如何实现函数的条件行为？神经网络迭代中如何处理训练与评估逻辑？

这个场景在深度学习训练里太常见了，我一般会从这几个方向解决，看你更适合哪种：

方案1：给one_iteration加参数，让my_op按需返回结果 #

最直接的方式是修改你的my_op和one_iteration：让评估函数返回每次迭代的中间结果（比如准确率、损失），训练函数可以返回None，然后在one_iteration里加个开关控制是否收集结果：

def train_op(data):
    # 训练逻辑，只执行不返回中间结果
    loss = model.train_step(data)
    return None

def eval_op(data):
    # 评估逻辑，返回当前迭代的监控指标
    acc, loss = model.eval_step(data)
    return {"accuracy": acc, "loss": loss}

def one_iteration(my_op, data, collect_results=False):
    results = []
    for item in data:
        res = my_op(item)
        if collect_results and res is not None:
            results.append(res)
    # 评估模式返回结果列表，训练模式返回None或者训练总损失
    return results if collect_results else None

调用的时候就很清晰：

# 训练模式，不用收集结果
one_iteration(train_op, train_dataset)
# 评估模式，收集中间结果
eval_metrics = one_iteration(eval_op, eval_dataset, collect_results=True)

方案2：用装饰器包装评估函数，悄悄收集结果 #

如果不想修改原来的one_iteration代码（比如它是框架里的函数不能改），可以写个装饰器给评估函数加收集结果的功能：

def collect_iteration_results(func):
    # 用闭包保存结果列表
    results = []
    def wrapper(data):
        res = func(data)
        results.append(res)
        return res
    # 把结果列表绑定到装饰器的属性上，方便外部获取
    wrapper.results = results
    return wrapper

# 包装你的评估函数
wrapped_eval_op = collect_iteration_results(eval_op)
# 正常调用one_iteration
one_iteration(wrapped_eval_op, eval_dataset)
# 直接从装饰器里拿中间结果
eval_metrics = wrapped_eval_op.results

这种方式完全不碰原有的one_iteration，适合不想动基础代码的场景。

方案3：用类来管理迭代状态（适合复杂场景） #

如果你的迭代逻辑后续还要加更多模式（比如预测、调试、断点续跑），把one_iteration改成类会更灵活，用实例属性来管理结果：

class IterationRunner:
    def __init__(self):
        self.iteration_results = []
    
    def run(self, my_op, data, mode="train"):
        # 每次运行前清空上一次的结果
        self.iteration_results.clear()
        for item in data:
            res = my_op(item)
            if mode == "eval" and res is not None:
                self.iteration_results.append(res)
        return self.iteration_results if mode == "eval" else None

# 使用示例
runner = IterationRunner()
# 训练
runner.run(train_op, train_dataset)
# 评估
eval_metrics = runner.run(eval_op, eval_dataset, mode="eval")

这种方式扩展性强，后续加新模式只要在run方法里加mode分支就行。

内容的提问来源于stack exchange，提问作者baka