在深度学习这条路上Python基础不是填空题而是生死线。带李哥深度学习班做助教这么久我发现每期都会有学员在同样的地方卡住不是模型没学过而是代码写不顺环境配不通数据一多就无从下手。这篇文章我想把“Python基础”到底该怎么学、该学到什么程度、哪些环节最劝退、绕开哪些坑一次性讲透。我尽量不写教科书里那些没用的概念只讲在深度学习班里真正能用上的东西。1. 深度学习班为什么要先死磕Python基础1.1 这堂课实际上是在给项目铺路很多学员报名的时候心里想的是“我要做一个基于深度学习的图像识别系统”结果到了教室发现第一节课的名字叫“Python基础”立刻就有点落差。但李哥的课从第一天就没有单纯讲语法而是先让大家做一件事把自己想做的项目写下来。我带的几期班里项目五花八门有人想做人脸情绪识别有人想搞口腔疾病图像分类还有土木方向的同学想用深度学习做CT图像土壤孔隙三维重构甚至有人对圆柱绕流仿真感兴趣。表面上看这些方向差别很大但拆开以后核心路径是一样的拿到大量数据做预处理搭模型训练评估再迭代。而这些步骤里每一步都在和Python打交道。数据要读进来格式要转变模型要定义训练循环要写结果要可视化哪一个环节缺了Python基础都寸步难行。所以李哥把Python基础放在最前面不是不重视深度学习而是先给项目铺路。基础课程的定位不是让学员成为Python专家而是让他们拿到一段深度学习代码时能看懂、能改、能跑、能排错。如果连列表和字典的用法都要现查连函数的参数到底怎么传都搞不清楚后面看PyTorch源码的时候会非常痛苦。1.2 为什么是Python而不是C或者Matlab深度学习并不是只有Python这一种选项C可以写出高效的推理引擎Matlab在早期学术研究里也有大量积累。但走到今天几乎主流深度学习框架的第一语言都选择PythonLoader、CNN、Transformer这些模型的训练和部署代码绝大多数都是用Python写的。原因很简单Python开发效率高语法表达直观处理数据和调模型都是强项。Python的生态是个巨大的护城河。做图像要读图用OpenCV处理数值计算用NumPy画训练曲线用Matplotlib做模型用PyTorch或者TensorFlow。这些库之间配合得非常顺畅几乎每个环节都有成熟方案。对初学者来说最大的红利是遇到任何问题都能搜到答案因为用的人太多了踩过坑的人也多解决方案非常丰富。对比之下Matlab做深度学习虽然也能做但生态相对封闭部署到实际场景特别麻烦。C性能强但语法复杂度太高初学时大部分精力会被内存管理、指针这些东西消耗掉很难把注意力集中在模型思路上。Python的优势就在于它把底层的复杂性封装掉了让学习者把精力放在数据和模型上而不是花在编译和语法细节上。这就是李哥班里把Python作为唯一入门语言的原因。那Python基础到底学到什么程度才算“过关”我认为至少要有三个标志第一能独立配置开发环境第二能熟练处理列表、字典、文件读写的常见操作第三函数和类的基本用法心里有数看到框架代码不心虚。这几点我会在后文逐一展开。2. 踩坑最多的“环境配置”环节一次讲清2.1 Python安装版本、pip与路径问题我几乎没有见过哪个学员在安装Python这一步完全顺利的。最常见的问题就是版本选错。有些电脑预装了Python 2.7有些安装的时候不小心点到了32位版本还有些人安装完找不到Python在哪。这里我直接给出目前稳妥的组合使用Python 3.9或3.1064位版本安装时一定要勾选“Add Python to PATH”。至于最新的3.12、3.13虽然版本新但深度学习相关的库适配还需要时间没必要拿自己的学习周期去试错。安装完成之后在命令行输入python --version和pip --version能正确输出版本号才算成功。很多同学在这一步就卡住了电脑提示“不是内部或外部命令”绝大多数是因为安装时没有勾选Add to PATH。修改方法也不复杂把Python的安装路径和Scripts子目录加到系统环境变量里然后重新打开终端。这里有几个字要重点说改完环境变量之后旧的终端窗口不会生效一定开一个新的再试。pip是Python的包管理器后面安装深度学习相关的库全靠它。装库的时候又有一个高频翻车点有人想装OpenCV于是输入pip install cv2结果直接报错。正确的包名是opencv-python导入的时候用import cv2。包名和导入名不一样这是让很多新手一头雾水的地方。