argparse是深度學習項目調參時常用的python標準庫，使用argparse後，我們在命令行輸入的參數就可以以這種形式python filename.py --lr 1e-4 --batch_size 32來完成對常見超參數的設置。，一般使用時可以歸納為以下三個步驟 使用步驟： 創建Argum ...
argparse是深度學習項目調參時常用的python標準庫，使用argparse後，我們在命令行輸入的參數就可以以這種形式python filename.py --lr 1e-4 --batch_size 32來完成對常見超參數的設置。，一般使用時可以歸納為以下三個步驟
使用步驟：
- 創建
ArgumentParser()對象 - 調用
add_argument()方法添加參數 - 使用
parse_args()解析參數 在接下來的內容中，我們將以實際操作來學習argparse的使用方法
import argparse
parser = argparse.ArgumentParser() # 創建一個解析對象
parser.add_argument() # 向該對象中添加你要關註的命令行參數和選項
args = parser.parse_args() # 調用parse_args()方法進行解析
常見規則
- 在命令行中輸入
python demo.py -h或者python demo.py --help可以查看該python文件參數說明 - arg字典類似python字典，比如arg字典
Namespace(integers='5')可使用arg.參數名來提取這個參數 parser.add_argument('integers', type=str, nargs='+',help='傳入的數字')nargs是用來說明傳入的參數個數，'+' 表示傳入至少一個參數，'*' 表示參數可設置零個或多個，'?' 表示參數可設置零個或一個parser.add_argument('-n', '--name', type=str, required=True, default='', help='名')required=True表示必須參數, -n表示可以使用短選項使用該參數parser.add_argument("--test_action", default='False', action='store_true')store_true 觸發時為真，不觸發則為假（test.py，輸出為False，test.py --test_action，輸出為True）
使用config文件傳入超參數
為了使代碼更加簡潔和模塊化，可以將有關超參數的操作寫在config.py，然後在train.py或者其他文件導入就可以。具體的config.py可以參考如下內容。
import argparse
def get_options(parser=argparse.ArgumentParser()):
parser.add_argument('--workers', type=int, default=0,
help='number of data loading workers, you had better put it '
'4 times of your gpu')
parser.add_argument('--batch_size', type=int, default=4, help='input batch size, default=64')
parser.add_argument('--niter', type=int, default=10, help='number of epochs to train for, default=10')
parser.add_argument('--lr', type=float, default=3e-5, help='select the learning rate, default=1e-3')
parser.add_argument('--seed', type=int, default=118, help="random seed")
parser.add_argument('--cuda', action='store_true', default=True, help='enables cuda')
parser.add_argument('--checkpoint_path',type=str,default='',
help='Path to load a previous trained model if not empty (default empty)')
parser.add_argument('--output',action='store_true',default=True,help="shows output")
opt = parser.parse_args()
if opt.output:
print(f'num_workers: {opt.workers}')
print(f'batch_size: {opt.batch_size}')
print(f'epochs (niters) : {opt.niter}')
print(f'learning rate : {opt.lr}')
print(f'manual_seed: {opt.seed}')
print(f'cuda enable: {opt.cuda}')
print(f'checkpoint_path: {opt.checkpoint_path}')
return opt
if __name__ == '__main__':
opt = get_options()
$ python config.py
num_workers: 0
batch_size: 4
epochs (niters) : 10
learning rate : 3e-05
manual_seed: 118
cuda enable: True
checkpoint_path:
隨後在train.py等其他文件，我們就可以使用下麵的這樣的結構來調用參數。
# 導入必要庫
...
import config
opt = config.get_options()
manual_seed = opt.seed
num_workers = opt.workers
batch_size = opt.batch_size
lr = opt.lr
niters = opt.niters
checkpoint_path = opt.checkpoint_path
# 隨機數的設置，保證復現結果
def set_seed(seed):
torch.manual_seed(seed)
torch.cuda.manual_seed_all(seed)
random.seed(seed)
np.random.seed(seed)
torch.backends.cudnn.benchmark = False
torch.backends.cudnn.deterministic = True
...
if __name__ == '__main__':
set_seed(manual_seed)
for epoch in range(niters):
train(model,lr,batch_size,num_workers,checkpoint_path)
val(model,lr,batch_size,num_workers,checkpoint_path)
參考：
https://zhuanlan.zhihu.com/p/56922793
(14條消息) python argparse中action的可選參數store_true的作用_元氣少女wuqh的博客-CSDN博客
[6.6 使用argparse進行調參 — 深入淺出PyTorch (datawhalechina.github.io)](https://datawhalechina.github.io/thorough-pytorch/第六章/6.6 使用argparse進行調參.html)
