### 定义函数与参数传递 在 Python 中，函数是通过 `def` 关键字定义的代码块，可以接受参数并返回结果。函数的定义语法如下： ```python def function_name(parameters): # 函数体 return result ``` 函数的参数可以分为多种类型，包括位置参数、默认参数、关键字参数和可变参数等。 #### 位置参数 位置参数是最基本的参数类型，调用函数时必须按照参数顺序传递值。例如： ```python def greet(name, message): print(f"{message}, {name}!") greet("Alice", "Hello") ``` 在该示例中，`name` 和 `message` 是位置参数，调用时必须按顺序传入值。 #### 默认参数 默认参数允许在定义函数时为参数指定默认值。如果调用时没有传入该参数，则使用默认值： ```python def greet(name, message="Hello"): print(f"{message}, {name}!") greet("Bob") # 使用默认消息 greet("Alice", "Hi") # 自定义消息 ``` 默认参数在函数定义时固定，如果参数是可变对象（如列表或字典），可能会导致意外行为。因此，建议使用不可变对象作为默认值。 #### 关键字参数 关键字参数允许调用函数时通过参数名指定值，提高代码可读性： ```python greet(message="Good morning", name="Charlie") ``` #### 可变参数 可变参数用于接收任意数量的位置参数或关键字参数。`*args` 接收多个位置参数，`**kwargs` 接收多个关键字参数： ```python def print_args(*args, **kwargs): print("Positional arguments:", args) print("Keyword arguments:", kwargs) print_args(1, 2, 3, name="Alice", age=25) ``` #### 参数解包 在调用函数时，可以使用 `*` 或 `**` 解包列表或字典作为参数： ```python values = [1, 2] def add(a, b): return a + b result = add(*values) # 解包列表 print(result) ``` #### 文档字符串 函数可以包含文档字符串（docstring），用于描述函数功能。文档字符串通常使用三引号括起： ```python def fib(n): """Print a Fibonacci series up to n.""" a, b = 0, 1 while a < n: print(a, end=' ') a, b = b, a + b print() fib(2000) ``` 上述代码定义了一个输出 Fibonacci 数列的函数，其中 `"""Print a Fibonacci series up to n."""` 是函数的文档字符串[^2]。 ### 示例：函数返回值 函数可以通过 `return` 语句返回结果。如果没有显式返回值，则默认返回 `None`： ```python def multiply(a, b): return a * b result = multiply(3, 4) print(result) ``` ### 示例：函数嵌套与作用域 Python 支持函数嵌套定义，内部函数可以访问外部函数的变量： ```python def outer_function(x): def inner_function(y): return x + y return inner_function closure = outer_function(10) print(closure(5)) # 输出 15 ``` 在该示例中，`inner_function` 是嵌套在 `outer_function` 中的函数，并且能够访问 `x` 的值。 ### 示例：使用函数进行图像可视化 在深度学习中，函数常用于数据可视化。例如，定义一个 `imshow` 函数用于显示图像： ```python import matplotlib.pyplot as plt import numpy as np def imshow(img): img = img / 2 + 0.5 # 反归一化 npimg = img.numpy() plt.imshow(np.transpose(npimg, (1, 2, 0))) plt.show() # 假设 generated_images 是一个张量 # imshow(generated_images[0]) ``` 该函数接受一个图像张量，并将其转换为 NumPy 数组进行可视化[^3]。 ### 示例：函数与超参数优化 在机器学习中，函数可以用于封装训练逻辑，并与超参数优化工具结合使用： ```python from ray import tune def train(config): learning_rate = config["lr"] momentum = config["momentum"] # 模拟训练过程 tune.report(mean_loss=learning_rate + momentum) tune.run( train, config={ "lr": tune.grid_search([0.001, 0.01, 0.1]), "momentum": tune.uniform(0.1, 0.9) } ) ``` 该示例使用 Ray Tune 进行超参数搜索，并通过函数封装训练逻辑[^4]。 ### 总结 Python 中的函数定义灵活且强大，支持多种参数类型和复杂的数据处理逻辑。通过合理使用参数传递机制，可以构建可复用、可扩展的代码结构。