工作中常用的100个知识点

zcg19422024-08-30 15:10
  1. Permission deniedGit解决Permission denied, please try again问题_git permission denied, please try again.-CSDN博客

cd ~/.ssh/ 回车，进入.ssh路径下；

接下来在.ssh路径下配置全局的name和email，输入以下命令：

git config --global user.name "xxxxx"

git config --global user.email "xxxxx@xx.com"

ssh-keygen -t rsa -C "xxxx@xxxx.com"

就生成了两个文件：id_rsa和id_rsa.pub

在SSH Keys页面里，在页面的右上角点击添加add SSH keys，将之前生成的两个文件中的id_rsa.pub文件里的内容粘贴到key文本框里

  1. conda 会安装对应的依赖深度学习基础------pip和conda - 知乎

Pip install 和Conda install 的区别和使用场景_conda install和pip install-CSDN博客

Pip 只能安装 python 语言写的包，而 conda 可以安装任何语言写的包

sudo apt-get install python3-opencv

or

conda install -n your-env-name opencv

  1. 没有CXXABI1.3.8CXXABI_1.3.8 not found-腾讯云开发者社区-腾讯云

strings /usr/lib64/libstdc++.so.6|grep CXXABI

  1. opencv版本

5.pip freeze >requirements.txt，conda list也可以看到当前环境的安装包

conda create -n demo python==3.10.8

conda activate your_env_name

pip install -r requirements.txt #根据文件类安装包

conda deactivate

  1. torchrun命令进行容错处理Pytorch 多卡并行（2）------ 使用 torchrun 进行容错处理_51CTO博客_pytorch多gpu并行

  2. vim 大写G跳转到最后一行。

8.利用卷积实现ssim计算。https://github.com/Po-Hsun-Su/pytorch-ssim/blob/master/pytorch_ssim/init.py

类似于协方差

  1. 把laplace，sobel，

roberts图像分析：边缘检测中的梯度算子 - 简书

sobel

laplace

10.torch.nn.functional.interpolate(

基本等效于opencv中的resize，可以选择放大系数，也可以指定放大到的尺寸。

但是需要注意的是tensor中的尺寸一般是四维，NCHW，interpolate也只是对后面的两个维度操作。

此外还有一个align_corners参数：F.interpolate------数组采样操作-CSDN博客

  1. state_dict，保存模型结构信息，比如卷积权重和偏置。optimizer对象也会有它自己的state_dict

【PyTorch技巧1】详解pytorch中的state_dict - 知乎

比如conv1这个结构，

self.conv1 = nn.Conv2d(3, 6, 5)

输入通道3，输出通道6，那么就意味着有6个卷积，每个卷积有三个通道，尺寸是(5,5).

不光是模型，模型训练相关的配置文件parse也可以以字典的形式，使用torch.save进行保存

torch.save(parse.__dict__,"./xxx.pkl")
  1. pkl和pth

本质没什么区别，主要看保存的时候是否连同模型结构一起保存了，还是说只保存了参数。

torch.save(model.state_dict(), 'mymodel.pth')
torch.save(model, mymodel.pth)

只保存了参数便于灵活加载部分参数。如果只保存了参数，就要先实例化一个模型，然后再load参数。load参数后再用load_state_dict加载参数：PyTorch框架训练的几种模型区别_.pth.tar-CSDN博客

import torch
model = MyModel() # init your model class, build the graph shape
state_dict = torch.load('model_state_dict.pth')  // 先load字典
model.load_state_dict(state_dict，strict=True)    // 再更新到模型中，要求模型和参数严格对应
torch.save(model.state_dict(), 'model_state_dict1.pth')

13.optimizer = torch.optim.Adam(model.parameters(), lr=args.lr, weight_decay=args.weight_decay)

14.lsb_release -a，可以看到linux的发型版本是centos，使用yum安装，而不上apt-get

  1. docker run --gpus all 时提示unknown flags，docker -v查看版本，发现clinet版本是17.12.1-ce，server版本是24.0.5，然后sudo apt-get install docker-ce安装最新的社区版，这时两个版本都是24.0.2，这时就可以在docker中使用gpu了

16.服务器往本机传输数据。先在本机上开启ssh服务。

sudo apt-get install openssh-server

sudo service ssh start

在本机上测试ssh 可以连接本机，

然后在服务器上使用scp传输到本机。

  1. nohup command > output.log 2>&1 &

其中 2>&1是用来将标准错误2重定向到标准输出1中。1前面的&是为了让bash将1解释成标准输出而不是文件1。而最后一个&是为了让bash在后台执行。

18.把已有的conda虚拟环境打包成docker

将conda环境打包成docker步骤_将conda环境打包成docker镜像-CSDN博客

19.make命令和makefile

【Linux】 自动化编译工具make_make编译-CSDN博客

makefile文件使得文件之间的依赖关系更清楚，使用make编译时可以高效地重新编译改动的文件。

make -j8会以8个线程编译，make会在当前目录下找名字叫"Makefile"或"makefile"。

依赖关系以冒号的形式指定，依赖关系的下一行tab之后通常就是调用gcc的依赖方法，是真正要执行的动作。

Android底层开发（4）_android底层开发所需资源-CSDN博客

https://www.cnblogs.com/fog2012/p/5849207.html

如果是使用NDK编译，需要android.mk文件，这个本质也是makefile文件？

分析一个最简单的Android.mk;

LOCAL_PATH := $(call my-dir) # 定义了当前模块的相对路径；

include $(CLEAR_VARS)  # 清空当前环境变量

LOCAL_MODULE := test  # 编译生成的目标名称

LOCAL_SRC_FILES :=test.c  # 编译该模块需要的源文件

include$(BUILD_EXECUTABLE) # 编译所生成的目标文件格式

makefile可能包含多个目标，如target1，target2，make target1可以指定只编译target1.

20.Python中subprocess和os.system

Python中subprocess和os.system的差异及用途_Python 笔记_设计学院

后者是系统自带的，一般只原来实现文件删除等操作。

  1. subprocess.run时遇到"("unexpected，因为转义没有识别，可以在shell脚本指定解释器为base：#!/bin/bash，也可以通过replace把(替换为\(，)替换为\)

  2. 计算直方图，hist = cv2.calcHist([img],[0],None,[16],[0,255])，注意第一个参数必需是[]括起来，因为第二个参数是第一个参数的索引，当直接传入img作为第一个通道时，直方图计算的是第一行的统计。可以np.sum(hist)计算直方图的总数。

  3. python中使用字符串string，前面会有r或者f作为前缀，前者表示不会被转义，后者表明是格式化字符串，这样的字符串里可以使用{}直接嵌入值。

python 字符串前加f、r、b、u 分别代表什么？_python路径前面加f-CSDN博客

24.字典的键和集合的元素必须是不可变的（hashable）类型，因为它们需要保持唯一性和不变性。列表是可变的，因此不能被哈希（即不能保证其唯一性和不变性），所以不能用作字典键或集合元素。否则会遇到TypeError: unhashable type: 'list'

25.collections模块常用类型有： 默认字典（defaultdict），双向队列（deque），有序字典（OrderedDict）。defaultdict和dict比，会为一个不存在的键提供默认值，从而避免KeyError异常。如果使用dict，，就要额外用一个表来判断字典里是否有这个key。

26.str被sorted之后，返回的是字符组成的list

eat ['a', 'e', 't'] tea ['a', 'e', 't'] tan ['a', 'n', 't'] ate ['a', 'e', 't']

  1. 多线程操作时，文件夹最好每个进程使用自己的。os.getpid()得到进程号

28.Python字符串index（）函数将引发ValueError，而find（）函数将返回-1。 这是这些功能之间的唯一区别。

s ='abcd1234dcba'

print(s.index('a'))

print(s.index('cd'))

print(s.index('1', 0, 5))

29.rgb到bgr，就是最后一个维度的逆序，所以可以得到bgr=rgb[:,:,::-1]

