Python里面这些点，据说80%的新手都会一脸懵逼

菜鸟学Python 菜鸟学Python 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 300+累计阅读 317平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄9年
关注
原创 最新推荐文章于 2026-05-14 05:35:14 发布 317 阅读 AI 写同款· GEO 优化 ›
版图学习汇总十一（DRC、LVS注意事项） esd。 阅读详情

Python虽然语法简单，通俗易懂，但是再简单它也是一门语言，就像一棵大树，总有一些树枝是弯弯绕绕的，让新手看完之后一脸懵逼，今天我们就来说说这几个点，反正我学的时候是很困惑的！

01.函数里面的 *args

1).可变参数

    这个是什么鬼，尤其是有其他c,c++语言基础的人，看到这个点，一定懵逼了，难道是指针,两个**又是什么鬼？

    其实这个Python里面的函数入参的几种形式，假如你来设计一个语言，一个函数fun(),里面要传参数进来，要考虑扩展性：变量会有很多种形态，有可能是变量，也可能是数组，也可能是结构体，或者是哈希数组。

    比如你有一个累加功能的函数：

    每次调用函数都要传一个列表或者元组进去，非常死板，不灵活,如果我要传多个列表，多个变量，我又不想改接口，但是改成下面这样就灵活很多：

    *args:表示可变参数，就是传入的参数个数是可变的，可以是1个、2个到任意个或者0个，其实就是把一堆参数当作一个数组(Python列表或者元组传递进来)。

    02.关键字参数 **kwargs

    关键字参数可以让你输入0或者多个含参数名的参数，并且自动组装为一个字典

    你函数的接口设定为**kwargs，这样的好处，一个是灵活，扩展性好，也就是说我预留的了扩展的接口，你程序调用的时候可以根据自己的需求传1个，多个或者不传都可以。

    另外：不用太纠集args和kwargs这些英语单词，只是大家约定这么叫而已

    03.脸萌的@property

    有其他经验的程序员，看到这个奇奇怪怪的@加一个关键字，一定是一脸懵逼，这其实是Python类里面的一些封装。这些都是类的内置装饰器，有一些特殊的用途！

    1).装饰器@property

    我们大部分人都比较熟悉比如Java的get/set方法,比如：

    2).但是这样写比较麻烦，需要通过函数get/set 来访问属性

    有木有直接对属性进行操作的同时就可以对属性进行处理，比如我们调用student.score=88,这一个时候会自动调用set_score函数，这样就非常灵活和简便！

    Python里面为了简洁和优雅，设计了@property 

    对于外边访问的属性score,我们通过Python类中的property装饰器对它进行升级，改造，让它能变的更加灵活和强大！

    其实它就是绑定了一些方法(fget,fset和fdel).尤其是你对属性进行升级功能而不改变外边代码的时候，这一招就非常有用！

    04.傻傻分不清@classmethod和@staticmethod

    看完了上面的property,刚刚回过神，现在又来了两个更大的家伙是啥，其实这个两个类装饰器都是类里面的概念！

    只要是写代码最后一定会走到类，而类的封装和扩展是必须要掌握的，如何能有更好的封装性呢，classmethod和staticmethod就派上用场了！

    1).假如有一个场景,计算日期的类

    2).更改需求，如果我们传入的类初始化是字符串型日期

    我们目前的类的init函数是一个三个参数的，如果我们希望我们传入一个字符串性的日期"2018-10-8",然后返回像上面的日期2018/10/8，怎么办呢？

    传统的做法：

    str_date="2018-10-8"
year,month,day=str_date.split("-")
d=Date(int(year),int(month),int(day))
print (d)

    这样的做法会导致每次初始化的时候，都要先分割成3个参数再导入类，非常麻烦！

    @staticmethod(类的静态方法就派上场)

