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。
答案 0 :(得分:3)
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。
答案 1 :(得分:1)
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: