在看了眾多關於flags與app.flags的文獻後，理解程度還是有點迷茫。

1. import tensorflow  as tf  

2. FLAGS=tf.app.flags.FLAGS  

3. tf.app.flags.DEFINE_float(  

4. 'flag_float', 0.01, 'input a float')  

5. tf.app.flags.DEFINE_integer(  

6. 'flag_int', 400, 'input a int')  

7. tf.app.flags.DEFINE_boolean(  

8. 'flag_bool', True, 'input a bool'

9. tf.app.flags.DEFINE_string(  

10. 'flag_string', 'yes', 'input a string')  

11. 

12. print(FLAGS.flag_float)  

13. print(FLAGS.flag_int)  

14. print(FLAGS.flag_bool)  

15. print(FLAGS.flag_string)  

1.在命令列中檢視幫助資訊，在命令列輸入 python test.py -h

注意紅色框中的資訊，這個就是我們用DEFINE_XXX新增命令列引數時的第三個引數

2.直接執行test.py

因為沒有給對應的命令列引數賦值，所以輸出的是命令列引數的預設值。

3.帶命令列引數的執行test.py檔案

這裡輸出了我們賦給命令列引數的值

tf.app.flags.DEFINE_xxx()就是新增命令列的optional argument（可選引數），

而tf.app.flags.FLAGS可以從對應的命令列引數取出引數。

DEFINE_string()限定了可選引數輸入必須是string，這也就是為什麼這個函式定義為DEFINE_string()，同理，DEFINE_int()限定可選引數必須是int，DEFINE_float()限定可選引數必須是float，DEFINE_boolean()限定可選引數必須是bool。

最關鍵的一步，這裡定義了_FlagValues這個類的一個例項,這樣的這樣當要訪問命令列輸入的命令時，就能使用像tf.app.flag.Flags這樣的操作。

從：使用CNN做英文文字任務例項來看flags用法

import tensorflow as tfimport numpy as npimport osimport timeimport datetimeimport data_helpersfrom text_cnn import TextCNNfrom tensorflow.contrib import learn

# Parameters# ==================================================

# Data loading params# 語料檔案路徑定義

tf.flags.DEFINE_float("dev_sample_percentage", .1, "Percentage of the training data to use for validation")

tf.flags.DEFINE_string("positive_data_file", "./data/rt-polaritydata/rt-polarity.pos", "Data source for the positive data.")

tf.flags.DEFINE_string("negative_data_file", "./data/rt-polaritydata/rt-polarity.neg", "Data source for the negative data.")

# Model Hyperparameters# 定義網路超引數

tf.flags.DEFINE_integer("embedding_dim", 128, "Dimensionality of character embedding (default: 128)")

tf.flags.DEFINE_string("filter_sizes", "3,4,5", "Comma-separated filter sizes (default: '3,4,5')")

tf.flags.DEFINE_integer("num_filters", 128, "Number of filters per filter size (default: 128)")

tf.flags.DEFINE_float("dropout_keep_prob", 0.5, "Dropout keep probability (default: 0.5)")

tf.flags.DEFINE_float("l2_reg_lambda", 0.0, "L2 regularization lambda (default: 0.0)")

# Training parameters# 訓練引數

tf.flags.DEFINE_integer("batch_size", 32, "Batch Size (default: 32)")

tf.flags.DEFINE_integer("num_epochs", 200, "Number of training epochs (default: 200)") # 總訓練次數

tf.flags.DEFINE_integer("evaluate_every", 100, "Evaluate model on dev set after this many steps (default: 100)") # 每訓練100次測試一下

tf.flags.DEFINE_integer("checkpoint_every", 100, "Save model after this many steps (default: 100)") # 儲存一次模型

tf.flags.DEFINE_integer("num_checkpoints", 5, "Number of checkpoints to store (default: 5)")# Misc Parameters

tf.flags.DEFINE_boolean("allow_soft_placement", True, "Allow device soft device placement") # 加上一個布林型別的引數，要不要自動分配

tf.flags.DEFINE_boolean("log_device_placement", False, "Log placement of ops on devices") # 加上一個布林型別的引數，要不要列印日誌

