《Alleviating Matthew Effect of Offline Reinforcement Learningin Interactive Recommendation》笔记4.0（2）

目录

二、代码阅读

2.2  run_Policy_Main.py

2.2.1单步调试

2.2.2对 result = onpolicy_trainer() 的理解

2.2.3对 functools.partial 的理解

---

二、代码阅读

2.2  run_Policy_Main.py

2.2.1单步调试

代码正常运行至第4步学习策略

 

onpolicy_trainer()函数所在位置如下： 

.run方法所在位置如下： 

但是进入onpolicy_trainer()函数后，代码直接开始了训练，并不能单步跳进去。

此处的工作暂时中断

2.2.2对 result = onpolicy_trainer() 的理解

functools.partial 是用于部分应用函数的工具，用于创建一个部分应用的函数 `save_model_fn`，其中固定了一部分参数，使得调用时只需要传递剩余的参数即可。这样可以方便地在代码中使用 `save_model_fn`，而无需每次都传递相同的参数。

save_model_fn()所在位置如下：

2.2.3对 functools.partial 的理解

部分应用函数是指通过固定一个或多个函数的参数，从而创建一个新的函数。这个新函数接受剩余的参数，并使用之前固定的参数以及剩余的参数一起调用原始函数。

假设有一个函数 `add(a, b, c)`，它接受三个参数并返回它们的和。如果我们想要创建一个新的函数 `add5(x)`，它会将参数 `x` 与数字 `5` 相加，可以使用部分应用函数来实现。

在 Python 中，可以使用 `functools.partial` 函数来进行部分应用。下面是一个示例：

```python
from functools import partial

def add(a, b, c):
    return a + b + c

add5 = partial(add, b=5, c=0)

result = add5(10)
print(result)  # 输出 15
```

在上面的示例中，我们使用 `functools.partial` 创建了一个新的函数 `add5`。我们固定了参数 `b` 的值为 `5`，并将参数 `c` 的默认值设置为 `0`。这样，`add5` 函数就只需要一个参数 `a`，它会将 `a` 与 `5` 相加并返回结果。

通过部分应用函数，我们可以在创建新函数时预先设置一些参数，以简化函数的调用。这在某些情况下可以提高代码的可读性和灵活性，尤其是当某些参数的值在多次调用中保持不变时。

在提供的代码中，`functools.partial` 用于创建一个部分应用的函数 `save_model_fn`，其中固定了一部分参数，使得调用时只需要传递剩余的参数即可。这样可以方便地在代码中使用 `save_model_fn`，而无需每次都传递相同的参数。