项目实训-智能生物序列分析平台-后端模块（3）

主函数代码

main代码的总结

server_use函数

首先要讲清楚server_use的使用情况，因为我们的python文件全部部署在服务器上的，所以在很多情况下我们要用java直接调用我们的主函数，但是由于主函数有很多参数需要进一步的修改，所以需要传入一个字符串，然后由python解析，提取自己所需要的参数。

说实话，一开始这样写觉得还行，后来感觉其实写的有点问题，我认为python和后端的连接总共可以给出三种方式

1. 用java调一个python的主函数。所有的参数都传到这个主函数里面，一方面，接口比较简单那，但是相当于把java对参数的处理转移给了python端
2. 用java分别调用不同的python函数文件。这样能够让每个python文件各取所需，不仅能够比较方便的处理和完成任务，而且也利于函数文件之间的耦合性，不过缺点就是java要处理的数据量大大增加了。
3. 直接用python写后端，从此再无命令行调用（笑）。

综上，由于我们的后端较为繁忙，可能没有太多时间处理我们这个项目，所以，我们一开始就采用了1方案，但是在写的过程中，函数量以及参数大大增加了我们python端的负担，后来我们借鉴了一些其他server的搭建，发现2也是很好用的模式。总的来说，应该大大的方向改用2，小的细致末节用1，这样可以一方面增加程序的利用率，同时让程序变得更加健壮和可靠。

def server_use():
    os.environ['CUDA_LAUNCH_BLOCKING'] = '1'
    model_all = ["DNN", "RNN", "LSTM", "BiLSTM", "LSTMAttention", "GRU", "TextCNN", "TextRCNN", "VDCNN", "RNN_CNN",
                 "TransformerEncoder", "Reformer_Encoder", "Performer_Encoder", "Linformer_Encoder",
                 "RoutingTransformer_Encoder", "6mer_DNAbert", "prot_bert", "TextGCN"]
    para_all = ["CDHit", "Focalloss", "adversialtraining"]
    CDHit_all = [0.8, 0.6, 0.4]
    # Focalloss_all = [0, 1]
    # adversialtraining_all = [0,1]

    # RNA_model = ["TransformerEncoder", "TextCNN", "LSTM", "GCN"]
    # prot_model = ["prot_bert", "TransformerEncoder", "TextCNN", "LSTM", "GCN"]

首先我们先确立一些基本使用的参数量，如model_all模型使用的名字，para_all要比较参数的选项，CDHit_all CD-Hit要用到的参数选项。

注意到这里我们统一编码了所有模型的名称，一开始我们想要分别编码的，但是考虑到代码的参数量和循环判断要进一步缩减，所以我们还是补上了统一编码的方式。

    requests_url = "http://server.wei-group.net/biology/job/status/update"
    os.chdir("/home/weilab/molecular_analysis_server/biology_python/main")
    # print(sys.argv[2])
    # print(type(sys.argv[2]))
    setting