简单介绍
官网：https://docs.python.org/3.6/library/argparse.html
argparse库是一个存储参数库，可以用来进行模型训练过程中的参数保存作为一个整体，以便于使用和更改。内容是依据：python 3.6.10版本写的。
创建
import argparse
parser = argparse.ArgumentParser(description='Testing...') #创建对象
添加参数
parser.add_argument() ##添加单个命令参数
args = parser.parse_args() ##使得参数创建并生效
（1）创建 ArgumenParser 对象
class
argparse.ArgumentParser(prog=None, usage=None, description=None, epilog=None, parents=[], formatter_class=argparse.HelpFormatter, prefix_chars='-', fromfile_prefix_chars=None, argument_default=None, conflict_handler='error', add_help=True, allow_abbrev=True)¶
1->prog：the name of program 程序的名称 （默认：sys.argv[0]）
2->usage：描述程序用法的字符串（默认：在利用add_argument时产生）
3->descripition：在使用 gragument help之前的说明文字 （默认：None）
4->epilog：在使用argument help后显示的一段文字（默认：None）[3-4命令类似于程序的说明书]
5->partents：一个列表形式的ArgumentParser对象，这个对象中的参数列表也要包含其中
6->formatter_class：用于自定义"帮助"输出的类
7->prefix_chars：前缀可选参数的字符集(默认值:' - ')
8->fromfile_prefix_chars：从前缀文件中读取的增加的可选参数的字符集(默认值:None)
9->argument_default：参数的全局默认值(默认值:None)
10->conflict_handler：解决选择冲突的方法(通常不需要)
11->add_help：是否允许向解析器添加-h/--help选项(默认值:True)
12->allow_abbrev：是否允许某些长字符串的选项用缩写代替，前提是缩写是明确的（默认值：True）
（2）add_argument() 方法
ArgumentParser.add_argument(name or flags...[, action][, nargs][, const][, default][, type][, choices][, required][, help][, metavar][, dest])
有一些参数没有介绍，有两种情况：1，没理解 怕误导 2，不想写（-，-我好任性）
1->name or flags：位置参数或者可选参数名称，如foo 或者 -foo，--foo
位置参数是按照输入的顺序赋值。可选参数是经过命令才会输入的。
例子：
import argparse
parser = argparse.ArgumentParser(description='Testing...') #创建对象
parser.add_argument('test',type=int) ##添加单个命令参数
parser.add_argument('test_1',type=float) ##type是输入的指定类型
parser.add_argument('-test_2','-i',type=float,default=2) ##dafault在没有命令输入时的默认值
## -test_2 命令 和 -i 命令相同
#parser.add_argument('-') ##添加单个命令参数
args = parser.parse_args() ##使得参数创建并生效
print(args.test+args.test_1)
print(args.test+args.test_2)
图：
2->action： 命令行遇到参数时的动作，默认值是 store.
(1)action='store'表示存储参数值
(2)action='store_const'，表示赋值为const
parser.add_argument('-test',action='store_const',const=12)
print(args.test)
#action='store_const' 不能与type一起使用
命令行：python untitled.py -test
output：12
命令行:python untitled.py -test 13 #报错
(3)action= 'store_true' or 'stror_false'
这种情况参考这篇博客：https://blog.csdn.net/liuweiyuxiang/article/details/82918911
(4)action='append' ：将多次输入的参数值保存到一个list中。
parser.add_argument('-test',action='append')
print(args.test)
(5)action='append_const' ：类似于append使用，这次是使用const值，而不是输入给定。
parser.add_argument('-test',action='append_const',const=1)
parser.add_argument('-int',action='append_const',const=12.3)
print(args)
(6)action='count' :存储遇到参数命令的次数 ；
parser.add_argument('-test',action='count')
print(args)
(7)action='help'; action='version' 感觉作用不大，有需要看官网。
3->nargs：命令行参数的数量
在1->name or flag的例子可以看出，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)
parser.add_argument('test',type=int,nargs=2) ##该参数可以有两个输入
print(args.test)
(2)nargs='?'(允许不指定参数，利用const中的常量给予值)
parser.add_argument('-test',type=int,const=10,nargs='?')
