Tensorflow之自定义命令行参数

目的：在程序开始运行的时候，可以通过指定命令行参数给程序参数赋值

步骤1、tf.app.flags  它支持应用从命令行接受参数，可以用来指定集群配置等。在tf.app.flags下面有各种定义参数的类型

DEFINE_string(flag_name, default_value, docstring)

DEFINE_integer(flag_name, default_value, docstring)

DEFINE_boolean(flag_name, default_value, docstring)

DEFINE_float(flag_name, default_value, docstring)

步骤2、tf.app.flags  在flags有一个FLAGS标志，它在程序中可以调用到我们前面具体定义的flag_name

步骤3、通过tf.app.run()启动main(argv)函数

调用方法：

# 定义命令行参数
# 1、首先定义有哪些参数需要在运行时候指定
# 2、程序当中获取定义命令行参数
# 第一个参数：名字、默认值、说明
tf.app.flags.DEFINE_interger("max_step", 100, "模型训练的步数")
tf.app.flags.DEFINE_interger("model_dir", " ", "模型文件的加载路径")
# 定义获取命令行参数名字
FLAGS = tf.app.flags.FLAGS

然后通过FLAGS.max_step、FLAGS.model_dir代表参数名。

完整代码展示：

#! /usr/bin/env python 
# -*- coding:utf-8 -*-

import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'   # 设置告警级别

# 定义命令行参数
# 1、首先定义有哪些参数需要在运行时候指定
# 2、程序当中获取定义命令行参数
# 第一个参数：名字、默认值、说明
tf.app.flags.DEFINE_interger("max_step", 100, "模型训练的步数")
tf.app.flags.DEFINE_interger("model_dir", " ", "模型文件的加载路径")
# 定义获取命令行参数名字
FLAGS = tf.app.flags.FLAGS


def myregression():
    """
    自实现一个线性回归预测
    数据是随机给出的x和y,x和y的权重和偏置固定，通过梯度下降预测选择最优权重和偏置
    学习率和步数的设置
    添加权重参数、损失值等在tensorboard观察的情况: 步骤1：收集变量  步骤2：合并变量写入事件文件
    :return: None
    """
    # with tf.variable_scope() 作用：方便观察
    with tf.variable_scope("data"):
        # 1、准备数据   x 特征值[100, 1]  y 目标值[100]
        x = tf.random_normal([100, 1], mean=1.75, stddev=0.5, name="x_data")
        # 矩阵相乘必须是二维的
        y_true = tf.matmul(x, [[0.7]]) + 0.8

    with tf.variable_scope("model"):
        # 2、建立线性回归模型    数据有一个特征，就是一个权重，还有一个偏置 y = x*w + b
        # 随机给一个权重和偏置的值，让它去计算损失，然后在当前状态下优化
        # 用变量定义才能优化     特征值只有一个，所以需要一个权重，如果十多个权重，那么就是[n, 1]
        weight = tf.Variable(tf.random_normal([1, 1], mean=0.0, stddev=1.0, name="w"))
        bias = tf.Variable(0.0, name="b")
        y_predict = tf.matmul(x, weight) + bias

    with tf.variable_scope("loss"):
        # 3、建立损失函数，均方误差
        loss = tf.reduce_mean(tf.square(y_true - y_predict))

    with tf.variable_scope("optimizer"):
        # 4、梯度下降优化损失  leaning_rate: 0~1,2,3,5,7,10   学习率：GradientDescentOptimizer  最小化优化损失：minimize
        train_op = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

    # 步骤1：收集tensor,以便在tensorboard观察
    tf.summary.scalar("losses", loss)
    tf.summary.histogram("weights", weight)

    # 步骤2：定义合并tensor的op
    merged = tf.summary.merge_all()

    # 定义一个初始化变量的op
    init_op = tf.global_variables_initializer()

    # 定义一个保存模型的实例
    saver = tf.train.Saver()

    # 通过会话运行程序
    with tf.Session() as sess:
        # 初始化变量
        sess.run(init_op)

        # 打印随机最先初始化的权重和偏置    op是没有结果的，要run或者eval
        print("随机初始化的参数权重为：%f, 偏置为：%f" % (weight.eval(), bias.eval()))

        # 建立事件文件
        filewriter = tf.summary.FileWriter("./summary/test", graph=sess.graph)

        # 加载模型，覆盖模型当中随机定义得参数，从上次训练得参数结果开始
        if os.path.exists("./ckpt/checkpoint"):
            # saver.restore(sess, "./ckpt/model")
            saver.restore(sess, FLAGS.model_dir)
        # 循环训练  运行优化
        # for i in range(200):
        for i in range(FLAGS.max_step):
            sess.run(train_op)

            # 步骤3：运行合并的tensor
            summary = sess.run(merged)
            # 步骤4：添加到事件文件
            filewriter.add_summary(summary, i)

            print("第%d次优化的参数权重为：%f, 偏置为：%f" % (i+1, weight.eval(), bias.eval()))

        # saver.save(sess, "./ckpt/model")
        saver.save(sess, FLAGS.model_dir)


if __name__ == '__main__':
    myregression()

运行程序命令：

python test.py --max_step=500 --model_dir="./ckpt/model"