Quel est le but de tf.app.drapeaux en TensorFlow?

Je suis en train de lire quelques exemple des codes dans Tensorflow, j'ai trouvé code suivant 

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.')

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

Mais je ne trouve pas de docs sur cette utilisation de tf.app.flags.

Et j'ai trouvé la mise en œuvre de ce drapeaux est dans le
tensorflow/tensorflow/python/platform/default/_flags.py

Évidemment, ce tf.app.flags est en quelque sorte utilisé pour configurer un réseau, alors pourquoi n'est-il pas dans l'API docs? Quelqu'un peut-il expliquer ce qui se passe ici?

InformationsquelleAutor flyaway1217 | 2015-11-26
  1. 101

    La tf.app.flags module est actuellement une mince wrapper autour de python-gflags, de sorte que le la documentation pour ce projet est la meilleure ressource pour la façon de l'utiliser argparse, qui implémente un sous-ensemble de la fonctionnalité de python-gflags.

    Noter que ce module est actuellement présenté comme une commodité pour l'écriture de démonstration des applications, et n'est pas techniquement partie de l'API publique, de sorte qu'il peut changer dans le futur.

    Nous vous recommandons d'implémenter votre propre drapeau de l'analyse en utilisant argparse ou quelle que soit la bibliothèque vous préférez.

    EDIT: La tf.app.flags module n'est pas en fait mis en œuvre à l'aide de python-gflags, mais il utilise une API similaire.

    • "emballé comme une commodité pour l'écriture de démonstration des applications, et n'est pas techniquement partie du public AP" ... un peu étrange qu'il est utilisé dans presque tous les tutoriel, mais il n'y a pas de documentation sur elle. Conduit à beaucoup de confusion.
    • Pour un bon exemple de comment utiliser argparse pour passer des arguments à un TensorFlow modèle et comment regrouper dans un module Python pour le cloud, voir task.py dans la taxifare module, une partie de la formation-données-analyste de matériel de cours.
    • Est tf.app.run également pas partie de l'API publique? Parce qu'il s'appuie sur tf.app.flags et il a le public de la documentation (tensorflow.org/api_docs/python/tf/app/run), donc je suppose qu'il est public et pris en charge. Si il est recommandé d'utiliser argparse au lieu de cela, pouvez-vous donner un bref exemple de la manière recommandée de l'utiliser avec argparse?
    • n'est-ce pas la documentation d'un problème pour tout tensorflow.
    InformationsquelleAutor mrry
  2. 21

    La tf.app.flags module est une fonctionnalité fournie par Tensorflow à mettre en œuvre des options de ligne de commande pour votre Tensorflow programme. Par exemple, le code vous est venu à travers le ferait la suivante:

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

    Le premier paramètre définit le nom du drapeau, tandis que le second définit la valeur par défaut dans le cas où le drapeau n'est pas spécifié lors de l'exécution du fichier.

    Donc, si vous exécutez la commande suivante:

    $ python fully_connected_feed.py --learning_rate 1.00

    puis l'apprentissage de taux est fixé à 1,00 $ et restera à 0,01 si le drapeau n'est pas spécifié.

    Comme mentionné dans cet article, les docs ne sont probablement pas présent, car cela pourrait être quelque chose que Google exige en interne pour ses développeurs à utiliser.

    Aussi, comme mentionné dans le post, il ya plusieurs avantages de l'utilisation de Tensorflow flags over drapeau fonctionnalités offertes par d'autres paquets Python comme argparse surtout lorsqu'il s'agit Tensorflow modèles, le plus important étant que vous pouvez fournir Tensorflow des informations spécifiques pour le code, telles que les informations sur le GPU à utiliser.

    • quel est le troisième paramètre dire? probablement que c'est comme la petite doc de la chaîne. Aimerais savoir si je me trompe.
    • Oui, c'est probablement elle. Je n'ai pas vu tout de l'utilisation pratique pour elle, donc je suppose que c'est pour votre compréhension.
    InformationsquelleAutor Vedang Waradpande
  3. 5

    À Google, ils utilisent le drapeau des systèmes pour définir des valeurs par défaut pour les arguments. Il est similaire à la argparse. Ils utilisent leur propre système de drapeau au lieu de argparse ou sys.argv.

    Source: j'y ai travaillé avant.

    InformationsquelleAutor Ahmed
  4. 4

    Lorsque vous utilisez tf.app.run(), vous pouvez transférer la variable très commodément entre threads à l'aide de tf.app.flags. Voir cette pour une utilisation ultérieure de tf.app.flags.

    InformationsquelleAutor Cro
  5. 1

    Après avoir essayé de nombreuses fois, j'ai trouvé cette option pour imprimer tous les indicateurs clés ainsi que la valeur réelle -

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

  print(key, FLAGS[key].value)
    • tu veux dire les DRAPEAUX[key]
    InformationsquelleAutor Nandani