Apakah parameter diri dalam Python?
Mari kita mulakan dengan apa yang sudah kita ketahui: diri - parameter pertama dalam kaedah - merujuk kepada contoh kelas:
class MyClass: ┌─────────────────┐ ▼ │ def do_stuff(self, some_arg): │ print(some_arg)▲│ ││ ││ ││ ││ instance = MyClass() ││ instance.do_stuff("whatever") │ │ │ └───────────────────────────────┘
Selain itu, hujah ini sebenarnya tidak perlu dipanggil diri - ia hanya konvensyen. Sebagai contoh, anda boleh menggunakannya seperti biasa dalam bahasa lain.
Kod di atas mungkin semula jadi dan jelas kerana anda telah menggunakannya, tetapi kami hanya memberikan .do_stuff() satu hujah (some_arg), tetapi kaedah itu mengisytiharkan dua (self and, some_arg) , ia tidak' nampaknya tidak masuk akal. Anak panah dalam coretan menunjukkan bahawa diri diterjemahkan ke dalam contoh, tetapi bagaimanakah ia sebenarnya diluluskan?
instance = MyClass() MyClass.do_stuff(instance, "whatever")
Apa yang Python lakukan secara dalaman ialah menukar instance.do_stuff("whatever") kepada MyClass.do_stuff(instance, "whatever"). Kita boleh memanggilnya "Magik Python" di sini, tetapi jika kita ingin benar-benar memahami perkara yang berlaku di sebalik tabir, kita perlu memahami kaedah Python dan bagaimana ia berkaitan dengan fungsi.
Atribut/Kaedah Kelas
Dalam Python, tiada benda seperti objek "kaedah" - sebenarnya kaedah hanyalah fungsi biasa. Perbezaan antara fungsi dan kaedah ialah kaedah ditakrifkan dalam ruang nama kelas, menjadikannya sifat kelas itu.
Sifat ini disimpan dalam kamus kelas __dict__ dan kami boleh mengaksesnya secara langsung atau menggunakan fungsi terbina dalam vars:
MyClass.__dict__["do_stuff"] # <function MyClass.do_stuff at 0x7f132b73d550> vars(MyClass)["do_stuff"] # <function MyClass.do_stuff at 0x7f132b73d550>
Cara paling biasa untuk mengaksesnya ialah cara "kaedah kelas ":
print(MyClass.do_stuff) # <function MyClass.do_stuff at 0x7f132b73d550>
Di sini kita mengakses fungsi menggunakan atribut kelas dan seperti yang dijangkakan print do_stuff ialah fungsi MyClass. Walau bagaimanapun, kita juga boleh mengaksesnya menggunakan sifat contoh:
print(instance.do_stuff) # <bound method MyClass.do_stuff of <__main__.MyClass object at 0x7ff80c78de50>
Tetapi dalam kes ini, kita mendapat "kaedah terikat" dan bukannya fungsi asal. Apa yang Python lakukan untuk kita di sini ialah ia mengikat atribut kelas kepada contoh, mencipta apa yang dipanggil "kaedah mengikat". "Kaedah terikat" ini ialah pembalut di sekeliling fungsi asas, yang sudah memasukkan contoh sebagai hujah pertama (diri).
Oleh itu, kaedah ialah fungsi biasa dengan contoh kelas (diri) yang dilampirkan pada parameternya yang lain.
Untuk memahami bagaimana ini berlaku, kita perlu melihat protokol deskriptor.
Protokol Deskriptor
Deskriptor ialah mekanisme di sebalik kaedah, ia adalah objek (kelas) yang mentakrifkan kaedah __get__(), __set__() atau __delete__(). Untuk memahami cara diri berfungsi, mari kita pertimbangkan __get__(), yang mempunyai tandatangan:
descr.__get__(self, instance, type=None) -> value
Tetapi apakah yang sebenarnya dilakukan oleh kaedah __get__()? Ia membolehkan kami menyesuaikan carian harta dalam kelas - atau dengan kata lain - menyesuaikan perkara yang berlaku apabila sifat kelas diakses menggunakan tatatanda titik. Ini sangat berguna memandangkan kaedah benar-benar hanya sifat kelas. Ini bermakna kita boleh menggunakan kaedah __get__ untuk mencipta "kaedah terikat" kelas.
Untuk memudahkan pemahaman, mari kita tunjukkan perkara ini dengan melaksanakan "kaedah" menggunakan deskriptor. Mula-mula, kami mencipta pelaksanaan Python tulen bagi objek fungsi:
import types class Function: def __get__(self, instance, objtype=None): if instance is None: return self return types.MethodType(self, instance) def __call__(self): return
Kelas Fungsi di atas melaksanakan __get__ , yang menjadikannya deskriptor. Kaedah khas ini menerima contoh kelas dalam parameter contoh - jika parameter ini Tiada, kita tahu bahawa kaedah __get__ dipanggil terus daripada kelas (cth. MyClass.do_stuff), jadi kita hanya mengembalikan diri. Walau bagaimanapun, jika ia dipanggil daripada contoh kelas, seperti instance.do_stuff, maka kami mengembalikan jenis.MethodType, iaitu cara mencipta "kaedah terikat" secara manual.
