当前位置：首页 > article >正文

【Python 进阶2】抽象方法和实例调用方法

article 2025/9/13 22:50:33

抽象方法和实例调用方法

对比表格：

特性	抽象方法 (forward)	实例调用方法 (call)
定义方式	`@abc.abstractmethod` 装饰器	特殊方法名 `__call__`
调用方式	不能直接调用，必须通过子类实现	可以直接调用对象：`controller(attn, ...)`
实现要求	必须由子类实现，否则无法实例化	可以在基类中实现，子类可以覆盖
主要功能	定义具体业务逻辑（如存储注意力）	处理通用流程（如计数、步骤控制）
代码位置	在子类中实现（如 `AttentionStore`）	在基类中实现（`AttentionControl`）
使用场景	需要子类提供不同实现时	需要统一接口时
错误处理	在类定义时检查	在运行时检查
代码复用	每个子类都需要实现	所有子类共享基类实现

以下面代码片段为例

class AttentionControl(abc.ABC):def step_callback(self, x_t):return x_tdef between_steps(self):return@propertydef num_uncond_att_layers(self):return 0@abc.abstractmethoddef forward(self, attn, is_cross: bool, place_in_unet: str):raise NotImplementedErrordef __call__(self, attn, is_cross: bool, place_in_unet: str):if self.cur_att_layer >= self.num_uncond_att_layers:h = attn.shape[0]attn[h // 2 :] = self.forward(attn[h // 2 :], is_cross, place_in_unet)self.cur_att_layer += 1if self.cur_att_layer == self.num_att_layers + self.num_uncond_att_layers:self.cur_att_layer = 0self.cur_step += 1self.between_steps()return attndef reset(self):self.cur_step = 0self.cur_att_layer = 0def __init__(self):self.cur_step = 0self.num_att_layers = -1self.cur_att_layer = 0

抽象方法：
- 是接口定义
- 强制子类实现
- 提供具体功能
实例调用方法：
- 是统一接口
- 处理通用逻辑
- 调用抽象方法

具体的调用差异

forward 和 __call__ 的区别和调用时机：

基本区别：

# forward 是抽象方法，需要子类实现
@abc.abstractmethod
def forward(self, attn, is_cross: bool, place_in_unet: str):raise NotImplementedError# __call__ 是实例调用方法，可以直接调用对象
def __call__(self, attn, is_cross: bool, place_in_unet: str):# 调用 forward 并处理其他逻辑if self.cur_att_layer >= self.num_uncond_att_layers:h = attn.shape[0]attn[h // 2 :] = self.forward(attn[h // 2 :], is_cross, place_in_unet)# ... 其他逻辑

调用时机：

__call__ 的调用：

controller = AttentionStore()
# 直接调用对象时会触发 __call__
result = controller(attn, is_cross=True, place_in_unet="down")

forward 的调用：

# forward 是在 __call__ 内部被调用的
# 不会直接调用 forward

工作流程：

# 1. 当调用 controller(attn, ...) 时，会触发 __call__
# 2. __call__ 方法会：
#    - 检查条件
#    - 调用 forward
#    - 更新计数器
#    - 处理步骤间逻辑
# 3. forward 方法（由子类实现）处理具体的注意力计算

实际应用示例：

# 在 AttentionStore 中
def forward(self, attn, is_cross: bool, place_in_unet: str):# 存储注意力值key = f"{place_in_unet}_{'cross' if is_cross else 'self'}"if attn.shape[1] <= 32**2:self.step_store[key].append(attn)return attn# 在 AttentionReplace 中
def forward(self, attn, is_cross: bool, place_in_unet: str):# 替换注意力值return torch.einsum("hpw,bwn->bhpn", attn_base, self.mapper)

为什么这样设计：

a) 分离关注点：

__call__ 处理通用逻辑（计数、步骤等）
forward 处理具体实现（存储、替换等）

b) 提供统一接口：

所有控制器都可以像函数一样调用
内部实现可以不同

c) 代码复用：

通用逻辑在 __call__ 中实现一次
子类只需要实现 forward

调用顺序：

# 1. 外部调用
controller(attn, is_cross=True, place_in_unet="down")# 2. 触发 __call__
def __call__(self, attn, is_cross: bool, place_in_unet: str):# 3. 条件检查if self.cur_att_layer >= self.num_uncond_att_layers:# 4. 调用 forwardattn[h // 2 :] = self.forward(attn[h // 2 :], is_cross, place_in_unet)# 5. 处理其他逻辑