灵活的函数参数

定义和调用如何对应

def train(learning_rate, batch_size=64, device="cpu"):
    return {"lr": learning_rate, "batch": batch_size, "device": device}

positional = train(1e-3, 32)
keyword = train(learning_rate=2e-3, batch_size=16, device="cuda")
print(positional)
print(keyword)

定义中的参数按位置接收值：train(1e-3, 32) 把两个实参依次绑定到 learning_rate 和 batch_size。关键字调用显式写出名称，顺序可以不同。device 没有传入时使用默认值 "cpu"。默认值应是稳定、简单的值；不要把可变列表作为默认参数。

*args 与 **kwargs

def average(*values):
    return sum(values) / len(values)

def show_config(**config):
    for key, value in config.items():
        print(key, value)

print(average(0.8, 0.6, 0.4))
show_config(seed=7, workers=2)

*args 收集额外的位置参数为元组，**kwargs 收集额外的关键字参数为字典。它们适合包装器和配置转发，但不应掩盖函数真正需要的参数。

解包调用（Preview）

settings = {"learning_rate": 1e-3, "batch_size": 32}
print(train(**settings))  # Preview：字典解包会在 Lesson 14 正式讲解

字典键必须与参数名匹配。列表或元组可以用 *values 解包为位置参数。

练习

★ 基础：位置、关键字和默认参数

调用 train(1e-3)、train(learning_rate=1e-3, device="cuda")，预测两个字典的内容。说明第二次调用为什么仍得到默认 batch_size。

★★ 应用：可变数量的指标

使用 average(*scores) 计算三次验证分数，并用 show_config(**settings) 打印一个配置字典。

★★★ 综合：训练配置转发

写一个函数接收显式 name、默认 device 和任意 **metadata，返回一份可记录实验的字典；调用时同时使用位置参数、关键字参数和字典解包。

D2L 衔接

PyTorch 和 D2L 的 API 经常使用默认参数和关键字参数。理解参数如何绑定，才能安全地修改优化器、批大小或设备配置。