1.簡介
由于現(xiàn)在很多機器學(xué)習(xí)的實驗需要設(shè)置繁瑣的參數(shù)，在多次實驗中，有些參數(shù)是一樣的，為了方便設(shè)置參數(shù)，Gin庫出現(xiàn)了。它允許函數(shù)或類被注釋為@gin.configurable，這使得能夠使用清晰而強大的語法通過簡單的配置文件來設(shè)置它們的參數(shù)。這種方法減少了配置維護，同時使實驗配置透明且易于重復(fù)。
簡單理解，gin像一個封裝了參數(shù)配置的類，使用這個類將使得大量的參數(shù)配置變得簡單清晰
安裝
2.@gin.configurable
任何函數(shù)和類都可以使用@gin.configurable裝飾器
@gin.configurable
def my_network(images, num_outputs, num_layers=3, weight_decay=1e-4):
...
@gin.configurable裝飾器做了如下三件事：
- 把類或函數(shù)聲明成了可配置的東西
- 它決定了函數(shù)或類構(gòu)造函數(shù)的哪些參數(shù)是可配置的(默認(rèn)情況下是其所有的參數(shù))
- 封裝類或函數(shù)，攔截調(diào)用，并向函數(shù)的可配置參數(shù)提供來自參數(shù)設(shè)置全局注冊表的值（這些值是類或函數(shù)聲明時沒有指定的值）
為了確定哪些是可以配置的參數(shù)，@gin.configurable會使用到allowlist和denylist參數(shù)，分別聲明哪些是可配的哪些是不可配的，我們通常用一個即可，默認(rèn)沒有用allowlist指定的都為不可配，反之亦然。
@gin.configurable('supernet', denylist=['images'])
def my_network(images, num_outputs, num_layers=3, weight_decay=1e-4):
...
其中supernet是我們指定的配置名。
3.賦值
我們使用如下兩種格式給參數(shù)賦值：
gin.bind_parameter('configurable_name.parameter_name', value)
configurable_name.parameter_name = value
具體例子分別如下：
gin.bind_parameter('supernet.num_layers', 5)
gin.bind_parameter('supernet.weight_decay', 1e-3)
supernet.num_layers = 5
supernet.weight_decay = 1e-3
4.取值
我們可以用gin.query_parameter來取值，具體例子如下
num_layers = gin.query_parameter('supernet.num_layers')
weight_decay = gin.query_parameter('supernet.weight_decay')
5.配置參考文件
假如我們有以下代碼：
@gin.configurable
class DNN(object):
def __init__(self, num_units=(1024, 1024)):
...
def __call__(inputs, num_outputs):
...
@gin.configurable(denylist=['data'])
def train_model(network_fn, data, learning_rate, optimizer):
...
我們可以在gin文件里配置參數(shù)：
train_model.network_fn = @DNN() # An instance of DNN is passed.
train_model.optimizer = @MomentumOptimizer # The class itself is passed.
train_model.learning_rate = 0.001
DNN.num_units = (2048, 2048, 2048)
MomentumOptimizer.momentum = 0.9
上面顯示了兩種配置參數(shù)風(fēng)格。@DNN()和@MomentumOptimizer。對于前者將會調(diào)用DNN類的實例參數(shù)，且每次參數(shù)配置都會隨著每個DNN類的實例變動。對于后者將會調(diào)用類MomentumOptimizer的默認(rèn)參數(shù)。
6.使用gin文件
我們經(jīng)常會和absl下flags一起使用gin，比如下面這樣
from absl import flags
flags.DEFINE_multi_string(
'gin_file', None, 'List of paths to the config files.')
flags.DEFINE_multi_string(
'gin_param', None, 'Newline separated list of Gin parameter bindings.')
