继续用方法3:打印测试

我们发现，就是对矩阵里所有的数字进行了乘法操作白～那true_w, true_b = torch.ones((num_inputs, 1)) * 0.01, 0.05这一整句话是什么意思呢？

继续使用方法3:打印测试

通过方法4*拆解和方法3:打印测试，我们一下子就明白了，这句话就是生成一个大小为2*1的值全为0.01矩阵和一个数字0.05，并把矩阵和这个数字分别赋值给true_w，和ture_b。 意思是真实的w和真实的b

方法5:进入类里，逐句看方法

import math #这一句导入math这个包
import torch # 这一句导入torch包
from d2l import torch as d2l #这一句导入d2l中的torch包，并命名为d2l

# 这一句代表，为四个变量赋值四个数字，含义就是英语单词的含义
n_train, n_test, num_inputs, batch_size = 20, 100, 200, 5 

#生成矩阵true_w和数字b
true_w, true_b = torch.ones((num_inputs, 1)) * 0.01, 0.05
# 这一句又看不懂了，啥啊，synthetic_data到底是在干什么？ 是什么啊？
# 真的无语了？哪里来的synthetic_data啊？
train_data = d2l.synthetic_data(true_w, true_b, n_train)

我们在前面普及过了，类里会有很多方法，而d2l就是一个类，synthetic_data就是类里的方法，通过翻译我们知道这个方法名为“人造数据”，我们很容易猜出来，这个方法是用来生成数据的。 但是，我们怎么知道，它到底怎么做的呢？

这个时候，我们需要进去看看，我们通过键盘上的ctrl键+鼠标左键放置在synthetic_data这方法上单击一下，

你会发现，你可以看到方法的全貌了，这样，你就可以把方法摘出来，一句一句分析了。

# 一个方法，输入了3个变量，分别是w,b,num_examples
def synthetic_data(w, b, num_examples):
# 对方法的解释，翻译为：产生 y= Xw+ b + noise
    """Generate y = Xw + b + noise.
    Defined in :numref:`sec_linear_scratch`"""
    # 这句看不懂
    X = d2l.normal(0, 1, (num_examples, len(w)))
    # 这句看不懂
    y = d2l.matmul(X, w) + b
    # 这句看不懂
    y += d2l.normal(0, 0.01, y.shape)
    # 这个是返回了X，d2l.reshape(y,(-1,1))
    return X, d2l.reshape(y, (-1, 1))

你会发现，你看不懂，这里我们仍然采取方法2:百度和方法3:打印测试

通过方法5:进入类里和方法3:百度，我知道饿了d2l.normal是生成符合某种分布的随机数。

然后，也可以直接用我最喜欢的方法3:打印测试，这样就不必百度学方法具体的使用了，我就想知道它到底干了什么就行！

我发现，这句话就是生成尺寸为num_examples*len(true_w)的,0为均值，1为方差的随机数嘛，太简单了

# 一个方法，输入了3个变量，分别是w,b,num_examples
def synthetic_data(w, b, num_examples):
# 对方法的解释，翻译为：产生 y= Xw+ b + noise
    """Generate y = Xw + b + noise.
    Defined in :numref:`sec_linear_scratch`"""
    # 生成尺寸为(num_examples, len(w))的随机矩阵
    X = d2l.normal(0, 1, (num_examples, len(w)))
    # 这句看不懂？ 测试法:矩阵乘法+常数b
    y = d2l.matmul(X, w) + b
    # 这句看不懂？ 测试法：生成均值为0，方差为0.01的和y尺寸相同的随机数矩阵，然后加到y上，其实就是实现了y= Xw+ b + noise
    y += d2l.normal(0, 0.01, y.shape)
    # 这个是返回了X，d2l.reshape(y,(-1,1))
    # d2l.reshape(y,(-1,1))是什么意思呢？ 测试法！！！
    # 通过测试可知，返回num_examples*len(w)尺寸的特征矩阵和num_examples*1的标签矩阵
    return X, d2l.reshape(y, (-1, 1))

y = d2l.matmul(X, w) + b

y += d2l.normal(0, 0.01, y.shape)

d2l.reshape(y, (-1, 1))

上图发现，没有变化啊

我们再改造一下

哦～ 懂了，就是reshape重塑的意思，按照行数随意（-1）代表随意，列数为1，对矩阵重新改造形状。

方法6:B站视频法

对于很多不懂的知识,除了百度法之外,如果不喜欢文字类解释,还可以去B站找视频学习,有很多创作者上传了各种知识的不同讲解,多看几个,你就会总结出自己的见解啦.
https://www.bilibili.com/

3.总结

方法讲完了，剩下这几句就不管了。

train_iter = d2l.load_array(train_data, batch_size)
test_data = d2l.synthetic_data(true_w, true_b, n_test)
test_iter = d2l.load_array(test_data, batch_size, is_train=False)

总结一下，方法按照使用顺序包括：

1. 翻译法（推断法）

2. 百度法（检索法）

3. 打印测试法（核心🌟）

4. 代码拆解法（核心🌟）

5. 进入类里观察法

6. B站视频法