机器都在不停学习
人怎们能停止脚步

Pycharm 本地运行时设置flags参数

Python编程中flags可以帮助我们通过命令行来动态的更改代码中的参数。以bert为例,在运行代码的时候,有很多flag需要配置

export BERT_BASE_DIR=/Users/mtdp/Desktop/code/data/tmp/chinese_L-12_H-768_A-12
export SERVE_DIR=/Users/mtdp/Desktop/code/data/tmp/bert_multi_data/predict

python main.py \
--task_name=fserve \
--do_train=True \
--do_eval=False \
--do_predict=True \
--do_export=True \
--data_dir=$SERVE_DIR \
--vocab_file=$BERT_BASE_DIR/vocab.txt \
--bert_config_file=$BERT_BASE_DIR/bert_config.json \
--init_checkpoint= \
--max_seq_length=300 \
--train_batch_size=1 \
--learning_rate=5e-5 \
--num_train_epochs=1 \
--output_dir=/Users/lisiyuan/Desktop/code/data/tmp/serve_output/

通常来说,我们会把上面的这些代码写到一个sh脚本中,通过执行sh脚本,就可以启动bert的训练过程,但在代码开发过程中,我们经常会需要进行debug,查看代码中一些变量的值,shape等属性,这对于熟悉模型结构而言,非常重要,使用sh脚本启动训练过程,不是很方便进行debug。

我注意到Eclipse中,可以设置flags,但平时我主要还是使用Pycharm进行开发,找了一下,发现「tensorflow flags 最全 pycharm 运行时输入参数 list string int float」有提到使用pycharm配置flags,但说的不是特别详细,因此本文在上述博文的基础上进行了补充说明。

首先,点击【Run】–>【Edit Configurations】进入设置

进入设置后,选择你需要配置flags参数的py文件,然后再点击Parameters框右侧的图标,添加flag

按照下图中的格式,在框内输入你的参数

--task_name
MRPC
--output_dir
output
--do_eval
flase
--do_train
true
--data_dir
../GLUE/glue_data/MRPC
--vocab_file
../GLUE/BERT_BASE_DIR/uncased_L-12_H-768_A-12/vocab.txt
--bert_config_file
../GLUE/BERT_BASE_DIR/uncased_L-12_H-768_A-12/bert_config.json

上面是我的参数,可以供大家参考。

配置好参数后,点击“OK”确认即可。最后,点击鼠标右键,选择【Run ‘run_classifier’ with Coverage】就可以使用刚刚配置的参数运行Python文件了

运行Python文件,可以方便地进行debug,达到查看模型内部详细信息的目的。

需要注意的是,这只是方便进行本地调试的方法,如果代码需要到服务器运行,还是需要使用sh脚本进行部署的

赞(0)
未经允许不得转载:机器在学习 » Pycharm 本地运行时设置flags参数
分享到: 更多 (0)

评论 抢沙发