常連

# 質問
Pythonでは、`x.y`と書いた場合、`x`のオブジェクトツリーを探索し、属性`y`を探すと書籍で学びました。（見つからない場合は「`AttributeError`となる」とありました。）

その際、以下のコードにおいてクラス`A`が備える変数`num`はインスタンス`x`から参照できるのに対し、同じくクラスAが備える`__base__`が参照できない理由が分からず困っています。

```Python
class A():
    num = 500 

x = A()
print(hasattr(A,"num")) #⇒ True
print(hasattr(x,"num")) #⇒ True

print(hasattr(A,"__base__")) #⇒ True
print(hasattr(x,"__base__")) #⇒ False(numと同じくクラスが備えているはずなのにFalseの理由が分からず…)

print(x.num) #⇒ 500
print(x.__base__) #AttributeError: 'A' object has no attribute '__base__'(numと同じくクラスが__base__を備えているはずなのにエラー)
```

# 調べたこと

この事象と関係あるかは分かりませんが、調べていたところ公式ドキュメントに
> 属性アクセスのデフォルトの振る舞いは、オブジェクトの辞書の属性の取得、設定、削除です。例えば a.x は、まず a.__dict__['x']、それから type(a).__dict__['x']、さらに type(a) のメソッド探索順序に従ったさらなる探索へと連鎖します。
> [デスクリプタ HowTo ガイド](https://docs.python.org/ja/3/howto/descriptor.html#definition-and-introduction)
とありました。
そこで、今回は`x.__base__`で`AttributeError`が発生したため、試しに以下の書き方をしてみました。
```Python
class A():
    num = 500 

x = A()
print(A.__base__) #⇒ <class 'object'> 
print(type(x).__base__) #⇒ <class 'object'>
print(type(x).__dict__['__base__']) #⇒ KeyError: '__base__'
```
`type(x).__dict__['__base__']`はエラーとなりました。
たしかに`type(x).__dict__`の中を覗くと`__base__`は存在しません。
```Python
class A():
    num = 500 

x = A()
print(type(x).__dict__.keys()) #⇒ dict_keys(['__module__', 'num', '__dict__', '__weakref__', '__doc__'])
```

これは、以下の理解でよいのでしょうか。
・`x`は`__base__`を備えていないため、クラスオブジェクト及びクラスが継承するオブジェクトが`__base__`を備えていないか探索していく
・探索では、オブジェクトの`__dict__`の中を探していく
・今回、クラス`A`は`__base__`を備えているが、それは`__dict__`の中には存在しないため、見つからなかったことになる。
・クラス`A`は、クラス`Object`を継承しているため、`Object`の`__dict__`の中にも`__base__`があるか探すが、存在せず見つからなかったことになる。
・クラス`Object`の`__dict__`まで探して見つからなかったので、これ以上探索先は無い（※）ため、`AttributeError`で終了する。
（※）`x`が`__getattr__`を備えている場合はそれを呼び出す。

単純すぎる理解と承知の上ですが、この程度しか思いつかず申し訳ありません。
初歩的な質問で大変恐縮ですが、冒頭のコードで`x.__base__`が`AttributeError`になってしまう理由を教えていただけますと幸いです。
よろしくお願いいたします。

Pythonにおいてクラスが持つ属性をインスタンスから呼び出せない理由

### 実現したいこと

```python
list_a = [['a','b','c'],['d','e','f'],['f','h'],['i']]
list_b = ['abc', 'def', 'fh', 'i']
```
以上のように、```list_a```の要素である各"リストの要素"を結合して文字列にしたうえで、```list_b```のような形にしたい。

### 試したこと

```python
list_a = [['a','b','c'],['d','e','f'],['f','h'],['i']]
list_b = []
for i in list_a:
    tmp = []
    tmp.append(",".join(i))
    list_b.append(tmp[0].replace(',',''))
print(list_b)
# >['abc', 'def', 'fh', 'i']
```

色々検索してみたりして何とか実現したいものは作れたのですが、なんだかすごく冗長な書き方のような気がします。
例えば```tmp```を使用しないような、もっとよりよい書き方というのはあるのでしょうか。

