用法一：文件

如果不使用with，我们应该如何打开一个文件？

1
2
3
4
5
6
7
8
9
10
try:
    # 1. [进入]
    f = open('a.txt', 'r', encoding="utf-8")
    # 2. [执行]
    print(f.read())
finally:
    if f:
        # 3. [退出]
        f.close()

with在这里就起到一个封装try和finally的作用，finally的作用就是如果文件在io过程中产生了错误，也能正常执行f.close()安全关闭文件

写成with语句

1
2
with open("a.txt", "r", encoding="utf-8") as f:
    print(f.read())

即把open(“a.txt”, “r”, encoding=”utf-8”)的结果命名为f，再执行print(f.read())的语句块。

用法二：pytorch梯度管理

with语句可以临时切换计算环境状态并自动恢复初始状态。由于在验证和测试的过程中都不需要积累梯度，模型切换到eval模式使用torch.no_grad()，说明临时切换到了禁用张量的自动梯度计算模式，在计算结束后会恢复到计算梯度的状态

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
model.train()
      train_loss = 0.0
      val_loss = 0.0
      for data in trainloader:
          optimizer.zero_grad()
          x, target = data[0].to(device),data[1].to(device)
          pred = model(x)
          bat_loss = loss(pred,target,model)
          optimizer.step()
          train_loss += bat_loss.detach().cpu().item()
      plt_train_loss.append(train_loss/trainloader.dataset.__len__())

      
      
      
      
      # 切换到验证模式
      model.eval()
      with torch.no_grad():
          for data in valloader:
              val_x, val_target = data[0].to(device), data[1].to(device)
              val_pred = model(val_x)
              val_bat_loss = loss(val_pred,val_target,model)
              val_loss += val_bat_loss.detach().cpu().item()
      if val_loss < min_val_loss:
          torch.save(model, save_)
      plt_val_loss.append(val_loss/valloader.dataset.__len__())

总结：

with 语句核心：Python 上下文管理器语法糖，自动初始化 + 自动收尾，异常安全。

两大核心用法：

文件操作：with open(…) as f
自动打开 / 关闭文件，避免句柄泄露，替代繁琐的 try…finally。

PyTorch 梯度管理：with torch.no_grad()
验证 / 测试阶段临时禁用梯度计算，自动恢复状态，需与 model.eval() 搭配，节省资源 + 提速。