高枝个人博客 土木读研 · 计算机 × 土木的交叉笔记
返回列表

我不再凭记忆写代码了:从背 API 到查文档的思维迁移

我不再靠记忆猜 API:从背代码到查文档的思维转变 以前写代码的时候,我有一个习惯:遇到熟悉的功能,第一反应就是凭记忆写出来。 函数名记得,参数大概也知道,代码敲完,运行一下,没报错就觉得没问题。 但后来接触 Python、PyTorch、OpenCV,以及一些实际的科研项目之后…

我不再靠记忆猜 API:从背代码到查文档的思维转变

以前写代码的时候,我有一个习惯:遇到熟悉的功能,第一反应就是凭记忆写出来。

函数名记得,参数大概也知道,代码敲完,运行一下,没报错就觉得没问题。

但后来接触 Python、PyTorch、OpenCV,以及一些实际的科研项目之后,我逐渐发现一个问题:

代码能够运行,不代表使用方式正确;记得函数怎么写,也不代表真正理解它。

尤其是在计算机视觉和深度学习项目中,一个参数的默认值、一个数据维度的顺序,甚至一个颜色通道的排列,都可能影响最终结果。

慢慢地,我开始改变自己的编程习惯:不再追求记住所有 API,而是更加重视查阅文档、理解接口和验证结果。

一、记忆最容易出错的,往往是细节

编程需要记忆吗?

当然需要。

Python 的基本语法、数据结构、循环逻辑、算法思想,这些基础知识必须掌握。否则每写一行代码都要查资料,效率反而会很低。

但有一类知识,我觉得没有必要刻意死记硬背:

具体 API 的参数、默认行为、返回值以及版本差异。

举几个计算机视觉中很常见的例子:

场景 容易忽略的细节 可能产生的问题
OpenCV 读取图像 默认使用 BGR 通道顺序 颜色显示异常
NumPy 数组 图像通常是 HWC 排列 数据维度不匹配
PyTorch 卷积网络 输入通常采用 NCHW 格式 网络输入报错
图像缩放 不同插值方法有不同效果 图像细节发生变化
模型训练 不同损失函数对标签格式有要求 训练结果异常

这些问题并不复杂,但如果只凭印象写代码,就很容易忽略。

比如,OpenCV 读取一张彩色图片:

python
import cv2

image = cv2.imread("slope.jpg")

很多人会直接把它传给后续的图像处理程序。

但 OpenCV 默认读取的是 BGR 格式,而很多其他图像处理工具使用 RGB 格式。

如果没有注意这一点,后续的颜色处理和模型输入就可能出现问题。

正确的处理方式:

python
image_rgb = cv2.cvtColor(
    image,
    cv2.COLOR_BGR2RGB
)

再比如,图像进入 PyTorch 网络之前,通常还需要进行维度转换:

python
import torch

image_tensor = torch.from_numpy(
    image_rgb
)

image_tensor = image_tensor.permute(2, 0, 1)

image_tensor = image_tensor.float() / 255.0

这里的 permute(2, 0, 1),就是把原来的 HWC 转换成 CHW。

这些知识当然可以记住,但真正重要的是理解:为什么需要转换,以及什么时候需要转换。

二、查文档不是能力不足,而是工程习惯

以前可能会觉得,写代码还要查文档,是不是对这个工具不够熟悉?

现在我反而认为,查阅官方文档是一种非常重要的工程习惯。

以 PyTorch 为例。

当我们使用 torch.nn.CrossEntropyLoss() 时,至少需要弄清楚几个问题:

  • 输入数据应该是什么形状?
  • 标签应该使用什么数据类型?
  • 输入是否需要提前经过 Softmax?
  • 损失函数具体计算的是什么?

