Python 装饰器,@property 以及 Pycaffe.py
来源:互联网 发布:网络推广部门制度 编辑:程序博客网 时间:2024/05/21 22:49
Python装饰器的知识请参考:12步轻松搞定python装饰器
@property函数的知识请参考:Python进阶之“属性(property)”详解
看下面一段代码:
定义一个类,然后创建一个实例对象mc,
class Myclass(object):... def gt_roidb(self):... print 'gt_roidb...'... @property... def ss_roidb(self):... print 'ss_roidb...'mc = Myclass()
然后检查Myclass.dict 和 mc.dict
>>> Myclass.__dict__dict_proxy({'__module__': '__main__', 'gt_roidb': <function gt_roidb at 0x7f43966be668>, 'ss_roidb': <property object at 0x7f43966b5578>, '__dict__': <attribute '__dict__' of 'Myclass' objects>, '__weakref__': <attribute '__weakref__' of 'Myclass' objects>, '__doc__': None})
>>> mc.__dict__{}
这些都不难理解,而且应该都知道。
接下来看下这些:
>>> Myclass.gt_roidb<unbound method Myclass.gt_roidb>>>> Myclass.ss_roidb<property object at 0x7fbb79490578>
>>> mc.gt_roidb<bound method Myclass.gt_roidb of <__main__.Myclass object at 0x7fbb794a0250>>>>> mc.ss_roidbss_roidb...
因为ss_roidb是一个属性,所以mc.ss_roidb会直接运行相应的函数def ss_roidb(self)。
接着测试一下调用,
>>> mc.gt_roidb()gt_roidb...>>> mc.ss_roidb()ss_roidb...Traceback (most recent call last): File "<stdin>", line 1, in <module>TypeError: 'NoneType' object is not callable
根据提示,之所以会报错,是因为mc.ss_roidb**没有返回**,它只是打印出了一些东西,当不是返回。所以是’NoneType’, 当然就not callable 了。
修改一下类:
class Myclass(object):... def gt_roidb(self):... gt_list = ['a','b','c']... print 'gt_roidb...'... return gt_list... @property... def ss_roidb(self):... ss_list = ['d','e','f']... print 'ssroidb...'... return ss_listmc = Myclass()
测试一下,
>>> mc.gt_roidb()gt_roidb...['a', 'b', 'c']>>> mc.ss_roidbssroidb...['d', 'e', 'f']>>> mc.ss_roidb()ssroidb...Traceback (most recent call last): File "<stdin>", line 1, in <module>TypeError: 'list' object is not callable
这里虽然也报错了,但是错误跟之前那个case是不一样的, mc.ss_roidb 返回 一个list,list不能callable, 但是list可以取其中的元素,如下:
>>> mc.ss_roidb[2]ssroidb...'f'
所以,当用一个实例对象来调用类的属性的时候,mc.ss_roidb,它等价运行了相应的那个方法,如果它有返回,则也许还能够综合其他一些操作,比如callable(), 或者getitem[] 等。可以参考一下imdb.py中的代码,比如:
@property def roidb(self): # A roidb is a list of dictionaries, each with the following keys: # boxes # gt_overlaps # gt_classes # flipped if self._roidb is not None: return self._roidb self._roidb = self.roidb_handler() return self._roidb
其中self.roidb_handler
返回的是一个函数对象,是可调用的,(也需要进行调用)所以才在后面加上()
下面贴一段pycaffe.py中的代码
@propertydef _Net_blobs(self): """ An OrderedDict (bottom to top, i.e., input to output) of network blobs indexed by name """ return OrderedDict(zip(self._blob_names, self._blobs))@propertydef _Net_blob_loss_weights(self): """ An OrderedDict (bottom to top, i.e., input to output) of network blob loss weights indexed by name """ return OrderedDict(zip(self._blob_names, self._blob_loss_weights))@propertydef _Net_params(self): """ An OrderedDict (bottom to top, i.e., input to output) of network parameters indexed by name; each is a list of multiple blobs (e.g., weights and biases) """ return OrderedDict([(name, lr.blobs) for name, lr in zip(self._layer_names, self.layers) if len(lr.blobs) > 0])@propertydef _Net_inputs(self): return [list(self.blobs.keys())[i] for i in self._inputs]@propertydef _Net_outputs(self): return [list(self.blobs.keys())[i] for i in self._outputs]def _Net_forward(self, blobs=None, start=None, end=None, **kwargs): """ Forward pass: prepare inputs and run the net forward. Parameters ---------- blobs : list of blobs to return in addition to output blobs. kwargs : Keys are input blob names and values are blob ndarrays. For formatting inputs for Caffe, see Net.preprocess(). If None, input is taken from data layers. start : optional name of layer at which to begin the forward pass end : optional name of layer at which to finish the forward pass (inclusive) Returns ------- outs : {blob name: blob ndarray} dict. """ if blobs is None: blobs = [] if start is not None: start_ind = list(self._layer_names).index(start) else: start_ind = 0 if end is not None: end_ind = list(self._layer_names).index(end) outputs = set([end] + blobs) else: end_ind = len(self.layers) - 1 outputs = set(self.outputs + blobs) if kwargs: if set(kwargs.keys()) != set(self.inputs): raise Exception('Input blob arguments do not match net inputs.') # Set input according to defined shapes and make arrays single and # C-contiguous as Caffe expects. for in_, blob in kwargs.iteritems(): if blob.shape[0] != self.blobs[in_].num: raise Exception('Input is not batch sized') # 将实参中的blob传递给网络的blobs(通过blob的name即in_来索引相应的blob) self.blobs[in_].data[...] = blob self._forward(start_ind, end_ind) # Unpack blobs to extract return {out: self.blobs[out].data for out in outputs}def _Net_backward(self, diffs=None, start=None, end=None, **kwargs): """ Backward pass: prepare diffs and run the net backward. Parameters ---------- diffs : list of diffs to return in addition to bottom diffs. kwargs : Keys are output blob names and values are diff ndarrays. If None, top diffs are taken from forward loss. start : optional name of layer at which to begin the backward pass end : optional name of layer at which to finish the backward pass (inclusive) Returns ------- outs: {blob name: diff ndarray} dict. """ if diffs is None: diffs = [] if start is not None: start_ind = list(self._layer_names).index(start) else: start_ind = len(self.layers) - 1 if end is not None: end_ind = list(self._layer_names).index(end) outputs = set([end] + diffs) else: end_ind = 0 outputs = set(self.inputs + diffs) if kwargs: if set(kwargs.keys()) != set(self.outputs): raise Exception('Top diff arguments do not match net outputs.') # Set top diffs according to defined shapes and make arrays single and # C-contiguous as Caffe expects. for top, diff in kwargs.iteritems(): if diff.shape[0] != self.blobs[top].num: raise Exception('Diff is not batch sized') # self.blobs[top].diff[...] = diff self._backward(start_ind, end_ind) # Unpack diffs to extract return {out: self.blobs[out].diff for out in outputs}
初次看的时候,也看不懂,没办法,只能靠自己研究。以下纯属个人理解,学识有限,求指正!
此处分割线
在Python进阶之“属性(property)”详解中有提到:
Python中有一个被称为属性函数(property)的小概念,它可以做一些有用的事情, 比如:1. 将类方法转换为只读属性 2. 重新实现一个属性的setter和getter方法。所以:
1. 很自然的一个问题就是:在pycaffe.py中,并没有声明一个类,而且其中的一些函数的声明都包含了self参数,self是跟具体某个类的实例对象绑定的,那么这个类的定义在哪里呢???
首先,Python中可以在类外定义方法(我觉得这应该没有问题,毕竟python是一门非常强大的语言)找到一篇文章Python class 入门,可以参考一下:下面是我自己定义的一个类:
#! /usr/bin/env python@propertydef upperName(self): return self.name.upper()class Person: Year = 2016 # 类属性,而不是实例属性 def __init__(self, name): self.name = name self.age = 23 @property def name(self): return self.name
在解释器中创建实例对象:p = Person("sam")
,然后查看一些属性, 如下:
>>> Person.__dict__{'__module__': '__main__', '__doc__': None, 'name': <property object at 0x7f094fa965d0>, '__init__': <function __init__ at 0x7f094fa9f6e0>, 'Year': 2016}
可以看到此时的类对象Person并没有upperName这个属性
>>> p.__dict__{'age': 23, 'name': 'sam'}
这是实例对象p的属性
然后,将upperName这个对象赋值给Person.upper,此行代码同时给类Person创建了一个新的属性upper。这就是python的强大之处:能够在“运行时”创建属性。
注意在python中,一切皆为对象,类是对象,类的实例也是对象,函数是对象,变量是对象等等。。。
Person.upper = upperName
在运行这行代码之前,运行p.upperName
或者Person.upperName
都会报错:
>>> p.upperNameTraceback (most recent call last): File "<stdin>", line 1, in <module>AttributeError: Person instance has no attribute 'upperName'>>> Person.upperNameTraceback (most recent call last): File "<stdin>", line 1, in <module>AttributeError: class Person has no attribute 'upperName'
但,如果运行了 Person.upper = upperName 呢?我们先看Person的属性:
>>> Person.__dict__{'upper': <property object at 0x7f094fa96578>, '__module__': '__main__', 'name': <property object at 0x7f094fa965d0>, 'Year': 2016, '__doc__': None, '__init__': <function __init__ at 0x7f094fa9f6e0>}
显然多了一个属性:'upper': <property object at 0x7f094fa96578>
, 而实例对象p就没有变化:
>>> p.__dict__{'age': 23, 'name': 'sam'}
接下来,调用:
>>> p.upper'SAM'
OK,可见python的强大之处。
注意这是利用实例对象调用的upper,如用类来调用,并不会运行def upperName(self), 只是输出一些信息:
>>> Person.upper<property object at 0x7f094fa96578>
那么,在pycaffe.py中,情况如何呢???请看下面的代码:
# Attach methods to Net.Net.blobs = _Net_blobsNet.blob_loss_weights = _Net_blob_loss_weightsNet.params = _Net_paramsNet.forward = _Net_forwardNet.backward = _Net_backwardNet.forward_all = _Net_forward_allNet.forward_backward_all = _Net_forward_backward_allNet.set_input_arrays = _Net_set_input_arraysNet._batch = _Net_batchNet.inputs = _Net_inputsNet.outputs = _Net_outputs
Net是从_caffe中导入的一个类(个人理解):from ._caffe import Net,那么上述代码就是将在pycaffe.py中定义的属性“绑定”到Net上,也就是Person.upper = upperName
这个操作。
最后,用pacaffe.py中的注释作为总结: Wrap the internal caffe C++ module (_caffe.so) with a clean, Pythonic
interface.
