• python闭包的理解说明


     

    什么是闭包:

    闭包(closure)是函数式编程的重要的语法结构。函数式编程是一种编程范式 (而面向过程编程和面向对象编程也都是编程范式)。在面向过程编程中,我们见到过函数(function);在面向对象编程中,我们见过对象(object)。函数和对象的根本目的是以某种逻辑方式组织代码,并提高代码的可重复使用性(reusability)。闭包也是一种组织代码的结构,它同样提高了代码的可重复使用性。

    不同的语言实现闭包的方式不同。Python以函数对象为基础,为闭包这一语法结构提供支持的 (我们在特殊方法与多范式中,已经多次看到Python使用对象来实现一些特殊的语法)。Python一切皆对象,函数这一语法结构也是一个对象。在函数对象中,我们像使用一个普通对象一样使用函数对象,比如更改函数对象的名字,或者将函数对象作为参数进行传递。

    下面看一个闭包的实际例子:

    复制代码
    def line_conf(a, b):
        def line(x):
            return a*x + b
    
        return line
    
    
    line1 = line_conf(1, 1)
    line2 = line_conf(4, 5)
    print(line1(5), line2(5))
    
    
    
    ###output###
    /usr/bin/python /Users/li/PycharmProjects/Nowcoder_Practice/tmp.py
    (6, 25)
    Process finished with exit code 0
    复制代码

    这个例子中,函数line与环境变量a,b构 成闭包。在创建闭包的时候,我们通过line_conf的参数a,b说明了这两个环境变量的取值,这样,我们就确定了函数的最终形式(y = x + 1和y = 4x + 5)。我们只需要变换参数a,b,就可以获得不同的直线表达函数。由此,我们可以看到,闭包也具有提高代码可复用性的作用。

    如果没有闭包,我们需要每次创建直线函数的时候同时说明a,b,x。这样,我们就需要更多的参数传递,也减少了代码的可移植性。利用闭包,我们实际上创建了泛函。line函数定义一种广泛意义的函数。这个函数的一些方面已经确定(必须是直线),但另一些方面(比如a和b参数待定)。随后,我们根据line_conf传递来的参数,通过闭包的形式,将最终函数确定下来。

     

    闭包的应用场景:闭包与并行运算

    闭包有效的减少了函数所需定义的参数数目。这 对于并行运算来说有重要的意义。在并行运算的环境下,我们可以让每台电脑负责一个函数,然后将一台电脑的输出和下一台电脑的输入串联起来。最终,我们像流 水线一样工作,从串联的电脑集群一端输入数据,从另一端输出数据。这样的情境最适合只有一个参数输入的函数。闭包就可以实现这一目的。

    并行运算正称为一个热点。这也是函数式编程又 热起来的一个重要原因。函数式编程早在1950年代就已经存在,但应用并不广泛。然而,我们上面描述的流水线式的工作并行集群过程,正适合函数式编程。由 于函数式编程这一天然优势,越来越多的语言也开始加入对函数式编程范式的支持。

     
    分类: Python学习
  • 相关阅读:
    C# Math.Round的枚举参数
    Literature Review: Incremental Segment-Based Localization in 3D Point Clouds
    Literature Review: Benchmarking 6DOF Outdoor Visual Localization in Changing Conditions
    Literature Review: Improving Image-Based Localization by Active Correspondence Search
    Literature Review: 基于稀疏直接法的建图
    论文阅读: 基于SLAM的使用GPS和鱼眼相机第Integrity Monitoring
    论文阅读: v-charge项目: 电动车的自动泊车和充电
    论文阅读: Infrastructure-Based Calibration of a Multi-Camera Rig
    论文阅读: Building a 3-D Line-Based Map Using Stereo SLAM
    论文阅读: VITAMIN-E: Extremely Dense Feature Points
  • 原文地址:https://www.cnblogs.com/xc1234/p/9165691.html
Copyright © 2020-2023  润新知