python深度學習標準庫使用argparse調參
前言
argparse是深度學習項目調參時常用的python標準庫,使用argparse後,我們在命令行輸入的參數就可以以這種形式python filename.py –lr 1e-4 –batch_size 32來完成對常見超參數的設置。,一般使用時可以歸納為以下三個步驟
使用步驟:
- 創建ArgumentParser()對象
- 調用add_argument()方法添加參數
- 使用parse_args()解析參數 在接下來的內容中,我們將以實際操作來學習argparse的使用方法
import argparse parser = argparse.ArgumentParser() # 創建一個解析對象 parser.add_argument() # 向該對象中添加你要關註的命令行參數和選項 args = parser.parse_args() # 調用parse_args()方法進行解析
常見規則
- 在命令行中輸入python demo.py -h或者python demo.py –help可以查看該python文件參數說明
- arg字典類似python字典,比如arg字典Namespace(integers='5')可使用arg.參數名來提取這個參數
- parser.add_argument('integers', type=str, nargs='+',help='傳入的數字') nargs是用來說明傳入的參數個數,'+' 表示傳入至少一個參數,'*' 表示參數可設置零個或多個,'?' 表示參數可設置零個或一個
- parser.add_argument('-n', '–name', type=str, required=True, default='', help='名') required=True表示必須參數, -n表示可以使用短選項使用該參數
- parser.add_argument("–test_action", default='False', action='store_true')store_true 觸發時為真,不觸發則為假(test.py,輸出為 False ,test.py –test_action,輸出為 True)
使用config文件傳入超參數
為瞭使代碼更加簡潔和模塊化,可以將有關超參數的操作寫在config.py,然後在train.py或者其他文件導入就可以。具體的config.py可以參考如下內容。
import argparse def get_options(parser=argparse.ArgumentParser()): parser.add_argument('--workers', type=int, default=0, help='number of data loading workers, you had better put it ' '4 times of your gpu') parser.add_argument('--batch_size', type=int, default=4, help='input batch size, default=64') parser.add_argument('--niter', type=int, default=10, help='number of epochs to train for, default=10') parser.add_argument('--lr', type=float, default=3e-5, help='select the learning rate, default=1e-3') parser.add_argument('--seed', type=int, default=118, help="random seed") parser.add_argument('--cuda', action='store_true', default=True, help='enables cuda') parser.add_argument('--checkpoint_path',type=str,default='', help='Path to load a previous trained model if not empty (default empty)') parser.add_argument('--output',action='store_true',default=True,help="shows output") opt = parser.parse_args() if opt.output: print(f'num_workers: {opt.workers}') print(f'batch_size: {opt.batch_size}') print(f'epochs (niters) : {opt.niter}') print(f'learning rate : {opt.lr}') print(f'manual_seed: {opt.seed}') print(f'cuda enable: {opt.cuda}') print(f'checkpoint_path: {opt.checkpoint_path}') return opt if __name__ == '__main__': opt = get_options()
$ python config.py num_workers: 0 batch_size: 4 epochs (niters) : 10 learning rate : 3e-05 manual_seed: 118 cuda enable: True checkpoint_path:
隨後在train.py等其他文件,我們就可以使用下面的這樣的結構來調用參數。
# 導入必要庫 ... import config opt = config.get_options() manual_seed = opt.seed num_workers = opt.workers batch_size = opt.batch_size lr = opt.lr niters = opt.niters checkpoint_path = opt.checkpoint_path # 隨機數的設置,保證復現結果 def set_seed(seed): torch.manual_seed(seed) torch.cuda.manual_seed_all(seed) random.seed(seed) np.random.seed(seed) torch.backends.cudnn.benchmark = False torch.backends.cudnn.deterministic = True ... if __name__ == '__main__': set_seed(manual_seed) for epoch in range(niters): train(model,lr,batch_size,num_workers,checkpoint_path) val(model,lr,batch_size,num_workers,checkpoint_path)
argparse中action的可選參數store_true
# test.py import argparse if __name__ == '__main__': parser = argparse.ArgumentParser() parser.add_argument("--test_action", action='store_true') args = parser.parse_args() action_val = args.test_action print(action_val)
以上面的代碼為例,若觸發 test_action,則為 True, 否則為 False:
- $ python test.py,輸出為 False
- $ python test.py –test_action,輸出為 True
若在上面的代碼中加入default,設為 False 時:
parser.add_argument("--test_action", default='False', action='store_true')
- $ python test.py,輸出為 False
- $ python test.py –test_action,輸出為 True
default 設為 True 時:
parser.add_argument("--test_action", default='True', action='store_true')
- $ python test.py,輸出為 True
- $ python test.py –test_action,輸出為 True
參考:https://www.jb51.net/article/250215.htm
以上就是python深度學習標準庫使用argparse調參的詳細內容,更多關於python標準庫argparse調參的資料請關註WalkonNet其它相關文章!
推薦閱讀:
- python argparse的使用步驟(全網最全)
- Python命令行解析器argparse詳解
- Python Parser的用法
- python argparse命令行參數解析(推薦)
- Python argparse庫的基本使用步驟