Comment comprendre le polymorphisme en python
Python ne prend pas en charge le polymorphisme, et n'a pas besoin de prendre en charge le polymorphisme. Python est un langage polymorphe qui préconise le typage canard. La sémantique effective d'un objet n'est pas déterminée par l'héritage d'une classe spécifique ou l'implémentation d'une interface spécifique, mais par l'ensemble actuel de méthodes et de propriétés.
Le polymorphisme
est une technique qui permet à un objet parent d'être défini comme égal à un ou plusieurs de ses objets enfants, tels que Parent:=Child; More Morphism permet d'utiliser des pointeurs d'une même classe (classe de base) pour référencer des objets de classes différentes, et d'effectuer la même opération de différentes manières en fonction des objets référencés.
Recommandations associées : "Tutoriel vidéo Python"
class A: def prt(self): print("A") class B(A): def prt(self): print("B") class C(A): def prt(self): print("C") class D(A): pass class E: def prt(self): print("E") class F: pass def test(arg): arg.prt() a = A() b = B() c = C() d = D() e = E() f = F() test(a) test(b) test(c) test(d) test(e) test(f) 输出结果 A B C A E Traceback (most recent call last): File "D:/Python/多态1.py", line 45, in <module> test(f) File "D:/Python/多态1.py", line 30, in test arg.prt() AttributeError: 'F' object has no attribute 'prt' Process finished with exit code 1
À première vue, il semble que Python prenne en charge le polymorphisme, appelant test(a), test(b), test( c ), test(d) fonctionne très bien, mais ce qui suit est très différent.
Lors de l'appel de test(e), python appelle simplement la méthode prt de e et ne détermine pas si e est un objet d'une sous-classe de A (en fait, le type du paramètre n'est pas spécifié lors de la définition de la méthode de test , et python ne peut pas le déterminer du tout).
Une erreur se produit lors de l'appel de test(f). La raison est très simple. f n'a pas de méthode prt.
Tout d'abord, Python ne prend pas en charge le polymorphisme, et il n'a pas non plus besoin de prendre en charge le polymorphisme. Python est un langage polymorphe et préconise le typage canard. Ce qui suit est une discussion sur le typage canard sur Wikipédia :
En programmation, le typage canard est un style de typage dynamique. Dans ce style, la sémantique effective d'un objet est déterminée non pas par l'héritage d'une classe spécifique ou par l'implémentation d'une interface spécifique, mais par l'ensemble actuel de méthodes et de propriétés. Le nom de ce concept vient du test du canard proposé par James Whitcomb Riley. Le « test du canard » peut s'exprimer ainsi :
« Quand vous voyez un oiseau qui marche comme un canard, nage comme un canard, et cancane comme un canard, alors l'oiseau peut être appelé un canard »
Dans la frappe du canard, l'accent n'est pas mis sur le type de l'objet lui-même, mais sur la façon dont il est utilisé. Par exemple,
Dans un langage qui n'utilise pas le typage duck, on peut écrire une fonction qui accepte un objet de type duck et appelle ses méthodes walk et aboiement.
Dans un langage utilisant le typage canard, une telle fonction peut accepter un objet de n'importe quel type et appeler ses méthodes walk et call. Si les méthodes qui doivent être appelées n’existent pas, une erreur d’exécution sera générée. Le fait que tout objet avec les méthodes de marche et d'appel correctes puisse être accepté par une fonction conduit à l'instruction ci-dessus, d'où le nom de cette façon de déterminer les types.
Le typage Duck gagne souvent à ne pas tester les types de paramètres dans les méthodes et les fonctions, mais à s'appuyer plutôt sur la documentation, le code clair et les tests pour garantir une utilisation correcte. Les utilisateurs passant de langages à typage statique à des langages à typage dynamique tentent souvent d'ajouter une vérification de type statique (avant l'exécution), compromettant ainsi les avantages et l'évolutivité du typage canard et limitant la nature dynamique du langage.
Il ne fait aucun doute qu'un objet en python est aussi un morceau de mémoire En plus des attributs et des méthodes, la mémoire contient également le type de l'objet. Nous accédons à l'objet via des références, telles que a=. A(). Tout d'abord, python Créez un objet A, puis déclarez une variable a, puis associez la variable a à l'objet A. La variable a n'a pas de type, son type dépend de son objet associé. Lorsque a=A(), a est une référence de type A. On peut dire que a est de type A. Si a se voit attribuer une valeur de 3 et a=3, a est une référence entière, mais python n'est pas faible. Tapez le langage, en python '2'+3 signalera une erreur, tandis qu'en PHP '2'+3 en obtiendra 5. On peut comprendre que les variables en python sont similaires aux pointeurs en c. La différence avec c est que les variables en python peuvent pointer vers n'importe quel type. Bien que ce ne soit pas exact de le dire, c'est plus facile à comprendre.
Par conséquent, pendant le processus d'exécution de python, le type du paramètre n'est pas connu avant que le paramètre ne soit transmis. Bien que la méthode en python soit également une liaison tardive, elle est différente de la liaison tardive polymorphe en Java. La liaison connaît au moins le type de l'objet, mais Python ne connaît pas le type du paramètre.
La méthode test stipule uniquement qu'elle reçoit un paramètre et appelle la méthode prt de ce paramètre. Lors de l'exécution, si ce paramètre a une méthode prt, python l'exécutera. Sinon, python signalera une erreur, car abcde a une méthode prt, mais pas f, donc le résultat ci-dessus est obtenu. C'est ainsi que python s'exécute.
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!

Outils d'IA chauds

Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.