30.python函数中的*，**分别将参数解包成元组和字典。*号的作用在于收集参数或者分配参数

  1. 把字典写入txt时，使用for循环，把每一个item按照冒号写成一行：

    for key,value in dict.items():

        f.write(f"{key}:{value}")

  2. 读取图像imread和imdecode，使用imdecode的优点在于可以从内存中直接解码图像数据，而不需要将数据保存到磁盘再进行读取。在某些场景中是有用的，如网络传输的数据源，摄像头捕获的图像数据。

  3. lmdb读取图像得到的是rgb通道的数据？和opencv读出来的bgr不一样？

34.头文件循环包含

复制代码 
position = s.find("jk");
13     if (position != s.npos)

  1. lmdb写入时的key和val都需要是baye类型，所以需要使用encode().

    import lmdb

    env = lmdb.open("./students") # 打开数据库

    txn = env.begin(write=True) # 开启事务
    txn.put(str(1).encode(), "xiaoming".encode()) # put 可以写入数据，也可以修改数据
    txn.put(str(2).encode(), "xiaogang".encode())
    txn.put(str(3).encode(), "xiaohong".encode())

    txn.commit() # 提交更改
    env.close()

37.python输出固定长度的整数

{:05}.format(42)--->00042

"%05d" % number

38.在JSON文件中添加注释通常不被推荐，因为JSON格式本身不支持注释。

39.img = np.rot90(img, k=n) # n=0,1,2,3,... 即旋转0，90,180,270,正数代表逆时针旋转，负数代表顺时针旋转

import cv2
import numpy as np
 
img = cv2.imread(image_path)
img = np.rot90(img, k=n) # n=0,1,2,3,... 即旋转0，90,180,270，
 
m = np.arange(8).reshape((2,2,2))
np.rot90(m, 1, (1,2))
#array([[[1, 3],
#        [0, 2]],
#       [[5, 7],
#        [4, 6]]])

40.在 PyTorch 中，ConcatDataset 是一个用来组合多个数据集的工具，把多个数据集合并在一起。因为dataset主要的几个函数是get_item，get_len等，其实就是重写了这几个函数。要注意几个数据集需要是相同结构的，如图像尺寸，如果不一致的话就要进行数据预处理，或者是在get_item的时候进行处理。

41.np.arange([start, ]stop, [step, ]dtype=None)

  1. which python或者whereis python，得到解释器的路径

  2. ubunti终端中：docker search ubuntu2就可以搜索到ubuntu20的相关docker，选择一个，执行：docker pull xxxxx就可以安装成功，这时候docker images就可以看到了。

docker pull 命令来载入 ubuntu 镜像

docker run -it --gpus all xxxx，找不到gpu:

nvidia-container-cli: initialization error:loadlibrary failed: libnvidia-ml.so.1: cannot open shared object file: no such file or director

首先, 需要确保你的docker是使用apt安装的

输入sudo systemctl status docker.

如果是apt安装的会显示docker的详细信息, 如果是snap安装的会报错

docker load -i xxx.tar
docker import xx.tar xx:xxx  // 加载的同时指定镜像名和版本号
docker tar xx xx:xxx // 更改原来的镜像名和版本号

44.np.prod()，计算数组中所有数字的乘积。

  1. tensor和array都是共享内存的，b=a这样的赋值，改变其中一个会y影响另外一个。

a.numpy()把tensor转换为array，内存仍然是共享的；使用b = torch.from_numpy(a)，内存也是共享的。

46.学习率和batsize有线性相关，同比例设置，和模型大小无关？常见的学习率是分段的，余弦退火不需要设置参数；CV算法工程师面试 高频基础知识点-CSDN博客

47.getattr() 是 Python 内置的一个函数，可以用来获取一个对象的属性值或方法。相当于返回那个值或者调用那个函数。

48.docker ps查看运行中的容器

49. sudo su切换到超级用户身份

*50.*nvidia-smi -pm ENABLED

export PATH=/home/yan/share/usr/local/arm/3.4.1/bin:$PATH

source .bashrc

docker -ce

docker commit命令的使用-CSDN博客

docker build -t xxx.

