with一个比较经典的用法就是打开或者写入文件的时候。

with open ("xx", "r") as f:
    lines = f.readlines()

在有with关键字的这一行，首先你会执行一些命令，而且很有可能和as关键字一起创造一个新的变量。在这里就是文件的对象f。在这里就是文件的对象f。

with之所以叫做上下文管理器,就是因为在with关键字的作用域内，创建了一个对象或者变量，这个变量只有在with关键字的作用域内起作用的，也就是说，它创造了一个f是可用的上下文。出了这个上下文，这个变量就会被收回，就不起作用了。有点像函数的那种感觉，但是它不是一个函数，只是作用域的处理上有点像函数。

文件的操作上，一旦你打开了文件的读取，在不用文件的时候，一旦你打开了文件的读取，在不用的时候，大佬记得是需要调用file.close()之类的方法来把文件占用的内存关闭。倘若使用with关键字，在出了with关键字的作用域之后，文件的对象就被自动close和回收掉了，因此十分的方便。

with的另外一个场景是TensorFlow1.xx版本的时候。计算必须放在TensorFlow的Session里面，也会用到with，因为Session在结束的时候同样需要Session.close。

总结：如果你希望一个变量在一段时间后会自动回收掉，那么使用with是一个比较好的选择。你甚至可以定义自己的函数支持with关键字，需要用到Python自带的Contextlib库。

第二个知识点

Numpy是Python的一个矩阵运算库。

在机器学习相关的场景下，Numpy用的很多，尤其是ndarray就是多个维度的矩阵，实际上和Pytorch的Tensor是一个意思，只不过是不同库的不同实现，然后一个tensor.numpy()就是把一个Pytorch的Tensor转换成Numpy的矩阵。因为之后可能是可视化啊或者是什么其他操作，需要numpy的矩阵才行。

Pytorch中有data 

data 的意思是这样的。PyTorch规定：在计算图里面的Tensor是不能直接转换成numpy矩阵的,tensor.data是获取一个数值相同的tensor，同时这个tensor是不在计算图中的，然后它才能用numpy()，但是这个是0.4版本之前的操作，现在有了操作更安全的tensor.datach()操作，用这个会更好，但是本身功能两者是一样的。要修改成tensor.detach().numpy()

以后写detach，别写data，因为detach更安全。注意detach是方法，要tensor.detach().numpy()；data是属性，是tensor.data.numpy()。大概是这样。

参考链接：

https://blog.csdn.net/u013066730/article/details/96484351?utm_medium=distribute.pc_relevant.none-task-blog-2%7Edefault%7EBlogCommendFromMachineLearnPai2%7Edefault-3.control&depth_1-utm_source=distribute.pc_relevant.none-task-blog-2%7Edefault%7EBlogCommendFromMachineLearnPai2%7Edefault-3.control