列表与元组（List & Tuple）

学习目标

• 创建列表和元组，并用索引/切片读取；
• 使用 append、赋值、pop 更新列表；
• 解释可变（mutable）和不可变（immutable）；
• 选择适合收集 loss、标签和 shape 的容器。

列表：有序且可变

loss_history = [0.92, 0.71, 0.55]
predictions = []
layers = ["input", "hidden", "output"]
print(layers[0], layers[-1])

列表的索引从 0 开始，-1 表示最后一个元素。append 在末尾加入一个元素，索引赋值会替换已有元素，pop 删除并返回元素：

pending_batches = [0, 1, 2]
current = pending_batches.pop()
pending_batches.append(3)
print(current, pending_batches)

元组：有序且不可变

image_shape = (3, 32, 32)
name, score = ("cat", 0.91)
print(image_shape[0], name, score)

元组用逗号创建，括号常用于提高可读性。它支持索引和切片，但不能执行 image_shape[0] = 1。NumPy 的 shape 常用元组，因为形状应作为一个稳定的结构传递，不应被随意追加元素。

需要单元素元组时必须写逗号：single = (42,)；(42) 只是整数。

切片和长度

loss_history = [0.92, 0.71, 0.55, 0.47, 0.41]
first_three = loss_history[:3]
recent_two = loss_history[-2:]
middle = loss_history[1:4]
print(len(loss_history), first_three, recent_two, middle)

停止索引不包含在结果中，切片不会改变原列表。列表和元组都遵循这个半开区间规则。

AI 数据中的列表

下面的循环是 Preview：先看“逐项收集”的数据模式；正式的 for 语法会在 Module 2 讲解。

loss_history = []
for loss in [0.92, 0.71, 0.55]:
    loss_history.append(loss)
print(min(loss_history), loss_history[-1])

列表适合保存 loss、预测标签和层对象；大规模规则数值运算应交给 NumPy 或 Tensor。

常见错误

• values[3] 在三元素列表上会产生 IndexError，合法索引是 0、1、2。
• append 修改原列表并返回 None，不要把它的返回值当列表。
• backup = train_labels 只是两个名称指向同一列表；需要独立副本时使用 .copy()。
• 试图修改元组会产生 TypeError；需要修改时创建新元组。

快速检查

预测输出：

scores = [0.61, 0.74, 0.80]
scores.append(0.83)
removed = scores.pop(0)
print(removed, scores[-1], scores[:2])

练习

★ 基础

创建一个 predictions 列表，追加三个类别；创建一个 (batch, channels, height, width) 元组并解包打印。

★★ 应用

创建六个 loss 值，打印长度、最小值和最后三个值；复制列表并验证修改副本不会改变原列表。

★★★ Challenge：数据集切分

从 100 到 109 的样本 ID 列表中，用切片创建 80% train 和 20% validation，保持原列表不变，并用 assert 验证长度之和。

小结与速查表

列表 [] 有序且可变；元组 () 有序且不可变；items[-1] 读取末项；items[start:stop] 是停止位置不包含的切片；append/pop 改变列表；.copy() 创建独立外层列表。

D2L 衔接

D2L 会用列表保存 loss、预测、标签和层对象，用元组表达稳定的 shape。理解容器的可变性和切片边界后，你能更可靠地追踪数据如何进入 NumPy 和 Tensor。