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

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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