python库中的setter方法和getter方法

setattr方法

setattr

setattr(object, name, value)

  • object：要设置属性值的对象。
  • name：要设置的属性名。
  • value：要设置的属性值。

setattr 函数会将 object 对象中名为 name 的属性的值设置为 value，如果 name 不存在，它会在 object 中创建一个名为 name 的属性，并将其值设置为 value。

举个例子，假设有一个类 Person，它有一个名为 name 的属性，可以通过 setattr 函数来设置 name

class Person:
    def __init__(self, name):
        self.name = name

person = Person('Tom')
setattr(person, 'name', 'Jerry')
print(person.name)  # 输出：'Jerry'

结果

Jerry

上述代码中，首先创建了一个 Person 对象 person，然后使用 setattr 函数将 person 对象的 name 属性的值设置为 'Jerry'，最后输出 person 对象的 name 属性的值，结果为 'Jerry'。

另外，也可以使用 setattr

class Person:
    pass

person = Person()
setattr(person, 'name', 'Tom')
print(person.name)  # 输出：'Tom'

结果

Tom

上述代码中，首先创建了一个空的 Person 对象 person，然后使用 setattr 函数为 person 对象添加一个名为 name 的属性，并将其值设置为 'Tom'，最后输出 person 对象的 name 属性的值，结果为 'Tom'。

getter方法

getattr 是 Python 中的一个内置函数，用于获取对象的属性值。它的作用是从一个对象中获取指定名称的属性值，如果该属性不存在，则会抛出一个 AttributeError

getattr(object, name[, default])

  • object：要获取属性值的对象。
  • name：要获取的属性名。
  • default：可选参数，如果指定的属性不存在，则返回 default 指定的默认值，否则抛出 AttributeError 异常。如果不指定 default 参数，则抛出 AttributeError

getattr 函数会从 object 对象中获取名为 name 的属性的值，如果 name 不存在，它会根据 default

举个例子，假设有一个类 Person，它有一个名为 name 的属性，可以通过 getattr 函数来获取 name

class Person:
    def __init__(self, name):
        self.name = name

person = Person('Tom')
name = getattr(person, 'name')
print(name)  # 输出：'Tom'

结果

Tom

上述代码中，首先创建了一个 Person 对象 person，然后使用 getattr 函数获取 person 对象的 name 属性的值，并将其赋值给变量 name，最后输出 name 的值，结果为 'Tom'。

如果尝试获取一个对象中不存在的属性，getattr 函数会抛出一个 AttributeError

class Person:
    def __init__(self, name):
        self.name = name

person = Person('Tom')
age = getattr(person, 'age')

结果：

Traceback (most recent call last):
  File "D:/code/python_code/TSM_pra/main.py", line 6, in <module>
    age = getattr(person, 'age')
AttributeError: 'Person' object has no attribute 'age'

上述代码中，尝试获取 person 对象的 age 属性的值，但是 Person 类中并没有定义 age 属性，因此 getattr 函数会抛出一个 AttributeError

pytorch库中的setter方法和getter方法

setter方法

torch.nn.Module 是 PyTorch 框架中一个重要的类，表示神经网络中的模块。在 torch.nn.Module 类中，有一个 setattr 方法，其作用与 Python 内置的 setattr

setattr

  • name：属性名。
  • value：属性值。

setattr 方法将 name 属性的值设置为 value。需要注意的是，在 torch.nn.Module 中，调用 setattr

举个例子，假设有一个自定义的神经网络模块 MyNet，其中有一个名为 fc 的全连接层。我们可以使用 setattr 方法将 fc 层的权重参数和偏置参数分别设置为 weight 和 bias：

import torch
import torch.nn as nn

class MyNet(nn.Module):
    def __init__(self):
        super(MyNet, self).__init__()
        self.fc = nn.Linear(10, 5)

net = MyNet()
setattr(net.fc, 'weight', torch.randn(5, 10))
setattr(net.fc, 'bias', torch.randn(5))

上述代码中，我们首先定义了一个名为 MyNet 的自定义模块，其中包含一个名为 fc 的全连接层。然后，我们创建了一个 MyNet 对象 net，并使用 setattr 方法设置 fc 层的权重参数和偏置参数，其中 weight 的形状为 (5, 10)，bias 的形状为 (5,)。

需要注意的是，在实际使用中，我们通常使用 nn.Module 类的 __setattr__ 方法来设置模块中的属性值，而不是直接调用 setattr 方法。这是因为 __setattr__ 方法会调用 PyTorch 内置的 _parameters 和 _buffers

import torch
import torch.nn as nn

class MyNet(nn.Module):
    def __init__(self):
        super(MyNet, self).__init__()
        self.fc = nn.Linear(10, 5)

    def forward(self, x):
        x = self.fc(x)
        return x

net = MyNet()
net.fc.weight = nn.Parameter(torch.randn(5, 10))
net.fc.bias = nn.Parameter(torch.randn(5))

上述代码中，我们使用 PyTorch 内置的 nn.Parameter 类来将权重参数和偏置参数转换为可训练的参数，然后直接对 fc 层的 weight 和 bias 属性赋值即可。这种方式比直接调用 setattr

getter方法

torch.nn.Module 是 PyTorch 框架中一个重要的类，表示神经网络中的模块。在 torch.nn.Module 类中，有一个 getattr 方法，其作用与 Python 内置的 getattr

getattr

  • name：属性名。

getattr 方法返回 name 属性的值。需要注意的是，在 torch.nn.Module 中，调用 getattr

举个例子，假设有一个自定义的神经网络模块 MyNet，其中有一个名为 fc 的全连接层。我们可以使用 getattr 方法获取 fc

import torch
import torch.nn as nn

class MyNet(nn.Module):
    def __init__(self):
        super(MyNet, self).__init__()
        self.fc = nn.Linear(10, 5)

net = MyNet()
weight = getattr(net.fc, 'weight')
bias = getattr(net.fc, 'bias')

上述代码中，我们首先定义了一个名为 MyNet 的自定义模块，其中包含一个名为 fc 的全连接层。然后，我们创建了一个 MyNet 对象 net，并使用 getattr 方法获取 fc 层的权重参数和偏置参数，分别赋值给 weight 和 bias

需要注意的是，如果 getattr 方法获取的属性值是一个子模块，我们可以通过调用子模块的 parameters 方法获取其所有参数，或者通过调用子模块的 children

import torch
import torch.nn as nn

class MyNet(nn.Module):
    def __init__(self):
        super(MyNet, self).__init__()
        self.fc1 = nn.Linear(10, 5)
        self.fc2 = nn.Linear(5, 2)

net = MyNet()
fc1_params = list(getattr(net, 'fc1').parameters())
fc2_children = list(getattr(net, 'fc2').children())

上述代码中，我们定义了一个名为 MyNet 的自定义模块，其中包含两个全连接层 fc1 和 fc2。然后，我们创建了一个 MyNet 对象 net，并使用 getattr 方法获取 fc1 层和 fc2 层，分别调用它们的 parameters 和 children