在Python中重写一小部分代码的最佳实践

我想重写给定类中的函数，我正在寻找最优雅的方法。假设我有一个类

Foo

，函数是

bar（）

。我只想更改

栏的最后一行

。更具体地说，我想更改PyTorch中

torch.optim

的

Adam

类中的

step（）

函数

通过创建子类并重写

bar

，是实现此目的的唯一方法。我将需要复制所有重复的代码，只需更改一行。有更好的办法吗

下面是实际的实现。上一个是原始函数，下一个（除最后一行之外的名称）是我的自定义函数：

def步骤（self，closure=None）：
“”“执行单个优化步骤。
论据：
闭包（可调用，可选）：重新评估模型的闭包
并返回损失。
"""
损失=无
如果关闭不是无：
损失=关闭（）
对于self.param_组中的组：
对于组['params']中的p：
如果p.grad为无：
持续
梯度=p.grad.data
如果梯度是稀疏的：
提高运行时错误（“ADAM不支持稀疏梯度，请考虑SabSEADAM”）
amsgrad=组['amsgrad']
状态=自身状态[p]
#状态初始化
如果len（状态）==0：
状态['step']=0
#梯度值的指数移动平均
状态['exp_avg']=torch.zero_like（p.data）
#平方梯度值的指数移动平均
状态['exp_avg_sq']=torch.zero_like（p.data）
如果是amsgrad：
#保持所有经验移动平均平方梯度的最大值。价值观
状态['max_exp_avg_sq']=火炬零点（p.data）
exp_avg，exp_avg_sq=州['exp_avg']，州['exp_avg_sq']
如果是amsgrad：
max_exp_avg_sq=状态['max_exp_avg_sq']
beta1，beta2=组['betas']
状态['step']+=1
如果组[“重量衰减”]！=0:
渐变添加（组['重量衰减]，p.数据）
#衰减一、二阶矩运行平均系数
exp_平均多（beta1）。添加（1-beta1，梯度）
exp_avg_sq.mul（beta2）。addcmul_1（beta2，grad，grad）
如果是amsgrad：
#到目前为止，保持所有第二时刻运行平均值的最大值
torch.max（max_exp_avg_sq，exp_avg_sq，out=max_exp_avg_sq）
#使用最大值对坡度的运行平均值进行归一化
denom=max_exp_avg_sq.sqrt（）.add_（组['eps'））
其他：
denom=exp_avg_sq.sqrt（）.add_（组['eps']）
偏差校正1=1-β**状态['step']
偏差校正2=1-β2**状态[步骤]
步长=组['lr']*math.sqrt（偏差校正2）/偏差校正1
p、 data.addcdiv（步长大小，exp平均值，denom）
回波损耗

def步骤（self，closure=None）：
“”“执行单个优化步骤。
论据：
闭包（可调用，可选）：重新评估模型的闭包
并返回损失。
"""
损失=无
如果关闭不是无：
损失=关闭（）
对于self.param_组中的组：
对于组['params']中的p：
如果p.grad为无：
持续
梯度=p.grad.data
如果梯度是稀疏的：
提高运行时错误（“ADAM不支持稀疏梯度，请考虑SabSEADAM”）
amsgrad=组['amsgrad']
状态=自身状态[p]
#状态初始化
如果len（状态）==0：
状态['step']=0
#梯度值的指数移动平均
状态['exp_avg']=torch.zero_like（p.data）
#平方梯度值的指数移动平均
状态['exp_avg_sq']=torch.zero_like（p.data）
如果是amsgrad：
#保持所有经验移动平均平方梯度的最大值。价值观
状态['max_exp_avg_sq']=火炬零点（p.data）
exp_avg，exp_avg_sq=州['exp_avg']，州['exp_avg_sq']
如果是amsgrad：
max_exp_avg_sq=状态['max_exp_avg_sq']
beta1，beta2=组['betas']
状态['step']+=1
如果组[“重量衰减”]！=0:
渐变添加（组['重量衰减]，p.数据）
#衰减一、二阶矩运行平均系数
exp_平均多（beta1）。添加（1-beta1，梯度）
exp_avg_sq.mul（beta2）。addcmul_1（beta2，grad，grad）
如果是amsgrad：
#到目前为止，保持所有第二时刻运行平均值的最大值
torch.max（max_exp_avg_sq，exp_avg_sq，out=max_exp_avg_sq）
#使用最大值对坡度的运行平均值进行归一化
denom=max_exp_avg_sq.sqrt（）.add_（组['eps'））
其他：
denom=exp_avg_sq.sqrt（）.add_（组['eps']）
偏差校正1=1-β**状态['step']
偏差校正2=1-β2**状态[步骤]
步长=组['lr']*math.sqrt（偏差校正2）/偏差校正1
#更改了p.data。将CDIV（步长、平均值、分母）添加到
p、 数据。添加（步长大小*（exp\u平均值/denom））
回波损耗

如果您给出一个更现实的示例，既可以是返回语句，也可以是一些实际的代码，而不是说“一堆代码”的注释，这会有所帮助。方法的两部分之间肯定有某种逻辑关系？否则，为它们创建两个方法，如果需要，创建一个方便的方法来调用这两个方法