Python for AI/Object-Oriented Programming/Lesson 26

Dataclasses

@dataclass দিয়ে __init__, __repr__, __eq__ নিজে থেকে — default মান, field(default_factory=...), frozen আর ordering। ML config আর experiment result রাখার সবচেয়ে পরিষ্কার উপায়।

সময়: 20 মিনিট
Exercise: 1
Challenge: 1
Quiz: 3 প্রশ্ন

সহজ ভাষায়

শুধু data রাখার একটা class লিখতে গেলে প্রচুর একই রকম code:

main.py

class Student:
    def __init__(self, name, cgpa, dept="CSE"):
        self.name = name
        self.cgpa = cgpa
        self.dept = dept

    def __repr__(self):
        return f"Student(name={self.name!r}, cgpa={self.cgpa!r}, dept={self.dept!r})"

    def __eq__(self, other):
        return (self.name, self.cgpa, self.dept) == (other.name, other.cgpa, other.dept)


print(Student("Mim", 3.9))

@dataclass দিয়ে একই জিনিস:

main.py

from dataclasses import dataclass


@dataclass
class Student:
    name: str
    cgpa: float
    dept: str = "CSE"


s = Student("Mim", 3.9)
print(s)
print(s == Student("Mim", 3.9))
print(s.name, s.dept)

তুমি শুধু field-গুলো লেখো — নাম, type, আর ঐচ্ছিক default। __init__, __repr__, __eq__ Python নিজে বানিয়ে দেয়।

কেন দরকার?

ML project-এ অনেক জিনিস আসলে শুধু "data-র বাক্স":

Training config — learning rate, epochs, batch size
Experiment result — model নাম, accuracy, সময়
Prediction — label, confidence

Dictionary দিয়েও রাখা যায়, কিন্তু dataclass-এ:

typo ধরা পড়ে — cfg.learnig_rate লিখলে সাথে সাথে AttributeError; dictionary-তে cfg["learnig_rate"] চুপচাপ ভুল key বানাতে পারে
কী কী field আছে আর তাদের type — code দেখেই বোঝা যায়, editor autocomplete করে
সুন্দর repr — debugging সহজ

Hugging Face Transformers-এর TrainingArguments একটা dataclass — ১০০-র বেশি field সহ।

Type hints

name: str — এখানে : str হলো type hint। এটা বলে দেয় কী ধরনের মান আশা করা হচ্ছে। সাবধান: Python এটা চেক করে না:

main.py

from dataclasses import dataclass


@dataclass
class Point:
    x: float
    y: float


p = Point("hello", None)
print(p)

কোনো error নেই! Type hint মানুষ আর tool-এর (editor, mypy) জন্য। Dataclass এগুলো দেখে field চেনে, কিন্তু মান যাচাই করে না। (মান যাচাই চাইলে pydantic library — FastAPI-তে দেখবো।)

Mutable default: `field(default_factory=...)`

মনে আছে mutable default-এর ফাঁদ? Dataclass এটা ধরে ফেলে:

main.py

from dataclasses import dataclass


@dataclass
class Experiment:
    name: str
    tags: list = []

ValueError! সঠিক উপায় — default_factory, যেটা প্রতিটা object-এর জন্য নতুন list বানায়:

main.py

from dataclasses import dataclass, field


@dataclass
class Experiment:
    name: str
    tags: list = field(default_factory=list)


a = Experiment("exp-1")
b = Experiment("exp-2")
a.tags.append("baseline")
print(a.tags, b.tags)

`frozen=True`: বদলানো যায় না

main.py

from dataclasses import dataclass


@dataclass(frozen=True)
class ModelConfig:
    name: str
    hidden_size: int = 768


cfg = ModelConfig("bert")
cfg.hidden_size = 1024

FrozenInstanceError — একবার তৈরি হলে আর বদলানো যায় না। Config-এর জন্য দারুণ: training-এর মাঝখানে কেউ ভুল করে setting বদলে ফেলতে পারবে না। বদলানো config চাইলে নতুন একটা বানাও:

main.py

from dataclasses import dataclass, replace


@dataclass(frozen=True)
class ModelConfig:
    name: str
    hidden_size: int = 768


base = ModelConfig("bert")
large = replace(base, hidden_size=1024)
print(base)
print(large)

`order=True`: তুলনা আর sort

main.py

from dataclasses import dataclass, field


@dataclass(order=True)
class Result:
    accuracy: float
    model: str = field(compare=False)


results = [Result(0.82, "lstm"), Result(0.91, "bert"), Result(0.74, "naive-bayes")]
for r in sorted(results, reverse=True):
    print(f"{r.model:<12}{r.accuracy:.0%}")

order=True field-গুলোর ক্রম অনুযায়ী তুলনা করে। field(compare=False) দিলে সেই field তুলনায় বাদ যায়।

