### Python 中 `__init__()` 方法收到意外关键字参数的解决方案 当遇到错误提示 `TypeError: __init__() got an unexpected keyword argument` 时，通常是因为传递给类实例化的关键字参数未被该类的构造函数定义所接受。以下是几种可能的原因及其对应的解决方案： #### 原因分析与解决方法 1. **检查类的构造函数签名** 如果自定义了一个子类并重写了父类的 `__init__()` 方法，则需要确保显式调用了父类的 `__init__()` 或者正确处理了所有传入的关键字参数[^1]。 ```python class MyModel(pl.LightningModule): def __init__(self, arg1, arg2, max_len=None): # 添加 max_len 参数 super().__init__() self.save_hyperparameters() ... ``` 2. **使用 `save_hyperparameters()` 自动保存超参** 在 PyTorch Lightning 的场景下，可以通过调用 `self.save_hyperparameters()` 来自动保存传递给模型的关键字参数，并将其存储到 checkpoint 文件中。这可以避免手动管理参数列表带来的问题[^3]。 ```python import pytorch_lightning as pl class ExampleModel(pl.LightningModule): def __init__(self, learning_rate=0.01, choices=None): super(ExampleModel, self).__init__() self.save_hyperparameters() # 自动生成 hyperparameter 字典 ... ``` 3. **验证第三方库版本兼容性** 错误也可能由不同版本之间的 API 变更引起。例如，在 MediaPipe 库中，某些参数名称可能会更改或移除。因此，建议查阅官方文档确认当前使用的参数名是否有效[^4]。 ```python import mediapipe as mp class PoseEstimator: def __init__(self, static_image_mode=False, upper_body_only=True, smooth_landmarks=True, min_detection_confidence=0.5, min_tracking_confidence=0.5): self.mp_pose = mp.solutions.pose self.pose = self.mp_pose.Pose( static_image_mode=static_image_mode, model_complexity=1 if upper_body_only else 2, smooth_landmarks=smooth_landmarks, enable_segmentation=False, min_detection_confidence=min_detection_confidence, min_tracking_confidence=min_tracking_confidence ) ``` 4. **排查多余或拼写错误的参数** 若传递了不支持的关键字参数（如 `'choices'`），则需删除这些无效参数或将它们映射至实际可用字段[^2]。 ```python from dataclasses import dataclass @dataclass class Config: batch_size: int = 32 num_workers: int = 8 config = Config(batch_size=64) # 正确配置 invalid_config = Config(choices="invalid") # 抛出异常 ``` 通过上述调整，大多数情况下能够成功修复此类初始化错误。 --- ### 示例代码修正 假设我们正在调试一个基于 PyTorch Lightning 的项目，下面是一个完整的实现示例： ```python import torch.nn as nn from pytorch_lightning import LightningModule class CustomModel(LightningModule): def __init__(self, input_dim, hidden_dim, output_dim, dropout_prob=0.2): super(CustomModel, self).__init__() self.save_hyperparameters() # 自动记录输入参数 self.model = nn.Sequential( nn.Linear(input_dim, hidden_dim), nn.ReLU(), nn.Dropout(dropout_prob), nn.Linear(hidden_dim, output_dim) ) def forward(self, x): return self.model(x) model = CustomModel(input_dim=784, hidden_dim=128, output_dim=10, dropout_prob=0.3) print(model.hparams) # 查看已保存的超参数 ``` 此代码片段展示了如何利用 `self.save_hyperparameters()` 避免手动指定每个参数，从而减少潜在的命名冲突风险。 ---