实现带正则化的梯度下降代码时遇TypeError错误的解决方法

你的梯度下降代码如下：

def gradient_desc(X, Y, w_in, b_in, cost_f, grad_f, alp, num, lambda_):
    m = len(X)
    # An array to store cost J and w's at each iteration primarily for graphing later
    J_history = []
    w_history = []
    for i in range(num):
        # Calculate the gradient and update the parameters
        dj_db, dj_dw = grad_f(X, Y, w_in, b_in, lambda_)
        # Update Parameters using w, b, alpha and gradient
        w_in = w_in - alpha * dj_dw
        b_in = b_in - alpha * dj_db
        # Save cost J at each iteration
        if i<100000:      # prevent resource exhaustion
            J_history.append(cost_f(X, Y, w_in, b_in, lambda_))
        # Print cost every at intervals 10 times or as many iterations if < 10
        if i% math.ceil(num/10) == 0:
            w_history.append(w_in)
            print(f"Iteration {i:4}: Cost {float(J_history[-1]):0.2e}  ")                       

    return w_in, b_in, J_history, w_history #return w and J,w history for graphing

报错信息：

TypeError: float() argument must be a string or a real number, not 'NoneType'

错误原因 #

这个错误说明执行float(J_history[-1])时，J_history[-1]是None——也就是cost_f(X, Y, w_in, b_in, lambda_)调用后没有返回有效数值。常见诱因：

1. cost_f函数缺失返回逻辑：你定义的代价函数可能漏写了return语句，或者没有正确返回计算出的代价结果。
2. cost_f参数不匹配：调用cost_f时传递的参数顺序、数量和函数定义不一致，导致函数无法正常计算代价。
3. 代码存在隐藏问题：函数参数定义为alp，但内部更新参数时用的是alpha，这会触发NameError，需统一参数名。

解决步骤 #

• 补全cost_f的返回语句：打开cost_f的定义，确认函数末尾有返回代价数值的语句。示例：

  def cost_f(X, Y, w, b, lambda_):
      # 正则化代价计算逻辑
      J = ... # 你的代价计算代码
      return J # 必须添加这一行返回计算结果
  

• 校验cost_f参数匹配性：确保cost_f的参数列表和调用时的参数完全对应，即顺序为(X, Y, w, b, lambda_)、数量一致。
• 统一参数名：将函数定义中的alp改为alpha，或者把内部的alpha替换成alp，保持参数名一致。

内容的提问来源于stack exchange，提问作者SM Hamza Mehdi