python List拷贝复制
直接赋值：
如果用 = 直接赋值，是非拷贝方法。
这两个列表是等价的，修改其中任何一个列表都会影响到另一个列表。
Copy old = [1,[1,2,3],3]
new = []
for i in range(len(old)):
new.append(old[i])
new[0] = 3
new[1][0] = 3
'''
-----------------------
Before:
[1, [1, 2, 3], 3]
[1, [1, 2, 3], 3]
After:
[3, [3, 2, 3], 3]
[3, [3, 2, 3], 3]
-----------------------
''' 浅拷贝：
1.copy()方法
对于List来说，其第一层，是实现了深拷贝，但对于其内嵌套的List，仍然是浅拷贝。
因为嵌套的List保存的是地址，复制过去的时候是把地址复制过去了，嵌套的List在内存中指向的还是同一个。
Copy old = [1,[1,2,3],3]
new = old.copy()
new[0] = 3
new[1][0] =3
'''
---------------------
Before:
[1, [1, 2, 3], 3]
[1, [1, 2, 3], 3]
After:
[1, [3, 2, 3], 3]
[3, [3, 2, 3], 3]
---------------------
''' 2.使用列表生成式
使用列表生成式产生新列表也是一个浅拷贝方法，只对第一层实现深拷贝。
Copy old = [1,[1,2,3],3]
new = [i for i in old]
new[0] = 3
new[1][0] = 3
'''
----------------------
Before
[1, [1, 2, 3], 3]
[1, [1, 2, 3], 3]
After
[1, [3, 2, 3], 3]
[3, [3, 2, 3], 3]
----------------------
''' 3.for循环遍历
通过for循环遍历，将元素一个个添加到新列表中。这也是一个浅拷贝方法，只对第一层实现深拷贝。
Copy old = [1,[1,2,3],3]
new = []
for i in range(len(old)):
new.append(old[i])
new[0] = 3
new[1][0] = 3
'''
-----------------------
Before:
[1, [1, 2, 3], 3]
[1, [1, 2, 3], 3]
After:
[1, [3, 2, 3], 3]
[3, [3, 2, 3], 3]
-----------------------
''' 4.使用切片
通过使用 [ : ] 切片，可以浅拷贝整个列表，同样的，只对第一层实现深拷贝。
Copy old = [1,[1,2,3],3]
new = old[:]
new[0] = 3
new[1][0] = 3
'''
------------------
Before:
[1, [1, 2, 3], 3]
[1, [1, 2, 3], 3]
After:
[1, [3, 2, 3], 3]
[3, [3, 2, 3], 3]
------------------
''' 深拷贝：
如果用deepcopy()方法，则无论多少层，无论怎样的形式，得到的新列表都是和原来无关的，这是最安全最清爽最有效的方法。
需要import copy
Copy import copy
old = [1,[1,2,3],3]
new = copy.deepcopy(old)
new[0] = 3
new[1][0] = 3
'''
-----------------------
Before:
[1, [1, 2, 3], 3]
[1, [1, 2, 3], 3]
After:
[1, [1, 2, 3], 3]
[3, [3, 2, 3], 3]
-----------------------
''' reshape中的-1
在深度学习对模型代码的脉络整理中，输入输出的维度变化是一个最重要的线索，其中tensorflow中的api——reshape扮演了重要的角色。reshape中有个参数-1比较难以理解，这篇文章主要讲解其用法。
官方文档中这样解释它：
If one component ofshapeis the special value -1, the size of that dimension is computed so that the total size remains constant. In particular, ashapeof[-1]flattens into 1-D. At most one component ofshapecan be -1
中文释意为：如果shape参数中包含特殊值-1，维度的尺寸在数组总大小保持不变的基础上进行计算。特殊的，如果shape参数为【-1】，即将该数组打平。
打平很好理解，即无论该数组形状是什么样的，统一变为一维。打平顺序默认为先行后列。
如果shape参数中包含特殊值-1，维度的尺寸在数组总大小保持不变的基础上进行计算
这句如何理解呢？举例来看吧。
Copy import tensorflow as tf
#(3,2,3)
t1 = [[[1, 1, 1],
[2, 2, 2]],
[[3, 3, 3],
[4, 4, 4]],
[[5, 5, 5],
[6, 6, 6]]]
t1 = tf.constant(t1)
sess = tf.Session()
result = sess.run(tf.reshape(t1, [2,-1]))
print(result) 最后输出结果为：
Copy [[1 1 1 2 2 2 3 3 3]
[4 4 4 5 5 5 6 6 6]] 即，从维度(3,2,3)变为(2,9)。
这个变化按照什么规则呢？
首先3*2*3=18，数组总大小为18。shape参数【2，-1】，这个参数意义为reshape后的数组为二维数组，其中第一维度值为2。为了保持总大小不变，18除以2为9。所以变化后的数组形状为(2,9)
看了很多博客，没有领会意思。后来发现官方文档写的很清楚。一定要养成不会先看官方文档，再结合各种博客理解的方法论。