第7.7节 案例详解:Python类继承机制

本节实现一个类继承的小程序,下面一边结合代码一边介绍相关继承的知识。例子以车、汽车为例,车为父类、汽车为子类。
一、    定义父类Vehicle

class Vehicle():
   def __init__(self,wheelcount, power):#构造方法,参数有轮子数和动力
       self.wheelcount,self.power,self.totaldistance = wheelcount,power,0
       #初始化行驶总里程为0
   def gettotaldistance(self):return self.totaldistance  #定义获取形式总里程的方法
   def drive(self,distance):#定义drive方法
           self.totaldistance += distance  

二、    定义子类Car

class Car(Vehicle):
   def __init__(self,wheelcount, power):
       super().__init__(wheelcount, power)
       Vehicle.__init__(self,wheelcount, power)
       super(Car,self).__init__(wheelcount, power)
       self.oil,self.oilcostperkm=0,0.1

子类内首先重写了构造方法,注意:
1.    首先调用了超类的构造方法,为了说明超类方法的调用,代码将三种调用超类构造方法都实现了(具体这三种方法的使用方法请参考上一节的介绍),实际上只要有一种就够了;
2.    超类构造方法中初始化了轮子数、动力以及总行驶里程。子类调用超类构造方法后,对于汽车又初始化了油量和每公里油耗。 

 def drive(self,distance):
       realdistance=min(distance,self.oil/self.oilcostperkm)
       super().drive(realdistance)
       self.oil -= realdistance*self.oilcostperkm
       print("车开了{}公里,目前邮箱存油{:.2f}升,目前车辆总里程:{}KM".format(realdistance,self.oil, super().gettotaldistance()))

子类重写了父类的drive方法,本次只用了一种老猿推荐的方式调用父类的drive方法,重写的方法内根据油量确认了实际驾驶里程之后调用了父类的drive方法,同时对油量进行了调整,输出了一些车况信息,其中调用了父类的gettotaldistance()方法。 

def  oiling(self,oil):
       self.oil+=oil
       print("加油{}升,目前邮箱存油{:.2f}升".format(oil,self.oil))

  实现子类独有的加油方法,父类的车可以是畜力或人力等其他方式驱动就没有这个方法。

def needoiling(self):
    if self.oil<5: return True
    else:return False


 实现子类独有的是否需要加油判断方法。   

def output(self):
    print("车子动力为{},100KM油耗{}升,车子累计行驶{}KM,油箱存油{:.2f}L".format(self.power,self.oilcostperkm*100, super().gettotaldistance(),self.oil))


实现子类独有的输出车况的方法,其中调用了父类的gettotaldistance()方法。

到此为止整个子类的代码实现完成,它完全继承了父类方法gettotaldistance,采用重写+父类调用方式实现了drive和构造方法的继承,并实现了needoiling、oiling两个子类独有的方法,其实例变量self.wheelcount,self.power,self.totaldistance是从父类继承。
三、    调用的代码
下面是使用该类定义的一个实例,

car = Car(4,'汽油发动机')
car.oiling(50)
for i in range(1,100):
   print("***************第{}次循环************".format(i))
   car.oiling(random.randint(10,60))  #随机加油x升
   car.drive(random.randint(5,1000)) #随机驾驶x公里
   car.output()  #输出车况信息
   if car.needoiling(): break  #如果油不够了就结束循环


四、    上述例子的完整源代码

#coding:utf-8
import random
class Vehicle():
   def __init__(self,wheelcount, power):
       self.wheelcount,self.power,self.totaldistance = wheelcount,power,0
  
   def drive(self,distance):
       self.totaldistance += distance  
       
   def gettotaldistance(self):return self.totaldistance
       
          
class Car(Vehicle):
   def __init__(self,wheelcount, power):
       super().__init__(wheelcount, power)
       Vehicle.__init__(self,wheelcount, power)
       super(Car,self).__init__(wheelcount, power)
       self.totaldistance,self.oil,self.oilcostperkm=0,0,0.1

   def drive(self,distance):
       realdistance=min(distance,self.oil/self.oilcostperkm)
       super().drive(realdistance)
       self.oil -= realdistance*self.oilcostperkm
       print("车开了{}公里,目前邮箱存油{:.2f}升,目前车辆总里程:{}KM".format(realdistance,self.oil,super().gettotaldistance()))
           
   def  oiling(self,oil):
       self.oil+=oil
       print("加油{}升,目前邮箱存油{:.2f}升".format(oil,self.oil))
  
   def needoiling(self):
       if self.oil<5: return True
       else:return False
       
   def output(self):
       print("车子动力为{},100KM油耗{:.2f}升,车子累计行驶{}KM,油箱存油{:.2f}L".format(self.power,self.oilcostperkm*100,super().gettotaldistance(),self.oil))

car = Car(4,'汽油发动机')
car.oiling(50)
for i in range(1,100):
   print("***************第{}次循环************".format(i))
   car.oiling(random.randint(10,60)) 
   car.drive(random.randint(5,1000))
   car.output()
   if car.needoiling(): break

