Python 速成 (For JS Devs)

📌 为什么要学 Python？

你已经会 JavaScript，Python 只是换了一套语法。核心概念完全相同。

你已经会的 (JS)	对应的 Python
const, let	直接写变量名
[] 数组	[] 列表 (List)
{} 对象	{} 字典 (Dict)
array.map()	列表推导式 [x for x in arr]
async/await	async/await (几乎一样)
npm	pip
package.json	requirements.txt

---

🔄 语法对照表

变量与类型

JavaScript

// 变量声明
const name = "AI";
let count = 42;
const isReady = true;

// 类型检查
typeof name;        // "string"
typeof count;       // "number"
Array.isArray([]);  // true

Python

# 变量声明（不需要 const/let）
name = "AI"
count = 42
is_ready = True  # 注意：大写 True/False

# 类型检查
type(name)       # <class 'str'>
type(count)      # <class 'int'>
isinstance([], list)  # True

---

数组 vs 列表

JavaScript

const arr = [1, 2, 3, 4, 5];

// 常用操作
arr.length;              // 5
arr.push(6);             // 添加元素
arr[0];                  // 1
arr.slice(1, 3);         // [2, 3]
arr.map(x => x * 2);     // [2, 4, 6, 8, 10]
arr.filter(x => x > 2);  // [3, 4, 5]
arr.reduce((a, b) => a + b, 0);  // 15

Python

arr = [1, 2, 3, 4, 5]

# 常用操作
len(arr)                 # 5
arr.append(6)            # 添加元素
arr[0]                   # 1
arr[1:3]                 # [2, 3] (切片语法)
[x * 2 for x in arr]     # [2, 4, 6, 8, 10] ⭐ 列表推导式
[x for x in arr if x > 2]  # [3, 4, 5]
sum(arr)                 # 15

列表推导式 = map + filter

Python 的列表推导式 [表达式 for 变量 in 列表 if 条件] 相当于 JS 的 array.filter().map() 组合。这是 Python 最常用的特性之一。

---

对象 vs 字典

JavaScript

const user = {
  name: "张三",
  age: 25,
  skills: ["JS", "Python"]
};

// 访问
user.name;           // "张三"
user["age"];         // 25
Object.keys(user);   // ["name", "age", "skills"]

// 解构
const { name, age } = user;

Python

user = {
    "name": "张三",
    "age": 25,
    "skills": ["JS", "Python"]
}

# 访问
user["name"]         # "张三"（不能用 user.name）
user.get("age")      # 25（更安全，不存在返回 None）
user.keys()          # dict_keys(["name", "age", "skills"])

# 解构（Python 3.10+）
name, age = user["name"], user["age"]

---

函数

JavaScript

// 普通函数
function add(a, b) {
  return a + b;
}

// 箭头函数
const multiply = (a, b) => a * b;

// 默认参数
function greet(name = "World") {
  return `Hello, ${name}!`;
}

// 展开运算符
function sum(...numbers) {
  return numbers.reduce((a, b) => a + b, 0);
}

Python

# 普通函数
def add(a, b):
    return a + b

# Lambda（类似箭头函数，但只能一行）
multiply = lambda a, b: a * b

# 默认参数
def greet(name="World"):
    return f"Hello, {name}!"  # f-string = 模板字符串

# 可变参数
def sum_all(*numbers):  # *args
    return sum(numbers)

---

🔢 NumPy 入门

NumPy = Numerical Python，是 AI 的基础库。它提供高效的多维数组运算。

类比：如果 JS 数组是单车道，NumPy 数组就是高速公路（GPU 加速、向量化运算）。

为什么需要 NumPy？

# 原生 Python：逐个元素相加（慢）
a = [1, 2, 3]
b = [4, 5, 6]
result = [a[i] + b[i] for i in range(len(a))]  # [5, 7, 9]

# NumPy：向量化运算（快 100x+）
import numpy as np
a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
result = a + b  # array([5, 7, 9]) ⚡ 一行搞定

