lambda函数中的“ _”是什么意思，为什么使用它？

Question

我有一个匿名函数，其参数为“ _”，我不知道它的含义以及为什么在这里使用它。

和功能是：

Do you want to continue being notified...

f = lambda _: model.loss(X, y)[0]

model.loss：

grad_num = eval_numerical_gradient(f, model.params[name], verbose=False, h=1e-5)

和功能 eval_numerical_gradient：

def loss(self, X, y=None):


    # Unpack variables from the params dictionary
    W1, b1 = self.params['W1'], self.params['b1']
    W2, b2 = self.params['W2'], self.params['b2']

    h1, h1_cache = affine_relu_forward(X, W1, b1)
    scores, h2_cache = affine_forward(h1, W2, b2)


    # If y is None then we are in test mode so just return scores
    if y is None:
        return scores

    loss, grads = 0, {}


    loss, dscores = softmax_loss(scores, y)
    loss = loss + 0.5*self.reg*(np.sum(W2**2) + np.sum(W1**2))
    dh1, grads['W2'], grads['b2'] = affine_backward(dscores,h2_cache)
    dX, grads['W1'], grads['b1'] = affine_relu_backward(dh1,h1_cache)
    grads['W1'] += self.reg*W1
    grads['W2'] += self.reg*W2

    return loss, grads

丢失函数并不复杂，我想知道“ _”代表什么并在其中起作用。

Answer 1

Python中的惯例是对以后不再使用的变量使用_。没有涉及任何黑魔法，它是一个普通变量名，其行为与您期望的完全一样。

在这种情况下使用它是因为f作为回调传递，在被调用时将传递参数（fxph = f(x)）。

如果将f实施为

f = lambda: model.loss(X, y)[0]

然后将引发TypeError: <lambda>() takes 0 positional arguments but 1 was given错误。

Answer 2

在您的情况下，这是一个约定，告诉您未使用lambda参数（the answer from DeepSpace explain why）。

常规用途：

必须获取值但不使用它时，可以使用_。这是python约定，开发人员使用它来使其他开发人员更容易阅读其代码。使用_时，您说您知道未使用该变量。诸如PyCharm之类的IDE会警告您：

def test(s):
    print("foobar")


if __name__ == '__main__':
    test("barfoo")

例如在Pycharm中警告的结果：

但不能使用_：

def test(_):
    print("foobar")


if __name__ == '__main__':
    test("barfoo")

结果无警告：