?

一、引言?

對于算法工程師來說，語言從來都不是關鍵，關鍵是快速學習以及解決問題的能力。大學的時候參加ACM/ICPC一直使用的是C語言，實習的時候做一個算法策略后臺用的是php，畢業后做策略算法開發，因為要用spark，所以寫了scala，后來用基于storm開發實時策略，用的java。至于python，從日常用hive做數據策略用python寫udf，到基于tensorflow深度學習框架寫python版的模型網絡，再到現在實用pytorch做大模型。眼看著在語言紛爭中，python的應用越來越廣，開一個單獨的專欄用于記錄python中常用到的技巧，算是做筆記，沒事翻出來看看。

本文重點介紹python中的參數解析器（ArgumentParser）。

二、參數解析器（ArgumentParser）

2.1 概述

在Python中，ArgumentParser用于定義和讀取命令行輸入的參數，在運行python文件時對命令行參數進行解析處理。

2.2 代碼示例

from argparse import ArgumentParserdef _get_args():parser = ArgumentParser()parser.add_argument("-c", "--checkpoint-path", type=str, default=DEFAULT_CKPT_PATH,help="Checkpoint name or path, default to %(default)r")parser.add_argument("--cpu-only", action="store_true", help="Run demo with CPU only")parser.add_argument("--share", action="store_true", default=False,help="Create a publicly shareable link for the interface.")parser.add_argument("--inbrowser", action="store_true", default=False,help="Automatically launch the interface in a new tab on the default browser.")parser.add_argument("--server-port", type=int, default=18003,help="Demo server port.")parser.add_argument("--server-name", type=str, default="127.0.0.1",help="Demo server name.")parser.add_argument("-g","--gpus",type=str,default="auto",help="set gpu numbers")args = parser.parse_args()return argsdef main():args = _get_args()model, tokenizer = _load_model_tokenizer(args)if __name__ == '__main__':main()

這是一個大模型web_demo.py的參數讀取樣例：先通過?ArgumentParser類聲明一個解析器對象parser，采用add_argument（加參數）方法將參數加入到解析器parser中，最后parser調用parse_args（解析參數）方法將參數提取、返回。參數傳入后續的函數進行應用。

重點在于add_argument方法的參數：

"-c"：一個"-"代表命令命令行指定命令的縮寫，這個后面跟進要輸入的內容

"--checkpoint-path"：兩個"--"后面跟著參數的名字，args.checkpoint-path即可使用該參數

"type=str"：參數類型

"default=DEFAULT_CKPT_PATH"：參數默認值

"action="store_true""：如果命令行輸入了該參數，該參數即為true，不加為default中的默認值，帶有這個的參數主要為true、false判別類參數。

"help="Checkpoint name or path, default to %(default)r")"：help，注釋。

三、總結

命令行參數解析器ArgumentParser通常為python代碼的第一道關，在main()中聲明或定義。使用該方法可以輕松的讀取命令行的參數，構造帶有命令行參數的python腳本。

《AI—工程篇》

AI智能體研發之路-工程篇（一）：Docker助力AI智能體開發提效

AI智能體研發之路-工程篇（二）：Dify智能體開發平臺一鍵部署

AI智能體研發之路-工程篇（三）：大模型推理服務框架Ollama一鍵部署

AI智能體研發之路-工程篇（四）：大模型推理服務框架Xinference一鍵部署

AI智能體研發之路-工程篇（五）：大模型推理服務框架LocalAI一鍵部署

《AI-模型篇》

AI智能體研發之路-模型篇（一）：大模型訓練框架LLaMA-Factory在國內網絡環境下的安裝、部署及使用

AI智能體研發之路-模型篇（二）：DeepSeek-V2-Chat 訓練與推理實戰

AI智能體研發之路-模型篇（三）：中文大模型開、閉源之爭

AI智能體研發之路-模型篇（四）：一文入門pytorch開發

AI智能體研發之路-模型篇（五）：pytorch vs tensorflow框架DNN網絡結構源碼級對比

AI智能體研發之路-模型篇（六）：【機器學習】基于tensorflow實現你的第一個DNN網絡

AI智能體研發之路-模型篇（七）：【機器學習】基于YOLOv10實現你的第一個視覺AI大模型

AI智能體研發之路-模型篇（八）：【機器學習】Qwen1.5-14B-Chat大模型訓練與推理實戰?