news 2026/4/18 15:54:30

DAY31 函数专题2:装饰器

作者头像

张小明

前端开发工程师

1.2k 24
文章封面图
DAY31 函数专题2:装饰器

前言:在上一个章节中我们主要讨论了函数的基本定义方式和基本的用法,在本节中我们将引入一个新的概念装饰器。装饰器是函数的"外包装",装饰器是一个可以给函数"穿衣服"的特殊函数,不改变原函数代码就能增加新功能。

一、选用装饰器的原因

原因一:使用装饰器可以提升代码复用,例如我有多个函数需要测量执行时间,我可以直接将装饰器应用在这些函数上,而不用在每个函数上进行重复代码的书写。

原因二:保证函数的逻辑清晰,使用装饰器可以使得一个函数只承担单一的责任。

原因三:扩展他人写好的函数,通过装饰器可以直接添加额外功能,而不需要去对应的库中进行相关的修改。

二、应用示例

编写一个装饰器logger,在函数执行前后打印日志信息(如函数名、参数、返回值)。

def logger(func): def wrapper(*args, **kwargs): # args 是元组,kwargs 是字典 print(f"开始执行函数 {func.__name__},参数: {args}, {kwargs}") result = func(*args, **kwargs) print(f"函数 {func.__name__} 执行完毕,返回值: {result}") return result return wrapper @logger def multiply(a, b): return a * b multiply(2, 3) # 调用 multiply 函数,观察日志输出

其中

@logger
def multiply(a, b):
return a * b

multiply(2, 3)

--------------------------------------------------------等价于----------------------------------------------------------------

def multiply(a, b):
return a * b

multiply = logger(multiply)

值得注意的是

return wrapper(返回函数本身,可多次使用的工具)、return wrapper()(立即执行函数,一个结果值)。

举个例子:对于return wrapper:

def create_calculator(operation): if operation == "add": def add_numbers(a, b): return a + b return add_numbers # 返回加法计算器 elif operation == "multiply": def multiply_numbers(a, b): return a * b return multiply_numbers # 返回乘法计算器 # 得到计算器 my_adder = create_calculator("add") my_multiplier = create_calculator("multiply") # 可以多次使用 print(my_adder(2, 3)) # 5 print(my_adder(10, 20)) # 30 print(my_multiplier(4, 5)) # 20

对于 return wrapper():

def calculate_once(): def add_numbers(a, b): return a + b return add_numbers(2, 3) # ❌ 立即计算 2+3 # 只能得到一个结果 result = calculate_once() print(result) # 5 # 不能计算其他数 # 这个函数只能算 2+3

一个参数设定时的典型错误:

关键规则总结

  1. 顺序:位置参数必须在前,关键字参数在后

  2. 一旦用关键字参数,后面的所有参数必须都用关键字参数

  3. 可以混用,但必须保持"位置→关键字"的顺序

  4. 关键字参数可以打乱顺序,因为Python按名称分配

@浙大疏锦行

版权声明: 本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若内容造成侵权/违法违规/事实不符,请联系邮箱:809451989@qq.com进行投诉反馈,一经查实,立即删除!
网站建设 2026/4/18 5:33:34

PyTorch-CUDA-v2.6镜像支持ONNX导出吗?转换流程详解

PyTorch-CUDA-v2.6 镜像支持 ONNX 导出吗?转换流程详解 在现代 AI 工程实践中,一个常见的挑战是:如何快速、可靠地将训练好的 PyTorch 模型部署到不同硬件平台? 尤其是在使用预构建的容器镜像时,开发者常会问&#xf…

作者头像 李华
网站建设 2026/4/17 10:27:37

PyTorch-CUDA-v2.6镜像中安装SpaCy自然语言处理库注意事项

在 PyTorch-CUDA-v2.6 镜像中安装 SpaCy 的实践要点 在当前 AI 工程实践中,一个常见但容易被低估的挑战是:如何在一个已经为深度学习优化过的容器环境中,顺利引入自然语言处理(NLP)工具链。比如,在基于 PyT…

作者头像 李华
网站建设 2026/4/18 5:38:44

图解说明典型PCB设计案例:入门级双层板布局技巧

从零开始画一块能用的双层板:一个音频放大器的PCB实战笔记你有没有过这样的经历?原理图画得挺顺,仿真波形也漂亮,结果一打样回来,电路要么不工作,要么噪音大得像收音机杂音。别急——问题很可能不在芯片&am…

作者头像 李华
网站建设 2026/4/18 7:54:55

GitHub Actions自动化测试PyTorch-CUDA-v2.6镜像稳定性方案

GitHub Actions自动化测试PyTorch-CUDA-v2.6镜像稳定性方案 在深度学习项目开发中,一个常见的“噩梦”场景是:某位同事兴奋地宣布模型准确率突破新高,结果你拉下代码、复现环境后却发现——CUDA不可用,PyTorch报错,甚至…

作者头像 李华
网站建设 2026/4/18 5:17:43

Day38~atoi的实现

atoi的实现#include <stdio.h> #include <stdlib.h>#define MAX_SIZE 1024int my_atoi(const char *src) {int result 0;int flag 1;if (src NULL || *src \0){return 0;}if (*src - || *src ){flag (*src -) ? -1 : 1;src;}while (*src ! \0){if (*src &…

作者头像 李华