python 语言函数类传参数的方式

# 来自 CAL 代码
# Main
Run = ExptPeerRegC10CAL(
    {"--is_train": True,   # why 居然可以这么写？
    "--is_plot_results": False,
    "--is_class_resolved": False,
    "--is_load": False,
    "--exp_name": exp_name,
    "--dataset": dataset,
    "--netARCH": netARCH,
    "--num_classes": 10,
    "--lossfunc": lossfunc,
    "--optimizer": "SGD",
    "--lr": 0.1, # 0.1
    "--lr_scheduler": "step",
    "--weight_decay": 0.0005,
    "--lr_decay_step_size": 60, # 60
    "--lr_decay_rate": 0.1, # 0.1
    "--batch_size": 128,
    "--max_epoch": max_epoch,
    "--is_validate": False,
    "--val_ratio": 0.0,
    "--with_noise": with_noise,
    "--noise_label_fname": noise_file,
    "--is_peerloss": is_peer,
    "--alpha": 0.0,
    "--alpha_scheduler": 'seg',
    "--alpha_list": alpha_list,
    "--milestones": milestones,
    "--gpu_idx": gpu_idx,
    "--chosen_classes": chosen_classes,
    "--sample_weight_path": sample_weight_path,
    "--beta_path": None,
    }, 
    json_path = json_path,
    outputfile= outfile
)
Run.train()

# 来自 TopoFilter 的代码
if noise_type == "uniform":
    noise_y_train, p, keep_indices = noisify_with_P(y_train, nb_classes=num_class, noise=noise_level, random_state=random_seed)
    trainset.update_corrupted_label(noise_y_train)  # 居然可以这样写代码？ 但 trainloader 也不用重新装一遍更新后的 trainset
    print("apply uniform noise")


# Dataset 写一个函数类的思想还是非常的妙
    # TODO: 使用这个函数来进行更新： update_selected_data(self, selected_indices)
    trainset.update_corrupted_label(noise_y_train)  # 先转换为 noisy label 的 data
    trainset.update_selected_data(select_train_ind) # 只使用部分选中的数据