Dataclass বনাম dict বনাম সাধারণ class

	কখন
`dict`	কাঠামো আগে থেকে জানা নেই, JSON-এর মতো খোলা data
`@dataclass`	কাঠামো জানা, মূলত data রাখা — config, result, record
সাধারণ class	জটিল আচরণ, অনেক method, inheritance — যেমন model

Exercise

Training config

+20 XP

@dataclass দিয়ে TrainConfig বানাও, এই field-গুলো সহ:

model_name — str, কোনো default নেই
learning_rate — float, default 0.001
epochs — int, default 10
batch_size — int, default 32

__init__ বা __repr__ নিজে লিখবে না — dataclass বানিয়ে দেবে।

solution.py

from dataclasses import dataclass


class TrainConfig:
    pass


cfg = TrainConfig("bert-bn", epochs=3)
print(cfg)

Quiz

Q1@dataclass নিজে থেকে কোন method-গুলো বানিয়ে দেয় (default-এ)?
শুধু __init____init__, __repr__, __eq____init__, __len__, __getitem__
Q2tags: list = [] লিখলে dataclass কী করে?
ঠিকঠাক কাজ করেValueError দেয় — mutable default নিষেধসব object একই list পায়, কোনো সতর্কতা ছাড়া
Q3@dataclass(frozen=True) দিলে কী হয়?
Object তৈরির পর কোনো field বদলানো যায় নাClass থেকে নতুন object বানানো যায় নাProgram দ্রুত চলে

0/3 answered

Challenge

Experiment tracker

+50 XP

ML experiment-এর ফলাফল রাখতে dataclass বানাও:

Run — name: str, accuracy: float, tags: list (default খালি list — প্রতিটা Run-এর আলাদা!)
Run-গুলো accuracy অনুযায়ী তুলনা করা যাবে (<, sorted()), নাম বা tags দিয়ে নয়
best_run(runs) function — সবচেয়ে বেশি accuracy-র Run return করবে; খালি list-এ None

solution.py

from dataclasses import dataclass, field


class Run:
    pass


def best_run(runs):
    pass


runs = [Run("baseline", 0.71), Run("bert", 0.89, ["transformer"]), Run("lstm", 0.83)]
print(best_run(runs))
print([r.name for r in sorted(runs)])

বাস্তবে কোথায় ব্যবহার হয়?

একটা ছোট experiment tracker — MLflow-এর মতো tool ঠিক এই কাজটাই বড় পরিসরে করে:

main.py

from dataclasses import dataclass, field, asdict


@dataclass(frozen=True)
class Config:
    model: str
    learning_rate: float = 0.001
    epochs: int = 10


@dataclass(order=True)
class Run:
    accuracy: float
    config: Config = field(compare=False)
    notes: list = field(default_factory=list, compare=False)


runs = [
    Run(0.81, Config("lstm", learning_rate=0.01)),
    Run(0.89, Config("bert-bn", epochs=3), ["pretrained"]),
    Run(0.76, Config("lstm")),
]

best = max(runs)
print("Best:", best.config.model, f"{best.accuracy:.0%}")
print(asdict(best))

asdict() dataclass-কে dictionary বানায় — তারপর json.dumps() দিয়ে save করা যায়। এভাবেই experiment-এর ফলাফল file বা database-এ রাখা হয়।

Interview প্রশ্ন

Beginner: @dataclass কী করে? সাধারণ class-এর চেয়ে সুবিধা কী?
Intermediate: Dataclass-এ tags: list = [] কেন error দেয়? কীভাবে ঠিক করবে?
Advanced: dataclass, NamedTuple, আর pydantic.BaseModel — কখন কোনটা? (Pydantic runtime-এ type যাচাই করে — API input-এর জন্য দরকারি।)

এরপর কী?

অভিনন্দন! 🎉 Object-Oriented Programming module শেষ। তুমি এখন class বানাতে, inherit করতে, dunder দিয়ে Pythonic object বানাতে পারো — PyTorch আর scikit-learn-এর code এখন অনেক বেশি পরিচিত লাগবে।

পরের module: Errors ও Files — program ভেঙে না পড়ে কীভাবে error সামলাবে, আর file, JSON, CSV থেকে real data কীভাবে পড়বে।

Dataclasses

সহজ ভাষায়

কেন দরকার?

Type hints

Mutable default: field(default_factory=...)

frozen=True: বদলানো যায় না

order=True: তুলনা আর sort

Dataclass বনাম dict বনাম সাধারণ class

Exercise

Quiz

Challenge

বাস্তবে কোথায় ব্যবহার হয়?

Interview প্রশ্ন

এরপর কী?

Mutable default: `field(default_factory=...)`

`frozen=True`: বদলানো যায় না

`order=True`: তুলনা আর sort