如果只是记住函数名和调用方式,很容易忽略这些细节。

但如果查看官方文档,就能明确它的输入约定、参数含义和计算方式。

我现在更倾向于把 API 文档理解为一种接口契约。

它明确告诉我们:

  1. 输入什么数据;
  2. 参数应该如何设置;
  3. 输出是什么;
  4. 有哪些限制条件;
  5. 不同版本之间是否存在变化。

这些信息比单纯记住一段代码更有价值。

三、真正需要掌握的是判断,而不是记住所有代码

我觉得编程能力可以简单分成三个层次:

层次 主要能力 具体表现
第一层 记忆 知道语法、函数和常见用法
第二层 理解 明白代码为什么这样写
第三层 判断 知道什么时候使用、如何验证结果

举个例子。

如果要处理一张边坡裂缝图像:

第一层,你知道 OpenCV 可以读取图片。

第二层,你知道图像读取后需要进行尺寸调整、颜色转换和归一化。

第三层,你需要判断:当前图像是否需要裁剪 ROI?应该使用哪种插值方式?图像缩放会不会影响细小裂缝?处理后的图像是否还保留了足够的空间细节?

这三个层次的区别就在这里。

真正影响最终结果的,往往不是能不能写出某个函数,而是能不能根据实际问题选择合适的方法。

四、我现在更习惯这样写代码

逐渐地,我开始形成一套自己的编程流程。

1. 先明确问题,再寻找接口

不要一上来就搜索一大段现成代码。

先弄清楚自己需要完成什么任务,再根据任务寻找对应的官方文档和技术资料。

2. 优先查看官方文档

Python、PyTorch、OpenCV 等工具都有自己的官方文档。

遇到不熟悉的函数,先确认参数、返回值和使用条件,而不是直接复制网上的代码。

3. 用最小示例验证

不确定某个函数的行为时,不要直接放进整个项目。

先写一个最小示例,输入一组简单数据,观察输出是否符合预期。

例如:

python
import cv2

image = cv2.imread("slope.jpg")

if image is None:
    raise FileNotFoundError("图像读取失败")

print("图像尺寸:", image.shape)
print("数据类型:", image.dtype)

resized = cv2.resize(
    image,
    (256, 256),
    interpolation=cv2.INTER_LINEAR
)

print("调整后尺寸:", resized.shape)

先确认图像能否正常读取、尺寸是否正确,再把它放进后续的裂缝识别流程。

4. 关键结果一定要验证

代码没有报错,不等于结果正确。

图像处理要看实际图像,模型训练要看损失曲线和验证指标,数据处理要检查维度、数值范围和异常值。

尤其是科研代码,不能只以程序能否运行作为判断标准。

五、AI 编程时代,还需要记住那么多 API 吗?

现在使用 ChatGPT、Codex 等 AI 编程工具,查找函数用法、生成代码和解释报错已经方便了很多。

以前可能需要花费不少时间查找一个函数的调用方式,现在可以直接描述需求,让 AI 给出实现方案。

但这也带来了一个新的问题:

AI 生成的代码,不一定就是正确的代码。

它可能使用了过时的接口,也可能忽略当前项目的依赖版本,甚至生成一段语法正确、逻辑却不符合需求的代码。

所以我现在更倾向于把 AI 当作编程助手,而不是最终的判断者。

一个比较合理的流程是:

需求分析 → AI 辅助生成 → 官方文档核对 → 本地运行 → 结果验证。

特别是在科研项目中,模型结构、数据处理和实验参数都需要能够解释、复现和验证。

不能因为代码是 AI 生成的,就跳过对原理和结果的检查。

最后,一点思考

本科阶段学习计算机时,我曾经觉得,掌握一门编程语言,就应该尽可能记住它的语法、函数和常用代码。

但随着接触的工具越来越多,我逐渐意识到:

编程能力不等于记住了多少 API,而是能不能在遇到问题时,快速找到正确的方法,并判断它是否适合当前场景。

基础知识需要记忆,算法原理需要理解,具体接口可以查阅,最终结果必须验证。

尤其是在 AI 编程工具越来越普及的今天,写出代码的成本正在降低。

而真正有价值的能力,正在逐渐转向问题分析、技术选择和结果判断。

与其花费大量时间记住所有函数,不如把更多精力放在理解问题本身。

毕竟,代码只是解决问题的工具。

知道为什么这样写,比记住应该怎么写,更重要。