python parser.add_argument()用法

[超链接:深度学习工作常用方法汇总,矩阵维度变化、图片、视频等操作,包含(torch、numpy、opencv等)​​​​​​​

____________________
 

B站视频讲解https://www.bilibili.com/video/BV1at4y1p7Um/

官方文档https://docs.python.org/zh-cn/3/library/argparse.html#argumentparser-objects

一、代码示例

'''
B站:Python图像识别
'''

import argparse

# 创建一个 ArgumentParser 对象
parser = argparse.ArgumentParser(description='yolov5')

parser.add_argument('--weights', type=str, default='best.pt', help='initial weights path')
parser.add_argument('--save', action='store_true', help='GAT with sparse version or not.')
parser.add_argument('--epochs_c', type=int, default=100, help='Number of epochs to train.')
# parser.add_argument('--epochs-c', type=int, default=10, help='Number of epochs to train.')

# 解析添加的参数
args = parser.parse_args()

print(args.weights)
print(args.save)
print(args.epochs_c)



运行结果:

使用的三个步骤:

1、创建一个解析器——创建 ArgumentParser() 对象
2、添加参数——调用 add_argument() 方法添加参数
3、解析参数——使用 parse_args() 解析添加的参数

二、add_argument() 方法添加参数


ArgumentParser.add_argument(name or flags...[, action][, nargs][, const][, default][, type][, choices][, required][, help][, metavar][, dest])

每个参数解释如下:

name or flags: - 选项字符串的名字或者列表,例如 foo 或者 -f, --foo。
action: - 命令行遇到参数时的动作,默认值是 store。
store_const: 表示赋值为const;
append: 将遇到的值存储成列表,也就是如果参数重复则会保存多个值;
append_const: 将参数规范中定义的一个值保存到一个列表;
count: 存储遇到的次数;此外,也可以继承 argparse.Action 自定义参数解析;
nargs: - 应该读取的命令行参数个数,可以是具体的数字,或者是?号,当不指定值时对于 Positional argument: 使用 default,对于 Optional argument 使用 const;或者是 * 号,表示 0 或多个参数;或者是 + 号表示 1 或多个参数。
const: - action 和 nargs 所需要的常量值。
default: - 不指定参数时的默认值。
type - 命令行参数应该被转换成的类型。
choices: - 参数可允许的值的一个容器。
required: - 可选参数是否可以省略 (仅针对可选参数)。
help: - 参数的帮助信息,当指定为 argparse.SUPPRESS 时表示不显示该参数的帮助信息.
metavar: - 在 usage 说明中的参数名称,对于必选参数默认就是参数名称,对于可选参数默认是全大写的参数名称.
dest: - 解析后的参数名称,默认情况下,对于可选参数选取最长的名称,中划线转换为下划线.

重点说明:
action='store_true’的使用说明
action·- 命令行遇到参数时的动作,默认值是 store。

直接运行python test.py,输出结果False
运行python test.py --save,输出结果True

也就是说,action=‘store_true’,只要运行时该变量有传参就将该变量设为True。

结果如下:

  • 7
    点赞
  • 33
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 2
    评论
1.项目代码功能经验证ok,确保稳定可靠运行。欢迎下载使用!在使用过程中,如有问题或建议,请及时私信沟通,帮助解答。 2.主要针对各个计算机相关专业,包括计科、信息安全、数据科学与大数据技术、人工智能、通信、物联网等领域的在校学生、专业教师或企业员工使用。 3.项目具有丰富的拓展空间,不仅可作为入门进阶,也可直接作为毕设、课程设计、大作业、初期项目立项演示等用途。 深度学习基于SwinTransformer的验证码识别python源码+项目运行说明.zip 如果需要自己训练模型 1.重新生成数据集,运行captcha.py 2.预处理,运行preprocess.py,将把生成的数据集分为训练集、验证集、测试集,保存在dataset文件夹下 3.运行run.py,如果不想覆盖之前的训练记录,修改run.py中的版本号即可,如下: ```python # 修改 default=自己的版本号即可 parser.add_argument("--version", "-v", type=int, default=0,help="Train experiment version") ``` 训练完成后,将会得到新的模型,存放在checkpoint文件夹下,需要使用自己训练的模型,需要修改两个地方: ```python # 修改tokenizer的default值,改为你的版本对应的checkpoint文件夹下的transformer-ocr_test.pkl parser.add_argument("--tokenizer", "-tk", type=str, default="checkpoints/version_0/transformer-ocr_test.pkl",help="Load pre-built tokenizer") # 修改模型权重路径 修改为改为你的版本对应的checkpoint文件夹下的模型权重,保存了3表现最好的模型,都可以用 parser.add_argument("--checkpoint", "-c", type=str,default="checkpoints/version_0/checkpoints-epoch=31-accuracy=0.98267.ckpt",help="Load model weight in checkpoint") ```

“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 2
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

打赏作者

Python图像识别

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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