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 argparseclass 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 parserif __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 argparseclass 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 parserif __name__ == '__main__':config = Config()print(config)print(config.mode)
报错，原因是因为Config类的对象config没有mode属性，事实上参数存储在config.args中了，因此取出“mode”参数应该用confgi.args.mode。
但是这样很麻烦，我们想直接通过config取参数，即config.mode，只需要加上上面两行即可！也就是最开始的模板，结果如下：
大功告成！以后写NLP或者其他AI代码，只需要用这一套模板，在其他python文件中实例化该类，就可以很方便的管理我们的参数了。