sudo systemctl restart docker

51.https://www.cnblogs.com/shine-lee

52.Python3二分查找库函数bisect()，二分查找要求序列是有序的。bisect.bisect_right(lut_list,i)

53.np.var(arr)算出来的方差是MSE的公式算出来的，是高斯分布下的最大似然估计，为了无偏，需要修正分母，np.var(arr,ddof=1)，分母就会减1.What is the difference between numpy var() and statistics variance() in python? - Stack Overflow

54.rgb2hsv，要注意取值范围rgb应该是0~255的。必需乘完awb之后再转换颜色空间，因为转换的过程中会涉及到rgb相对大小。

55.https://en.wikipedia.org/wiki/Floyd%E2%80%93Steinberg_dithering

56.leakey relu比relu更耗时，而relu因为梯度可能为0，方向传播造成神经元失活，效果可能会差。leakey relu的负数部分的斜率一般为0.01，即两段斜率是1：100

relu的实现就是一个max函数。

57.batch normaliztion有scale and shift两个可学习参数。这两个参数平衡了两个极端，即原始分布和标准方差分布，有利于权重和分布相互协调，增强了网络的表达能力。否则后面一层的分布要依赖于前面所学习的参数。

预测阶段的均值和方差使用收敛阶段的mini-batch的统计值。

Batch Normalization（BN）超详细解析_batchnorm在预测阶段需要计算吗-CSDN博客

58.self attention中QKV都来源于同一个数据集，那么对于encoder-decoder attention是encoder-decoder之间的，

59.处理JSON文件写入换行问题，

将学生信息写入文件

with open('data.json', 'w') as file:

json.dump(student_info, file, indent=4)

60.x = np.full(shape=[3, 3], fill_value=2)

x = np.ones([3, 3]) * 2

  1. 绘制棋盘格，要遍历一遍，可以以(x+y）%2==0判断是黑色还是白色。两个反色的棋盘格图像的ssim是-1.

  2. torch.bmm(tensor_a, tensor_b)， bmm 是 batched matrix multiple 的简写，即批量矩阵乘法

  3. 细节增强，将blur前后的差加在原始图像上。图像增强:多尺度的图像细节提升(multi-scale detail boosting)实现方法_多尺度增强-CSDN博客

借鉴了多层的思路，并使用sign函数减少了异常情况。这里的异常情况是，左黑右白的图减去blur之后的diff是左负右正，直接加diff的话会导致灰度饱和，所以就把diff大于0的地方的权重降低，把黑色更黑？

  1. 符号函数的实现，就是判断正负。可以借鉴补码的首位就表示了正负，对int型向右移动31位。

基于bit操作https://www.cnblogs.com/xyd-/p/14641948.html

  1. 使用docker训练的时候，报错bus error，out of shared memory。使用shm查看容器共享内存的大小，docker run的时候加上--shm-size 8G或者--ipc=host，后者是让容器与主机之间共享内存

  2. docker: Error response from daemon: No command specified.解决docker run报错：Error response from daemon: No command specified.-CSDN博客

67.可以在行尾使用反斜杠 \ 来表示代码行的延续

  1. docker run /bin/bash -c "echo Hello && echo world"可以在创建容器后进入执行指令。-c是把多个指令合并成一个字符串，使用bash来执行。

clang-format 可用于格式化(排版)多种不同语言的代码, 其自带的排版格式主要有: LLVM, Google, Chromium, Mozilla, WebKit。但是自带的这几种排版格式可能并不满足个人编码习惯的全部要求, clang-format 也提供了使用自定义排版格式的功能。Ubuntu 上可以使用以下命令导出上述 5 种自带的排版格式, 并且可以对其中某一个导出的文件进行修改, 实现自定义格式化:

clang-format -style=格式名 -dump-config > 文件名

其中, 格式名的取值可以为 llvm, google, chromium, mozilla, webkit 中的任一种; 文件名可以取任何名字, 一般取.clang-format 或_clang-format, 因为自定义的排版格式文件只有取这两种名字之一, 才能被 clang-format 识别。

clang --version版本对应不上，则会报错，unknown key 'AfterCasesLabel'

sudo apt-get install clang-10遇到了依赖问题，the following packages have unmet dependencies

ubuntu - How do I resolve `The following packages have unmet dependencies` - Stack Overflow

install的时候直接-f也无法解决，尝试apt-get替换为aptitude，没有这个指令，先apt-get install aptitude，aptitude会自动解决依赖问题，只要输入y确认就可以了。

