self.array 和 _array的区别

最新推荐文章于 2022-12-09 17:39:59 发布
最新推荐文章于 2022-12-09 17:39:59 发布
阅读量1k 收藏
点赞数
分类专栏： iOS 文章标签： iOS self.array _array 区别
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_31389903/article/details/51328663
版权 

</pre><p>今天早上遇到一个问题，在给数组array添加元素的时候，发现如下情况</p><p>在有懒加载的前提下：</p><p><span style="color:rgb(51,51,51); font-family:'Helvetica Neue',Helvetica,STheiti,微软雅黑,黑体,Arial,Tahoma,sans-serif,serif; font-size:14px; line-height:24px"></span></p><pre name="code" class="objc">[self.array addObject: @"1"];
self.array可以通过这个方法添加对象成功， 
[_array addObject: @"1"]
  而_array添加对象不成功？


通过查找资料，发现self.array 和 _array的访问的区别：

1.内存机制的不同

self.array相当于〔self getArray〕，_arr相当于self->_array。一个是访问属性，一个是访问成员变量。

使用self.array时会执行get方法，也就是(NSArray * )array{}这个方法。

如果在懒加载的时候，最后返回的是return self.array；这样会进入一个死循环

相当于

 - (NSarray *)array{ 
                 ........ 
                 return [self array];  
                  }
注意： 如果没有重写(NSArray * )array{},self.array和_array效果一样。、


2.KVO的区别

self.array 会激活通知中心 。
_array 就不会 。


建议：如果没有使用懒加载，直接初始化的话，两者在添加元素方面是一样的，但是直接访问不会触发set和get方法，个人建议是除了在set和get方法里使用下划线直接访问变量，外面都使用self.来调用 


