类函数执行时变量被覆盖求助：如何保留初始模型参数？

复现代码 #

import numpy as np

class PlainLR:

    def __init__(self) -> None:
        
        rng = np.random.default_rng(42)
        init_range = 1.0 / np.sqrt(float(10))
        self.weights = rng.uniform(low=-init_range, high=init_range, size=10)
        self.bias = rng.uniform(low=-init_range, high=init_range, size=1)

        self.plaintext_weights = self.weights
        self.plaintext_bias = self.bias
    
    def get_model_parameters(self):
        return self.plaintext_weights,self.plaintext_bias
    
    def train(self):
        self.weights -= 3* (1 / 5) + self.weights * 10
        self.bias -= 4 * (1 / 5)

plaintextLR = PlainLR()
plaintext_weights, plaintext_bias = plaintextLR.get_model_parameters() # 此处存储初始参数
print(plaintext_weights, plaintext_bias)
plaintextLR.train()
print(plaintext_weights, plaintext_bias) # 期望此处输出与上一行一致，但实际不同

原因解释 #

核心问题在于NumPy数组是可变对象：
当你在__init__里执行self.plaintext_weights = self.weights时，并没有创建新的数组，只是让plaintext_weights和weights指向了同一个数组对象的内存引用。后续train函数修改self.weights的操作，是直接在这个共享的数组内存上修改内容，所以之前保存的plaintext_weights变量自然会跟着变化。

解决办法 #

要保留初始参数，本质是要创建参数数组的独立副本，避免共享引用，有两种常用方式：

方式1：在类内部初始化时创建副本 #

修改__init__中的赋值逻辑，使用NumPy数组的.copy()方法生成独立副本：

def __init__(self) -> None:
    rng = np.random.default_rng(42)
    init_range = 1.0 / np.sqrt(float(10))
    self.weights = rng.uniform(low=-init_range, high=init_range, size=10)
    self.bias = rng.uniform(low=-init_range, high=init_range, size=1)

    # 创建数组副本存储初始参数
    self.plaintext_weights = self.weights.copy()
    self.plaintext_bias = self.bias.copy()

这样plaintext_weights和weights就是两个完全独立的数组，后续train修改weights时，不会影响初始的副本。

方式2：在外部获取参数时创建副本 #

如果不想修改类的内部实现，也可以在获取初始参数后立即复制：

plaintextLR = PlainLR()
# 获取参数后立即创建副本保存初始值
plaintext_weights, plaintext_bias = plaintextLR.get_model_parameters()
initial_weights = plaintext_weights.copy()
initial_bias = plaintext_bias.copy()

print(initial_weights, initial_bias) # 输出初始值
plaintextLR.train()
print(initial_weights, initial_bias) # 此处仍输出初始值，不会被修改

内容的提问来源于stack exchange，提问作者Jimakos