核心概念：ndarray

JavaScript 类比

// JS 中你可能用嵌套数组表示矩阵
const matrix = [
  [1, 2, 3],
  [4, 5, 6]
];

// 访问元素
matrix[0][1];  // 2

// 但 JS 没有内置的矩阵运算...
// 你需要手写循环或用 math.js

NumPy

import numpy as np

# 创建数组
arr = np.array([1, 2, 3])           # 1D 向量
matrix = np.array([[1, 2, 3],       # 2D 矩阵
                   [4, 5, 6]])

# 查看形状（超级重要！）
matrix.shape  # (2, 3) = 2行3列

# 访问元素
matrix[0, 1]  # 2（比 JS 的 matrix[0][1] 更简洁）

# 创建常用数组
np.zeros((2, 3))   # 全 0 矩阵
np.ones((2, 3))    # 全 1 矩阵
np.random.randn(2, 3)  # 随机数矩阵

广播 (Broadcasting)

NumPy 最强大的特性之一：不同形状的数组可以自动对齐运算。

import numpy as np

# 标量 + 数组
arr = np.array([1, 2, 3])
arr + 10  # array([11, 12, 13]) ← 10 自动"广播"到每个元素

# 向量 + 矩阵
matrix = np.array([[1, 2, 3],
                   [4, 5, 6]])  # shape: (2, 3)
row = np.array([10, 20, 30])    # shape: (3,)

matrix + row
# array([[11, 22, 33],
#        [14, 25, 36]])
# row 自动复制成 2 行，然后逐元素相加

Shape 是 AI 编程的命门

99% 的 AI 代码 bug 都是 Shape Mismatch。永远记得用 .shape 检查数组维度！

---

常用操作速查

操作	NumPy	JS 类比
创建数组	np.array([1,2,3])	[1,2,3]
形状	arr.shape	arr.length（但 NumPy 支持多维）
元素乘	a * b	a.map((x,i) => x * b[i])
矩阵乘	a @ b 或 np.dot(a, b)	无内置（需 math.js）
求和	arr.sum()	arr.reduce((a,b)=>a+b)
平均	arr.mean()	手写
最大值	arr.max()	Math.max(...arr)
转置	matrix.T	无内置
变形	arr.reshape(2, 3)	无内置

---

🔥 PyTorch 一句话入门

PyTorch = NumPy + GPU 加速 + 自动求导

交互演示: nn.Module 结构

🔥 PyTorch nn.Module 可视化

简单分类器深度网络二分类查看代码

2层全连接 + ReLU | 参数量: 101,770

Input

[784]

→

Linear

[128]

→

ReLU

→

Linear

[10]

→

Output

Linear

ReLU

Sigmoid

Softmax

Dropout

💡 悬停层查看详情 | nn.Sequential 按顺序执行所有层

基础用法

import torch

# 创建张量（和 NumPy 几乎一样）
tensor = torch.tensor([1.0, 2.0, 3.0])

# 移到 GPU
tensor = tensor.to('cuda')  # 或 tensor.cuda()

# 开启自动求导（训练神经网络用）
x = torch.tensor(3.0, requires_grad=True)
y = x ** 2  # y = 9
y.backward()  # 自动计算 dy/dx
print(x.grad)  # 6.0 (因为 d(x²)/dx = 2x = 2*3 = 6)

PyTorch vs NumPy 速查:

NumPy	PyTorch
np.array()	torch.tensor()
arr.shape	tensor.shape
np.dot(a, b)	torch.matmul(a, b) 或 a @ b
arr.sum()	tensor.sum()
无	tensor.to('cuda') (GPU)
无	tensor.backward() (自动求导)

---

🚀 下一步

现在你已经掌握了 Python/NumPy 基础，可以开始学习：

1. 梯度下降 - 理解 AI 如何”学习”
2. 神经网络 - 像搭积木一样理解结构
3. 词嵌入 - 文字如何变成数字

实践建议

打开 Google Colab，边看教程边敲代码。Colab 免费提供 GPU，无需本地安装。