专栏首页有三AI【Python进阶】实战Python面向对象基本编程

【Python进阶】实战Python面向对象基本编程

欢迎来到专栏《Python进阶》。在这个专栏中,我们会讲述Python的各种进阶操作,包括Python对文件、数据的处理,Python各种好用的库如NumPy、Scipy、Matplotlib、Pandas的使用等等。我们的初心就是带大家更好的掌握Python这门语言,让它能为我所用。

今天是《Python进阶》专栏的第一期,在本期中,我们将主要介绍Python面向对象的基本理论、类的定义与实例化。

作者&编辑 | 汤兴旺

1 Python面向对象基本理论

在解释面向对象之前,我们先了解另外一个概念,那就是面向过程。面向过程顾名思义其核心在于过程。也就是解决一个实际问题的步骤,即先干什么,再干什么。举一个我们平时洗碗的例子,如下图所示:

从上图我们看出小明要想完成洗碗这个任务,他面对的是放水、放碗等六个步骤,他需要通过这六步才能更好的完成洗碗任务。

还是这个例子,我们看看如果是面向对象的思想会是一个怎样的过程。如下图所示:

通过上图我们可以看出如果是面向对象的思想,小明要想完成洗碗这个任务,他只要起到一个leader的作用就行,而不是去做具体的事情。即小明面向他的儿子,小明的儿子面向自动洗碗机,而自动洗碗机具体洗碗的过程就不是小明儿子关心的事情了,更不是小明关心的事情了。在这一系列的过程中,其实都是在找这个任务可以由谁来做。

通过上面的例子我相信你已经明白了什么是面向对象了。面向对象的核心就是对象,它实际上是对面向过程的一个封装,我们需要把自己当成一个leader来审视每一个具体的任务,找到对象,确定对象的属性和行为,负责好指挥和调度就行,而面向过程的话你就需要完成一个任务的每一个步骤,这样你会不会累死,哈哈!

2 面向对象-类

2.1 基本概念

从上面的介绍,我们已经理解了什么是面向过程,什么是面向对象。那么我们应该如何在编程中使用面向对象这个思想呢?或者说如何从面向过程的编程思想过渡到面向对象编程的思想呢?具体方法如下:

(1) 列举出一个任务中具体的实现步骤,也就是面向过程中的那些步骤

(2) 分离(1)中的具体步骤并划分到某一个对象中

(3) 根据(2)中的对象及对应的行为,抽象出对应的类

(4) 设计类

上面我们提到了一个概念——类。实际上类就是某一个具体对象特征的抽象,是用来描述具有相同的属性和方法的对象的集合。为了让大家更好的理解,请看下面一个例子:

小明是个具体的人,他的属性值和行为值各有三个,我们可以根据小明这个具体的人抽象出优质青年这个类,它是一个抽象化的概念,并不是指一个具体的人。

我们根据这个抽象出来的类,就可以生产具体的对象。

上面的小华、张三、李四就是一个个具体的对象。上面的整个流程如下图所示:

由一个具体的对象抽象成一个类再实例化成一个具体的对象。

2.2 类的定义与实例化

在Python中,定义类是通过class关键字完成的,具体方法如下:

class Student(object):

pass

从上面我们可以看出class后面紧接着是类名,即Student,类名通常是大写开头的单词,紧接着是(object),表示该类是从哪个类继承下来的,通常,如果没有合适的继承类,就使用object类,这是所有类最终都会继承的类。

定义好了Student类,就可以根据Student类创建出Student的实例,创建实例是通过类名+()实现的:

Jack = Student()

我们来print(Jack)来看下结果,如下

<__main__.Student object at 0x000001B1B89BA6A0>

我们来解释下这个输出,输出里面的Student就是类,Object是对象,0x000001B1B89BA6A0这个是内存地址,也就是这个类Student实例化后的对象在内存中地址为0x000001B1B89BA6A0。

为什么print(Jack)后的结果是那样的呢?我们来看下整个流程:

实际上就是通过这个变量找到对象,然后根据对象里面的__class__值找到对应的一个类。我们可以看下Jack的__class__属性值来验证下,只需要print(Jack.__class__)即可,输出如下:

<class '__main__.Student'>

不知道你是否明白了创建对象时的底层运作,欢迎交流!

2.3 类的设计

上面我们讲解了如何定义一个类及类的实例化,现在我们讲解如何设计一个类。就以利用TensorFlow2.0对图片数据进行预处理的一个方法来讲解。具体代码如下:

import tensorflow as tf

txtfile=r"D://Learning//tensorflow_2.0//smile//datas//train//train.txt" batch_size = 64 num_classes = 2 image_size = (48,48)

class ImageData: def read_txt_file(self): self.img_paths = [] self.labels = [] for line in open(self.txt_file, 'r'): items = line.split(' ') self.img_paths.append(items[0]) self.labels.append(int(items[1])) def __init__(self, txt_file, batch_size, num_classes, image_size, buffer_scale=100): self.image_size = image_size self.batch_size = batch_size self.txt_file = txt_file self.num_classes = num_classes buffer_size = batch_size * buffer_scale # 读取图片 self.read_txt_file() self.dataset_size = len(self.labels) print("num of train datas=", self.dataset_size)

