【Python】科研代码学习：九 parser，argparse，HfArgumentParser

parser

• 首先了解一下，parser 是干什么的
  parser，解析器，可以让人轻松编写用户友好的命令行接口
  主要从 sys.argv 识别解析用户给出的参数，方面这些参数后续 .py 文件中的操作
• parser 是 python 直接支持使用的库，使用

import parser

即可导入使用

• 但是现在使用 parser 的人越来越少了，为什么呢？

argparser

• 当然是有替换更好用的库，argparser
  argparser， 官方API
• 首先看导入头文件：

import argparser

• 然后看一下，argparser 主要是通过实例化一个 ArgumentParser 类来做各种操作的：

parser = argparse.ArgumentParser(
                    prog='ProgramName',
                    description='What the program does',
                    epilog='Text at the bottom of help')

• 顺便看下源码，以及构造参数
  prog：描述项目名
  description：描述项目作用
  epilog：在参数帮助信息之后显示的文本
  

add_argument 添加参数

• 还是看最重要的方法吧
  首先是为解析器添加参数
  
• 首先需要知道 位置参数，选项参数 这两者的区别，这相当于调用一个函数时的参数提供： f(12,b=5)，前面就是位置参数，后面是选项参数
  选项参数有短选项参数 -f 和长选项 --foo，他们表示相同的含义，只不过约定俗成，短选项参数为一个 - 后接一个字母，据说特殊情况也可以接多个。但比如 -abc，一般我们就认为它使用了三个短选项参数，即 -a -b -c 的简写
• 如果输入参数是以 - 开头，则识别为选项参数，否则其他都识别为位置参数。

parser.add_argument('filename')           # 位置参数
parser.add_argument('-c', '--count')      # 选项参数，其中 -c 和 --count 是一个含义
parser.add_argument('-v', '--verbose',
                    action='store_true')
parser.add_argument('--foo', help='foo help') # 只提供长选项参数

parse_args 解析参数

• 有如下几种解析参数的方式
• 第一种：通过 cmd 中，或者 .sh 中，提供参数：

OUTPUT_DIR=${1:-"./llama-2-7b-oscar-ft"}
export HF_DATASETS_CACHE=".cache/huggingface_cache/datasets"
export TRANSFORMERS_CACHE=".cache/models/"

# random port between 30000 and 50000
port=$(( RANDOM % (50000 - 30000 + 1 ) + 30000 ))
accelerate launch --main_process_port ${port} --config_file configs/deepspeed_train_config.yaml \
     run_llmmt.py \
    --model_name_or_path meta-llama/Llama-2-7b-hf \
    --oscar_data_path oscar-corpus/OSCAR-2301 \
    --oscar_data_lang en,ru,cs,zh,is,de \
    --interleave_probs "0.17,0.22,0.14,0.19,0.08,0.2" \
    --streaming \
    --max_steps 600000 \
    --do_train \
..... 太长省略

然后在 .py 文件中，直接调用

args = parser.parse_args()

※ 然后就可以随意使用其中的参数啦

print(args.seed)
print(args.do_train)

• 第二种：提供字符串列表作为参数，而不是上面的空参数
  他这里有选项参数 --foo 和位置参数 bar
  第一个只提供了 ['BAR']，默认作为位置参数，所以有 bar='BAR'
  第二个提供了 ['BAR', '--foo', 'FOO']，第一个为位置参数，所以有 bar='BAR' 第二个选项参数 --foo 设置为 FOO
  第三个，只提供了选项参数，报错，因为位置参数是都需要提供的
  
• 当然也可以给一整个字符串，然后 .split() 也是同理的，但这个更接近于 cmd / sh 的格式
  

add_argument 高级应用

• 核心就是上面两个方法，这两个都明白之后，就可以看能做什么高级操作了
• action
  如果设置 action='store_const'，那么使用 const=xxx 来设置存储的常数。这样调用 --foo 的话，最终foo=42，不然 foo=None
  如果设置 action='store_true'，那么如果有提供该参数，该参数值变为 true，没提供该参数的话该参数值为 false；store_false 同理
  
