Python: callable object

13-Sty-2018

Każdy obiekt ma swój typ i pewne właściwości. Jedną z tych właściwości jest informacja, czy obiekt można wywołać (dziwnie to brzmi po polsku „jest wywoływalny” więc będę używał „is callable”). Oczywiście funkcje są przykładem obiektów wywoływalnych. Zobacz:

def f_just_print_1():
 return 1
 
print('is function callable? ', callable(f_just_print_1))

x=123
 
print('is integer callable? ',callable(x))
Jak to uruchomisz to zobaczysz, że funkcja jest callable a liczba nie - logiczne.

def f_just_print_1():

return 1

print('is function callable? ', callable(f_just_print_1))

x=123

print('is integer callable? ',callable(x))

Jak to uruchomisz to zobaczysz, że funkcja jest callable a liczba nie - logiczne.

Ale funkcja coś zwraca. W naszym przypadku zwraca liczbę. Czy liczba jest callable?

print('is result of function callable? ',callable(f_just_print_1()))

1	print('is result of function callable? ',callable(f_just_print_1()))

Jak uruchomisz ten przykład to zobaczysz, że nie. Funkcja się wywołała, zwróciła liczbę a liczba już nie jest callable. Nadal logiczne.

Ale – co by było, gdyby funkcja zwróciła obiekt funkcji? To bardzo dziwne, ale popatrz na taki prosty przykład:

def DoOperation(OperationType):
    def PLUS(a,b):
        return a+b
    def MINUS(a,b):
        return a-b
    if OperationType == 'ADD':
        return PLUS
    else:
        return MINUS

def DoOperation(OperationType):

def PLUS(a,b):

return a+b

def MINUS(a,b):

return a-b

if OperationType == 'ADD':

return PLUS

else:

return MINUS

Mamy funkcję, która jako argument przyjmuje napis OperationType

jeśli OperationType to napis „ADD” to zostanie zwrócona funkcja PLUS, która z kolei przyjmuje dwa argumenty a i b. Funkcja PLUS dodaje te liczby
jeżeli OperationType to cokolwiek innego, to zostanie zwrócona funkcja MINUS, która z kolei przyjmuje dwa argumenty a i b. Funkcja MINUS odejmuje te liczby

Czy to co zwraca funkcja DoOperation jest callable?

print('is this callable? ',callable(DoOperation('ADD')))

1	print('is this callable? ',callable(DoOperation('ADD')))

Jeśli uruchomisz powyższą linijkę to zobaczysz, że tak. To skoro wynik zwracany przez funkcję można wywołać to co się stanie przy takim zapisie:

print('result of operation ADD: ',DoOperation('ADD')(3,1))
print('result of operation SUBSTRACT: ',DoOperation('SUBSTRACT')(3,1))

1 2	print('result of operation ADD: ',DoOperation('ADD')(3,1)) print('result of operation SUBSTRACT: ',DoOperation('SUBSTRACT')(3,1))

DoOperation(‚ADD’)(3,1) – najpierw wywołaliśmy DoOperation, która zwróciła funkcję PLUS, a potem funkcja PLUS uruchomiła się z argumentami 3 i 1 i wynik to 4
DoOperation(‚SUBSTRACT’)(3,1) – najpierw wywołaliśmy DoOperation, która zwróciła funkcję MINUS, a potem funkcja MINUS uruchomiła się z argumentami 3 i 1 i wynik to 2

Oczywiście można by to zrobić też tak:

myNewFunction = DoOperation('ADD')
print('result is ',myNewFunction(3,1))

1 2	myNewFunction = DoOperation('ADD') print('result is ',myNewFunction(3,1))

ale ten zapis rozciąga się na 2 linijki, a notacja o którą pytasz jest bardziej kompaktowa.

O funkcji callable:

https://www.programiz.com/python-programming/methods/built-in/callable

Inny przykład bazujący na definicji klasy i wywołania metody klasy:

https://stackoverflow.com/questions/111234/what-is-a-callable-in-python

Różnie programiści korzystają z tej notacji. Znajdziesz ją między innymi w Keras:

https://keras.io/getting-started/functional-api-guide/

zwróć uwagę na komentarz:

# a layer instance is callable on a tensor, and returns a tensor
w tym fragmencie:

from keras.layers import Input, Dense
from keras.models import Model
# This returns a tensor
inputs = Input(shape=(784,))
# a layer instance is callable on a tensor, and returns a tensor
x = Dense(64, activation='relu')(inputs)
x = Dense(64, activation='relu')(x)
predictions = Dense(10, activation='softmax')(x)
# This creates a model that includes
# the Input layer and three Dense layers
model = Model(inputs=inputs, outputs=predictions)
model.compile(optimizer='rmsprop',
 loss='categorical_crossentropy',
 metrics=['accuracy'])
model.fit(data, labels) # starts training