    通过静态函数，直接内置了分割的功能，会简洁很多，而且封装性也好很多！

    3).但是静态方法也有弊端

    因为静态方法是硬编码，如果我们修改了Date这个类的名字，比如叫MyDate这样的话，会导致我们写的format_date里面的代码也要改，因为我们直接是return Date()... ,好这个时候类方法classmethod上场了！

    我们申明了一个类方法format_date2,里面有一个非常关键的变量cls,其实它就是类本身，这样无论我们把类的名字改成什么，都没有关系，因为我们返回的就是cls(...),这样代码的柔性就强了很多！

    有同学看到这里会问，那静态函数还有什么用处，类方法都能代替了！在做一些类的预处理，或者条件判断的时候，静态函数还是很有用的！

    05.super是啥

    都说Python语言跟英语很类似，语法简单，通俗易懂，但是看到super这样关键字的时候，会有点懵懂！

    其实只要是面向对象的语言，都有类的继承啊，组合等等。Python当然也有这样的设计，其实如果学过Java会非常好理解！比如子类要调用父类的方法，或者覆盖父类的方法都会用到super().

    1).调用父类的方法

    有的同学说我是不是可以直接调用A.say_hello(self)，最好不要，涉及多重继承的时候就会有问题

    2).初始化父类的__init__方法

    06.ABC模块

    新手有的时候看到下面的代码会很懵，有点丈二和尚摸不着头脑的赶脚：

    C++里面有抽象基类的概念，Python里面的类在设计的时候，也考虑到了这一点，但是由于Python本身的特性是一切皆对象，大部分的时候都依赖鸭子类型。

    为了完成抽象基类的功能，借助了第三方模块abc(abc是抽象类的缩写，不是英语abc的意思)

    b=Bird()
TypeError: Can't instantiate abstract class Bird with abstract methods fly

    Bird继承ABC,也就是说Bird是一个抽象类，不能被初始化，比如你初始化一下，会报错的。

    这个类的目的就是让继承它的子类一定要实例化fly函数，否则子类也永远无法实例化

    其实当你完全熟悉这些用法之后，你要开始思考Python为啥要这么设计，慢慢的你就会领悟Python这门语言的设计思想，而不是只是看它的招式，当你明白里招式背后的含义，恭喜你，你的功力又大涨了！

    最后推荐一下我们菜鸟学Python在B站的学习资料，菜鸟学Python在B站的官方名字为 “菜鸟玩Python”。目前已经录制了6个视频，累计有1.2万阅读。

    • 用Python做一个弹球游戏

    • 10行Python代码实现美图秀秀

    • 用Python做一个元宵节灯谜

    • 我用Python集齐五福

    • 50行代码，用Python批量做海量小姐姐的素描图

    • 用Python做一个缩放自如的圣诞老人

    点击阅读原文，直达菜鸟玩Python B站

    版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
    黑猫带你学eMMC协议第4篇：eMMC概述 1 前言 声明： 本文依据eMMC JEDEC5.1协议及个人工作经验整理而成，如有错误请留言。 文章为个人辛苦整理，付费内容，禁止私自转载。 本文大约3000字，从emmc的内部结构框架、供电、总线、寄存器等各方面进行框架性的介绍，本章节内容不需要深入研究，读完本篇文章，只要能对emmc有个框架下的了解，就可以了。 2 内部结构框架 由图可以看出，emmc内部由两块组成：控制器 + 存储介质。emmc内部存储介质绝大部分为nand flash。 众所周知，我们需要存储数据到nand flash中，并 阅读详情

    相关推荐

    ENVI5.6 自动化流程：GF系列卫星影像批处理与质量优化

    本文详细介绍了如何利用ENVI5.6构建针对GF-2、GF-6、GF-7系列卫星影像的自动化批处理流水线。通过配置Batch Processing工具，实现从正射校正到图像融合的全流程批量处理，并分享参数设置、质量监控与故障排查的实战经验，旨在显著提升海量遥感影像的处理效率与成果质量。

    efc1234567的博客 604

    python的点号“.“都能用来做什么

    print(random.randint(1, 10)) # 输出 一个 1 到 10 之间的随机整数在这个例子中，点号 "." 用来调用 random 模块中的 randint() 函数，该函数返回一个指定范围内的随机整数。

