防御性编程类型检查

Question

我对动态类型语言有问题，而且我经常担心类型。

Numpy有不同的行为，取决于某个事物是一个矩阵，一个普通的ndarray，还是一个列表。最初我没有所有这些断言，但我在尝试调试类型错误时插入了这些断言。

from numpy import *
sigmoid = vectorize(lambda(x): 1.0/(1.0+exp(-x)))

def prob_hOn_givenV (v,b,w):
    assert isinstance(v,matrix)
    assert isinstance(w,matrix)
    assert isinstance(b,matrix)
    assert shape(v)[1]==shape(w)[0]
    #print("|v|="+str(shape(v)) +"|w|="+str(shape(w)) )
    return sigmoid(b+v*w) #sum up rows (v is a column vector)

def prob_vOn_givenH (h,a,w):
    assert isinstance(h,matrix)
    assert isinstance(a,matrix)
    assert isinstance(w,matrix)

    assert shape(h)[1]==shape(w.T)[0]

    return sigmoid(a+h*w.T) #sum up columns. (h is a row vector)

有更好的办法吗？也许是一个防御性的编程工具包？代码中也有重复，但我看不到在保留意义的同时删除它的好方法。熟悉受限Boltzman机器的人士将认识到吉布斯抽样用于对比发散的条件公式。

Answer 1

首先，我建议完全避免使用matrix类型。它所造成的问题超过了它所提供的小的句法上的方便，在我(和其他许多人)看来。

第二，在numpy中执行此类操作的惯用方法不是断言输入是特定类型，而是将它们强制到ndarray中。np.asarray()有效地做到了这一点；如果输入是ndarray，则输入不受影响地通过；如果它是ndarray子类，那么将创建一个新的ndarray，但只作为原始数据的视图，这样就不会复制数据。

import numpy as np

def sigmoid(x):
    # No need to use vectorize() for this. It's already vectorized.
    return 1.0 / (1.0 + np.exp(-x))

def prob_hOn_givenV(v, b, w):
    v = np.asarray(v)
    b = np.asarray(b)
    w = np.asarray(w)
    # Don't bother checking the shape. `np.dot()` will do that for us.
    # Strictly speaking, the `asarray(v)` and `asarray(w)` aren't necessary
    # since `np.dot(v, w)` already does that internally. But it does no harm.
    return sigmoid(b + np.dot(v, w))

Answer 2

这些都是进行各种检查的仿生方法的最佳链接：

前后条件和类型强制执行

您可以使用特定的断言集(或用于更复杂的检查的任何其他代码，例如，检查一个ints列表是否真正包含所有ints)作为函数，然后使用该函数作为装饰器的参数，对正在检查的内容进行非常清晰的描述。

接受/返回修饰器是一种快速、干净的检查输入的方法。前后条件检查装饰器更适合用于更大或更复杂的检查集，无论是类型强制执行，还是参数范围，或者数据之间的任何其他关系，比如数组的元素被排序。

我过去常常只在函数中包含所有这些检查，但是对于某些函数，它会使代码变得不可读，因为真正的功能在所有检查中都会丢失。这是一个非常简单的方法来组织您的检查，并使您的代码更容易阅读。

+1不信任鸭子打字;)