### 補足情報（FW/ツールのバージョンなど）

Python 3.9.0

2次元のリストの要素を結合して文字列としたうえで、それを要素として持つ1次元のリストを作成したい

https://meditech-ai.com/pytorch-efficientnet/
このサイトのコードの変形です。

```python
import glob
import os
中略しました。
print(f"Loss: {loss_sum.item() / len(valid_loader)}, Accuracy: {100*correct/len(valid_data)}% ({correct}/{len(valid_data)})")
```

20230813現時点のコードです（確かこれ）
使用しているPythonは3.10です。
画像はリンゴとオレンジです。
```python
import glob
import os
import random

import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
from PIL import Image
from torch.optim.lr_scheduler import StepLR
from torch.utils.data import DataLoader, Dataset
from torchvision import datasets, transforms
from tqdm.notebook import tqdm

from pathlib import Path
import seaborn as sns
import timm
from pprint import pprint

import copy
from tqdm import tqdm

# Training settings,epochs50から2へ変更
epochs = 2
lr = 3e-5
gamma = 0.7
seed = 42

def seed_everything(seed):
    random.seed(seed)
    os.environ['PYTHONHASHSEED'] = str(seed)
    np.random.seed(seed)
    torch.manual_seed(seed)
    torch.cuda.manual_seed(seed)
    torch.cuda.manual_seed_all(seed)
    torch.backends.cudnn.deterministic = True

seed_everything(seed)

device = 'cpu'
train_dataset_dir = Path('./Gender01/train')
val_dataset_dir = Path('./Gender01/validation')
test_dataset_dir = Path('./Gender01/test')

files = glob.glob('./Gender01/*/*/*.png')
random_idx = np.random.randint(1, len(files), size=9)
fig, axes = plt.subplots(3, 3, figsize=(8, 6))

for idx, ax in enumerate(axes.ravel()):
    img = Image.open(files[idx])
    ax.imshow(img)

train_transforms = transforms.Compose(
    [
        transforms.Resize((224, 224)),
        transforms.RandomHorizontalFlip(),
        transforms.ToTensor(),
        transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
    ]
)

val_transforms = transforms.Compose(
    [
        transforms.Resize((224, 224)),
        transforms.ToTensor(),
        transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
    ]
)

test_transforms = transforms.Compose(
    [
        transforms.Resize((224, 224)),
        transforms.ToTensor(),
        transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
    ]
)

train_data = datasets.ImageFolder(train_dataset_dir,train_transforms)
valid_data = datasets.ImageFolder(val_dataset_dir, val_transforms)
test_data = datasets.ImageFolder(test_dataset_dir, test_transforms)

train_loader = DataLoader(dataset = train_data, batch_size=16, shuffle=True )
valid_loader = DataLoader(dataset = valid_data, batch_size=16, shuffle=False)
test_loader = DataLoader(dataset = test_data, batch_size=16, shuffle=False)

model_names = timm.list_models(pretrained=True)
pprint(model_names)

model = timm.create_model('tf_efficientnetv2_s_in21ft1k', pretrained=True, num_classes=2)
model = model.to(device)

# loss function
criterion = nn.CrossEntropyLoss()
# optimizer
optimizer = optim.Adam(model.parameters(), lr=lr)
# scheduler
scheduler = StepLR(optimizer, step_size=1, gamma=gamma)

best_loss = None

# Accuracy計算用の関数
def calculate_accuracy(output, target):
    output = (torch.sigmoid(output) >= 0.5)
    target = (target == 1.0)
    accuracy = torch.true_divide((target == output).sum(dim=0), output.size(0)).item()
    return accuracy

train_acc_list = []
val_acc_list = []
train_loss_list = []
val_loss_list = []

for epoch in range(epochs):
    epoch_loss = 0
    epoch_accuracy = 0

    for data, label in tqdm(train_loader):
        data = data.to(device)
