新闻详情

新闻详情

首页 / 资讯中心 / 详情

【第38期】Python 模块与包详解:import、from、模块搜索路径、包结构和 __init__

发布时间:2026/10/26 3:10:17来源:尧图网络
【第38期】Python 模块与包详解:import、from、模块搜索路径、包结构和 __init__
CSDN 完整教程系列《从小白到 AI 大模型开发工程师的进阶之路》 技术点AI-0126 模块与包 主人公小蓝伞本文是第 38 期围绕【import、from、模块搜索路径、包结构和init】展开。示例用于复现实验标注【建议验证】的部分需要按读者自己的 Windows、Python 版本和网络条件执行。一、问题背景与适用场景将文本清洗函数与命令行入口拆分到 appkit 包从项目根目录启动。 本期要把概念落成一个可观察、可回滚的小实践。二、先给结论模块拆职责包做目录组织从项目根目录用 python -m 运行入口避免循环导入和依赖当前目录的隐式行为。 本期最小产出可安装的练习包。三、前置准备Windows 10/11建议 Python 3.11 或项目采用的兼容版本。练习目录D:\ai-learning\issue-38涉及文件、依赖或配置时先备份。不要提交 Token、密码和个人路径未执行命令不得写成实测结果。四、最小可复现实践在练习目录保存并执行分别创建以下文件代码块中的注释就是文件路径# appkit/__init__.py from .text import normalize ​ __all__ [normalize]# appkit/text.py def normalize(text): return .join(text.split()).lower()# appkit/main.py from appkit.text import normalize ​ if __name__ __main__: print(normalize( Hello Python ))# pyproject.toml [build-system] requires [setuptools68] build-backend setuptools.build_meta ​ [project] name appkit-demo version 0.1.0 description Python package practice在项目根目录执行python -m pip install -e .再执行python -m appkit.main。预期结果安装命令完成后模块入口输出 hello python修改源码后可被当前虚拟环境直接导入说明这是可安装的练习包。五、关键原理与工程判断1. 先定义输入和成功判据模块拆职责包做目录组织从项目根目录用 python -m 运行入口避免循环导入和依赖当前目录的隐式行为。2. 保留状态和失败原因把输入、输出、版本、目录和完整错误记入 README 或日志便于定位而不是只写【失败】。3. 小步执行与回滚先跑最小样例再一次改一个变量危险操作先 dry-run、备份或 Git 提交。六、常见问题与避坑直接运行包内文件导致相对导入失败从项目根目录使用 python -m 包.模块。文件名遮蔽标准库或第三方包避免使用 json.py、requests.py 等名称。模块顶层执行副作用或相互导入把入口放进 main 并拆清依赖方向。七、验证清单正常、边界、失败三类输入均有验证。重新打开终端或进程后复验排除缓存和当前会话影响。产物能再次读取、运行或恢复未实测部分标记【建议验证】。八、面试题本期技术点解决什么问题解决输入、状态或失败边界的可控性。为什么先做最小实践降低变量数量区分语法、环境和业务问题。出现错误先做什么保存完整错误确认版本、目录、权限和输入。如何判断真正生效重启相关进程后用独立命令和功能测试复核。什么时候不能照搬示例系统、版本、权限或输入契约不同就要先调整并阅读官方文档。九、本期小结与下一期本期完成 可安装的练习包把正确路径和失败路径都变成可验证动作。下一期继续学习资料库中的下一个技术点。点个关注不迷路跟着小蓝伞把 Python 基础变成工程能力。可靠的程序也要能解释失败。官方资料6. Modules — Python 3.14.7 documentation十、记录与回滚建议记录时间、解释器版本、执行目录、关键输出和失败原因出现异常先停止批量操作保留现场后恢复备份或回退 Git。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/10/25 3:20:41

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/10/25 3:43:49

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/10/25 4:02:17

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/10/25 5:03:13

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/10/25 3:54:32

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/10/25 5:32:24

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