【Python】NLP参数控制模板

news2024/9/24 11:20:34

前言

学过AI的都知道训练一个模型需要调整很多参数，为了有效的管理这些参数、不至于让代码的参数写的乱七八糟，有必要写一套控制参数的模板。

argparser

argparser是python当中的参数解析器，在NLP当中主要是用来接受和使用参数的。一个使用它的简单流程如下：

创建参数解析器parser
给解析器parser添加参数，用来接收参数，可以是模型参数、训练参数等
将参数解析器接收到的参数解析出来放到args中，后续使用也从args中取参数即可

示例：

# 1.创建参数解析器parser
parser = argparse.ArgumentParser()
# 2.给解析器parser添加参数，用来接收参数
parser.add_argument('--test','-t', default='test ok!')
# 3.将参数解析器接收到的参数解析出来放到args中
args = parser.parse_args()
print(args)
print(args.test)

关于argparser的更多用法，感兴趣可以自行搜索。

参数控制模板

import argparse

class Config:
    """model config"""
    def __init__(self) -> None:
        self.parser = self.setup_parser()
        self.args = vars(self.parser.parse_args())
        self.__dict__.update(self.args)

    def setup_parser(self):
        parser = argparse.ArgumentParser()
        parser.add_argument('--mode','-m', default='fintuned')
        return parser
    
if __name__ == '__main__':
    config = Config()
    print(config)
    print(config.mode)

可能有些人会疑惑直接按照上面argparser的三步走接受参数不久行了吗？

干嘛还加这两行：

self.args = vars(self.parser.parse_args())
self.__dict__.update(self.args)

解释一下，第一行的self.parser.parse_args()是上面argparser三步走中的第3步得到的结果，使用vars可以将这个结果转换成字典的形式，即参数：参数对应的值这种形式。

第二行的self.__dict__.update(self.args)是把上面得到的字典更新到自己的类里面，后面实例化之后就可以直接通过对象取到对应参数了。那取得的效果是啥呢？

我们看一下不加入这两行会发生什么？

import argparse

class Config:
    """model config"""
    def __init__(self) -> None:
        self.parser = self.setup_parser()
        self.args = self.parser.parse_args()
        # self.args = vars(self.parser.parse_args())
        # self.__dict__.update(self.args)

    def setup_parser(self):
        parser = argparse.ArgumentParser()
        parser.add_argument('--mode','-m', default='fintuned')
        return parser
    
if __name__ == '__main__':
    config = Config()
    print(config)
    print(config.mode)