小编Ram*_*mon的帖子

进行到一半时Architecture Patterns with Python，我有两个关于应该如何构造和实例化领域模型类的问题。假设在我的领域模型上我有这样的课程DepthMap：

class DepthMap:
    def __init__(self, map: np.ndarray):
        self.map = map

根据我从书中的理解，这个类是不正确的，因为它依赖于Numpy，它应该只依赖于 Python 原语，因此问题是：域模型类应该只依赖于 Python 原语，还是有例外？

假设上一个问题的答案是类应该完全依赖于基元，那么从 Numpy 数组创建 DepthMap 的正确方法是什么？假设现在我有更多格式可以制作 DepthMap 对象。

class DepthMap:
    def __init__(self, map: List):
        self.map = map
    
    @classmethod
    def from_numpy(cls, map: np.ndarray):
        return cls(map.tolist())

    @classmethod
    def from_str(cls, map: str):
        return cls([float(i) for i in s.split(',')])

或工厂：

class DepthMapFactory:
    @staticmethod
    def from_numpy(map: np.ndarray):
        return DepthMap(map.tolist())

    @staticmethod
    def from_str(map: str):
        return DepthMap([float(i) for i in s.split(',')]) …

我想下载 Google 存储桶上的 blob。客户拥有的方法get_bucket和方法有什么区别？bucket为什么他们的权限不同？两者都可以用来下载 blob 吗？

predict_step为什么张量流在a 函数内禁用急切执行tf.keras.Model？也许我弄错了，但这里有一个例子：

from __future__ import annotations
from functools import wraps
import tensorflow as tf

def print_execution(func):
    @wraps(func)
    def wrapper(self: SimpleModel, data):
        print(tf.executing_eagerly())  # Prints False
        return func(self, data)
    return wrapper

class SimpleModel(tf.keras.Model):
    def __init__(self):
        super().__init__()

    def call(self, inputs, training=None, mask=None):
        return inputs

    @print_execution
    def predict_step(self, data):
        return super().predict_step(data)

if __name__ == "__main__":
    x = tf.random.uniform((2, 2))
    print(tf.executing_eagerly())  # Prints True
    model = SimpleModel()
    pred = model.predict(x)

这是预期的行为吗？有没有办法强制predict_step以急切模式运行？