火山LF
关注
专栏目录
Python解决线性代数问题之矩阵的初等变换
body_builder的博客
03-08 2280
定义一个矩阵初等行变换的类class rowTransformation(): array = ([[],[]]) def __init__(self,array): self.array = array def __mul__(self, other): pass # 交换矩阵的两行 def exchange_two_l...
用xlrd读取表格时，报self._cell_types[rowx][colx],IndexError: list index out of range错误的处理一例
fxj198的博客
05-12 3330
TYRT HGFHGF
python实现数组的添加删除
Z_love_u的博客
06-10 724
class PyArray(): # 设置初始的数组容量和实际数组元素个数 def __init__(self, capacity): self.array = [None] * capacity # 创建适当容量的初始数组 self.size = 0 # 初始大小为0 # 创建插入方法-insert def insert(self, index, element): # 首先，先检查索引是否越界 if index < 0 or index > len(self.ar
Python数据结构之Array用法实例
jiahaowanhao的博客
07-15 793
Python数据结构之Array用法实例这篇文章主要介绍了Python数据结构之Array用法实例,较为详细的讲述了Array的常见用法,具有很好的参考借鉴价值,需要的朋友可以参考下    import ctypes   class Array:   def __init__(self, size):     assert size &gt; 0, "Array size must be &gt;...
火山视窗对象数组类与数据类型转换操作介绍
qq1185907650的博客
06-15 2077
本源码转载自利快云https://www.lkuaiy.com/ 火山视窗对象数组类与数据类型转换操作介绍 对象数组类可用于任何类的数组操作，可以将任何类都变成一个数组进行操作，并且也可以非常方便的添加，删除和修改。 一、添加成员 1、首先简单的定义三个文本数组类的变量做演示，在“创建完毕”事件下面分别给三个数组变量添加数据。 2、然后定义类型为“对象数组类”的变量，然后利用对象数组添加成员，分别吧三个文本数组变量添加进去，这样就完成了添加操作，可以看出使...
关于懒加载中的self.和_
weixin_33686714的博客
02-29 105
---恢复内容开始--- 在开发中,经常会用到懒加载,最常用的如加载一个数组 如图,在这个懒加载数组中有的地方用到了_array有的地方用到了self.array 原因是_array是直接访问,而self.array是通过属性访问,也就是通过set/get方法来读取这个值,,xcode会默认将两个值通过syncthesize关键字进行同步 self.array 系统会去调用g...
def _load(self): with open(self.txt_filelist, "r") as f: self.relpaths = f.read().splitlines() l1 = len(self.relpaths) self.relpaths = self._filter_relpaths(self.relpaths) print("Removed {} files from filelist during filtering.".format(l1 - len(self.relpaths))) self.synsets = [p.split("/")[0] for p in self.relpaths] self.abspaths = [os.path.join(self.datadir, p) for p in self.relpaths] unique_synsets = np.unique(self.synsets) class_dict = dict((synset, i) for i, synset in enumerate(unique_synsets)) if not self.keep_orig_class_label: self.class_labels = [class_dict[s] for s in self.synsets] else: self.class_labels = [self.synset2idx[s] for s in self.synsets] with open(self.human_dict, "r") as f: human_dict = f.read().splitlines() human_dict = dict(line.split(maxsplit=1) for line in human_dict) self.human_labels = [human_dict[s] for s in self.synsets] labels = { "relpath": np.array(self.relpaths), "synsets": np.array(self.synsets), "class_label": np.array(self.class_labels), "human_label": np.array(self.human_labels), } if self.process_images: self.size = retrieve(self.config, "size", default=256) self.data = ImagePaths(self.abspaths, labels=labels, size=self.size, random_crop=self.random_crop, ) else: self.data = self.abspaths解析
06-11
6. 将文件路径、类别标签、数字标签和人类可读标签保存在labels变量中； 7. 如果process_images为True，则调用ImagePaths类对图像进行处理，并保存在变量self.data中； 8. 如果process_images为False，则直接将文件...
unique_synsets = np.unique(self.synsets) class_dict = dict((synset, i) for i, synset in enumerate(unique_synsets)) if not self.keep_orig_class_label: self.class_labels = [class_dict[s] for s in self.synsets] else: self.class_labels = [self.synset2idx[s] for s in self.synsets] with open(self.human_dict, "r") as f: human_dict = f.read().splitlines() human_dict = dict(line.split(maxsplit=1) for line in human_dict) self.human_labels = [human_dict[s] for s in self.synsets] labels = { "relpath": np.array(self.relpaths), "synsets": np.array(self.synsets), "class_label": np.array(self.class_labels), "human_label": np.array(self.human_labels), } if self.process_images: self.size = retrieve(self.config, "size", default=256) self.data = ImagePaths(self.abspaths, labels=labels, size=self.size, random_crop=self.random_crop, ) else: self.data = self.abspaths详细解析
06-11