FLAGS = flags.FLAGS
然后主程序main.py里最先解析參數(shù)：
gin.parse_config_files_and_bindings(FLAGS.gin_file, FLAGS.gin_param)
假設(shè)我們參數(shù)文件example.gin在當(dāng)前目錄下,則運行時，我們在終端輸入python main.py --gin_file=example.gin
也可以在代碼里改成這樣：
flags.DEFINE_multi_string(
'gin_file', ["example.gin"], 'List of paths to the config files.')
然后直接運行
6.調(diào)用其他類或函數(shù)
我們可以用下面代碼調(diào)用其他類或函數(shù)的參數(shù)，甚至這個類或函數(shù)可以在其他項目里。
gin.external_configurable(tf.train.MomentumOptimizer)
7.范圍限定
當(dāng)一個可配置函數(shù)在程序執(zhí)行過程中被多次調(diào)用時，可能需要為每次調(diào)用提供不同的參數(shù)綁定。Gin提供了一個范圍限定機制來促進這一點。
例如，假設(shè)我們想要實現(xiàn)一個GAN，我們必須交替訓(xùn)練一個生成器和一個鑒別器。在Tensoflow中，這最容易通過兩個優(yōu)化器來實現(xiàn)，因此我們可能有這樣一個函數(shù):
gin.external_configurable(tf.train.GradientDescentOptimizer)
@gin.configurable(allowlist=['generator_optimizer', 'discriminator_optimizer'])
def gan_trainer(
generator_loss, generator_vars, generator_optimizer,
discriminator_loss, discriminator_vars, discriminator_optimizer):
# Construct the optimizers and minimize w.r.t. the correct variables.
generator_train_op = generator_optimizer().minimize(
generator_loss, generator_vars)
discriminator_train_op = discriminator_optimizer().minimize(
discriminator_loss, discriminator_vars)
...
我們?nèi)绾螌?code>generator_optimizer和discriminator_optimizer都配置為@GradientDescentOptimizer，但具有不同的學(xué)習(xí)速率？
下面是個錯誤示范：
# Won't work!
gan_trainer.generator_optimizer = @GradientDescentOptimizer
GradientDescentOptimizer.learning_rate = 0.01
gan_trainer.discriminator_optimizer = @GradientDescentOptimizer
# This binding will overwrite the previous one:
GradientDescentOptimizer.learning_rate = 0.001
Gin提供了一個范圍界定機制來處理這種情況。任何可配置引用的前面都可以有一個作用域名稱，用/字符與可配置名稱分開。同樣，也可以通過在可配置名稱前面加上一個范圍名稱來應(yīng)用特定于某個范圍的綁定。
下面是對的示范：
# This will work! Use scoping to apply different parameter bindings.
gan_trainer.generator_optimizer = @generator/GradientDescentOptimizer
gan_trainer.discriminator_optimizer = @discriminator/GradientDescentOptimizer
generator/GradientDescentOptimizer.learning_rate = 0.01
discriminator/GradientDescentOptimizer.learning_rate = 0.001
8.標(biāo)記gin參數(shù)
Gin允許您指示在Gin配置中必須提供某些參數(shù)。這可以通過兩種方式實現(xiàn):
1.在函數(shù)的調(diào)用位置
2.在函數(shù)的簽名中
當(dāng)調(diào)用一個可配置時，您可以通過gin.REQUIRED標(biāo)記任何arg或kwarg。所需對象:
my_network(images, gin.REQUIRED, num_layers=5, weight_decay=gin.REQUIRED)
將在調(diào)用時檢查所需參數(shù)。如果沒有為這些參數(shù)提供Gin綁定，將會引發(fā)一個錯誤，列出缺少的參數(shù)綁定以及需要它們的可配置名稱。
定義可配置時，可以使用gin.REQUIRED將參數(shù)標(biāo)記為必需的：
@gin.configurable
def run_training(model_dir=gin.REQUIRED, network=gin.REQUIRED, ...):
...
