使用argparse进行调参

argparse是深度学习项目调参时常用的python标准库，使用argparse后，我们在命令行输入的参数就可以以这种形式python filename.py --lr 1e-4 --batch_size 32来完成对常见超参数的设置。，一般使用时可以归纳为以下三个步骤

使用步骤：

创建ArgumentParser()对象
调用add_argument()方法添加参数
使用parse_args()解析参数在接下来的内容中，我们将以实际操作来学习argparse的使用方法

import argparseparser = argparse.ArgumentParser() # 创建一个解析对象parser.add_argument() # 向该对象中添加你要关注的命令行参数和选项args = parser.parse_args() # 调用parse_args()方法进行解析

常见规则

在命令行中输入python demo.py -h或者python demo.py --help可以查看该python文件参数说明
arg字典类似python字典，比如arg字典Namespace(integers='5')可使用arg.参数名来提取这个参数
parser.add_argument('integers', type=str, nargs='+',help='传入的数字') nargs是用来说明传入的参数个数，‘+’ 表示传入至少一个参数，’*’ 表示参数可设置零个或多个，’?’　表示参数可设置零个或一个
parser.add_argument('-n', '--name', type=str, required=True, default='', help='名') required=True表示必须参数, -n表示可以使用短选项使用该参数
parser.add_argument("--test_action", default='False', action='store_true')store_true 触发时为真，不触发则为假（test.py，输出为 False ，test.py --test_action，输出为 True）

使用config文件传入超参数

为了使代码更加简洁和模块化，可以将有关超参数的操作写在config.py，然后在train.py或者其他文件导入就可以。具体的config.py可以参考如下内容。

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.pynum_workers: 0
batch_size: 4
epochs (niters) : 10
learning rate : 3e-05
manual_seed: 118
cuda enable: True
checkpoint_path:

随后在train.py等其他文件，我们就可以使用下面的这样的结构来调用参数。

# 导入必要库
...
import configopt = 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# 随机数的设置，保证复现结果
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)