Nano Hash - криптовалюты, майнинг, программирование

Как я могу расширить мою существующую настраиваемую модель пользователя, созданную с помощью AbstractBaseUser, чтобы иметь несколько типов пользователей, таких как заказчик, инструктор и автор?

У меня есть существующая пользовательская модель, которую я создал на основе Django doc для аутентификации на основе электронной почты.

Я хочу расширить модель, чтобы иметь несколько типов пользователей, таких как клиенты, инструкторы и авторы.

Я не уверен, как двигаться дальше и как лучше всего продлить это?

Кроме того, правильно ли я выбрал AbstractBaseUser или должен был использовать класс AbstractUser.



Ответы:


1

переименуйте свой класс MyUser в MyUserBase или MyUserAbstract, затем в этом классе

class MyUserBase(AbstractBaseUser):
  class Meta:
    abstract = True
  .
  .
  .

теперь вы можете расширить его:

затем воссоздайте свой класс MyUser следующим образом:

class MyUser(MyUserBase):
  pass

и другие подобные модели:

class Trainer(MyUserBase):
  ... #other properties

class Customer(MyUserBase):
  ... #other properties
04.12.2019
Новые материалы

Кластеризация: более глубокий взгляд
Кластеризация — это метод обучения без учителя, в котором мы пытаемся найти группы в наборе данных на основе некоторых известных или неизвестных свойств, которые могут существовать. Независимо от..

Как написать эффективное резюме
Предложения по дизайну и макету, чтобы представить себя профессионально Вам не позвонили на собеседование после того, как вы несколько раз подали заявку на работу своей мечты? У вас может..

Частный метод Python: улучшение инкапсуляции и безопасности
Введение Python — универсальный и мощный язык программирования, известный своей простотой и удобством использования. Одной из ключевых особенностей, отличающих Python от других языков, является..

Как я автоматизирую тестирование с помощью Jest
Шутка для победы, когда дело касается автоматизации тестирования Одной очень важной частью разработки программного обеспечения является автоматизация тестирования, поскольку она создает..

Работа с векторными символическими архитектурами, часть 4 (искусственный интеллект)
Hyperseed: неконтролируемое обучение с векторными символическими архитектурами (arXiv) Автор: Евгений Осипов , Сачин Кахавала , Диланта Хапутантри , Тимал Кемпития , Дасвин Де Сильва ,..

Понимание расстояния Вассерштейна: мощная метрика в машинном обучении
В обширной области машинного обучения часто возникает необходимость сравнивать и измерять различия между распределениями вероятностей. Традиционные метрики расстояния, такие как евклидово..

Обеспечение масштабируемости LLM: облачный анализ с помощью AWS Fargate и Copilot
В динамичной области искусственного интеллекта все большее распространение получают модели больших языков (LLM). Они жизненно важны для различных приложений, таких как интеллектуальные..