这段代码是一个数据预处理的过程，主要是为了将一个数据集的图像路径、类别标签等信息整理...否则直接将图像路径和标签整理成一个字典 `self.abspaths`。整个预处理过程的结果保存在 `self.data` 中，供模型训练使用。
下面的这段python代码，哪里有错误，修改一下：import numpy as np import matplotlib.pyplot as plt import pandas as pd import torch import torch.nn as nn from torch.autograd import Variable from sklearn.preprocessing import MinMaxScaler training_set = pd.read_csv('CX2-36_1971.csv') training_set = training_set.iloc[:, 1:2].values def sliding_windows(data, seq_length): x = [] y = [] for i in range(len(data) - seq_length): _x = data[i:(i + seq_length)] _y = data[i + seq_length] x.append(_x) y.append(_y) return np.array(x), np.array(y) sc = MinMaxScaler() training_data = sc.fit_transform(training_set) seq_length = 1 x, y = sliding_windows(training_data, seq_length) train_size = int(len(y) * 0.8) test_size = len(y) - train_size dataX = Variable(torch.Tensor(np.array(x))) dataY = Variable(torch.Tensor(np.array(y))) trainX = Variable(torch.Tensor(np.array(x[1:train_size]))) trainY = Variable(torch.Tensor(np.array(y[1:train_size]))) testX = Variable(torch.Tensor(np.array(x[train_size:len(x)]))) testY = Variable(torch.Tensor(np.array(y[train_size:len(y)]))) class LSTM(nn.Module): def __init__(self, num_classes, input_size, hidden_size, num_layers): super(LSTM, self).__init__() self.num_classes = num_classes self.num_layers = num_layers self.input_size = input_size self.hidden_size = hidden_size self.seq_length = seq_length self.lstm = nn.LSTM(input_size=input_size, hidden_size=hidden_size, num_layers=num_layers, batch_first=True) self.fc = nn.Linear(hidden_size, num_classes) def forward(self, x): h_0 = Variable(torch.zeros( self.num_layers, x.size(0), self.hidden_size)) c_0 = Variable(torch.zeros( self.num_layers, x.size(0), self.hidden_size)) # Propagate input through LSTM ula, (h_out, _) = self.lstm(x, (h_0, c_0)) h_out = h_out.view(-1, self.hidden_size) out = self.fc(h_out) return out num_epochs = 2000 learning_rate = 0.001 input_size = 1 hidden_size = 2 num_layers = 1 num_classes = 1 lstm = LSTM(num_classes, input_size, hidden_size, num_layers) criterion = torch.nn.MSELoss() # mean-squared error for regression optimizer = torch.optim.Adam(lstm.parameters(), lr=learning_rate) # optimizer = torch.optim.SGD(lstm.parameters(), lr=learning_rate) runn = 10 Y_predict = np.zeros((runn, len(dataY))) # Train the model for i in range(runn): print('Run: ' + str(i + 1)) for epoch in range(num_epochs): outputs = lstm(trainX) optimizer.zero_grad() # obtain the loss function loss = criterion(outputs, trainY) loss.backward() optimizer.step() if epoch % 100 == 0: print("Epoch: %d, loss: %1.5f" % (epoch, loss.item())) lstm.eval() train_predict = lstm(dataX) data_predict = train_predict.data.numpy() dataY_plot = dataY.data.numpy() data_predict = sc.inverse_transform(data_predict) dataY_plot = sc.inverse_transform(dataY_plot) Y_predict[i,:] = np.transpose(np.array(data_predict)) Y_Predict = np.mean(np.array(Y_predict)) Y_Predict_T = np.transpose(np.array(Y_Predict))
05-27
super(LSTM, self).__init__() self.num_classes = num_classes self.num_layers = num_layers self.input_size = input_size self.hidden_size = hidden_size self.seq_length = seq_length self.lstm =...
