本篇文章為大家帶來了關於Python的相關知識，其中主要整理了解析參數的三種方法相關問題，第一個選項是使用argparse，它是一個流行的Python模組，專門用於命令列解析；另一種方法是讀取JSON 文件，我們可以在其中放置所有超參數；第三種也是鮮為人知的方法是使用YAML 文件，下面一起來看一下，希望對大家有幫助。
【相關推薦：Python3影片教學 】
今天我們分享的主要目的就是透過在Python 中使用指令列和設定檔來提高程式碼的效率
Let's go!
我們以機器學習當中的調參過程來進行實踐，有三種方式可供選擇。第一個選項是使用argparse，它是一個流行的Python 模組，專門用於命令列解析；另一種方法是讀取JSON 文件，我們可以在其中放置所有超參數；第三種也是鮮為人知的方法是使用YAML 檔案！好奇嗎，讓我們開始吧！
先決條件
在下面的程式碼中，我將使用 Visual Studio Code，這是一個非常有效率的整合 Python 開發環境。這個工具的美妙之處在於它透過安裝擴充功能支援每種程式語言，整合終端並允許同時處理大量Python 腳本和Jupyter 筆記本
資料集，使用的是Kaggle 上的共用自行車資料集
使用argparse
就像上圖所示，我們有一個標準的結構來組織我們的小專案：
##包含我們數據集的名為data 的資料夾- train.py 檔案
- 用於指定超參數的options.py 檔案
-
首先，我們可以建立一個文件train.py，在其中我們有導入資料、在訓練資料上訓練模型並在測試集上對其進行評估的基本程序：
import pandas as pd
import numpy as np
from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import mean_squared_error, mean_absolute_error
from options import train_options
df = pd.read_csv('data\hour.csv')
print(df.head())
opt = train_options()
X=df.drop(['instant','dteday','atemp','casual','registered','cnt'],axis=1).values
y =df['cnt'].values
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)
if opt.normalize == True:
scaler = StandardScaler()
X = scaler.fit_transform(X)
rf = RandomForestRegressor(n_estimators=opt.n_estimators,max_features=opt.max_features,max_depth=opt.max_depth)
model = rf.fit(X_train,y_train)
y_pred = model.predict(X_test)
rmse = np.sqrt(mean_squared_error(y_pred, y_test))
mae = mean_absolute_error(y_pred, y_test)
print("rmse: ",rmse)
print("mae: ",mae)登入後複製
在程式碼中，我們也導入了包含在options.py文件中的train_options 函數。後一個文件是一個 Python 文件，我們可以從中更改 train.py 中考慮的超參數：
import argparse
def train_options():
parser = argparse.ArgumentParser()
parser.add_argument("--normalize", default=True, type=bool, help='maximum depth')
parser.add_argument("--n_estimators", default=100, type=int, help='number of estimators')
parser.add_argument("--max_features", default=6, type=int, help='maximum of features',)
parser.add_argument("--max_depth", default=5, type=int,help='maximum depth')
opt = parser.parse_args()
return opt登入後複製
在這個例子中，我們使用了 argparse 庫，它在解析命令列參數時非常流行。首先，我們初始化解析器，然後，我們可以加入我們想要存取的參數。
這是執行程式碼的範例：
要更改超參數的預設值，有兩種方法。第一個選項是在 options.py 檔案中設定不同的預設值。另一個選擇是從命令列傳遞超參數值：
python train.py --n_estimators 200
登入後複製
我們需要指定要變更的超參數的名稱和對應的值。
python train.py --n_estimators 200 --max_depth 7
登入後複製
使用 JSON 檔案
和前面一樣，我們可以保持類似的檔案結構。在這種情況下，我們將 options.py 檔案替換為 JSON 檔案。換句話說，我們想在 JSON 檔案中指定超參數的值並將它們傳遞給 train.py 檔案。與 argparse 程式庫相比，JSON 檔案可以是一種快速且直覺的替代方案，它利用鍵值對來儲存資料。下面我們建立一個 options.json 文件，其中包含我們稍後需要傳遞給其他程式碼的資料。
{
"normalize":true,
"n_estimators":100,
"max_features":6,
"max_depth":5
}登入後複製
如上所見，它與 Python 字典非常相似。但是與字典不同的是，它包含文字/字串格式的資料。此外，還有一些語法略有不同的常見資料類型。例如，布林值是 false/true，而 Python 識別 False/True。 JSON 中其他可能的值是數組，它們用方括號表示為 Python 列表。
在Python 中使用JSON 資料的美妙之處在於，它可以透過load 方法轉換成Python 字典：
f = open("options.json", "rb")
parameters = json.load(f)登入後複製
要存取特定項目，我們只需要在方括號內引用它的鍵名：
if parameters["normalize"] == True:
scaler = StandardScaler()
X = scaler.fit_transform(X)
rf=RandomForestRegressor(n_estimators=parameters["n_estimators"],max_features=parameters["max_features"],max_depth=parameters["max_depth"],random_state=42)
model = rf.fit(X_train,y_train)
y_pred = model.predict(X_test)
登入後複製
使用YAML 檔案
最後一種選擇是利用YAML 的潛力。與 JSON 檔案一樣，我們將 Python 程式碼中的 YAML 檔案作為字典讀取，以存取超參數的值。 YAML 是一種人類可讀的資料表示語言，其中層次結構使用雙空格字元表示，而不是像 JSON 檔案中的括號。下面我們展示options.yaml 檔案將包含的內容：
normalize: True
n_estimators: 100
max_features: 6
max_depth: 5
登入後複製
在train.py 中，我們打開options.yaml 文件，該文件將始終使用load 方法轉換為Python 字典，這次是從yaml 庫中導入的：
import yaml
f = open('options.yaml','rb')
parameters = yaml.load(f, Loader=yaml.FullLoader)登入後複製
和前面一樣，我們可以使用字典所需的語法來存取超參數的值。
最後的想法
設定檔的編譯速度非常快，而 argparse 則需要為我們要新增的每個參數編寫一行程式碼。
所以我們應該根據自己的不同情況來選擇最為合適的方式
例如，如果我們需要為參數添加註釋，JSON 是不合適的，因為它不允許註釋，而YAML和argparse 可能非常適合。
【相關推薦：Python3影片教學 】
以上是Python解析參數的三種方法詳解的詳細內容。更多資訊請關注PHP中文網其他相關文章！
