前言

再说正文之前，需要大家先了解一下对象，指针和引用的含义，不懂得同学可以参考我上一篇博客“(12条消息) 引用是否有地址的讨论的_xx_xjm的博客-CSDN博客”

正文

一：python中一切皆对象

      “python中一切皆对象”这句话我相信凡是接触过python得同学应该都听过，但我想应该很少有人真正理解这句话，对此，本文在这里进行一个简单得阐述！

       在C++里面，我们说int a = 1; a就是一个对象，什么意思呢？在这里a代表了一个内存空间，我们假定这个内存空间的地址是x0001，那么a表示的是存放有1的x0001这个内存空间！所以，与其说a是一个对象，不如说是这个x0001是个对象。a和x0001的关系就是一个人和身份证上名字之间的关系，x0001就表示真实的人，a表示这个人身份证上的名字，比如“小明”。所以，我们简单理解一下，对象，就是一个真实存在的内存空间。

      那么python中一切皆对象什么意思呢？还是拿上面的例子来说， int a = 1, 在这里，a代表了一个对象，一个真实的内存地址，那么1是什么呢？ 1是一个立即数，是一个稍纵即逝的电流。但是在python里面对于a = 1这个式子，1其实是一个对象，也就是说，python里面，1表示的是一块存放值为1的内存空间！！！python一切皆为对象，就是说在python中，所有东西都是一个具体的内存空间！！，不管是数字，还是字符字符串，他们都是一个实际存在的内存空间。

二：可变类型变量和不可变类型变量

       首先，我们先明确，python的数据类型有6中：数字number/ 字符串string / 元组 Tuple /  列表 list / 字典 dictionary / 集合 sets；（bool、int，float，complex（复数）等都属于number数字类型）

      可变类型变量：字典/列表/集合

      不可变类型变量：数字/字符串/元组

关于可变类型和不可变类型变量的定义参考自：python中可变类型和不可变类型 - 百度文库 (baidu.com)

1：可变类型变量，定义如下： 

也就是说可变类型变量实际上是对象的引用，也就是对象的别名，其实指代的还是对象本身，所以对象本身当然可以对自己的数据进行变换啦。（再次强调，关于引用和指针的关系参考“(12条消息) 引用是否有地址的讨论的_xx_xjm的博客-CSDN博客“）

 2：不可变类型变量，定义如下：

 所以，不可变类型变量实际上相当于对象的指针，它存储的只是对象的地址，比如a = 1,a这个变量存储的实际上是1这个对象的地址，当然我们也可以把a当作是一个对象，在c++里面，a这种存放地址的变量叫做指针变量，实际上也是一个对象，因为它也是一个实际存在的内存空间。

三：id函数的作用（个人理解，欢迎讨论，指正）

      id函数对于可变类型变量和不可变类型变量来说，其实作用是不同的，对于可变类型变量来说，比如a = 1，a是对象1得引用，也就相当于a就是1这个对象(这句话还不理解，再看看引用得含义),id(a)取得是对象1的地址； 而对于不可变类型变量，比如a = [1,2,3],a其实是一个指针变量，也就是说a本身也是一个对象，a有自己的地址，但id(a)取得是[1,2,3]这个对象得地址。

四： +=操作得真实含义

  关于 += 的代码层面的区别在于：参考：(12条消息) python的+=和=的区别_Liquor6的博客-CSDN博客

   先说结论：对于不可变类型对象：i += 1和 i = i+1是一样的，都会改变 i 的地址（真实的含义是，都会改变i这个指针指向的地址），逻辑上理解为，因为不可变类型变量是指针，i指向的是一个具体的数值对象，不同的数值对象对应的内存地址不同，所以当 i 指向的数值改变了以后，i指向的地址也就变了；

     举例： 比如本来i = 1，i是一个指针变量，它指向了1这个对象的内存地址，现在 i += 1和 i = i + 1，表示的都是说 i 这个指针要指向2这个对象的地址，所以，i 指向的地址肯定会从1变成2，这就是为什么不可变对象 += 和 =+是一样的操作。

实验如下

 ---------------------------------------------------------------------------------------------------------------------

   同理，对于可变类型对象，比如a = [1,2,3], [1,2,3]是一个具体的对象，a是这个对象的引用，所以a += 1表示的是[ 1, 2, 3]这个对象自己加1，所以a还是这个对象的引用，但是a = a + 1则不同了，因为是引用，所以a = a + 1则表示a现在引用的应该是a + 1表示的[2,3,4]这个对象的地址，所以a = a + 1导致内存地址改变了。

实验如下：

结果：

可以看见，虽然a = [1,2,3,4]，但是a这个[1,2,3,4]对象，实际上是[1,2,3]这个对象变来的，和本来的[1,2,3,4]对象是两个东西，也就是说，这里a和[1,2,3,4]对象表示的是两块内存空间，只不过两块内存空间保存的值是相同的。

再看a = a + [5]以后，这个时候a的地址是改变了的，它变成了[1,2,3,4,5]的地址，这里有一点小意思，因为我们是在a = a +[5]之前打印的[1,2,3,4,5]的id，所以，这时候[1,2,3,4,5]应该是已经被内存建立起来了，因此此时的a直接指向了[1,2,3,4,5]的内存地址，那么为什么此时[1,2,3,4,5]的地址和[1,2,3,4]的地址相同呢？因为这个时候，python其实是值记住了这个列表中1这个元素的地址，id([1,2,3,4])和id([1,2,3,4,5])返回的其实都是这个列表首元素1的地址。我们意义做如下实验，表明[1,2,3,4])和id([1,2,3,4,5]其实是一块地址空间：

 所以，我们来解释为什么这个时候a的地址就是[1,2,3,4,5]的地址，因为这时候内存中已经有一块连续的[1,2,3,4,5]了，并且这个值没有给任何变量（也就是没有引用），所以直接分配给了a。

那么为什么在a之后的[1,2,3,4,5]的地址又变成了最开始a=[1,2,3]的地址了呢？因为这时候a指向了新的[1,2,3,45]的地址，本来的[1,2,3]就被释放了，那么这时候的[1,2,3]就是没人管的了，那么python直接在这个基础上分发[1,2,3,4,5]的地址。由此可以看出python的内存管理机制确实很出色。更多的实验可以参照以下代码自己跑一遍：

补充：另外python中numpy数组是可变类型的， pytorch的张量和numpy数组共享底层内存，所以是可变类型，这就是为什么网络运行过程中，不能有原地+=操作。tensorflow的张量是不可变的。pytorch和tensorflow的张量确实是不同的。

参考：TensorFlow vs PyTorch 2: 张量(Tensor) - 简书 (jianshu.com)

五：由可变不可变类型对象引出的深浅拷贝