还有NumPy同理包名是numpy导入也是import numpy。记住一条规律先搜清楚官方包名再执行安装命令。2.2 编辑器VSCode、PyCharm与Jupyter如何分工环境配好了接下来就是写代码的工具。我带班时不会强制大家只用某一个编辑器但会针对不同场景给一个组合方案。日常写脚本和修改项目代码VSCode是我最推荐的。因为它轻量、启动快、扩展多。装好Python扩展之后按CtrlShiftP调出命令面板输入“Python: Select Interpreter”选择你创建好的那个Python环境写代码时才能自动补全和报错提示。很多学员代码写得别扭原因不是语法没学而是编辑器里没有选中正确的解释器代码根本跑不起来更别提什么调试体验了。PyCharm是另一个选择它的工程管理能力更强适合完整的项目开发。但PyCharm启动慢、配置项比较多新手刚上手时经常连新建项目里的解释器是哪个都分不清反而容易劝退。我的建议是入门阶段没必要用PyCharm当主力等以后真的在写完整工程项目时再切换也不迟。还有一个非常适合深度学习入门的工具是Jupyter Notebook。它的核心优势是“边写边跑边看结果”每一步运行都能立刻看到输出非常适合理解数据结构变化和调试思路。在Python基础阶段我建议用Jupyter练语法比如把一个图片读进来后用代码查看它的形状、数据类型、像素范围每一步都能可视化。等你对整个流程都熟悉了再转回脚本文件去写正式的训练代码。2.3 Anaconda虚拟环境隔离依赖别让项目互相打架很多人学了一段时间之后会碰到这样一个鬼故事昨天还能跑的代码今天突然报错ModuleNotFoundError。罪魁祸首往往不是代码本身而是你为了另一个项目安装了一个新库它悄悄把某个依赖的版本升级了导致原有项目不再兼容。这就是“依赖冲突”。Anaconda的价值就在于此它是一个环境和包管理器。你可以用conda创建多个相互隔离的Python环境每个环境各自拥有独立的库互不影响。比如说一个叫python39的环境给基础课用另一个叫dl的环境给深度学习项目用两边装不同版本的PyTorch也互不打扰。创建环境只需要两条命令conda create -n dl python3.9 conda activate dl第一条命令创建一个名为dl的独立环境并指定Python版本第二条是激活这个环境。激活之后命令行窗口前面会多出一个(dl)前缀说明你已经在环境里了之后用pip install装的包都会装到当前这个环境不会污染全局。还有一个容易忽略的小细节在虚拟环境里启动Jupyter时有时候会发现自己在新环境里装了库但Notebook还是提示找不到。这是因为当前Notebook关联的kernel还是旧的需要在环境中单独安装jupyter再启动一次或者使用ipykernel把当前环境注册到Notebook里。这个坑我见过无数次提前打好预防针能省下很多排查时间。3. Python基础语法里哪些是深度学习的“高频考点”3.1 数据结构list、dict在数据预处理中的角色深度学习项目里最绕不开的数据结构就是列表和字典。一个典型的数据预处理场景你有一个文件夹里面按类别存放了大量图片需要把图片路径和类别标签一一对应起来。很多人的第一反应是用循环一点点处理但用好工具函数会让代码精简很多。比如收集所有图片路径并带上标签常规做法是这样import os from glob import glob labels [cat, dog] image_paths [] image_labels [] for label in labels: for path in glob(f{data_dir}/{label}/*.jpg): image_paths.append(path) image_labels.append(label)这时候image_paths是一个列表image_labels是另一个列表。如果想快速统计每个类别有多少张图片用字典更适合label_count {} for label in image_labels: label_count[label] label_count.get(label, 0) 1这段代码用到了字典的get方法和默认值看起来简单但在处理各种数据统计时非常实用。