python中的with使用方法[探索5]

with

with是一种上下文管理协议，目的是从流程图中把try,except和finally关键字以及资源分配释放相关代码统统去掉，简化try-excepet-finally的处理流程
with确保了不管过程中是否发生异常都会执行必要的清理，释放资源，例如：文件使用后自动关闭等

1.语法格式

with expression [as target]:
  .....

2.用法探究

学习自博客：
https://www.cnblogs.com/wwbplus/p/11329541.html

import numpy as np
import os

获取当前文件的目录

current_path=os.getcwd()
print(current_path)
#path1=os.path.abspath(__file__) #注意了，__file__只有在脚本程序中才会有定义，在终端或交互式中是没有定

获取当前文件的路径

path2=os.path.dirname(os.path.abspath(__file__)) #包含了当前脚本的文件名

a=np.array([1,2])

np.save(current_path+'/a.npy',a)

**使用with打开a.npy**

a=np.load(current_path+'/a.npy')

with np.load(current_path+'/a.npy') as np_load: #没有这种用法哦！，with只能打开txt文件，那么下面换成txt试试喽
  print(np_load())

np.savetxt(current_path+'/a.txt',a)

with open(current_path+'/a.txt') as fp: #整个文件的读取
  print(fp.read())
输出：
1.000000000000000000e+00
2.000000000000000000e+00

with open(current_path+'/a.txt') as fp: #整个文件的读取
  print(fp.readline())
  print(fp.readlines()) #读取下一行，但是输出的是列表
  print(fp.readlines()) #输出空列表
  print(fp.readline()) #没有能输出的了
输出：
1.000000000000000000e+00

['2.000000000000000000e+00\n']
[]

b=np.array([[1,2],[3,4]])

np.savetxt(current_path+'/b.txt',b)

with open(current_path+'/b.txt'),open(current_path+'/a.txt') as fp,\
open(current_path+'/b.txt','w') as fw: #with里面输入再多的open也只会执行最后一个open
  fw.write('aaaa')
  print(fp.read())
输出：
1.000000000000000000e+00
2.000000000000000000e+00

with open(current_path+'/b.txt') as fp: #测试b.txt是否已经被全部修改了
  print(fp.read())
输出：
aaaa

with open(current_path+'/a.txt') as fp, open(current_path+'/b.txt') as fp2:
  for i in fp: #可以用for的形式来替换掉.readline()
    print(i)
    print(fp2.readline())
输出：
1.000000000000000000e+00

aaaa
2.000000000000000000e+00

with open(current_path+'/b.txt') as fp2:
  for i in fp2: #可以用for的形式来替换掉.readline()
    print(i)
输出：
aaaa

3.在TensorFlow中的应用

不使用with的 Session

import tensorflow as tf

a = tf.constant([1.0, 2.0])
b = tf.constant([3.0, 4.0])
c = a * b #点乘

sess = tf.Session() #创建会话

print(sess.run(c))
sess.close() #手动关闭会话
输出：
[3. 8.]

使用with的 Session

import tensorflow as tf

a = tf.constant([1.0, 2.0])
b = tf.constant([3.0, 4.0])
c = a * b
 
with tf.Session() as sess: #使用with就可以不同手动关闭会话了
    print(sess.run(c))
输出：
[3. 8.]

补：Tensorflow gpu/cpu的指定配置

from tensorflow.python.client import device_lib

print(device_lib.list_local_devices())

import time
import tensorflow as tf
for d in ['/device:CPU:0','/device:GPU:0']: #用cpu和gpu分别测试了速度
   with tf.device(d):
      start=time.time()
      a=tf.constant([1.0,2.0,3.0,4.0,5.0,6.0],shape=[2,3])
      b=tf.constant([1.0,2.0,3.0,4.0,5.0,6.0],shape=[3,2])
      c=tf.matmul(a,b)
      end=time.time()
      consuming_time=tf.convert_to_tensor(end-start) #必须要转成tensor变量

sess=tf.Session(config=tf.ConfigProto(log_device_placement=True))
print(sess.run(sum))
print(sess.run(consuming_time))

本人现在的研究方向是：
图像的语义分割，如果有志同道合的朋友，可以组队学习
haiyangpengai@gmail.com qq:1355365561