改变argparse linux形式手动输入参数

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
@Author hekun
@Date 2020/5/16 17:20
"""
#from __future__ import print_function
# 这个是python当中让print都以python3的形式进行print，即把print视为函数
import argparse
# 使得我们能够手动输入命令行参数，就是让风格变得和Linux命令行差不多
import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
from torchvision import datasets, transforms
# Training settings 就是在设置一些参数，每个都有默认值，输入python main.py -h可以获得相关帮助
# parser = argparse.ArgumentParser(description='PyTorch MNIST Example')
# parser.add_argument('--batch-size', type=int, default=64, metavar='N',
#
# batch_si
ze参数，如果想改，如改成128可这么写：python main.py -batch_size=128
#
help='input batch size for training (default: 64)')
# parser.add_argument('--test-batch-size', type=int, default=1000, metavar='N',
# test_batch_size参数，
#
help='input batch size for testing (default: 1000)')
# parser.add_argument('--epochs', type=int, default=10, metavar='N',
#
help='number of epochs to train (default: 10)')
# parser.add_argument('--lr', type=float, default=0.01, metavar='LR',
#
help='learning rate (default: 0.01)')
# parser.add_argument('--momentum', type=float, default=0.5, metavar='M',
#
help='SGD momentum (default: 0.5)')
# parser.add_argument('--no-cuda', action='store_true', default=False,
# GPU参数，默认为False
#
help='disables CUDA training')
# parser.add_argument('--seed', type=int, default=1, metavar='S',
#
help='random seed (default: 1)')
# parser.add_argument('--log-interval', type=int, default=10, metavar='N',
# 跑多少次batch进行一次日志记录
#
help='how many batches to wait before logging training status')
# args = parser.parse_args()
# 这个是使用argparse模块时的必备行，将参数进行关联，详情用法请百度 argparse 即可
# args.cuda = not args.no_cuda and torch.cuda.is_available()
# 这个是在确认是否使用gpu的参数,比如
#
# torch.manual_seed(args.seed)
# 设置一个随机数种子，相关理论请自行百度或google，并不是pytorch特有的什么设置
# if args.cuda:
#
torch.cuda.manual_seed(args.seed)
# 这个是为GPU设置一个随机数种子
#
# kwargs = {'num_workers': 1, 'pin_memory': True} if args.cuda else {}
batch_size = 64
test_batch_size = 1000
epochs = 5
momentum = 0.5
lr = 0.01
# train_loader = torch.utils.data.DataLoader(
# 加载训练数据，详细用法参考我的Pytorch打怪路（一）系列-（1）
#
datasets.MNIST('../data', train=True, download=True,
#
transform=transforms.Compose([
#
transforms.ToTensor(),
#
transforms.Normalize((0.1307,), (0.3081,))
#
])),
#
batch_size=args.batch_size, shuffle=True, **kwargs)
train_loader = torch.utils.data.DataLoader(
# 加载训练数据，详细用法参考我的Pytorch打怪路（一）系列-（1）
datasets.MNIST('../data', train=True, download=True,
transform=transforms.Compose([
transforms.ToTensor(),
transforms.Normalize((0.1307,), (0.3081,))
])),
batch_size=batch_size, shuffle=True)
# test_loader = torch.utils.data.DataLoader(
# 加载训练数据，详细用法参考我的Pytorch打怪路（一）系列-（1）
#
datasets.MNIST('../data', train=False, transform=transforms.Compose([
#
transforms.ToTensor(),
#
transforms.Normalize((0.1307,), (0.3081,))
#
])),
#
batch_size=args.test_batch_size, shuffle=True, **kwargs)
test_loader = torch.utils.data.DataLoader(
# 加载训练数据，详细用法参考我的Pytorch打怪路（一）系列-（1）
datasets.MNIST('../data', train=False, transform=transforms.Compose([
transforms.ToTensor(),
transforms.Normalize((0.1307,), (0.3081,))
])),
batch_size=test_batch_size, shuffle=False)
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
self.conv1 = nn.Conv2d(1, 10, kernel_size=5)
self.conv2 = nn.Conv2d(10, 20, kernel_size=5)
self.conv2_drop = nn.Dropout2d()
self.fc1 = nn.Linear(320, 50)
self.fc2 = nn.Linear(50, 10)
def forward(self, x):
x = F.relu(F.max_pool2d(self.conv1(x), 2))
x = F.relu(F.max_pool2d(self.conv2_drop(self.conv2(x)), 2))
x = x.view(-1, 320)
x = F.relu(self.fc1(x))
x = F.dropout(x, training=self.training)
x = self.fc2(x)
return F.log_softmax(x, dim=1)
model = Net()
# 实例化一个网络对象
# if args.cuda:
#
model.cuda()
# 判断是否调用GPU模式
print(model)
# optimizer = optim.SGD(model.parameters(), lr=args.lr, momentum=args.momentum)
# 初始化优化器 model.train()
optimizer = optim.SGD(model.parameters(), lr=lr, momentum=momentum)
loss_f = nn.CrossEntropyLoss()
def train(epoch):
# 定义每个epoch的训练细节
model.train()
# 设置为trainning模式
running_loss = 0.0
for i, data in enumerate(train_loader):
# if args.cuda:
# 如果要调用GPU模式，就把数据转存到GPU
#
data, target = data.cuda(), target.cuda()
inputs, labels = data
optimizer.zero_grad()
# 优化器梯度初始化为零
outputs = model(inputs)
# 把数据输入网络并得到输出，即进行前向传播
loss = loss_f(outputs, labels)
# 计算损失函数
loss.backward()
# 反向传播梯度
optimizer.step()
# 结束一次前传+反传之后，更新优化器参数
running_loss += loss.item()
# if batch_idx % args.log_interval == 0:
# 准备打印相关信息，args.log_interval是最开头设置的好了的参数
if i % 2000 == 1999:
# print every 2000 mini-batches
所以每个2000次之类先用running_loss进行累加
print('[%d, %5d] loss: %.3f' %
(epoch, i + 1, running_loss / 2000))
# 然后再除以2000，就得到这两千次的平均损失值
running_loss = 0.0
# 这一个2000次结束后，就把running_loss归零，下一个2000次继续使用
def test():
model.eval()
# 设置为test模式
test_loss = 0
# 初始化测试损失值为0
correct = 0
# 初始化预测正确的数据个数为0
for data in test_loader:
# if args.cuda:
#
data, target = data.cuda(), target.cuda()
inputs, labels = data
outputs = model(inputs)
test_loss += loss_f(outputs, labels).item()
# sum up batch loss 把所有loss值进行累加
pred = outputs.data.max(1, keepdim=True)[1]
# get the index of the max log-probability
correct += pred.eq(labels.data.view_as(pred)).sum().item()
# 对预测正确的数据个数进行累加
test_loss /= len(test_loader.dataset)
# 因为把所有loss值进行过累加，所以最后要除以总得数据长度才得平均loss
print('nTest set: Average loss: {:.4f}, Accuracy={}n'.format(
test_loss, correct/len(test_loader.dataset)))
if __name__ == '__main__':
for epoch in range(1, epochs + 1):
# 以epoch为单位进行循环
train(epoch)
test()

最后

以上就是自觉航空为你收集整理的改变argparse linux形式手动输入参数的全部内容，希望文章能够帮你解决改变argparse linux形式手动输入参数所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。