以_Net_blobs说下这些属性
@propertydef _Net_blobs(self): """ An OrderedDict (bottom to top, i.e., input to output) of network blobs indexed by name """ return OrderedDict(zip(self._blob_names, self._blobs))
a) self._blob_names
调用Caffe.Net的blob_names属性(底层调用Net::blob_names方法),返回blob_names , 即整个网络中所有非参数blob的name
b) self._blobs
调用Caffe.Net的blobs属性(底层调用Net::blobs方法)返回blobs, 即整个网络中所有非参数blob
c) return OrderedDict(zip(self._blob_names, self._blobs))
以字典的方式返回
还有一个类:
class _Net_IdNameWrapper: """ A simple wrapper that allows the ids propery to be accessed as a dict indexed by names. Used for top and bottom names """ def __init__(self, net, func): self.net, self.func = net, func def __getitem__(self, name): # Map the layer name to id ids = self.func(self.net, list(self.net._layer_names).index(name)) # Map the blob id to name id_to_name = list(self.net.blobs) return [id_to_name[i] for i in ids]
对应的有:
# property为内建属性函数Net.top_names = property(lambda n: _Net_IdNameWrapper(n, Net._top_ids))Net.bottom_names = property(lambda n: _Net_IdNameWrapper(n, Net._bottom_ids))
在底层,top blob, bottom blob 是按id来索引访问的,所以在底层就相应的有top_id_vecs_ 和 bottom_id_vecs_ 这两个变量。而class _Net_IdNameWrapper 的功能就是将这种按id访问,改为按blob的name来访问,在训练的时候带来方便性。
下面以 Net.top_names = property(lambda n: _Net_IdNameWrapper(n, Net._top_ids)) 为例,解释一下。
a) _Net_IdNameWrapper(n, Net._top_ids) 创建一个_Net_IdNameWrapper对象, 那么它是如何实现利用blob name来访问blob的呢?
b) 其实是通过def getitem(self, name)来定制的: ids = self.func(self.net, list(self.net._layer_names).index(name))
这里self,表示Net_IdNameWrapper实例对象。self.net._layer_names调用Caffe.Net的_layer_names属性,返回网络中所有layer的名字,index(name)找到对应name的layer的id,而self.func即为Net._top_ids方法(定义在_caffe.cpp中),它调用底层的Net::top_ids方法,返回Net::top_id_vecs, 其类型为:vector<vector<int> >
,所以综合一下可知,ids为名字为name的layer的所以top blob 的id。 这里需要注意的是list(dict) 返回的是dict的键的列表
c) id_to_name = list(self.net.blobs)
:self.net.blobs调用caffe.Net的blobs属性返回网络中所有的非参数blob所组成的字典,这是因为caffe.Net的blobs属性已经经过wraped .[参见def _Net_blobs(self)]。即id_to_name是一个blob name 的列表,里面存储了网络的所有非参数blob的名字。
d) return [id_to_name[i] for i in ids]
将所有需要的blob name以列表的形式返回。
总之Net.top_names这个属性的功能就是返回给定名字为name的层的所有top blob。
- Python 装饰器,@property 以及 Pycaffe.py
- Python 装饰器,@property 以及 Pycaffe.py
- Python @property装饰器
- python装饰器--@property
- python @classmethod和@staticmethod、@property以及装饰器
- Python装饰器之 property()
- python中的@property装饰器
- Python描述符(descriptor)解密 属性(property)、以及装饰器(decorator)
- python装饰器之staticmethod,classmethod,property
- python装饰器之staticmethod,classmethod,property
- python中@property装饰器的用法
- python装饰器之staticmethod,classmethod,property
- python中@property装饰器的用法
- Python中的property, setter装饰器
- Python 内置装饰器staticmethod、classmethod、property
- python内部装饰器@classmethod, @staticmethod, @property
- [py]py装饰器原理
- python_慕课\python装饰器\3-1 python装饰器.py
- JavaWeb开发之深入分析URL重定向的原理和特点(跟着龙哥学JavaWeb)
- <<web>>css背景需要对应面积
- Fuck you money
- 继续(3n+1)猜想
- HTML5之拖放
- Python 装饰器,@property 以及 Pycaffe.py
- Android更新机制(自己服务器和GooglePlay更新)
- 多次读取reduce函数中迭代器的数据
- 从View开始研究FrameWork层的源码
- iOS核心动画-关键帧动画CAKeyframeAnimation
- 2、学会常量后能够编程的例子(自我介绍)
- Log最佳工具类
- ColorFilter
- 返回按钮