代码标注规范 v2

用统一符号标注代码中不理解的部分，支持分类，方便后续聚类复习。

---

标注符号

符号	含义	示例
❓[语法]	不懂这个语法	❓[元组拆包](a, b) = func()
❓[概念]	不懂这个概念	❓[概念] 什么是张量
❓[库]	不懂某个库的用法	❓[库] tf.keras.datasets
⚠️	知道是什么，但不确定用法	⚠️ f-string 用法细节
🔗	和某处知识有关联	🔗 见 L1 元组拆包
✅	已理解	✅ 已掌握 print 用法

---

分类标签（方括号标注）

标签	含义
[语法]	Python 语法相关（拆包、推导式、装饰器等）
[概念]	通用计算机概念（张量、线程、异步等）
[库]	第三方库用法（TensorFlow、Pandas 等）
[API]	函数/模块的接口调用
[数据类型]	数据结构相关（list、dict、ndarray 等）

---

使用方法

1. 代码中标注

Python

# 标注 + 分类
❓[语法] from tensorflow.keras.datasets import mnist
❓[语法] (train_images, train_labels), (test_images, test_labels) = mnist.load_data()
❓[概念] 什么是张量（Tensor）
❓[库] tf.keras.datasets 是用来做什么的

Click Run to see output

2. 复习笔记模板

# ❓ 知识盲点清单

## ❓[语法] 元组拆包
- **来源：** L1 MNIST 数据加载
- **代码：** `(a, b), (c, d) = func()`
- **状态：** ✅ 已解答
- **简答：** 外层先拆，再内层拆，嵌套结构用嵌套拆包接收
- **链接：** [L1 教程](/tutorial/begin)

---

## ❓[概念] 张量（Tensor）
- **来源：** TensorFlow 文档
- **状态：** 🔄 进行中
- **疑问：** 张量和 Numpy 数组有什么区别？
- **计划：** 查 L1 扩展资料

---

聚类复习方法

按标签聚合

每学完一个阶段，把相同标签的 ❓ 归类：

## [语法] 类 — 语法类盲点汇总

1. 元组拆包 ✅（L1）
2. f-string 格式化 ✅（L2）
3. *args **kwargs 🔄（L4）

## [库] 类 — 库用法类盲点汇总

1. tf.keras.datasets 🔄（L1）
2. tf.data.Dataset 🔄（L5）

复习优先级

优先级	条件	行动
🔴 高	❓ + [语法]	优先解决，影响后续学习
🟡 中	❓ + [库]	边用边查，结合文档
🟢 低	⚠️ + [概念]	理解即可，不影响编码

---

示例：L1 标注记录

代码中的标注

Python

# L1 代码示例
print("hello")  # ✅ 理解

❓[语法] (a, b), (c, d) = nested_tuple()  # 嵌套拆包
❓[库] from tensorflow.keras.datasets import mnist  # 导入语法

Click Run to see output

标注笔记

## ❓[语法] 嵌套元组拆包
- **代码：** `(train_images, train_labels), (test_images, test_labels) = mnist.load_data()`
- **状态：** ✅ 已解答
- **简答：** 分层拆解，先外层后内层
- **同类延伸：** 普通拆包 `(a, b) = func()`

---

推荐流程

遇到不懂的代码
    │
    ▼
标注 ❓[类别] + 写疑问
    │
    ▼
学完一课 / 一个章节
    │
    ▼
归类同一标签的 ❓ → 形成「[语法]类」「[库]类」清单
    │
    ▼
按优先级逐个击破 → 解答后改为 ✅

这样复习时按类别翻，比散着看效率高很多 👍