成功安装clang-format-10，位置在/usr/bin/下

为了直接在命令行中使用clang-format，使用软连接替换：

link /usr/bin/clang-format-13 /usr/bin/clang-format

71.torch.save(module.state_dict(),"./state_dict.pkl")

torch.save： 将一个序列化的对象保存到磁盘;**torch.load：**将 pickled 对象文件反序列化到内存

state_dict 是一个 Python dictionary object

注意：只有含有可学习参数的层 (convolutional layers, linear layers)，或者含有 registered buffers 的层 (batchnorm's running_mean) 才有 state_dict。

PyTorch 83. PyTorch 模型的保存与加载 - 知乎

  1. __dict__是大部分python对象的一种属性，就是一个字典，然后可以继续使用torch.save存储成文件。torch.load再恢复成dict。

  2. dict转换为Namespace

import argparse

ns = argparse.Namespace(**dic)

dic = vars(ns) # namespace转换为字典【python】dict 和 Namespace 之间的转换_dict 转namespace-CSDN博客

  1. 改写windows中的bat文件，在ubuntu中出错。因为换行符不一样。在vscode中右下角选择LF/CRLF

75.pwd是"print working directory"的缩写，意为打印当前工作目录。

76.RuntimeError: CUDA out of memory，RuntimeError: CUDA out of memory. Tried to allocate 144.00 MiB ( GPU0; 2.00 GiB total capacity; 1.29 GiB already allocated; 79.00 MiB free; 1.30 GiB reserved in total by PyTorch)

对应方法有清空缓存torch.cuda.empty_cache()，

减小batchsize，

指定其他卡os.environ['CUDA_VISIBLE_DEVICES'] = '1',

修改最大碎片参数os.environ['PYTORCH_CUDA_ALLOC_CONF'] = 'max_split_size_mb:256'。

  1. 下载人造数据集，Home，Unreal Dataset | ISARLab

ISAR得到的数据集格式是bag文件，包含了IMU，GPS，双目图像等

参考这个脚本进行解析。解析rosbag文件，得到带有时间戳的.jpg图片数据和.pcd点云数据_ros接收点云的时间戳-CSDN博客

安装rosbag，pip3 install bagpy,

注意topic要选对，否则会报错没有encoding。topic通过下面命令得到：

rosbag info *.bag   //*为你自己的数据包的名称
  1. 计算模型结构参数量，可以使用summarytorch-summary · PyPI

会得到参数个数和对应所需要的内存。因为每个参数是float，需要占4个Byte。

可以得到每一层的参数量。但是有的模型结构不支持，如MIRnet使用了列表而不是concate，这时可以使用

total_params = sum(p.numel() for p in model.parameters())
print("Total parameters:", total_params)

79.使用rename批量修改文件名：Ubuntu中rename命令和批量重命名_ubuntu rename-CSDN博客

rename -n 's/^/test_/' *.jpg
 
解释：
s-替换
^-在文件名称开头加字符，"^"开头;以"$"结尾
test_-将名称前面添加上test_
-n表示只是模拟运行，会把重命名前后的文件名都打印出来

rename 's/.png/xx.png/' *.png  // 把所有png结尾的替换为xx.png结尾
rename 's/ /_/g' * // 把文件名中的空格替换为下划线

在大多数Unix和Linux shell环境中，可以使用上下箭头键来浏览输入的命令历史记录。此外，还可以使用以下命令查看和搜索历史命令：

  • history：显示所有历史命令列表。

  • history | grep 搜索词：搜索与"搜索词"相关的命令历史

random_array = np.random.randn(3, 4) # float64

random_array = torch.randn((3, 4)).numpy() #随机生成0~1浮点数构成的二维数组，float32

82.pycharm或者idea中Run/Debug Python项目报错 Argument for @NotNull parameter 'module' of ...

