5月5日读书笔记——流畅的python

5.8 5.8 5.8 获取关于参数的信息

bobo库中有一个使用函数内省的示例:

import bobo

@bobo.query('/')
def hello(person):
     return 'Hello %s' % person

bobo装饰器将一个普通函数与框架的请求处理机制给囊括在一起了。bobo会内省hello这个函数,会去判断所需的参数。然后自动从请求中过去获取对应名称的参数,传给hello参数。

如果你没有传示例中的person参数时,如下图所示:
在这里插入图片描述

请求时,加入参数信息person,才能得到想要的结果:
在这里插入图片描述

那么bobo是怎么知道该函数需要什么样的参数呢?原来函数对象有个__defaults__属性,他的值是一个元组,里面保存着定位参数和关键词参数的默认值。仅限关键字参数的默认值在__kwdefaults__的属性中。参数的名称在__code__属性中,它的值是一个code对象引用,
它也有很多自身属性。


def clip(text, max_len=80):
     end = None
     if len(text) > max_len:
          space_before = text.rfind('', 0, max_len)
          if space_before >= 0:
               end = space_before
     else:
          space_after = text.rfind('', max_len)
          if space_after >= 0:
               end = space_after
     if end is None:
          end = len(text)
     return text[:end].rstrip()


print(clip.__defaults__)
print(clip.__code__.co_varnames)
print(clip.__code__)

# res
(80,)
('text', 'max_len', 'end', 'space_before', 'space_after')
<code object clip at 0x1064b9230, file "/Users/xxx/PycharmProjects/flu_python/test.py", line 7>

参数和在 函数定义体中创建的局部变量都在__code__.co_varnames中。但是,这里面不包含前缀为*或着**的变长参数。

在该实例中,clip函数有text和max_len两个参数,其中一个有默认值80,__defaults__得到的max_len为后面一个参数的值,这不合逻辑。

因此有了一个更好的inspect模块。他有一个inspect.signature的方法,同时返回一个signature对象,它有一个paramaters的属性,是一个有序的映射。将参数名和inspect.parameter对象对应起来。

>>> import inspect
>>> from meishi.test import books

>>> sig = inspect.signature(books)
>>> sig
<Signature (name, cls=None, *content, **attrs)>
>>> my_tag = {'name': "img", "title": 'SunSet', "src": 'sunset.jpg', "cls": 'framed'}

>>> bound_args = sig.bind(**my_tag)
>>> bound_args
<BoundArguments (name='img', cls='framed', attrs={'title': 'SunSet', 'src': 'sunset.jpg'})>

>>>for name, value in bound_args.arguments.items():
...    print(name, '=', value)
name = img
cls = framed
attrs = {'title': 'SunSet', 'src': 'sunset.jpg'}

>>> del my_tag['name']
>>> bound_args = sig.bind(**my_tag)
Traceback (most recent call last):
  File "<input>", line 1, in <module>
  File "/usr/local/var/pyenv/versions/3.6.6/lib/python3.6/inspect.py", line 2984, in bind
    return args[0]._bind(args[1:], kwargs)
  File "/usr/local/var/pyenv/versions/3.6.6/lib/python3.6/inspect.py", line 2899, in _bind
    raise TypeError(msg) from None
TypeError: missing a required argument: 'name'

inspect.signature对象通过.bind()方法和一个字典绑定。从而得到一个inspect.BoundArguments对象。该模块向我们展示了python数据模型把实参绑定给函数调用中的形参的过程。

5.9 5.9 5.9 函数注解
python3中为我们提供了一些句法,用于函数声明中的参数和返回值附加元数据。

def my_clip(text: str, max_len: 'int > 0' = 80) -> str:
    '''
    在max_len前面或后面的第一个空格处截断文本
    :param text: 
    :param max_len: 
    :return: 
    '''
    end = None
    if len(text) > max_len:
        space_before = text.rfind('', 0, max_len)
        if space_before >= 0:
            end = space_before
    else:
        space_after = text.rfind('', max_len)
        if space_after >= 0:
            end = space_after
    if end is None:
        end = len(text)
    return text[:end].rstrip()

如上代码,是有注解的函数声明。可以在“:”之后增加注解表达式。
如果参数有默认值,注解放在参数名和=之间。如果想要注解返回式,在函数声明的末尾和“:”之间添加一个->和一个表达式。

做完注解后,观察函数的__annotations__属性:

my_clip.__annotations__
{'text': <class 'str'>, 'max_len': 'int > 0', 'return': <class 'str'>}

它们只是被放在了__annotations__属性中而已,并没有做什么其他的检查操作。换句话说,注解对python解释器没有任何意义。注解只是元数据,可以供IDE、框架和装饰器等工具使用。

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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