pythonの関数がわからない

今まではC++をメインに使ってきましたが、大学で機械学習の勉強を始めたのでpythonを書き始めました。
ゼロから作るDeepLearnigという本を読んでいるのですが、コードをみていていまいちすっきりと理解できない部分がありました。

importしている関数と定義している関数名が同じ

下の『該当のソースコード内』の以下の部分で他のファイルからnumerical_gradient関数をimportしています。

python
1from common.gradient import numerical_gradient

しかし、以下の部分ではimportした関数と全く同じ関数名をclass内で定義しています。
その定義した関数内でimportした numerical_gradient関数を使用しています。

python
1def numerical_gradient(self, x, t):
2   loss_W = lambda W: self.loss(x, t)
3        
4   grads = {}
5   grads['W1'] = numerical_gradient(loss_W, self.params['W1'])
6   grads['b1'] = numerical_gradient(loss_W, self.params['b1'])
7   grads['W2'] = numerical_gradient(loss_W, self.params['W2'])
8   grads['b2'] = numerical_gradient(loss_W, self.params['b2'])
9        
10   return grads

これでいいのだろうと納得すればいいのですが、これでは再起関数になってしまはないのか？と疑問に感じてしまいます。

これでなぜ再起関数にならずにimportした同じ名前の関数が優先されるのかを知りたいです。

該当のソースコード

import sys, os
sys.path.append(os.pardir)  # 親ディレクトリのファイルをインポートするための設定
from common.functions import *
from common.gradient import numerical_gradient
import numpy as np


class TwoLayerNet:

    def __init__(self, input_size, hidden_size, output_size, weight_init_std=0.01):
        # 重みの初期化
        self.params = {}
        self.params['W1'] = weight_init_std * np.random.randn(input_size, hidden_size)
        self.params['b1'] = np.zeros(hidden_size)
        self.params['W2'] = weight_init_std * np.random.randn(hidden_size, output_size)
        self.params['b2'] = np.zeros(output_size)

    def predict(self, x):
        W1, W2 = self.params['W1'], self.params['W2']
        b1, b2 = self.params['b1'], self.params['b2']
    
        a1 = np.dot(x, W1) + b1
        z1 = sigmoid(a1)
        a2 = np.dot(z1, W2) + b2
        y = softmax(a2)
        
        return y
        
    # x:入力データ, t:教師データ
    def loss(self, x, t):
        y = self.predict(x)
        
        return cross_entropy_error(y, t)
    
    def accuracy(self, x, t):
        y = self.predict(x)
        y = np.argmax(y, axis=1)
        t = np.argmax(t, axis=1)
        
        accuracy = np.sum(y == t) / float(x.shape[0])
        return accuracy
        
    # x:入力データ, t:教師データ
    def numerical_gradient(self, x, t):
        loss_W = lambda W: self.loss(x, t)
        
        grads = {}
        grads['W1'] = numerical_gradient(loss_W, self.params['W1'])
        grads['b1'] = numerical_gradient(loss_W, self.params['b1'])
        grads['W2'] = numerical_gradient(loss_W, self.params['W2'])
        grads['b2'] = numerical_gradient(loss_W, self.params['b2'])
        
        return grads
        
    def gradient(self, x, t):
        W1, W2 = self.params['W1'], self.params['W2']
        b1, b2 = self.params['b1'], self.params['b2']
        grads = {}
        
        batch_num = x.shape[0]
        
        # forward
        a1 = np.dot(x, W1) + b1
        z1 = sigmoid(a1)
        a2 = np.dot(z1, W2) + b2
        y = softmax(a2)
        
        # backward
        dy = (y - t) / batch_num
        grads['W2'] = np.dot(z1.T, dy)
        grads['b2'] = np.sum(dy, axis=0)
        
        dz1 = np.dot(dy, W2.T)
        da1 = sigmoid_grad(a1) * dz1
        grads['W1'] = np.dot(x.T, da1)
        grads['b1'] = np.sum(da1, axis=0)

        return grads

補足情報

importしたnumerical_gradient関数です。

python
1def numerical_gradient(f, x):
2    h = 1e-4 # 0.0001
3    grad = np.zeros_like(x)
4    
5    it = np.nditer(x, flags=['multi_index'], op_flags=['readwrite'])
6    while not it.finished:
7        idx = it.multi_index
8        tmp_val = x[idx]
9        x[idx] = tmp_val + h
10        fxh1 = f(x) # f(x+h)
11        
12        x[idx] = tmp_val - h 
13        fxh2 = f(x) # f(x-h)
14        grad[idx] = (fxh1 - fxh2) / (2*h)
15        
16        x[idx] = tmp_val # 値を元に戻す
17        it.iternext()   
18        
19    return grad