[Python系列-26]：importlib - 动态导入其他python模块库

作者主页(文火冰糖的硅基工坊)：文火冰糖（王文兵）的博客_文火冰糖的硅基工坊_CSDN博客

本文网址：https://blog.csdn.net/HiWangWenBing/article/details/121777798

---

目录

第1章 模块导入概述

1.1 概述

1.2 模块的作用

第2章 导入其他模块程序的方式

2.1  import 文件名

2. 2 from-import 语句

2.3 动态导入module

---

---

第1章 模块导入概述

1.1 概述

以文件的方式组织各种程序是大多数编程语言组织工程文件的方式。

因此，我们经常需要动态的导入存放在其他文件中的python程序。

模块导入允许我们将一个个独立的程序功能分别实现，然后组合成一个复杂的系统。

1.2 模块的作用

（1）代码重用

可以多次重用模块代码。

（2）避免变量名的冲突

每个模块都将变量名封装进了自己包含的软件包，这可以避免变量名的冲突。

（3）便于组织大规模的工程文件

第2章 导入其他模块程序的方式

2.1  import 文件名

（1）导入库的方法

import time
import torch

这种方式与C语言的include类似，导入其他模块的python程序，并生成一个同名的名字空间。

也可以在一行内导入多个模块：

 

（2）Import as语句

“as”的作用是为名字空间取一个别名。

有时候你导入的模块或是模块属性名称已经在你的程序中使用了, 或者你不想使用导入的名字，或简化模块名称，可能是它太长不便输入什么的, 总之你不喜欢它。 这已经成为 Python 程序员的一个普遍需求: 使用自己想要的名字替换模块的原始名称。一个普遍的解决方案是把模块赋值给一个变量:

import numpy as np

（2）使用库的方法

# 通过多维数组构建numpy array
a = np.array([[1,2], [3,4]])  
print(a)
print(a.shape)

[[1 2]
 [3 4]]
(2, 2)

# 通过多维数组构建张量
a = torch.Tensor([[1,2], [3,4]])  
print(a)
print(a.shape)      #tensor的维度

tensor([[1., 2.],
        [3., 4.]])
torch.Size([2, 2])

2. 2 from-import 语句

（1）导入

你可以在你的模块里导入指定的模块属性。 也就是把指定名称导入到当前作用域。 使用

from-import 语句可以实现我们的目的, 它的语法是:

from gensim.models import Word2Vec

（2）使用

model = Word2Vec([raw_text], window=5, min_count=0, vector_size=100)

（3）缺点

在实践中, "from module import *" 不是良好的编程风格。

如果使用from导入变量，且那些变量碰巧和作用域中现有变量同名，那么变量名就会被悄悄覆盖掉。

使用import语句的时候就不会发生这种问题，因为我们是通过模块名才获取的变量名，像module.attr不会和现有作用域的attr冲突。

2.3 动态导入module

动态导入module有点类似window的dll库，或linux so库。

在python中，是由一个专门的importlib库文件提供这种动态导入库的功能

（1）导入该静态库

from importlib import import_module

（2）使用该库动态导入其他图

可以通过字符串来导入模块，同一文件夹下字符串为模块名，不同文件夹字符串为模块的路径,并通过"."来区分目录路径：

# 导入当前目录中的子目录models中的TextRNN模块。
dl_model = import_module("models.TextRNN")

（3）使用方法

# 使用动态模块dl_model中的Config类，创建config对象实例
config = dl_model.Config(dataset, embedding)

备注：

dl_model中的Config是一个类，上述代码是根据类，实例化一个对象。

（4）TextRNN模块源代码

# coding: UTF-8
import torch
import torch.nn as nn
import torch.nn.functional as F
import numpy as np
 
 
class Config(object):
 
    """配置参数"""
    def __init__(self, dataset, embedding):
        self.model_name = 'TextRNN'
        self.train_path = dataset + '/data/train.txt'                                # 训练集
        self.dev_path = dataset + '/data/dev.txt'                                    # 验证集
        self.test_path = dataset + '/data/test.txt'                                  # 测试集
        self.class_list = [x.strip() for x in open(
            dataset + '/data/class.txt').readlines()]                                # 类别名单
        self.vocab_path = dataset + '/data/vocab.pkl'                                # 词表
        self.save_path = dataset + '/saved_dict/' + self.model_name + '.ckpt'        # 模型训练结果
        self.log_path = dataset + '/log/' + self.model_name
        self.embedding_pretrained = torch.tensor(
            np.load(dataset + '/data/' + embedding)["embeddings"].astype('float32'))\
            if embedding != 'random' else None                                       # 预训练词向量
        self.device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')   # 设备
 
        self.dropout = 0.5                                              # 随机失活
        self.require_improvement = 1000                                 # 若超过1000batch效果还没提升，则提前结束训练
        self.num_classes = len(self.class_list)                         # 类别数
        self.n_vocab = 0                                                # 词表大小，在运行时赋值
        self.num_epochs = 10                                            # epoch数
        self.batch_size = 128                                           # mini-batch大小
        self.pad_size = 32                                              # 每句话处理成的长度(短填长切)
        self.learning_rate = 1e-3                                       # 学习率
        self.embed = self.embedding_pretrained.size(1)\
            if self.embedding_pretrained is not None else 300           # 字向量维度, 若使用了预训练词向量，则维度统一
        self.hidden_size = 128                                          # lstm隐藏层
        self.num_layers = 2                                             # lstm层数
 
 
'''Recurrent Neural Network for Text Classification with Multi-Task Learning'''
 
 
class Model(nn.Module):
    def __init__(self, config):
        super(Model, self).__init__()
        if config.embedding_pretrained is not None:
            self.embedding = nn.Embedding.from_pretrained(config.embedding_pretrained, freeze=False)
        else:
            self.embedding = nn.Embedding(config.n_vocab, config.embed, padding_idx=config.n_vocab - 1)
        self.lstm = nn.LSTM(config.embed, config.hidden_size, config.num_layers,
                            bidirectional=True, batch_first=True, dropout=config.dropout)
        self.fc = nn.Linear(config.hidden_size * 2, config.num_classes)
 
    def forward(self, x):
        x, _ = x
        out = self.embedding(x)  # [batch_size, seq_len, embeding]=[128, 32, 300]
        out, _ = self.lstm(out)
        out = self.fc(out[:, -1, :])  # 句子最后时刻的 hidden state
        return out

---

作者主页(文火冰糖的硅基工坊)：文火冰糖（王文兵）的博客_文火冰糖的硅基工坊_CSDN博客

本文网址：https://blog.csdn.net/HiWangWenBing/article/details/121777798