Python 中的可執(zhí)行對象 eval，exec 和 compile 與其在深度學習訓練中的應用實例

eval

計算指定表達式的值。也就是說它要執(zhí)行的python代碼只能是單個表達式（注意eval不支持任何形式的賦值操作），而不能是復雜的代碼邏輯。

eval(source, globals=None, locals=None, /)

obj可以是字符串對象或者已經(jīng)由compile編譯過的代碼對象。globals和locals是可選的，分別代表了全局和局部名稱空間中的對象，其中globals必須是字典，而locals是任意的映射對象。

參數(shù)說明：

source：必選參數(shù)，可以是字符串，也可以是一個任意的code(代碼)對象實例（可以通過complie函數(shù)創(chuàng)建）。如果它是一個字符串，它會被當作一個（使用globals和locals參數(shù)作為全局和本地命名空間的）python表達式進行分析和解釋。

globals：可選參數(shù)，表示全局命名空間（存放全局變量），如果被提供，則必須是一個字典對象。

locals：可選參數(shù)，表示全局命名空間（存放局部變量），如果被提供，可以是任何映射對象。如果參數(shù)被忽略，那么它將會取與globals相同的值。

如果globals與locals都被忽略，那么它們將取eval()函數(shù)被調用環(huán)境下的全局命名空間和局部命名空間。

返回值：

如果source是一個code對象，且創(chuàng)建該code對象時，complie函數(shù)的mode參數(shù)是‘exec’，那么eval()函數(shù)的返回值是None；

否則，如果source是一個輸出語句，如print()，則eval()返回結果為None；

否則，source表達式的結果就是eval()函數(shù)的返回值

例：

x = 10 def func():y = 20 #局部變量ya = eval("x+y")print("a:",a) #x沒有就調用全局變量b = eval("x+y",{"x":1,"y":2}) #定義局部變量，優(yōu)先調用print("b:",b)c = eval("x+y",{"x":1,"y":2},{"y":3,"z":4}) print("c:",c) d = eval("print(x,y)")print("d:",d) #對于變量d，因為print()函數(shù)不是一個計算表達式，因此沒有返回值 func()

輸出：

a: 30 b: 3 c: 4 10 20 d: None

注意eval不能用于變量的賦值，例如：

eval('x = 3') print(x)

輸出：

Traceback (most recent call last):File "111111.py", line 1, in <module>eval('x = 3')File "<string>", line 1x = 3^ SyntaxError: invalid syntax

exec

動態(tài)執(zhí)行python代碼。也就是說exec可以執(zhí)行復雜的python代碼，而不像eval函數(shù)那樣只能計算一個表達式的值。

exec(source, globals=None, locals=None, /)

source：必選參數(shù)，表示需要被指定的python代碼。它必須是字符串或code對象。如果source是一個字符串，該字符串會先被解析為一組python語句，然后執(zhí)行。如果source是一個code對象，那么它只是被簡單的執(zhí)行。

返回值：

exec函數(shù)的返回值永遠為None。

eval()函數(shù)和exec()函數(shù)的區(qū)別：

eval()函數(shù)只能計算單個表達式的值，而exec()函數(shù)可以動態(tài)運行代碼段。

eval()函數(shù)可以有返回值，而exec()函數(shù)返回值永遠為None。

例：

我們把eval中的例子拿過來執(zhí)行

x = 10 def func():y = 20a = exec("x+y")print("a:",a)b = exec("x+y",{"x":1,"y":2})print("b:",b)c = exec("x+y",{"x":1,"y":2},{"y":3,"z":4})print("c:",c)d = exec("print(x,y)")print("d:",d) func()

輸出：

#exec不會有任何返回值 a: None b: None c: None 10 20 d: None

例：

x = 10 expr = """ z = 30 sum = x + y + z #一大包代碼 print(sum) """ def func():y = 20exec(expr) 10+20+30exec(expr,{'x':1,'y':2}) 30+1+2exec(expr,{'x':1,'y':2},{'y':3,'z':4}) #30+1+3，x是定義全局變量1，y是局部變量func()

