README.md

ConfigTemplates

1.设置随机种子

为了让模型结果可复现，需要使用随机种子对模型中的参数进行限定，具体代码如下：

def set_seed(args):
    torch.manual_seed(args.seed)
    torch.cuda.manual_seed_all(args.seed)
    np.random.seed(args.seed)
    random.seed(args.seed)
    torch.backends.cudnn.deterministic = True 

2.设置logger，保存结果

在模型运行过程中，需要将中间结果或者最终实验结果保存时，可以定义该文件，将训练过程进行保存。具体详解参见知乎链接 。

def create_logger(logger_file_name):
    logger = logging.getLogger()         # 设定日志对象
    logger.setLevel(logging.INFO)        # 设定日志等级

    file_handler = logging.FileHandler(logger_file_name)
    console_handler = logging.StreamHandler()

    formatter = logging.Formatter(
        "%(asctime)s %(levelname)s: %(message)s "
    )
    file_handler.setFormatter(formatter)
    console_handler.setFormatter(formatter)
    logger.addHandler(file_handler)
    logger.addHandler(console_handler)

    return logger

3.设置argparse

设置argparse可分为四大步骤：

• 第一步：引入argparse库
• 第二步：创建解析对象
• 第三步：添加命令行参数和选项
• 第四步：对参数进行解析。将参数字符串转换为对象并将其设为命名空间的属性。 返回带有成员的命名空间。

常用参数解析模板如下所示：

import argparse   # 第一步：引入argparse库

def set_parser():
    parser = argparse.ArgumentParser(description='The parser for text classification')     # 第二步：创建解析对象

    parser.add_argument('-model_name', type=str, default='CNN', choices=['CNN', 'RNN', 'Transformer'])   # 第三步：添加命令行参数和选项
    parser.add_argument('-filter', type=str, default='3,4,5', help='kernel size for CNN')

    # ...可以添加其他模型需要的参数

    args = parser.parse_args()    # 第四步：对参数进行解析

    return args

if __name__ == '__main__':
    args = set_parser()
    print(args.model_name)

调用方式也基本分为两种，一种是在模型内部代码中调用，另一种是可以命令行运行是进行赋值调用。

python set_argparse -model RNN

具体细节见 知乎链接 。