    YHq492的博客 8876

    Verilog中generate for循环的5个实战技巧（附完整代码示例）

    本文详细介绍了Verilog中generate for循环的5个高级实战技巧，包括参数化模块实例化、条件化生成、多维硬件结构实现等，并附有完整代码示例。这些技巧能显著提升FPGA开发效率，特别适合中级Verilog开发者学习应用。

    weixin_28725949的博客 187

    python中的点表示什么_Python里面这些点，据说80%的新手都会一脸懵逼

    01.函数里面的 *args1).可变参数这个是什么鬼，尤其是有其他c,c++语言基础的人，看到这个点，一定懵逼了，难道是指针,两个**又是什么鬼？其实这个Python里面的函数入参的几种形式，假如你来设计一个语言，一个函数fun(),里面要传参数进来，要考虑扩展性：变量会有很多种形态，有可能是变量，也可能是数组，也可能是结构体，或者是哈希数组。比如你有一个累加功能的函数：每次调用函数都要传一个列...

    weixin_39898550的博客 949

    避坑指南：汇川SV660N配合SOEM时，PDO映射与CiA402状态机那些容易出错的地方

    本文深入解析汇川SV660N伺服驱动与SOEM主站在PDO动态映射和CiA402状态机切换中的常见问题，提供实战代码和调试技巧。重点解决PDO配置时序、状态机转换同步等关键难点，帮助工程师避免典型错误，实现稳定通信与控制。

    weixin_30653023的博客 498

    FPGA实战：用DDR3和乒乓操作解决视频帧撕裂问题（附Verilog代码）

    本文详细介绍了如何利用DDR3内存和乒乓操作架构解决FPGA视频处理中的帧撕裂问题。通过多帧缓存原理、AXI接口配置和自适应乒乓操作设计，有效隔离读写操作，确保视频流稳定传输。文章包含Verilog代码实现和性能优化技巧，适用于工业相机、医疗影像等高速视频处理场景。

    m2n3b4v5c6的博客 291

    python里的点_Python里面这些点，据说80%的新手都会一脸懵逼

    01.函数里面的 *args1).可变参数这个是什么鬼，尤其是有其他c,c++语言基础的人，看到这个点，一定懵逼了，难道是指针,两个**又是什么鬼？其实这个Python里面的函数入参的几种形式，假如你来设计一个语言，一个函数fun(),里面要传参数进来，要考虑扩展性：变量会有很多种形态，有可能是变量，也可能是数组，也可能是结构体，或者是哈希数组。比如你有一个累加功能的函数：每次调用函数都要传一个列...

    weixin_35025310的博客 1676

    海康工业相机 Could not find module MvCameraControl.dll（已解决）

    【代码】海康摄像机 Could not find module MvCameraControl.dll（已解决）

    hmbbpdx的博客 2225

    python中的点号

    在正则表达式中，点号（.）可以代表任何除了换行符（ ）以外的字符。例如，在正则表达式中，xixi.*可以匹配xixi后面跟着任意数量的任何字符的字符串，这里的*表示前面的字符（包括由点号代表的任何字符）可以出现零次或多次。此外，点号和星号的组合使用可以标识前面的字符，星号可以代表中间任意多个除了换行符以外的任意字符。综上所述，Python中的点号根据其使用的上下文环境不同，可以具有不同的含义和用途。在Python语言中，点号（.）是一个常见的运算符，用来访问对象的属性和方法。python中的点号。