• action='apend' 的话，那么设定该参数是一个列表，我就可以提供多次该参数值，比如这里 --foo 1 --foo 2，那么 foo=['1','2'] 的列表了
• action='append_const' 的话，相当于是 const 和 append 的一个混合，同理。
• action='count' 的话，会返回调用该参数的次数
  
• nargs 可以设定该参数的接受参数个数
  比如 ('--foo', nargs=2)，表示 --foo 后面需要接受俩参数，即 --foo a b
  可以设置为 nargs='?' ，表示可以接受1个或0个。0个的时候会调用 default 的值
  可以设置为 nargs='*' ，表示可以接受任意数量个参数。
  可以设置为 nargs='+' ，表示可以接受1个或更多参数。
  
  
• 可以使用 type 设定接受参数的数据类型，例子有：
  
• 可以使用 choices=[...] 设定，该参数值是给定列表中的一个选项。否则报错。
  
• 可以设定 required=True 表示该参数必须提供，否则报错。
  
• 可以设定 help='str...' ，表示该参数的作用介绍
  可以使用格式 %(var)s 就可以显示变量的值，比如 %(prog)s 或者 %(default)s
  

HfArgumentParser

• 看名字就知道，HfArgumentParser 是 HF 使用了 ArgumentParser，为了更契合 HF 中的一些方法，做的一个工具
  HF官网API：trainer_utils / HfArgumentParser
  首先是导入

from transformers import HfArgumentParser

• 然后是怎么使用，这一段几乎大部分使用到它都会有的代码
  一开始会去初始化 模型配置、数据配置和训练配置的参数
  接下来，通过判断 sys.argv ，观察是通过 .json 传递参数（加载对应的json_file），还是通过 cmd / sh 里提供配置参数（解析成 dataclass）
  然后传递到 model_args, data_args, training_args 三个变量中去

from utils.arguments import ModelArguments, DataTrainingArguments
from transformers import (
    HfArgumentParser,
    TrainingArguments,
    default_data_collator,
)
from transformers import HfArgumentParser
def main():
    # See all possible arguments in src/transformers/training_args.py
    # or by passing the --help flag to this script.
    # We now keep distinct sets of args, for a cleaner separation of concerns.
    
    parser = HfArgumentParser((ModelArguments, DataTrainingArguments, TrainingArguments))
    if len(sys.argv) == 2 and sys.argv[1].endswith(".json"):
        # If we pass only one argument to the script and it's the path to a json file,
        # let's parse it to get our arguments.
        model_args, data_args, training_args = parser.parse_json_file(json_file=os.path.abspath(sys.argv[1]))
    else:
        model_args, data_args, training_args = parser.parse_args_into_dataclasses()

• 最后就是通过这些参数，进行调用咯。这里给了一些代码例子

tokenizer = load_tokenizer(data_args, model_args, training_args, logger)
train_datasets, eval_datasets, test_datasets = preprocess_cpo_data(train_raw_data, valid_raw_data, test_raw_data, pairs, tokenizer, shots_eval_dict, data_args, training_args, model_args)
model = load_model(data_args, model_args, training_args, tokenizer, logger) 

trainer = CPOTrainer(
    model,
    args=training_args,
    beta=model_args.cpo_beta,
    train_dataset=train_datasets,
    eval_dataset=eval_datasets,
    tokenizer=tokenizer,
    max_prompt_length=data_args.max_source_length,
    max_length=data_args.max_source_length+data_args.max_new_tokens,
    callbacks=[SavePeftModelCallback] if model_args.use_peft else None,
)


# Training
if training_args.do_train:
    checkpoint = None
    if training_args.resume_from_checkpoint is not None:
        checkpoint = training_args.resume_from_checkpoint
    
    trainer.train(resume_from_checkpoint=checkpoint)

    trainer.save_state()
    if model_args.use_peft:
        if torch.distributed.get_rank() == 0:
            model.save_pretrained(training_args.output_dir) 
    else:
        trainer.save_model()  # Saves the tokenizer too for easy upload