python 反射

反射

描述

反射就是指在程序运行时,动态的去确定对象的类型,并且可以通过字符串的的形式去调用对应的属性,方法,导入模块,是一种基于字符串的事件驱动

举一个例子:

class Student:
    def __init__(self):
        self.name = 'mhy'
        self.price = '5000'

obj1 = Student()
content = input('>>>:')  # 这里输入的name是字符串

# 如果不知道反射,我们平常都是这么根据输入调用的
if content == 'name':
    print(obj1.name)
elif content == 'price':
    print(obj1.price)

但是上面的方法,我们如果要调用成百上千的个方法或者属性,不得死了,所以就有了反射这种方法

python提供了几个内置函数来解决这种事情getattr() hasattr()

例如上面的例子,我们现在可以这样做,代码如下

对象的反射

  • getattr(对象,字符串形式属性或者方法名) 返回对象中属性名对应的值
  • hasattr(对象,字符串形式属性或者方法名) 返回的是一个bool值,判断对象中是否存在属性

反射属性

val = getattr(对象,'属性名') val就是属性的值

class Student:
    def __init__(self):
        self.name = 'mhy'
        self.price = '5000'
obj1 = Student()
content = input('>>>:')  
if hasattr(obj1, content): # 判断obj1对象中是否存在该属性
    ret = getattr(obj1,content) # 对象和输入的字符串
    print(ret)

反射方法

方法的反射如果我们使用上面属性的反射的话,会有问题

比如属性是不需要加括号的,直接会返回值,但是方法不加括号只会返回内存地址,但是我们如何判断当前是否是个方法,还是个属性呢.这里要用到判断了

callable() : 判断参数是否可调用

val = getattr('对象','方法名')

val就是方法的地址

val() ==> 调用方法

代码如下:

class Student:
    def __init__(self):
        self.name = 'mhy'
        self.price = '5000'

    def show_name(self):
        print(self.name,self.price)
        
obj1 = Student()
content = input('>>>:')  
if hasattr(obj1, content):
    ret = getattr(obj1,content)
    if callable(ret): # 判断ret是否可调用,因为有可能是一个内存地址
        ret()
    else:
        print(ret)

类的反射

class A:
     role = 'China'
        
print(getattr(A,'role'))  # 用类获取类的变量

模块的反射

# 模块的反射
import time
print(time.time())
print(getattr(time,'time')())

反射本质:a.b ===== getattr(a,'b')

反射使用:

name = 'alex'
age = 84
def func():
    print('wahaha')
class Student():pass

import sys
# 反射变量
ret1 = getattr(sys.modules[__name__],'name')
ret2 = getattr(sys.modules[__name__],'age')
# 反射函数
getattr(sys.modules[__name__],'func')()
# 反射类
print(getattr(sys.modules[__name__],'Student'))

学生例子

class Studnet:
    opt_lst = [
        ('查看可选课程', 'show_courses'),
        ('选择课程', 'choose_course'), 
        ('查看已选课程', 'show_selected_course'),
        ('退出', 'quit')
        ]
    def __init__(self,name):
        self.name = name
        self.courses = []
    def show_courses(self):
        print('查看一共有多少门课程')

    def choose_course(self):
        print('选择课程')

    def show_selected_course(self):
        print('查看已经选择的课程')

    def quit(self):
        print('退出')

stu = Studnet('alex')
for index,opt in enumerate(Studnet.opt_lst,1):
    print(index,opt[0])
num = int(input('请输入您要选择的操作序号:'))
if hasattr(stu,Studnet.opt_lst[num-1][1]):
    getattr(stu,Studnet.opt_lst[num-1][1])()

转载于:https://www.cnblogs.com/Hybb/p/11518952.html

基于径向基函数神经网络RBFNN的自适应滑模控制学习(Matlab代码实现)内容概要:本文介绍了基于径向基函数神经网络(RBFNN)的自适应滑模控制方法,并提供了相应的Matlab代码实现。该方法结合了RBF神经网络的非线性逼近能力和滑模控制的强鲁棒性,用于解决复杂系统的控制问题,尤其适用于存在不确定性和外部干扰的动态系统。文中详细阐述了控制算法的设计思路、RBFNN的结构与权重更新机制、滑模面的构建以及自适应律的推导过程,并通过Matlab仿真验证了所提方法的有效性和稳定性。此外,文档还列举了大量相关的科研方向和技术应用,涵盖智能优化算法、机器学习、电力系统、路径规划等多个领域,展示了该技术的广泛应用前景。; 适合人群:具备一定自动控制理论基础和Matlab编程能力的研究生、科研人员及工程技术人员,特别是从事智能控制、非线性系统控制及相关领域的研究人员; 使用场景及目标:①学习和掌握RBF神经网络与滑模控制相结合的自适应控制策略设计方法;②应用于电机控制、机器人轨迹跟踪、电力电子系统等存在模型不确定性或外界扰动的实际控制系统中,提升控制精度与鲁棒性; 阅读建议:建议读者结合提供的Matlab代码进行仿真实践,深入理解算法实现细节,同时可参考文中提及的相关技术方向拓展研究思路,注重理论分析与仿真验证相结合。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值