dedecms网站首页,网站开发的形式有多种方式,平面设计师是干啥的,网站正在建设中html1.知识讲解
内容#xff1a;定义一个字典#xff0c;在python中一切皆对象#xff0c;将所有的函数进行封装#xff0c;然后定一个分发函数进行分发#xff0c;将原来if…else全部干掉。角色#xff1a; 函数#xff08;function#xff09;函数工厂#xff08;funct…1.知识讲解
内容定义一个字典在python中一切皆对象将所有的函数进行封装然后定一个分发函数进行分发将原来if…else全部干掉。角色 函数function函数工厂function factory客户端 client 举个例子 需求封装一个函数能够同时进行加减乘除运算。 加减乘除函数
# 定义一个计算器的相关功能
def plus(a, b):return a bdef substact(a, b):return a - bdef multiply(a, b):return a * bdef divide(a, b):return a / b定义封装函数
# 定义一个计算函数
def cal(a, b, how):if how 1:return plus(a, b)elif how 2:return substact(a, b)elif how 3:return multiply(a, b)else:return None从上面这个封装函数来看太多了if…else…很冗余 于是定义一个函数工厂将所有函数进行封装然后根据函数名进行调用
# 定义函数工厂
# 在python里面一切皆是对象
# 定义了一个字典,key是函数名称value是函数对象
func_map {plus: plus,substract: substact,multiply: multiply,divide: divide
}
# 函数工厂模式就是一种对函数进行动态分发的模式
def cal(a,b,how):if how in func_map.keys():return func_map[how](a,b)else:return None优点 对函数进行动态分发减少了函数的冗余代码。
2.实战
2.1 demo1
需求这个是我在写深度学习项目的时候遇到的一个设计模式当初不明白现在明白了这个设计模式。自然语言处理中有一次有一个实验需要同时验证BertrobertagptXnet等预训练模型的相关功能的性能他们大致分以下几个模块
configtokenizer掩码模型Bertrobertagpt使用的是mlm掩码模型而Xnet使用的是plm掩码模型自带的分类模型sequence_classifier 但是GPT没有
因为他们每个的这四个部分的功能实现都不相同但是在实验过程中都需要用到因此就用到了函数工厂模式。
from torch import nn
from transformers import BertConfig, BertTokenizer, BertForSequenceClassification, BertForMaskedLM, RobertaConfig, \RobertaTokenizer, RobertaForSequenceClassification, RobertaForMaskedLM, XLMRobertaConfig, XLMRobertaTokenizer, \XLMRobertaForSequenceClassification, XLMRobertaForMaskedLM, XLNetConfig, XLNetTokenizer, \XLNetForSequenceClassification, XLNetLMHeadModel, AlbertConfig, AlbertTokenizer, AlbertForSequenceClassification, \AlbertForMaskedLM, GPT2Config, GPT2Tokenizer, GPT2LMHeadModel, AutoTokenizer# 定义一个函数工厂将所有的函数全部用一个字典封装好到时候用到那个预训练模型则就根据预训练模型的名称调用对应的函数。
MODEL_CLASSES {bert: {config: BertConfig,tokenizer: BertTokenizer,sequence_classifier: BertForSequenceClassification,mlm:BertForMaskedLM},roberta: {config: RobertaConfig,tokenizer: RobertaTokenizer,sequence_classifier: RobertaForSequenceClassification,mlm: RobertaForMaskedLM},xlm-roberta: {config: XLMRobertaConfig,tokenizer: XLMRobertaTokenizer,sequence_classifier: XLMRobertaForSequenceClassification,mlm: XLMRobertaForMaskedLM},xlnet: {config: XLNetConfig,tokenizer: XLNetTokenizer,sequence_classifier: XLNetForSequenceClassification,plm: XLNetLMHeadModel},albert: {config: AlbertConfig,tokenizer: AlbertTokenizer,sequence_classifier: AlbertForSequenceClassification,mlm: AlbertForMaskedLM},gpt2: {config: GPT2Config,tokenizer: GPT2Tokenizer,mlm: GPT2LMHeadModel},
}class TransformerModelWrapper(nn.Module):# 基于Transformer的语言模型的包装器。WrapperConfig封装了model_type为BertrobertagptXnet,wrapper_type为mlm和plm两种类型def __init__(self, config: WrapperConfig):super(TransformerModelWrapper, self).__init__()self.config configconfig_class MODEL_CLASSES[self.config.model_type][config]tokenizer_class MODEL_CLASSES[self.config.model_type][tokenizer]model_class MODEL_CLASSES[self.config.model_type][self.config.wrapper_type]
