03. Python OOP and Utility Patterns | Python 面向对象与工具模式

难度： Easy | 环境： CPU-first | 标签： Python, 对象封装, 工具模式 | 目标人群： Part 2-4 前置补课者

🚀 云端运行环境

本章节的实战代码可以点击以下链接在免费 GPU 算力平台上直接运行：

(国内推荐：魔搭社区免费实例)

本页聚焦：会把配置和状态收进对象；会给对象补最小方法，让结果能直接看见；会判断什么时候该用 helper，什么时候该用 class。这里先把对象封装当成后面读 nn.Module 的前置练习：先看配置怎么收，再看方法怎么挂。

关键词： class, dataclass, config

前置阅读

导语： 先看 0A 组页，把 Python 基础和对象封装的边界对齐，再进入这一页会更顺。

• 02. NumPy and Einsum | NumPy 与 Einsum
• 0A 组页

相关阅读

导语： 本页先把对象封装和工具模式的最小判断讲清楚；如果想继续把配置和 I/O 的写法补完整，可以顺着看下面这些页。

• 04. Python Config and Data Entry | Python 配置与数据入口

Q1：什么时候该把配置收成对象？

如果一组字段会反复被读取、覆盖、打印或传递，通常就不该继续散在多个变量里。把它们收进对象后，默认值、更新方式和输出格式都会更稳定。对 Part 2 来说，这一步就是在提前练“对象边界怎么定”，后面看 nn.Module 时会更顺。

from dataclasses import dataclass


@dataclass
class RunConfig:
    lr: float = 1e-3
    batch_size: int = 32
    epochs: int = 3

    def as_dict(self):
        return {
            'lr': self.lr,
            'batch_size': self.batch_size,
            'epochs': self.epochs,
        }


config = RunConfig()
print('RunConfig 默认值：', config.as_dict())

Q1验证：默认值和覆盖是否稳定？

这里直接检查两件事：默认值是否存在，修改字段后 as_dict() 是否还能正确反映更新后的状态。你要记住的是，配置对象化的核心不是写法，而是“状态有没有被稳定收起来”。

config = RunConfig()
assert config.lr == 1e-3
assert config.batch_size == 32
assert config.as_dict() == {'lr': 1e-3, 'batch_size': 32, 'epochs': 3}

config.batch_size = 64
print('覆盖后的配置：', config.as_dict())
assert config.as_dict()['batch_size'] == 64
print('✅ RunConfig 通过')

Q2：什么时候该给对象补最小方法？

当对象不仅要存数据，还要统一输出、汇总或格式化时，给它补一个最小方法通常比到处写重复的打印代码更稳。这里可以把它类比成后面模型对象里的 forward()：对象不只是存状态，也要有统一行为。

@dataclass
class Metrics:
    loss: float = 0.0
    accuracy: float = 0.0

    def to_dict(self):
        return {'loss': self.loss, 'accuracy': self.accuracy}

    def summary(self):
        return f'loss={self.loss:.4f}, accuracy={self.accuracy:.2%}'


metrics = Metrics(loss=0.1234, accuracy=0.987)
print('Metrics 字典：', metrics.to_dict())
print('Metrics 摘要：', metrics.summary())

Q2验证：对象输出是否统一？

这里要看的不是类定义得多不多，而是同一份状态能不能稳定输出成字典和摘要，方便后面日志、训练记录和实验汇总直接复用。对 Part 2 来说，这种“统一输出”会直接对应到模型状态和训练日志的管理方式。

metrics = Metrics(loss=0.2345, accuracy=0.9123)
assert metrics.to_dict() == {'loss': 0.2345, 'accuracy': 0.9123}
assert metrics.summary() == 'loss=0.2345, accuracy=91.23%'
print('✅ Metrics 通过')

Q3：什么时候该把一次性 helper 收回 class？

如果函数开始反复传同一组状态、重复拼接输出、重复维护默认值，它通常已经接近对象边界了；这时把状态和方法收进 class 会更稳。换到 Part 2 里，这个判断很像“一个 helper 什么时候该变成模型对象的一部分”。

from dataclasses import dataclass


def format_run_tag(name, epochs):
    return f'{name}@{epochs}'


@dataclass
class RunBuilder:
    name: str
    epochs: int

    def summary(self):
        return f'{self.name}@{self.epochs}|steps={self.epochs}'


tag = format_run_tag('TinyLM', 3)
builder = RunBuilder(name='TinyLM', epochs=3)
print('helper:', tag)
print('builder:', builder.summary())
assert tag == 'TinyLM@3'
assert builder.summary() == 'TinyLM@3|steps=3'
print('✅ helper_to_class 通过')