ADVANCE Day26

@浙大疏锦行

📘 Day 26 实战作业：从“调包”到“造轮子” —— 函数专题 (上)

1. 作业综述

核心目标：
从今天开始，我们将不再满足于调用print(),len()或pandas.read_csv()，而是开始编写属于自己的自定义函数。
这是构建大型项目（如我们之前的 ResNet 或 信贷预测 Pipeline）的基石。只有将复杂的逻辑封装成函数，代码才能具备复用性 (Reusability)和可读性 (Readability)。

涉及知识点：

• 函数定义:def关键字与文档字符串 (Docstring)。
• 参数魔法: 位置参数、关键字参数、默认参数。
• 无限接口:*args(可变位置参数) 与**kwargs(可变关键字参数) 的实战应用。

步骤 1：定义你的第一个工具

场景描述：
在机器学习中，我们经常需要计算各种指标（如 Precision, Recall, F1）。
虽然sklearn有现成的，但为了理解原理，我们需要手写一个。

任务：

1. 编写一个函数calculate_f1(precision, recall)。
2. 要求：
   • 包含清晰的文档字符串 (Docstring)，说明参数和返回值。
   • 处理分母为 0 的情况（防止除零报错，返回 0）。
   • 返回计算好的 F1 分数。

defcalculate_f1(precision,recall):""" 计算 F1 Score 的自定义函数。 参数: precision (float): 精确率 recall (float): 召回率 返回: float: F1 Score。如果分母为0，则返回 0.0。 """# 1. 检查分母是否为 0if(precision+recall)==0:return0.0# 2. 计算公式: 2 * (P * R) / (P + R)f1=2*(precision*recall)/(precision+recall)returnf1# --- 测试你的工具 ---p=0.85r=0.76# 调用函数score=calculate_f1(p,r)print(f"Precision:{p}, Recall:{r}")print(f"F1 Score:{score:.4f}")# 测试极端情况print(f"极端情况 F1:{calculate_f1(0,0)}")

Precision: 0.85, Recall: 0.76 F1 Score: 0.8025 极端情况 F1: 0.0

步骤 2：灵活的默认参数

场景描述：
写代码时，有些参数 90% 的情况都是固定的，但我们希望保留修改它的权利。
比如数据加载函数，默认读取.csv，但偶尔也需要读.txt。

任务：

1. 编写函数mock_data_loader(file_path, mode='r', file_type='csv')。
2. 如果file_type是 ‘csv’，打印 “正在解析表格…”；如果是 ‘json’，打印 “正在解析字典…”。
3. 分别使用默认参数和修改参数的方式调用它。

defmock_data_loader(file_path,mode='r',file_type='csv'):""" 模拟数据加载器。 参数: file_path (str): 文件路径 mode (str): 打开模式，默认为 'r' (只读) file_type (str): 文件类型，默认为 'csv' """print(f"\n📂 正在打开文件:{file_path}(模式:{mode})")iffile_type=='csv':print(" > 正在解析 CSV 表格数据...")eliffile_type=='json':print(" > 正在解析 JSON 结构化数据...")else:print(f" > ⚠️ 未知文件类型:{file_type}")print(" ✅ 加载完成！")# --- 调用测试 ---# 1. 最简单的调用 (使用全部默认值)mock_data_loader("train_data.csv")# 2. 修改部分默认值 (关键字传参)mock_data_loader("config.json",file_type='json')# 3. 全部自定义mock_data_loader("log.txt",mode='w',file_type='text')

📂 正在打开文件: train_data.csv (模式: r) > 正在解析 CSV 表格数据... ✅ 加载完成！ 📂 正在打开文件: config.json (模式: r) > 正在解析 JSON 结构化数据... ✅ 加载完成！ 📂 正在打开文件: log.txt (模式: w) > ⚠️ 未知文件类型: text ✅ 加载完成！

步骤 3：万能接口*args与**kwargs

场景描述：
这是 Python 高级编程中最帅气的特性，在 PyTorch 和 Transformers 源码中随处可见。

• *args: 用于接收任意数量的无名参数（打包成元组）。
• **kwargs: 用于接收任意数量的键值对参数（打包成字典）。

任务：
编写一个“超级模型训练器”train_model(model_name, *metrics, **config)：

1. model_name: 必填参数。
2. *metrics: 接收任意数量的评估指标（如 “Accuracy”, “F1”, “AUC”）。
3. **config: 接收任意数量的超参数（如 lr=0.01, batch_size=32）。

deftrain_model(model_name,*metrics,**config):print(f"\n🚀 开始训练模型: 【{model_name}】")# 1. 处理 *args (metrics)ifmetrics:print("📊 需要计算的指标:")forminmetrics:print(f" -{m}")else:print("⚠️ 未指定评估指标！")# 2. 处理 **kwargs (config)print("⚙️ 训练配置 (Hyperparameters):")forkey,valueinconfig.items():print(f"{key}:{value}")print("... 模型训练中 ...")print("✅ 训练结束！")# --- 实战调用 ---# 场景 A: 简单训练train_model("LogisticRegression","Accuracy",lr=0.1)# 场景 B: 复杂深度学习训练# 注意看：我可以传 2 个指标，也可以传 10 个配置，函数都能接得住！train_model("ResNet50","Accuracy","Precision","Recall","F1_Score",# *metricsbatch_size=64,# **configlearning_rate=0.001,optimizer="Adam",device="cuda:0")

🚀 开始训练模型: 【LogisticRegression】 📊 需要计算的指标: - Accuracy ⚙️ 训练配置 (Hyperparameters): lr: 0.1 ... 模型训练中 ... ✅ 训练结束！ 🚀 开始训练模型: 【ResNet50】 📊 需要计算的指标: - Accuracy - Precision - Recall - F1_Score ⚙️ 训练配置 (Hyperparameters): batch_size: 64 learning_rate: 0.001 optimizer: Adam device: cuda:0 ... 模型训练中 ... ✅ 训练结束！

🎓 Day 26 总结：掌控代码的控制权

今天我们完成了一次身份的转变：

1. 封装思维：通过def，我们将一堆代码打包成了一个function。以后遇到计算 F1 Score，直接调用即可，这就是DRY 原则 (Don’t Repeat Yourself)。
2. 接口设计：
   • 默认参数让函数好用（大部分时候不用传参）。
   • *args/**kwargs让函数强大（想传多少传多少）。

深度学习伏笔：
你今天写的train_model(name, *args, **kwargs)其实就是 PyTorch 中模型定义和训练循环的雏形。在后续的大型项目中，这种写法能让你的代码极具扩展性。

Next Level: 下一次，我们将探索函数的高阶玩法（Lambda, Map, Filter），让数据处理效率翻倍！