news 2026/3/26 9:29:01

python:global用法体会

作者头像

张小明

前端开发工程师

1.2k 24
文章封面图
python:global用法体会
# 定义全局变量 # session = "初始全局值" session = None def no_global_demo(): # 未声明 global,此处是创建局部变量 session,而非修改全局变量 # session = "局部变量值" print("局部作用域内(无global):", session) def has_global_demo(): # 声明 global,告知解释器:此处操作的是全局作用域的 session global session session = "修改后的全局值" print("局部作用域内(有global):", session) # 执行测试 no_global_demo() print("在全局作用域调用(无global修改后):", session) # 仍为「初始全局值」 has_global_demo() print("在全局作用域调用(有global修改后):", session) # 变为「修改后的全局值」

这段代码,先在全局作用域定义了一个变量session赋值为None,然后定义了两个函数

def no_global_demo()和
def has_global_demo()

测试阶段:先执行无global函数def no_global_demo(),再执行有global函数def has_global_demo(),结果如下:


# 定义全局变量 # session = "初始全局值" session = None def no_global_demo(): # 未声明 global,此处是创建局部变量 session,而非修改全局变量 # session = "局部变量值" print("局部作用域内(无global):", session) def has_global_demo(): # 声明 global,告知解释器:此处操作的是全局作用域的 session global session session = "修改后的全局值" print("局部作用域内(有global):", session) # 执行测试 has_global_demo() print("在全局作用域调用(有global修改后):", session) # 变为「修改后的全局值」 no_global_demo() print("在全局作用域调用(无global修改后):", session) # 仍为「初始全局值」

这段代码与上面的不同之处在于,在执行测试阶段,先测试有global函数,再测试无global函数,测试结果如下:

将两个结果放在一起对比来看:

为什么会有这样的效果呢?

这是因为先测试无global函数时,无global的函数中没有global,没有改变session变量的值,session依然等于None,没有改变,所以输出的时候是None。

而后者的代码,是先测试的有global变量的函数,因为函数中有global变量,global变量就会告诉python解释器:修改全局作用域中已存在的session变量的引用,即将全局变量session修改为

"修改后的全局值",流程如下:

所以说,先后执行有与无global变量的函数时,输出的结果就会不一样,这样更利于理解global变量在函数作用域中所起到的作用。

版权声明: 本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若内容造成侵权/违法违规/事实不符,请联系邮箱:809451989@qq.com进行投诉反馈,一经查实,立即删除!
网站建设 2026/3/12 13:13:31

YOLO模型训练任务排队系统:公平调度所有提交作业

YOLO模型训练任务排队系统:公平调度所有提交作业 在现代AI研发团队中,一个看似平常的早晨可能正上演着“资源争夺战”——三位工程师几乎同时提交了YOLO模型训练任务:一位要用YOLOv8s做边缘设备适配实验,另一位正在微调YOLOv10l以…

作者头像 李华
网站建设 2026/3/17 20:18:04

YOLO模型训练资源配额报警:超额使用提前预警

YOLO模型训练资源配额报警:超额使用提前预警 在现代AI研发体系中,一次看似简单的YOLO模型训练任务背后,往往隐藏着巨大的算力消耗和系统稳定性风险。某企业曾因一个配置错误的batch_size256导致GPU显存瞬间耗尽,不仅中断了当前训练…

作者头像 李华
网站建设 2026/3/24 15:08:48

YOLO模型训练任务依赖管理:有向无环图调度实现

YOLO模型训练任务依赖管理:有向无环图调度实现 在现代AI工程实践中,随着目标检测模型的迭代加速与部署场景的日益复杂,如何高效、可靠地组织一次完整的YOLO模型训练流程,早已不再是一个“跑个脚本”的简单问题。尤其是在工业质检…

作者头像 李华
网站建设 2026/3/25 13:27:49

YOLO模型缓存击穿防御:互斥锁与双重检查机制

YOLO模型缓存击穿防御:互斥锁与双重检查机制 在现代工业视觉系统中,实时目标检测的稳定性往往决定了整个产线的运行效率。想象这样一个场景:一条自动化质检流水线上,数十台摄像头同时触发图像采集,瞬间涌入上百个推理请…

作者头像 李华
网站建设 2026/3/14 15:49:06

YOLO模型训练断点续传功能实现:网络不稳定也不怕

YOLO模型训练断点续传功能实现:网络不稳定也不怕 在工业级AI视觉系统中,目标检测的稳定性与效率直接决定着产品能否顺利落地。YOLO(You Only Look Once)作为实时检测领域的标杆,已被广泛应用于自动驾驶、智能安防和工业…

作者头像 李华