python中 @ 的含义与用法

Dust_Evc

已于 2023-07-27 02:28:34 修改

阅读量1.3w

点赞数 20

分类专栏： Python 文章标签： python Pytorch 语法

于 2021-12-10 12:21:20 首次发布

本文链接：https://blog.csdn.net/Dust_Evc/article/details/121852790

版权

Python 专栏收录该内容

47 篇文章

订阅专栏

一、表示修饰符/装饰器。

可以在模块或者类的定义层内对函数进行修饰。出现在函数定义的前一行，不允许和函数定义在同一行。

一个@修饰符就是一个函数【格式：@修饰名】，它将被修饰的函数作为参数，并返回修饰后的同名函数或其他可调用的东西（如果返回不是一个可调用的对象那么会报错）。可在代码运行期间动态增加功能。本质上，decorator 就是一个返回函数的高阶函数

会直接执行函数。即可等价替换为：修饰名(被修饰函数())

例1：

def funA(desA):
 print("It's funA")
 
def funB(desB):
 print("It's funB")
 
@funA
def funC():
 print("It's funC")

运行结果：
It's funA

例2：

可以看出，该例子中@test等价于 test(xxx())，但是这种写法你得考虑python代码的执行顺序。

def test(func):
    print("a")
    return func()
    
@test
def xxx():
    print('Hello world!')

运行结果：
a
Hello world!

例3：

为更深刻理解该用法，来个复杂点的嵌套型。

def funA(desA):
 print("It's funA")
 
 print('---')
 print(desA)
 desA()
 print('---')
 
def funB(desB):
 print("It's funB")
 
@funB
@funA
def funC():
 print("It's funC")

运行结果：
It's funA
---
<function funC at 0x00000252D2545550>
It's funC
---
It's funB

解析：

@funB 修饰装饰器@funA，@funA 修饰函数定义def funC()，将funC()作为funA()的参数，再将funA(funC())作为funB()的参数。执行的时候自下而上，先执行funA(funC())，再执行funB(funA(funC()))。~~注意，funC()并不执行，除非funA()函数中给出了执行funA()的代码。~~
打印desA，其传的是funC()的地址，即desA现在为函数desA()。执行desA()即执行funC()，~~desA=desA()=funC()~~。

调用被修饰函数时，自动执行添加的功能代码

这块内容参考自：装饰器 - 廖雪峰的官方网站

def now():
    print('2015-3-25')


def log(func):
    print('Jason')
    def wrapper(*args, **kw):
        print('call %s():' % func.__name__)
        return func(*args, **kw)
    return wrapper

@log
def now():
    print('2015-3-25')

执行上面后输出如下：

Jason

调用now()函数时，不仅会运行now()函数本身，还会在运行now()函数前打印一行日志：

>>> now()

call now():
2015-3-25

由于log()是一个decorator，返回一个函数，所以，原来的now()函数仍然存在，只是现在同名的now变量指向了新的函数，于是调用now()将执行新函数，即在log()函数中返回的wrapper()函数。

wrapper()函数的参数定义是(*args, **kw)，因此，wrapper()函数可以接受任意参数的调用。在wrapper()函数内，首先打印日志，再紧接着调用原始函数。

如果decorator本身需要传入参数，那就需要编写一个返回decorator的高阶函数，写出来会更复杂。比如，要自定义log的文本：

def now():
    print('2015-3-25')


def log(text):
    print('Jason')
    def decorator(func):
        print('Cool')
        def wrapper(*args, **kw):
            print('%s %s():' % (text, func.__name__))
            return func(*args, **kw)
        return wrapper
    return decorator


@log('execute')
def now():
    print('2015-3-25')

执行上面后输出如下：

Jason
Cool

调用now()函数时：

>>> now()

execute now():
2015-3-25

我们来剖析上面的语句，首先执行log('execute')，返回的是decorator函数，再调用返回的函数，参数是now函数，返回值最终是wrapper函数。

@property

Python内置的@property就是很常用的一个装饰器，负责把一个方法变成属性调用。

class DataSet(object):
    def __init__(self):
        self._images = 1
        self._labels = 2 #定义属性的名称
        
    @property
    def images(self): #方法加入@property后，这个方法相当于一个属性，这个属性可以让用户进行使用，而且用户有没办法随意修改。
        return self._images 
        
    @property
    def labels(self):
        return self._labels


l = DataSet()
#用户进行属性调用的时候，直接调用images即可，而不用知道属性名_images，因此用户无法更改属性，从而保护了类的属性。

print(l.images) # 加了@property后，可以用调用属性的形式来调用方法,后面不需要加（）。

二、表示矩阵乘法。

不常用。是torch.matmul（）的重写

例：

import torch

n=100
x = torch.ones(n,2)
x[:,0].uniform_(-1.,1)  # 第一列变换至(-1.,1) 之间
print(x[:5])  # 输出前5行
a = torch.tensor([3.,2.]) # 一维Tensor
print(a)
print(a.shape)
y = x@a
print(y)
print(y.shape)

输出结果：
tensor([[ 0.8230,  1.0000],
        [ 0.2427,  1.0000],
        [-0.7416,  1.0000],
        [-0.1267,  1.0000],
        [ 0.7767,  1.0000]])
tensor([3., 2.])
torch.Size([2])
tensor([ 4.4691,  2.7281, -0.2249,  1.6198,  4.3302,  3.3386,  1.9908, -0.8602,
         4.9401,  1.9773,  4.5304, -0.1322,  3.9059, -0.6714,  1.8961,  3.7886,
         0.8241,  4.4958,  2.2765,  2.0459,  3.6542,  3.0824,  2.8941,  1.0526,
         4.8735,  1.4954,  3.0208,  4.0778,  2.3491,  2.2261,  3.1072,  1.0640,
         1.7861, -0.8534,  3.2532,  1.5553,  0.2124,  3.6449,  1.6078, -0.1138,
         4.2842,  3.7184,  2.2547,  3.4069,  3.6274,  0.4879,  1.4638,  3.9289,
         3.3475,  4.1895,  1.5572,  0.8312,  2.9297, -0.9266,  0.4067,  2.5237,
         0.6808,  4.9553,  3.3838,  0.5514,  4.8429,  0.0513,  3.4206,  0.3634,
         4.7817,  3.0385,  2.3276, -0.0794,  3.4981,  4.3776, -0.8681, -0.4573,
         3.6906,  1.2463,  1.4817,  4.0007,  4.7871,  2.5638,  4.2755,  3.1731,
         3.4726,  2.1015, -0.8896,  1.4156,  1.2603,  4.0047,  3.3631,  3.5998,
         3.2414, -0.1534,  3.6266,  0.3750,  4.4118, -0.0199,  1.6172,  3.2992,
        -0.2325,  1.8240,  0.5580,  2.1420])
torch.Size([100])