        label = label.to(device)

        output = model(data)
        loss = criterion(output, label)

        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

        acc = (output.argmax(dim=1) == label).float().mean()
        epoch_accuracy += acc / len(train_loader)
        epoch_loss += loss / len(train_loader)              

    print("bbb") #元なかったが追記
    with torch.no_grad():
        epoch_val_accuracy = 0
        epoch_val_loss = 0
        for data, label in valid_loader:
            data = data.to(device)
            label = label.to(device)

            val_output = model(data)
            val_loss = criterion(val_output, label)

            acc = (val_output.argmax(dim=1) == label).float().mean()
            epoch_val_accuracy += acc / len(valid_loader)
            epoch_val_loss += val_loss / len(valid_loader)

    print(
        f"Epoch : {epoch+1} - loss : {epoch_loss:.4f} - acc: {epoch_accuracy:.4f} - val_loss : {epoch_val_loss:.4f} - val_acc: {epoch_val_accuracy:.4f}\n"
    )

    train_acc_list.append(epoch_accuracy)
    val_acc_list.append(epoch_val_accuracy)
    train_loss_list.append(epoch_loss)
    val_loss_list.append(epoch_val_loss)

    if (best_loss is None) or (best_loss > val_loss):
        best_loss = val_loss
        model_path = './Gender01/save/bestViTmodel.pth'
        torch.save(model.state_dict(), model_path)
        
    print()

device2 = torch.device('cpu')

train_acc = []
train_loss = []
val_acc = []
val_loss = []

for i in range(epochs):
    train_acc2 = train_acc_list[i].to(device2)
    train_acc3 = train_acc2.clone().numpy()
    train_acc.append(train_acc3)
    
    train_loss2 = train_loss_list[i].to(device2)
    train_loss3 = train_loss2.clone().detach().numpy()
    train_loss.append(train_loss3)
    
    val_acc2 = val_acc_list[i].to(device2)
    val_acc3 = val_acc2.clone().numpy()
    val_acc.append(val_acc3)
    
    val_loss2 = val_loss_list[i].to(device2)
    val_loss3 = val_loss2.clone().numpy()
    val_loss.append(val_loss3)

#取得したデータをグラフ化する
sns.set()
num_epochs = epochs

fig = plt.subplots(figsize=(12, 4), dpi=80)

ax1 = plt.subplot(1,2,1)
ax1.plot(range(num_epochs), train_acc, c='b', label='train acc')
ax1.plot(range(num_epochs), val_acc, c='r', label='val acc')
ax1.set_xlabel('epoch', fontsize='12')
ax1.set_ylabel('accuracy', fontsize='12')
ax1.set_title('training and val acc', fontsize='14')
ax1.legend(fontsize='12')

ax2 = plt.subplot(1,2,2)
ax2.plot(range(num_epochs), train_loss, c='b', label='train loss')
ax2.plot(range(num_epochs), val_loss, c='r', label='val loss')
ax2.set_xlabel('epoch', fontsize='12')
ax2.set_ylabel('loss', fontsize='12')
ax2.set_title('training and val loss', fontsize='14')
ax2.legend(fontsize='12')
plt.show()

print("aaa")  # 元は無かったが追記
model.eval()  # モデルを評価モードにする

loss_sum = 0
correct = 0

print("bbb") #元なかったが追記
with torch.no_grad():
    for data, labels in test_loader:

        # GPUが使えるならGPUにデータを送る
        data = data.to(device)
        labels = labels.to(device)

        # ニューラルネットワークの処理を実施
        outputs = model(data)
        print(outputs) # 新たに追記
        # 損失(出力とラベルとの誤差)の計算
        loss_sum += criterion(outputs, labels)

        # 正解の値を取得
        pred = outputs.argmax(1)
        print(pred) # 新たに追記
        # 正解数をカウント
        correct += pred.eq(labels.view_as(pred)).sum().item()

print(f"Loss: {loss_sum.item() / len(test_loader)}, Accuracy: {100*correct/len(test_data)}% ({correct}/{len(test_data)})")

print("ccc") #元なかったが追記
```

実行結果がこちらです。
 'xcit_tiny_24_p16_384.fb_dist_in1k']
C:\Users\user\AppData\Local\Programs\Python\Python310\lib\site-packages\timm\models\_factory.py:114: UserWarning: Mapping deprecated model name tf_efficientnetv2_s_in21ft1k to current tf_efficientnetv2_s.in21k_ft_in1k.
  model = create_fn(
100%|████████████████████████████████████████████████████████████████████████████████████| 3/3 [00:32<00:00, 10.81s/it]
bbb
Epoch : 1 - loss : 6.1771 - acc: 0.4754 - val_loss : 8.3888 - val_acc: 0.4688


100%|████████████████████████████████████████████████████████████████████████████████████| 3/3 [00:29<00:00,  9.98s/it]
bbb
Epoch : 2 - loss : 1.1589 - acc: 0.8030 - val_loss : 7.3929 - val_acc: 0.4688


C:\Users\user\Desktop\0813nn.py:196: MatplotlibDeprecationWarning: Auto-removal of overlapping axes is deprecated since 3.6 and will be removed two minor releases later; explicitly call ax.remove() as needed.
  ax1 = plt.subplot(1,2,1)
aaa
bbb
tensor([[ 24.5468,  -7.7497],
        [  4.6458,   5.0631],
        [ -0.3985, -10.5740],
        [  8.4914, -17.8499],
        [ 12.2553,  -2.8605],
        [ 14.7144, -12.8341],
        [ 26.6738,   5.5297],
        [ 14.7019,  -9.2587],
        [ 13.5414,   0.3043],
        [ 13.3540,  -8.5363],
        [  7.1949,   6.6422],
        [ 33.3601,  -4.4459],
        [ 16.8021,   5.1939],
        [ -4.7226, -11.2997],
        [  4.4507,  -4.2222],
        [  8.8262,  -7.5904]])
tensor([0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0])
tensor([[ 20.1546,  -3.7890],
        [ 20.6143,   1.0150],
        [  4.4203,  21.4808],
        [  0.0692,   4.3055],
        [ -9.2077,  15.0064],
        [ -0.0940,  18.2106],
        [ -7.7337,  18.9897],
        [-11.1088,   2.6819],
        [ -8.8662,  21.3578],
        [ -3.6728,  23.6316],
        [ -0.6814,  11.9310],
        [ -2.1048,  25.2059],
        [ -3.5031,  21.3227]])
tensor([0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1])
Loss: 0.04366261884570122, Accuracy: 96.55172413793103% (28/29)
ccc

このコードの意味を理解したいのですが、適切なウェブページや本はありますか、教えて下さい、複数でも良いです、基本から分かっていません。


Pytorchで書かれたコードの意味を理解したい。

### 実現したいこと
競技プログラミングAtCoderで標記の問題を解いてみたのですが不正解となりました。
testcase_4だけが通りません。どのケースなのか検索しても分かりません。
自分のプログラムが正しいのか、どこが不正解なのか知りたいです。
### 前提
Pythonを使っています。
max()を使えば簡単ですが。。。

```python
A, B = map(int, input().split())
x, y, z = A+B, A-B, A*B
if x > y and x > z:
    print(x)
elif y > x and y > z:
    print(y)
else:
    print(z)
```



エラーメッセージ

testcase_4だけが通りません。
### 試したこと
自動判定を実行しました。

### 補足情報（FW/ツールのバージョンなど）
ございません


AtCoder ABC A - +-xで不正解となっています。一つのケースだけ通らずどのケースなのか分からず困っています。

更新：
2023/11/23
- ベストプラクティスについて：すべて再描画しないと表示がバグる可能性の詳細について を追記
- 新たにわかった情報：(末尾に追加)
- マルチポストであることを追記
- 実行環境にvideo driverの情報を追記
- 新たにわかった情報に、stockoverflowで頂いた情報の要約を追記
ーーーーーーー
マルチポスト：
https://ja.stackoverflow.com/questions/96883/python%e3%81%aepygame%e3%81%a7pygame-display-updaterect%e3%81%a7%e6%ad%a3%e3%81%97%e3%81%84%e7%af%84%e5%9b%b2%e3%81%ae%e3%81%bf%e3%81%8c%e6%9b%b4%e6%96%b0%e3%81%95%e3%82%8c%e3%81%aa%e3%81%84%e3%81%ae%e3%81%af%e4%bb%95%e6%a7%98%e3%81%aa%e3%81%ae%e3%81%8b
理由：先に投稿したstockoverflowのpygameタグの質問数が少なく、pygameに関する回答を得られる可能性が低いと感じたため。
対応：新たに判明したことを更新し、解決した際にはこちらにも情報を記載し終了いたします。


