2023年6月29日发(作者：)

（深度学习）with语句在python和深度学习的⽤法⽂章⽬录中的with语句⽤python打开⽂件时，⼀定要记得调⽤⽅法close()将⽂件关闭。要确保⽂件得以关闭，可使⽤⼀条try/finally语句，并在finally⼦句中调⽤close。#

在这⾥打开⽂件try: #

将数据写⼊到⽂件中finally: ()实际上，有⼀条专门为此设计的语句，那就是with语句。with open("") as somefile: do_something(somefile)with语句让你能够打开⽂件并将其赋给⼀个变量（这⾥是somefile）。在语句体中，你将数据写⼊⽂件（还可能做其他事情）。到达该语句末尾时，将⾃动关闭⽂件，即便出现异常亦如此。with语句适⽤于对资源进⾏访问的场合，确保不管使⽤过程中是否发⽣异常都会执⾏必要的“清理”操作，释放资源，⽐如⽂件使⽤后⾃动关闭、线程中锁的⾃动获取和释放等。1.1上下⽂管理器with语句实际上是⼀个⾮常通⽤的结构，允许你使⽤所谓的上下⽂管理器。上下⽂管理器是⽀持两个⽅法的对象：

__enter __ 和__exit ____enter __⽅法__enter__不接受任何参数，在进⼊with语句时被调⽤，其返回值被赋给关键字as后⾯的变量__exit __⽅法__exit__接受三个参数：异常类型、异常对象和异常跟踪。它在离开⽅法时被调⽤（通过前述参数将引发的异常提供给它）。如果__exit__返回False，将抑制所有的异常。⽂件可⽤作上下⽂管理器。它们的⽅法__enter__返回⽂件对象本⾝，⽽⽅法__exit__关闭⽂件1.2with语句执⾏过程with EXPR as VAR: BLOCK其中EXPR可以是任意表达式；as VAR是可选的。其⼀般的执⾏过程是这样的：1. 执⾏EXPR，⽣成上下⽂管理器context_manager；2. 获取上下⽂管理器的__exit()__⽅法，并保存起来⽤于之后的调⽤；3. 调⽤上下⽂管理器的__enter__()⽅法；如果使⽤了as⼦句，则将__enter__()⽅法的返回值赋值给as⼦句中的VAR；4. 执⾏BLOCK中的表达式；5. 不管是否执⾏过程中是否发⽣了异常，都要执⾏上下⽂管理器的__exit__()⽅法，__exit__()⽅法负责执⾏“清理”⼯作，如释放资源等。如果执⾏过程中没有出现异常，或者语句体中执⾏了语句break/continue/return，则以None作为参数调⽤__exit__(None, None,None)。如果执⾏过程中出现异常，则使⽤_info得到的异常信息为参数调⽤__exit__(exc_type, exc_value, exc_traceback)6. 出现异常时，如果__exit__(type, value, traceback)返回False，则会重新抛出异常，让with之外的语句逻辑来处理异常，这也是通⽤做法；如果返回True，则忽略异常，不再对异常进⾏处理。1.3⾃定义上下⽂管理器讲完了with语句的内在原理，接下来我们就可以按照这个原理，实现我们⾃⼰的上下⽂管理器。⾃定义的上下⽂管理器要实现上下⽂管理协议所需要的__enter__()和__exit__()两个⽅法：class Test(object) : def __init__(self): pass def __enter__(self): print("__enter__") return self def __exit__(self, exc_type, exc_val, exc_tb): print("__exit__") return Truedef testFun() : return Test()with testFun() as t :

print("with demo")#输出结果__enter__with demo__exit__ ntTape() as tapeclass GradientTape(object): def __init__(self, persistent=False, watch_accessed_variables=True): pass def __enter__(self): self._push_tape() return self def __exit__(self, typ, value, traceback): if self._recording: self._pop_tape() ...作⽤Tape在英⽂中是胶带，磁带的含义，⽤在这⾥是由于eager模式带来的影响。在TensorFlow 1.x静态图时代，我们知道每个静态图都有两部分，⼀部分是前向图，另⼀部分是反向图。反向图就是⽤来计算梯度的，⽤在整个训练过程中。⽽TensorFlow 2.0默认是eager模式，每⾏代码顺序执⾏，没有了构建图的过程（也取消了control_dependency的⽤法）。但也不能每⾏都计算⼀下梯度吧？计算量太⼤，也没必要。因此，需要⼀个上下⽂管理器（context manager）来连接需要计算梯度的函数和变量，⽅便求解同时也提升效率。tensorflow 提供ntTape api来实现⾃动求导功能。只要在ntTape()上下⽂中执⾏的操作，都会被记录在“tape”中，然后tensorflow使⽤反向⾃动微分来计算相关操作的梯度。⽽with结构在这⾥的⽤处是，只计算在with⾥变量的梯度，with结构到grads框起了梯度的计算过程举个例⼦：计算y=x^2在x = 3时的导数：x = nt(3.0)with ntTape() as g: (x) y = x * xdy_dx = nt(y, x) # y’ = 2*x = 2*3 = 6print(dy_dx) #(6.0, shape=(), dtype=float32)例⼦中的watch函数把需要计算梯度的变量x加进来了。GradientTape默认只监控由le创建的traiable=True属性（默认）的变量。上⾯例⼦中的x是constant，因此计算梯度需要增加(x)函数，⼿动监视张量，即watch的作⽤是确保tensor类型的数据能被梯度带检测到。参数persistent：布尔值，⽤于控制是否创建持久渐变磁带。默认情况下为False，这意味着最多可以在此对象上对gradient（）⽅法进⾏⼀次调⽤，即GradientTape的资源在调⽤gradient函数后就被释放，再次调⽤就⽆法计算了。所以如果需要多次计算梯度，需要开启persistent=True属性，例如：x = nt(3.0)with ntTape(persistent=True) as g: (x) y = x * x z = y * ydz_dx = nt(z, x) # z = y^2 = x^4, z’ = 4*x^3 = 4*3^3dy_dx = nt(y, x) # y’ = 2*x = 2*3 = 6del g #

删除这个上下⽂胶带watch_accessed_variables：布尔值，控制watch在磁带处于活动状态时磁带是否将⾃动访问任何（可训练的）变量。默认值为True，可以从磁带中读取可训练的磁带得出的任何结果中请求梯度Variable。如果为False，则⽤户必须明确要求他们要从中请求渐变的watch任何Variable，⼀般⽤不到GradientTape也可以嵌套多层⽤来计算⾼阶导数，例如：x = nt(3.0)with ntTape() as g: (x) with ntTape() as gg: (x) y = x * x dy_dx = nt(y, x) # y’ = 2*x = 2*3 =6d2y_dx2 = nt(dy_dx, x) # y’’ = 2最后，⼀般在⽹络中使⽤时，不需要显式调⽤watch函数，使⽤默认设置，GradientTape会监控可训练变量，例如：w = le(nt(5, dtype=32))with ntTape() as tape: # with结构到grads框起了梯度的计算过程。 loss = (w + 1)grads = nt(loss, w) # .gradient函数告知谁对谁求导参考：