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 argparse parser = 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.py num_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 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 # 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) 参考：
https://zhuanlan.zhihu.com/p/56922793
(14条消息) python argparse中action的可选参数store_true的作用_元气少女wuqh的博客-CSDN博客
[6.6 使用argparse进行调参 — 深入浅出PyTorch (datawhalechina.github.io)](https://datawhalechina.github.io/thorough-pytorch/第六章/6.6 使用argparse进行调参.html)