Selain itu, kami juga menyediakan kaedah khas __call__. __init__ dipanggil apabila kelas dipanggil untuk memulakan instance (cth. instance = MyClass()), manakala __call__ dipanggil apabila instance dipanggil (cth. instance()). Kita perlu menggunakan ini kerana self in types.MethodType(self, instance) mesti boleh dipanggil.
Sekarang kita mempunyai pelaksanaan fungsi kita sendiri, kita boleh menggunakannya untuk mengikat kaedah ke kelas:
class MyClass: do_stuff = Function() print(MyClass.__dict__["do_stuff"])# __get__ not invoked # <__main__.Function object at 0x7f229b046e50> print(MyClass.do_stuff)# __get__ invoked, but "instance" is None, "self" is returned print(MyClass.do_stuff.__get__(None, MyClass)) # <__main__.Function object at 0x7f229b046e50> instance = MyClass() print(instance.do_stuff)#__get__ invoked and "instance" is not None, "MethodType" is returned print(instance.do_stuff.__get__(instance, MyClass)) # <bound method ? of <__main__.MyClass object at 0x7fd526a33d30>
Dengan memberikan MyClass atribut do_stuff jenis Function, kami Secara kasar meniru apa yang Python lakukan apabila menentukan kaedah dalam ruang nama kelas.
Ringkasnya, apabila mengakses atribut seperti instance.do_stuff, do_stuff dicari dalam kamus atribut (__dict__) instance. Jika do_stuff mentakrifkan kaedah __get__, do_stuff.__get__ dipanggil, akhirnya memanggil:
# For class invocation: print(MyClass.__dict__['do_stuff'].__get__(None, MyClass)) # <__main__.Function object at 0x7f229b046e50> # For instance invocation: print(MyClass.__dict__['do_stuff'].__get__(instance, MyClass)) # Alternatively: print(type(instance).__dict__['do_stuff'].__get__(instance, type(instance))) # <bound method ? of <__main__.MyClass object at 0x7fd526a33d30>
Seperti yang kita ketahui sekarang - kaedah terikat akan dikembalikan - boleh dipanggil dibalut di sekeliling fungsi asal Wrapper yang parameter didahului oleh diri sendiri!
Jika anda ingin meneroka ini dengan lebih lanjut, kaedah statik dan kelas boleh dilaksanakan dengan cara yang sama (https://docs.python.org/3.7/howto/descriptor.html#static-methods-and-class-methods )
Mengapa diri berada dalam definisi kaedah?
Kami kini tahu cara ia berfungsi, tetapi terdapat soalan yang lebih berfalsafah - "Mengapa ia perlu ada dalam definisi kaedah?" , tetapi ia adalah satu yang mengutamakan kesederhanaan.
Python sendiri merangkumi falsafah reka bentuk "lebih teruk lebih baik" - diterangkan di sini. Keutamaan falsafah reka bentuk ini ialah "kesederhanaan", ditakrifkan sebagai:
Reka bentuk mestilah ringkas, termasuk pelaksanaan dan antara muka. Adalah lebih penting bahawa pelaksanaannya mudah daripada antara muka...
Begitulah halnya dengan diri sendiri - pelaksanaan yang mudah dengan mengorbankan antara muka, di mana tandatangan kaedah tidak sepadan dengan seruannya.
Sudah tentu terdapat lebih banyak sebab mengapa kita harus menulis sendiri secara eksplisit, atau mengapa ia mesti dipelihara, beberapa daripadanya diterangkan dalam catatan blog oleh Guido van Rossum (http://neopythonic.blogspot.com/ 2008/10/why-explicit-self-has-to-stay.html), artikel itu membalas permintaan untuk dialih keluar.
Python menghilangkan banyak kerumitan, tetapi pada pendapat saya, menyelami butiran dan kerumitan peringkat rendah adalah sangat berharga untuk pemahaman yang lebih baik tentang cara bahasa berfungsi, apabila keadaan rosak dan penyelesaian masalah/penyahpepijat lanjutan Apabila tidak cukup, ia boleh berguna.
Selain itu, pemahaman deskriptor sebenarnya boleh menjadi agak praktikal kerana mereka mempunyai beberapa kes penggunaan. Walaupun kebanyakan masa anda benar-benar hanya memerlukan deskriptor @property, terdapat beberapa kes di mana deskriptor tersuai masuk akal, seperti yang terdapat dalam SLQAlchemy atau mis.
Atas ialah kandungan terperinci Apakah parameter diri dalam Python?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

