函数介绍 （1）argparse （2）append （3）entend （4）model.train （5）model.eval（6）pickle.dump （7）pickle.load

- [ ] argparse

- [ ] append() 和 entend()

- [ ] model.train() 和 model.eval()

- [ ] pickle.dump() 和 pickle.load()

一、argparse

1、定义：argparse是python标准库里面用来处理命令行参数的库

2、代码：

import argparse							# 首先导入模块
parser = argparse.ArgumentParser（）   	# 创建一个 ArgumentParser 对象，ArgumentParser 对象包含将命令行解析成 Python 数据类型所需的全部信息
parser.add_argument()    				# 给ArgumentParser对象添加新的命令行参数，参数的类型和相应的处理方法由不同的参数决定。
args = parser.parse_args()    			# 进行解析参数

3、详细介绍 — ArgumentParser 对象

parser = argparse.ArgumentParser(prog=None, 			# 程序的名称（默认：sys.argv[0]）
		                        usage=None, 			# 程序使用说明
		                        description=None, 		# 在help 之前显示的文本
		                        epilog=None, 			# 在help 之后显示的文本
		                        parents=[], 			# 一个 ArgumentParser 对象的列表
		                        formatter_class=argparse.HelpFormatter, 	# 自定义帮助信息的格式
		                        prefix_chars='-', 		# 可选参数的前缀字符集合，默认是‘-’
		                        fromfile_prefix_chars=None, # 当需要从文件中读取其他参数时，用于标识文件名的前缀字符集合
		                        argument_default=None, 	# 参数的全局默认值
		                        conflict_handler='error', 	# 定义两个add_argument中添加的选项名字发生冲突时怎么处理，默认处理是抛出异常
		                        add_help=True, 			# 是否增加-h/--help选项，默认是True)
		                        allow_abbrev=True		# 如果缩写是无歧义的，则允许缩写长选项 
		                        )

4、详细介绍 — add_argument() 方法

parser.add_argument(name or flags   # 必选参数名或者可选参数标识符
                    action          # 表示值赋予键的方式
                    nargs           # 指定这个参数后面的value有多少个，默认为1
                    const           # 被一些 action 和 nargs 选择所需求的常数。
                    default         # 必选参数和可选的参数的默认值
                    type            # 指定命令行参数数据类型
                    choices         # 说明命令行参数的取值范围，它的值一般是一个列表
                    required        # 说明参数是否必须进行输入，只支持可选参数
                    help            # 说明信息
                    metavar         # 在使用方法消息中使用的参数值示例。
                    dest            # 相当于把位置参数或者选项参数关联到一个特定的名字
)

二、append() 和 entend()

1、append()函数：得到的是数组中嵌套数组的形式

append(object) ：将一个对象作为一个整体添加到列表中，添加后的列表比原列表多一个元素，该函数的参数可以是任何类型的对象，该函数没有返回值。

2、entend()函数：将两个数组的原素进行拼接

extend(iterable) ：将一个可迭代对象中的每个元素逐个地添加到列表中，可迭代对象中有几个元素，添加后的列表就比原列表多几个元素，该函数的参数必须是可迭代的对象，该函数没有返回值。

• 示例代码：

a = [1,2,3]
b = [4,5,6]
c = [7,8,9]
a.append(b)
c.extend(b)
print(a)
print(c)

• 输出结果：

[1, 2, 3, [4, 5, 6]]
[7, 8, 9, 4, 5, 6]

Process finished with exit code 0

注意：字符串没有这两个函数

• 示例代码：

a = 'do'
b = 're'
a.extend(b)
print(a)

• 输出结果：

AttributeError: 'str' object has no attribute 'extend'

Process finished with exit code 1

三、model.train() 和 model.eval()

1、model.train()

  启用 BatchNormalization 和 Dropout。

2、model.eval()

  不启用 BatchNormalization 和 Dropout。训练完train样本后，生成的模型model要用来测试样本。在model(test)之前，需要加上model.eval()，否则的话，有输入数据，即使不训练，它也会改变权值。这是model中含有batch normalization层所带来的的性质。

 train_loss = []
        total_predictions = []
        total_labels = []
        for idx, data in enumerate(trainGenerator):                 # enumerate 是为了施加索引
            data_, label = Variable(data[0]), Variable(data[1])     # 图片 -- 图片的信息（标签）
            prob = model(data_)                                     # 对图片进行处理，生成预测值

            prob_ = np.argmax(prob.detach().cpu(), -1)              # 取出概率最大值所对应的索引
            loss = criterion(prob, label)                           # 计算误差（预测值，标签）
            train_loss.append(loss.item()*len(label.cpu()))         # 误差记录
            loss.backward()                                         # 开始反向传播，计算所有梯度值
            optimizer.step()                                        # 将参数更新值施加到 net 的 parameters 上，优化梯度
            total_predictions.extend(prob_)
            total_labels.extend(label.cpu())
            print('Iter: [{}/{}]\t Epoch: [{}/{}]\t Loss: {}\t Acc: {}'.format(idx+1, len(trainGenerator), epoch+1, opt.epochs,
                                                                    loss.item(),
                                                                    metrics.accuracy_score(label.cpu(), prob_)))

        # 当整个一轮结束后，将loss值 以及 accuracy值 计算后放入文件中
        loss_epoch = sum(train_loss)/len(traindata)
        totalTrain_loss.append(loss_epoch)
        with open(path_t, 'a') as f:
            f.write('Epoch: {}\t Loss: {}\t Accuracy: {}\n'.format(epoch+1, loss_epoch,
                                                         metrics.accuracy_score(total_labels,total_predictions)))
        # 不启用 BatchNormalization 和 Dropout
        model.eval()

四、pickle.dump() 和 pickle.load()

1、pickle.dump()

pickle.dump(obj, file, [,protocol])

1）将对象obj保存到文件file中去；
2）protocol为序列化使用的协议版本，0：ASCII协议，所序列化的对象使用可打印的ASCII码表示；

2、pickle.load()

pickle.load(file)

从file中读取一个字符串，并将它重构为原来的python对象。file:类文件对象，有read()和readline()接口。