def __getitem__(self, index): if self.split=='train': vis_path = self.filepath_vis[index] ir_path = self.filepath_ir[index] label_path = self.filepath_label[index] image_vis = np.array(Image.open(vis_path)) image_inf = cv2.imread(ir_path, 0) label = np.array(Image.open(label_path)) image_vis = ( np.asarray(Image.fromarray(image_vis), dtype=np.float32).transpose( (2, 0, 1) ) / 255.0 ) image_ir = np.asarray(Image.fromarray(image_inf), dtype=np.float32) / 255.0 image_ir = np.expand_dims(image_ir, axis=0) label = np.asarray(Image.fromarray(label), dtype=np.int64) name = self.filenames_vis[index] return ( torch.tensor(image_vis), torch.tensor(image_ir), torch.tensor(label), name, ) elif self.split=='val': vis_path = self.filepath_vis[index] ir_path = self.filepath_ir[index] image_vis = np.array(Image.open(vis_path)) image_inf = cv2.imread(ir_path, 0) image_vis = ( np.asarray(Image.fromarray(image_vis), dtype=np.float32).transpose( (2, 0, 1) ) / 255.0 ) image_ir = np.asarray(Image.fromarray(image_inf), dtype=np.float32) / 255.0 image_ir = np.expand_dims(image_ir, axis=0) name = self.filenames_vis[index] return ( torch.tensor(image_vis), torch.tensor(image_ir), name, )
最新发布
07-17
如果是验证集，只获取可见光图像路径（vis_path）和红外图像路径（ir_path），并进行和训练集相同的预处理操作。 最后，根据数据集的split属性，返回不同的数据组合。如果是训练集，返回可见光图像、红外图像、标签...
火山PC三维数组的使用案例_理论上可以无数维
03-28
火山PC三维数组的使用案例_理论上可以无数维
火山软件开发平台8数组操作24页
01-09
火山软件开发平台是易语言原创作者吴涛新作，是安卓快速开发中文编程之一，是提高安卓开发效率重要平台之一，鉴于目前中文教程很少，官网手册是非常好的教程之一，但是网站查看十分不方便，因此，本人整理出官方手册pdf版，完整版将于后续免费发放，具体请关注各大论坛。这是最新整理出来pdf部分，后续会完整合并，共计29个文件，这是整理的第8个pdf文件
Python学习笔记（二）——数组与矩阵
qq_45812711的博客
01-24 249
一、Array 1.The array structure import ctypes #Array ADT class Array: # Creates an array with size elements. def __init__(self, size): assert size > 0, "Array size must be > 0" ...
用python实现数组计算
weixin_46218747的博客
12-09 350
用python实现数组计算
火山PC数组的操作2
qq1185907650的博客
09-19 1121
一、窗口布局 二、添加单击事件 三、功能 ①添加数组 ②置成员 ③清空 ④查找删除 ⑤查找成员 ⑥是否为空 ⑦是否相等 四、演示效果 点击下载本文案例源码：本文案例源码下载
火山PC数组的操作1
qq1185907650的博客
09-12 1699
一、窗口布局 二、添加单击事件 三、功能 ①添加数组 ②置成员 ③清空 ④查找删除 ⑤查找成员 ⑥是否为空 ⑦是否相等 四、演示效果 本文章对应案例源码点击下载源码
七大排序算法汇总(python实现)
zbp_12138的博客
02-19 455
关注“python趣味爱好者”公众号，回复“排序算法”获取源代码 目前,常见的排序算法有: 冒泡排序 插入排序 选择排序 堆排序 计数排序 快速排序 本篇文章将围绕这七大算法进行介绍,我们先来学习一下整体的代码结构: class SORT(object): def __init__(self): self.arr = [20, 64, 34, 25, 12, 22,...
Python中self的含义到底是什么
xjl85的博客
07-25 4116
先来看一个例子：class Test: def prt(self): print(self) print(self.__class__)t = Test() t.prt()输出结果：<__main__.Test object at 0x004C5AB0> <class '__main__.Test'>可以看出，self代表的是类的实例。而self.class则
#256个block memory_size = 256 #pid进程号 class Process: def __init__(self, pid, block, duration): self.__block = block self.__duration = duration self.__pid = pid self.__memory = None @property def pid(self): return self.__pid @property def block(self): return self.__block @property def duration(self): return self.__duration def set_memory(self, memory_start, memory_end): self.__memory = (memory_start, memory_end) def get_memory(self): return self.__memory class MemoryAllocator: def __init__(self, memory_size): self.__memory_blocks = [None] * memory_size def memory_view(self): '''return the array of the use of memory blocks.''' return tuple(self.__memory_blocks) def allocate_memory(self, block_start, length, process): for block_id in range(block_start, block_start+length): assert self.__memory_blocks[block_id] is None, 'tend to allocate occupied blocks' self.__memory_blocks[block_id] = process process.set_memory(block_start, length) def free_memory(self, process): assert process.get_memory() is not None, 'process should already hold memory blocks' block_start, length = process.get_memory() for block_id in range(block_start, block_start+length): assert self.__memory_blocks[block_id] == process, 'the orresponding memory blocks should be assigned to the process' self.__memory_blocks[block_id] = None
06-11
if all(not self.__memory_blocks[j] for j in range(i, i + length)): return i return None def allocate_memory(self, process): length = process.duration start = self.find_free_memory(length) ...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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