AI Hentai Generator
Menjana ai hentai secara percuma.

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas



PHP dan Python mempunyai kelebihan dan kekurangan mereka sendiri, dan pilihannya bergantung kepada keperluan projek dan keutamaan peribadi. 1.PHP sesuai untuk pembangunan pesat dan penyelenggaraan aplikasi web berskala besar. 2. Python menguasai bidang sains data dan pembelajaran mesin.

Python dan JavaScript mempunyai kelebihan dan kekurangan mereka sendiri dari segi komuniti, perpustakaan dan sumber. 1) Komuniti Python mesra dan sesuai untuk pemula, tetapi sumber pembangunan depan tidak kaya dengan JavaScript. 2) Python berkuasa dalam bidang sains data dan perpustakaan pembelajaran mesin, sementara JavaScript lebih baik dalam perpustakaan pembangunan dan kerangka pembangunan depan. 3) Kedua -duanya mempunyai sumber pembelajaran yang kaya, tetapi Python sesuai untuk memulakan dengan dokumen rasmi, sementara JavaScript lebih baik dengan MDNWebDocs. Pilihan harus berdasarkan keperluan projek dan kepentingan peribadi.

Membolehkan pecutan GPU pytorch pada sistem CentOS memerlukan pemasangan cuda, cudnn dan GPU versi pytorch. Langkah-langkah berikut akan membimbing anda melalui proses: Pemasangan CUDA dan CUDNN Tentukan keserasian versi CUDA: Gunakan perintah NVIDIA-SMI untuk melihat versi CUDA yang disokong oleh kad grafik NVIDIA anda. Sebagai contoh, kad grafik MX450 anda boleh menyokong CUDA11.1 atau lebih tinggi. Muat turun dan pasang Cudatoolkit: Lawati laman web rasmi Nvidiacudatoolkit dan muat turun dan pasang versi yang sepadan mengikut versi CUDA tertinggi yang disokong oleh kad grafik anda. Pasang Perpustakaan Cudnn:

Docker menggunakan ciri -ciri kernel Linux untuk menyediakan persekitaran berjalan yang cekap dan terpencil. Prinsip kerjanya adalah seperti berikut: 1. Cermin digunakan sebagai templat baca sahaja, yang mengandungi semua yang anda perlukan untuk menjalankan aplikasi; 2. Sistem Fail Kesatuan (Unionfs) menyusun pelbagai sistem fail, hanya menyimpan perbezaan, menjimatkan ruang dan mempercepatkan; 3. Daemon menguruskan cermin dan bekas, dan pelanggan menggunakannya untuk interaksi; 4. Ruang nama dan cgroups melaksanakan pengasingan kontena dan batasan sumber; 5. Pelbagai mod rangkaian menyokong interkoneksi kontena. Hanya dengan memahami konsep -konsep teras ini, anda boleh menggunakan Docker dengan lebih baik.

Penyimpanan Objek Minio: Penyebaran berprestasi tinggi di bawah CentOS System Minio adalah prestasi tinggi, sistem penyimpanan objek yang diedarkan yang dibangunkan berdasarkan bahasa Go, serasi dengan Amazons3. Ia menyokong pelbagai bahasa pelanggan, termasuk Java, Python, JavaScript, dan GO. Artikel ini akan memperkenalkan pemasangan dan keserasian minio pada sistem CentOS. Keserasian versi CentOS Minio telah disahkan pada pelbagai versi CentOS, termasuk tetapi tidak terhad kepada: CentOS7.9: Menyediakan panduan pemasangan lengkap yang meliputi konfigurasi kluster, penyediaan persekitaran, tetapan fail konfigurasi, pembahagian cakera, dan mini

Latihan yang diedarkan Pytorch pada sistem CentOS memerlukan langkah -langkah berikut: Pemasangan Pytorch: Premisnya ialah Python dan PIP dipasang dalam sistem CentOS. Bergantung pada versi CUDA anda, dapatkan arahan pemasangan yang sesuai dari laman web rasmi Pytorch. Untuk latihan CPU sahaja, anda boleh menggunakan arahan berikut: PipinstallToRchTorchVisionTorchaudio Jika anda memerlukan sokongan GPU, pastikan versi CUDA dan CUDNN yang sama dipasang dan gunakan versi pytorch yang sepadan untuk pemasangan. Konfigurasi Alam Sekitar Teragih: Latihan yang diedarkan biasanya memerlukan pelbagai mesin atau mesin berbilang mesin tunggal. Tempat

Apabila memasang pytorch pada sistem CentOS, anda perlu dengan teliti memilih versi yang sesuai dan pertimbangkan faktor utama berikut: 1. Keserasian Persekitaran Sistem: Sistem Operasi: Adalah disyorkan untuk menggunakan CentOS7 atau lebih tinggi. CUDA dan CUDNN: Versi Pytorch dan versi CUDA berkait rapat. Sebagai contoh, Pytorch1.9.0 memerlukan CUDA11.1, manakala Pytorch2.0.1 memerlukan CUDA11.3. Versi CUDNN juga mesti sepadan dengan versi CUDA. Sebelum memilih versi PyTorch, pastikan anda mengesahkan bahawa versi CUDA dan CUDNN yang serasi telah dipasang. Versi Python: Cawangan Rasmi Pytorch

Python cemerlang dalam automasi, skrip, dan pengurusan tugas. 1) Automasi: Sandaran fail direalisasikan melalui perpustakaan standard seperti OS dan Shutil. 2) Penulisan Skrip: Gunakan Perpustakaan Psutil untuk memantau sumber sistem. 3) Pengurusan Tugas: Gunakan perpustakaan jadual untuk menjadualkan tugas. Kemudahan penggunaan Python dan sokongan perpustakaan yang kaya menjadikannya alat pilihan di kawasan ini.
