第 3 周：面向对象编程（OOP）-171主机测评

恭喜你顺利进入第 3 周！如果说前两周我们是在写“零散的脚本”，那么这一周你将正式掌握构建大型复杂系统的核心思维——面向对象编程（OOP）。

在 AI 领域，OOP 是绝对的基石。无论是 PyTorch 还是 TensorFlow，所有的神经网络模型、数据加载器都是以 OOP 的形式组织的。掌握了它，你才算真正拿到了进阶 AI 的入场券。

继续保持 40min 学习 + 20min 敲代码的节奏，本周的精细化拆解如下：

学习内容：理解“类”是蓝图/模板，“对象”是具体实例；掌握 class 关键字定义类；重点攻克 __init__ 构造方法和 self 参数的作用。
实操练习：
- Day 1：定义一个基础的 Student 类，包含姓名和年龄属性，以及一个打印自我介绍的方法。创建两个不同的学生对象并调用方法。
- Day 2：编写一个 DataPreprocessor 类，在 __init__ 中接收一个原始数据列表，并定义一个清洗数据的方法（如去除空值）。体会将数据和操作数据的函数绑定在一起的便利。

学习内容：理解封装的概念，即隐藏内部实现细节，对外提供公共访问方式（如通过 getter/setter 或装饰器）；学习如何设计高内聚、低耦合的工具类。
实操练习：
- Day 3：改造昨天的 DataPreprocessor，将处理过程中的中间变量设为私有（加下划线），只暴露最终的清洗结果方法，防止外部意外篡改内部状态。
- Day 4：【工具类实战】封装一个 FileLogger 工具类。把上周写的日志功能变成类，支持初始化时指定文件名，并提供统一的 log_info() 和 log_error() 方法供其他代码随时调用。

学习内容：掌握继承的概念（子类复用父类的属性和方法）；学会使用 super() 调用父类的构造方法和普通方法。
实操练习：
- Day 5：创建一个基类 Animal，再创建 Dog 和 Cat 子类继承它，重写它们的叫声方法（多态初体验）。尝试用 super() 在子类中扩展父类的功能。

实操任务：【自定义数据集类（AI 项目高频用法）】
- 前半段（1.5h）：这是深度学习中最核心的类之一！仿照 PyTorch 的 Dataset 模板，自己手写一个 SimpleTextDataset 类。要求在 __init__ 中读取文本文件路径，并定义获取数据集长度（__len__）和根据索引获取样本（__getitem__）的方法。
- 后半段（1h）：将这个数据集类实例化，写个简单的循环遍历它，看看能否正确读出每一条文本数据。

实操任务：【综合小项目：简易配置管理器】
- 花 2 小时做一个读取 JSON/YAML 配置文件的 ConfigManager 类。要求支持按层级获取配置项，如果找不到则返回默认值。这个类在未来做 AI 模型训练时，管理超参数会非常有用。
- 剩下 1 小时回顾本周内容。OOP 概念比较抽象，建议画一张思维导图理清“类、对象、属性、方法、继承”的关系。

💡 本周专属叮嘱：

死磕 self：初学者最容易搞混的就是 self。记住，self 就代表“当前被创建出来的那个对象本身”。

不要畏惧报错：OOP 相关的报错（如 TypeError: __init__() takes X positional arguments but Y were given）通常是因为传参没对齐或者忘了写 self，仔细检查构造方法的参数列表即可。

AI 框架的启示：当你学到后面的 PyTorch 时，你会发现所有的模型都是 class MyModel(nn.Module):，这其实就是今天你学的“继承”的最直接应用。

第 3 周：面向对象编程（OOP）