删除项目根目录的 idea 文件夹

随后重启，重新配置即可

  1. rgb向raw退化，可以提前用list存好一个uint的通道情况，如[0,0,1,1, 0,0,1,1, 1,1,2,2,1,1,2,2,]

遍历时使用enumrate，返回是i取整除结果和余数得到坐标，返回的x表示通道情况：

for i,x in enumrate(list):

raw[j//4::4,j%4::4]=rgb[j//4::4,j%4::4,x]

  1. export ANDROID_NDK_PATH=""

printenv查看所有环境变量

echo $ANDROID_NDK_PATH查看指定环境变量

  1. linux中运行bash脚本，报错$'\r'：command not found. 这是因为此脚本直接复制自windows下的脚本，换行有差异。可以使用命令去除\r:

    sed -i 's/\r//' one-more.sh

  2. 打开开发者选项，可以继续打开显示触控和坐标位置，或者使用命令：

    adb shell getevent -p | grep -e "0035" -e "0036" #获取事件体系里的宽高
    adb shell getevent | grep -e "0035" -e "0036" #获取点击的事件坐标
    adb shell input tap <x> <y> # 点击屏幕指定位置
    adb shell input keyevent 26 # 按电源键锁屏/解锁
    adb shell input swipe 500 1500 500 500 500 # 滑动解锁

但adb模拟点击的坐标貌似adb捕捉不到坐标。截图后图像的坐标和点击的坐标是一致的。

要获得adb shell的返回值，可以使用subprocess来替换os.system（）

command=adb shell sumpsys window policy |grep screenState
subprocess.sun(command,shell=True,capture_output=True,Text=True)
  1. 给定一个有序lits和一个数字，找到离这个数最近的索引：

np.argmin(np.ads(list-a))

88.对list排序，list.sort()，没有返回值

  1. 除了mipi格式都是unpacked的格式，但是要区分大端还是小端。大端（Big-Endian）和小端（Little-Endian）是以字节为单位。这时有可能要交换位置。

使用Image.frombytes按字节读取数据。切片得到奇数和偶数位置的数据。对second_byte左移之后和first_byte按位求或。

    raw16bit = np.zeros([height, width])
    file = open(rawPath, 'rb')
    rawdata = file.read()
    file.close()

    stride = (width * 2)

    rawdata = Image.frombytes('L', (int(stride), int(height)), rawdata)
    rawdata = np.asarray(rawdata)

    data_per_line = int(width * 2)
    first_byte = np.uint16(rawdata[:, 0:data_per_line:2])
    second_byte = np.uint16(rawdata[:, 1:data_per_line:2])

    # get 10bit data
    first_pixel = np.bitwise_or(np.left_shift(second_byte, 8), first_byte)

    raw16bit[:, 0:width] = first_pixel

90.cv2 interpolate插值-align_corners

  1. windows下cd到其他盘符：

直接cd d:不管用，应该cd /d d:或者直接d：

92.Windows Docker 安装 | 菜鸟教程

Docker 并非是一个通用的容器工具，它依赖于已存在并运行的 Linux 内核环境。

Docker Desktop 是 Docker 在 Windows 10 和 macOS 操作系统上的官方安装方式，这个方法依然属于先在虚拟机中安装 Linux 然后再安装 Docker 的方法。

Shell 既是一种命令语言，又是一种程序设计语言。

sh（Bourne Shell）是一个早期的重要shell，1978年由史蒂夫·伯恩编写，并同Version 7 Unix一起发布。

bash（Bourne-Again Shell）是一个为GNU计划编写的Unix shell。1987年由布莱恩·福克斯创造。主要目标是与POSIX标准保持一致，同时兼顾对sh的兼容，是各种Linux发行版标准配置的Shell，在Linux系统上/bin/sh往往是指向/bin/bash的符号链接。

#!是一个特殊标记，说明这是一个可执行的脚本。除了第一行，其他以#开头的都不再生效，为注释。

94.linux上执行os.system(bash ./a.sh)，但是在windows上会出错，因为没有bash。可以统一使用sub。subprocess，把.sh改成.bat文件。