#允许不输入（也可以输入1个值）
print(args.test)
注意：上面的情况和default参数是不同的，default可以允许 ‘python untitled1.py’ 输入，但是‘python untitled1.py -test’是不允许的，在未设置nargs参数时。
还有其他几种参数类型，nargs='*'; nargs='+' ; nargs='argparse.REMAINDER。不写了，看官网把。
4->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，看2->action='store_const'。与nargs配合看3->nargs='?'。
5->default：在没有参数输入时，默认输入值（具体看1->name or flag 中的例子）
6->type：命令行参数的类型（可看1->name or flag 中的例子）
7->choices：允许的参数集合
在1->name or flag 的例子可以看出，命令行只约定了传入类型，并没有约定传入的值，这个参数可以约定传入值。
parser.add_argument('test',type=int,choices=[1,3,5,7,9])
##约定只能传入1,3,5,7,9
print(args.test)
8->required：是否可以省略命令行选项(仅限可选类型)（默认值为True）
parser.add_argument('-test',type=int,default=10,required=True)
##required 规定-test参数是否可以省略
args = parser.parse_args() ##使得参数创建并生效
print(args.test)
从上图可以看出，如果设置了required=True是没有办法按照默认值，去使用-test参数的，默认值情况可以见1中的例子。
9->help：帮助简单的描述
10->metavar：参数使用信息名称（A name for the argument in usage messages）（没怎么看懂）
11->dest：命令的别称
parser.add_argument('-test',type=int,dest='a')
# dest -test的别称
print(args.a)
#等价于print(args.test)
（3）总结
详细总结argparse库，是因为看过斯cs224N的课程，里面有一些作业，是利用argparse去验证填充的代码部分是否可以通过验证。除了这个用处之外，github上有一些大牛是用这个库来存储训练模型使用的各种参数的，比如batch_size，epoch等参数然后调用的train的时候就直接调用args就可以了比较方便，也便于统一更改某些参数。下面举个简单的例子：
利用 argparse 存参数
import argparse
def parameter():
parser = argparse.ArgumentParser(description='TextCNN model parameter ')
parser.add_argument('-batch_size',default=10,help='the train batch size')
parser.add_argument('-epoch',default=5,help='the time need train')
parser.add_argument('-learing_rate',default=1e-3)
parser.add_argument('-embed_size',default=100,help='the word dimensionality')
parser.add_argument('-output_size',default=2)
parser.add_argument('-k',default=10,help='the cross validation size')
parser.add_argument('-dropout_rate',default=0.1,help='dropout layer')
args = parser.parse_args()
return args
加载函数，放到模型和训练模型中去用。
from untitled1 import parameter
import torch
import torch.nn as nn
from torch.utils.data import DataLoader,Dataset
import torch.nn.functional as F
args = parameter() #参数
x = torch.rand(100,25,args.embed_size) #100个句子,25个词,embed_size
label = [0] *50 +[1]*50
label = torch.tensor(label,dtype=torch.long)
class DataSet(Dataset):
def __init__(self,X,label):
self.x_data = X
self.y_data = label
self.len = len(label)
def __getitem__(self,index):
return self.x_data[index],self.y_data[index]
def __len__(self):
return self.len
class textCNN(nn.Module):
def __init__(self,words_num):
super(textCNN, self).__init__()
self.words_num = words_num
self.embed_size = args.embed_size #args
self.class_num = args.output_size #args
self.drop_rate = args.dropout_rate
self.conv1 = nn.Sequential(
nn.Conv2d(1,3,(3,self.embed_size)),
nn.BatchNorm2d(3)) ###in_channels, out_channels, kernel_size
self.conv2 = nn.Sequential(
nn.Conv2d(1,3,(4,self.embed_size)),
nn.BatchNorm2d(3))
self.conv3 = nn.Sequential(
nn.Conv2d(1,3,(5,self.embed_size)),
nn.BatchNorm2d(3))
self.max_pool1 = nn.MaxPool1d(5)
self.max_pool2 = nn.MaxPool1d(4)
self.max_pool3 = nn.MaxPool1d(3)
self.dropout = nn.Dropout(self.drop_rate)
self.linear = nn.Linear(48,self.class_num) ##后面算出来的
# 3 -> out_channels 3 ->kernel_size 1 ->max_pool
def forward(self,sen_embed): #(batch,max_len,embed_size)
sen_embed = sen_embed.unsqueeze(1) #(batch,in_channels,max_len,embed_size)
conv1 = F.relu(self.conv1(sen_embed)) # ->(batch_size,out_channels,output.size,1)
conv2 = F.relu(self.conv2(sen_embed))
conv3 = F.relu(self.conv3(sen_embed))
conv1 = torch.squeeze(conv1,dim=3)
conv2 = torch.squeeze(conv2,dim=3)
conv3 = torch.squeeze(conv3,dim=3)
x1 = self.max_pool1(conv1)
x2 = self.max_pool2(conv2)
x3 = self.max_pool3(conv3) ##batch_size,out_channel,18
x1 = x1.view(x1.size()[0],-1) ###batch_size 不能等于1
x2 = x2.view(x2.size()[0],-1)
x3 = x3.view(x3.size()[0],-1)
x = torch.cat((x1,x2),dim=1)
x = torch.cat((x,x3),dim=1)
output = self.linear(self.dropout(x))
return output
dataset = DataSet(x, label)
data_loader = DataLoader(dataset,args.batch_size, shuffle=True)
model = textCNN(25) #word_num
loss_function = nn.CrossEntropyLoss()
def train(args,model,data_loader,loss_function):
optimizer = torch.optim.SGD(model.parameters(), lr=args.learing_rate)
criterion = loss_function
model.train()
for epoch in range(args.epoch): ##2个epoch
for step,(x,target) in enumerate(data_loader):
output = model(x)
loss = criterion(output,target)
optimizer.zero_grad()
#loss.backward()
loss.backward(retain_graph=True)
optimizer.step()
print(epoch)
train(args,model,data_loader,loss_function)
上述内容，参考了以下几篇博客内容：（如有侵权，请联系本人删除）
【1】https://blog.csdn.net/tianzhiya121/article/details/89109071
【2】https://blog.csdn.net/Samaritan_x/article/details/84146029