数時間ネットで調査しましたが、わかりませんでした。申し訳ございませんが、教えてください。

## 達成したいこと
掲題の件が仕様なのか確認したい。
pygameで再描画範囲を限定し軽いゲームを目指す際のベストプラクティスを知りたい(「背景と該当のオブジェクトのみを描画して部分的にupdateすれば良いじゃん」ができないため)

## 何について、仕様なのか確認したいのか
pygame.display.update(rects)
で画面の一部のみを更新しようとしたときに、rectsで指定した範囲以外の場所も更新されること。

### 例
初期処理で黒背景にして、繰り返しの中で白背景を全体描画し、青い四角形を描画し、青い四角形の部分だけupdateした場合

![イメージ説明](https://ddjkaamml8q8x.cloudfront.net/questions/2023-11-22/c3b89b47-f6fa-474e-99e5-2d3c24db4709.png)

青い四角形が表示されるのは正しいが、白い部分は更新していないため、黒いままなのでは？

## 青い四角形を表示するコード

```Python
import pygame

# 初期化
pygame.init()

# 定数
WIDTH, HEIGHT = 800, 600
WHITE = (255, 255, 255)
BLACK = (0, 0, 0)
GREY = (100, 100, 100)
BLUE = (0, 0, 255)

# ウィンドウの設定
screen = pygame.display.set_mode((WIDTH, HEIGHT))
pygame.display.set_caption("青い四角形")

# ゲームループ
running = True

# 初期の黒塗り
screen.fill(BLACK)
pygame.display.flip()


while running:
    dirty_rects = []

    # 背景全体を白に塗りつぶし
    screen.fill(WHITE)

    # イベント処理
    for event in pygame.event.get():
        if event.type == pygame.QUIT:
            running = False

    # 四角形の描画
    rect_square = pygame.draw.rect(screen, BLUE, (100, 100, 100, 100))
    dirty_rects.append(rect_square)

    # 画面の更新
    pygame.display.update(dirty_rects)
    print(dirty_rects)

# Pygameを終了
pygame.quit()
```

printの出力は
[<rect(100, 100, 100, 100)>]
[<rect(100, 100, 100, 100)>]
[<rect(100, 100, 100, 100)>]
...

### 実行環境
- M1 Macbook
- Python 3.10.12
- pygame 2.5.2
- pygame.display.get_driver() : 'cocoa'

## なぜこうなっているかの想定
pygame.display.update(rect)は、指定されたrectの範囲のピクセル行をすべて更新する、という仕様だから？
しかしドキュメント(2.6ver向け)には特に書いていません。
https://www.pygame.org/docs/ref/display.html#pygame.display.update


## ベストプラクティスについて
元々は、変更箇所が一部であれば、その場所に描画したいものだけを描画して、その場所のみを更新しようと思っていました。
しかし、更新範囲が指定箇所から逸脱するのであれば、すべて再描画しないと表示がバグる可能性があると思います。
ーーーー
追記 2023/11/23
> すべて再描画しないと表示がバグる可能性
の詳細について

例えば、下記のようなゲーム画面があるとします。
左上の女の子の動きのみ頻繁に更新する必要があるとします。

![chatGPTで出力した適当なゲーム画面例](https://ddjkaamml8q8x.cloudfront.net/questions/2023-11-23/a36c23f5-3ce0-4eee-8122-b9d227c4726f.png)

その際に、できるだけ処理を省こうとすると、
1. 背景を緑色でfill
2. 新しい女の子の画像を配置
3. 女の子のウィンドウ部分のみ更新
としたいと思います。
<br>
しかし、今回問題にしている挙動により、右側のセーブ、ロード、オプション等のボタンたちの部分まで更新されてしまいます。
一見、更新が必要ない、動きがない部分についても、再描画は行っておかないと予想外のタイミングで更新されてしまう、= 表示がバグる、ということでした。

