Python进阶学习笔记——闭包

本文深入探讨了闭包的概念及其在编程中的应用场景,详细解释了如何利用闭包保存外部函数变量,避免变量随函数调用结束而销毁,同时讨论了闭包对内存的影响及自由变量的修改方法。

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

闭包

  • 闭包的应用场景:当函数调用完,函数内定义的变量都销毁了,但是我们有时候需要保存函数内的这个变量,每次在这个变量的基础上完成一系列的操作,比如:每次在这个变量的基础上和其他数字进行求和计算,那怎么办呢?我们可以使用闭包来解决。
  • 定义
    • 词法闭包的简称,是引用了自由变量的函数,这个被引用的自由变量将和这个函数一同存在,即使已经离开了创造它的环境也不例外,所以闭包是由函数和与其相关的引用环境组合而成的实体
    • 简单说,在函数嵌套的前提下,内部函数使用了外部函数的变量,并且外部函数返回了内部函数,我们把这个使用外函数变量的内部函数称为闭包

闭包的构成条件

  1. 闭包函数必须有内嵌函数
  2. 内嵌函数引用了外部函数的变量自由变量,又叫环境变量。包括外部函数的参数);
  3. 外部函数必须返回内嵌函数
# 定义一个外部函数
def func_out(num1):
    # 定义一个内部函数
    def func_inner(num2):
        # 内部函数使用了外部函数的变量(num1)
        result = num1 + num2
        print("结果是:", result)
    # 外部函数返回了内部函数,这里返回的内部函数就是闭包
    return func_inner

# 创建闭包实例    
f = func_out(1)
# 执行闭包
f(2)
f(3)
-----------------------------------------------------
结果是: 3
结果是: 4
  • 闭包执行结果的说明:通过上面的输出结果可以看出闭包保存了外部函数内的变量num1,每次执行闭包都是在num1 = 1基础上进行计算的。
  • 闭包的作用:闭包可以保存外部函数内的变量,不会随着外部函数调用完而销毁。
  • 注意由于闭包引用了外部函数的变量,则外部函数的变量没有及时释放,消耗内存。这也是为什么自由变量可以一直存在的原因

修改自由变量

  • 关键字nonlocal 非局部的
  • 注意nonlocal只能用于在内部函数修改外部函数提供的自由变量的值。
def some_body(name):
    name_list = []
    def say(data):
        # 这里本意想要修改外部name的值,实际上是在内部函数定义了一个局部变量name
        nonlocal name  # 告诉解释器,此处使用的是外部变量name
        name += '666'
        name_list.append(name)  # name_list也是自由变量
        print("%s说了%s" % (name, data))
    return say

jerry = some_body('Jerry')
jerry("Hi tom")
jerry('Hi Sunny')
jerry("Hi Summer")
-------------------------------------------
Jerry666说了Hi tom
现在又1个人发过言了...

Jerry666666说了Hi Sunny
现在又2个人发过言了...

Jerry666666666说了Hi Summer
现在又3个人发过言了...
  • 扩展nonlocalglobal类似,可变类型不需要加关键字来改变变量的值,比如上面的name_list
内容概要:该论文聚焦于T2WI核磁共振图像超分辨率问题,提出了一种利用T1WI模态作为辅助信息的跨模态解决方案。其主要贡献包括:提出基于高频信息约束的网络框架,通过主干特征提取分支和高频结构先验建模分支结合Transformer模块和注意力机制有效重建高频细节;设计渐进式特征匹配融合框架,采用多阶段相似特征匹配算法提高匹配鲁棒性;引入模型量化技术降低推理资源需求。实验结果表明,该方法不仅提高了超分辨率性能,还保持了图像质量。 适合人群:从事医学图像处理、计算机视觉领域的研究人员和工程师,尤其是对核磁共振图像超分辨率感兴趣的学者和技术开发者。 使用场景及目标:①适用于需要提升T2WI核磁共振图像分辨率的应用场景;②目标是通过跨模态信息融合提高图像质量,解决传统单模态方法难以克服的高频细节丢失问题;③为临床诊断提供更高质量的影像资料,帮助医生更准确地识别病灶。 其他说明:论文不仅提供了详细的网络架构设计与实现代码,还深入探讨了跨模态噪声的本质、高频信息约束的实现方式以及渐进式特征匹配的具体过程。此外,作者还对模型进行了量化处理,使得该方法可以在资源受限环境下高效运行。阅读时应重点关注论文中提到的技术创新点及其背后的原理,理解如何通过跨模态信息融合提升图像重建效果。
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

打赏作者

鬼义虎神

打赏5C币,作者可获得4C币

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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