yaml配置文件

最新推荐文章于 2024-04-28 13:16:50 发布

梁小憨憨

最新推荐文章于 2024-04-28 13:16:50 发布

阅读量2.7k

点赞数 2

分类专栏：深度学习文章标签： python 开发语言

本文链接：https://blog.csdn.net/qq_41990294/article/details/129034635

版权

深度学习专栏收录该内容

47 篇文章 23 订阅

订阅专栏

最近在写代码，发现随着网络的增加，代码变得越来越冗余，所以就想着写一个网络的配置文件，把网络的配置放到一个文件中，而不再主函数中，这样代码开起来就好看了，调试的时候也方便了。之前写过一篇神经网络配置文件的文章：config配置文件原理及使用，但是这篇文章不适用于我现在的情况，这篇文章需要写一个config.py文件，然后再写一个config.yaml文件，有些网络的配置是在config.py文件中写的，我想的是针对于某个网络单独建立一下config.yaml文件，把他的配置写到里面，然后在更新到config.py文件中，可是这样写完报错，原因就是config.yaml文件中定义的变量必须在config.py文件中有定义，但是这样针对目前我的工程有多个神经网络，就不符合解决代码冗长的初衷了，所以就选择了本文的方案，这里记录一下方便以后查阅。

yaml介绍

YAML是"YAML Ain't a Markup Language"（YAML不是一种标记语言）的递归缩写。在开发的这种语言时，YAML 的意思其实是："Yet Another Markup Language"仍是一种标记语言），但为了强调这种语言以数据做为中心，而不是以标记语言为重点，而用反向缩略语重命名。

YAML是一种数据序列化格式，优点是：

对于人类可读性更友好
方便与脚本语言进行交互使用

基本语法

大小写敏感
使用缩进表示层级关系
缩进不允许使用tab，只允许空格
缩进的空格数不重要，只要相同层级的元素左对齐即可
#表示注释

数据类型

对象：键值对的集合，又称为映射（mapping）/ 哈希（hashes） / 字典（dictionary）
数组：一组按次序排列的值，又称为序列（sequence） / 列表（list）
纯量（scalars）：单个的、不可再分的值

安装PyYAML

pip install PyYAML

安装的时候总是报错：

在这里插入图片描述
本以为是网络的问题，重复运行上面的安装代码好几次，还是不行，这就有可能不是网络的问题了，然后就尝试着更新一下库：

sudo apt-get update

然后再尝试着安装，结果一次成功：

在这里插入图片描述

PyYAML使用

首先在config.yaml配置文件中定义可配置信息：

DATA_AUGMENTATION : 5
KERNEL_L_CONV1 : 1

EMBED_DIM_T : 150
EMBED_DIM_C : 62
HEADS_T : 5
HEADS_C : 2
ACT_ATTEN : 'elu'
DROPOUT_ATTEN : 0.3

DROPOUTRATE : 0.3
KERNEL_L_SEPARABLE : 3
DEPTHWISE : 5
AVGPOOL_DEPTHWISE : 2
AVGPOOL_SEPARABLE : 4

AVGPOOL_SIZE_CLA : 1
FC_IN_CLA : 25
N_CLASSES : 3

使用PyYAML模块解析config.yaml配置文件，主要步骤如下：

使用open()打开config.yaml配置文件，然后使用read()读取
使用yaml.load(stream, Loader)加载读取的配置文件数据，生成一个y的对象
使用字典的形式访问生成的y对象中的配置信息

def build_SelfAtten_Mixer(yaml_path):
    # 使用open()函数读取config.yaml文件
    yaml_file = open(yaml_path, "r", encoding="utf-8")
    # 读取文件中的内容
    file_data = yaml_file.read()
    # 加载数据流，返回字典类型数据
    config = yaml.load(file_data, Loader=yaml.FullLoader)
    """build SelfAtten_Mixer model from config"""
    model = SelfAtten_Mixer(data_augmentation = config['DATA_AUGMENTATION'],
                            kernel_L_conv1 = config['KERNEL_L_CONV1'],
                            embed_dim_T = config['EMBED_DIM_T'],
                            embed_dim_C = config['EMBED_DIM_C'],
                            heads_T = config['HEADS_T'],
                            heads_C = config['HEADS_C'],
                            act_atten = config['ACT_ATTEN'],
                            dropout_atten = config['DROPOUT_ATTEN'],
                            dropoutRate = config['DROPOUTRATE'],
                            kernel_L_separable = config['KERNEL_L_SEPARABLE'],
                            depthwise = config['DEPTHWISE'],
                            avgpool_depthwise = config['AVGPOOL_DEPTHWISE'],
                            avgpool_separable = config['AVGPOOL_SEPARABLE'],
                            avgpool_size_cla = config['AVGPOOL_SIZE_CLA'],
                            fc_in_cla = config['FC_IN_CLA'],
                            n_classes = config['N_CLASSES'],)
    return model