引言

在使用强化学习或者其他神经网络进行参数调整时，有时候我们进场需要对其中的一些参数进行设置检测，来验证设置是否满足要求，这时就不免会进行很多次调试。如果我们仅仅通过在每次实验时改变变量的一些元素，很可能会弄得很乱，如何让自己的代码看起来整洁，优雅呢？今天我们针对函数指针进行讲解。

如在一个现实的例子中，我们需要对强化学习的状态进行设置，在这里设置了几组不同的状态表示，想分别进行测试。如果在传统的方法中，我们可能会这样：

        torque_mod = math.sqrt(pow(self.torque[0],2)+pow(self.torque[1],2)+pow(self.torque[2],2))
        force_mod = math.sqrt(pow(self.force[0],2)+pow(self.force[1],2)+pow(self.force[2],2))
        torque_tmp = np.array(self.torque)/torque_mod
        force_tmp = np.array(self.force)/force_mod
        self.state = np.append(np.abs(torque_tmp),np.abs(force_tmp)).reshape(1,6)
#         self.state = np.append(np.abs(self.torque),np.abs(force_tmp)).reshape(1,6)
#         self.state = np.append(np.abs(torque_tmp),np.abs(self.force)).reshape(1,6)

将本次实验要测试的样本放在程序中，对其他代码进行注释。当代码或者测试的样本少的时候是可行的，但是一旦需要测试的数据变多，这种方法就没有任何优势了。

函数指针

函数指针，顾名思义，就是取函数的地址，将其作为指针进行使用。而函数的地址，其实就是函数名，如在下面的代码中：

def func():
    a = 1
    return a
c = func
print(c())
print(c)

当我们运行以后，会得到什么结果呢？

在这里，将func其实就是这个函数的函数指针，将其赋值给c，就是将函数的地址赋值给c。然后运行c()，就是相当于c语言中的*p中取地址的内容的意思了，不过这里对应的是运行地址对应的函数。

他的作用和下面的代码是一样的：

def func():
    a = 1
    return a
c = func()
print(c)

但是不同的是，使用这种方法的c，已经是函数func经过运行后的结果了，换句话说，我们不能通过对c操作，来改变func函数中的变量。而函数指针是可以的。

这样做就可以让我们实现：将函数单独定义，并定义好接口，当需要某种函数功能时，只需要将函数地址赋值给需要操作的变量，然后对需要操作的变量进行操作就可以。可以通过配合字典实现方便得函数调用。

应用

还是在上面的例子中，我们首先在另一个文件中定义需要得测试样本的函数：

然后在这文件所在的字典变量中定义一个键：

这样我们就获取了这个函数的函数地址，最后在我们需要的地方进行调用：

        self.state_fun = params['state_fun']       
        state = self.state_fun(torque_tmp, force_tmp, self.torque, self.force,self.position[2])

这样以后，我们在测试样本的时候，就只需要在字典中，将我们想要测试的那一组函数名放进字典的'state_cun'对应的值中就可以了，大大优化了代码表示。

May the force be with you！