函数的装饰器初识

eg:1 李业,在一家xx科技有限公司工作,主管安排了一个任务,
写一个代码测试怼怼哥写的函数的执行效率。
import time(一个模块)
def index():
time.sleep(2)
print('欢迎访问博客园首页')

计算函数运行的效率
print(time.time())
start_time = time.time()
index()
end_time = time.time()
print(f'此函数的执行效率{end_time-start_time}')

  1. 主管让你测试小邓,李大象,重复代码太多。
    def func1():
    time.sleep(2)
    print('欢迎访问日记首页')

def func2():
time.sleep(1)
print('欢迎访问评论首页')

start_time = time.time()
func1()
end_time = time.time()
print(f'此函数的执行效率{end_time-start_time}')

start_time = time.time()
func2()
end_time = time.time()
print(f'此函数的执行效率{end_time-start_time}')

  1. 整合到函数中
    def func1():
    time.sleep(2)
    print('欢迎访问日记首页')

def func2():
time.sleep(1)
print('欢迎访问评论首页')

def test_time(x):
start_time = time.time()
x()
end_time = time.time()
print(f'此函数的执行效率{end_time-start_time}')
test_time(func1)
test_time(func2)

  1. 怼怼哥这个函数在实际项目中被500执行,主管要求:在被执行此函数时,同时要测试一下被执行函数的效率。
    def index():
    time.sleep(2)
    print('欢迎访问博客园首页')
    index()

def test_time(x):
start_time = time.time()
x()
end_time = time.time()
print(f'此函数的执行效率{end_time-start_time}')

test_time(index)

版本4的问题: 开放原则满足了,封闭原则:不改变原函数的源码,以及调用方式。违反了封闭原则:改变了函数的调用方式。

版本5: 不能改变原函数的调用方式(闭包):
def index():
time.sleep(2)
print('欢迎访问博客园首页')
index()

def func1():
time.sleep(2)
print('欢迎访问日记首页')

def test_time(x): x = index
def inner():
start_time = time.time()
x()
end_time = time.time()
print(f'此函数的执行效率{end_time-start_time}')
return inner
index = test_time(index)
index()

语法糖 @加上装饰器函数的名
def f():
print(666)
f = '太白'
print(f)

def test_time(x): x = index
def inner():
start_time = time.time()
x()
end_time = time.time()
print(f'此函数的执行效率{end_time-start_time}')
return inner

@test_time index = test_time(index)
def index():
time.sleep(2)
print('欢迎访问博客园首页')
index = test_time(index)
index()

def func1():
time.sleep(2)
print('欢迎访问日记首页')

@test_time
def func2():
time.sleep(1)
print('欢迎访问评论首页')

func2 = test_time(func2)
func3 = test_time(func3)
func2()

版本6:被装饰函数有返回值
def test_time(x): x = index
def inner():
start_time = time.time()
ret = x()
print(F'ret: {ret}')
end_time = time.time()
print(f'此函数的执行效率{end_time-start_time}')
return ret
return inner

@test_time index = test_time(index)
def index():
time.sleep(0.5)
print('欢迎访问博客园首页')
return True

print(index()) inner()
你应该是让True返回给index()这样才完美了,但是现在index是inner,所以你要是完全不改变原函数的使用,你print(index()) ---> True

版本7: 被装饰函数带参数,无论加不加装饰器,你的实参'太白金星'应该传给形参n,。但版本6不能实现传参,index('太白金星') == inner('太白金星')

def test_time(x): x = index
def inner(args,kwargs):
函数的定义:*
聚合。
args = ('苹果')
args = (1, 3)
start_time = time.time()
ret = x(
args,kwargs)
函数的执行:*
打散。
ret = x(('苹果')) ==x('苹果',)
ret = x(
(1, 3)) ==x(1,3)
print(F'ret: {ret}')
end_time = time.time()
print(f'此函数的执行效率{end_time-start_time}')
return ret
return inner

@test_time index = test_time(index)
def index(n):
time.sleep(0.5)
print(f'欢迎{n}访问博客园首页')
return True

@test_time index = test_time(index)
def func2(a,b):
time.sleep(0.5)
print(f'最终结果:{a+b}')
return a + b

print(index('苹果')) inner('苹果')
print(func2(1,3)) == inner(1,3)

def warpper(f):
def inner(*args,**kwargs):
'''被装饰函数之前的操作'''
print(666)
ret = f(*args,**kwargs)
'''被装饰函数之后的操作'''
print('执行完毕了')
return ret
return inner

@warpper
def func():
print(111)
func()
func()
func()
func()
func()
装饰器的应用:在不改变原函数的源码以及调用方式前提下,为其增加额外的功能。
登陆认证,打印日志等。

posted on 2019-06-24 14:27  七橼77 阅读( ...) 评论( ...) 编辑 收藏

转载于:https://www.cnblogs.com/-777/p/11076846.html

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值