类似的还有列表推导式比如把所有图片尺寸都缩放到128像素可以这样写resized_paths [resize_image(p) for p in image_paths]列表推导式是Python里非常Pythonic的写法初学者一定要学会读懂它因为很多开源项目代码里大量使用这种简写读不懂推导式就等于读不懂别人的数据管线。3.2 函数与类看懂模型代码的第一道门槛Python基础阶段最容易让人觉得“学它有什么用”的就是类和对象。但深度学习框架的模型定义几乎全部基于类。拿PyTorch举例一个最简单的神经网络模型长这样import torch.nn as nn class MyNet(nn.Module): def __init__(self): super().__init__() self.fc nn.Linear(784, 10) def forward(self, x): return self.fc(x)如果你不懂类看到这段代码你不知道为什么要写class不知道为什么有__init__更不知道forward是干什么的。但如果你懂了类的基本逻辑理解起来就顺了类就是把数据和操作封装在一起模板__init__负责初始化模型内部结构forward指定数据从输入到输出的流向。学习类的时候不需要去背一堆抽象概念。只需要抓住三点类的定义用class类的初始化函数叫__init__调用类的方法时用点号。至于继承、多态这些更深的概念后面写代码多了自然能体会。深度学习入门阶段能照着现有模型类改造代码就基本过关了。3.3 NumPy入门数据从Python走向Tensor的桥梁再往后走一步就到了数值计算的核心库NumPy。深度学习中图像、文本、数值特征到了框架手里都会变成张量但在此之前数据通常以NumPy数组的形式存在。NumPy数组和Python列表最直观的区别是数组可以整体做数学运算。比如对一张图片的所有像素值归一化image image.astype(np.float32) / 255.0列表做不到这种整体操作写循环又慢又啰嗦。对于一张224×224的彩色图片它的数组形状是(224, 224, 3)对应高度、宽度和通道数。为什么是三维因为彩色图像有红绿蓝三个通道。理解了这个维度你才能理解后面CNN里“卷积核在空间维度滑动”这种概念。还有一个非常关键的操作叫做广播机制。比如让一个形状为(32, 224, 224, 3)的批量图片数据每个通道减去一个不同的均值你不需要写循环mean np.array([0.485, 0.456, 0.406]) normalized image_batch - meanNumPy会自动把mean广播到合适的位置。很多人一开始不习惯这种隐式操作但这是深度学习数据预处理里最常见的写法一定要多看多练。4. 从Python基础到深度学习实战的过渡路径4.1 先跑通一个最简单的图像分类任务Python基础学了一段时间之后最需要做的一件事就是把学到的语法用在一个极小但完整的深度学习任务里。我不建议一上来就啃ImageNet那种大规模数据集也不建议直接复现那些复杂的CNN。最简单的路径是拿手写数字识别MNIST练手数据集小、训练快、教程多。一个完整的训练脚本粗略分下来也就这几步加载数据、定义模型、定义损失函数和优化器、循环训练、保存模型。这五步里Python基础的作用无处不在。数据集做分批处理时要用到切片和迭代模型定义时要写类训练循环里要控制循环次数、累计损失这又是列表和字典的操作。很多同学在这一阶段最容易犯的毛病是复制别人的代码一把梭跑通了就觉得自己会了可一旦报错就懵掉。李哥在班里反复强调的一句话是就算是抄代码也要一行一行抄边抄边问自己在干什么。这样演练过两三遍之后训练流程的肌肉记忆才能真正形成。4.2 数据不够怎么办爬虫和数据增强的简单思路动手做过项目的人都知道深度学习的大部分工作量其实都在数据上。课程项目里经常遇到的情况是公开数据集和你的主题不匹配或者样本量实在太少模型怎么训练都欠拟合。这个时候有两类解决思路非常常见。第一类是采集数据很多人会选择写爬虫从公开网站抓取图片。Python写爬虫确实方便requests配合BeautifulSoup就能完成大多数静态页面的图片下载任务。但这里有一个重要的边界问题抓取公开数据时一定要遵守目标网站的robots协议和版权规定不能拿爬虫去做违反平台规则的事情。客观来说爬虫技术本身是一个工具关键在于用在哪里、怎么用这个边界必须清楚。第二类思路是做数据增强也就是在已有数据的基础上通过随机旋转、翻转、裁剪、颜色抖动等操作生成新的样本。数据增强在图像领域非常有效能提高模型泛化能力扛住过拟合。