輸出：

60 33 34

并且exec可用于賦值，例如：

exec('x = 3') print(x)

輸出：

3

complie

compile(source, filename, mode, flags=0, dont_inherit=False, optimize=-1)

參數(shù)說明：

source：字符串或AST對象，表示需要進行編譯的python代碼

filename：指定需要編譯的代碼文件，如果不是文件讀取代碼則傳遞一些可辨認的值。

mode：用于標識必須當做那類代表來編譯；如果source是由一個代碼語句序列組成，則指定mode=‘exec’，如果source由單個表達式組成，則指定mode=‘eval’；如果source是由一個單獨的交互式語句組成，則指定modo=‘single’。必須要指定，不然肯定會報錯。

例：

s = """ #一大段代碼 for x in range(10):print(x, end='') print() """ code_exec = compile(s, '<string>', 'exec') #必須要指定mode，指定錯了和不指定就會報錯。 code_eval = compile('10 + 20', '<string>', 'eval') #單個表達式 code_single = compile('name = input("Input Your Name: ")', '<string>', 'single') #交互式a = exec(code_exec) #使用的exec，因此沒有返回值 b = eval(code_eval) c = exec(code_single) #交互 d = eval(code_single)print('a: ', a) print('b: ', b) print('c: ', c) print('name: ', name) print('d: ', d) print('name; ', name)

輸出：

0123456789 #有print就會打印 Input Your Name: kebi Input Your Name: kebi a: None b: 30 c: None name: kebi d: None name; kebi

在深度學習訓練中的應用實例

首先介紹一個比較常用的記錄指標和損失的util。

class AverageMeter(object):'''Computes and stores the average and current value'''def __init__(self):self.reset()def reset(self):self.val = 0self.avg = 0self.sum = 0self.count = 0def update(self, val, n=1):self.val = valself.sum += val * nself.count += nself.avg = self.sum / self.count

使用這個AverageMeter類，在每個step內update以下要記錄的指標或者損失值，在每個epoch最后輸出其avg到tensorboard即可。

配合上面介紹的可執(zhí)行對象。

def epoch_forward(metrics_list):for metric in metrics_list:exec("{} = AverageMeter()".format(metric)) # 實例化一個對象，注意這里相當于是在賦值，要用exec，不能用evalfor data in loader:'''training loop'''for metric in metrics_list: # 每個step更新記錄eval("{}.update(_{})".format(metric, metric)) # 這里在訓練時統(tǒng)一用下劃線加指標名命名每個step的值 如：_loss# 簡單表達式 eval，exec都可 metrics_res_list = [] # 每個epoch結束，返回記錄的指標值for metric in metrics_list:metrics_res_list.append(eval("{}.avg".format(metric)))return metrics_res_list # 返回記錄的指標值def store_curve(writer, metrics_list, metrics_res_list, epoch):for i in range(len(metrics_list)):exec("writer.add_scalar('{}', {}, {})".format(metrics_list[i], metrics_res_list[i], epoch)) # 將記錄的指標值輸出到tensorboardif __name__ == "__main__":'''preparision for training (model, dataset, ...)'''writer = SummaryWriter("runs")for epoch in epochs:metrics_list = ['acc', 'loss'] # 給定要記錄的指標或損失列表metrics_res_list = epoch_forward(metrics_list)store_curve(writer, metrics_list, metrics_res_list, epoch)

主要想法就是在之前保存指標時要寫一大列相似的東西，覺得很繁瑣，就想找到一個比較優(yōu)雅的解決辦法，以上這個自己設計的用可執(zhí)行對象做的方法是比較不錯的，每次要記錄的指標有變動時只需在training loop里面計算好，然后改一下metrics_list即可。

注意在賦值時只能用exec。

留存問題

exec為什么不能在函數(shù)中用，只能在全局用。

前半部分介紹可執(zhí)行對象參考博客：https://www.cnblogs.com/yangmingxianshen/p/7810496.html

總結

以上是生活随笔為你收集整理的Python 中的可执行对象 eval，exec 和 compile与其在深度学习训练中的应用实例的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內容還不錯，歡迎將生活随笔推薦給好友。