わかりにくい内容で申し訳ないです。

ーーーー
文章や、ロゴマーク、セーブ/ロードボタンなど、更新回数が明らかに少ない場所で範囲に一見含まれていなくても再描画するのが正しい、ということになるのでしょうか？
そもそも、pygameでは、「変更箇所が一部であれば、その場所に描画したいものだけを描画して、その場所のみを更新する」という想定はしておらず、「毎回すべてを再描画した上で、一部を更新する」という方針なのでしょうか。
全く変更のない箇所(例えば、ゲーム画面上のメニューボタン群など)を毎回描画し直すのは、無駄だと感じます。


## 新たにわかったこと
- windows環境だと、正しく?動く(青い四角形の例で、白い部分が表示されない)場合もある情報をいただきました
- SDLの関係という情報もいただきました : https://github.com/pygame/pygame/pull/1773
- SDLのUpdateWindowFramebuffer() というOSによって処理が変わる関数が呼び出されていて、pygameではなく、少なくともSDL以降のバグor仕様のようである：https://github.com/pygame/pygame/issues/251#issuecomment-619552646
- 過去に、windows版でupdate(rect)で画面全体が更新されるバグがあり、SDL側で修正が行われたこともある
- 他の方の報告：linuxで同様の事象の報告がありました。(https://ja.stackoverflow.com/a/96898/60497)
- 青い四角形の例をpygameで解決しようとする場合、special_flagsを設定することでも対応できる報告
 screen.fill(WHITE, special_flags=pygame.BLEND_MIN)
BLEND_MINは、そのピクセルのRGBのそれぞれについて、小さい方の値を採用するようです。(参照:https://stackoverflow.com/a/625476/22964188)
(報告元 : https://ja.stackoverflow.com/a/96898/60497)

pythonのpygameでpygame.display.update(rect)で正しい範囲のみが更新されないのは仕様なのか?

### 気になったこと
```replace()```メソッドを使用していて気が付いたのですが、
例えば
```python
a = ['123','456']
b = '123456123456'
for i in a:
    b.replace(i,"グループ"+str(a.index(i)))
print(b)
# >123456123456
```
のように書いた場合、```b```は置き換えられませんが、
```python
a = ['123','456']
b = '123456123456'
for i in a:
    b=b.replace(i,"グループ"+str(a.index(i)))
print(b)
# >グループ0グループ1グループ0グループ1
```
と`b`に保存するように書くと```b```が置き換えられます。

しかし例えば```append()```では、

```python
a = ['10']
a.append('100')
print(a)
# >['10', '100']
```
のように、`append`した結果を`a`に代入して保存しなくても、`a`が変わっています。
### 聞きたいこと
- なぜ`append()`は `replace()`のように結果を代入しなくても良いのか。
- 結果を代入しなければ結果が変わらないメソッドは、これ以外に何があるか。

### 補足情報（FW/ツールのバージョンなど）
Python 3.9


結果を保存しなければいけないメソッドとそうでないものの違いについての質問

### 実現したいこと
- [1] webスクレイピングで目的の画像のみ取得したい

### 前提
　プログラミング初心者，python3を使用しています．
　現在，webスクレイピングで画像ファイルをダウンロードするプログラミングを書いていますが，目的以外の画像を取得しないようにする方法が知りたいです．

　「イラストや」の様々な日本刀のイラストページに対して，下記コードを実行すると，バナーやサムネイルなどの画像も含んですべて取得してしまいます．
　そこで，日本刀イラスト群のみ(「'div'，class_='entry'」内にあるimgタブのsrc)を抜き出す方法を考えています．
　① soup.find_all('div',class_='entry').find_all('img')
　② soup.find_all('div',class_='entry', 'img')
　③ soup_1=soup.find_all('div',class_='entry')としたあとに，soup_1.find_all('img')とするように，2段階処理を挟むのか(この方法だと最初のメソッドによりリスト化しているのでうまく行かないと思いますが)，悩んでいます．
　もっと簡単に処理できる方法があるならばお教えいただきたいです．よろしくお願いいたします．

### 該当のソースコード

