tf.app.run(main)报错

2 篇文章 0 订阅
1 篇文章 0 订阅

解决方法

报错内容:

Traceback (most recent call last):
  File "main.py", line 376, in <module>
    tf.app.run(main)  # 首先处理flag解析(命令行参数解析),然后执行main函数
  File "/root/anaconda3/lib/python3.6/site-packages/tensorflow/python/platform/app.py", line 126, in run
    _sys.exit(main(argv))
TypeError: main() takes 0 positional arguments but 1 was given

解决方法:

def main():

修改为:

def main(_):  #增加一个下划线

问题原因

tensorflow的app文件中查看run的源代码:

def run(main=None, argv=None):
  """Runs the program with an optional 'main' function and 'argv' list."""
  f = flags.FLAGS

  # Extract the args from the optional `argv` list.
  args = argv[1:] if argv else None

  # Parse the known flags from that list, or from the command
  # line otherwise.
  # pylint: disable=protected-access
  flags_passthrough = f._parse_flags(args=args)
  # pylint: enable=protected-access

  main = main or _sys.modules['__main__'].main

  # Call the main function, passing through any arguments
  # to the final program.
  _sys.exit(main(_sys.argv[:1] + flags_passthrough))

逐行分析:
flags_passthrough = f._parse_flags(args=args)解析命令行输入的参数,保证参数传递,其具体实现是基于Python标准argparse模块
main = main or _sys.modules['__main__'].main:如果run函数的main参数非None,则main为输入参数main;反之,读取模型中的main函数为main
这里有两种情况:

  1. 如果my_model.py中没有main函数,则应该向tf.app.run中输入自定义的主函数tf.app.run(main=my_main_running_function)
  2. 如果my_model.py中包含main函数,则当参数main为None时,_sys.modules['__main__].main获取my_model.py的main函数

最后一行:
sys.exit(main(sys.argv[:1] + flags_passthrough)): 保证了main(argv) or my_main_running_function(argv) 能够在正确的带有参数,且顺利地执行。
注意:正是最后一行,将参数传给main函数,即使我们没有输入命令行参数,文件名arg[0]也会传给main函数,因此自定义main函数时需要设置参数,故main(_)是正确的,main()是不正确的

参考链接:
How does tf.app.run() work?

  • 0
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
### 回答1: 这行代码是在使用 TensorFlow 的 Python API 中引入 `tf.app.flags` 模块,并将其赋值给变量 `flags`。 但是,这行代码本身并没有错误。要确定问题的原因,需要查看完整的代码,以及 Python 的错误消息和堆栈跟踪(如果有的话)。通常,这些信息可以提供有关代码中出现问题的上下文和详细信息。 ### 回答2: flags = tf.app.flags 错误是因为在TensorFlow 2.0版本中,tf.app.flags被tf.compat.v1.flags替换掉了。在新的版本中,我们应该使用tf.compat.v1.flags定义FLAGS变量,来接收命令行参数。 解决这个错误的方法是将tf.app.flags改为tf.compat.v1.flags,并修改其他使用该flags变量的部分代码。 例如: ```python import tensorflow as tf flags = tf.compat.v1.flags.FLAGS # 更改代码中的flags相关操作 def main(_): # 使用FLAGS变量 print(flags.FLAG_VALUE) if __name__ == "__main__": # 解析命令行参数 tf.compat.v1.app.run() ``` 这样就可以解决flags = tf.app.flags 错误,并在TensorFlow 2.0版本中正确地使用tf.compat.v1.flags。 ### 回答3: 在TensorFlow中,我们可以使用`tf.app.flags`来定义和处理命令行参数。这个模块提供了一个全局的命名空间,可以在代码中方便地访问命令行参数。 然而,`flags = tf.app.flags`这行代码是错误的。这是因为在TensorFlow 2.0版本及以上的版本中,`tf.app.flags`已经被废弃,并且不再包含在TensorFlow的API中。官方推荐使用`argparse`模块或`absl_flags`模块来管理命令行参数。 如果你想在TensorFlow 2.0及以上版本中处理命令行参数,可以按照以下步骤进行操作: 1. 导入`argparse`模块: `import argparse` 2. 创建一个`ArgumentParser`对象:`parser = argparse.ArgumentParser()` 3. 添加命令行参数:`parser.add_argument("--flag_name", type=data_type, default=default_value, help="help message")` 4. 解析命令行参数:`args = parser.parse_args()` 5. 使用命令行参数:`flag_value = args.flag_name` 这样,你就可以通过`args.flag_name`来访问命令行参数的值了。并且在TensorFlow 2.0及以上版本中,推荐使用这种方式来处理命令行参数。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值