1. 类的定义及初始化
__init__ 是 Python 中的类初始化方法，也叫构造方法。它用于在类的对象被创建时初始化对象的状态（即设置对象的属性）。
__init__ 方法会在类的实例化时自动调用，并且在对象创建后执行。
class ClassName:
def __init__(self, parameters):
# 初始化属性或执行其他必要的操作
self.attribute = value
# 其他代码
-
__init__(self, parameters)：__init__方法接受至少一个参数，通常是 self，它表示类的实例对象。parameters 是该方法接受的其他参数，用于在初始化时传递值。 -
self.attribute：self 表示当前对象实例，可以通过它访问类的属性和方法。 - value 是初始化时为属性赋的值，可以是常量、变量或通过其他逻辑生成的值。
示例 1：基础初始化方法
class Person:
def __init__(self, name, age):
# 初始化时将名字和年龄赋值给对象的属性
self.name = name
self.age = age
def introduce(self):
print(f"Hello, my name is {self.name} and I am {self.age} years old.")
在这个例子中，Person 类的 __init__ 方法接受两个其他参数：name 和 age，并将它们赋值给实例对象的属性 self.name 和 self.age。
# 创建对象时，初始化属性
person1 = Person("Alice", 30)
person2 = Person("Bob", 25)
# 调用方法
person1.introduce() # 输出: Hello, my name is Alice and I am 30 years old.
person2.introduce() # 输出: Hello, my name is Bob and I am 25 years old.
示例 2：使用默认参数
class Car:
def __init__(self, make, model, year=2020):
# 初始化时，year 如果未传递将默认为 2020
self.make = make
self.model = model
self.year = year
def display_info(self):
print(f"{self.year} {self.make} {self.model}")
在这个例子中，year 参数具有默认值 2020。如果在创建 Car 实例时未传递 year 参数，它会自动使用默认值 2020。
# 创建时传递所有参数
car1 = Car("Toyota", "Camry", 2021)
# 创建时只传递 make 和 model，year 会使用默认值 2020
car2 = Car("Honda", "Civic")
# 输出汽车信息
car1.display_info() # 输出: 2021 Toyota Camry
car2.display_info() # 输出: 2020 Honda Civic
2. 类的实例化及函数调用
# train_script.py
# Unet3D_with_Conv3D、GaussianDiffusion、Trainer 是从模块中导入的类
from model.video_diffusion_pytorch.video_diffusion_pytorch_conv3d import Unet3D_with_Conv3D
from diffusion.diffusion_2d_jellyfish import GaussianDiffusion, Trainer
if __name__ == "__main__":
# 解析命令行参数并将其存储在 FLAGS 对象中
FLAGS = parser.parse_args()
# 创建 Unet3D_with_Conv3D 模型实例
model = Unet3D_with_Conv3D(
dim = 64, # 设置模型的基础维度大小
out_dim = 1 if FLAGS.only_vis_pressure else 3, # 根据命令行参数 only_vis_pressure 决定输出维度
dim_mults = (1, 2, 4), # 传递一个元组作为参数，用于指定每个网络层维度的倍数
channels=5 if FLAGS.only_vis_pressure else 7 # 根据命令行参数 only_vis_pressure 决定通道数
)
# 创建 GaussianDiffusion 实例
diffusion = GaussianDiffusion(
model,
image_size = 64,
frames=FLAGS.frames,
cond_steps=FLAGS.cond_steps,
timesteps = 1000, # 设置扩散步骤数
sampling_timesteps = 250, # 采样步骤数
loss_type = 'l2', # 设置损失函数类型：L1 or L2
objective = "pred_noise",
device =device # 模型运行的设备（CPU/GPU）
)
# 创建 Trainer 类的实例，该类用于管理模型的训练
trainer = Trainer(
diffusion,
FLAGS.dataset,
FLAGS.dataset_path,
FLAGS.frames,
FLAGS.traj_len,
FLAGS.ts,
FLAGS.log_path,
train_batch_size = FLAGS.batch_size, # 训练的批次大小
train_lr = 1e-3, # 学习率
train_num_steps = 400000, # 总训练步数
gradient_accumulate_every = 1, # 指定进行梯度累积的次数
ema_decay = 0.995, # 用于模型参数的指数移动平均值的衰减因子
save_and_sample_every = 4000, # 每 4000 步保存模型和进行采样
results_path = results_path,
amp = False, # 是否使用混合精度训练
calculate_fid = False, # 训练过程中是否计算 fid
is_testdata = FLAGS.is_testdata,
only_vis_pressure = FLAGS.only_vis_pressure,
model_type = FLAGS.model_type
)
trainer.train() # 调用 Trainer 类的 train 方法，启动模型的训练过程
这段代码展示了如何定义和使用深度学习模型的训练流程，包括模型定义、模型实例化、训练参数设置，以及如何通过面向对象编程实现模块化。if __name__ == "__main__" 使得这段代码在直接运行脚本时会执行训练逻辑，而在导入时不会执行，从而提高了代码的复用性和模块化水平。
-
if __name__ == "__main__"：它是模块和脚本的运行入口。该语句下的代码仅在该脚本作为主程序运行时才会被执行。-
__name__变量：每个 Python 模块都有一个内置属性__name__，其值决定了模块是被导入还是直接运行。 -
__main__：当一个 Python 文件被直接运行时，__name__的值会被设置为__main__。 - 导入时的行为：如果该模块被其他脚本导入，
__name__的值是该模块的文件名（不带路径和.py扩展名）。
-
-
model = ClassName(arguments)：创建类的实例，通过类构造函数ClassName初始化对象model。 -
out_dim = 1 if FLAGS.only_vis_pressure else 3：使用条件表达式（类似三元运算符）来设置输出维度，如果FLAGS.only_vis_pressure为真，out_dim为 1，否则为 3。
示例：
# main_script.py
if __name__ == "__main__":
print("This will only run when main_script.py is executed directly.")
运行结果：
- 如果运行
python main_script.py，将输出This will only run when main_script.py is executed directly. - 如果
main_script.py被其他脚本导入，如import main_script，这行代码不会被执行。