软件测试/人工智能|PyCharm常用快捷键指南

简介: 软件测试/人工智能|PyCharm常用快捷键指南

image.png

简介

我们安装好pycharm之后,就要开始使用pycharm了,但是pycharm的操作太多,顶部菜单选项已经很多,每个顶部菜单的选项下又有很多个子操作,所以我们在写代码的时候,如果要进行什么操作的话,在顶部菜单操作,就会显得比较繁琐,经常要找两级甚至三级菜单,如果我们对pycharm的快捷键比较熟悉的话,我们就能快很多。本文就来给大家介绍Pycharm的常用快捷键。

导航快捷键

导航快捷键对应的是顶部的Navigate选项,这类操作可以让我们更快的导航和浏览代码,主要的快捷键有以下几个:

  • Ctrl + N(Cmd + O): 打开类
  • Ctrl + Shift + N(Cmd + Shift + O): 打开文件
  • Ctrl + E(Cmd + E): 最近打开的文件列表
  • Ctrl + F12(Cmd + F12): 显示当前文件的结构
  • Ctrl + B(Cmd + B): 转到声明处
  • Ctrl + F(Cmd + F): 在当前文件中查找
  • Ctrl + G(Cmd + L): 转到行
  • Alt + Up/Down(Opt + Up/Down): 在方法间快速切换

编辑快捷键

编辑快捷键对应的是顶部的Edit选项,这类操作用于编辑和操作代码的快捷键,主要使用的编辑快捷键有以下几个:

  • Ctrl + X(Cmd + X): 剪切选定内容
  • Ctrl + C(Cmd + C): 复制选定内容
  • Ctrl + V(Cmd + V): 粘贴剪贴板内容
  • Ctrl + Z(Cmd + Z): 撤销上一步操作
  • Ctrl + Shift + Z(Cmd + Shift + Z): 重做
  • Ctrl + D(Cmd + D): 复制当前行或选定的代码块
  • Ctrl + /(Cmd + /): 注释选定行或代码块
  • Ctrl + Shift + /(Cmd + Shift + /): 块注释
  • Ctrl + Y(Cmd + Delete): 删除当前行
  • Ctrl + Shift + Up/Down(Cmd + Shift + Up/Down): 上/下移动当前行或选定代码块
  • Ctrl + Shift + Enter(Cmd + Shift + Enter): 在语句末尾补全代码

调试快捷键

调试快捷键对应的是顶部工具栏的Run选项,这类操作用于运行和调试代码,主要的调试快捷键有以下几个:

  • Shift + F9(Shift + F9): 运行调试
  • Shift + F10(Shift + F10): 运行当前文件
  • Ctrl + Shift + F9(Cmd + Shift + F9): 重新构建项目
  • F8(F8): 逐过程执行
  • F9(F9): 恢复程序的执行直到遇到下一个断点
  • Ctrl + F8(Cmd + F8): 设置/取消断点

视图和窗口快捷键

视图和窗口快捷键对应的是顶部工具栏的View选项,这类操作用于控制PyCharm视图和窗口,主要的视图和窗口快捷键有以下几个:

  • Alt + 1(Cmd + 1): 打开/关闭项目工具窗口
  • Alt + Left/Right(Cmd + [ / ]): 在编辑器标签之间切换
  • Ctrl + Tab(Cmd + Tab): 在最近的文件之间切换
  • Alt + F12(Ctrl + ~): 打开/关闭终端
  • Ctrl + Shift + F12(Cmd + Shift + F12): 最大化编辑器或恢复上一个布局

代码重构快捷键

代码重构快捷键对应的是顶部工具栏的Code选项,这类操作用于我们调整代码格式等,主要的代码重构快捷键有以下几个:

  • Ctrl + Alt + L(Cmd + Alt + L): 格式化代码
  • Ctrl + Alt + M(Cmd + Alt + M): 提取方法
  • Ctrl + Shift + Alt + T(Ctrl + T): 重构代码
  • Shift + F6(Shift + F6): 重命名
  • Tab : 代码缩进
  • Shift + Tab : 反向缩进

注:本文主要以Windows系统为主,括号中的快捷键为(Mac os操作系统的快捷键)

