代码相关python

nn.Embedding((num_embeddings,embedding_dim)
num_embeddings代表词典大小尺寸，比如训练时所可能出现的词语一共5000个词，那么就有num_embedding=5000。

而embedding_dim表示嵌入向量的维度，即用多少来表示一个符号。

*args和**kwargs
*args表示任何多个无名参数，它是一个tuple。**kwargs表示关键字参数，它是一个dict。

def this_fun(a, b, *args, **kwargs):
    print(a)
    print(b)
    print(args)
    print(kwargs)
this_fun(0, 1, 6, 7, 8, index1=11, index2=22)
# 0
# 1
# (6, 7, 8)
# {'index1': 11, 'index2': 22}

# 创建一个解析器——创建 ArgumentParser() 对象
>>> import argparse
>>> parser = argparse.ArgumentParser(description='Process some integers.')
# 添加参数——调用 add_argument() 方法添加参数
>>> parser.add_argument('--sparse', action='store_true', default=False, help='GAT with sparse version or not.')
_StoreTrueAction(option_strings=['--sparse'], dest='sparse', nargs=0, const=True, default=False, type=None, choices=None, required=False, help='GAT with sparse version or not.', metavar=None)
>>> parser.add_argument('--seed', type=int, default=72, help='Random seed.')
_StoreAction(option_strings=['--seed'], dest='seed', nargs=None, const=None, default=72, type=<class 'int'>, choices=None, required=False, help='Random seed.', metavar=None)
>>> parser.add_argument('--epochs', type=int, default=10000, help='Number of epochs to train.')
_StoreAction(option_strings=['--epochs'], dest='epochs', nargs=None, const=None, default=10000, type=<class 'int'>, choices=None, required=False, help='Number of epochs to train.', metavar=None)
# 解析参数——使用 parse_args() 解析添加的参数
>>> args = parser.parse_args()
>>> print(args.sparse)
False
>>> print(args.seed)
72
>>> print(args.epochs)
10000
>>>