《Python高级编程》(二)上下文管理器

定义

  • 上下文管理器是一个包装任意代码块的对象。上下文管理器保证进入上下文管理器时,每次代码执行的一致性;当退出上下文管理器时,相关的资源会被正确回收
  • 功能类似于执行try,except和finally关键字;被用到最多的就是:作为确保资源被正确清理的一种方式
    与装饰器的对比 :大多数方面上下文管理器与装饰器的作用等价
  • 相似:它们都是包装其他代码的工具。
  • 不同:装饰器包装用于定义的代码块(函数或类);上下文管理器可以包装任意格式的代码块

语法

1. with语句
  • 使用with语句和内置函数open都可以进入上下文管理器
      with open('/path/to/filename', 'r') as my_file:
            contents = my_file.read()
  • 从本质上讲,实际上是with语句对其后的代码进行求值,该表达式会返回一个对象,该对象包含两个特殊方法__enter__和__exit__;__enter__方法返回的结果会被赋给as关键字之后的变量。
  • 注意:在with后的表达式结果没有被赋给所谓的变量,只有__enter__的返回值会被赋给该变量
2. enter和exit方法
  • with语句的表达式的作用是返回一个遵循特定协议的对象。该对象必须定义一个__enter__和__exit__方法
  • 除了传统的self参量,__enter__不接受任何其他参数
  • __exit__方法带3个位置参数(不包括self):异常类型、异常实例、一个回溯。无异常时三个值均为None
  • 上下文管理器必须定义__exit__方法,该方法可以选择性地处理保证代码块中出现的异常,或者处理其他需要关闭上下文管理器状态的事情
# 并没有做什么工作,仅返回自身和设置其entered变量:进入时True,退出时False
class ContextManager(object):
    def __init__(self):
        self.entered = False
    def __enter__(self):
        self.entered = True
        return self
    def __exit__(self, exc_type, exc_val, exc_tb):
        self.entered = False

cm = ContextManager()
print cm.entered   #False 创建实例

# 使用上下文管理器打开,entered为True,退出时变为False
with cm:  
    print cm.entered  # True
print cm.entered   #False

with ContextManager() as cm:
    print cm.entered   #True
3. 异常处理
  • __exit__方法选择性地处理包装代码块中出现的异常,或者处理其他需要关闭上下文管理器状态的事情。
  • 如果没有异常,__exit__三个参数值都是None,如果接收一个异常,就有义务处理异常。

何时编写上下文管理器

  • 资源清理
    示例:打开PostgreSQL数据库连接的上下文管理器(未测试)
import psycopg2

        class DBConnection(object):
            def __init__(self, dbname=None, user=None, password=None, host='localhost'):
                self.host = host
                self.dbname = dbname
                self.user = user
                self.password = password
            def __enter__(self):
                self.connection = psycopg2.connect(
                    dbname = self.dbname,
                    host = self.host,
                    user = self.user,
                    password = self.password)
                return self.connection.cursor()
            def __exit__(self, exc_type, exc_instance, exc_traceback):
                self.connection.close()

        with DBConnection(user='root', dbname='puwell_db') as db:
            db.execute('SELECT 1+1')
            db.fetchall()  #[(2,)]
        db.execute('SELECT 1+1')  #出错 InterfaceError:cursor already closed

  • 避免重复(还没完全看懂.待续…
    • 传播异常
    • 终止异常
内容概要:本文介绍了ENVI Deep Learning V1.0的操作教程,重点讲解了如何利用ENVI软件进行深度学习模型的训练与应用,以实现遥感图像中特定目标(如集装箱)的自动提取。教程涵盖了从数据准备、标签图像创建、模型初始化与训练,到执行分类及结果优化的完整流程,并介绍了精度评价与通过ENVI Modeler实现一键化建模的方法。系统基于TensorFlow框架,采用ENVINet5(U-Net变体)架构,支持通过点、线、面ROI或分类图生成标签数据,适用于多/高光谱影像的单一类别特征提取。; 适合人群:具备遥感图像处理基础,熟悉ENVI软件操作,从事地理信息、测绘、环境监测等相关领域的技术人员或研究人员,尤其是希望将深度学习技术应用于遥感目标识别的初学者与实践者。; 使用场景及目标:①在遥感影像中自动识别和提取特定地物目标(如车辆、建筑、道路、集装箱等);②掌握ENVI环境下深度学习模型的训练流程与关键参数设置(如Patch Size、Epochs、Class Weight等);③通过模型调优与结果反馈提升分类精度,实现高效自动化信息提取。; 阅读建议:建议结合实际遥感项目边学边练,重点关注标签数据制作、模型参数配置与结果后处理环节,充分利用ENVI Modeler进行自动化建模与参数优化,同时注意软硬件环境(特别是NVIDIA GPU)的配置要求以保障训练效率。
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