python lambda的应用_python 注解的应用(上)

在 python 中是通过装饰模式来实现注解的,通过装饰模式来包裹被装饰的函数,在这个函数开始或结束运行装饰函数。有点绕,我们还是通过示例来了解 python 中的注解。

首先我们需要了解一下闭包,如果您是前端开发人员,想必闭包对您一定不陌生。闭包可是 javascript 的法宝之一。

在 python 中,也有闭包的概念。python 也是通过闭包来实现装饰模式—注解。

如果在一个内部函数里,对在外部作用域(但不在全局作用域)的变量进行引用,那么内部函数就被认为是闭包(closure)。定义在外部函数内的但由内部函数引用或者使用的变量被称为自由变量。

这就是一个闭包的示例,通常我们在函数外部是无法访问到函数内部的变量 message,我们是通过返回函数 inner_function 将这个 message 变量带出其原有作用域(outer_function 函数)。

027e02dcb4efa61f72d2211a0025985b.png

我们可以去掉中间变量 message 让函数看起更加简洁些。

5f751eb82c5038430cdb93655ec5f897.png

在闭包基础上我们再向注解迈出两步。

e6830d1cf53589338d966eb9202526a0.png

wrapper 就是我们包裹函数,对 original_function(我们要装饰的函数)进行包裹,然后将 original_function 函数作为返回值。

e60c849ee7c0dd800863e6002b4d99b8.png

定义 display 函数(就是被装饰的函数)然后将 display 作为参数传入到decorator_function 装饰函数中,decorated_dispay 等于 wrapper_function 返回的 original_funciton 所以执行 decorated_display 就行等执行了 display 。这与直接执行 display 的不同之处,是执行 decorated_display 会先执行 wrapper_function 中一些逻辑。

265fb782bf49f8148a327e097b9e6a07.png

在返回 original_function 函数之前,打印一下 original_function的名称。运行一下看效果。看出来吧 decorated_display 就是装饰后 display 的函数。

78f85f673525b76d63e005685649138f.png

c7b5036a6ca3c6c74294c76a4eb813bc.png

我们也可以通过 @ + 函数名来装饰 display 函数

其实就是等于 display = decorator_function(display)

06305dfc2a7c3bcb9acad394668d00d5.png

定义的 display() 是没有参数函数,我们再定义一个带有两个参数的函数,试一试,用 decorator_function 来装饰他。

5d7a2be6c1bace876ad337efc834ffda.png

运行发现报错了,那就修改呗。

aff75c526ff810b15892716d2e6d1a4d.png

我们为 wrapper_function 添加参数,然后再传入到 original_function 我们看效果。

c75f3f8ca47a72ce47c147f7c98a0b13.png

4cc7c2c91c14b45704a69194bba369b4.png

装饰也可以是 class 我们用 class 来完成 decroator_function 同样的功能

今天就这里吧。

  • 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