# 列印一下相關初始引數

FLAGS = tf.flags.FLAGS

FLAGS._parse_flags()

print("\nParameters:")for attr, value in sorted(FLAGS.__flags.items()):

    print("{}={}".format(attr.upper(), value))

print("")

# Data Preparation# ==================================================

# Load data

print("Loading data...")

x_text, y = data_helpers.load_data_and_labels(FLAGS.positive_data_file, FLAGS.negative_data_file)

# Build vocabulary

max_document_length = max([len(x.split(" ")) for x in x_text]) # 計算最長郵件

vocab_processor = learn.preprocessing.VocabularyProcessor(max_document_length) # tensorflow提供的工具，將資料填充為最大長度，預設0填充

x = np.array(list(vocab_processor.fit_transform(x_text)))

# Randomly shuffle data# 資料洗牌

np.random.seed(10)# np.arange生成隨機序列

shuffle_indices = np.random.permutation(np.arange(len(y)))

x_shuffled = x[shuffle_indices]

y_shuffled = y[shuffle_indices]

# 將資料按訓練train和測試dev分塊# Split train/test set# TODO: This is very crude, should use cross-validation

dev_sample_index = -1 * int(FLAGS.dev_sample_percentage * float(len(y)))

x_train, x_dev = x_shuffled[:dev_sample_index], x_shuffled[dev_sample_index:]

y_train, y_dev = y_shuffled[:dev_sample_index], y_shuffled[dev_sample_index:]

print("Vocabulary Size: {:d}".format(len(vocab_processor.vocabulary_)))

print("Train/Dev split: {:d}/{:d}".format(len(y_train), len(y_dev))) # 列印切分的比例

# Training# ==================================================

with tf.Graph().as_default():

    session_conf = tf.ConfigProto(

        allow_soft_placement=FLAGS.allow_soft_placement,

        log_device_placement=FLAGS.log_device_placement)

    sess = tf.Session(config=session_conf)

with sess.as_default():

# 卷積池化網路匯入

        cnn = TextCNN(

            sequence_length=x_train.shape[1],

            num_classes=y_train.shape[1], # 分幾類

            vocab_size=len(vocab_processor.vocabulary_),

            embedding_size=FLAGS.embedding_dim,

            filter_sizes=list(map(int, FLAGS.filter_sizes.split(","))), # 上面定義的filter_sizes拿過來，"3,4,5"按","分割

            num_filters=FLAGS.num_filters, # 一共有幾個filter

            l2_reg_lambda=FLAGS.l2_reg_lambda) # l2正則化項

# Define Training procedure

        global_step = tf.Variable(0, name="global_step", trainable=False)

        optimizer = tf.train.AdamOptimizer(1e-3) # 定義優化器

        grads_and_vars = optimizer.compute_gradients(cnn.loss)

        train_op = optimizer.apply_gradients(grads_and_vars, global_step=global_step)

# Keep track of gradient values and sparsity (optional)

        grad_summaries = []

for g, v in grads_and_vars:

if g isnotNone:

                grad_hist_summary = tf.summary.histogram("{}/grad/hist".format(v.name), g)

                sparsity_summary = tf.summary.scalar("{}/grad/sparsity".format(v.name), tf.nn.zero_fraction(g))

                grad_summaries.append(grad_hist_summary)

                grad_summaries.append(sparsity_summary)

        grad_summaries_merged = tf.summary.merge(grad_summaries)

# Output directory for models and summaries

        timestamp = str(int(time.time()))

        out_dir = os.path.abspath(os.path.join(os.path.curdir, "runs", timestamp))

        print("Writing to {}\n".format(out_dir))

# Summaries for loss and accuracy

# 損失函式和準確率的引數儲存

        loss_summary = tf.summary.scalar("loss", cnn.loss)

        acc_summary = tf.summary.scalar("accuracy", cnn.accuracy)

# Train Summaries

# 訓練資料儲存

        train_summary_op = tf.summary.merge([loss_summary, acc_summary, grad_summaries_merged])

        train_summary_dir = os.path.join(out_dir, "summaries", "train")

        train_summary_writer = tf.summary.FileWriter(train_summary_dir, sess.graph)

# Dev summaries

# 測試資料儲存