Undress AI Tool
Images de déshabillage gratuites

Clothoff.io
Dissolvant de vêtements AI

AI Hentai Generator
Générez AI Hentai gratuitement.

Article chaud

Outils chauds

Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit

SublimeText3 version chinoise
Version chinoise, très simple à utiliser

Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP

Dreamweaver CS6
Outils de développement Web visuel

SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)

PHP et Python ont leurs propres avantages et inconvénients, et le choix dépend des besoins du projet et des préférences personnelles. 1.Php convient au développement rapide et à la maintenance des applications Web à grande échelle. 2. Python domine le domaine de la science des données et de l'apprentissage automatique.

Une formation efficace des modèles Pytorch sur les systèmes CentOS nécessite des étapes, et cet article fournira des guides détaillés. 1. Préparation de l'environnement: Installation de Python et de dépendance: le système CentOS préinstalle généralement Python, mais la version peut être plus ancienne. Il est recommandé d'utiliser YUM ou DNF pour installer Python 3 et Mettez PIP: sudoyuMupDatePython3 (ou sudodnfupdatepython3), pip3install-upradepip. CUDA et CUDNN (accélération GPU): Si vous utilisez Nvidiagpu, vous devez installer Cudatool

Activer l'accélération du GPU Pytorch sur le système CentOS nécessite l'installation de versions CUDA, CUDNN et GPU de Pytorch. Les étapes suivantes vous guideront tout au long du processus: CUDA et CUDNN Installation détermineront la compatibilité de la version CUDA: utilisez la commande NVIDIA-SMI pour afficher la version CUDA prise en charge par votre carte graphique NVIDIA. Par exemple, votre carte graphique MX450 peut prendre en charge CUDA11.1 ou plus. Téléchargez et installez Cudatoolkit: visitez le site officiel de Nvidiacudatoolkit et téléchargez et installez la version correspondante selon la version CUDA la plus élevée prise en charge par votre carte graphique. Installez la bibliothèque CUDNN:

Docker utilise les fonctionnalités du noyau Linux pour fournir un environnement de fonctionnement d'application efficace et isolé. Son principe de travail est le suivant: 1. Le miroir est utilisé comme modèle en lecture seule, qui contient tout ce dont vous avez besoin pour exécuter l'application; 2. Le Système de fichiers Union (UnionFS) empile plusieurs systèmes de fichiers, ne stockant que les différences, l'économie d'espace et l'accélération; 3. Le démon gère les miroirs et les conteneurs, et le client les utilise pour l'interaction; 4. Les espaces de noms et les CGROUP implémentent l'isolement des conteneurs et les limitations de ressources; 5. Modes de réseau multiples prennent en charge l'interconnexion du conteneur. Ce n'est qu'en comprenant ces concepts principaux que vous pouvez mieux utiliser Docker.

Python et JavaScript ont leurs propres avantages et inconvénients en termes de communauté, de bibliothèques et de ressources. 1) La communauté Python est amicale et adaptée aux débutants, mais les ressources de développement frontal ne sont pas aussi riches que JavaScript. 2) Python est puissant dans les bibliothèques de science des données et d'apprentissage automatique, tandis que JavaScript est meilleur dans les bibliothèques et les cadres de développement frontaux. 3) Les deux ont des ressources d'apprentissage riches, mais Python convient pour commencer par des documents officiels, tandis que JavaScript est meilleur avec MDNWEBDOCS. Le choix doit être basé sur les besoins du projet et les intérêts personnels.

Lors de la sélection d'une version Pytorch sous CentOS, les facteurs clés suivants doivent être pris en compte: 1. CUDA Version Compatibilité GPU Prise en charge: si vous avez NVIDIA GPU et que vous souhaitez utiliser l'accélération GPU, vous devez choisir Pytorch qui prend en charge la version CUDA correspondante. Vous pouvez afficher la version CUDA prise en charge en exécutant la commande nvidia-SMI. Version CPU: Si vous n'avez pas de GPU ou que vous ne souhaitez pas utiliser de GPU, vous pouvez choisir une version CPU de Pytorch. 2. Version Python Pytorch

La formation distribuée par Pytorch sur le système CentOS nécessite les étapes suivantes: Installation de Pytorch: La prémisse est que Python et PIP sont installés dans le système CentOS. Selon votre version CUDA, obtenez la commande d'installation appropriée sur le site officiel de Pytorch. Pour la formation du processeur uniquement, vous pouvez utiliser la commande suivante: pipinstalltorchtorchVisionTorChaudio Si vous avez besoin d'une prise en charge du GPU, assurez-vous que la version correspondante de CUDA et CUDNN est installée et utilise la version Pytorch correspondante pour l'installation. Configuration de l'environnement distribué: la formation distribuée nécessite généralement plusieurs machines ou des GPU multiples uniques. Lieu

CENTOS L'installation de Nginx nécessite de suivre les étapes suivantes: Installation de dépendances telles que les outils de développement, le devet PCRE et l'OpenSSL. Téléchargez le package de code source Nginx, dézippez-le et compilez-le et installez-le, et spécifiez le chemin d'installation AS / USR / LOCAL / NGINX. Créez des utilisateurs et des groupes d'utilisateurs de Nginx et définissez les autorisations. Modifiez le fichier de configuration nginx.conf et configurez le port d'écoute et le nom de domaine / adresse IP. Démarrez le service Nginx. Les erreurs communes doivent être prêtées à prêter attention, telles que les problèmes de dépendance, les conflits de port et les erreurs de fichiers de configuration. L'optimisation des performances doit être ajustée en fonction de la situation spécifique, comme l'activation du cache et l'ajustement du nombre de processus de travail.