    2402_86193645的博客 745

    Proteus一体化安装STC15库添加

    Proteus一体化安装与STC15库添加指南 本文详细介绍了Proteus 8.9 SP2专业版的一体化安装流程和STC15系列单片机库文件的添加方法。安装过程简单快捷，无需破解，稳定性好。通过将两个库文件(Lib和LIB)复制到Proteus安装目录的DATA/LIBRARY文件夹中，即可实现STC15W4K32S4芯片的仿真功能。文中还提供了新建工程和器件放置的步骤说明，特别指出STC15W4K32S4芯片可兼容仿真其他STC15系列芯片，并附带下载链接获取资源。该教程适用于电子设计初学者和开发者。

    #法外狂徒张三的博客 4万+

    RK3588开发笔记-ES8311音频芯片调试记录

    本篇博客主要记录如何在RK3588平台试ES8311音频芯片的过程。这包括硬件连接、内核配置、驱动程序调试和测试步骤。通过以上步骤，我们成功在RK3588平台上调试了ES8311音频芯片。这包括硬件连接、内核配置、设备树配置、驱动加载以及音频测试。希望这篇调试记录能为其他开发者提供一些帮助。如果你有任何问题或建议，欢迎留言讨上调论。

    flypig has a dream！ 3165

    Python语言学习之特殊符号讲解：百分号%/点/双点/反斜杠(转义符)/单斜杠/双斜杠/用法(如去掉中括号)之详细攻略

    Python语言学习之特殊符号讲解：点/双点/反斜杠(转义符)/单斜杠/双斜杠/用法(如去掉中括号)之详细攻略 目录 百分号% 1、百分号%表示模运算 2、百分号%表示格式化输出，有转换字符的作用 点/双点用法 反斜杠 1、转义符 单斜杠/双斜杠/用法 1、双斜杠//用法 案例应用集锦 1、如去掉中括号 百分号% 1、百分号%表示模运算 模运算，相当于mod，计算除法的余数，比如7%3就得到1 2、百分号%表示格式化输出，有转换字符的作用 符号

    头部AI社区如有邀博主AI主题演讲请私信—心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，专注，谦虚，自律，反思，成长，还算比较正能量的博主，公益免费传播…内心特别想在AI界做出一些可以推进历史进程影响力的技术(兴趣使然，有点小情怀，也有点使命感呀 1万+

    HyperLynx（十五）多板仿真

    在对话框的“Design file#1”下拉列表中选择“B00，Mainboard”，在其下方的“Reference designators”列表中选择元器件“J1”，然后在“Designfile#2”下拉列表中选择“BO1、RAM1”，在其下方的“Refer ence designators”列表中选择元器件“J1”，单击“Insert”按钮，为这两个元器件建立互连映射。在“Assign Models”对话框中，选择“B00 Motherboard”，将“U16.B12”设置为输出。

    小幽余生不加糖 5062

    python 点_Python里面这些点，据说80%的新手都会一脸懵逼

    Python虽然语法简单，通俗易懂，但是再简单它也是一门语言，就像一棵大树，总有一些树枝是弯弯绕绕的，让新手看完之后一脸懵逼，今天我们就来说说这几个点，反正我学的时候是很困惑的！01.函数里面的 *args1).可变参数这个是什么鬼，尤其是有其他c,c++语言基础的人，看到这个点，一定懵逼了，难道是指针,两个**又是什么鬼？其实这个Python里面的函数入参的几种形式，假如你来设计一个语言，一个函...

    weixin_39605278的博客 344

    老版QQ原生表情gif动态

    这是老版的QQ表情，不过全是动态的的，Windows照片查看器是不会动的，可以右击用浏览器打开查看，再说一遍是老版的，只是分享给宁愿用老版也要动态的人。

    假人有限元模型

    假人模型，车辆碰撞假人有限元模型，适合做乘员安全的研究者利用

    Python里面这些点，据说80%的新手都会一脸懵逼，不信就往下看......

