本文介绍了Python中使用with关键字进行文件读写操作的优势，它能确保资源在使用完毕后自动释放，避免内存泄露。此外，还讨论了在Tensorflow1.0中，with用于管理上下文，实现变量命名空间和参数共享，但在Tensorflow2.0中，这一功能不再必要，因为直接定义网络层即可实现参数共享。作者建议开发者养成使用with的习惯，以提高代码的健壮性和易维护性。
学习python的朋友都知道文件读写的基本操作，通常我们读写文本的姿势是这个样子的：
f = open(file_name)
...
f.close()
每次定义一个文件读写对象，在操作完成后，我们都需要进行关闭操作，如果你一不小心忘记了，恭喜你中奖了？你的程序很可能发生内存泄露，然后内存溢出，然后就挂了。
这样的事情发生的概率挺高的，我以前就总是这样，因为打开文本后，很可能一顿操作，代码写得很开心，自然忘记风险，忘记f.close …那么怎么避免类似的事情发生呢？这时候with就该出场了。
我们只需要：
with open(file_name) as f:
...
with作用的代码块执行结束后，会自动进行资源释放，自动啊，妈妈再也不用担心我的内存！！！
后来学了tensorflow 1.0 发现了with的妙用，上下文管理，简单来说，利用
with tf.name_scope(name, reuse=...):
balaba
我们可以把with下的所有变量都定义到name命名空间下，然后呢？后续可以重复使用。帮助我们实现网络参数共享。不过到了tensorflow2.0 这个功能不美丽了，你只要定义网络layer类似于函数对象，后续想要调用几次就几次，参数都是共享的。
今天就分享到这，希望大家进行文件读写时养成使用with的好习惯！
参考：
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
