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
>>>