《动手学深度学习-pytorch》书中定义函数后加#@save的含义

Acrab_Chogori

已于 2022-07-14 18:22:54 修改

阅读量1.5w

点赞数 49

文章标签：深度学习 pytorch python

于 2022-07-14 16:25:09 首次发布

本文链接：https://blog.csdn.net/Acrab_Chogori/article/details/125786517

版权

笔者在学习《动手学深度学习-pytorch》一书的时候，发现很多定义的函数后面都会加#@save符号，如下：

def use_svg_display():  #@save
    """使⽤svg格式在Jupyter中显⽰绘图"""
    backend_inline.set_matplotlib_formats('svg')

书中的解释为：“有时，为了避免不必要的重复，我们将本书中经常导⼊和引⽤的函数、类等封装在d2l包中。对于要保存到包中的任何代码块，⽐如⼀个函数、⼀个类或者多个导⼊，我们都会标记为#@save。”于是笔者试着先from d2l import torch as d2l，然后在pycharm控制台键入d2l.use，发现可以补全为d2l.use_svg_display()，这说明use_svg_display()函数是封装在d2l库中的。

另外在序言中有这么一句话，“有时，我们想深⼊研究模型的细节，这些的细节通常会被深度学习框架的⾼级抽象隐藏起来。特别是在基础教程中，我们希望你了解在给定层或优化器中发⽣的⼀切。在这些情况下，我们通常会提供两个版本的⽰例：⼀个是我们从零开始实现⼀切，仅依赖于NumPy接⼝和⾃动微分；另⼀个是更实际的⽰例，我们使⽤深度学习框架的⾼级API编写简洁的代码。”因此笔者认为这里#@save的意思应该是指：虽然书中对这些定义的函数展开讲解，但这些函数都是可以直接调用，封装在d2l库中的，此外也和没有封装的，临时定义的函数做出区分，如下：

def evaluate_loss(net, data_iter, loss): #@save
	"""评估给定数据集上模型的损失"""
	metric = d2l.Accumulator(2) # 损失的总和,样本数量
	for X, y in data_iter:

最低0.47元/天解锁文章