总结

本文主要介绍了部分Pycharm快捷键以及他们的功能,pycharm的快捷键有很多,但是我们不需要全部记牢,我们只需要记住最常用的部分即可,另外,本文介绍的是默认的快捷键,我们还可以在pycharm中自定义快捷键,希望本文可以帮到大家。

image.png

相关文章
|
23天前
|
机器学习/深度学习 人工智能 分布式计算
人工智能,应该如何测试?(六)推荐系统拆解
该文介绍了推荐系统的基本概念和实现思路。推荐系统通过预处理筛选候选集合,然后利用二分类模型预测用户对内容的喜好概率,再按概率排序选择Top N内容推荐给用户。文中提供了一个使用Spark ML库的简单模型训练DEMO,涉及数据预处理、特征工程和逻辑回归模型。此外,还提及了词向量在处理文本特征中的重要性,它能捕捉词与词之间的关联性。推荐系统的实际应用远比示例复杂,但这个例子有助于理解其核心流程。
21 0
|
15天前
|
Python
Pycharm运行提示(运行‘Python测试(00.py内)‘(u)
Pycharm运行提示(运行‘Python测试(00.py内)‘(u)
|
16天前
|
机器学习/深度学习 算法 异构计算
yolov7训练自己的数据集(pycharm上训练测试)
yolov7训练自己的数据集(pycharm上训练测试)
|
21天前
|
人工智能 数据可视化 测试技术
精准高效测试计划,人工智能帮你制定
测试计划文档包括测试范围、方法、资源和进度,涉及测试项、特性、任务、执行者和风险控制。测试经理需制定文档大纲,细化测试任务,如用例编写、执行、资源分配及风险管理。2周测试周期内,5名测试人员将进行单元、集成、功能、性能和安全测试,以及缺陷验证和总结报告。在实际操作中,需注意人员匹配、任务平衡和沟通协调。由于ChatGPT输出的甘特图有误,需手动修正,最终完成测试计划的可视化表示。实践中,明确需求、拆分任务和校验输出是关键。
18 0
|
23天前
|
人工智能 自然语言处理 搜索推荐
人工智能,应该如何测试?(八)企业级智能客服测试大模型 RAG
大模型如GPT虽表现出众,但在特定领域和实时信息方面表现不足,易产生“幻觉”即编造答案。其能力受限于训练数据,无法提供超出数据范围的专业知识。为解决此问题,采用意图识别模型预判问题归属,结合检索增强生成(RAG)技术,通过检索相关信息注入大模型以提升回答质量。测试人员利用RAG评估模型效果,有时借助GPT进行自动化评分,尤其是在非专业领域,但GPT评分的准确性仍有限,人工评估更为可靠。
18 0
|
23天前
|
人工智能 搜索推荐 算法
人工智能,应该如何测试?(七)大模型客服系统测试
这篇文稿讨论了企业级对话机器人的知识引擎构建,强调了仅靠大模型如 GPT 是不够的,需要专业领域的知识库。知识引擎的构建涉及文档上传、解析、拆分和特征向量等步骤。文档解析是难点,因文档格式多样,需将内容自动提取。文档拆分按语义切片,以便针对性地回答用户问题。词向量用于表示词的关联性,帮助模型理解词义关系。知识引擎构建完成后,通过语义检索模型或问答模型检索答案。测试环节涵盖文档解析的准确性、问答模型的正确率及意图识别模型的性能。整个过程包含大量模型组合和手动工作,远非简单的自动化任务。
42 0
|
23天前
|
人工智能 自然语言处理 算法
人工智能,应该如何测试?(五)ASR 效果测试介绍
ASR是自动语音识别技术,将语音转化为文本,涉及多学科知识。数据收集是关键,包括特定人/非特定人、词汇量大小、发音方式、方言和情感等多种类别,高质量数据成本高。ASR流程包括数据收集、标注、输入算法得到文本输出并评估。常用评估指标有字错率(WER)、字正确率及插入/删除/替换率。数据标注需严格遵循规范,工作量大,而Levenshtein库可用于自动化效果评测。在AI领域,大部分时间投入在数据处理上。
30 0
|
23天前
|
人工智能 分布式计算 Kubernetes
人工智能,应该如何测试?(三)数据构造与性能测试篇
本文探讨了人工智能场景中的性能测试,区别于传统互联网测试,其复杂性更高。主要关注点包括两类AI产品——业务类和平台类,后者涉及AI全生命周期,测试难度更大。测试重点是模型训练的性能,特别是数据模拟。需要构造大量结构化数据,如不同规模、分布、分片和特征规模的数据,以评估算法效率。此外,还涉及模拟设备规模(如视频流)和节点规模(边缘计算),以测试在大规模负载下的系统性能。文中提到了使用工具如Spark、ffmpeg、流媒体服务器和Kubernetes(K8S)的扩展项目,如Kubemark,来模拟大规模环境。最后,文章介绍了使用Golang进行异步IO操作以构建海量小文件,优化IO性能。
48 0
|
23天前
|
机器学习/深度学习 人工智能 文字识别
|
3月前
|
人工智能 前端开发 Java
软件测试/人工智能|熟练使用web控件定位技巧,提升测试工作效率!
软件测试/人工智能|熟练使用web控件定位技巧,提升测试工作效率!
197 1

热门文章

最新文章