命令行调参换目录

为方便调参以及更换目录等,常将参数放到命令行中,常见有两种方式

#利用argparse

import argparse

import sys

#创建解析器参数,可以添加参数,可以禁用 add_help：默认是True，可以设置False禁用

#parser=argparse.ArgumentParser(description="This is a example program ")

"""

在执行程序的时候，定位参数必选，可选参数可选。

add_argument()常用的参数：

dest：如果提供dest，例如dest="a"，那么可以通过args.a访问该参数

default：设置参数的默认值

action：参数触发的动作

store：保存参数，默认

store_const：保存一个被定义为参数规格一部分的值（常量），而不是一个来自参数解析而来的值。

store\_ture/store\_false：保存相应的布尔值

append：将值保存在一个列表中。

append_const：将一个定义在参数规格中的值（常量）保存在一个列表中。

count：参数出现的次数

parser.add_argument("-v", "--verbosity", action="count", default=0, help="increase output verbosity")

version：打印程序版本信息

type：把从命令行输入的结果转成设置的类型

choice：允许的参数值

parser.add_argument("-v", "--verbosity", type=int, choices=\[0, 1, 2\], help="increase output verbosity")

help：参数命令的介绍

"""

parser = argparse.ArgumentParser()

parser.add_argument('--fake_data', nargs='?', const=True, type=bool,

default=False,

help='If true, uses fake data for unit testing.')

parser.add_argument('--max_steps', type=int, default=1000,

help='Number of steps to run trainer.')

parser.add_argument('--learning_rate', type=float, default=0.001,

help='Initial learning rate')

parser.add_argument('--dropout', type=float, default=0.9,

help='Keep probability for training dropout.')

parser.add_argument('--data_dir', type=str, default='/tmp/tensorflow/mnist/input_data',

help='Directory for storing input data')

parser.add_argument('--log_dir', type=str, default='/tmp/tensorflow/mnist/logs/mnist\_with\_summaries',

help='Summaries log directory')

FLAGS, unparsed = parser.parse\_known\_args()

print(FLAGS) 

#Namespace(data\_dir='/tmp/tensorflow/mnist/input\_data', dropout=0.9, fake\_data=False, learning\_rate=0.001, log\_dir='/tmp/tensorflow/mnist/logs/mnist\_with\_summaries', max\_steps=1000)

print(unparsed) #\[\]

#tf.app.run(main=main, argv=\[sys.argv\[0\]\] + unparsed)

args = parser.parse_args()

print(args.log_dir) #/tmp/tensorflow/mnist/logs/mnist\_with\_summaries

\# python3 test.py --dropout 0.1



#===========================================================

#利用tf.app.flags组件

import tensorflow as tf

import logging

\# Define hyperparameters

#定义一个tf.app.flags对象

flags = tf.app.flags

FLAGS = flags.FLAGS

#调用自带的设置不同的类型

flags.DEFINE_boolean("enable\_colored\_log", False, "Enable colored log")

flags.DEFINE_string("validate\_tfrecords\_file",

"./data/a8a/a8a_test.libsvm.tfrecords",

"The glob pattern of validate TFRecords files")

flags.DEFINE_integer("label_size", 2, "Number of label size")

flags.DEFINE_float("learning_rate", 0.01, "The learning rate")



def  main():

	\# Get hyperparameters

	if FLAGS.enable\_colored\_log:

		import coloredlogs

		coloredlogs.install()

	logging.basicConfig(level=logging.INFO)

	LABEL_SIZE = FLAGS.label_size

	print(LABEL_SIZE)

	return  0



if  \_\_name\_\_  ==  "\_\_main\_\_":

	main()

 """

用tf运行用以上两个都可,用spyder则只能用第一种

 tf.app.run()函数源码如下:

 from \_\_future\_\_ import absolute_import

from \_\_future\_\_ import division

from \_\_future\_\_ import print_function

import sys

from tensorflow.python.platform import flags

def run(main=None):

f = flags.FLAGS

f.\_parse\_flags()

main = main or sys.modules\['\_\_main\_\_'\].main

sys.exit(main(sys.argv))

"""

转载于:https://my.oschina.net/u/3726752/blog/3089271