class LinearLayer:    def __init__(self, in_features, out_features):# 初始化权重 (正态分布)        self.weight = np.random.randn(out_features, in_features) * 0.01        self.bias = np.zeros(out_features)    def forward(self, x):        return x @ self.weight.T + self.bias    def __call__(self, x):        return self.forward(x)# 使用layer = LinearLayer(4, 2)x = np.random.randn(3, 4)# 3个样本，每个4维output = layer(x)# 通过 __call__ 自动调用 forwardprint(output.shape)# (3, 2)

import timefrom functools import wraps# 计时装饰器：测量函数执行时间def timer(func):    @wraps(func)    def wrapper(*args, **kwargs):        start = time.time()        result = func(*args, **kwargs)        elapsed = time.time() - start        print(f”{func.__name__} 耗时: {elapsed:.3f}s”)        return result    return wrapper@timerdef train_epoch(model, data):# 模拟训练    time.sleep(0.5)    return ”done”train_epoch(None, None)# train_epoch 耗时: 0.500s

class Timer:    def __enter__(self):        self.start = time.time()        return self    def __exit__(self, *args):        print(f”耗时: {time.time() - self.start:.3f}s”)with Timer():# 这里的代码会被自动计时    sum(range(1000000))

from dataclasses import dataclassfrom typing import List, Optionalimport numpy as np@dataclassclass TrainingConfig:    lr: float = 0.001    batch_size: int = 32    epochs: int = 100    device: str = ”cuda”    layers: List[int] = None    def __post_init__(self):        if self.layers is None:            self.layers = [128, 64]config = TrainingConfig(lr=0.01, epochs=50)print(config)# 自动生成 __repr__print(config.batch_size)# 32 (使用默认值)