9.從Gin文件中導(dǎo)入模塊
10.在Gin文件中調(diào)用另一個Gin文件參數(shù)
一個Gin文件可以包含其他Gin文件，這樣可以更容易地將一個配置拆分成單獨的組件(例如，一個“基礎(chǔ)”配置，它被其他派生配置包含和修改)。包含另一個Gin文件可以使用以下語法完成:
include 'path/to/another/file.gin'
11.Gin “macros”
有時一個值應(yīng)該在多個綁定之間共享。為了實現(xiàn)這一點并避免多次重復(fù)該值(導(dǎo)致維護負(fù)擔(dān))，Gin提供了以下預(yù)定義的可配置功能:
@gin.configurable
def macro(value):
return value
可以引用“宏”函數(shù)(通過“()”來取值）。例如:
num_layers/macro.value = 10
network.num_layers = @num_layers/macro()
也可以這樣寫
num_layers = 10
network.num_layers = %num_layers
12.常量
gin.constant函數(shù)可用于定義常量，這些常量可通過上述宏語法訪問。例如，在Python中:
gin.constant('THE_ANSWER', 42)
然后在配置文件gin中
meaning.of_life = %THE_ANSWER
請注意，任何Python對象都可以用作常量的值(包括不能表示為Gin文字的對象)。值將被存儲到Gin內(nèi)部字典中，直到程序終止，因此避免創(chuàng)建具有有限生命周期的值的常數(shù)。
一個消除歧義的模塊可以放在常量名稱的前面。例如:
gin.constant('some.modules.PI', 3.14159)
13.實驗使用多個Gin文件和額外的命令行綁定
在許多情況下，可以定義多個包含實驗整體配置不同部分的Gin文件。對整體配置的額外“調(diào)整”可以通過命令行標(biāo)志作為單獨的綁定來傳遞。
一種推薦的方法是創(chuàng)建一個包含多個Gin配置的文件夾，然后創(chuàng)建一個包含以下內(nèi)容的BUILD文件:
filegroup(
name = "gin_files",
srcs = glob(["*.gin"]),
visibility = [":internal"],
)
此filegroup可用作二進制文件中的數(shù)據(jù)依賴項:
data = ["http://path/to/configs:gin_files",]
在二進制文件中，可以定義以下標(biāo)志:
from absl import flags
flags.DEFINE_multi_string(
'gin_file', None, 'List of paths to the config files.')
flags.DEFINE_multi_string(
'gin_param', None, 'Newline separated list of Gin parameter bindings.')
FLAGS = flags.FLAGS
然后用Gin解析它們:
gin.parse_config_files_and_bindings(FLAGS.gin_file, FLAGS.gin_param)
最后，二進制文件可以運行為:
.../run_gin_eval \
--gin_file=$CONFIGS_PATH/cartpole_balance.gin \
--gin_file=$CONFIGS_PATH/base_dqn.gin \
--gin_file=$CONFIGS_PATH/eval.gin \
--gin_param='evaluate.num_episodes_eval = 10' \
--gin_param='evaluate.generate_videos = False' \
--gin_param='evaluate.eval_interval_secs = 60'
到此這篇關(guān)于python的gin庫的介紹和使用的文章就介紹到這了,更多相關(guān)python gin庫內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
您可能感興趣的文章:- Python logging日志庫空間不足問題解決
- python GUI庫圖形界面開發(fā)之PyQt5中QWebEngineView內(nèi)嵌網(wǎng)頁與Python的數(shù)據(jù)交互傳參詳細(xì)方法實例
- python GUI庫圖形界面開發(fā)之PyQt5瀏覽器控件QWebEngineView詳細(xì)使用方法
- Python中l(wèi)ogging日志庫實例詳解
- 在Python中使用MongoEngine操作數(shù)據(jù)庫教程實例
- python中l(wèi)ogging庫的使用總結(jié)
- win系統(tǒng)下為Python3.5安裝flask-mongoengine 庫
- python logging類庫使用例子
- Python 分析Nginx訪問日志并保存到MySQL數(shù)據(jù)庫實例
