透析Python装饰器--透过现象看本质

》眼花缭乱

Python的装饰器(也称语法糖)大致分为这几类:

  • 无参数装饰器
  • 有参数装饰器
  • 装饰类的装饰器
  • 无参数类装饰器
  • 有参数类装饰器

:(),这几个分类待会儿一个一个解释,有可能叫法不一定对。光是分类就这么多了,如果在弄不清楚装饰器的本质,不知要死多少脑细胞,妈妈啊、、、、、

》拨云见日

我们闲聊点别的,先看这样一个问题:假设我用了一个别人的函数f,我想加入自己的逻辑,比如在f执行前后打印日志,你可能这样实现:

 def outer_one(f):
    print 'outer_1 before'
    f()
    print 'outer_1 after'

好像实现了功能,但是只是实现了部分功能,而且我们希望是一个新函数,如何实现呢????
你问我,可我也不知道,我们分析一下,既然是新函数,假设返回一个函数,貌似问题解决了,于是我们有了下面的实现:

def outer_one(f):
    def wrapped():
        print 'outer_1 before'
        f()
        print 'outer_1 after'
    return wrapped

这样,令new_func=wrapped(f),调用new_func(),貌似就应该是这样吧

》来点困难的

上面的只是开开眼,下面来点难的:

# 无参数

def outer_three(f):

    def wrapped3():
        print 'outer_3 before'
        f()
        print 'outer_3 after'
    return wrapped3

def outer_two(f):

    def wrapped2():
        print 'outer_two before'
        f()
        print 'outer_two after'
    return wrapped2

def outer_one(f):

    def wrapped1():
        print 'outer_1 before'
        f()
        print 'outer_1 after'
    return wrapped1

def f():
    print 'f'



print "++++++++++++++++++++++="
outer_three(outer_two(outer_one(f)))()
print f.__name__
print "++++++++++++++++++++++="

你能猜猜结果嘛,特别关注,new_func=outer_three(outer_two(outer_one(f))),这个表达式返回的是个函数,new_func.__name__ 是什么?思考一下再回来、、、


哈哈,第二个答案是outer_three的wrapped3。
这个问题的关键是弄清outer_three(outer_two(outer_one(f)))这个表达式是如何执行的,它是从内到外执行的,也就是,outer_one返回的wrapped1会作为outer_two的参数,即,f=wrapped1。


再来点复杂的,如果要传递参数该怎么写呢?

# 有参数

def outer_three(f):

    def wrapped(a):
        print 'outer_3 before'
        f(a)
        print 'outer_3 after'
    return wrapped

def outer_two(f):

    def wrapped(a):
        print 'outer_two before'
        f(a)
        print 'outer_two after'
    return wrapped

def outer_one(f):

    def wrapped(a):
        print 'outer_1 before'
        f(a)
        print 'outer_1 after'
    return wrapped

def f(a):
    print 'f:',a

print "++++++++++++++++++++++="
outer_three(outer_two(outer_one(f)))(123132)
print f.__name__
print "++++++++++++++++++++++="

调用图如下:

 
 
2178776-b8d1ac504768c770.jpg
call.jpg

》言归正传

我们看个栗子:
# first,无参数装饰器
def wrapper_func(f):
print f.name
def wrapped(a):
f(a)
return wrapped

    @wrapper_func
    def func(a):
        print a
        print locals()


    print "++++++++++++++++++++++="
    func(234)
    print func
    print "++++++++++++++++++++++="

其实这个语法糖帮你做了一个这样的事情,func = wrapper_func(func)

__这就是装饰器的本质 __

师兄只能帮你到这里了,剩下的看你了 :------》,

什么还不懂,再提示几点,

  • 有参数时,func = wrapper_func(args1)(func)(args2),args1传给了wrapper_func(),而args2 传给了func
  • 对于class,如果想这样用,MyClass(args)(args),需要重写MyClass的__call__方法
  • 考虑下,func在什么时候被调包了
  • 考虑下,现在的func的名字已经不是func了,如何让它的名字恢复
  • 如果有返回值该怎么办?return

好了,代码如下:

  # first,无参数装饰器
    def wrapper_func(f):
        print f.__name__
        def wrapped(a):
            f(a)
        return wrapped

    @wrapper_func
    def func(a):
        print a
        print locals()


    print "++++++++++++++++++++++="
    func(234)
    print func
    print "++++++++++++++++++++++="


    # second,有参数装饰器

    def wrapper_one(arg):
        print 's:',arg
        def wrapper_two(f):
            def wrapper_three(a):
                print 'a', a
                f(a)
            return wrapper_three 
        return wrapper_two


    @wrapper_one('sfdsf')
    def func2(s):
        print s


    print "++++++++++++++++++++++="
    func2(34)
    print func2
    print "++++++++++++++++++++++="


    # three, 装饰类的装饰器

    def wrapper_cls(cls):
        def wrapperd_cls(*args,**kwgs):
            cls(*args,**kwgs)

        return wrapperd_cls

    @wrapper_cls
    class MyClass(object):
        pass

    print "++++++++++++++++++++++="
    print MyClass()
    print MyClass
    print "++++++++++++++++++++++="

    # four, 装饰器是一个类, 无参数
    class wrapper_class(object):
        def __init__(self,func):
            self.func=func

        def __call__(self,*args,**kwgs):
            self.func(*args,**kwgs)

    @wrapper_class
    def func3(a):
        print a


    print "++++++++++++++++++++++="
    print func3(5)
    print func3
    print "++++++++++++++++++++++="



    # four, 装饰器是一个类,有参数
    class wrapper_class2(object):
        def __init__(self,args):
           print 'cls',args

        def __call__(self,func):
            def wrapper_inner(*args,**kwgs):
                func(*args,**kwgs)
            return wrapper_inner


    @wrapper_class2(123)
    def func4(a):
        print a


    print "++++++++++++++++++++++="
    print func4(5)
    print func4
    print "++++++++++++++++++++++="

补充:

建了一个qq群:389954854,主要目的是互帮互助,通过交流促进python技术。很多初学者往往不知道如何下手,还等什么,快快加入进来吧!

389954854

或者关注微信公众号:python码码有趣的

python码码有趣的

 

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。
【6层】4837.9平米六层框架综合办公楼(含计算书、建筑、结构图纸) 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
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