ADVANCE Day28

@浙大疏锦行

📘 Day 28 实战作业：面向对象编程 (OOP) —— 深度学习的基石

1. 作业综述

核心目标：
从“面向过程”（写流水账代码）进化到“面向对象”（设计模块化代码）。
在深度学习中，一切皆对象。所有的神经网络模型本质上都是一个类 (Class)，它们继承自 PyTorch 的基类，拥有自己的属性（层）和方法（前向传播）。

涉及知识点：

• 类的定义:class,__init__(构造函数),self(实例本身)。
• 继承 (Inheritance): 子类继承父类的能力，是代码复用的神器。
• Super 函数:super().__init__()，在子类中扩展父类的初始化逻辑。

场景类比：

• 类 (Class)：图纸（如“汽车设计图”）。
• 对象 (Object)：实物（如“这辆红色的特斯拉”）。
• 继承：“跑车”继承自“汽车”，自动拥有了轮子和引擎，但跑得更快。

步骤 1：定义你的第一个类 (Blueprint)

场景描述：
我们来模拟定义一个最基础的“模型”类。
所有的模型都有名字，都能进行预测。

任务：

1. 定义一个类BaseModel。
2. 在__init__中初始化属性model_name。
3. 定义一个方法predict(data)，打印 “正在使用 [模型名] 预测数据…”。
4. 实例化：用它创建一个名为 “ChatGPT” 的对象，并调用predict。

# 1. 定义类 (图纸)classBaseModel:def__init__(self,name):""" 构造函数：每次创建新对象时自动调用 self: 代表"这个对象自己" """self.model_name=name# 将传入的名字存到对象属性里print(f"🏗️ 模型 [{self.model_name}] 初始化完成！")defpredict(self,data):""" 定义一个方法（动作） """print(f"🤖 [{self.model_name}] 正在预测数据:{data}")return"Prediction_Result"# 2. 实例化 (造出实物)# 创建一个叫 "GPT-4" 的模型对象my_model=BaseModel("GPT-4")# 3. 调用方法# 注意：调用时不需要传 self，Python 会自动处理my_model.predict("今天天气怎么样？")# 4. 访问属性print(f"当前模型名称属性:{my_model.model_name}")

🏗️ 模型 [GPT-4] 初始化完成！ 🤖 [GPT-4] 正在预测数据: 今天天气怎么样？ 当前模型名称属性: GPT-4

步骤 2：继承的力量 (Inheritance)

场景描述：
现在我们需要一个更具体的“分类模型”。
它也是模型，所以应该拥有BaseModel的所有能力（如名字、预测功能），但它还有自己独特的功能（如输出类别概率）。
我们不需要重新写一遍代码，只需要让它继承BaseModel。

任务：

1. 定义Classifier类，继承自BaseModel。
2. 重写 (Override)predict方法，让它输出具体的分类结果。
3. 实例化Classifier，验证它是否既有父类的属性，又有子类的新方法。

# 定义子类 Classifier，括号里写父类名字classClassifier(BaseModel):defpredict(self,data):""" 子类重写了父类的 predict 方法 """print(f"🔍 [{self.model_name}] 正在进行分类分析:{data}")return{"Class":"Dog","Probability":0.98}defevaluate(self):""" 子类特有的新方法 """print(f"📊 [{self.model_name}] 准确率评估中...")# --- 测试继承 ---# 创建一个分类模型对象cls_model=Classifier("ResNet-50")# 调用重写后的方法result=cls_model.predict("一张狗的照片.jpg")print(f"输出结果:{result}")# 调用子类特有方法cls_model.evaluate()# 验证继承关系print(f"它是 BaseModel 的子类吗?{issubclass(Classifier,BaseModel)}")

🏗️ 模型 [ResNet-50] 初始化完成！ 🔍 [ResNet-50] 正在进行分类分析: 一张狗的照片.jpg 输出结果: {'Class': 'Dog', 'Probability': 0.98} 📊 [ResNet-50] 准确率评估中... 它是 BaseModel 的子类吗? True

步骤 3：Super 函数 (The Upgrade)

场景描述：
这是深度学习中最常见的写法！
子类在初始化时，不仅要设置自己的新属性（比如分类数num_classes），还要保留父类的初始化逻辑（比如设置model_name）。
这时就需要用super().__init__(...)来“召唤”父类的构造函数。

任务：

1. 修改Classifier的__init__方法。
2. 接收name和num_classes两个参数。
3. 使用super().__init__(name)自动处理名字，然后手动处理num_classes。

classAdvancedClassifier(BaseModel):def__init__(self,name,num_classes):# 1. 先通过 super() 调用父类的初始化，把 name 传给它处理# 这样我们就不用重写 self.model_name = name 了super().__init__(name)# 2. 再处理子类独有的属性self.num_classes=num_classesprint(f"✨ 高级配置: 支持{self.num_classes}分类")definfo(self):print(f"模型:{self.model_name}| 类别数:{self.num_classes}")# --- 测试 Super ---# 实例化yolo=AdvancedClassifier("YOLO-v8",80)# 调用yolo.info()yolo.predict("街景图.jpg")# 依然可以使用父类或重写的方法

🏗️ 模型 [YOLO-v8] 初始化完成！ ✨ 高级配置: 支持 80 分类 模型: YOLO-v8 | 类别数: 80 🤖 [YOLO-v8] 正在预测数据: 街景图.jpg 'Prediction_Result'

🎓 Day 28 总结：通往 PyTorch 的最后一块拼图

今天我们掌握了 Python 的Class（类）机制。
至此，你已经具备了看懂 PyTorch 核心代码的能力。

深度学习对照表：

Next Level: Python 基础特训圆满结束！接下来的几天，我们将把前面 28 天的所有积木（Pandas, 绘图, 函数, 类, 异常处理）组合起来，去攻克最终的大型项目！