浅析python 中__name__ = '__main__' 的作用

本文解释了Python中__name__='__main__'的作用,即允许脚本作为独立程序运行的同时也能被其他模块导入而不会立即执行。通过实例演示了如何利用这一特性进行调试。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >



很多新手刚开始学习python的时候经常会看到python 中__name__ = \'__main__\' 这样的代码,可能很多新手一开始学习的时候都比较疑惑,python 中__name__ = '__main__' 的作用,到底干嘛的?

有句话经典的概括了这段代码的意义:

“Make a script both importable and executable”

意思就是说让你写的脚本模块既可以导入到别的模块中用,另外该模块自己也可执行

这句话,可能一开始听的还不是很懂。下面举例说明:

先写一个模块:

#module.py
def main():
   print "we are in %s" % __name__
if __name__ = = '__main__' :
   main()

这个函数定义了一个main函数,我们执行一下该py文件发现结果是打印出”we are in __main__“,说明我们的if语句中的内容被执行了,调用了main():

但是如果我们从另我一个模块导入该模块,并调用一次main()函数会是怎样的结果呢?



#anothermodle.py
from module import main
main()

其执行的结果是:we are in module

但是没有显示”we are in __main__“,也就是说模块__name__ = '__main__' 下面的函数没有执行。

这样既可以让“模块”文件运行,也可以被其他模块引入,而且不会执行函数2次。这才是关键。

总结一下:

如果我们是直接执行某个.py文件的时候,该文件中那么”__name__ == '__main__'“是True,但是我们如果从另外一个.py文件通过import导入该文件的时候,这时__name__的值就是我们这个py文件的名字而不是__main__。

这个功能还有一个用处:调试代码的时候,在”if __name__ == '__main__'“中加入一些我们的调试代码,我们可以让外部模块调用的时候不执行我们的调试代码,但是如果我们想排查问题的时候,直接执行该模块文件,调试代码能够正常运行!

### DeepSeek-R1 技术架构详解 #### 架构概述 DeepSeek-R1 是一种融合了监督学习与强化学习的混合模型体系结构,旨在提供更为强大和实用的功能[^1]。该架构的设计目标是在保持高效性能的同时实现更高的灵活性。 #### 数据收集与预训练阶段 为了优化初始状态并提高后续迭代效率,DeepSeek-R1 使用了大量的冷启动数据来调整基础版本——即 DeepSeek-V3-Base 模型参数,以此作为强化学习过程的良好开端[^2]。这些高质量的数据集对于构建稳健可靠的机器学习系统至关重要。 #### 蒸馏技术的应用 通过引入先进的蒸馏方法论,DeepSeek-R1 成功实现了从小型化到大型化的多尺度建模能力转换。具体而言,团队已经发布了多个不同大小(从7B至30B)经过精心压缩但仍保留核心功能特性的轻量化变体供公众下载使用[^3]。这种做法既促进了资源的有效分配也加速了开发周期。 #### 组合优势 结合上述要素,最终形成的 DeepSeek-R1 结构能够有效地平衡计算成本与预测精度之间的关系;同时支持广泛的任务场景需求,包括但不限于自然语言处理、图像识别以及特定行业领域内的复杂挑战解决。 ```python # Python伪代码展示部分关键组件初始化逻辑 class DeepSeekR1: def __init__(self, base_model_path="path/to/deepseek_v3_base"): self.base_model = load_pretrained(base_model_path) self.distilled_models = {} def add_distilled_version(self, size_in_billion_params, model_weights): key = f"{size_in_billion_params}B" distilled_model = create_compact_model(size_in_billion_params) distilled_model.load_state_dict(model_weights) self.distilled_models[key] = distilled_model def main(): deepseek_r1_instance = DeepSeekR1() # 假设我们有一个预先准备好的权重文件路径列表 weight_files = ["weights_7b.pth", "weights_30b.pth"] sizes = [7, 30] for i in range(len(sizes)): deepseek_r1_instance.add_distilled_version(sizes[i], torch.load(weight_files[i])) if __name__ == "__main__": main() ```
评论 1
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