python OOP attributeError:对象没有属性

我有一个关于物体属性的问题。正如您所看到的，mnist_网络对象具有一些我必须在某些方法中使用的属性（属性：train_img、train_res、test_img、test_res）。调用函数test\u predict（self）时，我得到以下错误：

AttributeError:'mnist\u network'对象没有属性'test\u img'

。你能解释一下吗？我对Python中的OOP非常陌生。 我使用Spyder并尝试使用“帮助”找出属性的错误，但我只得到“没有可用的文档”。所以这没有什么帮助

这是我的代码（它应该预测手写数字）：

---

因为您已将

self

（它是对该对象当前实例的引用）指定给

model

，该模型是

Sequential

的实例，它实际上没有属性

test\u img

。例如，如果您选择在何处执行操作：

class mnist_network(Sequential):
    def __init__(self):
         self = "foo bar"

然后，当您执行

instance=mnist_network（）

时，您将在内存中保留一个位置的引用，用于实例中显示“foo bar”的字符串，而不是

类mnist_network

的实例。一般来说，你永远不会做这样的事情

self = some_stuff

任何地方。这毫无意义。我对tensorflow&keras不太熟悉，但我想你可能想做的是：

class mnist_network(Sequential):
    def __init__(self):
         # do stuff....

或许你真正想做的是：

class mnist_network:
    def __init__(self):
         # do stuff
         self.model = Sequential()

前一种方法是，如果您试图使用方法，类的属性是连续的，但希望在它们之上进行扩展，这在OOP中称为继承。作为一个Sequantial对象实例，您可以获得所有的好处，但是您可以在类mnist_网络中自由地向它添加新的方法和属性

---

如果需要在类中访问一个顺序对象并要求他执行操作，则可以选择后者。这就是所谓的合成。

嗯

self=model

对我来说似乎很奇怪。我不认为，你能给一个类分配一个Keras序列。你应该使用类似于

self.model=model

的方法来检查一下关于课堂上的自我分配：你为什么要做

self=model

？？？当然，这会造成很多问题。。。

class mnist_network:
    def __init__(self):
         # do stuff
         self.model = Sequential()