파이썬 데코레이터 간편 설명

파이썬 데코레이터 간편 설명¶

• 함수의 실행 전후에 추가적인 코드를 실행하거나, 인자를 조작하거나, 함수의 결과를 가공하는 등의 작업을 수행할 수 있습니다
• [필요지식] 파이썬 함수는 함수를 입력값으로 받을 수 있습니다.

In [1]:

# 데코레이터 함수 선언
def deco(func):
    # "result is" 와 같이 반복적인 내용을 가진 wrapper 선언
    def wrapper(*args, **kwargs):
        # 반복적인 내용 추가
        string = "result is "
        # 데코레이터를 이용할 함수 결과 반환
        result = func(*args, **kwargs)
        return string + str(result)
    return wrapper

데코레이터 활용 예시 1¶

In [2]:

# @ 뒤에 함수를 데코레이터 함수를 작성하고 아래 새로운 함수를 작성합니다.

# 데코레이터가 없을 때
def plus(a, b):
    return a+b

result = plus(1,2)
print(result)

3

In [3]:

# 데코레이터가 있을 때
@deco
def plus(a, b):
    return a+b

result = plus(1,2)
print(result)

result is 3

데코레이터 활용 예시 2¶

In [4]:

# 정수 및 소수로 구성된 리스트를 어레이로 변환하고 어레이의 shape를 안내하는 딕셔너리를 제작하고자 합니다

# 예를 들어 
# [1, 2, 3] 을 
# {'shape': (3,), 'value': array([1, 2, 3])} 와 같이 반환 합니다.

import numpy as np

def array_fix(func):
    def wrapper(*args, **kwargs):
        result = func(*args, **kwargs)
        # 새로운 함수를 통과한 결과가 리스트이면 계속 진행합니다.
        if type(result) is list:
            # 리스트를 어레이로 변환합니다.
            result = np.array(result)
            # 어레이의 shape을 확인합니다.
            result2 = result.shape
            # shape와 어레이 값을 딕셔니리 형태로 반환합니다.
            dic = {"shape" : result2, 
                    "value" : result}
        else:
            print("list please")
            
        return dic
    return wrapper

In [5]:

# 예시 1
@array_fix
def test1(a):
    return a

li = [1, 2, 3]
result = test1(li)
print(result)

{'shape': (3,), 'value': array([1, 2, 3])}

In [6]:

# 예시 2
@array_fix
def list_plus(a, b):
    return a+b

li1 = [1, 2, 3]
li2 = [4, 5, 6]
result = list_plus(li1, li2)
print(result)

{'shape': (6,), 'value': array([1, 2, 3, 4, 5, 6])}

데코레이터 활용 예시 3¶

• @tf.function은 위 예시처럼 확연히 눈에 보이진 않지만, 아래와 같은 기능을 수행합니다.
  • 속도 향상 TensorFlow 그래프는 실행 속도가 빠르며, 특히 반복적인 작업에서 성능 향상을 가져올 수 있습니다.
  • 메모리 최적화 그래프는 계산을 최적화하고 중간 계산 결과를 메모리에서 관리하여 메모리 사용량을 줄일 수 있습니다.
  • 분산 실행 그래프 모드로 변환된 함수는 분산 환경에서 실행될 준비가 되어 있어 분산 학습 및 실행에 용이합니다.
  • GPU 및 TPU 활용 그래프는 하드웨어 가속기인 GPU나 TPU와 함께 사용될 때 효과적인 성능을 발휘할 수 있습니다.

In [9]:

import tensorflow as tf
import warnings
warnings.filterwarnings(action='ignore')

@tf.function
def test_step(y, yhat):
    loss = y-yhat
    return loss

In [10]:

x = tf.constant([2, 3])
y = tf.constant([3, -2])

loss = test_step(x, y)

print(loss)

tf.Tensor([-1  5], shape=(2,), dtype=int32)