# 转换成Tensor

self.img_paths = tf.convert_to_tensor(self.img_paths, dtype=tf.string) self.labels = tf.convert_to_tensor(self.labels, dtype=tf.int32) # 创建数据集 data = tf.data.Dataset.from_tensor_slices((self.img_paths, self.labels)) print("data type=", type(data)) data = data.map(self.parse_function) data = data.repeat(1000) data = data.shuffle(buffer_size=buffer_size) # 设置self data Batch self.data = data.batch(batch_size) print("self.data type=", type(self.data)) def augment_dataset(self, image, size): distorted_image = tf.image.random_brightness(image, max_delta=63) distorted_image = tf.image.random_contrast(distorted_image, lower=0.2, upper=1.8) float_image = tf.image.per_image_standardization(distorted_image) return float_image def parse_function(self, filename, label): label_ = tf.one_hot(label, self.num_classes)

img = tf.io.read_file(filename) img = tf.image.decode_jpeg(img, channels=3)

img = tf.image.convert_image_dtype(img, dtype=tf.float32)

img=tf.image.random_crop(img, [self.image_size[0], self.image_size[1], 3]) img = tf.image.random_flip_left_right(img) img = self.augment_dataset(img, self.image_size) return img, label_

dataset = ImageData(txtfile, batch_size, num_classes, image_size)

在上面的例子中我们定义了一个ImageData类,类中定义了四个方法分别是__init__()方法、read_txt_file()方法、parse_function()方法和augment_dataset()方法。我们首先来解释下__init__方法,其实际上可以理解为一个初始化方法,也就是在创建一个对象时会默认被调用,不需要手动调用。但是其他的方法必须要手动的调用,如上面代码黑色加粗部分。

为了加深对__init__()方法的理解,我们再来看一个简单的例子,如下:

class AiLearning(): def __init__(self): self.a = "yousanai" d = AiLearning() print(d.a)

上面的输出很简单就是yousanai。那如果不是__init__方法,结果会怎样呢?

class Ai_Learning(): def Learning(self): self.a = "yousanai" d = Ai_Learning() print(d.a)

这个输出程序会报错,会显示AttributeError: 'Ai_Learning' object has no attribute 'a'。即没有属性a。我们需要将代码改成下面的代码,才能正确输出,我们所做的改动就是手动调用了Learning()方法。

class Ai_Learning(): def Learning(self): self.a = "yousanai" return self.a d = Ai_Learning() print(d.Learning())

我相信通过上面的讲解你已经明白了如何来设计一个类了。

总结

本期我们介绍了Python面向对象的思想及其基本概念,也介绍了如何定义一个类、创建一个对象和设计一个类,并介绍了创建对象时的底层运作机制。希望您能更好的掌握面向对象的思想。

本文分享自微信公众号 - 有三AI(yanyousan_ai),作者:汤兴旺

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2019-06-29

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 【TensorFlow2.0】数据读取与使用方式

    大家好,这是专栏《TensorFlow2.0》的第三篇文章,讲述如何使用TensorFlow2.0读取和使用自己的数据集。

    用户1508658
  • 【TensorFlow2.0】如何搭建网络模型?

    我们知道在不考虑输入层的情况下,一个典型的卷积神经网络通常由若干个卷积层、激活层、池化层及全连接层组成,无论是最经典的LeNet5,还是前两天刚出现的Mobil...

    用户1508658
  • 【tensorflow速成】Tensorflow图像分类从模型自定义到测试

    TensorFlow 是 Google brain 推出的开源机器学习库,与 Caffe 一样,主要用作深度学习相关的任务。

    用户1508658
  • 如何使用注意力模型生成图像描述?

    我们的目标是用一句话来描述图片, 比如「一个冲浪者正在冲浪」。 本教程中用到了基于注意力的模型,它使我们很直观地看到当文字生成时模型会关注哪些部分。

    AI研习社
  • 【深度学习】--GAN从入门到初始

    GAN,生成对抗网络,在2016年基本火爆深度学习,所有有必要学习一下。生成对抗网络直观的应用可以帮我们生成数据,图片。

    LhWorld哥陪你聊算法
  • torch08:RNN--word_language_model

    版权声明:本文为博主原创文章,未经博主允许不得转载。有问题可以加微信:lp9628(注明CSDN)。 ...

    MachineLP
  • Selenium及Headless Ch

    一般的的静态HTML页面可以使用requests等库直接抓取,但还有一部分比较复杂的动态页面,这些页面的DOM是动态生成的,有些还需要用户与其点击互动,这些页面...

    py3study
  • Selenium爬取京东商品案例

    Python知识大全
  • BeeHive —— 一个优雅但还在完善中的解耦框架

    BeeHive是阿里巴巴公司开源的一个iOS框架,这个框架是App模块化编程的框架一种实现方案,吸收了Spring框架Service的理念来实现模块间的API解...

    一缕殇流化隐半边冰霜
  • 均摊复杂度和防止复杂度的震荡

    关于上一节中我们对添加操作的时间复杂度归结为O(n)是考虑了扩容操作(resize)在内的。就addLast(e)操作而言,时间复杂度为O(1),在考虑最坏情况...

    wfaceboss

扫码关注云+社区

领取腾讯云代金券