tf.app.run()
Tensorflow 翻译演示如何工作?
在tensorflow/models/rnn/translate/translate.py
中,有对 的调用tf.app.run()
。它是如何处理的?
if __name__ == "__main__":
tf.app.run()
tf.app.run()
Tensorflow 翻译演示如何工作?
在tensorflow/models/rnn/translate/translate.py
中,有对 的调用tf.app.run()
。它是如何处理的?
if __name__ == "__main__":
tf.app.run()
if __name__ == "__main__":
表示当前文件在 shell 下执行,而不是作为模块导入。
tf.app.run()
正如你可以通过文件看到的app.py
def run(main=None, argv=None):
"""Runs the program with an optional 'main' function and 'argv' list."""
f = flags.FLAGS
# Extract the args from the optional `argv` list.
args = argv[1:] if argv else None
# Parse the known flags from that list, or from the command
# line otherwise.
# pylint: disable=protected-access
flags_passthrough = f._parse_flags(args=args)
# pylint: enable=protected-access
main = main or sys.modules['__main__'].main
# Call the main function, passing through any arguments
# to the final program.
sys.exit(main(sys.argv[:1] + flags_passthrough))
让我们逐行分解:
flags_passthrough = f._parse_flags(args=args)
这确保了你通过命令行传递的参数是有效的,例如
python my_model.py --data_dir='...' --max_iteration=10000
,这个特性实际上是基于 python 标准argparse
模块实现的。
main = main or sys.modules['__main__'].main
main
右边的第=
一个是当前函数的第一个参数run(main=None, argv=None)
。Whilesys.modules['__main__']
表示当前正在运行的文件(例如my_model.py
)。
所以有两种情况:
你没有main
函数my_model.py
然后你必须打电话tf.app.run(my_main_running_function)
你有一个main
函数my_model.py
。(大多数情况下都是如此。)
最后一行:
sys.exit(main(sys.argv[:1] + flags_passthrough))
确保使用解析的参数正确调用您的main(argv)
或函数。my_main_running_function(argv)
它只是一个非常快速的包装器,可以处理标志解析,然后分派到您自己的主程序。见代码。
简单来说,工作tf.app.run()
是首先设置全局标志以供以后使用,例如:
from tensorflow.python.platform import flags
f = flags.FLAGS
然后使用一组参数运行您的自定义主函数。
例如,在TensorFlow NMT代码库中,训练/推理程序执行的第一个入口点从此时开始(参见下面的代码)
if __name__ == "__main__":
nmt_parser = argparse.ArgumentParser()
add_arguments(nmt_parser)
FLAGS, unparsed = nmt_parser.parse_known_args()
tf.app.run(main=main, argv=[sys.argv[0]] + unparsed)
使用 解析参数后argparse
,tf.app.run()
运行定义如下的函数“main”:
def main(unused_argv):
default_hparams = create_hparams(FLAGS)
train_fn = train.train
inference_fn = inference.inference
run_main(FLAGS, default_hparams, train_fn, inference_fn)
因此,在设置全局使用的标志之后,tf.app.run()
只需运行作为参数main
传递给它argv
的函数。
PS:正如萨尔瓦多·达利(Salvador Dali)的回答所说,我想这只是一个很好的软件工程实践,尽管我不确定 TensorFlow 是否执行了main
比使用普通 CPython 运行的函数的任何优化运行。
Google 代码很大程度上依赖于在库/二进制文件/python 脚本中访问的全局标志,因此 tf.app.run() 解析出这些标志以在 FLAGs(或类似的东西)变量中创建一个全局状态,然后调用 python main( ) 正如它应该。
如果他们没有对 tf.app.run() 进行此调用,那么用户可能会忘记进行 FLAG 解析,从而导致这些库/二进制文件/脚本无法访问他们需要的 FLAG。
2.0兼容答案:如果要使用tf.app.run()
in Tensorflow 2.0
,我们应该使用命令,
tf.compat.v1.app.run()
或者您可以使用tf_upgrade_v2
将1.x
代码转换为2.0
.