FLAGI = Brak znaczenia?

Question

Jestem nowy dla python & tensorFlow, a ja śledzę this MNIST tutorial na dokumentacji tensorFlow.

W pierwszym przypadku nie wiem, co FLAGS = Brak tutaj. Szukałem w Google i wróciłem pusty. Wydaje się, że to zbyt oczywiste dla innych?

from __future__ import absolute_import 
from __future__ import division 
from __future__ import print_function 

import argparse 
import sys 

from tensorflow.examples.tutorials.mnist import input_data 

import tensorflow as tf 

FLAGS = None 


def main(_): 
    # Import data 
    mnist = input_data.read_data_sets(FLAGS.data_dir, one_hot=True) 

Co to jest FLAGI i jak jest używany? np. FLAGS.data_dir

Każda pomoc zostanie doceniona!

Answer 1

Inicjowanie FLAGS=None jest tylko sposobem inicjowanie stałej globalnej. Jeśli zostanie pozostawiony, spowoduje błąd w main, ponieważ None nie ma żadnych atrybutów.

Ale jeśli ustawione przez argparseparser, jak pokazano w pełniejszych przykładach, jest to prosty obiekt z różnymi atrybutami. main zakłada jeden z tych atrybutów nazywa się data_dir.

Jeżeli po

FLAGS, unparsed = parser.parse_known_args() 
print(FLAGS) 

powinieneś zobaczyć Namespace(data_dir='a directory', ....), gdzie wartość data_dir został przeanalizowany z wiersza poleceń.

Answer 2

To był pełny kod patrzysz: Wytłumaczę:

from __future__ import absolute_import 
from __future__ import division 
from __future__ import print_function 

import argparse 
import sys 

from tensorflow.examples.tutorials.mnist import input_data 

import tensorflow as tf 

FLAGS = None #Adds a default value to FLAGS 


def main(_): #Everything inside the function is not checked until it's called 
    mnist = input_data.read_data_sets(FLAGS.data_dir, one_hot=True) #FLAGS is not None anymore because it got changed below 

    x = tf.placeholder(tf.float32, [None, 784]) 
    W = tf.Variable(tf.zeros([784, 10])) 
    b = tf.Variable(tf.zeros([10])) 
    y = tf.matmul(x, W) + b 

    y_ = tf.placeholder(tf.float32, [None, 10]) 

    cross_entropy = tf.reduce_mean(
     tf.nn.softmax_cross_entropy_with_logits(labels=y_, logits=y)) 
    train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy) 

    sess = tf.InteractiveSession() 
    tf.global_variables_initializer().run() 
    # Train 
    for _ in range(1000): 
    batch_xs, batch_ys = mnist.train.next_batch(100) 
    sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys}) 

    # Test trained model 
    correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1)) 
    accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32)) 
    print(sess.run(accuracy, feed_dict={x: mnist.test.images, 
             y_: mnist.test.labels})) 

if __name__ == '__main__': 
    parser = argparse.ArgumentParser() 
    parser.add_argument('--data_dir', type=str, default='/tmp/tensorflow/mnist/input_data', 
         help='Directory for storing input data') 

    FLAGS, unparsed = parser.parse_known_args() #Here it changed the value of FLAGS to the first thing returned from parser.parse_known_args() 

    tf.app.run(main=main, argv=[sys.argv[0]] + unparsed) #runs the app (calling main) 

co się dzieje, jest to, że został zmieniony FLAGI tutaj: FLAGS, unparsed = parser.parse_known_args()