构造神经网络的三层深中频树

Question

下面的代码片段根据提供的选项构造不同类型的神经网络输出。目前，我的代码中有一个很大的注释，它描述了所有选项应该做什么。我想学习如何使这段代码不那么复杂，或者把它的复杂性分解成更简单的部分。有什么建议吗？

#------------------------------------------------------------#
# NOTE: Meaning of all the options.                          #
# stagger_schedule=extended: We copy input vec to output.    #
# stagger_schedule=external: We dont copy input to output.   #
# -----------------------------------------------------------#
# do_backward_pass: We use the output of the backward LSTM   #
#   Default:True.                                            #
# -----------------------------------------------------------#
# chop_bilstm: Should we chop the first and last vectors from#
# the sequence. Default:False                                #
#------------------------------------------------------------#
# extended_multiplicative: Multiply the forward and back LSTM#
#    and concatenate the input embedding.                    #
# external_multiplicative: Multiply the forward and back LSTM#
#    and but dont concatenate the input embedding.           #
#------------------------------------------------------------#
if (self.prm('stagger_schedule') == 'extended'):
    if self.prm('chop_bilstm'):
        if self.prm('do_backward_pass'):
            self.output_tv = T.concatenate(
                [forward, backward, input_tv], axis=1)[1:-1]
            pass
        else:
            self.output_tv = T.concatenate(
                [forward, input_tv], axis=1)[1:-1]
            pass
        pass
    else:
        if self.prm('do_backward_pass'):
            self.output_tv = T.concatenate(
                [forward, backward, input_tv], axis=1)
            pass
        else:
            self.output_tv = T.concatenate(
                [forward, input_tv], axis=1)
            pass
        pass
    pass
elif self.prm('stagger_schedule') == 'external':
    if self.prm('chop_bilstm'):
        if self.prm('do_backward_pass'):
            self.output_tv = T.concatenate(
                [forward[1:-1], backward[2:]], axis=1)
            pass
        else:
            self.output_tv = forward[1:-1]
            pass
        pass
    else:
        if self.prm('do_backward_pass'):
            self.output_tv = T.concatenate(
                [forward, backward], axis=1)
            pass
        else:
            self.output_tv = forward
            pass
        pass
    pass
elif self.prm('stagger_schedule') == 'extended_multiplicative':
    if self.prm('chop_bilstm') or (not self.prm('do_backward_pass')):
        raise NotImplementedError()
    self.output_tv = T.concatenate(
        [forward * backward, input_tv], axis=1)
    pass
elif self.prm('stagger_schedule') == 'external_multiplicative':
    if self.prm('chop_bilstm') or (not self.prm('do_backward_pass')):
        raise NotImplementedError()
    self.output_tv = forward * backward
    pass
else:
    raise NotImplementedError()

Answer 1

下面是一些整理这些代码的方法：

• 添加一些评论。我很难判断这段代码是否正确，或者我是否通过重构引入了一个bug，因为我不知道这段代码应该做什么。
• 去掉不必要的pass语句。pass语句字面上是一事无成，除了为未编写的代码提供占位符之外。如果您将它们全部删除，您将节省许多行，并能够在屏幕上安装更多的代码。
• 在extended分支下，除了删除self.output_tv的第一个和最后一个字符外，代码几乎是相同的。如果我们推迟到最后，我们可以有一组分支如下: If (self.prm('stagger_schedule') == 'extended')：if self.prm('do_backward_pass')：self.output_tv = T.concatenate(向前，向后，输入_电视，axis=1) of : self.output_tv = T.concatenate(前进，输入_电视，( axis=1)如果self.prm('chop_bilstm')：self.output_tv = self.output_tv1:-1 22行减少到7行，而这仅仅是2层深。
• external分支中的代码也可以进行类似的合并:您可以在两个子分支中执行相同的效果，但是使用略为截断的forward和backward变量。这里有另一个版本: elif self.prm('stagger_schedule') == 'external'：if self.prm('chop_bilstm')：forward = forward1:-1 deep =反向2： if self.prm('do_backward_pass')：self.output_tv =T.concatenate([前进，向后，axis=1) ) is : self.output_tv =前进20行，减少到8行，这只有2个层次深。
• 您可以考虑将每个分支包装到它自己的方法中，并将其调用到其中。例如，例如: if (self.prm('stagger_schedule') == 'extended')：self._set_output_tv_extended(前进，向后，input_tv) elif self.prm('stagger_schedule') == 'external'：self._set_output_tv_external(前进，向后，input_tv) elif self.prm('stagger_schedule') ==‘extended’：向后扩展，self._set_output_tv_external_multiplicative(forward，self.prm('stagger_schedule') ==‘external’：==向后，input_tv) method : raise ()，它为您节省了一个即时的嵌套级别，并将每个分支的特定逻辑从该方法中推开。