文章目录

  • 1. python的sys.argv
  • 2. python的argparse包
  • 2.1 argparse的基本用法
  • 2.2 ArgumentParser.add_argument()传参
  • 2.3 add_argument()传参为list类型
  • 3. tf.app.flags组件
  • 3.1 tf.app.flags的基本用法
  • 4. 设置参数运行.py脚本
  • 4.1 命令行模式
  • 4.2 pycharm的IDE模式


在实际工作中，如果在运行python脚本时需要传入一些参数，例如gpus与batch_size，可以使用如下三种方式。

Python 向bat传递参数 python 传参数 脚本_python

这三种格式对应不同的参数解析方式，分别为

  • sys.argv
  • argparse
  • tf.app.flags

前两者是python自带的功能，后者是tensorflow提供的便捷方式。

1. python的sys.argv

sys模块是很常用的模块， 它封装了与python解释器相关的数据，例如sys.modules里面有已经加载了的所有模块信息，sys.path里面是PYTHONPATH的内容，而sys.argv则封装了传入的参数数据。

使用sys.argv接收上面第一个命令中包含的参数方式如下：

Python 向bat传递参数 python 传参数 脚本_命令行参数_02

Python 向bat传递参数 python 传参数 脚本_命令行参数_03

2. python的argparse包

argparse是python的命令行解析工具，可以在python代码中调用shell的一些命令。程序内部定义了需要使用的参数，argparse 会默认自动从 sys.argv中解析出对应的参数。argparse模块会自动生成帮助信息和使用提示，同时当用户使用无效参数时，会显示错误原因。

tensorflow的一些例子中用argparse来定义一些默认命令，通常是全局变量，也是用作和系统命令之间交互的全局设置。

【argparse官网】：https://docs.python.org/3.6/library/argparse.html

2.1 argparse的基本用法

下面一个实例展示了argparse的基本使用方法:

import argparse 

# 创建一个参数解析实例
parser = argparse.ArgumentParser(description='Parameters') 

# 添加参数解析
parser.add_argument('--training_epoch', type=int, default=3000)
parser.add_argument('--learning_rate', type=float, default=0.001)
parser.add_argument('--model_name', type=str, default='lstm')

# 开始解析
# pycharm: args = parser.parse_args()
# jupyter: args = parser.parse_args(args=[])
args = parser.parse_args(args=[]) 

# 输出参数
print({args})
print(args.training_epoch)
print(args.learning_rate)
print(args.model_name)
# 参数的使用
epochs = args.training_epoch
lr = args.learning_rate
model = args.model_name
2.2 ArgumentParser.add_argument()传参

add_argument()方法的基本定义如下：

ArgumentParser.add_argument(name or flags...[, action][, nargs][, const][, default][, type][, choices][, required][, help][, metavar][, dest])

相关参数的含义如下：

  • name or flags：位置参数或者可选参数名称，如foo 或者 -foo，–foo
  • action： 命令行遇到参数时的动作，默认值是 store。
  • nargs：命令行参数的数量。
    命令行传入的参数默认都是1，这个参数可以指定传入的参数个数。nargs有以下几种方式：
    (1)nargs=N(N 是一个大于等于1的整数)
    (2)nargs=‘?’(允许不指定参数，利用const中的常量给予值)
  • const：在action或者nargs选项中设置的常量。
    const与action和nargs配合使用。与action配合，参考 action=‘store_const’。与nargs配合参考nargs=‘?’。
  • default：在没有参数输入时，默认输入值。
  • type：命令行参数的类型。
  • choices：允许的参数集合。
  • required：是否可以省略命令行选项(仅限可选类型)（默认值为True）。
  • help：帮助简单的描述。
  • metavar：参数使用信息名称（A name for the argument in usage messages）。
  • dest：命令的别称。

【参考博客】：Python-argparse库基本使用方法和add_argument() 参数详解：

2.3 add_argument()传参为list类型

argparse的parser.add_argument()函数中传入参数的type为常见的类型，如int，str，float等。

  • 如果想要传入list等复杂类型，要如何操作呢？以输入 int 类型的 list [1, 2, 3] 为例：
# nargs=3 限制该参数只能有3个输入
# required=True 该参数为必须输入项；required=False 该参数为可选输入项
parser.add_argument('--test_data', type=int, nargs=3, required=True) 

test_data = args.test_data
print('test_data:', test_data)

在控制台下运行如下命令：

python main.py --test_data 1 2 3

可以看到 test_data 的输出结果为

# test_data: [1, 2, 3]

假设我们想给 test_data 输入多个参数，则可以使用 “nargs=‘+’”，如下所示：

# nargs='+' 该参数可以有多个输入
parser.add_argument('--test_data', type=int, nargs='+', required=True)
  • 如果需要的输入是array，这时可以自己再将 list 转化为自己所需的 array 以及相应的shape，如：
test_array = np.array(test_data)   # 将传入的list转为array类型
test_array_new = test_array.reshape(-1, 3, 1)
print('test_array_new:', test_array_new)  
# test_data: [[[1] [2] [3]]]

到这里，就得到了我们所需要的shape为(-1, 3, 1)的array，再将array作为入参传入我们Python的函数中即可。

3. tf.app.flags组件

在Tensorflow中，还可以使用flags定义命令行参数。

3.1 tf.app.flags的基本用法

tf定义了tf.app.flags，用于接受命令行传递参数，相当于接受argv。首先调用自带的DEFINE_integer，DEFINE_float， DEFINE_string 等设置不同类型的命令行参数及其默认值。当然，也可以在终端用命令行参数修改这些默认值。

下面一个实例展示了tf.app.flags的基本使用方法:

import tensorflow as tf

flags = tf.app.flags
FLAGS = tf.app.flags.FLAGS
flags.DEFINE_integer('training_epoch', 3000, 'number of epochs to train.')
flags.DEFINE_float('learning_rate', 0.001, 'Initial learning rate.')
flags.DEFINE_string('model_name', 'lstm', 'model name')

def main(_):
    # 输出参数
    print(FLAGS.training_epoch)
    print(FLAGS.learning_rate)
    print(FLAGS.model_name)
if __name__ == '__main__':
    tf.app.run()  #执行main函数
# 参数的使用
epochs = FLAGS.training_epoch
lr = FLAGS.learning_rate
model = FLAGS.model_name

4. 设置参数运行.py脚本

虽然我们在样例代码中指定了argparse和tf.app.flags的默认参数，但是在实际运行中如果想传入自定义的参数，可以通过命令行模式和pycharm的IDE模式两种方式实现。

假定需要传入的自定义参数为：

training_epoch 为 1000 
learning_rate 为 0.002 
model_name 为 'lstm'
4.1 命令行模式

程序在控制台下运行时格式为：

python test.py --training_epoch 1000 --learning_rate 0.002 --model_name 'lstm'
4.2 pycharm的IDE模式

在pycharm的IDE模式下，我们需要给程序事先指定好输入参数。点击“Run”菜单下的"Edit Configurations…"命令

Python 向bat传递参数 python 传参数 脚本_Python 向bat传递参数_04


在Parameters中填入如下参数：

Python 向bat传递参数 python 传参数 脚本_命令行_05

参考博客：