一、python装饰器的功能
先举一个简单的python装饰器的例子。在python环境下输入：
def deco(cls):
# 为函数开辟了空间，并保存了函数指针
cls.new_method = lambda self: print("add a new method by decorator")
# 但现在还不能打印 cls.n
return cls
@deco
class cls1(object):
def __init__(self):
self.n = "class cls1"
obj = cls1()
obj.new_method()
执行代码，输出：add a new method by decorator
装饰器：@deco，可以作用在函数或类名之前。
装饰器的功能是，为函数F或类C外部套一个壳，在原有FC的外部增加一些新的功能，同时又不改变FC原有的功能。当调用FC时，调用的是原有功能+增量功能，但调用的名字不发生变化。
二、python装饰器的运行机制探讨
在上述例子里，第3行被输入时，就已经给new_method函数创建了空间。
当第7行被输入后，python解释器就已经识别到了deco其实是一个装饰器（也是一个函数），然后就去执行第1行的deco。同时，携带了第8行cls1类定义的指针。
然后，第5行返回时，把类定义指针重新赋值给第8行的cls1，使cls1先有了第一个new_method函数。
当第9行被输入完成，cls1类增加了第二个函数--初始化函数。
举一个Openmmlab官方的例子：
_module_dict = dict()
# 定义装饰器函数
def register_module(name):
def _register(cls):
_module_dict[name] = cls
return cls
return _register
# 装饰器用法
@register_module('one_class')
class OneTest(object):
pass
@register_module('two_class')
class TwoTest(object):
pass
if __name__ == '__main__':
# 通过注册类名实现自动实例化功能
one_test = _module_dict['one_class']()
print(one_test)
# 输出
<__main__.OneTest object at 0x7f1d7c5acee0>
第12行：输入装饰器，将执行第4行，并把'one_class'作为参数赋值给name，装饰器返回的是，函数_register(OneTest)的返回值。
在函数_register(OneTest)中，执行了_module_dict['one_class'] = OneTest，给字典增加元素了。
现在_module_dict的内容是{'one_class': OneTest}，其中OneTest是类定义的指针。装饰器返回的也是类定义的指针。
第16行的作用和第12行完全相同，给字典新增了元素。此时_module_dict的内容是{'one_class': OneTest，'two_class': TwoTest}
三、mmcv的注册机制Registry
mmcv注册机制的核心方法是使用了python装饰器。
mmcv的目的，是为了节省大模型或深度学习模型建模的时间，避免大家重复造轮子或修轮子的bug。科学家和工程师应当把更多的精力放在模型设计和验证的工作上。
使用了注册机制，就方便把mmcv的轮子管理起来。使模型设计和代码实现，过程尽可能解耦。
注册机制最核心的代码是Registry类定义。这个类的本质是维护了一个字典，这个字典里包含神经网络模块的名称和对应的类指针。
class Registry:
def __init__(self, name):
# 可实现注册类细分功能
self._name = name
# 内部核心内容，维护所有的已经注册好的 class
self._module_dict = dict()
def _register_module(self, module_class, module_name=None, force=False):
if not inspect.isclass(module_class):
raise TypeError('module must be a class, '
f'but got {type(module_class)}')
if module_name is None:
module_name = module_class.__name__
if not force and module_name in self._module_dict:
raise KeyError(f'{module_name} is already registered '
f'in {self.name}')
# 最核心代码
self._module_dict[module_name] = module_class
# 装饰器函数
def register_module(self, name=None, force=False, module=None):
if module is not None:
# 如果已经是 module，那就知道 增加到字典中即可
self._register_module(
module_class=module, module_name=name, force=force)
return module
# 最标准用法
# use it as a decorator: @x.register_module()
def _register(cls):
self._register_module(
module_class=cls, module_name=name, force=force)
return cls
return _register
官方文档给了一个简单的例子：
CONVERTERS = Registry('converter')
@CONVERTERS.register_module()
class Converter1(object):
def __init__(self, a, b):
self.a = a
self.b = b
converter_cfg = dict(type='Converter1', a=a_value, b=b_value)
converter = build_from_cfg(converter_cfg,CONVERTERS)
第1行：构造一个名叫CONVERTERS的字典，并增加一个名为'converter'的模块。name被赋值'converter'。
第3行：执行Rigistry类的第22行，带上cls=Converter1的参数。然后在CONVERTERS字典里增加元素{'converter': Converter1}，其中，Converter1是类定义指针。
第4行：神经网络模块Converter1的定义。
第5行：神经网络的层次定义。（本例子里没有神经网络的结构定义、前向传播方法等）
第10行：根据配置文件和模块字典，构造神经网络。
因为通过字典可以索引到模块的指针，所以只需要修改配置文件，想用什么模块，就在配置文件里直接改。整个过程字典不变。模型需要调整结构的时候，也能快速调整而不用修bug，达到了即插即用的目的。