  1. c语言中没有string，所以通过string的成员函数.c_str()转换为char*，这样就能使用c函数如sprintf，否则报错cannot pass object non-trivial type

96.vim中复制

  • 按 v 进入 Visual Mode (按 V 为 Visual Line Mode，可以选择整行)

  • 使用方向键选中需要复制的文本

  • 按 y 复制选中的文本。

  1. python中的list完全可以直接充当stack。由list可以再包装成stack类：

python 栈的简单实现-阿里云开发者社区

98.Python的`heapq`模块提供了优先队列（Priority Queue）的实现。这个模块使用堆（一种特殊的完全二叉树）来实现优先队列，因此它也被称为堆队列。在`heapq`模块中，最小的元素具有最高的优先级，最小的元素始终位于根节点 heap[0]。https://docs.python.org/zh-cn/3/library/heapq.html

那么堆排序就是heappush把所有数字放到优先级队列之后，再不停地heappop

入队的对象还可以是可以为元组。元组的第一个元素用于排序。

99。字典用来计数。Counter 是 dict 的子类

复制代码 
cnt = Counter()
>>> for word in ['red', 'blue', 'red', 'green', 'blue', 'blue']:
...     cnt[word] += 1

100.Deque 队列是对栈或 queue 队列的泛化（该名称的发音为 "deck"，是 "double-ended queue" 的简写形式)。一旦限定长度的deque满了，当新项加入时，同样数量的项就从另一端弹出。

appendleft(x ) #添加 x 到左端。 popleft()

append(x ) #添加 x 到右端。 pop()

相关推荐
凤枭香41 分钟前
Python OpenCV 傅里叶变换
开发语言·图像处理·python·opencv
测试杂货铺1 小时前
外包干了2年，快要废了。。
自动化测试·软件测试·python·功能测试·测试工具·面试·职场和发展
艾派森1 小时前
大数据分析案例-基于随机森林算法的智能手机价格预测模型
人工智能·python·随机森林·机器学习·数据挖掘
小码的头发丝、1 小时前
Django中ListView 和 DetailView类的区别
数据库·python·django
Chef_Chen2 小时前
从0开始机器学习--Day17--神经网络反向传播作业
python·神经网络·机器学习
千澜空2 小时前
celery在django项目中实现并发任务和定时任务
python·django·celery·定时任务·异步任务
斯凯利.瑞恩3 小时前
Python决策树、随机森林、朴素贝叶斯、KNN（K-最近邻居）分类分析银行拉新活动挖掘潜在贷款客户附数据代码
python·决策树·随机森林
yannan201903133 小时前
【算法】（Python）动态规划
python·算法·动态规划
蒙娜丽宁3 小时前
《Python OpenCV从菜鸟到高手》——零基础进阶，开启图像处理与计算机视觉的大门！
python·opencv·计算机视觉
光芒再现dev3 小时前
已解决，部署GPTSoVITS报错‘AsyncRequest‘ object has no attribute ‘_json_response_data‘
运维·python·gpt·语言模型·自然语言处理
热门推荐
01【HarmonyOS】HUAWEI DevEco Studio 下载地址汇总02(欧拉)openEuler系统添加网卡文件配置流程、(欧拉)openEuler系统手动配置ipv6地址流程、(欧拉)openEuler系统网络管理说明03组基轨迹建模 GBTM的介绍与实现（Stata 或 R）04【AIGC】重塑未来的科技巨轮05全面解析：构建基于深度学习的安全帽检测系统（UI界面+YOLO代码+数据集）06【经验分享】Ubuntu22.04安装微信(linux官方版)07基于YOLOv10深度学习的CT扫描图像肾结石智能检测系统【python源码+Pyqt5界面+数据集+训练代码】深度学习实战、目标检测08Ubuntu 20.04使用Livox mid 360 测试 FAST_LIO09RAG 实践- Ollama+RagFlow 部署本地知识库10【TC3xx芯片】TC3xx芯片电源管理系统PMS详解