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

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

eval

计算指定表达式的值。也就是说它要执行的python代码只能是单个表达式（注意eval不支持任何形式的赋值操作），而不能是复杂的代码逻辑。

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

obj可以是字符串对象或者已经由compile编译过的代码对象。globals和locals是可选的，分别代表了全局和局部名称空间中的对象，其中globals必须是字典，而locals是任意的映射对象。

参数说明：

source：必选参数，可以是字符串，也可以是一个任意的code(代码)对象实例（可以通过complie函数创建）。如果它是一个字符串，它会被当作一个（使用globals和locals参数作为全局和本地命名空间的）python表达式进行分析和解释。

globals：可选参数，表示全局命名空间（存放全局变量），如果被提供，则必须是一个字典对象。

locals：可选参数，表示全局命名空间（存放局部变量），如果被提供，可以是任何映射对象。如果参数被忽略，那么它将会取与globals相同的值。

如果globals与locals都被忽略，那么它们将取eval()函数被调用环境下的全局命名空间和局部命名空间。

返回值：

如果source是一个code对象，且创建该code对象时，complie函数的mode参数是‘exec’，那么eval()函数的返回值是None；

否则，如果source是一个输出语句，如print()，则eval()返回结果为None；

否则，source表达式的结果就是eval()函数的返回值

例：

x = 10
def func():y = 20   #局部变量ya = eval("x+y")print("a:",a)      #x没有就调用全局变量b = eval("x+y",{"x":1,"y":2})     #定义局部变量，优先调用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)   #对于变量d，因为print()函数不是一个计算表达式，因此没有返回值
func()

输出：

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

注意eval不能用于变量的赋值，例如：

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

输出：

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

exec

动态执行python代码。也就是说exec可以执行复杂的python代码，而不像eval函数那样只能计算一个表达式的值。

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

source：必选参数，表示需要被指定的python代码。它必须是字符串或code对象。如果source是一个字符串，该字符串会先被解析为一组python语句，然后执行。如果source是一个code对象，那么它只是被简单的执行。

返回值：

exec函数的返回值永远为None。

eval()函数和exec()函数的区别：

eval()函数只能计算单个表达式的值，而exec()函数可以动态运行代码段。

eval()函数可以有返回值，而exec()函数返回值永远为None。

例：

我们把eval中的例子拿过来执行

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()

输出：

#exec不会有任何返回值
a: None   
b: None
c: None
10 20
d: None

例：

x = 10
expr = """
z = 30
sum = x + y + z   #一大包代码
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是定义全局变量1，y是局部变量func()

输出：

60
33
34

并且exec可用于赋值，例如：

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

输出：

complie

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

参数说明：

source：字符串或AST对象，表示需要进行编译的python代码

filename：指定需要编译的代码文件，如果不是文件读取代码则传递一些可辨认的值。

mode：用于标识必须当做那类代表来编译；如果source是由一个代码语句序列组成，则指定mode=‘exec’，如果source由单个表达式组成，则指定mode=‘eval’；如果source是由一个单独的交互式语句组成，则指定modo=‘single’。必须要指定，不然肯定会报错。

例：

s = """              #一大段代码
for x in range(10):print(x, end='')  
print()
"""
code_exec = compile(s, '<string>', 'exec')   #必须要指定mode，指定错了和不指定就会报错。
code_eval = compile('10 + 20', '<string>', 'eval')   #单个表达式
code_single = compile('name = input("Input Your Name: ")', '<string>', 'single')   #交互式a = exec(code_exec)   #使用的exec，因此没有返回值
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)

输出：

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

在深度学习训练中的应用实例

首先介绍一个比较常用的记录指标和损失的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

使用这个AverageMeter类，在每个step内update以下要记录的指标或者损失值，在每个epoch最后输出其avg到tensorboard即可。

配合上面介绍的可执行对象。


def epoch_forward(metrics_list):for metric in metrics_list:exec("{} = AverageMeter()".format(metric))	# 实例化一个对象，注意这里相当于是在赋值，要用exec，不能用evalfor data in loader:'''training loop'''for metric in metrics_list:					# 每个step更新记录eval("{}.update(_{})".format(metric, metric))			# 这里在训练时统一用下划线加指标名命名每个step的值 如：_loss# 简单表达式 eval，exec都可		metrics_res_list = []						# 每个epoch结束，返回记录的指标值for metric in metrics_list:metrics_res_list.append(eval("{}.avg".format(metric)))return metrics_res_list			# 返回记录的指标值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))		# 将记录的指标值输出到tensorboardif __name__ == "__main__":'''preparision for training (model, dataset, ...)'''writer = SummaryWriter("runs")for epoch in epochs:metrics_list = ['acc', 'loss']	# 给定要记录的指标或损失列表metrics_res_list = epoch_forward(metrics_list)store_curve(writer, metrics_list, metrics_res_list, epoch)