    Python虽然语法简单，通俗易懂，但是再简单它也是一门语言，就像一棵大树，总有一些树枝是弯弯绕绕的，让新手看完之后一脸懵逼，今天我们就来说说这几个点，反正我学的时候是很困惑的！ 01.函数里面的 *args 1).可变参数 这个是什么鬼，尤其是有其他c,c++语言基础的人，看到这个点，一定懵逼了，难道是指针,两个**又是什么鬼？ 其实这个Python里面的函数入参的几种形式，假如你来设计...

    weixin_42142987的博客 162

    深度学习工具包 DeepLearningToolbox

    深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

    一脸懵逼。。

    我解压来自同一个制作方的视频一直报错。。。我一直以为是压缩有问题。。。 今天安装winrar5.5之后秒解，才发现制作方用的是rar5压缩。。。 发现，WinRAR4是解压不了rar5，但是文件后缀都是rar。 继而发现，rar只是中国火，丢给外国佬rar他们不会弄。 深入发现，mac讨厌rar。 再深入发现，zip不支持Unicode文件名，解码可能造成文件名乱码？ 日了dog...

    weixin_34268579的博客 91

    STM32F407中文手册

    STM32f407中文手册 本参考手册面向应用开发人员，提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列，各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性，请参见数据手册。有关 ARM Cortex™-M4F 内核的信息，请参见《Cortex™-M4F 技术参考手册》。

    Python基础没掌握好，据说80%的新手碰到这些问题都会一脸懵逼

    Python虽然语法简单，通俗易懂，但是再简单它也是一门语言，就像一棵大树，总有一些树枝是弯弯绕绕的，让新手看完之后一脸懵逼，今天我们就来说说这几个点，反正我学的时候是很困惑的！ 01.函数里面的 *args 1).可变参数 这个是什么鬼，尤其是有其他c,c++语言基础的人，看到这个点，一定懵逼了，难道是指针,两个**又是什么鬼？ 其实这个Python里面的函数入参的几种形式，假如你来设计一个语言...

    老K带你学Python 304

    从 “一脸懵” 到 Web 题 “稳拿分”：CTF Web 方向入门到进阶全攻略

    很多新手觉得 CTF Web “知识点太多”，但其实入门后会发现 —— 漏洞原理翻来覆去就那几类，题目套路也有规律。从今天开始，先搭好 Burp，刷一道 “前端逻辑绕过” 的题，你会发现：“原来 Web 题这么有意思！文章来自网上，侵权请联系博主互动话题：如果你想学习更多网安方面的知识和工具，可以看看以下题外话！

    QIANDXX的博客 865

    新手必看！Python处理股票复权数据的3种方法对比

    搞量化三年，见过太多人在复权数据上翻车。有个客户策略实盘前让我检查，结果发现他用的是未复权数据做均线策略，回测收益虚高了40%！所以真心建议：无论你用哪种方法，至少找专业的人帮你复核一次。我们营业部现在开户就送数据校验服务，有问题随时找我唠嗑。下次准备写《Python处理Level2行情容易踩的5个坑》，想看的评论区扣1，开户客户优先获取哦~

    wencaitouzi的博客 1079
    上一篇： 这是一个适合深度学习初学者的一个工具，2个小时立即开挂！
    下一篇： 30行Python代码来绘制一个微信图标
    点赞 0
    评论 0
    书签 书签 1
    菜鸟学Python
    菜鸟学Python
    博客等级 码龄9年 8088粉丝 571原创
    + 关注
    评论
    成就一亿技术人!
    拼手气红包6.0元
    还能输入1000个字符
     
    表情包 插入表情
    表情包 代码片
     条评论被折叠 查看
    添加红包

    请填写红包祝福语或标题

    个

    红包个数最小为10个

    元

    红包金额最低5元

    当前余额3.43元 前往充值 >
    需支付：10.00元
    成就一亿技术人!
    领取后你会自动成为博主和红包主的粉丝 规则
    hope_wisdom
    发出的红包
    实付元
    使用余额支付
    点击重新获取
    扫码支付
    钱包余额 0

    抵扣说明：

    1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
    2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

    余额充值