命令行运行Python脚本时传入参数的三种方式详解

如果在运行python脚本时需要传入一些参数，例如gpus与batch_size，可以使用如下三种方式。

python script.py 0,1,2 10python script.py -gpus=0,1,2 --batch-size=10python script.py -gpus=0,1,2 --batch_size=10

这三种格式对应不同的参数解析方式，分别为sys.argv, argparse, tf.app.run, 前两者是python自带的功能，最后一个是tensorflow提供的便捷方式(只是在命令行执行时看上去跟第二个相同，源码部分的区别见下)。

sys.argv

sys模块是很常用的模块， 它封装了与python解释器相关的数据，例如sys.modules里面有已经加载了的所有模块信息，

sys.path里面是PYTHONPATH的内容，而sys.argv则封装了传入的参数数据。

使用sys.argv接收上面第一个命令中包含的参数方式如下：

import sysgpus = sys.argv[1]#gpus = [int(gpus.split(','))]batch_size = sys.argv[2]print(gpus, type(gpus))print(batch_size, type(batch_size))

执行结果：

D:/projects/Pycharm Projects/some-toys/something_else>python argv_test.py 1,0,2 101,0,2 <class 'str'>10 <class 'str'>

argparse

import argparseparser = argparse.ArgumentParser(description='manual to this script')parser.add_argument('--gpus', type=str, default = None)parser.add_argument('--batch-size', type=int, default=32)args = parser.parse_args()print(args.gpus, type(args.gpus))print(args.batch_size, type(args.batch_size))

执行结果：

D:/projects/Pycharm Projects/some-toys/something_else>python argv_test.py --gpus=0,1,2 --batch-size=200,1,2 <class 'str'>20 <class 'int'>

需要注意的是，脚本运行命令python script.py --gpus=0,1,2 --batch-size=10中的batch-size会被自动解析成batch_size.
parser.add_argument 方法的type参数理论上可以是任何合法的类型， 但有些参数传入格式比较麻烦，例如list，所以一般使用bool, int, str, float这些基本类型就行了，更复杂的需求可以通过str传入，然后手动解析。bool类型的解析比较特殊，传入任何值都会被解析成True，传入空值时才为False

python script.py --bool-val=0 # args.bool_val=Truepython script.py --bool-val=False # args.bool_val=Truepython script.py --bool-val=   # args.bool_val=什么都不写False

通过这个方法还能指定命令的帮助信息。具体请看API文档：https://docs.python.org/2/library/argparse.html

tf.app.run

tensorflow也提供了一种方便的解析方式。

脚本的执行命令为：

python script.py -gpus=0,1,2 --batch_size=10

对应的python代码为：

import tensorflow as tftf.app.flags.DEFINE_string('gpus', None, 'gpus to use')tf.app.flags.DEFINE_integer('batch_size', 5, 'batch size')FLAGS = tf.app.flags.FLAGSdef main(_):  print FLAGS.gpus  print FLAGS.batch_sizeif __name__=="__main__":  tf.app.run()

有几点需要注意：

tensorflow只提供以下几种方法：