招聘网站做销售怎么样,要个网站,信息推广网站点不开的那种怎么做,简单工程承包合同范本一、引言 对于算法工程师来说#xff0c;语言从来都不是关键#xff0c;关键是快速学习以及解决问题的能力。大学的时候参加ACM/ICPC一直使用的是C语言#xff0c;实习的时候做一个算法策略后台用的是php#xff0c;毕业后做策略算法开发#xff0c;因为要用spark#x… 一、引言 对于算法工程师来说语言从来都不是关键关键是快速学习以及解决问题的能力。大学的时候参加ACM/ICPC一直使用的是C语言实习的时候做一个算法策略后台用的是php毕业后做策略算法开发因为要用spark所以写了scala后来用基于storm开发实时策略用的java。至于python从日常用hive做数据策略用python写udf到基于tensorflow深度学习框架写python版的模型网络再到现在实用pytorch做大模型。眼看着在语言纷争中python的应用越来越广开一个单独的专栏用于记录python中常用到的技巧算是做笔记没事翻出来看看。 本文重点介绍python中的参数解析器ArgumentParser。
二、参数解析器ArgumentParser
2.1 概述
在Python中ArgumentParser用于定义和读取命令行输入的参数在运行python文件时对命令行参数进行解析处理。
2.2 代码示例
from argparse import ArgumentParserdef _get_args():parser ArgumentParser()parser.add_argument(-c, --checkpoint-path, typestr, defaultDEFAULT_CKPT_PATH,helpCheckpoint name or path, default to %(default)r)parser.add_argument(--cpu-only, actionstore_true, helpRun demo with CPU only)parser.add_argument(--share, actionstore_true, defaultFalse,helpCreate a publicly shareable link for the interface.)parser.add_argument(--inbrowser, actionstore_true, defaultFalse,helpAutomatically launch the interface in a new tab on the default browser.)parser.add_argument(--server-port, typeint, default18003,helpDemo server port.)parser.add_argument(--server-name, typestr, default127.0.0.1,helpDemo server name.)parser.add_argument(-g,--gpus,typestr,defaultauto,helpset gpu numbers)args parser.parse_args()return argsdef main():args _get_args()model, tokenizer _load_model_tokenizer(args)if __name__ __main__:main()这是一个大模型web_demo.py的参数读取样例先通过 ArgumentParser类声明一个解析器对象parser采用add_argument加参数方法将参数加入到解析器parser中最后parser调用parse_args解析参数方法将参数提取、返回。参数传入后续的函数进行应用。 重点在于add_argument方法的参数 -c一个-代表命令命令行指定命令的缩写这个后面跟进要输入的内容 --checkpoint-path两个--后面跟着参数的名字args.checkpoint-path即可使用该参数 typestr参数类型 defaultDEFAULT_CKPT_PATH参数默认值 actionstore_true如果命令行输入了该参数该参数即为true不加为default中的默认值带有这个的参数主要为true、false判别类参数。 helpCheckpoint name or path, default to %(default)r)help注释。 三、总结
命令行参数解析器ArgumentParser通常为python代码的第一道关在main()中声明或定义。使用该方法可以轻松的读取命令行的参数构造带有命令行参数的python脚本。
《AI—工程篇》
AI智能体研发之路-工程篇一Docker助力AI智能体开发提效
AI智能体研发之路-工程篇二Dify智能体开发平台一键部署
AI智能体研发之路-工程篇三大模型推理服务框架Ollama一键部署
AI智能体研发之路-工程篇四大模型推理服务框架Xinference一键部署
AI智能体研发之路-工程篇五大模型推理服务框架LocalAI一键部署
《AI-模型篇》
AI智能体研发之路-模型篇一大模型训练框架LLaMA-Factory在国内网络环境下的安装、部署及使用
AI智能体研发之路-模型篇二DeepSeek-V2-Chat 训练与推理实战
AI智能体研发之路-模型篇三中文大模型开、闭源之争
AI智能体研发之路-模型篇四一文入门pytorch开发
AI智能体研发之路-模型篇五pytorch vs tensorflow框架DNN网络结构源码级对比
AI智能体研发之路-模型篇六【机器学习】基于tensorflow实现你的第一个DNN网络
AI智能体研发之路-模型篇七【机器学习】基于YOLOv10实现你的第一个视觉AI大模型
AI智能体研发之路-模型篇八【机器学习】Qwen1.5-14B-Chat大模型训练与推理实战