```python312
url='https://www.irasutoya.com/2017/01/blog-post_417.html'
file_dir="C:\\Users\\ユーザー名\\Desktop\\ファイル名"

import time
import os
import requests
from bs4 import BeautifulSoup

def dl_files(url,file_dir):
    res=requests.get(url)
    try:
        res_st= res.raise_for_status()
    except Exception as exc:
        print('Error:{}'.format(exc))
        
    if res_st == None:
        soup= BeautifulSoup(res.text.encode(res.encoding),'html.parser')
###################目的のimgタグはdiv class='entry'の階層内にある
        img_tag= soup.find_all('img')
###################
        for i_t in img_tag:
            img_url= i_t['src']
            if img_url.startswith('http'):
                res_img= requests.get(img_url)
                with open(os.path.join(file_dir,os.path.basename(img_url)),'wb') as f:
                    f.write(res_img.content)
                time.sleep(1)

# dl_files(url,file_dir)を実行する
```

### 試したこと
　google検索をして，find_allの各引数を調べましたが，タグ名(name引数)を2つ設定できるかどうかはよくわかりませんでした．英語検索などはできていません．
　上記のプログラミング自体は一部投稿用に変更していますが，問題なく動作することを確認しています．

[python3] beautifulsoup4で特定タブのみのimgタブurlを抜き出したい

### 実現したいこと

素数を書き出すプログラムの良しあしを判断してほしい

### 前提

現在Pythonにて、簡単な素数判定プログラムを作成しました。

以下のコードについて、わかりにくい点や修正すべき点、バグが入り込む余地やさらに良いプログラムがあれば、ご教示いただきたいです。
現在コーディングテストに向けての学習を行っておりますので、テストでの合格基準をもとに判断していただけますと非常にありがたいです。

### 該当のソースコード

```Python
for num in range(2, 100):
    i = 2
    x = num
    while i < x:
        if num % i == 0:
            break
        else:
            x = num // i
            i += 1
    else:
        print(num)
```

まず、このコードを説明いたします。

素数というのは、「一とその数自身との外には約数がない正の整数。」ということですので、例えば100が素数かを判定するために、2から99までの数字で割り切れるかを見ることで、素数かどうかを判定することもできます。
しかしながら、それでは素数かを判定する数字が大きくなればなるだけ、プログラムの実行が重くなってしまいます。

そこで上記のプログラムでは、約数があるかをもとに考えました。

例えば97が素数かを判断するためにまず２で割ると
97÷2=48　あまり１
となるので、48以上の数字に約数がないことがわかります。また、
97÷3=32　あまり１
なので、32以上の数字にも約数がないことがわかります。
このように、2, 3, 4…と小さな数字で順に割っていくことで素数かを判定すると同時に、判定しなければならない数値の範囲を狭めています。

上記のコードのfor文にて、num = 17の時を考えますと、

```Python
i = 2
x = num #x = 17
while i < x: #while文1回目：2 < 17が成り立つ
    if num % i == 0: # 成り立たない
            break
    else:
        x = num // i # xに17 // 2（=8）を代入
        i += 1 #iに3を代入
else:
    print(num)
```
次、i = 3の時

```Python
while i < x: #while文２回目：3 < 8が成り立つ
    if num % i == 0: # 成り立たない
            break
    else:
        x = num // i # xに17 // 3（=5）を代入
        i += 1 #iに4を代入
else:
    print(num)
```
次、i = 4の時

```Python
while i < x: #while文3回目：4 < 5が成り立つ
    if num % i == 0: # 成り立たない
            break
    else:
        x = num // i # xに17 // 4（=4）を代入
        i += 1 #iに5を代入
else:
    print(num)
```

次、i = 5の時

```Python
while i < x: #while文4回目：5 < 4なので成り立たない
    if num % i == 0: # 実行されない
            break
    else:# 実行されない
        x = num // i 
        i += 1 
else:
    print(num) #num(=17)が出力される
```

上記のコードについて、わかりにくい点や修正すべき点、バグが入り込む余地等があれば、ご教示いただきたいです。


Python 3.x