TensorFlow 中 tf.app.flags 的目的是啥？

Posted 2023-02-16

【中文标题】TensorFlow 中 tf.app.flags 的目的是啥？

【英文标题】：What's the purpose of tf.app.flags in TensorFlow?TensorFlow 中 tf.app.flags 的目的是什么？

【发布时间】：2016-02-29 05:03:23

【问题描述】：

我正在阅读 Tensorflow 中的一些示例代码，我发现以下代码

flags = tf.app.flags
FLAGS = flags.FLAGS
flags.DEFINE_float('learning_rate', 0.01, 'Initial learning rate.')
flags.DEFINE_integer('max_steps', 2000, 'Number of steps to run trainer.')
flags.DEFINE_integer('hidden1', 128, 'Number of units in hidden layer 1.')
flags.DEFINE_integer('hidden2', 32, 'Number of units in hidden layer 2.')
flags.DEFINE_integer('batch_size', 100, 'Batch size.  '
                 'Must divide evenly into the dataset sizes.')
flags.DEFINE_string('train_dir', 'data', 'Directory to put the training data.')
flags.DEFINE_boolean('fake_data', False, 'If true, uses fake data '
                 'for unit testing.')

在tensorflow/tensorflow/g3doc/tutorials/mnist/fully_connected_feed.py

但我找不到任何关于tf.app.flags 用法的文档。

我发现这个标志的实现是在 tensorflow/tensorflow/python/platform/default/_flags.py

显然，这个tf.app.flags 以某种方式用于配置网络，那么为什么它不在 API 文档中呢？谁能解释这里发生了什么？

【参考方案1】：

tf.app.flags 模块目前是 python-gflags 的薄包装，因此documentation for that project 是了解如何使用它的最佳资源 argparse，它实现了功能的子集在python-gflags。

请注意，此模块目前是为了方便编写演示应用而打包的，从技术上讲，它不是公共 API 的一部分，因此将来可能会发生变化。

我们建议您使用 argparse 或您喜欢的任何库来实现自己的标志解析。

编辑： tf.app.flags 模块实际上并没有使用 python-gflags 实现，但它使用了类似的 API。

【讨论】：

“为了方便编写演示应用而打包，从技术上讲，它不是公共 AP 的一部分”……有点奇怪，它几乎在每个教程中都有使用，但没有关于它的文档。导致很多混乱。

有关如何使用 argparse 将参数传递给 TensorFlow 模型以及如何将其捆绑到云的 Python 模块中的一个很好的示例，请参阅 taxifare 模块中的 task.py 部分的training-data-analyst course materials。

tf.app.run 也不是公共 API 的一部分吗？因为它依赖于 tf.app.flags 并且它有公共文档 (tensorflow.org/api_docs/python/tf/app/run)，所以我认为它是公共的并受支持。如果建议改用argparse，您能否提供一个简短示例，说明使用argparse 的推荐方式？

对于 tensorflow 中的所有内容来说，文档都不是问题。

【参考方案2】：

tf.app.flags 模块是 Tensorflow 提供的一项功能，用于为您的 Tensorflow 程序实现命令行标志。例如，您遇到的代码将执行以下操作：

flags.DEFINE_float('learning_rate', 0.01, 'Initial learning rate.')

第一个参数定义标志的名称，第二个参数定义默认值，以防在执行文件时未指定标志。

因此，如果您运行以下命令：

$ python fully_connected_feed.py --learning_rate 1.00

然后学习率设置为 1.00，如果未指定标志，将保持 0.01。

如 in this article 所述，文档可能不存在，因为这可能是 Google 内部要求其开发人员使用的东西。

另外，正如文章中提到的，使用 Tensorflow 标志比其他 Python 包（例如 argparse）提供的标志功能有几个优点，尤其是在处理 Tensorflow 模型时，最重要的是您可以提供特定于 Tensorflow 的信息到代码，例如有关使用哪个 GPU 的信息。

【讨论】：

第三个参数是什么意思？可能它就像小的文档字符串。很想知道我是否错了。

【参考方案3】：

简答：

在 Google，他们使用标志系统来设置参数的默认值。它类似于 argparse。他们使用自己的标志系统而不是 argparse 或 sys.argv。

资料来源：我以前在那里工作过。

长答案：

对于您在该示例中的参数，它们称为hyperparameters。在神经网络中，您可以优化多个参数以获得所需的结果。例如，对于batch_size，它是可以单次传递给optimizer 的数据向量（可以是图像、文本或原始数据点）的数量。

您可以在 Google 上搜索参数的名称，看看它的用途是什么。如果您想了解深度学习，我建议您参加 Andrew Ng 课程。

【参考方案4】：

当您使用tf.app.run() 时，您可以使用tf.app.flags 在线程之间非常方便地传递变量。有关tf.app.flags 的进一步用法，请参阅this。

【参考方案5】：

经过多次尝试，我发现它可以打印所有 FLAGS 键以及实际值 -

for key in tf.app.flags.FLAGS.flag_values_dict():

  print(key, FLAGS[key].value)

【讨论】：

你的意思是 FLAGS[key]