这一操作在Python里可能只需要调用一行库函数但背后对数组维度的理解恰恰是从Python基础里来的。4.3 课程项目的完整链路到了项目实战阶段学员会发现不管题目听起来多么高大上——人脸情感识别也好口腔疾病图像识别也好或者CT图像土壤孔隙三维重构——它们的开发链路都是惊人一致的数据采集与清洗数据标注与格式转换数据预处理和增强模型选择与训练性能评估与调优最终推理部署。Python基础在不同环节的侧重点是不同的。数据环节核心是文件路径处理和数据结构组织预处理环节核心是NumPy数组操作和图像的几何变换模型训练环节核心是类和函数的组合结果分析环节核心是数据可视化和Matplotlib画图。我的体会是如果前面的Python基础足够扎实每个环节遇到问题时你能很快定位“这个报错是类型问题还是维度问题是环境问题还是逻辑问题”这种定位能力比背多少模型结构都重要。5. 新人最容易踩的坑排查思路和避坑清单5.1 从报错信息到解决路径典型报错对照代码跑不通的时候不要慌。报错信息是程序在告诉你问题出在哪学会读报错是Python基础的重要一环。我在班里整理过一份高频报错对照表对新手特别实用报错信息常见原因解决思路ModuleNotFoundError: No module named cv2没装OpenCV或者包名输错执行pip install opencv-python注意导入名是cv2SyntaxError: invalid syntax语法错误常见于中英文符号混用检查代码里是否有中文括号、中文引号统一用英文标点IndentationError: unexpected indent缩进错误Python靠缩进表示代码块检查Tab和空格是否混用建议统一用4个空格ValueError: shapes not aligned矩阵维度不匹配打印相关数组的shape属性确认矩阵乘法两边的维度是否匹配NameError: name xxx is not defined变量名拼写错误或未定义检查是否在赋值之前就使用了变量注意大小写pip安装库时网络超时下载源比较慢使用国内镜像源例如清华源或阿里源加-i参数指定python不是内部或外部命令安装时未添加PATH重装Python时勾选Add to PATH或手动添加环境变量这个表格看起来简单但几乎每一条我都看学员踩过。其中中英文符号混用最容易被忽略因为肉眼几乎看不出区别但Python严格区分。写代码的时候最好把输入法切到英文模式。5.2 我总结的5条实操经验带班这几年我逐渐总结出几条实操经验都是通过踩坑换来的分享给正在学Python基础的朋友们第一不要动不动就重装Python。很多人环境出问题后的第一反应是重装结果越装越乱。正确做法是先确认当前环境是哪个解释器用pip list查看装了什么包再去找具体缺什么。第二改变代码前先备份。在跑通一个可以运行的版本后如果想尝试新的改动先把原文件复制一份。改坏了随时能退回去这种习惯能让你在实验时更敢下手。第三多打印中间结果。不要等到最终输出不对了才去检查。每个关键步骤结束后打印一下数据的类型、形状、前几个值确认这一步符合预期再继续下一段。第四尽量使用英文路径。深度学习框架对中文路径的支持参差不齐有些图像读取库遇到中文路径会直接报错把项目目录设置成全英文能躲掉很多莫名其妙的坑。第五养成写注释的习惯。不用讲究注释多么规范哪怕是“这里把图片改成灰度图”这种大白话也行。深度学习代码的调试往往要反复回头看注释是你给自己留下的线索。5.3 学完Python基础之后怎么继续使劲Python基础不是终点它只是上了赛道。学完这部分内容之后比较自然的下一步是先把NumPy和Matplotlib玩熟再进入PyTorch或者TensorFlow的官方教程从最基础的张量操作开始跑。学习深度学习时没有必要把“理论”和“代码”割裂开。先跑通代码再回看公式往往理解得更快。我个人的倾向是用项目倒逼学习。比如给自己定一个“用CNN识别手写数字”的小目标然后在实现这个目标的过程中缺什么语法补什么语法缺什么库就学什么库。这种学习方式虽然不如系统看教程那么全面但印象更深刻遇到问题时的解决能力提升也更快。最后想多说一句。每次开班看到大家从连Python环境都配不好到两三个月后能独立跑起一个像样的图像识别项目这个过程确实很磨练人。Python基础阶段其实没那么难难的是遇到问题不慌、肯动手、能坚持。把前面的基础打扎实后面的深度学习路会走得顺很多。