由 dawei 深度学习编程的核心在于清晰的表达与可维护性，语言选择是起点。推荐使用Python，因其语法简洁、生态丰富，且拥有TensorFlow、PyTorch等主流深度学习框架支持。避免使用过于复杂的语法结构，保持代码可读性优先于“炫技”。
函数设计应遵循单一职责原则。每个函数只完成一个明确任务，如数据预处理、模型定义或损失计算。函数名采用小写字母加下划线命名法（snake_case），例如`data_loader`、`compute_loss`，确保语义清晰。函数参数不宜过多，超过三个时建议封装为字典或类。
变量命名需反映其用途。避免使用`x`、`temp`等模糊名称。对于张量数据，可使用`input_tensor`、`output_logits`等具象命名；循环变量用`batch_idx`、`epoch`等体现上下文。常量使用大写字母加下划线，如`LEARNING_RATE = 1e-3`，便于识别。
注释应简洁有效，仅解释“为什么”而非“做什么”。例如，说明某层为何添加Dropout，或为何使用特定归一化方式。注释位置紧邻代码，避免冗余描述。文档字符串（docstring）用于函数接口说明，包含参数类型、返回值及示例调用。
AI渲染效果图，仅供参考
避免全局变量污染。所有状态应通过函数参数或类属性传递。若需共享状态，使用配置类或命名空间管理。模块间依赖关系清晰，导入路径尽量使用绝对路径，减少歧义。
代码格式统一至关重要。使用工具如Black自动格式化，确保缩进一致（4空格）、行长度控制在88字符以内。避免在一行中写多个语句，提升可读性。注释与代码之间留出空行，形成视觉分隔。
最终目标是让代码不仅运行正确，更易于他人理解与协作。良好的规范不是束缚，而是效率与质量的保障。当团队成员都能快速读懂彼此代码时，开发速度与系统稳定性自然提升。