【python】python指南（二）：命令行参数解析器ArgumentParser

 

一、引言 

对于算法工程师来说，语言从来都不是关键，关键是快速学习以及解决问题的能力。大学的时候参加ACM/ICPC一直使用的是C语言，实习的时候做一个算法策略后台用的是php，毕业后做策略算法开发，因为要用spark，所以写了scala，后来用基于storm开发实时策略，用的java。至于python，从日常用hive做数据策略用python写udf，到基于tensorflow深度学习框架写python版的模型网络，再到现在实用pytorch做大模型。眼看着在语言纷争中，python的应用越来越广，开一个单独的专栏用于记录python中常用到的技巧，算是做笔记，没事翻出来看看。

本文重点介绍python中的参数解析器（ArgumentParser）。

二、参数解析器（ArgumentParser）

2.1 概述

在Python中，ArgumentParser用于定义和读取命令行输入的参数，在运行python文件时对命令行参数进行解析处理。

2.2 代码示例

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()

这是一个大模型web_demo.py的参数读取样例：先通过 ArgumentParser类声明一个解析器对象parser，采用add_argument（加参数）方法将参数加入到解析器parser中，最后parser调用parse_args（解析参数）方法将参数提取、返回。参数传入后续的函数进行应用。

重点在于add_argument方法的参数：

"-c"：一个"-"代表命令命令行指定命令的缩写，这个后面跟进要输入的内容

"--checkpoint-path"：两个"--"后面跟着参数的名字，args.checkpoint-path即可使用该参数

"type=str"：参数类型

"default=DEFAULT_CKPT_PATH"：参数默认值

"action="store_true""：如果命令行输入了该参数，该参数即为true，不加为default中的默认值，带有这个的参数主要为true、false判别类参数。

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

三、总结

命令行参数解析器ArgumentParser通常为python代码的第一道关，在main()中声明或定义。使用该方法可以轻松的读取命令行的参数，构造带有命令行参数的python脚本。

《AI—工程篇》

AI智能体研发之路-工程篇（一）：Docker助力AI智能体开发提效

AI智能体研发之路-工程篇（二）：Dify智能体开发平台一键部署

AI智能体研发之路-工程篇（三）：大模型推理服务框架Ollama一键部署

AI智能体研发之路-工程篇（四）：大模型推理服务框架Xinference一键部署

AI智能体研发之路-工程篇（五）：大模型推理服务框架LocalAI一键部署

《AI-模型篇》

AI智能体研发之路-模型篇（一）：大模型训练框架LLaMA-Factory在国内网络环境下的安装、部署及使用

AI智能体研发之路-模型篇（二）：DeepSeek-V2-Chat 训练与推理实战

AI智能体研发之路-模型篇（三）：中文大模型开、闭源之争

AI智能体研发之路-模型篇（四）：一文入门pytorch开发

AI智能体研发之路-模型篇（五）：pytorch vs tensorflow框架DNN网络结构源码级对比

AI智能体研发之路-模型篇（六）：【机器学习】基于tensorflow实现你的第一个DNN网络

AI智能体研发之路-模型篇（七）：【机器学习】基于YOLOv10实现你的第一个视觉AI大模型

AI智能体研发之路-模型篇（八）：【机器学习】Qwen1.5-14B-Chat大模型训练与推理实战