python默认参数 可变对象_最小经验原则(POLA)与可变默认参数

题目

任何长时间学习Python的人都会遇到下面的问题。

def foo(a=[]):

a.append(5)

return a

Python初学者期望这个函数总是会返回一个只包含一个元素的列表:[5],结果并非如此。

>>> foo()

[5]

>>> foo()

[5, 5]

>>> foo()

[5, 5, 5]

>>> foo()

[5, 5, 5, 5]

>>> foo()

我的主管曾遇到过这个问题,并称其为语言的“戏剧性设计缺陷”。我回答说这个行为可能另有深意,如果不理解内部实现,那确实令人费解。但是,我没法解释:在函数定义中绑定默认参数的原因是什么,为什么不是在函数执行时?我怀疑这种方式是否具有实际用处(就如在C中使用静态变量而没有引发bug)。

这里有一个有趣的例子:

>>> def a():

... print("a executed")

... return []

...

>>>

>>> def b(x=a()):

... x.append(5)

... print(x)

...

a executed

>>> b()

[5]

>>> b()

[5, 5]

默认参数在函数定义时就已经计算好了。

回答一

事实上,这并不是一个设计缺陷,而且与内部实现、性能无关。

这仅仅是因为一个事实:在Python中函数是一等公民,而不只是代码片段。

继续深入思考,你会觉得这是合理的:函数也是对象,在定义时被执行得到的对象;默认参数类似“成员数据”,因此它们的状态在多次调用后会发生改变——就如在任何其他对象里一样。

我觉得这篇文章简洁明了,如果想对函数对象是如何工作的有更好的理解,也建议阅读。

为什么会这样

默认参数值会被计算,当且仅当其所属的def语句被执行。

def是Python中的可执行语句,而且默认参数是在def语句环境里被计算。如果执行def语句多次,每次它将会产生新的函数对象(默认参数也会重新计算)

替代方法

使用占位符代替修改默认值,None是个很好的选择。

def myfunc(value=None):

if value is None:

value = []

# modify value here

具体是怎么执行的

当Python执行def语句时,它需要一些已经生成的部分(包括函数体和当前命名空间的编译代码)创建一个新的函数对象。默认参数也是在这时候被计算的。

各个部分作为函数对象的属性:

>>> function.func_name

'function'

>>> function.func_code

00BEC770, file "", line 1>

>>> function.func_defaults

([1, 1, 1],)

>>> function.func_globals

{'function': 0x00BF1C30>,

'__builtins__': '__builtin__' (built-in)>,

'__name__': '__main__', '__doc__': None}

因为我们可以访问到默认参数,因此可以改变它们

>>> function.func_defaults[0][:] = []

>>> function()

[1]

>>> function.func_defaults

([1],)

另一种重置默认参数的方法时简单地重新执行相同的def语句。Python将会创建创建新的绑定给这个函数对象,重新计算默认参数,像之前一样将函数对象赋值给同一个变量。但是话说回来,当且仅当你知道你在做什么时才这么去使用。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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