本节结合上节的知识通过一个例子介绍了类继承的使用方法,大家可以结合上节的知识理解相关实现代码。由于相关代码中使用了随机数,因此每次运行结果都可能不同,下面是其中某次运行的截图:


 
老猿Python(https://blog.csdn.net/LaoYuanPython)系列文章用于逐步介绍老猿学习Python后总结的学习经验,这些经验有助于没有接触过Python的程序员可以很容易地进入Python的世界。
欢迎大家批评指正,谢谢大家关注!

转载于:https://www.cnblogs.com/LaoYuanPython/p/11094171.html

  • 0
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
`STFT` 是一个 PyTorch 模块,用于计算短时傅里叶变换(Short-Time Fourier Transform,STFT),是一种常用的信号处理技术。下面是这个模块的详细解释: ```python class STFT(torch.nn.Module): def __init__(self, filter_length=2048, hop_length=512, win_length=None, window='hann', center=True, pad_mode='reflect', freeze_parameters=True): super().__init__() self.filter_length = filter_length self.hop_length = hop_length self.center = center self.pad_mode = pad_mode if win_length is None: win_length = filter_length self.win_length = win_length self.window = get_window(window, win_length) # Create filter kernel fft_basis = np.fft.fft(np.eye(filter_length)) kernel = np.concatenate([np.real(fft_basis[:filter_length // 2 + 1, :]), np.imag(fft_basis[:filter_length // 2 + 1, :])], 0) self.register_buffer('kernel', torch.tensor(kernel, dtype=torch.float32)) # Freeze parameters if freeze_parameters: for name, param in self.named_parameters(): param.requires_grad = False def forward(self, waveform): assert (waveform.dim() == 1) # Pad waveform if self.center: waveform = nn.functional.pad(waveform.unsqueeze(0), (self.filter_length // 2, self.filter_length // 2), mode='constant', value=0) else: waveform = nn.functional.pad(waveform.unsqueeze(0), (self.filter_length - self.hop_length, 0), mode='constant', value=0) # Window waveform if waveform.shape[-1] < self.win_length: waveform = nn.functional.pad(waveform, (self.win_length - waveform.shape[-1], 0), mode='constant', value=0) waveform = waveform.squeeze(0) if self.window.device != waveform.device: self.window = self.window.to(waveform.device) windowed_waveform = waveform * self.window # Pad for linear convolution if self.center: windowed_waveform = nn.functional.pad(windowed_waveform, (self.filter_length // 2, self.filter_length // 2), mode='constant', value=0) else: windowed_waveform = nn.functional.pad(windowed_waveform, (self.filter_length - self.hop_length, 0), mode='constant', value=0) # Perform convolution fft = torch.fft.rfft(windowed_waveform.unsqueeze(0), dim=1) fft = torch.cat((fft.real, fft.imag), dim=1) output = torch.matmul(fft, self.kernel) # Remove redundant frequencies output = output[:, :self.filter_length // 2 + 1, :] return output ``` - `__init__` 方法:构造方法,用于初始化模块的各个参数。其中,`filter_length` 表示 STFT 的滤波器长度,`hop_length` 表示 STFT 的帧移(即相邻帧之间的采样点数),`win_length` 表示 STFT 的窗函数长度,`window` 是指定的窗函数型(默认为汉宁窗),`center` 表示是否需要在信号两端填充 0 以保证 STFT 的中心位置与输入信号的中心位置对齐,`pad_mode` 是指定填充方式(默认为反射填充),`freeze_parameters` 表示是否需要冻结模块的参数。 - `forward` 方法:前向传播方法,用于计算输入信号的 STFT。其中,`waveform` 表示输入信号。首先,根据 `center` 和 `pad_mode` 对输入信号进行填充和窗函数处理,然后进行线性卷积,最后通过傅里叶变换计算 STFT。返回的 `output` 是一个张量,表示 STFT 系数。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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